Sí, siempre y cuando el proyecto esté financiado por Horizonte 2020 en el Piloto de Datos de Investigación en Abierto.

En el caso de que el proyecto esté financiado por Horizonte 2020 pero no genere datos, o éstos puedan suponer un conflicto con la obligación de proteger los resultados, o con las obligaciones de confidencialidad, seguridad nacional o con las leyes de protección de datos personales, el investigador puede optar por no realizar un PGD.

Elaborar un Plan de Gestión de Datos es una buena práctica en cualquier investigación en la que se utilicen datos.

Acceso Abierto se define como la práctica de proveer acceso en línea a la información científica sin cargo para el usuario y de forma reutilizable. En el contexto de la investigación e innovación, con “información científica” podemos referirnos tanto a artículos de investigación científicos con revisión por pares (publicados en revistas académicas) como a datos de investigación (datos subyacentes a las publicaciones, datos preservados y/o datos en bruto).
Con datos de investigación nos referimos a información factual, en particular hechos o números, recopilada para ser analizada en conjunto como base para el razonamiento, la discusión o el cálculo. En un contexto científico, serían ejemplos de datos las estadísticas, resultados de experimentos, medidas, resultados de observaciones de trabajos de campo, resultados de encuestas, grabaciones de entrevistas e imágenes. Es fundamental que estos datos de investigación estén disponibles en formato digital.
El acceso abierto a los datos de investigación hace referencia al derecho de acceso y reutilización de los datos de investigación en formato digital, bajo los términos y las condiciones indicadas en el acuerdo de subvención. Los datos de investigación en abierto, en general, deberán ser aptos para su acceso, extracción, explotación, reproducción y diseminación de forma gratuita para el usuario.

La Comisión Europea pone en marcha una iniciativa piloto para hacer posible el acceso en abierto a los datos de investigación resultantes de proyectos financiados por Horizonte 2020. Reconociendo que el acceso a los datos de investigación que permitan validar los resultados presentados en publicaciones científicas y otras fuentes de información es tan importante como el acceso en abierto a las publicaciones, pone en marcha la iniciativa piloto anunciada en 2012. La iniciativa, denominada Pilot on Open Research Data in Horizon 2020, tiene como fin mejorar y maximizar el acceso y la utilización de datos científicos generados por proyectos en beneficio de la sociedad y la economía. Supone un paso más para el Acceso Abierto, ya que se suma a la obligación de publicar en abierto todos las publicaciones científicas resultado de proyectos financiados con fondos de Horizonte 2020. En los programas de trabajo 2014-2016 las áreas incluidas en el piloto son:

• Tecnologías Futuras y Emergentes.
• Infraestructuras de investigación, parte de e-infraestructuras.
• Liderazgo en tecnologías industriales y de capacitación.
• Reto Social: “Energía eficiente, segura y limpia” – sección ciudades y comunidades inteligentes.
• Reto Social: “Acción por el clima, medio ambiente, eficiencia de los recursos y materias primas”, exceptuando las líneas relacionadas con las materias primas.
• Reto Social: “Europea en un mundo cambiante, sociedades inclusivas, innovadoras y reflexivas”.
• Ciencia con y para la Sociedad.

En la versión revisada del programa 2017 el piloto de datos se extiende a todas las áreas de Horizonte 2020.

Aunque en Horizon 2020 se aplicará por defecto el acceso abierto a los datos, la Comisión reconoce que puede haber razones por las cuales los datos deben mantenerse en acceso cerrado. Por ello da la opción de cancelar la subvención en cualquier fase (preparación, aplicación o posterior a firmar el acuerdo de subvención).

Se dará la opción de no participar en esta iniciativa a aquellos proyectos que por motivos de protección de la propiedad intelectual o de datos personales, o que afecten a la seguridad, no puedan dar acceso abierto a los datos resultado de la investigación.

Más información:

• Directrices sobre la Gestión de Datos FAIR en Horizonte 2020.
• Directrices para el acceso abierto a las publicaciones científicas y datos de investigación en Horizonte 2020.
  
• Directrices para el Open Access en Horizonte 2020.
• Directrices para la Gestión de Datos en Horizonte 2020.
• Multi-Beneficiary General Model Grant Agreement.
• Model Grant Agreement (acceso abierto a los datos de la investigación).
• Nota de prensa de la Comisión Europea relacionada con la iniciativa piloto.

