国外科学数据共享研究综述，本文主要内容关键词为：国外论文,科学论文,数据论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
科研人员在原始数据的编码分析基础上获得的科学发现和成果是整个“科学企业”中最核心的“商品”[1]。科学数据的共享或公共获取问题已成为包括管理机构、资助机构、期刊、个人研究者、研究对象等在内的科学研究整个流程的利益相关者密切关注的问题[2-5]。特别是当前对可复制性研究的呼声越来越高，科学数据共享的努力开始转向对原始数据、协议、编码的共享[6-8]。国外对于科学数据共享问题的研究主要涉及数据共享的动力和障碍、科学数据共享带来的实质性影响、多方认知调查、政策法规、科学数据管理框架下的数据共享问题、技术问题的解决等多个方面，本文将以此为基础进行介绍和评述。
1 科学数据共享的动力和障碍
科学数据共享的动力和障碍分析一直是科学数据共享领域讨论的热点问题，研究者围绕是否应该共享、有何益处、存在哪些障碍等问题展开讨论[9-10]。研究者从科学研究发展的需要以及科研人员对科学数据的要求出发，分析了科学数据共享的动力和障碍。
1.1 科学数据共享的动力
早在20世纪70年代、80年代就有学者针对科学数据共享和开放的推动力进行了探讨。Stephen E.Fienberg等根据1979年国家统计委员会（Committee on National Statistics）的会议内容，分析了科学数据共享的益处，认为数据共享可以促进开放科学质询，增强对初始研究结果的证实、反驳或精炼，在现有研究结果基础上开展新研究，在政策的形成和发展中形成更合理的数据使用规定，改善测量和数据收集方法，发展理论知识和分析技术，鼓励多样化、多方位的观点，提供研究培训资源，防止错误数据以及营造科学研究与决策碰撞的氛围[11]。
近年来，国外对科学数据共享积极因素的分析主要从推动科学研究的发展、避免重复浪费、促进科学研究合作等方面进行探讨。（1）支持科学质询[12-13]，方便证实研究结果的正确性和有效性。通过对文章相关的支撑数据或研究结果数据等进行验证，从而为证实科学研究是否存在错误和偏差提供验证途径[14]。（2）为后续研究提供基础数据。人类基因项目（Human Genome Project）的科学数据共享实践已经证明，快速的数据共享为后续研究提供了便利[15]。（3）对研究机构而言可有效利用有限的资金[16]，避免重复研究带来的资源浪费。（4）促进稀有数据的长期有效保存，为孤立数据（orphan data）提供存储空间[17]。（5）提高与其他科学研究者和研究机构的合作机率。（6）提高作者和研究机构的声誉[18]。通过科学数据的引用和对科学研究结果的证实来提高研究者和研究机构的知名度。
1.2 科学数据共享的障碍
科学数据共享一直被探讨、分析和推广，但科学数据共享的实践和发展仍存在诸多障碍。Stephen E.Fienberg在1985年的报告中较早地对科学数据共享的耗费（cost）进行了分析，包括技术难题、数据的描述和记录、对原始生产者的回报、后续研究者的花费、共享费用等方面。
从诸多研究来看，科学数据共享的阻力主要来自于以下几个方面：（1）数据生产者的回报如何得以保证的问题[2]。研究成果（文章）的出版是对研究者劳动付出的回报或名誉的保证，而科学数据的共享以何种方式来保证对作者回报的问题亟待解决。（2）时间、人力和资金花费。作者提交的时间花费、存储和管理的人力资源花费以及资金的投入都是科学数据共享需要处理的支出问题，需减少提交时间以及优化数据的存储和管理。（3）法律问题[19]。即数据共享的发布和再利用等过程中涉及的法律问题。如何保证原始数据的作者权利以及通过何种有效的法律手段防止数据再利用可能带来的负面影响，都是数据共享需要解决的法律问题。（4）保密问题。即调查研究中涉及用户的隐私和保密问题等。心理学、统计学、医学、生物学等学科的科学数据涉及诸多调查对象的隐私，如何保证其调查对象等参与者的隐私信息是科学数据共享遇到的障碍之一。（5）对数据的错用、误用和错误诠释带来的影响以及对数据原始调查者的潜在危害[16]。上述科学数据共享面临的重要障碍，其对科学数据共享障碍作用的程度以及解决方法等仍有待进一步研究。
2 科学数据共享带来的实质性影响
