Uma Abordagem de Acompanhamento da Evolução de Planos de Gestão de Dados Ativos

• Annatercia Gomes Pinheiro Universidade Federal do Rio de Janeiro
• Renato Cerceau Universidade Federal do Rio de Janeiro
• Maria Luiza Machado Campos Universidade Federal do Rio de Janeiro
• Sérgio Manuel Serra da Cruz Universidade Federal do Rio de Janeiro / Universidade Federal Rural do Rio de Janeiro https://orcid.org/0000-0002-0792-8157

DOI: https://doi.org/10.5753/bresci.2023.233895

Resumo

A governança de dados científicos tornou-se peça fundamental para projetos de pesquisa baseados em Ciência Aberta, no entanto nem sempre é executada de modo adequado. Este artigo apresenta o Active Plans & Provenance (APProve), uma abordagem de apoio à gestão e evolução de Planos de Gestão de Dados Ativos (PGDA) baseados em proveniência de dados e alinhados aos princípios FAIR. A prova de conceito é baseada em experimentos de um caso real de versionamentos de um plano do projeto VODAN-Br considerando as determinações do financiamento Horizon 2020. A ferramenta foi capaz de capturar o versionamento e os metadados de proveniência das operações, indicando a viabilidade da abordagem.

Palavras-chave: Planos de Gestão de Dados, Proveniência, Versionamento, Variabilidade

Referências

Campos, M. L. M. et al. (2020). VODAN BRAZIL - The Brazilian experience at the Virus Outbreak Data Network. https://doi.org/10.5281/ZENODO.4291112

Cardoso, J., Miksa, T., & Borbinha, J. (2019). Debunking Active Data Management Plans. Proceedings - 2018 IEEE International Conference on Big Data, Big Data 2018, 5308–5310. https://doi.org/10.1109/BigData.2018.8621860

Henning, P., et al. (2021). The FAIRness of data management plans: an assessment of some European DMPs. Revista Eletrônica de Comunicação, Informação e Inovação Em Saúde, 15(3). https://doi.org/10.29397/reciis.v15i3.2270

Jones, S., et al. (2020). Data Management Planning: How Requirements and Solutions are Beginning to Converge. Data Intelligence, 2(1–2). https://doi.org/10.1162/dint_a_00043

Mattoso, M. et al. (2010). Towards supporting the life cycle of large scale scientific experiments. Int. J. Bus. Process. Integr. Manag. 5(1): 79-92

Moreau, L. (2010). The foundations for provenance on the Web. Foundations and Trends in Web Science. https://doi.org/10.1561/1800000010

Poole, A. H. (2015). How has your science data grown? Digital curation and the human factor: a critical literature review. Archival Science, 15(2). https://doi.org/10.1007/s10502-014-9236-y

Simms, S., et al. (2017). Machine-actionable data management plans (maDMPs). Research Ideas and Outcomes, 3, e13086. https://doi.org/10.3897/rio.3.e13086

Souza, D. L. et al. (2020). A perspectiva dos pesquisadores sobre os desafios da pesquisa no Brasil. Educação e Pesquisa, 46. https://doi.org/10.1590/s1678-4634202046221628

Veiga, V. S. de O., et al. (2019). Plano de gestão de dados fair: uma proposta para a Fiocruz | Fair data management plan: a proposal for Fiocruz. Liinc Em Revista. https://doi.org/10.18617/liinc.v15i2.5030

Wilkinson, M. D. et al. (2016). Comment: The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data. https://doi.org/10.1038/sdata.2016.18

Wittenburg, P., et al. (2019). The FAIR Funder pilot programme to make it easy for funders to require and for grantees to produce FAIR Data. https://arxiv.org/abs/1902.11162v2.