Một thông tin có thể nghe rất hợp lý.
Nó có thể được trình bày trong một bài viết đẹp.
Nó có thể xuất hiện trên nhiều website.
Nhưng vẫn còn một câu hỏi quan trọng:
Thông tin này đến từ đâu?
Đây là câu hỏi nền tảng của mọi hệ thống tri thức đáng tin cậy.
Đặc biệt khi số hóa Y học cổ truyền, thông tin thường đi qua nhiều bước:
Tài liệu gốc
→ Số hóa
→ Trích xuất
→ Biên tập
→ Chuẩn hóa
→ Công bố
Sau nhiều bước xử lý, nếu không lưu lại lịch sử, người dùng có thể nhìn thấy một dữ liệu nhưng không còn biết nó bắt nguồn từ đâu.
Đó là lúc vấn đề nguồn gốc tri thức trở nên quan trọng.
Một thông tin không tồn tại độc lập
Hãy xem xét một câu đơn giản:
Một dược liệu được ghi nhận trong một tài liệu cổ.
Câu này có vẻ là một thông tin hoàn chỉnh.
Nhưng để đánh giá nó, người đọc có thể cần biết thêm:
- Tài liệu nào?
- Ai là tác giả?
- Được viết vào thời kỳ nào?
- Bản nào được sử dụng?
- Thông tin nằm ở phần nào?
- Đây là nguyên văn hay diễn giải?
Nếu không có những thông tin này, khả năng kiểm chứng sẽ bị hạn chế.
Nội dung có thể vẫn đúng.
Nhưng mức độ tin cậy của nó khó được đánh giá.
Một dữ liệu có giá trị nghiên cứu không chỉ trả lời:
Nội dung là gì?
Mà còn cần có khả năng trả lời:
Nội dung này xuất phát từ đâu?
Provenance là gì?
Trong khoa học dữ liệu, provenance thường được hiểu là thông tin về nguồn gốc và quá trình hình thành của dữ liệu.
Đối với một bản ghi tri thức, provenance có thể bao gồm:
- Nguồn ban đầu
- Người tạo hoặc tác giả
- Thời gian
- Phiên bản
- Quá trình xử lý
- Người hoặc hệ thống thực hiện thay đổi
Ví dụ:
Thông tin hiện tại
↓
Được trích xuất từ
↓
Một bản số hóa
↓
Có nguồn là
↓
Một tài liệu cụ thể
Chuỗi này tạo thành một “đường đi” của dữ liệu.
Nhờ đó, người dùng có thể truy ngược từ thông tin hiện tại về nguồn ban đầu.
Tại sao nguồn gốc quan trọng hơn việc chỉ có trích dẫn?
Trích dẫn là một phần quan trọng của việc ghi nguồn.
Nhưng provenance có phạm vi rộng hơn.
Một trích dẫn có thể chỉ cho biết:
Thông tin tham khảo từ tài liệu A.
Trong khi provenance có thể ghi lại:
Tài liệu A
→ Bản xuất bản nào
→ Phần nào
→ Được số hóa khi nào
→ Được trích xuất bằng phương pháp nào
→ Được biên tập ra sao
Điều này đặc biệt hữu ích khi dữ liệu đã trải qua nhiều bước chuyển đổi.
Có thể hình dung:
Citation trả lời: “Nguồn nào?”
Trong khi:
Provenance còn trả lời: “Thông tin đã đi qua những bước nào?”
Dữ liệu số có thể làm mất dấu vết nguồn gốc
Khi một đoạn thông tin được sao chép từ nơi này sang nơi khác, nguồn gốc ban đầu có thể dần biến mất.
Quá trình thường xảy ra như sau:
Sách gốc
↓
Bài viết tổng hợp
↓
Website A
↓
Website B
↓
Mạng xã hội
↓
AI hoặc công cụ tự động tổng hợp
Đến cuối chuỗi, một câu có thể được lặp lại rất nhiều lần.
Nhưng số lần xuất hiện không đồng nghĩa với số lượng bằng chứng độc lập.
Nhiều nguồn có thể thực chất đều bắt nguồn từ cùng một thông tin ban đầu.
Đây là lý do việc truy về nguồn gốc có ý nghĩa quan trọng hơn việc chỉ đếm số nơi đã đề cập.
Nguồn gốc giúp phân biệt dữ liệu gốc và diễn giải
Trong một hệ thống tri thức, cần phân biệt rõ các lớp thông tin.
Ví dụ:
Dữ liệu gốc
Nội dung được ghi trực tiếp trong tài liệu.
Dữ liệu trích xuất
Thông tin được lấy ra từ tài liệu gốc.
Dữ liệu chuẩn hóa
Tên gọi hoặc cấu trúc được chuyển sang định dạng thống nhất.
Dữ liệu diễn giải
Nội dung được giải thích hoặc tổng hợp bởi người biên tập.
Các lớp này không có cùng bản chất.
Nếu một câu diễn giải được trình bày như nguyên văn từ tài liệu cổ, người đọc có thể hiểu sai.
Do đó, provenance không chỉ giúp biết nguồn.
Nó còn giúp biết loại thông tin đang được sử dụng.
