Research data management and FAIR compliance through popular research data repositories: an exploratory study
Notice bibliographique
Résumé
Purpose The present study examines the features and services of four research data repositories (RDRs): Dataverse, Dryad, Zenodo and Figshare. The study explores whether these RDRs adhere to the FAIR principles and suggests the features and services that need to be added to enhance their functionality. Design/methodology/approach An online survey was conducted to identify the features of four popular RDRs. The study evaluates the features of four popular RDRs using the specially designed checklist method based on FAIR principles. The checklist is based on 11 construct progressions used to evaluate the features and services of four popular RDRs. The final checklist contains 11 constructs with 199 check spots. Findings Figshare has attained the highest features for findability, accessibility, interoperability and reusability. It is identified that Figshare, with 116 (58.3%) scored the highest points and ranked no 1. It has also been found that Figshare recorded the highest features in 6 constructs out of the 11. Dataverse, with 90 (45.2%) features, ranked 2nd; Zenodo, with 86 (43.2%), ranked 3rd. The lowest features are found in Dryad, with 85 (42.7%). Furthermore, the study found that all four popular RDRs have poor features relating to “research data access metrics” features 23.3%, “output, data license and other advanced features” 22.6%. The very less features recorded in the category “services in RDRs” are 15.9%. Therefore, the features of these three constructs framed under FAIR need to be upgraded to improve the functionalities of the four popular RDRs. Practical implications The findings of the study are useful for researchers in choosing the appropriate RDR for accessing and sharing data and can be used by data scientists, librarians and policymakers in starting the research data management services in academic and research institutions. Furthermore, the study can also help impart research data literacy instructions to researchers and faculty members. Originality/value This study has prepared a special checklist based on FAIR principles to evaluate the features and services of RDRs. No prior study has been conducted to explore the features of popular RDRs and their compliance with FAIR principles based on the checklist method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,081 | 0,184 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».