Bảng 1 — Các bước quy trình

Chú thích: Mô tả không gian các kết quả (nhận được từ nội suy không gian các kết quả, trình bày đồ họa…) có thể hữu ích, không tương ứng với kết quả, nhưng với các tập dữ liệu khác nhau, mặc dù có liên quan.

Thủ tục đánh giá chất lượng dữ liệu được hoàn thành thông qua việc áp dụng một hay nhiều các phương pháp đánh giá chất lượng. Các phương pháp đánh giá chất lượng được chia thành hai loại: trực tiếp và gián tiếp.

Phương pháp xác định chất lượng dữ liệu trực tiếp thông qua việc so sánh dữ liệu với các thông tin tham khảo bên trong và/hay bên ngoài. Các phương pháp gián tiếp suy luận hay ước tính chất lượng dữ liệu bằng cách sử dụng thông tin trên dữ liệu như là nguồn gốc. Các phương pháp đánh giá chất lượng trực tiếp có thể được chia thành các loại nhỏ theo các nguồn gốc thông tin cần thiết để thực hiện đánh giá chất lượng.

Hình 2 miêu tả cấu trúc phân loại này

7. 
   Data quality evaluation methods
   
   1. 
      Classification of data quality evaluation methods
      

Direct methods determine data quality through the comparison of the data with internal and/or external reference information. Indirect methods infer or estimate data quality using information on the data such as lineage. The direct evaluation methods are further subclassified by the source of the information needed to perform the evaluation.

Phương pháp đánh giá trực tiếp được chia thành phương pháp đánh giá trong và phương pháp đánh giá ngoài. Tất cả dữ liệu cần thiết để thực hiện phương pháp đánh giá chất lượng dữ liệu trực tiếp trong là nội bộ tập dữ liệu được đánh giá.

VÍ DỤ 1. Tất cả dữ liệu cần thiết để thực hiện kiểm tra sự ổn định logic về sự ổn định về topo của đường biên khép kín nằm trong tập dữ liệu có cấu trúc topo.

Đánh giá chất lượng trực tiếp bên ngoài cần sử dụng dữ liệu tham khảo ngoài tập dữ liệu được đánh giá.

VÍ DỤ 2. Dữ liệu cần thực hiện thử nghiệm tính đầy đủ đối với tên đường trong tập dữ liệu yêu cầu nguồn thông tin khác về tên đường.

VÍ DỤ 3. Phép kiểm tra độ chính xác vị trí cần tập dữ liệu tham chiếu hay đo mới.

2. 
   Direct evaluation methods
   
   1. 
      Types of direct evaluation methods
      

EXAMPLE 1 All the data necessary to perform a logical consistency test for topological consistency of boundary closure resides in a topologically structured dataset.

External direct quality evaluation requires reference data external to the dataset being tested.

EXAMPLE 2 The data needed to perform a completeness test for the road names in a dataset requires another information source of road names.

Đối với cả hai phương pháp đánh giá trong và đánh giá ngoài, có hai điều cần xem xét, tự động hay không tự động và kiểm tra toàn bộ hay lấy mẫu.

Các thành phần chất lượng dữ liệu và các thành phần phụ chất lượng dữ liệu được kiểm tra dễ dàng bằng các công cụ tự động bao gồm như sau:

a) sự ổn định về logic: sự ổn định về định dạng

Ví dụ: kiểm tra các trường dữ liệu với đầu vào dương

b) sự ổn định logic: sự ổn định topo

Ví dụ Poligon khép kín

c) sự ổn định logic: sự ổn định vùng

Ví dụ: đường danh giới bị vi phạm, giá trị vùng xác định không đúng.

d) Tính đầy đủ: không đầy đủ;

Ví dụ kiểm tra so sánh các tên đường từ file khác

e) Tính đầy đủ: đầy đủ

Ví dụ: kiểm tra so sánh các tên đường từ file khác

f) Độ chính xác thời gian: độ ổn định về thời gian

Ví dụ kiểm tra tất cả các bản ghi đối với phạm vi thích hợp về thời gian.

