Het doel van deze call was om projecten te financieren die de digitaliseringsambities van de TDCC’s, en de gemeenschappen die zij bedienen, helpen verwezenlijken. De opzet van de call was niet-competitief en gemeenschapsgedreven.

Wat zijn de TDCC’s ook alweer?

De Thematische Digitale Competentie Centra zijn netwerkorganisaties. De TDCC’s zijn opgericht in 2022 met financiering van NWO. Er zijn drie TDCC’s in Nederland: een voor Life Science & Health (LSH), een voor Natural and Engineering Sciences (NES) en een voor Social Sciences & Humanities (SSH). Hun ambities zijn beschreven in de TDCC-roadmaps. Voor meer informatie over de TDCC’s lees hier meer.

Veertien toewijzingen

Er zijn veertien projecten gehonoreerd binnen de TDCC 2023 call. De projecten gaan over diverse onderwerpen zoals het harmoniseren van kerngegevens uit langlopende cohortstudies of het ontwikkelen van software waarmee de transparantie van empirisch onderzoek kan worden beoordeeld voordat het gepubliceerd wordt. Lees hier alle publiekssamenvattingen:

RIGHTS: Verantwoordelijke implementatie van het verzamelen, verwerken en behandelen van gevoelige individuele digitale sporen
TDCC: SSH; Hoofdaanvrager: prof. dr. T.B. Araujo (Amsterdam UMC)
De Sociale en Geesteswetenschappen hebben belangrijke stappen gezet in het verzamelen van de digitale sporen die individuen in hun dagelijks leven achterlaten. Deze schat aan data loopt echter het risico om te worden afgesloten in onverbonden lokale archieven vanwege zorgen over hoe gevoelige data moet worden verwerkt, gepubliceerd en/of gedeeld. RIGHTS maakt gebruik van de kracht van de Nederlandse Nationale Onderzoeksinfrastructuur en pakt deze uitdagingen aan. RIGHTS zorgt ervoor dat deze cruciale datasets over menselijk gedrag op een ethische en privacybeschermende manier vindbaar, toegankelijk, interoperabel en herbruikbaar worden.

Research Transparency Check
TDCC: SSH; Hoofdaanvrager: prof. dr. R.H.F.P. Bekkers (Vrije Universiteit Amsterdam)
We ontwikkelen software die automatisch de transparantie van empirisch onderzoek beoordeelt voordat het gepubliceerd is en aanbevelingen doet voor het verbeteren van de documentatie van data en methoden. De software helpt medewerkers van universiteiten en onderzoeksinstituten, wetenschappelijke tijdschriften en financiers van onderzoek. We betrekken zeven groepen van gebruikers van gegevens in de Sociale en Geesteswetenschappen bij de ontwikkeling van criteria voor transparantie, en maken afstreeplijsten voor deze criteria.

SYNAPSIS : Synergie Netwerk en Platform voor Integratie van Audiovisuele Data-analyse en Archivering in de Sociale Wetenschappen
TDCC: SSH; Hoofdaanvrager: dr. M. Dingemanse (Radboud Universiteit)
SYNAPSIS is een samenwerkingsproject gericht op het verbeteren van het beheer, delen en analyseren van audiovisuele data in de Sociale Wetenschappen en Geesteswetenschappen. Het project biedt een veilig, privacy-beschermend platform dat geavanceerde masking-tools integreert voor audiovisuele data, waardoor onderzoekers gevoelige informatie kunnen beschermen en tegelijkertijd data toegankelijker maken voor analyse. Naast het platform worden uitgebreide trainingsprogramma’s aangeboden om onderzoekers en data-stewards de digitale vaardigheden te bieden die nodig zijn om masking en multimodale analyses te integreren in hun workflows, wat open wetenschap bevordert en de transparantie van onderzoek verbetert.

CLOUD-NES: Faciliteren van cloud-native datatoegang en -verwerking voor natuur- en ingenieurswetenschappen
TDCC: NES; Hoofdaanvrager: dr. ing. S. Girgin (Universiteit Twente)
CLOUD-NES wil het gebruik van cloud-native methoden stimuleren om onderzoeksgegevens efficiënt te publiceren, te openen en te verwerken. Dit doen we door een prototype van een open cloud-native gegevensopslagplaats te bouwen, geselecteerde datasets in traditionele formats om te zetten in cloud-native formats, de voordelen van cloud-native benaderingen aan te tonen met betrouwbare en reproduceerbare benchmarks in vergelijking met traditionele methoden, open trainingsmateriaal te ontwikkelen en op maat gemaakte trainingen te bieden aan onderzoekers om hun vaardigheden in het gebruik van cloud-native methoden te verbeteren en de ervaringen en geleerde lessen te delen met relevante (inter)nationale belanghebbenden.

FAIRify uw metabolomics data
TDCC: LSH; Hoofdaanvrager: prof. dr. T. Hankemeier (Leiden Universiteit)
Metabolomics is een data-rijk veld dat snel groeit. De FAIR principes bieden richtlijnen voor het vindbaar, toegankelijk, automatisch interoperabel en maximaal herbruikbaar maken van data. Schaalbare oplossingen voor het FAIR maken van metabolomics data kunnen alleen worden gebouwd op breed geaccepteerde FAIR standaarden. In FAIRify zal de Nederlandse Metabolomics Community samenwerken om een proces te ontwikkelen voor convergentie naar FAIR-faciliterende standaarden voor metabolomics. Dit proces zal worden begonnen met data van hoge prioriteit, maar zal herbruikbaar zijn nadat het project is afgelopen. Project FAIRify heeft als doel een cultuur van FAIR datacreatie en -beheer voor metabolomics op gang te brengen.

