Archivo de la etiqueta: Gestión de datos de investigación

Evolución de la gestión de datos de investigación en bibliotecas universitarias: hacia una comprensión de la madurez del servicio de datos de investigación

PDFero13111articleart

Cox, A. M., M. A. Kennan, et al. “Developments in research data management in academic libraries: Towards an understanding of research data service maturity.” Journal of the Association for Information Science and Technology vol., n. (2017). pp. n/a-n/a. http://dx.doi.org/10.1002/asi.23781

PDF

Este artículo informa sobre un estudio internacional de actividades, servicios y capacidades de gestión de datos de investigación (RDM) en bibliotecas de educación superior. Presenta los resultados de una encuesta que abarca bibliotecas de educación superior en Australia, Canadá, Alemania, Irlanda, Holanda, Nueva Zelanda y el Reino Unido. Los resultados indican que las bibliotecas están liderando la Gestión de Datos de investigación (RDM), particularmente en la promoción y desarrollo de políticas.

Sin embargo, el desarrollo de servicios aún sigue siendo limitado, centrado especialmente en servicios de asesoramiento y consultoría (como el apoyo a la planificación de la gestión de datos y la formación relacionada con los datos), en lugar de servicios técnicos (como la provisión de un catálogo de datos y la conservación de datos activos). El desarrollo de destrezas en la recuperación de datos está en marcha en buena parte de las bibliotecas, pero como desarrollas las habilidades y capacidades en la sobre RDM sigue siendo una de las mayores preocupaciones al respecto. Otros retos importantes son los recursos necesarios para desarrollar las políticas de gestión de datos, el trabajo con otros servicios de apoyo y el apoyo de investigadores y altos directivos. Los resultados se comparan con los estudios previos con el fin de evaluar las tendencias y los niveles de madurez relativa. La gama de actividades de RDM exploradas en este estudio se sitúa en un “modelo de madurez paisajística“, que refleja los servicios de datos de investigación actuales y planificados y la práctica en bibliotecas universitarias, representando una “instantánea” de los desarrollos actuales y una base para investigaciones futuras.

Alfabetización informacional de datos: bibliotecarios, datos y educación para una nueva generación de investigadores

9781557536969_0

Carlson, J. and L. Johnston (2015). [e-Book] Data Information Literacy : Librarians, Data and the Education of a New Generation of Researchers. West Lafayette, IN Purdue University Press

Texto completo

Ante la creciente atención otorgada a la gestión, publicación y preservación de conjuntos de datos de investigación como uno de los principales activos académicos, debemos preguntarnos: ¿qué competencias requiere el trabajo con datos de investigación? ¿qué papel pueden jugar los bibliotecarios para ayudarles a alcanzar estas competencias? Al abordar estas preguntas, este libro articula un área emergente de oportunidades para bibliotecarios y otros profesionales de la información, desarrollando programas educativos que introducen a los estudiantes graduados en el conocimiento y las habilidades necesarias para trabajar con datos de investigación. El término “alfabetización informacional de datos” se ha adoptado con la intención deliberada de vincular dos áreas nuevos para los bibliotecarios. Al considerar la alfabetización de la información y los servicios de datos como actividades complementarias en lugar de actividades diferenciadas, las diferentes contribuciones a este trabajo tienen como objetivo aprovechar los progresos realizados y las lecciones aprendidas en cada área de servicio.

Servicios de datos de investigación. especial IFLA journal

 

whatisdigitalpreservation_hvaderdigitalbevaring_digitalpreservation

Research Data Services

Año 2016, Vol. 42, Número 4.

Texto completo

IFLA Journal. Volume 43 Number 1 March 2017

Texto completo

Las bibliotecas y archivos de todo el mundo están adquiriendo nuevas habilidades y aplicando los principios de la biblioteconomía y de la archivística para resolver problemas y proporcionar nuevos servicios relacionados con la gestión de datos de investigación (GDI). Los bibliotecarios están ayudando a los investigadores a definir y abordar las necesidades respecto a la gestión de datos a lo largo del ciclo de vida de los datos, realizando evaluaciones y divulgación, diseñando planes de gestión de datos y metadatos, e incorporando la gestión de datos en las tareas de alfabetización informativa, además de proporcionar soluciones relativas a la publicación y preservación de datos creando guías web y tutoriales, capacitando a otros colegas dentro y más allá de la biblioteca, contribuyendo a discusiones relacionadas con los datos de investigación, e incluyendo el desarrollo y planificación de políticas y, en algunos casos, participando directamente con los investigadores en proyectos intensivos en datos. Así, de esta manera las bibliotecas colaboran estrechamente con el investigador, así como con otras unidades de su institución, tales como servicios de TIC, oficinas de investigación y agencias de financiación de investigación.