2. 
   Means of accomplishing direct evaluation
   

1. 
   logical consistency: format consistency;
   

2. 
   logical consistency: topological consistency;
   

3. 
   logical consistency: domain consistency;
   

4. 
   completeness: omission;
   

5. 
   completeness: commission;
   

6. 
   temporal accuracy: temporal consistency;
   

Kiểm tra đầy đủ yêu cầu thử nghiệm tất cả các đối tượng trong tập dữ liệu đã được xác định theo phạm vi chất lượng dữ liệu. Bảng 2 mô tả quy trình kiểm tra đầy đủ sẽ được sử dụng.

3. 
   Full inspection
   

ISO 2859 và ISO 3951-1 có thể được áp dụng để lấy mẫu cho việc đánh giá sự phù hợp với thông số kỹ thuật sản phẩm. Các tiêu chuẩn này ban đầu được phát triển để sử dụng cho dữ liệu phi không giam. Phụ lục E của tiêu chuẩn này đưa ra ví dụ mô tả cách áp dụng ISO 2859 và ISO 3951 và cung cấp hướng dẫn làm thế nào để xác định mẫu và đưa ra phương pháp lấy mẫu có lưu ý đến phân bố địa lý của dữ liệu.

Độ tin cậy của kết quả chất lượng dữ liệu cần được phân tích khi sử dụng lấy mẫu, đặc biệt, khi sử dụng kích thước mẫu nhỏ và các phương pháp khác đơn giản hơn so với lấy mẫu ngẫu nhiên.

ISO 2859 and ISO 3951-1 may be applied to sampling for evaluating conformance to a product specification. These standards were originally developed for non-spatial use. Annex E of this International Standard gives examples describing how to apply ISO 2859 and ISO 3951 and provides guidelines on how to define samples and devise sampling methods taking the geographic nature of the data into account.

The reliability of the data quality result should be analysed when using sampling; especially, when using small sample sizes and methods other than simple random sampling.

Phương pháp đánh giá gián tiếp là phương pháp đánh giá chất lượng tập dữ liệu dựa trên cơ sở hiểu biết bên ngoài. Những hiểu biết bên ngoài có thể bao gồm, nhưng không hạn chế, các yếu tố tổng quan chất lượng dữ liệu và các báo cáo chất lượng khác về tập dữ liệu hay dữ liệu được sử dụng để thành lập tập dữ liệu.

CHÚ THÍCH 1 Phương pháp này được khuyến cáo chỉ sử dụng trong trường hợp phương pháp đánh giá trực tiếp không sử dụng được.

CHÚ THÍCH 2 Sử dụng các thông tin ghi lại việc sử dụng tập dữ liệu. Điều này rất thuận lợi khi tìm kiếm tập dữ liệu được sản xuất hay sử dụng cho những mục đích cụ thể.

CHÚ THÍCH 3 Thông tin nguồn gốc ghi lại thông tin về việc thành lập hay lịch sử tập dữ liệu. Bao gồm các thông tin về ví dụ, nguồn dữ liệu sử dụng để tạo tập dữ liệu hay các qui trình sản xuất được áp dụng. Điều này rất thuận lợi khi xác định sự phù hợp của tập dữ liệu về một công việc nào đó. Ví dụ siêu dữ liệu về nguồn gốc liên quan đến file mô hình số địa hình được thiết lập bằng các công cụ xây dựng mô hình lập thể từ các ảnh chụp trong những điều kiện nhất định. Kinh nghiệm chỉ cho người đánh giá rằng sai số mặt phẳng RMSE sẽ khoảng 10 mét đối với loại ảnh này. Hay ví dụ khác: nguồn gốc siêu dữ liệu về số hóa bản đồ địa hình tỷ lệ 1:25000 cho biết tính tương thích của dữ liệu với mục tiêu lập bản đồ nền phục vụ qui hoạch trong thành phố.

