Findability (Відшукуваність)

• Має унікальний, постійний ідентифікатор, наприклад, DOI.
• Має багато описових метаданих (даних про дані).
• Індексується в ресурсі, доступному для пошуку, наприклад, у репозитарії даних.

Щоб зробити дані/код доступними для пошуку:

• Зберігайте дані в репозиторії, що надає їм DOI.
• Цитуйте це в публікаціях (використовуючи DOI).
• Переконайтеся, що це повністю задокументовано — заповніть усі відповідні поля під час депонування та додайте файл README.

Accessibility (Доступність)

• Можна отримати за допомогою стандартного, безплатного та відкритого протоколу, який дозволяє автентифікацію, де це необхідно.
• Метадані доступні навіть там, де немає даних.

Щоб зробити дані/ код доступними:

• Використовуйте відповідний репозиторій для ваших даних/коду
• Якщо ви не можете поділитися своїми даними/кодом, створіть запис лише з метаданими.

Interoperability (Сумісність)

• Може бути інтегрований з іншими даними, програмами та робочими процесами.
• Використання відкритих або загальновживаних форматів файлів.

Щоб зробити дані/ код сумісними:

• Перевірте, чи використовуються стандартні або відкриті формати файлів
• Використовуйте стандартну та доступну лексику.

Reusability (Багаторазовість)

• Опубліковано з ліцензією, яка вказує, як її можна використовувати повторно, наприклад, ліцензія CC.
• Відповідно до громадських стандартів.
• Чітко задокументовано.

Щоб зробити дані/ код придатними для повторного використання:

• Використовуйте ліцензію Creative Commons для даних
• Для програмного забезпечення з відкритим кодом виберіть відповідну ліцензію тут
• Надайте якомога більше інформації (метаданих) про дані під час надсилання до репозитарію
• Додайте файл README для пояснення та контекстуалізації даних.

Ці інструменти допомагають дослідникам, бібліотекарям та дата-менеджерам оцінити, наскільки дані відповідають FAIR-принципам:

• • F-UJI
    Автоматизований сервіс для оцінки FAIRness наборів даних, розроблений згідно з вимогами EOSC.
  • FAIR Evaluator tool
    Мануал FAIR Evaluator tool
    Онлайн-платформи для перевірки даних або метаданих на відповідність FAIR-критеріям. Працює на основі міжнародних індикаторів.
  • FAIR-Aware
    Простий у користуванні інструмент для самооцінки дослідника: оцінює обізнаність із FAIR-принципами та дає поради.
  • ARDC Fair Data self-assessment tool (Australian Research Data Commons)
    Допомагає дослідникам оцінити, наскільки їхній набір дослідницьких даних є доступним для пошуку, доступним, сумісним і придатним для повторного використання. Він також містить практичні поради щодо того, як підвищити його FAIRness.
  • НТБ ім. Г.І. Денисенка КПІ ім. Ігоря Сікорського. (2024). Інструменти оцінювання даних на відповідність принципам FAIR [Відео]. YouTube.

FAIR-принципи не є лише теоретичною концепцією — тисячі науковців, установ і проєктів уже впровадили їх у щоденну практику. 

• Успішні кейси в наукових установах

Leiden University, Нідерланди

Університет інтегрував політику FAIR у всі етапи дослідницького процесу — від планування проєктів до зберігання даних. Завдяки ролі “data steward” кожна кафедра має експерта, що допомагає дослідникам впроваджувати FAIR-інструменти, включно з DMP та реєстрацією у репозитаріях.

EMBL-EBI (Європейський інститут біоінформатики)

FAIR використовується як обов’язкова умова при завантаженні біологічних даних у репозитарії. Завдяки цьому дані легко знаходяться через API, метадані стандартизовані, а повторне використання стало основою для машинного аналізу.

Національні дослідницькі установи Іспанії (CSIC)

Усі науковці при поданні проєктів зобов’язані подавати FAIR-сумісний Data Management Plan. Крім того, створено відкриту систему для оцінки FAIR-відповідності публікацій та даних.

• Досвід міжнародних проєктів

EOSC-Pillar (ЄС)

Проєкт допоміг країнам Центральної Європи розбудувати національні інфраструктури для FAIR-даних. Було розроблено навчальні модулі, стандарти та пілотні репозитарії, де тестується автоматизована перевірка FAIRness.

FAIRsFAIR (2020–2022)

Цей проєкт став ключовим рушієм узгодження політик, розробки індикаторів FAIR та навчальних ініціатив. Сотні університетів та бібліотек пройшли тренінги, з’явилися стандартизовані оцінки FAIR-репозитаріїв.

