Datu pārvaldības plāni

Datu pārvaldības plāni ir būtiski atbildīgas datu pārvaldības prakses veicināšanā, pētniecības caurspīdīguma uzlabošanā un datu atkārtotas izmantošanas atbalstā. Labi izstrādāts DPP sniedz ieguvumus pētniekiem, institūcijām un finansētājiem, nodrošinot strukturētu pieeju datu pārvaldībai, kas uzlabo pētījuma rezultātus.

Galvenie iemesli, kāpēc DPP ir svarīgi:

• uzlabota datu integritāte: pareiza datu pārvaldība samazina datu zuduma vai bojājuma risku, nodrošinot, ka dati ir precīzi un uzticami;
• paaugstināta pētniecības efektivitāte: DPP palīdz pētniekiem sakārtot savus datu procesus, ietaupot laiku un resursus;
• veicina sadarbību: ja dati ir labi dokumentēti un pieejami, citiem pētniekiem ir vieglāk saprast un sadarboties projektos;
• atbalsta atvērto zinātni: DPP veicina datu koplietošanu un atkārtotu izmantošanu, saskaņojot tos ar atvērtās zinātnes mērķiem un FAIR datu principiem (atrodami, pieejami, savietojami, atkārtoti izmantojami);
• finansējuma prasību ievērošana: daudzas finansēšanas aģentūras pieprasa DPP, un neatbilstība var novest pie finansējuma iespēju zaudēšanas.

Mūsdienās dati ir vērtīgs resurss un DPP palīdz tos aizsargāt, nodrošinot, ka dati būs izmantojami ilgstoši un pieejami arī nākotnes pētījumiem.

Datu pārvaldības plāns parasti aptver vairākas galvenās jomas, katrā no tām galveno uzmanību pievēršot citam datu pārvaldības aspektam. Lai gan DPP precīza struktūra var atšķirties atkarībā no institucionālajām vai finansējuma prasībām, lielākā daļa DPP ietver šādas galvenās komponentes:

• datu apraksts: apraksta datu tipus, avotus un formātus, kas tiks ģenerēti vai izmantoti projekta laikā. Tas ietver paredzamo datu apjomu, datu tipus (piemēram, kvalitatīvus, kvantitatīvus) un jebkuru programmatūru vai formātus, kas nepieciešami datu izmantošanai. Tajā arī norādīts, vai dati tiks iegūti no projekta, apkopoti no esošajām datu kopām vai iegūti no trešajām personām;
• datu glabāšana un drošība: ieskicē, kā projekta laikā dati tiks droši uzglabāti un aizsargāti. Tajā aplūkots, kā tiks apstrādāti sensitīvi vai personas dati, lai nodrošinātu konfidencialitāti, kā arī dublēšanas procedūras, glabāšanas vietas un datu šifrēšanas metodes, lai aizsargātu pret datu zudumu un nesankcionētu piekļuvi;
• metadati un dokumentācija: sniedz informāciju par to, kā dati tiks dokumentēti un aprakstīti, lai nodrošinātu, ka tie ir saprotami un atkārtoti lietojami. Tajā noteiktas visas metadatu shēmas vai standarti (piemēram, Dublin Core, ISO19115), ko izmantos datu aprakstīšanai, un iekļautas mainīgo, kodu un jebkuru datu kopā izmantoto saīsinājumu definīcijas;
• datu koplietošana un piekļuve: detalizēta informācija par to, kā un kad dati tiks koplietoti ar citiem, – nosaka repozitorijus vai platformas, kurās dati tiks koplietoti (piemēram, augstskolas repozitorijs, nozarei specifiskas datubāzes). Nosaka, kas var piekļūt datiem un ar kādiem nosacījumiem (piemēram, atklāta piekļuve, ierobežota piekļuve), un precizē licences (piemēram, Creative Commons), kas reglamentē datu izmantošanu;
• datu saglabāšana: skaidro ilgtermiņa datu glabāšanas un saglabāšanas plānus, tostarp to, kurš repozitorijs vai arhīvs tiks izmantots datu deponēšanai, un precizē, cik ilgi dati tiks saglabāti, ievērojot institucionālās vai finansētāju prasības;
• lomas un pienākumi: nosaka, kurš ir atbildīgs par dažādiem datu pārvaldības uzdevumiem, un apraksta procedūras, lai nodrošinātu, ka datu pārvaldība tiek noteikta par prioritāti un konsekventi piemērota visā projektā;
• budžeta apsvērumi: attiecas uz visiem finanšu aspektiem, kas saistīti ar datu pārvaldību, tostarp izdevumiem par datu uzglabāšanu, dublēšanas risinājumiem, programmatūru vai personāla laiku. Šajā iedaļā arī norādīts, kā šīs izmaksas tiks segtas, izmantojot projekta budžetu vai papildu finansējumu.

