Data For Humanities

The FAIR principles

Contenu

Les principes FAIR

Projet “FAIR data” en sciences historiques et humaines

Les principes FAIR ont pour finalité de mettre à la disposition des autres chercheurs et du public les données produites par la recherche, en appliquant une méthodologie qui les rend réutilisables.

Le projet de FAIRisation des données, initié par l’Axe de recherche en histoire numérique du LARHRA en mars 2020, ouvert à tou⋅te⋅s les intéressé⋅e⋅s, est dédié à la mise à disposition de données FAIR en histoire et à la mise en place d’un processus méthodologique en adéquation avec cette finalité.

Les principes FAIR signifient que les données sur lesquelles les chercheurs travaillent sont:

  • Findable : D’abord, les données et les métadonnées doivent être facilement trouvables, autant par des humains que par des machines.
  • Accessible : Ensuite, les données et les métadonnées doivent être facilement accessibles, donc il faut indiquer comment accéder à ces dernières.
  • Interoperable : Puis, les données et les métadonnées peuvent être reprises pour les ajouter à d’autres données. Pour cela, la sémantique et la syntaxe doit avoir des standards communs à la communauté scientifique internationale.
  • Reusable : Enfin, les données et les métadonnées doivent pouvoir être réutiliser. Cela demande qu’elles soient bien décrites.

FAIRisation ou FAIRification, quel différence ?

  • La FAIRisation (ou FAIRization) signifie l’ensemble du processus qui amènent à produire des données FAIR.

  • Quant à la FAIRification, elle correspond à la réalisation technique de la FAIRisation.

  • En amont de cette phase de FAIRification, il y a une phase de pré-FAIRisation qui permet d’énoncer les objectifs de la FAIRification et d’identifier les données et les métadonnées à rendre FAIR.

Cette distinction a été formulée par le groupe RDA-SHARC-IG (Research Data Alliance - SHAring Rewards and Credit -Interest Group). Elle permet de mieux appréhender les différentes étapes d’un projet de FAIRisation, bien qu’elle ne soit pour l’instant pas adoptée par la communauté scientifique. Les termes de FAIRisation et FAIRification sont souvent utilisés de façon interchangeables et dépendent de l’interlocuteur. On peut néanmoins remarquer que GO FAIR, l’une des structures de référence, n’emploie que le terme FAIRification.

Vous pouvez retrouvez le poster sur lequel la distinction est formulée: David Romain, Mabile Laurence, Yahia Mohamed, Thomsen Mogens, Cambon-Thomsen, Anne. Evaluation tool of FAIR criteria literacy and compliance to foster research data sharing. 2. Open Science FAIR Conference: “ Synergies for Sustainable, Open and Responsible Research ”, Sep 2019, Porto. (hal-02164148)

Documentation

Vous retrouvez ici une documentation utile pour comprendre et réaliser de la FAIRisation.

Les principes de la FAIRisation

Recommandations

Initiatives

  • Ils expliquent comment ils ont mis au point un outil permettant de mesurer le niveau de FAIRisation d’un jeu de données: Wilkinson Mark D., Susanna-Assunta Sansone, Erik Schultes, Peter Doorn, Luiz Olavo Bonino da Silva Santos, Dumontier Michel, «A design framework and exemplar metrics for FAIRness», bioRxiv, Cold Spring Harbor Laboratory, rubrique « New Results », 1ᵉʳ décembre 2017 (DOI: 10.1101/225490)

Liens utiles

  • Go-fair sont des promoteurs à l’international de l’application des principes FAIR et du développement de la science ouverte. Ils ont notamment pour but de créer et d’améliorer des infrastructures et les pratiques pour le développement des principes FAIR.
  • FORCE11 est le site à l’origine des principes FAIR et à pour but de développer la science ouverte et l’interdisciplinarité. Ils se donnent pour mission de relier les communautés de chercheurs, en créant un espace collaboratif et mettant en avant de nouveaux outils pour ces derniers.