Archivo de la etiqueta: Gestión de datos de investigación

Los datos abiertos aumentan el impacto de las revistas

Zhang, L., Ma, L. Does open data boost journal impact: evidence from Chinese economics. Scientometrics (2021). https://doi.org/10.1007/s11192-021-03897-z

Texto completo

Para fomentar la transparencia de la investigación y su reproducción, cada vez más revistas exigen a los autores que compartan los conjuntos de datos originales y los procedimientos analíticos que respaldan sus publicaciones. ¿Impulsan los datos abiertos el impacto de las revistas? En este artículo, se presenta uno de los primeros estudios empíricos que evalúan los efectos de los datos abiertos en el impacto de las revistas.

La revista China Industrial Economics (CIE) obligó a los autores a poner en abierto los datos de sus investigaciones a finales de 2016, siendo la primera en adoptar los datos abiertos entre las revistas chinas y proporcionando un experimento natural para la evaluación de políticas. Para ello se utilizaron los datos de 37 revistas chinas de economía de entre 2001 a 2019 y se aplicó el método de control sintético para estimar causalmente los efectos de los datos abiertos, los resultados muestran que los datos abiertos han aumentado significativamente las citas de los artículos de las revistas. De promedio, las citas actuales y de segundo año de los artículos publicados con CIE han aumentado entre 1 y 4 veces, y los artículos publicados antes de la política de datos abiertos también se beneficiaron del efecto indirecto. Los resultados sugieren que las revistas pueden aprovechar los datos abiertos obligatorios para desarrollar su reputación y amplificar el impacto académico.

Capacitación en gestión de datos basada por dominios para bibliotecarios de enlace

Wittenberg, J., Sackmann, A., & Jaffe, R. (2018). Situating Expertise in Practice: Domain-Based Data Management Training for Liaison Librarians. Journal of Academic Librarianship, 44(3), 323–329. https://doi.org/10.1016/j.acalib.2018.04.004

Texto completo

El equipo de gestión de datos de investigación de la Universidad de California en Berkeley implementó un Programa de formación de bibliotecarios basado en dominios para mejorar las habilidades de los bibliotecarios de enlace en los principios de gestión de datos de investigación y crear una comunidad de práctica entre los bibliotecarios que brindan apoyo a los datos de investigación. El programa de capacitación se asoció con representantes de cada división temática de la Biblioteca para integrar contenido de disciplinas relevantes. El modelo de capacitación enfatizó el andamiaje y los entregables concretos, la enseñanza de herramientas y conceptos específicos y la creación de objetos de aprendizaje útiles para la instrucción y el alcance. Al emplear un modelo pedagógico basado en el aprendizaje, el programa tuvo más éxito que los intentos anteriores de capacitación en gestión de datos de investigación en toda la biblioteca en Berkeley. Este análisis detalla la gestión del programa, el diseño curricular.

La imparcialidad de los repositorios y sus datos

Ivanović, Dragan, Schmidt, Birgit, Grim, Rob, & Dunning, Alastair. (2019). FAIRness of Repositories & Their Data: A Report from LIBER’s Research Data Management Working Group. Zenodo, 2019. http://doi.org/10.5281/zenodo.3251593

Texto completo

Los repositorios de datos desempeñan un papel crucial en la evolución de la ciencia abierta. Los principios de datos FAIR establecen cómo hacer que los datos sean localizables, accesibles, interoperables y reutilizables (Wilkinson et al., 2016). Los principios FAIR son los siguientes:

Ser Localizable

F1. A los (meta)datos se les asigna un identificador globalmente único y eternamente persistente.
F2. los datos se describen con metadatos ricos.
F3. Los (meta)datos se registran o indexan en un recurso que permite realizar búsquedas.
F4. los metadatos especifican el identificador de los datos.


Ser accesible:

A1 los (meta)datos son recuperables por su identificador utilizando un protocolo de comunicación estandarizado.
A1.1 el protocolo es abierto, libre y universalmente implementable.
A1.2 el protocolo permite un procedimiento de autenticación y autorización, cuando sea necesario.
A2 los metadatos son accesibles, incluso cuando los datos ya no están disponibles.


