Miguel Acevedo研究蜥蜴瘧疾，人們總是會問他兩個問題。“蜥蜴真會得瘧疾嗎？”以及，“我會從蜥蜴那里感染瘧疾嗎？”(不太可能。)
蜥蜴瘧疾是研究病媒傳播疾病生態學和演化的模型。自上世紀90年代起， Acevedo的一位同事在波多黎各的同一地點持續研究這個問題，而佛羅里達大學野生生態學家Acevedo想將這些早期數據與自己的數據結合起來作長期分析。
但做起來沒那么容易。Acevedo使用標準化的數據錄入模板記錄他的數據，而同事的數據混合了紙質筆記本、Excel電子表格和手繪地圖?！斑@是那個年代最有條理的數據，但當時并沒有現在的標準?！彼f。數據欄在各表格間不一定一致，也不一定用了相同的單位，而且不總是清楚檢測了哪些采樣點。
最后，本來只需要一個上午就能完成的工作，最終花了六七個月的時間， Acevedo說:“你知道的，這真的很費勁，而且也沒意思。”
由于資助者和出版商的要求，加上對開放科學和可重復性的日益重視，研究人員在發表論文的同時，越來越多地公布他們的數據。其他科學家可以使用這些數據來推動新的研究。但不是每個期刊都要求作者提供數據集，另外有些作者由于擔心被搶先發表或者沒有時間，會拒絕這樣做。
《自然》咨詢了一些數據科學家關于發布可用、高質量數據的最佳實踐，以下是他們的建議。
創建元數據
如果有一樣東西，讓科學家加進去能最大化數據價值的，那便是“元數據，元數據，還是元數據”，密歇根州立大學環境科學家Patricia Soranno說。
元數據是描述數據的數據，比如像智能手機攝像頭每次拍照時存儲的時間戳和地理位置信息。元數據基本上解釋了數據的含義，是使數據滿足FAIR原則)的關鍵?！皼]有元數據的數據”， Acevedo說，“就像沒有說明書的樂高積木套裝?！?/p>
這些“說明書”的內容因實驗而異。例如，顯微鏡數據需要的元數據與基因序列所需的元數據并不同。不過，俄亥俄州丹尼森大學生態學家Sarah Supp說，元數據通?？梢员环湃胍粋€簡單的“README”文本文件，列出數據何時、何處、如何以及由誰收集的；數據發布的許可；數據是否完整收集；以及它們的狀態，例如，是原始的還是處理過的數據。
對于Acevedo而言，良好的元數據實踐使他的蜥蜴瘧疾項目變得可維持。他說:“就好像從創傷里學習?！?/p>
過度分享
考慮到原始數據、探索性的死胡同以及最終處理的數據集，“到項目結束時，實際上會有成千上萬個版本的數據?！盋iera Martinez說，她是加州伯克利Eric和Wendy Schmidt數據科學與環境中心的研究數據科學家。那么，科學家們應該發布哪一個版本的數據？
“如果你能共享原始數據和衍生數據，那就這樣做?！辈死麛祿茖W研究所的數據科學家Karthik Ram說。處理后的數據是分析的基礎，但原始數據能讓其他研究者測試你的假設和處理策略。
雖然這么說，但原始數據集可能龐大笨重，并且存儲成本高。在這種情況下，Martinez說，一個“有效的經驗法則”是發布用于生成你的圖表的數據。
Brown說，最終，發布數據不應僅在列表上打勾就完了，而應該服務于科學群體。所以，問問自己，其他人可能希望從數據中得到什么，他們可能如何使用這些數據。“了解這些能讓你明白，如果其他研究者要使用這些數據，那么我要確保他們能理解?！?/p>
采納標準
每個項目都是不同的，對于應該發布哪些數據及其如何完成的預期也各不相同。因此，Martinez建議尋求更廣泛的社區指導。許多學科都有專門的數據儲存庫，例如分別用于DNA序列和蛋白質結構的Genbank和Protein DataBank。數據也可以發布到Zenodo、Figshare和Dryad等通用存檔。Brown建議詢問你的出版商是否有首選的存儲位置和文件格式?；蛘?，咨詢你的機構資源圖書館員，美國農業部(USDA)農業研究局植物遺傳學家Jacqueline Campbell建議說。
小數據集可以存儲在代碼共享網站GitHub上，但佛羅里達大學環境數據科學家Ethan White警告說，這并不能保證數據的持久性。數據可能隨時被刪除或修改，因此最好也做個正式存檔。
科學分析師Tracy Chen說，永遠不要將數據發布到個人網站上。她就職于NASA系外行星科學研究所，合著了天體物理數據的最佳實踐文件。如果你換工作或退休，個人網站的鏈接可能會過期。
