A kutatások során keletkező adatmennyiség nagy szórást mutat: van, ahol egyetlen mérés alatt keletkezik annyi adat, amennyi máshol évek, akár évtizedek alatt gyűlik össze. Általánosságban megállapítható, hogy a keletkező legkisebb adatmennyiség néhány tíz kilobájtnyi, míg a legnagyobbak között mérésenként több terabájtos adatcsomag is szerepel. Nemcsak a hálózaton, hanem az intézményeken és az egyes kutatócsoportokon belüli eltérés is jelentős. Van több olyan kutatóközpont, ahol az egyik kutatócsoport vagy projekt 2–100 megabájt közötti mérési adatokkal dolgozik, míg a másik több terabájtosokkal. Mindeközben a kutatók kevesebb mint fele (44%) ismer olyan kutatási adatrepozitóriumot, amely az ő vagy kutatócsoportja számára szolgáltathatna, ráadásul az említettek közül több nem is kifejezetten adat-, inkább publikációs repozitórium, esetleg online adatbázis vagy egyéb, adatok megosztására szolgáló platform.

 

Van, amikor a kutatómunka során használt adatok jellege, illetve az erről való vélekedés fogja vissza az adatrepozitóriumok iránti érdeklődést. Nem tartják szükségesnek a használatát az olyan területeken (matematika, kvantumkémia) dolgozó kutatók, ahol nincs nyers adat, vagy ahol a végeredmény számít, nem pedig a munkafolyamat során keletkező nagy mennyiségű adat (számítások). Van, hogy azért nem tűnik érdemesnek megőrizni az adatokat, mert gyorsan elavulnak, érvényüket vesztik, így csak feleslegesen foglalnák a helyet. Más eset, amikor nem világos, egyáltalán mi tekinthető kutatási adatnak, mivel a gyűjtésen kívül nem történt beavatkozás. A terepmunka során keletkezett adatokat többen rendezetlennek vagy éppen túl személyesnek (például: jegyzetfüzet, terepnapló) tartják ahhoz, hogy közhasználatú adatbázisba kerülhessenek. Megjegyzendő azonban, hogy egy megfelelő paraméterekkel rendelkező repozitórium az ilyen, jellegükben strukturálatlan adatok gyűjtésére, rendszerezésére is lehetőséget biztosít.

 

A kutatói adattárolás a szabályozáson kívül természetesen nagyban függ az intézetek által biztosított lehetőségektől is. Kutatásunkból kiderült, hogy a válaszadók alig több mint fele érzi úgy, hogy intézményében teljes mértékben megoldott a munkavégzéshez, kutatáshoz szükséges adattárolás. Az interjúkban nyilatkozó kutatóktól pedig tudjuk, hogy az intézményi és az ELKH-szintű lehetőségekhez képest a saját megoldások (saját gépen, saját külső háttértárolón, kutatócsoport által kialakított és működtetett online felületen való tárolás) az elterjedtebbek.

A kutatás közbeni és utáni adattárolásnál egyaránt jellemző tehát az általános szabályozás hiánya; az interjúk alapján kisebbségben vannak azon intézmények, amelyekben intézményi előírással vagy ajánlással látnák el a kutatókat. A kérdőíves felmérés eredménye szerint a kutatási adatok archiválásának lehetőségét a válaszadók csupán 40%-a tartja intézményén belül teljesen megoldottnak. Ennek megfelelően a legkülönbözőbb megoldások születnek, kezdve attól, hogy a kutató a saját gépén, mappákban tárolja a munkája során keletkező adatokat, a mérőműszer automatikus mentésén át egészen a többszörös gépi, felhőalapú vagy külső háttértárolós megoldásokig. Az interjúalanyok alig fele említette, hogy valamilyen nyilvános adatbázisba vagy adatrepozitóriumba tölti fel adatait, legalább eseti szinten. A kérdőíves felmérésből is az derül ki, hogy a vezető megoldások a külső adattárolón és a saját gépen való mentés, miközben viszonylag ritka a repozitóriumi elhelyezés (1. ábra). Utóbbi jellemzően nem automatikusan, minden kutatás esetében történik, legfeljebb alkalomszerűen, konkrét helyzetekben élnek a lehetőséggel.

