Automating Data Management Plan Evaluation Through the Integration of Machine-Actionable Data Management Plans and FAIR Implementation Profiles

maschinenlesbaren Data Management Plans (maDMPs) vor. Grundlage ist die Ausrichtung von maDMPs, die nach dem Research Data Alliance Common Standard für maschinenlesbare Data Management Plans (DCS-Schema) strukturiert sind, an community-definierten Erwartungen, die in FAIR Implementation Profiles (FIPs) erfasst werden. Die Arbeit verwendet zwei zentrale Metriken: Erstens die mapping coverage, die den Anteil derFragen misst, die zur Erstellung eines FIP genutzt werden und Feldern des DCS-Schemas zugeordnet werden können; zweitens das Konzept der planned FAIR alignment, das bewertet, wie gut die in einem maDMP angegebenen oder geplanten Maßnahmen (z. B. Wahl der Lizenz, Metadatenschema, Identifikatoren) mit den Erwartungen der FIPs übereinstimmen. Im Unterschied zu Werkzeugen zur FAIR-Bewertung auf Datensatzebene konzentriert sich dieser Ansatz auf die Compliance innerhalb von RDM-Workflows.Ein Prototyp zur Compliance-Prüfung implementiert diese Zuordnungen und erzeugt strukturierte Evaluationsergebnisse, die dem OSTrails FAIR Test Result Specification (FTR) entsprechen. Diese Ergebnisse unterstützen semantische Abfragen in RDF und erleichtern automatisierte Vorab-Prüfungen in Aufgaben des Forschungsdatenmanagements (z. B. Vollständigkeitsprüfungen und Richtlinienabgleich mit Community-Profilen). Das Framework unterstützt zudem die Übernahme von FIP-Fragen aus Nanopublications, um neue Zuordnungen in das Tool einzubinden und so die Übertragbarkeit auf verschiedeneFachdomänen zu verbessern. Insgesamt trägt die Arbeit mit einem operativen Werkzeug und einem methodischen Ansatz dazu bei, FAIR-orientierte Planung zu stärken und eine reproduzierbare, maschinenlesbare Bewertung von maDMPs zu ermöglichen.