Onderzoeksdata (3): het Europese landschap

Aan het eind van de Alliance (kort: APA, Alliance for Permanent Access)-conferentie (zie ook vorige blogs) is het tijd om de balans op te maken. Wat zijn we opgeschoten ten opzichte van vorig jaar, en wat zijn de vooruitzichten?

 

Nieuwe Europese projecten: APARSEN EN ODE

Onder de APA-paraplu zijn twee nieuwe Europese projecten gelanceerd (de website voor beiden is gloednieuw, en dus nog niet helemaal gevuld, maar daar wordt aan gewerkt). Eerst APARSEN (Alliance for Permanent Access to the Records of Science Excellence Network). In dat project werken maar liefst 30 (!) partners samen om een virtueel kennisnetwerk te vormen rond duurzame toegang tot wetenschappelijke bronnen (publicaties, data). Als we de enthousiaste projectleider David Giaretta mogen geloven, gaat dit project alles aan elkaar knopen wat eerder aan onderzoek is gedaan naar duurzame toegankelijkheid (CASPAR, Planets, SHAMAN, etc.) en het vervolgens toepasbaar maken in alle grote e-infrastructuren in Europa. Er zitten grote partners in, dat is zeker. En zelfs het NCDD-bureau gaat een bescheiden bijdrage leveren aan het ‘outreach’-programma. Zoals gisteren al geblogd zal de veelheid aan nationaliteiten en culturen ongetwijfeld ook tot een Toren van Babel leiden, maar gelukkig is een projectleider van de Europese Commissie ervan overtuigd dat het hier een necessary chaos betreft. Ikzelf zoek nog een beetje naar de focus in al die ambities …
ODE (Opportunities for Data Exchange), geleid door Salvatore Mele van CERN, is een ‘compact’ project dat ‘will gather evidence to support the right investment in a data sharing, re-use and preservation layer in the emerging e-Infrastructure’. Ergo: ervoor zorgen dat op de grote onderzoeksinfrastructuren die in Europa ontstaan ook daadwerkelijk een laag wordt gebouwd die ervoor zorgt dat onderzoeksdata duurzaam bewaard, hergebruikt en gedeeld kunnen worden. Want dat is momenteel nog lang niet overal het geval. Volgens Mele is de eerste taak van ODE: ‘collect success stories, near misses and honourable failures in data sharing, re-use and preservation’. Die ga ik in de gaten houden!

Overigens werd tijdens de bijeenkomst duidelijk dat hier inderdaad nog een wereld te winnen valt. Eefke Smit, van STM Publishers, liet resultaten uit het PARSE-Insight project zien, waaruit bleek dat de meeste uitgevers inmiddels wel maatregelen hebben genomen om de duurzame toegankelijkheid van hun publicaties veilig te stellen (vaak via bibliotheken, zoals bijvoorbeeld de Nederlandse KB), maar dat ze met data nog niets doen en dat ook niet van plan zijn. Dus blijft de vraag wie daarvoor verantwoordelijkheid neemt én wie ervoor gaat zorgen dat publicaties en onderliggende onderzoeksdata gekoppeld blijven.

 

De Alliance for Permanent Access zelf

De Alliance for Permanent Access (APA) zelf heeft een poosje, wat zal ik zeggen, een beetje gesukkeld. Dat gebeurt soms als de motor achter een organisatie (de executive director) niet de juiste man op de juiste plaats blijkt te zijn. Daarom was het mooi om te constateren dat de nieuwe Executive Director, David Giaretta, voortvarend van start is gegaan. APA leeft weer, en zit vol ambities en plannen. Op een iets andere manier dan bij de oprichting voorzien, namelijk nu ook als thuis voor projecten als ODE en APARSEN. Naast de taak als lobby en aanspreekpunt voor de Europese Commissie en haar kaderprogramma’s op het gebied van digitale informatie en e-infrastructuren. De Executive Board van APA wordt versterkt met Peter Doorn van DANS, die namens de NCDD zal optreden.
Europa kan ook wel wat hulp gebruiken, want onlangs de indrukwekkende lijst acroniemen die de revue passeerden, en waarachter belangrijke wetenschappelijke projecten en infrastructuren schuilgaan, noemde Salvatore Mele de bijdrage van de Europa aan een omgeving waar onvoorstelbare hoeveelheden data worden geproduceerd, nog maar een ‘drop in the ocean’. Hij vroeg EC-vertegenwoordiger Liina-Maria Munari of de Commissie niet iets kan doen om een sneeuwbaleffect te veroorzaken. Munari antwoordde politiek correct dat ze zich bewust was van de ‘drop in the ocean’, maar dat ze hoopte dat de technische voorzieningen volwassen zouden worden en genoeg plaats zouden bieden voor al die data. En dat de wetenschappers goed data-management zouden integreren in hun werk.

