Categoría: Noticias

Herramientas complementarias para la creación de un conjunto de datos

 

Un buen conjunto de datos de investigación no solamente se caracteriza por la información colectada, observada o creada que contiene en sus adjuntos, sino también se destaca por la organización y la estructura que los engloba. Una gestión adecuada de los datos permite una buena comprensión de los mismos, lo que facilita la validación y reutilización por parte de la comunidad científica.

Desde una herramienta para el renombramiento masivo de archivos hasta una interfaz para limpiar y transformar datos, existen múltiples plataformas que contribuyen a presentar los datos de forma organizada, accesible y estandarizada.

Refinar datos: OpenRefine es una plataforma gratuita y de código abierto que permite limpiar y transformar datos de manera eficiente. Es especialmente útil para datos tabulares y para detectar errores, duplicados o inconsistencias.

Renombrar masivamente:

  • Bulk Rename Utility: software gratuito que permite renombrar múltiples archivos o carpetas de forma rápida y a través de patrones, reglas y numeraciones.
  • Métamorphose 2: herramienta gratuita y de código abierto que permite renombrar archivos y carpetas.

Identificador de formatos: DROID es una herramienta de código abierto y desarrollada por The National Archives del Reino Unido que permite identificar formatos de archivo, lo cual es útil para la preservación y gestión de la información digital. La plataforma organiza los archivos y analiza si es necesario la conversión a formatos más actuales.

Extraer datos: Tabula es un software de código abierto que  permite extraer datos de tablas contenidas en archivos PDF de forma automática.

Gestionar archivos visuales: Tropy es un software de código abierto desarrollado por Roy Rosenzweig Center for History and New Media, Luxembourg Centre for Contemporary and Digital History (C²DH) y Digital Scholar que permite gestionar fotografías de documentos. El programa permite organizar los archivos, describirlos y agregar metadatos, facilitando la gestión de archivos visuales.

Si bien la elección de la herramienta adecuada depende de las necesidades específicas del proyecto, todas ellas contribuyen significativamente a mejorar la calidad, accesibilidad y reutilización de los datos a lo largo de su ciclo de vida.

Visite la sección de Novedades para conocer más herramientas para la confección de un conjunto de datos de investigación.

Datos de investigación y publicaciones científicas: una conexión clave para potenciar la investigación

 

Datos de ensayos clínicos, registros de temperaturas, transcripciones de entrevistas y registros de la producción ganadera son algunas de las tipologías de conjuntos de datos de investigación que se pueden encontrar en la colección del Repositorio de Datos de Investigación del CONICET. Su publicación invita a la comunidad científica a conocer en profundidad los proyectos de investigación financiados por el organismo, el objetivo detrás y la metodología empleada para recolectar los datos crudos que luego son el insumo principal de diferentes tipos de producciones publicadas.

Por tal motivo, hoy en día, las editoriales solicitan a los equipos de investigación, el depósito de los conjuntos de investigación en una plataforma que preserve los datos primarios, siendo el Repositorio de Datos de Investigación del CONICET, el sitio líder a nivel nacional en publicar este recurso.

Enlazar las producciones científicas que ya se encuentran publicadas en el RI CONICET Digital con los conjuntos de datos de investigación propios de ese proyecto es una instancia fundamental, puesto que a la hora de realizar una búsqueda, los usuarios encontrarán ambos recursos. De esa manera, un artículo, un capítulo de un libro o un evento ganan mayor difusión, aumentan su exposición y por consiguiente las posibilidades de ser citado.

El Formulario de Datos de Investigación del Banco de Datos del SIGEVA cuenta con el campo “Producciones y servicios relacionados al conjunto de datos de investigación” que admite la vinculación del conjunto de datos con las producciones científicas a través del DOI o el Handle. Un mismo conjunto de datos puede estar vinculado a más de una producción científica, lo que permite reflejar las múltiples formas en que ha sido utilizado o citado a lo largo del tiempo.De esa manera las obras relacionadas que sean afines al conjunto de datos de investigación estarán visibles para el usuario a través del mismo ítem.