 

 

Ahogyan a tárolásra, úgy az adatok megosztásának módjára sincs szabályozás számos ELKH-intézményben. A kérdőívre adott válaszokból kiderül, hogy bizonyos gyakorisággal, valamilyen (intézményen kívüli) körrel a kutatók túlnyomó többsége (kilenctizede) megosztja az adatait, vagy a kutatás közben, vagy annak lezárultával. A megosztás módja azonban – mind a kérdőíves, mind az interjús felmérés eredményei alapján – igen változatos képet mutat. Általában, bár korántsem mindenhol, létezik valamilyen közös tárhely, jellemzően intézeti felhő, ugyanakkor a kutatók leggyakrabban informálisan, főként e-mailben, Google Drive-on vagy Dropboxban osztják meg a kutatási adatokat egymással és azokkal, akikkel a közös munka révén kerülnek kapcsolatba, esetleg szívességből másokkal is. Néhány területen bizonyos érzékeny, nagyon védett vagy féltett adatokat nem enged kijutni az intézetvezetés, vagy a kutató nem szeretné azokat online módon továbbítani. Ezekben az esetekben kutatószobás elérés vagy személyes pendrive-os vagy külső merevlemezes megosztás a bevett forma.

Mivel a kutatóközösségek általában maguk kénytelenek meghatározni a módszereiket, átlátható szabályok helyett sokszor egyéni szokások szabják meg az adatgazdálkodást. Ez alkalmanként adatvesztéshez, még több esetben adatláthatatlansághoz vezet. A megkérdezett kutatók többsége szerint a kutatói szabadság megőrzése mellett jó volna kiszélesíteni az ELKH biztosította lehetőségeket, mindenekelőtt az adatok tárolásának, visszakereshetőségének és megoszthatóságának biztosítása érdekében, hogy megismerhessék más (akár saját intézményen belüli) kutatók adatait, valamint, hogy eleget tudjanak tenni a publikációs elvárásoknak és a nyílt tudomány kívánalmainak.

 

Az adatbiztonság ügye többféle jogi kérdést is felvet. Ide tartoznak a szerzői jogokkal, illetve az adatok tulajdonlásával kapcsolatos aggodalmak, kétségek, illetve a vonatkozó ismeretek vagy a gyakorlati megvalósítások hiánya.

Több beszélgetőpartnerünk kárhoztatta a kutatókat, amiért nem szívesen osztják meg a nyers adataikat. Van, aki életkori megosztottságot tapasztal, miszerint az idősebb, „technikailag értetlen” generáció kevésbé nyitott az átállásra. Nehezen vitatható ugyanakkor, hogy a „kutatói szabadságra” történő gyakori hivatkozás elméletileg, módszertanilag és/vagy etikailag megalapozott állásponton alapulhat. Innen nézve értelmezési kételyeket vetnek fel az eredeti adatfelvétel szempontjaitól eltávolodó másodfeldolgozások (lásd erről bővebben: Gárdos, 2011). Ezen felül humánkutatásoknál sokszor nem egyértelmű, hogy tisztességes-e egyáltalán a kutatásban részt vevőkkel szemben a tőlük származó információ továbbadása. Olyan meggyőződéssel is találkoztunk, miszerint a nem átlátható, közös használatú adatbázisok általában veszélyt jelentenek az intézményes irányítás és a felelősségmegoszlás szempontjából.

 

Idevágó példa egy publikációhoz tartozó adatok feltöltésének és elbírálásának folyamatleírása (2. ábra). A felhasználói történet kimerülhet abban, hogy a kutató megállapítja: „a publikáció elfogadásához szükséges adataimat feltöltöm a repozitóriumba, ahol a bíráló megnézi, leellenőrzi azok elérhetőségét, a formai kritériumoknak való megfelelését, és engedélyezi, hogy a publikáció megjelenjen”. Ez a tevékenység a használati esetleírásban két szereplőt azonosít (kutató – K, bíráló – B), illetve a szoftverkörnyezetet, ahol a forgatókönyv lezajlik. Vannak előfeltételei (publikáció zajlik, ahol a publikálás folyamatához szervesen kötődik a kutatási adatok közreadása, vagyis K rendelkezik kutatási adatokkal), és van eredménye is a folyamatnak (a publikációs folyamat továbbmegy, vagy visszakerül egy olyan állapotba, ahol ismételten szükséges az adatok ellenőrzése annak megfelelően, hogy B hogyan ítélte meg azok megfelelését az elvárásokhoz képest). Vannak továbbá lépései is: K feltölti az adatokat a repozitóriumba, jelzi valamilyen módon, hogy az adatok elérhetőek, B ellenőrzi az adatokat, majd dönt a publikációs folyamat további menetéről. Meg kell jegyezni, hogy bár a példánkban az interakciók sorozata lineáris, a lépések végrehajtása nem feltétlenül ilyen. A döntési helyzeteknek megfelelően a felhasználási esetek szokásos ábrázolása a felhasználási esetdiagram, amely egy irányított gráf megfeleltetése a forgatókönyv lépéseinek, ahol a döntésnek megfelelő interakciók vezethetnek korábban már végrehajtott lépésekre is. Ha a példánkat úgy módosítjuk, hogy a kutató addig változtatja a kutatási adatok leírását, amíg a bíráló el nem fogadja az aktuális állapotot, rögtön bevezettünk a leírásban egy visszacsatolást, egy ismétlődő mintát, ahol a szereplők nem, csak a rendszer állapota (az adatok leírása) változik a lépések során.

