Co se při správě dat vyplatí vyřešit dřív, než bude pozdě? Zkušenosti z projektu INTERFER sdílí výzkumnice a data stewardka Klára Kosová

Myslím, že dvojí role data stewardky a výzkumnice je velkou výhodou. Sama dobře vím, jak výzkum v praxi funguje, že se v jeho průběhu věci mění a že výzkumníci mají řadu dalších povinností. Proto také chápu, že správa dat může někdy působit jako jedna z dalších administrativních zátěží. Zároveň si ale myslím, že s technologickým vývojem a digitalizací se dnes spousta věcí dá dělat mnohem efektivněji, a právě vhodným nastavením procesů správy dat je možné výzkumníkům práci nejen usnadnit, ale také jim ušetřit čas. V tom vidím jednu z důležitých rolí data stewarda/dky, pomáhat najít taková řešení, která dávají smysl nejen z hlediska Open Science, ale také z hlediska každodenní výzkumné praxe.

Kvalitní správa dat není jen otázka toho, co se s daty stane na konci projektu, jak se může na první pohled zdát. Když máme data od začátku dobře uspořádaná, zdokumentovaná a víme, jak vznikala a co se s nimi dál dělo, usnadňuje to samotný výzkum i jeho pozdější ověření nebo další využití. Právě moje vlastní zkušenost coby výzkumnice mi pomáhá hledat takové postupy, které jsou pro kolegy, doufám, užitečné. Nejde o to jim přidávat další povinnosti, ale zajistit, aby jejich výzkum byl transparentní a důvěryhodný.

INTERFER propojuje několik institucí, oborů i výzkumných přístupů – od experimentů zaměřených na veřejné mínění po výzkum zahraniční politiky nebo nových technologií. Co taková různorodost znamená z pohledu správy výzkumných dat?

Různorodost výzkumných přístupů znamená především to, že neexistuje jedno univerzální řešení správy výzkumných dat, které by fungovalo pro všechny týmy stejně. Jinak se pracuje s experimentálními daty, jinak s rozhovory či textovými korpusy. Každý typ dat má jiné nároky na sběr, dokumentaci, ukládání, ochranu i další sdílení. Každý obor má navíc svou zajetou praxi. A pokud se k tomu přidává spolupráce institucí, je potřeba myslet i na to, aby si jednotlivé týmy dobře rozuměly v tom, jak s čím nakládají a vše bylo zároveň v souladu s interními institucionálními pravidly.

Právě proto pro nás zpočátku bylo důležité najít společné postupy, ale zároveň u toho respektovat specifika jednotlivých oborů a metod. Nešlo ani tak o to, aby všichni následovali stejné kroky a datové výstupy byly stejné, ale aby byla data snadno dohledatelná, přístupná za odpovídajících podmínek, interoperabilní a znovu využitelná pro další členy týmu i potenciálně třetí strany. Konkrétně to znamenalo domluvit se na společných principech pojmenovávání souborů, způsob dokumentace, což jsou věci, které se zdají zanedbatelné, ale v praxi dělají velký rozdíl, zejména v momentě, kdy na projektu pracuje více lidí najednou nebo kdy se k datům potřebuje vrátit někdo, kdo nebyl přímo u jejich vzniku.

Různorodost se projevuje i při sdílení dat. Různé typy dat mají různá publika, a proto se snažíme pro jednotlivé datasety hledat úložiště odpovídající jejich charakteru i tomu, komu jsou určeny. Od obecnějších repozitářů, jako je OSF, po oborové platformy GESIS nebo LINDAT/CLARIAH. Ani to tedy nelze vyřešit jedním rozhodnutím na začátku projektu, ale je potřeba vhodné řešení hledat pro každý dataset zvlášť.

S jakými typy dat v projektu konkrétně pracujete a která z nich jsou z hlediska data stewardshipu nejnáročnější?

