Je hebt je data gepubliceerd, je hebt er een DOI aan gehangen, en je denkt: goed gedaan. Maar is die data nou écht vindbaar, toegankelijk, interoperabel en herbruikbaar?
▶Inhoudsopgave
Kortom: is je data echt FAIR? Dat is lastiger te beantwoorden dan je denkt. Gelukkig bestaan er volwassenheidsmodellen die je helpen meten waar je staat — en wat je nog moet doen. Laten we erin duiken.
Wat zijn FAIR data volwassenheidsmodellen eigenlijk?
FAIR staat voor Findable, Accessible, Interoperable en Reusable. Die principes zijn in 2016 gepubliceerd door Wilkinson et al. en sindsdien wereldwijd omarmd.
Maar principes zijn één ding — in de praktijk is het vaak onduidelijk hoe je ze meet.
Hoe weet je of je data "voldoende" FAIR is? En op welke schaal beweeg je je? Daar komen volwassenheidsmodellen om de hoek kijken.
Dit zijn kaders die je helpen de huidige staat van je data te beoordelen. Ze geven je een score, een niveau, of een set criteria waaraan je kunt toetsen. Denk aan het als een soort thermometer voor de kwaliteit van je onderzoeksdata.
Waarom zou je dit willen meten?
Simpel: omdat je anders vliegt blind. Zonder meting weet je niet waar je sterke en zwakke punten zitten.
Bovendien stijgen de eisen van financiers en uitgevers. NWO, de Europese Commissie en Horizon Europe vragen steeds vaker om een datamanagementplan waarin FAIR een centrale rol speelt. En Plan S, het Europese Open Access-initiatief, legt extra nadruk op transparantie rond onderzoeksdata.
De FAIR Data Maturity Model van RDA
Maar bovenal: FAIR-data maken is gewoon beter onderzoek doen. Het verhoogt de vindbaarheid, voorkomt dubbel werk, en maakt samenwerking makkelijker.
Een volwassenheidsmodel helpt je om dat concreet te maken. Een van de meest bekende modellen is het FAIR Data Maturity Model van de Research Data Alliance (RDA).
De FAIRsFAIR self-assessment tool
Dit model beoordeelt elk FAIR-principe op een vijfpuntsschaal: van "niet geïmplementeerd" tot "volledig geïmplementeerd". Voor elk subprincipe — en dat zijn er in totaal 15 — kun je aangeven op welk niveau je zit. Wat handig is: het model is generiek. Het is niet gebonden aan een specifiek vakgebied of type data.
Dat maakt het breed toepasbaar, maar ook wat abstract. Je moet zelf nadenken over wat "volledig geïmplementeerd" betekent in jouw context.
FAIRsFAIR was een Europees project (2019–2022) dat zich specifiek richtte op het ontwikkelen van een FAIR-ecosysteem. Ze hebben een praktische self-assessment tool opgeleverd die gebaseerd is op het RDA-model, maar toegankelijker gemaakt voor onderzoekers en datastewards. De tool stelt concrete vragen per principe en geeft je direct inzicht in je score, ook voor wie wil weten wanneer jouw dataset onderdeel wordt van het semantisch web.
Andere modellen en tools op de markt
Wat dit model extra waardevol maakt, is dat het niet alleen meet, maar ook handvatten geeft om te verbeteren.
Het is dus geen rapportkaart, maar een verbeterinstrument. Naast RDA en ervaringen met de FAIRsFAIR toolkit zijn er meer initiatieven. De DANS FAIR-Aware tool, ontwikkeld door Data Archiving and Networked Services in Nederland, is een eenvoudige online vragenlijst die je door de vier FAIR-principes leidt.
Het is ideaal voor mensen die snel een eerste indruk willen krijgen zonder diep in modellen te duiken.
Ook binnen universiteiten en onderzoeksinstellingen worden eigen modellen gebruikt. De Universiteit Utrecht en TU Delft hebben bijvoorbeeld interne checklists en scoringssystemen ontwikkeld die aansluiten bij de FAIR-principes, maar zijn afgestemd op hun eigen onderzoekscultuur.
