Jaké jsou vhodné klíčové parametry datasetů pro výzvu Open Science III?
Při návrhu datasetu doporučujeme vycházet především z oborových zvyklostí, zejména pokud jde o jeho rozsah, strukturu, metadata a používané datové formáty. Důležité je taky řídit se při tvorbě datasetů podmínkami výzvy, které jsou popsány v PpŽP, specifická část (kap. 5.7.1.).
Pokud si nejste jisti, jaké postupy jsou ve Vašem oboru považovány za standardní, doporučujeme zapojit se do pracovních skupin EOSC CZ a otevřít k tomuto tématu odbornou diskusi. Pracovní skupiny EOSC CZ poskytují prostor pro sdílení zkušeností, výměnu dobré praxe a hledání konsenzu nad doporučenými postupy v jednotlivých vědních oblastech.
Zastávají pozici data stewarda obvykle výzkumníci nebo spíše specialisté (specificky pro správu výzkumných dat apod.)?
Pozici data stewarda mohou zastávat osoby s různým profesním zázemím – například specialisté na správu výzkumných dat, knihovníci, IT specialisté i výzkumníci. Důležité je, aby data steward disponoval odpovídajícími kompetencemi v oblasti správy výzkumných dat a FAIR principů.
Společně s komunitou data stewardů jsme identifikovali 3 hlavní typy data stewardů, každý z nich má jiné úkoly a jiné kompetence. V případě projektových (týmových) data stewardů je současně výhodou dobrá znalost příslušného vědního oboru.
Jaká je obvyklá pracnost FAIRifikace výzkumných dat prostřednictvím tvorby datasetu – jaký je přiměřený úvazek a doba na vytvoření datasetu (popř. jaké činnosti vytvoření datasetu zahrnuje)?
Rozsah pracnosti potřebné pro FAIRifikaci datasetu nelze stanovit jednotně. Závisí především na typu a rozsahu výzkumných dat, jejich kvalitě, míře připravenosti a rozsahu potřebné FAIRifikace. Přiměřenost navržených pracovních úvazků a rozpočtu stanovuje žadatel a bude posouzena hodnoticí komisí s ohledem na charakter navrženého datasetu. Doporučujeme tuto problematiku konzultovat s Open Science metodiky a data stewardy na instituci/fakultě.
FAIRifikace datasetu obvykle zahrnuje přípravu výzkumných dat určených ke zveřejnění, jejich čištění a strukturování, vytvoření dokumentace a metadat, standardizaci dat a formátů, řešení licenčních a dalších právních aspektů, kontrolu kvality, uložení datasetu v důvěryhodném repozitáři s přidělením perzistentního identifikátoru (PID) a vytvoření metadatového záznamu v Národním metadatovém adresáři (NMA). V rámci ukládání datasetu do repozitáře bývá řešitelům při těchto činnostech poskytována podpora datového kurátora, zejména při přidělení PID, nastavení licence a tvorbě metadat.
Je vhodné vytvářet FAIR dataset z výzkumných dat, která jsou již ve značné míře uspořádaná nebo strukturovaná? Bude v takovém případě splněna podmínka, že FAIR dataset vznikl netriviálním procesem vyžadujícím expertizu v oblasti správy FAIR výzkumných dat?
Ano. Rozhodující není, jak dobře jsou výzkumná data již uspořádaná, ale zda jejich zpracování zahrnuje odborné činnosti spojené s FAIRifikací. Může jít například o návrh a doplnění metadat, standardizaci dat a formátů, vytvoření dokumentace, řešení interoperability, nastavení licencí nebo uložení dat v důvěryhodném repozitáři. Výsledkem by měl být FAIR dataset s přidanou hodnotou pro jejich opětovné využití.
Pokud by však šlo pouze o zveřejnění již FAIR připravených dat nebo jejich administrativní registraci bez dalších odborných úprav, podmínka netriviálního procesu by zpravidla splněna nebyla.
Je možné do žádosti o financování z OS III zařadit dataset, který byl již zveřejněn v zahraničním repozitáři, má DOI i licenci, ale autoři by ho chtěli dále FAIRifikovat a zveřejnit v NDI? Je zde prostor pro FAIRifikaci dostatečný, aby naplnil požadavky výzvy?
