Portales translúcidos: "pase, puede mirar, pero no tocar"

Hace unos día las universidades públicas valencianas anunciaron al unísono la puesta en marcha de sus portales de transparencia. Es un paso importante hacia la gobernanza transparente, donde la información institucional, económica, docente, etc. se pone a disposición de la ciudadanía en general. Me ciño aquí al portal de transparencia de la Universitat Jaume I. Con anterioridad al portal de transparencia la UJI ya puso en marcha un portal de datos abiertos, siguiendo la tendencia de universidad abierta. En este portal, la UJI recopila algunos datasets más o menos interesantes, y los facilita en varios formatos para su descarga (csv, json, xml/rdf). Independientemente de la cantidad de datos ofrecidos y de la frecuencia de actualización de éstos, lo cual es otro debate, es de alabar que los formatos de datos sean abiertos, estándares y variados. Un usuario "un poco manitas" puede descargarse los datos en formato csv para examinarlos - por decir con R - mientras otro puede utilizar la versión en json para visualizarlos con JavaScript. De esta forma, los mismos datos pueden producir distintas interpretaciones y visualizaciones, y en definitiva, lograr nuevas interpretaciones de los datos. El caso es que un pequeño matiz, - como ofrecer tres formatos abiertos de los mismos datos- puede propiciar grandes beneficios. 

Volvamos al portal de transparencia. Sin juzgar la naturaleza de los datos expuestos en el portal, me centraré en dos matices que, a mi entender, son más impedimentos que ventajas para la transparencia. 

El primer matiz es el hecho de que el portal de transparencia y el de datos abiertos sean,  dos portales totalmente independientes, sin conexiones, vínculos  o enlaces que los unan. Dos silos de información que no suman, sino dividen.  

El segundo aspecto que me gustaría destacar es que los datos accesibles a través del portal de transparencia son descargables solo en formato pdf. Como sucede en los carteles de las tiendas de antigüedades: "pase, puede mirar, pero no tocar". Algo así no encaja con la idea de transparencia hacia y con la ciudadanía. 

El "Pase, puede mirar, pero no tocar" iría mejor con portales translúcidos, que lamentablemente son lo que realmente ofrecen muchos portales que se etiquetan como transparentes: Te dejo ver alguna cosa, que yo preparo, y nada más. La transparencia reclama un mensaje mucho más directo al ciudadano: "Oye, ven, porque puedes mirar, tocar, criticar lo que quieras, y tu voz será oída". Los portales de datos abiertos deberían ser el sustrato con el que crecen los portales de transparencia. 

Quiero pero no puedo publicar mis datos

En el mundo académico se ha hablado mucho de la compartición de datos (data sharing). El avance de la ciencia ocurre en gran medida cuando se comparten los resultados de las investigaciones entre la comunidad científica. El artículo científico fundamentalmente cubre esta necesidad. Pero una investigación involucra también datos, datos con los que se realizan análisis y se obtienen resultados de interés. Los datos son igual o más importantes que el artículo escrito en sí. De ahí la necesidad imperiosa - para el avance de la ciencia - en fomentar la publicación de estos datos de forma que otros puedan utilizarlos en sus propias investigaciones. Kratz y Strasser (2015) profundizan en el concepto de publicación de datos desde la visión de los investigadores en un reciente artículo en Plos ONE

John Ernest Kratzm Carly Strasser (2015). Researcher  Perspective on Publication and Peer review of Data. Plos ONE 10(2): e0117619

Los autores nos cuentan que los científicos quieren pero no pueden publicar sus datos. Perciben que es un factor clave en el proceso de investigación científica y entienden los potenciales beneficios de no sólo compartir datos, sino de hacerlos públicos de forma permanente. Aún así hay bastante peros. Peros bastante relacionados con las costumbres y conductas establecidas de los propios científicos más que con las limitaciones tecnológicas que, de hecho son inexistentes, puesto que existen diversas soluciones para promover la publicación de datos (ver artículo para más detalles): 1/ como data paper; 2/ en repositorios generalistas como figshare, dryad, o zenodo; y 3/ en repositorios específicos de disciplinas.

De la encuesta que realizan los autores se desprende la falta de tiempo como argumento principal para la publicación de datos. Escribir un artículo lleva su tiempo. Si además hay que documentar seriamente los datos utilizados en un segundo artículo, a los científicos les entra pereza y evitan el segundo. ¿Por qué? Los autores identifican claramente el quid del asunto, el verdadero problema de la falta de publicación de datos. No es la falta de tiempo, sino falta de reconocimiento académico y/o científico en publicar los datos. Si el sistema de acreditación científica diera tanta importancia al artículo científico tradicional como al articulo de de datos, no estaríamos hablando de "quiero y no puedo", sino "me cuenta y lo hago".  

