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

Authors

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

Keywords:

Data Management, FAIR Principles, maDMPs, Open Science

Abstract

Objective: This study seeks to analyze intersections between Machine Actionable Data Management Plans (maDMPs) and the FAIR Principles, investigating how these two approaches can be applied to improve the management and reuse of scientific data. Methodology: The research performed a relational analysis between the ten principles of maDMPs, proposed by Miksa et al. (2019), and the metrics of the FAIRsFAIR Data Object Assessment Metrics project (v.0.4), focusing on how the FAIR principles can be implemented in data management workflows that use machine actionable management plans. Results: The study identified that all 10 maDMPs principles analyzed are aligned with the FAIR metrics studied. Conclusions: maDMPs have the potential to become a central tool in the scientific ecosystem, facilitating interoperability and the use of data in multiple contexts. The alignment between maDMP and FAIR principles can increase efficiency in data management, promote automated information sharing between systems and reduce the bureaucratic burden for researchers, while improving the quality of the data generated. However, their widespread adoption, in addition to the technological and technical requirements needed by all those involved, requires institutional, regulatory and cultural change incentives.

Downloads

Download data is not yet available.

Author Biographies

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.

References

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.