Kanuni za msingi
Kuna imani chache zinazopatikana katika kila sura ya mwongozo huu. Hizo ndizo sababu zinazofanya utoe ushauri unaoutoa. Ikiwa hutakumbuka chochote kingine, kumbuka haya.
Jenga pamoja na wazungumzaji, si kwa ajili yao tu
Watu wanaozungumza lugha wanajua kipi ni sahihi, kipi kinasikika kiasili, na kipi kinakera. Wanapaswa kuwa katikati ya kazi ya mkusanyiko wa data (dataset), si mwishoni mwa mtiririko wa kazi (pipeline) kama wawekaji lebo (labellers) wa bei rahisi. Mtindo shirikishi (Nekoto et al., 2020) ambao mwongozo huu unatokana nao unawachukulia wazungumzaji asilia kama waundaji wenza, na hii ndiyo mbinu tunayoipendekeza kote.
Idhini na umiliki huja kwanza
Data hutoka kwa watu, na watu hao wanaendelea kuwa na haki nayo. Omba idhini inayotolewa kwa uelewa (informed consent) kabla ya mtu yeyote kuchangia, kuwa mkweli kuhusu jinsi data itakavyotumika, na hakikisha jamii inasalia kuwa mmiliki wa kile inachosaidia kuunda. Umiliki si jambo la kutimiza tu wakati wa kutoa data. Unaunda kila uamuzi, kuanzia kile unachokusanya hadi nani unayemruhusu akitumie.
Ubora zaidi ya wingi
Mkusanyiko wa data mdogo, safi, na ulioandikwa vizuri una thamani zaidi kuliko mkusanyiko mkubwa wenye makosa mengi (noisy). Ukusanyaji wa data kutoka kwenye wavuti (web-scale crawls) kwa lugha zenye rasilimali chache (low-resource languages) umejaa maandishi yaliyowekwa lebo kimakosa na yaliyotafsiriwa na mashine (Kreutzer et al., 2022). Ni bora kuweka lebo mifano elfu moja vizuri kuliko milioni moja vibaya. Sura nzima ya ubora wa data ipo kwa sababu kanuni hii ni rahisi kusema lakini ni ngumu kuitekeleza.
Muktadha husafiri pamoja na data
Mkusanyiko wa data usio na nyaraka (documentation) ni mgumu kuuamini na ni rahisi kutumiwa vibaya. Rekodi kile ulichokusanya, kutoka kwa nani, vipi, na kwa nini. Taja lugha, hati (scripts), na lahaja (varieties) kwa usahihi. Uwekaji nyaraka mzuri ndio unaoruhusu watu wengine kutumia tena kazi yako, na ndio unaokuruhusu kuitetea baadaye.
Jenga kwa uwazi, sanifu kwa ajili ya kutumiwa tena
Toa chini ya leseni wazi na huru, na fanya data, miongozo, na mchakato uweze kurudiwa (reproducible). Kazi ambayo wengine wanaweza kuipata, kuikagua, na kuipanua inakua na kuongezeka thamani kadiri muda unavyopita. Kazi iliyofungiwa haimsaidii mtu yeyote na mara nyingi hupotea.
Usilete madhara
Walinde watu waliomo kwenye data na watu wanaoijenga. Kuwa mwangalifu na maudhui yanayokera, yanayotambulisha mtu, au ambayo si salama kuyatoa. Unapokuwa huna uhakika, iulize jamii, na uchukue tahadhari zaidi.
Kanuni hizi hazivuti upande mmoja kila wakati. Wingi unashindana na ubora; uwazi unaweza kukinzana na faragha. Sehemu kubwa ya mwongozo huu inahusu kufanya maelewano hayo (trade-offs) vizuri, kwa uwazi, na pamoja na watu ambao lugha zao zinahusika.
