Moksliniai duomenys
Empiriniuose moksliniuose tyrimuose duomenys yra esminis komponentas. Šiuolaikinės technologijos leidžia sukurti daug didesnius duomenų kiekius nei anksčiau, taip pat atsiranda daug naujų įrankių, kurie suteikia galimybę duomenis analizuoti, saugoti, tvarkyti ir jais dalintis.
Moksliniai duomenys yra bet kokia informacija, kuri gali būti surinkta stebėjimo būdu, atliekant eksperimentus, vykdant apklausas ar kitais būdais, kurių analize siekiama patvirtinti (ar paneigti) vykdomo tyrimo hipotezę.
Moksliniai duomenys yra bet kokia informacija, kuri gali būti surinkta stebėjimo būdu, atliekant eksperimentus, vykdant apklausas ar kitais būdais, kurių analize siekiama patvirtinti (ar paneigti) vykdomo tyrimo hipotezę.
Įsibėgėjant Atvirojo mokslo vystymui ir taikymui praktikoje, siekiant gauti finansavimą projektams vis dažniau yra reikalaujama atverti/publikuoti ne tik atlikto tyrimo rezultatus, bet ir jiems gauti sugeneruotus duomenis. Šiuo tikslu, mokslinio tyrimo eigoje surinkti duomenys turi būti atveriami viešai prieigai, patalpinant juos atviros prieigos duomenų talpyklose arba publikuojant juos duomenų žurnaluose. Tokiu būdu atverti duomenys gali būti pakartotinai panaudojami kitų mokslininkų. Taip pat, duomenys gali būti atskirai cituojami, taip suteikiant tyrėjui papildomą matomumo ir įtakos naudą.
Duomenų tipai
Moksliniais duomenimis yra traktuojami ne tik galutiniai eksperimentų rezultatai, bet ir pirminiai bei tarpiniai duomenys (pavyzdžiui, skaičiuoklės, laboratoriniai užrašai, dienoraščiai, klausimynai, transkriptai, kodai, garso įrašai, videofilmai, fotografijos, testų atsakymai, skaidrės, artefaktai, pavyzdžiai, skaitmeninių objektų rinkiniai, duomenų failai, duomenų bazės, algoritmai, tyrimų metodikos, darbo eiga, programinės įrangos turinys (įvesties/išvesties duomenys, schemos, duomenų failai), protokolai ir t.t.). Tačiau priklausomai nuo tyrimų disciplinos ir konteksto, skirtingos institucijos gali išskirti skirtingus duomenų tipus:
NSF (National Science Foundation) išskiriami duomenų tipai:
NEH (National Endowment for the Humanities) išskiriami duomenų tipai:
NSF (National Science Foundation) išskiriami duomenų tipai:
- Duomenys (skaitiniai ar kokybiniai)
- Publikacijos
- Mėginiai (pvz., kraujo, dirvožemio ir kt.)
- Fizinės kolekcijos (pvz., herbariumai, archeologiniai radiniai ir kt.)
- Programinė įranga
- Tyrimų modeliai
NEH (National Endowment for the Humanities) išskiriami duomenų tipai:
- Citatos
- Programinės įrangos kodai
- Algoritmai
- Skaitmeniniai įrankiai
- Duomenų bazės
- Geoerdvines koordinatės
- Dokumentacija
- Ataskaitos
- Straipsniai
Tam, kad duomenys būtų surandami, jie turi būti aprašomi, sudarant metaduomenų aprašą. Duomenų aprašymo komponentai panašūs į mokslinių publikacijų bibliografinio aprašo (metaduomenų) komponentus.
Duomenų aprašai (metaduomenys) yra sudaromi vadovaujantis tam tikrais metaduomenų standartais:
Duomenų aprašymui naudojamo metaduomenų standarto pasirinkimas gali priklausyti nuo duomenų tipo ir nuo pasirinktos duomenų talpyklos ar duomenų žurnalo reikalavimų.
*DOI (angl. Digital Object Identifier) – Unikalus skaitmeninis identifikatorius. Tai nekintantis objekto vardas, naudojamas objektui identifikuoti skaitmeninėje erdvėje. Konkretaus objekto DOI išlieka nekintantis nepriklausomai nuo objekto lokalizacijos, kuri gali kisti.
Duomenų metaduomenų komponentai:
- Autorius (-iai) – duomenų kūrėjo/-ų (asmenų arba organizacinių vienetų) vardas (-ai).
- Paskelbimo data – nurodomi duomenų paskelbimo/patalpinimo talpykloje metai.
- Pavadinimas – pilnas duomenų rinkinio pavadinimas, įskaitant versijos numerį (jei taikytina).
- Šaltinis / Leidėjas – nurodoma, kur duomenys buvo publikuoti (talpykla arba duomenų žurnalas).
- Nuoroda / identifikatorius – nuoroda (URL) tiesioginei duomenų prieigai internete arba unikalus, nuolatinis identifikatorius (pvz., DOI*).
Duomenų aprašai (metaduomenys) yra sudaromi vadovaujantis tam tikrais metaduomenų standartais:
- CERIF (angl. Common European Research Information Format) – Europos Sąjungos valstybėms narėms rekomenduojamas bendras įvairių disciplinų metaduomenų aprašymo standartas.
- Dublin Core (angl. Dublin Core Metadata) – įvairių disciplinų metaduomenų aprašymo standartas.
- DDI (angl. Document, Discover and Interoperate) – tarptautinis standartas, skirtas socialinių, elgesio, ekonomikos ir sveikatos mokslų srityse apklausų ir kitų apžvalginių metodų būdu sugeneruotų duomenų aprašymui.
- DICOM (angl. Digital Imaging and Communications in Medicine) – biomedicininiams duomenims aprašyti naudojamas standartas.
- CIF (angl. Crystallographic Information File) – kristalografinių ir kitų struktūrinių tyrimų duomenims aprašyti naudojamas metaduomenų standartas.
Duomenų aprašymui naudojamo metaduomenų standarto pasirinkimas gali priklausyti nuo duomenų tipo ir nuo pasirinktos duomenų talpyklos ar duomenų žurnalo reikalavimų.
*DOI (angl. Digital Object Identifier) – Unikalus skaitmeninis identifikatorius. Tai nekintantis objekto vardas, naudojamas objektui identifikuoti skaitmeninėje erdvėje. Konkretaus objekto DOI išlieka nekintantis nepriklausomai nuo objekto lokalizacijos, kuri gali kisti.