 

Groen databeheer

Het Finse CSC (IT Center for Science) dat gastheer was voor de conferentie is het grootste wetenschappelijke datacentrum in Finland. Om ervoor te zorgen dat het databeheer CO2-neutraal wordt, bouwt CSC in Kajaani, in noord-Finland, een nieuw datacentrum in een oude papierfabriek. De koeling wordt verzorgd door het koude Finse klimaat en voor de rest van de energiebehoefte zorgen drie (bestaande) waterkrachtcentrales. Een mooi initiatief, dat ik om de een of andere reden niet helemaal kan rijmen met het feit dat de thermostaat in mijn hotelkamer continu op 23 graden stond, terwijl het buiten min 7 was. Maar misschien eis ik nu te veel.
Meer foto's op picasa.


“Sustainability of earth science data preservation is not guaranteed in Europe” (Vincenzo Beruto, European Space Agency, ESA)

Onderzoeksdata (2): een ‘nieuwe renaissance’?

De Alliance conferentie werd vanochtend geopend door Sir John Wood, voorzitter van het hoogste wetenschappelijke adviesorgaan van de Europese Commissie (ERAB) en voorzitter van de commissie die Riding the Waves schreef (zie vorige blog). Alsof Wood die gelezen had [no such luck, Inge!], zei hij over de hoge ambities van Riding the Waves: ‘It is easy to write the words, isn’t it? Reality, how do we do it, is very different.’ Daarna volgde een lange lijst van projecten en digitale infrastructuren die al met Europees geld tot stand zijn gekomen, ik zal jullie de afkortingen hier besparen.

Maar hoe gaan we verder? Op Woods dia’s stonden keurig de aanbevelingen uit de diverse rapporten, maar in zijn toelichting liet hij doorschemeren dat hij het niet altijd eens is met hoe Europa investeert in de digitale agenda. Te veel kleine bedragen, waardoor de spoeling dun wordt. Risicovol onderzoek krijgt geen kans, terwijl daar juist echte kansen liggen. En mondiale zaken (hoe gaan we 9 miljard mensen van schoon water en eten voorzien?) worden te provinciaal aangepakt. Om een voorbeeld te noemen: voor EU-subsidies komen geen projecten in aanmerking waar partners van buiten de EU aan meedoen. Woods heeft de Commissie ooit aanbevolen om de projectgelden aan de lidstaten te geven onder voorwaarde dat ze met minimaal twee andere landen zouden samenwerken – de suggestie werd hem niet in dank afgenomen.

In opbouwende zin beval Woods aan om vooral holistisch te denken, over de grenzen van al die kleine disciplines heen. Hij noemde  het een nieuwe ‘renaissance’. Ook pleitte hij voor veel meer aandacht voor training. ‘We hebben momenteel domweg nauwelijks mensen die de enorme data-infrastructuren kunnen managen die we nu nodig hebben.’

Later op de dag ontstond nog een mooie discussie met Wouter Schallier, de Executive Director van LIBER, de Europese organisatie van wetenschappelijke bibliotheken. LIBER ziet een nieuwe rol weggelegd voor bibliothecarissen in het managen van de data in onderzoeksprojecten en de wetenschappers die daarbij betrokken zijn. Met respect voor het beroep van bibliothecaris betwijfelde Woods of dat een goede insteek was. Liever ziet hij in de wetenschap een ‘data scientist’ ontstaan die de data managet en ze dan kant en klaar aflevert bij de digitale repositories.

In de middag bleek trouwens dat rapporten als Riding the Wave, weinig concreet als ze soms zijn, wel degelijk gelezen worden in Brussel/Luxemburg en bijdragen aan visievorming door de Commissie. Twee sprekers namens de commissie lieten blijken dat ze het rapport goed gelezen hadden. Liina-Maria Munari (foto links) was goed te spreken over het nieuwe APARSEN project dat onder regie van de Alliance for Permanent Access wordt uitgevoerd en waaraan o.a. de KB meedoet. Dit moet leiden tot een Europees Centre of Excellence op het gebied van digitale duurzaamheid. Ze gaf toe dat het werken met vele talen en culturen (er zijn 30 partners!) hier een daar tot chaos leidt. ‘But that is chaos that must happen’ in een tijd van ‘grand, global challenges’. Dus toch een nieuwe renaissance?

