Gestión de Datos de Investigación/
¶ Definiciones y Conceptos Básicos
Fecha de elaboración: 15/07/2021
Fecha de ajuste: 09/07/2022
¶ Introducción
Con el advenimiento de las tecnologías de Información y comunicación, que se encuentran potenciadas en la era de la explosión y abundancia de los datos comúnmente llamado Big Data, la gestión de conocimiento científico, considerado como un elemento del entorno de acción en el marco de ciencia abierta, la gestión de datos de investigación se advierte como un elemento indispensable a considerar de manera prioritaria por los investigadores en el desarrollo de sus proyectos de investigación para que mediante el uso de licencias flexibles y preferentes, los datos se encuentren disponibles y se permita su uso y acceso libre, sin restricciones. De tal forma que sea posible verificar, evaluar, reproducir, distribuir, reutilizar y regenerar los datos y sus métodos subyacentes para el desarrollo de nuevos proyectos de investigación derivados que contribuyan al avance rápido y óptimo en el descubrimiento de soluciones y la resolución de problemas que aquejan a nuestra sociedad.
Los sistemas de información académicos y científicos (portales de revista), deben asegurar a su comunidad de usuarios los recursos necesarios para el adecuado acceso confiable y seguro a sus fuentes documentales (recursos de información). Esto implica que deben velar por la calidad de la información (datos, metadatos y documentos) que ofrecen, buscando en todo momento que estos se encuentren alineados a las principales normas e iniciativas nacionales e internacionales y que simultáneamente estén ajustados a las nuevas tendencias globales de información académica y científica.
El presente documento busca aclarar los elementos básicos para comprender qué son los datos de investigación, cómo se generan, gestionan, utilizan, entre otros aspectos.
¶ Aclarando el concepto de dato (aplicado en el ámbito digital)
Desde un enfoque constructivista, se entienden los datos como la representación simbólica (numérica, alfabética, etc.), de un atributo o característica de una entidad (ser) que se manifiesta a través de un hecho o un proceso (Davenport & Prusak, 1998). Dicho de otra manera, los datos permiten representar un estado de la realidad asociado a un momento (tiempo) a través de la codificación (símbolos pertenecientes a un lenguaje) de esta realidad en un medio (soporte y formato) que puede ser entendido, utilizado, compartido y transformado tanto por un humano como por una máquina (Hardware y Software).
Los datos son infinitos, estos permiten representar hechos empíricos, sucesos y entidades, que se pueden generar en cualquier momento y lugar. Los datos se pueden ver como la unidad primaria y mínima de representación, los cuales por sí solos son irrelevantes y no suelen indicar nada sobre el porqué de las cosas. Un dato no tiene valor semántico (sentido) en sí mismo, solamente tienen valor sintáctico. Por ello, son óptimos para ser procesados en la realización de cálculos o en la toma de decisiones.
Un dato puede ser cualquier cosa, dependiendo de la disciplina científica, los datos se presentan desde múltiples orígenes y en distintos medios. Generalmente se asocian con elementos cuantitativos (finitos e infinitos dependiendo de la escala de medición) como: una temperatura, una representación horaria, una talla, una medida, un nombre, un número de teléfono, una zona geográfica, un color, una presión atmosférica, una dirección, entre otros. Sin embargo, en el ámbito más amplio puede integrar valores cualitativos que se puedan representar como una emoción, una idea, un sentimiento, un aroma, una expresión facial, una escala vocal, un post en una red social (Twitter, Facebook, etc.), una huella biométrica, entre otros.
Vivimos en un mundo rodeado por los datos. Los datos pueden ser tan simples o complejos tanto como se expresa digitalmente la representación de este. Los datos pueden ser abstractos como un número o un texto (alfanumérico), pero también pueden representar elementos más amplios como una fotografía, un vídeo, un audio, una partitura, un audio/sonido, etc.
La información (datos organizados con sentido y utilidad para una entidad) se producen cuando diversos conjuntos de datos se relacionan entre sí a través de distintos componentes.
“Los datos se convierten en información cuando son combinados entre ellos según un método que tenga el potencial de revelar los patrones del fenómeno estudiado" (Peset Mancebo & González, 2017)
¶ Big data y la Explosión de los datos
Big data es un término de origen inglés cuya traducción equivale a “datos masivos”. El concepto de Big Data se está utilizando actualmente a partir de la diversificación de los medios de recopilación y procesamiento de múltiples conjuntos de datos en el ámbito digital que son potenciadas por la creciente penetración de las tecnologías de la información y comunicación - TIC. Estamos experimentando una evolución constante de las tecnologías para el análisis, la explotación y el tratamiento de datos (cada día se están generando y recopilando nuevos tipos de datos tanto en el sector público como privado) las cuales propician la creación de nuevos servicios y aplicaciones que a su vez promueven nuevas oportunidades económicas y sociales. Así mismo, impulsa el desarrollo de nuevas tecnologías como el aprendizaje automático, la inteligencia artificial y el internet de las cosas.