Katrai DMP sastāvdaļai ir izšķiroša nozīme visaptverošas datu pārvaldības sistēmas izveidē, nodrošinot, ka dati tiek apstrādāti atbildīgi katrā pētniecības procesa posmā.

Efektīva datu pārvaldības plāna izveide ietver vairākus soļus, kas paredzēti, lai risinātu pētniecības projekta unikālās datu vajadzības. Labs DPP prasa rūpīgu plānošanu un komandas locekļu sadarbību, bieži vien ar institucionālo resursu, piemēram, datu bibliotekāru vai IT darbinieku, atbalstu.

DPP izveides soļi:

• noteikt pētniecības tvērumu: pirms DPP izstrādes pētniekiem jānosaka projekta datu prasības, tostarp ģenerējamie datu tipi, datu avoti un īpašas apstrādes vajadzības;
• institucionālo un finansētāju prasību izpēte: pētniekiem būtu jāpārskata visas pamatnostādnes, ko sniegusi viņu institūcija vai finansētājs, jo tajās bieži ir norādīts DPP formāts, saturs un iesniegšanas process;
• datu pārvaldības prakses izklāsts: katrā DPP komponentē pētniekiem jādokumentē izmantotās prakses. Tas ietver piemērotu atbilstošu uzglabāšanas metožu izvēli, metadatu standartu noteikšanu un datu koplietošanas protokolu izveidi;
• lomu piešķiršana un termiņu noteikšana: norīkot konkrētus komandas locekļus datu pārvaldības uzdevumiem un noteikt termiņus katram datu apstrādes posmam, sākot no datu vākšanas līdz saglabāšanai;
• DPP rīku un veidņu izmantošana: daudzas institūcijas piedāvā DPP veidnes un rīkus, piemēram, DMPTool un DMPonline, kas palīdz pētniekiem DPP izveidei procesā, nodrošinot, ka visi būtiskie aspekti ir aptverti;
• plāna pārskatīšana un pielāgošana: DPP ir dzīvs dokuments, kas var prasīt pielāgojumus projekta laikā. Regulāras pārskatīšanas ļauj komandai pielāgot DPP jebkādām izmaiņām datu vajadzībās vai projekta apjomā.

DPP izveide nav vienreizējs uzdevums; tas prasa pastāvīgu novērtēšanu un pielāgošanu. Elastīga pieeja palīdz pētniekiem reaģēt uz neparedzētiem izaicinājumiem un uzlabot datu praksi laika gaitā.

Neskatoties uz datu pārvaldības plānu priekšrocībām, pētnieki var saskarties ar vairākiem izaicinājumiem DPP izveides un īstenošanas procesā:

• zema informētība vai apmācības trūkums: daudziem pētniekiem trūkst zināšanu par labākajām datu pārvaldības praksēm vai DPP specifiskajām prasībām. Šis zināšanu trūkums var apgrūtināt visaptveroša un efektīva plāna izveidi;
• resursu ierobežojumi: mazas pētniecības komandas vai tās, kurām ir ierobežots finansējums, var saskarties ar grūtībām nodrošināt drošas uzglabāšanas iespējas, uzticamus datu rezerves kopēšanas risinājumus vai ilgtermiņa saglabāšanas pakalpojumus. Ierobežoti resursi var kavēt spēcīgu datu pārvaldības stratēģiju īstenošanu;
• privātuma un ētiskie apsvērumi: pētījumos, kas ietver sensitīvus vai personas datus, ir nepieciešama stingra atbilstība datu aizsardzības noteikumiem un ētikas vadlīnijām. Nepieciešamības pēc datu koplietošanas līdzsvarošana ar pienākumu aizsargāt dalībnieku privātumu var sarežģīt DPP prasības, īpaši tādās jomās kā veselības aprūpe, sociālās zinātnes vai jebkurš pētījums, kurā iesaistīti cilvēki;
• infrastruktūras ierobežojumi: ne visām iestādēm ir infrastruktūra efektīvai datu pārvaldībai. Tas ietver drošas datu glabāšanas iekārtas, lielas ietilpības serverus un piekļuvi uzticamiem repozitorijiem datu arhivēšanai. Institucionālās infrastruktūras trūkums var kavēt pienācīgu DPP īstenošanu;
• ātri mainīgās tehnoloģijas: datu pārvaldības joma nepārtraukti  attīstās, un regulāri parādās jaunas tehnoloģijas un rīki. Pētniekiem var būt grūti uzturēt savus DPP aktuālus un pieņemt jaunas prakses vai tehnoloģijas, īpaši, ja šīs izmaiņas notiek esoša projekta laikā. Datu glabāšanas vai drošības pasākumu atjaunināšana projekta gaitā var būt gan tehniski, gan finansiāli sarežģīta.