Hoe kies je het juiste model?
Dat hangt af van je doel. Wil je een snelle scan?
Dan is FAIR-Aware of de FAIRsFAIR tool een goed startpunt. Wil je een grondige analyse, bijvoorbeeld voor een subsidieaanvraag of een institutionele evaluatie? Dan is het RDA FAIR Data Maturity Model geschikter, maar vergeet niet dat een goede bestandsnaam al het begin is van FAIR data.
Let ook op wie erbij betrokken is. Sommige modellen zijn bedoeld voor individuele onderzoekers, andere voor datamanagers of beleidsmakers. Kies een model dat past bij jouw rol en context.
Van meting naar verbetering
Een score op zich zegt nog niets. De echte waarde zit in wat je er mee doet.
Gebruik de resultaten om prioriteiten te stellen. Misschien is je data wel goed vindbaar, maar de metadata zijn zo mager dat niemand weet wat de data écht betekent. Of je gebruikt geen standaardformaten, waardoor interoperabiliteit een probleem is.
Maak een actieplan. Kies één of twee verbeterpunten per keer.
FAIR-denken is geen eindbestemming, maar een continu verbeterproces. En dat is precies waar volwassenheidsmodellen goed in zijn: ze laten je zien hoe ver je bent gekomen — en hoe ver je nog kunt gaan.
Conclusie: meten is weten, verbeteren is winnen
FAIR-data maken is geen box-ticking exercise. Het is een kwestie van bewustzijn, structuur en durf om te verbeteren.
Volwassenheidsmodellen geven je de taal en het kader om dat gesprek aan te gaan — met jezelf, je team, of je organisatie. Dus: kies een model, doe de meting, en begin met verbeteren. Want de beste tijd om je data FAIR te maken was vorig jaar. De op een na beste tijd is nu.
Veelgestelde vragen
Wat houdt het FAIR-principe in en waarom is het belangrijk?
FAIR staat voor Findable, Accessible, Interoperable en Reusable. Deze principes zijn cruciaal voor onderzoekers omdat ze ervoor zorgen dat data gemakkelijk te vinden, toegankelijk, bruikbaar in andere systemen en hergebruikbaar is, wat leidt tot efficiënter onderzoek en minder dubbel werk.
Hoe kan ik bepalen hoe 'voldoende' FAIR mijn data is?
Volwassenheidsmodellen, zoals het FAIR Data Maturity Model van de Research Data Alliance, helpen je om de huidige staat van je data te beoordelen. Ze bieden een gestructureerde manier om je data te evalueren op basis van specifieke criteria en geven je een score, waardoor je kunt zien waar je verbeteringen kunt aanbrengen. Het meten van datavolwassenheid is essentieel omdat het onderzoekers helpt om hun sterke en zwakke punten te identificeren en te begrijpen welke eisen financiers en uitgevers stellen. Door te voldoen aan FAIR-principes, verhoog je de vindbaarheid en hergebruikbaarheid van je data, wat leidt tot betere resultaten en samenwerking.
Waarom is het meten van datavolwassenheid belangrijk voor onderzoekers?
Het FAIR Data Maturity Model van de Research Data Alliance is een kaders dat je helpt om de kwaliteit van je data te meten. Het model beoordeelt elk FAIR-principe op een vijfpuntsschaal, van "niet geïmplementeerd" tot "volledig geïmplementeerd", waardoor je een duidelijk beeld krijgt van je voortgang.
Wat is het RDA FAIR Data Maturity Model en hoe werkt het?
Er zijn verschillende tools beschikbaar om je te helpen met het beoordelen van je data op FAIR-principes, zoals de FAIRsFAIR self-assessment tool.
Welke tools zijn er beschikbaar om mijn data te beoordelen op FAIR-principes?
Deze tools stellen je in staat om concrete vragen te beantwoorden en direct inzicht te krijgen in je score, waardoor je een praktische aanpak kunt volgen.