Je hebt maanden, misschien zelfs jaren, gewerkt aan je onderzoek. De data is verzameld, opgeschoond en geanalyseerd.
▶Inhoudsopgave
En nu wil je het publiceren — niet als artikel, maar als dataset in een data journal. Maar hoe ziet het beoordelingsproces er precies uit? Wat kijken reviewers naar?
En wat kan je doen om je dataset er klaar voor te maken?
In dit artikel lees je stap voor stap hoe het reviewproces werkt bij data journals, welke criteria reviewers hanteren, en hoe je ervoor zorgt dat je data met vertrouwen wordt beoordeld.
Wat is een data journal?
Een data journal is een wetenschappelijk tijdschrift dat zich richt op het publiceren van onderzoeksdata — niet op tekstuele artikelen.
In plaats van een abstract en conclusie, presenteert een data journal je dataset: wat het is, hoe het is verzameld, en hoe anderen het kunnen hergebruiken. Voorbeelden van bekende data journals zijn Scientific Data (van Nature), GigaScience, en Data in Brief (van Elsevier). Daarnaast zijn er algemene zoals Dryad, Zenodo, en Figshare, die ook peer review ondersteunen of aanbieden. Het doel is duidelijk: data vindbaar, toegankelijk, interoperabel en herbruikbaar maken — oftewel FAIR. En dat begint al bij het reviewproces.
Wie beoordeelt jouw data?
In tegenstelling tot traditionele tijdschriften, waar reviewers vooral kijken naar de wetenschappelijke bijdrage van een artikel, ligt de nadruk bij data journals op de kwaliteit en bruikbaarheid van de data zelf. Reviewers zijn meestal experts in jouw vakgebied, maar soms ook specialisten in data management of technische validatie.
Ze worden geselecteerd door de redactie van het journal en beoordelen je dataset op basis van vooraf vastgestelde criteria. Belangrijk om te weten: het reviewproces is vaak open of single-blind. Dat betekent dat reviewers wie je bent weten, maar jij niet wie zij zijn — of dat beide partijen elkaars identiteit kennen. Dit verschilt per journal, dus check altijd het beleid van het platform waar je indient.
Waar kijken reviewers precies naar?
Reviewers beoordelen je dataset op meerdere dimensies. Hieronder vind je de belangrijkste criteria — en wat je er zelf aan kunt doen.
1. Voldoen aan de FAIR-principes
De FAIR-principes (Findable, Accessible, Interoperable, Reusable) vormen de ruggengraat van elke data journal-beoordeling. Reviewers checken of: Tip: Gebruik altijd een duidelijke licentie, zoals CC-BY 4.0, zodat anderen weten wat ze mogen doen met jouw data. Metadata is de ruggengraar van je dataset.
- Findable: Je dataset goed vindbaar is via metadata, titel, trefwoorden en persistent identifiers (zoals een DOI).
- Accessible: De data daadwerkelijk te downloaden is, bijvoorbeeld via een open repository of het journal zelf.
- Interoperable: Je gebruikmaakt van standaardformaten (zoals CSV, JSON of NetCDF) en gangbare metadata-schema’s (zoals Dublin Core of schema.org).
- Reusable: Je voldoende documentatie levert om de data te begrijpen en te hergebruiken — inclusief licentie-informatie.
Zonder goede metadata is je data nauwelijks vindbaar of begrijpelijk. Reviewers letten op: Tip: Maak gebruik van metadata-templates die het journal aanbiedt.
2. Kwaliteit van de metadata
Veel platforms, zoals Dryad of Zenodo, hebben ingebouwde formulieren die je begeleiden.
- Volledige beschrijving van variabelen (inclusief eenheden en meetmethoden)
- Duidelijke titel en samenvatting
- Relevante trefwoorden
- Informatie over de onderzoeksmethode en context
Reviewers controleren ook of je data technisch in orde is: Tip: Voer vooraf een data-validatie uit. Tools zoals OpenRefine of Great Expectations helpen je fouten vroegtijdig te vinden. Een steeds belangrijkere criterium: kan iemand anders jouw resultaten reproduceren op basis van jouw data en documentatie? Reviewers kijken of:
3. Technische kwaliteit en integriteit
Tip: Gebruik versiebeheer (zoals Git) en deel je code via GitHub of GitLab. Vergeet ook niet om jouw dataset in een repository te koppelen aan je artikel. Hoewel de nadruk ligt op data, kijken reviewers ook naar de wetenschappelijke waarde.
- Zijn er ontbrekende waarden? Zo ja, zijn die gedocumenteerd?
- Zijn de bestandsformaten geschikt voor langdurige opslag en hergebruik?
- Is de dataset consistent (bijv. geen dubbele records of typefouten)?
Is de dataset nieuw? Kan het bijdragen aan toekomstig onderzoek? Is het relevant voor een breed publiek? Tip: Leg in je manuscript of datasetbeschrijving duidelijk uit waarom jouw data belangrijk is — niet alleen voor jouw onderzoek, maar voor het veld als geheel.
4. Reproduceerbaarheid
- Je analysecode beschikbaar is (bijv. in R, Python of Jupyter Notebooks)
- Je duidelijk beschrijft hoe je bent van ruwe data naar eindresultaat
- Je eventuele afhankelijkheden (zoals softwareversies) hebt vastgelegd
5. Wetenschappelijke relevantie en impact
Hoe verloopt het reviewproces?
Het proces verloopt meestal in drie fasen: De duur varieert per journal: van enkele weken tot enkele maanden. Bij het maken van een keuze tussen journals zoals Scientific Data of Data in Brief, helpt het om te weten dat sommige publicaties ook het reviewrapport samen met de dataset publiceren — wat transparantie bevordert.
- Indienen: Je uploadt je dataset, metadata, documentatie en eventuele code via het platform van het journal.
- Review: De redactie selecteert reviewers. Zij beoordelen je inzending en geven feedback — vaak met concrete verbeterpunten.
- Revisie: Je past je dataset aan op basis van de feedback. Soms zijn meerdere rondes nodig voordat de dataset wordt geaccepteerd.
Wat kun je doen om succesvol te zijn?
Je hoet niet af te wachten tot je feedback krijgt. Hier zijn concrete stappen om je dataset review-klaar te maken:
- Begin vroeg met documenteren — niet achteraf
- Gebruik standaardformaten en metadata-schema’s
- Voeg een README-bestand toe met uitleg over structuur, variabelen en gebruik
- Test of je dataset daadwerkelijk te downloaden en te gebruiken is
- Vraag een collega om je dataset te reviewen voordat je indient
En onthoud: een goede dataset is meer dan alleen cijfers. Het is een verhaal — over hoe het is verzameld, waarom het belangrijk is, en hoe anderen het kunnen gebruiken.
Conclusie: Data publiceren is teamwork
Het reviewproces in een data journal is geen hindernis — het is een kans.
Het dwingt je om je data helder, compleet en herbruikbaar te maken. En dat komt niet alleen jou ten goede, maar de hele wetenschappelijke gemeenschap. Dus als je overweegt om je data te publiceren: doe het. Bereid je voor met een data paper.
En zie de reviewer niet als criticus, maar als bondgenoot in het verbeteren van jouw werk. Want uiteindelijk draait het erom dat jouw data blijft leven — lang nadat je artikel is gepubliceerd.