Archivo de la etiqueta: Gestión de datos de investigación

La importancia de depositar los datos de investigación para maximizar el impacto

What a difference a data repository makes: Six ways depositing data maximizes the impact of your science. Plos Blog, October 18, 2021 Lindsay Morton Open Access Open Data

Texto original

Los datos son la clave para la verificación, la replicación, la reutilización y la mejor comprensión de las conclusiones de la investigación. Cuando los datos están en un repositorio su impacto y su relevancia se magnifican. He aquí seis formas en las que poner los datos en un repositorio público puede ayudar a que la investigación tenga mayor visibilidad.

1 – Los datos que están en un repositorio público nunca se pierden

¿Alguna vez has perdido la pista de un conjunto de datos de tu investigación? Tal vez hayas actualizado tu ordenador o te hayas trasladado a una nueva institución. Tal vez hayas borrado un archivo por error, o simplemente no recuerdes el nombre del archivo que estás buscando. Sea cual sea la causa, la pérdida de datos puede resultar embarazosa y requerir mucho tiempo de búsqueda. No puedes proporcionar la información solicitada por las revistas durante el proceso de revisión o a los lectores después de la publicación. Es imposible realizar futuros metaanálisis o revisiones sistemáticas. Y es posible que tengas que rehacer los experimentos para poder avanzar en tu línea de investigación. Con los datos depositados de forma segura en un repositorio con un DOI único para su seguimiento, normas de archivo para evitar su pérdida, y materiales de metadatos, saber que tus datos se utilizan correctamente, cumplir con las solicitudes de las revistas o revisar trabajos anteriores es fácil.

2 – Los repositorios públicos de datos apoyan la comprensión, el reanálisis y la reutilización

La publicación transparente de los datos brutos en un repositorio público favorece una investigación científica fiable y reproducible. El conocimiento de los datos y el análisis permite a los lectores comprender mejor los artículos de investigación publicados. Ofrecer la oportunidad de que otros interpreten los resultados demuestra integridad y abre nuevas vías de debate y colaboración. Un formato de los datos legibles por máquina permite incorporar el trabajo a futuras revisiones sistemáticas o metaanálisis, ampliando su utilidad.

3 – Los repositorios públicos de datos facilitan el descubrimiento

Incluso los mejores datos no se pueden utilizar si no se pueden encontrar. Los metadatos detallados, la indexación de las bases de datos y los enlaces bidireccionales hacia y desde artículos relacionados ayudan a que los datos de los repositorios públicos sean fácilmente buscables, de modo que lleguen a los lectores que más los necesitan, maximizando el impacto y la influencia del estudio en su conjunto.

4 – Los repositorios públicos de datos reflejan el verdadero valor de los datos

Los datos no deben tratarse como un producto secundario de un artículo de investigación. Los datos son investigación. Y los investigadores merecen el crédito académico por recopilar, capturar y conservar los datos que generan con tu trabajo. Los repositorios públicos ayudan a ilustrar la verdadera importancia y la relevancia duradera de los conjuntos de datos asignándoles su propio y único DOI, distinto del de los artículos de investigación relacionados, para que los conjuntos de datos puedan acumular citas por derecho propio.

5 – Los datos públicos demuestran el rigor

No hay mejor manera de ilustrar el rigor de los resultados que explicar exactamente cómo los has obtenido. Compartir los datos le permite demostrar tu credibilidad e inspira confianza en los lectores al contextualizar los resultados y facilitar la reproducibilidad.

