Archivo de la etiqueta: Gestión de datos de investigación

Marcos de políticas de datos de investigación de revistas

“Journal Research Data Policy Frameworks – The Value of RDA for Policy”

Research Data Alliance. 2025. Journal Research Data Policy Frameworks: The Value of RDA for Policy. White Paper Series. Agosto. Research Data Alliance. https://www.rd-alliance.org/wp-content/uploads/2025/08/Journal_Research_Data_Policy_Frameworks_The-Value-of-RDA-for-Policy.pdf

“Journal Research Data Policy Frameworks – The Value of RDA for Policy” forma parte de la serie de white papers de la Research Data Alliance (RDA) y fue publicado en agosto de 2025. Surge de los talleres organizados en mayo del mismo año, cuyo objetivo era mostrar el impacto de las recomendaciones de la RDA en la formulación de políticas de investigación, particularmente en lo relativo a la gestión de datos en revistas académicas.

El Journal Research Data Policy Framework se presenta como una herramienta estandarizada para ayudar a revistas y editores a crear o mejorar sus políticas de datos. Este marco ofrece claridad sobre las expectativas de publicación, refuerza prácticas ya asentadas en diversas disciplinas y favorece la reproducibilidad, visibilidad y citación de los resultados científicos. Además, simplifica la implementación para los editores, al proporcionar una estructura común pero adaptable a las necesidades de cada área del conocimiento.

Su valor radica en que las políticas de datos en revistas integran normas consistentes dentro de las instrucciones para autores, alineándose con los requisitos de financiadores e instituciones en momentos clave del ciclo de investigación. Entre los beneficios que aporta destacan: la definición clara de cuándo y cómo compartir datos, la extensión de buenas prácticas disciplinares, el aumento del impacto científico gracias a la reutilización y revisión de datos, y la reducción de la carga administrativa al contar con un marco estándar y flexible.

El marco fue elaborado en 2020 por el Interest Group on Data Policy Standards for Journals de la RDA. Define 14 características de una política de datos y establece seis niveles de aplicación (tiers), desde los más básicos hasta los más exigentes, que incluyen requerimientos como la declaración de disponibilidad de datos, el uso de estándares reconocidos o la revisión por pares de los conjuntos de datos. Gracias a este enfoque escalonado, revistas de distintas disciplinas pueden adoptar políticas acordes a su madurez y contexto.

El white paper también recoge ejemplos de implementación en distintos entornos. En Eslovenia, el archivo de datos de ciencias sociales (ADP) adaptó el marco y desarrolló guías para revistas locales, lo que permitió impulsar la ciencia abierta a nivel nacional, aunque con dificultades iniciales de recursos y apoyo institucional. En el ámbito internacional, la asociación STM, que agrupa a editores científicos, técnicos y médicos, lo utilizó para diseñar políticas coherentes en áreas sensibles como salud y medicina, logrando mayor credibilidad y alineación con estándares globales. Finalmente, el proyecto BRIDGE en Francia, liderado por instituciones como IRD, INRAE y CIRAD, empleó el marco para armonizar la gestión de datos en unidades mixtas de investigación, desarrollando repositorios FAIR y guías prácticas que refuerzan la gobernanza de datos.

Las conclusiones del informe subrayan que el marco de la RDA es práctico, flexible y aplicable a distintos sectores, desde revistas académicas hasta instituciones farmacéuticas o colaboraciones internacionales. Su éxito depende de la adopción temprana, la consulta a todas las partes interesadas, el apoyo técnico e institucional y la evaluación continua de los resultados. Asimismo, se recomienda avanzar hacia políticas más exigentes (niveles 03 en adelante) para consolidar una cultura de datos abierta, reproducible y sostenible en la investigación científica.

Cómo puede la inteligencia artificial (IA) mejorar la gestión de datos de investigación?

“Exploring How AI Can Help Research Data Management.” UC3 Blog, August 21, 2025. https://uc3.cdlib.org/2025/08/21/exploring-how-ai-can-help-research-data-management/

El artículo de UC3 explora cómo la inteligencia artificial (IA) puede mejorar la gestión de datos de investigación, enfocándose en tres áreas clave: la mejora de metadatos, la generación automatizada de planes de gestión de datos (DMPs) y la conexión de estos planes con los resultados de investigación

Mejora de metadatos con IA

UC3 utiliza IA para optimizar la calidad y escala de la curaduría de metadatos, especialmente en el Registro de Organizaciones de Investigación (ROR). La IA ayuda a transformar entradas de usuarios en salidas estructuradas y estandarizadas, acelerando el procesamiento de más de 1.000 solicitudes mensuales. Este enfoque híbrido combina la eficiencia de la IA con el juicio humano para mantener la calidad y coherencia de los datos.

