Kam čeští vědci a vědkyně ukládají svá data a v jaké fázi výzkumu se do repozitářů nejčastěji dostávají? Dosavadní výsledky šetření mezi 193 respondenty ukázalo celkem 70 různých repozitářů, databází a dalších úložišť. Prim hraje Zenodo, silné zastoupení mají ale také specializované databáze využívané v molekulární biologii, genomice nebo proteomice. Data se přitom nejčastěji ukládají jako podklady k publikacím, zatímco téměř pětina respondentů je do repozitářů neukládá vůbec. Vedle etablovaných repozitářů se ale drží i podstatně tradičnější (a rizikovější) způsoby ukládání, jako je ukládání na cloudová úložiště, lokální servery nebo externí disky.
Do šetření zaměřeného na ukládání výzkumných dat se zapojilo 193 respondentů, kteří dohromady uvedli 290 repozitářů, databází či dalších úložišť. Po sjednocení různých variant názvů a ověření odkazů jde o 70 různých služeb.
Dataset s výsledky tohoto kola šetření je veřejně dostupný v Národním datovém repozitáři.
Celkem jej respondenti uvedli 78krát, a připadá na něj tak téměř 27 % všech uvedených úložišť. S odstupem následují databáze Evropského institutu pro bioinformatiku EMBL-EBI s 23 uvedeními a databáze amerického NCBI s 18. ASEP, institucionální repozitář Akademie věd ČR, uvedlo 17 respondentů. Úložiště CESNETu a IT4Innovations se v odpovědích objevila jedenáctkrát.
Výrazné zastoupení mají specializované služby využívané v molekulární biologii, genomice, proteomice a dalších oblastech life sciences. Patří mezi ně například databáze EMBL-EBI a NCBI, Protein Data Bank nebo ProteomeXchange. Pro tyto obory je charakteristická dlouhodobě zavedená infrastruktura pro ukládání a sdílení dat i používání oborově specifických persistentních identifikátorů (PXDid, UniprotID, PDB ID), díky nimž lze jednotlivé datasety jednoznačně dohledat a citovat.
Právě specializované databáze zároveň ukazují, proč nelze všech 70 uvedených položek chápat jednoduše jako 70 navzájem nezávislých repozitářů. Jednotlivé služby mohou fungovat jako samotné repozitáře, databáze, katalogy nebo agregátory a jejich role se mohou překrývat. Například infrastruktura ProteomeXchange sdružuje několik repozitářů pro proteomická data, mezi nimi PRIDE, MassIVE nebo jPOST, zatímco ProteomeCentral funguje jako jejich centrální katalog. PRIDE je současně součástí infrastruktury EMBL-EBI. Odpověď „EMBL-EBI“ tak může v praxi označovat data uložená v některém z řady specializovaných zdrojů, které tato infrastruktura zastřešuje.
Podobně se liší také způsob identifikace uložených dat. Obecné repozitáře, jako jsou Zenodo nebo Figshare, využívají především DOI, zatímco oborové databáze často pracují s vlastními akcesními čísly. V prostředí life sciences tak mohou mít datasety například PXD identifikátor v ProteomeXchange nebo specifické identifikátory databází NCBI. Výsledky šetření proto vedle samotného počtu používaných služeb zachycují také poměrně heterogenní infrastrukturu, která se mezi jednotlivými vědními oblastmi výrazně liší.
S výsledky šetření bude dále pracováno také v souvislosti s možností harvestování metadat o českých výzkumných výsledcích uložených v externích, včetně zahraničních, repozitářích do Národního metadatového adresáře (NMA). Šetření tak může pomoci lépe zmapovat zdroje, z nichž by bylo možné metadata o českých výzkumných datech do NMA přebírat.
Vedle repozitářů a oborových databází se v odpovědích objevují také způsoby ukládání, které bohužel dlouhodobě nenapomáhají efektivní správě a zpřístupňování výzkumných dat. Devět respondentů využívá interní nebo lokální úložiště své instituce, osm uvedlo OneDrive, SharePoint či Microsoft Teams a sedm flash disky nebo externí USB disky. Mezi dalšími častěji uváděnými službami jsou GitHub, Google Drive, Figshare nebo Open Science Framework.
Druhá část šetření se zaměřila na fázi, v níž výzkumníci data ukládají. Nejčastěji jde o data sloužící jako podklady k publikacím. Tuto možnost uvedlo 127 respondentů, tedy přibližně dvě třetiny všech účastníků. Surová data ukládá 88 respondentů a k dlouhodobé archivaci data ukládá 84 z nich. Finální zpracovaná a validovaná data uvedlo 79 respondentů, tedy 41 %, a částečně čištěná nebo kalibrovaná data 55 respondentů.
Méně často se ukládají specificky upravené datové soubory. Agregovaná data uvedlo 31 respondentů, anonymizovaná 26 a pseudonymizovaná pouze deset. Celkem 18 % respondentů přiznalo, že data do repozitáře neukládá vůbec.
Jednotný recept na ukládání dat tedy z odpovědí jednoznačně nevyčteme. Respondenti uvedli celkem 67 různých kombinací fází, v nichž svá data ukládají, což ukazuje na značně rozdílnou praxi napříč výzkumným prostředím. Ani nejčastější odpovědi přitom výrazně nepřevažují: 24 respondentů uvedlo pouze, že data do repozitáře neukládá, dalších 17 pak ukládá výhradně podklady k publikacím. Ukládání dat je tak podle výsledků šetření často úzce spojeno právě s publikačním procesem. Vedle něj se ale objevuje řada dalších přístupů – od ukládání surových dat přes jejich finální zpracované verze až po dlouhodobou archivaci. Rozmanitost odpovědí přitom odráží nejen rozdíly mezi jednotlivými obory, ale také odlišnou praxi konkrétních výzkumných týmů a institucí.
Dotazník zůstává i nadále otevřený a výzkumníci mohou své zkušenosti s ukládáním dat stále sdílet. Nově získané odpovědi budou vyhodnoceny jako další kolo sběru dat.
Česká verze dotazníku Anglická verze dotazníku
Pozn.: Složení výzkumného souboru představuje důležitý kontext pro interpretaci výsledků. Nejpočetněji byli v šetření zastoupeni výzkumníci z VŠCHT Praha a Masarykovy univerzity, významný podíl respondentů působil také v Ústavu molekulární genetiky AV ČR, Ústavu organické chemie a biochemie AV ČR a Fyzikálním ústavu AV ČR. Vzhledem k nerovnoměrnému zastoupení jednotlivých institucí nelze získaná data zobecňovat na celé české výzkumné prostředí. Výsledky je proto vhodné interpretovat jako sondu do současné praxe konkrétních respondentů, která zachycuje různé přístupy k ukládání výzkumných dat a využívání souvisejících služeb.
Zdrojový kód, jeho výstupy, vysvětlující text i vizualizace lze spojit do jediného interaktivního dokumentu. Právě na tomto principu fungují Jupyter Notebooks, které se využívají při analýze dat, výuce, vývoji prototypů i při dokumentování výpočetních postupů.
Letošní Letní škola pro data stewardy na Malé Morávce v Jeseníkách nabídla praktický program zaměřený na nástroje, dovednosti i postupy, které mohou data stewardům usnadnit každodenní práci.
