RDM, open en FAIR

Om het potentieel van onderzoeksdata volop te benutten, is het noodzakelijk om ze zo vindbaar (Findable), toegankelijk (Accessible), interoperabel (Interoperable) en herbruikbaar (Reusable) als mogelijk in het onderzoeksecocysteem op te nemen (Force 11, 2014; Wilkinson, et al., 2016; GoFAIR, n.d.). De FAIR principes bestaan uit 15 facetten (GoFAIR, n.d.). Wat voorop staat is dat onderzoeksdata niet alleen FAIR moeten zijn voor mensen, maar ook voor machines. De FAIR principes zijn niet meer weg te denken uit het datamanagement landschap en staan aan de basis van de bouwtekening van de European Open Science Cloud.

Nee.

In een artikel van Mons (2017) kun je daar de volgende toelichting bij lezen:  

De ‘A’ in FAIR staat voor ‘Accessible', toegankelijk onder goed gedefinieerde omstandigheden. Er kunnen legitieme redenen zijn om onderzoeksdata niet in open access ter beschikking te stellen zoals het beschermen van de privacy van onderzoeksdeelnemers. FAIR gaat over het vindbaar maken - door mens en machine - van onderzoeksdata door:

• ze zo'n rijke context mee te geven dat het duidelijk is wat de waarde van de data is voor hergebruik;
• expliciet - met een duidelijke, bij voorkeur machine-leesbare licentie - de voorwaarden aan te geven waaronder data mogen worden hergebruikt; 
• duidelijke instructies te geven over het citeren bij hergebruik.

Geen van deze principes vereist dat onderzoeksdata 'open' of 'gratis' zijn. FAIR gaat over duidelijkheid en transparantie over de voorwaarden voor toegang en hergebruik. 

Data kunnen dus FAIR zijn en niet open.

Andersom kunnen data ook open zijn maar niet FAIR.

FAIR datamanagement is het geheel van beslissingen en maatregelen die tijdens de levenscyclus van onderzoeksdata worden getroffen om onderzoeksdata zo FAIR als mogelijk af te leveren. Wat daarbij belangrijk is, is de keuze voor een datalicentie, voor het dataformaat, het vastleggen van metadata en data documentatie, naamgevingsconventies, etc. Allemaal aspecten die in de volgende hoofdstukken van Essentials 4 Data Support aan bod komen en die de FAIRnessvan onderzoeksdata beïnvloeden.

FAIR is een briljant acroniem en mede hierdoor is FAIR niet meer weg te denken uit het datamanagement landschap. Het zijn trouwens niet de enige dataprincipes die in omloop zijn. Zo bestaat er naast het FAIR acroniem ook het FACT acroniem - Fair, Accurate, Confidential, Transparent - zoals omschreven op de website van de Digital Society (n.d.). 

De rol van data-archieven in het FAIR maken van data is heel erg groot. In deze cursus richten we ons op onderzoekers en wat zij kunnen doen om data voor te bereiden op FAIRheid. Maar zonder een data-infrastructuur die gebouwd is op FAIR principes, kunnen onderzoekers niet erg veel. De aanbevelingen voor het FAIR maken van data richten zich vaak op beide doelgroepen: onderzoekers en data-archieven. Dat kan verwarrend zijn. 

In de Parthenos Guidelines to FAIRify data management and make data reusable (Parthenos, 2018) wordt een onderscheid gemaakt tussen de maatregelen per doelgroep. Zodat degene die de schoen past deze ook aan kan trekken.

Een van de aanbevelingen van de Europese Commissie (n.d.) om data FAIR te maken is om ze te publiceren in een betrouwbaar data-archief dat zich houdt aan de FAIR principes. Hoe zo'n data-archief dat dan precies voor elkaar krijgt, is niet iets wat een onderzoeker precies hoeft te weten.  

Gidsen:

• Bekijk deze beknopte gidsen (Erdman, et al., 2019), zogeheten "Top 10 FAIR data and Software Things" die door de onderzoeksgemeenschap kunnen worden gebruikt:
  • om FAIR in verschillende contexten te begrijpen;
  • als uitgangspunt voor gesprekken rondom FAIR. Een laagdrempelige gids is die over Data Management Support.  
• Bekijk de cases in het rapport 'FAIR Data Advanced Use Cases: from principles to practice in the Netherlands' (Imming, 2018).

Folders:

• 'Your go-to guide to making your data Findable, Accessible, Interoperable, and Reusable (FAIR)' (F1000, n.d.).
• PARTHENOS Guidelines to FAIRify data management and make data reusable (PARTHENOS, 2018). 
• ‘How FAIR are your data?’ checklist (Jones & Grootveld, 2017).

Zin in een sprookje? Lees dan 'A FAIRy tale' (Hansen, et al., 2018).

• RDM Support van de Universiteit Utrecht heeft een gids geschreven met de titel 'How to make your data FAIR' (Utrecht University, n.d.). Enerzijds is dit een gids waarmee je zelf meer kunt leren over hoe je data FAIR maakt, maar het is ook een voorbeeld van hoe je data support rondom dit thema vorm zou kunnen geven. Door het maken en beschikbaar stellen van (digitaal) informatiemateriaal.
• Medewerkers van Wageningen University & Research schrijven blogs over FAIR data en FAIR data stewardship (E.g. Wageningen University & Research, 2016 & 2019). 

Het rapport 'FAIR data in practice' (Allen & Hartland, 2018) biedt inzicht in de feitelijke situatie rondom FAIR datamanagement in de UK. De volgende bevindingen staan centraal (Bruce & Cordewener, 2019): 

• Er is een gebrek aan kennis en begrip over wat FAIR betekent en wat het voordeel van FAIR-datamanagement zou kunnen zijn voor onderzoek; 
• Dit gebrek aan kennis is ongelijk verdeeld over disciplines en belanghebbenden;
• Er is verandering nodig en er moet geinvesteerd worden in het opleiden van onderzoekers;

Dit vereist coördinatie van activiteiten en beleidsontwikkeling op interdisciplinair, nationaal en internationaal niveau.

De FAIR dataprincipes worden door UK onderzoekers gezien als:

• 'Verdergaand' dan open access;
• Een nuttig concept bij het samenbrengen van verschillende aspecten van best practices voor datamanagement;  
• Nuttig voor het ondersteunen van hergebruik van onderzoeksdata via verschillende typen datalicenties. 

Het rapport biedt ook een aantal aanbevelingen om bestaande tools en middelen het beste af te stemmen op FAIR.