Datos científicos abiertos

El concepto de datos científicos abiertos se ha desarrollado en paralelo con el concepto de datos científicos .

Los datos científicos no se definieron formalmente hasta finales del siglo XX. Antes de la generalización del análisis computacional, el término «datos» era mayormente informal y se utilizaba frecuentemente como sinónimo de «conocimiento» o «información». ^{[ 3 ]} Los discursos institucionales y epistemológicos favorecieron conceptos y perspectivas alternativas sobre las actividades científicas: «Incluso las historias de la ciencia y los comentarios epistemológicos mencionan los datos solo de pasada. Otras obras fundamentales sobre la construcción del significado en la ciencia discuten hechos, representaciones, inscripciones y publicaciones, con poca atención a los datos en sí mismos». ^{[ 4 ]}

La primera definición política influyente de datos científicos apareció tan tarde como en 1999, cuando las Academias Nacionales de Ciencias describieron los datos como "hechos, letras, números o símbolos que describen un objeto, condición, situación u otros factores". ^{[ 5 ]} Las terminologías han seguido evolucionando: en 2011, las Academias Nacionales actualizaron la definición para incluir una gran variedad de objetos datados como "datos espectrográficos, de secuenciación genómica y de microscopía electrónica; datos de observación, como datos de teledetección, geoespaciales y socioeconómicos; y otras formas de datos generados o compilados por humanos o máquinas", así como "representación digital de literatura" ^{[ 5 ].}

Aunque las formas y estructuras de los datos siguen siendo extensas e inciertas, las definiciones y políticas estándar han tendido recientemente a restringir los datos científicos a datos computacionales o digitales. ^{[ 6 ]} El programa piloto de datos abiertos de Horizonte 2020 se ha restringido voluntariamente a la investigación digital : "'Datos de investigación digital' es información en formato digital (en particular, hechos o números), recopilada para ser examinada y utilizada como base para el razonamiento, la discusión o el cálculo; esto incluye estadísticas, resultados de experimentos, mediciones, observaciones resultantes del trabajo de campo, resultados de encuestas, grabaciones de entrevistas e imágenes" ^{[ 7 ]}

En general, el estatus de los datos científicos sigue siendo un punto de discusión flexible entre investigadores individuales, comunidades y responsables políticos: "En términos más amplios, cualquier 'dato' que sea de interés para los investigadores debe ser tratado como 'datos de investigación'" ^{[ 6 ]} Informes políticos importantes, como la síntesis colectiva de 2012 de las Academias Nacionales de Ciencias sobre la citación de datos, han adoptado intencionalmente una definición relativa y nominalista de datos: "dedicaremos poco tiempo a cuestiones de definición (por ejemplo, ¿qué son los datos?), excepto para reconocer que los datos a menudo existen en los ojos del observador". ^{[ 8 ]} Para Christine Borgman , la cuestión principal no es definir los datos científicos ("qué son los datos") sino contextualizar el punto en el que los datos se convirtieron en un punto central de discusión dentro de una disciplina, una institución o un programa nacional de investigación ("cuándo son los datos"). ^{[ 9 ]} En la década de 2010, la expansión de las fuentes de datos disponibles y la sofisticación de los métodos de análisis de datos ampliaron el rango de disciplinas afectadas principalmente por los problemas de gestión de datos a " ciencia social computacional , humanidades digitales , datos de redes sociales , proyectos de investigación de ciencia ciudadana y ciencia política ". ^{[ 10 ]}

La apertura y el intercambio de datos han sido temas importantes de debate en lo que respecta a la gestión de datos científicos, pero también una motivación para que los datos se conviertan en un tema relevante dentro de una institución, una disciplina o un marco político.

Para Paul Edwards, compartir o no los datos, en qué medida deberían compartirse y con quién han sido causas importantes de fricción de datos , que revelaron las infraestructuras de la ciencia que de otro modo estarían ocultas: "La metáfora de Edwards sobre la fricción de datos describe lo que sucede en las interfaces entre las 'superficies' de datos: los puntos donde los datos se mueven entre personas, sustratos, organizaciones o máquinas (...) Cada movimiento de datos a través de una interfaz tiene un costo en tiempo, energía y atención humana. Cada interfaz entre grupos y organizaciones, así como entre máquinas, representa un punto de resistencia donde los datos pueden ser distorsionados, malinterpretados o perdidos. En los sistemas sociales, la fricción de datos consume energía y produce turbulencia y calor, es decir, conflictos, desacuerdos y procesos inexactos e ingobernables." ^{[ 11 ]} La apertura de los datos científicos es tanto una fricción de datos en sí misma como una forma de gestionar colectivamente las fricciones de datos al debilitar los complejos problemas de propiedad de los datos. Se ha reconocido que las culturas científicas o epistémicas son factores primordiales en la adopción de políticas de datos abiertos: "se esperaría que las prácticas de intercambio de datos estuvieran ligadas a la comunidad y determinadas en gran medida por la cultura epistémica". ^{[ 12 ]}

En la década de 2010, científicos y responsables políticos introdujeron nuevos conceptos para definir con mayor precisión qué son los datos científicos abiertos. Desde su introducción en 2016, los datos FAIR se han convertido en un foco principal de las políticas de investigación abierta . El acrónimo describe un tipo ideal de datos localizables, accesibles, interoperables y reutilizables . Los datos científicos abiertos se han categorizado como un bien común o público , que se mantiene, enriquece y preserva principalmente mediante la acción colectiva en lugar de la individual: «Lo que hace que la acción colectiva sea útil para comprender el intercambio de datos científicos es su enfoque en cómo la apropiación de las ganancias individuales se determina ajustando los costos y beneficios que se acumulan con las contribuciones a un recurso común» ^{[ 13 ].}

La aparición de datos científicos se asocia con un cambio semántico en la forma en que se entienden comúnmente conceptos científicos fundamentales como datos , información y conocimiento . ^{[ 14 ]} Tras el desarrollo de las tecnologías informáticas, los datos y la información se describen cada vez más como "cosas": ^{[ 15 ]} "Al igual que la computación, los datos siempre tienen un aspecto material. Los datos son cosas. No son solo números, sino también numerales, con dimensionalidad, peso y textura". ^{[ 16 ]}

Tras la Segunda Guerra Mundial, los grandes proyectos científicos dependieron cada vez más de la infraestructura del conocimiento para recopilar, procesar y analizar grandes cantidades de datos. El sistema de tarjetas perforadas se utilizó experimentalmente por primera vez con datos climáticos en la década de 1920 y se aplicó a gran escala en la década siguiente: «En uno de los primeros proyectos gubernamentales de empleo público durante la Gran Depresión, los trabajadores de la Administración de Obras Civiles perforaron unos 2 millones de registros de barcos para el período 1880-1933». ^{[ 17 ]} Para 1960, las colecciones de datos meteorológicos del Centro Nacional de Registros Meteorológicos de EE. UU. se habían expandido a 400 millones de tarjetas y tenían un alcance global. El impacto físico de los datos científicos era entonces evidente y amenazaba la estabilidad de edificios enteros: «Para 1966, las tarjetas ocupaban tanto espacio que el Centro comenzó a llenar su vestíbulo principal con armarios para almacenar tarjetas (figura 5.4). Los funcionarios se preocuparon seriamente de que el edificio pudiera derrumbarse bajo su peso». ^{[ 18 ]}

A finales de la década de 1960, la infraestructura del conocimiento se había integrado en diversas disciplinas y comunidades. La primera iniciativa para crear una base de datos de bibliografía electrónica de acceso abierto fue el Centro de Información de Recursos Educativos (ERIC) en 1966. Ese mismo año se creó MEDLINE , una base de datos en línea de acceso gratuito gestionada por la Biblioteca Nacional de Medicina y el Instituto Nacional de Salud (EE. UU.) con citas bibliográficas de revistas del área biomédica, que más tarde se denominaría PubMed y que actualmente cuenta con más de 14 millones de artículos completos. ^{[ 19 ]} También se establecieron infraestructuras del conocimiento en ingeniería espacial (con NASA/RECON), búsqueda en bibliotecas (con OCLC Worldcat ) o ciencias sociales: «En las décadas de 1960 y 1970 se creó más de una docena de servicios y asociaciones profesionales para coordinar la recopilación de datos cuantitativos». ^{[ 20 ]}

