臧碩博 谷軼亞

（鄭州大學(xué)基礎(chǔ)醫(yī)學(xué)院，河南 鄭州 450002）

醫(yī)學(xué)學(xué)科的研究型數(shù)據(jù)類數(shù)字資源消失速度研究

臧碩博 谷軼亞

（鄭州大學(xué)基礎(chǔ)醫(yī)學(xué)院，河南 鄭州 450002）

醫(yī)學(xué)學(xué)科的研究型數(shù)據(jù)是一類重要數(shù)字資源。本文隨機(jī)檢索發(fā)表年限在1911年至2011年之間的1 032篇醫(yī)學(xué)學(xué)科的學(xué)術(shù)論文，對(duì)其研究型數(shù)據(jù)的可獲得性進(jìn)行調(diào)查，采用SPSS軟件進(jìn)行邏輯回歸擬合，結(jié)果顯示，該學(xué)科研究型數(shù)據(jù)的消失速度為每年17%。

數(shù)字保存；研究型數(shù)據(jù)；消失速度；醫(yī)學(xué)學(xué)科

醫(yī)學(xué)學(xué)科的研究型數(shù)據(jù)是一類重要數(shù)字資源，主要包括實(shí)驗(yàn)數(shù)據(jù)、臨床觀測(cè)數(shù)據(jù)、病理分析數(shù)據(jù)和實(shí)證研究數(shù)據(jù)等。在該學(xué)科的科學(xué)研究中，學(xué)術(shù)論文的論據(jù)主要來(lái)自于醫(yī)學(xué)學(xué)科研究型數(shù)據(jù)，結(jié)論也主要來(lái)自于對(duì)該類數(shù)字資源的分析、推理與總結(jié)，因此，研究型數(shù)據(jù)對(duì)于醫(yī)學(xué)學(xué)科的再現(xiàn)性科學(xué)實(shí)驗(yàn)、學(xué)術(shù)成果的質(zhì)量評(píng)價(jià)、后繼研究和相關(guān)研究的參考等方面具有重要的甚至不可替代的作用。

無(wú)論是政府，還是研究項(xiàng)目的資助機(jī)構(gòu)和研究成果的出版機(jī)構(gòu)[1]，都越來(lái)越重視制定和實(shí)施一些方針政策，以確保研究型數(shù)據(jù)存儲(chǔ)在公共保存系統(tǒng)中，從而使其能夠被長(zhǎng)期訪問(wèn)獲取。這種做法是基于這樣一個(gè)觀點(diǎn)，即研究型數(shù)據(jù)的生產(chǎn)者在保存其研究型數(shù)據(jù)方面比較糟糕，尤其是長(zhǎng)期保存。實(shí)際上，不少研究也表明，研究人員常常不能或不樂(lè)意共享他們的研究型數(shù)據(jù)[2]。但是，到目前為止，有關(guān)研究型數(shù)據(jù)的可獲得性隨著學(xué)術(shù)論文發(fā)表時(shí)間的延長(zhǎng)而變化的定量研究還沒(méi)見(jiàn)報(bào)道。本文隨機(jī)檢索了1911年至2011年發(fā)表的1 032篇醫(yī)學(xué)學(xué)科的學(xué)術(shù)論文，對(duì)這些論文的研究型數(shù)據(jù)存在狀態(tài)進(jìn)行調(diào)查分析，結(jié)果顯示，論文發(fā)表的年限對(duì)研究型數(shù)據(jù)的可獲得性有重大影響。通過(guò)e-mail調(diào)查，在作者給出研究型數(shù)據(jù)存在狀態(tài)的論文中，研究型數(shù)據(jù)的可獲得比率以每年17%降低。本項(xiàng)研究結(jié)果證實(shí)了研究人員不能對(duì)自己生產(chǎn)的研究型數(shù)據(jù)實(shí)施有效的長(zhǎng)期保存。因此，制定和實(shí)施相關(guān)方針政策引導(dǎo)乃至強(qiáng)制研究人員將自己生產(chǎn)的研究型數(shù)據(jù)共享保存在公共保存系統(tǒng)中是業(yè)界的一項(xiàng)緊迫任務(wù)。