El conjunto de datos Datos Georreferenciados del registro Ingreso de Viajeros Viales a la Provincia de Chubut durante el COVID 19 (zona norte) tiene el capítulo Proceso incorporación del sistema KoboToolbox en el contexto del trabajo comunitario de salud en terreno(Chubut, Argentina) como producción relacionada mientras que Microsatélites y haplotipos descriptos en Cephalorhynchus commersonii vincula el artículo científico Commerson’s dolphin population structure: evidence for female phylopatry and male dispersal con los datos de investigación.

La vinculación entre los conjuntos de datos de investigación y las producciones científicas mejora la visibilidad de la investigación. El Repositorio de Datos de Investigación está indexado por motores de búsqueda académicos, bases de datos y sistemas de gestión de información a nivel nacional e internacional, lo cual incrementa el alcance y la accesibilidad de los contenidos a todos los investigadores/as y el público en general. Asociar ambas producciones facilita no solamente el acceso, sino también la reutilización de los datos para la generación de nuevo conocimiento.

Conozca más en ¿Cómo autoarchivo en el Banco de Datos del SIGEVA?

El RI CONICET Digital presenta la 5ta Edición del Boletín de Indicadores de la producción científica tecnológica

 

En el año de su décimo aniversario, el Repositorio Institucional CONICET Digital da a conocer la 5ta edición del Boletín de Indicadores de la producción científico tecnológica, una publicación anual que es el resultado del análisis de los resultados obtenidos luego del procesamiento de los trabajos publicados por la comunidad científica del CONICET y depositados de manera normalizada y en acceso abierto en el Repositorio Institucional CONICET Digital y en el Repositorio de Datos de Investigación. Con esta nueva publicación, el repositorio reafirma su compromiso con la difusión de las novedades, avances y cifras destacadas a lo largo de los años 2023 y 2024.

Además, el RI CONICET Digital ha alcanzado un nuevo hito al superar los 250.000 títulos publicados, consolidándose como el principal repositorio de acceso abierto en el país. La colección incluye una amplia variedad de documentos entre ellos artículos científicos, libros, capítulos de libros, eventos, tesis y conjuntos de datos de investigación.

Para acceder a la 5ta. edición del Boletín haga clic aquí 

En esta edición, el Boletín cuenta con información relevante respecto a indicadores cuantitativos sobre la producción científico-tecnológica, tendencias disciplinarias de investigación, distribución de artículos según Gran Área, distribución de publicaciones en revistas científicas prestigiosas (Q1 a Q4), así como una revisión de los aspectos de colaboración a nivel nacional e internacional de la comunidad científica.

Entre sus principales novedades se encuentra el análisis detallado de las visitas y consultas recibidas a través del sitio web del RI CONICET Digital. Este análisis se llevó adelante a partir de la nueva metodología empleada por Google Analytics 4, donde la contabilización de usuarios y visitas se ha vuelto más precisa al identificar usuarios únicos.

Por otro lado, se encuentran los indicadores sobre los datos de investigación. Una sección que presenta una observación exhaustiva sobre más de 1.500 conjuntos de datos de investigación publicados en el Repositorio de Datos de Investigación. El análisis presenta la distribución de datos de investigación por tipo de acceso y licencias, así como también según Gran Área y área temática. Se destacan los datos de investigación por disciplinas científicas (FOS OCDE), por Centro Científico Tecnológico (CCT) y Unidad Ejecutora (UE). Además, se indica la cantidad de solicitudes de descarga de datos de investigación en el repositorio.

En este nuevo número también se destaca la contribución esencial de la Red Federal de Especialistas formada por profesionales de la información distribuidos en los distintos institutos del CONICET de todo el país quienes colaboran con el procesamiento de registros. Esta sección brinda un análisis sobre las tareas de rectificación de metadatos y análisis de políticas editoriales de las producciones de los becarios e investigadores del CONICET, lo que aumenta significativamente la visibilidad e impacto en el ambiente científico.

