La Gestión de Datos de Investigación para el Avance de la Ciencia

Intro

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

Introducción

@malfaro2

@macordob.bsky.social

malfaro2.github.io/

En esta charla vamos a …

  1. Comprender la importancia de la gestión de datos en la investigación científica
  2. Identificar y aplicar buenas prácticas en la gestión de datos de investigación
  3. Cómo podemos usar IA Generativa para apoyar la gestión de datos
  4. Discutir el rol de las bibliotecas en este proceso

Los Datos como Fundamento de la Ciencia

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

¿Por qué hablar de gestión de datos?

“La gestión de datos de investigación se refiere al conjunto de prácticas, políticas y procedimientos que aseguran que los datos científicos sean creados, documentados, almacenados, compartidos y preservados de manera efectiva a lo largo de todo su ciclo de vida.”

Los datos bien gestionados son esenciales para:

  • Garantizar la reproducibilidad de la investigación

  • Facilitar la colaboración científica

  • Maximizar el impacto y reutilización del trabajo investigativo

  • Cumplir con los requisitos de financiadores

El ciclo de vida de los datos

inv

La gestión de datos no es un momento único, sino un proceso continuo que acompaña toda la investigación.

Fuente: The Turing Way project.

Componentes esenciales de los datos de investigación

  • Datos originales: en su formato crudo, tal como fueron recolectados en laboratorio o en campo.

  • Datos procesados: en versión adecuada para el análisis. Archivos de formato abierto y bien documentados.

  • Metadatos: información que describe los datos - quién, qué, cuándo, dónde, cómo y por qué fueron creados.

  • Documentación: protocolos, libros de códigos, diccionarios de datos que explican cómo interpretar y usar los datos.

  • Código: scripts utilizados para limpiar, transformar y analizar los datos.

Datos y reproducibilidad

inv

Sin datos bien gestionados y accesibles, la reproducibilidad es imposible.

Fuente: The Turing Way project.

Principios FAIR

inv

Findable (Encontrables) - Accessible (Accesibles) -

Interoperable (Interoperables) - Reusable (Reutilizables)

Findable (Encontrables)

Los datos deben poder ser encontrados por humanos y computadoras:

  • Asignar identificadores persistentes (DOI, Handle)
  • Registrar datos en catálogos o repositorios
  • Incluir metadatos ricos que describan los datos
  • Especificar el identificador en los metadatos

Ejemplo práctico: Depositar datos en repositorios como Zenodo, Figshare, o repositorios disciplinarios que asignan DOIs.

Accessible (Accesibles)

Los datos y metadatos deben ser recuperables:

  • Usar protocolos estándar y abiertos para acceso
  • Los metadatos deben permanecer disponibles incluso si los datos ya no lo están
  • Especificar claramente condiciones de acceso

Ejemplo práctico: Publicar datos bajo licencias claras (CC-BY, CC0) en plataformas de acceso abierto a largo plazo, utilizando formatos y herramientas de código abierto.

Interoperable (Interoperables)

Los datos deben poder integrarse con otros datos y aplicaciones:

  • Usar formatos de archivo estándar y abiertos
  • Emplear vocabularios controlados y ontologías
  • Incluir referencias a otros datos relevantes

Ejemplo práctico: Usar CSV, JSON o XML en lugar de formatos propietarios; adoptar estándares disciplinarios.

Reusable (Reutilizables)

Los datos deben estar suficientemente documentados para su reutilización:

  • Proveer descripciones detalladas de cómo fueron generados
  • Incluir licencias de uso claras
  • Seguir estándares comunitarios de la disciplina
  • Especificar la procedencia de los datos

Ejemplo práctico: Crear archivos README completos, diccionarios de datos, y documentar todos los pasos de procesamiento con código.

Independientemente de mi disciplina, ¿por qué me debería importar la gestión de datos?

Situaciones comunes en la investigación

Hola Marcela, Muchas gracias por el reporte, las 40 páginas de resultados están muy interesantes. Hay un pequeño detalle: hablé con el asistente y me dijo que había un error en la lectura del espectrofotómetro. Los registros del 86900 al 95000 no deben tomarse en cuenta para el análisis. ¿Podés rehacer el reporte con esa corrección?

Sin buena gestión de datos: Horas o días buscando cuáles datos usar, recreando el análisis.

Con buena gestión de datos: Minutos para identificar la versión correcta de los datos y regenerar el reporte automáticamente.