Generación automatizada de DMPs con DMP Chef

UC3 está desarrollando «DMP Chef», una herramienta basada en modelos de lenguaje que permite a los investigadores generar borradores de DMPs a partir de descripciones simples de sus estudios. Actualmente, se está probando con plantillas del Instituto Nacional de la Salud (NIH), con planes de expandir a otras agencias como la Fundación Nacional de Ciencias (NSF). El objetivo es facilitar la creación de DMPs de alta calidad que los investigadores puedan personalizar según sus necesidades.uc3.cdlib.org

Conexión de DMPs con resultados de investigación

UC3 también está desarrollando herramientas para vincular automáticamente los DMPs con los resultados de investigación que describen, como conjuntos de datos, artículos y software. Estas conexiones mejoran la visibilidad y accesibilidad de los datos de investigación, facilitando su descubrimiento y uso por parte de la comunidad científica.

Alerta sobre los datos oficiales: las estadísticas federales de EE. UU. en riesgo

American Statistical Association. Assessing the Health of the Federal Statistical Agencies: The Nation’s Data at a Crossroads, Year Two Status Report. 2025. https://www.amstat.org/docs/default-source/amstat-documents/nations-data-at-crossroads.pdf

El informe ofrece una evaluación detallada y crítica del estado actual de las agencias estadísticas federales en Estados Unidos durante el año 2025. En él se señala que estas agencias, fundamentales para la recopilación y análisis de datos fiables, se encuentran en un momento decisivo. Se han registrado reducciones en la disponibilidad de datos, retrasos en la publicación de informes clave e incluso casos preocupantes de posible interferencia política. Estas circunstancias amenazan con erosionar no solo la objetividad real de las estadísticas federales, sino también la percepción pública de su imparcialidad. A pesar de estas advertencias, el informe sostiene que, por ahora, los usuarios pueden seguir confiando en los datos producidos por estas agencias.

El documento también subraya los desafíos estructurales que se ciernen sobre el futuro de la estadística federal: la caída en las tasas de respuesta a encuestas oficiales, la creciente desconfianza en las instituciones públicas, las restricciones presupuestarias crónicas, el auge de bases de datos privadas de calidad incierta y la pérdida de credibilidad de los expertos ante la opinión pública. Estos factores configuran un panorama complejo que pone en riesgo la continuidad y la credibilidad de programas estadísticos esenciales. Para contrarrestar este deterioro, el informe propone medidas urgentes, como una inversión decidida en infraestructuras estadísticas, una apuesta sostenida por la investigación y la innovación metodológica, y el firme compromiso político con los principios de integridad e independencia estadística. De no tomarse medidas inmediatas, Estados Unidos podría ver no solo el debilitamiento de sus programas estadísticos fundamentales, sino también la pérdida de su liderazgo internacional como referente en la producción de datos confiables y de alta calidad.

Una filtración revela los sitios web usados para entrenar modelos de Anthropic sin supervisión directa

Rollet, C. (2025, 23 de julio). Here’s the list of websites gig workers used to fine‑tune Anthropic’s AI models. Its contractor left it wide open. Business Insider. Recuperado de Business Insider: https://www.businessinsider.com/anthropic-surge-ai-leaked-list-sites-2025-7

Se ha publicado un documento interno, filtrado de Surge AI (contratista de Anthropic), que detallaba qué sitios web estaban permitidos y cuáles estaban prohibidos para el entrenamiento mediante fine‑tuning de modelos de IA. Esta hoja de cálculo estaba expuesta de forma pública en Google Drive hasta que fue eliminada tras la consulta de Business Insider

La hoja incluía más de 120 sitios autorizados, entre ellos fuentes de prestigio como Harvard, Mayo Clinic, Bloomberg, Cornell University o el New England Journal of Medicine. En cambio, se bloqueaban más de 50 fuentes comunes como The New York Times, The Wall Street Journal, Reddit, Wiley, Stanford University y Harvard Business Review.

