データ品質

データ品質とは、質的または量的な情報の状態を指します。データ品質には多くの定義がありますが、一般的には、データが「業務、意思決定、計画における意図された用途に適合している」場合に高品質とみなされます。[ 1 ] [ 2 ] [ 3 ]データは、それが参照する現実世界の構造を正しく表している場合に高品質とみなされます。これらの定義とは別に、データソースの数が増えるにつれて、特定の外部目的への適合性に関係なく、内部データの一貫性の問題が重要になります。

データ品質に関する人々の見解は、たとえ同じ目的で使用される同じデータセットについて議論している場合でも、しばしば意見の相違が生じます。このような場合、企業はデータ品質に関する国際的に認められた標準を採用することがあります（下記の「データ品質に関する国際標準」を参照）。データガバナンスは、データ品質に関する合意された定義や標準（国際標準を含む）を形成するためにも活用できます。このような場合、データ品質を確保するために、標準化を含むデータクレンジングが必要になる場合があります。 [ 4 ]

定義

データの品質を定義することは、データが使用されるコンテキストが多様であること、また、エンドユーザー、データ作成者、データ管理者の視点が異なることから困難です。[ 5 ]

消費者の観点から見ると、データの品質とは次のようなものである。[ 5 ]

  • 「データ消費者が利用できるデータ」
  • 「消費者の期待に応えるかそれを超える」データ
  • 「意図された使用の要件を満たす」データ

ビジネスの観点から見ると、データ品質とは次のようになります。

  • 「意図された業務、意思決定、その他の役割において『使用に適している』」、または「使用に適していることが達成されるように設定された『標準への適合性』を示す」データ[ 6 ]
  • 「業務、意思決定、計画における意図された用途に適した」データ[ 7 ]
  • 「企業の定められたビジネス、システム、技術要件を満たすデータの能力」[ 8 ]

標準ベースの観点から見ると、データ品質は次のようになります。

  • 「オブジェクト（データ）の固有の特性（品質次元）の集合が要件を満たす程度」[ 9 ] [ 5 ]
  • 「データの有用性、正確性、および応用における正しさ」[ 10 ]

これらすべての場合において、「データ品質」とは、特定のデータセットの実際の状態と望ましい状態との比較であると言えるでしょう。望ましい状態とは、通常、「使用に適している」、「仕様に準拠している」、「消費者の期待を満たしている」、「欠陥がない」、「要件を満たしている」などを指します。これらの期待、仕様、要件は、通常、1人以上の個人またはグループ、標準化団体、法律や規制、ビジネスポリシー、またはソフトウェア開発ポリシーによって定義されます。[ 5 ]

データ品質の次元

さらに掘り下げていくと、これらの期待、仕様、要件は、データの特性や次元の観点から次のように述べられます。[ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 11 ]

文献の体系的なスコープレビューによると、データ品質の次元と実世界のデータを用いた方法は文献間で一貫しておらず、その結果、これらのデータの複雑で異質な性質のために品質評価が困難であることが示唆されている。[ 11 ]

データ品質に関する国際標準

ISO 8000はデータ品質に関する国際規格である。 [ 12 ]国際標準化機構 によって管理されているISO 8000規格は、以下の事項を扱っている。

歴史

安価なコンピュータ データ ストレージが登場する前は、大規模なメインフレームコンピュータが配送サービスの名前と住所のデータの管理に使用されていました。これは、郵便物が宛先に適切にルーティングできるようにするためでした。メインフレームでは、ビジネス ルールを使用して、名前と住所のデータ内の一般的なスペルミスやタイプミスを修正するだけでなく、転居、死亡、刑務所入り、結婚、離婚、その他の人生を変えるような出来事を経験した顧客を追跡していました。政府機関は、顧客データと National Change of Address registry (NCOA)を相互参照するために、いくつかのサービス会社に郵便データを提供開始しました。このテクノロジにより、大企業は顧客データを手動で修正する場合に比べて数百万ドルを節約できました。大企業は、請求書やダイレクト マーケティング資料がより正確に対象の顧客に届くため、郵便料金を節約しました。当初はサービスとして販売されていましたが、低コストで強力なサーバー テクノロジが利用可能になるにつれて、データの品質は企業の内部にまで浸透しました。