Página web de interés: RECOLECTA, plataforma que agrupa a todos los repositorios científicos nacionales y que provee de servicios a los gestores de repositorios, a los investigadores y a los agentes implicados en la elaboración de políticas.

En el Artículo 29.3 se establece que los beneficiarios que participan en el Piloto de Datos deberán:

1. Depositar en un repositorio de datos y hacer posible el acceso, explotación, reproducción y difusión de:
   1. los datos (incluyendo los metadatos asociados) necesarios para validar los resultados presentados en publicaciones científicas.
   2. otros datos (incluidos los metadatos asociados) según lo especificado y dentro de los plazos establecidos en el “Plan de Gestión de Datos” de los proyectos (véase el anexo 1).
2. Proporcionar información  (a través del repositorio) acerca de las herramientas e instrumentos, a disposición de los beneficiarios, necesarias para la validación de los resultados.

Una manera de hacerlo es asignar la licencia de Creative Commons (CC-BY o CC0) a los datos depositados.

(http://creativecommons.org/licenses, http://creativecommons.org/about/cc0 ).

La Comisión reconoce que “los datos” generados por los proyectos financiados por la UE son extremadamente diversos. El Piloto de Datos de Investigación en Abierto se aplica a dos tipos de datos:

• Los datos, incluidos sus metadatos, necesarios para validar los resultados presentados en publicaciones científicas.
• Otros datos, incluyendo sus metadatos, según lo especificado y dentro de los plazos establecidos en el Plan de Gestión de Datos de los proyectos.

Podrán participar en el Piloto de forma voluntaria (hasta 2016) los proyectos financiados en el marco de Horizonte 2020 que no estén cubiertos por las áreas o subáreas del Piloto señaladas anteriormente. A partir de 2017 el Piloto de Datos se extiende a todas las áreas de Horizonte 2020. Los proyectos del Piloto incluirán el artículo 29.3 en su acuerdo de subvención.

Los proyectos pueden en cualquier momento excluirse del Piloto por diversas razones, como por ejemplo:

• Si el proyecto no va a generar o recoger datos.
• En caso de conflicto con la obligación de proteger los resultados.
• Si es incompatible con la necesidad de confidencialidad relacionada con cuestiones de seguridad.
• En caso de conflicto con la protección de datos personales.
• Si la participación en el Piloto pone en peligro la consecución del objetivo principal de la acción.
• Por alguna otra razón legítima que debe justificarse en la fase de propuesta del proyecto.

Como la participación en el Piloto de Datos en Abierto no es parte de la evaluación del proyecto, la opción de excluirse del Piloto por alguno de estos motivos es posible en cualquier etapa del proyecto, ha de recogerse en el Plan de Gestión de Datos del proyecto (PGD) y no se penaliza.

Los proyectos también pueden optar por mantener conjuntos de datos seleccionados o incluso todos los datos cerrados por cualquiera de las razones anteriores, a través de su Plan de Gestión de Datos (PGD).

El enfoque de la Comisión es “lo más abierto posible, tan cerrado como sea necesario”.

El propósito de un PGD es proporcionar un análisis de los principales elementos de la política de gestión de datos que será utilizada por los solicitantes con respecto a todos los conjuntos de datos que se generarán en el proyecto. El PGD no es un documento definitivo, sino que evolucionará durante el período de vigencia del proyecto.

El PGD debe abordar los puntos que se indican a continuación y que constituirá un conjunto de datos básico, así como reflejar el estado del conjunto de datos que se van a generar:

