3. Tutkimusaineiston kuvailu (dokumentointi, metadata)

Tutkimusaineiston kuvailuun liittyvät termit dokumentaatio ja metadata (metatieto), joille ei välttämättä löydy tarkkoja määrittelyjä toimenpidetasolla ja joita saatetaan käyttää hieman vaihtelevasti eri ohjeissa. Termit viittaavat kuitenkin tutkimusaineiston kuvailuun tavalla tai toisella ja liittyvät samaan tavoitteeseen eli kertomaan aineistojen synty, rakenne, käsittely ja sisältö muille ymmärrettävässä muodossa.

Dokumentaatiolla (englanniksi data documentation) voidaan ymmärtää ennen kaikkea tutkimuksenaikaista kirjaamista, jossa tutkimusprosessi kerrotaan niin, että tutkimus olisi mahdollista toistaa jälkikäteen samanlaisena. Se voidaan tehdä esimerkiksi käyttämällä tutkimuspäiväkirjaa tai excel-taulukkoa, johon kirjataan aineiston käsittelyn eri vaiheita.

Metadata liitetään puolestaan esimerkiksi aineiston hallinnollisiin tai sisällöllisiin kuvailutietoihin. Nämä kertovat vaikkapa sen, missä aineistoa säilytetään, miten sen voi saada käyttöönsä, onko aineiston käytölle asetettu erityisehtoja ja kuka antaa lisätietoja.

Tieteen termipankissa metadata määritellään avoimen tieteen yhteydessä kuvaamaan ”tiivistetyssä muodossa tietoaineistoa” ja todetaan, että metatietoja tarvitaan erityisesti aineistojen hakemiseen ja käyttöön.

Aineistonhallinnan yhteydessä metadatalla eli metatiedoilla tarkoitetaan usein standardoitua ja jäsenneltyä tietoa, joka selittää mm. tietojen keräämisen alkuperän, tarkoituksen, aikaviitteen, maantieteellisen sijainnin, tekijän ja käyttöehdot. Metatietoja on kuitenkin monenlaista kuten tietoa kansiorakenteista, jotta aineisto pysyy järjestyksessä. Eri tutkimuksen vaiheissa saatetaan tarvita erilaisia metatietoja. Tutkimusvaiheessa tarvitaan tietoa ohjelmistoista ja laitteista, joilla aineisto on kerätty. Aineiston julkaisuvaiheessa tarvitaan taas jakamiseen ja pääsyyn liittyvää metatietoa, joihin lukeutuu vaikkapa tieto lisenssistä.

Metadata voidaan jäsentää kansainvälisten standardien mukaan, jolloin tutkimusdata kuvaillaan yhdenmukaisesti ja koneluettavasti. Koneluettavuudella tarkoitetaan rakenteeltaan ja muodoltaan sellaista tietoa, mitä kone pystyy käsittelemään. Metadatastandardien käyttöä suositellaan, jotta aineistot olisivat helpommin löydettävissä ja hyödynnettävissä keskenään ja eri yhteyksissä.

Yksinkertaisimmillaan metadatastandardia voi hyödyntää täyttämällä lomakkeen, joka noudattaa tiettyä rakennetta ja muodostuu esimerkiksi jonkin palvelun verkkosivulla olevista pakollisista ja vapaaehtoisista kentistä. Lomakkeessa voidaan ohjata jokaista lomakkeen täyttäjää kertomaan määrätyllä tavalla vaikkapa tuotoksen nimi, tekijä, aika ja paikka, jolloin halutut metatiedot ovat samankaltaisessa muodossa (formaatissa). Konkreettinen esimerkki on tekijän ilmaiseminen, jota voidaan ohjata muotoon Sukunimi, Etunimi tai Etunimi Sukunimi.

Standardeja on lukuisia. Osa on ns. geneerisiä metadatastandardeja, kuten hyvin yleisesti käytetty Dublin Core (DC), osa sisältökohtaisia kuten paikkatietojen ISO-standardi 19115 tai päivämäärien ISO-standardi 8601, ja osa taas tieteenalakohtaisia. Tutkija ohjataankin usein hyödyntämään oman alansa standardeja, joita voi etsiä esimerkiksi Digital Curation Centren tai Research Data Alliance -yhteisön ylläpitämistä luetteloista.

Monissa datarepositoriossa tai arkistoissa on käytössä jokin metadatastandardi. Esimerkiksi Tietoarkistossa sovelletaan DDI-metadatastandardia (Data Documentation Initiative), joka on kehitetty erityisesti yhteiskuntatieteellisen data-aineiston kuvailun tarpeita silmällä pitäen.

Tutkimusaineistojen metadataa voi tallentaa vapaamuotoisesti tavallisena tekstitiedostona eli README–tyyppisenä tiedostona aineiston yhteyteen. Siihen voi kirjata esimerkiksi jäsennellyt aineiston perustiedot, miten aineisto on kerätty ja mitä varten, miten ja missä aineistoa säilytetään tai miten tutkimus on toteutettu. Alla pari esimerkkiä, miten tutkimusaineistoa voi kuvata README –tiedostona.

