بسم الله الرحمن الرحیم(نسخه آزمایشی)

نگاهی به یک سال تجربه مدیریت داده های پژوهشی

DCN که مخفف عبارت Data Curation Network هست، مدتی است که توسط برخی از پژوهشگران مورد اشاره قرار گرفته است و کم و بیش مجموعه هایی نیز شکل گرفته اند که با همین عنوان یا عناوینی نظیر آن، هدفی مشابه را دنبال می کنند. معادل فارسی Data Curation Network را می توانیم شبکه مدیریت چرخه داده نامگذاری کرد. 

حوزه مشابه آن، DCM است. این دو تفاوتهای ظریفی در نوع نگاه به مدیریت داده های پژوهش دارند. به طور خلاصه، در DCN بر خلاف DCM (Data Curation Management) تمرکز بر شبکه DCM ها است که سامانه مدیریت داده های پژوهشی یک مجموعه را ساماندهی می کنند.نحوه تعامل سامانه های مدیریت داده پژوهشی، شبکه مدیریت داده های پژوهشی (DCN) را شکل می دهد. 

Elizabeth Coburn و Lisa Johnston سیستمی را راه اندازی کردند که سامانه های مدیریت داده های پژوهشی ۱۰ مجموعه پژوهشی را همراستا می کرد. آنها در مقاله ای، به تجربه خود در زمینه یکپارچه سازی سیستم های مدیریت داده پژوهشی ۹ دانشگاه و ۱ موسسه علمی پرداخته و با در نظر گرفتن فرضیاتی، به رد یا تایید آنها پرداخته است. این مقاله در سال ۲۰۲۰ با عنوان زیر به چاپ رسیده است:
Testing Our Assumptions: Preliminary Results from the Data Curation Network
مراکز علمی که سامانه داده های پژوهشی داشته و توسط سامانه کلان‌تر، اقدام به یکپارچه سازی آنها شده است، عبارتند از: 

  • دانشگاه نیویورک
  • دانشگاه واشینگتون
  • دانشگاه میشیگان
  • دانشگاه پنسیلوانیا
  • دانشگاه هاپکینز
  • دانشگاه کورنل
  • دانشگاه داک
  • دانشگاه ایلینویز
  • دانشگاه مینسوتا
  • پایگاه دیجیتال درایاد

آنها کار ایجاد شبکه سامانه های داده پژوهشی را از اواسط سال ۲۰۱۸ شروع کردند و همچنان ادامه می دهند. در این مقاله با یک نگاه علمی، عملکرد خود را در طول یک سال ابتدایی کار یعنی تا از اواسط ۲۰۱۸ تا اواسط ۲۰۱۹ بررسی کرده اند. 
برخی از نکاتی که آنها در اداره یک سامانه داده های پژوهشی مورد بررسی قرار داده و نتایجی را کسب کرده اند، عبارتند از:

۱. یکی از مهمترین مواردی که باید در ثبت داده های پژوهشی لحاظ کرد، تخصص و در دسترس بودن گزینشگران است. تخصص یعنی اینکه باید گزینشگر تخصص لازم را برای گزینش کردن داده های پژوهشی ثبت شده در پایگاه داده داشته باشد. در دسترس بودن نیز بدین معنی است که ثبت داده پژوهشی در پایگاه داده توسط پژوهشگر باید فورا تعیین تکلیف شود که آیا این داده باید در پایگاه نمایش داده شود یا خیر. یعنی گزینشگر باید بتواند سریعا پاسخ پژوهشگر را بدهد.
۲. نکته مهم دیگر در گزینش داده های پژوهشی این است که هماهنگ کننده پایگاه داده پژوهش، بتواند تشخیص دهد که چه نوع داده پژوهشی را به کدام گزینشگر وصل کند. بخشی از این کار به صورت ماشینی امکانپذیر است، اما به دلیل تخصص گرایی بالا در رشته های گوناگون، امکان انتخاب ماشینی توسط سامانه پایگاه امکانپذیر نیست.
۳. نکته دیگر، رضایت گزینشگران است. به این معنا که اگر گزینشگر متناسب با کار خودش انتخاب نشده باشد، کیفیت کار او لطمه خواهد دید. در حالیکه اگر او با کار خود، مطابقت داشته باشد، مثلا هم دارای تخصص بوده و هم علاقه مند باشد، در این صورت کیفیت کار او بسیار بیشتر خواهد بود.
۴. مورد دیگر اینکه داده های ثبت شده در پایگاه داده های پژوهشی باید به طور یکنواخت میان گزینشگران توزیع شود. عدم توزیع مناسب، باعث بروز برخی مشکلات خواهد شد.

گرچه ممکن است در ابتدا موارد فوق را چندان مهم به حساب نیاوریم، اما بنا به گفته خود نویسندگان، آنها در حال پژوهش بر روی عوامل فرا نرم افزاری سامانه خود هستند که در آینده آن را به عنوان تجربه خود منتشر خواهند کرد.
نکته مهم دیگری که در کار آنها مشهود است، طراحی سه سطحی نوع یکپارچه سازی سامانه های داده پژوهشی است. شکل زیر، این سه سطح را به تصویر کشیده است.

برای مطالعه بیشتر، به متن مقاله مراجعه نمایید:
لینک مقاله:
https://escholarship.umassmed.edu/cgi/viewcontent.cgi?article=1186&context=jeslib

اشتراک گذاری


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

آخرین مطالب