生成歧义：将维基百科分类名称映射到 UDC 类号
这个段落位置已不存在。请使用目录或当前章节查找内容。
Almila Akdag Salah、Cheng Gao、Krzysztof Suchecki、Andrea Scharnhorst
导言
自哲学诞生之初，分类与范畴化就构成了抽象思维。随着 16 至 18 世纪现代自然科学的形成，分类成为科学方法论的主要工具之一；随着人类知识快速扩展，它又成为管理与获取知识的重要工具。“知识秩序”的科学，也就是分类学，便诞生于这种需要。19 世纪同样见证了各种分类与索引系统的诞生。其中，杜威十进分类法（Dewey Decimal Classification，DDC）、美国国会图书馆分类法（Library of Congress Classification，LCC）以及国际十进分类法（Universal Decimal Classification，UDC）[1] 最为知名，也最广泛地用于图书馆、博物馆、档案馆等机构的馆藏分类。然而，今天这些由不同分类学方法组织起来的分类系统，有了一个强劲的对手：大众分类法（folksonomies）。
大众分类法是集体写作与协作标注现象的产物。随着维基与博客软件的发展，数百万用户积极地在互联网上创造、分享并分类各种数字内容与收藏。[2] 维基百科是这些努力的一个突出例子。起初，使用者依靠搜索引擎检索信息，通过条目之间简单的链接——称为页面链接——浏览内容；2004 年，即维基百科发布四年后，它引入了由用户创建分类的概念。由于维基人为条目指定分类，并把分类相互连接，这些分类 更接近大众分类法，而非分类学。传统上，知识分类由专家处理，形成预先设计的组织系统；与此不同，维基百科的分类系统，以一种非典型方式，经由各个维基百科作者的协商过程创造出来。在本研究中，我们仔细考察这一协商过程的最终结果，即 2008 年维基百科分类结构的一个快照，并将其与同年 UDC 系统的结构对照。我们的比较不只限于这两种知识组织方法的结构差异，也考虑到促成 UDC 与维基百科的不同情境。
通过提取两个系统的“形式／字面”结构这一练习，我们能够观察分类各个阶段所包含的歧义与任意性。此外，我们尝试在两个系统之间进行转换，把维基百科的顶层分类映射到 UDC 的主类。[3] 在不熟悉问题的观察者看来，这似乎很简单；信息研究专家则会更清楚，能够预料把一个复杂系统映射到另一个系统时可能出现的歧义。这些歧义并非源于两套系统的根本差异，而是因为分类行为本身充满含混，受到语言多义性的影响，也受到它必然牵连的文化与政治语境的影响。
分类这一“行为”，是一个向哲学与理论追问开放的过程。解构一个分类系统，会把研究者带回这一过程，并邀请他追问：类目之间的边界与关系，是如何、又为何被设定的？本文重建维基百科与 UDC 的结构，对它们进行解构，再尝试把一个重构为另一个。这个解构与重构的过程本身，比所得结果更重要；因为我们的目的，是凸显歧义的存在及其规模，而非描述一种克服它们的最终算法。
本文分为四节：首先，我们简要概述分类理论的主要原则，突出这类系统的创建、维护与更新方式，同维基百科集体写作方法之间的区别；其次，介绍 UDC 的历史、分类原则与结构；第三节概述此前提取维基百科分类结构的研究；最后一节说明方法、报告结果，并详细讨论把维基百科顶层分类映射到 UDC 类目时产生的歧义。结尾回到开篇论点，完成这一循环：无论选择哪一种方法，歧义都会存在。
专家的眼光与群体的眼光
正如克莱尔·贝格托尔（Clare Beghtol）在分类理论论文中指出的，“知识组织的分类理论，以及由它们产生的系统，都是文化制品，直接反映其形成时的 文化关切与语境”。[4] 大多数这类理论及其支撑的系统，可追溯至近现代，即 19 世纪末、20 世纪初；但由于专家不断更新，它们仍在世界各地图书馆中运行。本节重访这些理论，目的是将我们对其创制过程和实际功能的理解，与维基百科相并置。
分类是一种界定分明的行为，把给定数量的物件组织成有意义的群组。它遵循的原则，是创建“两个主要群组：1）所有事物都属于某个特定更大群组的一组；2）不属于那个更大群组的另一组”。[5] 遗憾的是，这种方法通过自然语言表现出来，受制于自身的运作媒介。不论是用于命名、描述物件的词，还是用于命名群组本身的词，都可能产生多重意义。此外，群组名称还被期待描述落入某个特定群组的一切事物。
创建群组时遵循两个基本规则：各类应当“相互排斥”，并且“共同穷尽”。要做到“相互排斥”，一个物件只能属于一个类，各类之间不能有内容重叠。“共同穷尽”则要求：“分类系统中的每一个类，以及整个分类系统本身，都应包含所有且仅包含适合该类与整个系统的事物。不能遗漏任何相关事物，也不能纳入任何无关事物。”[6] 在维基百科中，这两条基本原则出于不同原因而完全未被遵守。第一，当维基百科允许作者为条目分类时，并没有把“相互排斥”——也就是每个条目只能属于一个类——设为规则。因此，一个维基百科条目可以属于多个群组；在实践中，这实际上是常态，而非例外。第二，在维基百科这样不断扩展、知识以惊人速度累积的知识空间中，“共同穷尽”不可能实行。
