„Špatně popsaná data jsou jako nesprávně založená kniha. Prakticky neexistují,“ vysvětluje Petra Černohlávková

Metadata jsou jedním z nejčastěji skloňovaných pojmů v oblasti správy výzkumných dat. Přesto řada lidí tápe, co si pod nimi konkrétně představit. Jak byste samotný pojem metadata jednoduše vysvětlila a proč jsou pro vědu tak důležitá?

Metadata jsou všude kolem nás. V obchodech s potravinami mohou popisovat název produktu, jeho cenu nebo kód. V aplikacích dopravců zase například údaje o cestujícím a historii jeho cest a ve zdravotních systémech třeba informace o pacientech a jejich anamnéze. Zjednodušeně řečeno, jsou to informace o objektech, ať už fyzických, nebo digitálních. V našem kontextu jsou výzkumná data oněmi popisovanými objekty, a pokud s nimi chceme efektivně pracovat, je nezbytné je dobře strukturovaně popsat metadaty. Je to stejné jako špatně založená kniha v knihovně. Pokud je umístěna na nesprávný regál, je prakticky ztracena. Nikdo by nehledal Dášeňku od Čapka v oddělení organické chemie. To stejné platí i pro data. Pokud nejsou vůbec popsána a identifikována, prakticky neexistují. Pokud jsou nekvalitně popsána, šance, že je někdo najde, výrazně klesá.

Výzkumníci často věnují velkou pozornost samotným datům, ale méně jejich popisu. Jaké důsledky může mít nekvalitní nebo chybějící práce s metadaty? Můžete uvést příklad situace, kdy kvůli tomu nebylo možné data efektivně využít nebo sdílet?

Důsledky jsou velmi zásadní. Uvedu to na příkladu jedné katedry, která měla data z měření uložená ve skříních několik let. Kromě daného výzkumníka nikdo nevěděl, že taková data existují, jak jsou strukturovaná a co se v nich přesně nachází. Potenciál dat získaných z veřejně financovaného výzkumu tak zůstal nevyužitý. Jejich sběr přitom bývá nákladný a uložení na lokálních discích jednotlivců může v praxi znamenat, že se k nim už nikdo další nedostane. Využití dat komplikuje i nekvalitní práce s metadaty, například chybějící či nepřesné informace o licenci nebo podmínkách užívání. Ve výsledku nemusí jejich další využití přímo znemožnit, může ho ale výrazně zkomplikovat a prodražit, ať už časově, nebo například kvůli právním nákladům.

Kde podle vás výzkumníci při práci s metadaty nejčastěji chybují? Existuje několik zásad, které by měl dodržovat každý, kdo chce, aby jeho data byla dlouhodobě využitelná? 

Neřekla bych, že chybují, ale obecně podceňují celkovou roli metadat a s nimi souvisejících perzistentních identifikátorů. Ty představují infrastrukturu, která umožňuje efektivní sdílení metadat v rámci globálního ekosystému VaVaI. Například užití identifikátoru výzkumníka ORCID iD může snížit administrativní zátěž během celého výzkumného procesu – při žádosti o grant, ukládání výzkumných dat, publikování článku a vykazování výsledků. To kouzlo spočívá v integracích různých typů systémů a různých identifikátorů. Repozitář s dobře nastavenými integracemi ulehčí celkovou práci s ukládáním výzkumných dat, umožní přes strojové rozhraní ORCID doplnit informace o autorech, z DOI stáhnout informace o souvisejících výstupech a grantech a podobně.

Zásad, jak přistupovat k metadatům, existuje mnoho, ale základem je dobře zvolený repozitář. Volbou repozitáře si totiž výzkumník volí i metadata, která musí a může uvést, a identifikátory, s nimiž lze pracovat. Generické repozitáře typu Zenodo nikdy nebudou moci nabídnout takovou kvalitu metadat jako oborové repozitáře, a tudíž ani neumožní pokročilejší datové analýzy přímo nad daty v repozitáři. S celou touto problematikou může výzkumníkům pomoci datasteward při dané instituci nebo týmu, nebo i různé uzly podpory národní datové infrastruktury (NDI).

S metadaty úzce souvisejí také FAIR principy. Jak velkou roli v jejich naplňování metadata skutečně hrají? Lze říci, že bez kvalitních metadat nemohou být data skutečně FAIR?

