Pētījuma plānošana

Pētījumu projektos agrīna plānošana ir būtiska, lai nodrošinātu, ka aktivitātes tiek rūpīgi organizētas un īstenotas, tādējādi garantējot efektivitāti un veiksmīgu darba pabeigšanu. Būtiski ir īpašu uzmanību pievērst tam, kā pētījumu dati tiks pārvaldīti visa pētījuma gaitā un pēc tā pabeigšanas. Šajā sadaļā apskatīti svarīgākos datu pārvaldības aspektus, kas jāņem vērā, plānojot pētījumu.

Kas ir pētniecības dati?

Pētniecības dati ir jebkura informācija, kas ievākta, novērota vai izveidota pētniecības projekta gaitā un tiek izmantota kā pamats pētniecības rezultātu iegūšanai un secinājumu izdarīšanai.

Pētniecības dati var būt:

• skaitliski mērījumi, piemēram, temperatūras mērījumi laboratorijas eksperimentos

• teksts, piemēram, literatūras analīzes piezīmes

• attēli, piemēram, mikroskopijas attēli

• video, piemēram, eksperimentu ieraksti

• audioieraksti, piemēram, interviju ieraksti

• programmu kodi, piemēram, datus analizējošas programmatūras kods

• citi datu formāti

Kas nav pētniecības dati? 

Dati, kas nav tieši saistīti ar zinātniskajiem pētījumiem, nav uzskatāmi par pētniecības datiem. Šie dati neveicina pētniecības projekta zinātnisko analīzi vai pierādījumu bāzi, un līdz ar to tie nav uzskatāmi par pētniecības datiem. 

Pētniecības dati nav:

• pētījuma administratīvie ieraksti, piemēram, finanšu pārskati vai personāla dokumenti

• komerciāla vai privāta saziņa, piemēram, e-pasti vai sarakstes dokumenti

• juridiskie dokumenti, piemēram, darba līgumi vai sadarbības līgumi

• mārketinga materiāli, piemēram, reklāmas bukleti

Kas ir datu kopa?

Datu kopa ir strukturēts datu kopums, kas parasti sakārtots tabulās vai citās strukturētās formās un sastāv no vairākiem datu elementiem vai vērtībām, kuras ir savāktas un sagatavotas analīzei.

Piemēram, epidemioloģiskā pētījumā datu kopa varētu ietvert pacientu vecumu, dzimumu, simptomus un ārstēšanas rezultātus. Socioloģiskajā izpētē datu kopa varētu ietvert aptaujas respondentu atbildes uz dažādiem jautājumiem.

Kas ir FAIR principi?

FAIR principi ir vadlīnijas, kas nosaka, ka pētniecības dati ir jāpadara: 

• Findable (atrodami): dati un to metadati ir viegli atrodami citiem pētniekiem un sistēmām 

• Accessible (pieejami): dati ir pieejami, un piekļuves nosacījumi ir skaidri norādīti 

• Interoperable (savietojami): dati ir saderīgi ar citām sistēmām un datu kopām 

• Reusable (atkārtoti izmantojami): dati ir sagatavoti tā, lai tos varētu atkārtoti izmantot nākotnē 

Pētījuma plānošanas posmā būtiski jau sākotnēji skaidri definēt ne tikai metodoloģiskos aspektus pētījuma plānā jeb protokolā, bet arī datu pārvaldības stratēģiju, kas tiek aprakstīta datu pārvaldības plānā. Ja tiek plānots darboties ar sensitīviem datiem, īpaša rūpība jāpievērš ētikas aspektiem.  

Pētījuma plāns vai protokols

Pirms pētījuma uzsākšanas, ir ieteicams izveidot pētījuma plānu (sauktu arī par pētījuma protokolu vai pētījuma programmu).  

Tas ir detalizēts plāns, kas apraksta ar pētījumu saistīto informāciju: 

• pētījuma mērķus, jautājumus un hipotēzes 

• pētījuma dizainu, piemēram, kvantitatīvs vai kvalitatīvs, izmantojot eksperimentus, aptaujas utt. 

• izvēlētās metodes un instrumentus, piemēram, mērījumu rīkus, iekārtas utt. 

• datu ievākšanas stratēģiju 

• plānoto analīzi, piemēram, statistikas metodes 

Pētījuma protokols palīdz skaidri formulēt, kas tieši tiks darīts pētījuma ietvaros, līdz ar to nodrošinot, ka pētījums tiek veikts saskaņā ar zinātniskajiem un ētikas standartiem. No datu pārvaldības viedokļa, pētījuma plāns palīdz saprast, kāda veida dati pētījuma laikā tiks radīti un/vai apstrādāti.  