Onderzoeksdata in Europees spotlight (1)

Na de archieven en de media (vorige blogs), zijn de komende dagen wat mij betreft gewijd aan wetenschappelijke zaken. Ik zit in (koud, donker en besneeuwd) Helsinki, waar de jaarlijkse conferentie van de European Alliance for Permanent Access to the Records of Science (APA) wordt gehouden – een organisatie die in Europees verband grip probeert te krijgen op al die datastromen en hun duurzame toegankelijkheid (foto rechts het Dipoli conferentiecentrum). Eerdere conferenties (2008, 2009) lieten zien dat er nog veel schort aan de duurzaamheid. Bij grootschalige onderzoeksfaciliteiten waar petabytes aan data worden geproduceerd, worden die vaak na een maand of zes gewoon gewist vanwege gebrek aan opslagcapaciteit. Nu zal ik de laatste zijn om te beweren dat we alles moeten bewaren, maar een beetje gericht beleid ten aanzien van wat we weggooien en wat we bewaren, lijkt me toch wel nuttig.

Europees ‘High-Level Rapport’ over onderzoeksdata

Daarom is het mooi dat juist vorige maand het High-Level Rapport Riding the Wave: How Europe can Gain from the Rising Tide of Scientific Data verscheen dat op verzoek van EU-Commissaris Neelie Kroes werd geschreven door een commissie van wijzen uit de wetenschap zelf. Het is een wervend geschreven rapport, ik kan niet anders zeggen, en alle belangrijke kwesties worden er overzichtelijk in benoemd. Voor niet-ingewijden dus een must. En ook voor de politici die de geldkraan beheren, want er wordt onverholen een beroep gedaan op overheden om meer geld te investeren in infrastructuren voor digitale wetenschap, omdat Europa het anders qua innovatie gaat verliezen van andere werelddelen.
Er staat een mooie visie 2030 in, waarin iedereen natuurlijk zijn data deponeert, en iedereen daar ook weer naadloos en interoperabel van kan genieten. Ter meerdere eer en glorie van een florerende wetenschap. Maar ik vind dat het rapport een beetje mank gaat aan realisme en pragmatisme. Het is weer een hoop we should en we would en weinig ‘zo gaan we dat aanpakken.’ Dat vindt ook Neelie Kroes, al zegt ze het wat voorzichtiger in edata&research (die 3 december in de bus valt c.q. op de website bekeken kan worden; ik heb net de proef bekeken). Ze zegt opbouwend dat we vooral realistisch en pragmatisch te werk moeten gaan. Waarbij ze waarschijnlijk doelt op het prijskaartje.
Wat me wel opviel, is dat de wetenschappelijke schrijvers van het rapport het thema vertrouwen hoog op de agenda hebben staan. Als onderzoeker moet je ervan uit kunnen gaan dat er zorgvuldig met je data wordt omgesprongen. Alleen dan zullen meer wetenschappers bereid zijn hun data met anderen te delen.
Morgen, tijdens dag 1 van de Alliance conferentie, geeft John Wood, de voorzitter van de commissie die het rapport schreef, de keynote. Ik ben benieuwd.

‘Door data gedreven …

. . . of het verhaal van een ooievaar die de spoorwegen gebruikt om naar huis te komen; het verhaal van het parlementslid dat het vaakst het woord “ik” gebruikt; het verhaal van Mies Bouwman en “Open het dorp”; en de vele persoonlijke geheimen die liggen opgeslagen bij het CBS.’

Voor wie, zoals ik, werkt aan de voorwaardenscheppende kant van de digitale data (beleid, financiën, enzo) is het altijd stimulerend als je mag snuffelen aan wat er helemaal aan de andere kant van de pijplijn uit al die noeste arbeid komt – wat duurzaam beheer van digitale gegevens uiteindelijk oplevert. Wat we eraan hebben. Afgelopen donderdag 2 december was daar ruim de gelegenheid voor tijdens het symposium dat Data Archiving and Networked Services (DANS), het digitale archief voor de alfa- en gammawetenschappen, in De Glazen Zaal in Den Haag organiseerde – om te vieren dat het vijf jaar bestond, maar ook omdat de eerste dataverzamelingen die DANS beheert vijfenveertig jaar geleden werden aangelegd. Met trots meldde DANS-directeur Peter Doorn (foto links) aan het begin van het symposium dat de allereerste dataset in DANS EASY, P0001, een analyse van de TV/radio marathon van Mies Bouwman rond ‘Open het dorp’, nog steeds toegankelijk is en ook nog gebruikt wordt. Daarna liet Doorn vooral het woord aan de gebruikers van de data.