Con esta nueva entrega, el Repositorio Institucional CONICET Digital reafirma su misión de fortalecer el acceso abierto y seguir impulsando la ciencia colaborativa y accesible para todos.

¿Cómo anonimizar archivos de audio en conjuntos de datos de investigación?

 

Compartir los datos de investigación a la comunidad científica implica un trabajo de análisis de la información, siendo la anonimización uno de los puntos fundamentales previo al autoarchivo en el Banco de Datos del SIGEVA. Llevar a cabo una entrevista, una serie de observaciones de campo o pruebas fonéticas o lingüísticas trae consigo como material crudo archivos de audio. Los cuales contienen datos primarios que no solamente fundamentan la investigación llevada a cabo por un equipo de investigación, sino que también son un aporte a la ciencia que puede generar nuevo conocimiento.

En la nota Datos de investigación: el proceso de anonimizar se hizo hincapié en las técnicas a tener en cuenta para el proceso de anonimización de los datos de investigación, así como también las herramientas más reconocidas para llevar adelante esta práctica.

La anonimización de los archivos de audio es vital para la preservación de la identidad de la personas involucradas aún si no se mencionan nombres en concreto. Por tal motivo, el cumplimiento a la Ley de Protección de Datos Personales (Ley 25.326) tiene un peso que obliga a los investigadores/as a cumplir con la normativa. Esto también involucra la ética profesional en la  investigación y los acuerdos de consentimiento que garantizan el anonimato, especialmente en estudios con datos sensibles.

Herramientas para la anonimización de audios

  • Audacity: Es un programa de código abierto y de una interfaz gráfica simple que permite la grabación, edición y procesamiento de múltiples formatos de audio. Entre algunas de sus características admite la alteración del tono y la velocidad de la voz. Asimismo, los audios pueden ser distorsionados mediante filtros de tal manera que el sonido sea irreconocible.
  • Pratt: Es un software de código abierto y gratuito especializado en análisis fonético y manipulación de sonido. Es ampliamente utilizado en investigaciones en lingüística, fonética y procesamiento del habla. La plataforma permite modificar la frecuencia y el espectro de la voz.
  • FFmpeg: es una herramienta gratuita y de código abierto que permite la edición de archivos de audio sea cual sea su formato. Entre sus características destacadas se encuentran las de modificar la velocidad de reproducción y alterar la voz de los audios, así como también convertir el resultado final en diferentes formatos.

Anonimizar audios no solamente protege la identidad de los involucrados en el proyecto de investigación, sino que también garantiza el cumplimiento de normativas, la seguridad en la publicación de datos y la reutilización de la información por la comunidad científica en futuras investigaciones.

Reconocimiento, transparencia y visibilidad: la importancia de citar datos de investigación

 

Durante los últimos años, los datos de investigación han cobrado protagonismo en el mundo de la ciencia abierta. Su adecuado autoarchivo y publicación favorecen la visibilidad, transparencia y la reproducibilidad de los datos, lo que a su vez impulsa la colaboración científica para generar nuevo conocimiento. Por este motivo, para que los datos de investigación sean plenamente reconocidos es importante que sean citados correctamente. La citación de los datos no sólo otorga el crédito correspondiente al equipo de investigación, sino también amplía su visibilidad y su impacto, siendo este último uno de los beneficios más destacados para la comunidad científica.

¿Por qué es importante citar los datos de investigación?

Reconocimiento: La citación permite distinguir el trabajo de los investigadores que recolectaron y proporcionaron los datos de investigación. Esto posibilita dar crédito a los autores originales por su trabajo.

Transparencia y reutilización:  Al citar correctamente los datos, se facilita que otros investigadores comprendan su origen, los reutilicen en nuevos estudios y validen los resultados de investigaciones previas. Esto contribuye a la reproducibilidad de los estudios y al crecimiento del conocimiento científico basado en evidencia.

Impacto y visibilidad: Los datos citados pueden ser rastreados a través de métricas bibliométricas, lo que contribuye a medir su uso y relevancia dentro de la comunidad científica. Además, plataformas como Google Dataset Search permiten indexar y localizar conjuntos de datos publicados en repositorios abiertos, facilitando su descubrimiento y acceso por parte de investigadores de todo el mundo.