マーケティングを重視する企業は、品質向上の取り組みを氏名や住所情報に集中させる傾向がありましたが、データ品質はあらゆる種類のデータにとって重要な特性として認識されています。データ品質の原則は、サプライチェーンデータ、トランザクションデータ、そしてその他ほぼすべてのデータカテゴリに適用できます。例えば、サプライチェーンデータを特定の基準に準拠させることは、組織にとって次のようなメリットをもたらします。1) 類似しているもののわずかに異なる在庫の過剰在庫を回避する。2) 誤った在庫切れを回避する。3) ベンダーの購買状況を把握し、数量割引を交渉する。4) 大規模組織全体における部品の在庫管理と配​​送にかかる物流コストを回避する。

多大な研究努力を行っている企業の場合、データ品質には、研究方法のプロトコルの開発、測定誤差の削減、データの境界チェック、クロス集計、モデリングと外れ値の検出、データの整合性の検証などが含まれます。

概要

データ品質を理解するための理論的枠組みは数多く存在します。アメリカのプラグマティズムの影響を受けたシステム理論的アプローチは、データ品質の定義を情報品質まで拡張し、科学理論（Ivanov, 1972）に基づいて、正確性と精密性という基本的な側面の包括性を強調しています。「ゼロ欠陥データ」（Hansen, 1991）と呼ばれる枠組みの一つは、統計的プロセス制御の原則をデータ品質に適用しています。別の枠組みは、製品の観点（仕様への適合）とサービスの観点（消費者の期待への適合）を統合しようとしています（Kahn et al. 2002）。別の枠組みは、記号論に基づき、データの形式、意味、および利用の質を評価します（Price and Shanks, 2004）。高度に理論的なアプローチの一つは、情報システムの存在論的性質を分析し、データ品質を厳密に定義します（Wand and Wang, 1996）。

データ品質に関する研究の多くは、データの望ましい属性（または次元）の様々なカテゴリーを調査し、記述するものです。そのような用語は200近く特定されていますが、その性質（概念なのか、目標なのか、基準なのか？）、定義、あるいは測定基準に関して合意が得られているものはほとんどありません（Wang et al., 1993）。ソフトウェアエンジニアは、これを「ilities」と同様の問題として認識しているかもしれません。

MITには、リチャード・ワン教授が率いる情報品質（MITIQ）プログラムがあり、多数の出版物を刊行するほか、この分野における重要な国際会議（国際情報品質会議、ICIQ）を主催しています。このプログラムは、ハンセンによる「ゼロ欠陥データ」フレームワーク（Hansen, 1991）の研究から発展しました。

実際には、データ品質は、データウェアハウスやビジネスインテリジェンスから顧客関係管理（CRM）やサプライチェーン管理（SCM ）に至るまで、幅広い情報システムに携わる専門家にとって懸念事項です。ある業界調査では、データ品質問題が米国経済にもたらす総コストは年間6,000億ドル以上と推定されています（Eckerson, 2002）。不正確なデータ（無効情報や古い情報を含む）は、データ入力、データ移行・変換プロジェクトなど、さまざまなデータソースから発生する可能性があります。 [ 13 ]

2002年、USPSとプライスウォーターハウスクーパースは、米国で送られた郵便物の23.6%が誤った宛先に記入されているという報告書を発表しました。[ 14 ]

平均的なデータベースで連絡先データが非常に早く古くなる理由の1つは、毎年4500万人以上のアメリカ人が住所を変えることです。[ 15 ]

実際、この問題は深刻な懸念事項となっており、企業ではデータ品質の責任を社内で唯一担うデータガバナンスチームを設立し始めています。組織によっては、データ／情報品質が組織にとって重要であることを認識し、このデータガバナンス機能を、より大規模な規制コンプライアンス機能の一部として設立しているところもあります。

