Công nghệ quản lý dữ liệu nghiên cứu là gì?

Cách hiểu này phù hợp với mô hình vòng đời của Digital Curation Centre (DCC), trong đó quản lý và bảo quản dữ liệu được xem như một chuỗi hoạt động xuyên suốt vòng đời, gắn với workflow, trách nhiệm và hạ tầng RDM. Các nguyên tắc FAIR cũng mở rộng mục tiêu quản lý từ việc “giữ dữ liệu” sang làm cho tài sản nghiên cứu có khả năng được tìm thấy, truy cập, liên thông và tái sử dụng.

Điểm quan trọng là công nghệ quản lý dữ liệu nghiên cứu không đồng nghĩa với một phần mềm cụ thể. Một kho dữ liệu, hệ thống lưu trữ đám mây, cơ sở dữ liệu phòng thí nghiệm hay công cụ lập Data Management Plan chỉ có thể đảm nhiệm một phần chức năng. Phạm vi công nghệ đầy đủ thường hình thành từ nhiều thành phần được kết nối với nhau để duy trì dữ liệu cùng metadata, định danh, lịch sử thay đổi, quyền truy cập và khả năng bảo quản lâu dài.

Bản chất của công nghệ quản lý dữ liệu nghiên cứu

Đối tượng trung tâm của công nghệ này không đơn thuần là tệp dữ liệu mà là dữ liệu nghiên cứu trong bối cảnh sử dụng của nó. Một tệp CSV, ảnh kính hiển vi hoặc bộ dữ liệu khảo sát có thể vẫn tồn tại về mặt vật lý nhưng giảm mạnh giá trị nghiên cứu nếu mất thông tin về nguồn gốc, phương pháp tạo dữ liệu, phiên bản, cấu trúc biến, quyền sử dụng hoặc mối quan hệ với các kết quả nghiên cứu khác.

Vì vậy, chức năng cốt lõi của công nghệ RDM là duy trì một chuỗi liên kết giữa dữ liệu – metadata – định danh – provenance – quyền truy cập – phiên bản – môi trường lưu giữ. DataCite, chẳng hạn, kết hợp DOI với metadata và tích hợp workflow để hỗ trợ việc nhận diện, khám phá, liên kết và tái sử dụng các đầu ra nghiên cứu. Research Data Alliance (RDA) cũng phát triển các khuyến nghị riêng cho metadata, provenance, khả năng tương tác giữa kho dữ liệu và Data Management Plan có thể được máy xử lý.

Cơ chế này tạo ra khác biệt giữa “lưu dữ liệu” và “quản lý dữ liệu”. Lưu trữ chủ yếu bảo đảm dữ liệu còn tồn tại ở một vị trí kỹ thuật. Quản lý dữ liệu còn phải bảo đảm dữ liệu được nhận diện đúng, có thể giải thích, có lịch sử, có quy tắc truy cập và có khả năng chuyển giao hoặc sử dụng lại trong tương lai.

Phạm vi chức năng cốt lõi gồm những gì?

Phạm vi chức năng không nhất thiết nằm trong một hệ thống duy nhất. Trong thực tế, các chức năng có thể được phân phối giữa công cụ lập kế hoạch, môi trường thu nhận dữ liệu, hệ thống lưu trữ, kho dữ liệu, dịch vụ định danh và hạ tầng bảo quản. Điều cần đánh giá là các chức năng có được bao phủ và liên kết với nhau hay không.

Lập kế hoạch và hình thành dữ liệu

Ở giai đoạn đầu, công nghệ có thể hỗ trợ xác định loại dữ liệu dự kiến tạo ra, cấu trúc lưu trữ, định dạng, quy ước đặt tên, metadata cần thu thập, nơi dữ liệu sẽ được lưu và phương án chia sẻ sau nghiên cứu. Các Data Management Plan có thể được biểu diễn theo cấu trúc máy đọc được để trao đổi thông tin giữa nhà nghiên cứu, nhà tài trợ, kho dữ liệu, đơn vị CNTT và data steward; RDA xem đây là một cơ sở để tự động hóa một số tác vụ quản lý dữ liệu.

