Quadro de referência para a implementação dos princípios FAIR na gestão de dados de investigação

Financiamento Apoio setembro | 2025 Quadro de referência para a implementação dos princípios FAIR na Gestão de Dados de Investigação Entregável D.4.5 Título Quadro de referência para a implementação dos princípios FAIR na gestão de dados de investigação Versão 1 Tipo Deliverable Nível de disseminação Pública Work Package WP4– Curadoria e publicação de dados de investigação Organização responsável Universidade NOVA de Lisboa Data 30/09/2025 Autores Elvira Costa Salima Rehemtula André Vieira Pedro Príncipe Rui Fernandes Revisores Ana Gomes Clara Boavida Cristina Oliveira Aprovado Pedro Principe Consórcio 2 Edição e Revisões VERSÃO ESTADO DATA DESCRIÇÃO AUTORES 0.1 Draft 13/05/2025 Estrutura do documento André Vieira, Elvira Costa, Pedro Príncipe, Salima Rehemtula, Rui Fernandes 0.2 Draft 30/05/2025 Alteração da estrutura do documento André Vieira, Elvira Costa, Clara Boavida 0.3 Draft 27/06/2025 Melhoria e edição dos conteúdos Elvira Costa, Salima Rehemtula, André Vieira, Pedro Príncipe, Rui Fernandes 0.4 Draft 11/07/2025 Revisão pelos membros da T4.5 Ana Gomes, Clara Boavida, Cristina Oliveira, André Vieira, Pedro Príncipe, Salima Rehemtula 0.5 Versão 0.5 12/09/2025 Incorporação das sugestões dos restantes membros da T4.5 Elvira Costa, Salima Rehemtula, Ana Gomes 0.6 Versão 0.6 30/09/2025 Revisão final Ana Gomes, Pedro Principe, André Vieira 1.0 Versão 1 07/10/2025 Publicação Pedro Príncipe Lista de autores ORGANIZAÇÃO NOME CONTACTO Universidade do Minho André Vieira [email protected]> Universidade NOVA de Lisboa Elvira Costa [email protected] Universidade do Minho Pedro Príncipe [email protected] Universidade NOVA de Lisboa Salima Rehemtula [email protected] Universidade NOVA de LIsboa Rui Fernandes [email protected] 3 Índice Sumário executivo .......................................................................................................................... 3 Introdução ......................................................................................................................... 4 1. Princípios de dados FAIR: origem e significado ........................................... 6 2. Dados FAIR em detalhe ......................................................................................... 8 3.1. F – Localizáveis (Findable) ........................................................................................................ 8 F1 - (Meta)Dados são associados a identificadores globais, únicos e persistentes 8 F2 - Dados descritos com metadados pormenorizados (definido em R1) ................. 8 F3 - Metadados incluem de forma clara e explícita o identificador dos dados que descrevem ............................................................................................................................................ 9 F4 - (Meta)Dados são registados ou indexados em recursos pesquisáveis ............... 9 3.2. A – Acessíveis .................................................................................................................................. 9 A1. (Meta)Dados são recuperados através do seu identificador utilizando um protocolo de comunicação normalizado .................................................................................. 9 A1.1. O protocolo é aberto, livre e universalmente implementado ....................... 10 A1.2. O protocolo permite um procedimento de autenticação e de autorização, sempre que tal seja necessário .............................................................................................. 10 A2. Metadados são acessíveis mesmo quando os dados são de acesso restrito ou já não estão disponíveis .................................................................................................................... 10 3.3. I – Interoperáveis ........................................................................................................................ 10 I1. Os (meta)dados utilizam uma linguagem formal, acessível, partilhada e amplamente aplicável para a representação do conhecimento ................................... 11 I2. Os (meta)dados utilizam vocabulários que seguem os princípios de dados FAIR ................................................................................................................................................................ 11 I3. Os (meta)dados incluem referências qualificadas a outros (meta)dados .......... 11 3.4. R - Reutilizáveis ........................................................................................................................... 11 R1. Os (meta)dados são descritos de forma rica, com uma pluralidade de atributos exatos e relevantes ......................................................................................................................... 12 R1.1. Os (meta)dados são divulgados com uma licença de utilização de dados clara e acessível ........................................................................................................................... 12 R1.2. (Meta) Dados têm associada, de forma detalhada, a sua proveniência ...... 12 R1.3. (Meta)Dados cumprem as normas do domínio científico ............................... 13 3. Benefícios na aplicação dos princípios de dados FAIR ............................. 14 a) Investigadores ............................................................................................................................. 14 4 c) Gestores de dados e serviços de suporte .......................................................................... 15 d) Instituições académicas/Unidades de Investigação ................................................. 15 e) Agências de financiamento ..................................................................................................... 16 f) Associações privadas/sem fins lucrativos ........................................................................ 16 g) Empresas/Indústrias ................................................................................................................ 16 h) Sociedade civil ......................................................................................................................... 