S. R. 阮冈纳赞（S. R. Ranganathan）有时被称为“现代分类理论”的创立者。[7] 他在理论上把分类行为分为三步：观念层面、词语层面 和符号层面。[8] 我们将使用他的操作化框架，分析维基百科的分类系统，并把它同经典知识组织系统联系起来。观念层面是分类的第一阶段，要求彻底研究预期受众与物件内容，再据此规划分类系统的目的与结构。这一阶段为后续知识组织打下基础，也确立分类系统需要更新时应采用的扩展规则。遗憾的是，维基百科的分类系统缺少这一预先规划阶段，并深受其害。
词语层面涉及实际的分类行为：依据观念层面所决定的结构与规则，把内容分组为类。其主要目的是“表达并展示知识组织分类中概念之间的关系”。[9] 维基百科中部分存在词语层面：条目分类确实存在，但这一过程并非预设原则的延伸，也并不试图在类与类之间设立严格边界，以界定概念关系。维基百科的词语层面，更像是把条目划入模糊集合的一种含混行为：[10] 每篇条目可以属于不止一个集合，这些集合之间的关系同样含混。平均而言，可以说大多数条目属于三至五个分类，而分类本身并非依照等级方式排列。
阮冈纳赞理论的最后阶段称为符号层面，是把词语层面转换为代码的过程，还涉及设计代码如何取代语言。无需多言，维基百科的分类从来没有符号层面，也没有任何用来取代术语的代码。不过，符号层面的缺失，并不像观念层面的缺失那样具有决定性影响。
国际十进分类法
UDC 的奠基，可追溯至两位比利时律师保罗·奥特莱（Paul Otlet）与亨利·拉方丹（Henri La Fountaine）；早在 1895 年，他们就设想了一种能够组织所有既有知识的分类系统。与当时正成为通行标准的 LCC 和 DDC 不同，UDC 的主要目的超出了图书馆文献分类。[11] 它最初的意图是“涵盖全部知识”。[12] 多语言版本，以及在博物馆情境中的应用，都体现了这种普遍性追求。就 UDC 的结构而言， 最好将其与前身 DDC 和 LCC 简要比较：UDC 借用了 DDC 同样的数字标记方式，同时引入了“辅助表”的观念，使任何两个类——以数字串表示——可以通过冒号组合起来。
UDC 第一版始于 1905 年，此后随着相互交叠的 20 世纪概念加入而不断扩展。如今，完整版本包含约 200,000 个 UDC 类，每个类表达一个特定概念。近来，一种观点越来越有影响：由经过挑选的编辑委员会创建并维护一个较小版本，不论在结构上，还是在满足一般需要方面，都会更好。[13] 1989 年，UDC 管理部门指派一个工作组，调查其管理状况，并就改善未来分类策略提出建议。1985 年英文版符合工作组的建议：它规模适中，而且已采用数字格式。更新后的主文件于 1993 年推出。本文分析的数据，来自该主文件的 2008 年版本：自 1993 年起，各版每年均以书本和数字格式出版，通过宣布删除、替换和增补，记录子类的变化。[14]
这里应强调使用这种数据库时的一个重要事实：主参照文件正如其名，是用于为一个“馆藏”分类的参考文本。它是一组称为“类”的术语，这些术语被转换为数字。因此，每个类都有自己的数字串，其数字位数依在 UDC 中的位置而定。例如，主类只有一位，从 [0] 到 [9]；第一级，即第一层深度的子类，有两位，依此类推。这些 UDC 类用于组织馆藏。馆藏可以采用任何格式；图书馆馆藏通常包括书籍、期刊、手稿等各种印刷材料，也包括 CD、DVD 等各种媒介格式。在数字图书馆中，馆藏内容可能更加多样，除电子文本外，还包括图像、音频与视频格式。
在知识组织研究中，属于待分类馆藏的材料，通常被称为“文献”。例如，维基百科条目可以称为属于一个巨大馆藏的“文献”；理论上，可以借助 UDC 主参照文件为这个馆藏分类。这正是本研究使用的两个数据库之间的关键差别：UDC 主参照文件基本由术语及其使用指南组成，维基百科数据库则同时包含分类名称与馆藏本身。我们利用这一馆藏，生成分类名称的等级结构；而在 UDC 中，等级已经通过术语的符号标记确定下来，将每个子类放在某个特定主类之下。
图 1：UDC 十个主类的类别分布。［内环：1905 年／外环：2008 年］
图内图例中文对照：0. 科学与知识；计算机科学；信息（Science and Knowledge. Computer Science. Information）；1. 哲学；心理学（Philosophy. Psychology）；2. 宗教；神学（Religion. Theology）；3. 社会科学；统计；政治；经济；法律（Social Sciences. Statistics. Politics. Economy. Law）；4. 语文学（Philology）；5. 数学；自然科学（Mathematics. Natural Sciences）；6. 应用科学；医学；技术（Applied Sciences. Medicine. Technology）；7. 艺术；娱乐；体育（Arts. Entertainment. Sport）；8. 语言；语言学；文学（Language. Linguistic. Literature）；9. 地理；传记；历史（Geography. Biography. History）。
与同时代其他分类系统一样，UDC 有十个顶层类，称为“主类”。[15] 图 1 分别描绘了 1905 与 2008 这两个年份中，十个类的分布。我们将 1905 年出版的 UDC 条目进行了数字化。[16] 这个以法语出版的 UDC 第一版，总共只有 391 条记录。1905 年的主类是：
[1] 哲学（Philosophie）
[2] 宗教；神学（Religion. Theologie）