1 實(shí)驗(yàn)過(guò)程

1.1 研究型數(shù)據(jù)的類型限定。對(duì)研究型數(shù)據(jù)共享的期望在不同學(xué)術(shù)團(tuán)體之間有所差別，不同類型的研究型數(shù)據(jù)的保存困難度也可能不一樣，研究人員產(chǎn)生的研究型數(shù)據(jù)的類型也會(huì)隨著時(shí)間的推移而變化。為了控制這些因素帶來(lái)的影響，本實(shí)驗(yàn)聚焦在醫(yī)學(xué)學(xué)科中采用判別函數(shù)分析法（DFA，discriminant function analysis）對(duì)細(xì)菌形態(tài)（bacteria dimensions）進(jìn)行研究的研究型數(shù)據(jù)。因此，在收集論文時(shí)設(shè)置了兩個(gè)條件：分析方法（判別函數(shù)分析法）和研究型數(shù)據(jù)類型（細(xì)菌形態(tài)）。

1.2 論文的檢索。我們利用Web of Science檢索相關(guān)論文，檢索式為：bacteria*and discriminant，年限限定為：1980至2011。檢索結(jié)果中1991年之前只有51篇，由于太少不具代表性而被排除。為了減少實(shí)驗(yàn)工作量，我們選擇了1991年至2011年的奇數(shù)年，共計(jì)有2018篇論文。如果論文的全文通過(guò)網(wǎng)絡(luò)等方式無(wú)法獲取，我們將其排除；如果分析方法不包括DFA，也排除；如果采用DFA但分析的對(duì)象不是細(xì)菌形態(tài)數(shù)據(jù)，也排除；如果研究型數(shù)據(jù)已經(jīng)包含在論文的附件中、附錄中，或通過(guò)因特網(wǎng)能夠找到，那么這些論文的研究型數(shù)據(jù)保存不再是研究人員的職責(zé)，這些論文也被排除。通過(guò)上述排除，剩下1032篇論文，每個(gè)選定的年份至少52篇，大部分超過(guò)80篇（見(jiàn)表1）。

1.3 通過(guò)e-mail進(jìn)行調(diào)查。針對(duì)每篇論文，我們?cè)噲D從論文文本中提取每位作者的e-mail地址。但是很快發(fā)現(xiàn)發(fā)表年限較長(zhǎng)的論文作者e-mail的有效性很低，甚至根本就沒(méi)有e-mail。在這種情況下，我們通過(guò)因特網(wǎng)查找每個(gè)作者的近期或當(dāng)前的e-mail。我們通過(guò)e-mail對(duì)每篇論文作者進(jìn)行調(diào)查，并在3周之后對(duì)沒(méi)有回復(fù)的e-mail發(fā)送提醒郵件，整個(gè)調(diào)查過(guò)程持續(xù)45天。對(duì)調(diào)查結(jié)果進(jìn)行整理后，1 032篇論文的調(diào)查樣本被分為6類：①有關(guān)該論文的所有郵件發(fā)送都返回一個(gè)錯(cuò)誤信息；②至少有一個(gè)郵件沒(méi)有返回錯(cuò)誤信息，但均沒(méi)有收到回復(fù)；③至少收到一個(gè)回復(fù)，但均沒(méi)有給出研究型數(shù)據(jù)的狀態(tài)；④研究型數(shù)據(jù)已經(jīng)丟失或存儲(chǔ)在過(guò)時(shí)的硬件中；⑤研究型數(shù)據(jù)仍存在但不愿提供共享；⑥接收到來(lái)自論文作者提供的研究型數(shù)據(jù)。因?yàn)棰茛薅急砻餮芯啃蛿?shù)據(jù)還存在，我們將這兩類歸納成一類，即“研究型數(shù)據(jù)仍可獲得”。調(diào)查結(jié)果見(jiàn)表1。