考慮格式
在亞利桑那大學圖森分校教授生態數據科學的Ellen Bledsoe說，數據應采用開放的、非專有的文件格式；否則，它們可能變得無法閱讀。Bledsoe在從商業電子表格程序Lotus 1-2-3提取數據時遇到了這個問題。“嘗試處理那些數據增加了一個全新的步驟。”她說。
基于文本的文件格式，如CSV，可以被許多工具和編程語言讀取，實現了FAIR數據原則的“I”(可互操作)。與二進制文件不同，跟蹤文本文件隨時間變化的方式很容易。首要的是，避免使用PDF文件來存儲表格，Campbell說，她也是美國農業部SoyBase大豆遺傳數據庫的助理館長。她說，電子表格容易導入。但是，PDF表格必須手動輸入——這是個緩慢、痛苦且易出錯的過程。
包含代碼
如果你使用代碼進行數據分析，請將其與數據一起發布。代碼揭示了你所做的許多步驟和決策，“它實際上提供了一個更為詳細的方法部分”，White說。發布之前，要在干凈的計算機環境中測試代碼是否可以運行——即沒有存儲對象的環境。刪除計算機特定的元素，如硬編碼的文件路徑。東北大學舊金山校區的計算機科學家John Guerra Gómez建議，加入注釋以顯示你正在做什么，并詳細說明如何運行代碼。“像時間旅行者那樣思考”，他說，“我希望未來的自己知道些什么？”
最后，Carpentries執行主任Kari Jordan建議尋找一個編程伙伴。位于加州奧克蘭的Carpentries舉辦了科學計算和數據分析研討會，并在專家培訓期間提出一點——“永遠不要獨自教學”。Jordan說:“永遠不要獨自教學，不要獨自學習，不要獨自做任何事?！?/p>
例如，White說，你可以請一個更高級的程序員提供高水平反饋:“你可以做哪幾件事讓這個更好懂？”White通常會回答:建議將長代碼塊分解為離散函數，消除重復的代碼，并確保函數和變量名具有信息性。Supp說，如果第三方可以理解并執行你的代碼，“在使代碼變得可讀方面，你可能做得相當不錯。”
考慮可訪問性
大數據項目通常期待潛在用戶具有一定水平的技術基礎設施。并且，它們對人們如何使用、查詢和操作數據有所假設。
然而，這些假設通常站不住腳，英國?？巳卮髮W科學哲學和歷史教授Sabina Leonelli說?！皠摻ㄒ粋€通用、可以無限改變用途的平臺，這個想法在實踐中失敗了，因為它沒有考慮到世界各地、在不同條件下工作的團隊?！?/p>
她的建議是:向研究數據聯盟或國際科學理事會的數據委員會這樣的組織尋求對你的數據標準和假設的反饋。另外，如果可能的話，考慮“低技術解決方案”。例如，你能否開發一個低帶寬版本的數據庫，或者同時發布低分辨率和高分辨率的圖像？
Leonelli說，如果不考慮到一系列需求，結果將是這些資源只有你和跟你差不多的人才能用?！澳阌锌赡苤谱鞒鲆环N沒有考慮到這些需求的資源。”
勇敢嘗試
Bledsoe表示，開放科學不是全或零游戲，你所做的任何事情都會具有價值。“即使你不知道如何全面推進開放科學，但只從零推進到20%也很好了?！彼f。
因此，發布你的數據，這會為數據使用者提供更多的分析內容，也會為數據提供者帶來更多的合作機會。
Supp承認，這也很可怕:分享意味著暴露自己于審查之下?！斑@有一定程度的風險?！彼f。“但這也是我們變好的方式?！?/p>
參考文獻
1. Otero， L.， Schall， J. J.， Cruz， V.， Aaltonen， K. amp; Acevedo， M.A.?Parasitology?146， 453–461 .
2. Wilkinson， M. D.?et al.?Sci. Data?3， 160018 .
3. Chen， T. X.?et al.?Astrophys. J. Supp. Ser.?260， 5 .
原文以How to make your scientific data accessible， discoverable and useful標題發表在2023年6月27日《自然》的技術特寫版塊上，? nature，doi: 10.1038/d41586-023-01929-7
鄭重聲明：此文內容為本網站轉載企業宣傳資訊，目的在于傳播更多信息，與本站立場無關。僅供讀者參考，并請自行核實相關內容。
|
