Osallistujia n. 48
Conceptboard: https://app.conceptboard.com/board/zc05-y37q-e3mh-kn8s-g5n2
Google docs ideoista jakoon osallistujille: https://docs.google.com/document/d/1dvNgQGO_3oYDRbpxEiZDtYGzdY7el3Wzvakj8RvBSo8/edit?usp=sharing
Ideoita: Mikä helpottaisi sinua auttamaan tutkijoita kuvailemaan & organisoimaan aineistojaan paremmin (esim. laatimaan itselleen & tutkimusryhmälleen hyviä käytänteitä)?
Tutkijoiden tapaaminen ym
- tutkijoiden tapaaminen, keskustelut, jotta tiedetään mitä tekevät
- henkilökohtaiset kohtaamiset, vuoropuhelu tutkijoiden kanssa
- Vuorovaikutus tärkeää! Tutkijoille kiitollista, kun saavat täsmäapua juuri silloin kun tarvitsevat
- Kysymys-/check list, jonka kanssa mennä tutkijan luo
- tutkijoilla eri taitotaso aineistonhallinta-asioissa
- Informantteja tutkijoitten piiristä valaisemaan mikä on ”järkevää”
- Tutkijoiden osallistaminen?
- Tietoa tutkimusryhmän koosta, viestinnästä, vastuista, kuka tekee yms. Myös alustat jota käytetään esim Jupyter tms..
- Olisipa tutkijalla aikaa istua alas näyttämään tukihenkilölle, mitä hän oikeasti tekee (esim .instrumenteista saatava tekninen metadata -> tukihenkilö voisi neuvoa, mitä asioita työnkulusta voisi nostaa DMP:hen
- vuoropuhelu tutkijoiden kanssa: ymmärrys siitä mitä tekevät ja tarvitsevat
Ideoita...
Esimerkkilistat:
- Kysymys-/check list, jonka kanssa mennä tutkijan luo
- Selkeät ohjeet, lomakepohja kuvailuun, perusasiat kuntoon (esim. tiedostomuodot ja tiedostojen nimeäminen selkeästi)
- Suositelluista metadatastandardeista lista
- Listaukset luonnontieteen alan sanastoista
- Tietoa ohjelmistoja tms. joiden avulla metadataa voisi lisätä dataan. Mitä näistä kannataisi suositella tutkijoille? LabNotebook tyylisiä ratkaisuja, mutta myös muille aloille.
Muistilistat & ohjeistus
Muistilistat mitä kuvailuun, kuten read-me-fileeseen, tulisi kirjoittaa
Muistilista mitä missäkin datan tuottamisen ja käsittelyn vaiheessa huomioon (kehitetty pidemmälle)
- Riittävä ohjeistus geneerisestä minimimetadatasta (vrt. Etsin, Zenodo yms.)
- Rautalankaohjeet - niin alaspesifit kuin mahdollista - käytetyimmät standardit
Case-esimerkit
- Case-esimerkit tälle alalle, kuten Jyväskylässä (etenkin metadatan avaaminen ja tämän kuvaaminen) (kehitetty pidemmälle)
- Esimerkkikauvauksia käyttötapauksista ja kuvailutarpeista
- Konkreettisisesti täytetyt DMP:t
- Esimerkit kuvailusta
Muita:
- ymmärrystä siitä mitä FAIR tarkoittaa eri aineistotyyppien kohdalla (kehitetty pidemmälle)
- Mitä käytännössä tarkoittaa metadatan avaaminen (missä avata metadata)
- Paljon esimerkkejä eri aloilta
- Päiväkirjojen tms. käyttö hum.tutkimuksessa (esim. Tableau-työkirjat)
- Miten strukturoidaan ”description” teksti datarepositoriin
- Miten ja milloin kuvailua tehdään? Kuka sen tekee?
- "Mitä metatietoa toinen alan ihminen tarvitsisi voidakseen toisintaa sinun tutkimuksesi?"
- Luottamuksellisuustasoiltaan vaihtelevien aineistojen organisointi - miten pitää nämä järjestyksessä?
Motivointi kuvailuun, palvelut & palveluiden markkinointi
- Ohjeita paljon - miten ne saa jalkautettua tutkijoille?
- Tutkijoiden motivointi metadatan tuottamiseen (kehitetty pidemmälle)
- tietoarkisto: palveluiden markkinointi tutkijoille päin
- Palvelujen kirjon karsiminen? Keskeisiin työkaluihin keskittyminen (esim. NextCloud)
- Yhteistyökuvion selvittäminen (yksikkö/SF/EU/globaaali) ja sen mahdollistavat työkalut - miten ennakoida neuvonnassa?
