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/as

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

Palabras clave:

Gestión de Datos, Principios FAIR, maDMPs, Ciencia Abierta

Resumen

Objetivo: Este estudio busca analizar intersecciones entre los Planes de Gestión de Datos accionables por máquina (maDMPs) y los Principios FAIR, investigando cómo estos dos enfoques pueden aplicarse para mejorar la gestión y reutilización de datos científicos. Metodología: La investigación realizó un análisis relacional entre los diez principios de los maDMPs, propuestos por Miksa et al. (2019), y las métricas del proyecto FAIRsFAIR Data Object Assessment Metrics (v.0.4), enfocándose en cómo los principios FAIR pueden implementarse en los flujos de trabajo de gestión de datos que utilizan los planes de gestión accionables por máquina. Resultados: El estudio identificó que los 10 principios de maDMPs analizados están alineados con las métricas FAIR estudiadas. Conclusiones: Los maDMPs tienen el potencial de convertirse en una herramienta central en el ecosistema científico, facilitando la interoperabilidad y el uso de datos en múltiples contextos. La alineación entre los maDMPs y los principios FAIR puede aumentar la eficiencia en la gestión de datos, promover el intercambio automatizado de información entre sistemas y reducir la carga burocrática para los investigadores, al tiempo que mejora la calidad de los datos generados. Sin embargo, su adopción ampliada, más allá de los requisitos tecnológicos y técnicos necesarios por parte de todos los involucrados, requiere incentivos institucionales, regulatorios y de cambio cultural.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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.

Citas

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.