Automating Data Management Plan Evaluation Through the Integration of Machine-Actionable Data Management Plans and FAIR Implementation Profiles

Abstract

maschinenlesbaren Data Management Plans (maDMPs) vor. Grundlage ist die Ausrichtung von maDMPs, die nach dem Research Data Alliance Common Standard für maschinenlesbare Data Management Plans (DCS-Schema) strukturiert sind, an community-definierten Erwartungen, die in FAIR Implementation Profiles (FIPs) erfasst werden. Die Arbeit verwendet zwei zentrale Metriken: Erstens die mapping coverage, die den Anteil derFragen misst, die zur Erstellung eines FIP genutzt werden und Feldern des DCS-Schemas zugeordnet werden können; zweitens das Konzept der planned FAIR alignment, das bewertet, wie gut die in einem maDMP angegebenen oder geplanten Maßnahmen (z. B. Wahl der Lizenz, Metadatenschema, Identifikatoren) mit den Erwartungen der FIPs übereinstimmen. Im Unterschied zu Werkzeugen zur FAIR-Bewertung auf Datensatzebene konzentriert sich dieser Ansatz auf die Compliance innerhalb von RDM-Workflows.Ein Prototyp zur Compliance-Prüfung implementiert diese Zuordnungen und erzeugt strukturierte Evaluationsergebnisse, die dem OSTrails FAIR Test Result Specification (FTR) entsprechen. Diese Ergebnisse unterstützen semantische Abfragen in RDF und erleichtern automatisierte Vorab-Prüfungen in Aufgaben des Forschungsdatenmanagements (z. B. Vollständigkeitsprüfungen und Richtlinienabgleich mit Community-Profilen). Das Framework unterstützt zudem die Übernahme von FIP-Fragen aus Nanopublications, um neue Zuordnungen in das Tool einzubinden und so die Übertragbarkeit auf verschiedeneFachdomänen zu verbessern. Insgesamt trägt die Arbeit mit einem operativen Werkzeug und einem methodischen Ansatz dazu bei, FAIR-orientierte Planung zu stärken und eine reproduzierbare, maschinenlesbare Bewertung von maDMPs zu ermöglichen.

This master’s thesis presents a framework for the automated assessment of machineactionable Data Management Plans (maDMPs). It is based on aligning maDMPs structured via the Research Data Alliance Common Standard for machine-actionable Data Management Plans (DCS) schema, with community-defined expectations, captured in FAIR Implementation Profiles (FIPs). The research employs two central metrics: first, the mapping coverage, measuring the proportion of the questions used to create a FIP that can be matched to fields in the DCS schema; second, the concept of planned FAIR alignment, evaluating how well the actions (or planned actions) specified in a maDMP (e.g., choice of license, metadata schema, identifiers) align with FIP expectations. Unlike dataset-level FAIR scoring tools, the approach focuses on compliance within ResearchData Management (RDM) workflows.A prototype compliance checker implements these mappings and produces structured evaluation outputs conforming to the OSTrails FAIR Test Result specification FTR. These outputs support semantic querying RDF and facilitate automated pre-assessment workflows for data stewardship tasks (e.g., completeness checks and policy alignment against community profiles). The framework also supports ingesting FIP questions from Nanopublications to add new mappings to the tool, improving portability across domains. Overall, the thesis contributes an operational tool and a methodological approach that strengthen FAIR-aligned planning and enable reproducible, machine-readable assessmentof maDMPs.