7.4 FAIR Data Maturity Model

Um ein einheitliches Verständnis der FAIR-Prinzipien zu fördern, wurde das FAIR Data Maturity Model 2020 von der gleichnamigen RDA Working Group entwickelt. Es enthält ein Set von Kernkriterien für die Bewertung von FAIRness von Datenangeboten. Ihnen werden Indikatoren zugeordnet, aus deren Priorisierung und Umsetzungsgrad anhand von jeweils im Fachkontext definierten Prüfmerkmalen sich eine Reifegradbestimmung des jeweiligen Datenangebots ableiten lässt. Das Modell wurde mit dem Ziel entwickelt, verbindliche Bewertungskriterien und Levels für FAIRness zu benennen, die als Vorlage für standardisierte Messverfahren oder bei der Entwicklung von Prüftools dienen können. Es besteht aus drei Elementen:

1. Indikatoren für die Bewertung jedes der vier FAIR-Prinzipien, jeweils differenziert für Daten und Metadaten. Die Erläuterung jedes Indikators wird von Hinweisen begleitet, wie man für die jeweils zu prüfenden Datensets Bewertungskriterien oder Prüfmerkmale gewinnt.
2. Prioritäten in drei Stufen (wesentlich, wichtig, nützlich), die angeben, wie verbindlich die Umsetzung des jeweiligen Indikators für die Bewertung der FAIRness ist.
3. Verschiedene Bewertungsmethoden: Vorgeschlagen werden außerdem konkrete Messansätze, so die Angabe des Fortschritts der FAIRification (= Reifegradbestimmung für die Umsetzung von FAIR) in fünf Implementierungsstufen (0–4), das Erreichen oder Nichterreichen von FAIRness-Levels (Pass or Fail) und eine Kombination aus beiden Ansätzen.

Das Modell bietet mit seinen Prioritätensetzungen einen übergreifenden Ansatz zur Bewertung der Datenqualität aller Angebote im Sinne des fit for use. Wegen des Reifegrad-Ansatzes und der zahlreichen konkreten Vorschläge zur Ableitung von Prüfkriterien stellt es in unserem Konsortium einen wichtigen Ausgangspunkt für das Konzept zur Qualitätsmessung dar.

Verschiedene Initiativen bewerben die FAIR-Prinzipien und deren Umsetzung (Methoden, Tools etc.) in unterschiedlichen Sparten, Wissenschaftsbereichen und Data Communitys. Aus einigen Projekten sind Tools für das FAIR Assessment und zum Messen von FAIRness hervorgegangen. Die Bandbreite reicht von automatisierten Prüfverfahren bis hin zu (semi-)manuellen Checklisten oder Fragenkatalogen. Automatisiert arbeitende Tools sind in der Regel generisch angelegt und müssen an die jeweiligen Charakteristika der Repositorien, der Daten und der Prüfbedingungen angepasst werden (z. B. das F-UJI-Tool). Ein Werkzeug, das die Messung der FAIRness einer heterogenen und komplexen Datenlandschaft wie der von NFDI4Culture unterstützen könnte, steht bislang nicht zur Verfügung. Die Konfiguration verfügbarer Tools für unsere Einzelangebote wäre sehr aufwendig und die Vergleichbarkeit der Ergebnisse nicht ausreichend gewährleistet.