Qué son los datos de investigación
Son aquellos datos que se producen a lo largo de un proyecto de investigación.

Existen múltiples definiciones, una de las más aceptadas es la que considera datos de investigación todo aquel material que sirve para certificar los resultados de la investigación que se realiza, que han sido registrados durante ella y que han sido reconocidos por la comunidad científica (Torres-Salinas; Robinson-García; Cabezas-Clavijo, 2012).

Los datos abiertos (Research Open Data), son aquellos legalmente accesibles, reproducibles y reutilizables. 
 
Su naturaleza puede ser muy variada:

  • Numéricos, textuales, visuales, archivos de audio, software..

  • En estado bruto o analizado, experimentales u observacionales.

  • Públicos o privados

Se consideran datos de investigación:
  • Cuadernos de laboratorio
  • Cuadernos de campo
  • Datos de investigación primaria (incluidos los datos en papel o en soporte informático)
  • Cuestionarios, y las comprobaciones y las respuestas de la prueba
  • Scripts de códigos
No se consideran datos de investigación:
  • Notas de laboratorio
  • Sets de datos parciales
  • Análisis preliminares
  • Borradores de trabajos
  • Planes para investigaciones futuras
  • Informes que han tenido un proceso de revisión por pares
  • Comunicaciones con colegas
  • Objetos físicos
  • Ejemplares de laboratorio
Para profundizar puede consultar el documento Data Sharing: qué son y cómo se pueden compartir los datos de investigación de Sedic
Por qué publicar los datos de investigación
Los datos abiertos de investigación se enmarcan dentro del movimiento Open Science, que promueve la investigación y los datos científicos accesibles a todos los ciudadanos.

Es de suma importancia publicarlos, ya que constituyen una valiosa información, cuya producción es costosa en tiempo y dinero y la buena gestión de los mismos permitirá que sean accesibles y reutilizables por otros investigadores.
 
La publicación de los datos de investigación en abierto:
  • Refuerza la investigación científica abierta.
  • Garantiza el acceso de manera libre a los datos.
  • Aumenta la visibilidad, difusión e impacto de los mismos, así como de la investigación.
  • Mejora la localización y comprensión de los datos.
  • Fomenta la diversidad de análisis y opiniones.
  • Proporciona mayor transparencia para la validación de los resultados de la investigación.
  • Permite la explotación, reproducción y reutilización de los datos, con el correspondiente ahorro de tiempo y dinero.
  • Posibilita un retorno de la inversión pública, dando cumplimiento a los requerimientos de los organismos financiadores.
  • Proporciona una correcta preservación de los datos.
  • Aumenta la propia reputación cuando los demás citen la obra.

 
 
Datos FAIR
Fuente: SangyaPundir
DATOS FAIR (del inglés FAIR – Findable, Accessible, Interoperable, and Reusable), se refiere a un conjunto de cualidades precisas y medibles que una publicación de datos debería seguir para que los datos sean Encontrables, Accesibles, Interoperables y Reutilizables. 
  • FINDABLE (Encontrables): Los datos y metadatos pueden ser encontrados por la comunidad después de su publicación, mediante herramientas de búsqueda.
  • ACCESSIBLE (Accesibles): Los datos y metadatos están accesibles y por ello pueden ser descargados por otros investigadores utilizando sus identificadores.
  • INTEROPERABLE (Interoperables): Tanto los datos como los metadatos deben de estar descritos siguiendo las reglas de la comunidad, utilizando estándares abiertos, para permitir su intercambio y su reutilización.
  • REUSABLE (Reutilizables): Los datos y los metadatos pueden ser reutilizados por otros investigadores, al quedar clara su procedencia y las condiciones de reutilización.
 
Existen diversas herramientas que evalúan el grado de cumplimiento con los Principios FAIR:
  • FAIRassist: iniciativa colaborativa que enumera y describe las herramientas existentes para la evaluación de objetos digitales según los Principios FAIR. La herramienta recoge cuestionarios manuales, listas de verificación y herramientas automatizadas que ayudan a los usuarios a comprender cómo medir y mejorar el nivel de cumplimiento FAIR
  • Top 10 FAIR Data & Software Things: guías breves para conseguir que tus datos sean FAIR, divididas por disciplinas
  • OpenAire mantiene una sección con recursos de apoyo
Costes
La gestión de los datos de investigación siguiendo los principios FAIR puede conllevar costes económicos, que algunas agencias financiadoras contabilizan dentro del proyecto de investigación. Así en Horizonte Europa, como ya sucedía en H2020, los costes del Plan de Gestión de Datos son elegibles para reembolso.