V INTERFERu pracujeme s poměrně širokým spektrem dat. Na jedné straně jsou data čistě kvantitativního charakteru, na straně druhé to jsou různé typy kvalitativních dat. Záznamy či přepisy z rozhovorů, terénní poznatky z participantního pozorování či textové korpusy sestavené z veřejně dostupných dokumentů. V praxi se ale ukazuje, že čistou linii mezi kvantitativním a kvalitativním přístupem k datům je obtížné udržet. Textová data dříve spojovaná především s kvalitativním výzkumem, dnes stále častěji nabývá kvantitativního charakteru. Stejný textový korpus může sloužit jak k hloubkové diskurzivní analýze, tak automatické klasifikaci textů či trénování jazykového modelu. To pak klade na správu dat poměrně specifické nároky, protože dokumentace a metadata dostatečná pro jeden typ použití, nemusí být užitečná pro druhý.

Z hlediska data stewardshipu jsou pro mě ale jednoznačně nejnáročnější data získaná z rozhovorů, a to především z důvodu ochrany osobních údajů a bezpečnosti samotných respondentů. INTERFER se tematicky pohybuje v oblasti zahraniční interference. Část rozhovorů tedy probíhá s lidmi z prostředí, která jsou z různých důvodů citlivá nebo přímo nebezpečná. V takových situacích není vždy možné získat písemný informovaný souhlas, protože podpis dokumentu může být pro respondenta rizikem sám o sobě. V těchto případech přistupujeme k ústnímu souhlasu, který je v metodologii výzkumu citlivých kontextů uznávanou standardní praxí a který předem schvaluje etická komise. Ochrana těchto lidí je pro nás absolutní prioritou a předchází jakýmkoli úvahám o otevřenosti dat. Taková data nejsou sdílena ani v anonymizované podobě. Anonymizace totiž v těchto případech vůbec nemusí stačit. I zdánlivě neutrální detaily mohou v kombinaci vést k odhalení totožnosti člověka, což je absolutně nežádoucí. Z mého pohledu je tedy tento typ dat nejtěžší, a to ne ani tak proto, že by byl technicky složitý na správu, ale proto, že u něj každé rozhodnutí nese výraznou etickou váhu.

Ochrana respondentů tedy nesporně převažuje nad otevřeností dat. Kde obecně podle Vás Open Science naráží na své hranice? A jak v praxi rozhodujete, která data lze zpřístupnit a kde už to vhodné není?

Určitě neplatí, že všechna výzkumná data musí být automaticky plně veřejná. Open Science neznamená otevřenost za každou cenu, spíše odpovědný přístup k výzkumu. V praxi rozhodujeme případ od případu, přičemž řešíme rozhodnutí společně s konkrétními výzkumníky. Důvodů, proč data nesdílet nebo sdílet jen omezeně, je několik. V první řadě je nutné zvážit otázku ochrany osob, od kterých data pocházejí, ať už jde o ochranu osobních údajů v souladu s GDPR, nebo v citlivějších případech bezpečnost respondentů. Dále jde o otázky právní či smluvní. Kupříkladu data ze sociálních sítí podléhají podmínkám užití jednotlivých platforem a ty zpravidla neumožňují volné šíření takto získaných dat třetím stranám.

Myslím, že je důležité rozlišovat mezi otevřeností a transparentností výzkumného procesu. Někdy není z celé řady důvodů možné zveřejnit samotná data. Je ale možné zpřístupnit dokumentaci, ať už jde o analytické či metodické postupy, kódovací manuály, či replikační skripty. A právě tyto informace umožní lépe porozumět tomu, jak výzkum probíhal a jak bylo dosaženo závěrů. Osobně tedy vnímám, že otevřenost vědy není jen otázka toho, zda zveřejníme vše, ale toho, zda je výzkumný proces dostatečně transparentní a ověřitelný.

Narážíte při práci s výzkumníky na situace, kdy se správa dat začne řešit až příliš pozdě? Co se dá zachránit za pochodu a co je naopak potřeba promyslet už při návrhu výzkumu?