3.4. Die FAIR-Prinzipien sind keine Regeln oder Normen

Die FAIR-Prinzipien sollen nicht als Regeln oder Standards verstanden werden, die streng formalisiert umzusetzen sind. Vielmehr sollen sie Leitlinien sein, an denen man sich beim Umgang mit Forschungsdaten in jeder Phase des Datenlebenszyklus orientieren sollte. Die FAIR-Richtlinien hängen natürlich zusammen, sie sind aber technisch gesehen voneinander unabhängig und können in jeder beliebigen Kombination schrittweise umgesetzt werden. So kann das Einstiegsniveau für Datenproduzierende zunächst niedrig sein. Das ist nicht selten der Fall, wenn man mit Daten umgeht, die bereits vor längerer Zeit erstellt wurden. Im Rahmen des Datenqualitätsmanagements sollte man anstreben, den Umsetzungsgrad für die einzelnen FAIR-Kriterien schrittweise zu erhöhen.
Die Übernahme der FAIR-Prinzipien wird oft eine schrittweise Anpassung der Arbeitsabläufe sein – sie kann aber im Rahmen eines Umbruchs geschehen, wenn eine Art von Infrastruktur durch eine andere ersetzt wird.

Zweck dieses Dokuments ist es daher nicht, eine bestimmte technologische Umsetzung für die FAIR-Prinzipien vorzuschlagen, sondern vielmehr die Merkmale zu beschreiben, die Datenressourcen, -werkzeuge und -infrastrukturen aufweisen sollten, um als FAIR gelten zu können. Die FAIRness von Daten kann mit einem breiten Spektrum von Technologien und Verfahren erreicht werden.

Die Data FAIRport Initiative hat ein Ebenen-Modell zur Einstufung der FAIRness digitaler Objekte entwickelt, das als Leitlinie für den stufenweisen und prozesshaften Ausbau der FAIRness von Datenbeständen dienen kann. Die FAIR-Anforderungen können für jede der drei Komponenten des digitalen Objekts separat geprüft und unterschiedlich umgesetzt werden. Eine Bilddatei kann z. B. anderen Zugangsbeschränkungen unterliegen als die zugehörigen Metadaten.

Digitale Objekte können unterschiedliche FAIR-Ebenen enthalten:

1. Metadaten sind der Bitsequenz zugeordnet, das digitale Objekt verfügt aber nicht über einen persistenten Identifikator. Die Metadaten sind nicht oder nur eingeschränkt maschineninterpretierbar, und damit ist auch die Bitsequenz nur eingeschränkt maschinell zu verarbeiten (grau).
2. Jedes digitale Objekt hat einen PID. Die Metadaten wurden aber noch nicht für eine maschinelle Auswertung optimiert, das digitale Objekt ist daher in erster Linie für Menschen verwendbar. Man kann noch nicht von FAIRen Nachnutzungsmöglichkeiten sprechen.
3. Jedes digitale Objekt verfügt über umfassende, maschinenauswertbare FAIRe Metadaten (grün). Es fehlen aber noch wichtige Informationen zur Bitsequenz, beispielsweise zur Lizensierung, zur Datenprovenienz oder zur Strukturierung von komplexen digitalen Objekten.
4. Die Bitsequenzen in den digitalen Objekten sind technisch ebenfalls FAIR, aber nicht frei zugänglich und nicht uneingeschränkt wiederverwendbar, etwa aufgrund rechtlicher Einschränkungen, oder weil es sich um proprietäre Daten handelt (rot). Da die Informationen zu diesen Beschränkungen maschinell auswertbar sind, ist dieses digitale Objekt FAIR.
5. Sowohl die Metadaten als auch die Bitsequenzen selbst sind vollständig FAIR. Sie stehen unter einer genau definierten offenen Lizenz. Damit ist eine umfassende Nachnutzung dieses FAIRen digitalen Objekts möglich.
6. Die digitalen Objekte sind zusätzlich mit Datenbeständen funktional verknüpft, die zu ihnen in Beziehung stehen und die über semantische Technologien in die Auswertung integriert werden können (grüner Hintergrund). Daten liegen als RDF-Statements vor, als granulare Aussagen über die Ressource in Form von Tripeln (Subjekt - Prädikat - Objekt). Es wird außerdem gewährleistet, dass die Informationen zur Datenprovenienz auch für maschinelle Auswertungsmethoden greifbar sind.

Wenn das digitale Objekt nach den FAIR-Prinzipien bereitgestellt wird, gewährleistet es als FAIRes digitales Objekt (FDO) die zuverlässige Interpretation und Verarbeitung der durch das Objekt repräsentierten Daten für Menschen und Computer. FDOs sind außerdem die Basis für ein in Zukunft aufzubauendes FAIR Digital Object Framework (FDOF), das die maschinelle Verwertbarkeit FAIRer Daten deutlich verbessern wird. Dieses Rahmenwerk will ein vorhersehbares Auflösungsverhalten für Identifikatoren, einen Mechanismus zum Abrufen der Metadaten eines Objekts und ein System zur Typisierung von Objekten definieren.