Persistent Identification and Referencing of Evolving Research Data in Computational Experiments

Abstract

Die Rolle computergestützter Experiment als Quelle von wissenschaftlichen Erkenntnissen gewinnt zunehmend an Bedeutung in der wissenschaftlichen Community. Dabei sind die verwendeten Datensätze oft nicht statisch, sondern entwickeln sich im zeitlichen Verlauf weiter (z.B. werden Einträge hinzugefügt, modifiziert oder gelöscht). Beim Publizieren der Ergebnisse ist es üblich den Sourcecode in einem entsprechenden Repository und die benutzten Daten auf der Institutswebseite zu veröffentlichen. Auf die verwendeten Datensätze wird meist via URL verwiesen. Da diese jedoch ihre Gültigkeit verlieren können, führt das zu nicht reproduzierbaren Forschungsergebnissen. Diese gängige Praxis macht es anderen Forschern schwer, publizierte Experimente zu finden und wiederzuverwenden. In dieser Arbeit präsentieren wir ein Plugin für ein Forschungsdatenrepository, welches Wissenschaftlern ermöglicht Subsets von sich ändernden Datensätzen zu veröffentlichen und zu zitieren. Zusätzlich wird eine Schnittstelle bereitgestellt, die es computergestützten Experimenten durch Angabe des entsprechenden persistenten Identifikators ermöglicht, die Datensätze zu beziehen. Es wird gezeigt, dass die persistente Identifikation von Sourcecode und verwendeten Daten die FAIRness dieser Experimente erhöht. Als Resultat werden fünf Guidlines definiert, um Wissenschaftler dabei zu unterstützen, die FAIRness ihrer veröffentlichten Experimente zu erhöhen.

The role of computational experiments as a source of insights is becoming increasingly important in the scientific community. The datasets used for experiments are often not a static resource but rather evolve over time (e.g. records are added because new information is available, existing records are modified or deleted in order to correct mistakes). When it comes to publishing the results of those experiments, it is common practice to put the code on an institutional website or into a code repository and reference the dataset by providing a link. As links can break, this leads to a lack of reproducibility. Therefore, it is cumbersome for other researchers to find and re-use computational experiment assets (code or data) if everyone stores them on their institutional website. In this thesis, we provide a new plugin for the a data repository which enables researchers to publish and cite specific subsets of evolving datasets. In addition, we provide an interface that can be used by computational experiments to persistently retrieve datasets from the repository by providing their persistent identifier. Furthermore, we show how persistent identification of experiment source code and data subsets can increase the FAIRness of the published experiment. As a result, we define five guidelines to support researchers in increasing the FAIRness of their computational experiments based on subsets of continuously evolving data.