Tam, kad duomenis galima būtų suprasti, teisingai interpretuoti ir panaudoti antrinei analizei, reikalingi papildomi duomenys (angl. background data).
Papildomais duomenimis gali būti traktuojami:
Be šių papildomų duomenų, duomenų rinkiniai tampa bereikšmiai ir nepanaudotini.
Papildomais duomenimis gali būti traktuojami:
- kodų aprašai
- klausimynai
- metodologijų aprašymai
- ataskaitos
- konferencijų stendiniai pranešimai
- straipsniai
- informacija interneto tinklapiuose, bloguose ir pan.
Be šių papildomų duomenų, duomenų rinkiniai tampa bereikšmiai ir nepanaudotini.
Mokslinių duomenų valdymas
Tam, kad duomenis būtų galima publikuoti, viso tyrimo eigoje jie turi būti tinkamai renkami, apipavidalinami, aprašomi ir talpinami. Tinkamas mokslo duomenų kaupimas, parengimas ir viešinimas bendrai apibūdinamas kaip Mokslinių duomenų valdymas (toliau – MDV).
MDV apima veiklas ir procesus, susijusius su duomenų rinkimu, apdorojimu, analize, aprašymu, ilgalaikiu išsaugojimu, prieigos ir pakartotinio panaudojimo užtikrinimu. Šie procesai vykdomi atsižvelgiant į technines galimybes, etinius ir teisinius klausimus bei valdžios ir finansuojančių institucijų reikalavimus ir gali būti suskirstyti į keletą etapų, apibūdinančių duomenų gyvavimo ciklą (1 pav.).
1 pav. Mokslinių duomenų valdymas (MDV) susideda iš keleto pagrindinių etapų, sudarančių ciklą.
Efektyvus MDV turi būti vykdomas visose ciklo stadijose.
Planavimo etape:
Duomenų rinkimo etape:
Duomenų apdorojimo ir analizės etapas:
Tam, kad sukauptus pirminius duomenis būtų galima analizuoti, juos gali reikėti išvalyti, standartizuoti ar kitais būdais apdoroti. Šiame etape ypatingai svarbu, kad visi duomenų pakeitimai būtų dokumentuojami. Taip pat, svarbu aprašyti visas analizės procedūras, kaip atliktas papildomas manipuliacijas, naudotą analizės modelį bei techninės ir programinės įrangos specifikacijas.
Duomenų saugojimo etape:
Atsižvelgiant į pasirinktos duomenų talpyklos ir/arba finansuotojo reikalavimus, numatomas viešinamų duomenų formatas, vykdomas tolesnis duomenų valymas (pvz., nuasmeninimas) ir dokumentavimas. Šiame etape turi būti peržiūrėta visa duomenis aprašanti dokumentacija, užtikrinant, kad ji būtų pakankamai išsami ir įgalintų paskelbtus duomenis aptikti ir pakartotinai panaudoti.
Publikavimo ir sklaidos etape:
Apdoroti ir aprašyti duomenys publikuojami moksliniuose straipsniuose, duomenų žurnaluose, ataskaitose, ir kartu su papildoma informacija talpinami duomenų talpyklose ar archyvuose.
1 pav. Mokslinių duomenų valdymas (MDV) susideda iš keleto pagrindinių etapų, sudarančių ciklą.
Efektyvus MDV turi būti vykdomas visose ciklo stadijose.
Planavimo etape:
- Numatoma, ar tyrime bus generuojami nauji duomenys, ar panaudojami jau egzistuojantys duomenys
- Pasirenkama tinkama duomenų talpykla
- Pasirenkami duomenų formatai ir metaduomenų standartai duomenims aprašyti
- Įvertinami konfidencialumo, privatumo ir kiti etiniai klausimai
- Nustatomi potencialūs duomenų vartotojai
- Įvertinamos MDV išlaidos ir reikalingi resursai
Duomenų rinkimo etape:
- Numatomos procedūros duomenų organizavimui, atsarginių versijų kūrimui ir saugojimui
- Sudaromi duomenų kokybės užtikrinimo protokolai
- Nustatomi prieigos apribojimai ir saugumo užtikrinimo priemonės
Duomenų apdorojimo ir analizės etapas:
Tam, kad sukauptus pirminius duomenis būtų galima analizuoti, juos gali reikėti išvalyti, standartizuoti ar kitais būdais apdoroti. Šiame etape ypatingai svarbu, kad visi duomenų pakeitimai būtų dokumentuojami. Taip pat, svarbu aprašyti visas analizės procedūras, kaip atliktas papildomas manipuliacijas, naudotą analizės modelį bei techninės ir programinės įrangos specifikacijas.
Duomenų saugojimo etape:
Atsižvelgiant į pasirinktos duomenų talpyklos ir/arba finansuotojo reikalavimus, numatomas viešinamų duomenų formatas, vykdomas tolesnis duomenų valymas (pvz., nuasmeninimas) ir dokumentavimas. Šiame etape turi būti peržiūrėta visa duomenis aprašanti dokumentacija, užtikrinant, kad ji būtų pakankamai išsami ir įgalintų paskelbtus duomenis aptikti ir pakartotinai panaudoti.
Publikavimo ir sklaidos etape:
Apdoroti ir aprašyti duomenys publikuojami moksliniuose straipsniuose, duomenų žurnaluose, ataskaitose, ir kartu su papildoma informacija talpinami duomenų talpyklose ar archyvuose.
Kas dalyvauja MDV procesuose?
Mokslininkai ir tyrėjai – duomenų kūrėjai ir naudotojai. Jie planuoja tyrimus, numato, kokie duomenys bus renkami, jau kaupia ir apdoroja bei nustato, kaip duomenys bus analizuojami ir kokios galimos tokių analizių išvados.
Universitetai ir tyrimų institutai – nustato vidines MDV politikas. Taip pat, gali suteikti MDV reikalingus resursus, tokius kaip MDV mokymus, paramą rengiant MDV planus, techninę bei programinę įrangą bei konsultavimą susijusiais klausimais (IT padaliniai), ir duomenų archyvavimo paslaugas (institucinės talpyklos).
Duomenų talpyklos – kuruoja duomenis, užtikrina jų ilgalaikį išsaugojimą ir prieigą. Duomenų talpyklos bendradarbiauja su duomenų kūrėjais, kad užtikrintų duomenų naudingumą ilgalaikėje perspektyvoje, bei nustato reikalingus prieigos apribojimus (pvz., embargo periodai ar kiti prieigos apribojimai, nulemti institucijos ar finansuotojo reikalavimų), užtikrina duomenų saugumą ir nuosavybės teisių laikymąsi.
