Data Steward (Forskning)

En data steward i forskning står mellem forskeren, it-afdelingen og juristerne. Målet er, at data kan bruges, genfindes og deles uden at bryde reglerne.

En almindelig dag er sjældent teknisk hele vejen. Meget tid går med at tale med forskere, læse projektbeskrivelser og rette op på rod i mapper og filnavne.

Typiske opgaver

• Skrive og gennemgå datamanagementplaner (DMP) til ansøgninger hos Danmarks Frie Forskningsfond, Novo Nordisk Fonden og Horizon Europe
• Rådgive om, hvor data må ligge, og hvilke systemer der er godkendt
• Oprette projekter i sikre miljøer og styre, hvem der har adgang
• Hjælpe med anonymisering og pseudonymisering af personoplysninger
• Beskrive datasæt med metadata, så andre kan forstå dem uden at ringe til forskeren
• Registrere behandlingsaktiviteter i institutionens fortegnelse efter GDPR
• Forberede deling og arkivering i repositorier som Zenodo, Dataverse eller domænespecifikke arkiver
• Tildele DOI til datasæt, så de kan citeres
• Vurdere, om et datasæt kan deles åbent, kun efter aftale, eller slet ikke
• Undervise ph.d.-studerende i mappestruktur, versionsstyring og dokumentation
• Rydde op, når en forsker rejser, og filerne kun findes på en bærbar

FAIR-principperne er den faglige rygrad. Data skal kunne findes, tilgås, kombineres og genbruges. Det lyder abstrakt, men bliver konkret som filnavne, kodebøger, variabelbeskrivelser og faste formater.

Meget af arbejdet er forebyggelse. En time brugt på struktur ved projektstart sparer uger, når en artikel skal genberegnes tre år senere. Data stewards bliver ofte kaldt ind for sent, når skaden er sket.

Området varierer meget med fagfelt:

• Sundhedsvidenskab: personfølsomme data, journaldata og registerdata i sikre miljøer
• Life science: sekvensdata, billeder og laboratoriemålinger i meget store mængder
• Samfundsvidenskab: spørgeskemaer, interviews og registerdata fra Danmarks Statistiks forskerordning
• Humaniora: tekstkorpora, digitaliserede samlinger og lydoptagelser
• Teknik og natur: sensordata, målinger og simuleringer

Arbejdsstederne er universiteter, universitetshospitaler, sektorforskningsinstitutioner, forskningsbiblioteker og større private forskningsafdelinger. Nogle sidder centralt i en forskningsstøtteenhed. Andre er knyttet til ét institut eller ét stort projekt.

Karrierevejen går typisk fra ph.d. eller forskningsassistent ind i rollen. Derefter kan det gå mod data manager, forskningsstøttechef, RDM-koordinator eller ledelse af et dataområde. Nogle går videre til data governance i private virksomheder.

Skal du hyre, så spørg konkret ind. Har personen selv skrevet en DMP, der blev godkendt? Har vedkommende arbejdet i et sikkert miljø med registerdata? Kan vedkommende både tale med en jurist og en bioinformatiker?

Hvilken lovgivning dækker denne rolle?
Titlen er ikke beskyttet, og der findes ingen autorisation. Alligevel er arbejdet stramt reguleret. Behandling af personoplysninger i forskning følger EU's databeskyttelsesforordning GDPR og den danske databeskyttelseslov, hvor Datatilsynet fører tilsyn og har udgivet vejledning om forskningsprojekter. Sundhedsvidenskabelige projekter skal ofte godkendes af de videnskabsetiske komitéer efter komitéloven, og adgang til registerdata sker gennem Danmarks Statistiks forskerordning eller Sundhedsdatastyrelsen. Bevillingsgivere stiller egne krav, blandt andet kræver Horizon Europe en datamanagementplan og åben adgang efter FAIR-principperne, når det er muligt.

Der findes ingen dansk uddannelse, der hedder data steward. De fleste kommer fra forskning og lærer datamanagement gennem kurser og praksis.