[3] 社会科学与法律（Sciences sociales et Droit）
[4] 语文学；语言学（Philologie. Linguistique）
[5] 数学、物理与自然科学（Sciences mathematiques, physiques et naturelles）
[6] 应用科学；技术（Sciences appliquees. Technologie）
[7] 美术（Beaux-Arts）
[8] 文学；美文（Litterature. Belles-Lettres）
[9] 历史与地理（Histoire et Geographie）
（2008 年使用的英文类别，见图 1。）
一百年间，这些顶层类发生了两项主要变化。第一，第二层类别“[01] 书目学”（Bibliographie）成为主类体系的一部分，并扩展为不只涵盖图书馆研究，也涵盖一般意义上的“科学与信息组织”；“计算机科学”是这个类新加入的内容。第二，“[4] 语文学；语言学”被撤销：“语言学”移入“[8] 文学”，“语文学”则从顶层类名称中移除。除了这些主类调整外，UDC 的主要结构仍然稳定，变化仅发生在较低层级。当然，各类都通过加入新学科，或在子类层面删除、增补、替换各种术语而扩展。例如，“[3] 社会科学与法律”今天在顶层类中包含经济、政治与法律；“[7] 艺术”也在顶层类中增加娱乐与体育而得到扩展。
更重要的是，各类分布的总体平衡发生了剧烈变化。早期版本的 UDC 试图涵盖“普遍知识”，这体现在顶层类相对均匀的分布上。然而，今天的 UDC 主要关注自然科学与应用科学。1905 年，39% 的记录——即 UDC 类号——属于科学，也就是 [5] 或 [6] 类；2008 年主参照文件的 73%，则用于这两个类。这一显著趋势可能反映科学技术日益增长的社会重要性，也可能是图书馆发展及其馆藏偏向的结果，因为今天 UDC 主要用于图书馆。然而，“自然科学与应用科学”记录数的增加，并不必然反映人类其他知识生产领域的减少。观察各类的 UDC 类号数，可以看到，随着时间推移，所有类都显著增长。与维基百科比较，可以发现后者在文化艺术方面拥有丰富得多的分类结构，也提示有大量内容没有得到 UDC 的恰当处理。这更说明，UDC 的主要目标已经发生多大变化：从涵盖人类所有生产，转向更专注于科学学科的知识生产。
维基百科
维基百科本身已成为一个研究场域，为从自然语言处理（NLP）到文本分析的各种项目，提供丰富的数据来源。此外，作为一种现象，维基百科的网络结构、增长与协作性质，也已从多个角度得到细致研究。然而，在这一轮研究中，除少数例外，其分类结构与主题覆盖范围尚未受到很多审视。Holloway 等人比较了 2005 年维基百科的顶层分类与分类结构，以及《不列颠百科全书》和《英卡塔》（Encarta）等广泛使用的百科全书。[17] Halavais 等人随机选择条目，手工为它们指定类别，再把这些类别的分布映射到已出版图书的分布，以此评估维基百科的主题覆盖。[18] 较近的一项研究中，Kitter 等人分析了分类的增长，并开发一种算法，经由条目的分类链接，在语义上把条目映射到 11 个手工选定的 类别。[19]
图 2：维基百科顶层分类的分布（根据 2008 年维基百科数据转储）。
图内标题“Wikipedia Top Categories”译为“维基百科顶层分类”，“Other”译为“其他”。编号图例：1. 心理学（Psychology）；2. 哲学（Philosophy）；3. 物理学（Physics）；4. 应用科学（Applied sciences）；5. 天文学（Astronomy）；6. 自然（Nature）；7. 数学（Mathematics）；8. 考古学（Archaeology）；9. 结构（Structure）；10. 无线电（Radio）；11. 医学（Medicine）；12. 工艺（Crafts）；13. 化学（Chemistry）；14. 农业（Agriculture）；15. 信息（Information）；16. 经济学（Economics）；17. 健康（Health）；18. 科学（Science）；19. 计算（Computing）；20. 人类（Humans）；21. 地球（Earth）；22. 电影（Film）；23. 商业（Business）；24. 艺术（Arts）；25. 环境（Environment）；26. 法律（Law）；27. 宗教（Religion）；28. 视觉艺术（Visual arts）；29. 技术（Technology）；30. 军事（Military）；31. 事件（Events）；32. 建筑（Architecture）；33. 教育（Education）；34. 文学（Literature）；35. 生物学（Biology）；36. 社会（Society）；37. 历史（History）；38. 文化（Culture）；39. 地理（Geography）；40. 音乐（Music）；41. 政治（Politics）；42. 人物（People）；43. 娱乐（Entertainment）。