Vartotojai – įvairių sričių atstovai, pakartotinai naudojantys publikuotus duomenis. Pakartotiniai duomenų vartotojai gali būti: patys duomenų kūrėjai bei kiti mokslininkai, nagrinėjantys duomenis kitais aspektais, nei originalaus tyrimo metu, lygindami su vėlesniuose etapuose gautais analogiškais duomenimis ar siekiantys patikrinti tyrimo metu gautų rezultatų patikimumą; dėstytojai, naudojantys duomenis mokymo tikslams; studentai, rengiantys baigiamuosius darbus; verslo, politikos ar privačių sektorių atstovai; žurnalistai; ir suinteresuoti plačiosios visuomenės nariai.
Finansuotojai – suteikia tyrimui vykdyti reikalingus resursus. Šiandien vis daugiau finansuojančių institucijų reikalauja MDV, siekiant didesnio vykdomų projektų skaidrumo. Skatindami užtikrinti projekto metu sukauptų duomenų pakartotinio panaudojimo galimybę, finansuotojai taip pat siekia padidinti jų investicijų grąžą.
Leidėjai ir žurnalai – viešina tyrimų rezultatus ir jais paremtus mokslinius atradimus. Leidėjai ir žurnalų redkolegijos vis intensyviau skatina autorius cituoti duomenis (jų pačių sukurtus ar kitus, kurie buvo naudoti tyrime), o kai kurių žurnalų, pvz. PLOS (Public Library of Sciences), reikalavimuose nurodoma, kad tyrimui naudoti duomenys būtų publikuoti duomenų talpyklose.
Dėl didelės MDV procesuose dalyvaujančių šalių įvairovės, efektyvus MDV reikalauja glaudaus bendradarbiavimo tarp šių grupių.
Mokslininkai ir tyrėjai – duomenų kūrėjai ir naudotojai. Jie planuoja tyrimus, numato, kokie duomenys bus renkami, jau kaupia ir apdoroja bei nustato, kaip duomenys bus analizuojami ir kokios galimos tokių analizių išvados.
Universitetai ir tyrimų institutai – nustato vidines MDV politikas. Taip pat, gali suteikti MDV reikalingus resursus, tokius kaip MDV mokymus, paramą rengiant MDV planus, techninę bei programinę įrangą bei konsultavimą susijusiais klausimais (IT padaliniai), ir duomenų archyvavimo paslaugas (institucinės talpyklos).
Duomenų talpyklos – kuruoja duomenis, užtikrina jų ilgalaikį išsaugojimą ir prieigą. Duomenų talpyklos bendradarbiauja su duomenų kūrėjais, kad užtikrintų duomenų naudingumą ilgalaikėje perspektyvoje, bei nustato reikalingus prieigos apribojimus (pvz., embargo periodai ar kiti prieigos apribojimai, nulemti institucijos ar finansuotojo reikalavimų), užtikrina duomenų saugumą ir nuosavybės teisių laikymąsi.
Vartotojai – įvairių sričių atstovai, pakartotinai naudojantys publikuotus duomenis. Pakartotiniai duomenų vartotojai gali būti: patys duomenų kūrėjai bei kiti mokslininkai, nagrinėjantys duomenis kitais aspektais, nei originalaus tyrimo metu, lygindami su vėlesniuose etapuose gautais analogiškais duomenimis ar siekiantys patikrinti tyrimo metu gautų rezultatų patikimumą; dėstytojai, naudojantys duomenis mokymo tikslams; studentai, rengiantys baigiamuosius darbus; verslo, politikos ar privačių sektorių atstovai; žurnalistai; ir suinteresuoti plačiosios visuomenės nariai.
Finansuotojai – suteikia tyrimui vykdyti reikalingus resursus. Šiandien vis daugiau finansuojančių institucijų reikalauja MDV, siekiant didesnio vykdomų projektų skaidrumo. Skatindami užtikrinti projekto metu sukauptų duomenų pakartotinio panaudojimo galimybę, finansuotojai taip pat siekia padidinti jų investicijų grąžą.
Leidėjai ir žurnalai – viešina tyrimų rezultatus ir jais paremtus mokslinius atradimus. Leidėjai ir žurnalų redkolegijos vis intensyviau skatina autorius cituoti duomenis (jų pačių sukurtus ar kitus, kurie buvo naudoti tyrime), o kai kurių žurnalų, pvz. PLOS (Public Library of Sciences), reikalavimuose nurodoma, kad tyrimui naudoti duomenys būtų publikuoti duomenų talpyklose.
Dėl didelės MDV procesuose dalyvaujančių šalių įvairovės, efektyvus MDV reikalauja glaudaus bendradarbiavimo tarp šių grupių.
Kodėl svarbu valdyti duomenis?
MDV padeda mokslininkams efektyviau vykdyti tyrimus:
MDV padeda mokslininkams efektyviau vykdyti tyrimus:
- didelio, kompleksinio projekto atveju, kurio metu generuojami įvairių tipų duomenys, net patys tyrėjai gali pasimesti turimų duomenų gausoje. Todėl MDV padeda jiems optimizuoti duomenų panaudojimą aktyvioje tyrimo stadijoje.
- dažnai duomenų rinkimo, tvarkymo, o neretai – ir analizavimo, užduotys yra vykdomos baigiamųjų pakopų studentų ar kitų projekto dalyvių (personalo narių ar net kitų padalinių ar institucijų atstovų). Todėl MDV palengvina bendradarbiavimą su kitais tyrimo dalyviais, bei žinių perdavimą vykstant personalo kaitai.
- Pasibaigus tyrimui ar projektui, duomenys gali būti panaudoti atsakyti į papildomus klausimus, kurie nebuvo nagrinėti pirminio tyrimo metu.
- Taip pat, jei bus norima ateityje atlikti analogišką tyrimą, sukauptus pirminio tyrimo duomenis bus galima lengvai panaudoti gautų rezultatų palyginimui laike, kas būtų praktiškai neįmanoma, jei duomenys nebūtų tvarkomi sistemingai.
- MDV taip pat padidina tyrimo skaidrumą ir duomenų patikimumą, nes tinkamai parengti duomenys leidžia juos panaudoti tyrimo rezultatų validavimui.
