UK Digital Curation Centre in Nederland: het stellen van de vragen is belangrijker dan een perfecte optelsom

Het Engelse Digital Curation Centre (DCC) ontwikkelt al een aantal jaren instrumenten om duurzame toegankelijkheid van onderzoeksdata te bevorderen. Bekende producten zijn het DCC Lifecycle Model en (in samenwerking met andere organisaties) DRAMBORA en DAF. Daar hebben de meesten van ons wel eens van gehoord, maar wie weet er nu echt het fijne van? Het was dus een uitstekend initiatief van het 3TU. Datacentrum om drie trainers van het DCC naar Nederland te halen. Eerst was er een mini-symposium met wetenschappers. Daar was ik niet bij, maar naar verluidt ging het daar 'meer om de wetenschap dan om datamanagement'. In deze tijdens een theepauze opgetekende observatie klinkt enige teleurstelling door, maar ik zou bijna zeggen: wat wil je? Voor ons mag datamanagement dan een doel zijn, voor de wetenschapper is het meestal maar een middel. En ook de organisatoren van 3TU (Alenka Prinčič en Ellen Verbakel) keken er wat filosofischer tegenaan: het is een begin van de dialoog.

Het tweede evenement was een eendaagse cursus 'Curation 101 lite' voor collega's van het 3TU.Datacentrum. Nu betekent '101' in het Angelsaksisch taalgebruik beginnersniveau, en de term 'lite' doet daar nog een schepje bovenop, maar wie naar Delft kwam voor een luchtige vrijdag kwam bedrogen uit. Het  tempo waarin de trainers de DCC Lifecycle, DRAMBORA en DAF de revue lieten passeren lag erg hoog. (Links vlnr Alenka Krinčič van TU Delft, Sara Higgins, Sara Jones, Joy Davidson en Ellen Verbakel van TU Delft). Dat is ook niet verwonderlijk als je bedenkt dat de cursus eigenlijk een driedaags evenement is. Gelukkig kregen we na afloop een dik 'course pack' mee (voor het bijeenrapen waarvan de trainers zowel hun thee- als lunchpauze offerden) waarin we het allemaal nog eens na kunnen lezen.

Wat zijn het voor modellen die het DCC heeft ontwikkeld? Eerst het Lifecycle model (zie ook de Nederlandse vertaling door Ingmar Koch). In feite is dat niet meer of minder dan een logische opdeling in stappen van alles wat er bij duurzame toegankelijkheid komt kijken. Waar moet je allemaal aan denken? Welke functies moet je benoemen en organiseren? Het is vooral gericht op wetenschappelijke onderzoeksgegevens, en idealiter maakt de producent van de gegevens, de onderzoeker, al gebruik van het model bij het opstellen van zijn datamanagementplan. Zoals gebruikelijk bij dit soort modellen is het een heel pak papier, maar ik moet zeggen: als je stap voor stap wordt meegenomen in de logica, dan gaat het wel meer leven. En zoals Joy zelf diverse keren benadrukte: het gaat niet om het precies invullen van alle oefeningen om 'juiste' uitkomsten te krijgen, maar om jezelf de discipline op te leggen om de juiste vragen te stellen -- voordat je ergens aan begint.

DRAMBORA en DAF zijn later (mede door DCC) ontwikkeld, toen in de praktijk bleek dat het Lifecycle Model geen antwoord gaf op alle vragen. DRAMBORA is een instrument dat alles wat je doet in het teken zet van risicomanagement. Wat mij betreft een hele zinvolle benadering. Hoeveel je investeert laat je afhangen van welke risico's voor jouw organisatie het meest bedreigend zijn. Als je hele dienstverlening in elkaar stort wanneer digitale collecties niet toegankelijk zijn, moet je daar snel mee aan de slag. Als niemand het eigenlijk zal merken wanneer een bepaalde collectie niet meer bereikbaar is, dan .... enfin, vul zelf maar in.

DAF (Data Asset Framework of Data Audit Framework, er is weer eens sprake van een naamsverandering) is een instrument dat je kunt inzetten wanneer je bij onderzoekers gaat inventariseren wat voor informatiestromen ze hebben en hoe het is gesteld met hun datamanagementpraktijken. Op basis daarvan kun je gerichte adviezen formuleren ter ondersteuning van het onderzoeksproces.

Aan het eind van de dag zijn er natuurlijk altijd vragen bij de praktische toepasbaarheid van dit soort instrumenten. Want als je het goed wilt doen, gaat er erg veel tijd in zitten, gaf ook Joy Davidson toe. Een collega van de TU Eindhoven vond het allemaal wel erg theoretisch. 'Wij doen gewoon,' zei hij.

Zelf vond ik de ontmoeting erg inspirerend met Mark van Koningsveld, van  http://www.openearth.eu. Wij van de archieven klagen vaak dat het moeilijk is om onderzoekers te verleiden tot het duurzaam opslaan van hun data. De mensen van Deltares ontwikkelden daar een heel praktische en laagdrempelige stimulans voor: zij ontwierpen een manier om allerhande data uit de waterbouwkunde te koppelen aan Google Earth en daarmee fantastische visualisaties te maken. De onderzoekers zijn zo blij met die visualisaties dat ze hun data ervoor beschikbaar willen stellen. Helaas wordt het initiatief bedreigd door geldgebrek. NWO, kunnen jullie daar niet wat aan doen?