Los trabajadores de Surge utilizaban estos sitios aprobados para realizar tareas de RLHF (Reinforcement Learning from Human Feedback): copiaban fragmentos de texto, pedían al modelo que los resumiera y seleccionaban las mejores respuestas. La hoja de cálculo se empleaba como guía tanto para contenidos permitidos como para evitar aquellos no autorizados.

Anthropic aseguró que no estaba al tanto del documento, afirmando que había sido creado de forma independiente por Surge. Surge, por su parte, declaró que la filtración fue un error y que ya tomó medidas para restringir el acceso a esos materiales.

Varias de las fuentes bloqueadas, como Reddit, han presentado acciones legales contra Anthropic o competidores, acusando uso de datos sin permiso. Aunque algunos argumentan que la RLHF podría entrar en uso justo, expertos legales advierten que esa distinción entre pre-entrenamiento y RLHF puede no ser significativa en tribunales. Además, este incidente se suma a ejemplos precedentes, como en Scale AI, donde se filtraron documentos internos similares al caer expuestos en Google Drive

Esta filtración revela cómo una empresa externa pudo influir directamente en qué fuentes alimentaron el entrenamiento de un modelo sofisticado, poniendo en evidencia vulnerabilidades en la seguridad de datos y decisiones de proveedores. El incidente refuerza el debate sobre la transparencia en las prácticas de entrenamiento de IA, el uso justo de datos web y el manejo responsable de información sensible por parte de terceros.

Gestión de datos de investigación con Yusnelkis Milanés Guisado. Planeta Biblioteca 2025/05/08

Gestión de datos de investigación con Yusnelkis Milanés Guisado.

Planeta Biblioteca 2025/05/08

ESCUCHAR

Descargar

Hoy en Radio USAL hemos conversado con Yusnelkis Milanés Guisado, científica de datos y analista de investigación en el Joint Research Centre (JRC) de la Comisión Europea en Sevilla. Con una sólida trayectoria en análisis, visualización y gestión de datos, así como en inteligencia artificial, Yusnelkis nos ha ofrecido una visión integral sobre la importancia de la gestión de datos de investigación, destacando su impacto en la transparencia, reproducibilidad y eficiencia de los proyectos científicos.

Durante la entrevista, ha explicado que la gestión de datos no solo implica almacenamiento, sino también planificación, documentación, protección y compartición adecuada a lo largo del ciclo de vida de un proyecto. Subrayó la necesidad de garantizar la privacidad, especialmente en investigaciones con datos personales, aplicando medidas éticas y tecnológicas para proteger la información sensible.

En cuanto a formación, recomendó que los jóvenes investigadores adquieran desde el inicio competencias en gestión de datos, principios FAIR (datos localizables, accesibles, interoperables y reutilizables), y habilidades en visualización y uso de herramientas digitales. También abordó el papel cada vez más relevante que desempeña la inteligencia artificial, que exige un enfoque riguroso y ético en el manejo de datos.

Desde su experiencia como consultora, alertó sobre errores frecuentes como la falta de planificación en la gestión de datos o el uso inadecuado de visualizaciones, y sugirió plataformas y estrategias para asegurar la preservación a largo plazo y la apertura responsable de la ciencia. Finalmente, señaló los retos que aún enfrenta la ciencia abierta, como las resistencias culturales, la escasa formación y la infraestructura limitada en algunos entornos.

Política de Gestión de Datos de Investigación (RDM): de la estrategia a la implementación

Abel, Jennifer, Ian Milligan, Alison Hitchens, Beth Sandore Namachchivaya, Caroline Hyslop, Anneliese Eber, Vicky Chung, et al. 2023. Building an Inter-Institutional and Cross-Functional Research Data Management Community: From Strategy to Implementation. University of Waterloo. https://hdl.handle.net/10012/21683

Texto completo

Este documento presenta los resultados de un taller celebrado en septiembre de 2023 en la Universidad de Waterloo, Canadá, como respuesta a la Política de Gestión de Datos de Investigación (RDM, por sus siglas en inglés) de las Tres Agencias del Gobierno de Canadá, publicada en marzo de 2021. Esta política exigía que todas las instituciones postsecundarias y hospitales de investigación que administran fondos de las Tres Agencias (CIHR, NSERC y SSHRC) desarrollaran y publicaran estrategias institucionales de gestión de datos antes del 1 de marzo de 2023.

