دوره 11، شماره 4 - ( 11-1403 )
جلد 11 شماره 4 صفحات 111-90 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Taghizadeh Milani K, Karbala Aghaei Kamran M, Ghaebi A. Research Data Evaluation And Selection Criteria For Preservation In Data Repositories. Human Information Interaction 2025; 11 (4)
URL: http://hii.khu.ac.ir/article-1-3185-fa.html
URL: http://hii.khu.ac.ir/article-1-3185-fa.html
تقی زاده میلانی کیمیا، کربلاآقایی کامران معصومه، غائبی امیر. معیارهای ارزیابی و گزینش دادههای پژوهشی برای حفظ و نگهداری در مخازن داده. تعامل انسان و اطلاعات. 1403; 11 (4)
گروه علم اطلاعات و دانششناسی، دانشکده علوم تربیتی و روانشناسی، دانشگاه الزهرا(س)، تهران، ایران
چکیده: (3089 مشاهده)
هدف: هدف اصلی پژوهش حاضر شناسایی معیارهای ارزیابی و گزینش دادههای پژوهشی برای حفظ و نگهداری در مخازن داده براساس متون معتبر جهانی است.
روش: پژوهش حاضر با استفاده از روش فراترکیب و چارچوب سندلوسکی و باروسو (2007) انجام شده است. در جستجوی منابع از کلیدواژههای مرتبط برای یافتن پژوهشها در پایگاههای ناشران مختلف و نیز جستجوی استنادی استفاده شده است تا جامعیت منابع شناساییشده تأمین شود. همچنین با کنترل چند مرحلهای و اعمال معیارهای ورود و خروج از 3080 منبع، در نهایت 49 منبع انگلیسی انتخاب شدند. همچنین برای کنترل کیفیت کدهای استخراجشده و حفظ پایایی مدل طراحیشده از شاخص کاپا استفاده شده است.
یافتهها: معیارهای ارزیابی و گزینش دادههای پژوهشی برای حفظ و نگهداری در مخازن داده در هشت مؤلفه شامل آمادهسازی دادهها، کیفیت دادهها، شرایط فیزیکی و ویژگیهای فنی، مدیریت و ویژگیهای فرادادهای، اصول اخلاقی دادهها، معیارهای مربوط به مدرک، هماهنگی با اصول FAIR، و خطومشی و مسائل پایگاه شناسایی شد که شامل 38 گویه بود.
نتیجهگیری: در این پژوهش معیارهای ارزیابی و گزینش دادههای پژوهشی برای حفظ و نگهداری در مخازن داده براساس متون معتبر جهانی شناسایی شدند. بهکارگیری این معیارها میتواند به حفظ و نگهداری پایدار دادهها در مخازن داده، ارتقای کیفیت دادهها و تقویت زیرساختهای پژوهشی منجر شود.
روش: پژوهش حاضر با استفاده از روش فراترکیب و چارچوب سندلوسکی و باروسو (2007) انجام شده است. در جستجوی منابع از کلیدواژههای مرتبط برای یافتن پژوهشها در پایگاههای ناشران مختلف و نیز جستجوی استنادی استفاده شده است تا جامعیت منابع شناساییشده تأمین شود. همچنین با کنترل چند مرحلهای و اعمال معیارهای ورود و خروج از 3080 منبع، در نهایت 49 منبع انگلیسی انتخاب شدند. همچنین برای کنترل کیفیت کدهای استخراجشده و حفظ پایایی مدل طراحیشده از شاخص کاپا استفاده شده است.
یافتهها: معیارهای ارزیابی و گزینش دادههای پژوهشی برای حفظ و نگهداری در مخازن داده در هشت مؤلفه شامل آمادهسازی دادهها، کیفیت دادهها، شرایط فیزیکی و ویژگیهای فنی، مدیریت و ویژگیهای فرادادهای، اصول اخلاقی دادهها، معیارهای مربوط به مدرک، هماهنگی با اصول FAIR، و خطومشی و مسائل پایگاه شناسایی شد که شامل 38 گویه بود.
نتیجهگیری: در این پژوهش معیارهای ارزیابی و گزینش دادههای پژوهشی برای حفظ و نگهداری در مخازن داده براساس متون معتبر جهانی شناسایی شدند. بهکارگیری این معیارها میتواند به حفظ و نگهداری پایدار دادهها در مخازن داده، ارتقای کیفیت دادهها و تقویت زیرساختهای پژوهشی منجر شود.
