Interseções entre Planos de Gestão de Dados acionáveis por máquina e métricas para os Princípios FAIR

Laura Vilela Rodrigues Rezende; Sandra  de Albuquerque Siebra; Fabiano  Couto Corrêa da Silva; Denise Oliveira de Araújo; Alexandre  Faria de Oliveira

doi:10.5433/1981-8920.2024v29n4p147

Autores

Laura Vilela Rodrigues Rezende Universidade Federal de Goiás
Sandra de Albuquerque Siebra Universidade Federal de Pernambuco https://orcid.org/0000-0002-0078-6918
Fabiano Couto Corrêa da Silva Universidade Federal do Rio Grande do Sul https://orcid.org/0000-0001-5014-8853
Denise Oliveira de Araújo Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) https://orcid.org/0000-0003-4033-7882
Alexandre Faria de Oliveira Instituto Brasileiro de Informação em Ciência e Tecnologia - IBICT https://orcid.org/0000-0003-0470-4972

DOI:

https://doi.org/10.5433/1981-8920.2024v29n4p147

Palavras-chave:

Gestão de Dados, Princípios FAIR, maDMPs, Ciência Aberta

Resumo

Objetivo: Este estudo busca analisar interseções entre os Planos de Gestão de Dados acionáveis por máquina (maDMPs) e os Princípios FAIR, investigando como essas duas abordagens podem ser aplicadas para melhorar a gestão e reutilização de dados científicos. Metodologia: A pesquisa realizou uma análise relacional entre os dez princípios dos maDMPs, propostos por Miksa et al. (2019), e as métricas do projeto FAIRsFAIR Data Object Assessment Metrics (v.0.4), focando em como os princípios FAIR podem ser implementados fluxos de trabalho de gestão de dados que utilizam os planos de gestão acionáveis por máquina. Resultados: O estudo identificou que todos os 10 princípios de maDMPs analisados estão alinhados com as métricas FAIR estudadas. Conclusões: Os maDMPs têm potencial para se tornarem uma ferramenta central no ecossistema científico, facilitando a interoperabilidade e o uso de dados em múltiplos contextos. O alinhamento entre maDMP e os princípios FAIR pode aumentar a eficiência na gestão de dados, promover o compartilhamento automatizado de informações entre sistemas e reduzir a carga burocrática para os pesquisadores, ao mesmo tempo em que melhora a qualidade dos dados gerados. No entanto, sua adoção ampliada, para além dos requisitos tecnológicos e técnicos necessários por parte de todos os envolvidos, requer incentivos institucionais, regulatórios e de mudança cultural.

Downloads

Não há dados estatísticos.

Biografia do Autor

Laura Vilela Rodrigues Rezende, Universidade Federal de Goiás

Professora Associada da Universidade Federal de Goiás (UFG) atuando na Faculdade de Informação e Comunicação. Professora do programa de pós graduação em Comunicação e Informação (PPGCOM). Pesquisadora visitante na Universidade de Harvard junto à equipe de Curadoria Digital do Projeto Dataverse no Institute for Quantitative Social Science (IQSS). Doutora em Ciência da Informação.

Sandra de Albuquerque Siebra, Universidade Federal de Pernambuco

Professora do Departamento de Ciência da Informação/UFPE e do Programa de Pós-graduação em Ciência da Informação - PPGCI/UFPE. Doutora em Ciência da Computação.

Fabiano Couto Corrêa da Silva, Universidade Federal do Rio Grande do Sul

Docente da Universidade Federal do Rio Grande do Sul (UFRGS), onde realiza atividades de ensino, pesquisa, extensão e gestão. Atua nos cursos de graduação de Biblioteconomia presencial e à distância, e como titular no Programa de Pós-Graduação em Ciência da Informação da UFRGS (PGCIN) e colaborador da Universidade Federal de Santa Catarina (PGCIN/UFSC). Doutor em Ciência da Informação.

Denise Oliveira de Araújo, Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)

Mestra em Ciência da Informação pela Universidade de Brasília (UnB). Pesquisadora no Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict).

