Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Ciencia Abierta: el siguiente paso OPEN

IIBI - UNAM (DF, México). 24 de agosto de 2015.
by

Fernando Ariel Lopez

on 28 October 2015

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Ciencia Abierta: el siguiente paso OPEN

¿Desde dónde hablo?
CLACSO
(Latinoamerica)
SNRD
(MINCYT, Argentina)
Open Data + Hackathon + ONG + oGov
UMET
(Argentina)
CAICYT
(CONICET, Argentina)
Openness
Datos de Investigación
hechos, observaciones o experiencias
(basado en argumento, teoría o prueba)

Pueden ser:
numéricos, descriptivos o visuales.
en estado bruto o analizado,
experimentales u observacionales.
abiertos o cerrados
¿Ciencia Abierta?
La
Ciencia Abierta
es el movimiento para lograr que la investigación científica, los datos, el acceso y la difusión llegue a toda la sociedad.
Estados Unidos:
National Science Foundation (NSF), National Aeronautics and Space Administration (NASA), National Oceanographic Data Center (NODC) y National Institutes of Health (NIH).

Europa:
Horizon2020

Reino Unido:
AHRC, BBSRC, Cancer Research UK, EPSRC, ESRC, MRC, NERC, STFC, WellcomeTrust.

Regional:
OCDE

Argentina:
– Iniciativas Nacionales de Datos http://sistemasnacionales.mincyt.gob.ar/
– Ley Nacional 26.899. Datos primarios en 5 años disponibles. Excepciones
Openness
Open Science
Antecedentes y Líneas de Trabajo
CIENCIA ABIERTA
el siguiente paso OPEN
Fernando Ariel López
@fernando__lopez
#OpenScience
Concepto global o la filosofía que se caracteriza por un énfasis en la
transparencia
, el
acceso libre y sin restricciones al conocimiento y la información
, así como la
gestión y la toma de decisiones colaborativa o cooperativa
en lugar de una autoridad central. (
Wikipedia
)
OPENNESS
Revistas OA
Open Hardware
Open Source
Arduino
IMPRESORAS 3D
FRESADORAS
Raspberry
Labs
FabLabs
MakerSpace
Open Government
Transparencia
Colaboración
Participación
OER / REA
OWC
Guías de estudio y ejercicios. Guías de laboratorio
Material multimedia (audio, imagenes y video).
Apuntes de clase. Simuladores.
Presentaciones utilizadas en clase.
Blog. etc.
Educación Abierta
MOOC
Repositorios Digitales
Balloon mapping
Legislación
Comunicación
Científica
reproducción
reutilización
redistribución
investigación
Gobierno Abierto
Periodismo de Datos
Ciencia Abierta
"La conducción de la ciencia de una manera que otros puedan colaborar y contribuir, cuando los datos de investigación, notas de laboratorio y otros procesos de investigación son de libre acceso, con términos que permitan la reutilización, la redistribución y la reproducción de la investigación." (
Wikipedia
)
"... La Ciencia Abierta es un objetivo, una meta y un camino. Además tiene detrás una voluntad política clara, al menos en Europa. El acceso universal a los resultados de investigación, tanto a las publicaciones como a los datos de investigación, así como la minería sobre estos (Text and Data Mining), permitirán una reutilización eficaz de la información, el avance del conocimiento y un incremento en la innovación que es difícil de imaginar ahora..." (
Eva Mendez
)
6 Principios de O.S.

Metodologías Abiertas
(Métodos, procesos, documentos relevantes, etc.)
Revisión por pares Abierto
/ Open Peer Review (transparencia en evaluación y calidad)
Software y Hardware Abiertos
Datos Abiertos
Acceso Abierto
Recursos Educativos Abiertos / OER
(MOOC, REA, etc)

Los datos incluyen:
cuadernos de laboratorio, cuadernos de campo, datos de investigación primaria
(incluidos los datos en papel o en soporte informático),
cuestionarios, cintas de audio, videos, desarrollo de modelos, fotografías, películas, y las comprobaciones y las respuestas de la prueba
.

Las colecciones datos para la investigación pueden incluir
diapositivas, diseños y muestras
.

En la información sobre la
procedencia de los datos
también se podría incluir:
cómo, cuándo, dónde se recogió y con qué
(por ejemplo, instrumentos). El código de software utilizado para generar, comentar o analizar los datos también pueden ser considerados datos.”
Construcción de datos de investigación científicos

● Observacionales:
datos capturados en tiempo real, comúnmente únicos e irremplazables. Ej: imágenes cerebrales, encuestas

● Experimentales:
datos provenientes de resultados experimentales
Ej: Aquellos que provienen de aparatos de medición en laboratorios, comúnmente reproducibles, pero caros.