Situaciones comunes en la investigación

Estimada autora, Le adjuntamos las correcciones de su artículo. Le rogamos conteste los comentarios de las personas revisoras en un documento a parte y entregue la versión corregida del artículo especificando exactamente qué cambió y dónde.

Comentario del revisor: “Los datos no están disponibles públicamente. No puedo verificar los resultados.”

Sin buena gestión de datos: Artículo rechazado o proceso de revisión prolongado.

Con buena gestión de datos: Los datos ya están depositados en un repositorio con DOI, citados en el artículo.

Situaciones comunes en la investigación

Estimado investigador, Han pasado 3 años desde que publicó su artículo sobre X. Estamos interesados en usar sus datos para un meta-análisis. ¿Podría compartir los datos originales?

Sin buena gestión de datos: Los datos están en un disco duro antiguo, sin documentación, o simplemente ya no existen.

Con buena gestión de datos: Los datos están preservados en un repositorio institucional, con documentación completa, listos para reutilizar.

En resumen:

  1. Los datos mal gestionados se pierden, se vuelven incomprensibles, o inutilizables con el tiempo.

  2. Una buena gestión de datos ahorra tiempo en el presente y asegura que el trabajo tenga valor en el futuro.

  3. La transparencia en la gestión de datos fortalece la credibilidad de la investigación y facilita la colaboración.

  4. Cada vez más financiadores y revistas requieren planes de gestión de datos y disponibilidad de datos.

Buenas Prácticas en Gestión de Datos

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

Organización y nomenclatura

Estructura de directorios clara y consistente:

proyecto-X/
├── datos/
│   ├── originales/      # Solo lectura
│   ├── procesados/
│   └── finales/
├── codigo/
├── documentacion/
├── resultados/
└── README.md

Nomenclatura de archivos descriptiva:

  • 2024-10-18_experimento_muestra01_raw.csv ✓

  • datos_final_final_v3.csv ✗

Documentación de datos

Archivo README esencial debe incluir:

  • Descripción general del proyecto y objetivos
  • Descripción de cada archivo de datos
  • Explicación de variables y sus unidades
  • Información sobre métodos de recolección
  • Información de contacto del creador de datos
  • Licencia y condiciones de uso
  • Fecha de creación y actualizaciones

Metadatos: Información estructurada sobre los datos que permite su descubrimiento, acceso e interpretación.

Formatos de archivo y estándares

Preferir formatos abiertos y no propietarios:

  • CSV, TSV en lugar de archivos Excel propietarios
  • TXT, Markdown en lugar de Word
  • JSON, XML para datos estructurados
  • PNG, SVG en lugar de formatos de imagen propietarios

¿Cuál es el problema con formatos propietarios?

  • Dependencia de software específico
  • Obsolescencia tecnológica
  • Dificultad para automatizar procesos
  • Barreras para la reproducibilidad

¿Cuál es el problema con Excel?

inv
  • Conversión automática de datos (genes → fechas)
  • Formato no transparente
  • Difícil de versionar
  • Cambios difíciles de rastrear
  • No reproducible

Fuente: Scary Excel Stories. https://github.com/jennybc/scary-excel-stories

Control de versiones para datos

Fuente: Piled Higher and Deeper by Jorge Cham. http://phdcomics.com/comics/archive.php?comicid=1531

Control de versiones para datos

Para código y documentación: Git (GitHub, GitLab, Bitbucket)

Para datos pequeños (<100 MB): También Git

Para datos grandes:

  • Git LFS (Large File Storage)

  • DVC (Data Version Control)

  • Repositorios de datos especializados

Beneficios:

  • Historial completo de cambios

  • Posibilidad de revertir a versiones anteriores

  • Colaboración sin conflictos

  • Transparencia total del proceso

Almacenamiento y preservación

Durante la investigación activa:

  • Copias de seguridad regulares (regla 3-2-1)

  • Almacenamiento institucional seguro

  • Sincronización entre dispositivos

Para preservación a largo plazo:

  • Repositorios institucionales

  • Repositorios disciplinarios (GenBank, PDB)

  • Repositorios generales (Zenodo, Figshare, Dryad)

  • Asignar identificadores persistentes (DOI)

Tiempo de preservación: Mínimo 10 años después de la publicación (políticas varían).