Una vez establecidas estas estrategias, surgió la necesidad de pasar de la planificación a la implementación efectiva. Para ello, el taller de Waterloo, financiado por el Consejo de Investigación en Ciencias Sociales y Humanidades (SSHRC), reunió a representantes de más de 30 instituciones canadienses —de distintos tamaños y niveles de intensidad investigadora— con el fin de dialogar y colaborar sobre cómo llevar estas estrategias a la práctica.

Durante los diálogos realizados en el taller celebrado en la Universidad de Waterloo, los participantes identificaron nueve recomendaciones clave de alto nivel para guiar la implementación eficaz de estrategias de gestión de datos de investigación (RDM):

  1. Claridad en las expectativas y comunicación: Es fundamental establecer directrices claras sobre el cumplimiento normativo, los requisitos institucionales y los servicios disponibles.
  2. Compromiso del liderazgo universitario: Se requiere el apoyo explícito de las autoridades de las instituciones para que las estrategias de RDM se consoliden y se prioricen.
  3. Financiamiento institucional: Es necesario identificar y asegurar fondos específicos para implementar y sostener actividades de RDM dentro de las instituciones.
  4. Desarrollo de capacidades del personal: Se debe fortalecer la formación y el desarrollo de competencias del personal técnico y de apoyo, tanto a nivel institucional como nacional.
  5. Coordinación interna: Se recomienda fomentar la colaboración y la integración entre los distintos departamentos y servicios dentro de cada institución para una gestión efectiva de los datos.
  6. Colaboración entre instituciones: Promover alianzas entre instituciones, especialmente para apoyar a las de menor tamaño en el cumplimiento de los requerimientos en RDM.
  7. Soberanía de los datos indígenas: Impulsar el desarrollo de políticas y directrices que reconozcan y respeten los derechos de las comunidades indígenas sobre sus datos.
  8. Formación e implicación del personal investigador: Incrementar la capacitación, el apoyo y la concienciación de los investigadores en temas de RDM.
  9. Estructuras nacionales de apoyo: Crear mecanismos nacionales que fomenten la colaboración, el desarrollo estratégico y un lenguaje común sobre RDM.

Estas recomendaciones están dirigidas a un público amplio: agencias financiadoras, organismos gubernamentales, organizaciones profesionales, consorcios académicos, administraciones universitarias, investigadores y profesionales del ámbito de la información.

Aprovechar las citas de datos para responder a las necesidades de evaluación de datos de las bibliotecas.

Dean, Clare. 2025. Leveraging Data Citations to Respond to Libraries’ Data Evaluation Needs. Zenodo. https://doi.org/10.60804/yxna-f837

Se presenta un estudio sobre cómo la automatización de citas de datos puede mejorar las métricas de datos abiertos y ayudar a las bibliotecas a evaluar el uso y el impacto de los conjuntos de datos generados por sus instituciones.

Las bibliotecas desempeñan un papel clave en la promoción de los datos abiertos y necesitan evaluar el uso e impacto de los conjuntos de datos para apoyar la gestión de datos de investigación y reconocer el trabajo de sus investigadores. Sin embargo, medir este impacto es complejo debido a la dispersión y falta de visibilidad de la información.

Una solución prometedora es el uso de citas de datos como indicadores de utilización. Para demostrar su valor, se analizó el uso de datos en la Universidad Northwestern y la Universidad de Colorado Boulder mediante el Data Citation Corpus y Europe PMC. Se observó un aumento significativo de citas entre 2020 y 2023, con un pico en 2021. Los repositorios más citados fueron dbSNP, Protein Data Bank y European Nucleotide Archive, reflejando un fuerte enfoque en biomedicina y biología estructural.

En cuanto a áreas intensivas en datos, Northwestern destaca en investigación médica y neurociencia, mientras que Colorado Boulder lo hace en ciencias ambientales y biología vegetal. Las citas provienen principalmente de revistas especializadas en dichas disciplinas.

1. Objetivo principal

Mejorar la capacidad de las bibliotecas para rastrear, analizar y reportar el impacto de los datos de investigación utilizando citas automatizadas a gran escala, especialmente a través del Data Citation Corpus.