科学数据的共享给科学研究体系带来的影响表现并不显著，需要通过调查分析等以量化形式来体现。研究者从不同角度通过不同方法对科学数据共享带来的影响进行分析，以期对科学数据共享的影响和结果等方面进行总体扫描。
2.1 数据共享对文献引用率的影响
Heather A.Piwowar等对85种癌症微阵列临床试验领域出版物的被引历史进行调查分析，发现其中微阵列数据可公共获取的48%的期刊占据了所有期刊引用率的85%。在不考虑期刊影响因子等因素的情况下，可公共获取的数据与69%的引用增长密切相关（P值为0.006）[20]。Sears对Web of Science数据库中《古海洋学》（Paleoceanography）1993—2010年的文章引用进行统计，发现其中占12.85%的171篇提供可获取相关科学数据的文章的引用率占全部引用频率（40 409）的19.94%（8056），由此可知在18年中可公共获取的科学数据与35%的引用率显著相关（P值为0.007，95%信度区间），其中有14年的增长基本呈持续状态[21]。
多项关于科学数据共享与文献引用率之间关系的研究，其结果一致表明数据的共享或可公共获取与引用率呈正相关的关系。通过科学数据的共享可以明显提高文章或期刊的引用率，这也为促进科研人员进行科学数据的共享提供了有效的推动力。
2.2 数据科学的产生和发展
科学数据的共享、存储和管理问题逐渐得到社会各界的关注，随之而来的是数据科学（Data Science）的产生和对相应职业人员需求的发展。1974年，Peter Naur出版《瑞典和美国计算机方法的简明调查》（Concise Survey of Computer Methods in Sweden and the United States），序言中指出国际信息处理联合会（International Federation for Information Processing,IFIP）1968年年会主题为“计算科学——数据和数据处理的科学以及它在教育中的地位”，数据科学已经在此著作中大量使用[22]。随后，数据科学的相关会议、期刊和组织不断涌现，如1996年国际分类学会联合会（International Federation of Classification Societies,IFCS）在东京召开主题为“数据科学、分类和相关方法”的会议；2002年4月《数据科学期刊》（Data Science Journal）创刊；2008年7月，JISC发布了题为《数据学家和数据管理者的技巧、角色和职业：当前实践与未来需求的评估》（The Skills,Role & Career Structure of Data Scientists & Curators:Assessment of Current Practice & Future Needs）的报告[23]。科学数据的保存、管理、共享、分析、再利用等研究和实践工作的发展与数据科学的产生、发展紧密结合并相互促进。
数据科学作为一门新的学科逐渐被社会各界所重视，数据生产者（Data Creator）、数据学家（Data Scientist）、数据管理者（Data Manager/Curator）、数据馆员（Data Librarian）等作为新的职业应运而生。
3 不同主体的认知、态度与责任
3.1 研究者的认知
3.1.1 对科学数据共享的整体性认识
科学数据的生产者是科学数据共享的重要参与者，其态度在较大程度上决定着科学数据共享的进程和发展。研究者针对不同学科领域的研究者对科学数据共享的态度和认知展开调查分析。
Adrian Mulligan对6344名研究者进行在线调查，发现67%的研究者认为获取研究的支撑数据十分必要，75%的研究者希望获取他人的研究数据，表示愿意提供数据给他人的研究者占52%。研究结果表明，多数研究者认为科学数据共享对科学研究具有重要意义，但研究者共享自己研究生产的数据时顾虑较多[24]。Neela Enke等针对生物多样性领域专家对科学数据共享的态度进行调查，结果显示，该领域专家愿意参与科学数据的开放和共享，但未付诸行动的原因来自于技术和社会两方面的阻碍，包括研究者对科学数据共享缺乏控制、时间花费、缺乏统一的标准、数据错用、保密问题等方面的担忧[25]。Jelte M.Wicherts等调查显示作者不愿共享数据的原因是担心数据共享之后可能会揭示研究中的错误或再分析会生成与原结果相反的结论。当数据报道错误对统计本身具有重要影响时，不愿共享数据的现象更加明显。作者认为需要建立强制性的数据保存政策[26]。
