Dados Abertos em Pesquisa: os Erros que Custam Credibilidade

Por que tanto pesquisador confunde “abrir dados” com “subir um arquivo”

Um banco de dados é depositado num repositório, recebe um DOI, entra no currículo como produto da pesquisa. Some meses depois, outra pesquisadora tenta reutilizar aquele banco e não entende nada: as colunas têm nomes como “var12” e “var13”, não há informação sobre a escala usada, e ninguém sabe se os valores ausentes foram codificados como zero ou como célula vazia.

Dados abertos são os dados de uma pesquisa disponibilizados publicamente, com documentação suficiente para que outra pessoa consiga entender, verificar e reutilizar aquele material sem precisar perguntar ao autor original. A parte “com documentação suficiente” é onde a prática mais falha no Brasil, e é sobre isso que este texto trata.

A pressão por dados abertos cresceu nos últimos anos por um motivo concreto: agências de fomento e periódicos passaram a exigir ou incentivar o depósito de dados como parte da publicação. Agências de fomento e periódicos internacionais têm passado a exigir ou incentivar cada vez mais o depósito de dados como parte da publicação. Isso empurrou muita gente a depositar dados pela primeira vez, sem necessariamente entender o que torna um depósito útil.

O problema não é a exigência. É que abrir dados de forma correta dá trabalho, e boa parte do trabalho é invisível no currículo. Ninguém elogia o pesquisador que escreveu um dicionário de variáveis impecável. Elogia quem publicou o artigo. Então o dicionário fica pra depois, e depois nunca chega.

O erro que mais aparece: documentação insuficiente

Se você já tentou reutilizar um banco de dados de outra pessoa e desistiu na primeira hora, você já viu este erro na prática. O arquivo existe, está público, tem até licença Creative Commons. Só que não tem:

• Dicionário de variáveis explicando o que cada coluna representa
• Informação sobre a unidade de medida usada
• Explicação de como valores ausentes ou inválidos foram tratados
• Contexto sobre o instrumento de coleta, se aplicável

Um banco sem esses elementos não é “aberto” no sentido que importa. Está tecnicamente disponível, mas praticamente inacessível. É a diferença entre abrir a porta de uma sala e abrir a porta de uma sala com a luz apagada: você entrou, mas não vê nada.

A solução não é complicada, mas exige disciplina no momento errado, que é justo quando o artigo está pronto e a vontade é de submeter e seguir pra próxima coisa. Documentar o banco enquanto você ainda lembra das decisões de codificação evita ter que reconstruir essa memória meses depois, quando um revisor pede esclarecimento.

Vale pensar também em quem vai ler esse dicionário de variáveis. Não é você, seis meses depois, tentando lembrar por que criou a variável “flag_excluido”. É uma pessoa que nunca viu o instrumento de coleta, nunca participou de nenhuma reunião do projeto, e vai decidir em cinco minutos se aquele banco vale a pena ser explorado ou se é mais rápido desistir e procurar outro dado. A documentação é, nesse sentido, uma peça de comunicação, não um formulário burocrático.

Anonimização mal feita: o erro que vira problema ético

Remover nome e CPF de uma planilha não é anonimização. É a parte mais fácil da anonimização, e muita gente para exatamente aí.

O risco real está na combinação de variáveis. Um banco com idade, profissão, cidade e diagnóstico pode reidentificar uma pessoa mesmo sem nome, principalmente em amostras pequenas ou contextos onde poucas pessoas compartilham aquele conjunto de características. Isso é conhecido na literatura como risco de reidentificação por combinação de atributos, e é a razão pela qual comitês de ética costumam pedir mais do que a remoção de identificadores diretos antes de autorizar o compartilhamento de dados sensíveis.

Trate anonimização como parte do desenho da pesquisa, não como etapa final antes de depositar. Pensar nisso desde o projeto evita ter que decidir, sob pressão de prazo, entre não compartilhar o dado ou compartilhar arriscando a privacidade de quem participou. Isso significa, na prática, decidir ainda no planejamento da coleta quais variáveis realmente precisam ser registradas com esse nível de detalhe, e quais podem ser categorizadas em faixas mais amplas desde o início, o que já reduz bastante o risco de reidentificação sem comprometer a análise.

Se você está nessa fase de desenho, vale revisar como estruturar o projeto de pesquisa desde o início pensando em como os dados vão circular depois. Decisão tomada tarde custa mais caro, e geralmente custa justo na hora em que você tem menos tempo pra corrigir.

Licenciamento genérico: o erro que ninguém percebe até ser tarde

Depositar um banco sem escolher explicitamente uma licença, ou escolher a licença errada pro tipo de dado, é outro erro recorrente. Existe diferença real entre licenciar dados como CC0, que coloca o material em domínio público sem exigência de atribuição, e CC-BY, que permite uso livre mas exige crédito ao autor original.