El artículo profundiza en otros aspectos de la publicación de datos, como los miedos a publicar datos por si otros escriben un artículo científico antes, o a la fata de reconocimiento en forma de citaciones de los datos en otros artículos. Dejo al lector que profundice en estas cuestiones libremente. Para cerrar un simple dato del artículo de Kratz y Strasser (2015): 70% de los encuestados que reutilizaron datos escribieron un artículo derivado. Imaginaos si desaprovechamos ideas cuando no se comparten y publican datos en el contexto científico. 

Nature estrena nueva política de compartir código en sus articulos

Esta semana al menos dos notables revistas del grupo Nature Publishing, la propia Nature y Nature Geosciences, han puesto sobre la mesa un aspecto recurrente últimamente en cuanto a la reproducibilidad y transparencia en ciencia. Compartir y hacer públicos los datos y análisis/código que sustentan una publicación científica, y que van íntimamente aparejada a una investigación o proyecto científico, deberían ser una práctica habitual, para la buena salud de la ciencia, en el proceso científico. El grupo Nature va a instaurar una nueva política de compartir código para todas sus revistas: Siempre que sea posible, puntualizan sendas editoriales de Nature y Nature Geosciences, se aconseja a los autores compartir el código como ejemplo de buena práctica científica. Es un pequeño paso hacia la ciencia abierta y reproducible, pero aún insuficiente. Según los siguientes autores, existen barreras para compartir datos y código, y no tanto de carácter técnico sino social: 

• En el comentario Of carrots and sticks, los autores se quejan de la falta de crédito e incentivos para compartir y publicar los datos. El científico encuentra pocos beneficios que recompensen la dura tarea de documentar minuciosamente un conjunto de datos para ser publicado. La aparición de nuevas publicaciones científicas solo para datos junto con algunos repositorios de datos ya en marcha, hace que el incentivo para el científico, según los autores, sea el retorno en citaciones a los datos publicados. 
• No solo de datos se nutre un artículo, sino de análisis y código. El siguiente comentario Open code for open science?, el autor incide en que la política de código abierto de las revistas científicas es un buen aliciente, pero que no va a solventar por sí sola el problema de la reproducibilidad. Código abierto no significa únicamente que otros lo puedan leer. Hay diversos factores del propio código, como su complejidad o requisitos específicos de hardware, así como el propio contexto para el que fue creado, porque si se trata de código destinado únicamente para apoyar un articulo, el autor no va a realizar un esfuerzo para limpiarlo y optimizarlo adecuadamente.   

Vistos estos dos comentarios, parece que uno de los problemas más serios sea la falta de incentivos claros para el investigador para que la publicación de datos y código se vea más como una oportunidad positiva de reconocimiento profesional y no como una tarea extra, ardua, y secundaria que no produce nada a cambio. ¿Y si cambiamos las reglas del juego? ¿Sería posible un sistema de incentivos diferente al actual que primara la reproducibilidad y transparencia de la ciencia? Está claro que el actual sistema basado en número de artículos publicados y "buenos contactos" no prima la reproducibilidad y transparencia. Si fuera factible una nueva escala de incentivos, ¿por qué no está ya en marcha?. Este argumento es justo lo que propone Jonh Ioannidis en su artículo How to make more published research true, contemporáneo en semana, mes y año a los comentarios de anteriores.  Invito a su lectura, es open access, al contrario que los otros dos comentarios de Nature Geosciences.






  

Datos abiertos como si fueran páginas HTML

La semana pasada asistí a una sesión informal de charlas divulgativas ofrecidas por personal científico del JRC. Los temas eran variados,  como open data, big data, social media, e incluso sobre la filosofía de la tecnología. 

La breve charla introductoria sobre Open Data fue eso, introductoria. Pero me llamo la atención que el ponente daba énfasis en a los catálogos centralizados de datos abiertos como elementos necesarios para que el movimiento de datos abiertos prospere. Por ejemplo, existe un catálogo a nivel europeo, a niveles nacionales, e incluso el JRC está creando su propio catálogo centralizado de datos abiertos.

A mi me da que la historia se repite otra vez.  Tenemos tantos ejemplos que demuestran que una estrategia de arriba a abajo no acaba de despejar. Lo que realmente funciona es cuando los usuarios toman el mando, de forma descentralizada y siguiendo una estrategia de abajo a arriba. 