Ewoud Sanders: super user

Journalist en taalhistoricus Ewoud Sanders mag met recht een super user worden genoemd. Hij liet zien hoe je uit een veelheid aan bronnen op internet je eigen digitale bibliotheek kunt bouwen. De zijne bevat inmiddels 4,5 miljoen pagina’s. Zijn motivatie? ‘De psychologie van het zoeken’ – oftewel: als je alleen maar analoge bronnen gebruikt heb je de neiging om steeds weer naar dezelfde bronnen te grijpen. Sanders noemde het auteursrecht als zijn belangrijkste hinderpaal, maar veel leek hij zich er niet van aan te trekken. Ik vond het indrukwekkend, maar enkele onderzoekers onder het publiek vonden het allemaal toch niet systematisch genoeg om wetenschappelijk verantwoord te zijn. Ik moest denken aan afgelopen maandag bij de Museumvereniging: ook hier dus nog steeds spanning tussen de web 2.0-generatie en de traditie.

Over hoe de ooievaar energiezuinig naar huis vliegt

Willem Bouten van de Universiteit van Amsterdam liet het publiek weten dat er vrijwel iedere dag op Schiphol wel een ongeluk plaatsvindt tussen vliegtuigen en vogels. Misschien hadden we dat liever niet geweten. Maar Bouten doet er ook wat aan. Door gegevens over vogelmigraties uit allerlei verschillende bronnen samen te voegen in virtuele laboratoria heeft zijn onderzoeksgroep bijgedragen aan een ‘Bird Avoidance Model’ dat de Luchtmacht in staat stelt om trainingsschema’s aan te passen aan de vogeltrek en daarmee ongelukken te voorkomen. Dat is mooi en zelfs praktisch nut. En ja, als zo’n ooievaar eenmaal een GPS-zendertje om heeft, dan kom je er ook achter dat hij bij voorkeur over de spoorrails terugvliegt naar zijn nest, omdat de zwarte stenen onder de spoorstaven voor een flinke portie thermiek zorgen. En dat scheelt weer vleugelbewegingen.

Van oude bomen en data die niet voorbij mogen gaan

Ik had er nog nooit van gehoord, van de ‘dendrochronologie’, de boomtijdkunde, maar sinds de toespraak van Esther Jansma van de Rijksdienst voor Cultureel Erfgoed (RCE) ben ik toch anders aan gaan kijken naar wat je allemaal aan informatie kunt halen uit oud hout: waar het vandaan kwam, hoe oud het is, waarvoor het gebruikt is, en ga zo maar door. Een probleem is wel dat er nauwelijks geld was voor het opslaan van de culturele data die je uit bomen kunt halen. Maar met de Digital Collaboratory for Cultural Dendrochronology in The Low Countries’ (DCCD) en het TRiDas dataformaat lijkt verbetering op dit front nog slechts een kwestie van tijd.

Privacyzorgen, ons slavernij-imago aan diggelen en een interpellatiegraaf

Johan van Rooijen van het CBS moest heel erg zijn best doen om zijn publiek ervan te overtuigen dat die enorme hoeveelheden privacygevoelige gegevens die het CBS verzamelt ook veilig worden opgeborgen en alleen anoniem gebruikt mogen worden. Het leek er even op dat de bezoekers van het symposium zich meer zorgen maakten om hun privacy dan dat ze de onderzoeksmogelijkheden zagen van al die bewaarde data. Henk den Heijer maakte korte metten met ons imago als belangrijke slaventransporteur in de zeventiende eeuw door aan de hand van data te bewijzen dat wij ‘slechts’ 5% van de handel in handen hadden. Wetenschappelijk onderzoek kan dus ook weleens meevallen, hoewel …

Maarten Marx van PoliticalMashup analyseert enorme hoeveelheden tekst, zoals de Handelingen der Staten Generaal die momenteel gedigitaliseerd worden. Door 'woordjes te tellen' kwam hij erachter dat het Rita Verdonk is die het woord ‘ik’ het meest in de mond neemt. Marx zet de interactie uit die handelingen bijvoorbeeld om in een interpellatiegraaf, een analyse van de interactie tussen parlementsleden. Cabaretier Joop Vos (foto links onder), die het symposium vanuit een hoek zorgvuldig volgde en tijdens zijn intermezzo’s op de korrel nam, liet zich hierdoor inspireren en maakte zijn eigen analyse van de interactie tijdens het symposium (foto linksboven).

‘Data wants to be free’

De slotakte werd verzorgd door Frank van Harmelen – een meer bevlogen ontnuchtering kan ik me nauwelijks voorstellen. Waar we tijdens de vorige lezingen nog het gevoel hadden gekregen dat iedereen die data zoekt die ook kan vinden (ook al kost het soms wat moeite), maakte Frank van Harmelen snel een einde aan die illusie: Er is van alles, maar het is niet geïntegreerd en dus kan de wetenschap er niet bij. De oplossing? Web 3.0, het semantisch web. Waar web 1.0 een kwestie was van ‘plaatjes en praatjes’, web 2.0 dat van het niet alleen lezen maar ook schrijven, moet web 3.0 dat van de data worden, niet van links tussen webpagina’s, maar van links naar de originele data, leesbaar door computers, en daardoor nuttig voor mensen. De wonderolie is de standaardsyntax RDF die ‘dingen’ beschrijft en de ‘relaties tussen dingen’. Voorwaarde voor web 3.0 als ‘wetenschapsversneller’  is wel dat zoveel mogelijk data vrij op het web beschikbaar komt. Of, zoals van Harmelen het zei: ‘Data wants to be free!’.

