Los datos abiertos de investigación heredan las características de los open data en cuanto a la garantía de transparencia y a su relación con la rendición de cuentas y la reutilización (Peset y Fernández-López, 2014), especialmente al hablar de investigaciones llevadas a cabo mediante fondos públicos. Pero, además, se definen por el contexto en el que surgen y al que sirven. Así, pueden considerarse datos de investigación “todo aquel material que ha sido registrado durante la investigación, reconocido por la comunidad científica y que sirve para certificar los resultados de la investigación que se realiza” (Torres-Salinas y otros, 2012). Si a ello sumamos su carácter abierto, obtendremos que han de poder ser utilizados, reutilizados y redistribuidos libremente por cualquier persona, siempre que se reconozca su autoría y que se vuelvan a compartir una vez se hayan transformado durante un uso posterior. En palabras de Melero y Hernández-San Miguel (2014), el acceso a estos datos evita duplicar esfuerzos en su obtención, y su agregación o transformación puede generar nuevos datos y favorecer otras interpretaciones y colaboraciones interdisciplinares. En todo caso, será la descripción que se asocia y acompaña a esos conjuntos de datos abiertos la que permitirá que estos puedan ser recuperados, reutilizados; consecuentemente, esta puede ser considerada en sí misma indicio de la calidad de un dato de investigación abierto (Peset Mancebo y otros, 2017).

Desde distintas esferas se ha señalado la importancia de una adecuada gestión de estos datos, poniendo de manifiesto la necesidad de garantizar los medios y los procedimientos para su preservación y reutilización (Estevão y otros, 2017). Además del programa de investigación citado, la agenda política comunitaria ha continuado incidiendo en esa línea a través de sucesivos informes y publicaciones, que se han materializado, entre otras acciones, en proyectos como la plataforma FOSTER Plus, el proyecto Open Research Data (ORD) sobre acceso y uso de datos de investigación o las recomendaciones planteadas por Open Science Policy Platform (OSPP).

Al margen de las iniciativas europeas, la National Science Foundation estadounidense exige que sus proyectos de investigación vayan acompañados de un plan de gestión de datos que permita el acceso a los mismos. En 2016 un grupo de agencias de investigación anunciaban el lanzamiento de Open Research Funders Group (ORFG), un consorcio cuyo objetivo era aumentar el acceso abierto a los resultados y datos de investigación, de forma que sean compartidos y reproducibles para incentivar la innovación y el progreso social. En una dirección similar apuntan sendos informes de organismos tan relevantes como Naciones Unidas (UN Data Revolution, 2014) y la OCDE (2015).

Mención aparte merecen los Principios FAIR sobre buenas prácticas en la gestión de datos científicos, que se corresponden con las siglas en inglés de localizables, accesibles, interoperables y reutilizables; estos principios están siendo incorporados al funcionamiento de la plataforma European Open Science Cloud (EOSC). Igualmente, el proyecto europeo LEARN toma como punto de partida los postulados marcados por la LERU (League of European Research Universities) para construir una estructura coordinada para datos de investigación en Europa, Latinoamérica y Caribe, desarrollando una política a tal efecto y un conjunto de herramientas para su aplicación (Ayris, 2016).

En lo que se refiere a la forma de hacer públicos esos datos se cuenta con varias vías. En primer lugar, existen los repositorios destinados específicamente a datos de investigación, que pueden ser institucionales o gestionados por intermediarios, adscritos a una circunscripción territorial, de temática generalista o especializados en una materia concreta. Varios trabajos analizan las características de este tipo de repositorios, ofreciendo una visión cuantitativa en función de distintos criterios, como puedan ser su tipología, materia, condiciones de acceso y licencias, inclusión en directorios (como re3data – Registry of Research Data Repositories), servicios ofrecidos, software e interfaces de búsqueda, etc. (Kindling y otros, 2017; Assante y otros, 2016; Beagrie y Houthton, 2014; Marcial y Hemminger, 2010).

En segundo lugar, otra forma de hacer públicos estos datos es incluirlos en las páginas de las propias revistas científicas. Los editores pueden establecer requisitos a los autores para que ofrezcan los archivos de datos sobre los que sustentan las conclusiones de sus artículos. Ejemplo de ello tenemos en el grupo de revistas incluidas en Dryad, Journal of the Royal Society, Interface, Nature, PloS, Science and National Academies Press (Victoria University, 2015). Por último, también se publican revistas, llamadas data journals, en las que la información suministrada se corresponde con conjuntos de datos de investigación que se acompañan de información adicional para su reutilización por parte de la comunidad científica (García-García y otros, 2015; Candela y otros, 2015).