16 4. Clarificação sobre interpretações dos princípios de dados FAIR ........ 18 5. Dados FAIR na prática – FAIR ao longo do ciclo de vida dos dados...... 21 6.1 Planeamento e conceção ........................................................................................................... 22 6.2 Recolha de dados.......................................................................................................................... 24 6.4 Processamento e armazenamento ........................................................................................ 26 6.5 Análise de dados ........................................................................................................................... 28 6.6 Publicação e acesso aos dados ................................................................................................ 30 6.7 Preservação dos dados .............................................................................................................. 32 6.8 Reutilização dos dados............................................................................................................... 34 6. Recomendações para implementação dos princípios de dados FAIR . 36 Motivações ............................................................................................................................................. 36 Ações e processos ................................................................................................................................ 36 Infraestruturas ..................................................................................................................................... 38 Colaboração ........................................................................................................................................... 38 7. Ferramentas de Avaliação dos princípios de dados FAIR ....................... 39 Bibliografia ..................................................................................................................... 41 3 Sumário executivo A gestão eficaz de dados de investigação é essencial para garantir a sua reutilização, transparência e impacto científico. Neste contexto, os princípios FAIR — que visam tornar os dados Findable (Localizáveis), Accessible (Acessíveis), Interoperable (Interoperáveis) e Reusable (Reutilizáveis) — tornaram-se uma referência internacional para a gestão responsável e sustentável de dados científicos. À medida que cresce a exigência por práticas mais abertas e rigorosas na gestão de dados, torna-se fundamental disponibilizar orientações claras que apoiem a aplicação prática dos princípios FAIR. Este documento responde a essa necessidade, oferecendo um enquadramento estruturado para a sua implementação ao longo de todo o ciclo de vida dos dados de investigação. Inicia-se com uma apresentação da origem e do significado dos princípios FAIR, contextualizando o seu surgimento no âmbito da ciência aberta e das políticas de dados de investigação. Segue-se uma análise detalhada de cada um dos princípios, evidenciando os requisitos técnicos e organizacionais necessários para os colocar em prática. São também apresentados os principais benefícios da aplicação dos princípios FAIR, nomeadamente a promoção da visibilidade da investigação, o aumento do impacto científico e a facilitação da colaboração interdisciplinar. O documento alerta ainda para algumas interpretações incorretas dos princípios FAIR, esclarecendo equívocos frequentes que podem comprometer a sua adoção efetiva. Com base nisso, é apresentada uma abordagem prática para integrar os princípios FAIR em todas as fases do ciclo de vida dos dados — desde o planeamento da investigação até à reutilização dos dados. Para apoiar a sua implementação, são fornecidas recomendações específicas destinadas a diferentes atores institucionais, bem como recursos úteis para avaliar o cumprimento dos princípios FAIR, incluindo ferramentas, métricas e guias de boas práticas reconhecidas internacionalmente. O presente documento visa, assim, ser um guia de referência para apoio à comunidade científica na transição para uma cultura de dados mais aberta, transparente e reutilizável, alinhada com as exigências contemporâneas da investigação e da inovação. 4 Introdução A ciência aberta representa, uma nova forma de fazer e comunicar ciência, promovendo práticas que favorecem a transparência, a colaboração e a reutilização dos resultados de investigação. Um dos seus pilares fundamentais é a valorização dos dados enquanto ativos científicos, cuja gestão eficiente permite não apenas o seu acesso e reutilização por humanos, mas também a sua leitura e interpretação por máquinas. Por dados entende-se um conjunto alargado de objetos digitais gerados ao longo do processo científico, incluindo dados primários e processados, metadados, software, algoritmos, fluxos de trabalho, entre outros elementos relevantes. Dados de investigação são quaisquer informações recolhidas ou geradas para efeitos de análise, a fim de gerar ou validar afirmações científicas. Os Princípios de Dados FAIR, publicados na Revista Scientific Data em 2016, destinavamse a “servir de orientação para aqueles que pretendem melhorar a reutilização dos seus dados” (Wilkinson et al., 2016). O acrónimo FAIR, pelo qual estes princípios são conhecidos, traduz-se nas seguintes propriedades que se desejam ver atribuídas aos resultados da investigação e, neste caso em particular, aos dados e outros objetos digitais associados a esses resultados, e também aos seus metadados: Findable (Localizáveis), Accessible (Acessíveis), Interoperable (Interoperáveis) e Reusable (Reutilizáveis). Com o desenvolvimento progressivo do movimento da Ciência Aberta (CA) e, particularmente, na sua incidência no domínio da Gestão de Dados de Investigação (GDI), quer na gestão, quer na partilha de dados, foi necessária a criação de um guia de princípios FAIR que apoiasse os diversos agentes científicos na sua adoção. Este guia apresenta dois eixos estruturantes: por um lado, um conjunto de orientações técnicas; por outro, um alicerce normativo robusto que enquadra a implementação destes