Bốn chữ FAIR đổi thành việc cụ thể cho một bộ dữ liệu

Muốn bộ dữ liệu đạt FAIR, hãy làm bốn nhóm việc: gửi vào kho cấp mã định danh bền vững và điền đủ siêu dữ liệu (F), để siêu dữ liệu truy cập được kể cả khi dữ liệu bị hạn chế (A), dùng định dạng mở và từ vựng chuẩn (I), gắn giấy phép rõ cùng tài liệu mô tả (R).

FAIR là bốn chữ đầu của Findable, Accessible, Interoperable, Reusable, được công bố thành 15 nguyên tắc trong bài của Wilkinson và cộng sự trên tạp chí Scientific Data năm 2016. Các nguyên tắc viết khá trừu tượng, nhắm tới cả máy lẫn người. Người làm đề tài thường gặp khó ở chỗ không biết đọc xong thì phải bấm vào đâu. Bài này dịch từng chữ thành việc làm trên một bộ dữ liệu cụ thể: một bảng khảo sát 600 hộ gia đình kèm bảng hỏi và mã xử lý.

FAIR không phải là gì?

FAIR không đồng nghĩa với mở toàn bộ. Dữ liệu y tế hay dữ liệu phỏng vấn có thông tin định danh vẫn có thể đạt FAIR khi phần mô tả công khai, còn tệp gốc chỉ cấp cho người được duyệt. Nguyên tắc chỉ đòi điều kiện truy cập phải rõ ràng, không đòi bỏ mọi rào chắn.

FAIR cũng không phải chứng nhận có hay không. Đó là một thang mức, và mỗi nguyên tắc có thể đạt một phần. Một đề tài cấp cơ sở không cần đạt mức của dự án hạ tầng dữ liệu quốc gia. Điều cần là biết mình đang ở mức nào và còn thiếu bước nào rẻ nhất để tiến lên.

Chữ F (tìm được) đòi những thao tác nào?

Gắn mã định danh bền vững

Gửi bộ dữ liệu vào kho có cấp DOI hoặc mã định danh tương đương, ví dụ Zenodo, kho dữ liệu của trường chạy Dataverse, hoặc kho chuyên ngành. Một đường dẫn tới thư mục Google Drive không phải mã định danh bền vững vì có thể đổi hoặc mất bất cứ lúc nào.

Điền siêu dữ liệu giàu

Tên bộ dữ liệu nói được nội dung, tác giả kèm ORCID, đơn vị kèm mã ROR nếu kho hỗ trợ, mô tả phương pháp thu thập, thời gian, địa bàn, từ khoá. Phần mô tả nên trả lời được câu hỏi: ai thu, thu cái gì, ở đâu, khi nào, bằng cách nào.

Để siêu dữ liệu chứa chính mã định danh

Kho tốt tự làm việc này. Bạn chỉ cần kiểm tra trang bộ dữ liệu có hiện DOI và trích dẫn gợi ý. Sau đó dẫn DOI đó trong bài báo, ở mục khai báo dữ liệu, để công cụ tìm kiếm nối bài với dữ liệu.

Chữ A (truy cập được) làm sao khi dữ liệu không được mở?

Siêu dữ liệu luôn công khai. Ngay cả khi tệp bị hạn chế, trang mô tả vẫn phải đọc được không cần đăng nhập. Người tìm thấy biết có dữ liệu và biết cách xin.

Ghi rõ điều kiện truy cập. Viết cụ thể ai được xin, gửi yêu cầu cho ai, cần ký cam kết gì, thời gian phản hồi dự kiến. Câu “liên hệ tác giả khi có yêu cầu hợp lý” bị nhiều tạp chí và bên tài trợ coi là không đủ.

Dùng giao thức chuẩn. Kho dữ liệu đã lo phần HTTPS và API. Bạn không phải tự dựng máy chủ, chỉ cần tránh để dữ liệu ở nơi chỉ tải được qua một ứng dụng riêng.

Siêu dữ liệu sống lâu hơn dữ liệu. Nếu sau này phải xoá tệp theo cam kết đạo đức, trang mô tả vẫn nên giữ lại và ghi lý do xoá. Đây là nguyên tắc A2 mà nhiều người bỏ sót.

Chữ I (tương thích) có nghĩa gì với một bảng số liệu?