Los datos de investigación pueden tomar varias formas y ser categorizados en función de distintos criterios (Borgman, 2012). Estos aspectos pueden contemplar, entre otras, cuestiones relacionadas con la metodología adoptada para su obtención, su presentación y formatos de archivo, la naturaleza de los datos, el campo del conocimiento al que pertenecen o sus restricciones de acceso y reutilización. Del mismo modo en que tradicionalmente se establecen estas condiciones para poder comparar bases de datos y artículos científicos desde el punto de vista de la evaluación bibliométrica, también es conveniente tener en cuenta esta gran diversidad de aproximaciones antes de cotejar el alcance de estos datos y comparar posteriormente su incidencia e impacto de forma consistente.

Además de la distinción clásica de la metodología científica entre datos cualitativos y cuantitativos (Ríos-Hilario y Travieso-Rodríguez, 2013), y dada la riqueza metodológica posible en los conjuntos de datos de investigación, puede establecerse otra tipificación atendiendo, en esta ocasión, a la técnica empleada para obtener los datos. De este modo, es posible diferenciar entre las siguientes cinco instancias (Stony Brook University, 2018; Krier y Straser, 2014; Melero y Hernández San Miguel, 2014; FECYT, 2012):

Desde un punto de vista menos conceptual, otro aspecto fundamental es el referido a los formatos de archivo en que se comparten estos datos, dado que en ocasiones estos estándares determinan la utilidad o reutilización efectiva de los mismos y las posibilidades de importar o exportar esa información codificada. En ese sentido, el abanico de posibilidades es muy amplio (en la Tabla I se ofrece un listado como muestra de esta circunstancia), dando lugar a distintas clasificaciones. En cualquier caso, lo habitual es que los repositorios de datos no impongan restricciones en cuanto a formatos de archivo a la hora de su almacenamiento.

Otro modo de sistematizar el análisis de los datos abiertos de investigación es el propuesto por la base de datos Data Citation Index (Thomson Reuters, 2012), que distingue, además de los repositorios, dos tipos documentales de registros de datos: dataset o conjunto de datos, y data study o informe de datos. Si bien los primeros son los que directamente se identifican con un fichero de datos, que puede estar o no vinculado a un artículo al que acompañan e ilustran o fundamentan, los informes de datos comprenden mayor volumen de información sobre el contexto y la forma de extracción de los datos, los autores, referencias bibliográficas, cobertura geográfica y temporal o referencias. En definitiva, son objetos digitales que incluyen una descripción exhaustiva de los propios datos abiertos. En la práctica, cualquier fichero de datos es susceptible de ser citado si está identificado de forma unívoca y coherentemente descrito, lo que abre la puerta a establecer métricas sobre su uso y citación.

La disponibilidad de los datos abiertos debe ir acompañada de una descripción documental de sus características. Esto permitirá no solo contextualizar y validar los datos ofrecidos sino resolver eficazmente su recuperación posterior y eventual reutilización. Generalmente, la documentación que acompaña a los datasets viene determinada por los metadatos que se requieren en las distintas plataformas para su depósito. En 2016 Assante y otros proponían un análisis de la información adicional que facilitaban algunos de los más importantes repositorios de datos (3TU, CSIRO, Dryad, Figshare, Zenodo). Siguiendo su modelo, podríamos distinguir los siguientes atributos:

Conviene subrayar que el grupo de atributos recogidos bajo el epígrafe “procedencia de los datos”, en el que se consignarían las informaciones relativas a los métodos, fuentes e instrumentos empleados para obtener los datos, fue, según su estudio el menos frecuente en el conjunto de repositorios evaluados.

Entre las iniciativas puestas en marcha para desarrollar esquemas de descripción orientados a datos de investigación hay que resaltar la encabezada por el DataCite Metadata Woking Group en 2016. Este equipo internacional de especialistas ha propuesto un esquema de metadatos – DataCite Metadata Schema Documentation for the Publication and Citation of Research Data - para este tipo de registros, haciendo hincapié en la necesidad de una interoperabilidad semántica entre la descripción de los datos que facilitan los distintos recursos. Establece una serie de campos o elementos de descripción obligatorios y otro conjunto cuya inclusión es recomendable o que, en última instancia, considera opcionales. Entre los primeros aparecen, como no podría ser de otro modo, elementos como autor, título, editor, año de publicación, o tipo de recurso. Y dentro de los elementos recomendados, es destacable la incorporación de un campo que, desde nuestra perspectiva, podría ser muy útil en la gestión y consulta de datos abiertos para los investigadores: el denominado genéricamente Description, que recogería todo tipo de información adicional que no tuviese cabida en el resto de los elementos y que se subdividiría, entre otros, en los campos Abstract, Métodos, Serie, Tabla de contenidos, Información técnica.