De toekomst van DANS

Er is dus nog genoeg werk te verzetten. Peter Doorn wil dat werk graag oppakken. Hij verwees naar het NCDD-rapport Toekomst voor ons digitaal geheugen en gaf aan dat in de strategie waar het NCDD-bestuur momenteel aan werkt de rol voor DANS, dat momenteel alleen werkt voor de alfa- en gammawetenschappen, weleens disciplineonafhankelijk zou kunnen worden. Daarover wordt momenteel overlegd, onder andere met het Ministerie van OCW.

SURF onderzoeksdata forum (3): praktische vragen

Bij het forum waren twee concrete vragen binnengekomen, die als case studies worden voorgelegd. Dit is misschien wel de mooiste manier van kennisdelen en hopelijk met concreet nut voor zowel de aanvrager als het forum.

Ira van den Broek van het Koninklijk Nederlands Instituut voor Zeeonderzoek (NIOZ) presenteert de case Data management voor het International Polar Year (IPY). Het IPY is een enorm netwerk van grote en kleine projecten, waarvan Nederland er enkele voor zijn rekening nam (zie NWO website). Alle datasets uit die onderzoeken moeten nu gevonden, opgeslagen, geregistreerd en (in open access) gepubliceerd worden. En wel zo snel mogelijk, want over vijf jaar zien die polen er totaal anders uit en heb je er weinig meer aan.

Al die projecten hebben IT-toepassingen gebouwd, er is een oerwoud aan portals ontstaan, en men wil graag interoperabiliteit, maar ieder heeft weer 'zijn eigen standaard'. Wat moet Ira gaan doen: een data service ontwikkelen die via internet te benaderen is en die aan een aantal eisen voldoet (interface met GCMD portal, data opslag op 1 plaats, maar zo vindbaar mogelijk; footprint; data downloadbaar in ASCII, NetCDF, Excel; mogelijkheid tot downloaden; metadata harvesten via OAI-PMH; en er moet een diversiteit aan data inpassen). Moet Ira een nieuwe portal gaan bouwen?

Rob Grim van de Universiteit van Tilburg definieert data management als alles wat te maken heeft met opslag, archivering, doorzoekbaar en vindbaar maken van gegevens, het bieden van toegang tot gegevens en kennis over hoe wetenschappelijke gegevens aan de onderzoeker moeten worden aangeboden. Rob is data librarian en wil onderzoekers ondersteunen. Maar hij wordt nog weleens gehinderd door praktische zaken: bij de UvT heeft iedere onderzoeker bijvoorbeeld maar 250 MB (!) opslagruimte . . .

Rob signaleert dat we tot nu toe veel aandacht besteed hebben aan de infrastructuur, maar veel te weinig aan de services die daarop moeten draaien. Hij merkt op dat het belangrijk is om goed na te denken over de manier waarop we de data gaan presenteren om ze herbruikbaar te maken.

Hij presenteert de case van een denkbeeldige multidisciplinaire onderzoeksgroep die gegevens uit een bepaalde periode gezamenlijk wil gaan gebruiken en het resultaat wil publiceren. Hoe stel je een plan daarvoor op? Wat is je advies aan die onderzoeksgroep? Welke knelpunten signaleer je? Het forum heeft 40 minuten om deze vragen te beantwoorden ... Dat valt niet mee. Ook al omdat je in de praktijk natuurlijk naar maatwerk zoekt, doorvraagt wat de onderzoekers weten/kunnen/willen en daarop een datamanagementplan baseert. De adviezen van het forum komen dus vooral daarop neer: vraag door en door over zowel techniek als 'hergebruiksdoel' (is dat een Scrabblewoord?) als juridische zaken als, niet te vergeten, wat kost het en wie gaat er betalen? Ook belangrijk: goed afspreken wie precies waarvoor verantwoordelijk is.

Forumvoorzitter Wilma Mossink stelt tegen vijf uur de hamvraag: Heeft aanvrager Ira van den Broek iets aan de discussies gehad? In elk geval een bevestiging dat hij checklisten op wil gaan stellen om daarmee naar onderzoekers te gaan. En, benadrukt hij, we moeten ernaar streven als datacentra om ons werk helemaal aan het begin van het traject te starten, niet als een onderzoek eenmaal op gang is gekomen. Want dan heb je al veel kansen gemist.

