2. RD & RDM: definities
• Research Data (onderzoeksdata)
o alle gegevens die worden gegenereerd in het kader van
wetenschappelijk onderzoek en de basis vormen van
onderzoeksresultaten & publicaties
• Research Data Management (onderzoeksdatabeheer)
o een cluster van taken om Research Data op een goede manier te
creëren, te verwerken, te bewaren [en te delen]
4. RDM anno 2015
• Goed wetenschappelijk onderzoek staat of valt met
deugdelijk databeheer
► RDM wordt een vast onderdeel van onderzoeksprojecten
5. KU Leuven
• Beleidsnota Gemeenschappelijk Bureau, d.d. 9/12/2015
o onderschrijft het belang van RDM
o minimale verplichtingen
o gedeelde verantwoordelijkheid
6. Wat moet er gebeuren?
• Wat kan/moet een onderzoeksinstelling zoals KU Leuven
doen op het gebied van RDM?
► De LERU Roadmap for Research Data als bron van
inspiratie
o gepubliceerd eind 2013
o zeer goede inschatting van context en uitdagingen
o duidelijke aanbevelingen
7. RDM anno 2015 globaal
• toonaangevende RDM-diensten en infrastructuur nu
o ‘organisch’ gegroeid
o voornamelijk gericht op publiceren van RD
o voor specifieke disciplines
8. LERU Roadmap: “Fill the gaps”
• Institutionele initiatieven moeten de manco’s in huidige
RDM-aanbod opvullen
o … to provide a full service for researchers with co-ordinated
provision for information, guidance and training (95)
o A portfolio of tools for an institutional research data infrastructure
that fills the gaps of existing external research infrastructure should
be developed (89)
o Thus, a ‘long-tail’ data repository and a tool facilitating management
and reporting, e.g. a data catalogue, are primary candidates for
institutional responsibilities (88)
9. Dark data in the long tail of science
Hoeveelheiddata
Omvang project
• Originele data
• Zeer heterogeen
• Geen standaarden
• Geen plaats in bestaande
infrastructuur
► Dark data
o niet of moeilijk terugvindbaar
o bewaring op lange termijn
problematisch
o waardevol!
10. Work in progress
• 2015: KU Leuven werkt intensief aan eigen RDM
ondersteuning en infrastructuur
• Research Data werkgroep [LERU RM “data workforce”]
o Dienst Onderzoekscoördinatie (beleid)
o Juridische dienst (eigendomsrecht en IP)
o Leuven Research & Development
o ICTS (diensten & infrastructuur)
o UB/LIBIS (ondersteuning & infrastructuur)
12. De ‘Leuvense’ Data Life Cycle
• Combinatie van lijn en cirkel
o lijn = opdracht binnen 1 onderzoek
o cirkel = lange leven van onderzoeksdata
• Vrij eenvoudig schema met 6 fases > per fase bepalen:
o Taken
o Verantwoordelijken
o Expertise
o Middelen
13. RDM ondersteuning aan KU Leuven
• Eerste lijn: de RDM-website
o bedoeld voor alle KU Leuven onderzoekers
o Data Life cycle als oriëntatiepunt: onderzoeker bepaalt positie
o website wordt up-to-date gehouden
14. RDM ondersteuning aan de KU Leuven
• Tweede lijn: gespecialiseerde UB-medewerkers
o RDM vaak zeer disciplinegebonden
o informatiespecialisten verzamelen en verdelen expertise
• algemene opleidingen rond RDM
• antwoorden op maat voor individuele onderzoekers
• doorverwijzen indien nodig
o nood aan constante ‘voeding’ vanuit onderzoekers/groepen
15. RDM ondersteuning aan de KU Leuven
• Openstaande vraag: in welke mate moet ondersteuning
ook actief zijn?
o technische/administratieve kant van RDM
o taken die moeten verricht worden in voor onderzoekers niet
toegankelijke omgevingen
► Nood aan data curators
16. RDM services en infrastructuur
• Aandacht voor de bijzondere kenmerken van long tail data
o idiosyncratisch, uiteenlopende formaten, weinig uniformiteit
► Diensten die werken aan standaardisering
► Brede en flexibele infrastructuur
► Maatwerk
17. RDM services en infrastructuur
• Data Life Cycle opnieuw als vertrekpunt
• RDM = opeenvolging van zeer diverse taken
► De juiste middelen voor elke taak, afkomstig van
verschillende ‘leveranciers’
► Aansluitend geheel van services, tools en infrastructuur
18. Study the concept
• Data Management Plan Tool (DCC)
o onderzoeker moet over alle kritische aspecten van RDM nadenken
• DOC zorgt voor specifieke ‘KU Leuven guidance’
o specifieke eisen van funders
o regelgeving van verschillende overheden
o discipline-specifieke aandachtspunten
19. Data collection
• Aandachtspunt 1: veilige en efficiënte data-opslag
o BOX (ICTS): geëncrypteerde cloud storage
• Aandachtspunt 2: creëren van rijke en uitwisselbare data
o Cluster van LIBIS-diensten rond
• data creatie in of conversie naar standaarden
• data modellering
• ontwikkelen van databases en tools om data te verzamelen
20. Data processing
• De wetenschapper aan het werk
o verzamelde data wordt bewerkt en geïnterpreteerd
o vaak gebruik van specifieke software
► Aandachtspunten
o documenteren van ingrepen op oorspronkelijke data
o opslag in (en desnoods conversie naar) open formaten
• LIBIS helpt onderzoekers bij verwerken van
onderzoeksdata door data te transformeren, te verrijken en
voor te bereiden voor interpretatie
21. Data Archiving
• Aandachtspunt: betaalbare, duurzame en toegankelijke
bewaarplaatsen voor data opslag op lange termijn
o ICTS: volledig ondersteunde grote volume opslag tegen laag tarief
o LIBIS: Rosetta = lange-termijnbewaringsomgeving voor
onderzoeksdata van KU Leuven
• volledige infrastructuur voor bewaring, preservatie en toegang tot data
22. Data discovery
• Data(sets) moeten op verschillende manieren kunnen
ontsloten en getoond worden
o generisch: datasets moeten terugvindbaar gemaakt
worden via de online catalogus LIMO
o specifiek: bepaalde data vereisen specifieke
presentatiemiddelen
23. Data discovery
• Een uitdaging: de KU Leuven data catalogus
o UB documenteert onderzoek aan de KU Leuven
► ook RD valt nu onder de ‘academische collectie’
► Hoe de verschillende ‘data publicatie stromen’ beheren?
o verzamelen en selecteren, bewaren en ontsluiten
► RD(M) geeft nieuw elan aan de rol van
(universiteits)bibliotheken als ‘kritische kenniscentra’