This website is for information related to the CESAER Taskforce on Open Science, and in particular on its sub-group looking at how the Technical Universities in Europe deal with Engineering and Research Data Management. The group is working on two tasks Task 1 - FAIR Data in Engineering (2018-19) Read - Summary of First Findings on…
Das übergreifende Ziel des Vorhabens ist es, praktikable, einfach nutzbare und umfassende Provenance-Techniken und -Methoden für spezielle Anwendungsdomänen zu entwickeln, die einen minimalen Overhead und geringe Benutzeranforderungen für die Erstellung von Provenance-Informationen aufweisen. Insbesondere sollen nicht nur unkommentierte Datentransformationsabläufe und Interaktionssequenzen aufgezeichnet, sondern Überlegungen und Argumentationen zu Hypothesen, Einsichten, Entscheidungen und Interaktionen in ihrem Kontext dokumentiert und zugänglich gemacht werden. Provenance ist eine zentrale Maßnahme zur Vertrauensbildung für digitale Informationen auf der Basis von Nachvollziehbarkeit und Reproduzierbarkeit. Unser Vorhaben „Provenance Analytics“ schafft das Bewusstsein für diesen wichtigen Aspekt des digitalen Strukturwandels, einerseits durch Ausbildung und Forschung an den beteiligten Universitäten und Fachhochschulen und andererseits durch intensiven Austausch mit lokalen KMUs im Rahmen von Workshops und Tutorials.
This website is for information related to the CESAER Taskforce on Open Science, and in particular on its sub-group looking at how the Technical Universities in Europe deal with Engineering and Research Data Management. The group is working on two tasks Task 1 - FAIR Data in Engineering (2018-19) Read - Summary of First Findings on…
N. Micic, D. Neagu, I. Campean, und E. Habib Zadeh. (2017)Every industry has significant data output as a product of their working process, and with the recent advent of big data mining and integrated data warehousing it is the case for a robust methodology for assessing the quality for sustainable and consistent processing. In this paper a review is conducted on Data Quality (DQ) in multiple domains in order to propose connections between their methodologies. This critical review suggests that within the process of DQ assessment of heterogeneous data sets, not often are they treated as separate types of data in need of an alternate data quality assessment framework. We discuss the need for such a directed DQ framework and the opportunities that are foreseen in this research area and propose to address it through degrees of heterogeneity..