واژههای کلیدی: دادههای پژوهشی، مدیریت دادههای پژوهشی، ارزیابی دادههای پژوهشی، گزینش دادههای پژوهشی، مدیریت دادهها، مخازن دادهها
فهرست منابع
1. مجیدی، اکبر؛ نقشینه، نادر؛ اسمعیلیگیوی، محمدرضا؛ و هاشمی، محمود رضا (1396). مطالعه مبانی، مدلها و مسائل گزینش و مدیریت دادههای پژوهشی در محیطهای علمی و دانشگاهی. تعامل انسان و اطلاعات، 4(2)، 31-57.
2. وزیری، اسماعیل؛ نقشینه، نادر؛ و نوروزیچاکلی، عبدالرضا (1398). موانع و چالشهای اشتراکگذاری دادههای پژوهشی. پژوهشنامه کتابداری و اطلاعرسانی، 9(2)، 5-23. http://doi.org/10.22067/riis.v0i0.60594
3. References
4. Alvarez-Romero, C., Martínez-García, A., Bernabeu-Wittel, M., & Parra-Calderón, C. L. (2023). Health data hubs: an analysis of existing data governance features for research. Health Research Policy and Systems, 21(1), 70. [DOI:10.1186/s12961-023-01026-1]
5. Assante, M., Candela, L., Castelli, D., & Tani, A. (2016). Are scientific data repositories coping with research data publishing?. Data Science Journal, 15, 6-6. [DOI:10.5334/dsj-2016-006]
6. Batini, C & Scannapieco, M. (2016). Data quality dimensions. In: Batini, C and Scannapieco, M (eds.), Data and information quality: Dimensions, principles and techniques. Berlin: Springer. pp. 21-51. DOI: [DOI:10.1007/978-3-319-24106-7_2]
7. Boté-Vericad, J. J., & Térmens i Graells, M. (2019). Reusing data: Technical and ethical challenges. DESIDOC Journal of Library & Information Technology, 2019, vol. 39, num. 6, p. 329-337. [DOI:10.14429/djlit.39.06.14807]
8. Bradshaw, A., Hughes, N., Vallez-Garcia, D., Chokoshvili, D., Owens, A., Hansen, C., ... & Diaz, C. (2023). Data sharing in neurodegenerative disease research: challenges and learnings from the innovative medicines initiative public-private partnership model. Frontiers in neurology, 14, 1187095. [DOI:10.3389/fneur.2023.1187095]
9. Busetto, L., Wick, W., & Gumbinger, C. (2020). How to use and assess qualitative research methods. Neurological Research and practice, 2(1), 14. [DOI:10.1186/s42466-020-00059-z]
10. Cai, L., & Zhu, Y. (2015). The challenges of data quality and data quality assessment in the big data era. Data science journal, 14, 2-2. [DOI:10.5334/dsj-2015-002]
11. Corti, L., & Backhouse, G. (2005, May). Acquiring qualitative data for secondary analysis. In Forum Qualitative Sozialforschung. 6(2). FQS.
12. Corti, L., Woollard, M., Bishop, L., & Van den Eynden, V. (2019). Managing and sharing research data: A guide to good practice.
13. Costello, M. J., Michener, W. K., Gahegan, M., Zhang, Z. Q., & Bourne, P. E. (2013). Biodiversity data should be published, cited, and peer reviewed. Trends in Ecology & Evolution, 28(8), 454-461. [DOI:10.1016/j.tree.2013.05.002]
14. Costello, M. J., Michener, W. K., Gahegan, M., Zhang, Z. Q., & Bourne, P. E. (2013). Biodiversity data should be published, cited, and peer reviewed. Trends in Ecology & Evolution, 28(8), 454-461. [DOI:10.1016/j.tree.2013.05.002]
15. Downs, R. R. (2021). Improving opportunities for new value of open data: Assessing and certifying research data repositories. Data Science Journal, 20, 1-1. [DOI:10.5334/dsj-2021-001]
16. El Mestari, S. Z., Doğan, F. S., & Maria Botes, W. (2023, April). Technical and Legal Aspects Relating to the (Re) Use of Health Data When Repurposing Machine Learning Models in the EU. In Privacy Symposium: Data Protection Law International Convergence and Compliance with Innovative Technologies (pp. 33-48). Cham: Springer International Publishing. [DOI:10.1007/978-3-031-44939-0_3]
17. Fecher, B., Friesike, S., & Hebing, M. (2015). What drives academic data sharing?. PloS one, 10(2), e0118053. [DOI:10.1371/journal.pone.0118053]
18. Filip, I. D., Ionite, C., González-Cebrián, A., Balanescu, M., Dobre, C., Chis, A. E., ... & González-Vélez, H. (2022, December). SMARDY: Zero-trust FAIR marketplace for research data. In 2022 IEEE International Conference on Big Data (Big Data) (pp. 1535-1541). IEEE. [DOI:10.1109/BigData55660.2022.10020710]
19. Grady, C. (2015). Enduring and emerging challenges of informed consent. New England Journal of Medicine, 372(9), 855-862. [DOI:10.1056/NEJMra1411250]
20. Gregory, K. M., Cousijn, H., Groth, P., Scharnhorst, A., & Wyatt, S. (2020). Understanding data search as a socio-technical practice. Journal of Information Science, 46(4), 459-475. [DOI:10.1177/0165551519837182]
21. Harper, L. M. (2023). Data Reuse Among Digital Humanities Scholars: a Qualitative Study of Practices, Challenges and Opportunities (Doctoral dissertation, Université d'Ottawa/University of Ottawa).
