Vydejme se na datový průzkum aneb Kde hledat a jak najít data
Samozřejmou aktivitou při zahájení jakéhokoli vědeckého bádání je literární průzkum, tedy identifikace, shromáždění a utřídění pramenů, literatury a dalších zdrojů k danému tématu badatelova zájmu. Nemělo by v dnešní „době datové“ totéž proběhnout i v případě dat či datových sad (datasetů)?
Otázka nemá zcela jednoznačnou odpověď. Co by vlastně mělo být cílem takového datového průzkumu? Ve většině případů nenajdeme přesně ta data, která potřebujeme, a v tom rozsahu, aby pokryla celou tematiku našeho bádání vyčerpávajícím způsobem. Dojde-li k tomu, náš výzkum by se stal nepotřebným, duplicitním. Druhým extrémem je situace, kdy víme, že bádáme nad zcela jedinečným tématem, které prozatím nemá žádnou svou datovou reprezentaci.
Nejpravděpodobnější je, že se dopídíme dílčích datových sad, které se mohou stát jedním ze zdrojů našeho výzkumu, ostatně tak jako kterýkoli jiný pramen. Popř. objevíme data z odlišně pojatého výzkumu, který pro nás může být inspirativní nikoli obsahově, ale metodologicky.
Práci na datovém průzkumu nám ztěžuje nepřehledná situace v oblasti datových úložišť neboli repozitářů. Ty rostou jako houby po dešti, některé ovšem zase po nějaké době zanikají či přecházejí do stavu „klinické smrti“. Asi většina uživatelů zná Zenodo, ale co ty další? Nejrůznějších systémů tohoto druhu je tolik, že si vynutily vznik systémů druhého řádu, tedy katalogů či registrů datových repozitářů.
A právě jejich průzkumem začneme a představíme si základní parametry vybraných systémů. Jako první uveďme metakatalog OpenDOAR, který má ve správě britský Jisc. Počet záznamů atakuje 6000 a o složení zdroje se lze poučit v graficky názorně vyvedených statistikách. Česko je tu zastoupeno 33 převážně univerzitními repozitáři. Podíl humanitních věd je překvapivě 72 %, což je dáno tím, že figurují v řadě univerzálně zaměřených zdrojích.
O něco menším počtem záznamů disponuje re3data.org, kterýžto metakatalog provozuje německý Karlsruher Institut für Technologie, úctyhodná informační instituce s téměř 70letou tradicí. Navzdory evropskému provozovateli metakatalogu nejvíce záznamů místně pochází z USA (1180), následuje Německo (507) a Kanada (398). Evropská unie je na pátém místě s 290 záznamy, tuctem záznamů je přítomné Česko. Spíše než místní původ repozitářů jsou užitečné další parametry, podle kterých je možné záznamy filtrovat, ať už jde o předmět, typ dat, dostupnost dat nebo metadatové standardy. Záznamy z oblasti humanitních věd jsou zastoupeny 8,5 % z celkového počtu 4235 položek.
Zhruba poloviční záběr než re3data.org má metakatalog FAIRsharing.org, míněno s ohledem na záznamy datových repozitářů, protože kromě nich zahrnuje i informace o standardech a metodologiích („politikách“). Prohlížení, vyhledávání a filtrace jsou možné na základě různých kritérií, např. domény, licence, aktualizace apod. Humanitní vědy jsou zde zastoupeny pozoruhodně shodným poměrem (8,2 %) jako u re3data.org. Zato Česká republika vykazuje 73 položek, čítajíc v to ovšem i podíly v mezinárodních systémech.
Řádově menším počtem záznamů než uvedené tři systémy (zhruba stovkou) disponuje seznam repozitářů certifikovaných metodikou CoreTrustSeal. Relativně nízký počet systémů je dán jednak tím, že systém běží teprve od roku 2017, jednak tím, že získání certifikátu není úplně snadné. Do budoucna ovšem certifikace bude nabývat na významu a umožní odlišit důvěryhodné repozitáře od těch ostatních.
Připadaly-li vám systémy typu OpenDOAR nebo re3data.org kolosální, vedle olbřímího OpenAIRE působí jako kolůsky. OpenAIRE v případě datových repozitářů integruje nejen výše uvedené metakatalogy (vyjma OpenTrustSeal), ale i několik dalších. Je tedy vlastně systémem třetího řádu, metametakatalogem, pokrývajícím přes 10 000 (!) záznamů. Jeho dosah je ovšem daleko větší – umožňuje totiž vyhledávat i v primárních zdrojích. Systém spravovaný konzorciem 50 evropských institucí a financovaný Evropskou unií se má do budoucna stát hlavním rozcestníkem evropské vědy.
Našli jste repozitář, ve kterém se ukrývají pro vás potenciálně užitečná data? Příště sestoupíme o úroveň níže a podíváme se, jak s takovým úložištěm pracovat.
Autor textu je Mgr. Josef Schwarz, CIT FF MU