Conozca más en La indexación en el RI CONICET Digital: Google, BASE y otros

Entre otras ventajas, citar los datos de investigación también implica:

Facilitar la interoperabilidad y el enlace entre publicaciones: La correcta citación de datos permite vincularlos con artículos, libros u otras producciones científicas, facilitando su integración entre diferentes proyectos relacionados.

El Repositorio de Datos de Investigación del CONICET preserva los conjuntos de datos colectados o producidos en cualquier actividad científica por la comunidad del Consejo Nacional de Investigaciones Científicas y Técnicas para su consulta libre y gratuita. Al depositar datos en el repositorio, los investigadores obtienen un DOI (Handle), lo que facilita su citación formal en artículos u otras producciones científicas.

El repositorio garantiza:

  • La citación del conjunto de datos en la ficha del ítem publicado.
  • La asignación de un identificador persistente (Handle).
  • La visibilidad y accesibilidad a través de buscadores y plataformas de indexación.

Citar los datos de investigación debe considerarse una práctica fundamental en la comunidad científica. Las mismas deben recibir el mismo reconocimiento en el ámbito académico que las de publicaciones y otros resultados de investigación, ya que en muchas disciplinas no basta con el artículo por sí solo: es importante también compartir los datos crudos de los proyectos de investigación para un intercambio fructífero de datos.

¿Cómo citar datos de investigación?

Para citar datos de investigación correctamente, es necesario seguir las normas de citación académica que se usen en la disciplina. Generalmente, las citas incluyen:

  • Autor(es) o institución responsable
  • Año de publicación
  • Título del conjunto de datos
  • Versión (si aplica)
  • Editorial o repositorio donde está almacenado
  • DOI o URL de acceso

Ejemplos en diferentes estilos de citación:

APA (7ª edición)

Autor(es). (Año). Título del conjunto de datos (Versión) [Conjunto de datos]. Nombre del Repositorio. DOI/URL

Ejemplo:
Pérez, M., & Gómez, L. (2023). Conjunto de datos sobre temperaturas globales (Versión 2.0) [Conjunto de datos]. CONICET. http://hdl.handle.net/xxxx

Chicago (17ª edición)

Autor(es). Año. Título del conjunto de datos. Versión. Repositorio. DOI/URL.

Ejemplo:
Pérez, María, y Lucas Gómez. 2023. Conjunto de datos sobre temperaturas globales, Versión 2.0. CONICET. http://hdl.handle.net/xxxx

MLA (9ª edición)

Autor(es). Título del conjunto de datos. Año, Versión, Repositorio, DOI/URL.

Ejemplo:
Pérez, María, y Lucas Gómez. Conjunto de datos sobre temperaturas globales. 2023, Versión 2.0, CONICET, http://hdl.handle.net/xxxx

Conozca más sobre la citación de datos de investigación en:

Bibliografía

European Union. (s.f.). Data citation: Guide to best practice. Data.europa.eu. https://data.europa.eu/en/academy/data-citation-guide-best-practice

Digital Curation Centre. (s.f.). How to cite datasets and link to publications. https://www.dcc.ac.uk/guidance/how-guides/cite-datasets

Datos de investigación y la obligatoriedad en el Repositorio de Datos de Investigación del CONICET

 

Los datos de investigación son el elemento primordial para la creación de nuevo conocimiento ya que permiten la verificación de los resultados y la reutilización en un nuevo proyecto original. Se trata de toda aquella información recopilada, observada o creada por un equipo de investigación.

En este marco, el Repositorio de Datos de Investigación del CONICET establece la obligatoriedad del depósito de datos a partir de la sanción de la Ley 26.899 de Repositorios Digitales Institucionales de Acceso Abierto en 2013, su aplicación ha evolucionado de manera más sistemática, consolidándose como una plataforma clave para garantizar el acceso abierto y la preservación de datos científicos.