22. Harper, L. M. (2023). Data Reuse Among Digital Humanities Scholars: a Qualitative Study of Practices, Challenges and Opportunities (Doctoral dissertation, Université d'Ottawa/University of Ottawa).
23. Harris, Howard (2001). Content analysis of secondary data: A study of courage in managerial decision making. Journal of Business Ethics, 34, 191-208. [DOI:10.1023/A:1012534014727]
24. Kindling, M., & Strecker, D. (2022). Data quality assurance at research data repositories. Data Science Journal, 21, 18-18. [DOI:10.5334/dsj-2022-018]
25. Koltay, T. (2020). Quality of open research data: Values, convergences and vernance. Information, 11(4), 175. [DOI:10.3390/info11040175]
26. Kumuthini, J., Zass, L., Chaouch, M., Gill, Z., Ras, V., Mungloo-Dilmohamud, Z., ... & Baichoo, S. (2023). Data standardization in the omics field. In Genomic Data Sharing (pp. 137-155). Academic Press. [DOI:10.1016/B978-0-12-819803-2.00008-0]
27. Kumuthini, J., Zass, L., Chaouch, M., Thompson, M., Olowoyo, P., Mbiyavanga, M., ... & Owolabi, M. (2019). Proposed guideline for minimum information Stroke research and clinical data reporting. Data Science Journal, 18, 26-26. [DOI:10.5334/dsj-2019-026]
28. Majidi, A., Naghshineh, N., Ismaili-ghivi, M.R., Hashemi, M. (2017). Study of the foundation, models and issues of research data curation and management in scientific and academic environments. Human Information Interaction, 4(2), 31-57. [In Persian]
29. Mannheimer, S. (2022). Data curation for qualitative data reuse and big social research: Connecting communities of practice. Humboldt Universitaet zu Berlin (Germany). Book [DOI:10.7191/jeslib.2021.1218]
30. Manu, E., Akotia, J., Sarhan, S., & Mahamadu, A. M. (2021). Identifying and sourcing data for secondary research. In Secondary research methods in the built environment (pp. 16-25). Routledge. [DOI:10.1201/9781003000532-2]
31. Mckenna-Foster, A., Cotera, M., & Hahnel, M. (2022). Open Science ETDs and Institutional Repositories: Making Research Data FAIRer. The Journal of Electronic Theses and Dissertations, 2(1), 5. [DOI:10.52407/DFIX9902]
32. Niu, J. (2014). Appraisal and selection for digital curation. International Journal of Digital Curation, 9(2), 65-82. [DOI:10.2218/ijdc.v9i2.272]
33. Omukuti, J., Megaw, A., Barlow, M., Altink, H., & White, P. (2021). The value of secondary use of data generated by non-governmental organisations for disaster risk management research: Evidence from the Caribbean. International journal of disaster risk reduction, 56, 102114. [DOI:10.1016/j.ijdrr.2021.102114]
34. Oza, V. H., Whitlock, J. H., Wilk, E. J., Uno-Antonison, A., Wilk, B., Gajapathy, M., ... & Lasseigne, B. N. (2023). Ten simple rules for using public biological data for your research. PLOS Computational Biology, 19(1), e1010749. [DOI:10.1371/journal.pcbi.1010749]
35. Palmer, C. L., Weber, N. M., & Cragin, M. H. (2011). The analytic potential of scientific data: Understanding re‐use value. Proceedings of the American Society for Information Science and Technology, 48(1), 1-10. [DOI:10.1002/meet.2011.14504801174]
36. Panchenko, L., & Samovilova, N. (2020). Secondary data analysis in educational research: opportunities for PhD students. In Shs web of conferences (Vol. 75, p. 04005). EDP Sciences. [DOI:10.1051/shsconf/20207504005]
37. Peng, G., Lacagnina, C., Downs, R. R., Ganske, A., Ramapriyan, H. K., Ivánová, I., ... & Moroni, D. F. (2022). Global Community Guidelines for Documenting, Sharing, and Reusing Quality Information of Individual Digital Datasets. Data Science Journal, 21:008, 20pp.. http://doi.org/10.5334/dsj-2022-008 [DOI:10.5334/dsj-2022-008]
38. Rabianski, J. S. (2003). Primary and secondary data: Concepts, concerns, errors, and issues. The Appraisal Journal, 71(1), 43.