Compartir datos de manera responsable

Cuándo compartir:

  • Al momento de publicación (cada vez más requerido)

  • Cuando el proyecto concluye

  • Cuando los datos pueden beneficiar a otros

Cómo compartir:

  • Elegir repositorio apropiado

  • Asignar licencia clara (CC0, CC-BY)

  • Incluir documentación completa

  • Citar el dataset en las publicaciones

Compartir datos de manera responsable

Consideraciones éticas:

  • Datos sensibles o personales requieren protección

  • Obtener consentimientos apropiados

  • Anonimizar cuando sea necesario

Planes de Gestión de Datos (DMP)

Un DMP es un documento que describe:

  • Qué datos se generarán o reutilizarán
  • Cómo se organizarán y documentarán
  • Dónde y cómo se almacenarán y preservarán
  • Cómo y cuándo se compartirán
  • Quién es responsable de la gestión
  • Costos asociados

Herramientas para crear DMPs:

  • DMPTool (https://dmptool.org/)

  • DMPonline (https://dmponline.dcc.ac.uk/)

Muchos financiadores ahora requieren DMPs en las propuestas.

Consejos prácticos importantes

  • Siempre guardar los datos originales por separado y con permisos de solo lectura.

  • Si los datos son de alguien más, incluir la referencia completa con versión y fecha de descarga.

  • Evitar editar datos “a mano” en software de point-and-click.

  • Documentar todos los pasos de procesamiento con scripts.

  • No usar “final” en nombres de archivos.

  • Guardar la semilla (seed) antes de usar procedimientos aleatorios.

  • Incluir información de sesión (versiones de software usado).

Fuente: Initial Steps toward Reproducible Research. https://kbroman.org/steps2rr/

Gestión de Datos e IA Generativa

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

IA Generativa y Gestión de Datos

La inteligencia artificial generativa está transformando también la gestión de datos de investigación.

Nuevas oportunidades:

  • Automatización de documentación de datos
  • Generación de metadatos
  • Limpieza y validación de datos
  • Asistencia en la creación de planes de gestión de datos

Nuevos desafíos:

  • ¿Cómo documentamos datos generados o procesados con IA?
  • ¿Cómo garantizamos la calidad de los datos cuando usamos IA?
  • ¿Cómo revisamos el output de IA generativa?

Usos de GenAI para mejorar la gestión de datos

1. Generación de metadatos y documentación

  • Crear descripciones de variables automáticamente
  • Generar archivos README estructurados
  • Sugerir palabras clave para mejorar la encontrabilidad

2. Limpieza y validación de datos

  • Identificar inconsistencias y valores atípicos
  • Sugerir correcciones de formato
  • Automatizar procesos de control de calidad
  • Detectar errores comunes en datos

Usos de GenAI para mejorar la gestión de datos

3. Creación de Planes de Gestión de Datos

  • Asistencia en la redacción de DMPs
  • Sugerencias de repositorios apropiados
  • Identificación de estándares disciplinarios relevantes

4. Transformación y estandarización

  • Conversión entre formatos de datos
  • Armonización de datos de múltiples fuentes
  • Mapeo a vocabularios controlados y ontologías

Desafíos de GenAI en la gestión de datos

1. Transparencia en el procesamiento

  • ¿Cómo documentamos transformaciones hechas por IA?
  • Necesidad de trazabilidad completa
  • Riesgo de “cajas negras” en el procesamiento

2. Validación de calidad

  • La IA puede introducir errores sutiles
  • Necesidad de verificación humana
  • Importancia de mantener datos originales intactos

Desafíos de GenAI en la gestión de datos

3. Privacidad y confidencialidad

  • Cuidado al usar servicios de IA con datos sensibles
  • No subir datos confidenciales a servicios externos
  • Preferir herramientas que se ejecuten localmente

4. Dependencia y sostenibilidad

  • ¿Qué pasa si la herramienta de IA desaparece?
  • Importancia de métodos alternativos documentados
  • Preservación de procesos reproducibles

Buenas prácticas: IA en la gestión de datos

  1. Documentar todo uso de IA:
    • Qué herramienta se usó (nombre, versión, fecha)
    • Para qué tarea específica
    • Qué decisiones tomó la IA vs. el investigador
  2. Nunca reemplazar el juicio experto:
    • IA como asistente, no como reemplazo
    • Validar siempre las sugerencias de IA
    • Mantener control humano sobre decisiones críticas
  3. Preservar la procedencia:
    • Guardar datos originales sin modificar
    • Documentar cada transformación
    • Mantener trazabilidad completa