データ品質の問題は、不正確なデータだけでなく、データの不整合も問題となります。データシャドウシステムを廃止し、データをウェアハウスに一元管理することは、企業がデータの一貫性を確保するために実施できる取り組みの一つです。

企業、科学者、研究者は、共通データの品質を向上させるために、データキュレーションコミュニティに参加し始めています。[ 16 ]

市場はデータ品質保証の提供に向けて着実に前進しています。多くのベンダーが、品質の低いデータを現場で分析・修復するためのツールを提供しています。サービスプロバイダーは契約ベースでデータのクリーニングを行うことができ、コンサルタントはデータ品質の問題を未然に防ぐためのプロセスやシステムの修正に関するアドバイスを提供しています。ほとんどのデータ品質ツールは、データを改善するための一連のツールを提供しており、その中には以下の一部またはすべてが含まれる場合があります。

  1. データプロファイリング- 最初にデータを評価し、現在の状態を把握します。これには多くの場合、値の分布が含まれます。
  2. データ標準化 -データが標準に準拠していることを保証するビジネスルールエンジン
  3. ジオコーディング- 氏名と住所データ用。米国および世界の地理基準に合わせてデータを修正します。
  4. マッチングまたはリンク- データを比較し、類似しているもののわずかに異なるレコードを整合させる方法。マッチングでは、データ内の重複を見つけるために「ファジーロジック」が使用される場合があります。多くの場合、「Bob」と「Bbo」は同一人物である可能性があると認識されます。また、「世帯」や、例えば同じ住所に住む配偶者間のリンクを見つけるといった処理も可能になる場合があります。さらに、複数のデータソースから最適な要素を抽出し、単一のスーパーレコードを作成することで、「ベストオブブリード」レコードを構築できる場合も多くあります。
  5. 監視 - データ品質を経時的に追跡し、データ品質の変動を報告します。ソフトウェアは、事前に定義されたビジネスルールに基づいて変動を自動修正することもできます。
  6. バッチとリアルタイム - データが最初にクレンジング (バッチ) されると、企業は多くの場合、データをクリーンな状態に保つプロセスをエンタープライズ アプリケーションに組み込むことを望んでいます。

データ品質保証

データ品質保証とは、データプロファイリングを行ってデータ内の不一致やその他の異常を発見するプロセスであり、また、データクレンジング[ 17 ] [ 18 ]アクティビティ（外れ値の除去、欠損データの補間など）を実行してデータ品質を向上させるプロセスでもある。

これらの活動は、データウェアハウスの一部として、または既存のアプリケーションソフトウェアのデータベース管理の一部として実行することができます。[ 19 ]

データ品質管理

データ品質管理とは、アプリケーションまたはプロセスにおけるデータの使用を制御するプロセスです。このプロセスは、データの不整合の検出と修正からなる データ品質保証（QA）プロセスの前後で実行されます。

前に：

  • 入力を制限する

QA プロセスの後、品質管理(QC) プロセスを ガイドするために次の統計が収集されます。

  • 不一致の重大さ
  • 不完全さ
  • 正確さ
  • 精度
  • 行方不明/不明

データQCプロセスは、QAプロセスから得られた情報に基づき、データを分析、アプリケーション、またはビジネスプロセスで使用するかどうかを決定します。一般的な例：データQCプロセスでデータにエラーや不整合が多すぎると判断された場合、そのデータは本来のプロセスで使用されなくなり、混乱が生じる可能性があります。具体的な例：複数のセンサーからの無効な測定値を航空機の自動操縦機能に提供すると、墜落につながる可能性があります。このように、QCプロセスを確立することで、データ使用の保護が可能になります。

