Veelgemaakte fouten in DMPs die leiden tot afwijzing van subsidies

Je hebt weken gewerkt aan je subsidie-aanvraag. Het onderzoeksplan is scherp, het team is sterk, en de maatschappelijke relevantie spat eraf.

Maar dan komt de afwijzing. Niet vanwege je onderzoeksvraag, maar vanwege je Data Management Plan. Klinkt herkenbaar?

Je bent niet de enige. Een slecht DMP is een van de meest voorkomende — en vermijdbare — redenen waarom subsidieaanvragen worden afgewezen in Nederland. Laten we er eens goed naar kijken.

Wat is een DMP en waarom kan het je subsidie laten vallen?

Een Data Management Plan is een document waarin je beschrijft hoe je met onderzoeksdata omgaat: hoe je het verzamelt, opslaat, deelt en bewaart. Financiers als NWO en de Europese Commissie vragen er steeds vaker om. En ze nemen het serieus.

Een DMP is geen bijzaak meer — het is een formeel onderdeel van je aanvraag.

Als het ontbreekt, onvolledig of onduidelijk is, kan je hele aanvraag worden afgewezen. Simpelweg omdat de beoordelaars niet overtuigd zijn dat je data op een verantwoorde manier wordt behandeld.

De boodschap is helder: een goed DMP kan het verschil maken tussen goedkeuring en afwijzing. Dieper ingaan op de meest gemaakte fouten helpt je om ze te voorkomen.

Fout 1: Te vaag over dataverzameling en opslag

Een veelgemaakte slag is dat onderzoekers heel globaal blijven over hoe en waar data wordt opgeslagen. Zinnen als "de data wordt veilig opgeslagen" of "we gebruiken een geschikt opslagsysteem" zijn niet genoeg.

Beoordelaars willen concreet weten: welk platform, welke beveiligingsmaatregelen, wie heeft toegang, en waar fysiek staan de servers. Noem bijvoorbeeld expliciet of je gebruikmaakt van de Research Drive van je universiteit, SURF-diensten, of een gevalideerd Europese infrastructuur. Vermeld ook hoe je omgaat met back-ups en hoe je data-integriteitborgt. Hoe specifieker je bent, hoe meer vertrouwen je opbouwt.

Fout 2: FAIR-principes vermelden zonder uitwerking

Bijna iedere DMP noemt de FAIR-principes — Findable, Accessible, Interoperable, Reusable. Maar veel onderzoekers stoppen daar mee.

Ze zeggen dat hun data "FAIR zal zijn", maar leggen niet uit hoe.

Dat is als zeggen dat je een gebouw "veilig" zal bouwen zonder bouwtekeningen te laten zien. Leg uit welke metadata-standaarden je gebruikt, in welke repository je data depositeert, welke persistente identifiers (zoals DOIs) je hanteert, en onder welke licentie je data beschikbaar maakt. Als je persoonsgegevens verwerkt, beschrijf dan ook hoe je het AVG- en GDPR-compliant blijft. Dat laatste is extra kritiek: bij medisch of sociaal-wetenschappelijk onderzoek kijken beoordelaars hier extra naar.

Fout 3: Geen rekening houden met kosten

Data management kost geld. Opslag, personeel voor data curation, gebruik van repositories, anonimisering van gevoelige data — het wordt allemaal duurder naarmate het grootschaliger wordt.

Toch laten veel DMP's de kostenpost volledig open. NWO en Horizon Europe verwachten dat je data management-kosten meeneemt in je begroting. Vermeld ze expliciet, zeker als je werkt met data van externe partners.

Als je dat niet doet, kan het lijken alsof je de inspanning onderschat.

En dat werkt afkeurend.

Fout 4: Het DMP als statisch document behandelen

Een DMP is geen document dat je schrijft, indient, en vervolgens in een la legt. Financiers verwachten dat je het actualiseert naarmate je onderzoek vordert.

Toch behandelen veel onderzoekers het als eenmalig papierwerk. Leg in je plan alvast uit hoe je het DMP bijhoudt: wanneer je het evalueert, wie verantwoordelijk is voor updates, en hoe je wijzigingen documenteert. Zeker bij afspraken over gedeelde data in consortiumprojecten is dit essentieel. Dit laat zien dat je data management als integraal onderdeel van je onderzoek ziet — niet als bureaucratische plicht.

Fout 5: Gebruik van templates zonder maatwerk

Templates van DMPonline of de NWO DMP-tool zijn handig, maar een standaardantwoord op elke vraag is niet voldoende. Beoordelaars die jouw DMP toetsen zien honderden plannen voorbijkomen. Ze herkennen generieke teksten meteen.

Maak het plan op maat voor jouw onderzoek. Als je werkt met kwalitatieve interviews, beschrijf dan specifiek hoe je anonimiseert. Als je big data analyseert, leg uit hoe je met opschaalbaarheid omgaat. Hoe meer jouw DMP aansluit bij jouw specifieke project, hoe geloofwaardiger het overkomt.

Fout 6: Onderwaardering van data-archiving en langdurige toegankelijkheid

Veel DMP's beschrijven goed wat er tijdens het onderzoek gebeurt, maar stilstaan bij wat er na afloop moet gebeuren.

Waar wordt de data na het project bewaard? Hoe lang? En hoe kunnen andere onderzoekers er toegang toe krijgen? Stel dat je geen goed antwoord hebt op die vragen.

Dan is dat een risico. Financiers willen weten dat de data die met publiek geld is verzameld, ook daadwerkelijk beschikbaar blijft voor toekomstig onderzoek.

Noem een erkende repository zoals DANS, 4TU.ResearchData, of een domein-specifiek archief. Vermeld de bewaartermijn — vaak minimaal 10 jaar — en onder welke voorwaarden data toegankelijk is.

Fout 7: Geen ethische reflectie op data

Met name bij onderzoek met menselijke deelnemers of gevoelige datasets ontbreekt vaak een ethische reflectie op data management.

Hoe ga je om met informed consent voor hergebruik van data? Wat als deelnemers hun toestemming intrekken? Hoe zorg je ervoor dat data niet herleidbaar is tot individuen? Deze vragen zijn niet optioneel.

Ethisch commissies en subsidiebeoordelaars verwachten dat ze beantwoord worden. Neem ze op in je DMP, ook als je al een ETHIS-goedkeuring hebt. Het laat zien dat je data-ethiek serieus neemt als onderdeel van je onderzoekspraktijk.

Conclusie: je DMP als visitekaartje

Een goed Data Management Plan is geen last — het is je kaartje. Het laat zien dat je als onderzoeker naïef bent over data, dat je de FAIR-principes één voor één uitwerkt, en dat je verantwoordelijkheid neemt voor de data die je genereert.

De fouten die we hier besproken hebben, zijn allemaal vermijdbaar. Ze kosten je geen extra onderzoekstijd, wel wat extra aandacht tijdens het schrijven. Neem die aandacht. Want het verschil tussen een goedgekeurde en afgewezen subsidie kan net zo goed zitten in je DMP als in je onderzoeksvraag.