„Zpětně se dá dohnat ledacos,“ věří Klára Kosová působící v rámci Institutu mezinárodních studií Fakulty sociálních věd Univerzity Karlovy v Praze. Některá rozhodnutí na začátku výzkumu však podle ní mohou předurčit, zda bude možné data později dohledat, propojit s dalšími zdroji a znovu využít. U kvalitativních a citlivých dat navíc přestává být správa jen praktickou či technickou disciplínou a stává se také etickou otázkou. Kde končí žádoucí otevřenost a začíná ochrana soukromí či bezpečí respondentů? Klára v rozhovoru vychází ze zkušeností výzkumnice i data stewardky a ukazuje mimo jiné i praktičtější stránku data managementu, který může usnadnit každodenní práci napříč výzkumným týmem.
Být data steward/stewardka je vlastně takové průvodcování světem správy výzkumných dat. Nejde jen o plánování sběru na začátku nebo o zveřejňování dat na konci, ale spíše o průběžnou podporu výzkumníků při práci s daty.
Do práce výzkumných týmů jsem poprvé vstoupila ve fázi plánování, kdy bylo potřeba promyslet, jaká data bude možné sbírat, jak je ukládat a dokumentovat, kdo k nim bude mít přístup a jak s nimi nakládat v budoucnu. Výsledkem byl především data management plán a Open Science příručka pro celý INTERFER tým. V průběhu projektu pak pomáhám řešit konkrétní situace – od informovaných souhlasů a dokumentace změn v datech po nastavení přístupových práv nebo změny ve sběru dat. V závěru se věnuji jejich archivaci a sdílení, tedy tomu, co a za jakých podmínek lze zveřejnit a jak zajistit, aby byla data srozumitelná a využitelná i pro ostatní.
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.
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.
„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 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.
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.
„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.“
V humanitních a společenských vědách se správa výzkumných dat začala systematicky řešit až v posledních letech, a ne všichni jsou na ni zvyklí. Dříve se častěji kladl důraz na samotný výstup výzkumu, zatímco otázky toho, na jakých datech byl proveden a jak bylo s daty pracováno, se řešily spíše okrajově. I proto se nám v projektu několikrát stalo, že se některé věci začaly řešit až v průběhu výzkumu. Zpětně se dá dohnat ledacos. Dopsat dokumentaci, doplnit metadata nebo dodatečně sjednotit strukturu souborů. Jsou ale věci, které se bez předchozí přípravy dají napravit obtížně, nebo vůbec. Například pokud nebyl od začátku nastaven informovaný souhlas tak, aby pokrýval i budoucí sdílení dat, může to výrazně omezit možnosti zveřejnění. Nebo pokud nejsou od začátku jasná pravidla ohledně pojmenování souborů a verzování, je rekonstrukce toho, co je „finální" verze dat, velmi pracná.
Když se zamýšlím nad tím, co je skutečně důležité promyslet ještě před sběrem dat, je to nastavení systematického pracovního workflow. Jak budou suobory či složky pojmenované, jak se bude řešit verzování, jak se budou dokumentovat rozhodnutí. Ačkoliv se tyto kroky mohou zdát jako nepodstatné detaily, právě systematičnost je při zpětné rekonstrukci výzkumného procesu nejcennější.
Z pohledu výzkumnice myslím, že způsob, jakým jsme v INTERFERu nastavili správu dat, má praktický význam. Nejde jen o splnění formálních požadavků poskytovatele grantu. Sama jsem si vyzkoušela, že když jedeme podle předem nastavené struktury a máme domluvenou základní koncepci, výrazně to usnadňuje i následnou práci s daty. S kolegou jsme například propojovali dvě poměrně odlišné datové sady. On měl korpus projevů z Evropského parlamentu a já detailní informace o obsazenosti Evropského parlamentu, tedy o jednotlivých poslancích. Díky tomu jsme mohli vytvořit mnohem komplexnější a bohatší dataset. A protože jsme měli nastavenou určitou strukturu a pravidla, jak s daty pracovat, samotné propojení těchto dvou datasetů bylo vlastně docela jednoduché. Zároveň k tomu máme dokumentaci a skripty, takže se k tomu můžeme vrátit my sami, případně může na tuto práci navázat někdo další a dataset rozšířit nebo aktualizovat. To podle mě dobře ukazuje, že správa dat nemusí být jen něco, co děláme kvůli požadavkům poskytovatele grantu nebo proto, abychom mohli data na konci projektu někam uložit. Když se dobře nastaví už na začátku, může nám práci usnadnit i napříč týmy.
je výzkumnice na Institutu mezinárodních studií Fakulty sociálních věd Univerzity Karlovy v Praze. Její výzkum propojuje politologii s kognitivní lingvistiku a zaměřuje se především na otázky demokratické / politické legitimity. Vedle svého teoretického výzkumného zaměření se Klára snaží propojovat komputačních metody s humanitními a společenskými vědami. Je spoluzakladatelkou Center for Digital Humanities Integration (C4DHI) při Institutu mezinárodních studií a členkou Peace Research Center Prague. Aktuálně se výzkumně podílí na projektech TWIN4DEM, který analyzuje příčiny demokratického úpadku pomocí výpočetních společenských věd, a INTERFER zaměřeného na zahraniční vměšování. Na projektu INTERFER zároveň působí jako koordinátorka open science a data stewardka.
Nová služba Onedata má uživatelům e-INFRA CZ usnadnit práci s velkými objemy výzkumných dat. Data uložená na různých místech zpřístupní v jednom společném prostředí a zjednoduší jejich přesun k výpočetním kapacitám i další práci během výzkumného procesu.
Stáhli jste si výzkumná data z repozitáře, otevřeli soubory a zjistili, že vlastně nevíte, co obsahují a jak s nimi pracovat? Právě v takové situaci pomůže README.