Giá trị của lớp chức năng này nằm ở việc đưa yêu cầu quản lý vào ngay khi dữ liệu được tạo ra thay vì chờ đến cuối dự án mới tổ chức lại. Tuy nhiên, công nghệ chỉ hỗ trợ việc thực thi kế hoạch; quyết định dữ liệu nào cần giữ, mức chia sẻ nào phù hợp hay trách nhiệm thuộc về ai vẫn có thể phụ thuộc vào chính sách và con người.

Lưu trữ, phiên bản và provenance

Khi dữ liệu thay đổi liên tục, chỉ biết tên tệp không đủ để xác định trạng thái của dữ liệu. Hệ thống cần có khả năng kiểm soát phiên bản, ghi nhận thời điểm thay đổi, nguồn dữ liệu và quan hệ giữa bản gốc với các bản đã xử lý. Provenance đặc biệt quan trọng vì nó trả lời câu hỏi dữ liệu đến từ đâu, đã trải qua những bước biến đổi nào và sản phẩm hiện tại được hình thành từ đầu vào nào.

Các đặc tính kho dữ liệu mà NIH khuyến nghị cũng bao gồm tính toàn vẹn, khả năng duy trì lâu dài, provenance và cơ chế bảo vệ trước truy cập hoặc thay đổi trái phép. Điều này cho thấy lưu trữ trong RDM không chỉ là cấp dung lượng đĩa mà còn bao gồm kiểm soát trạng thái và độ tin cậy của tài sản dữ liệu.

Metadata, tìm kiếm và định danh

Metadata biến một đối tượng dữ liệu từ “một tệp có thể mở” thành “một tài sản có thể nhận diện và tìm kiếm”. Metadata có thể mô tả tác giả, thời gian, loại tài nguyên, quan hệ với tài nguyên khác, điều kiện sử dụng và các thông tin cần thiết để hệ thống hoặc con người hiểu dữ liệu.

Định danh bền vững như DOI bổ sung một lớp nhận diện ổn định hơn tên tệp hoặc đường dẫn thư mục. DataCite vận hành hạ tầng DOI cùng các bản ghi metadata nhằm hỗ trợ việc khám phá, trích dẫn, liên kết và tái sử dụng đầu ra nghiên cứu. NIH cũng xem persistent identifier và metadata là những đặc tính mong muốn của kho dữ liệu nghiên cứu.

Kiểm soát truy cập và bảo vệ dữ liệu

Không phải dữ liệu nghiên cứu nào cũng có thể được mở cho mọi người. Vì vậy, công nghệ RDM phải có khả năng thực thi các mức truy cập khác nhau, xác thực người dùng, kiểm soát quyền, ghi nhận hoạt động và bảo vệ tính toàn vẹn của dữ liệu theo mức nhạy cảm thích hợp.

Đây cũng là điểm cần phân biệt giữa khả năng truy cập và mở hoàn toàn. NIH thừa nhận việc chia sẻ có thể bị giới hạn bởi các yếu tố pháp lý, đạo đức hoặc kỹ thuật, đồng thời yêu cầu xem xét cơ chế kiểm soát truy cập đối với một số dữ liệu con người. Do đó, một hệ thống vẫn có thể hỗ trợ khả năng khám phá và quản lý dữ liệu tốt trong khi quyền truy cập vào nội dung thực tế được giới hạn.

Chia sẻ và khả năng tương tác

Dữ liệu được quản lý tốt không nên bị khóa hoàn toàn trong cấu trúc riêng của một ứng dụng. Công nghệ RDM cần tạo điều kiện để dữ liệu và metadata có thể được xuất, trao đổi hoặc chuyển sang hệ thống khác bằng định dạng và giao diện phù hợp.

RDA đã đưa ra khuyến nghị về đóng gói và trao đổi nội dung giữa các nền tảng kho dữ liệu nhằm hỗ trợ di chuyển, nhân bản và bảo quản. NIH cũng xem khả năng xuất dữ liệu và metadata ở các định dạng phổ biến, ưu tiên không độc quyền khi phù hợp, là một đặc tính đáng mong muốn của repository.

Bảo quản và khả năng sử dụng lâu dài

Một dự án kết thúc không có nghĩa giá trị của dữ liệu kết thúc. Công nghệ còn phải giải quyết khả năng duy trì tính toàn vẹn, tính xác thực, khả năng đọc và bối cảnh của dữ liệu trong thời gian dài.