• Referencia y nombre del conjunto de datos.
  • Se creará un identificador para el conjunto de datos.
• Descripción del conjunto de datos.
  • Descripción de los datos que vayan a generar o recopilar, su origen (en caso de que sean recogidos), naturaleza y escala, a quién le podrían resultar útiles, si sustentan una publicación científica. Información sobre la existencia (o no) de datos similares y las posibilidades de su integración y reutilización.
• Estándares y metadatos.
  • Referencia a los estándares existentes de la disciplina. Si éstos no existieran, se creará un esquema de cómo y qué metadatos se van a utilizar.
• Datos compartidos.
  • Descripción de cómo se van a compartir los datos, incluyendo procedimientos de acceso, períodos de embargo (si los hubiera), sumarios de los mecanismos técnicos para su diseminación y software necesario, así como otras herramientas que permitan su reutilización. Definición de si el acceso será abierto o restringido a determinados grupos. Identificación del repositorio en el que se archivarán los datos. Si ya existen y están identificados, indicación del tipo de repositorio (institucional, temático, etc.).
    En caso de que los datos no se puedan compartir, han de mencionarse las razones (por ej. éticas, protección de datos de carácter personal, propiedad intelectual, comercial, relacionadas con la privacidad, la seguridad…).
• Archivo y preservación (incluido el almacenamiento y copias de seguridad).
  • Descripción de los procedimientos que se establecerán para la preservación a largo plazo de los datos. Indicación del tiempo que se deben conservar, cuál es su volumen final aproximado, qué costes asociados conllevan y cómo éstos se planificarán y cubrirán.

Una buena gestión de datos es la base del éxito de la investigación. La gestión de los datos de manera eficaz a través de su ciclo de vida es muy importante para el éxito del proyecto de investigación. El Informe preliminar para la conservación y reutilización de datos científicos en España (FECYT, RECOLECTA) enumera los siguientes beneficios para los investigadores:

• Se pueden encontrar y comprender los datos cuando se necesite utilizarlos.
• Se garantiza la continuidad del proyecto independientemente de la participación de los investigadores.
• Se evitan duplicaciones y tareas innecesarias.
• El mantenimiento del conjunto de datos generados permite la validación de los resultados.
• Los datos se pueden compartir permitiendo un alto nivel de colaboración y de avance en la investigación.
• Si los datos se ofrecen en abierto tendrán una gran visibilidad.
• Otros investigadores que utilicen los datos pueden citarlos y la investigación obtendrá más prestigio.

Además, un PGD permite al investigador:

• Cumplir con los requisitos de la agencia de financiación.
• Garantizar la integridad de la investigación y la reproducibilidad.
• Aumentar de la eficiencia y la calidad de la investigación.
• Asegurar que los datos de investigación son precisos, completos, auténticos y fidedignos.
• Ahorrar tiempo y recursos a largo plazo.
• Mejorar la protección de datos y minimizar el riesgo de pérdida de datos.
• Garantizar la conservación y preservación de los datos de investigación

El uso de Planes de Gestión de Datos es obligatorio para los proyectos participantes en el Piloto de Datos de Investigación en Abierto en Horizonte 2020. A partir de 2017 el Piloto se extiende a todas las áreas. (Directrices para la Gestión de Datos en Horizonte 2020).

Más información sobre los proyectos participantes en Horizonte 2020.

Puede haber otros organismos financiadores que requieran un Plan de Gestión de Datos. Para ello habrá que consultar las bases de dichas convocatorias.

El uso de Planes de Gestión de Datos es obligatorio para los proyectos participantes en el Piloto de Datos de Investigación en Abierto en Horizonte 2020. Otros proyectos podrán opcionalmente (hasta 2016) presentar un Plan de Gestión de Datos si es relevante para su proyecto de investigación. (Directrices para la Gestión de Datos en Horizonte 2020).

A partir de 2017 el piloto de datos se extiende a todas las áreas de Horizonte 2020.  Por lo que todos los proyectos de H2020 deberán presentar un Plan de Gestión de Datos.

Elaborar un Plan de Gestión de Datos es una buena práctica en cualquier investigación en la que se utilicen datos.

PGDOnline es una herramienta web en línea, basada en Argos, desarrollada por OpenAIRE y adaptada por el Consorcio Madroño y sus universidades miembro. Le proporciona plantillas (traducidas al castellano por el Consorcio Madroño) adaptadas a los requerimientos de Horizonte 2020 y Horizonte Europa. Es un recurso muy útil que permite crear, almacenar y compartir un Plan de Gestión de Datos.

Cómo funciona PGDOnline

Crear un plan

Para crear un plan, haga clic en el botón ‘Iniciar un nuevo PGD’ situado en la parte derecha del menú superior. Si ya ha creado planes de gestión de datos anteriormente, puede usar uno de ellos como base con la opción “Importar desde Fichero” o, puede crear uno desde cero pulsando el botón “Lanzar el Asistente”.

