Salta al contenuto principale
Passa alla visualizzazione normale.


Pari opportunit�

FAIR by design vs FAIRification

28-giu-2023

Ascolta

Se i dati della ricerca e la loro gestione vengono progettati sin dall'inizio del progetto in conformità con i principi FAIR, essi potranno quasi sicuramente essere resi open, ad eccezione dei soli casi in cui vincoli di sicurezza o legali lo impediscano.

Nello stesso giorno in cui è stato lanciato EOSC è stato pubblicato a Vienna il documento Turning FAIR into reality, una pubblicazione del Publications Office of the EU (https://op.europa.eu/en/publication-detail/-/publication/7769a148-f1f6-11e8-9982-01aa75ed71a1).  In questo documento, che rappresenta sia un report che un piano di azione per far diventare realtà i principi FAIR, viene richiamata l’attenzione su ciò che è necessario per implementarli nel modo più ampio possibile. 

Il piano d'azione FAIR si basa sui quattro principi fondamentali che danno il nome all'acronimo FAIR, e individua una serie di raccomandazioni e concetti guida per l'implementazione pratica:

a. definizione e modello di Oggetti Digitali FAIR

    • Ogni oggetto digitale (dati, software, protocolli) deve avere un identificatore persistente, metadati ricchi, informazioni sulla provenienza e licenza.
    • L'adozione di standard aperti e formati documentati è fondamentale.

b. ecosistemaFAIR

    • L'implementazione dei principi FAIR richiede un ecosistema composto da politiche, piani di gestione dei dati (DMP), identificatori, standard e repository certificati.
    • Devono esistere registri che cataloghino tutti i componenti dell'ecosistema e permettano l'automazione dei flussi di lavoro.

c. Quadri di interoperabilità

    • Le comunità di ricerca devono sviluppare quadri di interoperabilità disciplinari e interdisciplinari, per facilitare la condivisione e il riutilizzo dei dati.

d. gestione e valorizzazione dei dati

    • L'adozione di Data Management Plan (DMP) è obbligatoria per ogni progetto di ricerca che produce dati.
    • Il riconoscimento e la valorizzazione delle attività di gestione e condivisione dei dati devono essere integrati nei criteri di valutazione della carriera accademica.

e. sviluppo di competenze

    • È necessario formare due figure professionali chiave: data scientist e data steward, oltre a fornire competenze di base a tutti i ricercatori.

f. metriche e certificazione

    • Devono essere sviluppate metriche per valutare il livello di "FAIRness" dei dati e dei servizi, e sistemi di certificazione per repository e servizi digitali.

g. finanziamento strategico e sostenibile

    • Il supporto finanziario deve essere coordinato e sostenibile, con investimenti strategici per garantire la crescita e la manutenzione dell'ecosistema FAIR.

 

Un esempio pratico di applicazione dei principi FAIR potrebbe essere la pubblicazione di un dataset in un repository certificato (es. CoreTrustSeal), con:

    • DOI assegnato
    • Metadati dettagliati secondo uno standard disciplinare
    • Licenza d'uso chiara (es. CC BY 4.0)
    • Documentazione sulla provenienza e sulle modalità di raccolta dei dati
    • Accessibilità tramite protocollo standard (HTTPS)

 Il piano d'azione FAIR individua 15 raccomandazioni prioritarie, suddivise in tre fasi:

    1. Definizione: concetti per oggetti digitali FAIR e l'ecosistema
    2. Implementazione: cultura, tecnologia e competenze per la pratica FAIR
    3. Consolidamento: incentivi, metriche e investimenti

Queste raccomandazioni sono pensate per guidare tutte le parti interessate (ricercatori, istituzioni, finanziatori, fornitori di servizi) verso una reale adozione dei principi FAIR. (Fonte: Documento "Turning FAIR into Reality" (European Commission: Directorate-General for Research and Innovation. (2018). Turning FAIR into reality : final report and action plan from the European Commission expert group on FAIR data. Publications Office. https://data.europa.eu/doi/10.2777/1524. ) - Sezioni: Executive Summary, Capitoli 1.1, 2.2, 8.1, 8.4.1, e tabelle delle raccomandazioni).

 

All’interno di EOSC alla fine del 2020 è stato pubblicato il report Six Recommendations for Implementation of FAIR Practice https://op.europa.eu/en/publication-detail/-/publication/4630fa57-1348-11eb-9a54-01aa75ed71a1, doi 10.2777/986252. In questo documento si raccomanda di formare i ricercatori sul tema e di incentivare l’adozione dei principi FAIR, auspicando un cambiamento significativo delle regole per la valutazione della ricerca. Il documento offre una panoramica dettagliata sulle pratiche FAIR (Findable, Accessible, Interoperable, Reusable) nella scienza aperta, identifica ostacoli e opportunità, e conclude con raccomandazioni pratiche per la loro implementazione. Di seguito le principali conclusioni:

-> Le pratiche FAIR sono essenziali ma la loro adozione è disomogenea

Il documento conclude che, sebbene i principi FAIR siano riconosciuti come fondamentali per la scienza aperta, la loro implementazione varia notevolmente tra discipline, regioni e comunità di ricerca. Le differenze sono dovute a fattori tecnici, sociali, culturali e infrastrutturali. Ad esempio, le scienze della vita e la fisica sono più avanzate grazie a una lunga tradizione di condivisione dei dati e infrastrutture consolidate, mentre altre discipline faticano per mancanza di standard o incentivi.