La obligatoriedad de depositar los datos de investigación derivados de proyectos financiados con fondos públicos también se establece en la ley, aunque la implementación ha sido más gradual. Se alienta a que los investigadores/as autoarchiven de manera retrospectiva los datos que fueron generados durante su carrera, priorizando los datos más recientes y avanzando progresivamente hacia los más antiguos.

¿Cuál es la legislación con respecto a los datos de investigación?

Esta medida busca garantizar la preservación a largo plazo, su difusión a través de un identificador persistente (DOI/Handle) y su reutilización por parte de la comunidad científica. De esta manera los datos de investigación publicados contribuyen a la visibilidad y al mayor impacto de la investigación.

Celebramos la finalización del Programa de Capacitación sobre Datos de Investigación 2024

 

El Programa de Capacitación sobre Datos de Investigación se posicionó como uno de los recursos claves para los investigadores/as, becarios/as y el personal de apoyo del CONICET. Realizado en tres ediciones a lo largo del año, en abril, agosto y noviembre, los encuentros dieron lugar a profundizar temas esenciales y a responder las preguntas más frecuentes de la comunidad. Entre las cuales se destacan ¿Qué son y qué no son datos de investigación? ¿Cuáles son los formatos aceptados? ¿Cuáles son los tipos de licencia y acceso disponibles? Siendo el Autoarchivo en el Banco de Datos en SIGEVA la atracción principal de la capacitación.

Más de 6000 investigadores y becarios participaron en las tres ediciones, lo que permitió fortalecer significativamente las capacidades para una gestión adecuada de los conjuntos de datos de investigación. Por otro lado, los participantes expresaron un interés particular en profundizar en temas de ética, anonimización y  privacidad de los datos. Lo que nos motivó a desarrollar recursos específicos que aborden estas inquietudes. Como resultado hemos incorporado en el Repositorio de Datos de Investigación, las Preguntas Frecuentes | FAQs Una sección nueva dentro de la plataforma en donde nos explayamos sobre algunas temáticas recurrentes entre la comunidad científica.

Como parte de los recursos disponibles para la consulta, también se encuentran las grabaciones de los encuentros organizados en capítulos para facilitar la visualización del contenido.

Programa de Capacitación sobre Datos de Investigación

Otros materiales disponibles:

La anonimización en imágenes en los conjuntos de datos de investigación

 

La anonimización en los conjuntos de datos de investigación es una de las instancias más importantes a tener en cuenta por un equipo de investigación antes de autoarchivar su conjunto de datos en el Banco de Datos del SIGEVA. Este proceso protege los derechos y la privacidad de los participantes, así como también preserva la integridad ética de una investigación. Por tal motivo, la Ley de Protección de Datos Personales (Ley 25.326) es vital para fortalecer el compromiso ético de los investigadores/as. Además, contribuye a consolidar la confianza en el uso de los datos compartidos en el repositorio.

En la nota Datos de investigación: el proceso de anonimizar se hizo hincapié en las técnicas a tener en cuenta para el proceso de anonimización de los datos de investigación, así como también las herramientas más reconocidas para llevar adelante esta práctica.

En el caso de las imágenes, la anonimización es fundamental cuando se trabaja con fotografías y videos que presentan personas o información que puedan ser identificables. Por tal motivo es fundamental la eliminación o distorsión de los mismos ya sea a través del método de desenfoque o pixelado. Esto permite que los datos visuales puedan ser publicados y reutilizados posteriormente en una nueva investigación.

Herramientas de anonimización en imágenes

GIMP (GNU Image Manipulation Program): es un programa de código abierto que permite desenfocar o pixelar imágenes de manera manual.

Facepixelizer: es una herramienta online que detecta y desenfoca automáticamente rostros.

DeepPrivacy: Un proyecto de código abierto que genera caras sintéticas sobre las reales para mantener la privacidad. Funciona para fotografías y videos.

Pixellate It: Herramienta web que permite pixelar imágenes con un enfoque directo en áreas seleccionadas.