- Tinkamai surinkti ir aprašyti duomenys gali būti atrandami ir panaudoti trečiųjų šalių (vartotojų), tokiu būdu ne tik užtikrinant didesnę investicijų į projektus grąžą dėl pakartotinio duomenų naudojimo inovacijų kūrimui ir pažangai, bet ir suteikiant plačiosios visuomenės nariams geresnes sąlygas piliečių mokslo vystymui ir galimybę panaudoti duomenis studijų ir mokymo tikslais.
Mokslinių duomenų valdymo reikalavimus Lietuvoje reglamentuojantys dokumentai
Europoje mokslinių duomenų valdymo (MDV) principai yra pagrįsti Europos Komisijos (EK) 2017 m. kovo 21 d. parengtomis Atvirosios prieigos prie mokslo publikacijų ir duomenų programoje Horizontas 2020 gairėmis (anglų k.). Platesnė informacija apie Europos Komisijos taikomas atvirojo mokslo ir mokslo duomenų valdymo politikas a OpenAIRE tinklapyje.
Lietuvos mokslo tarybos (LMT) finansuojamų projektų duomenų valdymo principai apibrėžti 2016 m. vasario 29 d. nutarimu Nr. VIII-2 patvirtintomis Atvirosios prieigos prie mokslo publikacijų ir duomenų gairėmis.
EK ir LMT gairėse svarbiausios nuostatos sutampa ir yra akcentuojama:
Svarbiausi akcentai:
FAIR principai
Visuose nuostatuose reikalaujama, kad tyrimo duomenys būtų renkami, apipavidalinami, aprašomi ir talpinami remiantis FAIR principais (angl. FAIR Data Principles: Findable, Accessible, Interoperable, Reusable).
Lietuvos mokslo tarybos (LMT) finansuojamų projektų duomenų valdymo principai apibrėžti 2016 m. vasario 29 d. nutarimu Nr. VIII-2 patvirtintomis Atvirosios prieigos prie mokslo publikacijų ir duomenų gairėmis.
EK ir LMT gairėse svarbiausios nuostatos sutampa ir yra akcentuojama:
- mokslinių tyrimų duomenų valdymo plano pateikimo svarba;
- duomenų saugojimas mokslinių tyrimų duomenų talpyklose;
- atviros prieigos prie duomenų užtikrinimas, taikant atvirojo turinio licencijas;
- ilgalaikio duomenų saugojimo užtikrinimas pasibaigus projektui;
- duomenų aprašymas, pateikiant pakankamai informacijos ir priemonių mokslinių tyrimų rezultatams verifikuoti;
- duomenų susiejimas su atitinkamomis publikacijomis.
Svarbiausi akcentai:
- mokslinių tyrimų duomenys, gauti vykdant projektines veiklas, paremtas viešomis lėšomis, turi būti saugomi atvirąja prieiga pagal finansavusios institucijos reikalavimus;
- turi būti užtikrintas duomenų saugojimas ir jų pateikimas atviros prieigos talpyklai projektui pasibaigus;
- užtikrinti atvirą duomenų ir jų metaduomenų prieinamumą, sutampantį su atitinkamos publikacijos paskelbimu.
FAIR principai
Visuose nuostatuose reikalaujama, kad tyrimo duomenys būtų renkami, apipavidalinami, aprašomi ir talpinami remiantis FAIR principais (angl. FAIR Data Principles: Findable, Accessible, Interoperable, Reusable).
Duomenų valdymo planai (DVP)
Teikiant paraiškas projektų finansavimui, vis dažniau yra reikalaujama kartu pateikti tyrimo duomenų valdymo planą.
Mokslinių duomenų valdymo planas (DVP) (angl. Research Data Management Plan, RDM) – tai formalus dokumentas, aprašantis procesus, kurie bus atliekami su tyrimo metu gautais ar pakartotinai naudotais duomenimis, įvardinant konkrečias priemones ir strategijas, kurios bus taikomos visuose duomenų valdymo ciklo etapuose.
DVP turėtų išsamiai aprašyti visus pagrindinius duomenų valdymo aspektus per visą tyrimo gyvavimo ciklą. DVP yra rengiami vadovaujantis bendra struktūra, atsakant į kelis pagrindinius klausimus:
-
Kokie duomenys bus kuriami, generuojami ir renkami?
-
Kokiu formatu duomenys bus kaupiami ir kokia numatoma apimtis?
-
Kaip duomenys bus tvarkomi projekto metu ir jam pasibaigus?
-
Kokie metodai ir metaduomenų standartai bus naudojami? (skirtingose mokslo srityse ir (ar) disciplinose naudojami skirtingi metaduomenų standartai, kuriuos būtina numatyti prieš pradedant kaupti duomenis)
-
Kaip bus užtikrinamas ilgalaikis duomenų saugojimas: kokioje talpykloje duomenys bus patalpinti, kiek tai kainuos?
-
Kokia numatoma duomenų prieiga: ar bus suteikta atviroji prieiga ir kokiu būdu bus dalinamasi duomenimis?
Skaitmeninio kuravimo centras (angl. Digital Curation Center) pateikia kontrolinį DVP rengimui reikalingų atsakyti klausimų sąrašą (Digital Curation Centre’s Checklist for a Data Management Plan):
Kokie duomenys bus renkami ar kuriami?
Reikalinga pateikti duomenų aprašą, apibūdinant jų tipą, formatą ir apimtį, kartu pagrindžiant konkretaus formato pasirinkimą.
Kaip duomenys bus renkami ar kuriami?
Apibūdinti taikytinus duomenų rinkimo metodus, įskaitant standartus, kurie diktuoja šiuos metodus.
Taip pat reikalinga numatyti, kaip bus tvarkomi duomenų failai, įskaitant skirtingų versijų valdymą, bei kokie kokybės užtikrinimo protokolai bus įgyvendinami renkant duomenis ir juos apdorojant.
Kokie metaduomenys ir papildoma dokumentacija bus pateikiami prie duomenų?
Tinkamas duomenų rinkinio aprašymas (metaduomenys) yra ypatingai svarbus siekiant užtikrinti, kad duomenys būtų surandami.
Svarbu nustatyti, kokia informacija bus reikalinga, kad ateityje duomenys būtų suprantami antriniams duomenų vartotojams ar patiems duomenų kūrėjams. Kitaip tariant, reikalinga apibūdinti kokius papildomus duomenis bus reikalinga pateikti kartu su duomenų rinkiniu, norint ateityje juos tinkamai interpretuoti ir naudoti.