Aineiston perustietoihin kannattaa sisällyttää seuraavat tiedot:

• aineiston nimi
• tieteenala
• tekijät eli henkilöt, jotka ovat vastuussa aineiston ajatuksellisen sisällön kehittelystä (yleensä hankkeen vetäjät) ja joista kerrotaan nimi, sähköposti, organisaatio ja yksikkö
• muut aineiston kerääjät, tallentajat ja käsittelijät (nimi ja organisaatio)
• rahoittajat.

Tutkimuksen toteutuksen kuvailu voi sisältää seuraavia tietoja:

• alkuperäinen käyttötarkoitus eli tiedot projektista, mitä varten aineisto on kerätty
• aineistonkeruun ajankohta: alkamis- ja päättymispäivät
• millaista aineistoa on kerätty ja miten: kuvataan kerätty aineisto sekä aineistonkeruussa käytetty menetelmä(t)
• aineiston määrä ja tiedostojen kuvailu: kuvataan, miten paljon aineistoa on määrällisesti ja aineistoon kuuluvat tiedostot hakemistona (tiedoston nimi, formaatti + mitä sisältää).
• aineiston muokkaus: kuvataan, miten aineistoa on muokattu, esim. anonymisointi, aineisto-osien tai muuttujien poisto jne.
• julkaisut, jotka pohjautuvat aineistoon.

Esimerkkejä metatietojen dokumentoinnista README –tiedostojen avulla mallilomakkeineen:

• Harvard Biomedical Data Management
• Cornell Data Services.

Standardoitua kuvailutietoa voi tuottaa mille tahansa aineistolle esimerkiksi Fairdata Qvain-kuvailutyökalulla riippumatta aineiston tallennus- tai julkaisupaikasta. Qvaimen avulla aineiston kuvailutiedot voidaan julkaista, minkä jälkeen ne ovat näkyvillä tutkimusaineistojen hakupalvelu Etsimessä. Qvaimen käyttöoppaasta löytyy tietoa mm. kuvailutietojen vähimmäisvaatimuksista.

Fairdata Etsin-hakupalvelusta voi etsiä tutkimusaineistojen metatietoja ja siten löytää aineistoja, jotka on joko kuvailtu Qvaimella tai löytyvät Fairdata.fi-palvelukokonaisuuden ulkopuolisilta sivustoilta tai julkaisualustoilta. Toisin sanoen Etsin myös haravoi (kopioi) muualla olevia aineistokuvailuja esimerkiksi Tietoarkistosta tai Kielipankista. Vastaavasti Etsimestä haravoidaan kuvailutietoja muualle kuten Itä-Suomen yliopiston eRepositorioon (eRepo).

Qvain ja Etsin kuuluvat kansalliseen Fairdata.fi-palvelukokonaisuuteen, josta on kerrottu oppimateriaalin luvussa 1.

Laadukas aineisto on hyvin järjestetty, jäsennelty, nimetty ja versioitu, koska se helpottaa datatiedostojen hallintaa. Tutkimusprojektin alussa kannattaa suunnitella tiedon löytymistä edesauttava kansiorakenne, ja johdonmukainen tapa nimetä tiedostot, niin että jo nimi kertoo olennaista tietoa tiedostoista. Tutkimusprojektia varten laadittua sopivaa nimeämissysteemiä kannattaa käyttää johdonmukaisesti koko projektin ajan. Nimeämissysteemi on hyvä kirjata ja tallentaa osana aineiston kuvailua. Se helpottaa aineiston ymmärrettävyyttä ja on osa kuvailutyötä.

Tiedostoista kannattaa kirjata seuraavia asioita:

• tiedoston nimi
• projektin lyhenteet
• missä tiedosto sijaitsee (tiedostopolku)
• tiedoston koko
• tiedostoformaatti
• millä ohjelmalla tiedosto on tuotettu
• milloin tiedosto on tuotettu
• kuka tiedoston on tuottanut
• tiedoston versio
• tiedoston käyttöoikeudet.

Vinkkejä tiedostojen nimeämiseen:

• luo merkityksellisiä mutta lyhyitä nimiä
• käytä tiedostojen nimiä luokitellaksesi laajempia tiedostotyyppikokonaisuuksia
• vältä välilyöntien ja erikoismerkkien käyttöä
• merkitse aikamääre järjestyksessä: vuosi, kuukausi, päivä (VVVVKKPP esim. 20200901) tai tarvittaessa vielä tarkemmin: tunnit, minuutit, sekunnit (TTMMSS).
• hallitse eri versioita lisäämällä V kirjain tiedostonimeen hyödyntäen vähintään kahta numeroa (esim. V02).

Aineiston kuvailu ja metadata (Aineistonhallinnan käsikirja, Tietoarkisto)

Siiri Fuchs, & Mari Elisa Kuusniemi. (2018). Making a research project understandable – Guide for data documentation (1.2). Zenodo.