La anonimización adecuada de los conjuntos de datos de investigación es una fase fundamental para proteger la privacidad y confidencialidad de quienes participen en una investigación. En este contexto, las imágenes son uno de sus componentes más utilizados para compartir los datos primarios y requieren especial atención para evitar la identificación de las personas involucradas en el proyecto. Por tal motivo, si el objetivo es anonimizar imágenes o videos con contenido sensible es importante verificar las especificaciones de cada  herramienta para evitar riesgos de seguridad.

Datos de investigación: cómo los metadatos potencian su citabilidad y accesibilidad

 

En el ámbito de la investigación científica, los datos de investigación son información colectada, observada o creada con el propósito de crear resultados de investigación originales. No obstante el uso de los conjuntos de datos no se limita solamente al contenido del adjunto en sí, sino que depende en gran medida a la claridad con la que está descrito en sus metadatos. Los campos juegan un papel importante para garantizar que los datos sean entendibles y reutilizables, puesto que son la vista previa con la cual se encuentra un investigador antes de hacer uso del conjunto de datos de investigación.

El formulario de datos de investigación en el Banco de Datos del SIGEVA contiene una ayuda contextual que les permite conocer a los investigadores cuál es la información clave a completar. Estos campos incluyen metadatos esenciales que elevan la calidad del conjunto de datos de investigación y por consiguiente el set consigue mejores resultados a la hora de ser reutilizado.

Un conjunto de datos que tiene sus metadatos detallados tiene la posibilidad de incrementar el número de citas, esto significa que aumenta la visibilidad de la investigación. Además, facilita la replicación de estudios y la verificación de resultados por parte de otros investigadores.

Otro beneficio que trae una buena descripción de metadatos corresponde al aumento de posibilidades de ser indexado por los buscadores web (browsers como Google, Bing, Yahoo, etc.) u otros indexadores especializados como Google Dataset Search, e incrementar su hallazgo y localización. Consulte más en La indexación en el RI CONICET Digital: Google, BASE y otros

Campos de descripción esenciales para un buen conjunto de datos

  • Título: describe el contenido para una fácil localización y reutilización.

Conozca más en La importancia de un título descriptivo en la creación de un conjunto de datos

Tipo de fecha: describe la temporalidad de los datos brindando el contexto en el cual fueron recolectados o creados.

  • Alcance geográfico: refiere a la localización geográfica del origen de los datos.
  • Resumen: texto que describe el contenido del conjunto de datos y el contexto en el cual ha sido creado.
  • Descripción: información que amplía el contenido del set de datos y facilita su reutilización.
  1. Información de series
  2. Información técnica
  3. Métodos
  4. Tabla de contenidos

Para lograr que un conjunto de datos tenga un impacto en la comunidad científica es imprescindible acompañarlos de descripciones claras y precisas que permitan su correcta interpretación y reutilización. Los campos de descripción en los conjuntos de datos no son un detalle menor sino que se tratan de un componente vital que asegura la calidad, accesibilidad y el buen uso para generar nuevas investigaciones.

La indexación en el RI CONICET Digital: Google, BASE y otros

 

Ser indexado por motores de búsqueda académicos, bases de datos y sistemas de gestión de información a nivel nacional e internacional incrementa la visibilidad y accesibilidad de los contenidos a todos los investigadores/as y el público en general. Esta mayor indexación facilita que la producción científica y tecnológica depositada en el Repositorio Institucional CONICET Digital y el Repositorio de Datos de Investigación sea fácilmente localizada y consultada.

¿Por qué es importante la indexación?

Cuando los repositorios institucionales son indexados por motores de búsqueda académicos y bases de datos especializadas, se optimiza la localización de documentos, artículos, tesis, datos de investigación y otros recursos académicos. Esto no solo mejora la accesibilidad a los resultados de la investigación, sino que también puede resultar en un aumento en el número de citas académicas y la creación de nuevas oportunidades de colaboración interdisciplinaria y transnacional.