Los primeros discursos y marcos normativos sobre datos científicos abiertos surgieron inmediatamente después de la creación de la primera gran infraestructura del conocimiento. El sistema del Centro Mundial de Datos (ahora Sistema Mundial de Datos ) tenía como objetivo facilitar el acceso a los datos de observación en preparación para el Año Geofísico Internacional de 1957-1958. ^{[ 21 ]} El Consejo Internacional de Uniones Científicas (ahora Consejo Internacional para la Ciencia ) estableció varios Centros Mundiales de Datos para minimizar el riesgo de pérdida de datos y maximizar su accesibilidad, recomendando además en 1955 que los datos estuvieran disponibles en formato legible por máquina. ^{[ 22 ]} En 1966, el Consejo Internacional para la Ciencia creó CODATA, una iniciativa para "promover la cooperación en la gestión y el uso de datos". ^{[ 23 ]}

Estas primeras formas de datos científicos abiertos no se desarrollaron mucho más. Existían demasiadas fricciones de datos y resistencia técnica a la integración de datos externos como para implementar un ecosistema duradero de intercambio de datos. Las infraestructuras de datos eran prácticamente invisibles para los investigadores, ya que la mayor parte de la investigación la realizaban bibliotecarios profesionales. Los sistemas operativos de búsqueda no solo eran complicados de usar, sino que la búsqueda debía realizarse de forma muy eficiente dado el coste prohibitivo de las telecomunicaciones de larga distancia. ^{[ 24 ]} Si bien sus creadores habían previsto originalmente usos directos por parte de los investigadores, esto no pudo materializarse debido a impedimentos técnicos y económicos:

Los diseñadores de los primeros sistemas en línea habían asumido que las búsquedas las realizarían los usuarios finales; esta suposición fue la base del diseño del sistema. MEDLINE estaba pensado para ser utilizado por investigadores médicos y clínicos, mientras que NASA/RECON se diseñó para ingenieros y científicos aeroespaciales. Sin embargo, por diversas razones, la mayoría de los usuarios durante la década de 1970 eran bibliotecarios e intermediarios capacitados que trabajaban en nombre de los usuarios finales. De hecho, algunos investigadores profesionales temían que incluso permitir que usuarios finales interesados ​​accedieran a las terminales fuera una mala idea. ^{[ 25 ]}

Christine Borgman no recuerda debates políticos significativos sobre el significado, la producción y la circulación de datos científicos, salvo en algunos campos específicos (como la climatología) después de 1966. ^{[ 23 ]} Las infraestructuras científicas aisladas difícilmente podían conectarse antes de la llegada de la web. ^{[ 26 ]} Los proyectos y las comunidades dependían de sus propias redes no conectadas a nivel nacional o institucional: «Internet era casi invisible en Europa porque allí se utilizaban protocolos de red distintos». ^{[ 27 ]} La comunicación entre infraestructuras científicas no solo era compleja en el espacio, sino también en el tiempo. Cuando un protocolo de comunicación dejaba de mantenerse, los datos y el conocimiento que difundía también corrían el riesgo de desaparecer: «la relación entre la investigación histórica y la informática se ha visto afectada de forma duradera por proyectos abortados, pérdida de datos y formatos irrecuperables». ^{[ 28 ]}

La World Wide Web se concibió originalmente como una infraestructura para datos científicos abiertos. El intercambio de datos y su documentación fue un aspecto fundamental en la comunicación inicial de la World Wide Web cuando el proyecto se presentó por primera vez en agosto de 1991  : «El proyecto WWW se inició para permitir que los físicos de altas energías compartieran datos, noticias y documentación. Estamos muy interesados ​​en extender la web a otras áreas y contar con servidores de puerta de enlace para otros datos». ^{[ 29 ]}

El proyecto surgió de una infraestructura de conocimiento cercana, ENQUIRE . Era un software de gestión de información encargado a Tim Berners-Lee por el CERN para las necesidades específicas de la física de altas energías. La estructura de ENQUIRE era más parecida a una red interna de datos: conectaba "nodos" que "podían referirse a una persona, un módulo de software, etc., y que podían interrelacionarse con varias relaciones como "hecho", "incluir", "describe", etc." ^{[ 30 ]} Si bien "facilitaba cierta vinculación aleatoria entre la información", Enquire no pudo "facilitar la colaboración que se deseaba en la comunidad internacional de investigación en física de altas energías". ^{[ 31 ]} Al igual que cualquier infraestructura científica informática significativa anterior a la década de 1990, el desarrollo de ENQUIRE se vio finalmente obstaculizado por la falta de interoperabilidad y la complejidad de gestionar las comunicaciones de red: "aunque Enquire proporcionaba una forma de vincular documentos y bases de datos, y el hipertexto proporcionaba un formato común para mostrarlos, seguía existiendo el problema de lograr que diferentes ordenadores con diferentes sistemas operativos se comunicaran entre sí". ^{[ 27 ]}

La web rápidamente reemplazó la infraestructura cerrada preexistente para datos científicos, incluso cuando esta incluía funciones informáticas más avanzadas. Entre 1991 y 1994, los usuarios del Worm Community System , una importante base de datos biológica sobre gusanos, migraron a la web y a Gopher. Si bien la web no incluía muchas funciones avanzadas para la recuperación de datos y la colaboración, era fácilmente accesible. Por el contrario, el Worm Community System solo podía consultarse en terminales específicas compartidas entre instituciones científicas: «Adoptar el potente WCS, diseñado a medida (con su interfaz práctica), supone sufrir inconvenientes en la intersección de los hábitos de trabajo, el uso de ordenadores y los recursos de laboratorio (…) La World Wide Web, en cambio, puede accederse desde una amplia variedad de terminales y conexiones, y el soporte informático para Internet está fácilmente disponible en la mayoría de las instituciones académicas y a través de servicios comerciales relativamente económicos». ^{[ 32 ]}

La publicación en la web transformó por completo la economía de la publicación de datos. Mientras que en formato impreso "el costo de reproducir grandes conjuntos de datos es prohibitivo", los gastos de almacenamiento de la mayoría de ellos son bajos. ^{[ 33 ]} En este nuevo entorno editorial, los principales factores limitantes para el intercambio de datos ya no son técnicos ni económicos, sino sociales y culturales.

El desarrollo y la generalización de la World Wide Web eliminaron numerosas barreras técnicas y obstáculos que habían restringido la libre circulación de datos. Sin embargo, aún no se habían definido los datos científicos y era necesario implementar nuevas políticas de investigación para materializar la visión original de Tim Berners-Lee sobre una red de datos . En la actualidad, los datos científicos se han definido en gran medida mediante el proceso de apertura de datos científicos, ya que la implementación de políticas abiertas generó nuevos incentivos para establecer directrices, principios y terminologías aplicables.

La investigación climática ha sido un campo pionero en la definición conceptual de datos científicos abiertos, al igual que en la construcción de la primera gran infraestructura de conocimiento en las décadas de 1950 y 1960. En 1995, el GCDIS articuló un claro compromiso sobre el intercambio pleno y abierto de datos científicos : «Los programas internacionales para la investigación del cambio global y el monitoreo ambiental dependen crucialmente del principio del intercambio pleno y abierto de datos (es decir, los datos y la información se ponen a disposición sin restricciones, de forma no discriminatoria, por no más que el costo de reproducción y distribución). ^{[ 34 ]} La expansión del alcance y la gestión de las infraestructuras de conocimiento también creó incentivos para compartir datos, ya que la "asignación de la propiedad de los datos" entre un gran número de partes interesadas individuales e institucionales se ha vuelto cada vez más compleja. ^{[ 35 ]} Los datos abiertos crean un marco simplificado para garantizar que todos los contribuyentes y usuarios de los datos tengan acceso a ellos. ^{[ 35 ]}

Los datos abiertos se han identificado rápidamente como un objetivo clave del emergente movimiento de ciencia abierta. Si bien inicialmente se centraron en publicaciones y artículos académicos, las iniciativas internacionales a favor del acceso abierto ampliaron su alcance a todas las principales producciones científicas. ^{[ 36 ]} En 2003, la Declaración de Berlín apoyó la difusión de "resultados de investigación científica originales, datos brutos y metadatos, materiales fuente y representaciones digitales de materiales multimedia pictóricos, gráficos y académicos".