Buenas prácticas: IA en la gestión de datos

  1. Usar IA para fortalecer los principios FAIR:
    • Mejorar metadatos → más Findable
    • Estandarizar formatos → más Interoperable
    • Enriquecer documentación → más Reusable
  2. Proteger la confidencialidad:
    • No usar servicios externos con datos sensibles
    • Anonimizar datos antes de procesarlos con IA
    • Revisar políticas de privacidad de herramientas

Actividad Práctica

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

Una tarea para Uds:

Individualmente, revisemos este artículo: https://www.redalyc.org/journal/339/33969826002/html/

Desde la perspectiva de gestión de datos, pregúntese:

  1. ¿Puede encontrar el archivo de datos brutos que se usaron para producir este artículo? ¿Dónde están?

  2. Si los datos estuvieran disponibles, ¿cumplen con los principios FAIR? (Findable, Accessible, Interoperable, Reusable)

  3. ¿Qué información sobre los datos incluye el artículo? ¿Es suficiente para entender cómo fueron recolectados y procesados?

  4. Haga una lista de lo que necesitaría para poder reutilizar estos datos en su propia investigación.

En 5 minutos compartiremos las experiencias con todo el grupo.

Recursos y materiales de apoyo

Guías y capacitación:

CODATA-RDA Schools - Escuelas de ciencia de datos

Turing Way - Guía colaborativa

The Carpentries - Talleres de habilidades de datos

Herramientas:

DMPTool - Creación de planes de gestión de datos

re3data.org - Registro global de repositorios de datos

Reflexiones de Cierre

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

Datos abiertos y ciencia reproducible

inv

Los datos abiertos son un componente fundamental de la ciencia reproducible.

Fuente: The Turing Way project & Scriberia. http://doi.org/10.5281/zenodo.3332807

El espectro de apertura de datos

No todos los datos pueden ser completamente abiertos, pero toda investigación puede mejorar su gestión de datos.

Fuente: Open Science in Archeology https://osf.io/3d6xx/

Reflexiones

  • La gestión de datos no es un fin en sí mismo, sino un medio para garantizar la calidad y el impacto duradero de la investigación.

  • Los datos bien gestionados son la base de la ciencia reproducible y la colaboración efectiva.

  • La gestión de datos debe verse como un proceso continuo que acompaña todo el ciclo de investigación, no como una tarea al final.

  • La colaboración entre investigadores, bibliotecas y servicios de apoyo es fundamental para implementar buenas prácticas de gestión de datos.

  • Las herramientas de IA pueden ayudar, pero no reemplazan la necesidad de planificación, documentación y transparencia en la gestión de datos.

¡Muchas gracias!

Por favor no duden en contactarme si tienen alguna duda:

@malfaro2

@macordob.bsky.social

malfaro2.github.io/

Referencias

  1. Intro

  2. Los Datos como Fundamento de la Ciencia

  3. Buenas Prácticas en Gestión de Datos

  4. Gestión de Datos e IA Generativa

  5. Actividad Práctica

  6. Reflexiones de Cierre

  7. Referencias

Referencias útiles sobre gestión de datos

  1. Wilkinson, M., Dumontier, M., Aalbersberg, I. et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3, 160018. https://doi.org/10.1038/sdata.2016.18

  2. Borgman, C. L. (2015). Big Data, Little Data, No Data: Scholarship in the Networked World. MIT Press.

  3. Briney, K. (2015). Data Management for Researchers: Organize, maintain and share your data for research success. Pelagic Publishing.

  4. National Academies of Sciences, Engineering, and Medicine. 2019. Reproducibility and Replicability in Science. Washington, DC: The National Academies Press. https://doi.org/10.17226/25303

  5. The Turing Way Community. (2022). The Turing Way: A handbook for reproducible, ethical and collaborative research. https://doi.org/10.5281/zenodo.3233853

Referencias útiles sobre gestión de datos

  1. FOSTER Open Science. Open Science Training Handbook. https://book.fosteropenscience.eu/

  2. Research Data Alliance (RDA). https://www.rd-alliance.org/

  3. DataCite. Best Practices for Data Citation. https://datacite.org/

  4. Digital Curation Centre (DCC). How to Develop a Data Management and Sharing Plan. https://www.dcc.ac.uk/

  5. GO FAIR Initiative. FAIR Principles. https://www.go-fair.org/fair-principles/

  6. Retraction Watch: https://retractionwatch.com/

  7. Initial Steps toward Reproducible Research: https://kbroman.org/steps2rr/