La motivación central de los dos números especiales de IFLA Journal dedicados a Gestión y Servicios de Datos de Investigación (GDI) es proporcionar ejemplos concretos de actividades de datos de investigación en bibliotecas, respondiendo a algunas preguntas tales como:

1. Requerimiento de análisis: ¿Cómo pueden ayudar las bibliotecas a los investigadores en la GDI?
2. Desarrollo de habilidades: ¿Qué habilidades necesita el personal de la biblioteca para proporcionar esta ayuda?
3. Provisión de servicios: ¿Cómo diseñan y ofrecen las las bibliotecas servicios de datos?
4. Alfabetización de datos: ¿Cómo pueden fomentar las bibliotecas la GDI?

Estas preguntas se tratan diferentes dimensiones: (A) geográficamente pueden ser a nivel local, nacional o incluso internacional, (b) disciplinariamente, pueden abarcar temas genéricos, ser interdisciplinarios o relacionarse con una sola disciplina, y (c) funcionalmente, pueden ir desde una simple referencia, a servicios de indexación y archivado; o incluso complejos servicios analíticos.

Los temas principales que se tienen en cuenta incluyen la evaluación de las necesidades y prácticas de los investigadores, la capacitación de bibliotecarios, ejemplos de diferentes servicios de datos y enfoques para diseñarlos y ofrecerlos, así como la alfabetización sobre información de datos. Los documentos se presentan en este orden como una progresión razonable que muchas bibliotecas están llevando a cabo: identificar las necesidades relacionadas con los datos de la investigación, aprender las habilidades necesarias para ayudar a satisfacer  estas necesidades, y a continuación, diseñar y ofrecer servicios de datos.

Sumario IFLA Journal. Año 2016, Vol. 42, Número 4. 

HICKSON, S., K. A. POULTON, M. CONNOR, J. RICHARDSON, et al. Modifying researchers’ data management practices: A behavioural framework for library practitioners. IFLA Journal, // 2016, 42(4), 253-265. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.
KARCHER, S., D. KIRILOVA AND N. WEBER Beyond the matrix: Repository services for qualitative data. IFLA Journal, // 2016, 42(4), 292-302. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.
KOLTAY, T. Data governance, data literacy and the management of data quality. IFLA Journal, // 2016, 42(4), 303-312. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.
LASSI, M., M. JOHANSSON AND K. GOLUB Research data services: An exploration of requirements at two Swedish universities. IFLA Journal, // 2016, 42(4), 266-277. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.
MACY, K. V. AND H. L. COATES Data information literacy instruction in Business and Public Health: Comparative case studies. IFLA Journal, // 2016, 42(4), 313-327. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.
SESARTIC, A. AND M. TÖWE Research Data Services at ETH-Bibliothek. IFLA Journal, // 2016, 42(4), 284-291. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.
VERBAKEL, E. AND M. GROOTVELD ‘Essentials 4 Data Support’: Five years’ experience with data management training. IFLA Journal, // 2016, 42(4), 278-283. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-42-4_2016.pdf&gt;.

El segundo volumen aborda la cuestión del análisis de los requisitos, examina la sostenibilidad de los resultados de la investigación.

Sumario IFLA Journal. Volume 43 Number 1 March 2017:

BURGI, P.-Y., E. BLUMER AND B. MAKHLOUF-SHABOU Research data management in Switzerland: National efforts to guarantee the sustainability of research outputs. IFLA Journal, // 2017, 43(1), 5-21. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

CLEMENT, R., A. BLAU, P. ABBASPOUR AND E. GANDOUR-ROOD Team-based data management instruction at small liberal arts colleges. IFLA Journal, // 2017, 43(1), 105-118. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

CONRAD, S., Y. SHORISH, A. L. WHITMIRE AND P. HSWE Building professional development opportunities in data services for academic librarians. IFLA Journal, // 2017, 43(1), 65-80. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