6 – La investigación con datos en repositorios de datos públicos atrae más citas

Un estudio realizado en 2020 sobre más de 500.000 artículos de investigación publicados descubrió que los artículos que enlazan con datos en un repositorio público tienen una tasa de citación un 25% más alta de media que los artículos en los que los datos están disponibles a petición o como información de apoyo. Las razones exactas de esta asociación siguen sin estar claras. ¿Son los investigadores que depositan datos cuidadosamente curados en un repositorio también más dados a producir una investigación rigurosa y digna de ser citada? ¿Los investigadores que tienen tiempo y recursos para dedicar a la conservación y el depósito de datos están más consolidados en sus carreras y, por tanto, son más citados? ¿Son los lectores más propensos a citar la investigación cuando confían en que pueden verificar las conclusiones con datos? ¿Quizás una combinación?

ACRL y PLA lanzan Benchmark, una herramienta de análisis de datos para bibliotecas

ACRL and PLA Launch Benchmark, a Library Data Analysis Tool
by Matt Enis Library Journal, Nov 09, 2021

Ver completo

The Association of College & Research Libraries (ACRL) and Public Library Association (PLA) han lanzado Benchmark: Library Metrics and Trends, un nuevo recurso digital de análisis y visualización de datos diseñado para «ayudar a las bibliotecas a planificar, tomar decisiones informadas y contar la historia de su impacto», según un anuncio conjunto, la herramienta se basa en una recopilación centralizada de datos procedentes de diversas fuentes. En el caso de las bibliotecas públicas, incluye encuestas de la APA, datos del censo de Estados Unidos y datos y encuestas del Instituto de Servicios de Museos y Bibliotecas (IMLS). Las bibliotecas universitarias también tienen acceso a los datos de la encuesta de tendencias y estadísticas de las bibliotecas universitarias de la ACRL.

Benchmark sustituye a Public Library Data Service (PLDS), que se interrumpió en 2019 tras las peticiones del ámbito bibliotecario «para obtener mejores datos de comparación entre bibliotecas, interfaces fáciles de usar para el análisis de datos y la presentación de informes, menos redundancia en la recopilación de datos y una mejor formación de datos relacionados con los indicadores de la comunidad», según el anuncio. En respuesta a estas necesidades, Evaluation, and Assessment Committee de PLA invirtió en el desarrollo de Benchmark, que comenzó hace más de dos años.

Todas las bibliotecas públicas tendrán acceso gratuito a páginas de resumen con métricas y visualizaciones seleccionadas para la biblioteca, su principal grupo de pares y todas las bibliotecas del país. Otras características, como un sólido conjunto de paneles de datos interactivos con visualizaciones y filtros. Un generador de informes personalizados que incluye métricas históricas [desde 2002 para las bibliotecas públicas y desde 1998 para las académicas]. Y la posibilidad de crear grupos de pares personalizados para la evaluación comparativa.

El estado de la transformación digital en 2021: aprendizajes e ideas clave de 10 años de transformación digital

The 2021 State of Digital Transformation: Key Learnings and Insights From 10 Years of Digital Transformation. Altimeter, Prophet, 2021

Texto completo

En el informe de este año sobre el estado de la transformación digital, nuestro objetivo es identificar las diferencias clave entre las empresas que han tenido éxito en la transformación digital y las que siguen teniendo problemas. Hemos encuestado a 587 ejecutivos de EE.UU., Europa y China, de diversos sectores, para poner de relieve no solo sus capacidades digitales actuales, sino las inversiones y decisiones clave que les han llevado hasta donde están. Al separar las respuestas de las empresas de alto rendimiento y las de rendimiento medio, identificamos se identificaron las características clave de las empresas que cumplieron con éxito sus objetivos de transformación.

Este informe sirve como punto de referencia para lo que es la madurez digital en 2021 y traza un camino para las empresas que buscan prosperar en la próxima ola de iniciativas de transformación digital.