表1 按照論文發(fā)表年份獲得的調(diào)查數(shù)據(jù)（N=1032）

【注1】沒(méi)有有效e-mail的論文數(shù)量，指沒(méi)有找到e-mail，或雖找到有e-mail但均不能成功發(fā)送?！咀?】無(wú)回復(fù)的論文數(shù)量，指在所有成功發(fā)送的e-mail中，均沒(méi)有收到回復(fù)的論文?！咀?】回復(fù)但沒(méi)有給出研究型數(shù)據(jù)狀態(tài)的論文數(shù)量?！咀?】在給出研究型數(shù)據(jù)狀態(tài)的回復(fù)中，指明研究型數(shù)據(jù)丟失的論文數(shù)量?！咀?】在給出研究型數(shù)據(jù)狀態(tài)的回復(fù)中，指明研究型數(shù)據(jù)存在但不樂(lè)意提供共享的論文數(shù)量。【注6】作者提供研究型數(shù)據(jù)的論文數(shù)量。【注7】研究型數(shù)據(jù)處于可獲得狀態(tài)的論文數(shù)量（包括【注5】和【注6】?jī)煞N情況）。

圖1 論文發(fā)表年限對(duì)從作者中獲得研究型數(shù)據(jù)的四個(gè)影響因素

2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)的目的在于探討醫(yī)學(xué)學(xué)科研究型數(shù)據(jù)的可獲得比率與論文發(fā)表年限之間的定量關(guān)系，為實(shí)現(xiàn)該目的，我們依次遞進(jìn)地進(jìn)行四個(gè)步驟，使用SPSS軟件擬合邏輯回歸系數(shù)來(lái)探討論文發(fā)表的年限與下述因素之間的關(guān)系：①至少找到一個(gè)有效e-mail的比率；②在至少找到一個(gè)有效的e-mail中得到回復(fù)的條件比率；③在得到的回復(fù)中指明研究型數(shù)據(jù)狀態(tài)的條件比率；④在指明研究型數(shù)據(jù)狀態(tài)的回復(fù)中，研究型數(shù)據(jù)處于可獲得狀態(tài)的條件比率。實(shí)驗(yàn)結(jié)果見(jiàn)圖1。

2.1 至少找到一個(gè)有效e-mail的情況。實(shí)驗(yàn)結(jié)果表明，論文發(fā)表的年限與至少能夠找到一個(gè)有效e-mail的比率成反變關(guān)系（見(jiàn)圖1A）。使用SPSS擬合邏輯回歸曲線系數(shù)，計(jì)算結(jié)果為：OR=0.93，[0.90-0.96，95%CI]。該結(jié)果表明，論文發(fā)表年限每增加一年，至少能夠找到一個(gè)有效e-mail的比率下降7%。該擬合過(guò)程中用到的“至少能夠找到一個(gè)有效e-mail的比率”的計(jì)算公式為：（A8-A1）÷A8，其中，A1、A8分別為表1中的列名數(shù)據(jù)（關(guān)于A1至A8的含義，下同）。

2.2 獲得郵件回復(fù)的情況。實(shí)驗(yàn)結(jié)果表明，論文發(fā)表的年限與至少找到一個(gè)有效的e-mail中得到回復(fù)的條件比率之間不存在關(guān)系（見(jiàn)圖1B）。使用SPSS擬合邏輯回歸曲線系數(shù)，計(jì)算結(jié)果為：OR=1.00，[0.97-1.04，95%CI]。表明無(wú)論論文何時(shí)發(fā)表，在至少找到一個(gè)有效e-mail中得到的回復(fù)期望值相同。另外，采用線性回歸擬合，所得的線性方程的斜率為0，截距為0.5，這也表明兩個(gè)變量之間不存在關(guān)系，并且無(wú)論年限如何變化，條件比率的期望值都是50%。上述兩個(gè)擬合過(guò)程中用到的“至少找到一個(gè)有效的e-mail中得到回復(fù)的條件比率”的數(shù)據(jù)計(jì)算公式為：