3.1.2 对不愿共享科学数据的科研人员的认知调查
除研究者对科学数据共享问题的整体性调查分析之外，部分研究还针对“持有数据”等不愿进行科学数据共享的现象进行专门研究。1962年，Wolins对心理学的37位研究论文的作者进行索取原始研究数据的调查，只有11位作者提供了可复制性研究数据[27]。1973年，Craig和Reese对Wolins的研究进行了拓展，对心理学期刊一半的作者进行调查。1982年，Reid等对99个学术营销期刊的作者进行调查，有一半的作者不愿或不能提供原始的可复制性研究数据[28]。Eric G.Campbell等人在全国调查的基础之上，对基因学领域研究者“持有数据”的现象进行分析，47%的基因学家在过去的三年中向发表研究成果的研究者发出索取数据请求，至少有1次被拒绝，拒绝率为10%；12%的研究者承认过去三年曾拒绝他人的数据请求。研究表明，“持有数据”的现象在基因学领域存在且对基础科学活动，如对出版结果的证实等方面产生影响，其主要原因在于研究者缺乏资源和科学优先权问题[29]。
从整体看，与共享数据相比，研究者更倾向于获取他人数据。不愿共享数据的原因多来自于对科研整体环境的担忧。对研究者整体或者不同学科领域研究者的调查分析，结果都表明科研人员特别是基因、医学、化学等领域科研工作者对科学数据共享的认同感更强，需求也更强烈，但相比对他人科学数据的强烈需求而言，共享自身所拥有的科学数据的顾虑较多，因此共享的积极性相对较差。
3.2 机构和组织的积极态度
科研机构、资助机构是科学数据共享的重要参与者，其态度决定着本机构相关科研人员的科学数据共享实践。越来越多的机构或组织投身科学数据共享的发展中，积极推动本机构、领域或者资金所资助的研究者进行科学数据的共享和公共获取。如美国国家自然基金委员会（National Science Foundation,NSF）在其《奖励和管理指南》（Award and Administration Guide）第四章专门就研究成果的传播和共享问题进行阐述[30]。2010年，NSF声明更改其数据共享政策，要求自2011年7月18日起，所有申请NSF资助的项目计划要以两页补充文件形式提交研究项目的数据管理计划（Data Management Plan）[31]。
英国惠康基金会（Wellcome Trust）2010年8月发布《数据管理与共享政策》，要求所有寻求该机构资助的研究者需要考虑研究提出阶段对科学数据管理和共享的方法，惠康基金将通过不同领域科学数据的共享等方式来为最大化科学数据的价值营造环境[32]。美国国家医学卫生研究院（National Institutes of Health,NIH）专门就科学数据共享问题发布一系列政策。2011年，新西兰健康研究委员会（The Health Research Council of New Zealand,HRC）等17家健康机构等共同签署共享科学数据联合声明，希望通过建立数据管理和共享的框架和标准，促进医疗卫生的更快发展、发挥更好的资金价值以及实现科学更高质量的发展[33]。越来越多的机构和组织将关注的视角转向科学数据的管理和共享问题，无疑将为科学数据共享的实践发展注入动力。
3.3 图书馆的角色与责任
21世纪，图书馆面临着技术变革、预算约束、版权和许可问题、用户行为和期望转变乃至学术交流方式等多方面的挑战。新的学术交流体系中，研究人员正在利用最新的计算技术等生产着大量的科学数据，此类数据所支撑的观念反过来传播了新的方法和知识。在E-research的环境下，图书馆员不断探索作为数据管理者（Data Curator）的角色和责任，而图书馆则发挥传统信息组织和管理的方法和优势，在数据管理与共享过程中寻求一席之地。
数据图书馆（Data Library）源于20世纪60年代的美国，用以支持科研人员在科研活动中使用数据[34]。英国最早的数据图书馆于1983年设立于爱丁堡大学，如今在伦敦经济学院和牛津大学有“数据图书馆服务”（data library services）。由此可见图书馆与数据的服务密切相关。如今图书馆界越来越多地参与到数据的管理和共享活动中。图书情报专业排名第一的伊利诺伊大学图书情报学院将科学数据管理（Data Curation）作为图书情报硕士学位的方向之一。近年来，麻省理工大学、雪城大学、牛津大学、剑桥大学等国外多所高校图书馆都积极参与到科学数据的存储、管理和共享实践中。
