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 - UFG
Sandra de Albuquerque Siebra Universidade Federal de Pernambuco - UFPB https://orcid.org/0000-0002-0078-6918
Fabiano Couto Corrêa da Silva Universidade Federal do Rio Grande do Sul - UFRGS https://orcid.org/0000-0001-5014-8853
Denise Oliveira de Araújo Universidade de Brasília - UnB 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

Biografia do Autor

Laura Vilela Rodrigues Rezende, Universidade Federal de Goiás - UFG

Doutora em Ciência da Informação pela Universidade de Brasília (UnB). Docente na Universidade Federal de Goiás (UFG), Goiania, Brasil.

Sandra de Albuquerque Siebra, Universidade Federal de Pernambuco - UFPB

Doutora em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE). Docente na Universidade Federal de Pernambuco (UFPE), Recife, Brasil.

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

Doutor em Informação e Documentação da Sociedade do Conhecimento pela Universitat de Barcelona (UB). Docente na Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Brasil.

Denise Oliveira de Araújo, Universidade de Brasília - UnB

Mestra em Ciência da Informação pela Universidade de Brasília (UnB), Brasília, Brasil.

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

Mestre em Gestão Estratégica de Organizações pelo Instituto de Educação Superior de Brasília (IESB). Coordenador de Governança em Tecnologia para Informação e Comunicação no Instituto Brasileiro de Informação em Ciência e Tecnologia (IBICT), Brasília, Brasil.

Referências

DEVARAJU, A. et al. FAIRsFAIR Data Object Assessment Metrics (0.5). [s. l.]: Zenodo, p. 1-28, 2022. Disponível em: https://zenodo.org/records/6461229. Acesso em: 25 nov. 2024.

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. Disponível em: https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1004525. Acesso em: 25 nov. 2024. 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. PLoS Computational Biology, [s. l.], v. 15, n. 3, p. e1006750, 2019. Disponível em: https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006750. Acesso em: 25 nov. 2024. DOI: https://doi.org/10.1371/journal.pcbi.1006750

MIKSA, T. et al. Salzburg Manifesto on machine actionable Data Management Plans (maDMOs). Zenodo, p. 1-2, 2024. Disponível em: https://zenodo.org/records/10658522. Acesso em: 25 nov. 2024.

NETSCHER, S. et al. Data Management Planning across Disciplines and Infrastructures. Introduction to the Special Collection. Data Science Journal, [s. l.]: Ubiquity Press, Ltd., 2024. Disponível em: https://datascience.codata.org/articles/10.5334/dsj-2024-016. Acesso em: 25 nov. 2024. DOI: https://doi.org/10.5334/dsj-2024-016

RESEARCH DATA MATURITY MODEL WORKING GROUP. FAIR Data Maturity Model: specification and guidelines. Research Data Alliance, p. 1-45, 2020. Disponível em: https://zenodo.org/records/3909563#.YGRNnq8za70. Acesso em: 25 nov. 2024.

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. Disponível em: https://riojournal.com/articles.php?id=13086. Acesso em: 25 nov. 2024. DOI: https://doi.org/10.3897/rio.3.e13086

UNESCO. Recomendação da UNESCO sobre Ciência Aberta. [s. l]: Unesco, 2022. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000379949_por. Acesso em: 25 nov. 2024.

WILKINSON, M. et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, [s. l.], v. 3, p. 160018, 2016. Disponível em: https://www.nature.com/articles/sdata201618. Acesso em: 25 nov. 2024.