Findability 

• Has a unique, permanent identifier, such as DOI.
• Has a lot of descriptive metadata (data about the data).
• Indexed in a searchable resource, such as a data repository.

To make data/code searchable:

• Store your data in a repository that provides a DOI.
• Cite it in publications (using the DOI).
• Make sure it is fully documented – fill in all relevant fields when depositing and include a README file.

Accessibility 

• It can be obtained using a standard, free and open protocol that allows authentication where necessary.
• Metadata is available even where there is no data.

To make data/code available:

• Use the appropriate repository for your data/code
• If you cannot share your data/code, create a record with only metadata.

Interoperability 

• Can be integrated with other data, programs, and workflows.
• Use of open or common file formats.

To make data/code compatible:

• Check whether standard or open file formats are used
• Use standard and accessible vocabulary.

Reusability

• Published with a license that specifies how it can be reused, such as a CC license.
• In accordance with public standards.
• Clearly documented.

To make the data/code reusable:

• Use a Creative Commons license for data
• For open source software, select the appropriate license here
• Provide as much information (metadata) about the data as possible when submitting to the repository
• Include a README file to explain and contextualize the data.

These tools help researchers, librarians, and data managers assess whether data complies with FAIR principles:

• • F-UJI
    An automated service for assessing the FAIRness of datasets developed in accordance with EOSC requirements.
    
  • FAIR Evaluator tool
    Мануал FAIR Evaluator tool
    Online platforms for checking data or metadata for compliance with FAIR criteria. It works on the basis of international indicators.
    
  • FAIR-Aware
    An easy-to-use researcher self-assessment tool that assesses awareness of FAIR principles and provides advice.
  • ARDC Fair Data self-assessment tool (Australian Research Data Commons)
    Helps researchers assess the extent to which their research dataset is searchable, accessible, interoperable, and reusable. It also provides practical advice on how to improve its FAIRness.
  • Denysenko Scientific and Technical Library of Igor Sikorsky Kyiv Polytechnic Institute (2024). Tools for assessing data for compliance with FAIR principles [Video]. YouTube.

FAIR principles are not just a theoretical concept – thousands of scientists, institutions, and projects have already implemented them in their daily practice.

• Successful cases in scientific institutions

Leiden University, Netherlands

The university has integrated FAIR policy into all stages of the research process, from project planning to data storage. Thanks to the role of “data steward,” each department has an expert who helps researchers implement FAIR tools, including DMPs and registration in repositories.

EMBL-EBI (European Institute of Bioinformatics)

FAIR is used as a prerequisite for uploading biological data to repositories. As a result, the data is easily accessible through APIs, metadata is standardized, and reuse is the basis for machine analysis.

National research institutions of Spain(CSIC)

All researchers are required to submit a FAIR-compliant Data Management Plan when submitting projects. In addition, an open system has been created to assess the FAIR compliance of publications and data.

• Experience in international projects

EOSC-Pillar (EU)

The project helped Central European countries build national infrastructures for FAIR data. Training modules, standards, and pilot repositories were developed to test automated FAIRness verification.

FAIRsFAIR (2020–2022)

The project has been a key driver of policy harmonization, development of FAIR indicators, and training initiatives. Hundreds of universities and libraries have been trained, and standardized FAIR repository assessments have been developed.

ENVRI-FAIR

The project in the field of environmental research integrated FAIR into more than 20 scientific infrastructures (including satellite observations, hydrology, meteorology). Common meta-descriptive models and cross-system APIs have been created.

Принципи CARE — це набір етичних орієнтирів, розроблених для забезпечення справедливого, відповідального та поважного використання даних. CARE-принципи були розроблені Глобальним альянсом з даних про корінні народи (GIDA) у 2019 році та вже активно інтегруються в політики відкритої науки

Назва CARE — це абревіатура, що розшифровується як:

C — Collective Benefit / Колективна вигода

Дані повинні використовуватися так, щоб приносити користь самим спільнотам, з яких вони походять. Це включає розвиток локального потенціалу, економічне зростання, культурну підтримку та інновації, які служать інтересам спільноти.

A — Authority to Control / Право контролю

Цей принцип включає право на інтелектуальну власність.

R — Responsibility / Відповідальність

Дослідники, організації та інституції зобов’язані діяти відповідально, поважно і прозоро, коли працюють із даними, що мають культурне, історичне або соціальне значення для громад. Це також передбачає участь представників спільнот у всіх етапах роботи з даними.

E — Ethics / Етика

Всі дії з даними мають відповідати етичним нормам, враховувати соціальні, культурні та історичні контексти. Це означає уникнення шкоди, дотримання згоди, повагу до традиційних знань і справедливий розподіл вигод.

Хоча FAIR-принципи фокусуються на технічній доступності та повторному використанні даних, CARE-принципи підкреслюють соціальну відповідальність та етичний контекст роботи з даними. Обидва підходи не суперечать, а доповнюють один одного:

• FAIR — про машини та метадані

• CARE — про людей і спільноти