Một thực thể có thể có nhiều nguồn
Không phải mọi thực thể chỉ có một nguồn duy nhất.
Ví dụ, một dược liệu có thể được đề cập trong:
- Y thư cổ
- Từ điển chuyên ngành
- Sách hiện đại
- Nghiên cứu khoa học
Các nguồn này có thể cung cấp những loại thông tin khác nhau.
Ví dụ:
Nguồn A ghi nhận tên gọi.
Nguồn B mô tả đặc điểm.
Nguồn C nghiên cứu thành phần.
Thay vì gộp tất cả thành một câu trả lời không phân biệt nguồn, hệ thống có thể lưu:
Thông tin 1 → Nguồn A
Thông tin 2 → Nguồn B
Thông tin 3 → Nguồn C
Điều này giúp người dùng biết từng thông tin dựa trên cơ sở nào.
Nguồn không giống với độ tin cậy
Một thông tin có nguồn không tự động có nghĩa là thông tin đó hoàn toàn chính xác.
Nguồn cũng cần được đánh giá.
Ví dụ, các yếu tố có thể bao gồm:
- Loại tài liệu
- Thời điểm xuất bản
- Tác giả
- Mục đích của tài liệu
- Phương pháp nghiên cứu
- Khả năng kiểm chứng độc lập
Do đó, cần phân biệt:
Có nguồn
và:
Được xác nhận.
Một hệ thống tri thức tốt không nên biến mọi thông tin có trích dẫn thành “sự thật tuyệt đối”.
Thay vào đó, có thể biểu diễn rõ:
- Nguồn nào đã ghi nhận
- Thông tin thuộc loại nào
- Mức độ kiểm chứng hiện có
Provenance đặc biệt quan trọng với AI
Khi AI được sử dụng để trả lời câu hỏi, người dùng thường quan tâm đến câu trả lời cuối cùng.
Nhưng trong các lĩnh vực chuyên ngành, một câu hỏi quan trọng hơn là:
AI dựa vào đâu để trả lời?
Nếu AI chỉ tạo ra một câu trả lời mà không thể chỉ ra nguồn, người dùng khó kiểm tra.
Một kiến trúc đáng tin cậy hơn có thể là:
Câu hỏi
↓
Truy xuất dữ liệu liên quan
↓
Kiểm tra nguồn
↓
Tổng hợp câu trả lời
↓
Hiển thị nguồn
Trong mô hình này, AI không phải là điểm cuối của tri thức.
Nó là lớp giao tiếp giúp người dùng tiếp cận nguồn dữ liệu.
Nguồn gốc cần được gắn với từng khẳng định
Một lỗi phổ biến là đặt danh sách tài liệu tham khảo ở cuối một bài viết dài.
Người đọc biết bài viết có sử dụng nhiều nguồn.
Nhưng không biết câu nào dựa trên nguồn nào.
Trong các hệ thống tri thức, một cách tiếp cận tốt hơn là cố gắng liên kết:
Khẳng định
↓
Nguồn hỗ trợ
Ví dụ:
Thực thể A có tên gọi B
Nguồn: Tài liệu X
Điều này không có nghĩa mọi câu đều phải hiển thị một danh sách trích dẫn dài.
Nhưng ở tầng dữ liệu, mối liên hệ giữa thông tin và nguồn nên được lưu giữ khi có thể.
Nguồn gốc và phiên bản
Một tài liệu có thể có nhiều phiên bản.
Một dữ liệu cũng có thể được cập nhật theo thời gian.
Ví dụ:
Phiên bản 1: 2026
↓
Phát hiện thông tin mới
↓
Phiên bản 2: 2027
Nếu hệ thống chỉ giữ dữ liệu mới nhất, người dùng có thể không biết thông tin đã thay đổi như thế nào.
Versioning giúp trả lời:
- Thông tin thay đổi khi nào?
- Điều gì đã được sửa?
- Vì sao thay đổi?
- Dựa trên nguồn mới nào?
Điều này đặc biệt quan trọng đối với các dự án tri thức dài hạn.
Lịch sử chỉnh sửa cũng là một phần của provenance
Không chỉ nguồn gốc ban đầu mới quan trọng.
Các thay đổi sau đó cũng có giá trị.
Ví dụ:
Bản ghi được tạo
↓
Phát hiện lỗi chính tả
↓
Chuẩn hóa tên
↓
Bổ sung nguồn
↓
Thay đổi phân loại
Nếu không lưu lịch sử, sau một thời gian người quản trị có thể không biết vì sao dữ liệu hiện tại lại có hình thức như vậy.
Một hệ thống có lịch sử thay đổi tốt giúp:
- Kiểm tra lỗi
- Khôi phục phiên bản
- Đánh giá quy trình
- Tăng tính minh bạch
AI tạo dữ liệu cần được đánh dấu
Trong tương lai, AI có thể hỗ trợ:
- OCR tài liệu
- Trích xuất thực thể
- Dịch thuật
- Tóm tắt
- Gợi ý quan hệ
Nhưng dữ liệu do AI tạo ra hoặc hỗ trợ tạo ra cần được phân biệt với dữ liệu đã được xác minh.