Lai pārvarētu šos izaicinājumus, bieži nepieciešams:

• institucionāls atbalsts: universitātes un pētniecības institūcijas var nodrošināt resursus, infrastruktūru un politiku, kas atbalsta efektīvu datu pārvaldību;
• pietiekams finansējums: pietiekama finansējuma nodrošināšana ļauj pētniecības komandām ieguldīt nepieciešamajos datu pārvaldības rīkos un pakalpojumos, piemēram, augstas kvalitātes glabāšanas risinājumos un profesionālā datu pārvaldības atbalstā;
• nepārtraukta apmācība un izglītība: nodrošinot pētniekiem un viņu komandām nepārtrauktu apmācību, tiek veicināta nepieciešamo prasmju attīstība efektīvai datu pārvaldībai. Tas ietver izglītošanu par labāko praksi, normatīvo atbilstību un datu pārvaldības rīku izmantošanu;
• sadarbība ar datu pārvaldības ekspertiem: sadarbojoties ar datu bibliotekāriem, IT profesionāļiem un datu pārvaldības speciālistiem, pētnieki var labāk izprast DPP izveides un īstenošanas sarežģījumus.

Proaktīvi risinot šos izaicinājumus, pētnieki var uzlabot savas datu pārvaldības prakses, kas veicina uzticamākus pētniecības rezultātus un lielākas iespējas datu koplietošanai un atkārtotai izmantošanai.

Attīstoties datu pārvaldības praksēm, datu pārvaldības plānu loma paplašināsies, lai risinātu jaunus izaicinājumus un izmantotu iespējas. Tehnoloģiju sasniegumi, politikas izmaiņas un pieaugošā izpratne par atvērtās zinātnes principiem veido DPP nākotni.

DPP attīstības virzieni:

• integrācija ar mākslīgo intelektu (MI) un automatizācija: MI un mašīnmācīšanās varētu spēlēt lomu datu pārvaldības uzdevumu automatizēšanā. MI var palīdzēt metadatu ģenerēšanā, datu klasifikācijā un datu kvalitātes pārbaudēs, vienkāršojot DPP ieviešanu un samazinot administratīvo slogu pētniekiem;
• integrācija ar pētniecības datu pārvaldības platformām: turpmākos DPP var tieši integrēt pētniecības datu pārvaldības sistēmās, ļaujot netraucēti īstenot datu pārvaldības praksi. Šī integrācija var automatizēt atbilstības pārbaudes, racionalizēt datu apstrādes procesus un nodrošināt pētniekiem rīkus efektīvākai datu pārvaldībai;
• reāllaika datu monitorings: nākotnes DPP varētu ietvert reāllaika datu monitoringa funkcijas. Tas ļauj pētniekiem sekot datu izmantošanai, noteikt anomālijas un nodrošināt atbilstību datu drošības protokoliem datu vākšanas un apstrādes laikā, tādējādi uzlabojot datu integritāti visā pētniecības ciklā;
• uzlabota atvērtā zinātne un FAIR atbilstība: tā kā arvien vairāk pētījumu saskan ar atvērtās zinātnes un FAIR (atrodami, pieejami, savietojami, atkārtoti izmantojami) principiem, DPP būs būtiski, lai nodrošinātu datu atbilstību šiem standartiem. Šī tendence, visticamāk, veicinās lielāku DPP veidņu un prakses standartizāciju, atvieglojot datu koplietošanu un atkārtotu izmantošanu starp nozarēm;
• starptautiskā sadarbība un standartizācija: pieaugot globāliem sadarbības pētījumiem, palielinās nepieciešamība pēc standartizētām DPP praksēm. Datu pārvaldības protokolu harmonizācija ļauj pētniekiem no dažādām valstīm un iestādēm ievērot vienotas procedūras, uzlabojot sadarbību un nodrošinot atbilstību starptautiskajiem noteikumiem;
• atbalsts sensitīvu datu pārvaldībai: attīstoties privātuma regulējumiem, piemēram, VDAR/GDPR, DPP būs jāietver uzlabotas funkcijas sensitīvu datu apstrādei. Tas ietver spēcīgu šifrēšanas metožu, anonimizācijas tehniku un stingru piekļuves kontroļu ieviešanu, lai nodrošinātu juridisku un ētisku atbilstību datu aizsardzības likumiem;
• uzsvars uz datu ētiku un ilgtspējību: pieaug uzmanība ētiskiem apsvērumiem un vides ietekmei datu pārvaldībā. DPP arvien vairāk risinās tādus jautājumus kā ētiska datu izmantošana, datu glabāšanas risinājumu oglekļa pēdas nospieduma samazināšana un ilgtspējīgu praksi veicināšana datu apstrādē.