Una de las definiciones clásicas de Big Data que fue acuñada por la consultora McKinsey Global Institute y que pone de manifiesto el uso avanzado de las nuevas tecnologías indica que, “Big Data se refiere a los conjuntos de datos cuyo tamaño está más allá de las capacidades de las herramientas típicas de software de bases de datos para capturar, almacenar, gestionar y analizar” (Manyika et al., 2011). Esta definición establece que Big Data va mucho más allá del uso masivo de los tradicionales motores de bases de datos relacionales, incorporando nuevas tecnologías, herramientas y modelos que permiten una adecuada gestión de grandes volúmenes de datos.
Otra definición ampliamente utilizada lo define como:
“... grandes conjuntos de datos que poseen tres características principales: volumen (cantidad), velocidad (velocidad de creación y utilización) y variedad (tipos de fuentes de datos no estructurados, tales como la interacción social, video, audio, cualquier cosa que se pueda clasificar en una base de datos)” (Prentice, 2011). Así mismo, otros autores definen un concepto más amplio de Big Data que incluye “conjunto de arquitecturas y herramientas informáticas destinadas a la manipulación, gestión y análisis de grandes volúmenes de datos desde todo tipo de fuentes, diseñadas para extraer valor y beneficio de estos, con una amplia variedad en su naturaleza, mediante procesos que permitan capturar, descubrir y analizar información a alta velocidad y con un coste reducido” (García Herrero et al., 2018).
¶ De los Datos a los Datos de Investigación
Los datos de investigación (Data Research) son aquellos productos (recursos documentales) intermedios que generados o recopilados durante el desarrollo de un proyecto de investigación, los cuales se convierten en evidencia temprana del proceso de investigación y que sirven para validar, verificar, reproducir o certificar los productos resultados finales de dicha investigación y que sólo adquieren significado en el contexto de esta.
Otras definiciones incluyen:
- “Los datos de investigación son todo aquel material que sirve para certificar los resultados de la investigación que se realiza, que se han registrado durante ella y que se ha reconocido por la comunidad científica” (Peset Mancebo & González, 2017).
- “Son todo aquel material que ha sido registrado durante la investigación, reconocido por la comunidad científica y que sirve para certificar los resultados de la investigación que se realiza” (Torres-Salinas et al., 2012).
- “Datos que se utilizan como fuentes primarias para respaldar la investigación técnica o científica, la investigación, las becas o la actividad artística, y que se utilizan como evidencia en el proceso de investigación y / o son comúnmente aceptados en la comunidad de investigadores como necesarios para validar los hallazgos y resultados de la investigación. Los datos de investigación pueden ser datos experimentales, datos de observación, datos operativos, datos de terceros, datos del sector público, datos de seguimiento, datos procesados o datos reutilizados” (Consortia Advancing Standards in Research Administration Information, CASRAI, 2021).
Los datos de investigación son dinámicos y van cambiando a lo largo de la investigación, por tanto, se deben gestionar durante todo el ciclo de vida del proyecto de investigación y pueden ser representados de manera alfabética, numérica o audiovisual, dependiendo de la disciplina y de la naturaleza de la investigación. “Ejemplos de datos de investigación son los cuestionarios, los registros sonoros o visuales (fotografías, películas, videos, diapositivas) y todo tipo de imágenes, registros y medidas de cualquier tipo de prueba o experimento, muestras, modelos, cuadernos de laboratorio y de campo, series numéricas en tablas, registros de ordenador, estadísticas” (Aleixandre-Benavent et al., 2021). Así mismo, para su correcta comprensión deben estar bien documentados e incluir los metadatos que los describan.
Los principales beneficios de los datos de investigación abiertos son (Universidad de Alcalá. Biblioteca, 2021):
- Refuerza la investigación científica, gracias a la reutilización de investigaciones anteriores.
- Promueve y mejora la investigación y la comprobación de métodos nuevos o alternativos, y alienta la diversidad de análisis y opiniones.
- Mejora métodos de recogida y medición de datos, a través del escrutinio de los demás.
- Garantiza la transparencia e integridad de la investigación.
- Reduce los costes evitando los esfuerzos de recolección de datos duplicados.
- Permite cumplir con los requisitos de los organismos financiadores.
- Integración de los datos en las redes de repositorios a nivel internacional.
- Hace visible la inversión pública en investigación.
- Mejora el impacto y la visibilidad de un investigador y de su proyecto.
Existen diferentes modelos de clasificación de los datos de investigación, en general distintos autores proponen clasificarlos en función de su origen, su estatus/versión o de la metodología aplicada para su uso (Grupo de Trabajo de “Depósito y Gestión de datos en Acceso Abierto” del proyecto RECOLECTA, 2012; Borgman, 2012; National Science Board, 2005):
- Clasificación de los datos de investigación según su metodología de recolección ó generación
- Datos Experimentales: Son datos obtenidos a partir de la realización de un experimento (desde su planificación y preparación hasta la obtención de resultados). Son datos que, estando bien documentados, son normalmente reproducibles.
- Datos observacionales: Corresponde con registros históricos de un fenómeno ocurrido en el tiempo. Se pueden obtener únicamente en un lugar y en un momento en el tiempo (son irrepetibles).