CHÚ THÍCH 4 Thông tin về mục tiêu trình bày về tập dữ liệu được sản xuất. Mục đích có thể là hỗ trợ những yêu cầu đặc biệt hay tập dữ liệu có mục đích chung cho một số công việc. Điều này rất có lợi khi xác định giá trị về tập dữ liệu.

3. 
   Indirect evaluation method
   

NOTE 1 This method is recommended only if direct evaluation methods cannot be used.

Ví dụ về các phương pháp điển hình được sử dụng và áp dụng như thế nào được trình bày trong phụ lục F, G và H.

4. 
   Data quality evaluation examples
   

Kết quả chất lượng có tính định lượng sẽ được báo cáo bằng siêu dữ liệu theo ISO 19115 bao gồm mô hình liên quan và từ điển dữ liệu.

7. 
   Reporting data quality evaluation information
   
   1. 
      Reporting in metadata
      

Có hai điều kiện để lập một báo cáo đánh giá chất lượng

1. 
   Khi các kết quả chất lượng được báo cáo bằng siêu dữ liệu là chấp nhận/không chấp nhận.
   
2. 
   khi các kết quả chất lượng dữ liệu kết hợp được tổng hợp.
   

Báo cáo đánh giá chất lượng sẽ được thực hiện theo phụ lục I, trong đó có mô hình và từ điển dữ liệu liên quan.

2. 
   Reporting in a quality evaluation report
   

1. 
   When data quality results reported as metadata are only reported as pass/fail.
   
2. 
   When aggregated data quality results are generated.
   

A quality evaluation report shall be produced in compliance with annex I which contains the relevant model and data dictionary.

Khi những kết quả chất lượng được tổng hợp vào một kết quả chất lượng riêng để báo cáo chất lượng về một tập dữ liệu, kết quả chất lượng dữ liệu tổng hợp sẽ được báo cáo bằng siêu dữ liệu và trong báo cáo chất lượng dữ liệu. Kết quả chất lượng dữ liệu sẽ được thông báo như là kiểu “tổng hợp”. Phụ lục J mô tả sản phẩm về các kết quả chất lượng dữ liệu tổng hợp và phụ lục H cung cấp ví dụ về sản phẩm.

3. 
   Reporting aggregated data quality result
   

(quy định)

(normative)

Phụ lục qui định ba lớp phù hợp

• 
  thủ tục đánh giá chất lượng (A.2)
  
• 
  đánh giá chất lượng dữ liệu (A.3) và
  
• 
  lập báo cáo chất lượng dữ liệu (A.4)
  

CHÚ THÍCH Tất cả các trường hợp thử nghiệm là kiểu thử nghiệm ‘cơ bản’.

This annex defines three classes of conformance

- quality evaluation procedure (A.2),

- evaluating data quality (A.3), and

- reporting data quality (A.4).

Any quality evaluation procedures claiming conformance with this International Standard shall pass all the requirements described in A.2. Any evaluation of data quality claiming conformance with this International Standard shall pass all the requirements described in A.3. Any report of data quality claiming conformance with this International Standard shall pass all the requirements described in A.4.

Bộ thử nghiệm giản lược đối với lớp 1 như sau.

1. 
   Mục đích thử nghiệm: để đảm bảo thủ tục đánh giá chất lượng được thực hiện theo Tiêu chuẩn quốc tế này.
   
2. 
   Phương pháp thử nghiệm: chấp nhận tất cả các yêu cầu mô tả trong Điều A.3 và A.4
   
3. 
   Tham khảo: Điều A3 và A.4.
   

Abstract test suite for class 1 shall be as follows.

1. 
   Test purpose: to assure the quality evaluation procedure was produced in accordance with this International Standard.
   
2. 
   Test method: pass all the requirements described in A.3 and A.4.
   
3. 
   Reference: A.3 and A.4.
   

Bộ thử nghiệm giản lược đối với lớp 2 như sau.