princípios em conformidade com os objetivos da CA. É neste enquadramento que se insere o presente documento — Quadro de referência para a implementação dos princípios FAIR na gestão de dados de investigação — que visa promover a adoção das suas práticas de forma coerente e alinhadas com o espírito da CA. O documento estrutura-se em torno de sete capítulos: • no primeiro é abordada a génese dos princípios, que remonta ao ano de 2014, bem como o seu significado (F - Localizáveis; A - Acessíveis; I - Interoperáveis; R - Reutilizáveis) e cada uma das suas propriedades; • no segundo são detalhados cada um dos princípios FAIR enunciados no ponto transato e são fornecidas algumas opções de implementação/recursos em cada um; • no terceiro dão-se a conhecer os benefícios da utilização destes princípios para os diversos intervenientes; • o quarto foca-se na desmistificação e correção de interpretações erradas destes princípios; 5 • no quinto identificam-se ações, comportamentos e recursos necessários na GDI de modo a garantir a FAIRificação ao longo do ciclo de vida dos dados; • o sexto apoia os investigadores e os serviços de suporte no que diz respeito à implementação dos princípios FAIR; • e o sétimo aborda as ferramentas que apoiam os vários agentes no processo da gestão de dados com a finalidade de avaliar o cumprimento na adoção dos princípios FAIR. 6 1. Princípios de dados FAIR: origem e significado Num tempo pautado cada vez mais pela crescente valorização dos dados, assegurar a sua gestão, bem como a sua partilha, de forma eficiente tornou-se uma prioridade. Nesse contexto, no âmbito do Lorentz Center Workshop “Jointly designing a data FAIRPORT” em janeiro de 2014, um grupo de especialistas com interesse na publicação e reutilização de dados de investigação reuniu-se para discutir os requisitos exigidos para a publicação deste tipo de dados, marcando o início dos FAIR Data. Esta realidade apresentada no workshop supracitado, materializou-se na publicação do artigo “The FAIR Guiding Principles for scientific data management and stewardship” na revista “Scientific Data” da Nature (Wilkinson et al., 2016), que apresenta um conjunto de princípios que visam tornar os dados Findable, Accessible, Interoperable e Reusable, com especial ênfase na capacidade dos sistemas computacionais para os processar — isto é, serem machine‑actionable. Os princípios de dados FAIR foram assim uma resposta a “uma necessidade urgente de melhorar a infraestrutura de apoio à reutilização de dados académicos” (Wilkinson et al., 2016). Os quatro princípios basilares que servem para orientar e maximizar o impacto dos dados de investigação (mas também todos os instrumentos que deram origem a esses mesmos dados - workflows, softwares, etc) são: 1. F - Localizáveis – os recursos digitais devem ser facilmente localizáveis por humanos e máquinas (computadores); 2. A - Acessíveis – quando os dados são encontrados é necessário entender as suas condições de acesso (por exemplo, a utilização de meios de autenticação e autorização); 3. I - Interoperáveis – os dados precisam de interoperar com aplicações ou workflows, e de se integrar com outros dados; 4. R - Reutilizáveis – os metadados e os dados devem ser bem descritos de forma a otimizar a sua reutilização, cumprindo-se deste modo, o objetivo derradeiro para o qual estes princípios servem. A aplicação destes princípios em todas as fases do processo da investigação pretende certificar que se satisfazem os domínios da transparência, da reprodutibilidade e da reutilização. Cada princípio encontra-se dividido em várias propriedades que ajudam a orientar os intervenientes ligados à área de GDI (cf. Tabela 1). A sua adoção traduz-se em benefícios importantes para os diferentes intervenientes no processo de investigação, como por exemplo: um maior impacto científico (investigadores), uma maximização dos recursos financeiros (agências de financiamento) ou o aumento da reputação institucional (instituições). Ainda assim, estes princípios são flexíveis, adaptáveis conforme o contexto e a disciplina. Em suma, concluímos que na génese dos princípios de dados FAIR encontra-se o crescente interesse pelos dados e, particularmente, pela sua gestão e partilha/reutilização. Assim, tal como se perspetiva a nível mundial, entendemos que a sua implementação progressiva constituirá uma mais-valia para toda a comunidade 13 informações: como os dados foram gerados, porque foram gerados, por quem, em que condições, se foram processados, entre outras. Este subprincípio assemelha-se muito ao princípio F2. No entanto, e como já foi referido anteriormente, o princípio F2 tem como objetivo permitir que os dados sejam “pesquisáveis” com base nos seus atributos, enquanto o objetivo do R1.2 é permitir que humanos e máquinas avaliem se os dados são adequados para reutilização num determinado contexto (exemplo). Opções de implementação/Recursos: PROV-Template DSW Knowledge Model R1.3. (Meta)Dados cumprem as normas do domínio científico Este subprincípio determina que se sigam as boas práticas existentes, num determinado domínio científico, em relação ao arquivo e à partilha de dados, para maximizar a reutilização dos dados pela comunidade em questão. Existem domínios científicos com normas estabelecidas em relação aos requisitos mínimos que são necessários para a partilha de dados (“minimal information standards”) que deverão ser seguidos para garantir que dados similares são descritos da mesma forma, com o mesmo vocabulário e que os mesmos formatos de ficheiros são usados (exemplo). Opções de implementação/Recursos: Climate and Forecast Conventions Crystallographic Information Framework Data Documentation Initiative (social, demographic, economic, and health sciences) DataCite metadata schema Dublin Core Specifications Ecological Metadata Language FAIRSharing Standards ISO 19115-1:2014 - Geographic information — Metadata (Part 1 - Fundamentals) MIAME and MINSEQE guidelines (microarrays and sequencing data) NeXus Data Format (neutron, x-ray, and muon data) Standard for Documentation of Astronomical Catalogues Statistical Data and Metadata eXchange 14 3. Benefícios na aplicação dos princípios de dados FAIR Tal como temos