مقاله انگلیسی اندازه گیری داده ها در سیستم های اطلاعات پژوهشی (2018 اسپرینگر)

موضوع «پایگاه داده های پژوهشی و سیستم های اطلاعات پژوهشی» به هیچ وجه جدید نیست. در سال های اخیر، معرفی سیستم های اطلاعات پژوهشی در دانشگاه ها و موسسات تحقیقاتی به شدت در آلمان و سراسر اروپا افزایش یافته است (DINI AG Information Systems 2015). سیستم های اطلاعات تحقیقاتی می توانند دانشگاه ها و مؤسسات تحقیقاتی را از طریق مرور کلی فعالیت های تحقیقاتی خود، اطلاعات مربوط به فعالیت های علمی، پروژه ها و نشریات خود را جمع آوری و مدیریت و ادغام در وب سایت خود را فراهم کنند. برای محققان، آنها فرصت هایی را برای جمع آوری، طبقه بندی و استفاده از اطلاعات تحقیقاتی مانند لیست های نشر برای توسعه پروژه های جدید، کاهش تلاش برای تولید گزارش ها یا ارائه بی نظیر از تحقیقات و تخصص علمی خود ارائه می دهند. . کیفیت داده نقش مهمی در قابلیت استفاده و تفسیر داده های مؤسسات دارد. با این حال، کیفیت داده ها نیز توجه زیادی به منابع داده های خارجی دارد. ادارات و محققان دانشگاه از اوایل دهه 1990 شروع به شناخت اهمیت کیفیت داده های پایگاه داده های ذخیره شده الکترونیکی کرده اند. چند سال پیش، تقریبا تمام دانشگاه ها و موسسات تحقیقاتی آلمان علاقه مند به موضوع کیفیت داده ها در RIS خود بودند – پیشرفتهایی که از زمان پیشرفت بیشتر بوده است. تعداد روزافزون داده ها و تعداد روزافزون سیستم های منبع در حال تبدیل شدن به مشکلات جدی برای موسسات هستند. به منظور کنترل و به دست آوردن بیشترین سود ممکن از چنین اطلاعاتی، نه تنها اقدامات زیرساختی، بلکه همچنین اقداماتی برای رعایت و افزایش امنیت اطلاعات و کیفیت داده ضروری است (Apel et al.، 2015). تقریبا تمام موسسات کیفیت داده های بالا را به عنوان اطلاعاتی ضروری برای اطلاعات آنها در مورد فعالیت های تحقیقاتی ارزیابی می کنند. اما تنها چند سرمایه و زمان و منابع برای حفظ و بهبود این کیفیت داده ها. در اغلب موارد، یک پایگاه اطلاعاتی ضعیف در بخش های فردی یا با اکراه تحمل می شود یا در بدترین حالت حتی تصور نمی شود (Apel et al.، 2015). این مقاله، یک دید کلی از رویه ها برای تضمین کیفیت داده ها در RIS ارائه می دهد. دست زدن به منابع داده بزرگ، عملیات روزانه برای این مؤسسات است. از آنجا که خطاهای داده ای مانند مقادیر گم شده، تکراری، اشتباهات املایی، قالب بندی نادرست و ناسازگاری ها در طول جمع آوری، انتقال و ادغام اطلاعات تحقیق در سیستم های مختلف رخ می دهد و می توانند در مناطق مختلف گسترش یابند، لازم است که این خطاها را به زودی شناسایی و درمان نمایند موثر (Azerual و Abusoba 2017). اگر کاربران قادر به دسترسی به اطلاعات مورد نیاز برای تصمیم گیری نبودند، ارزش داده های مورد استفاده آنها و اعتماد آنها به RIS کاهش می یافت. در حال حاضر کافی است که یک خطای کوچک داده ها را در سراسر موسسه غیر قابل استفاده کند. در اینجا، کامل بودن، صحت، به موقع بودن و سازگاری داده ها نقش تعیین کننده ای دارند. مهم است بدانیم که کیفیت داده ها و در نتیجه بدون مدیریت کیفیت داده ها بدون اندازه گیری کیفیت داده ها می تواند وجود نداشته باشد. فراتر از آن، هدف این مقاله، بررسی کیفیت داده های تحقیقاتی ارائه شده در RIS و اندازه گیری ابعاد کیفی بر مبنای ادبیات و ایجاد یک چارچوب کیفیت داده با هدف نظارت و بهبود کیفیت داده از RIS

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

1.Introduction

The topic of ‘‘research databases and research information systems’’ is by no means new. In recent years, the introduction of research information systems at universities and research institutions has strongly increased in Germany and throughout Europe (DINI AG Research Information Systems 2015). Research information systems can provide universities and research institutions with a current overview of their research activities, collect information on their scientific activities, projects and publications and manage and integrate into their website. For researchers, they offer opportunities to collect, categorize and make use of research information, be that for publication lists, for the development of new projects, to reduce the effort required to produce reports, or in the external presentation of their research and scientific expertise. Data quality plays an important role in the usability and interpretation of institutionspecific data. The quality of data is however also a significant consideration for external data sources. University administrations and researchers have since the early 1990s begun to recognize the importance of quality of data that are electronically stored databases. A few years ago, almost all German universities and research institutes were interested in the topic of quality of data in their RIS—a development that has been since further progressed. The growing quantity of data and the increasing number of source systems are becoming serious problems for institutions. In order to keep control and gain the greatest possible benefit from such information not only infrastructure measures, but also measures for the observance and increase of the data security and data quality are necessary (Apel et al. 2015). Almost all institutions rate high data quality as an essential consideration for their information on research activities. But only a few invest the time and resources to maintain and improve this data quality. In most cases, a poor data basis in individual departments is either reluctantly tolerated, or in the worst case not even perceived (Apel et al. 2015). This paper presents a holistic view of procedures for guaranteeing data quality in RIS. The handling of large data sources are daily operations for these institutions. Since data errors such as missing values, duplicates, spelling mistakes, incorrect formatting and inconsistencies occur during the collection, transmission and integration of research information in different systems and can spread over different areas, it is necessary to recognize these errors early and to treat them efficiently (Azeroual and Abusoba 2017). If users were unable to access the information they needed to make decisions, the value of the data they used and their confidence in the RIS would decrease. It is already sufficient if a small error renders the data unusable throughout the institution. Here, the completeness, correctness, timeliness and consistency of the data play a decisive role. It is important to understand that there cannot be data quality—and thus no data quality management— without measurements of data quality. Beyond that, the aim of this paper is to investigate the data quality of the research information given in RIS and to measure the quality dimension, based on the literature, and to develop a data quality framework with the objective of monitoring and improving the data quality of RIS.