Después del año 2000, organizaciones internacionales, como la OCDE (Organización para la Cooperación y el Desarrollo Económicos), han desempeñado un papel fundamental en la elaboración de definiciones genéricas y transdisciplinarias de datos científicos, ya que las políticas de datos abiertos deben implementarse más allá de la escala específica de una disciplina de un país. ^{[ 5 ]} Una de las primeras definiciones influyentes de datos científicos fue acuñada en 1999 ^{[ 5 ]} por un informe de las Academias Nacionales de Ciencias: "Los datos son hechos, números, letras y símbolos que describen un objeto, idea, condición, situación u otros factores". ^{[ 37 ]} En 2004, los Ministros de Ciencia de todas las naciones de la OCDE firmaron una declaración que esencialmente establece que todos los datos de archivo financiados con fondos públicos deben hacerse públicos. ^{[ 38 ]} En 2007, la OCDE "codificó los principios para el acceso a los datos de investigación provenientes de fondos públicos" ^{[ 39 ]} a través de los Principios y Directrices para el Acceso a los Datos de Investigación Provenientes de Fondos Públicos, que definieron los datos científicos como "registros fácticos (puntuaciones numéricas, registros textuales, imágenes y sonidos) utilizados como fuentes primarias para la investigación científica y que son comúnmente aceptados en la comunidad científica como necesarios para validar los resultados de la investigación". ^{[ 40 ]} Los Principios actuaron como una recomendación de derecho indicativo y afirmaron que "el acceso a los datos de investigación aumenta el rendimiento de la inversión pública en esta área; refuerza la investigación científica abierta; fomenta la diversidad de estudios y opiniones; promueve nuevas áreas de trabajo y permite la exploración de temas no previstos por los investigadores iniciales". ^{[ 41 ]}

Después de 2010, las instituciones nacionales y supranacionales adoptaron una postura más intervencionista. Se implementaron nuevas políticas no solo para garantizar e incentivar la apertura de datos científicos, generalmente como continuación de los programas de datos abiertos existentes. En Europa, el Comisario de Investigación, Ciencia e Innovación de la Unión Europea, Carlos Moedas, convirtió los datos de investigación abiertos en una de las prioridades de la UE en 2015. ^{[ 10 ]}

Publicados por primera vez en 2016, los Principios Rectores FAIR ^{[ 2 ]} se han convertido en un marco influyente para la apertura de datos científicos. ^{[ 10 ]} Los principios fueron diseñados originalmente dos años antes durante un taller de políticas e investigación en Lorentz , Diseño conjunto de un FAIRport de datos . ^{[ 42 ]} Durante las deliberaciones del taller, "surgió la noción de que, a través de la definición y el amplio apoyo a un conjunto mínimo de principios rectores y prácticas acordados por la comunidad" ^{[ 43 ]}

Los principios no pretenden definir los datos científicos, que siguen siendo un concepto relativamente flexible, sino que buscan describir «qué constituye una buena gestión de datos». ^{[ 44 ]} Abarcan cuatro principios fundamentales, «que sirven de guía al productor de datos»: Localización, Accesibilidad, Interoperabilidad y Reutilización. ^{[ 44 ]} También pretenden dar un paso hacia la procesabilidad automática explicitando la semántica subyacente de los datos. ^{[ 43 ]} Dado que reconocen plenamente la complejidad de la gestión de datos, los principios no pretenden introducir un conjunto de recomendaciones rígidas, sino más bien «grados de FAIR», que pueden ajustarse en función de los costes organizativos, pero también de las restricciones externas en materia de derechos de autor o privacidad. ^{[ 45 ]}

Los principios FAIR fueron inmediatamente adoptados por importantes organizaciones internacionales: "FAIR experimentó un rápido desarrollo, obteniendo el reconocimiento de la Unión Europea, el G7, el G20 y Big Data to Knowledge (BD2K) con sede en EE. UU." ^{[ 46 ]} En agosto de 2016, la Comisión Europea creó un grupo de expertos para convertir "los datos FAIR en realidad". ^{[ 47 ]} A partir de 2020, los principios FAIR siguen siendo "los estándares técnicos más avanzados para datos científicos abiertos hasta la fecha" ^{[ 48 ]}

En 2022, el Monitor Francés de Ciencia Abierta comenzó a publicar una encuesta experimental sobre publicaciones de datos de investigación obtenidas mediante herramientas de minería de texto. El análisis retrospectivo mostró que la tasa de publicaciones que mencionan el intercambio de sus asociados casi se ha duplicado en 10 años, pasando del 13 % (en 2013) al 22 % (en 2021). ^{[ 49 ]}

A finales de la década de 2010, las políticas de datos abiertos contaban con un amplio respaldo de las comunidades científicas. Dos grandes encuestas encargadas por la Comisión Europea en 2016 y 2018 revelaron un beneficio percibido comúnmente: «El 74 % de los investigadores afirma que tener acceso a otros datos les sería beneficioso» ^{[ 50 ]. Sin embargo, observaciones más cualitativas recopiladas en la misma investigación también mostraron que «lo que los científicos proclaman idealmente, en comparación con lo que realmente practican, revela una situación más ambigua» [ 50 ]} .

Hasta la década de 2010, la publicación de datos científicos se refería principalmente a "la publicación de conjuntos de datos asociados con un artículo de revista individual" ^{[ 51 ].} Esta publicación se documenta mediante una Declaración de Accesibilidad de Datos o DAS. Se han propuesto varias tipologías o declaraciones de accesibilidad de datos. ^{[ 52 ] [ 53 ]} En 2021, Colavizza et al. identificaron tres categorías o niveles de acceso:

• DAS 1: "Datos disponibles bajo petición o similar" ^{[ 54 ]}
• DAS 2: "Datos disponibles con el artículo y sus archivos complementarios" ^{[ 54 ]}
• DAS 3: "Datos disponibles en un repositorio" ^{[ 54 ]}

Los archivos de datos suplementarios aparecieron en la fase inicial de la transición a la publicación científica digital. Si bien el formato de las publicaciones ha mantenido en gran medida las limitaciones del formato impreso, se pueden incluir materiales adicionales en la "información suplementaria". ^{[ 33 ]} Como publicación, los archivos de datos suplementarios tienen un estatus ambiguo. En teoría, están pensados ​​como documentos sin procesar, que dan acceso a los antecedentes de la investigación. En la práctica, los conjuntos de datos publicados a menudo deben ser seleccionados especialmente para su publicación. Por lo general, se centran en las fuentes de datos primarias, no en la totalidad de las observaciones o mediciones realizadas para el propósito de la investigación: "Identificar cuáles son "los datos" asociados con cualquier artículo, ponencia, libro u otra publicación individual suele ser difícil, ya que los investigadores recopilan datos continuamente". ^{[ 55 ]} La selección de los datos también está influenciada por la editorial. La política editorial de la revista determina en gran medida "qué se incluye en el texto principal y qué en la información suplementaria", y los editores son especialmente cautelosos a la hora de incluir grandes conjuntos de datos que pueden ser difíciles de mantener a largo plazo. ^{[ 55 ]}