Samotné přeuložení již publikovaného datasetu do jiného repozitáře zpravidla nepovažujeme za dostatečné pro splnění požadavků výzvy. Aby FAIRifikace představovala přidanou hodnotu, měla by zahrnovat další odborné činnosti, například doplnění nebo zpřesnění metadat, vytvoření či rozšíření dokumentace, převod souborů do standardizovaných formátů, překlad dokumentace do angličtiny za účelem zvýšení interoperability nebo rozšíření datasetu o další relevantní soubory související s výzkumem.
Rozsah potřebných úprav i jejich finanční náročnost stanovuje žadatel s ohledem na konkrétní dataset. Přiměřenost navržených pracovních úvazků, rozpočtu i rozsahu FAIRifikace následně posoudí hodnoticí komise s ohledem na charakter a stav výchozích dat.
Je Zenodo vhodným repozitářem pro ukládání datasetů?
Při výběru repozitáře doporučujeme nejprve ověřit, zda pro daný typ výzkumných dat existuje oborový datový repozitář, ideálně takový, který je veden v registru re3data.org a splňuje požadavky na důvěryhodný repozitář (např. má certifikaci CoreTrustSeal nebo jinou uznávanou certifikaci). Registr re3data umožňuje vyhledávat repozitáře podle vědního oboru, typu dat i dalších parametrů.
Pokud vhodný oborový repozitář není k dispozici, lze využít obecný repozitář, například Zenodo nebo národní Datový Catch-all repozitář. Výhodou Catch-all repozitáře je jeho propojení s Národní repozitářovou platformou – metadata uložených datasetů jsou automaticky přebírána do Národního metadatového adresáře (NMA), takže je není třeba do NMA zadávat ručně.
Jak lze manuálně vložit dataset do Národního metadatového adresáře (NMA)?
Pokud dataset není uložen v repozitáři, ze kterého Národní metadatový adresář (NMA) automaticky přebírá metadata, lze jeho záznam vytvořit manuálně. Nejdříve je potřeba získat přístup do NMA, postup je popsán v dokumentaci k NMA.
Po přihlášení prostřednictvím institucionální identity vytvoříte nový záznam zadáním persistentního identifikátoru datasetu (DOI nebo Handle). Pokud jsou metadata dostupná prostřednictvím DataCite, systém je automaticky načte. V opačném případě je nutné vyplnit požadované údaje ručně, zejména název datasetu, autory včetně afiliací a datum publikace.
Manuálně vytvořený záznam lze po omezenou dobu upravovat. Pokud bude dataset později uložen v repozitáři, ze kterého NMA metadata automaticky sklízí, bude tento záznam automaticky nahrazen metadaty převzatými z repozitáře.
Jaké jsou příklady typového datasetu v oblasti humanitních věd a umění?
V oblasti humanitních věd a umění neexistuje univerzální typový dataset, protože charakter výzkumných dat se mezi jednotlivými obory výrazně liší. Může se jednat například o digitalizované archivní materiály, obrazové nebo audiovizuální sbírky, textové korpusy, databáze archeologických nálezů, jazyková data, výsledky dotazníkových šetření nebo kvalitativních rozhovorů, 3D modely kulturního dědictví nebo jiné specializované výzkumné datové soubory.
Typ, rozsah, formát i struktura dat se odvíjejí od specifik jednotlivých vědních oborů. Pro výzvu Open Science III není rozhodující konkrétní typ dat, ale to, zda výsledný dataset splňuje FAIR principy definované v Pravidlech pro žadatele a příjemce – specifická část (kapitola 5.7.1.).
Jaké jsou příklady typového datasetu v oblasti věd o živé přírodě a materiálových věd?
V oblasti věd o živé přírodě a materiálových vědách neexistuje univerzální typový dataset, protože charakter výzkumných dat se mezi jednotlivými obory výrazně liší. Může se jednat například o snímky vesmírných těles, sekvenační data člověka nebo jiných organismů, data o kontaminaci životního prostředí, digitalizované herbářové sbírky nebo data o chemické či prostorové struktuře různých materiálů.
Typ, rozsah, formát i struktura dat se odvíjejí od specifik jednotlivých vědních oborů. Pro výzvu Open Science III není rozhodující konkrétní typ dat, ale to, zda výsledný dataset splňuje FAIR principy definované v Pravidlech pro žadatele a příjemce – specifická část (kapitola 5.7.1.).