Datu pārvaldības plāns (DPP) 

Datu pārvaldības plāns (DPP) apraksta, kā pētījuma dati tiks pārvaldīti visā pētniecības projekta laikā un pēc tā pabeigšanas. DPP ir svarīgs elements, kas jāizstrādā pirms pētījuma uzsākšanas un ko ieteicams papildināt pētījuma gaitā. 

Bieži vien DPP aizpildīšanu pieprasa pētniecības finansējuma piešķīrēji. Pētniekiem pirms projekta uzsākšanas ir svarīgi noskaidrot, kādas prasības attiecībā uz DPP ir no finansētāja puses.

DPP aizpildīšanas prasības var tikt regulētas arī institūcijas normatīvajos aktos. Līdz ar to ir svarīgi pārliecināties, kādas ir prasības saistībā ar DPP no pētnieka pārstāvētās institūcijas puses. 

DPP iekļautās sadaļas var atšķirties atkarībā no institucionālajām vai finansējuma presībām, tomēr lielāka daļa DPP ietver šādu informāciju:

• Kādi dati tiks ģenerēti un/vai lietoti pētījuma laikā?  

• • Datu avots  

• • Datu veids  

• • Datu formāti  

• • Paredzamais datu apjoms 

• • Paredzētā programmatūra darbam ar datiem  

• Vai sakārtoti ētikas un intelektuālā īpašuma jautājumi? 

• Kā dati tiks organizēti? 

• Kā dati tiks droši uzglabāti un aizsargāti projekta laikā? 

• • Datu uzglabāšanas vietas 

• • Datu zudumu un nesankcionētas piekļuves novēršanas pasākumi  

• • Drošības pasākumi sensitīvu vai personas datu aizsardzībai 

• Kā tiks dokumentētas pētījuma datu kopas? 

• • Izmantotās metadatu shēmas vai standarti 

• • Mainīgo definīcijas un apraksti 

• • ReadMe faila un citu pētījuma dokumentācijas materiālu apkopošana 

• Kā dati tiks apstrādāti? 

• Kā dati tiks ilgtermiņā saglabāti un pēc kādiem nosacījumiem tie tiks koplietoti ar citiem? 

• • Datu saglabāšanas ilgums 

• • Pētniecības datu repozitoriju vai platformu izvēle 

• • Nosacījumi un risinājumi datu piekļuvei (atvērtā piekļuve, ierobežota piekļuve, slēgti dati) 

• • Datu izmantošanas nosacījumi, piešķirot licences 

• Kurš ir atbildīgs par dažādiem datu pārvaldības uzdevumiem? 

• • Datu īpašnieki 

• • Datu pārvaldnieki 

• • Datu lietotāji 

• Kādi budžeta un resursu apsvērumi jāņem vērā, īstenojot projektu? 

• • Finanšu aspekti, kas saistīti ar datu pārvaldību, tsk. personāla izmaksas 

• • Izdevumi par datu uzglabāšanu, dublēšanas risinājumiem, programmatūru, tsk. datu sagatavošanai un dokumentēšanai 

• • Kā šīs izmaksas tiks segtas (izmantojot projekta budžetu, institūcijas resursus vai papildu finansējumu) 

Platformas DPP aizpildīšanai

Datu pārvaldības plāni var tikt aizpildīti dažādās elektroniskās platformās, kurās ir pieejamas veidnes ar laukiem, kas pētniekiem jāaizpilda saistībā ar datu pārvaldības jautājumiem. Latvijā visbiežāk tiek lietotas tādas platformas kā Argos, Data Stewardship Wizard (DSW) un DMPonline.

Argos ir OpenAIRE un EUDAT izstrādāts atvērtā koda tiešsaistes rīks, kas ļauj lietotājiem veidot mašīnlasāmus DPP, izmantojot nozares specifiskas veidnes. Tas nodrošina iespēju sadarboties ar projekta partneriem reāllaikā un publicēt DPP dažādos formātos starptautiskajā atvērtās piekļuves datu repozitorijā Zenodo. Argos atbalsta DPP atjaunināšanu, versiju kontroli un datu kopu aprakstu pielāgošanu, kā arī integrāciju ar OpenAIRE un Eiropas Atvērtās zinātnes mākoņa (EOSC) pakalpojumiem, lai atvieglotu DPP izstrādi un uzlabotu pētniecības procesa kvalitāti.

Data Stewardship Wizard (DSW) ir atvērtā koda platforma, kas piedāvā interaktīvas anketas, lai palīdzētu pētniekiem un datu pārziņiem izveidot detalizētus DPP. Tā izmanto zināšanu modeļus, kas ietver jautājumus, atbildes un atsauces, lai nodrošinātu visaptverošu datu pārvaldības plānošanu. Rīks ļauj pielāgot esošos zināšanu modeļus vai veidot jaunus no nulles, kā arī nodrošina sadarbības iespējas starp lietotājiem.