Ser interoperable

I1. Los (meta)datos utilizan un lenguaje formal, accesible, compartido y ampliamente aplicable para la representación del conocimiento.
I2. Los (meta)datos utilizan vocabularios que siguen los principios FAIR.
I3. Los (meta)datos incluyen referencias cualificadas a otros (meta)datos.

Ser reutilizables

R1. Los (meta)datos tienen una pluralidad de atributos precisos y relevantes.
R1.1. Los (meta)datos se publican con una licencia de uso de datos clara y accesible.
R1.2. Los (meta)datos están asociados a su procedencia.
R1.3. Los (metadatos) cumplen con las normas comunitarias relevantes para el sector.

En el informe se resumen las mejores prácticas para la aplicación de los principios FAIR, tales como:

  • Deben utilizarse DOI, Handle, URN, URI o números generados localmente como identificadores permanentes para los registros de metadatos y datos.
  • Deben aplicarse, en la medida de lo posible, vocabularios globales estandarizados conocidos, como los vocabularios ISO para los códigos de países y lenguas, así como los vocabularios COAR, OpenAIRE y DataCite para los tipos de publicación/recursos, el estado de acceso y las funciones.
  • Los repositorios deberían conservar la información sobre la procedencia de los datos almacenada en los metadatos: creador, instituciones – editores, fuente, dirección de correo, año de publicación, año de producción, geolocalización, recolector de datos, gestor de datos, distribuidor, editor, financiador, productor, titular de derechos, patrocinador y supervisor.
  • Al mismo tiempo, las encuestas pusieron de manifiesto algunos malentendidos sobre los Principios FAIR, así como aplicaciones erróneas.

Malentendidos

Modelos de metadatos enriquecidos – La definición de lo que constituye un modelo de metadatos enriquecido no está bien definida, lo que conduce a una cierta incomprensión del principio F2 FAIR. En esta encuesta, la mayoría de los encuestados dijeron que utilizaban un modelo de datos enriquecido, pero 12 de los repositorios analizados tenían 13 o menos campos obligatorios. De ellos, ocho tenían siete o menos campos obligatorios.

Legibilidad mecánica – Casi el 80% de los encuestados dijo que sus repositorios cumplen completamente con el principio I1 FAIR: Los (meta)datos utilizan un lenguaje formal, accesible, compartido y ampliamente aplicable para la representación del conocimiento). Esto significa que los humanos y los ordenadores deben ser capaces de intercambiar e interpretar los datos de los demás. Los datos deben ser legibles para las máquinas sin necesidad de algoritmos, traductores o mapeos especializados o ad hoc. Para garantizarlo, es fundamental utilizar (1) vocabularios controlados, ontologías y tesauros de uso común y (2) un marco bien definido para describir y estructurar los (meta)datos. Sin embargo, el 45% no contestó o dijo no saber si su repositorio podía mostrar metadatos en alguna tecnología de la web semántica como OWL, notación RDF. Cinco repositorios ofrecen metadatos en una tecnología de la web semántica, mientras que cuatro planean implementar esta característica. Los siete encuestados restantes informaron de que no existía esa posibilidad en su repositorio.

Procedencia de los metadatos – Aunque la procedencia de los (meta)datos (R1.2) debe describirse en un formato legible por máquina, algunas implementaciones de este principio FAIR incluyen una descripción de procedencia en texto libre o un archivo adjunto que describe la procedencia.

Falta de infraestructura – Teniendo en cuenta que el principio FAIR de I2 a menudo se pasa por alto y es bastante complicado de implementar, una infraestructura/plataforma/servicio que pueda ayudar en esta implementación debería ser una prioridad de la UE y otros programas de financiación.