A escolha da licença não é detalhe burocrático. Ela define o que outras pessoas podem fazer com o seu trabalho, inclusive uso comercial em alguns casos. Muitos repositórios institucionais aplicam uma licença padrão se o pesquisador não escolhe nada, e essa licença padrão nem sempre corresponde ao que o pesquisador teria escolhido se tivesse pensado sobre isso com calma.

Vale conferir a política do repositório antes de depositar, não depois. Repositórios como o Zenodo e a plataforma Dataverse permitem escolher licença no momento do upload, mas a interface não obriga o pesquisador a refletir sobre o significado daquela escolha. Ler as opções de licença com atenção, mesmo que pareça perda de tempo num momento de prazo apertado, evita que outra pessoa use seu dado de um jeito que você nunca autorizaria se tivesse entendido a licença que marcou.

Metadados incompletos e o custo invisível na descoberta

Existe um erro que só aparece quando alguém tenta encontrar o banco, e não quando alguém tenta usá-lo. Metadados fracos, título genérico, palavras-chave mal escolhidas, ausência de resumo estruturado, fazem com que o depósito exista mas seja praticamente invisível pra quem busca.

Um repositório com boa indexação de metadados tende a facilitar a citação e o reuso do banco. Isso importa porque um dos argumentos institucionais mais usados a favor da ciência aberta é justamente o aumento de visibilidade e impacto do trabalho depositado. Se os metadados são fracos, esse argumento simplesmente não se sustenta na prática, porque ninguém encontra o que não consegue buscar.

Preencher metadados com cuidado, incluindo palavras-chave que representem como outros pesquisadores da área realmente buscam aquele tema, é trabalho de dez minutos que muda o percurso de descoberta do banco pelos próximos anos. Pense em como você mesma busca dados de outros pesquisadores: raramente digita o título exato de um artigo. Digita o fenômeno, a população, o método. Se seu banco não tem essas palavras nos metadados, ele fica invisível justamente pra quem mais se beneficiaria de encontrá-lo.

O erro estrutural: tratar dados abertos como apêndice, não como produto

Aqui entra o posicionamento que sustenta este texto. Dados abertos costumam ser tratados como apêndice do artigo, algo que se resolve depois que o texto está fechado. Essa hierarquia está errada.

Um banco de dados bem documentado, bem anonimizado e licenciado com clareza é, ele mesmo, um produto de pesquisa. Tem valor independente do artigo que o originou. Outra pesquisadora pode usar aquele banco pra responder uma pergunta completamente diferente da sua, e é exatamente isso que a prática de ciência aberta se propõe a viabilizar.

Quando o Método V.O.E. (Velocidade, Orientação, Execução Inteligente) organiza um projeto de pesquisa, uma das perguntas que entram já na fase de Orientação é: como esse dado vai ser tratado depois que o artigo sair? Pensar nisso desde o início evita o retrabalho de documentar tudo às pressas quando o periódico já está pedindo o depósito como condição pra publicação. E evita também um problema mais sutil, que é decidir sob pressão qual variável cortar da documentação porque não dá tempo de explicar tudo com cuidado.

Se você quer entender melhor o ecossistema de ciência aberta além dos dados, ou seja, preprint, acesso aberto, revisão aberta, vale olhar como esses conceitos se conectam no guia completo sobre dados abertos em pesquisa. Os erros descritos aqui costumam se repetir nas outras práticas da mesma família, porque a raiz é sempre a mesma: falta de tempo dedicado a pensar no reuso.

O que muda quando você trata dados abertos como parte do método, não como obrigação burocrática

A defesa que sustento aqui não é “abra tudo, sempre, sem pensar”. É o oposto: pensar com cuidado sobre o que abrir, como documentar e como proteger quem participou da pesquisa é decisão metodológica, tão relevante quanto escolher a técnica de análise dos dados.

Os erros mais comuns, documentação insuficiente, anonimização superficial, licenciamento genérico e metadados fracos, têm uma raiz comum: a prática de dados abertos entrou nas exigências institucionais mais rápido do que entrou na formação dos pesquisadores. Ninguém ensinou isso na graduação, e boa parte da pós-graduação também não ensina. O resultado é um monte de banco depositado por obrigação, sem ninguém aproveitar de verdade o potencial de reuso que a prática promete.

Corrigir isso não exige curso longo. Exige tratar o momento de depositar dados com o mesmo cuidado que se trata a redação do artigo. Documentar enquanto a memória do processo ainda está fresca, escolher a licença com intenção, pensar em quem vai buscar aquele banco no futuro. É trabalho metódico, não burocrático, e é exatamente esse tipo de trabalho que separa um repositório útil de um cemitério de arquivos com DOI.

Se tem uma coisa que vale levar deste texto é essa inversão: dados abertos não são o que resta depois que o artigo terminou. São parte do artigo, só que numa forma diferente. Tratar assim, desde o desenho da pesquisa, é o que separa quem cumpre a exigência do periódico de quem realmente contribui pra reprodutibilidade da ciência.