SURF onderzoeksdata forum (1): juridische aspecten

Op 15 oktober kwam het onderzoeksdata forum bijeen dat is opgericht door SURF om kennis en expertise te delen tussen alle organisaties die betrokken zijn bij het produceren, beheren en beschikbaarstellen van onderzoeksdata. Enkele highlights:

Juridische status van onderzoeksdata. Allard Ringnalda van het Centrum Intellectueel Eigendomsrecht (CIER) gaf een inleiding over auteursrechtelijke aspecten van databeheer en  -gebruik, naar aanleiding van het verschijnen van het rapport De juridische status van onderzoeksdata.

Ruwe onderzoeksdata zitten vaak in een databank; volgens de wet is dat een verzameling zelfstandige elementen, die systematisch geordend zijn, en waarin een substantiële investering is gedaan. Het auteursrecht beschermt creativiteit; het databankenrecht beschermt de investering die een producent heeft gedaan om gegevens bij elkaar te brengen en te ordenen (de gegevens zelf zijn en blijven vrij). Vaak zijn de rechthebbenden financiers of universiteiten. Dat zijn dus de partijen die kunnen bepalen of de data in open access beschikbaar worden gesteld of niet. Soms is er sprake van gedeelde rechten. Dan wordt het echt ingewikkeld.  De twintig aanwezigen bestookten Allard met vele vragen; lees de brochure als je hiermee te maken krijgt.

Curating research (2): wie zorgt er het beste voor onderzoeksdata?

Tijdens de conferentie afgelopen vrijdag ontspon zich een aardige discussie over welk soort organisatie nu het beste in staat is om te zorgen voor de duurzame toegang tot digitale researchdata. Een aantal bibliotheken ziet daarin een nieuwe rol, getuige de lezing van Maria Heijne uit Delft over het 3TU.datacentrum in oprichting. Want juist bibliotheken hebben datamanagementkennis in huis.

Maar, zo bracht een wetenschapper van het Max Planck Instituut (Nijmegen) in, die redenering klopt niet, want de datamanagementsystemen van bibliotheken kun je niet zo maar kopiëren naar de wetenschap. Alleen wetenschappers zelf kunnen die datasystemen bedenken die bij hun discipline passen. Dat hebben ze dan ook gedaan in veel disciplines.

Maar daar ontbreekt het vaak weer aan de broodnodige continuïteit, ook qua financiering. Menige promovendus laat na zijn afstuderen zijn bestanden in voor anderen onbegrijpelijke toestand achter. Juist bibliotheken bieden weer een beter langetermijnperspectief (zo schreef ikzelf onlangs in LIBER Quarterly).

En data-archieven als DANS? Die kunnen goed werken voor statische bestanden, zo betoogde een onderzoeker, maar de wetenschap zelf is c.q. wordt steeds dynamischer. Voor dat soort bestanden heeft DANS nog geen oplossingen. We komen hier op het gecompliceerde terrein van het records continuüm - dataverzamelingen waarop gelijktijdig verschillende (juridische & organisatorische) regimes van toepassing zijn.

Duidelijk is wel dat bibliotheken of datacentra die onderzoeksdata duurzaam toegankelijk willen gaan maken zeer nauwe samenwerking moeten zoeken met de onderzoekers waarmee en waarvoor ze werken. Want de eisen kunnen per discipline, soms zelfs per onderzoeksteam verschillen - en het kan nooit de bedoeling zijn dat de eisen van duurzame data-opslag de creativiteit van het onderzoek zelf gaan belemmeren.

Curating research (1): wrap up / samenvatting

Hieronder de eerste impressies die ik tijdens de Curating Research conferentie van gisteren in Den Haag opdeed en als 'wrap-up' aan het slot presenteerde; voor één keer in het Engels. Zie ook de blog hiervoor.

First impressions as I presented them yesterday to the conference Curating Research (The Hague, 17 April 2009) during the final session.

A long, long time ago … that is: early this morning, the organisers started us out on a very ambitious agenda, I quote Hans Jansen (opening speaker, KB): ‘At the end of the day you will be able to assess the preconditions for implementing long-term preservation in your own organisation – both in terms of policy, technical infrastructure and organisational development.’

So, I ask you, audience: ARE YOU?

[as the room remains quite silent ...]

Perhaps a few highlights will help you answer that question.

Eileen Fenton (Portico, a US digital archive) painted a very clear general picture of the digital curation landscape: digital information is exploding; we need to manage that information to safekeep it for future generations. And preservation is only a means to the all important end of access.

