Artículo

DOI: 10.22167/2675-6528-20240052
E&S 2025, 6: e202400052

Ana Paula Lopes Marinho e Alex Nunes de Almeida

Con la creciente disponibilidad de datos digitales y el uso de métodos de Inteligencia Artificial (IA) y Aprendizaje Automático (AM) en las ciencias de datos, surge un nuevo paradigma para la gestión y seguridad de la información. La producción científica, basada en la recopilación, manipulación y compartición de datos por investigadores^[1], hace que la Gestión de Datos (GD) sea esencial. La calidad y la transparencia de la información deben mejorarse, garantizando técnicas adecuadas para la replicación^[2], especialmente en sistemas que utilizan Grandes Modelos de Lenguaje (GML), como ChatGPT®^{[3, 4]}. Sin embargo, la implementación de buenas prácticas de GD enfrenta desafíos significativos, especialmente en la necesidad de garantizar la conformidad con leyes de protección de datos y la promoción de acciones transparentes^[2].

La aplicación de IA y AM ha automatizado diversas áreas, pero enfrenta riesgos de sesgos estadísticos por la falta de diversidad en los modelos, generando desconfianza en relación a sus resultados^[4]. Este estudio tuvo como objetivo mejorar buenas prácticas en GD e integridad en la investigación, mapeando herramientas que auxilian a los investigadores en la gestión de información científica. Así, se presentó la propuesta inicial de un modelo abarcador para un Plan de Gestión de Datos (PGD), integrando métodos y procedimientos globales en un enfoque unificado.

La implementación de buenas prácticas de GD es desafiante, ya que los investigadores enfrentan dificultades para cumplir con legislaciones que aseguren la reproducibilidad e integridad de los datos, fundamentales para cumplir con requisitos legales y criterios epistémicos rigurosos^[5,6]. Algunas plataformas, de pago o gratuitas, ofrecen sistemas de PGD que permiten a los investigadores completar información, especialmente en proyectos financiados^[7]. Sin embargo, para asegurar la calidad y transparencia de los datos es necesario ampliar el uso de estas herramientas^[3]. Para discutir la importancia de la GD en las investigaciones, relacionando valores éticos y prácticas de integridad, la literatura sugiere analizar cómo los investigadores adquieren y valoran conocimiento, realizan tareas y atribuyen responsabilidades^[1].

La cuestión central del estudio es: ¿cómo implementar efectivamente un PGD, considerando valores éticos y prácticas de integridad? Lo que busca avanzar en las discusiones sobre buenas prácticas de GD, destacando cómo el PGD puede garantizar calidad y transparencia de la información, e incentivando el uso de herramientas para la gestión de datos científicos, visando la diseminación y reproducibilidad del conocimiento.

La metodología se estructuró en dos etapas principales para equilibrar la amplitud del conocimiento científico y comunicar la esencia de la investigación. En la primera, se realizó una revisión bibliométrica, dividida en tres fases (Tabla 1), para identificar tendencias, patrones y lagunas en áreas específicas del conocimiento^[8] . Esta búsqueda preliminar fue fundamental para establecer una base sólida de literatura, refinando los criterios de inclusión y exclusión e identificando palabras clave y fuentes relevantes, asegurando que la investigación se basara en estudios con impacto significativo en el área. Sin embargo, la búsqueda en la base Scopus^® reveló que hay pocos estudios sobre Ciencia de Datos con enfoque en integridad en PGD.

Tabela 1. Resultados consolidados da pesquisa bibliográfica

Etapas	Estudios preliminares	Estudios vía Scopus	Estudios vía Snowball	Total de la muestra final
Resultados de la investigación bibliográfica	6	6	5	17

Ante esta dificultad, se utilizó la estrategia de muestreo en “bola de nieve” (snowball) para ampliar la base de referencias, conectando redes de investigadores e identificando investigaciones adicionales^[9], facilitando el acceso a datos interconectados según las necesidades del proyecto. Para la estrategia snowball, se utilizó la plataforma Research Rabbit^® como herramienta exploratoria, según se describe en el protocolo de la revisión (Tabla 2). La elección atiende a las exigencias éticas y reglamentarias.

Tabela 2. Protocolo de pesquisa da revisão sistemática – “snowball sampling”

Actividades	Descripción
Elección de palabras clave	La investigación tuvo dos conjuntos de palabras clave: Integridad en la Investigación; Plan de Gestión de Datos
Acceso a artículos y lectura de los Abstracts	Identificación de artículos pertinentes al tema de investigación relacionados con los términos de búsqueda.
Exploración de Referencias y Citas	Al elegir las referencias y citas de los artículos iniciales, se permitió que nuevas fuentes fueran identificadas a partir de la investigación inicial, combinando otras nuevas a partir de datos representativos.
Ampliación de la búsqueda	A partir de las nuevas referencias y citas encontradas, se amplió la búsqueda en la plataforma incluyendo nuevas fuentes adicionales.
Análisis y síntesis	Evaluación de la información y síntesis. El proceso de “snowballing” se repitió para expandir la investigación y aumentar la compresión del tema.
Registro y gestión de las referencias	A lo largo del proceso, las referencias encontradas se guardaron en la plataforma Research Rabbit®. Esto facilitó la organización y el seguimiento de los artículos utilizados en el TCC.

Se incluyeron trabajos de Cardoso et al.^[7], Ministério da Saúde^[10], Doorn^[3], Engelhardt^[11], y Governo Digital^[12]. Para actualizar los datos, la segunda fase utilizó la base Scopus (Alam et al.^[6]; Bolland & Grey^[13]; Bouter^[14]; Carcausto-Calla et al.^[15]; Valkenburg et al.^[1]; Van den Hoven et al.^[16]). Posteriormente, se amplió la búsqueda con la técnica de snowball sampling^[9] para obtener muestras cualitativas e identificar lagunas sobre integridad en la investigación (Beugelsdijk & Meyer^[2]; McGovern et al.^[4]; Hosseini et al.^[5]; Wilkinson et al.^[17]; Van den Eynden et al.^[18]).

En la segunda etapa, se mapearon repositorios y plataformas de GP científicos, nacionales e internacionales, regulados y recomendados por editores comprometidos con la integridad de esta investigación. Se realizó una búsqueda en Google Scholar^® y consultas en revistas de universidades para verificar políticas de sumisión, integridad y transparencia de datos en sus sitios web. Se analizaron estudios de caso empresariales y académicos que evidencian errores en la GD, especialmente cuando algoritmos de IA, basados en fórmulas matemáticas, son erróneamente considerados infalibles. Estos casos, conducidos por especialistas, destacan la necesidad del uso de herramientas de GD para garantizar la replicabilidad de los estudios.

El acceso restringido a recursos abiertos es un desafío significativo que dificulta la difusión y validación de los resultados^[5,2]. La falta de accesibilidad abierta perjudica la replicabilidad, creando barreras para la validación de las investigaciones^[4], ya que, incluso con verificaciones automatizadas, persisten fallos, permitiendo prácticas irresponsables como la falsificación o el plagio de información^[1]. En la Tabla 3, se destacan las limitaciones y potencialidades enfrentadas en el acceso y replicabilidad de datos en la ciencia computacional.

La educación sobre integridad enfrenta una brecha en la comprensión de la ética y la replicabilidad, evidenciando la necesidad de entrenamientos específicos^{[2, 6, 14]}. Estudios de Carcausto-Calla et al.^[15] y Van den Hoven et al.^[16] apuntan resultados positivos con entrenamientos estructurados que utilizan metodologías activas, como talleres, análisis de casos, juegos de simulación e incluso la pedagogía freiriana, promoviendo autonomía crítica e integridad en la investigación.

Tabela 3. Limitações e potencialidades de acesso a recursos de acesso aberto

Limitaciones	Autor/es
Acceso a infraestructuras gratuitas y de alto rendimiento para la realización de investigaciones y creación de PGDs	McGovern et al.[4]; Beugelsdijk et al.[2]
Desarrollo de aplicaciones simples, transparentes de AM y con infraestructura de verificación de prevención de plagio	Valkenburg et al.[1]
El uso de LLMs presenta dilemas en cuanto al empleo de la transparencia. La responsabilidad es esencial para garantizar la integridad, rigor legal para la replicabilidad de los datos.	Hosseini et al.[5]; Beugelsdijk et al.[2]
Conocimiento científico falso y plagiado que entra en bases de datos.	Valkenburg et al.[1]
La cultura de conocimiento compartido (Creative Commons) crece, pero todavía enfrentamos desafíos con el licenciamiento de dominio público y los costos para liberar el acceso a la investigación.	Beugelsdijk et al.[2]
La principal limitación para la comprensión pública del proceso científico es la falta de capacitación, infraestructura adecuada, informes consistentes, procedimientos claros y atención a la ética de publicación.	Alam et al.[6]; Bouter[14]
Los investigadores necesitan la ayuda de sus instituciones de investigación para optimizar el funcionamiento de su brújula moral.	Bouter[14]
Hay pocas oportunidades para que las comunidades interesadas interactúen en el sentido de buscar colaborativamente soluciones desafiantes a los problemas de integridad en la investigación.	Alam et al.[6]
Potenciales	Autor/es
La utilización de LLMs como herramienta para facilitar la redacción o edición de textos es una práctica que promueve la inclusión y diversidad.	Hosseini et al.[5]
La mayoría de las revistas científicas han adoptado buenas prácticas de investigación, incorporando procesos de revisión y códigos de ética que promueven el acceso a los datos y la transparencia de la investigación, conocidos en inglés como Data Access and Research Transparency (DART).	Beugelsdijk et al.[2]
Los Comités de Ética son responsables de crear, difundir y aprobar los protocolos de investigación. Práctica difundida en muchos países, incluido Brasil.	Beugelsdijk et al.[2]; Ministerio de Salud[10]
La Ley de Protección de Datos propone y estimula que los investigadores elaboren un PGD con los detalles de los tipos de datos recopilados, cómo fueron analizados y almacenados.	Beugelsdijk et al.[2]
Programas de capacitación desarrollados con el uso de metodologías activas para el desarrollo de integridad e investigación para la comunidad científica.	Carcausto-Calla et al.[15]
Las evidencias muestran que los entrenamientos fortalecieron conceptos normativos, promovieron autonomía crítica, apertura, autoconfianza y coraje para lidiar con cuestiones de integridad en la práctica.	Van den Hoven et al.[16]

En las publicaciones académicas, hay una creciente adopción de políticas de transparencia y acceso a datos, con muchas revistas integrando el Comité de Ética en Publicación (COPE). Sin embargo, como señalan Beugelsdijk et al.^[2] y Bolland et al.^[13], aunque el COPE no define estándares metodológicos específicos, este cambio apunta a una cultura de investigación más ética, pero el uso de recursos “Creative Commons” puede enfrentar desafíos financieros. La Ley General de Protección de Datos en Brasil y la legislación correspondiente en la Unión Europea, sancionadas en 2018, refuerzan la necesidad de un PGD, que es evaluado por los Comités de Ética en Investigación (CEP). El PGD debe respetar las políticas específicas de la revista, CEP y leyes de protección de datos.

En la Tabla 4, se observa que la integridad en la investigación es vista como una responsabilidad individual de los investigadores^[1] lo que requiere cuidado en todas las etapas, resaltando la transparencia y seguridad en la gestión de información, independientemente de las tecnologías empleadas^[2,6,16], pues el compromiso con la integridad exige una conducta responsable de los investigadores.

Tabela 4. Síntese teórica sobre a integridade na pesquisa

Autores	Concepto de integridad en la investigación
Valkenburg et al.[1]	La integridad en la investigación es vista por los autores como una cuestión de responsabilidad de los investigadores en términos individuales en relación con sus respectivas actividades de investigación.
Beugelsdijk et al.[2]	La transparencia es una condición básica en la investigación científica que se deriva desde la etapa de producción de datos hasta el resultado de los análisis, desde la producción de datos hasta los resultados de los análisis, acumulando credibilidad en el desarrollo de la teoría sobre el fenómeno.
Alam et al.[6]	Según los autores, la integridad en la investigación consiste en agregar valor y beneficios sociales a la investigación. La aplicación de la integridad en la investigación se caracteriza por la adhesión consistente a la honestidad, la responsabilidad, la cortesía profesional, la justicia y la buena gestión.
Van den Hoven et al.[16]	Comprende que la integridad en la investigación es el efecto de estimular el empoderamiento hacia la conducta responsable de investigación.

La mayoría de las revistas científicas exigen que los autores envíen documentos separados, como tablas y figuras, detallando la base de datos. También recomiendan poner los datos a disposición en repositorios legales, accesibles a través del “Identificador de Objeto Digital” (DOI), permitiendo citas como bibliografía formal^[2]. La identificación por DOI de un artículo lo conecta con el investigador o la organización de investigación. Algunas plataformas cruzan datos exigiendo el inicio de sesión con el identificador “Open Researcher and Contributor ID” (ORCID), una iniciativa sin fines de lucro que proporciona un identificador único y permanente para investigadores y colaboradores académicos^[19]. Utilizado para validar la inclusión de información asociada al DOI, este enfoque promueve la transparencia en la investigación, aunque no todos los sistemas ofrecen esta integración^[6].

Plataformas y repositorios investigados

Se consultaron repositorios que proporcionan DOI, destacando aquellos recomendados por los revisores y que ofrecen una interfaz de metadatos estandarizada y accesible globalmente para la exportación de datos^[8,20]. Para cada repositorio listado, se presenta una breve explicación sobre su función principal en el contexto de la replicabilidad de datos (Tabla 5).

Tabela 5. Repositórios indicados por revisores que fornecem DOI

Nombre del repositorio	Datos de acceso	Función
DataCite Commons	https:// repositoryfinder.datacite.org	Permite al investigador realizar investigaciones, acceder y reutilizar conjuntos de datos
Dríada	https://datadryad.org/stash	Repositorio de datos que ofrece almacenamiento y compartición de datos científicos
Harvard Dataverse	https://dataverse.org/	Permite que los investigadores compartan, preserven y citen sus datos
Mendeley	www.elsevier. com/solutions/mendeley	Gestión de referencias y red social académica. Presenta funciones de organización de documentos y redes de investigación
ROR – Research Organization Registry	https://ror.org/	Registro global de identificadores únicos para organizaciones de investigación

Se investigaron diversas herramientas para la elaboración de PGD, o Planes de Gestión de Datos (DMP) en inglés. A continuación, se enumeran las herramientas identificadas en esta investigación, acompañadas de una breve explicación (Tabla 6).

Tabela 6. Ferramentas para elaboração de Plano de Gestão de Dados (DMPtools)

Nombre	Datos de acceso	Función
DCC – Digital Curation Centre	https://www.dcc.ac.uk/	Centro de curaduría digital que ofrece recursos y orientaciones para la GD de investigación
DMPtool	https://dmptool.org/auth	Herramienta en línea que ayuda a los investigadores en la elaboración de planes de GD. Herramienta utilizada por varias universidades
DMPTuuli	https://www.dmptuuli.fi/	Similar al DMPtool, pero específico para investigadores finlandeses
Mendeley	https://data.mendeley.com/	Aunque más conocido como servicio de gestión de referencias. Ofrece recursos para la GD de investigación
USGS – Ciencia para un Mundo Cambiante	https://www.usgs.gov/data-management	Agencia gubernamental de los Estados Unidos que se dedica a la gestión y análisis de datos geoespaciales y ambientales

Modelo de Plan de Gestión de Datos

El PGD es un documento esencial que organiza y detalla el desarrollo de la investigación. Debe incluir la descripción de los protocolos de recolección de datos, la evaluación de riesgos y beneficios, y los procedimientos necesarios para garantizar la confidencialidad y privacidad de la información, además de las prácticas de retención^[2]. La gestión eficaz de datos garantiza su curación, beneficiando a la comunidad científica y cumpliendo las directrices de gobernanza^[12] establecidas por organismos reguladores.

Un PGD bien elaborado garantiza el archivo adecuado de los datos, definiendo directrices para su preservación y facilitando su uso por futuros investigadores. Según Wilkinson et al.^[17], un PGD convierte metadatos en conjuntos de datos aptos para recibir un identificador DOI. Para ello, son esenciales decisiones estratégicas, como el uso de herramientas computacionales.

La gobernanza de los datos debe seguir los principios FAIR — Findable (localizables), Accessible (accesibles), Interoperable (interoperables) y Reusable (reutilizables) — para fortalecer la transparencia e integridad de los datos, además de promover la colaboración académica^{[11, 8]}. Complementariamente, los principios CARE (Colectivo, Autoridad, Responsabilidad y Ética), introducidos por Souza et al.^[21], se centran en la gestión ética de datos, especialmente para poblaciones vulnerables. Creado en la Conferencia Internacional de Datos, el principio CARE se orientó originalmente al tratamiento de datos indígenas, pero se extiende a todas las poblaciones en las que se basan los estudios científicos.

Siguiendo a Van den Eynden^[21]y Beugelsdijk et al.^[2], la implementación de buenas prácticas de GD requiere un enfoque meticuloso y organizado. El modelo de PGD debe alinearse con los principios FAIR y CARE (Figura 1) y desarrollarse siguiendo los siguientes pasos:

1) Descripción de los datos, normas de metadatos e interoperabilidad: el proceso exige información detallada sobre los datos utilizados en la investigación, garantizando la interoperabilidad. Los datos deben estar disponibles en una plataforma compatible que permita su interacción.

2) Restricciones legales, éticas, afiliaciones y autores: los investigadores deben cumplir las leyes y regulaciones sobre el uso y el intercambio de datos, como la protección de datos, los derechos de autor y la propiedad intelectual, considerando también las limitaciones de los comités de ética y las cuestiones éticas relacionadas con la privacidad y el consentimiento de los participantes.

3) Política de preservación, compartición y reutilización de datos: involucra la preservación, compartición y reutilización de datos, basada en prácticas de almacenamiento que garantizan acceso a largo plazo. Esto incluye sistemas digitales, copias de seguridad regulares, documentación adecuada y estándares de preservación para evitar pérdidas y accesos inadecuados.

4) Formatos y estándares: un PGD bien estructurado debe indicar los formatos de archivo y la estructura de los datos, información esencial para garantizar la interoperabilidad y portabilidad entre sistemas y plataformas[3, 2,10].

5) Repositorios: ubicaciones específicas almacenan y organizan datos de forma sistemática y segura, permitiendo a los autores estructurarlos de manera que faciliten el acceso, el intercambio y la preservación permanente.

El modelo de PGD propuesto en este estudio abarca cinco etapas esenciales para su desarrollo, alineadas con las tres fases del ciclo de desarrollo de un Trabajo de Conclusión de Curso (TCC). Aunque dirigido a estudiantes de Data Science Analytics, puede aplicarse en otras disciplinas que requieran un PGD. Dada la complejidad de las bases de datos utilizadas, es indispensable un sistema computacional robusto que asegure agilidad, eficiencia y seguridad. El uso de plataformas o repositorios integrados para la recopilación, creación y compartición de datos también es fundamental. Las directrices del modelo, ilustradas en la Figura 2, buscan orientar a los investigadores a adoptar prácticas cuidadosas y responsables, promoviendo la credibilidad de los estudios y contribuyendo al avance del conocimiento en sus áreas.

Ciclo de investigación

1) Proyecto de investigación: involucra las actividades iniciales para la concepción del proyecto, garantizando que la integridad y la confiabilidad de los datos se definan desde el principio.

2) Resultados preliminares: representan un hito crucial, en el cual es fundamental asegurar la aplicación de la metodología y de los materiales establecidos en el proyecto.

3) Texto final: aunque sea la etapa final, esta actividad es crucial para revisar patrones y formatos, estimar el volumen de datos generado y especificar las herramientas para su procesamiento.

En cada una de las tres etapas, se incorporaron actividades esenciales para la gestión integral de datos. Esta integración al ciclo de investigación garantizó la aplicación de los principios CARE y FAIR, promoviendo un modelo que alinea acciones éticas y responsables. Así, el investigador puede conducir sus actividades de forma transparente, describiendo detalladamente la base de datos y comunicando con claridad la confiabilidad de los resultados del estudio. Este estudio presentó un modelo para facilitar la implementación del PGD en investigaciones de GD y otros trabajos académicos, enfatizando la importancia de la integridad en las tres fases del ciclo de investigación: concepción, desarrollo y redacción final. Al incorporar prácticas éticas desde el inicio hasta la conclusión del proyecto, se refuerza la conducta responsable de los investigadores y la necesidad de una gestión rigurosa de los datos. Este enfoque no solo eleva la calidad de los trabajos académicos, sino que también promueve el diálogo sobre transparencia en la diseminación y reutilización de datos.

Referencias

[1] Valkenburg, G.; Dix, G.; Tijdink, J.; Rijcke, S. 2021. Expanding research integrity: A cultural-practice perspective. Science and engineering ethics 27(10):1-23. https://doi.org/10.1007/s11948-021-00291-z.

[2] Beugelsdijk, S.; Van Witteloostuijn, A.; Meyer, K.E. 2020. A new approach to data access and research transparency (DART). Journal of International Business Studies 51:887-905. https://doi.org/10.1057/s41267-020-00323-z.

[3] Doorn, P.K. 2018. Science Europe Practical Guide to the International Alignment of Research Data Management. https://doi.org/10.5281/zenodo.4915862.

[4] McGovern, A.; Ebert-Uphoff, I.; Gagne, D.J.; Bostrom, A. 2022. Why we need to focus on developing ethical, responsible, and trustworthy artificial intelligence approaches for environmental science. Environmental Data Science, 1, p.e6. DOI: 10.1017/eds.2022.5.

[5] Hosseini, M.; Resnik, D.B.; Holmes, K. 2023. The ethics of disclosing the use of artificial intelligence tools in writing scholarly manuscripts. Research Ethics 19(4):449-465. https://doi.org/10.1177/17470161231180449.

[6] Alam, S.; Burley, R.; Graf, C.; Meadows, A.;  Mejias, G.; Pattinson, D. 2024. (Re?) Building trust in research integrity. Information Services & Use 44(1):1-4. DOI: 10.3233/ISU-230200.

[7] Cardoso, J.; Pereira, F.; Moreira, J.M. 2024. Serviço de Repositório Digital de Dados de Investigação. Revista Científica Da UEM: Série Letras E Ciências Sociais, 4(1). Disponível em: http://196.3.97.23/revista/index.php/lcs/article/view/223. Acesso em: 21 jan. 2025.

[8] Gottardi, T.; Medeiros, C.B.; Reis, J.C., 2021. Semantic Search to Foster Scientific Findability: A Systematic Literature Review. Journal of Information and Data Management 12(5). https://doi.org/10.5753/jidm.2021.1919.

[9] Naderifar, M.; Goli, H.; Ghaljaie, F. 2017. Snowball sampling: A purposeful method of sampling in qualitative research. Strides in development of medical education, 14(3). https://doi.org/10.5812/sdme.67670.

[10] Ministério da Saúde [MS]. 2023. Conselho Nacional de Saúde. Comitê de Ética em Pesquisa. Disponível em: < https://conselho.saude.gov.br/comites-de-etica-em-pesquisa-conep?view=default>. Acesso em: 11 de abril de 2024.

[11] Engelhardt, C. 2022. D7. 4 How to be FAIR with your data. Disponível em: https://library.oapen.org/handle/20.500.12657/54460. Acesso em: 21 jan. 25.

[12] Governo Digital. 2024. Governança de Dados. Disponível em: https://www.gov.br/governodigital/pt-br/infraestrutura-nacional-de-dados/governancadedados/governanca-de-dados. Acesso em: 11 de abril de 2024.

[13] Bolland, M.J.; Avenell, A.; Grey, A. 2024. Publication integrity: what is it, why does it matter, how it is safeguarded and how could we do better?. Journal of the Royal Society of New Zealand, 55(1541):1-20. DOI: 10.1080/03036758.2024.2325004.

[14] Bouter, L. 2020. What research institutions can do to foster research integrity. Science and engineering ethics, 26(4):2363-2369. DOI: 10.1007/s11948-020-00178-5.

[15] Carcausto-Calla, W.; Zapata, N.A.; Cueva, F.E.I.; Morales, S.A.G.; Rios, A.R. 2023. Mapping of Empirical Studies on Research Integrity in University Institutions 12(5):9-22. https://doi.org/10.36941/ajis-2023-0122.

[16] Van den Hoven, M.; Lindemann, T.; Zollitsch, L.; Prieß-Buchheit, J. 2023. A Taxonomy for Research Integrity Training: Design, Conduct, and Improvements in Research Integrity Courses. Science and engineering ethics, 29(14):1-21.  https://doi.org/10.1007/s11948-022-00425-x.

[17] Wilkinson, M.D.; Dumontier, M.; Aalbersberg, I.J.; Appleton, G.; Axton, M.; Baak, A.; Mons, B. 2016. The FAIR Guiding Principles for scientific data management and stewardship. Scientific data, 3(1):1-9. https://doi.org/10.1038/sdata.2016.18.  

[18] Van den Eynden, V.; Corti, L.; Woollard, M.; Bishop, L.; Horton, L. 2011. Managing and sharing data; a best practice guide for researchers. Disponível em: https://dam.ukdataservice.ac.uk/media/622417/managingsharing.pdf. Acesso em: 21 jan. 2025.

[19] ORCID. (2024). ORCID – Connecting Research and Researchers. Disponível em: https://orcid.org/. Acesso em: 11 de abril de 2024.

[20] Laender, A.H.F.; Medeiros, C.M.B.; Cendes, I.L.; Barreto, M.L.; Van Sluys, M.A.; Almeida, U.B.D. 2020. Abertura e gestão de dados: desafios para a ciência brasileira. Disponível em: https://www.abc.org.br/wp-content/uploads/2020/09/ABC-Abertura-e-Gest%C3%A3o-de-Dados-desafios-para-a-ci%C3%AAncia-brasileira.pdf. Acesso em: 21 jan. 2025.

[21] Souza, L.P.; Sousa, R.S.C.; Löw, M.M.; Barros, T.H.B. 2023, August. Promovendo a justiça epistêmica: uma análise dos princípios CARE na gestão de dados de pesquisa em relação aos povos indígenas. In Anais do Workshop de Informação, Dados e Tecnologia-WIDaT 6. https://doi.org/10.22477/vi.widat.73.

Cómo citar

Marinho A.P.L.; Almeida A.N. Gestión de datos en investigaciones científicas: enfoques éticos y prácticas de integridad. Revista E&S. 2025; 6: e20240052.

Sobre los autores

Ana Paula Lopes Marinho – Maestra en Administración. Centro Estatal de Educación Tecnológica Paula Souza. Praça Coronel Fernando Prestes, 30, Bom Retiro, 1124-060, São Paulo, São Paulo, Brasil.
Alex Nunes de Almeida – Doctor en Ciencias. Pecege. Rua Cezira Giovanoni Moretti, 580, Santa Rosa, 13414-157, Piracicaba, São Paulo, Brasil