DPP nākotne ir daudzsološa, jo tie kļūst par būtisku pētniecības datu pārvaldības sastāvdaļu.  Pieņemot tehnoloģiskos sasniegumus, ievērojot starptautiskos standartus un koncentrējoties uz ētiskiem apsvērumiem, DPP turpinās nodrošināt datu pārvaldību, veicināt atvērtu zinātni un atbildīgu datu izmantošanu pētniecībā.

Darby R. (n.d.). Writing a data management plan. [tiešsaiste] [skatīts 11/24/2024]. Pieejams: https://www.reading.ac.uk/research-services/research-data-management/data-management-planning/writing-a-data-management-plan

Lefebvre A., Bakhtiari B., Spruit M. (2020). Exploring research data management planning challenges in practice. IT - Information Technology, Vol. 62 (1), pp. 29–37. DOI: 10.1515/itit-2019-0029

Michener W.K. (2015). Ten simple rules for creating a good Data Management Plan. PLoS Computational Biology, Vol. 11 (10), pp. 1–9. DOI: 10.1371/journal.pcbi.1004525

Miksa T., Oblasser S., Rauber A. (2022). Automating research data management using machine-actionable Data Management Plans. ACM Transactions on Management Information Systems, Vol. 13 (2), pp. 22. DOI: 10.1145/3490396

Parham S.W., Carlson J., Hswe P., Westra B., Whitmire A. (2016). Using Data Management Plans to explore variability in Research Data Management practices across domains. International Journal of Digital Curation, Vol. 11 (1), pp. 53–67. DOI: 10.2218/ijdc.v11i1.423

Rolando L., Carlson J., Hswe P., Parham S.W., Westra B., Whitmire A.L. (2015). Data Management Plans as a research tool. Bulletin of the Association for Information Science and Technology, Vol. 41 (5), pp. 43–45. DOI: 10.1002/bult.2015.1720410510

Smale N.A., Unsworth K., Denyer G., Magatova E., Barr D. (2020). A review of the history, advocacy and efficacy of Data Management Plans. International Journal of Digital Curation, Vol. 15 (1), pp. 30. DOI: 10.2218/ijdc.v15i1.525

Swedish National Data Service. (2024). Data management plan. [tiešsaiste] [skatīts 11/24/2024]. Pieejams: https://snd.se/en/manage-data/plan/data-management-plan

University of Surrey. (n.d.). Data management plans. [tiešsaiste] [skatīts 11/24/2024]. Pieejams: https://www.surrey.ac.uk/library/open-research/data-management-plans

University of Toronto. (n.d.). Data management plans. [tiešsaiste] [skatīts 11/24/2024]. Pieejams: https://onesearch.library.utoronto.ca/researchdata/data-management-plans

Williams M., Bagwell J., Nahm Zozus M. (2017). Data management plans, the missing perspective. Journal of Biomedical Informatics, Vol. 71, pp. 130–142. DOI: 10.1016/j.jbi.2017.05.004