Además de la conveniencia de que se propongan campos propios de descripción para un recurso tan especializado como los datasets, para el objetivo de este trabajo es particularmente relevante que se abra la posibilidad de recuperar los datos abiertos no solo por las características formales habituales sino por los métodos de investigación que se han practicado para obtenerlos. Este tipo de información puede suponer un criterio de filtro muy útil en las búsquedas, además de ofrecer directamente aclaración sobre un aspecto esencial a la hora de decidir acerca de la reutilización o replicación de los datos en investigaciones subsecuentes. Como ejemplo de recursos que incorporan esta descripción y han adaptado este esquema podemos citar la imprescindible plataforma OpenAIRE (Open Access Infraestructure for Research in Europe) (Elbaek y Nielsen, 2013) o el repositorio sobre ecología y medio ambiente KNB (The Knowledge Network for Biocomplexity).

Otro de los apartados cruciales en el estudio de los datos abiertos es el que se dedica a analizar su uso e impacto como recurso científico. Como se ha mencionado anteriormente, en esa línea habría que determinar su consideración respecto a su relación con la revista científica en la que se han publicado. López-Borrull (2017) distinguía varias posibilidades: que se publiquen como un objeto de información independiente en un repositorio especializado, que se publiquen junto al propio artículo del que forman parte o que se publiquen en forma de data paper. Estos artículos de datos constituyen un formato distinto al tradicional artículo de revista, y, de hecho, han dado lugar a las actuales data journals en las que los conjuntos de datos son acompañados por información sobre cómo, cuándo y por qué se han recopilado. La modalidad de publicación y su influencia mutua en el impacto de la revista y los índices de citación y visibilidad de los artículos representa un campo abierto para la investigación bibliométrica y para las políticas de edición científica.

En todo caso, varios estudios han apuntado que compartir los datos abiertos tiene una incidencia positiva en los niveles de citación de los propios artículos vinculados (Pinowar y Vision, 2013; Aleixandre-Benavent y otros, 2016; Dorch y otros, 2015). También se ha manifestado la importancia que, en el actual entorno colaborativo, tendrán las métricas alternativas para calibrar el impacto o repercusión de estos datasets. Lo que sí parece claro es que estamos ante un panorama que exige nuevas perspectivas, análisis de los indicadores y afinación de las metodologías de medición, dada la necesidad de conocer cuál está siendo el comportamiento de los investigadores a la hora de reutilizar y citar los datos abiertos que otros comparten, las motivaciones que existen tras esa decisión y la eficacia práctica de las distintas modalidades. Aún estamos en fase experimental en el desarrollo de estas métricas (Peset Mancebo y otros, 2017), aún no hay consenso total al respecto (Melero y Hernández-San Miguel, 2014; Ball y Duke, 2015) y, a medida que se desarrolla esta práctica, se precisan nuevos análisis también en función del tipo documental, lo que deberá incluir a los data papers (Robinson-García y otros, 2016). También ha de abordarse con mayor detalle la relación entre las citas que reciben los conjuntos de datos y el modo en que éstos son compartidos, desde el punto de vista de su preservación y estabilidad como objetos digitales (Peters y otros, 2016).

Por todo lo anterior, la mera disponibilidad de indicadores cuantitativos procedentes de bases de datos y recursos informativos no garantiza su comprensión global, a lo que se suman las particularidades entre disciplinas científicas y la dispersión de las fuentes. En un contexto en que las métricas alternativas también han experimentado un impulso en cuanto a su consideración como termómetro del interés y visibilidad de las publicaciones científicas, el alcance de los conjuntos de datos abiertos debe ser tenido en cuenta como una secuencia continua, que conecte la bibliometría tradicional, los nuevos hábitos de consumo y citación de las publicaciones y las otras dimensiones del uso y comunicación científica. En definitiva, el estudio sobre los datos abiertos de investigación desde todos los ángulos posibles representa un desafío real aún por completar, tanto por parte de los gestores de información científica como por parte de los propios investigadores cuyos datos se insta a compartir.

Según todo lo expuesto, el presente trabajo pretende describir una faceta fundamental de los datos abiertos de investigación: la metodología empleada para recopilarlos. Este aspecto enlaza con la necesidad de conocer la naturaleza de estos datos, como elemento determinante en su posterior explotación y que, sin embargo, no suele, en la práctica, incluirse en la descripción que se hace de los mismos (Assante y otros, 2016; Childs y otros, 2014). De manera colateral, se trataba de recoger las métricas de uso ofrecidas, esto es, las relativas a visitas, descargas (Peset y otros, 2017) y citación. Como se ha expresado al inicio, se da la circunstancia de que el repositorio de datos Figshare ha incluido recientemente en su colección los datasets procedentes de las revistas de la plataforma SciELO, lo que posibilita el acceso a estos conjuntos de datos mediante la asignación a cada uno de ellos de un Digital Object Identifier (DOI). Ofrece, asimismo, acceder a una previsualización en el navegador y atribuirles unas estadísticas de uso que incluyen número de visualizaciones, descargas, citas e información altmétrica.