1. 
   Mục đích thử nghiệm: Để đảm bảo chất lượng dữ liệu được báo cáo theo Điều 6.
   
2. 
   Phương pháp thử nghiệm: so sánh thủ tục đánh giá chất lượng với đánh giá chất lượng khi thích hợp.
   
3. 
   Tham khảo: ISO 19114:2003, Điều 6.
   

1. 
   Test purpose: To assure data quality has been reported in accordance with Clause 6.
   

2. 
   Test method: Compare the quality evaluation procedure with the quality ecaluation as appropriate.
   
3. 
   Reference: ISO 19114:2003, Clause 6.
   

Bộ thử nghiệm giản lược đối với lớp 3 như sau:

1. 
   Mục đích thử nghiệm: để đảm bảo chất lượng dữ liệu được báo cáo theo Điều 8.
   
2. 
   Phương pháp thử nghiệm: so sánh đánh giá chất lượng được báo cáo để đảm bảo kết quả chất lượng dữ liệu được báo cáo theo Điều 8 và các phụ lục liên quan.
   
3. 
   Tham khảo: ISO 19114:2003, Điều 8.
   

1. 
   Test purpose: To assure data quality has been reported in accordance with clause 8.
   
2. 
   Test method: Compare the quality evaluation reported to assure data quality results were appropriately reported in accordance with Clause 8 and applicable annexes.
   
3. 
   Reference: ISO 19114:2003, Clause 8.
   

(tham khảo)

(informative)

Các thủ tục đánh giá chất lượng có thể được sử dụng trong các giai đoạn khác nhau về vòng đời sản phẩm. Phụ lục này cung cấp ví dụ về các giai đoạn vòng đời của sản phẩm, theo đó các thủ tục đánh giá chất lượng có thể được áp dụng.

Quality evaluation procedures may be used in different phases of a product life cycle. This annex provides examples of stages of a product’s life cycle during which quality evaluation procedures may be applied.

Khi phát triển thông số kỹ thuật sản phẩm hoặc yêu cầu của người sử dụng, các thủ tục đánh giá chất lượng có thể được dùng để hỗ trợ trong việc thiết lập mức chất lượng phù hợp cần được đáp ứng bởi sản phẩm cuối cùng. Thông số kỹ thuật sản phẩm hoặc yêu cầu của người sử dụng phải bao gồm mức chất lượng phù hợp với các tập dữ liệu và các thủ tục đánh giá chất lượng được áp dụng trong quá trình sản xuất và cập nhật.

When developing a product specification or user requirement, quality evaluation procedures may be used to assist in establishing conformance quality levels that should be met by the final product. A product specification or user requirement should include conformance quality levels for the dataset and quality evaluation procedures to be applied during production and updating.

Ở khâu sản xuất, nhà sản xuất có thể áp dụng các thủ tục đánh giá chất lượng, hoặc thiết lập một cách rõ ràng hoặc không có trong thông số kỹ thuật sản phẩm, như một phần của quá trình kiểm soát chất lượng. Mô tả các thủ tục đánh giá chất lượng được áp dụng, khi được sử dụng để kiểm soát chất lượng sản xuất, phải được báo cáo bằng nguồn gốc siêu dữ liệu, bao gồm, nhưng không nhất thiết giới hạn đối với việc áp dụng các thủ tục đánh giá chất lượng, thiết lập mức chất lượng phù hợp, và kết quả.

At the production stage, the producer may apply quality evaluation procedures, either explicitly established or not contained in the product specification, as part of the process of quality control. The description of the applied quality evaluation procedures, when used for production quality control, should be reported as lineage metadata, including, but not necessarily limited to, the quality evaluation procedures applied, conformance quality levels established, and the results.

Sau khi hoàn thành việc sản xuất, một quá trình đánh giá chất lượng được sử dụng đối với sản xuất và báo cáo kết quả chất lượng dữ liệu. Những kết quả này có thể được sử dụng để xác định xem một tập dữ liệu có phù hợp với thông số kỹ thuật sản phẩm của nó. Nếu tập dữ liệu được chấp nhận trong quá trình kiểm tra, bao gồm các thủ tục đánh giá chất lượng, các tập dữ liệu được coi là đã sẵn sàng để sử dụng. Các kết quả của hoạt động kiểm tra phải được báo cáo theo quy định tại Điều 8.