（A8-A1-A2）÷（A8-A1）。

2.3 指明研究型數(shù)據(jù)狀態(tài)的情況。實(shí)驗(yàn)結(jié)果表明，論文發(fā)表的年限與在得到的回復(fù)中指明研究型數(shù)據(jù)狀態(tài)的條件比率之間也不存在關(guān)系（見(jiàn)圖1C）。使用SPSS擬合邏輯回歸曲線系數(shù)，計(jì)算結(jié)果為：OR=1.00，[0.95-1.07，95%CI]。表明無(wú)論論文何時(shí)發(fā)表，在得到的回復(fù)中指明研究型數(shù)據(jù)狀態(tài)的條件比例期望值相同。另外，采用線性回歸擬合，所得的線性方程的斜率為0，截距為0.83，這也表明兩個(gè)變量之間不存在關(guān)系，并且無(wú)論年限如何變化，條件比率的期望值都是83%。上述兩個(gè)擬合過(guò)程中用到的“在得到的回復(fù)中指明研究型數(shù)據(jù)狀態(tài)的條件比率”數(shù)據(jù)計(jì)算公式為：

（A8-A1-A2-A3）÷（A8-A1-A2）。

2.4 研究型數(shù)據(jù)處于可獲得狀態(tài)的情況。這里的可獲得狀態(tài)包括可以提供共享和存在但不可以共享兩種情況。實(shí)驗(yàn)結(jié)果表明，論文發(fā)表的年限與在指明研究型數(shù)據(jù)狀態(tài)的回復(fù)中研究型數(shù)據(jù)處于可獲得狀態(tài)的條件比率之間存在很強(qiáng)的反變關(guān)系（見(jiàn)圖1D）。使用SPSS擬合邏輯回歸曲線系數(shù)，計(jì)算結(jié)果為：OR=0.83，[0.79-0.90，95%CI]。表明論文發(fā)表后每增加一年，在指明研究型數(shù)據(jù)狀態(tài)的回復(fù)中研究型數(shù)據(jù)處于可獲得狀態(tài)的條件比率下降17%。

上述擬合過(guò)程中用到的“在指明研究型數(shù)據(jù)狀態(tài)的回復(fù)中研究型數(shù)據(jù)處于可獲得狀態(tài)的條件比率”的數(shù)據(jù)計(jì)算公式為：A7÷（A8-A1-A2-A3）。

科學(xué)研究活動(dòng)產(chǎn)生的研究型數(shù)據(jù)大多具有鮮明的時(shí)間和地點(diǎn)特征，一旦丟失，它們將很難通過(guò)再現(xiàn)性實(shí)驗(yàn)等方式重新獲得。本項(xiàng)研究表明，由科研人員對(duì)其生產(chǎn)的醫(yī)學(xué)學(xué)科研究型數(shù)據(jù)進(jìn)行長(zhǎng)期保存的做法很不靠譜，很難保證這類數(shù)字資源被未來(lái)有效使用。解決方案是要求研究人員將其生產(chǎn)的研究型數(shù)據(jù)共享在公共保存系統(tǒng)中，從而使這類數(shù)字資源的可獲得性與研究人員無(wú)關(guān)。一些保存機(jī)構(gòu)已經(jīng)制定實(shí)施了相關(guān)政策[3]。我們期望，該項(xiàng)研究得出的研究型數(shù)據(jù)不可獲得性的令人擔(dān)憂程度能夠引起業(yè)界的高度重視。

[1]Holdren，J.P.Increasing Access to the Results of Federal?ly Funded Scientific Research.[2013-07-02].http://www.white?house.gov/sites/default/files/microsites/ostp/ostp_public_access_me mo_2013.pdf.

[2]Vines，T.H.，Andrew，R.L.，Bock，D.G.，et al.Mandat?ed data archiving greatly improves access to research data.The FASEB Journal.2013（27）:1304-1308.

[3]Groves，T.BMJ policy on data sharing.British Medical Journal，2010（14）:564.

谷軼亞（1993.8-），女，在讀本科生。

G250

A

1671-0037（2014）08-48-2

臧碩博（1994.3-），男，在讀本科生。