2. Instituciones involucradas

  • University Libraries, University of Colorado Boulder
  • Helmholtz Open Science Office, Alemania
  • Northwestern University Feinberg School of Medicine

3. Hallazgos clave (Key Data Citation Insights)

  • Los datos de Northwestern se citan más en revistas de ciencias de la vida y biomédicas.
  • Los datos de CU Boulder se usan más en revistas específicas de campos como ciencias ambientales.

Áreas de investigación intensiva en datos:

  • CU Boulder: Ciencias ambientales, biología molecular y genética, ciencias de las plantas.
  • Northwestern: Investigación médica, bioquímica, biología molecular, neurociencia.

Se concluye que las citas de datos ofrecen información valiosa para las estrategias institucionales, y se está ampliando el Data Citation Corpus con nuevas fuentes y mejoras en los metadatos. También se están desarrollando recursos para que las bibliotecas integren estas métricas en procesos de evaluación institucional junto con iniciativas como HELIOS Open.

Datos, información y conocimiento en el marco de la cultura impresa y la cultura digital: aproximaciones, tendencias y retos desde la perspectiva bibliotecológica

Datos, información y conocimiento en el marco de la cultura impresa y la cultura digital: aproximaciones, tendencias y retos desde la perspectiva bibliotecológica y los estudios de la información / coordinadores Eder Ávila Barrientos, Adriana Suárez Sánchez. – Primera edición. – Ciudad de México : Universidad Nacional Autónoma de México, Instituto de Investigaciones Bibliotecológicas y de la Información, 2

Texto completo

Este libro aborda la relación entre datos, información y conocimiento en el contexto de la cultura impresa y la cultura digital, desde una perspectiva bibliotecológica y de los estudios de la información. A través de once capítulos, expertos en el campo reflexionan sobre las transformaciones tecnológicas que han redefinido la gestión, organización y acceso a la información en las últimas décadas. La obra se estructura en cuatro secciones principales: Organización de la información y del conocimiento; Ciencia abierta, alfabetización digital y usuarios; Información y sociedad; y Archivos y recursos relacionados. Cada apartado analiza desafíos; y tendencias actuales. Se tratan temas como la gobernanza de datos; el uso de LRM, BIBFRAME y RDA para concebir al catálogo del futuro; la exclusión digital; el papel de los datos en el ejercicio ciudadano y la ciencia ciudadana; y la preservación del patrimonio documental, entre otros. Dirigido a estudiantes, docentes y profesionales de la información, este volumen ofrece una visión integral sobre cómo las tecnologías digitales están reconfigurando las prácticas bibliotecarias y archivísticas, al tiempo que plantea preguntas cruciales sobre el futuro de la gestión del conocimiento en un mundo cada vez más interconectado.

Competencias en alfabetización en datos: perspectivas de la industria y práctica profesional

Pothier, Wendy, and Patricia Condon. «Data Literacy Skills: Industry Perspectives and Professional Practice.» Portal: Libraries and the Academy 25, no. 2 (2025): 273-289. https://muse.jhu.edu/article/955946

Encuesta realizada a 164 profesionales de la industria de la cadena de suministro y logística en Estados Unidos y Canadá, con el objetivo de evaluar cómo se alinean las competencias propuestas de alfabetización de datos con las prácticas profesionales en el lugar de trabajo

La encuesta aborda la autopercepción de los encuestados de las competencias en alfabetización de datos y pregunta cómo se reflejan estas competencias en el trabajo diario de los individuos. Los resultados sugieren que las competencias de alfabetización de datos presentadas a los encuestados son muy valoradas en diversas categorías laborales y niveles de experiencia. Además, se observa una alineación entre las competencias de alfabetización de datos y las prácticas laborales del mundo real, especialmente cuando se consideran las competencias no técnicas. La discusión contextualiza estos hallazgos dentro de un trabajo bibliotecario más amplio en el ecosistema de la alfabetización de datos.