Kết quả của việc kiểm tra sẽ là hoặc là chấp nhận hoặc từ chối tập dữ liệu. Nếu tập dữ liệu bị từ chối, sau khi dữ liệu đã được sửa chữa, cần phải kiểm tra lại trước khi sản phẩm có thể được coi là phù hợp với các thông số kỹ thuật sản phẩm.

On completion of the production, a quality evaluation process is used to produce and report data quality results. These results may be used to determine whether a dataset conforms to its product specification. If the dataset passes inspection, composed of a set of quality evaluation procedures, the dataset is considered to be ready for use. The results of the inspection operation should be reported in accordance with clause 8.

The outcome of the inspection will be either acceptance or rejection of the dataset. If the dataset is rejected, then after the data has been corrected, a new inspection will be required before the product can be deemed to be in conformance with the product specification.

Thủ tục đánh giá chất lượng được sử dụng để thiết lập các mức chất lượng phù hợp đối với một tập dữ liệu để đáp ứng yêu cầu của người dùng. Phương pháp gián tiếp cũng như trực tiếp có thể được sử dụng trong phân tích dữ liệu phù hợp với yêu cầu người sử dụng. Các kết quả đánh giá chất lượng cho phù hợp với yêu cầu người sử dụng có thể được báo cáo bằng siêu dữ liệu sử dụng cho các tập dữ liệu.

Quality evaluation procedures are used to establish the conformance quality levels for a dataset to meet a user requirement. Indirect as well as direct methods may be used in analyses of dataset conformance to user requirements. The results of the quality evaluation for conformance to user requirements may be reported as usage metadata for the dataset.

Các thủ tục đánh giá chất lượng được áp dụng trong quá trình cập nhật tập dữ liệu, cả hai cho các đối tượng được sử dụng để cập nhật và làm chuẩn chất lượng của tập dữ liệu sau khi cập nhật. Hướng dẫn sử dụng của tiêu chuẩn ISO 19113 và Tiêu chuẩn quốc tế này trên tập dữ liệu động được nêu trong phụ lục C.

Quality evaluation procedures are applied to dataset update operations, both to the items being used for update and to benchmark the quality of the dataset after update has occurred. The guidance for use of ISO 19113 and this International Standard on dynamic datasets is given in annex C.

(tham khảo)

(informative)

Applying quality evaluation procedures to dynamic datasets

Phụ lục này mô tả các thủ tục đánh giá chất lượng có thể được áp dụng đối với tập dữ liệu động như thế nào. Ở đây, tập dữ liệu động được xác định là tập dữ liệu được cập nhật thường xuyên và cho tất cả các mục đích thực tế chúng đang tiếp tục được cập nhật. Ví dụ, một tập dữ liệu địa chính trực tuyến có thể nhận được cập nhật vài phút một lần. Về cơ bản có hai cách để xác định và báo cáo chất lượng của một tập dữ liệu động: độ chuẩn xác và liên tục.

This annex describes how quality evaluation procedures may be applied to dynamic datasets. Here dynamic datasets are defined as datasets that receive updates so frequently that for all practical purposes they are continuously being updated. For example, an online cadastre dataset may receive updates every few minutes. There are basically two ways to determine and report the quality of a dynamic dataset: benchmark and continuous.

Thủ tục chuẩn được dựa trên việc thiết lập về một tần số xuất hiện báo cáo phù hợp, ví dụ như hàng tuần hoặc ba lần một tháng, và lập một bản sao của dữ liệu tại thời điểm báo cáo. Sau đó các bản sao được kiểm tra như thể nó là một tập dữ liệu tĩnh. Kiểu kiểm tra và báo cáo này sẽ cung cấp chất lượng dữ liệu về ngày tháng/thời gian của bản sao.

The benchmark procedure is based on the establishment of a suitable reporting frequency, for example weekly or tri-monthly, and making a copy of the dataset at the reporting date. Then the copy is tested as if it were a static dataset. This type of testing and reporting will provide quality of the dataset as of the date/time of the copy.