Para ayudar a contabilizar y justificar estos gastos dentro del proyecto de investigación, se puede utilizar la herramienta de estimación de costes de gestión de datos de investigación desarrollada por OpenAIRE
 
 
Comisión Europea

Requisitos:

Desde enero de 2017 los proyectos que reciben financiación del Programa Marco de Investigación e Innovación Horizonte 2020 deben elaborar un Plan de Gestión de Datos, que debe entregarse en los seis primeros meses y mantenerse actualizado a lo largo del proyecto. Los datos en abierto deben depositarse en un repositorio público. Podrá haber excepciones a la difusión abierta, basadas en razones de confidencialidad, privacidad, seguridad, explotación industrial, etc. 

Plan de gestión de datos (PGD):

Una vez se ha obtenido la aprobación de la financiación del proyecto y este ha comenzado, se debe enviar la primera versión del Plan de Gestión de Datos (PGD) dentro de los primeros 6 meses del proyecto.

El PGD debe ser actualizado durante el proyecto cuando se produzcan cambios significativos, por ejemplo:

  • Nuevos datos

  • Cambios en las políticas: nueva innovación potencial, decisión de solicitar una patente, etc.

  • Cambios en la composición del consorcio y factores externos: nuevos miembros que se incorporan o que abandonan el consorcio

Además, el PGD se debe actualizar en el momento de la evaluación periódica
del proyecto, es decir, a mitad y a la finalización del proyecto

Fuente: OpenAire.



   
Horizonte Europa es el sucesor de Horizonte 2020. Es el programa de investigación e innovación de la UE para el período 2021-2027. Quiere garantizar el acceso abierto a los datos de investigación según el principio “tan abierto como sea posible y tan cerrado como sea necesario”. Además, insiste en la obligatoriedad del desarrollo de planes de gestión de datos (artículo 17 del del General Model Grant Agreement)
  • Debe presentarse un plan de Gestión de Datos
  • Los datos deben ser FAIR   – Findable, Accessible, Interoperable, and Reusable (Encontrables, Accesibles, Interoperables y Reutilizables)
  • Los costos de Research Data Management (RDM) son elegibles para reembolso.
  • Se debe proporcionar información sobre todos los demás objetos, herramientas e instrumentos académicos que se necesitan para validar las conclusiones de la publicación.

 
Requerimientos nacionales

La convocatoria incluye por primera vez que:   
  • Los datos deberán depositarse en un repositorio antes de que transcurran dos años desde la finalización del proyecto. 
  • Se debe presentar un Plan de Gestión de Datos de investigación
Las obligaciones de los beneficiarios de las ayudas en el marco del Plan Estatal aparecen detalladas en la Orden CNU/320/2019:
  • Los datos deberán estar disponibles en acceso abierto
  • Las convocatorias podrán prever la realización de un PGD que formará parte de la documentación de la solicitud
  • Si se van a difundir en abierto, se indicará en qué repositorio
Se contemplan las siguientes excepciones a la obligatoriedad:
  1. Cuando se prevea que los datos y los resultados de la investigación puedan ser sometidos a solicitud de protección de derechos de propiedad industrial o intelectual.
  2. Cuando por su naturaleza estén sujetos a la protección de datos de carácter personal o afecten a la seguridad pública.

Establece en sus Principios Rectores que los programas se desarrollarán en lo que respecta al apartado de Transparencia y rendición de cuentas de las ayudas concedidas presentando:  
 
"Acceso abierto a resultados, entendidos como publicaciones científicas y datos de investigación, de las actividades subvencionadas con recursos públicos. Además, los datos de investigación deberán seguir los principios FAIR y, siempre que sea posible, difundirse en abierto".

Dentro del Programa Estatal, la Orden por la que se aprueba la convocatoria de tramitación anticipada para el año 2021 especifica:
 
"Los datos de investigación se deberán depositar en repositorios institucionales, nacionales y/o internacionales antes de que transcurran dos años desde la finalización del proyecto, con el fin de impulsar el acceso a datos de investigación de las ayudas financiadas".
 
Artículo 12. Fomento de la Ciencia Abierta y Ciencia Ciudadana.

1. ...acceso abierto a publicaciones científicas, datos, códigos y metodologías que garanticen la comunicación de la investigación...

