Organisering av data

Data (og metadata) skal organiserast og strukturerast slik at det er oversiktleg og lett å finne fram til riktig versjon, og slik at ein kan spore eventuelle endringar. Det skal også vere mogleg å opne filene i framtida, sjølv om programvara eller utstyret som vart brukt er utgått eller kome i ny versjon. Det er derfor viktig å tenke langsiktig heilt frå starten når det gjeld organisering av datafiler – gjerne som ein del av prosjektet sin datahandteringsplan (DMP; sjå Sikt: Create a data management plan).

Mappestruktur

Ein tydeleg og konsekvent mappestruktur gjer det enklare å finne fram i data undervegs i prosjektet og ved seinare gjenbruk. Eit vanleg prinsipp er å skilje mellom

• rådata (raw) – urørte originaldata, som aldri bør endrast
• bearbeidde data (processed) – data etter reinsing, transformasjon el.l.
• analyse (analysis) – skript, resultat og figurar

Bruk gjerne ei README-fil på toppnivå i prosjektmappa som forklarer mappestrukturen, filnamnkonvensjonane som er brukte, og eventuelle avhengigheiter (programvareversjonar, skript som må køyrast i ei gitt rekkefølge, osv.). Dette gjer det langt enklare for andre – og deg sjølv – å forstå datasettet seinare.

Filformat

Det er viktig å tenke på filformat og bruk av open programvare framfor proprietær (produsenteigd) programvare. Ved arkivering av datasett bør filene derfor ofte lagrast i eit anna format enn det som vart brukt undervegs, for eksempel rein tekst framfor Microsoft Word, og CSV framfor Microsoft Excel.

Vurder å bruke anerkjende lister over anbefalte langtidsformat (til dømes PDF/A for dokument, TIFF for bilete og FLAC for lyd) som støtte i valet. Å velje opne, veldokumenterte format er også ein sentral del av FAIR-prinsippa, som ligg til grunn for norsk og europeisk forskingsdatapolitikk.

Versjonskontroll

Ofte blir det laga nye versjonar av datafiler, og det anbefalast at kvar ny versjon får eit unikt namn. Vanlege måtar å gjere dette på er å nummerere versjonane, for eksempel «v1», «v2» eller «v2.1». Ein annan metode er å inkludere informasjon om endringane som er gjort, for eksempel «cropped» eller «sortert».

For kode og tekstbaserte filer anbefalast det å bruke dedikerte verktøy for versjonskontroll, som Git, framfor manuell filnamngiving. For heile forskingsprosjekt kan verktøy som Open Science Framework (OSF) vere nyttig for å halde orden på versjonar, samarbeid og dokumentasjon gjennom heile prosjektet.

Uansett metode bør endringar dokumenterast i ein enkel endringslogg, slik at det går fram kva som er endra mellom versjonane og kvifor.

Namngiving av filer

For å halde oversikten og for å gjere det mogleg å bruke dataa i framtida, bør ein også vere nøye med namngiving og datering av filer. Her finst det internasjonale konvensjonar som med fordel kan følgast.

* Spesialteikn som @ og % kan tolkast ulikt av ulike program eller operativsystem – det same gjeld mellomrom viss det eigentleg er eit linjeskift. Punktum brukast tradisjonelt berre føre filendingar. Ved å unngå spesialteikn fjernar du ei potensiell feilkjelde i datafilene dine.

** Viss du treng ein metode for å visuelt skape «skilje» i filnamna dine, prøv «camelCase» (der mellomromma mellom orda er erstatta med stor bokstav, f.eks. myCoolData) og/eller understrek (_). Understrek tolkast likt på tvers av program og operativsystem.

Metadata og identifikatorar

Gode metadata er avgjerande for at data skal kunne forståast og gjenbrukast seinare, både av deg sjølv og andre. Sjå eigen artikkel om metadata for meir om ulike typar metadata og aktuelle standardar.

I tillegg bør ein bruke persistente identifikatorar konsekvent gjennom heile datahandteringsprosessen – til dømes DOI for datasett og ORCID for personar – slik at både data og bidragsytarar kan sporast og siterast korrekt.

Tekst: Open Science Toolbox/Sikt. Oppdatert med hjelp frå Claude (Anthropic)

Lisensiert med CC0