Một cảnh quen thuộc: bài báo sắp gửi, tạp chí yêu cầu công khai dữ liệu, và người viết phát hiện dữ liệu của mình nằm rải rác trong hàng chục tệp đặt tên khó hiểu, không ai nhớ tệp nào là bản cuối.
Việc quản lý dữ liệu không thể làm ở cuối dự án. Nó phải bắt đầu từ ngày đầu tiên.
Vì sao điều này ngày càng quan trọng
- Nhiều quỹ tài trợ yêu cầu kế hoạch quản lý dữ liệu ngay trong hồ sơ xin tài trợ.
- Nhiều tạp chí yêu cầu công khai dữ liệu làm điều kiện đăng bài.
- Khả năng tái lập đang được coi trọng hơn — kết quả không kiểm chứng được thì giá trị hạn chế.
- Dữ liệu được chia sẻ thường được trích dẫn nhiều hơn và có thể được ghi nhận như một sản phẩm nghiên cứu riêng.
- Bảo vệ chính bạn — nếu công trình bị chất vấn, dữ liệu được tổ chức tốt là bằng chứng.
Kế hoạch quản lý dữ liệu
Viết trước khi thu thập, dù chỉ một trang:
- Dữ liệu nào sẽ được tạo ra, ở định dạng gì, khối lượng bao nhiêu.
- Tổ chức và đặt tên thế nào.
- Lưu ở đâu trong quá trình làm.
- Sao lưu ra sao.
- Ai được truy cập.
- Dữ liệu nhạy cảm được bảo vệ thế nào.
- Lưu bao lâu sau khi kết thúc và ai chịu trách nhiệm.
- Chia sẻ phần nào, ở đâu, theo điều kiện gì.
Hỏi thư viện hoặc bộ phận hỗ trợ nghiên cứu của cơ sở bạn — nhiều nơi có mẫu và có người tư vấn miễn phí.
Tổ chức trong quá trình làm
Cấu trúc thư mục:
- Tách rõ dữ liệu thô (không bao giờ sửa), dữ liệu đã xử lý, và kết quả.
- Để mã xử lý ở thư mục riêng.
- Tài liệu mô tả đi kèm dữ liệu.
Nguyên tắc quan trọng nhất: không bao giờ sửa dữ liệu thô. Mọi xử lý tạo ra tệp mới. Điều này cho phép quay lại và kiểm tra mọi bước.
Đặt tên tệp:
- Có quy tắc thống nhất, ghi lại quy tắc đó.
- Ngày theo định dạng sắp xếp được.
- Không dùng dấu cách và ký tự đặc biệt.
- Không dùng bản cuối, bản cuối thật, bản cuối sửa — dùng số phiên bản.
Ghi chép đi kèm:
- Mỗi bộ dữ liệu có một tệp mô tả — dữ liệu này là gì, thu thập thế nào, mỗi cột nghĩa là gì, đơn vị đo, cách mã hoá giá trị thiếu.
- Ghi ngay khi thu thập, không ghi lại từ trí nhớ sau nhiều tháng.
- Ghi cả các quyết định xử lý và lý do.
Phép thử hữu ích: nếu sau hai năm bạn quay lại, hoặc nếu một đồng nghiệp nhận bộ dữ liệu này, họ có hiểu được không? Nếu không, tài liệu chưa đủ.
Sao lưu
Mất dữ liệu vẫn xảy ra thường xuyên và hậu quả có thể là mất nhiều năm công sức:
- Nhiều bản ở nhiều nơi — không chỉ trên máy tính cá nhân.
- Ít nhất một bản ở vị trí địa lý khác.
- Tự động hoá — sao lưu thủ công là sao lưu sẽ bị quên.
- Kiểm tra khôi phục được — bản sao lưu chưa thử khôi phục không phải bản sao lưu.
- Cẩn thận với dịch vụ đám mây nếu dữ liệu nhạy cảm — kiểm tra quy định của cơ sở và của hồ sơ đạo đức.
- Dùng hạ tầng của cơ sở nếu có — thường an toàn hơn giải pháp cá nhân.
Dữ liệu nhạy cảm
Với dữ liệu có thông tin cá nhân:
- Tách thông tin định danh khỏi dữ liệu nghiên cứu ngay từ khi thu thập, lưu bảng đối chiếu riêng và bảo vệ chặt.
- Chỉ thu thập những gì cần cho câu hỏi nghiên cứu.
- Mã hoá khi lưu và khi truyền.
- Phân quyền truy cập theo nhu cầu thực tế.