CUSHING, A. L. AND O. DUMBLETON ‘We have to make an effort with it’: Exploring the use of stages to help understand the personal information management needs of humanities and social science doctoral students managing dissertation information. IFLA Journal, // 2017, 43(1), 40-50. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

DE GIUSTI, M. R., G. L. VILLARREAL, C. J. NUSCH, A. V. PINTO, et al. Open access and open data on natural disasters. IFLA Journal, // 2017, 43(1), 81-88. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

HORSTMANN, W. AND M. WITT Libraries tackle the challenge of research data management. IFLA Journal, // 2017, 43(1), 3-4. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

RENWICK, S., M. WINTER AND M. GILL Managing research data at an academic library in a developing country. IFLA Journal,  2017, 43(1), 51-64. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

TRIPATHI, M., M. CHAND AND S. K. SONKAR A brief assessment of researchers’ perceptions towards research data in India. IFLA Journal, // 2017, 43(1), 22-39. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

VAN LOON, J. E., K. G. AKERS, C. HUDSON AND A. SARKOZY Quality evaluation of data management plans at a research university. IFLA Journal, // 2017, 43(1), 98-104. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

WITTENBERG, J. AND M. W. ELINGS Building a Research Data Management Service at the University of California, Berkeley: A tale of collaboration. IFLA Journal, // 2017, 43(1), 89-97. <https://www.ifla.org/files/assets/hq/publications/ifla-journal/ifla-journal-43-1_2017.pdf&gt;.

La ciencia de los datos abiertos se está comiendo el mundo

 

33358449395_5a80be33d9_o_d

Chambers, M., C. Doig, et al. (2016). [e-Book] Breaking Data Science Open How Open Data Science Is Eating the World. Sebastopol, CA, O’Reilly Media, 2016.

Texto completo

La ciencia de los datos está captando la atención del todos como la tendencia tecnológica más importante en estos momentos. Ya no es sólo una palabra de moda para referirse al software analítico avanzado; la ciencia de los datos está a punto de cambiar todos los aspectos clave de cualquier organización: los clientes potenciales, los planes de expansión, la ingeniería y proceso de fabricación, cómo se interactúa con los proveedores y y otras cuestiones.

La ventaja principal de este tsunami llamada Open Data Science, es una combinación de tendencias innovadoras en los negocios y la tecnología, que promete un futuro más inteligente basado en la combinación de software de código abierto y colaboración entre organizaciones. Open Data Science es un movimiento que hace que las herramientas de código abierto y la ciencia de datos (datos, análisis y computación) trabajen juntas como si fueran un ecosistema.

En esta edición  de Breaking Data Science Open, aprenderá:

  • Cómo la ciencia de los datos entró en los negocios
  • Qué equipos utiliza la ciencia de datos
  • Por qué la ciencia de los datos cambiará la toma de decisiones
  • Qué aplicaciones se utilizan actualmente en la ciencia de los datos abiertas
  • Cómo iniciar el proceso de gestión de datos

Reutilización de datos de investigación: análisis de confianza y fiabilidad de los datos

trust-data

Yoon, A. “Data reusers’ trust development.” Journal of the Association for Information Science and Technology vol., n. (2016). pp.: http://doi.wiley.com/10.1002/asi.23730

La reutilización de datos se refiere al uso secundario de datos, no para su propósito original sino para estudiar nuevos problemas. Aunque la reutilización de datos aun no es de uso común en todas disciplina, los beneficios de la reutilización de datos compartidos han sido ratificados por diferentes organizaciones y grupos de investigadores, siendo una preocupación importante en muchas disciplinas. El reto que se plantea en torno a la cuestión es la fiabilidad de los datos y los perrjuicios derivados del uso de datos de baja caldiad

La valoración de los datos es uno de los grandes retos de cara a su reutiilizacón, esta cuestión se ha puesto de relieve sobre todo en los últimos años, que han aumentado las iniciativas de puesta en marcha de repositorios de datos de investigación; en los que se plantea la cuestión relativa a la confiabilidad de los datos, sobre todo debido a la falta de estándares para asegurar la calidad de los datos y los posibles daños derivados del uso de datos de baja calidad.

Esta investigación explora muchas facetas en torno a la fiabilidad que tienen los reutilizadores de datos cuando usan datos generados por otros investigadores, centrándose en el proceso de juicio de confianza y que factores críticos son los que determinan la confianza en los datos. El autor adoptó un enfoque cualitativo interpretativo mediante el uso de entrevistas semiestructuradas en profundidad como método de investigación principal.