Las principales conclusiones son las siguientes:

  • El crecimiento y la innovación fueron los principales objetivos de transformación para las empresas de mayor rendimiento, mientras que las empresas de rendimiento medio citaron la modernización y la eficiencia como sus principales objetivos.
  • La mayoría de las empresas utilizaron un enfoque de transformación holístico o coordinado simultáneamente para transformar la organización, en lugar de transformar los departamentos de forma aislada o secuencial.
  • La COVID-19 redujo los presupuestos y recursos para la transformación, pero no frenó los programas de transformación. De hecho, en el caso de las empresas de alto rendimiento, aceleró los esfuerzos de transformación.
  • Las empresas con transformaciones exitosas eran mucho más propensas a priorizar las iniciativas de gestión de datos, innovación, experiencia del cliente y experiencia del empleado, en comparación con las empresas promedio.
  • Las transformaciones lideradas por un CEO tienen más éxito que las lideradas por otros cargos
  • Las empresas digitalmente maduras buscan invertir en el aprovechamiento de los datos, la optimización de las experiencias de los clientes y los empleados, y la creación de asociaciones y redes externas para prepararse para la siguiente fase de transformación.

Métricas para repositorios de datos y bases de conocimiento

“Metrics for Data Repositories and Knowledgebases: Working Group Report” NIH, 2021

Texto completo

Este informe presenta los resultados de una exploración del panorama actual de las métricas de los repositorios de datos biomédicos de datos biomédicos realizado por el Grupo de Trabajo NIH Lifecycle and Metrics Working Group and the NIH Metrics for Repositories (MetRe) Working Group. Los grupos de trabajo (WG) reunieron información de la comunidad de repositorios de datos biomédicos mediante un proceso de dos partes. En la primera fase, el grupo de trabajo MetRe identificó varios repositorios financiados por NIH y desarrolló una lista de métricas que se recogen con mayor frecuencia. Esta lista de Esta lista de métricas se utilizó para desarrollar un instrumento de encuesta que el grupo de trabajo sobre el ciclo de vida y las métricas utilizó para recoger las aportaciones de la comunidad de repositorios biomédicos en general en la fase 2. Este informe describe los resultados de estas dos actividades, proporcionando información sobre el estado actual de los datos y datos y métricas de los repositorios en la comunidad de la investigación biomédica y complementa los esfuerzos en curso en la en la comunidad de métricas más amplia.Este informe incluye las aportaciones de los representantes de 13 repositorios de los NIH de la fase 1 y de 92 gestores de repositorios de la fase 2. en la fase 2. Las métricas que estos encuestados declararon utilizar se dividen en varias categorías generales categorías amplias, incluyendo (de la más a la menos común) Características del comportamiento del usuario, Contribución/impacto Contribución/Impacto Científico, y Operaciones del Repositorio, y los encuestados de los dos grupos reportaron patrones similares en las métricas que recogen. La mayoría de los encuestados en la fase 2 (77%) también indicaron compartir los datos de sus métricas, un hallazgo alentador dado que dichas métricas pueden ser útiles a los NIH para comprender mejor cómo se utilizan los conjuntos de datos y los repositorios. Muchos de los encuestados de ambos grupos informaron de que utilizaban Google Analytics para recopilar métricas, principalmente en las áreas de de comportamiento de los usuarios, dada su facilidad de uso y su capacidad para realizar un seguimiento preciso de dichas métricas. Sin embargo, muchos de los encuestados también indicaron que les gustaría recopilar métricas adicionales, pero que actualmente no lo hacen o no pueden hacerlo debido a la falta de herramientas para ello.

Los resultados de este informe proporcionan una mejor comprensión de las métricas utilizadas actualmente en la comunidad de repositorios biomédicos, lo que puede informar sobre los futuros esfuerzos de los NIH para ayudar a desarrollar este espacio y para comprender los patrones de uso entre los conjuntos de datos y los repositorios. Los NIH también deberían estar al tanto de de los desarrollos en la comunidad más amplia de métricas de repositorios para asegurar la alineación.