Escriba su plan

En primer lugar tiene que introducir información básica sobre el Plan de Gestión de Datos:

• Detalles generales (título, descripción, …).
• Información sobre la financiación.
• La licencia y visibilidad del PGD.
• La plantilla base con la que se describirán los datasets. Están disponibles las plantillas de Horizonte 2020 y Horizonte Europa en inglés y español.

Tras realizar estos pasos pulse el botón de “Grabar & Añadir dataset”, con lo que se guardará su Plan de Gestión de Datos y puede comenzar a describir el primer dataset con la plantilla seleccionada (un Plan de Gestión de Datos tiene puede describir uno o varios datasets).

Descripción del dataset

Se le mostrará un formulario con distintos pasos, preguntas y ayuda que le sirven para la descripción del dataset con la plantilla seleccionada. Algunos campos pueden rellenarse seleccionando un elemento de una lista, pero siempre tendrá la opción de introducir la información de forma manual.
En cualquier momento puede grabar el trabajo realizado con las opciones de “Grabar y Continuar” (opción por defecto al Grabar), “Grabar y Cerrar” (Cierra el dataset y vuelve a la página principal del dataset) o “Grabar y Añadir Nuevo” (Empezará a describir un nuevo dataset).
También tiene la opción de “Finalizar” el dataset. Con esta opción se considera la descripción del dataset completa y finalizada. Un dataset finalizado puede volver a abrirse. También puede crear una nueva versión del mismo, por ejemplo, para realizar varias entregas de la descripción del dataset a al organismo que financia el proyecto.

Exporte su plan

En el menú lateral, tiene las entradas “Mis PGD” y “Mis descripciones de dataset”. Desde ellas puede exportar la descripción de un dataset o un PGD completo en formato PDF o word. Los PGD también los puede exportar en formato json para poder usarlos como plantillas de otros dataset.

Colabore con otros investigadores

Desde las páginas “Mis PGD” y “Mis descripciones de dataset” puede invitar a otros investigadores a colaborar en la creación de su dataset.

Comience…

Se define datos de investigación como aquellos materiales generados o recolectados durante el transcurso de la realización de una investigación. En general, los datos de la investigación son todo aquello que un investigador necesitaría para validar los resultados publicados de su investigación. Un informe financiado por el Higher Education Funding Council for England (HEFCE) 2008 establece que “Los datos de investigación son la base de la evidencia sobre la que los investigadores académicos construyen su trabajo”.

Los datos de la investigación son hechos, observaciones o experiencias en que se basa el argumento, la teoría o la prueba. Los datos pueden ser numéricos, descriptivos o visuales. Los datos pueden ser en estado bruto o analizado, pueden ser experimentales u observacionales. Los datos incluyen: cuadernos de laboratorio, cuadernos de campo, datos de investigación primaria (incluidos los datos en papel o en soporte informático), cuestionarios, cintas de audio, videos, desarrollo de modelos, fotografías, películas, y las comprobaciones y las respuestas de la prueba. Las colecciones de datos para la investigación pueden incluir diapositivas, diseños y muestras. En la información sobre la procedencia de los datos también se podría incluir: el cómo, cuándo, dónde se recogió y con qué (por ejemplo, instrumentos). El código de software utilizado para generar, comentar o analizar los datos también pueden ser considerados datos.

(Universidad de Melbourne).

Aunque la naturaleza de los datos de investigación es muy heterogénea y depende de cada disciplina, según la US National Science Foundation los datos de investigación se pueden clasificar de la siguiente forma:

• Datos observacionales. Son registros históricos, se pueden obtener únicamente en un lugar y en un momento en el tiempo. Esta característica los hace especialmente importantes a la hora de preservarlos ya que en caso de que se perdiesen no podrían volver a reproducirse. Ejemplos: los barómetros del Centro de Investigaciones Sociológicas (CIS), son encuestas de opinión sobre diversos temas que preocupan a los españoles. El Banco Nacional de Datos Climatológicos sería otro caso de este tipo ya que posee información sobre precipitaciones registradas en España desde hace 150 años.
• Datos experimentales. Son los datos que acompañan a los experimentos desde su planificación y preparación hasta la obtención de resultados. Los experimentos en muchos casos pueden repetirse para obtener los mismos datos sin embargo en ocasiones el coste de repetir el experimento hace que no sea rentable repetirlo. Ejemplos: el acelerador de partículas del CERN en Ginebra produce una cantidad desorbitada de datos experimentales capaz de llenar 100,000 DVDs al año. En los laboratorios de investigación ya sean químicos, biológicos o en otras disciplinas también se producen gran cantidad de datos con instrumentos especializados.
• Datos computacionales. Estos son los datos que acompañan a las simulaciones que suelen incluir datos de entrada, ciertos programas y resultados. Para este tipo de datos en la mayoría de los casos no se necesitan los resultados ya que con los datos de entrada, los programas y el ordenador que los genera debiera de ser posible reproducirlos. Ejemplos: pueden ser datos producidos en centros de computación avanzada que simulan el funcionamiento de órganos del cuerpo humano, el movimiento de los astros o predicen el tiempo.

La Comisión reconoce que “los datos” generados por los proyectos financiados por la UE son extremadamente diversos.

El Piloto de Datos de Investigación en Abierto se aplica a dos tipos de datos:

• los datos, incluidos los metadatos asociados, necesarios para validar los resultados presentados en las publicaciones científicas,
• otros datos, incluidos los metadatos asociados, tal como se especifica, y dentro de los plazos previstos, en el Plan de Gestión de Datos.

Ejemplos de tipos de datos que se incluyen en un PGD:

• Documentos (texto, Word), hojas de cálculo
• Cuadernos de laboratorio, cuadernos de campo, diarios
• Cuestionarios, transcripciones, libros de códigos
• Cintas de audio, cintas de video
• Fotografías, películas
• Proteínas o secuencias genéticas
• Spectra
• Respuestas de ensayo
• Diapositivas, muestras
• Colección de objetos digitales adquiridos y generados durante el proceso de investigación
• Contenidos de bases de datos (video, audio, texto, imágenes)
• Modelos, algoritmos, scripts
• Contenidos de una aplicación (entrada, salida, los archivos de registro de software de análisis, software de simulación, esquemas)
• Metodologías y flujos de trabajo
• Procedimientos operativos estándar y protocolos

Algunos tipos de datos que no se suelen incluir debido a su naturaleza o por cuestiones de ética o privacidad son:

• Análisis preliminares
• Borradores de artículos científicos
• Planes para futuras investigaciones
• Revisiones por pares
• Comunicaciones con los colegas

Tampoco se incluyen:

• Secretos comerciales, información comercial, materiales confidenciales hasta el momento de su publicación, o información similar que esté protegida por las leyes.
• Información médica o personal así como información cuya divulgación constituya una clara invasión injustificada de la privacidad personal, que podría ser utilizada para identificar a una persona en particular en un estudio de investigación.
• Patentes

Datos que pueden ser utilizados y distribuidos por cualquiera, sin barreras técnicas o legales, bajo los requerimientos de reconocer la autoría y compartir el nuevo producto en las mismas condiciones.
Fuente: Open Knowledge Foundation. What is Open Data?. Disponible en: http://okfn.org/opendata
Los organismos financiadores de la investigación requieren que los datos producidos en el curso de un proyecto de investigación estén disponibles en acceso abierto.

Las condiciones de acceso las determinará el creador, productor o distribuidor de los datos mediante una licencia de uso. A través de esta licencia, el titular de los derechos de autor comunicará qué permisos disponen los potenciales usuarios para utilizar los datos.

Los datos se deben citar al igual que se cita un artículo o un libro. Las funciones de una cita son principalmente:

• La cita debe identificar unívocamente al objeto citado.
• La cita debe identificar tanto conjuntos de datos completos como subconjuntos.
• La cita debe facilitar la recuperación del objeto citado proporcionando acceso al conjunto de datos depositado en un repositorio (para permitir la reutilización y validación de los datos) .
• La cita debe ser legible por máquina para generar servicios adicionales (medición del impacto, aplicación de métricas alternativas, etc.).

