ORES/uk

ORES (/ɔɹz/) — це вебсервіс та API, що надають машинне навчання як послугу для проєктів Вікімедіа, і підтримуються Командою платформи оцінювання (Scoring Platform team). Система розроблена для автоматизації критичноважливої вікіроботи: наприклад, виявлення та усунення вандалізму. Наразі ORES генерує два загальні типи оцінок, які лежать у контекстах «якість редагування» і «якісь статті».

ORES є сервісом бекенду, і не дає прямого способу використовувати оцінки. Якщо ви б хотіли використовувати оцінки ORES, ознайомтеся з нашим списком інструментів, які використовують оцінки ORES. Якщо ORES іще не підтримує вашу вікі, див. нашу послідовність кроків для запиту підтримки.

Шукаєте відповіді на свої запитання про ORES? Перегляньте ЧаПи ORES.



Якість редагування
Один з найбільш критичних моментів, коли йдеться про відкриті проєкти Вікімедіа, це розгляд потенційно шкідливого внеску («редагувань»). Також є потреба визначати дописувачів з добрими намірами (які можуть ненавмисне спричиняти шкоду) і пропонувати їм допомогу. Ці моделі мають на меті полегшити роботу з фільтрування стрічки Спеціальна:Нові_редагування. Ми пропонуємо два рівні підтримки для моделей передбачення якості редагувань: базовий та розширений.



Базова підтримка
Припускаючи, що більшість шкідливих редагувань будуть відкинуті, а редагування, що не шкодять, такими не будуть, ми можемо використати як основу історію редагувань (і відкинутих редагувань) з вікі. Ця модель налаштовується легко, але вона потерпає від того, що багато редагувань відкидають з інших причин, що не стосуються шкоди і вандалізму. Щоб зарадити цьому, ми створюємо модель, що базується на поганих словах.


 * — передбачає, чи редагування буде в результаті відкинуте



Розширена підтримка
Замість робити припущення, ми можемо попросити редакторів натренувати ORES розрізняти, які редагування справді є шкідливими, а які схожі на добрі наміри. Це вимагає додаткової роботи з боку волонтерів у спільноті, але це дозволяє набагато точніші й тонші передбачення з огляду на якість редагування. Багато інструментів працюватимуть лише тоді, коли для вікі є розширена підтримка.


 * — передбачає, чи редагування спричиняє шкоду чи ні
 * — передбачає, чи редагування було збережене з добрими намірами



Якість статті
Якість статей Вікіпедії є ключовою турботою вікіпедистів. Нові сторінки мають бути розглянуті й перевірені, щоб у вікі точно не залишилися спам, вандалізм та нападки. Якість статей, які виживають первинний розгляд, деякі вікіпедисти періодично оцінюють, але це дуже працезатратна діяльність, й оцінки часто застарілі.



Нова оцінка статті
Чим швидше вилучать дуже проблемні види статей-чернеток, тим краще. Нагляд за новоствореними сторінками може означати величезний обсяг роботи. Подібно до проблеми протидії вандалізму в редагуваннях, машинні передбачення можуть допомогти кураторам зосередитися перш за все на найбільш проблемних нових сторінках. На основі коментарів, які адміни залишають при вилученні сторінок (див. таблицю ), ми можемо натренувати модель, яка передбачатиме, які сторінки треба швидко вилучити. Див. список причин для швидкого вилучення в англійській Вікіпедії на en:WP:CSD. Для англійської моделі ми використали G3 «вандалізм», G10 «напад» та G11 «спам».


 * — передбачає, чи стаття має бути швидко вилучена (spam, vandalism, attack або OK)



Оцінка існуючої статті
Якість статей, які виживають первинний розгляд, у деяких великих Вікіпедіях періодично оцінюють з використанням шкали, яка значною мірою відповідає шкалі оцінювання англійської Вікіпедії 1.0 («articlequality»). Мати ці оцінки дуже корисно, бо це допомагає нам виміряти прогрес і визначити упущені можливості (наприклад, популярні статті низької якості). Однак доволі складно робити так, щоб ці оцінки завжди були свіжими, тому покриття статей оцінками непослідовне. Тут приходить на допомогу модель машинного навчання. Натренувавши модель відтворювати оцінювання якості статей, яке проводять люди, ми можемо автоматично оцінити кожну статтю й кожну версію з допомогою комп'ютера. Ця модель використовується, щоб допомогти вікіпроєктам сортувати за нагальністю роботу з повторного оцінювання і досліджувати, які саме редагування призводять до покращення якості статей.

