Aineistolähteet

Yleiskatsaus

Data on havaintoja tai mittauksia (käsittelemättömiä tai käsiteltyjä), jotka esitetään tekstinä, numeroina tai multimediana. Aineisto (engl. dataset, myös data set) on jäsennelty ja pysyvä datakokoelma, joka liittyy yleensä yksilölliseen työkokonaisuuteen (esimerkiksi tutkimukseen). Jotta aineisto olisi uudelleenkäytettävissä tutkimustarkoituksiin, aineiston on oltava FAIR (löydettävä, saavutettava, yhteentoimiva, uudelleenkäytettävä). Tämä tarkoittaa, että sillä tulee olla esimerkiksi yksilöllinen tunniste, kuten DOI tai URN, riittävät metatiedot, mukaan lukien alkuperä ja tekijätiedot, sekä uudelleenkäytön mahdollistava lisenssi. Aineistojen on myös täytettävä tieteenalakohtaiset vaatimukset ja standardit. Lisää datan ja aineiston erosta kohdassa Datatyypit.

Aineistot ovat datalähtöisen laskennan ja data-analyysin kulmakivi. Aineistojen avulla voidaan keskittyä dataresurssien alkuperään, elinkaareen ja eettiseen käyttöön yksittäisten datatiedostojen tai laskentamenetelmien teknisten yksityiskohtien sijaan. CSC tarjoaa palveluja aineistolähtöiseen tutkimukseen ja kehittää tulevia palveluja tukeakseen paremmin aineistoja ja muita datan korkeamman tason näkökulmia.

Huom.

Datan omistajuus, tekijänoikeudet ja lisenssi määritellään usein parhaiten koko aineistolle, vaikka joissakin tapauksissa voidaan tarvita hienojakoisempia määrittelyjä. Tieteellisessä kirjoittamisessa aineistoon viitataan yleensä yhtenä kokonaisuutena.

Aineistojen kokoaminen

Aineistolähtöisen työskentelyn ensimmäinen vaihe on aineistojen kokoaminen. On mahdollista paikantaa ja ottaa käyttöön olemassa olevia, hyvin määriteltyjä aineistoja tai luoda uusia aineistoja hankkimalla dataa ja järjestämällä se aineistoiksi. Kokoamisvaihe luo perustan, jolle datalähtöinen laskenta ja analyysi rakentuvat. Tässä vaiheessa huomion tulisi kohdistua siihen, että datan lisenssit ja käyttöehdot tunnetaan ja vastaavat aiottua käyttöä, datan alkuperä tunnetaan hyvän alkuperätiedon varmistamiseksi ja että data on järjestetty ja dokumentoitu hyvin.

Entä jos aineiston käyttöehdot ovat tuottajien itsensä laatimat?
Aineiston luojalla on oikeus määrittää aineistonsa käyttöehdot myös ilman valmiita lisenssejä. Tällaisissa tapauksissa annettuja käyttöehtoja on noudatettava, mutta voit myös neuvotella käyttöehdoista ottamalla yhteyttä aineiston omistajaan.

Entä jos datalle ei ole määritetty käyttöehtoja?
Jos käyttöehtoja ei ole tai annetut käyttöehdot ovat epäselvät, sinun tulee aina ottaa yhteyttä kyseisen aineiston omistajaan.

Tutkimusdatan löytäminen

Kun hyödynnetään ja uudelleenkäytetään muiden keräämää tai tuottamaa dataa, tarvitaan tiedot datan alkuperästä, sisällöstä, sijainnista, lisenssistä, käyttörajoituksista ja muista tarpeellisista asioista. Hakupalvelut sisältävät kuvailevaa tietoa (metatietoa) tutkimusaineistoista. Mitä paremmin aineisto on kuvattu, sitä helpompi se on löytää ja ottaa käyttöön. Olemassa olevia tutkimusaineistoja voi olla saatavilla uudelleenkäyttöön.

Katso CSC:n palvelut aineistojen löytämiseen

CSC:n laskentaympäristössä ylläpidetyt erityiset aineistot

CSC ylläpitää myös useita aineistoja tai tarjoaa pääsyn niihin eri alustoilla.

Biotieteet

Chipster_genomes Työkalu Chipster-ohjelmiston käyttämien kohdistinindeksien lataamiseen Puhtiin
AlphaFold-tietokannat ovat saatavilla Puhdissa

Kemia

CSD - Cambridge Crystallographic Database – orgaanisia ja metallo-orgaanisia kiderakenteita sekä työkaluja
Molport 6M molecule database esikäsitelty nopeaa GPU-seulontaa varten Schrödinger Shapella

Geotieteet

Avoimet suomalaiset paikkatietoaineistot ovat saatavilla Puhdissa tai Altaassa.

Suomen Kansalliskirjaston avoin aineistokokonaisuus on saatavilla Roihussa
Uusimmat versiot CLARIN PUB- tai ACA-lisensoiduista korpuksista ovat saatavilla purettuina Puhdissa hakemistossa /appl/data/kielipankki/

Datan käsittely ja analysointi

Lue lisää CSC:n resursseista tekoälyyn ja data-analytiikkaan

CSC:n palvelut datan käsittelyyn ja analysointiin