- Datos de simulación: Son aquellos datos generados durante la aplicación de modelos predefinidos (algoritmos, modelos matemáticos, o simulaciones de experimentos) y ejecutados en ambientes controlados de prueba.
- Datos computacionales, compilados y derivados (Melero & Hernández-San-Miguel, 2014): Son datos creados al tomar datos ya existentes y realizar algún tipo de manipulación sobre los mismos mediante la utilización de herramientas computacionales especializadas y obtener resultados reproducibles con soporte tecnológico.
- Datos canónicos o de referencia: Conjuntos de datos tomados de fuentes predefinidas que pueden ser utilizados para validación, comparación o búsqueda de información.
- Clasificación de los datos de investigación según el objetivo de su recogida (Swan & Brown, 2008):
- Datos Específicos: Datos generados para un proyecto de investigación específico y cuyos datos pueden tener poco interés fuera de dicho proyecto.
- Datos de alcance medio: Datos que pueden proveer información de interés o ser de referencia para una disciplina o grupo de disciplinas, es decir, los de los que puede beneficiarse una comunidad muy limitada de investigadores pertenecientes a una determinada especialidad;
- Datos de interés general: Son datos cuya importancia es vital para el desarrollo de la ciencia y que pueden constituir una referencia canónica en la comunidad científica.
- Clasificación de los datos de investigación según el tratamiento (nivel de procesamiento) que hayan recibido (Green, 2009):
- Datos primarios (preliminares): Datos originales que han sido creados o recolectados pero que no han sido procesados o analizados ni han recibido ningún tipo de tratamiento por parte del investigador (raw data)
- Datos procesados: Datos que han sido tabulados, digitalizados, traducidos, transcritos, limpiados, validados, verificados y/o anonimizados.
- Datos finales: Corresponde con el conjunto de datos seleccionados ó filtrado del conjunto de datos procesados que finalmente se utilizan para validar los resultados.
- Datos derivados (analizados): Son datos transformados y listos para su uso y consulta que han sido creados a partir de los datos finales, y que mediante su transformación (Modelos, gráficos, tablas, textos, entre otros), se pretende sean de ayuda en el descubrimiento de información útil, la presentación de conclusiones y la toma de decisiones.
¶ DataSets de Investigación: Objetos digitales compuestos y heterogéneos
En la literatura científica, comúnmente se define a los Dataset como un “conjunto de datos de investigación generados durante la ejecución de un proyecto de investigación”. Estos Dataset son los productos resultantes de la aplicación de algún instrumento de investigación (Encuestas, entrevistas, fichas de observación, cuaderno de notas, diarios de campo, cuestionarios, cámara fotográfica, etc.). Generalmente un proyecto de investigación puede crear tantos Dataset como instrumentos aplique, entendiendo que su gestión se puede hacer de manera independiente o mezclada con otros Datasets.
Sin embargo, cuando se asocia la gestión de los datos de investigación con la implementación de sistemas de información especializados para la gestión de estos, el concepto y aplicación de un Dataset se amplía radicalmente. Se denomina Dataset de investigación a un objeto digital compuesto y heterogéneo el cual se representa como un contenedor que agrupa: DataFiles, Documentación, Metadatos y Código Fuente (Figura 1.). “Los datasets se almacenan y gestionan en repositorios interoperables en red integrados en una infraestructura global de investigación, desarrollados conforme a estándares internacionales” (Grupo de Trabajo de “Depósito y Gestión de datos en Acceso Abierto” del proyecto RECOLECTA, 2012):
- DataFiles: Uno o varios archivos que contienen un conjunto de datos organizados según una estructura y almacenados en un formato/extensión.
- Documentación: Uno o varios archivos (generalmente creados a partir de una plantilla predefinida) que contienen documentación asociada a los datos (Conjunto de reglas que describen qué contienen los conjuntos de datos, su procesamiento, su origen, cómo se visualizan y manejan adecuadamente). La documentación de datos garantizará que sus datos sean comprendidos e interpretados por cualquier usuario. Explicará cómo se crearon sus datos, cuál es el contexto para los datos, la estructura de los datos y su contenido, y cualquier manipulación que se haya hecho a los datos. Se recomienda que la documentación que acompaña a los Datasets incluya los siguientes aspectos generales:
- Contexto de la recopilación de datos
- Metodología de recolección de datos
- Estructura y organización de archivos de datos
- Validación de datos y aseguramiento de la calidad
- Manipulaciones de datos a través del análisis de datos a partir de datos sin procesar
- Licencias y condiciones de confidencialidad, acceso y uso de los datos
Así mismo, en la documentación asociada para cada archivo que contenga conjunto de datos específicos y relacionados, se recomienda incluir los siguientes aspectos:
- Nombres y descripciones de variables utilizadas
- Definición de códigos y esquemas de clasificación
- Códigos asociados, aclaraciones y procesamientos de los valores perdidos y nulos
- Definiciones de terminología y acrónimos de especialidad
- Algoritmos utilizados para transformar datos
- Formato de archivos y software utilizado
- Metadatos: El cual se entiende como información “Estructurada o Semiestructurada” (un conjunto de campos ó clases) que describe, explica, localiza, administra y amplía la información acerca del conjunto de datos de forma que tenga algún sentido para las máquinas y los humanos. Adicionalmente como un elemento obligatorio asociado a los metadatos, se debe incluir el uso de identificadores persistentes (DOI, HANDLE, ORCID, ROR, ISNI, etc.)