- Valmis pohja/ohjelmisto, jonne tiedot tallennetaan (kehitetty pidemmälle)
Tukihenkilöstön osaaminen
- Osaamisen jakaminen aktiivisesti
- Ymmärrys, miten tutkijat määrittelevät aineiston
- Tarpeeksi laaja kokemus monimuotoisista aineistoista
- Luetaan useita suunnitelmia ja kerätään niistä itselle hyviä esimerkkejä neuvontamateriaaliksi.
- Vertaisryhmissä työskentely
- Menetelmiin tutustuminen - miten ymmärtää, mitä tutkija tekee. Miten ja minkälaista dataa syntyy, onko alalla vakiintuneita käytäntöjä? (kehitetty pidemmälle)
- Somedata - aineistotyyppien syvempi ymmärrys
- DMP:t tukena oppiessa hyviä käytäntöjä - voi dokumentoida itselle ja pyytää tutkijalta lupaa jakaa malliesimerkki toisille tutkijoille
Muita asioita
- Data-artikkelin kirjoittaminen aineiston kuvailusta ja käsittelystä > pisteitä julkaisusta (tutkimusdatan hankinta, käsittely, dokumentaatio)
- Kuvailtavien datayksiköiden/aineiston määrittely. Määritellään, mitä lähdetään kuvailemaan
- On ehkä hieman hölmöä, jos pyörä pitää aina keksiä uudestaan jos jokaisen tutkijan pitää aina hakea sanoille tunnisteet sanoille
- Tekniikan alalla valtava menetelmä- ja datatyyppikirjo - standardien käyttö, kv. ja kansall. standardien käyttö - monella alalla tutkijat ns. sooloilevat (yhteiset sopimukset, esim. ASCIIformaatin käyttö yhdenmukaisesti)
- Tekniikan alan taustan omaavien tukijoiden vähäisyyys, saisiko näitä kasvatettua organisaatioissa?
- Dokumentoinnit aina englanniksi (on jo valmis ohje)
Pidemmälle viedyt ajatukset
Vuoropuhelu tutkijoiden kanssa: ymmärrys siitä mitä tekevät ja tarvitsevat
- mistä löytää oikean kohdattavan?
- jatkojalostetaan DMP:n tekemisen yhteydessä saatuja kontakteja, jatkoyhteydenpito
- checklist, jonka mukaan voi keskustella ja tarkistaa jutut tutkijoiden kanssa keskustellessa
- aineistotyyppi- ja tutkimusalakohtainen?
- kuinka kohdata?
- tutkijoilla mahdollisuus varata aika datatukihenkilöille
- hlökohtainen ohjaus vaatii paljon resursseja
Ymmärrys siitä, mitä FAIR tarkoittaa eri aineistotyypeillä ja tieteenaloilla
- pedagoginen kehittäminen aineistonhallinnan koulutuksessa
- kohdeyleisön analyysi ennen koulutusmateriaalien tuottamista
- resurssit kontekstin analysointiin! pitää ymmärtää tutkimusalan tarpeet ja kohdeyleisön osaamistaso
- ymmärretään kunkin tieteenalan tutkimuksen elinkaaret, tuodaan aineistonhallinnan koulutus hedelmällisessä kohdassa ja ymmärrettävällä sanastolla esim. kandi- ja gradusemmoihin
- kandi- ja graduseminaarien vetäjät asiantuntijoina siinä, minkälaista tukea/opetusta opiskelijat tarvitsevat aineistonhallintaan juuri sillä alalla ja tutkimustyypillä
Case-esimerkit tälle alalle, kuten Jyväskylässä (etenkin metadatan avaaminen ja tämän kuvaaminen)
- Miten tavoitetaan "hyvät" esimerkit? Verkostot, tiketit
- Kuvitteellinenkin case-esimerkki toimisi?
- Kun tulee jokin hyvä esimerkki vastaan, sitä voisi käyttää pohjana kuvitteellisen case-esimerkin luomiselle
- Tutkijan apua kuitenkin tarvitaa, ei voi toteuttaa ilman osallistamista. Kuvitteellinen esimerkki ei ole välttämättä samaistuttava tai . "Name droppailu" antaa uskottavuutta ja tutkijakin voi meritoitua panoksellaan avoimen tieteen hyväksi.
- Yhteiset sivut ohjeistukselle, kunnon viitetiedot, DMPTuulin rooli? On tosi tärkeää, että ohjeet on avoimilla sivuilla eikä intranetissä
- Tutkijan kanssa voisi yhdessä vaikka käydä läpi metadatastandardeja
- Mitä käytännössä tarkoittaa metadatan avaaminen (missä avata metadata)
Tutkijoiden motivointi metadatan tuottamiseen
- Hyötynäkökohtien esiintuonti. Aineistot löytyvät paremmin itsellekin, ovat hallittavia.
- Hyötynäkökulmat:
- Löydettävyys. Viitattavuus. Viittaukset. Vaikuttavuus. Näkyvyys.Lisää myös tutkimusartikkelin vaikuttavuutta. Vastuullinen tutkijan arviointi.