Foto in het midden: de trainers offeren hun lunchpauze op om de deelnemers aan een course pack te kunnen helpen.

Hoe houden we onderzoeksdata toegankelijk?

Gisteren woonde ik een interessante expert meeting bij over bewaren en hergebruik van onderzoeksdata in de wetenschap. Georganiseerd door SURFfoundation, de grote 'facilitator' in het hoger onderwijs. Aan tafel zaten vooral de organisaties die enige verantwoordelijkheid hebben voor het bewaren van onderzoeksdata – voor de korte of de lange termijn: bibliotheken, datacentra, instituten die zelf data opslaan.

Op tafel lag een typische uitdaging uit het digitale tijdperk: hoe kunnen we ervoor zorgen dat (ruwe) onderzoeksdata – die vaak een enorme waarde vertegenwoordigen – net als publicaties beschikbaar worden gemaakt voor andere onderzoekers. Of, zoals ik iemand laatst hoorde zeggen: hoe kan een tweede onderzoeker zichzelf 6 maanden laboratoriumwerk besparen door twee uur achter de computer te kruipen. Dat is een nobel doel om na te streven, maar ook een gecompliceerd doel, want er is wel het een en ander voor nodig om die data ook daadwerkelijk herbruikbaar te maken: interoperabiliteit, standaarden, precieze informatie over de context waarin de data geproduceerd zijn (welke instrumenten, etc.). Daar gaat het nodige werk in zitten, werk waarvoor de producerende wetenschapper vaak noch de tijd, noch de belangstelling, noch de juiste vaardigheden heeft. Wie gaat dat werk dan wel doen, wie gaat het betalen, en wie gaat bepalen wat wel en wat niet bewaard moet worden?

Gisteren bleek dat al die vragen nog lang niet beantwoord zijn, maar toch zag ik de nodige ontwikkelingen ten opzichte van een aantal jaren geleden toen ik werkte bij UKB, het samenwerkingsverband van universiteitsbibliotheken. Toen kon je uit de mond van bibliothecarissen nog weleens optekenen dat die wetenschappers dan maar moesten leren om hun informatie te 'ontsluiten' zoals bibliotheken dat doen (metadata!). Nu sprak Marc vd Berg van de UvA van 'geruisloze' diensten: de bibliotheek of het datacentrum biedt data-'verzorgende' (in het Engels: data curation) diensten aan die het voor de wetenschapper mogelijk maken om vooral zijn eigen werk te doen en daarbij 'bijna' onmerkbaar data te genereren die door anderen hergebruikt kunnen worden.

Men was het er gisteren over eens dat dit het streven moet zijn. De volgende vraag is natuurlijk hoe we daar komen, en daar blijken nog wel wat hobbels op de weg te liggen:

• iedere discipline heeft weer zijn eigen manier van onderzoek doen, en zelfs binnen disciplines is ieder onderzoek ook weer nét dat beetje anders dan het vorige;
• om standaardisatie mag je daarom eigenlijk niet vragen; dat zou het eigenlijke wetenschappelijke proces te zeer belemmeren;
• het eigenaarschap van ruwe data, genalyseerde data en al die tussenvormen is juridisch nog lang niet altijd duidelijk;
• de hoeveelheden data zijn vaak enorm en dat zou ervoor kunnen pleiten om te selecteren wat je wel en niet gaat bewaren, maar wie gaat dat bepalen? Datacentra kunnen wel wat technische controles doen, maar ze kunnen niet op de stoel van de onderzoeker gaan zitten en inhoudelijke oordelen vellen. Bovendien: soms kan totaal vastgelopen onderzoek onschatbare informate opleveren voor toekomstige pogingen om het beter te doen;
• omdat het hier een nieuw soort problematiek betreft, is vooralsnog niet uitgekristalliseerd wie waarvoor verantwoordelijk is en wie wat moet gaan betalen.

De experts die gisteren om de tafel zaten concludeerden dat dat laatste punt de hoogste prioriteit heeft: pas als je de taken en rollen goed hebt verdeeld, kun je gewogen beslissingen nemen over al die andere punten. En laat dat nu net het onderwerp zijn waar de NCDD Verkenning naar kijkt. Ik geef toe, tijdens de bijeenkomst meldde ik dat iets te enthousiast, waarna enkele deelnemers met zo mogelijk nog meer enthousiasme zich oefenden in het achteroverleunen, hetgeen natuurlijk absoluut niet de bedoeling was, zoals ik mij haastte toe te voegen. De NCDD legt lijntjes en 'koepelt' waar nodig, maar kan en wil niet vervangen. Om even bij de taakverdeling te blijven: het viel mij op dat de aanwezige universiteitsbibliotheken (Utrecht, Amsterdam, Tilburg, Delft (d.w.z. als UB alleen), Rotterdam) niet de ambitie hebben om de langetermijnbewaring zelf te gaan verzorgen. Langetermijnbewaring, zo was de consensus, is een vak apart dat grote investeringen vraagt en dat kun je beter overlaten aan gespecialiseerde datacentra. Daarvan zullen er in Nederland maar een paar ontstaan, zo schatten de aanwezigen in, bij voorkeur gericht op specifieke disciplines met eigen standaarden. Veel zal ook internationaal belegd moeten worden, aangezien diverse wetenschappelijke disciplines al in zo'n context werken, met name rond grote onderzoeksfaciliteiten als de Large Hadron Collider, die 5000 onderzoekers over de hele wereld gaat 'voeden' met data. (Hetgeen het organisatorische en financiële plaatje wel compliceert, maar dat terzijde.) Van die gespecialiseerde datacentra hebben we er in Nederland al enkele:

• DANS, dat is opgericht door NWO en de KNAW om de onderzoeksdata uit de alfa- en gammawetenschappen duurzaam op te slaan en ter beschikking te stellen.
• het 3TU.Datacentrum (momenteel projectfase) wordt opgezet door de drie technische universiteiten (Delft, Eindhoven, Twente) om hetzelfde te doen voor de technische wetenschappen;
• daarnaast zijn enkele gespecialiseerde centra voor dataopslag, zoals bijvoorbeeld bij het IISG en Nederlands Instituut voor Ecologie (NIOO), waar men al wel datasets opslaat, maar waarvan het langetermijnperspectief nog in ontwikkeling is;
• en één deelnemer sloot niet uit dat op dit gebied ook nog een rol weggelegd kan zijn voor de Koninklijke Bibliotheek, die zich tot dusverre vooral richt op de langetermijnbewaring van publicaties.

Aan het eind van de bijeenkomst stelden de deelnemers een aantal prioriteiten voor nader gesprek/onderzoek vast. Ik noem hier de belangrijkste:

• verantwoordelijkheden, rollen, taken benoemen en coördinatie regelen;
• onderzoeken hoe al die verschillen tussen disciplines aangepakt moeten worden;
• kennisvergaring en uitwisseling;
• stimuleren dat onderzoekers actief gaan meedoen aan het deponeren van datasets, wellicht door een combinatie van regels vanuit financiers als NWO én geruisloze 'verleidings'-technieken vanuit de datacentra. Het zou zeker ook helpen als auteurs op de een of andere manier beloond zouden worden voor hun data-inspanningen;
• nadenken over wat we gaan bewaren en voor hoe lang (selectie).

SURFfoundation zal het debat over deze zaken blijven stimuleren. Een nieuwe bijeenkomst van deze groep is al gepland. Foto's: van boven naar beneden: John Ellis van CERN in een 'overzichtelijker' tijdperk; van internet geplukt; CERN's Large Hadron Collider; logo van het NIOO.

Data-diensten: generiek of specifiek?

Onlangs schreef Chris Rusbridge van het UK Digital Curation Centre een interessante blog over de diverse manieren waarop je infrastructuren - in dit geval voor de wetenschap - kunt insteken: lokaal, nationaal, internationaal, en, misschien nog belangrijker: generiek of discipline-specifiek.

Rusbridge reageerde op recente initiatieven om een nationale infrastructuur voor wetenschappelijke data te bouwen, het UKRDS initiatief. Hij constateert dat de eisen die je aan een infrastructuur voor wetenschappelijke informatie moet stellen eigenlijk haaks op elkaar staan:

- voor datacentra en digitale archieven geldt: hoe groter des te goedkoper, en hoe generieker hoe gemakkelijker ze op te hangen zijn aan bestaande structuren als universiteitsbibliotheken met hun langetermijnfinanciering.
- voor goede datacuratie geldt: hoe lokaler hoe effectiever, omdat iedere discipline weer zijn eigen eisen stelt aan hoe data georganiseerd moet worden. Die curatie zou je dus het liefst zo dicht mogelijk bij de wetenschapsuitoefening willen onderbrengen, in onderzoeksprojecten die vaak tijdelijk van aard zijn.

Hoe breng je die twee uitersten bij elkaar? Rusbridge suggereert een soort matrix met generieke archieven, waarbij de instroom van wetenschappers zelf komt (eigen verantwoordelijkheid!), die dan weer moeten voldoen aan curatienormen die nationaal bepaald worden door koepels, en door de financiers verplicht worden gesteld. En daar past hij bestaande instellingen als JISC en het Research Information Network dan weer in als adviseurs.

Rusbridge signaleert hier een belangrijk knelpunt: economie en wetenschap stellen verschillende eisen. Dat kan niet anders dan leiden tot een complexe infrastructuur, waarbij het heel belangrijk is om rollen en verantwoordelijkheden heel goed te benoemen. Complicatie daarbij is dat er maar weinig stakeholders zijn die het geheel overzien, dat blijkt ook uit de interviews in het kader van de Nationale Verkenning.

Wat Nederland betreft zie ik nog niet direct de impuls om een 'nationale' wetenschappelijke data-service te gaan bouwen; misschien zijn we daarin als klein land anders dan de UK. Maar de uiteenlopende eisen van economie en wetenschap gelden ook hier.