Además, la indexación amplía la audiencia de la producción científica y tecnológica alojada en el RI CONICET Digital y el Repositorio de Datos de Investigación. Esto fomenta el desarrollo de proyectos conjuntos entre instituciones, ya que los investigadores pueden descubrir y acceder rápidamente a investigaciones relevantes, fortaleciendo las redes de colaboración a nivel global.

Principales plataformas de indexación

A continuación, se presentan las plataformas más relevantes donde están indexados el RI CONICET Digital y el Repositorio de Datos de Investigación:

Google Scholar: Permite buscar literatura académica de múltiples disciplinas y fuentes desde un único lugar​. Aquí se pueden encontrar artículos, tesis, libros, resúmenes y artículos de editoriales académicas.

Google Dataset Search: Facilita la búsqueda de conjuntos de datos de investigación a través de palabras claves. Además, brinda enlaces directos a los repositorios donde los datos están almacenados.

BASE (Bielefeld Academic Search Engine): Un motor de búsqueda multidisciplinar que indexa repositorios académicos a nivel global.

CORE (COnnecting REpositories): Recoge la producción académica en acceso abierto de repositorios de todo el mundo y ofrece servicios de búsqueda y análisis.

OpenAIRE: Una plataforma europea que promueve la ciencia abierta y el acceso abierto de los resultados de una investigación científica ya sea compartiendo publicaciones científicas como conjuntos de datos de investigación.

OpenDOAR (Directory of Open Access Repositories): Directorio mundial de repositorios de acceso abierto, gestionado por la Universidad de Nottingham, que permite buscar repositorios y consultar sus políticas y contenidos.

Re3data (Registry of Research Data Repositories): Registro global que centraliza y organiza repositorios de datos de investigación, ofreciendo información detallada sobre repositorios en diversas disciplinas académicas.

ROAR (Registry of Open Access Repositories): Un registro global que lista repositorios de acceso abierto en todo el mundo. Permitiendo a los usuarios localizar repositorios de diversas disciplinas y regiones.

Dimensions: Integra publicaciones, patentes, ensayos clínicos y datos de investigación, proporcionando herramientas de análisis y visualización.

WorldWideScience: Plataforma que permite buscar en múltiples bases de datos y repositorios científicos de todo el mundo. Facilita el acceso a investigaciones internacionales en diversas disciplinas y varios idiomas.

La Referencia: Repositorio regional que integra contenidos científicos de repositorios institucionales de América Latina, facilitando el acceso abierto a la producción académica de la región.

SNRD (Sistema Nacional de Repositorios Digitales): Plataforma argentina que integra repositorios digitales de instituciones científicas, garantizando el acceso abierto y la preservación de la producción científica nacional.

DACyTAr (Directorio Argentino de Ciencia y Tecnología de Acceso Abierto): Portal que centraliza la búsqueda y acceso a conjuntos de datos primarios de investigación disponibles en repositorios digitales institucionales del Sistema Nacional de Repositorios Digitales (SNRD).

Impacto de la indexación en la ciencia abierta

La indexación en plataformas nacionales e internacionales no solo mejora la visibilidad y accesibilidad de la producción científica y tecnológica del Repositorio Institucional CONICET Digital y el Repositorio de Datos de Investigación, sino que también contribuye a fortalecer el movimiento de la ciencia abierta. Al permitir que los investigadores/as de todo el mundo accedan y reutilicen estos recursos, se fomenta la colaboración y se maximiza el uso y reuso de los datos y publicaciones se fomenta la creación de nuevo conocimiento, la replicación de estudios y el avance de la ciencia.

Esta mayor accesibilidad también tiene un impacto directo en el desarrollo de nuevas investigaciones y proyectos colaborativos, ya que facilita la identificación de trabajos relevantes y la conexión entre investigadores que pueden tener intereses afines o complementarios.

En conclusión, la indexación en plataformas nacionales e internacionales de prestigio es un factor clave para aumentar el impacto y la difusión de la ciencia argentina. A través de estas redes, la investigación local se integra en un panorama global, promoviendo la ciencia abierta, la colaboración y el avance del conocimiento.