vindo a sugerir no decurso deste guia, a incorporação dos princípios de dados FAIR oferece um conjunto amplo de benefícios para a GDI. Assim, neste ponto, pretendemos, em primeiro lugar, dá-los a conhecer numa perspetiva mais macro (geral) e, posteriormente, para efeitos de melhor compreensão, particularizá-los e associá-los aos diversos utilizadores. Demonstrando que a FAIRificação de dados se pode iniciar por qualquer um dos princípios de dados FAIR, sem uma ordem linear obrigatória, podendo ser adotados de forma incremental, consoante os recursos e a maturidade das instituições ou projetos. Além disso, a sua implementação não implica um modelo único, sendo possível adaptar práticas FAIR a diferentes realidades institucionais, áreas científicas e tipos de dados. Tornar os dados de investigação Localizáveis (F) facilita a sua descoberta, assegurando o seu acesso (A) adequado, garantindo a sua recuperação e utilização pela comunidade científica, o que conduz à transparência e à abertura do conhecimento (sempre que possível) e também à melhoria contínua da qualidade dos dados, pela exigência de documentação completa, padronização e uso de vocabulários controlados. Este processo possibilita a interoperabilidade (I) dos dados em diversos sistemas e plataformas, incluindo aplicações automatizadas baseadas em inteligência artificial ou machine learning, facilitando análises em larga escala e a ciência orientada por dados. Por conseguinte, a leitura dos recursos digitais e a documentação e padronização dos dados leva a que estes possam ser reutilizáveis (R) em investigações futuras, e são condições estruturantes para promover uma boa gestão de tempo e recursos. Não obstante se tenha consignado os benefícios gerais da aplicação dos princípios de dados FAIR, esta mesma aplicação traduz-se num conjunto de benefícios para todos os intervenientes do sistema científico: investigadores, decisores, gestores de dados e serviços, instituições académicas/unidades de investigação, decisores, agências de financiamento, associações privadas/sem fins lucrativos, empresas/indústrias e sociedade civil. Assim, para efeitos de melhor sistematização dos conteúdos, serão seguidamente, apresentados e associados a cada um dos intervenientes: a) Investigadores • Aumentar a capacidade de descoberta/localização e de reutilização dos dados levando a um incremento de citações e, consequentemente, a um maior impacto do seu trabalho. • Melhorar a qualidade dos dados, crucial para a reprodutibilidade e transparência da investigação, evitando, desse modo, a duplicação de informação. • Colaborar com diferentes grupos de investigação e áreas científicas, promovendo uma interdisciplinaridade científica. 15 • Proteger os dados contra eventuais perdas, quer por acidente, quer por outros constrangimentos. • Aumentar a confiança da sociedade e de pares nos resultados da investigação, promovendo a sua validação e escrutínio. • Estabelecer as condições de acesso e reutilização dos dados através da definição de termos de uso e da atribuição de licenças. b) Decisores • Ajudar a garantir que a política institucional, assim como a sua implementação, é acessível, o que promove a sua utilização pelos membros da comunidade. • Implementar diretrizes para a promoção de melhores práticas de GDI. • Integrar os princípios de dados FAIR de forma a aumentar a qualidade dos dados, contribuindo para a capacitação e informação dos agentes de mudança na sua tomada de decisão. • Apoiar a criação de ambientes regulatórios e institucionais que incentivem a abertura e a responsabilização na produção científica. c) Gestores de dados e serviços de suporte • Normalizar as práticas de gestão de dados, o que ajuda a criar sistemas interoperáveis que se revelem integralmente funcionais com outros conjuntos de dados e ferramentas. • Simplificar os processos de gestão de dados, facilitando o armazenamento, a recuperação e a partilha de dados. • Apoiar a Ciência Aberta, promovendo a partilha e a transparência dos dados, o que pode aumentar a credibilidade e a fiabilidade da investigação científica. • Melhorar a rastreabilidade e a manutenção dos dados ao longo do seu ciclo de vida. d) Instituições académicas/Unidades de Investigação • Contribuir para o reforço da qualidade e da reputação da investigação desenvolvida nas Unidades de Investigação bem como nas Instituições académicas. • Prevenir a perda de dados de modo a que os ficheiros possam ser preservados de forma segura e disponibilizados (sempre que possível), garantindo a sua conservação por parte da instituição. • Cumprir com os requisitos das principais agências de financiamento (por exemplo, a elaboração de um plano de gestão de dados e a sua partilha). • Valorizar os dados como ativos estratégicos institucionais, alinhando a sua gestão com as missões de investigação, ensino e inovação. 16 e) Agências de financiamento • Assegurar o apoio público ao financiamento da investigação, garantindo a transparência na utilização de fundos públicos através dos dados de investigação acessíveis. • Maximizar o investimento dos financiadores na medida em que evita a duplicação de esforços (e com isso a duplicação de verbas disponibilizadas). • Avaliar os investigadores usando dados FAIR, diversificando os critérios e os objetos de avaliação de ciência. • Identificar casos de suspeita de má conduta científica (plágio, fraude). • Promover a equidade no acesso à informação científica, apoiando iniciativas de dados abertos em contextos com menos recursos. f) Associações privadas/sem fins lucrativos • Contribuir para o aparecimento de projetos de ciência cidadã ou parcerias com instituições fora do âmbito académico e, por consequência, para o estreitamento da relação entre ciência e sociedade. • Fomentar a reutilização de dados para fins sociais, ambientais ou educativos, potenciando o impacto da ciência para além do meio académico. g) Empresas/Indústrias • Propiciar às indústrias e a todo o setor da inovação, o acesso e reutilização de dados de grande qualidade, conduzindo à otimização do seu fluxo de trabalho e à criação de valor. • Cruzar o setor académico e o setor industrial, integrando dados de ambos os domínios. • Reduzir os