Guía sobre la alfabetización de datos para principiantes

A Beginner’s Guide to Data & Analytics, London: Harvard Business School, 2021

Texto completo

Con este libro electrónico, obtendrás una introducción a la alfabetización de datos que puede ponerle en el camino de ser un profesional orientado a los datos. Entrar en el espacio de los datos como un principiante puede parecer desalentador, pero con el conocimiento básico, puedes comprender la alfabetización de datos y aprovechar el poder de los datos para el éxito de tu organización.

Inteligencia artificial, robótica y ciencia de los datos

Sara Degli Esposti; Carles Sierra. Artificial intelligence, robotics & data science.  Madrid : Consejo Superior de Investigaciones Científicas, 2021

Texto completo

El libro blanco del CSIC sobre Inteligencia Artificial, Robótica y Ciencia de Datos esboza una hoja de ruta preliminar para abordar los actuales retos de I+D asociados a las máquinas automatizadas y autónomas. En ocho capítulos se presentan más de 50 retos de investigación investigados en toda España por más de 150 expertos del CSIC. El capítulo uno introduce conceptos clave y aborda la cuestión de la integración del conocimiento (representación), el razonamiento y el aprendizaje en el diseño de entidades artificiales. El capítulo dos analiza los retos asociados al desarrollo de teorías -y tecnologías de apoyo- para modelar el comportamiento de los agentes autónomos. En concreto, presta atención a la interacción entre los elementos a nivel micro (las interacciones individuales de los agentes autónomos) con el mundo macro (las propiedades que buscamos en las sociedades grandes y complejas). Mientras que el capítulo tres analiza la variedad de aplicaciones de la ciencia de datos que se utilizan actualmente en todos los campos de la ciencia, prestando especial atención a las técnicas de aprendizaje automático (ML), el capítulo cuatro presenta el desarrollo actual en diversas áreas de la robótica. El capítulo cinco explora los retos asociados a los modelos cognitivos computacionales. El capítulo seis presta atención a los retos éticos, legales, económicos y sociales que acompañan al desarrollo de los sistemas inteligentes. El capítulo siete aborda el problema de la sostenibilidad medioambiental del despliegue de sistemas inteligentes a gran escala. Por último, el capítulo ocho aborda la complejidad de garantizar la seguridad, la resistencia y la protección de la privacidad de los sistemas inteligentes frente a las ciberamenazas.

Capacidad de los datos de investigación de resultados centrada en el paciente

National Academies of Sciences, Engineering, and Medicine. Building Data Capacity for Patient-Centered Outcomes Research: Interim Report One – Looking Ahead at Data Needs. The National Academies Press, 2021.

Texto completo

La Oficina del Subsecretario de Planificación y Evaluación (ASPE), en colaboración con otras agencias y divisiones del Departamento de Salud y Servicios Humanos de los Estados Unidos, coordina una cartera de proyectos que crean capacidad de datos para llevar a cabo una investigación de resultados centrada en el paciente (PCOR). La investigación de resultados centrada en el paciente se centra en la producción de pruebas científicas sobre la eficacia de las opciones de prevención y tratamiento para fundamentar las decisiones de atención sanitaria de los pacientes, las familias y los proveedores de atención sanitaria, teniendo en cuenta las preferencias, los valores y las preguntas a las que se enfrentan los pacientes a la hora de elegir la atención sanitaria.

ASPE pidió a las Academias Nacionales que nombraran un comité de estudio de consenso para identificar cuestiones críticas para el desarrollo continuo de la infraestructura de datos para el PCOR. El trabajo del comité contribuirá al desarrollo por parte de ASPE de un plan estratégico que guiará su trabajo relacionado con la capacidad de datos del PCOR durante la próxima década.

Como parte de sus actividades de recopilación de información, el comité organizó tres talleres para recoger las aportaciones de las partes interesadas en la infraestructura de datos del PCOR. El presente informe, el primero de una serie de tres informes provisionales, resume el debate y las conclusiones del comité del primer taller, centrado en las necesidades de los usuarios de datos durante la próxima década. En el taller participaron representantes de grupos de pacientes con un amplio alcance e investigadores con amplios intereses de investigación, así como un conocimiento de la infraestructura del PCOR.

