Data Management for Researchers: Organize, maintain and share your data for research success

راهنمای جامعی برای همه چیزهایی که دانشمندان باید در مورد مدیریت داده بدانند، این کتاب برای محققانی ضروری است که باید نحوه سازماندهی، مستندسازی و مراقبت از داده‌های خود را بیاموزند.

محققان در همه رشته‌ها با چالش مدیریت حجم فزاینده داده های دیجیتالی که پایه و اساس تحقیقات آنها است، مواجه هستند. کریستین برینی توصیه های عملی ارائه می دهد و سیاست ها و اصول را به وضوح در متنی قابل دسترسی و عمیق توضیح می دهد که به محققان امکان می دهد هدف مدیریت داده های تحقیقاتی بهتر را درک کنند و به آن دست یابند.

مدیریت داده برای محققان. شامل بخش‌هایی در مورد:

* مشکل داده – مقدمه‌ای بر اهمیت و چالش‌های رو به رشد استفاده از داده‌های دیجیتال در تحقیقات است. هم مشکلات ذاتی مدیریت اطلاعات دیجیتال را پوشش می دهد و هم اینکه چگونه چشم انداز تحقیق در حال تغییر است تا ارزش بیشتری به مجموعه داده ها و کدهای تحقیقاتی بدهد.

* چرخه حیات داده ها – چارچوبی برای مکان داده ها در فرآیند تحقیق. و چگونه نقش داده ها در حال تغییر است. تاکید بیشتر بر اشتراک‌گذاری داده‌ها و استفاده مجدد از داده‌ها نه تنها روش انجام تحقیقات را تغییر می‌دهد، بلکه نحوه مدیریت داده‌های تحقیقاتی را نیز تغییر می‌دهد.

* برنامه‌ریزی برای مدیریت داده - بسیاری از جنبه‌های مدیریت داده و نحوه قرار دادن آنها را پوشش می‌دهد. با هم در یک طرح مدیریت داده این بخش همچنین شامل نمونه طرح‌های مدیریت داده‌ها می‌شود.

* مستندسازی داده‌های شما – بخشی از فرآیند مدیریت داده که اغلب نادیده گرفته می‌شود، اما برای مدیریت خوب حیاتی است. داده‌های بدون مستندات اغلب غیرقابل استفاده هستند.

* تجزیه و تحلیل داده‌های شما - مدیریت اطلاعات از طریق فرآیند تجزیه و تحلیل را پوشش می‌دهد. این بخش با مقایسه مدیریت داده های خام و تجزیه و تحلیل شده شروع می شود و سپس روش هایی را برای آسان کردن تجزیه و تحلیل، مانند بهترین شیوه های صفحه گسترده، توضیح می دهد. همچنین شیوه‌های کد تحقیق، از جمله سیستم‌های کنترل نسخه را بررسی می‌کند.

* مدیریت داده‌های ایمن و خصوصی - بسیاری از محققان با داده‌هایی سر و کار دارند که به امنیت بیشتری نیاز دارند. این بخش پیش از پرداختن به بهترین روش‌ها برای ایمن نگه‌داشتن داده‌ها و برخی از سیاست‌های اعمال شده در این دسته را مشخص می‌کند.

* ذخیره‌سازی کوتاه‌مدت – به مسائل عملی ذخیره‌سازی و پشتیبان‌گیری می‌پردازد. بسیاری از گزینه های موجود را پوشش می دهد. این بخش همچنین بهترین روش‌ها را برای اطمینان از گم نشدن داده‌ها انجام می‌دهد.

* حفظ و بایگانی داده‌های شما – داده‌های دیجیتالی می‌توانند عمر طولانی داشته باشند، اگر به درستی از آنها مراقبت شود. این بخش مدیریت داده‌ها را در درازمدت شامل انتخاب فرمت‌های فایل و رسانه خوب، و همچنین تعیین اینکه چه کسی داده‌ها را در درازمدت مدیریت می‌کند، پوشش می‌دهد.