Selección del repositorio de datos: criterios que importan

Data Repository Selection: Criteria that Matter. COAR, 2020

Ver original

Selección del repositorio de datos: Los criterios que importan son un conjunto de criterios propuestos por un grupo de (principalmente) editores. COAR tiene una serie de preocupaciones sobre estos criterios:

  • Actualmente, muchos repositorios no cumplen con los criterios . Hay una serie de repositorios de dominio, repositorios de datos generalistas y repositorios institucionales que no cumplen y no tienen los recursos para adoptar los criterios; (revisión anónima, soporte para versiones de datos, etc.). Los editores utilizarán estos criterios para indicar a los autores dónde pueden depositar sus datos y, por lo tanto, la mayoría de los repositorios serán descalificados.
  • Los criterios están concebidos de forma demasiado restringida. Los criterios preliminares actuales son una combinación de requisitos. Si bien no son intrínsecamente malos, aunque se inclinan hacia las necesidades de los editores de vincular y revisar los datos por pares, no incluyen otras consideraciones importantes sobre dónde un autor puede querer depositar. Por ejemplo, un autor puede preferir depositar datos en su propia jurisdicción, incluso si esos repositorios locales no cumplen con estos requisitos.
  • Los editores no deberían determinar dónde los autores depositan sus datos. Deberían ser los investigadores (y su financiador) quienes decidan la mejor ubicación para el depósito de datos. Este enfoque les da un gran control a estos editores para establecer el estándar de cumplimiento del repositorio. Con el tiempo, si cedemos el control a esos editores, esto podría (y probablemente lo hará) llevar a que solo los repositorios con recursos suficientes estén disponibles para los autores que publican en esas revistas.

Toolkit de herramientas de comunicación académica para la Implementación de prácticas de datos efectivas

Implementing Effective Data Practices Toolkit. Association of Research Libraries 2021

Texto completo

The Association of Research Libraries (ARL), California Digital Library (CDL), Association of American Universities (AAU), y Association of Public and Land-grant Universities (APLU) acaban de publicar un conjunto de herramientas de comunicación para facilitar la comunicación institucional y los debates en torno a la adopción generalizada de identificadores persistentes (PID) y planes de gestión de datos legibles por máquina (maDMP).

Este conjunto de herramientas de comunicación se basa en los resultados de una conferencia de 2019,“Implementing Effective Data Practices: A Conference on Collaborative Research Support,” , convocada por ARL, CDL, AAU y APLU y patrocinada por la US National Science Foundation (NSF). El objetivo general de la conferencia era explorar las formas en que las partes interesadas en las comunicaciones académicas pueden ayudar a implementar un ecosistema más conectado para la producción de datos de investigación. En el informe final se resumió un conjunto de recomendaciones para apoyar la adopción generalizada de identificadores persistentes (PID) y planes de gestión de datos (DMP) que puedan ser ejecutados por máquinas. En concreto, la conferencia identificó y determinó:

  • Determinar que barreras existen para implementar identificadores persistentes y planes de gestión de datos legibles por máquina
  • Qué tipos de flujos de trabajo modelo podrían eliminar esas barreras, minimizando al mismo tiempo la carga del profesorado
  • Qué significa la implementación para la gobernanza de los datos institucionales (por ejemplo, compartir los DMP entre unidades del campus, entre instituciones y públicamente)
  • Conclusiones que se pueden transmitir a los responsables políticos, a las agencias de financiación y a las instituciones para que puedan participar en un debate sobre los próximos pasos.
  • Recomendaciones de prácticas eficaces para las oficinas de subvenciones, incluida la orientación a sus investigadores

El Toolkit inlcuye

Guía práctica para la alineación internacional de la gestión de datos de investigación – Edición ampliada

 “Practical Guide To The International Alignment Of Research Data Management – Extended Edition”, Science Europe 2021

Texto completo

Lanzado en 2019, y tras de su aceptación exitosa por muchas organizaciones, la edición extendida presenta una nueva versión 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 una guía para que los investigadores cumplan con los requisitos organizacionales.

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

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

Europe Member Organisations, this guide aims to align research data management (RDM). Science Europe, 2019

Texto completo

Desarrollada por expertos de las organizaciones miembros de Science Europe, esta guía tiene como objetivo alinear los requisitos de la gestión de datos de investigación (RDM) en las distintas organizaciones de investigación. Science Europe trabajará para promover estos requisitos con el fin de garantizar que sean aceptados por el mayor número posible de interesados.

