Koppelen 910Leon Willenborg en Nico Heerschap - CBS

niet zozeer om de mate waarin strings van elkaar verschillen, maar om de mate waarin de
betekenissen van de strings verschillen van elkaar. Dit is bijvoorbeeld het geval bij beroepen. De
woorden (begrippen) ‘leraar’ en ‘docent’ verschillen behoorlijk van elkaar als men naar de letters
kijkt die erin voorkomen, maar qua betekenis liggen ze dicht bij elkaar, of kunnen zelfs als gelijk
worden beschouwd. Het gaat om een ander afstandsbegrip dan het hiervoor besproken
afstandsbegrip. Het gaat nu om de betekenis of semantiek geassocieerd met de strings opgevat als
woorden of begrippen. Eenzelfde verschil krijgen we als we niet op de schrijfwijze van strings
letten, maar op de uitspraak. Namen als ‘Taylor’ en ‘Teler’ liggen fonetisch gezien dicht bij elkaar.
In beide gevallen meten we niet de afstand van twee strings s,t met behulp van een metriek d, dus
d ( , ts ) , maar van D ( f ( s),
( tf )) , waar f : S → T een afbeelding is van de verzameling S van
strings naar een ruimte T van betekenissen, of klanken etc. met D een metriek op T.
Een metriek is een voorbeeld van een functie die gebruikt kan worden om koppelgewichten uit te
rekenen. Deze koppelgewichten kunnen gebruikt worden om de sterkte van een kandidaatkoppeling
tot uitdrukking te brengen. In de praktijk hoort hier nog bij dat men met cut-off-waarden
moet werken: koppelingen die te zwak zijn in termen van het bijbehorende koppelgewicht worden
beschouwd als zijnde geen koppelkandidaten. Het is de kunst om dergelijke cut-off-waarden goed
in te stellen: niet zodanig dat men te veel irrelevante matches mee neemt, maar wel zodanig dat de
correcte matches niet gemist worden. In de praktijk vergt dit experimenteren met diverse
instellingen van de cut-off-waarden.
Andere mogelijkheden om tot koppelgewichten te komen dan met behulp van metrieken worden in
paragraaf 7.3.1 besproken. Alle overwegingen om koppelgewichten te gebruiken dienen te zijn
ingegeven door de processen of mechanismen die tot verschillen in de data aanleiding hebben
geven, of zouden kunnen geven. Dat kunnen verschrijvingen zijn (‘Jansen’ in plaats van ‘Janssen’,
of het gebruik van alternatieve aanduidingen als die vrijheid bestaat (bij adressen: ‘Dorpsstr.’ in
plaats van ‘Dorpsstraat’; bij beroepen: ‘docent’, ‘leerkracht’, ‘onderwijzer’, ‘leraar’ duiden
allemaal vergelijkbare functies aan in het onderwijs). Men dient daarom een grondige kennis te
hebben over de wijze waarop de te koppelen bestanden zijn samengesteld. Daarnaast kan het zijn
dat niet precies dezelfde koppelvariabelen worden gebruikt in beide bestanden, of dat de scores niet
betrekking hebben op hetzelfde moment in de tijd. Hierdoor kunnen kenmerken van een entiteit
(individu, bedrijf, etc.) veranderd zijn.
7.3 Uitgebreide beschrijving
7.3.1 Berekening van koppelgewichten
Er zijn verschillende manieren om koppelgewichten te bepalen die gebruikt kunnen worden in een
koppelprobleem. Een aantal van die manieren bespreken we hier. De opsomming is niet uitputtend,
maar geeft wel een aantal belangrijke voorbeelden. Deze koppelgewichten worden gebruikt bij het
koppelen, als de informatie over de ‘koppelkandidatuur’ van twee records niet tweewaardig wordt
weergegeven (‘wel’, ‘niet’ koppelkandidaat) maar met meer nuance. De mate waarin twee records
bij elkaar passen kan in een koppelgewicht tot uitdrukking worden gebracht.
In de bespreking in de onderstaande paragrafen beschouwen we steeds twee bestanden, A en B, met
records, waarvoor er gemeenschappelijke koppelvariabelen n v v 1,...,
bestaan die samen de
koppelsleutel vormen, op basis waarvan de records in beide bestanden gekoppeld worden.
50