-> L’implementazione efficace richiede sia approcci bottom-up che top-down

Il successo delle pratiche FAIR deriva spesso da iniziative interne alle comunità (bottom-up), dove la domanda di riuso dei dati motiva la condivisione e la standardizzazione. Tuttavia, il documento sottolinea che le politiche e i finanziamenti dall’alto (top-down) sono necessari per diffondere le pratiche anche nelle comunità meno mature, purché siano adattate ai bisogni specifici delle comunità stesse.

-> Le barriere sono sia tecniche che sociali

Le difficoltà tecniche includono la mancanza di repository adeguati, standard di metadatazione insufficienti e problemi di interoperabilità. Le barriere sociali comprendono la scarsa consapevolezza dei benefici, la mancanza di riconoscimento accademico per la condivisione dei dati e timori legati a proprietà intellettuale e privacy. Il documento evidenzia che la formazione, la sensibilizzazione e il supporto legale sono fondamentali per superare queste barriere.

-> Le pratiche FAIR devono essere estese oltre i dati

Il documento conclude che i principi FAIR dovrebbero essere applicati anche ad altri oggetti digitali della ricerca, come software, workflow e notebook eseguibili. Tuttavia, la traduzione dei principi FAIR a questi oggetti richiede adattamenti specifici e ulteriori studi.

-> Le politiche e gli incentivi sono determinanti

Le politiche di enti finanziatori, istituzioni e governi sono cruciali per promuovere l’adozione delle pratiche FAIR. Tuttavia, tali politiche devono essere sviluppate in modo collaborativo, monitorate e accompagnate da incentivi concreti, come il riconoscimento nei criteri di valutazione accademica.

Il documento sintetizza le conclusioni in sei raccomandazioni operative:

Finanziare sensibilizzazione, formazione e supporto specifico per comunità (ad esempio con l'avvio di progetti pilota per data steward disciplinari).

Finanziare sviluppo, adozione e manutenzione di standard, strumenti e infrastrutture (fornendo, ad esempio, supporto a repository e standard di settore).

Incentivare la governance comunitaria (ad esempio con la creazione di gruppi di lavoro per la definizione di standard condivisi).

Tradurre le linee guida FAIR per altri oggetti digitali (es. software, workflow).

Premiare e riconoscere i miglioramenti nelle pratiche FAIR (includendo, ad esempio, la condivisione dei dati nei criteri di valutazione).

Sviluppare e monitorare politiche adeguate per dati e oggetti di ricerca FAIR (es. politiche nazionali coordinate tra livelli istituzionali).

Un esempio pratico citato è il finanziamento di data steward disciplinari presso la TU Delft, che ha portato a una maggiore consapevolezza e adozione delle pratiche FAIR nella comunità locale.

Il documento conclude che la piena realizzazione dei benefici delle pratiche FAIR richiede un approccio integrato, che combini iniziative dal basso con politiche e incentivi dall’alto, adattati alle specificità delle diverse comunità scientifiche. Ogni passo verso l’adozione delle pratiche FAIR è prezioso e deve essere sostenuto da formazione, infrastrutture, governance e riconoscimento. (Fonte: European Commission: Directorate-General for Research and Innovation and EOSC Executive Board, [Directorate-General for Research and Innovation, EOSC Executive Board], Six Recommendations for implementation of FAIR practice by the FAIR in practice task force of the European open science cloud FAIR working group, Publications Office, 2020, https://data.europa.eu/doi/10.2777/986252).

 

I dati possono comunque essere resi FAIR con l’aiuto di numerosi strumenti, questionari, guide, software di test, che aiutino il gruppo di ricerca a riorganizzare i dati perché possano essere resi conformi ai principi FAIR.

Consigliamo alcuni articoli in cui vengono definiti i passi da compiere per rendere FAIR i dati, anche già esistenti: analisi dei dati, definizione del modello semantico, trasformazione dei dati in linkabili mediante l’applicazione del modello semantico individuato, assegnazione di una licenza d’uso, definizione dei metadati per il dataset, pubblicazione del dataset (insieme ai metadati e alla licenza), perchè possa essere indicizzato dai motori di ricerca e possano quantomeno essere visualizzati i metadati, laddove non sia possibile leggere il contenuto (as open as possible):