• Autoría: autor individual, autor colectivo o entidad. Se puede añadir el Identificador de autor.
• Fecha de publicación: fecha de publicación o accesibilidad.
• Título: denominación específica del conjunto de datos o del nombre del estudio o proyecto.
• Edición: indicación de la etapa de procesamiento de los datos.
• Versión: indicación de la revisión o actualización.
• Tipo de recurso: por ej. “database”, “dataset”.
• Editor y distribuidor: el editor o productor es la organización que patrocina la investigación que da origen al conjunto de datos; el distribuidor es la organización que proporciona acceso al conjunto de datos para su reutilización.
• Ubicación: repositorio en el que están depositados los datos.
• Localización: la url persistente que permita el acceso al conjunto de datos. Se recomienda utilizar el sistema DOI.

Los ficheros y las carpetas deben estar bien organizados adoptando una estructura coherente y ordenada. Es conveniente utilizar un sistema de nomenclatura para identificar los contenidos de cada carpeta y fichero:

• Seguir siempre el mismo criterio de denominación para cada uno de los ficheros.
• Asignar nombres significativos y breves, sin espacios, tildes ni caracteres especiales.
• Identificar la versión del fichero en el propio nombre para facilitar la gestión de versiones.

La estrategia de almacenamiento de datos debe contemplar la obsolescencia del hardware y del software, por lo que conviene copiar los datos en diferentes tipos de soporte físico. Lo más aconsejable es almacenar los ficheros en un servidor institucional seguro gestionado por el servicio de informática, lo que permitirá el acceso en red y la sincronización con el trabajo de otros investigadores que participan en la gestión de los datos.

Se debe programar de forma automática la realización de copias de seguridad y se debe constatar la integridad de los ficheros, el tamaño y la fecha.

Es imprescindible documentar todo el ciclo de vida de los datos para que sean accesibles, reutilizables e interoperables con otros conjuntos de datos.

Los investigadores pueden documentar sus datos de acuerdo con diversos estándares o esquemas de metadatos.  Algunos aspectos generales, independientemente de la disciplina, que debe contemplar el registro de datos de investigación son:

Los investigadores necesitan mantener unos estándares éticos elevados y atenerse a las leyes de protección de datos cuando obtengan datos de personas vía cuestionarios, entrevistas, etc. Si se está llevando a cabo una investigación de ese tipo, se tiene el deber de asegurarse que cualquier dato recogido y compartido se utiliza de manera correcta de acuerdo con la ley. Ante cualquier cuestión de ámbito legal, se puede recurrir a los Comités de Ética de la Investigación que se han creado en las diferentes Universidades del Consorcio Madroño:

• Comité de Ética de la Investigación de la UAM <http://www.uam.es/otros/ceiuam/ >
• Comité de Ética de Investigación y Experimentación Animal (CEI) de la Universidad de Alcalá <https://portal.uah.es/portal/page/portal/investigacion/area/comite_etica>
• Comité de Ética de la UPM <http://www.upm.es/institucional/Investigadores/Apoyo/ComiteEtica>
• Comité de Ética de la Investigación de la URJC <https://www.urjc.es/investigacion/1340-comite-etico-de-investigacion>
• Comité de Bioética de la UNED <http://portal.uned.es/portal/page?_pageid=93,559463&_dad=portal&_schema=PORTAL>

Otros Comités Éticos:

• Comité Ético de Investigación Clínica Regional <http://www.madrid.org/cs/Satellite?c=CM_InfPractica_FA&cid=1142284788088&idConsejeria=1109266187266&idListConsj=1109265444710&language=es&pagename=ComunidadMadrid%2FEstructura&pid=1109265444699&sm=1109265843983>
• Red de Comités de Ética de Universidades y Organismos Públicos de Investigación <http://www.ub.edu/rceue/>
• Comité de Ética del (CSIC) <http://www.csic.es/web/guest/etica-en-la-investigacion>
• European Group on Ethics in Science and New Technologies (EGE) <https://ec.europa.eu/research/ege/index.cfm>

Si se recogen datos de personas, estos pueden contener información de tipo personal o sensible.Las leyes como la L.O. 15/1999 de Protección de Datos de Carácter Personal y R.D. 1720/2007 que aprueba el Reglamento de desarrollo de la Ley Orgánica regulan el tratamiento de estos datos. También hay que tener en cuenta las directrices éticas de cada universidad, así como las emitidas por la entidad financiadora.

Si alguna de las siguientes definiciones se aplica a los datos del proyecto, se tendrá que tener en cuenta la legislación relativa a la protección de datos y el código ético de su institución, si lo tuviera, o de la entidad financiadora.