DMPonline ir tiešsaistes rīks, ko izstrādājusi Digital Curation Centre (DCC), lai palīdzētu pētniekiem izveidot un pārvaldīt DPP. Tas nodrošina iespēju pielāgot veidnes, atbilstoši finansētāju un institucionālajām prasībām, palīdzot pētniekiem strukturēt datu vākšanu, glabāšanu un kopīgošanu. Platforma tiek plaši izmantota akadēmiskajās un pētniecības iestādēs, lai nodrošinātu atbilstību atvērtās zinātnes un FAIR datu principiem.

Finansētāju prasības saistībā ar DPP 

Latvijas Zinātnes padome 

Latvijas Zinātnes padome (LZP) pieprasa DPP izstrādi un uzturēšanu saviem finansētajiem projektiem, piemēram, Fundamentālo un lietišķo pētījumu projektos (FLPP) un Valsts pētījumu programmās (VPP).  

LZP iesaka izmantot Argos platformu DPP izstrādei un uzturēšanai. Ja projekta īstenotājs vēlas izmantot citu platformu, tas jāsaskaņo ar LZP.  

Vairāk informācijas par LZP prasībām saistībā ar DPP: 

LZP seminārs

FLPP projektu prasības

VPP projektu prasības

Apvārsnis Eiropa (Horizon Europe) 

Eiropas Savienības pētniecības un inovācijas pamatprogramma “Apvārsnis Eiropa” (Horizon Europe) programma pieprasa, lai visi projekti, kas ģenerē vai izmanto pētniecības datus, izstrādātu un uzturētu DPP, ievērojot atvērtās zinātnes un FAIR principus.

Galvenās prasības saistībā ar DPP Horizon Europe projektos:

• DPP izstrāde un uzturēšana: projekta sākumā jāizveido DPP, kas jāatjaunina visa projekta gaitā, atspoguļojot jebkādas izmaiņas datu pārvaldībā

• FAIR principu ievērošana: dati jāpadara atrodami, pieejami, savietojami un atkārtoti izmantojami, lai veicinātu to plašāku izmantošanu un sadarbību starp pētniekiem

• Datu deponēšana uzticamā repozitorijā: pētniecības dati jāievieto uzticamā repozitorijā, pēc iespējas nodrošinot atvērtu piekļuvi, ievērojot principu “tik atvērti, cik iespējams, tik slēgti, cik nepieciešams”

• Informācijas nodrošināšana par datu izmantošanai nepieciešamajiem resursiem: jāsniedz informācija par jebkādiem citiem pētniecības rezultātiem, rīkiem vai instrumentiem, kas nepieciešami datu atkārtotai izmantošanai vai validēšanai

Vairāk informācijas: OpenAIRE

Iesniegums pētījumu ētikas komitejā 

Ētikas komiteja ir neatkarīga institūcija, kas izvērtē pētījuma ētiskās problēmas un nodrošina, ka pētījums tiek veikts atbilstoši ētikas standartiem. Pētniekiem ir jāiesniedz pētījuma plāns ētikas komitejai apstiprināšanai pirms datu vākšanas uzsākšanas. Komiteja pārbauda, vai pētījums nodrošina dalībnieku drošību, privātumu un brīvprātību, kā arī vai tiek ievērotas citas ētiskas prasības, piemēram, iegūta informētā piekrišana un nodrošināta atbilstoša datu apstrāde.

Iesniegums pētniecības ētikas komitejā ir nepieciešams gadījumos, kad pētniecības projekts ietver ētiski sensitīvus jautājumus, īpaši attiecībā uz cilvēkiem, dzīvniekiem vai vidi. Galvenās situācijas un pētniecības nozares, kurās tas ir nepieciešams:

• Pētījumi ar cilvēkiem

  • Medicīniskie un klīniskie pētījumi (klīniskie izmēģinājumi, psiholoģiskie eksperimenti u.tml.)

  • Socioloģiskie un antropoloģiskie pētījumi, kuros tiek iegūti dati no cilvēkiem (intervijas, anketas, fokusgrupas u.tml.)

  • Pētījumi, kas ietver personas sensitīvus vai privātus datus (veselības informācija, etniskā piederība, politiskie uzskati u.tml.)

  • Pētījumi ar neaizsargātām grupām (bērni, vecāka gadagājuma cilvēki, cilvēki ar invaliditāti, ieslodzītie, u.tml.)