Thủ tục tiến hành dựa trên việc kiểm tra cập nhật và đánh giá tác động của các bản cập nhật. Điều này tương đương với việc nhúng các thủ tục đánh giá chất lượng được đưa ra trong tiêu chuẩn này thành một tiêu chuẩn kiểu ISO 9000 về thủ tục định hướng xử lý. Vì thủ tục này chỉ có thể cung cấp hiện trạng chất lượng của các đơn vị được cập nhật, cần kết hợp cả hai thủ tục chuẩn và thủ tục tiến hành như được mô tả trong C.3 để thiết lập chất lượng cho các cơ sở dữ liệu được cập nhật.

The continuous procedure is based on testing the updates and evaluating the impact of the updates. This is equivalent to embedding the quality evaluation procedures given in this International Standard into an ISO 9000- type process-oriented procedure. Since this procedure only can provide current status of the quality of the updated items, it is necessary to combine both benchmark and continuous procedures as described in C.3 in order to establish the quality for the updated database.

Theo các bước mô tả trong Điều 6.2 của Tiêu chuẩn quốc tế này, xác định các thành phần có thể áp dụng chất lượng dữ liệu và thành phần phụ chất lượng dữ liệu liên quan của chúng, phạm vi chất lượng dữ liệu, đo lường chất lượng dữ liệu, và mức chất lượng phù hợp để sử dụng trong việc đánh giá và báo cáo kết quả.

C.3.1 Identify the parts

In accordance with the steps given in 6.2 of this International Standard, identify applicable data quality elements and their associated data quality subelements, data quality scopes, data quality measure, and conformance quality levels to be used in the evaluation and reporting of the results.

Select the data quality evaluation method to be applied. Then the evaluation would be on the updated feature and the relationship of that feature with the others within the data quality scope. In a continuous quality evaluation procedures only indirect or internal direct methods may be applied.

1. 
   Is the update from a trusted source?
   
2. 
   Does the update preserve topological consistency?
   
3. 
   Does the address of the feature updated retain logical consistency?
   

Sử dụng thủ tục chuẩn để thiết lập các giá trị tham khảo về chất lượng của tập dữ liệu về các đối tượng và thuộc tính đối tượng trong phạm vi kiểm tra và thời gian tiến hành kiểm tra.

Use the benchmark procedure to establish reference values of quality of the dataset for the features and feature attributes within scope to be checked during the continuous testing.

Kết hợp các thử nghiệm liên tục vào quá trình cập nhật để mỗi lần bản cập nhật đưa ra được kiểm tra và chấp nhận trước khi nó được đưa vào các tập dữ liệu.

Integrate the continuous tests into the update process flow so that each proposed update is tested and accepted before it is introduced into the dataset.

By integrating the continuous tests into the update process flow, each accepted update causes the current quality results to be adjusted accordingly. This will allow for immediate reports on dataset quality to be generated.

Tất cả các khía cạnh chất lượng của một tập dữ liệu có thể không được kiểm tra thông qua một hoạt động dựa trên quá trình liên tục. Ví dụ, các đối tượng không đầy đủ có thể không được tìm thấy khi chỉ kiểm tra các đối tượng cập nhật. Các dữ liệu cần được kiểm tra theo định kỳ bằng phương pháp kiểm tra chất lượng theo chuẩn.

All aspects of the quality of a dataset may not be tested through a continuous process-based operation. For example, omission of features may not be found when only updated items are tested. The dataset should be subject to periodic benchmark type quality procedures.

(informative)

Examples of data quality measures

Phụ lục này cung cấp các ví dụ đơn giản về đo chất lượng dữ liệu cho mỗi thành phần chất lượng dữ liệu và thành phần phụ liên kết với nó được xác định trong tiêu chuẩn ISO 19113 để giải thích các thành phần dữ liệu có liên quan như thế nào trong quá trình đánh giá. Các ví dụ chi tiết hơn có thể được tìm thấy trong các phụ lục khác của Tiêu chuẩn quốc tế này, đặc biệt là trong phụ lục J là các phương pháp để đánh giá chính xác vị trí của dữ liệu đường cong được tóm tắt.