- Código: Uno o varios archivos o scripts que contiene código asociado a un lenguaje de programación/manipulación de datos (Generalmente Stata, R, MATLAB o Python), los cuales permiten gestionar los aspectos de reproducibilidad y reutilización de los datos.
¶ Qué es la gestión de datos de investigación - GDI
La Gestión de datos de investigación (GDI) o Research Data Management (RDM) es una práctica importante tanto para las instituciones como para los investigadores que hace parte integral en cualquier proceso de investigación, la cual engloba todos los aspectos de adquisición, organización, almacenamiento, procesamiento, transformación, visualización, uso, licenciamiento y publicación de los datos utilizados o generados durante un proyecto de investigación (gestión de los datos a lo largo de todas las fases del proyecto de investigación). “La gestión de datos de investigación no es una meta en sí misma, sino la serie de pasos y requisitos que permiten la reutilización de datos y la generación de nuevos conocimientos” (Actis & Carlino, 2017).
En resumen, la Gestión de datos de investigación (GDI) busca proveer los elementos, buenas prácticas y herramientas que permiten a los investigadores gestionar todo el ciclo de vida de los datos de investigación generados o adquiridos, ayudando a garantizar la calidad de la investigación. Realizar una adecuada gestión de datos de investigación genera los siguientes beneficios (Universidad de Alcalá. Biblioteca, 2021):
- Mayor transparencia para la validación de los resultados de la investigación.
- Asegura que los datos sean localizables, accesibles, interoperables y reutilizables.
- Mejorar el perfil del investigador, el impacto y la visibilidad de los proyectos.
- Mejorar la protección de datos y minimizar el riesgo de pérdida de estos.
- Cumplir con los requerimientos de los organismos financiadores.
- Ahorrar tiempo y hacer uso eficiente de los recursos disponibles.
¶ Ciclo de vida de los datos de investigación
Como se mencionó anteriormente, durante la ejecución de un proyecto de investigación, se debe establecer un plan de trabajo que permita realizar una adecuada Gestión de datos de investigación (GDI). Este plan de trabajo establece las distintas actividades y tareas asociadas durante todo el ciclo de vida de los datos de investigación (desde su creación o captura y almacenamiento, pasando por su uso en distintas actividades de procesamiento, hasta que éstos se vuelven obsoletos y se eliminan) que se deben realizar y se formalizan en la construcción de un documento (generalmente basado en una plantilla) llamado “Plan de Gestión de Datos de investigación” (PGD).
La Gestión de datos de investigación se desarrolla incluso desde antes del inicio de un proyecto de investigación y permite que los datos de investigación tengan una vida útil que trascienda más allá del proyecto de investigación que los crea. La misma dinamicidad de los datos, permiten que estos se vayan transformando a lo largo de la investigación, esta continua transformación se conoce como el “Ciclo de vida de los datos de investigación”. Los investigadores pueden continuar trabajando con distintos datos de investigación mucho después de que haya cesado el proyecto que los generó, así mismo, los proyectos de investigación derivados también pueden reutilizar y ampliar datos de investigación previamente creados en otros proyectos. “Los datos bien organizados, bien documentados, preservados y compartidos son invaluables para promover la investigación científica y aumentar las oportunidades de aprendizaje e innovación” (UK Research and Innovation, UKRI, 2021).
El Ciclo de vida de los datos de investigación proporciona una estructura que describe cada una de las fases (proceso sistemático dividido en etapas) que se deben tener en cuenta durante la gestión de datos de investigación. Existen diferentes modelos que representan el ciclo de vida de los datos de investigación los cuales proporcionan una base que define las muchas operaciones que deberán llevarse a cabo durante la gestión de datos de investigación. Algunos de los principales modelos que representan el ciclo de vida de los datos de investigación se muestran a continuación:
El modelo propuesto por Digital Curation Centre (DCC) del Reino Unido (Higgins, 2008), establece un ecosistema de fases y relaciones asociadas con el ciclo de vida de los datos de investigación y las tareas asociadas a los procesos de curación de los mismos (Curation Lifecycle Model). Este modelo está orientado principalmente a los profesionales de la información que participan en los distintos roles de apoyo a los investigadores y que estarían a cargo de la curaduría y preservación de los datos. El modelo incluye cuatro acciones persistentes durante todo el proyecto (Describir/Representar Datasets, Planificar la preservación, Integrar a la comunidad en Participación/Vigilancia/Monitoreo, Realizar Preservación Digital/Curación de Datos), ocho acciones secuenciales continuas (Conceptualizar/Modelar, Crear/Adquirir, Valorar/Seleccionar, Consumir, Preservar, Almacenar, Acceder/Utilizar/Reutilizar, Transformar) y tres acciones ocasionales (Disponer/Publicar, Reevaluar, Migrar). “El modelo expuesto por el DCC proporciona las etapas requeridas para la curaduría y la preservación de los datos desde la conceptualización inicial y puede ser utilizado para planificar las actividades de un proyecto de investigación para asegurar que se llevan a cabo todas las etapas necesarias, cada una en la secuencia correcta. Permite definir roles y responsabilidades, y construir un marco normativo. En el centro del modelo se encuentran los datos digitales, que están identificados con objetos o bases de datos simples y complejos. Las relaciones entre las etapas del ciclo de vida presentadas por el modelo señalan los principales niveles de acciones sobre la curaduría de los datos” (Couto Corrêa, 2016).