Ano, bez kvalitních metadat nelze o FAIR datech ani hovořit. Metadata a perzistentní identifikátory představují základní stavební kameny FAIR. Pokud data neobalím vrstvou strojově zpracovatelných metadat a neidentifikuji všechny podstatné objekty související s datasetem, chybí důležitý kontext nezbytný pro hladké a jednoznačné další nakládání. Nebudou tudíž ani nalezitelná, ani dostupná, ani interoperabilní, ani znovu použitelná.

Národní technická knihovna patří mezi instituce, které v Česku dlouhodobě podporují správu výzkumných dat i metadat. S jakými otázkami nebo problémy se na vás výzkumníci/e a výzkumné instituce obracejí nejčastěji? Vnímáte, že se jejich přístup k metadatům v posledních letech mění?

Spektrum dotazů je pestré od teoretické práce s metadaty přes interoperabilitu metadat mezi jednotlivými systémy až po praktické implementace metadat do různých repozitářových systémů. Přístup k metadatům se velmi proměňuje, a to zejména díky iniciativě EOSC CZ, která spojuje klíčové aktéry českého VaVaI k vybudování Národní datové infrastruktury. Postupně dochází k přechodu od teoretické diskuse až k praktickým otázkám a aplikaci konkrétních řešení do budovaných oborových repozitářů.

S rozvojem umělé inteligence se stále častěji skloňuje kvalita. Jakou roli budou podle vás metadata hrát v době, kdy s vědeckými daty stále více pracují AI nástroje?

Pro AI nástroje představují dobře strukturovaná a bohatá metadata zlatý důl. Pokud jsou kvalitní a přesná, mohou být přesnější i výsledky AI. Přidanou hodnotu pak představují metadata strukturovaná podle zavedených postupů sémantického webu, díky nimž dokáže stroj určit kontext popisované entity. Například pojem migrace: Data o migraci ptactva nebudou nutně zajímat výzkumníka z oboru sledujícího migraci obyvatel. Aby nedocházelo k míchání dat zdánlivě zaměřených na tutéž problematiku, je nezbytný kvalitní strojově čitelný metadatový popis na úrovni propojených dat (linked data).

Mohou už dnes umělá inteligence nebo jiné automatizované nástroje výzkumníkům s tvorbou metadat reálně pomoci? A kde je naopak stále nezastupitelná role člověka?

Ano, mohou. Už výše zmiňované užití perzistentních identifikátorů výrazně pomáhá automatizovat proces práce s metadaty, a to bez užití umělé inteligence. Ta však může vytvářet návrhy na popisy datových sad nebo provádět validace vyplněných údajů. Nicméně zatím by mělo finální rozhodnutí být učiněno člověkem, který zná kontext a dokáže s lepší přesností vyhodnotit, zda se jedná o chybu. Nezastupitelná role člověka je i v nastavení práce s metadaty v daném ekosystému, ať už se jedná o repozitář, instituci či výzkumný tým. AI představuje dobrý podpůrný nástroj, ale komplexitu dle mého názoru člověk dokáže stále vnímat lépe.

Jak se podle vás v posledních letech změnil přístup českých výzkumných institucí ke správě metadat? Posouvá se tato oblast správným směrem, nebo nás ještě čeká dlouhá cesta?

Od decentralizovaného přístupu roztříštěného napříč obory se posouváme k prohlubování spolupráce. Řada institucí si uvědomuje význam kvalitního metadatového popisu. Přestože se posouváme správným směrem, FAIR správa výzkumných dat je komplexní záležitost a čeká nás dlouhá cesta, než budeme moci říct, že se většinově produkují kvalitní bohatá metadata, jejichž tvorba byla maximálně automatizována.

Kdybyste měla přesvědčit výzkumníka, který metadata vnímá jen jako další administrativní povinnost, co byste mu řekla? A co byste si přála, aby se v oblasti práce s metadaty v blízké budoucnosti změnilo?

Řekla bych mu, že si nejspíš vybral špatný repozitář a ať se obrátí na svého datastewarda s prosbou o hledání řešení, jak by se daly procesy optimalizovat a automatizovat. Zároveň bych na příkladu demonstrovala důsledky nekvalitních či chybějících metadat. Přála bych si, aby se v oblasti metadat objevilo více specialistů. Jedná se totiž o velmi specializovanou oblast na hranici informatiky a knihovnictví/informační vědy a příliš jich dnes na českém pracovním trhu není.