Los conjuntos de datos científicos han sido cada vez más reconocidos como una publicación científica autónoma. La asimilación de datos a artículos académicos tenía como objetivo aumentar el prestigio y el reconocimiento de los conjuntos de datos publicados: "implícito en este argumento está que la familiaridad fomentará la publicación de datos". ^{[ 51 ]} Este enfoque ha sido favorecido por varios editores y repositorios, ya que permitió integrar fácilmente los datos en la infraestructura de publicación existente y reutilizar ampliamente conceptos editoriales creados inicialmente en torno a los artículos. ^{[ 51 ]} Los artículos de datos se introdujeron explícitamente como "un mecanismo para incentivar la publicación de datos en la ciencia de la biodiversidad". ^{[ 56 ]}

Las primeras bases de datos digitales de las décadas de 1950 y 1960 plantearon de inmediato problemas de citabilidad y descripciones bibliográficas. ^{[ 57 ]} La mutabilidad de la memoria de las computadoras fue especialmente problemática: a diferencia de las publicaciones impresas, no se podía esperar que los datos digitales se mantuvieran estables a largo plazo. En 1965, Ralph Bisco subrayó que esta incertidumbre afectaba a todos los documentos asociados, como los cuadernos de código, que podían quedar obsoletos con el tiempo. La gestión de datos debe encontrar un punto intermedio entre las mejoras continuas y algún tipo de estabilidad genérica: "el concepto de un archivo de datos fluido, cambiante y en constante mejora implica que la limpieza de estudios y otros procesos deben llevarse a cabo hasta tal punto que los cambios no afecten significativamente los análisis previos" ^{[ 58 ].}

Los metadatos bibliográficos estructurados para bases de datos han sido un tema de debate desde la década de 1960. ^{[ 57 ]} En 1977, el Estándar Americano para Referencia Bibliográfica adoptó una definición de "archivo de datos" con un fuerte énfasis en la materialidad y la mutabilidad del conjunto de datos: no se indicaban ni fechas ni autores, pero se debía especificar el medio o "método de empaquetado". ^{[ 59 ]} Dos años después, Sue Dodd introdujo una convención alternativa que acercó la citación de datos al estándar de referencias de otras publicaciones científicas: ^{[ 57 ]} La recomendación de Dodd incluía el uso de títulos, autor, ediciones y fecha, así como menciones alternativas para subdocumentaciones como el cuaderno de código. ^{[ 60 ]}

La indexación de conjuntos de datos se ha transformado radicalmente con el desarrollo de la web, ya que las barreras para compartir datos se redujeron sustancialmente. ^{[ 57 ]} En este proceso, el archivo, la sostenibilidad y la persistencia de los datos se han convertido en cuestiones críticas. Se han introducido identificadores permanentes de objetos digitales (o DOI) para artículos científicos con el fin de evitar enlaces rotos, a medida que las estructuras de los sitios web evolucionan continuamente. A principios de la década de 2000, comenzaron programas piloto para asignar DOI también a los conjuntos de datos. ^{[ 61 ]} Si bien resuelve problemas concretos de sostenibilidad de enlaces, la creación de DOI de datos y normas de citación de datos también forma parte del proceso de legitimación, que asimila los conjuntos de datos a las publicaciones científicas estándar y puede nutrirse de fuentes de motivación similares (como los índices bibliométricos). ^{[ 62 ]}

Los conjuntos de datos accesibles y localizables generan una ventaja significativa en cuanto a citas. Un estudio de 2021 de 531.889 artículos publicados por PLOS estimó que existe una "ganancia relativa del 25,36 % en el número de citas en general" para un artículo de revista con "un enlace a datos archivados en un repositorio público". ^{[ 63 ]} La difusión de datos como material complementario no genera una ventaja significativa en cuanto a citas, lo que sugiere que "la ventaja en cuanto a citas de las DAS [Declaraciones de Disponibilidad de Datos] no está tan relacionada con su mera presencia, sino con su contenido". ^{[ 64 ]}

A fecha de 2022, el reconocimiento de los datos científicos abiertos sigue siendo un proceso en curso. El software de referencia líder, Zotero, aún no cuenta con una función específica para conjuntos de datos.

En la investigación académica, el almacenamiento y la redundancia han demostrado ser una ventaja significativa de los datos científicos abiertos. Por el contrario, los datos científicos no abiertos se conservan de forma deficiente y solo pueden recuperarse con un esfuerzo considerable por parte de los autores, si es que no se pierden por completo. ^{[ 65 ]}

El análisis de los usos de los datos científicos abiertos se topa con los mismos problemas que cualquier otro contenido abierto: si bien el acceso libre, universal e indiscriminado ha ampliado de forma demostrable el alcance, la variedad y la intensidad de su recepción, también ha dificultado su seguimiento debido a la falta de un proceso de transacción.

Estos problemas se complican aún más por la novedad de los datos como publicación científica: "En la práctica, puede ser difícil monitorear la reutilización de datos, principalmente porque los investigadores rara vez citan el repositorio" ^{[ 66 ].}

En 2018, un informe de la Comisión Europea estimó el costo de no abrir los datos científicos de acuerdo con los principios FAIR: ascendió a 10.200 millones anuales en impacto directo y 16.000 millones en impacto indirecto en toda la economía de la innovación. ^{[ 67 ]} Implementar datos científicos abiertos a escala global "tendría un impacto considerable en el tiempo que dedicamos a manipular datos y en la forma en que los almacenamos". ^{[ 67 ]}

El desarrollo de datos abiertos científicos no se limita a la investigación científica. Involucra a diversos actores: «Los argumentos para compartir datos provienen de muchos ámbitos: agencias de financiación —tanto públicas como privadas—, organismos políticos como academias nacionales y consejos de financiación, editores de revistas, educadores, el público en general y los propios investigadores». ^{[ 69 ]} Por lo tanto, el movimiento por los datos abiertos científicos se cruza en gran medida con movimientos más globales por los datos abiertos. ^{[ 70 ]} Las definiciones estándar de datos abiertos utilizadas por una amplia gama de actores públicos y privados han sido elaboradas en parte por investigadores en torno a cuestiones científicas concretas. ^{[ 71 ]} El concepto de transparencia ha contribuido especialmente a crear convergencias entre la ciencia abierta, los datos abiertos y el gobierno abierto. En 2015, la OCDE describió la transparencia como una «razón común para la ciencia abierta y los datos abiertos». ^{[ 72 ]}

Christine Borgman ha identificado cuatro razones principales para compartir datos que se utilizan comúnmente en todo el debate regulatorio y público sobre datos científicos abiertos: ^{[ 69 ]}

• Reproducibilidad de la investigación: la falta de reproducibilidad se atribuye frecuentemente a deficiencias en la transparencia de la investigación y en el proceso de análisis de datos. En consecuencia, como «un fundamento para compartir datos de investigación, [la reproducibilidad de la investigación] es poderosa pero problemática». ^{[ 73 ]} La reproducibilidad solo se aplica a «ciertos tipos de investigación», principalmente en lo que respecta a las ciencias experimentales. ^{[ 73 ]}
• Accesibilidad pública: este razonamiento de que "los productos financiados con fondos públicos deben estar disponibles para el público" se encuentra en los argumentos a favor del gobierno abierto. ^{[ 74 ]} Si bien se inspira directamente en argumentos similares a favor del acceso abierto a las publicaciones, su alcance es más limitado, ya que los datos científicos abiertos "benefician directamente a muchas menos personas, y esos beneficios varían según las partes interesadas". ^{[ 75 ]}
• Valorización de la investigación: los datos científicos abiertos pueden aportar un valor sustancial al sector privado. Este argumento se utiliza especialmente para respaldar «la necesidad de más repositorios que puedan aceptar y gestionar datos de investigación, de mejores herramientas y servicios para explotar los datos, y de otras inversiones en infraestructura del conocimiento». ^{[ 75 ]}
• Mayor investigación e innovación: los datos científicos abiertos pueden mejorar significativamente la calidad de la investigación pública y privada. Este argumento apunta a "invertir en infraestructura de conocimiento para sustentar datos de investigación, gestionados según altos estándares de prácticas profesionales" ^{[ 75 ].}