Los resultados del estudio sugieren diferentes etapas de desarrollo en la generación de la confianza asociada a el proceso de reutilización de datos. La confianza de los reutilizadores en un sitios de alojamiento de daros de investigación se genera fundamentalmente a partir de las propias experiencias de los investigadores que utilizan estos datos, pero hay que tener en cuenta que esta fiabilidad es fluctuante, ya que puede ser formada, perdida, rechazada y recuperada durante sus experiencias de reutilización de datos. Estas etapas reflejan la naturaleza dinámica de la confianza.

Open Data el portal de datos abiertos de investigación del CERN

codp_visualise

La Organización Europea para la Investigación Nuclear, comúnmente conocida por la sigla CERN, es el mayor laboratorio de investigación en física de partículas del mundo. El CERN dispone de un repositorio de datos abiertos “Open Data” que facilita la consulta de los datos de las investigaciones realizadas en este importante laboratorio europeo de investigación de físca de partículas.

http://opendata.cern.ch

El portal CERN Open DataOpen Data es el punto de acceso a una creciente gama de datos producidos de la investigación realizada en el CERN. En este portal se pone a disposición del publico investigador la producción preservada de diversas actividades de investigación, incluido el software y la documentación complementaria necesarioa para comprender y analizar los datos que se comparten.

El portal se adhiere a los estándares mundiales establecidos en la preservación de los datos y la Ciencia Abierta: los productos son compartidos bajo licencias abiertas; y se les otorga un identificador de objeto digital (DOI) que permite la vinculación permanente a los registros para convertirlos en objetos citables.

Los datos producidos por los experimentos del LHC, generalmente se clasifican en cuatro niveles diferentes (Grupo de Estudio DPHEP, 2009) . El portal Open Data se enfoca en la liberación de datos de nivel 2 y 3. Los datos de nivel 1 comprenden datos que están directamente relacionados con publicaciones que proporcionan documentación para los resultados publicados. Los datos de nivel 2 incluyen formatos de datos simplificados para el análisis en ejercicios de difusión y enseñanza. Los datos de nivel 3 incluyen datos reconstruidos y simulaciones, así como el software de nivel de análisis para permitir un análisis científico completo. El nivel 4 cubre los datos básicos de nivel bruto (si aún no están cubiertos como datos de nivel 3) y su software asociado que permite el acceso al potencial completo de los datos experimentales.

Una guía para mejorar la integridad y gestión de datos de investigación

cat

Roper, J. [e-Book] A Guide to Improving Data Integrity and Adoption: a Case Study in Verifying Usage Data. London, O’Really, 2016.

Texto completo

ePub

Mobi

PDF

Para la mayoría de entidades de investigación y empresas, los datos de calidad son fundamentales para medir el éxito y planificar los objetivos. Pero lograr la exactitud de los datos y la integridad puede ser una tarea desalentadora dada la naturaleza desordenada de los datos en bruto. ¿De qué manera se puede confiar en que los datos de origen son exactos? ¿Qué datos deben ser excluidos? ¿Qué pasos se deben tomar para asegurar que todos los datos se transforman correctamente?

Este informe presenta un estudio de caso de un proyecto de gestión de datos intensivos (Big Data) Spiceworks, la vibrante red, la comunidad línea y el mercado para profesionales de TICs. La autora Jessica Roper, desarrolladora senior en la división de análisis de datos de Spiceworks, demuestra formas de pensar en la verificación, procesamiento, análisis y automatización de datos. Además de ser una guía de herramientas para:

  • Determinar si los datos que recopila y utiliza son fiables y precisos.
  • Comprender lo que implica investigar los datos para verificar su fiabilidad.
  • Aprender estrategias y casos de prueba para verificar fuentes de datos sin procesar y trabajar con transformaciones de datos.
  • Familiarizarse con los datos de cada capa y crear pruebas entre cada transformación para garantizar la coherencia.
  • Entender qué casos , qué tendencias y valores esperamos obtener.
  • Monitorización de datos para identificar anomalías y problemas del sistema.
  • Automatizar las pruebas de proceso y aceptación para supervisar y garantizar la fiabilidad de los datos.
  • Trabajar con otros equipos y grupos para mejorar y validar la exactitud de los datos.
  • Aumentar la adopción mediante el uso de datos para medir el éxito.