• Datos de carácter personal: “Cualquier información numérica, alfabética, gráfica, fotográfica, acústica o de cualquier otro tipo concerniente a personas físicas identificadas o identificables” (LOPD art. 3.a y RD 1720/2007 art. 5.1.f).
• Datos sensibles o “especialmente protegidos” (LOPD art. 7): son aquellos datos que por tener un contenido que afecta a la intimidad, derechos fundamentales y libertades públicas de la persona requieren una mayor protección.

La persona o personas que recopilan y gestionan los datos y/o la persona natural o jurídica que invierte en la obtención, verificación y presentación del contenido de los datos.

El mandato de acceso abierto de H2020 “no cambia la obligación de proteger los resultados según el artículo 27 del Model Grant Agreement, se siguen aplicando las obligaciones de confidencialidad establecidas en el artículo 36, las obligaciones de seguridad del artículo 37 o las obligaciones de protección de datos personales en el artículo 39”. (Artículo 29.3, p.60 “El acceso abierto a los datos de investigación”).

Porque conforme a la legislación de protección de datos de carácter personal se han de proteger los datos personales, al igual que otros datos que puedan afectar a la privacidad de las personas.

La LO 15/1999 de Protección de Datos de Carácter Personal dice que el objeto de la protección de dichos datos es “garantizar y proteger, en lo que concierne al tratamiento de los datos personales, las libertades públicas y los derechos fundamentales de las personas físicas, y especialmente de su honor e intimidad personal y familiar”.

Para cumplir con los preceptos legales:

• Hay que obtener el consentimiento de las personas implicadas para el tratamiento de sus datos.
• Hay que anonimizar la información de carácter personal en nuestros ficheros.

Se espera que el investigador obtenga el consentimiento informado de aquellas personas que participen en el proyecto de investigación, en relación con el uso de los datos y su manera de recogerse. A los participantes se les debiera de informar de lo siguiente:

• Propósito de la investigación.
• Qué implica participar en la misma.
• Beneficios y riesgos.
• Mecanismos para retirarse del mismo.
• Uso de los datos: investigación, almacenamiento, procesamiento, reutilización, compartirlos, archivarlos, etc.
• Métodos para asegurar la confidencialidad de los datos cuando sea relevante.

Sólo cuando se le haya proporcionado toda la información de lo que supone participar en la investigación y el uso de los datos, es cuando hay que obtener un permiso del participante de manera verbal o escrita. Sin consentimiento expreso las oportunidades de compartir datos con otros investigadores pueden correr riesgo.

Depende de la naturaleza de la investigación, el tipo de datos, el formato y el uso que se va a dar a esos datos.Para entrevistas en profundidad o investigación donde se recogen datos personales, sensibles o confidenciales, se recomienda el consentimiento por escrito. Esto asegurará el cumplimiento de la Ley de Protección de Datos y las normas éticas de la institución o de la entidad financiadora. El consentimiento explícito por escrito generalmente incluye una hoja de información que el participante tiene que firmar. Ejemplo: modelo elaborado por el Comité de Ética de la Investigación conjunto CNB-CBMSO http://www.cnb.csic.es/~cei/docs/Consentimiento_CEI_HIP_CI.pdf. El consentimiento verbal puede grabarse con audio o vídeo. Para los estudios o entrevistas informales, donde no se recogen datos personales o que identifiquen a la persona, no se requiere el permiso escrito. En este caso también debe de entregarse una hoja de información con la información anterior y la identidad de los investigadores.

• Código de buenas prácticas en investigación (UAM). Elaborado por el Comité de Ética de la Investigación de la Universidad Autónoma de Madrid y aprobado en Consejo de Gobierno de 8 de febrero de 2013 http://www.uam.es/otros/ceiuam/Documentos/Codigo de Buenas Practicas en Investigacion-20-02-2013 (2).pdf
• Código de buenas prácticas científicas del CSIC http://www.csic.es/etica-en-la-investigacion
• Ética de la investigación – Revista Arbor nº 730 http://dx.doi.org/10.3989/arbor.2008.i730
• Código de buenas prácticas científicas PRBB http://portal.prbb.org/informacion/para-investigadores-as/buenas-practicas-cientificas/10