La organización DataONE (Data Observation Network for Earth) propone un modelo de ciclo de vida de los datos de investigación (Data life cycle model) (Strasser et al., 2012):
El modelo está orientado principalmente para ser ejecutado desde la perspectiva de los investigadores y se desarrolló como una guía para educar a los investigadores sobre las mejores prácticas que pueden seguir en la gestión de sus datos. El modelo propuesto define ocho (8) fases (Universidad de Valladolid. Biblioteca, 2021):
- Planificar: Establece un Plan de Gestión de datos de Investigación - PGDI (Data Management Plan). Describir los datos que se recopilarán y cómo se gestionarán los datos y se harán accesibles a lo largo de su vida. Un PGD ayuda a planificar el proceso de investigación y a definir responsabilidades en un proyecto, en el que participan varios investigadores.
- Recopilar: En el proceso de recolección de datos se seguirá lo establecido en el Plan de Gestión de Datos de Investigación - PGDI. El resultado final de este proceso de decisión es un modelo de datos que describe la forma en que se estructuran los datos.
- Asegurar: Emplear procedimientos que aseguren la calidad de los datos.
- Describir: los datos se describen de forma precisa y exhaustiva utilizando los estándares de metadatos adecuados. Esto nos permitirá contar luego con información para comprender, utilizar y reutilizar.
- Conservar: los datos se envían a un archivo apropiado a largo plazo. También es importante definir los repositorios donde se van a almacenar tus datos. Debemos tener en cuenta considerar aspectos como la privacidad, el derecho de autor y el licenciamiento.
- Descubrir: se localizan y obtienen datos potencialmente útiles para la investigación, junto con la información relevante sobre los datos (metadatos)
- Integrar: los datos de fuentes dispares se combinan para formar un conjunto homogéneo de datos que se pueden analizar fácilmente
- Analizar: se analizan los datos.
El modelo del ciclo de los datos científicos desarrollado por la Red de Bibliotecas Universitarias Españolas -REBIUN- en la línea estratégica LÍNEA 2: Transformación Digital y Conocimiento Abierto, está basado en la propuesta del ciclo de vida de la gestión de datos de investigación del Joint Information Systems Committee (JISC) (2018). Este modelo construido mediante una infografía, incluye once (11) fases agrupado en cuatro áreas de trabajo que contemplan las distintas acciones que se deben realizar desde las dos perspectivas: investigadores y profesionales de la información:
- Área 1. Establecer el plan de gestión de datos: Se busca identificar los elementos estratégicos que compondrán el documento del Plan de Gestión de Datos de investigación - PGDI (Data Management Plan) y realizar las tareas de adquisición de datos.
- Área 2: Asignar metadatos: En este escenario se busca pasar de los datos de investigación en bruto a DataSets de Investigación (Objetos digitales compuestos y heterogéneos) que incluyen metadatos para su correcta gestión
- Área 3: Estándares, Almacenamiento y copias de seguridad: Se busca aplicar los distintos estándares y buenas prácticas que permitan almacenar y preservar los datos y datasets para que puedan ser reutilizados en cualquier momento y lugar.
- Área 4: Acceso y utilización, licencias y uso ético: Incluye los procesos asociados al licenciamiento, la aplicación de métodos y modelos de análisis y visualización de datos con el fin de obtener información relevante y pertinente en el marco del proyecto investigación.
