Google普查网络资料集，数量大宗为社会科学，地球科学次之

Google普查互联网上的资料集，发现资料集大宗为社会科学26.2％，其次为地球科学19％，接下来则是生物学，约占了15％，Google提到，最近因为武汉肺炎爆发，生物学和医学资料集的查询需求上升。整体来说，资料集重用的方便性仍不足，因为只有11％的资料集拥有数位物件辨识码（Digital Object Identifier，DOI）。

资料集是机器学习技术发展很重要的一环，不少人工智能应用，需要使用适当的资料集，训练与测试模型才能完成，而Google在2018年开始了资料集搜索引擎专案，将网络上数百万个资料集，和数千个资料储存库集结在一起，提供单一入口以提升取用资料集的方便性，这些资料集内容包罗万象，包括帝王企鹅的食性以及远端工作者的居住地都有。

这个资料集搜索引擎在2020年1月的时候正式启动，截至今日，资料集语料库包含了来自4,600个以上互联网网域，所提供超过3,100万个资料集，其中一半都是来自.com网域，而.org和-网域也占了很大的比例。

过去两年资料集的数量大幅成长，Google调查了资料集，并且发表资料集的概况，同时也提供未来发表科学资料集最佳实践作法，Google公开了该研究的部分资料，供其他研究人员进行分析和建构工具。

资料集主题的分布，其中有接近三分之一是社会科学，而地球科学占19％，接下来则是生物学、农业、医学和机械工程等。Google提到，现在研究人员的共识是，透过发布详细的相关资讯，以及在使用资料集的时候增加引用资讯，以增加资料集的可用性，目前许多机构以及学术出版商，都要求作品发布以及引用资料。

即便有许多组织共同努力耕耘，非营利组织DataCite提供资料集DOI，还有诸如identifiers.org等解析服务，提供永久可引用的辨识码，但是在当前Google资料集搜索引擎中，只有11％约300万个资料集拥有DOI，其中约有230万个资料集，是来自datacite.org和figshare.com两个网站。

而资料集的授权，也是资料可重用的重要指标，资料集发布方可以利用schema.org元资料属性，指定特殊的存取要求，但目前只有34％的资料集，有附加授权许可资讯，Google提到，资料集没有授权许可，用户就难以判断资料集可否允许重用，因此在理想情况下，资料集添加开放授权，可大幅提升资料重用性。

另外一个影响资料可重用性的关键要素，便是提供可下载资讯，但是当前只有44％资料集在元资料中注明下载资讯，而之所以这项资讯提供比例偏低的原因之一，是资料集托管平台担心从schema.org元资料暴露的下载连结，会使得搜索引擎或是应用程序，提供用户直接下载资料集，因而窃取了该平台的流量，Google特别强调，他们在资料集搜索引擎中，不会直接显示下载连结，使用者仍须造访发布者网站，才能下载完整资料集。

Google提到，近期查询资料集的情况，与搜索引擎中拥有的资料集主题分布不同（下图），地球科学资料集的查询量偏低，而生物学和医学的查询量则大得多，可能跟武汉肺炎疫情爆发有关。随着资料集的调查结果释出，Google也将拥有DOI，和其他类型永久辨识码的300万个资料集元资料释出，供其他研究人员执行深入分析或是使用。