custos de investigação e do desenvolvimento através do reaproveitamento de dados existentes. h) Sociedade civil • Combater a desinformação e aumentar a transparência através dos dados de investigação ou informação acessíveis ao público em geral. • Reutilizar os dados da investigação resultantes da atividade científica financiada com dinheiros públicos de forma mais abrangente (não só no contexto da investigação). • Reforçar o envolvimento dos cidadãos nos processos científicos, através do acesso a evidência validada e compreensível. Pese embora a adoção dos princípios de dados FAIR resulte nos benefícios previamente apontados, é fundamental a sensibilização para a importância da criação de condições favoráveis para a sua materialização. À luz dessa ideia, é importante salientar que esta adaptação deve ser feita de forma coerente e mais ampla, através de um planeamento 17 estratégico e do desenvolvimento de infraestruturas que o acompanhe (não se circunscrevendo apenas às práticas dos investigadores) (European Commission, 2018). Tal implica investimento sustentado em competências, tecnologias e cultura institucional de gestão de dados. Um dos exemplos concretos desta realidade é, efetivamente, a existência de um sistema de avaliação centrado no número de publicações científicas e no qual os dados e os fluxos de trabalho ocupam um lugar menos valorizado (European Commission, 2018). Deste modo, os investigadores que seguem estes princípios de partilha de dados acabam por ver comprometida a sua progressão de carreira. Para solucionar o problema anterior, é imperioso que os agentes de decisão (por exemplo, Universidades, Unidades de Investigação) avaliem a progressão de carreira dos investigadores, tendo em consideração os princípios da partilha, curadoria e reutilização dos dados, não se restringindo exclusivamente, quer às publicações científicas, quer às propostas de projetos, alinhando-se, desse ponto de vista, com as linhas orientadoras a nível europeu (Directorate-General for Research and Innovation (European Commission), 2018). Exemplos destas linhas incluem o “Agreement on Reforming Research Assessment” e a “Coalition for Advancing Research Assessment (CoARA)”, que incentivam a valorização de contributos para a CA. 18 4. Clarificação sobre interpretações dos princípios de dados FAIR Na GDI é crucial garantir que as partes envolvidas nos processos, compreendam o significado dos princípios de dados FAIR e que essas noções acompanhem todo o ciclo dessa gestão, potenciando a sua aplicação, de acordo com as condições existentes e de forma tão adequada quanto possível. Conferida a explicação do significado destes princípios, nos capítulos anteriores, e dos benefícios que encerra a sua aplicação, é necessário garantir a clareza na sua interpretação, e desmistificar e corrigir algumas interpretações menos corretas. É o que nos propomos realizar neste capítulo, contribuindo para uma clara interpretação dos princípios de dados FAIR e, como resultado desejado, para a sua contínua implementação. Tabela 2 - Interpretações sobre os princípios de dados FAIR Interpretações Interpretações Corretas Os princípios de dados FAIR são normativos. Os princípios de dados FAIR são orientações flexíveis, não são normativos. São princípios neutros em termos disciplinares, tecnológicos e de implementação. A FAIRificação define objetivos a atingir, mas não impõe um caminho único para os alcançar (Jacobsen et al., 2020) (Wilkinson et al., 2016). Os princípios de dados FAIR privilegiam a descoberta, o acesso, a reprodutibilidade e a reutilização pelos humanos. A FAIRificação no processo de investigação, pretende que todos esses atributos e possibilidades sejam alcançados tanto por humanos como por máquinas (machineactionable data and metadata) (Mons et al., 2017). A implementação é simples e direta. Os princípios de dados FAIR devem estar presentes desde a fase de planeamento do projeto de investigação e a sua aplicação deve, sempre que possível e adequada, ser transversal a todas as fases do ciclo de vida dos dados. Para tal, é crucial, que na fase do planeamento sejam realizados planos de gestão de dados de investigação, potenciando a compreensão e o conhecimento destes princípios, e a identificação de questões relevantes a assegurar durante a gestão dos dados no ciclo da investigação. 19 Interpretações Interpretações Corretas Os princípios de dados FAIR são aplicados de forma homogénea em qualquer contexto de investigação científica. A aplicação dos princípios de dados FAIR deve ser adaptada aos objetos digitais que estão na base da investigação (datasets, software, imagens, áudio, vídeo, entrevistas, entre outros). Esta diversidade resulta da existência de diferentes opções disponíveis ao nível das ferramentas e das tecnologias bem como dos recursos disponíveis em diferentes contextos de investigação e institucionais. Diferenças que terão resultados distintos ao nível da implementação. Por outro lado, essa diversidade formal na implementação também decorre das necessárias e importantes adaptações às especificidades do domínio científico (European Commission, 2018). FAIR implica uma total conformidade com todos os princípios. A conformidade com todos os princípios é, em muitas situações, difícil de atingir. Existem, contextos de investigação e institucionais, ferramentas e recursos que contribuem para diferentes níveis de adequação e de conformidade (Mons et al., 2017). Por outro lado, a conformidade pode ser alcançada de forma gradual e contínua, potenciada pelo desenvolvimento de infraestruturas, ferramentas e recursos (Jacobsen et al., 2020). Os princípios de dados FAIR aplicam-se apenas a dados. Os princípios de dados FAIR aplicam-se a um conjunto vasto de objetos digitais e de resultados de investigação como software, publicações e também aos processos de investigação e às infraestruturas utilizadas (FAIR-IMPACT, 2018). A aplicação dos princípios de dados FAIR privilegia os dados de investigação. Os princípios de dados FAIR aplicam-se aos dados e aos seus metadados. Metadados com qualidade, que cumpram normas do domínio científico são cruciais para a localização, reprodutibilidade e reutilização dos dados (Wilkinson et al., 2016). 