DCC coi bảo quản là một phần của vòng đời curation chứ không phải tác vụ tách biệt xảy ra ở cuối. NIH tương tự nhấn mạnh tính bền vững dài hạn, chính sách lưu giữ, hạ tầng ổn định và kế hoạch bảo đảm dữ liệu tiếp tục khả dụng.

Công nghệ quản lý dữ liệu vận hành theo vòng đời như thế nào?

Các chức năng trên tạo giá trị khi chúng được nối thành một chuỗi liên tục. Trong một workflow điển hình, dữ liệu được tạo hoặc thu nhận cùng thông tin mô tả; sau đó được lưu vào môi trường có kiểm soát, gắn với phiên bản và provenance; quyền truy cập được áp dụng theo trạng thái và mức độ nhạy cảm; dữ liệu cần công bố được chuẩn hóa, bổ sung metadata và định danh; cuối cùng, tài sản cần giữ lâu dài được chuyển sang môi trường bảo quản thích hợp.

Điểm kỹ thuật quan trọng là thông tin quản lý phải đi cùng dữ liệu qua các giai đoạn. Nếu metadata chỉ được bổ sung vào phút cuối, lịch sử phiên bản không được ghi nhận hoặc quan hệ giữa dữ liệu gốc và dữ liệu đã xử lý bị mất, hệ thống sẽ khó tái tạo lại bối cảnh sau này. DCC vì thế mô tả vòng đời dưới dạng các hành động quản lý và curation liên kết với nhau, còn RDA phát triển các thành phần kỹ thuật riêng cho metadata, provenance, trao đổi repository và workflow xuất bản dữ liệu.

Công nghệ RDM vì thế hoạt động giống một lớp duy trì tính liên tục của thông tin nghiên cứu hơn là một “kho chứa”. Nó giúp bảo đảm rằng khi dữ liệu chuyển từ người tạo sang cộng tác viên, từ môi trường làm việc sang repository hoặc từ dự án hiện tại sang nghiên cứu tương lai, ý nghĩa và lịch sử của dữ liệu không bị tách khỏi chính dữ liệu đó.

FAIR, metadata và định danh bền vững giữ vai trò gì?

FAIR cung cấp một cách nhìn hữu ích về kết quả mà hạ tầng quản lý dữ liệu nên hỗ trợ. Bốn nhóm nguyên tắc là Findable, Accessible, Interoperable và Reusable. Bài báo FAIR gốc cũng nhấn mạnh phạm vi không chỉ giới hạn ở dữ liệu mà có thể bao gồm thuật toán, công cụ và workflow tạo ra dữ liệu.

Tuy nhiên, FAIR không phải tên của một loại phần mềm. Công nghệ chỉ là phương tiện để hiện thực hóa các điều kiện cần thiết: metadata và chỉ mục giúp tăng khả năng tìm thấy; cơ chế nhận diện và truy cập giúp tài nguyên có thể được tiếp cận theo quy tắc; định dạng, schema và giao diện trao đổi hỗ trợ khả năng tương tác; provenance, tài liệu mô tả và thông tin quyền sử dụng giúp tăng khả năng tái sử dụng.

Metadata và persistent identifier đặc biệt quan trọng vì chúng tạo các “điểm neo” ổn định trong hệ sinh thái. DataCite kết hợp DOI với metadata và liên kết các tài nguyên nghiên cứu trong workflow, trong khi RDA phát triển các khuyến nghị về metadata chuẩn hóa, provenance và khả năng tương tác giữa repository.

Do đó, đánh giá một công nghệ chỉ bằng dung lượng lưu trữ hoặc giao diện người dùng sẽ bỏ sót phần lớn giá trị của RDM. Khả năng giữ được ngữ cảnh, quan hệ và khả năng chuyển giao của dữ liệu mới là yếu tố quyết định dữ liệu có tiếp tục mang giá trị nghiên cứu sau khi rời môi trường ban đầu hay không.

Ranh giới giữa công nghệ và quản lý dữ liệu nghiên cứu tổng thể

Một hiểu nhầm phổ biến là đồng nhất RDM với một repository hoặc một nền tảng phần mềm. Trên thực tế, RDM còn liên quan đến workflow, vai trò, trách nhiệm, quy tắc quản trị và quyết định về dữ liệu. DCC nêu rõ mô hình vòng đời có thể được dùng để xác định cả workflow lẫn các vai trò và trách nhiệm liên quan, đồng thời hỗ trợ việc phát triển hạ tầng qua nhiều đơn vị chức năng.