5. Los datos, entendidos como aquellas fuentes primarias necesarias para validar los resultados de las investigaciones, deberán seguir los principios FAIR (datos fáciles de encontrar, accesibles, interoperables y reutilizables) y, siempre que sea posible, difundirse en acceso abierto.
 
Requerimientos de revistas
Cada vez son más las revistas que reclaman que los datos en los que se sustentan los resultados de investigación están accesibles en acceso abierto en repositorios de datos, lo que favorece el proceso de revisión por pares, facilita la reproducibilidad, aumenta la confianza en la ciencia, etc. 

Políticas de acceso a datos de investigación de algunas editoriales:    
 
Qué es un Plan de Gestión de datos
Es un documento formal que se diseña desde la etapa de planificación y diseño de la propuesta de proyecto de investigación, describe cómo se van a procesar los datos generados durante y después de finalizar la investigación. Debe modificarse cada vez que surjan cambios significativos, en evaluaciones periódicas y al finalizar el proyecto.

         
 
Los proyectos de los programas H2020 y Horizonte Europa deben elaborar una primera versión del PGD en los seis primeros meses del proyecto y actualizarse al final del proyecto.
Objetivos del PGD
  • Asegurar la integridad de los datos
  • Preservar y difundir los datos
  • Evitar posibles pérdidas de datos
  • Validar y reutilizar los resultados obtenidos
  • Asegurar una diseminación más amplia e incrementar el impacto
Qué debe incluir un plan de gestión de datos
  • Qué datos se van a recoger, procesar y/o generar
  • Organización de los datos, arquitectura de los archivos, denominación de las carpetas y archivos
  • Qué metodología y estándares se van a aplicar para describir de forma estructurada y normalizada los datasets (metadatos descriptivos, administrativos, estructurales)
  • Protección de datos, derechos y acceso (para garantizar altos estándares éticos y cumplimiento de aspectos legales y regulatorios)
  • Preservación, compartir y licenciar (para ayudar a maximizar el alcance y el impacto de la investigación)
  • Almacenamiento y seguridad
  • Dónde se van a depositar

     
Antes de elaborar un PGD
Guía para redactar un PGD
Herramientas para crear un PGD
 DMP Online: herramienta desarrollada por el Digital Curation Center para crear paso a paso un PGD. Dispone de una plantilla para proyectos de H2020. Requiere registro.

 PAGODA: el Consorcio de Bibliotecas Madroño ha hecho una traducción al castellano de la herramienta DMP Online (de uso libre). Diferencia entre el PGD inicial, el PGD detallado y el PGD final.

 Pla de Gestió de Dades de Recerca: herramienta en línea, desarrollada por el Consorcio de Servicios de las Universidades Catalanas, basada en el modelo creado por el DCC (Digital Curation Centre, UK). Incluye ejemplos reales en el cuestionario para ayudar en la elaboración del Plan de Gestión de Datos.

 DMPTool: herramienta desarrollada por la Universidad de California. Permite compartir, editar y exportar el PGD cuando sea necesario. No dispone de plantilla para proyectos de H2020.

 Argos: herramienta online desarrollada por OpenAIRE para la creación, gestión, difusión de un PGD
Plantillas para crear un PGD
Ejemplos de PGD de proyectos H2020
Formatos
Es importante utilizar formatos estándar y abiertos, que aseguren el acceso a largo plazo a los datos.
 
Formatos de ficheros recomendados en función del tipo de datos que contienen:
  • Bases de datos: XML, CSV
  • Texto: TXT, ODT, RTF, XML
  • Estadísticas: ASCII, DTA, POR, SAS, SAV
  • Datos tabulados: CSV, TSV
  • Geospaciales: SHP, DBF, GeoTIFF, NetCDF
  • Vídeo: OGG, MP4
  • Sonido: FLAC, WAV, AIFF, MP3
  • Imágenes: TIFF, BMP
  • Ficheros comprimidos: no se recomienda el uso de ficheros comprimidos
 
Para más información sobre formatos recomendados en ficheros que contienen datos de investigación se puede consultar la tabla elaborada por el UK Data Service Recommended Formats
 

El Gobierno de España ha elaborado una guía centrada en los datos tabulares en archivos CSV (CSV, TSV, XLS, XLSX, etc.) por ser de los más usados en los datos de investigación. En ella se dan todas las indicaciones necesarias para trabajar con este tipo de archivos.


 

Tim Berners-Lee, miembro del World Wide Web Consortium (W3C), creador de la Web y posteriormente de los linked data, ha impulsado, mediante un esquema de desarrollo de 5 estrellas, la medición de en qué grado son abiertos y usables los datos que ofrece una institución.