El modelo expone de manera explícita el desarrollo de un trabajo colaborativo permanente durante todo el desarrollo del proyecto de investigación y da especial importancia a la presencia de un equipo especializado en datos de investigación que debería tener la unidad de información de cualquier organización. Las fases de este modelo se explican a continuación:
- Diseñar: Esta fase busca establecer el alcance, objetivos, tiempos, metodologías de recolección, acuerdos de intercambio y controles de acceso relacionados con la gestión de datos de investigación en el marco de las políticas, los servicios y los requisitos de la organización, el ente financiador y los organismos nacionales/internacionales públicos y privado (El diseño de un buen plan de gestión de datos debe reflejar el contexto del entorno)
- Planificar: La planificación de la gestión de datos de investigación es la base de cualquier proyecto. Es esta fase se busca establecer de manera temprana (de un proceso en constante cambio) qué datos y datasets se van a recopilar, procesar o generar durante el proyecto de investigación. Una buena planeación ayuda a entender cómo organizar, almacenar y conservar los datos de una manera JUSTA (FAIR) (localizable, accesible, interoperable y reutilizable). El Diseño y la planificación se permite generar un documento denominado “Plan de Gestión de Datos de Investigación - PGDI”
- Crear, Recoger, Recolectar: Esta fase se inicia una vez que se ha generado un plan de gestión de datos de investigación - PGD y se ha iniciado el proyecto de investigación. Aquí se concentran las tareas de adquisición de datos que implica obtener datos existentes o generar nuevos datos para luego recopilarlos y organizarlos como datos de investigación en bruto (raw data). No todos los datos que se proyectan en el Plan de Gestión de Datos de Investigación - PGDI se crean/recopilan o se utilizan, depende de los investigadores y del equipo responsable por la gestión de datos, identificar qué datos deben capturarse y los mejores medios para hacerlo.
- Describir: Realizar una adecuada gestión de metadatos es uno de los aspectos más importantes de la gestión de datos de investigación. Existen múltiples modelos de metadatos que incluyen campos especializados que pueden ser aplicados simultáneamente (como modelos de metadatos mixtos) a los diversos conjuntos de datos dependiendo de la representación de la naturaleza del contenido y el área o disciplina en la cual fueron generados. Independientemente de estos campos de metadatos especializados, se recomienda utilizar como elementos base de descripción el esquema de metadatos propuesto por DataCite (DataCite Schema, 2019) que también es utilizado por las directrices OpenAire para repositorios de datos (OpenAire, 2015).
- Procesar: Esta fase de preparación de los datos, se orienta a la adecuación de los datos en bruto para que puedan ser seleccionados/transformados y utilizados posteriormente. El procesamiento de datos incluye generalmente las siguientes tareas:
- Tareas de limpieza de datos las cuales permiten restringir datos, eliminar ruido y datos no válidos.
- Tareas de normalización de datos que corrige el despliegue de los datos en un mismo rango.
- Tareas de discretización las cuales realizan conversión de variables continuas a categóricas con el objetivo de que haya un número limitado de valores posibles.
- Tareas de cambio de dimensionalidad que permiten ampliar o reducir la base de los datos a utilizar.
- Archivar: Como un proceso de conservación de la evidencia del proceso de investigación, se deben seleccionar los distintos datos de investigación para su depósito en sistemas de almacenamiento de datos que van desde la escritura en distintos formatos de archivo organizado en directorios, la incorporación de los datos en una base de datos o en un sistema distribuido de datos ó lago de datos. A su vez, estos datos deberán incorporarse en un repositorio de datos que permitan su transformación en DataSets organizados, y de esta forma incrementar su uso, preservación y reutilización.
- Seleccionar: En esta fase se incorporan los procesos de consolidación de variables de datos (variables nominales, ordinales y métricas) presentes en los conjuntos de DataSets con el fin de realizar una tarea de filtrado (selección) de los datos y dataset más relevantes que serán utilizados durante la investigación del conjunto total generado/recopilado y también de aquellos que serán publicados y compartidos en el futuro. Así mismo en esta fase se incluyen las tareas de anonimización de los datos sensibles presentes de acuerdo con las distintas políticas de protección de datos aplicables.
- Preservar: La preservación de datos tiene como objetivo mantener seguros y accesibles a largo plazo los dataset (datos, metadatos y contexto), por tanto, se busca implementar las mejores prácticas para que los datos y datasets se puedan recuperar y reutilizar más allá del tiempo de ejecución del proyecto de investigación que los creó. Se incluye la selección de formatos de archivo estandarizados (ISO, NISO), copias de seguridad, cifrado y verificación de firmas de archivos (HASH), migración entre sistemas, formatos y soportes, entre otros.
- Acceder, Usar: Esta fase incluye los procesos de acceso a los datasets autorizados (incorporación de tablas y niveles de acceso para acceder, copiar o editar), de transformación y de visualización mediante el uso de herramientas especializadas que facilitan el análisis e interpretación de los datos de investigación que permitan generar información relevante y pertinente para los investigadores. Adicionalmente, se incluyen el uso de las técnicas (minería de datos, Inteligencia de negocios -BI-, etc.) y modelos de manipulación de datos masivos (modelos descriptivos predictivos y prescriptivos) que mejoran la consolidación del conocimiento descubierto.
- Compartir: En esta fase se incorporan a los dataset, una o varias licencias de acceso y uso a los datos de investigación, previo permiso otorgado por los investigadores a las instituciones y organizaciones que publicarán y compartirán estos recursos en sus respectivos sistemas de información. Adicionalmente se deben incorporar las distintas tareas asociadas al mercadeo y difusión de los contenidos en los distintos buscadores, cosechadores y recolectores de datos especializados y distintas redes sociales con el fin de incrementar su buscabilidad, su consulta, citación e impacto. En el marco de la ciencia abierta, se recomienda la publicación de los datos de investigación en cualquiera de los siguientes medios:
- Repositorios de datos de investigación
- Revistas de datos (artículos de datos)
- Material complementario a las publicaciones (productos resultados de proyectos de investigación).