4 科学数据共享相关的政策法规
科学数据共享涉及多方利益，因此其政策法规的研究也涉及多方主体，包括科学数据生产者、资助机构、期刊出版者、数据再利用者、第三方存储机构、研究的调查对象等。科学数据共享的政策法规研究从整体来看多从科学数据的发布、再利用、知识产权等方面展开。
4.1 科学数据共享的政策框架
1999年，经济合作与发展组织（OECD）的全球科学论坛（Global Science Forum,GSF）批准成立的神经信息学工作组于2003年从基因学领域科学数据共享的实践中总结大规模数据生产带来的盈利性研发与公众要求的“开放科学”（open science）之间的关系，以及科学数据共享的法律和政策框架，包括数据的授权、集体授权组织的责任、强制授权的条件以及神经信息学领域数据的匿名问题等，以解决阻碍科学数据共享的文化和法律障碍。法律政策框架的构建中吸取免费软件社区（Free Software Community）的做法，建议增强公共科学数据集的角色，并提出了确认和允许开放科学利用数据的同时允许商业研究再利用的弹性授权机制[35]。
Henry Rodriguez等对2008年国家癌症研究所（National Cancer Institute,NCI）召开的阿姆斯特丹会议内容进行了详细的解读。阿姆斯特丹会议针对蛋白质组学数据共享的技术难题、基础设施难题以及政策挑战等障碍，提出大规模科学数据共享的时间、综合、格式、存储于数据仓储、质量标准以及蛋白质组学数据的发布责任六条原则，从而形成了领域内科学数据共享政策的基本框架[36]。Dave A.Chokshi等针对基因流行病学合作领域的大规模研究数据共享和知识产权问题进行探讨，从区别集体和个人数据资源、样本的获取、联盟内的信息获取、联盟外信息的获取、研究者从事的数据分析等方面对科学数据共享政策进行分析，提出了为科学数据申请专利与否的决策标准，并从全球市场的角度分析了知识产权管理的指导原则等问题[19]。
4.2 科学数据共享主体的权责与规范
对科学数据知识产权问题的解决方面，研究较多的是科学数据的作者权利、用户责任以及创作共用协议（Creative Commons）的使用等问题。NIH在资助政策声明的数据共享政策中规定：及时发布和共享被定义为数据集的发布不迟于主要研究发现所在的研究成果被期刊等接受的时间；每年直接开销在50万美元的调查研究需要在其应用中阐明数据共享问题[37]。对提供科学数据进行共享的时间限制是对数据生产者的权利和利益的一种保护措施，通常以6～12个月为时限[2]。Science Commons专门针对科学数据的开放获取问题发布了《实施科学数据开放存取协议》（Protocol for Implementing Open Access Data），从知识产权基础、范围、标记和元数据、数据开放存取原则、数据开放获取实施、数据库授权等方面对科学领域数据的共享进行规范[38]。
4.3 机构与期刊的政策内容研究
伦敦大学卫生与热带医学学院（London School of Hygiene and Tropical Medicine）对支持本校建立科学数据管理和共享的包括英国癌症研究所、英国健康部、医学研究委员会等在内的17个资助机构的要求和政策，从数据覆盖范围、数据管理计划的要求、数据管理的资金资助、数据滞留时间限制、数据共享要求、被制定的数据中心、监督遵循等方面进行了详细分析[39]。Stephanie OM Dyke和Tim JP Hubbard以惠康基金桑格研究所（Wellcome Trust Sanger Institute）为例，研究在机构范围内执行数据共享政策的过程和其间遇到的挑战，包括管理问题、在多样化的实验条件下的原则适用问题、建立促进性的系统和框架、激励和合作问题等[40]。