我们的工作采用类似方法，重点关注分类页及其半等级结构。但在详细说明方法之前，先强调维基百科中的一个重要区别：百科全书由不同标记的页面构成——分类页与条目页。条目页包含某个主题的描述性文字；分类页则以简单链接的形式，出现在每篇条目底部。除非点击其中一个链接，或专门搜索一个分类，否则就看不到典型的分类页：它只包含通向其子分类的链接。
如前所述，分类网络并非严格分层，没有清楚界定的“顶层”分类，而且包含许多环路。不过，它仍具有一种在一定程度上能够辨认的模糊等级秩序。要分析条目在“顶层”分类中的分布，我们首先必须界定这些“顶层”分类是什么。2008 年 1 月，我们决定采用“Category: Main topic classifications”（分类：主要主题分类）作为分类结构的根。这个分类页包含所有高层主题分类。随后，从这一根节点出发，以等级方式重建分类树。所有分类都属于某一“深度”，定义为沿分类链接到根的距离。不遵循等级关系的链接——例如同一深度分类之间的链接——都被舍弃，环路也被消除。然后，给所有条目一个初始权重 1，再以分数分配的方式，沿等级结构向上传播；因此，一个具有三个分类的条目页，向每个分类贡献 1/3 个权重单位。权重一直传播到我们界定的“顶层”分类。由于采用分数分配， 权重总和等于根分类之下整个等级网络中找到的条目总数。图 2 展示了所有分类页在第一层选定的 43 个分类中的分布，即那些与根节点直接相连的分类。
图 3：“Business”（商业）一词在 UDC 类目中的出现情况。图内唯一文字标签 Business 译为“商业”；行标签为 UDC 主类 0、1、2、3、5、6、7、8、9，列标签为层级 1–12。原数值依次为：
| 主类／层级 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 0 | 0 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 |
| 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 3 | 0 | 0 | 0 | 3 | 9 | 14 | 7 | 1 | 2 | 0 | 0 | 0 |
| 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 6 | 0 | 1 | 1 | 1 | 1 | 9 | 6 | 1 | 1 | 0 | 0 | 0 |
| 7 | 0 | 0 | 0 | 0 | 1 | 2 | 1 | 0 | 0 | 0 | 0 | 0 |
| 8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
43 个顶层分类可能显得过多，尤其其中许多很容易归为一组，甚至可以变成彼此的子分类。例如，可以主张，生物学、化学、物理学和数学属于同一组，能够放在“科学”分类之下。实际上，在维基百科分类网络中，这种论证适用于许多情形；同一个分类既作为子分类、又作为父分类出现，并不罕见。这些现象不仅反映分类分配缺少观念层面，也显示“集体”标注缺乏专业知识。
将维基百科分类名称映射到 UDC 类号
在 Kitter 等人研究维基百科分类结构时，条目集合被分成 11 个顶层分类，其方式与典型分类系统颇为相似。然而，这些顶层分类并不源自专家的知识组织，而是基于一个维基百科主题入口条目；该条目把实际的顶层分类重新归为 11 个主类，试图减少其数量。这里，我们不采用该页面，也不尝试任意重组 43 个顶层分类，而是把它们映射到 UDC 的九个顶层类。这个练习表明，维基百科大多数“顶层”分类，都属于 UDC 某个主表的第二层；有些甚至可以直接映射到 UDC 顶层类。然而，人物、人类、自然、健康、环境等某些分类，在 UDC 第二层没有直接对应项。为解决这一问题，我们测试了 1:1 映射算法的不同变体，并得出结论：在任何情况下，“朴素”映射都不可靠。
为说明我们所说的“朴素”映射，不妨看一个例子：商业（Business）是 2008 年维基百科的一个顶层分类。观察 UDC 顶层类描述，“[3] 社会科学、经济、政治、统计、法律”似乎是安置“商业”最合适的地方。这种推理，就是我们所说的“朴素”映射。更精细的映射方法，是在 UDC 各类所属术语中搜索“Business”一词，确定哪些子类包含它。如果该词在 [3] 类中出现次数最多，那么朴素映射便得到证实。图 3 展示了“Business”一词在 UDC 各类中的出现矩阵。
行是 UDC 类，列是类的层级或深度。UDC 顶层类被分配 [0]–[9] 的数字，属于零层；所有具有两位十进数字的类，即 [00]–[99]，位于第一层。如果按“Business”的出现次数计算，应当把它放在 [3] 类下，这证实了我们的朴素映射。但如果给出现的层级赋予权重，就会看见“Business”在“[6] 应用科学”的第二层出现，应优先考虑。由于 UDC 遵循严格等级，一个术语一旦出现在某个类中，该类的所有子类就必然属于该术语代表的类别。因此，我们应当把“商业”放在“应用科学”之下。再看另一个分类：“科学”（Science）是维基百科的顶层分类。检查后发现，它出现在 UDC 的三个主类中，即“[0] 科学与知识组织”“[5] 自然科学”和“[6] 应用科学”。即使给各类赋予权重，问题仍未解决，因为这一术语出现于同一层级的类中。
