چک لیست آماده سازی داده ها برای انتشار عمومی

راهنمای گام به گام تبدیل داده های خام به بسته پژوهشی استاندارد

بسیاری از مجموعه داده هایی که در مخازن آپلود می شوند، به دلیل ساختار نامنظم، استفاده از فرمت های وابسته به نرم افزارهای تجاری یا نبود راهنما، برای سایر پژوهشگران و حتی خود پژوهشگر در سال های بعد قابل استفاده نیستند. این یادداشت یک دستورالعمل گام به گام و کاربردی است تا پیش از کلیک روی دکمه بارگذاری فایل های خود را به یک بسته داده ای ساختار مند، پایدار و قابل فهم تبدیل کنید.

گام اول: انتخاب فرمت های استاندارد و پایدار (حفظ دسترسی در بلند مدت)

نرم افزارهای تجاری و تخصصی (مانند SPSS، Stata، Microsoft Excel) فرمت های اختصاصی خود را دارند. اگر داده های خود را با فرمت هایی مثل .xlsx یا .sav منتشر کنید، افرادی که به لایسنس این نرم افزارها دسترسی ندارند، امکان باز کردن کامل یا بازتولید محاسبات را نخواهند داشت. علاوه بر این، با گذشت ۱۰ یا ۲۰ سال، نرم افزارهای جدید ممکن است دیگر از فرمت های قدیمی پشتیبانی نکنند. اصل کلی در آماده سازی داده ها، استفاده از فرمت های باز و متنی است.

توصیه های عملی برای تبدیل فرمت ها:

• داده های جدولی و آماری: فایل های اکسل یا خروجی نرم افزارهایی مثل SPSS را به فرمت CSV[1] یا TSV[2] خروجی بگیرید. این فرمت ها متنی ساده است و در تمام سیستم عامل ها و زبان های برنامه نویسی بدون نیاز به ابزار جانبی خوانده می شود.
• اسناد متنی و گزارش ها: فایل های ورد (.docx) را علاوه بر نسخه ویرایشی، به فرمت PDF تبدیل کنید. پی دی اف اطمینان می دهد فونت ها و ساختار سند در آینده بدون تغییر، نمایش داده می شوند. برای یادداشت های کوتاه فنی نیز فایل های متنی ساده بهترین گزینه اند.
• تصاویر و اسکن ها: به جای استفاده از فرمت های فشرده و با افت کیفیت، از TIFF برای داده های تصویری آزمایشگاهی با دقت بالا یا PNG برای نمودارها و تصاویر بدون پس زمینه استفاده کنید.
• کدها و اسکریپت ها: کدهای تحلیلی را مستقیما با پسوند زبان اصلی ذخیره کنید و از قرار دادن کد داخل فایل ورد خودداری کنید.

گام دوم: پوشه بندی و نام گذاری فایل ها

یکی از خطاهای رایج در پژوهش ها، استفاده از نام های متغیر و نامفهوم برای فایل ها است. اسامی باید به گونه ای نام گذاری شوند که در صورت انتقال به رایانه فردی دیگر یا خارج شدن از پوشه اصلی، هویت و ترتیب زمانی آن ها مشخص باشد.

قوانین استاندارد برای نام گذاری فایل ها:

1. استفاده از تاریخ استاندارد: تاریخ ها را همیشه با الگوی بین المللی YYYY-MM-DD بنویسید. این کار باعث می شود فایل ها بر اساس نام، به ترتیب زمانی مرتب شوند.

2. پرهیز از فاصله و کاراکترهای خاص: در برخی سیستم عامل ها خطا ایجاد می شود.

3. نسخه بندی دقیق: به جای کلماتی مثل new یا final، از اعداد دو رقمی استفاده کنید (مانند v01، v02).

4. نام کوتاه اما گویا: نام فایل باید شامل نام پروژه، محتوای فایل، نسخه و تاریخ باشد.

گام سوم: نگارش فایل راهنما

داده بدون توضیح، غیرقابل استفاده است. فایل README.txt شناسنامه کاربردی فایل های شماست و باید به عنوان یک فایل متنی ساده در پوشه پروژه قرار گیرد. این فایل به هر شخصی که داده ها را دانلود می کند می گوید این داده ها چیست، چطور تولید شده و هر ستون یا فایل چه معنایی دارد. در چنین فایلی باید بخش های از جمله: - اطلاعات پایه (عنوان دقیق پروژه پژوهشی، نام، وابستگی سازمانی و شماره شناسایی ارکید[3]پژوهشگر، تاریخ جمع آوری داده ها و تاریخ انتشار، اطلاعات تماس برای رفع ابهام) - شرح داده ها (توضیح مختصر درباره روش و ابزار جمع آوری داده ها، لیست تمام فایل های موجود در بسته داده به همراه توضیح یک خطی از محتوای هر فایل). – توضیح متغیرها (نام هر متغیر یا سرستون جدول، تعریف دقیق واحد اندازه گیری، توضیح کدهای قراردادی). - الزامات اجرایی (نسخه نرم افزارها یا بسته های محاسباتی مورد نیاز برای اجرای کدها یا خواندن داده ها). - مجوز استفاده (ذکر صریح شرایط بازنشر داده).

چک لیست نهایی قبل از بارگذاری

قبل از نهایی سازی بارگذاری در مخزن داده، این ۵ پرسش را ارزیابی کنید:

• آیا تمام اطلاعات هویتی، اسامی افراد یا داده های محرمانه طبق اصول اخلاق پژوهش حذف شده اند؟
• آیا داده های جدولی از حالت فایل اکسل فرمول دار به فرمت استاندارد CSV تبدیل شده اند؟
• آیا نام فایل ها بدون فاصله، کاراکتر خاص و به همراه تاریخ استاندارد هستند؟
• آیا فایل راهنمای متنی در کنار سایر داده ها قرار گرفته است؟
• آیا مجوز استفاده از داده ها به طور شفاف تعیین شده است؟

در یادداشت بعدی به بحران تفسیر داده و ضرورت ایجاد آن می پردازیم...

منابع برای مطالعه بیشتر

Cornell University Research Data Management Service Group. (n.d.). Guide to writing “readme” style metadata. Cornell Data Services. https://data.research.cornell.edu/content/readme

Library of Congress. (2024). Sustainability of digital formats: Planning for Library of Congress collections. https://www.loc.gov/preservation/digital/formats/

UK Data Service. (n.d.). Research data management. https://ukdataservice.ac.uk/learning-hub/research-data-management/

[1] - Comma-Separated Value

[2] - Tab-Separated Values

[3] - ORCID