Alawi A.Alsheikh-Ali等对2009年发行的50种高引用率的、发表原创研究成果的期刊进行调查统计，发现其中44种（占总数的88%）期刊在对作者的声明或指南中有对提交稿件中涉及数据的公共获取和共享的规定，但规定各异，有些要求对科学研究的全部数据进行共享，有些则只需提交在被要求时提供相应数据的声明[41]。Heather A.Piwowar等对70种期刊的科学数据相关政策进行调查，发现其中53种在作者指南中对出版物相关数据共享作出规定。在作者的强弱政策划分中，《细胞》、《科学》、《自然》等23种期刊对出版物相关数据的共享做出了相对明确且严格的规定[42]。《科学》杂志在一般性政策中针对科学数据指出两点：一是任何对用以证实文章报道的实验的支撑材料、方法和数据的合理要求都应该被尊重；二是在出版前，包括蛋白、DNA序列等在内的大数据集都应被存储在特定的数据库中，并且应当在出版的文章中提供数据的存储号。此外，《科学》杂志还在专门的数据库存储政策中对科学数据的存储做出了详细的规定和说明。
5 科学数据管理框架下的数据共享问题
5.1 科学数据管理生命周期的组成部分
近年来，科学数据管理逐渐被科学界和图书馆界重视。科学数据管理是在数据对学术、科学和教育发挥作用的整个生命周期中对数据主动的、持续的管理活动，实现对数据的发现、检索、质量保证、增值和复用，包括授权、存档、管理、保存、检索和数据呈现等过程[43]。科学数据共享是科学数据管理整个生命周期的一个重要组成部分。数据管理中心（Data Curation Center,DCC）的数据管理生命周期模型中数据的获取、利用和复用环节要求数据对于指定的用户和复用用户都是可获取的[44]。
5.2 与出版物相关的科学数据共享
随着科学数据共享要求的不断深入，越来越多的期刊开始要求文章作者提供原始科学数据或者将其存入特定数据库以共享。生物科学作者责任委员会（Committee on Responsibilities of Authorship in the Biological Sciences）2003年发布题为《共享出版物相关数据和资料：生命科学的作者责任》的报告，认为学科领域的标准和政策是出版物相关资料、数据存储和共享的重要推动因素，并指出与出版物相关的科学数据的共享是作者的责任[45]。
与出版物相关的科学数据的共享研究主要集中于期刊相关的科学数据的共享。多伦多数据发布研讨会发布报告，从人类基因项目（Human Genome Project,HGP）总结经验，认为快速的出版前（Pre-publication）数据共享能为后续研究提供更为便利的研究基础，同时从项目性质界定、资助机构、数据生产者、数据分析者和期刊编辑五个方面针对出版前数据的快速共享提出建议[46]。Rome会议针对出版后（Post-publication）科学数据或出版物支撑数据的共享问题进行探讨，针对出版后科学数据共享的授权和专利权、数据共享基础设施、标准与工具的建设、贡献与奖励等方面进行讨论[15]。在出版物相关数据的共享实践方面，以Dryad数据仓储的实践较为典型。Dryad实现文章与科学数据的双重出版，作者在向期刊投稿的同时，向Dryad提交科学数据，通过元数据特定元素的规范，实现文章与科学数据的互联，其元数据工作被称为“最好实践”。
6 技术问题的解决和发展
6.1 元数据描述和互操作问题
对于科学数据的共享问题而言，元数据不仅仅是简单的“数据的数据”，而是用以支撑各种系统功能需求的结构化数据[47]。通过元数据的质量控制，可以更好地实现科学数据的共享和不同数据仓储之间的互操作，从而避免科学数据存储的重复，实现科学数据的互通。国外研究者或数据仓储建设者在都柏林核心元数据（Dublin Core,DC）的基础上，融合专业领域的元数据如进化生物学领域的达尔文核心元数据（Darwin Core）等，形成完整的科学数据元数据规范，通过元数据收割协议（Open Archives Initiative Protocol for Metadata Harvesting,OAI-PMH）等实现不同元数据之间的互操作，为科学数据的共享奠定了元数据基础。
Tschangho John Kim对现有的8种地理领域的元数据：美国联邦地理地图数据委员会的数字化地理元数据内容标准、美国政府信息定位服务应用规范、澳大利亚—新西兰土地与地理数据指南核心元数据元素框架、加拿大数字化地理参照数据集描述信息指南、欧盟地理信息数据描述元数据草案（CEN 287）、国际水文组织数字化水文数据转化标准草案（IHOS57）、NATO数字化地理信息交换标准（DIGEST）、国际标准化组织ISO/TC211/WG3地理空间数据管理工作组元数据等包含的基本元数据元素进行比较分析，以期为地理数据元数据的发展提供借鉴[48]。