データ品質の最適な活用

データ品質（DQ）は、データ管理の整合性を確保するために、データ問題のギャップを埋める上で不可欠なニッチな領域です。これは、データを監視し、既存のデータ管理業務では発見できない例外を発見することで、データガバナンスを支援する重要な機能の一つです。データ品質チェックは属性レベルで定義することができ、修正手順を完全に制御できます。

組織がDQスコープを注意深く管理していない場合、DQチェックとビジネスルールは簡単に重複する可能性があります。ビジネスチームは重複を避けるために、DQスコープを徹底的に理解する必要があります。ビジネスロジックがDQと同じ機能をカバーし、同じ目的を果たす場合、データ品質チェックは冗長になります。組織のDQスコープはDQ戦略の中で定義され、適切に実装されている必要があります。過去に例外が繰り返し発生した場合、一部のデータ品質チェックはビジネスルールに変換される可能性があります。

以下は、永続的な DQ チェックが必要になる可能性があるデータ フローの領域の一部です。

各ソースシステムからの各必須属性について、全データに対する完全性と精度のDQチェックをエントリ時点で実行できます。トランザクションの最初の作成後、属性値が作成されるケースは少なくありません。このような場合、これらのチェックの管理は複雑になるため、その属性のソースで定義されたイベントとトランザクションの他のコア属性条件が満たされた直後に実行する必要があります。

組織内の参照データを参照する属性を持つすべてのデータは、参照データの明確に定義された有効な値セットと照合して検証され、妥当性DQチェックを通じて新しい値や矛盾する値を発見することができます。結果は、マスターデータ管理（MDM）で管理されている参照データの更新に使用できます。

サードパーティから組織内の社内チームに提供されるすべてのデータは、サードパーティのデータと比較した精度（DQ）チェックを受ける場合があります。これらのDQチェック結果は、データのエントリポイントから複数ホップを経て、エンタープライズインテリジェンスのために承認または保存される前に行われたデータに適用された場合に有用です。

マスターデータを参照するすべてのデータ列は、整合性チェックのために検証される可能性があります。エントリポイントでデータに対して実行されるDQチェックでは、MDMプロセスのための新しいデータが検出されますが、エントリポイント以降に実行されるDQチェックでは、一貫性の失敗（例外ではありません）が検出されます。

データ変換時に、複数のタイムスタンプとその位置がキャプチャされ、それらを相互に比較し、その余裕度を検証することで、定義されたSLA（サービスレベル契約）に照らして、データの価値、減衰率、運用上の重要性を検証できます。このタイムリーネスDQチェックは、データ価値の減衰率を低減し、データ移動タイムラインのポリシーを最適化するために活用できます。

組織では、複雑なロジックは通常、複数のプロセスにわたるより単純なロジックに分離されます。特定の値の範囲内または静的な相互関係 (集約されたビジネス ルール) 内で論理的な結果を生じる複雑なロジックに対する合理性 DQ チェックを検証すると、複雑だが重要なビジネス プロセスとデータの外れ値、BAU (通常業務) の期待からのドリフトを発見でき、最終的にデータの問題につながる可能性のある例外を提供できます。このチェックは、大量のデータに巻き込まれる単純な汎用集約ルールの場合もあれば、組織のコア ビジネスに関連するトランザクションの属性のグループに対する複雑なロジックの場合もあります。この DQ チェックには、高度なビジネス知識と洞察力が必要です。合理性の問題の発見は、ビジネス ガバナンス、データ ガバナンス、またはその両方によるポリシーと戦略の変更に役立つ場合があります。

適合性チェックと整合性チェックは、すべてのビジネス ニーズをカバーする必要はなく、厳密にデータベース アーキテクチャの裁量に委ねられます。

データ移動においては、DQチェックが不要な箇所が数多くあります。例えば、データベースから取得したデータの場合、非NULL列の完全性と精度をDQでチェックすることは不要です。同様に、異なるソース間でデータを統合する場合は、時間に関するデータの正確性を検証する必要があります。しかし、これはビジネスルールであり、DQのスコープには含めるべきではありません。