 

Az Adatrepozitórium Platform projekt interjúbeszélgetései alapján közel negyven egyedi felhasználói esetleírást határoztunk meg. Az interjúk természetesen nem alkalmasak az esetleírások teljes mértékű feltérképezésére (erre a felhasználók munka közbeni megfigyelése lehetne jó eszköz, de erre ennek a projektnek a keretein belül nem volt mód). A felhasználói történetek begyűjtése után az esetleírások meghatározásához az aktuálisan használt adatrepozitóriumi rendszerekben szokásos lépéssorokat vettük alapul. Az általunk így meghatározott esetleírások komplexitásukat, felbontásukat tekintve sem egységesek, de technikai értelemben is különféle kategóriákba esnek: már támogatott; fejlesztést igényel; a projekt keretein belül tudjuk implementálni.

A felhasználók aktuális repozitóriumhasználatán alapuló igényeken felül megfogalmaztunk még további tíz, jövőbe mutató esetleírást is. Ezekről, mivel a megkeresésekre és interjúkra a projekt kezdeti stádiumában került sor, az interjúk során nem tudtunk érdemben információt kérni a kutatóktól, de a FAIR-adatkezelés megvalósításához alapvető fontosságúnak tartjuk őket. Összességében az esetleírások elemi lebontásai már egy számítástechnikai értelemben vett követelményrendszert határoznak meg, és ez, kiegészítve a Dataverse szoftverből kinyert funkciólistával, megadja a fejlesztők számára szükséges specifikációt.

Mindennek tükrében érdemes újraértelmezni a többek által legfőbb problémának tekintett adatféltést. Nemegyszer azt tapasztaltuk, hogy a bizalmatlanság mögött komoly intézményi hiányosságok húzódnak meg: a kutatók magukra vannak utalva, és kénytelenek „hagyományos”, azaz nem korszerű módon kezelni a saját adataikat, ami számos kényelmetlenséggel jár.

Emellett természetesen szükség van hozzáállásbeli változásra is, azonban nem egyéneket vagy akár egyes munkahelyeket nézve, hanem a tudományszervezés szintjén. Ennek lényege az volna, hogy valamilyen módon publikációkként ismerjék el, és értékeljék a kutatási adatok hozzáférhetővé tételét (Kratz–Strasser, 2014). Ez a motivációs bázis elengedhetetlen a nagy adatbázisok, repozitóriumok felépüléséhez. A tömeges adattárolásra alkalmas struktúrák elfogadtatásában fontos továbbá annak tudomásul vétele, hogy az ilyen rendszerek a megszokottnál nagyobb hibaaránnyal tudnak csak működni, ám ebbe bele kell törődni, ha az adatok hosszú távú megőrzése és elérhetővé tétele a cél.

Az is egyértelmű, hogy az egyes területek, intézmények különböző módokon és mértékben tudnak részt venni adatrepozitórium-építésben, illetve profitálni abból. A fejlesztéskor tehát különösen figyelembe kell venni az eltérő adottságokat és kompenzálni a hátrányokat. A lehetőségek egyenetlen megoszlása hosszú távon egy-egy tudományág háttérbe szorulását is eredményezheti, ami a teljes tudományos élet kárára válhat. Ahogyan az egyik interjúalanyunk baljós előérzete diktálja: „[A]z összes tudományterület szegregálódni fog olyanokra, akik nagyon jól elő tudnak állítani adatokat, mert nagyon-nagyon jó kísérleteik vannak, nagyon-nagyon jó számítógépeik vannak, és olyanokra, akik pedig csak a mások által előállított adatokból fognak tudni dolgozni.”

Mindenki számára nyilvánvaló, hogy az adat maga érték, és ezért is fontos a tulajdon- és értékesítési viszonyok, a hozzáférhetőség és a hivatkozás módjának szabályozottsága, valamint az adatgondozás humán kapacitásának biztosítása. Cikkünkben megmutattuk azt a kontextust, amelyben ez Magyarországon megvalósulhat, és rámutattunk arra, hogy a kutatásunk során kirajzolódó kutatói igények és felkészültségek ismerete hogyan használható fel egy korszerű kutatási adatrepozitórium megtervezése során.