对于有问题的分类如何分配，我们最初的解决办法，是仔细阅读结果，检查术语的每一次出现。有些情况下，可以排除某次出现，因为其使用语境显然有别于维基百科中的预期含义。回到“科学”的例子，在第二层，它出现在 [0] 类时，处于定义、理解与批评科学的语境中。子类描述如下：“科学与一般知识的意义”“科学与一般知识的进步”“科学的伪造”“科学与科学工作的组织”“对科学的批评”“对科学的异议”。虽然“科学”一词在 [3]、[5]、[6] 类的第三层及以下出现得更多、分布也相当广，但将它归入 [0] 类更恰当。
更常见的情况是，术语含义的改变，并不足以作为排除某条联系的依据。例如，维基百科分类“无线电”（Radio）主要出现在 UDC 的三个不同类中，即 [3]、[5]、[6]，另外在 [7] 中出现一次。显然，无线电在自然科学与艺术中的意义及用法迥异；不了解“无线电”在维基百科本身覆盖什么，就无法映射这一分类。这需要调查维基百科的子分类：我们发现，“无线电”既被用作物理实体，如无线电波等，因而属于应用科学与自然科学，也被用作娱乐分类，例如“广播电台”。为克服这个问题，我们采用相同的计数算法，以分数分配方式，在维基百科分类页名称中搜索 UDC 类的术语。表 1 展示了某个 UDC 类中的术语，在某一维基百科分类下的分类名称中出现多少次。
表 1：UDC 主类术语在维基百科顶层分类中的出现情况。数字保留原表的小数逗号。
| 分类名称 | [0] | [1] | [2] | [3] | [5] | [6] | [7] | [8] | [9] |
|---|---|---|---|---|---|---|---|---|---|
| 数学 | 0,02 | 0,02 | 0,00 | 0,17 | 0,62 | 0,00 | 0,03 | 0,11 | 0,02 |
| 人物 | 0,02 | 0,00 | 0,16 | 0,27 | 0,00 | 0,02 | 0,40 | 0,03 | 0,11 |
| 科学 | 0,16 | 0,03 | 0,00 | 0,10 | 0,01 | 0,42 | 0,05 | 0,16 | 0,06 |
| 化学 | 0,13 | 0,00 | 0,00 | 0,13 | 0,00 | 0,19 | 0,22 | 0,16 | 0,19 |
| 音乐 | 0,14 | 0,01 | 0,02 | 0,18 | 0,01 | 0,01 | 0,28 | 0,30 | 0,06 |
| 哲学 | 0,05 | 0,66 | 0,08 | 0,03 | 0,00 | 0,00 | 0,00 | 0,15 | 0,03 |
| 法律 | 0,02 | 0,00 | 0,00 | 0,95 | 0,00 | 0,00 | 0,01 | 0,01 | 0,02 |
| 文学 | 0,05 | 0,01 | 0,00 | 0,06 | 0,00 | 0,00 | 0,02 | 0,82 | 0,03 |
| 物理学 | 0,09 | 0,11 | 0,00 | 0,34 | 0,04 | 0,22 | 0,09 | 0,05 | 0,05 |
| 医学 | 0,12 | 0,00 | 0,00 | 0,06 | 0,00 | 0,56 | 0,02 | 0,01 | 0,22 |
| 生物学 | 0,13 | 0,02 | 0,00 | 0,06 | 0,00 | 0,05 | 0,06 | 0,12 | 0,56 |
| 宗教 | 0,43 | 0,01 | 0,38 | 0,06 | 0,00 | 0,00 | 0,00 | 0,03 | 0,09 |
| 天文学 | 0,52 | 0,00 | 0,00 | 0,20 | 0,00 | 0,00 | 0,00 | 0,03 | 0,25 |
| 娱乐 | 0,03 | 0,00 | 0,00 | 0,04 | 0,00 | 0,00 | 0,86 | 0,02 | 0,05 |
| 无线电 | 0,00 | 0,00 | 0,00 | 0,01 | 0,00 | 0,05 | 0,47 | 0,45 | 0,02 |
| 历史 | 0,02 | 0,00 | 0,00 | 0,03 | 0,00 | 0,00 | 0,06 | 0,04 | 0,85 |
| 地理 | 0,05 | 0,00 | 0,02 | 0,12 | 0,00 | 0,00 | 0,28 | 0,01 | 0,53 |
| 文化 | 0,02 | 0,00 | 0,07 | 0,05 | 0,00 | 0,00 | 0,47 | 0,35 | 0,03 |
| 农业 | 0,18 | 0,00 | 0,04 | 0,43 | 0,00 | 0,07 | 0,16 | 0,00 | 0,12 |
| 政治 | 0,05 | 0,00 | 0,01 | 0,67 | 0,00 | 0,00 | 0,17 | 0,00 | 0,10 |
| 心理学 | 0,11 | 0,77 | 0,03 | 0,01 | 0,00 | 0,00 | 0,03 | 0,02 | 0,03 |
| 考古学 | 0,00 | 0,00 | 0,05 | 0,13 | 0,00 | 0,01 | 0,12 | 0,15 | 0,53 |
| 自然 | 0,16 | 0,04 | 0,04 | 0,18 | 0,00 | 0,04 | 0,34 | 0,16 | 0,05 |