Papildomi duomenys gali būti metodikų aprašymai, kodų aprašai, kuriuose pateikiami kintamųjų ir jų reikšmių apibrėžimai, klausimynai, techninės ar programinės įrangos aprašai, taikytos analizės procedūros bei jų sąlygos ir kt.
Kaip bus sprendžiamos etinės problemos?
DVP turėtų parodyti, kad svarstėte svarbiausius klausimus, susijusius su įstatymais ir gairėmis dėl žmonių subjektų apsaugos. Jei jūsų projekte bus atliekami tyrimai, kuriuose dalyvaus žmonės, turite apibūdinti jų konfidencialumo apsaugos nuostatas. Taip pat, reikalinga numatyti neskelbtinų duomenų tvarkymo ir saugojimo strategijas, apribojant prieigą prie neskelbtinų duomenų ar nuasmeninant duomenis, kad jie būtų tinkami viešinimui.
Kaip bus tvarkomi autorių teisių ir intelektinės nuosavybės teisių klausimai?
Reikalinga įvardinti duomenų savininką ir jų naudojimo sąlygas. Jei pakartotinai naudojami trečiųjų šalių duomenys, ypatingai, jei jie saugomi nuosavybės teisių, reikalinga gauti ir pateikti duomenų kūrėjo leidimus naudoti duomenis.
Kaip bus saugomi ir kuriami duomenys atliekant tyrimus?
Reikalinga apibūdinti duomenų saugojimo nuostatas ir kokiu laipsniu jos pritaikomos jūsų duomenų tipui ir apimčiai. Į saugojimo nuostatas turėtų būti įtraukti sistemingi duomenų failų atsarginių kopijų sudarymo planai.
Kaip bus valdoma prieiga ir duomenų saugumas?
Jei duomenys yra neskelbtini arba turėtų būti kitaip ribojami, suteikiant prieigą tik Įgaliotiems projekto dalyviams, reikalinga išsamiai aprašyti saugumo priemones, kurios bus taikomos duomenims apsaugoti. Taip pat, reikalinga nurodyti standartus, kuriais vadovaujantis bus taikomos šios saugumo priemonės.
Kurie duomenys turėtų būti saugomi, viešinami ir (arba) archyvuojami?
Atsižvelgiant į tai, kaip duomenis ateityje galėtų panaudoti kiti ar patys duomenų kūrėjai, reikalinga atkreipti dėmesį į galimą duomenų vertę ir pastangas bei išteklius, kurių reikės parengti duomenų rinkinius išsaugojimui ir ilgalaikei prieigai.
Koks yra ilgalaikis duomenų rinkinio išsaugojimo planas?
Reikalinga pasirinkti saugyklą (duomenų talpyklą), kuri bus naudojama duomenims archyvuoti, užtikrinant, kad jie bus išsaugoti ir prieinami panaudojimui artimiausioje ateityje bei ilgalaikėje perspektyvoje.
Kaip duomenimis bus dalinamasi?
Reikalinga nustatyti mechanizmą, kuris bus naudojamas dalinimuisi duomenimis. Reikalinga aprašyti, kaip duomenis galės rasti kiti suinteresuoti vartotojai ir kaip duomenų failai bus jiems pateikiami. Taip pat, nurodyti, kaip norima, kad duomenys būtų cituojami.
Ar reikalingi dalijimosi duomenimis apribojimai?
Jei privatumo problemos daro įtaką galimybei dalintis projekto duomenimis, reikalinga numatyti, kaip šias problemos galės būti išspręstos, kad duomenis būtų galima viešinti (pateikiant nuasmenintas duomenų versijas, reikalaujant duomenų naudojimo sutarties ar taikant kitus mechanizmus). Taip pat, galima pasirinkti duomenims nustatyti embargą, tam tikrą laiką prieigą prie duomenų suteikiant tik autorizuotiems vartotojams (projekto dalyviams). Tokiu atveju reikalinga paaiškinti embargo taikymo priežastis.
Kas bus atsakingas už duomenų valdymą?
Jei įmanoma, įvardinti konkretų asmenį, kuris bus atsakingas už duomenų valdymo plano įgyvendinimą.
Kokie ištekliai bus reikalingi DVP įgyvendinimui?
Kai kuriems projektams, paremtiems sudėtiniais duomenimis, dėl duomenų tipo, apimties ar to, kad projekto veikla yra geografiškai paskirstyta įvairioms institucijoms, duomenų valdymui gali prireikti specializuotos patirties ar specialios įrangos.
Taip pat reikalinga atsižvelgti į išlaidas, susijusias su vykdomų duomenų tvarkymo užduočių atlikimu ir ilgalaikiu duomenų išsaugojimu saugykloje.
Atsakymas į šiuos klausimus ne tik užtikrins duomenų valdymo reikalavimų laikymąsi, bet ir padės geriau pasirengti įgyvendinti duomenų valdymo strategijas.
Kokie duomenys bus renkami ar kuriami?
Reikalinga pateikti duomenų aprašą, apibūdinant jų tipą, formatą ir apimtį, kartu pagrindžiant konkretaus formato pasirinkimą.
Kaip duomenys bus renkami ar kuriami?
Apibūdinti taikytinus duomenų rinkimo metodus, įskaitant standartus, kurie diktuoja šiuos metodus.
Taip pat reikalinga numatyti, kaip bus tvarkomi duomenų failai, įskaitant skirtingų versijų valdymą, bei kokie kokybės užtikrinimo protokolai bus įgyvendinami renkant duomenis ir juos apdorojant.
Kokie metaduomenys ir papildoma dokumentacija bus pateikiami prie duomenų?
Tinkamas duomenų rinkinio aprašymas (metaduomenys) yra ypatingai svarbus siekiant užtikrinti, kad duomenys būtų surandami.
Svarbu nustatyti, kokia informacija bus reikalinga, kad ateityje duomenys būtų suprantami antriniams duomenų vartotojams ar patiems duomenų kūrėjams. Kitaip tariant, reikalinga apibūdinti kokius papildomus duomenis bus reikalinga pateikti kartu su duomenų rinkiniu, norint ateityje juos tinkamai interpretuoti ir naudoti.
Papildomi duomenys gali būti metodikų aprašymai, kodų aprašai, kuriuose pateikiami kintamųjų ir jų reikšmių apibrėžimai, klausimynai, techninės ar programinės įrangos aprašai, taikytos analizės procedūros bei jų sąlygos ir kt.