残念ながら、ソフトウェア開発の観点からは、DQ は非機能要件と見なされることが多い。そのため、主要なデータ品質チェック/プロセスが最終的なソフトウェアソリューションに組み込まれない。ヘルスケア分野では[ 20 ]、ウェアラブル技術やボディエリアネットワークによって大量のデータが発生する。[ 21 ]データ品質を確保するために必要な詳細レベルは非常に高く、過小評価されがちである。これは、mHealthアプリ、EHR、その他の健康関連ソフトウェアソリューションの大部分にも当てはまる。ただし、データ品質を検査するオープンソースツールもいくつか存在する。[ 22 ]その主な理由は、ソフトウェアアーキテクチャ内に高度な厳密さを加えることで、追加コストがかかるためである。

健康データのセキュリティとプライバシー

医療分野におけるモバイルデバイスの利用（mHealth）は、医療データのセキュリティとプライバシーに新たな課題をもたらし、データの品質に直接影響を与えます。[ 2 ] mHealthは、低・中所得国における医療サービスの提供においてますます重要な戦略となっています。[ 23 ]携帯電話やタブレットは、ほぼリアルタイムでのデータの収集、報告、分析に使用されています。しかし、これらのモバイルデバイスは個人的な活動にも使用されることが多く、データ漏洩につながるセキュリティリスクに対して脆弱になっています。適切なセキュリティ対策がなければ、このような個人的な利用は医療データの品質、セキュリティ、機密性を危険にさらす可能性があります。[ 24 ]

公衆衛生におけるデータの質

データの品質は、近年、特に説明責任の要求が高まるにつれて、公衆衛生プログラムの主要な焦点となっています。[ 25 ]エイズ、結核、マラリアなどの病気との闘いに関連する野心的な目標に向けた取り組みは、プログラムの実施に関連する質の高いデータを生成する強力な監視および評価システムを前提とする必要があります。[ 26 ]これらのプログラムとプログラム監査人は、データの品質を決定するプロセスを標準化および合理化し、[ 27 ]報告されたデータの品質を検証し、指標の基礎となるデータ管理および報告システムを評価するツールをますます求めています。[ 28 ]一例として、WHOとMEASURE Evaluationのデータ品質レビューツールがあります。 [ 29 ] WHO、世界基金、GAVI、およびMEASURE Evaluationは協力して、さまざまな病気やプログラムにわたるデータ品質保証への調和のとれたアプローチを生み出してきました。[ 30 ]

オープンデータの品質

Wikipedia、Wikidata、DBpediaなどのオープンデータソースにおけるデータ品質の分析に特化した科学的研究は数多く存在します。Wikipediaの場合、品質分析は記事全体に関係することもあります[ 31 ] 。そこでは品質のモデリングが様々な手法を用いて行われ、その中にはランダムフォレスト[ 32 ]、サポートベクターマシン[ 33 ]などの機械学習アルゴリズムを使用するものもあります。Wikidata、DBpedia、その他のLODソースにおけるデータ品質の評価方法はそれぞれ異なります[ 34 ]。

専門家協会

ECCMA（電子商取引コード管理協会）

電子商取引コード管理協会（ECCMA）は、会員制の国際的な非営利団体であり、国際標準の導入を通じてデータ品質の向上に取り組んでいます。ECCMAは現在、データ品質と品目・サービスマスターデータの交換に関する国際標準であるISO 8000とISO 22745の開発プロジェクトリーダーを務めています。ECCMAは、世界中のデータ品質とデータガバナンスの専門家が協力し、情報を明確にラベル付けするために使用されるグローバルなオープン標準辞書を構築・維持するためのプラットフォームを提供しています。これらのラベル辞書（メタデータおよび参照データとして機能する）の存在により、情報は意味を失うことなくあるコンピュータシステムから別のコンピュータシステムに渡すことができます。[ 35 ]