6.2 本体技术应用于科学数据共享
本体作为一种对知识的逻辑性的结构化组织，加速了科学数据的组织、发现和共享。通过本体语言的组织，方便了研究者在复杂资源中快速定位数据以及对数据进行比较。Nicole Washington和Suzanna Lewis以基因领域科学数据的组织为例，通过基因本体（Gene ontology）实现基因科学数据的标准化组织，从而减少科学数据发现的障碍[49]。
Hardy Pundt和Yaser Bishr以地理信息系统为例，将本体技术如RDF等应用于科学数据的组织，从而实现不同地理信息系统之间、不同描述元数据之间的互操作，从而实现领域内科学数据的共享[50]。Chad Berkley等以生态学领域的数据仓储为例，利用本体术语层次结构扩展Metacat的标准化关键词检索；将关键词检索与语义注释结合作为传统元数据的补充；通过本体术语为基础的语义注释实现更加结构化的检索，构建了从底层科学数据、元数据描述、可扩展发现本体的语义注释到领域本体的基本框架，以期使Metacat的元数据检索朝着更准确的语义检索方向发展[51]。
6.3 关联数据用于科学数据组织和发布
Tomi Kauppinen在2011年发起建立linked science.org，认为“关联科学”（Linked Science）是将科学产出的成果进行关联以实现透明化、复制性、跨学科研究的途径。关联科学致力于关联数据在科学研究中的应用，特别是用关联数据发布和组织科学数据从而实现科学数据的共享，后来linkedscience.org逐渐形成科研团队[52]。利用关联数据技术对科学数据进行组织和发布逐渐成为科学界的关注热点。为解决传统数据共享方式花费大、缺乏激励机制的问题，Yolanda Gil和Varun Ratnakar利用关联数据的思想建立一种新的融合科学文化实践的语义框架：将科学数据集进行链接，从而实现解决科学问题、通过研究者参与元数据的建设减轻其数据共享负担、跟踪所有贡献者的行为并显示其信誉[53]。
Theodore Dalamagas等以miRBase为例，研究利用关联数据进行生命科学领域基因和实验数据的组织和发布。其研究的关联数据服务器可以协助生物学家对生物学实体和发展进行探索，同时提供了SPARQL终端应用和服务以实现miRAN数据的历史查询、对突变的追踪和其因果探究[54]。Cord Wiljes和Philipp Cimiano根据化学和生物学的两个实例，认为利用关联数据对原始数据进行发布可以使数据被自动发现、实现跨学科和不同背景的科学家进行数据复用和数据的核实，并提出在利用关联数据进行科学数据发布的过程中，科学数据管理者将发挥重要作用[55]。
7 结语
国外对科学数据共享的研究由来已久，不同的科研人员和机构对科学数据共享的关注角度和研究主题各不相同。国外对科学数据共享的研究呈现出以下特点：
（1）学科分布广泛，以“大科学”（big science）为主。国外对科学数据共享问题研究分布在生物、医学、基因学、化学、地理科学等众多学科领域，其中以科学数据生产量较大并以数据作为科学研究基础和关键的“大科学”为主。科学数据共享的研究在社会科学领域则主要集中在心理学、统计学、经济学等数据产出量相对较大的学科。
（2）多以实践为导向，主题较为广泛。国外对科学数据共享研究的重点为科学数据共享的动因和实现研究，从近几年的研究主题来看，研究重点主要涵盖科学数据共享的动力和障碍、科学数据对科学研究的影响、参与主体的认知与实践之间的偏差、相关政策法规以及科学数据共享实现技术的研究与实践等方面。
（3）研究向推进科学数据共享的深入实现发展。国外对科学数据共享的动因分析较为成熟，而对于科学数据共享实现中出现的关键性问题如参与主体认知随环境的变化、科学数据共享对科学产出的影响的量化分析、关联数据和语义网等新的信息组织技术如何更好地应用于科学数据共享等方面的研究正在逐步深入和完善。
随着科研环境的改善、科学研究对原始科学数据需求的增长以及相关管理机构特别是资助机构和科研团体对科学数据共享的要求逐步规范和强制，国外科学数据共享的认可程度和实践程度逐步提高，为科学研究人员、机构乃至国家间的科研合作提供了良好契机，对科学数据共享的研究也将不断深入和丰富。