Kaip bus sprendžiamos etinės problemos?
DVP turėtų parodyti, kad svarstėte svarbiausius klausimus, susijusius su įstatymais ir gairėmis dėl žmonių subjektų apsaugos. Jei jūsų projekte bus atliekami tyrimai, kuriuose dalyvaus žmonės, turite apibūdinti jų konfidencialumo apsaugos nuostatas. Taip pat, reikalinga numatyti neskelbtinų duomenų tvarkymo ir saugojimo strategijas, apribojant prieigą prie neskelbtinų duomenų ar nuasmeninant duomenis, kad jie būtų tinkami viešinimui.
Kaip bus tvarkomi autorių teisių ir intelektinės nuosavybės teisių klausimai?
Reikalinga įvardinti duomenų savininką ir jų naudojimo sąlygas. Jei pakartotinai naudojami trečiųjų šalių duomenys, ypatingai, jei jie saugomi nuosavybės teisių, reikalinga gauti ir pateikti duomenų kūrėjo leidimus naudoti duomenis.
Kaip bus saugomi ir kuriami duomenys atliekant tyrimus?
Reikalinga apibūdinti duomenų saugojimo nuostatas ir kokiu laipsniu jos pritaikomos jūsų duomenų tipui ir apimčiai. Į saugojimo nuostatas turėtų būti įtraukti sistemingi duomenų failų atsarginių kopijų sudarymo planai.
Kaip bus valdoma prieiga ir duomenų saugumas?
Jei duomenys yra neskelbtini arba turėtų būti kitaip ribojami, suteikiant prieigą tik Įgaliotiems projekto dalyviams, reikalinga išsamiai aprašyti saugumo priemones, kurios bus taikomos duomenims apsaugoti. Taip pat, reikalinga nurodyti standartus, kuriais vadovaujantis bus taikomos šios saugumo priemonės.
Kurie duomenys turėtų būti saugomi, viešinami ir (arba) archyvuojami?
Atsižvelgiant į tai, kaip duomenis ateityje galėtų panaudoti kiti ar patys duomenų kūrėjai, reikalinga atkreipti dėmesį į galimą duomenų vertę ir pastangas bei išteklius, kurių reikės parengti duomenų rinkinius išsaugojimui ir ilgalaikei prieigai.
Koks yra ilgalaikis duomenų rinkinio išsaugojimo planas?
Reikalinga pasirinkti saugyklą (duomenų talpyklą), kuri bus naudojama duomenims archyvuoti, užtikrinant, kad jie bus išsaugoti ir prieinami panaudojimui artimiausioje ateityje bei ilgalaikėje perspektyvoje.
Kaip duomenimis bus dalinamasi?
Reikalinga nustatyti mechanizmą, kuris bus naudojamas dalinimuisi duomenimis. Reikalinga aprašyti, kaip duomenis galės rasti kiti suinteresuoti vartotojai ir kaip duomenų failai bus jiems pateikiami. Taip pat, nurodyti, kaip norima, kad duomenys būtų cituojami.
Ar reikalingi dalijimosi duomenimis apribojimai?
Jei privatumo problemos daro įtaką galimybei dalintis projekto duomenimis, reikalinga numatyti, kaip šias problemos galės būti išspręstos, kad duomenis būtų galima viešinti (pateikiant nuasmenintas duomenų versijas, reikalaujant duomenų naudojimo sutarties ar taikant kitus mechanizmus). Taip pat, galima pasirinkti duomenims nustatyti embargą, tam tikrą laiką prieigą prie duomenų suteikiant tik autorizuotiems vartotojams (projekto dalyviams). Tokiu atveju reikalinga paaiškinti embargo taikymo priežastis.
Kas bus atsakingas už duomenų valdymą?
Jei įmanoma, įvardinti konkretų asmenį, kuris bus atsakingas už duomenų valdymo plano įgyvendinimą.
Kokie ištekliai bus reikalingi DVP įgyvendinimui?
Kai kuriems projektams, paremtiems sudėtiniais duomenimis, dėl duomenų tipo, apimties ar to, kad projekto veikla yra geografiškai paskirstyta įvairioms institucijoms, duomenų valdymui gali prireikti specializuotos patirties ar specialios įrangos.
Taip pat reikalinga atsižvelgti į išlaidas, susijusias su vykdomų duomenų tvarkymo užduočių atlikimu ir ilgalaikiu duomenų išsaugojimu saugykloje.
Atsakymas į šiuos klausimus ne tik užtikrins duomenų valdymo reikalavimų laikymąsi, bet ir padės geriau pasirengti įgyvendinti duomenų valdymo strategijas.
Yra keletas duomenų valdymo planų kūrimo įrankių, kuriuos galima nemokamai naudoti internete. Plačiausiai naudojami – Kalifornijos universiteto Kalifornijos skaitmeninės bibliotekos kuratorių centro (University of California Curation Center of the California Digital Library) ir JK skaitmeninio kuravimo centro (UK Digital Curation Centre, DCC) sukurti DMPTool ir DMPOnline įrankiai.
Abu įrankiai skirti palengvinti DVP rengimą. Jie pateikia nuoseklų vedlį, kuris leidžia tyrėjams sukurti individualizuotus duomenų valdymo planus. Tyrėjams yra pateikiamos rekomendacijos bei šablonai, atitinkantys įvairių finansavimo agentūrų reikalavimus. Pasikeitus finansavimo agentūros politikai, informacija atnaujinama ir pateikiamuose šablonuose. Bet galima kurti ir su konkrečiais finansuotojais nesusietus planus, vadovaujantis bendra DVP struktūra. Įstaigos taip pat gali pritaikyti įrankius individualiems poreikiams.
Lietuvos mokslininkams DVP rengimas aktualus teikiant paraiškas „Europos-Horizonto“ bei LMT finansuojamiems projektams:
Abu įrankiai skirti palengvinti DVP rengimą. Jie pateikia nuoseklų vedlį, kuris leidžia tyrėjams sukurti individualizuotus duomenų valdymo planus. Tyrėjams yra pateikiamos rekomendacijos bei šablonai, atitinkantys įvairių finansavimo agentūrų reikalavimus. Pasikeitus finansavimo agentūros politikai, informacija atnaujinama ir pateikiamuose šablonuose. Bet galima kurti ir su konkrečiais finansuotojais nesusietus planus, vadovaujantis bendra DVP struktūra. Įstaigos taip pat gali pritaikyti įrankius individualiems poreikiams.
