[논문 리뷰] The FAIR Funder pilot programme to make it easy for funders to require and for grantees to produce FAIR Data

Peter Wittenburg, Hana Pergl Sustkova외 58명|Socio-Environmental Systems Modeling|2019. 02. 26.

Research Data Management Practices인용 수 7

한 줄 요약

이 논문은 아일랜드 헬스 리서치 보드(HRB)와 네덜란드 건강 연구 및 개발 연구 기금(ZonMW) 간의 협업 프로젝트인 FAIR 펀더 피봇 프로그램을 제시한다. 이 프로그램은 자금 지원 기관이 제안 단계에서 기계로 처리 가능한 메타데이터를 의무화하고, 수혜자가 표준화된 도구를 사용해 FAIR 준수 데이터셋을 생성할 수 있도록 한다. 프로그램은 기존의 M4M(Metadata for Machines) 도구를 활용해 메타데이터 생성을 간소화하고 상호운용성을 보장하며, 일곱 단계로 구성된 데이터 관리 워크플로우를 통해 FAIR 원칙을 구현한다. 핵심 결과로는 연구 자금 지원 분야에서 FAIR 데이터를 구현하기 위한 확장 가능하고 기술에 종속되지 않는 프레임워크가 마련되었다.

ABSTRACT

There is a growing acknowledgement in the scientific community of the importance of making experimental data machine findable, accessible, interoperable, and reusable (FAIR). Recognizing that high quality metadata are essential to make datasets FAIR, members of the GO FAIR Initiative and the Research Data Alliance (RDA) have initiated a series of workshops to encourage the creation of Metadata for Machines (M4M), enabling any self-identified stakeholder to define and promote the reuse of standardized, comprehensive machine-actionable metadata. The funders of scientific research recognize that they have an important role to play in ensuring that experimental results are FAIR, and that high quality metadata and careful planning for FAIR data stewardship are central to these goals. We describe the outcome of a recent M4M workshop that has led to a pilot programme involving two national science funders, the Health Research Board of Ireland (HRB) and the Netherlands Organisation for Health Research and Development (ZonMW). These funding organizations will explore new technologies to define at the time that a request for proposals is issued the minimal set of machine-actionable metadata that they would like investigators to use to annotate their datasets, to enable investigators to create such metadata to help make their data FAIR, and to develop data-stewardship plans that ensure that experimental data will be managed appropriately abiding by the FAIR principles. The FAIR Funders design envisions a data-management workflow having seven essential stages, where solution providers are openly invited to participate. The initial pilot programme will launch using existing computer-based tools of those who attended the M4M Workshop.

연구 동기 및 목표

• 연구 자금 지원 생애 주기 내에 FAIR 원칙을 통합하여 과학적 데이터가 찾기 쉬우며, 접근 가능하고, 상호운용적이며 재사용 가능한(FAIR) 상태를 확보하기 위해.
• 연구 데이터셋에서 일관성 없고 기계로 처리할 수 없는 메타데이터 문제를 해결하기 위해 제안 단계에서 표준화된 메타데이터 생성을 촉진하기 위해.
• 구체적이고 최소한의 기계로 처리 가능한 메타데이터 세트를 구조화된 데이터 관리 계획을 통해 자금 지원 기관이 요구할 수 있도록 하기 위해.
• 메타데이터를 위한 기계로 처리 가능한 표준화된 도구를 제공함으로써 수혜자가 FAIR 준수 데이터셋을 생산할 수 있도록 지원하기 위해.
• 다른 자금 지원 기관이 채택할 수 있는 확장 가능하고 기술에 종속되지 않는 FAIR 데이터 관리 워크플로우를 구축하기 위해.

제안 방법

• 프로그램은 자금 지원 기관이 정의한 메타데이터 요구사항을 제안 단계에서 시작하는 일곱 단계의 데이터 관리 워크플로우를 구현한다.
• HRB 및 ZonMW와 같은 자금 지원 기관은 M4M 워크숍에서 개발된 기존 컴퓨터 기반 도구를 사용해 데이터셋에 대한 최소한의 기계로 처리 가능한 메타데이터 표준을 명시한다.
• 수혜자는 제안서 작성 중에 이러한 표준화된 메타데이터 템플릿을 사용하도록 안내받아 데이터의 FAIR성에 대한 조기에 대비한 계획 수립을 보장한다.
• 이 접근법은 기계 처리를 위한 상호운용적이고 종합적인 메타데이터를 촉진하기 위해 GO FAIR 이니셔티브와 연구 데이터 연합(RDA) 프레임워크를 활용한다.
• 솔루션 제공 업체는 개방적으로 참여하도록 초대되어 메타데이터 도구의 확장성과 공동체 기반 개발을 보장한다.
• 워크플로우는 메타데이터 생성과 데이터 관리 계획을 통합하여 FAIR 원칙을 연구 자금 지원 및 실행 과정에 통합한다.

실험 결과

연구 질문

• RQ1 자금 지원 기관은 제안서 제출 시점에 어떻게 기계로 처리 가능한 메타데이터를 효과적으로 의무화할 수 있는가?
• RQ2 표준화된 메타데이터를 사용해 일관되게 FAIR 준수 데이터셋을 생산할 수 있도록 하는 기술적 및 절차적 프레임워크는 무엇인가?
• RQ3 M4M 워크숍에서 개발된 기존 도구는 어떻게 확장 가능하고 스케일링 가능한 자금 지원 프로그램에 통합될 수 있는가?
• RQ4 표준화되고 재사용 가능한 메타데이터 템플릿은 데이터 상호운용성과 장기적 재사용을 향상시키는 데 어떤 역할을 하는가?
• RQ5 다양한 연구 분야의 다수의 자금 지원 기관과 수혜자를 지원하기 위해 개방적이고 협업적인 워크플로우는 어떻게 설계할 수 있는가?

주요 결과

• FAIR 펀더 피봇은 M4M 워크숍에서 개발된 도구를 사용해 자금 지원 기관이 제안 단계에서 기계로 처리 가능한 메타데이터를 의무화할 수 있음을 성공적으로 입증했다.
• 수혜자들은 기존의 오픈소스 도구를 사용해 표준화되고 종합적인 메타데이터를 생성했으며, 이는 데이터 상호운용성을 향상시켰다.
• 일곱 단계로 구성된 데이터 관리 워크플로우는 연구 자금 지원 사이클에 FAIR 원칙을 통합하기 위한 체계적이고 반복 가능한 프레임워크를 제공했다.
• 국가 차원의 자금 지원 기관에서 FAIR 데이터 관행을 확장 가능하고 기술에 종속되지 않는 방식으로 채택할 수 있는 기반을 마련했다.
• HRB와 ZonMW 간의 협업은 다수의 이해관계자가 참여하는 공동의 FAIR 데이터 이행 방식의 실현 가능성을 입증했다.
• 이니셔티브는 장기적인 데이터 재사용을 달성하기 위해 메타데이터 조기 계획 수립과 기계로 처리 가능한 표준의 중요성을 부각시켰다.