1 estrella - se exige que el material esté disponible en la web (cualquier formato) bajo una licencia abierta.
2 estrellas - los datos deben estar disponibles como datos estructurados (por ejemplo, Excel en lugar de escanear la imagen de una tabla).
3 estrellas - los datos deben estar disponibles en un formato no propietario (por ejemplo, CSV en lugar de Excel).
4 estrellas -es necesario que los datos puedan ser identificados mediante una URI y que así estén integrados en la web. Una forma de representación de los datos en este nivel es RDF.
5 estrellas - vincular tus datos a los que otras personas o instituciones publican, de modo que se proporcione un contexto (LOD / Linked Open Data)
 
Documentación
Compuesta por aquellos documentos que acompañan y describen los datos para que sean significativos.

Puede incluir la siguiente información:
  • El contexto en el que se han recopilado los datos.
  • Información sobre la metodología seguida en la creación y procesamiento de los datos.
  • Información sobre los archivos, como su estructura y las relaciones entre ellos.
  • Aclaraciones sobre la validación de los datos
  • Información sobre los cambios y distintas versiones
  • Información sobre las licencias y restricciones de uso
 
Para la correcta comprensión y utilización de los datos se recomienda la creación de un fichero Readme.txt, que aportará información sobre la autoría, metodología, breve descripción de los datos y derechos de uso. Se recomienda usar el inglés para lograr una mayor difusión.

Es necesario crear un fichero readme.txt para cada conjunto de datos y depositarlo con el resto de ficheros.

Un ejemplo de plantilla para la redacción del Readme.txt es la del repositorio de datos del Consorcio Madroño, e-cienciaDatos: Plantilla Readme.txt.
Carpetas y nombres de ficheros
Organizar y nombrar los archivos de manera coherente y lógica tendrá un impacto significativo en la capacidad para ubicarlos y comprender lo que contienen. Esto permitirá:
  • Diferenciar registros similares entre sí de un vistazo.
  • Facilitar el almacenamiento y la recuperación de registros.
  • Permitir a los usuarios examinar los nombres de los archivos de forma más eficaz y eficiente.
  • Simplificar la asignación de nombres a los archivos, al no tener que "repensar" el proceso en cada ocasión.
 
Organización de carpetas:
  • Ser consistente
  • Organizar las carpetas de manera lógica y sistemática.
  • Separar los trabajos finalizados de los en curso.
  • Separar los archivos de datos de la documentación
  • Considerar el nivel de jerarquía necesario. Se recomienda no establecer más de tres niveles de carpetas.
  • No guardar todos los ficheros. Se recomienda evaluarlos regularmente y eliminar los que no sean necesarios.
  • No incluir nombres de investigadores
 
Nombres y estructura de los ficheros:

Un buena nomenclatura de los ficheros indicará aspectos sobre el contenido, el estado y la versión, además de ayudar a su clasificación y ordenación.
  • Usar nombres de ficheros descriptivos, que sean únicos y que reflejen el contenido.
  • Evitar el uso de caracteres raros y de espacios ya que los sistemas operativos los interpretan de diferentes maneras.
  • Pueden incluirse guiones bajos para separar elementos.
  • Ir de lo general a lo específico.
  • Formatear las fechas de manera AAAAMMDD.
  • Se recomienda que sean cortos, sin que superen los 25 caracteres
  • Reflejar en los nombres los cambios y ediciones (por ejemplo filename_v02.xxx).
  • Cuando se pueda usar las extensiones de archivo para reflejar el software en el que se creó y el formato físico (por ejemplo, .doc, .xls, .mov, .tif).
Hay herramientas para renombrar en bloque múltiples ficheros:
 
Control de versiones
El control de versiones ayuda a saber con certeza qué versión de un archivo se está utilizando y a comunicar los cambios que se realizan en el mismo. Es una práctica recomendable ya que el paso del tiempo puede dificultar su localización.

Pautas:
  • Definir cuántas y qué versiones se van a conservar, cuanto tiempo y cómo se organizarán.
  • Identificar las versiones más importantes que deben ser guardadas.
  • Usar números ordinales para la cambios de versión mayores y decimales para cambios menores. Ejemplo: versión 1.1; versión 1.2; versión 2.1, versión 4.1, etc.
  • Evitar el uso de términos confusos como revisión, final, copia definitiva, etc.
  • Registrar los cambios en la data, no importa lo relevantes que sean en ese momento. Se recomienda usar autobackup  en lugar de guardar y archivar múltiples versiones. 
  • Sincronizar los archivos ubicados en distintas localizaciones de forma regular.
  • Se pueden borrar versiones antiguas pero asegurándose siempre de mantener la copia original.