Lietuvos mokslininkams DVP rengimas aktualus teikiant paraiškas „Europos-Horizonto“ bei LMT finansuojamiems projektams:
- DMPonline platformoje yra sukurtas ir viešai pasiekiamas specialiai „Europos-Horizonto“ projektams pritaikytas DVP šablonas.
- LMT reikalavimai DVP rengimui yra pateikiami čia >>>
Mokslinių duomenų rinkimas ir saugojimas
Formato tinkamumas duomenis neabejotinai priklauso nuo pačių duomenų tipo ir jų generavimo specifikos bei naudojamos įrangos. Taip pat, rengiant duomenis publikavimui duomenų talpyklose ar duomenų žurnaluose reikia atsižvelgti į talpyklų palaikomus bei leidėjų rekomenduojamus formatus, nes jie gali skirtis. Tačiau, jei įmanoma, rekomenduojama duomenų formatą rinktis atsižvelgiant į keletą pagrindinių kriterijų:
Rekomenduojami duomenų formatai:
- Ar duomenų formatas yra plačiai naudojamas?
- Ar formatas yra tinkamas ilgalaikiam saugojimui?
- Ar formatas yra atviras ir jo naudojimui nėra reikalinga licencijuota programinė įranga?
- Koks formato sudėtingumas? Rekomenduojama rinktis paprastesnius formatus.
- Ar formatui gali būti pritaikytas glaudinimas (archyvavimas) ir ar jis nėra nuostolingas?
Rekomenduojami duomenų formatai:
| Duomenų tipas | Rekomenduojami formatai |
| Tekstas | PDF (tinkamiausias: PDF/A) be formatavimo: TXT suteikiant redagavimo galimybę: ODT, RTF, HTML tekstui su formulėmis: LaTeX (TEX) |
| Lentelės | CSV / TSV Skaitiniai duomenys: HDF5 |
| Grafika | Rastrinė: PNG, TIFF Vektorinė: SVG, EPS |
| Multimedija | Laikmena: MKV, WebM, Video: AV1, VP9 Audeo: FLAC, WAV, Vorbis, Opus |
| Susieti (reliaciniai) ir/arba struktūruoti duomenys | SIARD, Dump, XML, CSV / TSV, HDF5, JSON, YAML |
Mokslinių duomenų talpyklos
Šiuose registruose galite ieškoti jums tinkamos talpyklos duomenų talpinimui ar duomenų paieškai.
Plačiausiai naudojama mokslinių duomenų talpyklų paieškos sistema yra re3data – tyrimų duomenų talpyklų registras (angl. Registry of Research Data Repositories) – padeda rasti konkrečių disciplinų saugyklas. Čia galite rasti daugiau kaip 2000 duomenų saugyklų. Paiešką galite atlikti pagal temą, šalį, turinio tipą ir t.t. Ši paieškos sistema yra DataCite (ne pelno siekianti organizacija, kuri teikia nuolatinius skaitmeninius identifikatorius (DOI) tyrimų duomenims) paslauga.
Kiti duomenų talpyklų registrai:
Plačiausiai naudojama mokslinių duomenų talpyklų paieškos sistema yra re3data – tyrimų duomenų talpyklų registras (angl. Registry of Research Data Repositories) – padeda rasti konkrečių disciplinų saugyklas. Čia galite rasti daugiau kaip 2000 duomenų saugyklų. Paiešką galite atlikti pagal temą, šalį, turinio tipą ir t.t. Ši paieškos sistema yra DataCite (ne pelno siekianti organizacija, kuri teikia nuolatinius skaitmeninius identifikatorius (DOI) tyrimų duomenims) paslauga.
Kiti duomenų talpyklų registrai:
- FAIRsharing (databases catalogue)
- Open Access Infrastructure for Research in Europe (OpenAIRE / Explore)
- Directory of Open Access Repositories (OpenDOAR)
- Master Data Repository List (Clarivate Analytics)
Šiose talpyklose saugomi visų disciplinų mokslo rezultatai. Duomenų talpinimas, saugojimas ir prieiga yra nemokami. Kiekvienam duomenų paketui suteikiami nuolatiniai skaitmeniniai identifikatoriai DOI.
- Zenodo – ši talpykla yra susieta su Horizontas 2020 bei OpenAIRE projektais. Talpyklą finansuoja Europos Komisija.
- DRYAD
- FigShare
- 4TU.ResearchData
- B2SHARE
- Mendeley.Data
Mokslinių duomenų žurnalai
Žurnalų, skirtų duomenų publikavimui, skaičius sparčiai auga. Žemiau pateikiami populiariausi duomenų žurnalai.
- Biodiversity Data Journal (Pensoft)
- Biomedical Data Journal (Procon)
- BMC Research Notes (Springer Nature)
- Data (MDPI)
- Data in Brief (Elsevier)
- Earth System Science Data (Copernicus Publications)
- Ecology (Wiley)
- Geoscience Data Journal (Wiley)
- F1000Research (Taylor & Francis Group)
- Genomics Data (Elsevier)
- Geoscience Data Journal (Wiley)
- Geoscientific Model Development (EGU Publications)
- GigaScience (Oxford Academic)
- International Journal of Robotics Research (SAGE Journals)
- Journal of Chemical and Engineering Data (ACS Publications)
- Journal of Physical and Chemical Reference Data (AIP Publishing)
- Nuclear Data Sheets (Elsevier)
- Research Data Journal for the Humanities and Social Sciences (Brill)
- Scientific Data (Springer Nature)
Mokslinių duomenų paieška ir citavimas
Rašydami mokslinius tiriamuosius darbus, kursinius, baigiamuosius darbus galite pakartotinai panaudoti jau esamus duomenis, užuot patys juos rinkdami ar kurdami, taip sutaupydami tiek laiko, tiek finansinius kaštus. Todėl vis dažniau mokslininkai, vyriausybinės organizacijos ir kitos institucijos savo sukurtus duomenų rinkinius padaro prieinamus kitiems tyrėjams pakartotinam naudojimui.
