Welke secties moet een goed DMP altijd bevatten: een praktische checklist

Je gaat onderzoek doen. Je hebt een subsidie binnen.

En dan komt het moment: je moet een Data Management Plan schrijven. Niet iedereens favoriete bezigheid, maar laten we eerlijk zijn — een goed DMP scheelt je een hoop stress later.

Het is namelijk geen bureaucratisch papierwerkje, maar een stappenplan dat ervoor zorgt dat jouw data veilig, vindbaar en herbruikbaar is. Voor jezelf én voor anderen. Maar wat moet er nou écht in een DMP? Wat zijn de secties die je niet mag overslaan?

In dit artikel neem ik je mee door een praktische checklist. Geen droge theorie, maar concrete onderdelen die je direct kunt toepassen.

Specifiek gericht op de Nederlandse onderzoekscontext, met aandacht voor Open Science, FAIR data en de eisen van subsidiegevers zoals NWO en de Europese Commissie.

1. Projectinformatie: wie, wat en waarom?

Begin simpel. Beschrijf kort en duidelijk waar je project over gaat.

Dit klinkt misschien als vanzelfsprekend, maar je zou verbaasd zijn hoe vaak dit onderdeel te summier is of helemaal ontbreekt. Zet hier minimaal het volgende in: Waarom is dit belangrijk?

• Projecttitel en projectcode — ook al heb je nog geen code, noteer het beoogde projectnummer.
• Onderzoeksvraag en doelstellingen — in één of twee zinnen, zodat iedereen begrijpt wat je wilt bereiken.
• Onderzoekers en instellingen — noem de hoofdonderzoeker, eventuele co-auteurs en de universiteit of onderzoeksinstelling.
• Looptijd van het project — begin- en einddatum.
• Subsidiegever — NWO, ZonMw, EU Horizon Europe, of een andere financier.
• Datum en versie van het DMP — een DMP is een levend document. Noteer wanneer je het schrijft en hoe vaak je het actualiseert.

Omdat een DMP niet alleen voor jezelf is. Ook je collega's, je leidinggevende en de subsidiegever moeten in één oogopslag begrijpen waar het over gaat.

2. Data beschrijving: wat verzamel je precies?

Dit is misschien wel de kern van je DMP. Hier beschrijf je welke data je gaat verzamelen, genereren of hergebruiken.

En ja, ook bestaande data die je opnieuw analyseert, horen hier thuis. Denk aan de volgende punten:

• Type data — gaat het om kwantitatieve data (cijfers, meetresultaten), kwalitatieve data (interviews, observaties), of een combinatie? Vermeld ook of je werkt met bijvoorbeeld genoomdata, sensordata, beeldmateriaal of tekstcorpora.
• Bestandsformaten — gebruik open en duurzame formaten waar mogelijk. Denk aan CSV in plaats van Excel, TIFF in plaats van PSD, of plain text in plaats van Word. Dit maakt je data toegankelijk voor de toekomst.
• Geschatte omvang — hoeveel data verwacht je te genereren? In gigabytes of terabytes. Dit is niet alleen relevant voor opslag, maar ook voor de kosten.
• Bronnen van de data — verzamel je zelf data via experimenten, enquêtes of veldwerk? Of gebruik je datasets van anderen? Vermeld dan de oorspronkelijke bron en of je toestemming nodig hebt.
• Metadata — welke standaard gebruik je om je data te beschrijven? Denk aan Dublin Core, DataCite, of een disciplinespecifiek schema. Goede metadata maken je data vindbaar en begrijpelijk voor anderen. Dit is een belangrijk onderdeel van de FAIR-principes.

3. Dataverzameling en -verwerking: hoe ga je te werk?

Nu we weten welke data je verzamelt, is de vraag: hoe doe je dat precies?