Sin embargo, la colaboración entre los diferentes actores y partes interesadas del ciclo de vida de los datos es parcial. Incluso dentro de las instituciones académicas, la cooperación sigue siendo limitada: "la mayoría de los investigadores realizan [búsquedas relacionadas con datos] sin consultar a un gestor de datos o bibliotecario". ^{[ 76 ]}

El movimiento global de datos abiertos perdió parcialmente su cohesión e identidad durante la década de 2010, ya que los debates sobre la disponibilidad y la concesión de licencias de datos se vieron eclipsados ​​por cuestiones específicas de cada dominio: «Cuando el enfoque pasa de exigir acceso a los datos a crear infraestructura de datos y poner los datos a trabajar, los objetivos divergentes de quienes formaron un movimiento inicial de datos abiertos se hacen claramente visibles y gestionar las tensiones que surgen puede ser complejo». ^{[ 77 ]} El alcance tan genérico de la definición de datos abiertos, que pretende abarcar un conjunto muy amplio de culturas de datos preexistentes , no tiene en cuenta adecuadamente el umbral más alto de accesibilidad y contextualización que requiere la investigación científica: «los datos abiertos, en el sentido de ser gratuitos para su reutilización, son una condición necesaria pero no suficiente para fines de investigación». ^{[ 78 ]}

Desde la década de 2000, las encuestas a comunidades científicas han subrayado una discrepancia constante entre los ideales de intercambio de datos y su implementación en la práctica: «Cuando se pregunta a los investigadores actuales si están dispuestos a compartir sus datos, la mayoría dice que sí, que están dispuestos a hacerlo. Cuando se les pregunta a los mismos investigadores si publican sus datos, suelen reconocer que no lo han hecho». ^{[ 79 ]} La cultura de datos abiertos no surge de la nada y tiene que lidiar con la cultura preexistente de datos científicos y una serie de factores sistémicos que pueden desalentar el intercambio de datos: «En algunos campos, se desalienta activamente a los académicos a reutilizar datos. (…) Las carreras se construyen explorando territorios previamente inexplorados». ^{[ 80 ]}

En 2011, el 67% de 1329 científicos coincidieron en que la falta de intercambio de datos es un "imperdicio importante para el progreso de la ciencia". ^{[ 81 ]} Sin embargo, "solo alrededor de un tercio (36%) de los encuestados coincidió en que otros pueden acceder a sus datos fácilmente". ^{[ 82 ]} En 2016, una encuesta a investigadores en ciencias ambientales encontró un apoyo abrumador a los datos abiertos de fácil acceso (99% como al menos algo importante) y a las políticas de financiación para datos abiertos (88%). ^{[ 83 ]} Sin embargo, "incluso con la voluntad de compartir datos hay discrepancias con las prácticas comunes, por ejemplo, la voluntad de dedicar tiempo y recursos a preparar y cargar datos". ^{[ 83 ]} Un estudio de 2022 de 1792 declaraciones de intercambio de datos de BioMed Central encontró que menos del 7% de los autores (123) realmente proporcionaron los datos cuando se les solicitaron. ^{[ 84 ]}

La prevalencia de datos accesibles y localizables es aún menor: «A pesar de varias décadas de iniciativas políticas a favor del acceso abierto a los datos, las pocas estadísticas disponibles reflejan bajas tasas de publicación o depósito de datos». ^{[ 85 ]} En una encuesta de 2011 para Science , solo el 7,6 % de los investigadores compartieron sus datos en repositorios comunitarios, prefiriéndose en cambio los sitios web locales alojados por universidades o laboratorios. ^{[ 86 ]} En consecuencia, «muchos lamentaron la falta de metadatos y archivos comunes como principal impedimento para el uso y almacenamiento de datos». ^{[ 86 ]}

Según Borgmann, la paradoja del intercambio de datos se debe en parte a la limitación de las políticas de datos abiertos, que tienden a centrarse en "obligar o alentar a los investigadores a publicar sus datos" sin satisfacer la "demanda prevista de datos ni la infraestructura necesaria para respaldar la publicación y la reutilización". ^{[ 87 ]}

En 2022, Pujol Priego, Wareham y Romasanta destacaron que los incentivos para compartir datos científicos eran principalmente colectivos e incluyen la reproducibilidad, la eficiencia científica, la calidad científica, junto con retribuciones más individuales como el crédito personal ^{[ 88 ]} Los beneficios individuales incluyen una mayor visibilidad: los conjuntos de datos abiertos generan una ventaja significativa en las citas, pero solo cuando se han compartido en un repositorio abierto ^{[ 63 ]}

Entre las barreras importantes se incluyen la necesidad de publicar primero, las restricciones legales y la preocupación por la pérdida de reconocimiento. ^{[ 89 ]} Para los investigadores individuales, los conjuntos de datos pueden ser activos importantes para intercambiar por "nuevos trabajos o nuevas colaboraciones" ^{[ 33 ]} y su publicación puede ser difícil de justificar a menos que "obtengan algo de valor a cambio". ^{[ 33 ]}

La falta de familiaridad con el intercambio de datos, más que un rechazo directo a los principios de la ciencia abierta, es en última instancia un obstáculo importante. Varias encuestas de principios de la década de 2010 mostraron que los investigadores "rara vez buscan datos de otros investigadores y (...) rara vez se les piden sus propios datos". ^{[ 80 ]} Esto crea un círculo vicioso, ya que los investigadores hacen poco esfuerzo por garantizar el intercambio de datos, lo que a su vez desalienta su uso efectivo, mientras que "la mayor demanda de reutilización de datos existe en campos con alta dependencia mutua". ^{[ 80 ]} La realidad de la reutilización de datos también puede estar subestimada, ya que los datos no se consideran una publicación de datos prestigiosa y no se citan las fuentes originales. ^{[ 90 ]}

Según un estudio empírico de 2021 de 531.889 artículos publicados por PLOS, los incentivos y estímulos sutiles tienen un impacto limitado en el intercambio de datos: "las políticas de las revistas que fomentan, en lugar de exigir o imponer, la Declaración de Disponibilidad de Datos (DAS) tienen solo un pequeño efecto". ^{[ 91 ]}

Hasta la década de 2010, los derechos de autor fueron el foco principal de la literatura jurídica sobre datos científicos abiertos. La legalidad del intercambio de datos se identificó desde el principio como un tema crucial. A diferencia del intercambio de publicaciones científicas, el principal impedimento no eran los derechos de autor, sino la incertidumbre: «el concepto de "datos" era un concepto nuevo, creado en la era digital, mientras que la legislación sobre derechos de autor surgió en la época de las publicaciones impresas». ^{[ 94 ]} En teoría, las disposiciones sobre derechos de autor y derechos de autor no se aplican a simples recopilaciones de hechos y cifras. En la práctica, la noción de datos es mucho más amplia y podría incluir contenido protegido o arreglos creativos de contenido no protegible por derechos de autor.

El estatus de los datos en los convenios internacionales sobre propiedad intelectual es ambiguo. Según el artículo 2 del Convenio de Berna, "toda producción en el ámbito literario, científico y artístico" está protegida. ^{[ 95 ]} Sin embargo, los datos de investigación a menudo no son una creación original producida enteramente por uno o varios autores, sino más bien una "colección de hechos, generalmente recopilados mediante instrumentos o equipos científicos automatizados o semiautomatizados". ^{[ 95 ]} En consecuencia, no existe un convenio universal sobre derechos de autor de datos y los debates sobre "el alcance de la aplicación de los derechos de autor" siguen vigentes, con resultados diferentes según la jurisdicción o las características específicas del conjunto de datos. ^{[ 95 ]} Esta falta de armonización se deriva lógicamente de la novedad de los "datos de investigación" como concepto clave de la investigación científica: "el concepto de 'datos' es un concepto nuevo, creado en la era de la informática, mientras que la legislación sobre derechos de autor surgió en la época de las publicaciones impresas". ^{[ 95 ]}

En Estados Unidos, la Unión Europea y otras jurisdicciones, las leyes de derechos de autor reconocen una distinción entre los datos en sí mismos (que pueden ser un "hecho" no protegido) y la compilación de los datos (que puede ser una disposición creativa). ^{[ 95 ]} Este principio es anterior al debate político contemporáneo sobre los datos científicos, ya que los primeros casos judiciales que fallaron a favor de los derechos de compilación se remontan al siglo XIX.