20 Interpretações Interpretações Corretas FAIRificação é sinónimo de partilha de dados. FAIRificação implica documentar os dados com metadados que cumpram normativos e que sejam completos, metadados de acesso claros, vocabulários e ontologias normalizadas e reconhecidas no domínio científico, interoperabilidade e a possibilidade de reutilização de metadados e dos dados. No entanto, FAIR não exige que os dados sejam necessariamente abertos ou partilháveis. FAIRificação assegura a qualidade dos dados. Os princípios de dados FAIR não abordam as questões da qualidade. Assim, a FAIRificação dos dados não é sinónimo de garantia da sua qualidade, mas potencia a sua concretização ao promover a transparência, a utilização de normas do domínio científico, a reprodutibilidade e a reutilização (Go FAIR, n.d.). FAIR é sinónimo de dados abertos. FAIR não significa necessariamente abertura dos dados, o acesso pode ser restrito a determinados utilizadores ou ter períodos de embargo. Por sua vez, os termos de acesso devem estar bem definidos. FAIR não é sinónimo de abertura dos dados de investigação, e dados abertos também não são garantia do cumprimento dos princípios de dados FAIR. Muito embora estes princípios potenciem essa abertura, a ênfase está em partilhar os dados o mais possível e mantêlos tão fechados quanto necessário (European Commission, 2018). Os princípios de dados FAIR trazem benefícios imediatos. Os princípios de dados FAIR promovem benefícios a médio e longo prazo, como o aumento da visibilidade, reutilização e integridade dos dados, mas os seus efeitos não são sempre imediatos. 21 5. Dados FAIR na prática – FAIR ao longo do ciclo de vida dos dados Propõe-se neste capítulo, identificar práticas, comportamentos e recursos relevantes que apoiem os diferentes intervenientes na GDI a garantir a FAIRificação ao longo do ciclo de vida de dados. Existe alguma diversidade na forma como este ciclo é muitas vezes estruturado, contudo, privilegiam-se as fases que foram identificadas de forma mais consensual, garantindo uma abordagem completa, agnóstica e transversal. As fases do ciclo de vida dos dados de investigação, adotadas para esta reflexão sobre a FAIRificação dos dados e dos seus metadados, são as seguintes: Planeamento e Conceção, Recolha, Processamento e Armazenamento, Análise, Publicação e Acesso, Preservação, e Reutilização. Para além das referências citadas ao longo do presente capítulo, os conteúdos aqui trabalhados tiveram como referências principais: o Data Management Expert Guide (CESSDA Training Team, 2020), o Data Life Cycle do RDMKit (Elixir, n.d.-a) e as Diretrizes para aplicação dos princípios FAIR à gestão e reutilização de dados (Morselli et al., 2020). 22 6.1 Planeamento e conceção Definição da estratégia a usar no processo de investigação e na GDI (normalmente, materializada através de um Plano de Gestão e Partilha de Dados). F Localizáveis • Optar por realizar um plano de gestão de dados de investigação, num software recomendado e/ou consolidado, que garanta a interoperabilidade com outros sistemas e a atribuição de identificadores persistentes. • Deve garantir metadados pormenorizados no plano, facilitando a sua localização e leitura por humanos ou por máquinas. Para além de apoiar na tomada de decisões para tornar os dados FAIR, ao longo do projeto, garantidas as condições referidas tornam estes planos citáveis e localizáveis, potenciando a sua reutilização e o reconhecimento dos autores. A Acessíveis • Avaliar a disponibilidade de repositórios (confiáveis e certificados) ou outras infraestruturas que garantam o armazenamento, a preservação adequada dos dados e a acessibilidade aos (meta)dados e a sua eficaz reprodução e reutilização, mesmo quando os dados são de acesso restrito ou já não estão disponíveis (CESSDA Training Team, 2017b). • Planear sobre as funções e as responsabilidades a atribuir na equipa, ao longo do projeto, identificando quem e em que condições podem aceder aos dados ao longo do processo, garantindo desta forma a segurança e integridade dos dados. Aliás, a identificação de potenciais riscos nesta fase é muito importante. 29 R Reutilizáveis • Garantir a reprodutibilidade nesta fase do ciclo exige, como noutras fases, documentar com exatidão todo o processo da análise dos dados, incluindo o software/código desenvolvido e utilizado, as ferramentas e todo o ambiente de análise. • Aplicar normativos na descrição dos dados, potenciando a sua compreensão e reutilização em desenvolvimentos futuros da investigação (Niehues et al., 2024). • Aplicar licenças de utilização claras e reconhecidas, que acompanhem os registos do código fonte, software e do ambiente de análise dos dados, sempre que a sua disponibilização seja passível de ser concretizada. 30 6.6 Publicação e acesso aos dados É recomendada a publicação em acesso aberto dos (meta)dados, em infraestruturas pesquisáveis que favoreçam a sua localização e citação. Estes devem ser bem documentados e submetidos a avaliação de qualidade. O acesso pode ser aberto ou restrito, devendo existir controlo adequado sempre que necessário. F Localizáveis • Optar pela publicação de (meta)dados no contexto da ciência aberta é fulcral, sempre que tal for possível e adequado. Esta condição desejável exige a publicação dos (meta)dados com descrições pormenorizadas, bem documentada, potenciando a sua descoberta. É particularmente importante que a publicação dos (meta)dados ocorra, pelo menos, próximo da publicação da investigação que os menciona. • Acompanhar a publicação com a atribuição de identificadores persistentes, nesta fase, como por exemplo os DOIs, como também outros identificadores de entidades relevantes associadas ao registo, como é o caso do ORCID. Publicar os (meta)dados em sistemas pesquisáveis e com atribuição de identificadores persistentes, torna os (meta)dados citáveis potenciando a colaboração científica, o reconhecimento dos investigadores e a sua localização a longo prazo. A Acessíveis • Utilizar sistemas com protocolos de acesso normalizados para garantir que os dados podem ser recuperados por utilizadores autorizados. Isto inclui condições claras de licenciamento e acesso. • Selecionar um