onderzoeksdataset

Een onderzoeksdataset is een verzameling gegevens die is verzameld of samengesteld voor wetenschappelijk onderzoek. Datasets dienen als basis voor analyse, evaluatie en reproduceerbaarheid en bevatten vaak naast de ruwe waarnemingen ook metadata over de verzameling, context en methoden.

Een dataset bestaat uit records en variabelen, met een data dictionary of metadata die de betekenis van velden, eenheden en mogelijke codes toelicht. Provenanceinformatie documenteert wie, wanneer en hoe de data zijn verzameld, bewerkt en gevalideerd.

Datasets variëren in type en formaat, zoals numerieke tijdreeksen, tekstcorpora, beeld- en geluidsbestanden, of gecombineerde data. Veelvoorkomende formaten zijn CSV, JSON, NetCDF of TIFF. Toegang kan open zijn of onder beperkingen, afhankelijk van privacy en eigendom.

Privacy en ethiek spelen een grote rol bij onderzoeksdatasets met persoonsgebonden data. Vaak worden privacybescherming en toestemming vereist, met pseudonimisering en curatie. Licenties bepalen wat anderen met de data mogen doen (bijv. CC0, CC-BY) en onder welke voorwaarden.

Kwaliteit, betrouwbaarheid en reproduceerbaarheid worden bevorderd door duidelijke documentatie, data-kwaliteitcontroles, versiebeheer en het publiceren van data-annotaties en code. Een data management plan (DMP) helpt bij planning en duurzaamheid van de dataset.

Standaarden en interoperabiliteit maken het mogelijk data te combineren. Voor metadata bestaan standaarden zoals Dublin Core en DataCite; voor specifieke vakgebieden bestaan normen zoals ISO 19115 of ISA-Tab. Datasets worden vaak via repositories met citatie-IDs gedeeld.

Onderzoeksdataset wordt gebruikt in academisch onderzoek, onderwijs en beleid. Voorbeelden zijn open dataportalen, onderzoeksinstituten en publieke statistieken, die via zoekportalen vindbaar zijn en kunnen worden gedownload voor analyses.