Модель articlequality базує свої передбачення на структурних характеристиках статті. Наприклад, скільки у статті розділів? Чи є картка? скільки приміток на джерела? Чи використовують примітки шаблон cite? Модель articlequality не оцінює якість тексту або наявність проблем викладу (скажімо, чи не просувається одна точка зору). Але схоже, багато структурних характеристик статей значно корелюють із гарним письмом і тоном, тому моделі дуже добре працюють на практиці.


 * — передбачає (подібну до Wikipedia 1.0) оцінку статті чи чернетки за якістю



Маршрутизація тем


Модель ORES для тем статей застосовує інтуїтивну низхідну таксономію для будь-якої статті у Вікіпедії — навіть для нових чернеток статей. Ця маршрутизація тем корисна для нагляду за новими статтями, створення робочих списків, формування нових Вікіпроєктів та аналізування прогалин контенту.

Тематичні моделі ORES тренуються з використанням вкладання слів (en:word embedding) у реальному контенті. Для кожної мови вивчається і застосовується мовноспецифічне вкладання. Оскільки ця стратегія моделювання залежить від теми статті, передбачення теми можуть відрізнятися між мовами залежно від тем, присутніх у тексті тієї чи іншої статті.



Нова оцінка статті


Найбільша складність при розгляді нових статей полягає у тому, щоб знайти когось знайомого з темою, щоб оцінити значущість, релевантність та правильність. Наша модель  розроблена для спрямування новостворених статей залежно від їхньої передбаченої тематичної природи до зацікавлених рецензентів. Модель тренується і тестується на першій версії статей і таким чином годиться лише для нових чернеток статей.


 * – передбачає тему нової чернетки статті



Мапування тематичної приналежності


Тематична пов'язаність статей є важливою концепцією для організації роботи у Вікіпедії. Тематичні робочі групи стали звичною стратегією управління продукуванням і патрулюванням вмісту Вікіпедії. Однак високорівнева ієрархія ще не доступна або ж не піддається автоматичним запитам з багатьох причин. Як наслідок, будь-хто, хто хоче організувати роботу навколо якоїсь теми або зробити робочий список, мусить виконати значну ручну роботу з виявлення відповідних статей. Завдяки нашій моделі, ці запити можна робити автоматично.


 * – передбачає тему статті



Таблиця підтримки
Таблиця підтримки ORES повідомляє статус підтримки ORES за вікі і доступними моделями. Якщо ви не бачите у списку своєї вікі або моделі, яку б хотіли використовувати, ви можете подати запит на підтримку.



Використання API
ORES пропонує сервіс RESTful API для динамічного отримання інформації з оцінками версій. '''Див. більше інформації про те, як використовувати API, на https://ores.wikimedia.org.'''

Якщо ви ставите запит до служби щодо великої кількості версій, рекомендується групувати не більше 50 версій у межах даного запиту, як описано нижче. Принято подавати до 4 паралельних запитів. Будь ласка, не перевищуйте ці обмеження, інакше ORES може стати нестабільним. Для ще більшого числа запитів, ви можете запускати ORES локально

Приклад запиту: |wp10&revids=34854345|485104318 http://ores.wikimedia.org/v3/scores/enwiki/?models=draftquality|wp10&revids=34854345|485104318

Приклад запиту: https://ores.wikimedia.org/v3/scores/wikidatawiki/421063984/damaging



Використання EventStream
Оцінки ORES також надаються у вигляді EventStream на https://stream.wikimedia.org/v2/stream/revision-score



Локальне використання
Для локального запуску ORES ви можете встановити пакет ORES Python, виконавши:

Після цього ви зможете запустити його так:

Ви мажете побачити такий вивід: