Diseño de protocolos, códigos y datos abiertos

Workshop Abre tu Ciencia

Juan David Leongómez

jleongomez@unbosque.edu.co

Recommender Data Editor

23 de enero de 2026

📲 Accede a las diapositivas en línea

Parte 1 · Marco y diagnóstico

1.1 Principios FAIR

Principio	Qué significa	En la práctica
F – Findable	Los datos pueden localizarse fácilmente	Identificador persistente (DOI), metadatos claros, repositorios indexados
A – Accessible	Los datos se pueden descargar o consultar	Enlace funcional, permisos explícitos, acceso estable
I – Interoperable	Los datos pueden combinarse con otros	Formatos abiertos y legibles por máquina (CSV, JSON), vocabularios estándar
R – Reusable	Los datos pueden reutilizarse	Licencia clara (p. ej., CC-BY), documentación suficiente

👉 https://www.go-fair.org/fair-principles/

1.2 Principios FAIR: beneficios científicos y técnicos

Aumentan la reutilización y el impacto de los datos por humanos y máquinas (Wilkinson et al., 2016; Wise et al., 2019).
Mejoran la localización y el acceso a datos distribuidos, facilitando la colaboración (Tanhua et al., 2019).
Refuerzan la reproducibilidad y verificabilidad de los resultados científicos (Götz, 2023; Wilkinson et al., 2016).
Habilitan el uso eficiente de IA y aprendizaje automático con datos bien descritos (Wise et al., 2019; Olsen, 2023).

1.3 Principios FAIR: beneficios organizacionales y estratégicos

Apoyan una gestión ética y responsable de los datos, en combinación con CARE¹ (Carroll et al., 2021).
Reducen tiempos y costes en la gestión y el análisis de datos (Martínez-García et al., 2023; Alharbi et al., 2023).
Favorecen la interoperabilidad entre dominios mediante estándares comunes (Tanhua et al., 2019; Krisnawijaya et al., 2025).
Sirven como marco estratégico para fomentar la preservación a largo plazo (Wilkinson et al., 2016).

1.4 La situación: Datos abiertos

Tabla 1

1.5 La situación: Cumplimiento FAIR reciente por área

Tabla 2

1.6 El problema

El problema no es la “falta de apertura”, sino que muchos datos de investigación son:

Difíciles de localizar: repositorios dispersos, sin C. Identificadores persistentes ni metadatos adecuados, lo que impide su localización por personas y máquinas (Wilkinson et al., 2016; Kinkade et al., 2021; Ugochukwu y Phillips, 2024).
Formalmente abiertos, pero poco accesibles: datos “públicos” en sitios opacos, con trámites lentos o formatos cerrados, que frenan la reutilización efectiva (Schwalbach et al., 2025; Pellen et al., 2025; Mesman et al., 2024).

1.6 El problema

El problema no es la “falta de apertura”, sino que muchos datos de investigación son:

Poco interoperables: formatos, variables y terminologías idiosincráticas dificultan o impiden la comparación y combinación de estudios (Kush et al., 2020; Inau et al., 2022; Awadallah y Tammaro, 2025; Martin et al., 2022).
Difíciles o imposibles de reutilizar: documentación y metadatos pobres, sin información sobre calidad o contexto (Perrier et al., 2020; Mesman et al., 2024; Ugochukwu y Phillips, 2024).

1.6 El problema

Además, gran parte del ecosistema de investigación está marcado por:

Incentivos mal alineados: la apertura se deja para el final, sin tiempo ni recursos, y compartir datos no se recompensa académicamente (Perrier et al., 2020; Tedersoo et al., 2021; Figueiredo, 2017).
Software y código frágiles: scripts no versionados, sin documentación ni empaquetado, que comprometen la descubribilidad, reproducibilidad y sostenibilidad (Barker et al., 2022).
Barreras legales y éticas confusas: incertidumbre sobre privacidad, propiedad intelectual y usos indebidos lleva a no compartir o a hacerlo de forma muy restrictiva (Schwalbach et al., 2025; Pellen et al., 2025; Figueiredo, 2017).

Parte 2 · Diseño y aplicación práctica

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.

Ejemplo: estructura de proyecto FAIR

project/
├─ README.md
├─ LICENSE
├─ metadata/
├─ data_raw/
├─ data_processed/
├─ code/
├─ results/
└─ docs/

Referencias
Estructura y reproducibilidad: Wilson et al., 2016; Noble, 2009; Klein et al., 2018
Licencias y gobernanza del proyecto: Klein et al., 2018
Metadatos y datos (documentación, trazabilidad y preservación): Spreckelsen et al., 2020; Pacharra et al., 2025; Engstfeld et al., 2025; Wilkinson et al., 2016; Fouad et al., 2024
Código, resultados y protocolos reproducibles: Wilson et al., 2016; Noble, 2009; Visentin et al., 2024; Cunha-Oliveira et al., 2024; Kanza et al., 2022; Klein et al., 2018

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.

Ejemplo: convenciones para nombrar archivos

sub-001_session-01_task-rest_bold.nii.gz en vez de final2.nii

nombres descriptivos y consistentes (Spreckelsen et al., 2020; Noble, 2009; Fouad et al., 2024)
sin espacios ni caracteres especiales (Spreckelsen et al., 2020; Wörden et al., 2024; Fouad et al., 2024)
- fechas en formato ISO (YYYY-MM-DD)

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.

2.1 Lista de chequeo FAIR con ejemplos prácticos

B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.

Descripción y propósito del proyecto → Qué hace y qué problema resuelve.
Muchos READMEs explican el qué y el cómo, pero omiten el propósito y el estado del proyecto (Prana et al., 2019)
Instalación y primer uso → Pasos claros de instalación + ejemplo mínimo funcional.
READMEs con instrucciones de instalación y uso se asocian con proyectos más populares (Liu et al., 2022).
Estructura del repositorio y enlaces clave → Mapa básico de carpetas/archivos importantes y enlaces a documentación externa.
Incluir fragmentos de código y enlaces a recursos visuales se relaciona con más visibilidad (Liu et al., 2022).
Estado, mantenimiento y licencia → Indicar licencia y si el proyecto está activo.
La información de licencia es uno de los contenidos más frecuentes y valorados en software (Ikeda et al., 2018).
Cómo contribuir o pedir ayuda → Pautas mínimas para contribuciones y canales de soporte (issues, email, foro).
Directrices de contribución y referencias se asocian con mayor popularidad del proyecto (Venigalla et al., 2022).

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.

2.1 Lista de chequeo FAIR con ejemplos prácticos

E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.

Excel vs CSV

Excel permite:

Celdas fusionadas
Múltiples encabezados
Formato visual
Ambigüedad estructural

2.1 Lista de chequeo FAIR con ejemplos prácticos

E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.

Excel vs CSV

Excel permite:

Celdas fusionadas
Múltiples encabezados
Formato visual
Ambigüedad estructural

CSV es:

Formato abierto
Sin elementos visuales
Estructura tabular explícita
Previene errores antes de que ocurran

2.1 Lista de chequeo FAIR con ejemplos prácticos

E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.

Excel vs CSV

CSV es:

Formato abierto
Sin elementos visuales
Estructura tabular explícita
Previene errores antes de que ocurran

2.1 Lista de chequeo FAIR con ejemplos prácticos

E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.

Excel vs CSV

CSV es:

Estructura tabular explícita
- Una fila = una observación
- Una columna = una variable
- Sin notas mezcladas con los datos

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.

2.1 Lista de chequeo FAIR con ejemplos prácticos

A. Planificación FAIR desde el diseño del estudio (Wilkinson et al., 2016; Groth et al., 2020; Martorana et al., 2022)
Ej.: estructura de carpetas y esquema de nombres definidos antes de recolectar datos.
B. Metadatos obligatorios y estándares definidos (Wilkinson et al., 2016; Inau et al., 2020; Wise et al., 2019)
Ej.: README + variables descritas con un esquema tipo DataCite.
C. Identificadores persistentes (DOI para datos, ORCID para autores) (Wilkinson et al., 2016; Stracke & Evans, 2024)
Ej.: dataset con DOI en Zenodo/OSF y autores con ORCID enlazado.
D. Reglas claras de acceso y licencias (Inau et al., 2020; McQuilton et al., 2020; Inau et al., 2020)
Ej.: datos abiertos bajo CC BY 4.0 u otras licencias Creative Commons; excepciones documentadas.
E. Uso de formatos abiertos y estructurados (Wilkinson et al., 2016; Groth et al., 2020; Wise et al., 2019)
Ej.: datos tabulares en CSV; metadatos en JSON.
F. Interoperabilidad semántica (ontologías, vocabularios controlados) (Wilkinson et al., 2016; Stracke & Evans, 2024; Inau et al., 2020)
Ej.: “sexo” codificado según una ontología estándar, no como texto libre.