En Estados Unidos, los derechos de compilación se definieron en la Ley de Derechos de Autor de 1976, con una mención explícita a los conjuntos de datos: "una obra formada por la recopilación y el ensamblaje de materiales o datos preexistentes" (párr. 101). ^{[ 96 ]} En su decisión de 1991, Feist Publications, Inc., v. Rural Telephone Service Co. , la Corte Suprema aclaró el alcance y las limitaciones de los derechos de autor sobre bases de datos, ya que el "ensamblaje" debe ser demostrablemente original y los "hechos brutos" contenidos en la compilación aún no están protegidos. ^{[ 96 ]}

Incluso en la jurisdicción donde la aplicación de los derechos de autor a los resultados de datos sigue siendo incierta y parcialmente teórica, ha generado importantes incertidumbres legales. La frontera entre un conjunto de hechos brutos y una compilación original no está claramente delimitada. ^{[ 97 ]} Si bien las organizaciones científicas suelen estar bien informadas sobre las leyes de derechos de autor, la complejidad de los derechos de datos crea desafíos sin precedentes. ^{[ 98 ]} Después de 2010, las jurisdicciones nacionales y supranacionales han cambiado parcialmente su postura con respecto a la protección de los derechos de autor de los datos de investigación. A medida que se fomenta el intercambio, los datos científicos también se han reconocido como un bien público informal: "los responsables políticos, los financiadores y las instituciones académicas están trabajando para aumentar la conciencia de que, si bien las publicaciones y el conocimiento derivados de los datos de investigación pertenecen a los autores, los datos de investigación deben considerarse un bien público para que se pueda realizar su potencial valor social y científico" ^{[ 12 ]}

La Unión Europea proporciona uno de los marcos de propiedad intelectual más sólidos para los datos, con una doble capa de derechos: derechos de autor para compilaciones originales (similar a los Estados Unidos) y derechos sui generis sobre bases de datos. ^{[ 97 ]} Los criterios para la originalidad de las compilaciones se han armonizado en todos los Estados miembros, mediante la Directiva de Bases de Datos de 1996 y varias sentencias importantes resueltas por el Tribunal de Justicia de la Unión Europea, como Infopaq International A/S v Danske Dagblades Forening c o Football Dataco Ltd et al. v Yahoo! UK Ltd . En general, se ha reconocido que los esfuerzos significativos en la creación del conjunto de datos no son suficientes para reclamar derechos de compilación, ya que la estructura debe "expresar su creatividad de manera original" ^{[ 99 ]} La Directiva de Bases de Datos también ha introducido un marco de protección original para los conjuntos de datos, los derechos sui generis que se confieren a cualquier conjunto de datos que haya requerido una "inversión sustancial". ^{[ 100 ]} Si bien duran 15 años, los derechos sui generis tienen el potencial de volverse permanentes, ya que pueden renovarse con cada actualización del conjunto de datos.

Debido a su amplio alcance y protección, los derechos sui generis no han sido reconocidos inicialmente por la jurisprudencia europea, que ha establecido un alto estándar para su aplicación. Este enfoque cauteloso se revirtió en la década de 2010, ya que la decisión de 2013 en el caso Innoweb BV contra Wegener ICT Media BV y Wegener Mediaventions reforzó la posición de los propietarios de bases de datos y condenó la reutilización de datos no protegidos en los motores de búsqueda web. ^{[ 101 ]} La consolidación y expansión de los derechos sobre bases de datos sigue siendo un tema controvertido en la normativa europea, ya que entra en conflicto, en parte, con el compromiso de la Unión Europea a favor de una economía basada en datos y la ciencia abierta. ^{[ 101 ]} Si bien existen algunas excepciones para usos científicos y pedagógicos, su alcance es limitado (no otorgan derechos para su posterior reutilización) y no se han activado en todos los Estados miembros. ^{[ 101 ]}

Los problemas de derechos de autor relacionados con conjuntos de datos científicos se han complicado aún más por las incertidumbres respecto a la propiedad. La investigación es en gran medida una actividad colaborativa que implica una amplia gama de contribuciones. Iniciativas como CRediT ( Taxonomía de Roles de Colaborador ) han identificado 14 roles diferentes, de los cuales 4 están explícitamente relacionados con la gestión de datos (Análisis Formal, Investigación, Curación de Datos y Visualización). ^{[ 102 ]}

En Estados Unidos, la propiedad de los datos de investigación suele estar determinada por el empleador del investigador, y el investigador principal actúa como custodio de los datos en lugar de propietario. ^{[ 103 ]} Hasta el desarrollo de los datos abiertos de investigación, las instituciones estadounidenses se han mostrado generalmente más reacias a renunciar a los derechos de autor sobre los datos que sobre las publicaciones, ya que se consideran activos estratégicos. ^{[ 104 ]} En la Unión Europea, no existe un marco ampliamente consensuado sobre la propiedad de los datos. ^{[ 105 ]}

También se han planteado los derechos adicionales de las partes interesadas externas, especialmente en el contexto de la investigación médica. Desde la década de 1970, los pacientes han reclamado algún tipo de propiedad sobre los datos producidos en el contexto de los ensayos clínicos, en particular con importantes controversias sobre si los sujetos de investigación y los pacientes son realmente dueños de sus propios tejidos o ADN. ^{[ 104 ]}

Numerosos proyectos científicos dependen de la recopilación de datos de personas, especialmente en la investigación médica y las ciencias sociales. En estos casos, cualquier política de intercambio de datos debe necesariamente equilibrarse con la preservación y protección de los datos personales. ^{[ 106 ]}

Los investigadores y, más concretamente, los investigadores principales, han estado sujetos a obligaciones de confidencialidad en varias jurisdicciones. ^{[ 106 ]} Los datos sanitarios se han regulado cada vez más desde finales del siglo XX, ya sea por ley o por acuerdos sectoriales. En 2014, la Agencia Europea de Medicamentos introdujo cambios importantes en el intercambio de datos de ensayos clínicos, con el fin de evitar la divulgación de todos los datos personales y toda la información comercialmente relevante. Es probable que esta evolución de la normativa europea «influya en la práctica global de compartir datos de ensayos clínicos como datos abiertos». ^{[ 107 ]}

Los planes y las prácticas de gestión de la investigación deben ser abiertos, transparentes y confidenciales por diseño.