参照

参考文献

  1. ^レッドマン、トーマス・C.（2013年12月30日）『データドリブン：最も重要なビジネス資産から利益を得る』ハーバード・ビジネス・プレス、ISBN 978-1-4221-6364-1。
  2. ^ a b Fadahunsi, Kayode Philip; Akinlua, James Tosin; O'Connor, Siobhan; Wark, Petra A; Gallagher, Joseph; Carroll, Christopher; Majeed, Azeem; O'Donoghue, John (2019年3月). 「eHealthにおける情報品質フレームワークの体系的レビューと定性的統合のためのプロトコル」 BMJ Open . 9 (3) e024722. doi : 10.1136/bmjopen-2018-024722 . ISSN 2044-6055 . PMC 6429947 . PMID 30842114 .   
  3. ^ Fadahunsi, Kayode Philip; O'Connor, Siobhan; Akinlua, James Tosin; Wark, Petra A.; Gallagher, Joseph; Carroll, Christopher; Car, Josip; Majeed, Azeem; O'Donoghue, John (2021-05-17). 「デジタルヘルス技術のための情報品質フレームワーク：体系的レビュー」 . Journal of Medical Internet Research . 23 (5) e23479. doi : 10.2196/23479 . PMC 8167621. PMID 33835034 .  
  4. ^ Smallwood, RF (2014). 『情報ガバナンス：概念、戦略、ベストプラクティス』 John Wiley and Sons. p. 110. ISBN 978-1-118-21830-3. 2020年7月30日にオリジナルからアーカイブ。2020年4月18日に取得。標準化されたデータガバナンスプログラムを導入するということは、破損または重複したデータをクリーンアップし、基幹業務ソフトウェアアプリケーションやビジネスインテリジェンス（BI）アプリケーションの意思決定支援分析の基盤として、クリーンで正確なデータをユーザーに提供することを意味します。
  5. ^ a b c d e Fürber, C. (2015). 「3. データ品質」 .セマンティック技術によるデータ品質管理. Springer. pp.  20– 55. ISBN 978-3-658-12224-9. 2020年7月31日時点のオリジナルよりアーカイブ。2020年4月18日閲覧。
  6. ^ a b Herzog, TN; Scheuren, FJ; Winkler, WE (2007). 「第2章 データ品質とは何か、そしてなぜそれを重視すべきか？」 .データ品質とレコードリンケージ技術. Springer Science & Business Media. pp.  7– 15. ISBN 978-0-387-69502-0. 2020年7月31日時点のオリジナルよりアーカイブ。2020年4月18日閲覧。{{cite book}}: CS1 maint: 複数の名前: 著者リスト (リンク)
  7. ^ a b Fleckenstein, M.; Fellows, L. (2018). 「第11章 データ品質」 . Modern Data Strategy . Springer. pp.  101– 120. ISBN 978-3-319-68992-0. 2020年7月31日時点のオリジナルよりアーカイブ。2020年4月18日閲覧。{{cite book}}: CS1 maint: 複数の名前: 著者リスト (リンク)
  8. ^ a b Mahanti, R. (2019). 「第1章：データ、データ品質、そして低品質データによるコスト」.データ品質：次元、測定、戦略、管理、ガバナンス. クオリティ・プレス. pp.  5– 6. ISBN 978-0-87389-977-2. 2020年11月23日時点のオリジナルよりアーカイブ。2020年4月18日閲覧。
  9. ^国際標準化機構（2015年9月）「ISO 9000:2015(en) 品質マネジメントシステム — 基本事項及び用語」国際標準化機構（ISO）. 2020年5月19日時点のオリジナルよりアーカイブ。 2020年4月18日閲覧。
  10. ^ NISTビッグデータ公開ワーキンググループ、定義・分類サブグループ（2019年10月）。「NISTビッグデータ相互運用性フレームワーク：第4巻、セキュリティとプライバシー」（PDF）。NIST特別出版物1500-4r2（第3版） 。米国国立標準技術研究所（NIST）doi：10.6028/NIST.SP.1500-4r2。2020年5月9日時点のオリジナルからアーカイブ（PDF） 。 2020年4月18日閲覧。妥当性は、データの有用性、正確性、および正しさを指します。従来、これはデータ品質と呼ばれてきました。