- Reutilizar: Esta fase incluye las guías y protocolos necesarios para que los datos de investigación se puedan descargar, abrir (por un sistema informático), entender su estructura, contexto, formas de interpretación y visualización, que permitan su reutilización para verificar y contrastar los resultados finales de proyecto que los originó, así como servir de base para nuevos proyectos de investigación.
¶ Principios Justos (FAIR) de los Datos de Investigación
FAIR es un acrónimo acuñado por la Force11 (una comunidad de académicos, bibliotecarios, archivistas, editores y financiadores de la investigación que han surgido orgánicamente para ayudar a facilitar el cambio hacia la creación y el intercambio de conocimientos) (Peset et al., 2017) que es generado a partir de la combinación de cuatro principios esenciales que se deben tener en cuenta durante la gestión de datos de investigación (Findable, Accesible, Interoperable and Reusable):
- Principio 1. Datos Descubribles/Encontrables (Findable): Especifica que los datos deben ser buscables y fácilmente localizables a partir del uso de sistemas de información especializados, buscadores, cosechadores y directorios de datos.
- Principio 2. Datos Accesibles (Accesible): Este aspecto busca que los datos, una vez localizados mediante el uso de herramientas y protocolos abiertos, se puedan acceder directa y libremente a sus metadatos para comprender su contenido, enfoque y alcance. Así mismo, tanto como sea posible se puedan descargar los dataset completos para su reutilización.
- Principio 3. Datos Interoperables (Interoperable): Los datos y datasets deben ser construidos con formatos abiertos (formatos que pueden ser desplegados por múltiples herramientas y sistemas de información), así mismo deben ser almacenados en sistemas de información que integren estándares, protocolos y vocabularios abiertos que permitan su intercambio de manera transparente y autónoma.
- Principio 4. Datos Reutilizables (Reusable): Específica que se deben crear Datasets completos y organizados que incluyan datos, metadatos, licencias, guías y documentos que describan todo el ciclo de vida de los datos de investigación y permitan la reutilización de los datos contenidos
¶ Plan de Gestión de Datos de Investigación - PGD (Data Management Plan)
Un Plan de Gestión de Datos de Investigación (PGDI) es un documento estructurado a partir de una plantilla, que describe las tareas asociadas que se realizarán durante todo el proyecto de investigación y que están asociadas a cada una de las fases del ciclo de vida de los datos de investigación. Dichas tareas describen de manera específica, bajo el contexto propio del proyecto de investigación (vinculados al dominio y disciplina científica del proyecto), el tratamiento que van a recibir los datos de investigación recopilados, procesados o generados por el mismo. Un Plan de Gestión de Datos de Investigación busca que los datos cumplan los Principios FAIR y se constituye como un documento vivo en continuo cambio y evolución que se va perfeccionando durante el período de vigencia del proyecto:
“El PGDI debería actualizarse al menos una vez hacia la mitad del transcurso del proyecto y otra al final para hacer los ajustes necesarios sobre los datos generados y los usos identificados por el proyecto de investigación, ya que no todos los datos o los usos potenciales que se pueda hacer de ellos están claros desde el principio. Se deberán crear nuevas versiones del PGD siempre que haya cambios importantes en el proyecto debidos a la inclusión de nuevos conjuntos de datos, a cambios en las políticas o a factores externos” (Directrices para la Gestión de Datos en Horizonte 2020, 2013).
Para la construcción de planes de gestión de datos de investigación (PGDI), se puede utilizar alguna de las herramientas existentes, las cuales proveen múltiples plantillas, modelos de aplicación y ejemplos de PDGI de otros proyectos. Estas herramientas facilitan a los investigadores el desarrollo de este documento por medio de formularios amigables que incluyen explicaciones y aclaraciones. Las herramientas más conocidas son:
- DMP on line del Digital Curation Center (Reino Unido). https://dmponline.dcc.ac.uk/
- DMPTool (CDL-US) de la University of California Curation Center (UC3). https://cdlib.org/services/uc3/dmptool/
- PGDonline del Consorcio Madroño España. https://pgd.consorciomadrono.es/
- La iniciativa Argos de la Comisión Europea (Proyecto OpenAire). https://argos.openaire.eu/
¶ Referencias
Actis, G., & Carlino, L. (2017). Actas BIREDIAL-ISTEC 2017: VII Conferencia Internacional sobre Bibliotecas y Repositorios Digitales de América Latina (BIREDIAL-ISTEC’17): XII Simposio Internacional de Bibliotecas Digitales (SIBD’17) (M. R. De Giusti, Ed.). Universidad Nacional de La Plata ; ISTEC. https://libros.unlp.edu.ar/index.php/unlp/catalog/download/802/794/2650-1
Aleixandre-Benavent, R., Ferrer Sapena, A., & Peset, F. (2021). Compartir los recursos útiles para la investigación: Datos abiertos (open data). Educación Médica, 22, 208–215. https://doi.org/10.1016/j.edumed.2019.07.004
Borgman, C. (2012). Why are the attribution and citation of scientific data important? En P. E. Uhlir (Ed.), For Attribution: Developing Data Attribution and Citation Practices and Standards: Summary of an International Workshop (pp. 1–10). The National Academies Press. https://doi.org/10.17226/13564
Consortia Advancing Standards in Research Administration Information, CASRAI. (2021). Research Data Management Glossary. CASRAI. https://casrai.org/rdm-glossary/
Couto Corrêa, F. (2016). Gestión de datos de investigación. Editorial UOC.
