Fair data | EPFL Graph Search

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

Dans le contexte de l'accessibilité de l'Internet, du big data (mégadonnées) des données de la recherche et des sciences ouvertes et plus largement du partage et l'ouverture des données, la notion de FAIR data ou données FAIR recouvre les manières de construire, stocker, présenter ou publier des données de manière à permettre que les données soient (findable, accessible, interoperable, reusable), d'où l'acronyme « FAIR ». Le mot fair (« équitable », « juste ») fait aussi référence au fair use, commerce équitable (fair trade), fair play, etc., il évoque un comportement proactif et altruiste du producteur de données, qui cherche à les rendre plus facilement trouvables et utilisables par tous, tout en facilitant en aval le sourçage (éventuellement automatique) par l'utilisateur des données. Ces principes voient leur origine en janvier 2014 dans des travaux collectifs autour de l'initiative Data FAIRport en 2014, par un groupe de travail au sein de FORCE 11, une communauté internationale fondée en 2011 composée de chercheurs, d’éditeurs, de sociétés savantes, d’universités, de bibliothécaires, d’archivistes. Ces travaux ont abouti, en 2016, à une publication considérée comme fondatrice des principes FAIR, dans la revue Nature, par un groupe de chercheurs de différents laboratoires à travers le monde (dont Mark D. Wilkinson du Centro de Biotecnología y Genómica de Plantas à l'université polytechnique de Madrid). Depuis cette publication, différentes initiatives se mettent en place pour déployer ces principes, dont GO FAIR ou en France, un projet de recherche ANR 2020-2022: FOOSIN. Le FAIR data implique que les données publiées répondent aux principes détaillés ci-dessous . Pour être FAIR selon les principes énoncés en 2016, les données doivent être faciles à trouver ou retrouver par tous, humains et machines. Pour ce faire, les (méta)données doivent avoir un identificateur unique et pérenne. Elles doivent être décrites avec des métadonnées riches (voir plus bas) incluant notamment et explicitement un identificateur des données qu'elles décrivent, unique et pérenne.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Concepts associés (6)

Cours associés (15)

Séances de cours associées (33)

Fair data

Données ouvertes

vignette|Autocollants utilisés par les militants des données ouvertes. Les données ouvertes (en anglais : open data) sont des données numériques dont l'accès et l'usage sont laissés libres aux usagers, qui peuvent être d'origine privée mais surtout publique, produites notamment par une collectivité ou un établissement public. Elles sont diffusées de manière structurée selon une méthode et une licence ouverte garantissant leur libre accès et leur réutilisation par tous, sans restriction technique, juridique ou financière.

Science ouverte

La science ouverte (en ou en pour les anglophones) est un mouvement qui cherche à rendre la recherche scientifique et les données qu'elle produit accessibles à tous et dans tous les niveaux de la société. Pour cela, la science ouverte s'appuie fortement sur le recours à l'Internet ouvert, à l'open data, aux outils de travail collaboratif (dont Wikipédia, Wikiversité et Wikispecies font partie), à la formation en ligne et au web social de manière à rendre la recherche scientifique et ses données accessibles à tous (amateurs et professionnels).

ChE-601: Hands-on with Research Data Management in Chemistry

PhD students in Chemistry will learn hands-on Research Data Management (RDM) skills transferable to their research practices. They will contextualize their research into RDM best practices (day 1), di

DH-412: History and the digital

The course presents a number of computational approaches & tools that can be used to study history. Drawing on case studies from the history of science & technology, the course also offers students th

MGT-432: Data science for business

Students will learn the basic concepts of Data Science so that they can make better business decisions and how data science is being applied to help businesses. Also, how to evaluate the business aspe

SIG dans les interventions d'urgence MOOC: A Resilient Future: Science and Technology for Disaster Risk Reduction

Se penche sur l'utilisation des systèmes d'information géographique dans les interventions d'urgence, en soulignant l'importance de données géographiques précises et accessibles.

Conséquences juridiques et éthiques de l'apprentissage automatique EE-311: Fundamentals of machine learning

Examine les aspects juridiques et éthiques de l'apprentissage automatique, y compris les lois sur la protection des données, les risques liés à l'IA et les considérations éthiques.

Démo virtualisation des données : SmartDataLake

Présente une démo sur la virtualisation adaptative des données dans SmartDataLake, mettant l'accent sur l'assemblage de profils d'entreprise et l'exécution de requêtes de joint à travers les ensembles de données.