  11. ^ a b Bian, Jiang; Lyu, Tianchen; Loiacono, Alexander; Viramontes, Tonatiuh Mendoza; Lipori, Gloria; Guo, Yi; Wu, Yonghui; Prosperi, Mattia; George, Thomas J; Harle, Christopher A; Shenkman, Elizabeth A (2020-12-09). 「リアルワールドデータ時代における体系的なスコープレビューによる全国臨床データ研究ネットワークにおけるデータ品質評価の実践の評価」 . Journal of the American Medical Informatics Association . 27 (12): 1999– 2010. doi : 10.1093/jamia/ocaa245 . ISSN 1527-974X . PMC 7727392 . PMID 33166397 .   
  12. ^ 「ISO 8000-1:2022 データ品質 パート1：概要」国際標準化機構。
  13. ^ 「責任とレバレッジ - データ品質の事例」 Information Management、2006年8月。2011年1月27日時点のオリジナルよりアーカイブ。 2010年6月25日閲覧。
  14. ^ 「通信販売と小売業の住所管理」。Directions Magazine。2005年4月28日時点のオリジナルよりアーカイブ。 2010年6月25日閲覧。
  15. ^ 「USPS | PostalPro」（PDF）。2010年2月15日時点のオリジナルよりアーカイブ（PDF） 。 2010年6月25日閲覧。
  16. ^ E. Curry、A. Freitas、S. O'Riáin、「企業にとってのコミュニティ主導のデータキュレーションの役割」、 Wayback Machineに2012 年 1 月 23 日にアーカイブ、D. Wood 編『Linking Enterprise Data』、マサチューセッツ州ボストン: Springer US、2010 年、25-47 ページ。
  17. ^ 「データの品質を信頼できますか？」 spotlessdata.com。 2017年2月11日時点のオリジナルよりアーカイブ。
  18. ^ 「データクレンジングとは？ - Experian Data Quality」 2015年2月13日。2017年2月11日時点のオリジナルよりアーカイブ。2017年2月9日閲覧。
  19. ^ 「講義23 データ品質概念チュートリアル – データウェアハウス」。無料のビデオトレーニングをオンラインで視聴。無料のビデオトレーニングをオンラインで視聴。2016年9月12日。 2016年12月21日時点のオリジナルよりアーカイブ。 2016年12月8日閲覧。
  20. ^ Crossette-Thambiah, Grace; Berleant, Daniel; AbuHalimeh, Ahmed (2024). 「マネージドヘルスケアのための情報品質フレームワーク」 . Journal of Healthcare Leadership . 16 : 343–364 . doi : 10.2147/JHL.S473833 . PMC 11445674. PMID 39359406 .  
  21. ^ O'Donoghue, John, John Herbert. 「mHealth環境におけるデータ管理：患者センサー、モバイルデバイス、データベース」 Journal of Data and Information Quality ( JDIQ ) 4.1 (2012): 5.
  22. ^ Huser, Vojtech; DeFalco, Frank J; Schuemie, Martijn; Ryan, Patrick B; Shang, Ning; Velez, Mark; Park, Rae Woong; Boyce, Richard D; Duke, Jon; Khare, Ritu; Utidjian, Levon; Bailey, Charles (2016年11月30日). 「患者レベル臨床データセット用データ品質ツールの多施設評価」 . eGEMs . 4 (1): 24. doi : 10.13063 / 2327-9214.1239 . PMC 5226382. PMID 28154833 .  
  23. ^ MEASURE Evaluation. (2017)モバイルコミュニティベース健康情報システムにおけるデータ品質の向上：設計と実装のガイドライン(tr-17-182). ノースカロライナ州チャペルヒル: MEASURE Evaluation, University of North Carolina. https://www.measureevaluation.org/resources/publications/tr-17-182より取得。Wayback Machineに2017年8月8日アーカイブ。