repositório (temático/domínio, institucional ou generalista), confiável e adequado, que permita a gestão e o controlo de acessos, quando tal se justifique. Na ausência desta possibilidade, privilegiar um sistema seguro e confiável, que 31 salvaguarde o acesso aos dados apenas a colaboradores autorizados. • Avaliar e implementar soluções de armazenamento a longo prazo, robustas e que garantam a disponibilidade dos (meta)dados a longo-prazo, sempre que possível em repositórios de dados de investigação. I Interoperáveis • Selecionar um repositório que disponibilize esquemas de metadados, ontologias e vocabulários controlados e, compatível com formatos de ficheiros, adequados e sustentáveis a longo prazo. • Utilizar ficheiros em formatos normalizados e preferencialmente, não proprietários ou, se esta solução não for adequada, indicar o software/código que permite abrir e utilizar os mesmos. • Optar por repositórios ou infraestruturas com APIs que promovam uma eficiente transferência de informação e de dados entre sistemas, com uma linguagem comum. • Utilizar metadados com recurso a vocabulários e ontologias reconhecidas no domínio científico, promovendo a descoberta e a reutilização. R Reutilizáveis • Optar por repositórios ou outras infraestruturas que permitam a associação a uma licença de utilização, clara e acessível. • Publicar os (meta)dados de forma detalhada assegurando as ligações à sua proveniência, nomeadamente, às diferentes versões, com nomeações de ficheiros intuitivos e que correspondam a convenções estabelecidas, e formatos de ficheiros adequados à sua reutilização, a longo prazo, preferencialmente. 32 6.7 Preservação dos dados Garantir a segurança, integridade e acessibilidade dos dados a longo prazo, prevenindo a perda ou e a sua obsolescência. Inclui também a documentação e metadados completos para assegurar a compreensão e a sua reutilização a longo prazo. F Localizáveis • Garantir que os dados são bem documentados, também nesta fase, com metadados ricos para facilitar a descoberta, o que implica a utilização de esquemas de metadados normalizados e de identificadores persistentes (PIDs). • Preservar os dados em repositórios estabelecidos e confiáveis, como tem vindo a ser referido nas fases anteriores, é particularmente importante. Os sistemas selecionados para a preservação, devem garantir a longa preservação dos dados, adequados aos prazos de retenção a que o investigador está obrigado ou que entende ser aplicável. A Acessíveis • A preservação dos dados está relacionada, sobretudo, com a acessibilidade aos mesmos. A preservação a longo prazo, é exigente e requer critérios de seleção dos dados a preservar, nomeadamente, dos que se encontram ao abrigo de prazos de retenção institucionais, dos financiadores, dos editores e de outras entidades envolvidas; os que estão relacionados com o potencial de reutilização dos dados a longo prazo; os que estão relacionados com o seu valor organizacional e social e os que respondem a questões éticas e legais (Elixir, 2023). • Garantir que as medidas de segurança são adequadas aos acessos que se pretendem conferir e que a integridade dos dados é mantida. A segurança no acesso aos dados, nos sistemas selecionados para a preservação, é particularmente importante, em situações em que se pretende garantir a restrição total, parcial ou com embargos. 33 • Garantir, em suma, a preservação, a disponibilidade e o acesso permanentes aos dados pelos utilizadores elegíveis, no presente e no futuro. • Como referido anteriormente, optar pela preservação num repositório que garanta a longa preservação dos dados e a sua integridade. I Interoperáveis • Garantir que o processo de preservação prevê a utilização e a atualização dos formatos dos ficheiros, software e hardware para garantir a sua reprodutibilidade e reutilização. Privilegiar formatos, software abertos e normalizados, reconhecidos pelo domínio científico. R Reutilizáveis • O potencial de reutilização e de reprodutibilidade é um dos critérios que norteia a seleção dos dados a preservar. • Documentar de forma detalhada, como sugerido nas fases anteriores, todo o processo e, em particular, os critérios e as atividades desenvolvidas para garantir a integridade, reutilização e reprodução a longo-prazo dos dados, se aplicável. • Implementar medidas de controlo da qualidade por forma a manter a integridade e a fiabilidade dos dados a preservar a longo prazo. • Garantir que a sua disponibilização está associada a uma licença de utilização inequívoca e acessível, podendo esta ser atualizada ao longo do tempo. 34 6.8 Reutilização dos dados Fase do ciclo que corresponde diretamente a um dos princípios de dados FAIR envolve a utilização de dados existentes para novos fins de investigação, para além da sua intenção original. Uma reutilização eficaz exige avaliar a qualidade dos dados, compreender as condições de acesso e basear-se em dados bem documentados, com termos de uso claros. F Localizáveis • Avaliar a credibilidade das fontes, privilegiando dados bem documentados, curados e associados a identificadores persistentes. Para a descoberta, pesquisar em repositórios de dados de investigação confiáveis e reconhecidos no domínio científico ou contactar autores de estudos que mencionam dados e metodologias aplicadas com potencial de reutilização. A Acessíveis • Avaliar as condições de preservação dos (meta)dados a reutilizar, garantindo as evidências necessárias sobre a proveniência dos mesmos e as condições de acesso. Verificar também se os repositórios onde os dados estão armazenados adotam protocolos de acesso padronizados e metadados descritivos acessíveis, mesmo que os dados não sejam abertos. I Interoperáveis • Avaliar se os dados a reutilizar recorrem a vocabulários normalizados, acessíveis e reconhecidos no domínio científico. Verificar se os formatos dos ficheiros são compatíveis com ferramentas de análise correntes e se permitem integração com outros conjuntos de dados. R Reutilizáveis • Avaliar que licenças estão associadas aos dados com potencial de reutilização, respeitando as normas de utilização estabelecidas pelos autores dos mesmos. • Avaliar a proveniência dos dados a reutilizar, conferindo a completude e a clareza das associações a outros (meta)dados. 