• Methoden voor dataverzameling — welke instrumenten, apparatuur of software gebruik je? Beschrijf de meetmethoden, het onderzoeksdesign en de steekproefgrootte.
• Dataverwerking — hoe ga je van ruwe data naar analyseerbare data? Welke software gebruik je (SPSS, R, Python, NVivo)? Hoe verwerk je de data en welke stappen zet je?
• Kwaliteitscontrole — hoe zorg je ervoor dat je data betrouwbaar is? Denk aan validatiechecks, controle op ontbrekende waarden, of het gebruik van standaardmeetprotocollen.
• Versiebeheer — hoe houd je bij welke versie van je data de definitieve is? Gebruik duidelijke bestandsnamen en overweeg versiebeheertools.

In deze sectie beschrijf je je methoden en procedures. Een tip: documenteer dit terwijl je bezig bent, niet achteraf. Dan onthoud je precies wat je hebt gedaan en waarom.

4. Opslag en beveiliging: waar komt je data te liggen?

Dataverlies is een nachtmerrie. Gelukkig is het volledig te voorkomen. In deze sectie leg je uit hoe je je data veilig opslaat tijdens het project.

• Opslaglocatie — gebruik je de servers van je universiteit, een externe cloud zoals Surfdrive, of een lokale harde schijf? Vermeld het specifieke platform.
• Back-upstrategie — maak minstens drie kopieën van je data, op twee verschillende opslagmedia, waarvan één op een andere locatie. Dit staat bekend als de 3-2-1-regel. Veel universiteiten bieden automatische back-up via hun IT-diensten.
• Beveiliging — hoe bescherm je gevoelige data? Denk aan versleuteling, wachtwoordbeheer en toegangscontrole. Als je werkt met persoonsgegevens, moet je voldoen aan de AVG. Beschrijf dan ook hoe je anonimisering of pseudonimisering toepast.
• Toegangsrechten — wie heeft toegang tot de data? Alleen jezelf, je onderzoeksteam, of ook externe partners?

5. Data delen en Open Science: maak je onderzoek transparant

Open Science is geen optie meer, maar een verwachting. NWO, ZonMw en de Europese Commissie vragen steeds vaker dat onderzoeksdata openbaar beschikbaar wordt gesteld.

Maar hoe doe je dat op een verantwoorde manier?

• Open of gesloten? — niet alle data kun je vrij delen. Sommige data bevat persoonsgegevens of is vertrouwelijk. Beschrijf duidelijk welke data je wel en niet deelt, en waarom.
• Data repository — waar deponeer je je data? Populaire keuzes in Nederland zijn DANS Data Stations, 4TU.ResearchData, Zenodo of Figshare. Kies een repository die past bij je discipline en die persistente identifiers (zoals DOI's) toekent.
• Licentie — welke licentie geef je aan je data? Creative Commons is de standaard. CC BY 4.0 is het meest open: anderen mogen je data gebruiken, zolang ze je naamsvermelding geven. Als je restricties wilt, kun je kiezen voor CC BY-NC (niet-commercieel) of CC BY-NC-SA (niet-commercieel, gedeelde licentie).
• Embargo — soms wil je data pas na een bepaalde periode delen, bijvoorbeeld na publicatie. Vermeld dan de duur van de embargo en wanneer de data beschikbaar komt.
• FAIR-principes — zorg ervoor dat je data Findable, Accessible, Interoperable en Reusable is. Dit betekent goede metadata, open formaten, duidelijke licenties en een persistente identifier.

6. Data archivering: wat gebeurt er na het project?

Een project eindigt, maar je data leeft door. De meeste subsidiegevers vragen dat onderzoeksdata minimaal 10 jaar bewaard wordt. Sommige disciplines, zoals de gezondheidswetenschappen, hebben zelfs strengere eisen.