  24. ^ Wambugu, S. & Villella, C. (2016).低・中所得国における医療情報システムのためのmHealth：データ品質、プライバシー、セキュリティにおける課題と機会(tr-16-140). ノースカロライナ州チャペルヒル: MEASURE Evaluation, University of North Carolina. https://www.measureevaluation.org/resources/publications/tr-16-140より取得。2017年8月8日、 Wayback Machineにアーカイブ。
  25. ^ MEASURE Evaluation. (2016) モニタリング・評価システムのためのデータ品質 (fs-16-170). ノースカロライナ州チャペルヒル: MEASURE Evaluation, University of North Carolina. https://www.measureevaluation.org/resources/publications/fs-16-170-enより取得。2017年8月8日、 Wayback Machineにアーカイブ。
  26. ^ MEASURE Evaluation. (2016). 日常的な健康情報システム：基本概念と実践に関するカリキュラム - シラバス (sr-16-135a). ノースカロライナ州チャペルヒル: MEASURE Evaluation, University of North Carolina. https://www.measureevaluation.org/resources/publications/sr-16-135aより取得。2017年8月8日アーカイブ、Wayback Machineにて
  27. ^ 「データ品質保証ツール」 . MEASURE Evaluation . 2017年8月8日時点のオリジナルよりアーカイブ。 2017年8月8日閲覧。
  28. ^ 「モジュール4：RHISデータ品質」。MEASURE評価。2017年8月8日時点のオリジナルよりアーカイブ。 2017年8月8日閲覧。
  29. ^ MEASURE Evaluation. 「データ品質」 . MEASURE Evaluation . 2017年8月8日時点のオリジナルよりアーカイブ。 2017年8月8日閲覧。
  30. ^世界保健機関（WHO）（2009年）「保健システム強化のモニタリングと評価」ジュネーブ（スイス）：WHO。http: //www.who.int/healthinfo/HSS_MandE_framework_Nov_2009.pdfより取得。2017年8月28日アーカイブ、Wayback Machineより。
  31. ^メスガリ、モスタファ;チトゥ、オコリ。メディ、モハマド。フィン・オルップ、ニールセン。ラナマキ、アルト (2015)。」「人類の知識の総和：Wikipediaコンテンツに関する学術研究の体系的レビュー」（PDF） . Journal of the Association for Information Science and Technology . 66 (2): 219– 245. doi : 10.1002/asi.23172 . S2CID  218071987 . 2020年5月10日時点のオリジナルよりアーカイブ（PDF） . 2020年1月21日閲覧.
  32. ^ Warncke-Wang, Morten; Cosley, Dan; Riedl, John (2013). 「Tell me more」.第9回国際オープンコラボレーションシンポジウム議事録. pp.  1– 10. doi : 10.1145/2491055.2491063 . ISBN 978-1-4503-1852-5. S2CID  18523960 .
  33. ^ Hasan Dalip, Daniel; André Gonçalves, Marcos; Cristo, Marco; Calado, Pável (2009). 「ウェブコミュニティによって共同で作成されたコンテンツの自動品質評価」. 2009年デジタルライブラリ合同国際会議 - JCDL '09 議事録. p. 295. doi : 10.1145/1555400.1555449 . ISBN 978-1-60558-322-8. S2CID  14421291 .
  34. ^ Färber, Michael; Bartscherer, Frederic; Menne, Carsten; Rettinger, Achim (2017-11-30). 「DBpedia、Freebase、OpenCyc、Wikidata、YAGOのリンクデータ品質」 .セマンティックウェブ. 9 (1): 77– 129. doi : 10.3233/SW-170275 . 2018年1月22日時点のオリジナルよりアーカイブ。
  35. ^ 「ECCMAオープンテクニカルディクショナリ」ECCMA . 2025年5月22日閲覧。

さらに読む

「 https://en.wikipedia.org/w/index.php?title=Data_quality&oldid=1334715077」から取得