39. Rantasaari, J. (2021). Doctoral Students' Educational Needs in Research Data Management: Perceived Importance and Current Competencies. International Journal of Digital Curation, 16(1), 36-36. [DOI:10.2218/ijdc.v16i1.684]
40. Rantasaari, J. (2022). Doctoral Students' Research Data Management Competencies Based on the Quality of Their Data Management Plans. Proceedings of the IATUL Conferences. Paper 4. https://docs.lib.purdue.edu/iatul/2022/clr/4
41. Rehnert, M., & Takors, R. (2023). FAIR research data management as community approach in bioengineering. Engineering in Life Sciences, 23(1). [DOI:10.1002/elsc.202200005]
42. Rolland, B., & Lee, C. P. (2013, February). Beyond trust and reliability: reusing data in collaborative cancer epidemiology research. In Proceedings of the 2013 conference on Computer supported cooperative work (pp. 435-444). [DOI:10.1145/2441776.2441826]
43. Sakai, Y., Miyata, Y., Yokoi, K., Wang, Y., & Kurata, K. (2023). Initial insight into three modes of data sharing: Prevalence of primary reuse, data integration and dataset release in research articles. Learned Publishing, 36(3), 417-425. [DOI:10.1002/leap.1546]
44. Sandelowski, M., & Barroso, J. (2007). Handbook for synthesizing qualitative research. New York: NY: Springer.
45. Sherif, V. (2018, March). Evaluating preexisting qualitative research data for secondary analysis. In Forum qualitative sozialforschung/forum: Qualitative social research (Vol. 19, No. 2).
46. Stratton, S. J. (2015). Assessing the accuracy of survey research. Prehospital and disaster medicine, 30(3), 225-226. [DOI:10.1017/S1049023X15004719]
47. Stvilia, B., & Lee, D. J. (2024). Data quality assurance in research data repositories: a theory-guided exploration and model. Journal of Documentation, 80(4), 793-812. [DOI:10.1108/JD-09-2023-0177]
48. van der Velde, K. J., Singh, G., Kaliyaperumal, R., Liao, X., de Ridder, S., Rebers, S., ... & Swertz, M. A. (2022). FAIR Genomes metadata schema promoting Next Generation Sequencing data reuse in Dutch healthcare and research. Scientific data, 9(1), 169. [DOI:10.1038/s41597-022-01265-x]
49. Vuokko, R., Mäkelä-Bengs, P., Hyppönen, H., Lindqvist, M., & Doupi, P. (2017). Impacts of structuring the electronic health record: Results of a systematic literature review from the perspective of secondary use of patient data. International journal of medical informatics, 97, 293-303. [DOI:10.1016/j.ijmedinf.2016.10.004]
50. Whiteside, Mary; Mills, Jane & McCalman, Janya (2012). Using secondary data for grounded theory analysis. Australian Social Work, 65(4), 504-516. [DOI:10.1080/0312407X.2011.645165]
51. Wilkinson, M. D., et al. (2016). The FAIR Guiding Principle for Scientific Data Management and Stewardship. Scientific Data, 3(1): 160018. DOI: [DOI:10.1038/sdata.2016.18]
52. Woolard, Robert H.; Carty, Kathleen; Wirtz, Philip; Longabaugh, Richard; Nirenberg, Ted D.; Minugh, Allison P.; Becker, Bruce & Clifford, Patrick R. (2004). Research fundamentals: Follow-up with subjects in clinical trials: Addressing subject attrition. Academic Emergency Medicine, 11(8), 859-866. [DOI:10.1197/j.aem.2003.09.021]
53. Yoon, A. (2017). Data reusers' trust development. Journal of the Association for Information Science and Technology, 68(4), 946-956. [DOI:10.1002/asi.23730]
54. Zuiderwijk, A., Türk, B. O., & Brazier, F. (2024). Identifying the most important facilitators of open research data sharing and reuse in Epidemiology: A mixed-methods study. Plos one, 19(2), e0297969. [DOI:10.1371/journal.pone.0297969]
55. Vaziri, E., Naghshineh, N., & Noroozi Chakoli, A. (2020). Barriers and Challenges of Research Data Sharing. Library and Information Science Research, 9(2), 5-23. [DOI:10.22067/riis.v0i0.60594 [In Persian]]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