- yritysyhteistyö, kansalaiset, ajan & rahan säästö, uuden työtekijän perehdytys, Avoimen ja vastuullisen tieteen monitorointi yo-tasolla
- Hyötynäkökulmat:
- Konkreettisia kannustumia pitäisi kehittää!
- Koulutus & kohtaaminen
- Kouluttamisen aloitus mahdollisimman varhaisessa vaiheessa, yliopistopolun alkuvaiheesta.
- Roadshow: konkreettisia vinkkejä dokumentointiin ja metatietoihin sekä ehdota data-artikkelin julkaisemista.
- Voisi tarjota eri "tasoja" metadatan kuvailulle. Kaikkien ei tarvitse tehdä suuritöisintä/vaikeinta.
Tutkijalle itselle tehtävä metadata: mikä olisi tutkijalle itselleen tärkeää tietoa?
Tutkimusryhmälle: mitä tietoja jokaisen tutkimusryhmän jäsenen kannattaisi tietää?
Avatulle datalle: ulkopuolinen taho tarvitsee kattavan data presedence
- Muita huomiota:
- motivointi: kenelle kuvailua tehdään: itselle, muille, muulle tutkimusyhteisölle
- Toteutus esim. video / tilaisuudet: kollega kertoo mitä olisi kannattanut tehdä / miten minä tein
- koulutusta tai ohjeet
Esimerkkejä eri datatyypeistä & tieteenalakohtaisuus
- Tutkijat kouluttamassa data-asiantuntijoita datojen syntymisestä, metodologiasta jne. (konkreettisesti!)
- Säännölliset CSC:n järjestämät, eri organisaatioiden ideoimat tutkijatapaamiset:tutkijat kouluttavat meitä
- Tutkijahaastattelut: datanhallinnan prosessit, kuvailu
- Tutkijahaastattelujen data-asiantuntijoiden yhteinen kysymysvaranto
- Eri organisaatioista tehdään "samalla perusformaatilla" tutkijatapaamisia > jaetaan tieto yhdessä paikassa
- toimivat selkeät prosessit ja työkalut
- Data-asiantuntijoiden tieteenala/datatyyppikohtainen verkostoituminen organisaatiorajojen yli (säännöllinen toiminta)
- Runsaasti esimerkkejä eri datatyypeistä ja niiden kuvailun toteuttamisesta
- Esimerkkejä minimikuvailusta esim. Aila, Etsin, Zenodo
Valmis pohja/ohjelmisto, jonne tiedot tallennetaan / Muistilista mitä missäkin datan tuottamisen ja käsittelyn vaiheessa huomioon
Muodostetaan ryhmä, joka ryhtyy kokoamaan materiaalia kohtiin A ja B
Jotta saadaan Asta ja Bsta kattava/toimiva, ryhmä on yhteydessä asiantuntijoihin/tutkijoihin ellei omasta ryhmästä löydä kaikkea asiantuntemusta.
- Tuotetaan Ata ja Btä niin, että se perustuu esimerkkeihin.
- Olemassa olevia ohjeistuksia on jo huomattava määrä. Niiden jalkauttaminen esimerkein
- Tutkimusalojen väliset erot
- Pitää yhdistää konkreettisiin esimerkkeihin joka voisi yhdistyä jonkin tyyppiseen pohjaan
Tehdään muistilista, joka linkittyy käytännön esimerkkeihin ja materiaaleihin. Esim. kun muistilistassa lukee sanasto, linkkeistä pääsee sanastoihin; read-me-filestä pääsee esimerkkiin, jossa read-me-tä on käytetty tietyllä tavalla.
Muistilistan toteutuksen voi aloittaa googledoxina ja lopulta voisi olla nettisivusto.
Menetelmiin tutustuminen: miten ymmärtää, mitä tutkija oikeasti tekee?
Lista, jota tutkija voi hyödyntää kirjoittaessaan DMP:tä -> alkukeskustelu (esim. laitetutkimus; helpottaisi tutkijaa kommunikoimaan oman tietämyyksensä siitä, millaista dataa hän tuottaa ja tulee tuottamaan) -> checklist, jonka avulla tukihenkilö voi fasilitoida ja saada esiin tutkijan osaamisen
- Esimerkkikysymykset: "oletko käyttänyt jotain valmiita kirjastoja (ohjelmistot) -> ja jos, niin mitä?
- Tutkijoilla paljon hyviä käytäntöjä, mutta eivät puhu sama kieltä kuin DMP ("Sinä teet tätä jo, puhut siitä vain eri käsittein.")
- Olisipa tutkijalla aikaa istua alas näyttämään tukihenkilölle, mitä hän oikeasti tekee (esim. instrumenteista saatava tekninen metadata -> tukihenkilö voisi neuvoa, mitä asioita työnkulusta voisi nostaa DMP:hen)