El repositorio Figshare permite compartir contenidos científicos en diversos formatos y tipologías de archivos (pósters, datos, vídeos, presentaciones, códigos informáticos, preprints, etc.). Su mantenimiento desde 2012 está a cargo de la empresa Digital Science, es de acceso abierto y los derechos de autor de los archivos subidos están protegidos por las licencias Creative Commons. Entre sus fines está el fomento de la cultura de la colaboración científica y la disponibilización y gestión de datos abiertos, lo que facilita desde una interfaz de consulta intuitiva. Cada archivo se acompaña de su descripción de contenido, formato de citación e información sobre su uso (Reed, 2016).

Por su parte, SciELO es una biblioteca digital impulsada por la Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) y el Centro Latinoamericano y del Caribe de Información en Ciencias de la Salud (BIREME). Desde hace veinte años ofrece en acceso abierto la consulta a ediciones completas de 1.285 revistas científicas publicadas en América Latina y EL Caribe. El éxito de su implantación y difusión en el ámbito iberoamericano y en sus instituciones científicas se sustenta tanto por la disponibilidad de los artículos como por la inclusión de indicadores bibliométricos.

SciELO ha venido promoviendo la adhesión de las revistas que incluye a las prácticas de ciencia abierta, abogando por la apertura de todos los elementos de la comunicación de las investigaciones; así, desde 2015 exige, para su ingreso y permanencia en la colección, la disponibilización de los datos de investigación utilizados en los artículos (SciELO, 2017). Este proceso debe seguir criterios de registro que garanticen la autoría, el uso y la citación de los datos, así como del artículo correspondiente, para aumentar la replicabilidad de los estudios y la visibilidad de las publicaciones (SciELO 2017, 2014). Esta biblioteca digital ha implementado la identificación y la recomendación de repositorios de datos de investigación por área temática para guiar el depósito de dichos datos. SciELO sigue los mencionados principios FAIR para la gestión de esos repositorios y desde principios de 2018 emplea Figshare como repositorio de datos para dar acceso a los datos de unas 200 de sus revistas (solo aquellas con licencia CC-BY, o con otra licencia pero que previamente hayan autorizado la exportación de los datos). Por ahora, la recolección de datos de investigación suplementarios está siendo desarrollada por Figshare, de forma automática, a partir de los artículos publicados en SciELO.

Según Hyndman (2018) el repositorio abarca las revistas de la colección SciELO Brasil y en él a cada revista se la ha dotado de una página propia desde la que presentar sus datos. Como parte de este acuerdo de colaboración, todos los datos del portal quedan almacenados de forma segura y reciben un DOI. Posibilita también que todos los tipos de archivo sean visualizados directamente desde el navegador. Además, como se ha mencionado anteriormente, determinadas estadísticas, incluidas el número de visualizaciones, descargas y citas, están disponibles para cada ítem.

La alianza entre estos dos recursos ha habilitado las condiciones para llevar a cabo el presente trabajo, cuyo objetivo fundamental es estudiar la naturaleza y características metodológicas de los datasets procedentes de la colección SciELO disponibles desde Figshare.

La recogida de datos se llevó a cabo en dos momentos (en abril y en octubre de 2018), tomando todos los datasets que provenían de revistas de SciELO. Ello devolvió un total de 361 ficheros de datos, pertenecientes todos ellos a publicaciones brasileñas. De ese conjunto se desestimaron 13 al comprobar que, aunque tenían entradas independientes, estaban duplicados; por tanto, la población de análisis se constituyó finalmente con 348 datasets.

Como punto de partida se tomaron los datos facilitados en la descripción por la propia plataforma, si bien para recabar información sobre algunas características se hizo necesario cotejar individualmente cada uno de los archivos. Con la siguiente relación de variables o criterios de análisis se elaboró una base de datos (Tabla II):

Los criterios de análisis que no fueron extraídos directamente de la descripción de los archivos fueron los referidos a la metodología empleada (cuantitativa o cualitativa) y la técnica de obtención de datos aplicada en la investigación, siguiendo el esquema de tipologías anteriormente aludido, que distinguía entre datos derivados o compilados, datos experimentales, datos observacionales, datos referenciados y datos simulados. Para ese análisis se consultó cada uno de los artículos de los que procedían los datos, confrontando detenidamente sus apartados metodológicos mediante un análisis de contenido. En lo referido al apartado temático, se decidió emplear la propia jerarquización temática asignada por Figshare, con el fin de facilitar la comparación de los resultados.