Vì vậy, công nghệ quản lý dữ liệu nghiên cứu là lớp kỹ thuật của một hệ thống RDM rộng hơn. Công nghệ có thể tự động ghi version, áp quyền truy cập hoặc tạo metadata, nhưng không tự quyết định dữ liệu nào được phép chia sẻ về mặt đạo đức. Nó có thể thực thi thời hạn lưu giữ, nhưng chính sách hoặc yêu cầu nghiên cứu mới xác định thời hạn phù hợp. Nó có thể cung cấp repository, nhưng con người vẫn phải quyết định dữ liệu nào đủ chất lượng và đủ tài liệu để công bố.

Tương tự, không phải mọi công cụ được sử dụng trong nghiên cứu đều tự động trở thành công nghệ RDM. Một công cụ phân tích chỉ thực hiện tính toán không nhất thiết đảm nhiệm quản lý dữ liệu. Nhưng khi workflow phân tích được liên kết với dữ liệu đầu vào, phiên bản, provenance và đầu ra để hỗ trợ khả năng kiểm chứng hoặc tái sử dụng, nó bắt đầu tham gia vào phạm vi quản lý dữ liệu. Việc FAIR áp dụng cả cho công cụ và workflow minh họa rõ ranh giới chức năng này.

Cách nhận diện một hệ thống có đủ phạm vi chức năng RDM

Không nên đánh giá một hệ thống chỉ bằng việc nó có nhãn “research data management”. Cách thực tế hơn là kiểm tra xem kiến trúc đó có duy trì được chuỗi chức năng cần thiết hay không: dữ liệu có được nhận diện và mô tả; phiên bản và provenance có được lưu; quyền truy cập có thể kiểm soát; dữ liệu có thể trao đổi hoặc xuất khỏi hệ thống; và tài sản cần giữ lâu dài có cơ chế bảo quản phù hợp hay không.

Các tiêu chí của NIH dành cho repository cho thấy phạm vi đánh giá có thể trải từ persistent identifier, metadata và curation đến sustainability, security, provenance, common format và retention. Trong khi đó, một supporting output của RDA về nền tảng repository đã xác định 44 yêu cầu chức năng dựa trên các use case, cho thấy phạm vi công nghệ thực tế rộng hơn đáng kể so với chức năng upload và download tệp.

Điều này không có nghĩa một sản phẩm phải tự thực hiện toàn bộ 44 yêu cầu hoặc mọi chức năng RDM. Từ cách DCC mô tả hạ tầng xuyên các đơn vị và cách RDA xây dựng khả năng tương tác giữa các nền tảng, có thể suy ra rằng một môi trường RDM hoàn chỉnh có thể là hệ sinh thái nhiều công cụ được tích hợp, miễn là các chức năng không bị đứt đoạn giữa các hệ thống.

Vì vậy, câu hỏi quan trọng không phải “phần mềm này có lưu dữ liệu nghiên cứu hay không”, mà là “nó duy trì được bao nhiêu phần của vòng đời, bối cảnh và khả năng tái sử dụng dữ liệu”. Đây là tiêu chí giúp phân biệt một công cụ lưu trữ thông thường với một thành phần thực sự của hạ tầng quản lý dữ liệu nghiên cứu.

Công nghệ quản lý dữ liệu nghiên cứu là lớp hạ tầng kỹ thuật giúp dữ liệu được quản lý có hệ thống từ khi hình thành đến khi lưu giữ, chia sẻ và tái sử dụng. Phạm vi của nó bao gồm nhiều chức năng liên kết như lưu trữ, metadata, định danh, kiểm soát phiên bản, provenance, quản lý truy cập, khả năng tương tác và bảo quản dài hạn.

Bản chất của công nghệ này không nằm ở một sản phẩm cụ thể mà ở khả năng duy trì tính liên tục, bối cảnh và khả năng sử dụng của dữ liệu trong toàn bộ vòng đời nghiên cứu. Repository, dịch vụ DOI, công cụ lập kế hoạch hay hệ thống lưu trữ có thể là các thành phần của kiến trúc đó, nhưng RDM đầy đủ vẫn cần sự kết hợp giữa công nghệ, workflow, chính sách và trách nhiệm con người.