The DCN CURATE(D) Steps

DATA CURATION NETWORK, DCN  https://datacuration.network/outputs/workflows/ elaboró un conjunto estandarizado de pasos y listas de verificación C-U-R-A-T-E-D para garantizar que todos los conjuntos de datos enviados a la Red reciban un tratamiento coherente (DCN, 2018). La lista de verificación CURATE(D) «CURATE(D) Checklist»  se redactó en la fase de planificación del proyecto y fue mejorada por los miembros de la DCN en la Primera Reunión Anual General celebrada en julio de 2018 (ver versión 1). Los pasos CURATE(D) fueron revisados en 2022 por numerosos miembros de la DCN.

Check Understand Request Augment Transform Evaluate DDocument 

Comprobar archivos/código y leer la documentación, Comprender los datos – Solicitar información que falte – Ampliar los metadatos para facilitar la localización (DOI, estándares de metadatos, descubribilidad) – Transformar formatos de archivo para su reutilización (preservación de datos, herramientas de conversión, visualización de datos) – Evaluar la conformidad con los principios FAIR (licencias de uso transparentes, estándares de responsabilidad, métricas para el seguimiento del uso) y Documentar todas las actividades de curación a lo largo del proceso. 

CHECK files and read documentation (risk mitigation, file inventory, appraisal/selection)

UNDERSTAND the data (or try to), if not… (run files/environment, QA/QC issues, readme)

REQUEST missing information or changes (tracking provenance of any changes and why)

AUGMENT metadata for findability (DOIs, metadata standards, discoverability)

TRANSFORM file formats for reuse (data preservation, conversion tools, data viz)

EVALUATE for FAIRness (licenses, responsibility standards, metrics for tracking use)

DOCUMENT your curation activities (Curator Log, correspondence)

Categorización de la investigación y el valor de los datos estructurados

Research categorization and the  value of structured data. Jonathan Adams, Dmytro Filchenko. Institute for Scientific Information, 2026. 

DOI: 10.14322/isi.research.categorization.and.the.value.of.structured.data

La fiabilidad de la información científica no depende únicamente de la escala o la transparencia. Para que la investigación pueda ser descubierta, comparada y evaluada de manera eficaz, los datos subyacentes deben estar limpios, estructurados de forma coherente y ser estables a lo largo del tiempo. A medida que el corpus académico mundial crece en volumen y complejidad, los riesgos derivados de datos incompletos o mal estructurados se hacen más evidentes, especialmente en lo que respecta a la evaluación comparativa, la valoración y la toma de decisiones políticas.

Basándose en décadas de desarrollo metodológico en el Institute for Scientific Information (ISI), este informe examina cómo la curación deliberada de datos, la categorización estable y los metadatos enriquecidos sustentan la base de datos Web of Science y su capacidad para respaldar el descubrimiento, la evaluación y el análisis fiables.

Con la lectura de este informe podrá Comprender por qué los datos de actividad de investigación limpios y estructurados de forma coherente son esenciales para la evaluación comparativa, la evaluación y el análisis de tendencias fiables. Explorar cómo los datos de investigación estructurados pueden alinearse con los marcos nacionales de evaluación de la investigación y con objetivos globales como los Objetivos de Desarrollo Sostenible de las Naciones Unidas. Ver qué puede fallar en la búsqueda, el descubrimiento y el análisis cuando los datos de investigación estructurados y eficaces están incompletos o faltan, desde indicadores de colaboración distorsionados hasta comparaciones engañosas y tendencias inestables.

La curación de datos

La curación de datos como metodología de investigación Valeria Montoya Roncancio, Inmaculada Bravo García. Gestión y reutilización de datos científicos: fundamentos y experiencias. Críspulo Travieso Rodríguez (coord.) Yolanda Martín González (coord.). Ediciones Universidad de Salamanca, 2025.  Páginas: 51-68

https://eusal.es/omp/eusal/catalog/view/2827/6849/11069 

En el contexto actual de creciente dependencia de los datos abiertos y reutilizables en la evaluación de la ciencia, la curación de datos se presenta como una metodología esencial en el campo de la Documentación. En esta investigación, se propone una metodología que combina técnicas de recuperación, normalización y análisis de datos, centradas en la verificación de registros provenientes de plataformas bibliográficas de datos como Web of Science (WoS) y Scopus utilizando identificadores persistentes como DOI, ORCID, ResearcherID, ScopusID e ISSN, con el fin de garantizar la fiabilidad del estudio.

Este enfoque permite identificar inconsistencias, duplicidades o ausencias de información relevante en los perfiles de autor y publicaciones científicas. Los resultados muestran la producción de la Universidad de Salamanca, como estudio de caso, donde se identificaron perfiles de autores con datos que requerían corrección en ambas plataformas y en el portal de producción científica institucional. Estas incidencias evidencian la necesidad de procesos sistemáticos de curación en la gestión documental, destacando el uso de este modelo para mejorar la calidad de los sistemas de información científica. Su aplicación en el ámbito de la Documentación favorece la generación de métricas confiables y la toma de decisiones basada en información verificada y reutilizable.

CURACIÓN DE DATOS 

La Red de Curación de Datos (Data Curation Network, DCN), organización de miembros formada por repositorios de datos institucionales y sin ánimo de lucro de todo Estados Unidos, promueve la investigación abierta haciendo que los datos sean más éticos, reutilizables y comprensibles. Como parte de estos esfuerzos, la DCN crea y difunde buenas prácticas de curación, desarrolla recursos y formaciones centrados en la comunidad y facilita el diálogo en torno a la curación de datos. Como destacan los miembros de la DCN, la curación de datos es esencial para preservar y mejorar la investigación, además de potenciar la facilidad de búsqueda, la reutilización, el impacto y la integridad.

Fuente: https://www.cos.io/blog/data-curation

¿Por qué curar datos?

Como explicó Wanda Marsolek, bibliotecaria de curación de datos de la Universidad de Minnesota, los datos brutos pueden ser desordenados y carecer de contexto. Sin una curación adecuada, los datos pueden resultar fragmentados, incoherentes y difíciles de interpretar.

A modo de ejemplo, Marsolek compartió un conjunto de datos que no contenía etiquetas de variables que indicaran lo que representa cada columna. «Si descubriéramos estos datos, no podríamos reutilizarlos», afirmó. «No tendríamos ni idea de qué son estas filas o columnas: unidades de medida o algo por el estilo».

¿Quiénes participan en la curación de datos?

La curación de datos es una colaboración entre investigadores, sistemas de repositorios y profesionales y curadores de datos. Durante el proceso de curación, los datos se organizan, describen, limpian, mejoran y conservan de forma sistemática para su uso público, de manera similar a como un conservador de museo prepara las obras de arte para su exposición.

«Los conservadores de datos están en una posición idónea para ofrecer opiniones sobre qué se debe compartir abiertamente, dónde se deben compartir los resultados y qué restricciones de acceso, si las hay, podrían ser necesarias para los datos», afirmó Marsolek. «La función del conservador de datos es apoyar a los investigadores en esta labor proporcionando diferentes niveles de apoyo a la conservación».

Niveles de conservación de datos

Los conjuntos de datos pueden revisarse con diferentes grados de profundidad, lo que a su vez repercute en la facilidad de búsqueda, el acceso y la equidad. Las decisiones sobre qué nivel utilizar pueden basarse en limitaciones de tiempo y capacidad, restricciones de conocimiento, las necesidades de los datos y la colaboración entre los participantes.