* اشتراک‌گذاری/انتشار داده‌های شما – دلایل و در برابر به اشتراک گذاری داده ها و برخی از جنبه های عملی اشتراک گذاری. این بخش، مالکیت معنوی و مجوزهای مجموعه داده‌ها را پوشش می‌دهد، قبل از پایان دادن به آلتمتریکس که تأثیر داده‌های مشترک را اندازه‌گیری می‌کند.

* همکاری‌ها و داده‌ها - این بخش به چگونگی سهولت اشتراک‌گذاری داده‌ها در گروه‌های تحقیقاتی می‌پردازد. جنبه‌های عملی سیستم‌ها برای همکاری و همچنین نگرانی‌های خط‌مشی مانند مالکیت را پوشش می‌دهد.

* استفاده مجدد از داده‌ها - با اشتراک‌گذاری داده‌های بیشتر، استفاده از داده‌های خارجی در تحقیقات شما امکان‌پذیر می‌شود. این فصل استراتژی‌هایی را برای یافتن مجموعه داده‌ها مورد بحث قرار می‌دهد و نحوه استناد به داده‌ها را پس از یافتن آن‌ها بیان می‌کند.

این کتاب برای محققان علمی فعال طراحی شده است، اما برای هر کسی که می‌خواهد از داده‌های خود اطلاعات بیشتری کسب کند، مفید است: دانشگاهیان، مربیان، متخصصان یا هر کسی که مدیریت، اشتراک گذاری و حفظ داده ها را آموزش می دهد.

A comprehensive guide to everything scientists need to know about data management, this book is essential for researchers who need to learn how to organize, document and take care of their own data.

Researchers in all disciplines are faced with the challenge of managing the growing amounts of digital data that are the foundation of their research. Kristin Briney offers practical advice and clearly explains policies and principles, in an accessible and in-depth text that will allow researchers to understand and achieve the goal of better research data management.

Data Management for Researchers includes sections on:

* The data problem – an introduction to the growing importance and challenges of using digital data in research. Covers both the inherent problems with managing digital information, as well as how the research landscape is changing to give more value to research datasets and code.

* The data lifecycle – a framework for data's place within the research process and how data's role is changing. Greater emphasis on data sharing and data reuse will not only change the way we conduct research but also how we manage research data.

* Planning for data management – covers the many aspects of data management and how to put them together in a data management plan. This section also includes sample data management plans.

* Documenting your data – an often overlooked part of the data management process, but one that is critical to good management; data without documentation are frequently unusable.

* Analyzing your data – covers managing information through the analysis process. This section starts by comparing the management of raw and analyzed data and then describes ways to make analysis easier, such as spreadsheet best practices. It also examines practices for research code, including version control systems.

* Managing secure and private data – many researchers are dealing with data that require extra security. This section outlines what data falls into this category and some of the policies that apply, before addressing the best practices for keeping data secure.

* Short-term storage – deals with the practical matters of storage and backup and covers the many options available. This section also goes through the best practices to insure that data are not lost.

* Preserving and archiving your data – digital data can have a long life if properly cared for. This section covers managing data in the long term including choosing good file formats and media, as well as determining who will manage the data in the long-term.

* Sharing/publishing your data – the reasons for and against data sharing and some of the practical aspects of sharing. This section covers intellectual property and licenses for datasets, before ending with the altmetrics that measure the impact of shared data.

* Collaborations and data – this section addresses how to make data sharing across research groups easier. It covers the practical aspects of systems for collaboration as well as policy concerns like ownership.

* Reusing data – as more data are shared, it becomes possible to use outside data in your research. This chapter discusses strategies for finding datasets and lays out how to cite data once you have found it.

This book is designed for active scientific researchers but it is useful for anyone who wants to get more from their data: academics, educators, professionals or anyone who teaches data management, sharing and preservation.