How do we do it? Well, permanent access does not happen by accident. It takes work, work we still have many uncertainties about, as this is a new field. One thing Eileen told us right away: one size does not fit all, this game is complex.

Eileen had some notable advice for librarians: befriend selection, and get close to the creators of the content. They make critical decisions when it comes to keeping research information accessible in the long term.

Her last, and I think very important point: ‘do not go at this game alone’. Find yourself trusted partners to work with, nationally or internationally.

Jeffrey van der Hoeven and Tom Kuipers (KB) presented their PARSE.insight project which surveyed how the LIBER libraries deal with digital preservation. To my mind an important outcome of their survey was the low response rate: out of 400 institutions, only 59 completed the questionnaire. What does this say about the current position of research libraries? They are to some degree aware of the issues, but are hesitant to get involved. Perhaps because the issues are too daunting? Or because others should take on the task?

Dale Peters (Göttingen, DRIVER project) reviewed the many European research projects which are under way to tackle the more technical aspects of digital preservation. Although these do assure research libraries that many technical issues are being dealt with on an international scale, I must admit that the quantity and variety of acronyms in this field sometimes overwhelms me. Fortunately, all of them have websites to which you can refer for more detailed information. And if you cannot find your way, send an e-mail to Dale and she will no doubt help you along.

Dale stressed two important points:

a) that we need to do work on linking all the digital information that is out there to serve our clients. I am sure nobody in the room disagrees with that!

b) Also, Dale mentioned – almost in passing – that of course not every repository must by definition have long-term preservation facilities. She agreed with Eileen Fenton that trusted third-party services are not only an acceptable but often an essential part of the digital preservation equation.

Maria Heijne (TU Delft Library, 3TU Datacentre) agreed with Hans Jansen that securing long-term access to research data and publications is core business for libraries. In her view, libraries have no choice but to engage in data management. She rhetorically asked her audience: who else could do it? It is libraries that have the experience needed, they just need to give their services a digital twist.

This digital twist – as also stressed by Eileen Fenton – involves working very closely together with the research communities themselves. They all have very distinct workflows and metadata schemes which are also very different from libraries’ traditional schemes, so both sides must do a lot of adapting. Although it is early days yet, I think the 3TU.datacentre is really developing into a best practice of research libraries’ involvement with data curation. 3TU do exciting work in developing an entirely new relationship with the research community to create a win-win-situation for researchers and research libraries: better quality data during the research process, which then flows into the digital archive with very little additional effort. Be sure to have another look at her powerpoint presentation when we publish it on our website for more details. And perhaps we can write an article about it in LIBER Quarterly, Maria?

I was very sorry that I could not be in two places this afternoon. Of course I had fellow rapporteurs in the workshops I could not attend, but there was too little time to integrate their notes here. We will, of course, provide a full account in the next issue of LIBER Quarterly.

Here are my own notes from two of the four workshops (with apologies to the other workshop hosts who no doubt had much to say as well):

National and international roles

This session was led by Keith Jeffery (STFC, UK, and chairman of the Alliance for Permanent Access) and Peter Wittenburg (Max Planck Institute of Linguistics, Nijmegen). They focussed their attention on research itself; what elements of the research life cycle should in fact be preserved, and who is responsible for preserving them? This is a monumental question, especially as the researchers in our group kept stressing how complicated research data are. Only the publication is static, everything else is dynamic and thus difficult to preserve.

Some doubts were raised as to whether libraries are in fact best suited for the job of preserving the manifold elements of the research life cycle. Libraries’ work flows and metadata schemes, it was suggested, are perhaps too ‘library-centric’ to serve the research community properly.

So should perhaps the management of live data, including providing access, be separated from the archiving functions? And, more importantly, should communities themselves take care of curation rather than libraries? Krystyna Marek from the European Commission explained that the e-infrastructure vision of the EU is in fact focussing on the research communities themselves.

I should not forget to mention that Hans Geleijnse of LIBER suggested that we draw up 5 or 10 golden rules of digital curation, to help the community along. UNESCO drew up such guidelines in 1996, but they need modernising and updating. Half the attendees of this workshop volunteered on the spot to help bring this about, which I thought was very impressive.

Problems, preconditions and costs: opportunities and pitfalls

Neil Beagrie (Charles Beagrie Ltd.) took his cue from David Rosenthal, who recently held a controversial presentation at CNI, saying that our real problems now are not about media and hardware obsolescence, as predicted by Jeff Rothenburg in his famous 1995 article, but rather about scale and cost and intellectual property. ‘Bytes are vulnerable to money supply glitches,’ is a memorable quote, especially in these credit crunch times.