Las licencias abiertas han sido el marco legal preferido para eliminar las restricciones y ambigüedades en la definición legal de datos científicos. En 2003, la Declaración de Berlín abogó por una renuncia universal a los derechos de reutilización de las contribuciones científicas que incluían explícitamente los "datos brutos y metadatos". ^{[ 108 ]}

A diferencia del desarrollo de licencias abiertas para publicaciones, que se produjo en un corto período de tiempo, la creación de licencias para datos científicos abiertos ha sido un proceso complejo. No se previeron inicialmente derechos específicos, como los derechos sui generis sobre bases de datos en la Unión Europea, ni principios legales específicos, como la distinción entre hechos simples y compilación original. Hasta la década de 2010, las licencias libres podían, paradójicamente, añadir más restricciones a la reutilización de conjuntos de datos, especialmente en lo que respecta a las atribuciones (que no se requieren para objetos sin derechos de autor, como los hechos brutos ): «en tales casos, cuando no se asocian derechos a los datos de investigación, entonces no hay base para licenciar los datos» ^{[ 109 ].}

Para sortear el problema, varias instituciones como el Centro de Datos Harvard-MIT comenzaron a compartir los datos en el dominio público . ^{[ 110 ]} Este enfoque garantiza que no se aplique ningún derecho sobre elementos que no estén protegidos por derechos de autor. Sin embargo, el dominio público y algunas herramientas asociadas, como la Marca de Dominio Público, no constituyen un contrato legal debidamente definido y varían significativamente de una jurisdicción a otra. ^{[ 110 ]} Introducida por primera vez en 2009, la licencia Creative Commons Zero (o CC0) se ha considerado de inmediato para la concesión de licencias de datos. ^{[ 111 ]} Desde entonces, se ha convertido en "la herramienta recomendada para publicar datos de investigación en el dominio público". ^{[ 112 ]} De acuerdo con los principios de la Declaración de Berlín, no es una licencia, sino una renuncia, ya que el productor de los datos "renuncia, abandona y entrega de forma manifiesta, completa, permanente, irrevocable e incondicional a todos los derechos de autor y derechos conexos del declarante".

Entre los enfoques alternativos se ha incluido el diseño de nuevas licencias libres para desenredar la acumulación de atribuciones específica de los derechos de las bases de datos. En 2009, la Open Knowledge Foundation publicó la Licencia de Base de Datos Abierta , que ha sido adoptada por importantes proyectos en línea como OpenStreetMap . Desde 2015, todas las diferentes licencias Creative Commons se han actualizado para ser totalmente efectivas en conjuntos de datos, ya que los derechos de las bases de datos se anticiparon explícitamente en la versión 4.0. ^{[ 109 ]}

En contraste con los amplios incentivos para compartir datos incluidos en las primeras políticas a favor de los datos científicos abiertos, la complejidad, los costos subyacentes y los requisitos de la gestión de datos científicos son cada vez más reconocidos: "Compartir datos es difícil de hacer y de justificar por el retorno de la inversión". ^{[ 114 ]} Los datos abiertos no son simplemente una tarea complementaria, sino que deben contemplarse a lo largo de todo el proceso de investigación, ya que "requieren cambios en los métodos y prácticas de investigación". ^{[ 114 ]}

La apertura de los datos de investigación crea un nuevo equilibrio entre costos y beneficios. El intercambio público de datos introduce un nuevo escenario de comunicación que contrasta principalmente con el intercambio privado de datos con colaboradores o socios de investigación. La recopilación, el propósito y la limitación de los datos deben ser explícitos, ya que es imposible basarse en el conocimiento informal preexistente: «la documentación y las representaciones son el único medio de comunicación entre el creador de datos y el usuario». ^{[ 115 ]} La falta de una documentación adecuada implica que la carga de la recontextualización recae sobre los usuarios potenciales y puede hacer que el conjunto de datos resulte inútil. ^{[ 116 ]}

La publicación requiere una verificación adicional sobre la propiedad de los datos y la posible responsabilidad legal en caso de uso indebido de los mismos. Esta fase de aclaración se vuelve aún más compleja en proyectos de investigación internacionales que pueden abarcar varias jurisdicciones. ^{[ 117 ]} El intercambio de datos y la aplicación de los principios de la ciencia abierta también aportan ventajas significativas a largo plazo que pueden no ser inmediatamente visibles. La documentación del conjunto de datos ayuda a esclarecer la cadena de procedencia y a garantizar que los datos originales no hayan sido alterados significativamente o que todos los tratamientos posteriores estén completamente documentados, en caso de que así sea. ^{[ 118 ]} La publicación bajo una licencia libre también permite delegar tareas como la preservación a largo plazo a agentes externos.

A finales de la década de 2010, surgió una nueva literatura especializada sobre gestión de datos para la investigación que codificaba las prácticas y los principios regulatorios existentes. ^{[ 119 ] [ 120 ] [ 121 ]}

La disponibilidad de datos científicos no abiertos disminuye rápidamente: en 2014, un estudio retrospectivo de conjuntos de datos biológicos mostró que "la probabilidad de que un conjunto de datos se reportara como existente disminuyó un 17% por año" ^{[ 122 ]. En consecuencia, "la proporción de conjuntos de datos que aún existían cayó del 100% en 2011 al 33% en 1991" [ 65 ]} . La pérdida de datos también se ha señalado como un problema significativo en revistas importantes como Nature o Science ^{[ 123 ].}

Las encuestas sobre prácticas de investigación han demostrado sistemáticamente que las normas de almacenamiento, las infraestructuras y los flujos de trabajo siguen siendo insatisfactorios en la mayoría de las disciplinas. El almacenamiento y la preservación de datos científicos se han identificado desde el principio como cuestiones críticas, especialmente en lo que respecta a los datos de observación, que se consideran esenciales para su preservación por ser los más difíciles de replicar. ^{[ 35 ]} Una encuesta realizada entre 2017 y 2018 a 1372 investigadores contactados a través de la Unión Geofísica Americana muestra que solo "una cuarta parte y una quinta parte de los encuestados" informan de buenas prácticas de almacenamiento de datos. ^{[ 124 ]} El almacenamiento a corto plazo e insostenible sigue estando muy extendido, con un 61 % de los encuestados que almacenan la mayor parte o la totalidad de sus datos en ordenadores personales. ^{[ 124 ]} Debido a su facilidad de uso a escala individual, las soluciones de almacenamiento insostenible se ven con buenos ojos en la mayoría de las disciplinas: "Esta discrepancia entre las buenas prácticas y la satisfacción puede mostrar que el almacenamiento de datos es menos importante para ellos que la recopilación y el análisis de datos". ^{[ 124 ]}

Publicado por primera vez en 2012, el modelo de referencia del Sistema Abierto de Información de Archivo establece que la infraestructura científica debe buscar la preservación a largo plazo, es decir, "el tiempo suficiente para tener en cuenta los impactos de las tecnologías cambiantes, incluido el soporte para nuevos medios y formatos de datos, o con una comunidad de usuarios cambiante". ^{[ 125 ]} En consecuencia, las buenas prácticas de gestión de datos implican tanto el almacenamiento (para preservar materialmente los datos) como, aún más crucialmente, la curación, "para preservar el conocimiento sobre los datos y facilitar su reutilización". ^{[ 126 ]}

El intercambio de datos en repositorios públicos ha contribuido a mitigar los riesgos de preservación debido al compromiso a largo plazo de las infraestructuras de datos y la posible redundancia de los datos abiertos. Un estudio de 2021 de 50 000 declaraciones de disponibilidad de datos publicadas en PLOS One mostró que el 80 % del conjunto de datos podía recuperarse automáticamente, y el 98 % del conjunto de datos con un DOI de datos podía recuperarse de forma automática o manual. Además, la accesibilidad no disminuyó significativamente para las publicaciones más antiguas: «Las URL y los DOI hacen que los datos y el código asociados a los artículos tengan más probabilidades de estar disponibles con el tiempo». ^{[ 127 ]} No se han encontrado beneficios significativos cuando los datos abiertos no estaban correctamente vinculados o documentados: «Simplemente exigir que los datos se compartan de alguna forma puede no tener el impacto deseado de hacer que los datos científicos sean FAIR, ya que los estudios han demostrado repetidamente que muchos conjuntos de datos que aparentemente se comparten pueden no ser realmente accesibles». ^{[ 128 ]}

La gestión de datos de investigación se puede plasmar en un plan de gestión de datos o DMP .

