HORIZONTE EUROPA: Planificación, seguimiento y evaluación de la producción de conocimientos científicos

Resultados esperados

Se espera que los resultados del proyecto contribuyan a todos los resultados previstos siguientes:

• En la medida de lo posible, los planes de gestión de datos (PGD) están normalizados en todas las disciplinas. Su capacidad de acción mecánica se ve favorecida por su integración en flujos de trabajo automatizados pertinentes y por el uso generalizado y exhaustivo de identificadores persistentes para una amplia gama de objetos digitales (por ejemplo, publicaciones, datos, software, flujos de trabajo, almacenamiento, organizaciones, proyectos, financiadores, servicios, investigadores, instalaciones, empresas, etc.) con el fin de explotar la interconexión subyacente.
• La evaluación de los planes de gestión de residuos (su integridad y adecuación) está cada vez más automatizada, por ejemplo mediante tecnologías de web semántica, y se basa en parámetros de evaluación nuevos y existentes.
• Los grafos de conocimiento científico (SKG, por sus siglas en inglés) son ampliamente adoptados para hacer posible un ecosistema de investigación transparente, promover el seguimiento de la procedencia y facilitar una mayor consideración de los diversos resultados de la investigación en la evaluación de la misma.
• Las políticas, los modelos, los marcos de concesión de licencias, los flujos de trabajo y las herramientas permiten una aplicación colaborativa transnacional e interdisciplinar de métricas para evaluar y mejorar el carácter FAIR de una amplia gama de objetos digitales más allá de las publicaciones y los datos, incluido el software, los flujos de trabajo, etc.

Alcance

La producción de conocimientos científicos aumenta rápidamente, y se necesitan metodologías, flujos de trabajo y herramientas coherentes para planificar cuidadosamente la actividad investigadora, hacer un seguimiento de su impacto y contribución, y evaluar su conformidad con los principios FAIR para garantizar una ganancia máxima de los esfuerzos previos.

Los planes de gestión de datos (PGD) se han convertido en compañeros esenciales de la práctica investigadora para garantizar una planificación adecuada y prever y superar los obstáculos relacionados, por ejemplo, con la producción y el almacenamiento de datos. Sin embargo, los planes de gestión de datos son heterogéneos y se han realizado pocos esfuerzos para promover su automatización o para automatizar su evaluación.

Los gráficos de conocimiento científico (SKG, por sus siglas en inglés) son herramientas esenciales y flexibles para supervisar y realizar un seguimiento de los acontecimientos científicos relacionados con la procedencia, la publicación, las citas, el procesamiento de datos, el uso de datos y software y el consumo de servicios. Los SKG proporcionan un gráfico interconectado subyacente de eventos científicos con el que pueden enlazarse las DMP, pero su aplicación va mucho más allá, y los servicios de impacto relacionados pueden permitir que los SKG visualicen la actividad investigadora, a través de indicadores de ciencia abierta, bibliometría, calidad, rendimiento, impacto, popularidad, etc.

La evolución de las prácticas de evaluación de la investigación da cada vez más valor a las contribuciones de la ciencia abierta, a la diversidad de actividades y resultados de la investigación más allá de las publicaciones y los datos, y a su impacto potencial. Una amplia gama de objetos digitales más allá de las publicaciones y los datos, incluidos los preprints, el software, el código, los flujos de trabajo y los procesos, como las revisiones abiertas por pares, requieren una mayor trazabilidad. Además, se necesitan métricas coherentes y exhaustivas para evaluar y mejorar la imparcialidad de una amplia gama de objetos digitales.

Las propuestas deben abordar todas las actividades siguientes, destinadas a mejorar:

• Planificación de las actividades de investigación
  • Contribuir a la normalización y homogeneización de los elementos agnósticos de dominio en los PMD, basándose en esfuerzos anteriores (por ejemplo, las directrices de Science Europe, la plantilla de PMD de la ES, etc.), desarrollar orientaciones sobre cómo hacer que los PMD sean FAIR (incluso a través del depósito, la publicación, etc.) y buscar la integración en los flujos de trabajo automatizados pertinentes;
  • Garantizar el uso generalizado y exhaustivo de los PID para preprints, publicaciones, revisiones abiertas por pares, datos, software, flujos de trabajo, almacenamiento, organizaciones, proyectos, financiadores, servicios, investigadores, instalaciones, empresas, patentes, etc., y su interconexión con las normas de los PID;
  • Desarrollar casos de uso e instancias de prueba de concepto de la capacidad de actuación automática de los DMP, en consonancia con los desarrollos de los grafos de conocimiento científico (SKG) para maximizar la interconexión entre los distintos elementos del ecosistema de investigación;
  • Automatizar, en la medida de lo posible, la evaluación de los PDM (evaluando su integridad y adecuación) mediante, por ejemplo, tecnologías de web semántica, basándose en métricas de evaluación de PDM nuevas y ya existentes (por ejemplo, la rúbrica de evaluación de Science Europe);
• Seguimiento de las contribuciones a la investigación y su impacto
  • Promover la adopción de SKG interoperables a nivel internacional, nacional, regional, transfronterizo e interdisciplinar. Fomentar la interoperabilidad entre SKG apoyando modelos comunes que incluyan formatos de metadatos acordados, protocolos para mejorar la trazabilidad de los objetos digitales y permitir el uso de SKG para métricas de evaluación de la investigación;
• Evaluación del cumplimiento de los principios FAIR
  • Ampliar la orientación, las herramientas y los modelos de métricas FAIR (por ejemplo, el modelo de madurez de datos FAIR) para satisfacer las necesidades de los ámbitos temáticos y abarcar una amplia gama de objetos de investigación digitales;
  • Definir una gobernanza de confianza para medir el cumplimiento satisfactorio de las métricas/pruebas e identificar mecanismos que permitan medir de forma objetiva y transparente el cumplimiento de las normas específicas de la comunidad de confianza (por ejemplo, requisitos mínimos de información, esquemas de representación, terminologías, etc.). Fomentar la aprobación por parte de la comunidad de los mecanismos de medición de la imparcialidad de los objetos digitales;
  • Definir niveles mínimos de FAIRness para un amplio espectro de objetos digitales;
  • Explorar las condiciones límite, los mecanismos y los requisitos pertinentes a través de los cuales los servicios, los procesos y las actividades pueden ser FAIR-inductores y conducir a objetos digitales FAIR-by-design e investigar su impacto en la integración de FAIR en toda la práctica de la investigación.

Las propuestas deberán reconocer, basarse y, cuando proceda, colaborar con los grupos de trabajo y de interés (GT, GI) de la Research Data Alliance (por ejemplo, el GI sobre el modelo de madurez de datos FAIR, el GT sobre el plan de gestión de datos, etc.).

En cuanto a las actividades sobre «Seguimiento de las contribuciones de la investigación y su impacto», las propuestas deben establecer vínculos sólidos y una colaboración eficaz con los proyectos financiados en el marco del tema HORIZON-INFRA-2021-EOSC-01-04, que desarrollará un marco para interconectar y gestionar los SKG comunitarios y los servicios relacionados.

Además, deben buscarse complementariedades con el proyecto resultante del tema HORIZON-INFRA-2021-EOSC-01-05, y con los grupos ESFRI, especialmente en lo que respecta a la aplicación de métricas para medir la imparcialidad de los objetos digitales. Deberían aprovecharse las sinergias con los proyectos resultantes del tema HORIZON-INFRA-2022-EOSC-01-01 en lo que respecta al desarrollo de SKG, que deberían basarse en la información proporcionada a través de los servicios y herramientas que recopilarán y supervisarán la información y los datos sobre el uso y la asimilación de los resultados de la investigación, y de las prácticas de ciencia abierta a través de las fronteras y las disciplinas. Las sinergias y la colaboración también deben desarrollarse con los proyectos resultantes de los temas HORIZON-WIDERA-2021-ERA-01-45 y HORIZON-WIDERA-2023-ERA-01-11 que se espera piloten e implementen nuevas métricas para recompensar las prácticas de ciencia abierta y para la evaluación más amplia de la investigación.

Para garantizar la complementariedad de los resultados, se espera que las propuestas cooperen y se alineen con las actividades de la Asociación EOSC y se coordinen con las iniciativas y proyectos pertinentes que contribuyan al desarrollo de la EOSC.

En este tema, la integración de la dimensión de género (análisis de sexo y género) en los contenidos de investigación e innovación no es un requisito obligatorio.

Plazo

9 March 2023

Más información: Funding & tenders