Den almindeligste vej
En kandidatgrad inden for det fagområde, du skal støtte. Fem år i alt med bachelor og kandidat. Adgangskravet er en gymnasial eksamen med de fagkrav, uddannelsen stiller.

Mange har også en ph.d. Det er ikke et formelt krav, men det giver troværdighed over for forskerne. Har du selv siddet med rodede datasæt til midnat, forstår du problemet indefra.

Relevante uddannelsesbaggrunde

• Biologi, molekylærbiologi, folkesundhedsvidenskab eller medicin
• Datalogi, bioinformatik eller matematik og statistik
• Sociologi, økonomi eller statskundskab med kvantitativ profil
• Informationsvidenskab, digital humaniora eller biblioteksfaglig kandidat
• Cand.it. eller lignende med fokus på data og informationsstyring

Biblioteks- og informationsvidenskab er en overset vej ind. Metadata, klassifikation og genfinding er netop det, faget handler om.

Alternative veje ind

• Fra en stilling som forskningsassistent eller laborant med ansvar for data
• Fra it-support på et universitet med kendskab til de sikre miljøer
• Fra en juridisk eller GDPR-rolle, hvis du bygger den tekniske del på
• Fra bibliotekar på et forskningsbibliotek, som mange steder allerede løser opgaven

Kurser og efteruddannelse

• Carpentries-kurser, blandt andet Data Carpentry og Software Carpentry
• Kurser fra Danish e-Infrastructure Consortium og fra universiteternes egne forskningsstøtteenheder
• Uddannelsesforløb og materialer fra ELIXIR, som Danmark deltager i gennem ELIXIR Danmark
• Kurser om GDPR i forskning fra Datatilsynet og institutionernes DPO'er
• Netværk som Danish National Forum for Research Data Management og RDA, Research Data Alliance

Der findes ingen anerkendt dansk certificering i faget. CDMP fra DAMA International bruges af nogle, men er rettet mod data governance i virksomheder, ikke mod forskning.

Hvad der reelt kræves for at være god

• Tålmodighed med mennesker, der ikke synes, dokumentation er interessant
• Evne til at oversætte mellem jura, it og fagvidenskab
• Nok teknisk håndelag til at rydde op i data selv, typisk med R eller Python
• Vilje til at sige nej, når et datasæt ikke må deles
• Struktur, fordi du ofte er den eneste, der holder overblikket

Sprog betyder noget. Engelsk er standard i ansøgninger, metadata og internationale konsortier.

Værktøjerne er en blanding af institutionens systemer, åbne standarder og lidt kodning.

Planlægning og dokumentation

• DMPonline eller institutionens egen DMP-skabelon
• Elektroniske laboratoriejournaler som eLabFTW eller Benchling
• REDCap til dataindsamling i sundhedsforskning
• Kodebøger, readme-filer og datalogbøger i simpelt tekstformat

Opbevaring og sikre miljøer

• Institutionens sikre analysemiljøer til personfølsomme data
• Danmarks Statistiks forskermaskine til registerdata
• Nationale it-ressourcer, blandt andet gennem Danish e-Infrastructure Consortium
• Adgangsstyring, logning og krypterede drev

Arkivering og deling

• Zenodo, Dataverse og Figshare til åbne datasæt
• Domænearkiver som European Nucleotide Archive og European Genome-phenome Archive
• DOI gennem DataCite
• Persistente identifikatorer som ORCID til forskere

Metadata og standarder

• Dublin Core, DataCite Metadata Schema og DCAT
• Domænespecifikke standarder, for eksempel MIAME, DICOM eller CDISC
• Kontrollerede vokabularer og ontologier

Teknik i hverdagen

• R og Python til oprydning, validering og konvertering af filer
• Git og GitHub eller GitLab til versionsstyring af kode og skemaer
• SQL til databaser og udtræk
• Åbne formater som CSV, Parquet, JSON og NetCDF frem for proprietære filer
• Checksummer til at bevise, at filer ikke er ændret

Du behøver ikke være udvikler. Men du skal kunne læse andres scripts og selv skrive nok kode til at rette 400 filnavne uden at gøre det i hånden.