● Simulación:
datos generados de modelos de prueba donde el modelo y los metadatos pueden ser mas importantes que los datos de salida del modelo. Ej: Modelos económicos o climáticos.

● Desarrollados o compilados:
resultado de procesar y/o combinar datos “crudos”, comúnmente reproducibles pero caros.
Ej. Bases de datos compiladas,Resultados de text mining, Datos de censos consolidados.

● Reference or canonical:
Una (estática u orgánica) conglomeración o colección de datasets mas pequeños (revisados por pares), la mayor parte de ellos publicados y “curados”
Ej. Bancos de datos genéticos, bases de datos cristalográficas.
DATASET
Es el objeto específico de control, organización, descripción y preservación de datos científicos
Es una colección de datos reunidos durante la ejecución de un proyecto de investigación.
Son objetos digitales compuestos y heterogéneos.
Constituye la base de la investigación y va asociado a una publicación científica (resultado de la investigación).
Se almacena y gestiona en Repositorios Interoperables conforme a estándares internacionales.
BENEFICIOS #DatosAbiertos
Ayuda a verificar los resultados.
Evitar la fabricación y falsificación de datos.
Diferentes interpretaciones o enfoques aplicados a datos existentes contribuyen a los avances científicos.
Optimización en el uso de recursos.
Preservación a largo plazo bien gestionada, permite mantener la integridad de los datos.

TenopirC, Allard S, Douglass K, AydinogluAU, et al. (2011) Data Sharing by Scientists: Practices and Perceptions. PLoSONE.
http://www.plosone.org/article/info:doi/10.1371/journal.pone.0021101
Gestión adecuada de los datos requiere:
Políticas
a nivel de agencias de financiación e institucionales. Definición de roles/responsabilidades de los distintos actores.

Recursos financieros

a largo plazo
ya que los datos son acumulativos y se preservan.

Recursos humanos especializados
(para generación de datos, normalización, explotación y preservación).

Infraestructuras coordinadas
para garantizar su interoperabilidad. Entre los requisitos de las infraestructuras destacar: preservación, acceso, data curation, data processing, distribución.


Para dar respuesta a estos aspectos es necesaria una formación adecuada, equipamientos, sistemas de almacenamiento masivo de datos y redes de alta capacidad.
Científicos de Datos
Antecedentes Políticas en las Agencias de Financiamiento
Líneas de Trabajo
● Plan de Gestión de Datos / Data Management Plan (DMP)

● e-Infraestructuras
e-infraestructura
Repositorio de Datos Interoperables
Datos Públicos Argentina (CKAN, OKF), Zenodo (Invenio, CERN), Figshare (Macmillan Publishers), DRYAD, PLICSS, LAGOS (DSpace, MIT & HP) y Harvard (Dataverse Network).
ODISEA Internacional registry on Research Data
http://odisea.ciepi.org/

Plataforma de Trabajo para Investigadores
Open Science Framework (OSF)
HubZero
MyExperiment.org

Cluster de Almacenamiento y/o Procesamiento
(a nivel nacional, regional o internacional)
Lineas de Trabajo:
Desarrollo de una plataforma y validador para apoyar a instituciones productoras de datos en el desarrollo de un Marco o Plan de Gestión de Datos (DMP).

Marco de verificación de calidad de metadata e infraestructura de datos primarios científicos.

Puesta en común de e-infraestructuras y experiencia en software.

Desarrollar e implementar e-infraestructura y plataformas de trabajo para investigadores adaptada a las necesidades de la institución.

Talleres de intercambio con los productores de datos.
– Conocer las características y los ciclos de vida de colecciones de datos específicas.
– Puesta en común de e-infraestructuras y experiencia en software.
– Identificar necesidades y competencias a desarrollar o fortalecer.

Formación en las necesidades y competencias de los investigadores y bibliotecarios de datos
- Resistencias culturales de los investigadores

- Exige nuevas competencias y habilidades

- Nuevas e interesantes posibilidades:
para capturar, limpiar y normalizar datos
para combinar conjuntos de datos
utilizar los datos con mayor intensidad y en nuevos contextos
para visualizar los datos
para descubrir conocimiento oculto e implícito en los conjuntos de datos
para compartir y establecer nuevas colaboraciones
para promover, acelerar y lograr un mayor impacto en la investigación y la innovación.
Conclusiones
¿Dudas, Comentarios y/o Preguntas?
fernandoariellopez@gmail.com
@fernando__lopez
Muchas Gracias!!!

Fernando Ariel López
24 de Agosto de 2015.
IIBI. UNAM (México)
Full transcript