跳轉到

Introduction

為什麼需要 Prov-AI AP？

當你打開一份索引典（thesaurus），看到一個術語對應到一段翻譯、一條範圍註、幾個同義詞，你可能會問：

這是怎麼產生的？是誰決定的？背後有哪些討論？來源證據是什麼？這個結論可以被重現嗎？

在傳統的索引典維護中，這些問題的答案存在編輯者的腦袋裡、版本控制系統的 commit message 裡、或散落在 email 串、會議紀錄、Word 文件裡。當索引典開始使用生成式 AI（ChatGPT、Claude、Gemini）協助轉譯、撰寫、辨識同義詞時，這些「為什麼」的軌跡會更複雜：

  • 你用了哪個模型版本？哪段提示詞？哪些上下文檔案？
  • AI 在第幾回合給出最終建議？前面幾回合都討論了什麼？
  • AI 引用的來源是什麼？是不是幻覺？
  • 哪些結論你採納了？哪些你拒絕？理由是什麼？

Prov-AI AP 把這些問題變成可以用 SPARQL 查詢、用 SHACL 驗證、用 PROV graph 視覺化的結構化資料模型。

設計哲學

Prov-AI AP 不是「再發明一套溯源標準」，而是把幾個已存在的國際標準組合成適合 GLAM × AI-assisted KOS editing 的 application profile：

標準 在 Prov-AI AP 的角色
W3C PROV-O 溯源骨架（Entity / Activity / Agent / Collection / qualified association）
W3C SKOS（含可選 SKOS-XL） KOS 概念與控制詞彙（5 個 L1 必用 ConceptScheme + 1 個 L2 可選）
DCMI Metadata Terms 識別、來源、版本、語言、授權
DCMI Singapore Framework AP 五層架構
W3C DQV（L2） 品質量測
W3C Web Annotation（L2） 精細引用、片段定位
ISO 25964-1 KOS 維護概念性依據（以 SKOS / SKOS-XL 落地）
W3C Profiles Vocabulary (PROF) 對外 packaging
DCTAP 表格化 statement templates

L1 Core / L2 Modules 分層

Prov-AI AP 把元素分成兩層：

L1 Core（37 active + 1 deprecated）

L1 是「能定錨、能重現條件、能回指證據、能交代責任與決策、能串起版本／事件鏈」的 minimum closure——回答 CQ1–CQ10 的最小元素集合。

L1 由以下主要 classes 組成：

  • skos:Concept — KOS 概念（如 AAT 主題詞）
  • ex:WorkItem — 一個工作單位（CQ1–CQ3 定錨：要做什麼術語的什麼任務）
  • ex:TaskRun — 任務執行（CQ2、CQ9：在哪、由誰啟動、何時開始）
  • ex:TurnRun — 任務內的每一回合對話或步驟（CQ4–CQ8）
  • ex:Artifact — 任何可被指涉的資訊實體（提示詞、模型組態、回應快照、來源證據、決策註記、案例蒐藏）
  • ex:Result — 最終成果（CQ6–CQ8）
  • prov:Agent / prov:Association — 誰做的、扮演什麼角色
  • prov:Collection（ContextPack） — 每回合的輸入脈絡集合

加上 5 個 L1 必用 ConceptScheme： - TaskTypeScheme / ActivityTypeScheme / ArtifactTypeScheme / RoleScheme / DecisionOutcomeScheme

L2 Modules（17 active）

L2 是依任務啟用的治理強化模組：

模組 CQ 用途
L2-OA CQ13–CQ15 精細引用與片段定位（Web Annotation Selector）
L2-DQV CQ11–CQ12 品質量測（QualityMeasurement + Metric）
L2-APITrace — API/工具鏈追蹤（typed Artifact + ex:metaJSON）
L2-Reference — 引用角色分流（ReferenceRoleScheme）

完整 conformance class 定義見 Conformance。

核心設計模式

Prov-AI AP 有幾個關鍵的設計選擇，幫你避免常見的「class 與欄位爆炸」陷阱：

Typed Artifact Pattern

不為每一種「東西」都開一個 class，而是統一為：

ex:Artifact ⊑ prov:Entity
ex:artifactType → skos:Concept (ArtifactTypeScheme L1×9)

ArtifactTypeScheme 的 L1×9 涵蓋：PromptVersion / PromptInstance / ModelConfig / ResponseSnapshot / ResultSnapshot / DecisionNote / SourceEvidence / ContextPack / CaseCorpus。

詳見 Concept Schemes → ArtifactType。

Roles-as-SKOS Pattern

所有「角色 / 類型 / 狀態 / 策略」以 skos:Concept 表示，用 ConceptScheme 治理（跨專案可複用）：

prov:Association
  prov:agent <some-agent> ;
  prov:hadRole <provai:scheme/RoleScheme/Editor> .

RoleScheme 含 4 角色（Editor / Reviewer / ModelRunner / Evaluator），對齊 DataCite contributorType 與 MARC relator codes。

詳見 Concept Schemes → Role。

Location Standardization（三分工）

prov:atLocation         → 位置（chat_url / share_url / api_log_url / blob URI）
dcterms:source          → 來源依據（指向 ex:Artifact）
oa:hasSelector (L2)     → 片段定位（TextQuote / TextPosition / Fragment）
ex:contentHash          → 完整性校驗（可選）

Share / API 雙路徑共用同一 schema

ChatGPT share URL（前端使用者操作的紀錄）與 OpenAI API（後端工具呼叫的紀錄）兩條路徑共用一份 schema。share-only redact（例如 share path 沒有 request_id）用 import_warnings 表達，不分裂兩套 schema。

詳見 Usage Guidelines。

接下來