Existen diferentes herramientas para el control de versiones:
  • Subversion (SVN): sistema centralizado en el que todos los ficheros y los datos históricos son almacenados en un repositorio central y en el que los desarrolladores suben los cambios a este servidor. Es de código abierto.
  • GIT: sistema distribuido en el que existe un repositorio central y copias de este repositorio en los diferentes equipos locales de los desarrolladores. Capaz de manejar de forma eficiente tanto proyectos pequeños como grandes.
Metadatos
Es necesario describir los datos para poder identificarlos y organizarlos. Esta descripción se hace a través de los metadatos, información estructurada que ayuda a entender los datos con detalle y facilita a otros investigadores encontrarlos, utilizarlos y citarlos correctamente. Se desarrollan durante todo el ciclo de vida de los datos.

Cada área de conocimiento tiene su estándar propio y sus herramientas. Un estándar de metadatos proporciona conjuntos de elementos de metadatos, que tienen un propósito específico. A cada elemento se le da un nombre y una definición, basados en reglas, sintaxis y un vocabulario controlado.
 
El Digital Curation Center (DCC) dispone de un directorio por disciplinas: para datos de investigación.

FAIRsharing - standards es una plataforma que permite conocer estándares de metadatos FAIR según cada disciplina.
Datos personales
Es posible que durante el proceso de investigación tenga que recoger y tratar datos personales, en cuyo caso deberá regirse por la legislación vigente:
Los organismos financiadores pueden establecer excepciones a la difusión abierta de los datos, basadas en razones de confidencialidad, privacidad, seguridad, explotación industrial, etc. Es el caso de H2020  (H2020, Work Programme, Anexes, L Conditions related to open access to research data).
 
Anonimización
 
La anonimización es el proceso de convertir los datos en una forma en la que no se pueda identificar a los individuos. Recomendado para mitigar los riesgos que conlleva la obtención y tratamiento de datos masivos de carácter personal.

Con este procedimiento se identifica y oculta la información sensible, a la vez que se permite su divulgación sin que ello implique vulnerar los derechos de protección de datos de las personas y organizaciones que se puedan referenciar en los mismos.

OpenAire recomienda la utilización de la herramienta Amnesia de anonimización de datos, con la que se pueden borrar de los datos toda aquella información identificativa (nombres, código postal, fechas de nacimiento...). 
 

 
Licencias de uso de datos
Es importante incorporar una licencia a los sets de datos. Mediante ella se indica qué está permitido hacer con ellos y se cumple con la R (Reutilizable) de los datos FAIR.
Se puede hacer uso de diferentes tipos de licencias, las más utilizadas a nivel internacional son:
Si se decide utilizar una de las licencias Creative Commons, se recomienda usar las de la versión 4.0. que cubren tanto las cuestiones de copyright como de base de datos. 

Entre las licencias de dominio público destacan:
          
  • Creative Commons Zero (CC0): ofrece los datos en dominio público. Bajo esta licencia los datos se pueden copiar, modificar, distribuir y hacer públicos, incluso para fines comerciales, sin solicitar autorización.
  • Public Domain Dedication and Licence (PDDL): permite compartir libremente, modificar y usar los datos para cualquier propósito y sin ningún tipo de restricción.

Las licencias Creative Common no son adecuadas para software. En este caso se recomienda:
Cómo citar los datos

Es recomendable citar los datos de investigación para facilitar su identificación, localización y reutilización. Para ello se puede hacer uso de los diferentes estilos de citas existentes (APA, Chicago…) o de los que proporcionan los principales repositorios de datos (Dataverse, Dryad…).
 
Ventajas de citar los datos de investigación:
  • Identificarlos con facilidad y atribuirlos correctamente a su creador.
  • Reutilizarlos fácilmente y, además, verificarlos.
  • Hacer un seguimiento del impacto que puedan tener.
  • Crear una estructura académica que reconozca y recompense a los productores de datos.
  • Incorporarse en el CV y en el registro ORCID del investigador.
  • Posibilidad de estudiar el impacto de los datos citados

Como norma general, los requisitos mínimos para citar datos son una referencia bibliográfica completa, además del identificador unívoco y permanente en que esté accesible (por ejemplo, su handle o DOI).