Aplicación de políticas de gestión de datos de investigación en toda Europa: Experiencias de las organizaciones miembros de Science Europe.

Implementing Research Data Management Policies Across Europe: Experiences from Science Europe Member Organisations. Science Europe, 2020

Texto completo

¿Tu organización quiere desarrollar requisitos para los planes de gestión de datos (DMP) o actualizar los existentes? Echa un vistazo a nuestra última publicación para saber cómo hacerlo en tres pasos.

El 29 de enero de 2019, Science Europe publicó su ‘Practical Guide to the International Alignment of Research Data Management’ (the RDM Guide) que ha sido adoptada por varios SE MOs.

Basándose en sus experiencias, esta publicación presenta sus enfoques en el desarrollo e implementación de los requisitos del DMP. Explora los retos a los que se enfrentan los investigadores, sus instituciones de origen y las organizaciones de financiación, tanto durante como después de la aplicación de las nuevas políticas, y proporciona ejemplos sobre cómo se puede apoyar a los investigadores en sus esfuerzos de RDM.

Seis recomendaciones para la aplicación de los principios de datos FAIR en la práctica

Six Recommendations for Implementation of FAIR Practice. FAIR in Practice Task Force of the European Open Science Cloud FAIR Working Group.

Texto completo

En 2016 se publicaron los «Principios rectores de FAIR para la gestión y administración de datos científicos» en Scientific Data. Los autores tenían la intención de proporcionar directrices para mejorar la capacidad de búsqueda, la accesibilidad, la interoperabilidad y la reutilización de los activos digitales. Los principios hacen hincapié en la capacidad de actuación de las máquinas (es decir, la capacidad de los sistemas informáticos para encontrar, acceder, interoperar y reutilizar datos sin intervención humana o con una intervención humana mínima) porque los seres humanos dependen cada vez más del apoyo informático para tratar los datos como resultado del aumento del volumen, la complejidad y la velocidad de creación de los datos.

En este informe se analiza el estado de las prácticas FAIR dentro de diversas comunidades de investigación y las políticas relacionadas con FAIR en diferentes países, y se ofrecen seis recomendaciones prácticas sobre cómo se puede llevar a la práctica el programa FAIR. Estas recomendaciones están dirigidas principalmente a las entidades de toma de decisiones de la European Open Science Cloud (EOSC), así como a los financiadores de la investigación:

  1. Financiar la sensibilización, la capacitación, la educación y el apoyo específico a la comunidad.
  2. Financiar el desarrollo, la adopción y el mantenimiento de normas, instrumentos e infraestructura comunitarios.
  3. Incentivar el desarrollo de la gobernanza comunitaria.
  4. Traducir las directrices de FAIR para otros objetos digitales.
  5. Recompensar y reconocer las mejoras de la práctica de FAIR.
  6. Desarrollar y supervisar políticas adecuadas para los datos y objetos de investigación de FAIR.

Para garantizar los beneficios generalizados de la EOSC, es necesario mejorar las prácticas del programa FAIR. Creemos que el momento en que se presente este informe, que coincide con el lanzamiento en toda regla del CSEE, podría ayudar al CSEE, a los financiadores de la investigación y a los encargados de la formulación de políticas a tomar decisiones estratégicas cruciales sobre las inversiones necesarias para poner en práctica los principios de la iniciativa FAIR.

23 Cosas: Bibliotecas para los datos de investigación, recursos prácticos y herramientas online libres

Witt, Michael 23 Cosas: Bibliotecas para los datos de investigación, recursos prácticos y herramientas online libres. RDA/Europe, 2016


Traducido por: Eva Méndez, Universidad Carlos III de Madrid. Spain

Texto completo

Recursos prácticos y herramientas online libres, que puedes usar ya, para incorporar la Gestión de Datos de Investigación a tu práctica bibliotecaria