Alexandre Faria de Oliveira, Instituto Brasileiro de Informação em Ciência e Tecnologia - IBICT

Coordenador de Governança em Tecnologia para Informação e Comunicação no Instituto Brasileiro de Informação em Ciência e Tecnologia - IBICT. Mestre em Gestão Estratégica de Organizações.

Referências

DEVARAJU, A.; HUBER, R.; MOKRANE, M.; HERTERICH, P.; CEPINSKAS, L.; DE VRIES, J.; L'HOURS, H.; DAVIDSON, J.; WHYTE, A. FAIRsFAIR Data Object Assessment Metrics (0.5). [S. l.]: Zenodo, 2022. DOI: https://doi.org/10.5281/zenodo.6461229 .

MICHENER, W. K. Ten simple rules for creating a good data management plan. PLoS Computational Biology, [s. l.], v. 11, n. 10, p. e1004525, 2015. DOI: https://doi.org/10.1371/journal.pcbi.1004525.

MIKSA, T.; SIMMS, S.; MIETCHEN, D.; JONES, S. Ten principles for machine-actionable data management plans. (Francis Ouellette, org.). PLoS Computational Biology, [s. l.], v. 15, n. 3, p. e1006750, 2019. DOI: http://dx.doi.org/10.1371/journal.pcbi.1006750.

MIKSA, T.; CHODACKI, J..; SUCHÁNEK, M.; PRAETZELLIS, M.; PAPADOPOULOU, E.; JACQUEMOT, M.-C.; KEVIN, A. Salzburg Manifesto on machine actionable Data Management Plans. [Salzburgo, AT: RDA], 2024. DOI: https://doi.org/10.5281/zenodo.10658522.

NETSCHER, S.; HAUSEN, D.; WILEY, C.; ANDERS, I.; ASHLEY, K.; HENZEN, C.; JONES, S.; MIKSA, T.; PRAETZELLIS, M. Data Management Planning across Disciplines and Infrastructures. Introduction to the Special Collection. Data Science Journal, [S. l.]: Ubiquity Press, Ltd., 2024. DOI 10.5334/dsj-2024-016. Disponível em: http://dx.doi.org/10.5334/dsj-2024-016.

RESEARCH DATA ALLIANCE (RDA). FAIR Data Maturity Model: specification and guidelines. https://www.rd-alliance.org/group_output/fair-data-maturity-model-specification-and-guidelines/.

SIMMS, S.: JONES, S.; MIETCHEN, D.; MIKSA, T. Machine-actionable data management plans (maDMPs). Research Ideas and Outcomes, [s. l.], v. 3, p. e13086, 2017. DOI: https://doi.org/10.3897/rio.3.e13086 .

UNESCO. Recomendação da UNESCO sobre Ciência Aberta. [S. l]: Unesco, 2022. DOI: https://doi.org/10.54677/XFFX3334.

WILKINSON, M. D.; DUMONTIER, M.; AALBERSBERG, I. J.; APPLETON, G.; AXTON, M.; BAAK, A.; BLOMBERG, N.; BOITEN, J.; SANTOS, L. B. S.; BOURNE, P. E.; BOUWMAN, J.; BROOKES, A. J.; CLARK, T.; CROSAS, M.; DILLO, I.; DUMON, O.; EDMUNDS, S.; EVELO, C. T.; FINKERS, R.; HOEN, P. A.C ’T; HOOFT, R; KUHN, T; KOK, R.; KOK, J.; LUSHER, S. J.;. MARTONE, M. E.; MONS, A; PACKER, A. L.; PERSSON, B.; ROCCA-SERRA, P.; ROOS, M.; VAN SCHAIK, R.; SANSONE, S; SCHULTES, E; SENGSTAG, T; SLATER, T; STRAWN, G; SWERTZ, M. A.; THOMPSON, M; VAN DER LEI, J.; VAN MULLIGEN, E.; VELTEROP, J.; WAAGMEESTER, A.; WITTENBURG,P.; WOLSTENCROFT, K; ZHAO, J.; MONS, B. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, [s. l.], v. 3, p. 160018, 2016. DOI: http://dx.doi.org/10.1038/sdata.2016.18.