Mokslinių duomenų savo tyrimams galite ieškoti tose pačiose duomenų talpyklose bei duomenų žurnaluose, kuriose galite talpinti bei publikuoti savo pačių tyrimų duomenis. Kiekvienoje duomenų talpykloje paieškos būdai yra skirtingi. Todėl rekomenduojame kiekvienos duomenų talpyklos atveju jos internetiniame puslapyje susirasti talpyklos vartotojo vadovą, kuriuo vadovaujantis galėsite atlikti optimaliausią paiešką ir efektyviai rasite Jums reikalingus duomenų rinkinius.
Paieškos palengvinimui yra sukurta papildomų įrankių, padedančių ieškoti jūsų tyrimo temą atitinkančius duomenų keliose duomenų talpyklose vienu metu, pavyzdžiui:
Mokslinių duomenų savo tyrimams galite ieškoti tose pačiose duomenų talpyklose bei duomenų žurnaluose, kuriose galite talpinti bei publikuoti savo pačių tyrimų duomenis. Kiekvienoje duomenų talpykloje paieškos būdai yra skirtingi. Todėl rekomenduojame kiekvienos duomenų talpyklos atveju jos internetiniame puslapyje susirasti talpyklos vartotojo vadovą, kuriuo vadovaujantis galėsite atlikti optimaliausią paiešką ir efektyviai rasite Jums reikalingus duomenų rinkinius.
Paieškos palengvinimui yra sukurta papildomų įrankių, padedančių ieškoti jūsų tyrimo temą atitinkančius duomenų keliose duomenų talpyklose vienu metu, pavyzdžiui:
- DataCite – padeda rasti reikiamų duomenų rinkinius keliose saugyklose pagal Jus dominančią temą. Norėdami rasti tyrimų duomenų rinkinius savo darbo tema naudokitės DataCite paieška.
- Mendeley.Data – mokslinių tyrimų duomenų paieškos sistema, kurioje tyrėjai gali rasti >25 mln. duomenų rinkinių specifinėse ir tarpdisciplinine duomenų talpyklose.
- Data Observation Network for Earth (DataONE) – pateikia duomenų paieškos Žemės stebėjimų tyrimų srityse galimybes plačiame duomenų talpyklų tinkle.
- CESSDA Data Catalogue – leidžia ieškoti socialinių mokslų sričių duomenų rinkinių Europos socialinių mokslų duomenų archyvų konsorciumo duomenų talpyklose.
Moksliniai duomenys taip pat yra mokslinė produkcija, todėl naudojant ne savo sukurtus duomenis savo darbe, jie turi būti cituojami kaip bet koks kitas informacijos šaltinis – naudoti duomenys turi būti cituojami tekste ir įtraukti į literatūros sąrašą. Duomenų citavimas ir bibliografinis aprašas sudaromas analogiškai, kaip ir mokslinių publikacijų atveju, nurodant pagrindinius metaduomenų komponentus.
Bendra duomenų bibliografinio aprašo struktūra:
Kūrėjas. (Leidimo metai). Pavadinimas. Versija. Leidėjas. Šaltinio tipas. Identifikatorius.
Kaip ir publikacijų citavimo atveju, duomenų bibliografinio įrašo struktūra priklauso nuo naudojamo citavimo stiliaus, todėl atskirų komponentų pateikimo tvarka ir formatavimas bibliografiniuose aprašuose gali varijuoti.
Bendra duomenų bibliografinio aprašo struktūra:
Kūrėjas. (Leidimo metai). Pavadinimas. Versija. Leidėjas. Šaltinio tipas. Identifikatorius.
Kaip ir publikacijų citavimo atveju, duomenų bibliografinio įrašo struktūra priklauso nuo naudojamo citavimo stiliaus, todėl atskirų komponentų pateikimo tvarka ir formatavimas bibliografiniuose aprašuose gali varijuoti.
Informacijos šaltiniai
Mokslo duomenų ir jų valdymo temomis yra daug viešai prieinamų išsamios informacinės ir mokomosios medžiagos šaltinių.
- Atvirųjų duomenų vadovėlis – Open Knowledge Foundation parengtas elektroninis vadovėlis.
- Atviroji prieiga prie mokslo duomenų ir publikacijų – KTU parengtų viešai prieinamų internetinių kursų dalis.
- FOSTER – organizacija, teikianti visapusę informaciją apie atvirąjį mokslą, siekiant užpildyti esamas akademinės bendruomenės žinių spragas. Mokslo duomenų valdymo temomis organizacija pateikia plačią informacinę bei mokamąją medžiagą, taip pat nemokamus kursus (pvz. Open and FAIR Research Data ir Managing and Sharing Research Data) ir nuorodą į Open Science Training Handbook vadovą įvairiomis atvirojo mokslo temomis, įskaitant atvirus mokslinius duomenis.
- OpenAIRE – Europos Komisijos finansuojama organizacija, aktyviai dalyvaujanti atvirojo mokslo politikų formavime. Organizacija taip pat pateikia plačią informaciją ir gidus mokslo duomenų valdymo ir kitomis atvirojo mokslo temomis. Apibendrinta mokslo duomenų valdymo informacija pateikta A Research Data Management Handbook elektroniniame vadove.
- Research Data Alliance (RDA) – tarptautinė organizacija, kurios pagrindinis siekis yra suteikti visapusę informaciją ir paramą mokslinių duomenų atvėrimo ir valdymo klausimais. RDA tinklapyje yra pateikiama labai plati informacija ir rekomendacijos, padėsiančios atrasti tinkamiausius duomenų valdymo sprendimus. Tinklapyje informacijos galima ieškoti pagal konkrečią temą ar pagal tyrimų sritį.
- Digital Curation Centre (DCC) – Jungtinės Karalystės Skaitmeninės priežiūros centras pateikia įvairią duomenų valdymo informaciją, gidus bei įrankius.
- Data Observation Network for Earth (DataONE) – organizacija, kurios siekis užtikrinti atvirą, nuolatinę ir saugią prieigą prie Žemės stebėjimo tyrimų duomenų; pateikia išsamią metodinę medžiagą duomenų valdymo temomis.
- CESSDA – Europos socialinių mokslų duomenų archyvų konsorciumas (angl. Consortium of European Social Science Data Archives) pateikia plačius ir įvairius mokymus (video formatu, yra galimybė persisiųsti) duomenų valdymo temomis socialinių mokslų srityje ir duomenų valdymo eksperto gidą (angl. Data Management Expert Guide).
-
- Puslapio administratoriai:
- Jolanta Juršėnė
- Asta Katinaitė-Griežienė
- Olena Dubova
- Orinta Sajetienė
- Ugnė Daraškevičiūtė