DataCite Schema. (2019). [Website]. DataCite Schema. https://schema.datacite.org/
Davenport, T. H., & Prusak, L. (1998). Working knowledge: How organizations manage what they know. Harvard Business School Press. http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&db=nlabk&AN=7259
Directrices para la Gestión de Datos en Horizonte 2020. (2013). https://www.consorciomadrono.es/wp-content/uploads/2017/05/directrices_gestion_datos_horizon_2020_es.pdf
García Herrero, J., Molina López, J. M., Berlanga de Jesús, A., Patricio Guisado, M. Á., Bustamante, Á. L., & Padilla R., W. (2018). Ciencia de datos: Técnicas analíticas y aprendizaje estadístico. Un enfoque práctico. Alfaomega.
Green, T. (2009). We Need Publishing Standards for Datasets and Data Tables. OECD Publishing white papers. https://unece.org/fileadmin/DAM/stats/documents/ece/ces/ge.40/2010/wp.8.e.pdf
Grupo de Trabajo de “Depósito y Gestión de datos en Acceso Abierto” del proyecto RECOLECTA. (2012). La conservación y reutilización de los datos científicos en España [Informe del grupo de trabajo de buenas prácticas]. Fundación Española para la Ciencia y la Tecnología, FECYT. https://recolecta.fecyt.es/sites/default/files/contenido/documentos/informe_datos_cientificos_en_esp.pdf
Higgins, S. (2008). The dcc curation lifecycle model. Proceedings of the 8th ACM/IEEE-CS Joint Conference on Digital Libraries - JCDL ’08, 453. https://doi.org/10.1145/1378889.1378998
Institute for Quantitative Social Science. (2021). Dataset + File Management. https://guides.dataverse.org/en/latest/user/dataset-management.html
Joint Information Systems Committee, JISC. (2018). Research data management toolkit. Jisc. https://www.jisc.ac.uk/full-guide/rdm-toolkit
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Hung Byers, A. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation
Melero, R., & Hernández-San-Miguel, J. (2014). Acceso abierto a los datos de investigación, una vía hacia la colaboración científica. Revista española de Documentación Científica, 37(4), e066. https://doi.org/10.3989/redc.2014.4.1154
National Science Board. (2005). US NSF - NSB-05-40, Long-Lived Digital Data Collections Enabling Research and Education in the 21st Century. NSF. https://www.nsf.gov/pubs/2005/nsb0540/
OpenAire. (2015). OpenAIRE Guidelines for Data Archives—OpenAIRE Guidelines documentation. https://guidelines.openaire.eu/en/latest/data/index.html
Peset, F., Aleixandre-Benavent, R., Blasco-Gil, Y., & Ferrer-Sapena, A. (2017). Datos abiertos de investigación. Camino recorrido y cuestiones pendientes. Anales de Documentación, 20(1). https://doi.org/10.6018/analesdoc.20.1.272101
Peset Mancebo, F., & González, L. (2017). Ciencia abierta y gestión de datos de investigaciónn (RDM). Trea.
Prentice, S. (2011). CEO Advisory: “Big Data” Equals Big Opportunity. https://www.gartner.com/en/documents/1614215/ceo-advisory-big-data-equals-big-opportunity
Strasser, C., Cook, R., Michener, W., & Budden, A. (2012). Primer on Data Management: What you always wanted to know. UC Office of the President: California Digital Library. https://doi.org/10.5060/D2251G48
Swan, A., & Brown, S. (2008). To share or not to share: Publication and quality assurance of research data outputs. A report commissioned by the Research Information Network [Project Report]. s.n. https://eprints.soton.ac.uk/266742/
Torres-Salinas, D., Robinson-García, N., & Cabezas-Clavijo, Á. (2012). Compartir los datos de investigación en ciencia: Introducción al data sharing. El Profesional de la Informacion, 21(2), 173–184. https://doi.org/10.3145/epi.2012.mar.08
UK Research and Innovation, UKRI. (2021). The importance of managing and sharing data [Research data management]. UK Data Service. https://ukdataservice.ac.uk/learning-hub/research-data-management/
Universidad de Alcalá. Biblioteca. (2021). Biblioguías: Datos de investigación: La gestión de datos y los PGD. https://uah-es.libguides.com/datos_investigacion/gestion
Universidad de Valladolid. Biblioteca. (2021). Biblioguías: Datos de Investigación: Ciclo de vida de los datos. https://biblioguias.uva.es/datos-investigacion/ciclo-vida