Tương thích là máy và người khác ghép được dữ liệu của bạn với dữ liệu của họ mà không phải đoán. Với bộ khảo sát hộ gia đình, các việc cụ thể là:

• Lưu bản phân phối ở định dạng mở như CSV mã hoá UTF-8, kèm bản gốc của phần mềm thống kê nếu cần giữ nhãn biến.
• Dùng mã chuẩn cho trường có danh mục: mã đơn vị hành chính theo danh mục do cơ quan thống kê nhà nước ban hành (ghi rõ phiên bản danh mục, vì địa giới có thể đã thay đổi), mã quốc gia ISO 3166, ngày theo dạng YYYY-MM-DD.
• Dùng từ vựng có sẵn khi ghi từ khoá hoặc phân loại, ví dụ bộ từ khoá của ngành hoặc mã ngành nghề chuẩn, thay vì tự đặt nhãn.
• Ghi đơn vị đo cho mọi biến số lượng trong từ điển dữ liệu, không để người đọc tự đoán ki-lô-gam hay tạ.
• Liên kết tới bộ dữ liệu khác bằng mã định danh của chúng, chẳng hạn nếu bạn dùng lại khung mẫu từ một cuộc điều tra công khai.

Chữ R (tái sử dụng được) cần thêm những gì?

Người khác dùng lại được khi họ hiểu dữ liệu và biết mình được phép làm gì với nó. Ba thứ không thể thiếu:

• Giấy phép rõ ràng. Với dữ liệu, CC BY 4.0 và CC0 là hai lựa chọn phổ biến; ghi giấy phép trong trường giấy phép của kho, không chỉ trong tệp README.
• Nguồn gốc dữ liệu: thu thập khi nào, công cụ thu là gì, đã làm sạch những gì, bản nào là bản gốc, bản nào đã xử lý.
• Tài liệu kèm theo: bảng hỏi, từ điển dữ liệu, mã xử lý, mô tả cách chọn mẫu. Thiếu bảng hỏi thì biến q12b trở nên vô nghĩa.

Chuẩn cộng đồng của ngành cũng thuộc chữ R. Ngành nào có chuẩn mô tả riêng, như DDI cho khảo sát xã hội hay Darwin Core cho đa dạng sinh học, thì dùng chuẩn đó sẽ làm dữ liệu dễ được tái sử dụng hơn nhiều so với mô tả tự do.

Bảng tự đánh giá: chấm bộ dữ liệu của bạn trong mười phút

Đánh dấu từng dòng là đã có, có một phần hoặc chưa có. Cột mức đủ tốt là gợi ý cho đề tài cấp cơ sở hoặc luận văn.

Nếu cần thang chấm chuẩn hơn, có các công cụ đánh giá như F-UJI do dự án FAIRsFAIR phát triển, chạy tự động trên mã định danh của bộ dữ liệu. Kết quả máy chấm chỉ phản ánh những gì máy đọc được, nên vẫn cần tự kiểm phần tài liệu và nguồn gốc bằng mắt.

Những việc hay làm sai khi cố đạt FAIR

Chỉ dán đường dẫn Drive vào bài báo. Đường dẫn chết sau vài năm, người đọc không biết dữ liệu ở phiên bản nào.

Đưa mỗi tệp Excel có nhiều trang tính và ô gộp. Máy không đọc nổi, người phải mở bằng tay từng trang. Tách mỗi bảng thành một tệp phẳng.

Để tên biến là mã nội bộ mà không có từ điển. Đây là lỗi phổ biến nhất làm dữ liệu không dùng lại được dù đã công khai.

Chọn giấy phép phần mềm cho dữ liệu. MIT hay GPL viết cho mã nguồn; dữ liệu nên dùng giấy phép Creative Commons hoặc giấy phép dữ liệu riêng.

Công bố dữ liệu có thông tin định danh. FAIR không bao giờ đứng trên cam kết bảo mật với người tham gia. Ẩn danh hoá trước, hoặc để ở chế độ truy cập hạn chế.

Thứ tự làm cho bộ dữ liệu sắp nộp kèm bài báo

Nếu chỉ có một buổi chiều, làm theo thứ tự sau để có lợi nhiều nhất:

1. Xuất bảng chính ra CSV UTF-8 và kiểm tra lại bằng trình soạn văn bản thuần.
2. Viết từ điển dữ liệu cho mọi biến.
3. Viết README: nội dung, cách thu thập, cấu trúc thư mục, cách trích dẫn.
4. Tạo bản ghi trên Zenodo hoặc kho của trường, điền siêu dữ liệu, chọn giấy phép, đặt chế độ truy cập.
5. Dành chỗ DOI trước nếu kho cho phép, đưa DOI vào bản thảo, phát hành bộ dữ liệu khi bài được nhận hoặc theo yêu cầu của tạp chí.

Câu hỏi thường gặp