| 技术 | 0,03 | 0,00 | 0,00 | 0,02 | 0,00 | 0,25 | 0,65 | 0,00 | 0,04 |
| 教育 | 0,03 | 0,01 | 0,01 | 0,84 | 0,00 | 0,05 | 0,03 | 0,03 | 0,01 |
| 应用科学 | 0,28 | 0,03 | 0,00 | 0,13 | 0,02 | 0,15 | 0,05 | 0,32 | 0,02 |
| 经济学 | 0,11 | 0,00 | 0,00 | 0,64 | 0,00 | 0,00 | 0,12 | 0,00 | 0,13 |
| 计算 | 0,10 | 0,00 | 0,00 | 0,05 | 0,01 | 0,09 | 0,07 | 0,65 | 0,05 |
| 建筑 | 0,02 | 0,00 | 0,00 | 0,19 | 0,00 | 0,01 | 0,71 | 0,00 | 0,06 |
| 军事 | 0,11 | 0,00 | 0,01 | 0,07 | 0,00 | 0,00 | 0,09 | 0,00 | 0,72 |
| 健康 | 0,17 | 0,01 | 0,00 | 0,15 | 0,00 | 0,26 | 0,39 | 0,00 | 0,02 |
| 地球 | 0,02 | 0,00 | 0,01 | 0,06 | 0,00 | 0,00 | 0,58 | 0,08 | 0,25 |
| 商业 | 0,10 | 0,00 | 0,00 | 0,61 | 0,00 | 0,02 | 0,10 | 0,13 | 0,04 |
| 信息 | 0,38 | 0,03 | 0,01 | 0,16 | 0,01 | 0,05 | 0,10 | 0,23 | 0,05 |
| 视觉艺术 | 0,14 | 0,00 | 0,00 | 0,12 | 0,00 | 0,01 | 0,53 | 0,06 | 0,14 |
| 社会 | 0,36 | 0,01 | 0,13 | 0,17 | 0,00 | 0,01 | 0,08 | 0,17 | 0,08 |
| 人类 | 0,38 | 0,02 | 0,01 | 0,14 | 0,00 | 0,00 | 0,18 | 0,17 | 0,08 |
| 电影 | 0,01 | 0,00 | 0,00 | 0,01 | 0,00 | 0,03 | 0,07 | 0,83 | 0,05 |
| 事件 | 0,48 | 0,00 | 0,00 | 0,00 | 0,00 | 0,00 | 0,50 | 0,00 | 0,01 |
| 工艺 | 0,17 | 0,00 | 0,00 | 0,57 | 0,00 | 0,01 | 0,21 | 0,01 | 0,03 |
| 环境 | 0,11 | 0,00 | 0,01 | 0,10 | 0,00 | 0,03 | 0,21 | 0,00 | 0,54 |
| 艺术 | 0,04 | 0,00 | 0,00 | 0,07 | 0,00 | 0,00 | 0,81 | 0,06 | 0,00 |
| 结构 | 0,86 | 0,00 | 0,00 | 0,05 | 0,01 | 0,01 | 0,03 | 0,00 | 0,04 |
例如，左上角的数字，即 UDC [0] 类的术语，显示下列任一术语在“数学”之下的维基百科分类中，共出现了 1.33 次（按分数计）：“科学与知识”“组织”“计算机科学”“信息”“文献工作”“图书馆学”“机构”“出版物”。
要解决“无线电”的归属问题，可以使用表 1。在所有 UDC 主类术语中，“[7] 艺术；娱乐；体育”与“[8] 语言学；语言”在相应行中的出现次数最高。这意味着，这些术语，即“艺术”“娱乐”等，在“无线电”的子分类术语中频率最高。
这里有两个问题需要说明。第一，没有区分 UDC 术语出现的不同层级。“数学”一词出现在维基百科“数学”分类中，与它出现在例如可能低四层的“数学奖项”分类中，被赋予同样的权重。然而，等级较低的术语，其权重常被分散在几个顶层分类中；而且在维基百科里，一个顶层类并不会依等级关系涵盖其所有子类。第二，不同的 UDC 类包含不同数量的术语。从统计上说，术语丰富的类比术语贫乏的类更有机会找到匹配。
至此，我们讨论了四个不同层次的映射。第一个是使用者的朴素映射；有问题的类见表 2。第二个是术语匹配，即在 UDC 主参照文件中搜索维基百科的 43 个顶层分类。结果澄清了朴素映射中某些有问题分类的位置，却也为第一种方法中已清楚分配的分类增加了歧义。第三个是检查含混分类在 UDC 中出现的情况，进行人工阅读；第四个是在维基百科分类页名称中搜索 UDC 术语。
