[论文解读] The FAIR Funder pilot programme to make it easy for funders to require and for grantees to produce FAIR Data

Peter Wittenburg, Hana Pergl Sustkova+58 more|Socio-Environmental Systems Modeling|Feb 26, 2019

Research Data Management Practices被引用 7

一句话总结

本文介绍了FAIR资助者试点项目，该计划由爱尔兰健康研究委员会（HRB）与荷兰健康研究与发展组织（ZonMW）合作开展，使资助方能够在项目申请阶段强制要求机器可操作的元数据，资助接受者则可使用标准化工具生成符合FAIR标准的数据集。该项目通过七阶段数据管理流程实现FAIR原则，利用现有的M4M（机器元数据）工具简化元数据创建并确保互操作性，其核心成果是建立了一个可扩展、技术无关的FAIR数据实施框架，适用于科研资助领域。

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.

研究动机与目标

• 通过将FAIR原则嵌入科研资助生命周期，应对科学数据日益增长的可发现性、可访问性、互操作性和可重用性（FAIR）需求。
• 通过在项目申请阶段推广标准化元数据创建，解决科研数据集中元数据不一致且无法机器处理的问题。
• 使资助方能够通过结构化的数据管理计划，要求特定的、最小限度的机器可操作元数据集。
• 通过在元数据工作坊期间开发的可访问、开放的工具，支持资助接受者生成符合FAIR标准的数据集。
• 建立一个可扩展、技术无关的数据管理流程，供其他资助机构采纳。

提出的方法

• 该项目实施一个七阶段数据管理流程，从资助方在项目申请阶段定义元数据要求开始。
• HRB和ZonMW等资助方利用M4M工作坊中已有的计算机工具，为数据集指定最小限度的、机器可操作的元数据标准。
• 资助接受者在撰写申请时被引导使用这些标准化的元数据模板，以确保对数据FAIR性的早期规划。
• 该方法依赖GO FAIR倡议和研究数据联盟（RDA）框架，以促进可互操作、全面的元数据，供机器处理。
• 邀请解决方案提供商公开参与，确保元数据工具的可扩展性与社区驱动的开发。
• 该流程将元数据创建与数据管理规划相结合，将FAIR原则嵌入科研资助与执行过程。

实验结果

研究问题

• RQ1 资助方如何在项目申请提交时有效要求机器可操作的元数据，以确保实现FAIR数据成果？
• RQ2 哪些技术和程序框架可使资助接受者持续使用标准化元数据生成符合FAIR标准的数据集？
• RQ3 如何将M4M工作坊中现有的工具适应并整合到可扩展的FAIR数据管理资助计划中？
• RQ4 标准化、可重用的元数据模板在提升数据互操作性与长期可重用性方面发挥什么作用？
• RQ5 如何设计一种协作性、开放的工作流程，以支持不同研究领域内多个资助方与资助接受者？

主要发现

• FAIR资助者试点项目成功证明，资助方可以利用M4M工作坊开发的工具，在项目申请阶段强制要求机器可操作的元数据。
• 资助接受者能够使用现有的开源工具，为数据集生成标准化、全面的元数据，从而提升数据互操作性。
• 七阶段数据管理流程为将FAIR原则整合到科研资助周期中提供了结构化、可重复的框架。
• 该项目为国家资助机构广泛采用可扩展、技术无关的FAIR数据实践奠定了基础。
• HRB与ZonMW之间的合作验证了协调一致、多方参与的FAIR数据实施方法的可行性。
• 该举措凸显了早期元数据规划与机器可操作标准在实现长期数据可重用性中的重要性。