Conferencia: Gestión de datos de investigación (GDI)

Julio Alonso-Arévalo. Conferencia: Gestión de datos de Investigación el día 30 de septiembre de 2021 a las 11:00 hs. Argentina, 16:00 hs. España. Asociación Bibliotecarios de Córdoba (A.B.C.) (Argentina

La sociedad TIC necesita, hace uso y proporciona de una enorme cantidad de datos; procesarlos, entenderlos y transformarlos en decisiones de valor es el reto del análisis de los llamados «big data», un término utilizado para referirse a la explosión de una ingente cantidad y diversidad de datos digitales de alta frecuencia, que se están convirtiendo en un elemento esencial para la competencia, y que según la mayoría de los expertos en el tema serán clave para el crecimiento de la productividad, la innovación y la posibilidad de generar el suficiente excedente para la sostenibilidad de la sociedad. La gestión de los datos de investigación se plantea como uno de los grandes retos que han de asumir durante los próximos años las bibliotecas científicas y de investigación. Ya la mitad de las universidades estadounidenses tienen un plan de trabajo sobre esta cuestión, todos los informes de tendencias están de acuerdo en que la Gestión de Datos de Investigación (RDM) será una de las cuestiones prioritarias y de futuro que deberán asumir las bibliotecas de investigación. En este artículo se hace un análisis del estado de la cuestión sobre la gestión de datos de investigación, normativa, repositorios de datos, prácticas y políticas que están desarrollando las bibliotecas en torno al tema.

Del acceso abierto a la ciencia abierta: el punto de vista de un editor científico

Penev, Lyubomir. «From Open Access to Open Science from the Viewpoint of a Scholarly Publisher». Research Ideas and Outcomes, vol. 3, Pensoft Publishers, febrero de 2017, p. e12265. riojournal.com, https://doi.org/10.3897/rio.3.e12265.

Texto completo

El modelo de publicación de acceso abierto provocó cambios drásticos en la forma en que los científicos comunican sus resultados. El acceso abierto también desafió los modelos de negocio tradicionales de las editoriales académicas que se han mantenido durante cientos de años. Sin embargo, el acceso abierto al contenido de los artículos pronto pareció insuficiente en lo que respecta al acceso a los datos subyacentes. La apertura de los datos de investigación fue la segunda etapa lógica de este desafío, que pronto se incluyó en la agenda de las comunidades científicas, las organizaciones de financiación y los gobiernos. Los datos abiertos, por sí mismos, plantearon la cuestión de cómo podemos reutilizar los datos y reproducir los resultados de la investigación, cómo de transparente es la revisión por pares y, más en general, cómo se realiza la evaluación científica. Con el tiempo, estos y otros desarrollos similares se transformaron en lo que ahora llamamos «ciencia abierta» o, en términos más generales, en la transformación de la investigación en un esfuerzo principalmente colaborativo en lugar de competitivo.

Guía práctica para la alineación internacional de la gestión de datos de investigación

Practical Guide to the International Alignment of Research Data Management – Extended Edition. Science Europe, 2021

Texto completo

Este recurso ofrece una guía específica para organizaciones, comunidades científicas e investigadores individuales, para organizar los datos de investigación y preservarlos adecuadamente.

Publicada originalmente en 2019, y tras su exitosa aceptación por parte de muchas organizaciones, la edición ampliada presenta una rúbrica completamente nueva para facilitar la evaluación de un plan de gestión de datos (DMP). La guía también presenta los requisitos básicos para los DMP, los criterios para la selección de repositorios confiables y la orientación para que los investigadores cumplan con los requisitos de la organización.

Science Europe trabajará para promover estos requisitos con el fin de garantizar que sean aceptados por el mayor número posible de partes interesadas.