Ví dụ:
Trạng thái: AI đề xuất
khác với:
Trạng thái: Đã được kiểm tra
Việc lưu trạng thái giúp tránh tình trạng dữ liệu chưa được xác nhận vô tình trở thành dữ liệu chính thức.
Một quy trình có thể là:
AI đề xuất
→ Chờ kiểm tra
→ Được xác nhận
→ Công bố
Không phải mọi kết quả do AI tạo ra đều cần bị loại bỏ.
Nhưng nguồn gốc và trạng thái của nó cần minh bạch.
Provenance giúp sửa lỗi dễ hơn
Giả sử một bản ghi được phát hiện là sai.
Nếu hệ thống biết chính xác thông tin đến từ đâu, người quản trị có thể:
- Truy về nguồn
- Kiểm tra nội dung
- Xác định bước xử lý xảy ra lỗi
- Sửa các dữ liệu liên quan
Ngược lại, nếu dữ liệu không có nguồn, việc sửa lỗi có thể trở nên khó khăn.
Một lỗi có thể đã lan sang:
- Bài viết
- Cơ sở dữ liệu
- Knowledge graph
- Hệ thống tìm kiếm
- AI
Do đó, provenance không chỉ giúp tăng độ tin cậy.
Nó còn giúp quản trị lỗi.
Một hệ thống tri thức cần khả năng truy ngược
Có thể xem đây là một nguyên tắc đơn giản:
Người dùng càng đi xa khỏi nguồn gốc, hệ thống càng cần khả năng dẫn họ quay lại.
Ví dụ:
Câu trả lời AI
↓
Bản ghi tri thức
↓
Thực thể
↓
Trích xuất
↓
Tài liệu nguồn
Không phải mọi người dùng đều cần xem toàn bộ chuỗi này.
Nhưng hệ thống nên có khả năng cung cấp khi cần.
Khả năng truy ngược là một trong những điểm khác biệt giữa:
Một kho thông tin
và:
Một hạ tầng tri thức có thể kiểm chứng.
Provenance và trách nhiệm học thuật
Trong nghiên cứu, một kết luận cần có khả năng được kiểm tra.
Người khác cần biết:
- Dữ liệu đến từ đâu
- Được xử lý như thế nào
- Phương pháp nào được sử dụng
Nguyên tắc này cũng có thể áp dụng khi xây dựng kho tri thức số.
Một hệ thống không cần tuyên bố rằng mọi thông tin đều hoàn hảo.
Điều quan trọng hơn là minh bạch về:
- Những gì đang biết
- Những gì chưa chắc chắn
- Thông tin đến từ đâu
- Dữ liệu đã được xử lý ra sao
Sự minh bạch không làm hệ thống yếu đi.
Ngược lại, nó tạo điều kiện để cộng đồng có thể kiểm tra và cải thiện hệ thống.
Từ nguồn gốc đến chuỗi niềm tin
Có thể hình dung độ tin cậy của một thông tin như một chuỗi.
Nguồn rõ ràng
↓
Quá trình xử lý minh bạch
↓
Dữ liệu có thể kiểm tra
↓
Kết quả có thể tái sử dụng
Nếu một mắt xích bị mất, khả năng kiểm chứng giảm xuống.
Điều này đặc biệt quan trọng trong thời đại thông tin được sao chép và tổng hợp với tốc độ rất nhanh.
Khi AI và tự động hóa ngày càng phổ biến, câu hỏi:
“Thông tin này đến từ đâu?”
có thể trở nên quan trọng hơn bao giờ hết.
Kết luận
Một cơ sở tri thức không chỉ cần chứa thông tin.
Nó cần giúp người dùng hiểu hành trình của thông tin.
Từ tài liệu gốc đến dữ liệu số, từ quá trình trích xuất đến chuẩn hóa và công bố, mỗi bước đều có thể ảnh hưởng đến cách một thông tin được hiểu.
Nguồn gốc dữ liệu, hay provenance, giúp giữ lại những dấu vết đó.
Đối với việc bảo tồn và số hóa tri thức Y học cổ truyền, đây không chỉ là một vấn đề kỹ thuật.
Đó còn là cách thể hiện sự tôn trọng đối với nguồn tư liệu, giúp người dùng phân biệt giữa dữ liệu gốc, dữ liệu diễn giải và thông tin được suy luận.
Một hệ thống tri thức đáng tin cậy không chỉ nói:
Đây là thông tin.
Nó còn có thể trả lời:
Thông tin này đến từ đâu, đã được xử lý như thế nào và chúng ta có thể kiểm tra lại bằng cách nào?
Lưu ý: Nội dung bài viết mang tính thông tin, nghiên cứu và tham khảo, không thay thế cho tư vấn, chẩn đoán hoặc điều trị y khoa.
Từ khóa: provenance dữ liệu, nguồn gốc tri thức Y học cổ truyền, truy xuất nguồn dữ liệu, quản trị dữ liệu YHCT, provenance knowledge graph, dữ liệu có thể kiểm chứng, nguồn tư liệu Y học cổ truyền, AI và provenance, minh bạch dữ liệu, bảo tồn tri thức số.