Open Materials: waarom stimuli en instrumenten delen net zo belangrijk is als data

Je deelt je onderzoeksdata open. Mooi! Maar als anderen die data willen begrijpen of hergebruiken, hebben ze meer nodig dan alleen de ruwe cijfers en datasets.

Ze weten precies hoe je tot die data bent gekomen: welke software je gebruikte, welke instellingen op je apparatuur stonden, welke stappen je in het lab hebt doorlopen. Zonder die informatie is data vaak waardeloos. Het is alsof je iemand een foto toestuurt zonder te vertellen welke camera, welke lens en welke belichtingsinstellingen je gebruikt hebt.

De foto zelf vertelt dan maar half het verhaal. Open Science gaat de afgelopen jaren hard groeien.

Open Access publicaties, FAIR-data en datarepositories zijn inmiddels gevestigde begrippen. Maar er mist nog iets belangriks: het openbaar maken van de hele toolset achter onderzoek. De code, protocollen, apparatuurinstellingen, experimentele condities, zelfs de context. Dit noemen we Open Materials. En het is essentieel als we écht reproduceerbaar en transparant onderzoek willen.

Wat zijn Open Materials precies?

Open Materials is een overkoepelende term voor alles wat nodig is om onderzoek te begrijpen, te controleren en te herhalen. Denk aan:

• Protocollen – stap-voor-stap beschrijvingen van experimenten, bijvoorbeeld via platforms als Protocol Exchange of protocols.io.
• Software en scripts – de code die gebruikt is voor analyse of simulatie, bijvoorbeeld gehost op GitHub of Zenodo.
• Hardwarebeschrijvingen – specificaties van apparatuur, firmwareversies, configuratiebestanden.
• Stimuli en experimentele condities – wat er precies is gedaan om de data te generen: reagentia, omgevingsfactoren, meetintervallen.
• Metadata – gedetailleerde beschrijvingen die alles vindbaar en herbruikbaar maken.

Het gaat dus niet alleen om wat je hebt gevonden, maar om hoe je het hebt gevonden.

Waarom is dit net zo belangrijk als data delen?

Stel: een onderzoeksteam publiceert een dataset over genetische variatie in planten. Prachtig.

Maar als je niet weet welk type sequencer gebruikt is, welke softwareversie de analyse uitvoerde, of onder welke groeiomstandigheden de planten stonden, dan kun je die data nauwelijks hergebruiken. Laat staan reproduceren. Het delen van stimuli vergroot: Kortom: data zonder context is als een puzzel zonder de doos. Je ziet er misschien iets van, maar je krijgt het plaatje niet compleet.

• Reproduceerbaarheid – zonder volledige informatie over methoden blijft veel onderzoek een ‘black box’.
• Transparantie – anderen kunnen beter beoordelen of de conclusies kloppen.
• Herbruikbaarheid – andere onderzoekers kunnen jouw aanpak overnemen of aanpassen voor nieuw onderzoek.
• Betrouwbaarheid – het vermindert het risico op onbedoeld bias of fouten.

Uitdagingen bij het delen van stimuli

Natuurlijk is dit niet altijd makkelijk. Onderzoekers worstelen met: Toch zijn er al goede oplossingen beschikbaar.

• Tijd en complexiteit – het documenteren van alle details kost moeite.
• Intellectueel eigendom – soms wordt gevreesd dat ideeën worden gestolen.
• – er is nog geen universeel format voor het beschrijven van protocollen of hardware.
• Infrastructuur – niet alle onderzoeksgroepen hebben toegang tot geschikte platforms.

Platforms zoals Zenodo, Dryad en Figshare ondersteunen niet alleen data, maar ook onderzoekssoftware volgens FAIR-principes. Open-source licenties zoals Creative Commons maken delen juridisch veilig. En gestandaardiseerde metadata (bijvoorbeeld via schema.org of Dublin Core) helpen om alles vindbaar te houden.

Wat kunnen onderzoekers en universiteiten doen?

Het begint bij cultuurverandering. Het delen van moet geen bijzaak zijn, maar een integraal onderdeel van het onderzoeksproces.

• Onderzoekers te ondersteunen bij het schrijven van Data Management Plans die ook stimuli omvatten.
• Training aan te bieden over het documenteren en delen van methoden.
• Beloning en erkening te koppelen aan open delen – niet alleen van publicaties, maar van het hele onderzoekspakket.

Universiteiten kunnen hierin het verschil maken door: In Nederland speelt accelerateopenscience.nl een belangrijke rol, waarbij The Turing Way als leidraad voor reproduceerbaar onderzoek dient. Het platform verbindt universiteiten en onderzoekers rond Open Science-thema’s zoals Open Access, FAIR-data en nu ook reproduceerbaarheid via open tools en methoden. Het biedt richtlijnen, best practices en een gemeenschap waar kennis gedeeld wordt over hoe je onderzoek écht open en herbruikbaar maakt.

De toekomst: van data-ecosysteem naar kenniseconomie

De volgende stap in Open Science is duidelijk: we moeten stoppen met denken in losse data-bestanden en beginnen met het delen van complete onderzoeksecosystemen. Dat betekent: leer hoe je een research compendium opstelt. Alleen dan kunnen we wetenschap versnellen op een manier die transparant, inclusief en duurzaam is.

• Automatisatie van metadata en documentatie.
• Integratie van protocollen en software in Data Management Plans.
• Meer gebruik van gestandaardiseerde formats zoals SOPs (Standard Operating Procedures).
• Samenwerking tussen platforms zodat data, code en methoden aan elkaar gekoppeld zijn.

Dus de volgende keer dat je data deelt, vraag jezelf af: Wat moet iemand nog meer weten om mijn werk echt te begrijpen? Deel het antwoord. Want data alleen vertelt niet het hele verhaal – de stimuli eromheen maken het compleet.