ENVRI-FAIR

Проєкт у сфері дослідження навколишнього середовища інтегрував FAIR у більше ніж 20 наукових інфраструктур (включно з супутниковими спостереженнями, гідрологією, метеорологією). Створено спільні метаописові моделі та міжсистемні API.

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

Підвищення видимості та цитованості публікацій і даних

FAIR-принципи передбачають присвоєння унікальних ідентифікаторів (наприклад, DOI), надання повного метаопису та розміщення даних у відкритих репозиторіях. Це дозволяє:

• Забезпечити індексацію даних і публікацій у пошукових системах (Google Scholar, DataCite, OpenAIRE).
  
• Підвищити відшукуваність для інших дослідників, які шукають пов’язані ресурси.
  
• Створити можливості для додаткових цитувань не лише публікацій, а й самих наборів даних, кодів чи моделей.
  
• Посилити наукову репутацію автора/інституції через прозоре та відкрито доступне дослідження.
  

Забезпечення відтворюваності досліджень

FAIR сприяє науковій доброчесності, забезпечуючи:

• Документування процесів збору, обробки та аналізу даних.
  
• Зберігання даних у форматах, які дозволяють іншим дослідникам перевірити та повторити результати.
  
• Включення метаданих і пов’язаного коду, що дозволяє повністю реконструювати експеримент або аналіз.
  
• Використання відкритих інструментів і середовищ для забезпечення прозорості дослідницького процесу.
  

Сприяння міжнародній співпраці та обміну даними

FAIR-дані легко інтегруються у глобальні платформи, сприяючи:

• Спрощенню спільного використання даних між дослідницькими групами, навіть із різних країн та дисциплін.
  
• Інтероперабельності — завдяки узгодженим стандартам формату, структури та опису.
  
• Можливості для участі у міжнародних проєктах і грантах, які дедалі частіше вимагають відкритого доступу до даних (наприклад, Horizon Europe).
  
• Уникненню дублювання зусиль — якщо дані вже є доступними, інші команди можуть їх повторно використовувати замість проведення ідентичного збору.
  
•  

Полегшення аналізу, інтеграції та інновацій на основі відкритих даних

FAIR робить наукові дані “машиночитаними”, що забезпечує:

• Автоматизований збір і обробку великої кількості даних за допомогою алгоритмів, ШІ та аналітичних платформ.
  
• Об’єднання даних із різних джерел у комплексні масиви — з метою проведення міждисциплінарного аналізу.
  
• Появу нових дослідницьких запитань завдяки доступу до великого масиву відкритих, порівнюваних і структурованих даних.
• Інновації в галузях як-от біоінформатика, соціальна аналітика, аграрні технології, машинне навчання тощо.

Дотримання стандартів відкритої науки, етики та ліцензування

FAIR-принципи тісно пов’язані з етичним та правовим використанням дослідницьких результатів. Вони:

• Вимагають чіткого вказання умов використання даних (наприклад, через ліцензії Creative Commons).
  
• Забезпечують трасованість походження даних, що критично важливо для дотримання авторських прав, конфіденційності та відповідності GDPR.
  
• Сприяють інституційному управлінню науковими результатами, зокрема в контексті державної політики у сфері науки.
  
• Підтримують відповідальність дослідників за якість і прозорість створених ресурсів.

Забезпеченню принципів FAIR для даних і коду можуть перешкоджати часові обмеження. Щоб мінімізувати витрати ресурсів і часу, ці аспекти варто враховувати на якомога ранішньому етапі планування дослідження. Під час подання заявки на фінансування проєкту доцільно передбачити час і ресурси (можливо, залучення асистента-дослідника) для підтримки практик FAIR.
Ще однією значною перешкодою для дослідників є недостатнє розуміння принципів FAIR та їх застосування до конкретного проєкту. Можуть виникати питання й занепокоєння щодо специфіки даних, наприклад: як діяти з конфіденційними даними або з надзвичайно великими масивами інформації? Що робити з даними, отриманими від третіх сторін?

Якщо у вас виникли питання або вам потрібна допомога й підтримка з питань FAIR та управління дослідницькими даними, звертайтеся до фахівця з управління даними Бібліотеки КПІ: data.library.kpi@gmail.com.
Бібліотека проводить семінари для викладачів, щоб ознайомити з принципами належного управління даними, зокрема FAIR, і надати практичні поради щодо їхнього впровадження. Записи цих семінарів доступні на YouTube-каналі Бібліотеки КПІ.