表 2 列出了所有分类，以及每个阶段之后的“歧义”状态。每个分类按其被分配的主类着色；若状态含混，则留白。在“朴素”映射阶段，较为抽象或文化含义较多的分类存在歧义：“人类”“人物”“事件”“文化”“无线电”“环境”“地球”“健康”与“军事”。第二阶段之后，其中一些分类很容易分配，另一些则改变了位置。令我们惊讶的是，“计算”“科学”“结构”“视觉艺术”“工艺”“商业”“社会”和“物理学”等分类，仅凭出现矩阵很难安置。对某些分类，即便第三阶段也不够；例如，“Visual Arts”（视觉艺术）这个短语根本不在 UDC 中使用。第三阶段之后仍有歧义的分类，与第一阶段相似。第四阶段动摇了部分已经确定的分类，却通过同时分配到两个类，澄清了“无线电”“文化”“事件”等分类的歧义。此阶段之后新出现的歧义分类，大多属于广义的“科学”，即“计算”“天文学”“物理学”“化学”“生物学”“地球”“农业”“自然”“技术”和“应用科学”。这是因为科学条目使用更具技术性的词汇。这些分类名称更精确，不容纳术语搜索中使用的较一般词汇。因此，大多数这类分类会表现为出现次数均匀分布，和／或分配错误。
表 2：依照四种不同方法，将维基百科顶层分类分配到 UDC 主类。NA 表示该阶段未确定归属；斜线连接原表中同时分配的类号。主类图例同图 1。
| 维基百科顶层分类 | 阶段 1 | 阶段 2 | 阶段 3 | 阶段 4 |
|---|---|---|---|---|
| 计算 | 0 | NA | 0 | NA |
| 科学 | 0 | NA | 0 | 6 |
| 结构 | 0 | NA | 0 | 0 |
| 信息 | 0 | 0 | 0 | 0 |
| 心理学 | 1 | 1 | 1 | 1 |
| 哲学 | 1 | 1 | 1 | 1 |
| 宗教 | 2 | 2 | 2 | 2/0 |
| 商业 | 3 | NA | 3 | 3 |
| 经济学 | 3 | 3 | 3 | 3 |
| 法律 | 3 | 3 | 3 | 3 |
| 政治 | 3 | 3 | 3 | 3 |
| 社会 | 3 | NA | 3 | NA |
| 教育 | 3 | 3 | 3 | 3 |
| 天文学 | 5 | 5 | 5 | NA |
| 生物学 | 5 | 5 | 5 | 5 |
| 化学 | 5 | 5 | 5 | NA |
| 数学 | 5 | 5 | 5 | 5 |
| 物理学 | 5 | NA | 5 | NA |
| 农业 | 6 | 6 | 6 | 6 |
| 自然 | 6 | NA | NA | 6 |
| 技术 | 6 | 6 | 6 | 6 |
| 应用科学 | 6 | 6 | 6 | NA |
| 医学 | 6 | 6 | 6 | 6 |
| 建筑 | 7 | 7 | 7 | 7 |
| 艺术 | 7 | 7 | 7 | 7 |
| 视觉艺术 | 7 | NA | NA | NA |
| 电影 | 7 | 7 | 7 | 0 |
| 音乐 | 7 | 7 | 7 | 7/0 |
| 娱乐 | 7 | 7 | 7 | 7 |
| 工艺 | 7 | NA | 7 | 3 |
| 文学 | 8 | 8 | 8 | 8 |
| 地理 | 9 | 9 | 9 | 9 |
| 历史 | 9 | 9 | 9 | 9 |
| 考古学 | 9 | 9 | 9 | 9 |
| 事件 | NA | NA | NA | 1/0 |
| 文化 | NA | NA | NA | 1/8 |
| 军事 | NA | NA | 3 | 9 |
| 地球 | NA | NA | 5 | 7 |
| 健康 | NA | 6 | 6 | NA |
| 环境 | NA | 5 | NA | 9 |
| 无线电 | NA | NA | NA | 7/0 |
| 人物 | NA | 3 | NA | 0 |
| 人类 | NA | NA | NA | 0 |
结论
维基百科经常被称为集体知识创造、大众分类法与群体智慧的最佳例子。另一方面，UDC 则是由明确的专家群体设计与更新的知识秩序的经典例子。两套系统的分类结构，都反映各自背景：UDC 由于受到严格控制，具有完美的等级结构，并把相当大比例的类目用于技术与科学等主题。相反，维基百科缺乏一个清晰的等级结构，更像包含多重等级的网络；其中，一个顶层分类竟可能是自己某个子分类的子分类，形成悖论。这些不足基本上源于观念层面的缺失，但维基百科通过用户贡献快速扩展的优点，对其有所弥补。这使维基百科保持更新，作为学术与科学知识生产的替代途径，覆盖更多艺术、文化与社会主题。
本研究表明，在维基百科与 UDC 分类结构之间作简单映射存在问题，首先是因为分类行为本身的性质；其次，两套系统的结构与分布差异，又给这一过程增加新问题。为使人们注意这类转换所造成的歧义与困难，我们展示了：一种简单依靠领域知识与背景的方法，会产生争议很大的“剩余”分类。在 UDC 数据库中进行关键词搜索，澄清了一些含混分类的位置，但需要人工调整。即便这样调整，也不足以恰当分配某些分类；因此，我们进行了第二次关键词分析，在维基百科分类中寻找 UDC 主类关键词。这个阶段虽然解决了一些问题，但我们坦然承认，结果远非完美。
留待未来研究的，是对维基百科进行完整文本分析。为消除分类归属的歧义，不只应分析其分类，还应使用文本分析工具分析全部内容。为此，可以把每个条目页映射到适当的 UDC 类，也可以用主题分类算法，找出最适合归于某个 UDC 主类的条目群组。然而，这两种方法都可能遮蔽一个根本问题：维基百科分类过程背后的思维方式。在这个例子中，我们研究的是一个全球性、普遍性——至少在范围上如此——的知识汇集系统；而 UDC 所代表的，是一套索引语言的基本规则，要依使用者需要加以丰富与调整。
