# Governance Dictionary – ⟨S,T,C,V⟩ Metadata Crosswalk Audit Model

## Descrição

Este repositório documenta o Dicionário de Governança que operacionaliza o modelo ⟨S,T,C,V⟩ proposto no artigo:

Lima, K. C. R.; Sunye, M. S. A armadilha da validade artificial: auditoria da perda semântica no crosswalk de metadados. SBBD 2026 – Simpósio Brasileiro de Banco de Dados.

O dicionário é o artefato central que vincula campos técnicos de esquemas de metadados científicos (Dublin Core, DataCite, Darwin Core, EML) a categorias funcionais derivadas dos Princípios FAIR (Wilkinson et al., 2016), atribuindo pesos de utilidade (`wi`) e restrições de domínio (`V`) para cada categoria.

---

## Arquivos

| Arquivo | Formato | Descrição |
|---|---|---|
| governance_dictionary.csv | CSV (UTF-8) | Formato primário — legível por máquina e por humanos; adequado para ingestão em pipelines e planilhas |
| governance_dictionary.json | JSON-LD | Formato semântico — campos vinculados a vocabulários ontológicos (schema.org, DCMI Terms, FAIR principles); adequado para processamento RDF/linked data |
| README.md | Markdown | Este arquivo de documentação |

---

## Estrutura dos Dados

### Campos do CSV / Entradas do JSON

| Campo | Tipo | Descrição |
|---|---|---|
| `category` | string | Categoria funcional FAIR: `Identificadores`, `Proveniência`, `Taxonomia`, `Estrutural`, `Descritivo` |
| `concept_s` | string | Conceito semântico (dimensão S): o que o campo representa, independente do rótulo técnico |
| `weight_wi` | decimal | Peso de utilidade FAIR (`wi`): importância funcional do campo para descoberta e reuso científico |
| `technical_paths_json` | string (lista) | Caminhos técnicos nos esquemas de origem (Dublin Core, DataCite, DwC, EML) — notação dot-path |
| `domain_constraint_v` | string | Restrição de domínio (dimensão V): vocabulário controlado ou formato esperado |
| `dimension_stcv` | string | Anotação completa da tupla `⟨S,T,C,V⟩` para o campo |
| `notes` | string | Observações sobre o comportamento do campo em crosswalks e riscos de perda |

### Hierarquia de Pesos `wi`

Os pesos são derivados da hierarquia funcional dos Princípios FAIR
([Wilkinson et al., 2016](https://doi.org/10.1038/sdata.2016.18)) e do
[RDA FAIR Data Maturity Model](https://doi.org/10.15497/RDA00050) (RDA, 2020):

| `wi` | Categoria | Princípios FAIR Correspondentes |
|---|---|---|
| 3.0 | Identificadores | F1 (identificador único e persistente), A1 (acesso via protocolo padronizado) |
| 2.5 | Proveniência | R1.2 (metadados de proveniência detalhados) |
| 2.0 | Taxonomia | I1 (linguagem formal e acessível por máquinas) |
| 1.5 | Estrutural | I2 (vocabulários FAIR), R1 (metadados ricos de domínio) |
| 1.0 | Descritivo | F2 (metadados descritivos do recurso) |

Nota sobre invariância: multiplicar todos os pesos por uma constante escalar `k` não altera o valor de `Lw`, pois `k` cancela na razão. O que importa são as proporções relativas entre categorias, não as magnitudes absolutas.

---

## Fórmula de Lossiness Ponderado (`Lw`)

O dicionário alimenta diretamente a métrica:

```
Lw = 1 − ( Σ(u_tgt · wi) / Σ(u_src · wi) )
```

onde:
- `u_src`, `u_tgt` ∈ [0,1] são as fidelidades informativas de origem e destino na categoria `k`
- `wi` é o peso de utilidade da categoria (tabela acima)
- `Lw = 0` indica preservação total; `Lw = 1` indica perda total

### Limiares Diagnósticos

| Status | Condição | Interpretação |
|---|---|---|
|  Aprovado | Lw ≤ 30% | Fidelidade informacional aceitável para reuso científico |
|  Atenção | 30% < Lw < 80% | Degradação significativa; curadoria recomendada |
|  Anêmico | Lw ≥ 80% | Anemia semântica severa; crosswalk inadequado para reuso |

Validade Artificial é diagnosticada quando `Val = 1` (conformidade estrutural máxima) e simultaneamente `Lw > θ_trap = 0,30`, ou quando a taxa de defaults injetados `δ_inj ≥ 0,20` (mais de 20% dos campos obrigatórios são sintéticos).

> Os limiares `θ_trap = 0,30` e `δ_inj = 0,20` foram derivados empiricamente dos três cenários deste estudo e constituem hipóteses operacionais sujeitas a calibração em outros domínios.

---

## Cenários Experimentais

O dicionário foi aplicado a 150 registros reais (n=50 por repositório) nos seguintes cenários:

| Cenário | Transformação | `Lw` médio | `Val` | Status |
|---|---|---|---|---|
| A | UFSCar (Dublin Core) → DataCite | 22,75% | 100% | Aprovado (Anemia Semântica) |
| B | GBIF (Darwin Core/EML) → Dublin Core | 51,15% | 100% | Validade Artificial |
| C | GBIF (Darwin Core/EML) → DataCite | 7,93% | 100% | Aprovado |
| PI | Embrapa REDAE (DataCite) → DataCite | 0,00% | 100% | Aprovado |

A separação de 43,22 pp entre os cenários B e C (mesma origem, destinos distintos) demonstra que a escolha do esquema de destino é o fator determinante da fidelidade informacional — não a qualidade dos dados em si.

---

## Como Usar

### Triagem pré-migração

Antes de executar um crosswalk, some os `wi` dos campos mapeáveis na origem (`Σ u_src · wi`) e estime a retenção no destino (`Σ u_tgt · wi`) com base nas restrições `⟨T,C,V⟩` do esquema de destino. O `Lw` projetado indica o custo informacional antes da migração irreversível.

### Identificação de conflitos prioritários

Use a coluna `dimension_stcv` para classificar cada campo em conflito de:
- T (Tipo): objeto complexo → string plana (achatamento estrutural)
- C (Cardinalidade): lista → valor único (descarte silencioso)
- V (Valor): texto livre → vocabulário controlado (invalidez de domínio)
- S (Semântica): ausência de conceito equivalente no destino (perda irredutível)

### Extensão para outros domínios

Para aplicar o modelo em domínios fora de biodiversidade (ex: ciências da saúde, humanidades digitais), construa um dicionário equivalente substituindo as entradas de Taxonomia pelos conceitos de alto peso do domínio-alvo e recalibre os pesos `wi` conforme as prioridades de reuso do domínio.

---

## Citação

```bibtex
@inproceedings{lima2026validade,
  author    = {Lima, Karolayne C. R. and Sunye, Marcos S.},
  title     = {A armadilha da validade artificial: auditoria da perda semântica no crosswalk de metadados},
  booktitle = {Anais do SBBD 2026 – Simpósio Brasileiro de Banco de Dados},
  year      = {2026},
  address   = {Brasil}
}
```

---

## Licença

[Creative Commons Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/)

---

## Contato

- Karolayne C. R. Lima — kcrlima@inf.ufpr.br
- Departamento de Informática — Universidade Federal do Paraná (UFPR)