So, what does digital preservation cost? Marcel Ras shared his experiences with the KB e-Depot which now archives about 13 million journal articles, thereby providing a sound base for archiving the published output of research. Between now and 2012, however, the size of the e-Depot will grow expotentially, as the e-Depot will incorporate digitised masters and websites. Yet the cost is expected to remain more or less stable at 6 million euro’s a year, which includes 14 full-time staff.

What does this say about possible costs for research libraries? Neil Beagrie investigated the costs of preserving research data at higher education institutions in the UK; the report 'Keeping Research Data Safe' is on the JISC website. Notable findings are that preserving research data is much more expensive than preserving publications. Also, as predicted earlier this morning, timing is a crucial factor. Good care at creation saves a lot of money in the long run.

Another finding: scale matters. Start-up costs are high, but adding content to existing infrastructures is relatively cheap. The Archaeological Data Service estimates that overall costs tail off substantially anyway with time and scale. This is important for our thinking about funding models and up-front (endowment) payment.

Neil Beagrie concluded his presentation with the observation that when it comes to defining a policy for digital preservation, many higher education institutions still have a long way to go and the same seems to hold true for research libraries.

As a co-organiser of this workshop I would not dare presume that we have answered all your questions, but I do hope that this day has helped you a little further along this no doubt complicated, but also very exciting road.

(The powerpoint presentations will be published next week at http://www.kb.nl/curatingresearch; a full report will appear in the next issue of LIBER Quarterly at http://liber.library.uu.nl/, the current issue of which is devoted entirely to digital preservation issues.)

Photographs, top to bottom (IA): Hans Jansen, KB; Eileen Fenton, Portico; Jeffrey van der Hoeven, KB (ducking behind him his PARSE teammate Tom Kuipers); Maria Heijne, TU Delft Library; Neil Beagrie, Charles Beagrie Ltd., Marcel Ras, KB.

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.

De kosten van digitale duurzaamheid (II)

Onlangs verscheen het JISC-rapport Keeping research data safe: a cost model and guidance for UK universities, door Neil Beagrie, Julia Chruszcz en Brian Lavoie. Het is erg toegespitst op de Engelse situatie, en Beagrie schrijft zelf verontschuldigend dat het met drie case studies niet al te breed van opzet is (zodat diverse Aanbevelingen vragen om Meer Onderzoek), maar de lijst met activiteiten waar het management van een digitaal archief rekening mee moet houden ziet er gedegen uit, als ook de lijst met afhankelijkheden die de kostprijs mede bepalen. Vooraf goed nadenken over wat je precies wilt bewaren, voor hoe lang en voor wie (de welbekende OAIS ‘designated community’) is de sleutel. Achteraf materiaal deselecteren of bestanden repareren is erg duur en af te raden.

Andere (voorlopige) conclusies:
- De kosten voor het opslaan van onderzoeksgegevens zijn veel hoger dan voor publicaties, want de bestanden zijn gevarieerder en complexer van aard. Bovendien heb je waarschijnlijk te maken met een diverse (= bewerkelijke) groep aanbieders.
- Meer dan 70% van de kosten gaat zitten in arbeidsloon.
- De meeste kosten worden aan het begin gemaakt. Een schatting: acquisitie en ingest ca. 42%, archiveren en duurzaamheidsacties ca. 23% en toegang 35%.
- Schaalgrootte leidt tot kostenvermindering. Grofweg: 600% meer volume leidde tot 300% meer kosten.
- De diverse takken van wetenschap hebben heel verschillende manieren om data te gebruiken en te hergebruiken. Daarom moet er zoveel mogelijk worden opgeslagen in nationale of internationale discipline-georiënteerde archieven.

Een interessante toegevoegde case study is die van de Archaeological Data Service (p. 87-94), die inmiddels tien jaar ervaring heeft opgedaan met digitale archivering tegen vergoeding. Anders dan bijvoorbeeld bij DANS in Nederland betaalt de organisatie die het onderzoek financiert een eenmalige bijdrage aan de ADS voor opname van de onderzoeksdata, waarna die duurzaam worden opgeslagen en vrij beschikbaar zijn voor hergebruik.Op de ADS-website staat het charging model. De aanloopkosten voor de ingest worden berekend in mandagen; daarna geldt een archief-vergoeding van ₤0,50 per Mb.
Ervaring bij de ADS doet vermoeden dat de apparatuur voor archivering eens in de vijf jaar moet worden vervangen. Diezelfde ADS becijfert op basis van een aantal inschattingen dat de kosten voor duurzame archivering inclusief migraties na 20 jaar nog slechts minimaal zullen zijn, omdat men verwacht dat de systemen steeds slimmer zullen worden en opslagmedia goedkoper. Daar staat dan wel weer tegenover dat het arbeidsloon flink zal stijgen (p. 91).