既然讨论始于克莱尔·贝格托尔，用她的另一段引文作结似乎很合适：“分类系统是智识的构造，从根本上说也是政治的构造：它们代表并强加某一时间、某一环境下的世界观。”[20] 虽然必须牢记这里所说分类系统的相关内容与语境，我们仍需要探索这些一般性映射，以寻找新的知识组织方式，更好地穿行信息景观，连接特定知识领域的系统，并确保既能概览、又能深入理解可用知识。即便结果并非毫无歧义，这一过程也有助于更好地理解我们所面对的知识生成系统的性质。
参考文献
Beghtol, Clare. ‘Classification Theory’, Library (no. 713587148. doi:10.1081/E-ELIS3-120043230, 2010).
Bensman, Stephen J. ‘Bradford’s Law and Fuzzy Sets: Statistical Implications for Library Analyses’, International Federation of Library Associations (IFLA) Journal 27 (4, 2001): 238-246.
Broughton, Vanda. The Need For A Faceted Classification As The Basis Of All Methods Of Information Retrieval. Emerald Group Publishing Limited, 2006.
Harper, S.F. ‘The Universal Decimal Classification’, American Documentation 5 (1954): 195-213.
Halavais, Alexander and Derek Lackaff. ‘An Analysis of Topical Coverage of Wikipedia’, Journal of Computer-Mediated Communication 13 (2, 2008): 429-440.
Holloway, Tod, Miran Bozicevic, and Katy Börner. ‘Analyzing and Visualizing the Semantic Coverage of Wikipedia and Its Authors’, Complexity 12 (No 3, 2007): 30-40.
Kalfatovic, Martin, Effie Kapsalis, et al., ‘Smithsonian Team Flickr: a Library, Archives, and Museums Collaboration in Web 2.0 Space’, Archival Science 8 (4, 2008): 267-277.
Kittur, Aniket, Ed H. Chi, and Bongwon Suh. ‘What’s in Wikipedia? Mapping Topics and Conflict Using Socially Annotated Category Structure’, Distribution (2009): 1509-1512.
McIlwaine, I. ‘The Universal Decimal Classification: Some factors concerning its origins, development, and influence’, Journal of the American Society for Information Science 48 (4, 1997): 331-339.
Ranganathan, Shyali Ramamrita. Prolegomena to Library Classification. Madras: Madras Library Association, 1937.
Rayward, W. Boyd. ‘The Universe of Information: The Work Of Paul Otlet For Documentation and International Organization’ (FID 520), Moscow: VINITI, 1978.
Sharma, Ravindra N. Indian Academic Libraries and Dr. S.R. Ranganathan: A Critical Study. New Delhi: Sterling Publishers, 1986.
Slavic, Aida, Maria Ines Cordeiro, and Gerhard Riesthuis. ‘Maintenance of the Universal Decimal Classification: Overview of the Past and the Preparations for the Future’, ICBS 47 (2008): 23-29.
Srivastava, Anand P. Ranganathan, A Pattern Maker: A Syndetic Study Of His Contributions. New Delhi: Metropolitan Book Co, 1977.