تعتبر منصة GitHub واحدة من أهم بيئات العمل للمهندسين والمطورين، حيث تضم مئات الملايين من المستودعات العامة. ومع ذلك، لم يكن هناك سابقًا أي تصنيف رسمي يربط هذه المستودعات بقطاعات صناعية موحدة. هذا الثغرة أثرت على الأعمال التقليدية التي تهدف إلى فهم كيفية انتشار الابتكارات الجديدة عبر مختلف الصناعات.

في خطوة مبتكرة، قام الباحثون بتقديم مجموعة بيانات جديدة تسمى NAICS-GH، التي تتضمن 6,588 مستودعًا من GitHub تم اختيارها من مصادر تغطي الولايات المتحدة والاتحاد الأوروبي وأستراليا. كل مستودع تم تصنيفه وفقًا لرقم قطاع مكون من رقمين من نظام التصنيف الصناعي الأمريكي (NAICS 2022).

تتم عملية التصنيف عبر نظام متكامل يجمع بين تقنيات حديثة مثل تقنيات معالجة اللغة الطبيعية باستخدام نموذج BAAI/bge-large-en وتقنية الاسترجاع FAISS، بالإضافة إلى تقييم دقيق باستخدام نموذج GPT-4.1. تشمل العملية تقليص عدد المستودعات الأصلية البالغ 1.37 مليون إلى 6,588 مستودع موثوق به، مما يؤكد دقة عالية تصل إلى 96.98% خلال التقييمات البشرية.

يسهم هذا التصنيف في تنمية فهم أعمق لجغرافيا الابتكار والهيكل الصناعي للإنتاج مفتوح المصدر، ويدعم تقنيات جديدة تعبر عن الإنتاج المعرفي الحديث. بالإضافة إلى ذلك، تتوفر البيانات الجديدة تحت تراخيص CC-BY-4.0 و MIT، مما يسمح بالاستفادة منها في مشاريع بحثية ومهنية مستقبلية.

إن هذه المبادرة تفتح الأبواب أمام المزيد من الأبحاث والدراسات حول كيفية انتشار التكنولوجيا عبر قطاعات اقتصادية متعددة. هل أنت مستعد لاستكشاف هذه العالم الجديد من البيانات والابتكارات؟