35 • Citar corretamente os dados que reutilizou, incluindo o seu identificador persistente, se aplicável, garantindo o reconhecimento dos autores e do potencial de reutilização. 36 6. Recomendações para implementação dos princípios de dados FAIR As recomendações infracitadas visam apoiar o investigador e os serviços de suporte na implementação dos princípios de dados FAIR, ao longo do ciclo de vida dos dados de investigação. Estas recomendações foram estruturadas em quatro grupos: motivações, ações e processos, infraestruturas e colaboração. Na sua elaboração foram consideradas três referências principais: a Fair Implementation Framework, a FAIR Aware e as recomendações direcionadas para investigadores do Practical Guide to the International Alignment of Research Data Management. Motivações 1. Garanta que conhece e entende o significado dos princípios de dados FAIR, que devem estar presentes e ser aplicados ao longo do ciclo de vida da gestão dos dados de investigação. 2. Avalie o que o motiva na FAIRificação dos dados e dos metadados e quais os reais benefícios que resultarão, para si e para a sua unidade de investigação, da sua aplicação. 3. Considere que uma orientação para a FAIRificação, no processo de investigação, permite-lhe mais facilmente alinhar e responder aos requisitos das diferentes entidades envolvidas, como é o caso dos financiadores, dos editores, e das políticas e ciência aberta dos diferentes centros de investigação/universidades com as quais colabora ou poderá a vir colaborar. Ações e processos 1. Privilegie e adote a realização de um plano de gestão e partilha de dados, logo na fase inicial do projeto de investigação. 2. No planeamento da gestão de dados no projeto de investigação, identifique as ações, os processos e os recursos disponíveis para a FAIRificação dos (meta)dados. 3. Certifique-se que os custos envolvidos na FAIRificação dos dados são compatíveis com o orçamento planeado ou existente. 37 4. Garanta que os (meta)dados são acompanhados de identificadores persistentes (DOIs, URLs; ORCID; entre outros) que suportem a sua descoberta, a localização e reutilização a longo-prazo. 5. Considere que os metadados ocupam um lugar central na concretização destes princípios. Deve acompanhar os seus dados com metadados pormenorizados e adequados que potenciem a descoberta, a compreensão e a reutilização. Estes metadados devem ter um formato recuperável por humanos e por máquinas. 6. Considere que existem situações em que os dados não poderão ser disponibilizados em acesso aberto, ou mesmo arquivados em repositórios em acesso restrito ou embargado. Nestes casos, assegure a publicação dos metadados em repositórios ou infraestruturas pesquisáveis, com identificadores persistentes, garantindo a citação, o reconhecimento do seu trabalho a sua preservação a longoprazo. 7. Avalie ao longo do ciclo de vida da gestão de dados de investigação que condições de acesso, a terceiros, podem ser aplicadas aos diferentes dados gerados, acompanhando os seus metadados com informação clara sobre licenciamento e as condições de acesso. 8. Utilize vocabulários controlados na descrição dos (meta)dados, que sejam reconhecidos no domínio científico. 9. Assegure que os metadados que descrevem os dados (conjuntos) são compatíveis com normativos e especificidades do domínio científico. 10. Assegure que os metadados identificam de forma clara a proveniência dos dados recolhidos e gerados. 11. Considere que a organização dos (meta)dados é crucial para a sua localização, compreensão e reutilização. Pondere sobre as convenções a utilizar, o controlo das versões e a estrutura das pastas. 12. Privilegie o uso de formatos de ficheiros abertos e software não proprietário, sempre que possível, para garantir a preservação e potenciar a reutilização dos dados. Nos casos em que tal não seja viável, assegure-se de documentar de forma adequada as características do software utilizado ou desenvolvido. 13. Defina e documente a metodologia utilizada para garantir a consistência e a qualidade dos dados. 14. Defina rotinas de armazenamento e backup, evitando perdas e situações que coloquem em risco a consistência dos dados. 15. Defina e adeque as condições e os termos para preservação dos dados e dos prazos de retenção. 16. Considere que a preservação a longo prazo requer curadoria profissional e a preservação digital dos dados. 38 Infraestruturas 1. Avalie antecipadamente se dispõe de infraestruturas e sistemas seguros e adequados, que garantam a gestão dos acessos aos (meta)dados, o seu armazenamento, a sua preservação a longo-prazo e a manutenção da sua integridade. 2. Avalie e garanta que dispõe de um repositório de dados, disciplinar ou generalista, que cumpra com os princípios de dados FAIR e potencie a partilha, a preservação, disseminação e a reutilização dos dados que resultam do seu trabalho de investigação. 3. Avalie que infraestruturas dispõe para registar, indexar e publicar os metadados, com identificadores persistentes, principalmente nas situações em que não dispõe de um repositório ou em que os dados não podem ser arquivados/publicados num repositório. 4. Implemente de forma seletiva ferramentas, métodos e abordagens: i. selecione as ferramentas, métodos e abordagens apropriados para implementar; ii. reveja o progresso na fase de implementação; iii. identifique os desafios com que se deparou. Colaboração 1. Certifique-se que existem recursos humanos e competências na equipa de investigação para gerir a FAIRificação dos dados de investigação. 2. Garanta que as responsabilidades na FAIRificação dos dados de investigação estão bem definidas na equipa de investigação. 3. Colabore com profissionais e entidades relevantes neste domínio, que possam contribuir de forma ativa na FAIRificação dos dados de investigação. 4. Pratique a melhoria contínua, identificando as ações e os recursos em falta, as entidades e os meios que o podem apoiar na superação dos desafios encontrados. 5. Partilhe a sua experiência em FAIR Implementation Story. Esta partilha pode ser preciosa e valorizada por diferentes equipas de investigação internacionais e potenciar a colaboração.