- Cẩn thận với khả năng tái định danh — bỏ tên không đủ, vì tổ hợp các thuộc tính có thể nhận ra một người, đặc biệt trong nhóm nhỏ.
- Tuân thủ cam kết trong hồ sơ đạo đức về lưu trữ và về thời hạn huỷ.
Điểm quan trọng về chia sẻ: nếu bạn dự định công khai dữ liệu, điều đó phải được nêu trong bản đồng ý tham gia ngay từ đầu. Không thể xin phép hồi tố sau khi người tham gia đã rời đi.
Chia sẻ dữ liệu
- Dùng kho lưu trữ chuyên dụng thay vì đăng tệp trên trang cá nhân — kho lưu trữ cấp mã định danh vĩnh viễn và bảo đảm truy cập lâu dài.
- Chọn kho phù hợp với ngành nếu có; hỏi thư viện của bạn.
- Kèm tài liệu mô tả đầy đủ — dữ liệu không có mô tả gần như vô dụng.
- Nêu rõ điều kiện sử dụng bằng một giấy phép rõ ràng.
- Chia sẻ cả mã xử lý, không chỉ dữ liệu.
- Nêu cách trích dẫn bộ dữ liệu của bạn.
Khi không thể chia sẻ công khai: dữ liệu nhạy cảm, dữ liệu thuộc bên thứ ba, hoặc ràng buộc pháp lý. Cách xử lý là nêu rõ lý do và mô tả cách người khác có thể tiếp cận có điều kiện — chia sẻ theo yêu cầu qua một quy trình xét duyệt, hoặc chia sẻ phiên bản đã xử lý. Nói rõ vẫn tốt hơn im lặng.
Khả năng tái lập
- Ghi lại phiên bản phần mềm và các thư viện đã dùng.
- Ưu tiên mã có thể chạy lại hơn là các thao tác thủ công không ghi vết.
- Đánh dấu phiên bản của mã và dữ liệu tương ứng với bài báo.
- Thử chạy lại từ đầu trên máy khác trước khi công bố — đây là phép thử phát hiện ra rất nhiều vấn đề.
- Đăng ký trước thiết kế nghiên cứu nếu ngành bạn có cơ chế này.
Khi kết thúc dự án
- Bàn giao rõ ràng — ai giữ dữ liệu, ai chịu trách nhiệm.
- Lưu trữ dài hạn theo quy định của cơ sở và của quỹ tài trợ.
- Huỷ dữ liệu nhạy cảm đúng thời hạn đã cam kết.
- Với nghiên cứu sinh sắp rời đi: làm rõ ai được dùng dữ liệu sau đó, và giữ bản của mình nếu được phép.
Một điều đáng nhớ
Việc tổ chức dữ liệu tốt thường được nhìn như công việc hành chính chiếm thời gian nghiên cứu.
Nhưng người đã từng phải tìm lại một kết quả từ ba năm trước, hoặc phải trả lời câu hỏi về một con số trong bài báo của chính mình, đều biết rằng vài giờ bỏ ra lúc đầu tiết kiệm nhiều ngày về sau — và đôi khi cứu cả uy tín.
Câu hỏi thường gặp
Vì sao phải quản lý dữ liệu từ đầu?
Vì không thể làm ở cuối dự án. Nhiều quỹ tài trợ yêu cầu kế hoạch quản lý dữ liệu ngay trong hồ sơ, và nhiều tạp chí yêu cầu công khai dữ liệu làm điều kiện đăng bài.
Nguyên tắc quan trọng nhất khi tổ chức dữ liệu?
Không bao giờ sửa dữ liệu thô — mọi xử lý tạo ra tệp mới, để có thể quay lại và kiểm tra mọi bước.
Phép thử để biết tài liệu mô tả đã đủ chưa?
Nếu sau hai năm bạn quay lại, hoặc một đồng nghiệp nhận bộ dữ liệu này, họ có hiểu được không. Nếu không thì tài liệu chưa đủ.
Muốn công khai dữ liệu có người tham gia thì cần gì?
Việc chia sẻ phải được nêu trong bản đồng ý tham gia ngay từ đầu — không thể xin phép hồi tố sau khi người tham gia đã rời đi.
Nếu không thể chia sẻ công khai thì sao?
Nêu rõ lý do và mô tả cách người khác có thể tiếp cận có điều kiện, chẳng hạn qua quy trình xét duyệt hoặc bằng phiên bản đã xử lý. Nói rõ vẫn tốt hơn im lặng.
