[论文解读] A Realistic Guide to Making Data Available Alongside Code to Improve Reproducibility
本文为研究人员提供了实用、可操作的指导，帮助他们在共享代码的同时共享数据，以提升可复现性，强调采用低门槛、现实可行的策略，而非理想化的框架。文章倡导在数据共享的连续体上行动，利用版本控制、容器化和持久化存储库，降低障碍，提升计算研究中的透明度和可重用性。
Data makes science possible. Sharing data improves visibility, and makes the research process transparent. This increases trust in the work, and allows for independent reproduction of results. However, a large proportion of data from published research is often only available to the original authors. Despite the obvious benefits of sharing data, and scientists' advocating for the importance of sharing data, most advice on sharing data discusses its broader benefits, rather than the practical considerations of sharing. This paper provides practical, actionable advice on how to actually share data alongside research. The key message is sharing data falls on a continuum, and entering it should come with minimal barriers.
研究动机与目标
- 弥合倡导数据共享与研究人员在实际实施中面临的挑战之间的持久鸿沟。
- 为与代码一同共享数据提供可操作、现实可行的步骤，以提升计算研究的可复现性。
- 通过聚焦现有工具和工作流程，而非理想化的原则（如FAIR），降低数据共享的障碍。
- 通过将数据共享整合到标准研究和版本控制实践中，促进透明度和可重用性。
- 通过确保代码、计算环境和数据的可访问性，支持研究人员实现最小可复现性。
提出的方法
- 倡导在连续体上共享数据，从最低成本、低努力的行动开始，以降低进入门槛。
- 推荐使用版本控制系统（如Git）来跟踪数据版本，与代码同步，以实现可复现性和可审计性。
- 通过研究合集或项目结构（如R包、Python包）将数据与代码集成，捆绑数据与分析。
- 利用Docker和Binder等容器化工具封装完整的计算环境，包括数据，以实现在不同环境中的稳定执行。
- 利用Zenodo、Dryad或GitHub等持久、可信的存储库托管数据，并分配DOI，以提升可引用性和长期可访问性。
- 鼓励使用标准化的数据格式和元数据（如Tidy Data原则），以提升可用性和互操作性。
实验结果
研究问题
- RQ1研究人员可以采用哪些实用、低摩擦的策略，与代码一同共享数据以提升可复现性？
- RQ2如何利用版本控制和容器化，以可复现的方式共同共享数据和代码？
- RQ3计算研究中数据共享的主要障碍是什么？如何通过现有工具和工作流程最小化这些障碍？
- RQ4如何在不进行重大变革或依赖理想化框架的前提下，将数据共享整合到标准研究实践中？
- RQ5持久化存储库和元数据在提升数据可发现性和可重用性方面发挥什么作用？
主要发现
- 数据共享显著提升了科学研究的可复现性、透明度和可信度，尤其是在与代码和计算环境结合时。
- 尽管广泛倡导开放数据，但大多数研究数据在发表后仍无法访问，表明意图与实践之间存在明显差距。
- 使用版本控制（如Git）和容器化（如Docker、Binder）可实现在不同环境中一致且可复现的数据分析执行。
- Zenodo和Dryad等持久化存储库为数据提供了可靠、可引用的存储，配备DOI，增强了可见性和可重用潜力。
- 将数据整合到研究合集或软件包中（如R包、Python包）可简化共享流程，并确保数据与代码同步版本化。
- 当数据共享是渐进式且低摩擦时，其效果最佳，而非从一开始就强制完全符合FAIR等理想化原则。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。