• Pētījumi ar dzīvniekiem

  • Biomedicīniskie eksperimenti ar dzīvniekiem

  • Pētījumi, kas var radīt dzīvniekiem sāpes, stresu vai ciešanas

  • Pētījumi, kas ietver dzīvnieku ģenētisku modificēšanu

• Pētījumi ar vidi un ekosistēmām

  • Eksperimenti, kas var ietekmēt bioloģisko daudzveidību vai ekosistēmas

  • Pētījumi, kas saistīti ar toksiskām vielām un piesārņojumu

  • Ģenētiski modificētu organismu (ĢMO) izpēte dabiskā vidē

• Jaunās tehnoloģijas un datu apstrāde

  • Mākslīgā intelekta un mašīnmācīšanās pētījumi, kas analizē cilvēku uzvedību vai veselību

  • Biometrisko datu vākšana un apstrāde

  • DNS analīze un ģenētiskie pētījumi

Ja pētnieks strādā kādā no šīm jomām vai viņa pētījumam ir potenciāls ētiskais risks, iesniegums pētniecības ētikas komitejā ir obligāts. Precīzi noteikumi var atšķirties atkarībā no institūcijas.

Vairāk informācijas iespējams iegūt, sazinoties ar pētniecības ētikas komiteju attiecīgajā institūcijā.

LBTU Pārtikas institūta Pētījumu ētikas komiteja (hipesaite: https://www.lptf.lbtu.lv/lv/petijumu-etikas-komiteja )

LBTU dzīvnieku labturības un aizsardzības ētikas padome (hipersaite: https://www.vmf.lbtu.lv/lv/dzivnieku-izmantosana-zinatniskiem-merkiem)

LU ētikas komitejas

RSU ētikas komiteja

RTU ētikas komiteja

Datu saglabāšana un organizēšana

Jau pētījuma plānošanas stadijā ir vērts pārdomāt, kā tiks organizētas un nosauktas mapes un datnes, kas tiks radītas pētījuma gaitā. Datņu nosaukšanas un organizēšanas veids ir ļoti svarīgs, lai pētījumi būtu pārredzami un viegli pārvaldāmi.  

Turklāt ir būtiski dokumentēt un ievērot iepriekš noteiktos nosaukšanas un organizēšanas principus, lai nodrošinātu konsekvenci un atvieglotu datu pārvaldību visā pētījuma laikā, kā arī veicinātu to, ka citiem pētniekiem ir viegli uztvert un saprast pētījuma datus. Šo dokumentāciju var veikt ReadMe failā. Vēlams pētījuma komandā izvirzīt atbildīgo, kurš sekos līdzi, lai iepriekš noteiktie principi tiktu ievēroti pētījuma gaitā. 

Datņu nosaukumu un organizācijas principi 

Datņu nosaukšana 

• Rūpīgi apsver, vai nosaukumiem jābūt latviešu vai angļu valodā

• Nosaukumam jābūt skaidram, cilvēkam saprotamam un mašīnlasāmam

• Nepārsniedz 20-30 rakstzīmes

• Nosaukums var ietvert

  • Projekta vai pētījuma nosaukumu

  • Vietu vai koordinātes

  • Pētnieka vārdu vai iniciāļus

  • Datumu vai gadu

  • Datu veidu

  • Versijas numuru

• Neizmanto atstarpes, to vietā nosaukumos lieto

  • Pasvītras: first_study

  • Defises: pirmais-petijums

  • Kamieļu burtus: FirstStudy

• Izvairies no īpašām rakstzīmēm: \/?: * “> < |: #%” {} | ^ [] ~ æÆ øØ åÅ äÄ öÖ …`

• Izvairies no garumzīmēm un mīkstinājuma zīmēm

• Datuma pierakstam izmanto konsekventu pieeju, piemēram, YYYY-MM-DD: 2025-01-29

• Versiju numurus veido konsekventi:

  • v001, v002, v003

  • v0.1, v0.2, v0.3 v1.0

• Nosaukumam dažādos formātos jābūt identiskam, piemēram:

  • datu_analize_2025-01-29.csv

  • datu_analize_2025-01-29.xlsx

Datņu organizēšana 

• Sakārto failus mapēs, ievērojot konsekventu pieeju

• Projekta laikā izvirzi atbildīgo personu par mapes struktūru

• Izvairies no liekas informācijas dublēšanās failu nosaukumos un struktūrā

• Datnes sakārto secīgi, izmantojot numerāciju, piemēram:

  • 01_apraksts.txt

  • 02_dati_raw.csv

  • 03_dati_apstradati.xlsx

  • 10_rezultati.pdf

• Neveido apakšmapes vairāk nekā piecu līmeņu dziļumā

• Izveido mapi nevajadzīgo failu arhivēšanai