Với mỗi thành phần chất lượng dữ liệu và sự kết hợp thành phần phụ, một ví dụ về phạm vi chất lượng dữ liệu được đưa ra cùng với ví dụ về các thông số dữ liệu. Sau đó, ba biện pháp chất lượng dữ liệu được hiển thị, mỗi biện pháp được thiết kế nhằm minh họa cho một cách đánh giá chất lượng. Vì vậy, các ví dụ sẽ đầy đủ nhất có thể, cùng với nó là thời gian đánh giá chất lượng và mức chất lượng phù hợp. Cuối cùng, một giải thích về kết quả chất lượng dữ liệu được đưa ra và để minh họa cho dự định kết quả chất lượng.

Trong khi các ví dụ được đưa ra trong phụ lục này rất đơn giản, chúng có thể được đề cập đến trong các hồ sơ hoặc tài liệu khác. Vì vậy, phụ lục này có mã nhận dạng đo chất lượng dữ liệu mà có liên quan đến các ví dụ về thành phần chất lượng dữ liệu và thành phần phụ chất lượng dữ liệu.

4. 
   1 Introduction
   

For each data quality element and subelement combination, an example data quality scope is given along with example dataset parameters. Then three data quality measures are shown, each designed to demonstrate a different way to evaluate quality. So the examples will be as complete as possible, a data quality date and conformance quality level are given. Finally, an interpretation of the data quality result is given as and example quality result meaning.

While the examples given in this annex are simple, it may be desirable to refer to them in profiles or other documents. Therefore, this annex has a data quality measure identification code which relates the example to the data quality element and data quality sub-element.

Bảng D.1 Đưa ra mối quan hệ của các thành phần chất lượng dữ liệu.

Để tiết kiệm không gian, mỗi thành phần chất lượng dữ liệu sẽ được đặt một tên rút gọn và sẽ được sử dụng trong phụ lục này.

Table D.1 gives the relationship of the data quality components.

1. 
   Tính đầy đủ
   
2. 
   Sự ổn định logic
   
3. 
   Độ chính xác vị trí
   
4. 
   Độ chính xác thời gian
   

1. 
   – bên trong (trực tiếp)
   
2. 
   – bên ngoài (trực tiếp)
   
3. 
   – gián tiếp
   

1. 
   – Biến Boolean
   
2. 
   – số
   
3. 
   – tỉ lệ
   
4. 
   – tỉ lệ phần trăm
   
5. 
   – mẫu
   
6. 
   – bảng
   
7. 
   – ảnh nhị phân
   
8. 
   – ma trận
   
9. 
   – trích dẫn (ISO 19115)
   
10. 
    – dạng văn bản
    
11. 
    – khác
    

1. 
   - Completeness
   
2. 
   - Logical consistency
   
3. 
   - Positional accuracy
   
4. 
   - Temporal accuracy
   

1. 
   - internal (direct)
   
2. 
   - external (direct)
   
3. 
   - indirect
   

1. 
   - Boolean variable
   
2. 
   - number
   
3. 
   - ratio
   
4. 
   - percentage
   
5. 
   - sample
   
6. 
   - table
   
7. 
   - binary image
   
8. 
   - matrix
   
9. 
   - citation (ISO 19115)
   
10. 
    - free text
    
11. 
    - other
    

Đầy đủ là sự hiện diện hay vắng mặt của các đối tượng, thuộc tính và mối quan hệ của chúng. Nó có các thành phần phụ sau đây:

- Đầy đủ: vượt quá dung lượng trong một tập dữ liệu;
- Không đầy đủ: dữ liệu không có trong một tập dữ liệu;
Bảng D.2 cung cấp một số ví dụ về các thành phần phụ.

Completeness is the presence or absence of features, their attributes and their relationships. It has the following sub-elements:

- Commission: excess data in a dataset;

- Omission: data absent from a dataset;