El estudio de investigación parte de la base de las competencias básicas propuestas por Wendy Pothier y Patricia Condon y su posterior correspondencia con el Marco de referencia, explorando cómo se manifiestan dichas competencias en la práctica profesional. Así, los autores identificaron siete áreas de habilidades clave esenciales para preparar a los estudiantes de empresariales para entrar en un lugar de trabajo con alfabetización informática:

  1. Organización y almacenamiento de datos
  2. Comprensión de los datos utilizados en contextos empresariales
  3. Evaluación de la calidad de las fuentes de datos
  4. Interpretar los datos
  5. Toma de decisiones basada en datos
  6. Comunicación y presentación eficaz de los datos
  7. Ética y seguridad de los datos

Los resultados indican que las competencias de alfabetización de datos son altamente valoradas en diversas categorías laborales y niveles de experiencia. Las cinco actividades relacionadas con datos más frecuentemente realizadas y consideradas más importantes por los encuestados son:​

  • Uso de datos para la toma de decisiones.​
  • Interpretación de datos.​
  • Presentación de datos.​
  • Evaluación de fuentes de datos.​
  • Identificación de fuentes de datos disponibles.​

Actividades como el procesamiento y análisis avanzado de datos, la organización de datos, la ética y seguridad de datos, y el almacenamiento de datos fueron clasificadas con menor frecuencia e importancia.

Adquisición de Habilidades de Datos en el Lugar de Trabajo

Un hallazgo notable es que muchos profesionales adquieren sus habilidades de datos en el trabajo o mediante recursos autodidactas, en lugar de a través de la educación formal. Esto sugiere una brecha en la preparación que ofrece la educación superior en relación con las habilidades prácticas de datos requeridas en el entorno laboral.​

Implicaciones para Bibliotecarios y Educadores

Los autores destacan que los bibliotecarios y educadores tienen un papel crucial en la preparación de los estudiantes para el mercado laboral, especialmente en la enseñanza de competencias de alfabetización de datos que son esenciales en el mundo profesional. Se sugiere que la instrucción en alfabetización de datos en el ámbito académico debe alinearse más estrechamente con las aplicaciones prácticas y las necesidades de la industria.​

Limitaciones del Estudio

El estudio reconoce ciertas limitaciones, como el sesgo hacia profesionales de nivel senior en la muestra y una representación limitada de diversidad en términos de género y raza. Además, la naturaleza autoevaluada de la encuesta podría influir en la precisión de los datos recopilados.​

Conclusión

Este estudio exploratorio subraya la importancia de las competencias de alfabetización de datos en la industria de la cadena de suministro y logística, y señala la necesidad de una mayor integración de estas habilidades en la educación superior para preparar eficazmente a los estudiantes para sus futuras carreras profesionales.

Cumbre sobre datos de investigación en Estados Unidos: fortalecimiento de la cooperación entre organizaciones y sectores

“U.S. Research Data Summit: Strengthening Cooperation Across Organizations and Sectors: Proceedings of a Workshop” NASEM, 2025

Texto completo

Los días 10 y 11 de octubre de 2023, las Academias Nacionales de Ciencias, Ingeniería y Medicina organizaron la Cumbre de Datos de Investigación de EE.UU. en el edificio de la Academia Nacional de Ciencias en Washington, DC. La cumbre corrió a cargo de un comité de planificación organizado en el marco del Comité Nacional de EE.UU. para CODATA. La cumbre se nutrió de las aportaciones de 29 organizaciones, entre las que se encontraban líderes de agencias gubernamentales federales, el sector privado, organizaciones públicas y sin ánimo de lucro e instituciones de investigación. Esta publicación resume las presentaciones y debates de la cumbre.

El objetivo principal del evento fue reunir a líderes de diversas organizaciones de datos de investigación en los sectores académico, gubernamental, industrial y sin fines de lucro para discutir estrategias que aumenten la coherencia de intereses y actividades, mejoren la comunicación y colaboración, reduzcan la duplicación de esfuerzos y posicionen a Estados Unidos de manera efectiva en discusiones internacionales sobre datos de investigación.

Previo al taller, se llevaron a cabo seis grupos focales entre abril y julio de 2023, abordando temas como:

  • Acceso intersectorial a datos de investigación
  • Datos para la respuesta a desastres en comunidades desfavorecidas
  • Necesidades de datos para la descarbonización
  • Gobernanza de datos indígenas
  • Integración de datos de investigación en justicia, equidad, diversidad e inclusión
  • Enfoques organizacionales hacia entradas y salidas de inteligencia artificial

El taller resultó en la elaboración de un borrador de principios para el intercambio de datos, enfocados en liderar con empatía, empoderar a los trabajadores de datos, construir confianza, priorizar la equidad, tomar decisiones basadas en evidencia y asegurar el cumplimiento sostenible.