Pongamos el ejemplo de la Web.  A principios de los 90, había un puñado de servidores que servían páginas html producidas por los propias proveedores, como el CERN y algunas universidades. Entonces no había problemas con tener un catálogo centralizado a modo de directorio para tener un índice de toda la Web. Pero el verdadero tipping point que propició la explosión de la web fue el momento en que las páginas html no las creaban y mantenían de forma centraliza unas pocas instituciones, sino que cualquiera podía crear y hacer publica su página html. Después vino el problema de encontrar el mecanismo de búsqueda adecuado, ya que un directorio centralizado de índices no escala adecuadamente cuando la Web alcance niveles grandes, ya no digo enormes como en la actualidad. 

Ahora con el Open Data parece que se repite los mismo fallos. Hay unos cuantos catálogos centralizados encargados de recopilar conjuntos de datos abiertos. Exceptuado algunos casos que de momento funcionan bastante bien (data.gov, data.gov.uk),  los datos recopilados son pocos y de poco interés para los ciudadanos. Provienen de las propias instituciones, que por diversas razones legales, costumbre, o lo que sea, no se sienten cómodos con el trabajo "extra" de subir hojas excel a un catálogo. Estas instituciones se vanaglorian de que son trasparentes y abiertas porque suben una veintena de ficheros excel indescifrables al año a un catálogo. ¿Por qué no dejar que los propios ciudadanos decidan que datos publicar como "open data"? ¿Por qué no permitimos que la publicación de datos abiertos sea universal y tan fácil como es la publicación de páginas html? ¿Por qué no dejar que los propios usuarios mantengan sus datos abiertos tal como hacen con sus propias paginas html? ¿Por qué seguimos empecinados en crear catálogos centralizados que son costosos de mantener actualizados y que no sirven de nada cuando se pasa de cientos a miles de millones de conjuntos de datos abiertos? 

Si queremos que el movimiento de datos abiertos se identifique con la idea de directorios de ficheros excel proporcionados por las administraciones de forma casi obligatoria y sin ningún incentivo, sigamos como hasta ahora. 

Si queremos que el movimiento de datos abiertos se convierta en algo tan grande como la web, tenemos que dejar que el agente de cambio sean los propios ciudadanos, que sean ellos los que hagan públicos los conjuntos de datos que les interesan. Si son interesantes, seguro que el propio ciudadano se preocupará de mantenerlos actualizados para que sean útiles para otros. 

Universidad abierta

A mediados de Septiembre el portal de datos abiertos español se hacia eco de una noticia al menos curiosa: Universidad abierta: apertura de la información académica en España. Casi como un comunicado de prensa, la noticia resaltaba que 

"las universidades españolas se han sumergido en la cultura open data ofreciendo acceso abierto a sus datos y resultados científicos; abriendo procesos participativos e, incluso, desarrollando sus propios portales de datos abiertos". 

y ademas citaba a algunas universidades pioneras en esto de Open Data, como la Universidad de Alicante, Pompeu Fabra, Jaume I de Castellón, la de León o la de Granada. 

Lo positivo es que parece que este acto de transparencia empieza a contagiarse a las universidades. Como instituciones públicas, deberían hacer públicos los datos que manejan. Desde asuntos económicos, de investigación, docencia y de personal. Con lo enrevesado con son algunas universidades en temas de burocracia, ojala esta iniciativa fuera un paso para simplificar papeleos y ofrecer transparencia. 

Evidentemente , las universidades abiertas están bastante rezagadas en comparación con otras administración regional y autonómicas españolas,  ya no hablemos del extranjero. Al menos, algunas de las universidades de arriba tiene en común que utilizan la misma plataforma CKAN para servir los datos. Esto es útil para el usuario en busca de datos, porque uno se encuentra con el mismo interfaz para distintas universidades.

Pero me ha llamado la atención un cuantos cosillas tras una inspección rápida de los repositorios: 

• Algún enlace da el error "no tiene permisos para acceder a este servidor". Buen comienzo para un portal de datos abiertos. 
• La lista de conjuntos de datos es a'un escaso .
• Los datos viene mayoritariamente en csv, sin ninguna información adicional para interpretar las columnas. EL titulo de cada columna es el único metadato.
• De casualidad, al inspeccionar un conjunto de datos en csv, éste incluía dos enlaces a la propia universidad para obtener mas información. Evidentemente, ese fichero cuanta como un conjunto más en el repositorio de datos abiertos. Me pregunto si esto es la noción de datos abierto enlazables que tienen algunas universidades. 

Todavía hay mucho que mejorar, no tanto desde el plano técnico y de infraestructura , sino de contenido y documentación de los conjuntos de datos. Tal como están ahora, el trabajo de comparar universidades basado en los datos abiertos que exponen es prácticamente imposible. ¿Cabria la posibilidad de ofrecer de establecer un conjunto de datos mínimo de 20 (o 30 o 50 ) que toda universidad debería poner en abierto.