• Bewaartermijn — hoe lang bewaar je de data? Vermiddel de specifieke periode en de reden daarvoor.
• Archiveringslocatie — waar worden de data na het project bewaard? Veel universiteiten bieden een institucionele repository of samenwerken met DANS voor langetermijnarchivering.
• Duurzame formaten — zorg dat je data in formaten worden bewaard die over 10 of 20 jaar nog steeds leesbaar zijn. Vermijd proprietary formaten waar je speciale software voor nodig hebt.
• Verwijdering van data — als je data niet hoeft te worden bewaard, beschrijf je hoe en wanneer je deze vernietigt. Dit geldt met name voor gevoelige persoonsgegevens.

7. Verantwoordelijkheden: wie doet wat?

Een DMP is geen eenmansshow. Maar het moet wel duidelijk zijn wie verantwoordelijk is voor welk onderdeel van het datamanagement.

• Data manager — wie houdt het overzicht? Dit is vaak de onderzoeker zelf, maar in grotere projecten kan dit een aparte functie zijn.
• Projectleider of principal investigator — wie is eindverantwoordelijk voor het project en het naleven van het DMP?
• IT-ondersteuning — biedt je universiteit of instelling ondersteuning bij dataopslag, back-up of beveiliging? Noem de dienst of contactpersoon.
• Contactgegevens — voor wie vragen hebben over de data na het project, wie kunnen ze dan benaderen?

8. Kosten en middelen: wat kost datamanagement?

Dit onderdeel wordt vaak over het hoofd gezien, maar het is belangrijk. Datamanagement kost tijd en geld.

• Opslagkosten — hoeveel ruimte heb je nodig en wat kost dat?
• Softwarelicenties — gebruik je gespecialiseerde software voor data-analyse of -verwerking?
• Personeelskosten — heb je iemand nodig die je helpt met dataverwerking, metadata of archivering?
• Repositorykosten — sommige repositories rekenen kosten voor grotere datasets.

En steeds meer subsidiegevers staan open voor het opnemen van datamanagementkosten in je budget.

NWO staat het bijvoorbeeld toe om datamanagementkosten op te nemen in je projectbudget. Maak hier dus gebruik van.

9. Ethische en juridische overwegingen

Als je werkt met mensgerelateerde data, kom je al snel bij ethische en juridische kwesties uit. Dit onderdeel mag in elk geval ontbreken in je DMP.

• AVG en privacy — hoe ga je om met persoonsgegevens? Heb je toestemming van deelnemers? Hoe anonimiseer je de data?
• Ethische goedkeuring — heeft je onderzoek goedkeuring gekregen van een ethische commissie? Vermeld het besluitnummer.
• Intellectueel eigendom — wie is eigenaar van de data? Jouw universiteit, de subsidiegever, of een samenwerkingspartner?
• Material Transfer Agreements — als je data uitwisselt met andere instellingen, zijn er dan afspraken gemaakt over gebruik en eigendom?

Een DMP is geen statisch document

De belangrijkste les van dit artikel: een DMP is geen document dat je één keer schrijft en vervolgens in een la legt.

Het is een levend document dat meegroeit met je project. Elke keer als er iets verandert — een nieuwe dataset, een andere opslaglocatie, een gewijzigde deelstrategie — pas je het DMP aan. Veel subsidiegevers vragen dan ook om een geactualiseerd DMP halverwege of aan het einde van het project.

NWO bijvoorbeeld verwacht een bijgewerkt plan binnen een jaar na aanvang en een definitieve versie bij afronding. Gebruik de checklist in dit artikel als startpunt.

Vul het aan met disciplinespecifieke eisen en de richtlijnen van jouw subsidiegever.

En twijfel niet om hulp te vragen: de research support-afdeling of de bibliotheek van je universiteit kan je vaak uitstekend begeleiden. Gebruik het DMP-template van jouw universiteit zonder fouten te maken. Een goed DMP is geen last; het is een investering in de kwaliteit en impact van jouw onderzoek. En laten we eerlijk zijn: over vijf jaar, als je je data nog steeds kunt vinden en begrijpen, ben je blij dat je de moeite hebt genomen.