Los planes de gestión de datos se iniciaron en 1966 para las necesidades específicas de la investigación aeronáutica y de ingeniería, que ya enfrentaba fricciones de datos cada vez más complejas. ^{[ 129 ]} Estos primeros ejemplos se centraron en cuestiones materiales asociadas con el acceso, la transferencia y el almacenamiento de los datos: "Hasta principios de la década de 2000, los DMP se utilizaban de esta manera: en campos limitados, para proyectos de gran complejidad técnica y para fines limitados de recopilación y procesamiento de datos a mitad del estudio" ^{[ 130 ]}

Después del año 2000, la implementación de una amplia infraestructura de investigación y el desarrollo de la ciencia abierta cambiaron el alcance y el propósito de los planes de gestión de datos. Los responsables políticos, más que los científicos, han sido fundamentales en este desarrollo: "Las primeras publicaciones que brindaron consejos y orientación generales a los investigadores sobre la creación de planes de gestión de datos se publicaron a partir de 2009, tras las publicaciones de JISC y la OCDE (...) Inferimos que el uso de planes de gestión de datos se ha impuesto a la comunidad investigadora a través de fuerzas externas" ^{[ 131 ].}

Los estudios empíricos sobre las prácticas de datos en la investigación han "resaltado la necesidad de que las organizaciones ofrezcan capacitación y asistencia más formales en la gestión de datos a los científicos" ^{[ 132 ]} En una encuesta internacional de 2017-2018 a 1372 científicos, la mayoría de las solicitudes de ayuda y formalización se asociaron con el plan de gestión de datos: "creación de planes de gestión de datos (33,3%); capacitación sobre las mejores prácticas en la gestión de datos (31,3%); asistencia en la creación de metadatos para describir datos o conjuntos de datos (27,6%)" ^{[ ​​132 ]} La expansión de los procesos de recopilación y análisis de datos ha ejercido una presión cada vez mayor sobre una amplia gama de prácticas de datos informales y no codificadas.

La implicación de accionistas externos en proyectos de investigación genera importantes tensiones potenciales con los principios de intercambio de datos abiertos. Las contribuciones de agentes comerciales pueden depender especialmente de algún tipo de exclusividad y apropiación de los resultados finales de la investigación. En 2022, Pujol Priego, Wareham y Romasanta crearon varias estrategias de adaptación para superar estos problemas, como la modularidad de los datos (con el intercambio limitado a una parte de los datos) y el retraso temporal (con embargos de un año antes de la publicación final de los datos). ^{[ 133 ]}

La recomendación de la Unesco sobre Ciencia Abierta, aprobada en noviembre de 2021, define las infraestructuras de ciencia abierta como "infraestructuras de investigación compartidas necesarias para apoyar la ciencia abierta y atender las necesidades de diferentes comunidades" ^{[ 134 ].} Las infraestructuras de ciencia abierta han sido reconocidas como un factor importante en la implementación y el desarrollo de políticas de intercambio de datos. ^{[ 135 ].}

Las principales infraestructuras para datos científicos abiertos incluyen repositorios de datos , plataformas de análisis de datos, índices, bibliotecas digitalizadas o archivos digitalizados. ^{[ 136 ] [ 137 ]} Estas infraestructuras garantizan que los investigadores e instituciones no asuman la totalidad de los costos de publicación, mantenimiento e indexación de conjuntos de datos. Además, son actores clave en la definición y adopción de estándares de datos abiertos, especialmente en lo que respecta a licencias y documentación.

A finales de la década de 1990, la creación de infraestructura pública de computación científica se convirtió en un tema político importante: ^{[ 138 ]} "La falta de infraestructura para apoyar la publicación y la reutilización se reconoció en algunos de los primeros informes políticos sobre el intercambio de datos." ^{[ 135 ]} La primera ola de proyectos científicos basados ​​en la web en la década de 1990 y principios de la de 2000 reveló problemas críticos de sostenibilidad. Como la financiación se asignaba en un período específico, las bases de datos críticas, las herramientas en línea o las plataformas de publicación difícilmente podían mantenerse. ^{[ 28 ]} Los directores de proyectos se enfrentaron a un valle de la muerte "entre la financiación de subvenciones y la financiación operativa continua". ^{[ 139 ]} Después de 2010, la consolidación y expansión de la infraestructura científica comercial, como la adquisición de los repositorios abiertos Digital Commons y SSRN por Elsevier, había conllevado más llamamientos para asegurar "infraestructura controlada por la comunidad". ^{[ 140 ]} En 2015, Cameron Neylon, Geoffrey Bilder y Jenifer Lin definieron una influyente serie de Principios para la Infraestructura Académica Abierta ^{[ 141 ]} que ha sido respaldada por infraestructuras líderes como Crossref, ^{[ 142 ]} OpenCitations ^{[ 143 ]} o Data Dryad ^{[ 144 ]} Para 2021, los servicios públicos y las infraestructuras para la investigación han respaldado en gran medida la ciencia abierta como parte integral de su actividad e identidad: "la ciencia abierta es el discurso dominante al que se refieren los nuevos servicios en línea para la investigación". ^{[ 145 ]} Según la Hoja de Ruta 2021 del Foro Estratégico Europeo sobre Infraestructuras de Investigación (ESFRI), las principales infraestructuras heredadas en Europa han adoptado los principios de la ciencia abierta. "La mayoría de las Infraestructuras de Investigación en la Hoja de Ruta del ESFRI están a la vanguardia del movimiento de la Ciencia Abierta y hacen contribuciones importantes a la transformación digital al transformar todo el proceso de investigación de acuerdo con el paradigma de la Ciencia Abierta". ^{[ 146 ]}

La infraestructura de ciencia abierta representa un mayor nivel de compromiso con el intercambio de datos. Depende de inversiones significativas y recurrentes para garantizar que los datos se mantengan y documenten de manera efectiva y "añadan valor a los datos a través de metadatos, procedencia, clasificación, estándares para estructuras de datos y migración". ^{[ 147 ]} Además, las infraestructuras deben integrarse en las normas y los usos esperados de las comunidades científicas a las que pretenden servir: "Las más exitosas se convierten en colecciones de referencia que atraen financiación a largo plazo y pueden establecer estándares para sus comunidades". ^{[ 137 ]} Mantener estándares abiertos es uno de los principales desafíos identificados por las principales infraestructuras abiertas europeas, ya que implica elegir entre estándares en competencia en algunos casos, así como garantizar que los estándares se actualicen correctamente y sean accesibles a través de API u otros puntos finales. ^{[ 148 ]}

La definición conceptual de infraestructuras de ciencia abierta ha sido influenciada principalmente por el análisis de Elinor Ostrom sobre los bienes comunes y, más específicamente, sobre los bienes comunes del conocimiento . De acuerdo con Ostrom, Cameron Neylon subraya que las infraestructuras abiertas no solo se caracterizan por la gestión de un conjunto de recursos compartidos, sino también por la elaboración de normas y gobernanza conjuntas. ^{[ 149 ]} La difusión de datos científicos abiertos también plantea cuestiones rigurosas de gobernanza. En lo que respecta a la determinación de la propiedad de los datos, la adopción de licencias libres y la aplicación de regulaciones en materia de privacidad, "es necesaria una negociación continua" que involucre a una amplia gama de partes interesadas. ^{[ 150 ]}

Más allá de su integración en comunidades científicas específicas, la infraestructura de ciencia abierta tiene fuertes vínculos con los movimientos de código abierto y datos abiertos. El 82 % de las infraestructuras europeas encuestadas por SPARC afirman haber desarrollado parcialmente software de código abierto y el 53 % tienen toda su infraestructura tecnológica en código abierto. ^{[ 151 ]} Las infraestructuras de ciencia abierta integran preferentemente estándares de otras infraestructuras de ciencia abierta. Entre las infraestructuras europeas: «Los sistemas más citados —y por lo tanto infraestructura esencial para muchos— son ORCID , Crossref , DOAJ , BASE , OpenAIRE , Altmetric y Datacite , la mayoría de los cuales son sin ánimo de lucro». ^{[ 152 ]} La infraestructura de ciencia abierta forma parte de un emergente «espacio común de ciencia abierta verdaderamente interoperable» que se basa en la premisa de «herramientas para la investigación centradas en el investigador, de bajo coste, innovadoras e interoperables, superiores al sistema actual, en gran medida cerrado». ^{[ 153 ]}