LEARN-FAIR: Life Science & Health Educational Alignment for Research and Networking in FAIR Data Management
TDCC: LSH; Hoofdaanvrager: dr. M.G. Kersloot (Amsterdam UMC)
Het LEARN-FAIR project wil samenwerking en kennisuitwisseling bevorderen tussen trainers die zich
bezighouden met FAIR (Findable, Accessible, Interoperable en Reusable) data. Dit wordt bereikt door het oprichten van een Nederlandse FAIR Trainers Community. Daarnaast richt het project zich op het in kaart brengen van trainingsbehoeften voor onderzoekers en data stewards, evenals bestaand trainingsmateriaal, om op basis hiervan nieuwe Open Educational Resources te ontwikkelen. Om ervoor te zorgen dat deze materialen aansluiten bij de (toekomstige) behoeften van de community, combineert het LEARN-FAIR project empirisch onderzoek met actieve betrokkenheid van de community.

Synthetische data: bevordering van het gebruik van gevoelige gegevens in SSH-onderzoek
TDCC: SSH; Hoofdaanvrager: dr. E. van Kesteren MSc (Universiteit Utrecht)
Synthetische data is een dataset met (min of meer) dezelfde eigenschappen als een oorspronkelijke dataset maar zonder privacygevoelige gegevens. Door synthetische data beschikbaar te maken in plaats van (of voorafgaand aan) de werkelijke dataset, krijgen wetenschappers sneller en makkelijker toegang tot vertrouwelijke data. In dit project worden twee tools voor het maken van synthetische data ingezet om bestaande datasets te ontsluiten, waaronder datasets die bij DANS zijn opgeslagen.

Onderwijs voor de volgende generatie FAIR-bewuste en AI-vaardige datawetenschappers voor het LWG-domein
TDCC: LSH; Hoofdaanvrager: dr. ir. P.D. Moerland (Amsterdam UMC)
Voor professionals in de levenswetenschappen en gezondheid (LWG) is het steeds crucialer om (i) vindbare, toegankelijke, interoperabele en herbruikbare (FAIR) gegevens efficiënt te koppelen aan computationele workflows die de gegevens verwerken (FAIR workflows); (ii) ervoor te zorgen dat de gegevens geproduceerd door FAIR workflows naadloos kunnen worden gebruikt voor kunstmatige intelligentie (AI)-toepassingen (AI-klaar); (iii) AI-modellen te construeren terwijl relevante domein-specifieke kennis wordt geïntegreerd (AI-vaardig). Het doel van dit project is om twee nieuwe post-mastercursussen te ontwikkelen over FAIR workflows en geavanceerde machine learning/moderne AI-technologie voor levenswetenschappen. Hiermee beogen we het bestaande tekort aan onderzoekers met deze belangrijke vaardigheden te verhelpen.

A FAIR tool framework for bioinformatics services, tools and workflows in digital Life Sciences and Health (LSH) research
TDCC: LSH; Hoofdaanvrager: dr. H. Mouhib (Vrije Universiteit Amsterdam)
Voor data-onderzoek zijn verschillende tools en diensten beschikbaar, maar gebruikers kunnen deze niet makkelijk vinden of de kwaliteit ervan beoordelen. Hierdoor worden ze niet gebruikt, of worden er zelfs vergelijkbare tools opnieuw ontwikkeld. Samen met ontwikkelaars, experts en gebruikers ontwikkelen we een toolkit voor het vinden van geschikte tools en diensten. Deze wordt toegepast op bestaande tools en die in ontwikkeling, en kan in de toekomst gebruikt worden bij nieuwe tools. Met voorbeelden, training, interactieve werksessies en samenwerking met gevestigde platformen en communities, worden tools en diensten op een duurzame wijze toegankelijk voor eindgebruikers en (door-)ontwikkelingscycli voor ontwikkelaars.

HPC-DAT: het doorbreken van de barrière op het gebied van high performance computing
TDCC: NES; Hoofdaanvrager: dr. J.B.R. Oonk (SURF)
HPC-DAT leidt NES-onderzoekers op om effectief en eenvoudiger gebruik te maken van high performance computing systemen die nodig zijn om fundamentele onderzoeksvragen te beantwoorden. We organiseren meerdaagse hackathons, speciale trainingsevenementen en bouwen voort op het gevestigde Python-PyData-Jupyter-Dask ecosysteem. Nauwe samenwerking met onderzoekers wordt bereikt door middel van geselecteerde use cases, een brede gebruikerscommissie en een open gebruikersforum. De hackathonaanpak zal het project bovendien in staat stellen om bestaande en toekomstige gebruikers uit een brede reeks disciplines en hun evoluerende behoeften aan grootschalige gegevensverwerking rechtstreeks te betrekken.

Op Weg naar een Modulaire Infrastructuur voor Allesomvattende RDM
TDCC: SSH; Hoofdaanvrager: prof. dr. F.J. Oort (Universiteit van Amsterdam)
Veel onderzoeksinstituten hebben RDM-beleid voor het SSH-domein, maar missen toegankelijke infrastructuur om dat beleid volledig te implementeren. Momenteel ontwikkelen zij, vaak met beperkte middelen en onafhankelijk van elkaar, diverse lokale RDM-infrastructuren. Een gezamenlijke landelijke inspanning is noodzakelijk om een beleidsconforme, modulaire en interoperabele infrastructuur te creëren, waaruit instituten de best passende componenten kunnen kiezen. Om dit te bereiken, moeten de tekortkomingen in de huidige RDM-infrastructuur worden vastgesteld. Wij stellen voor om het bestaande beleid en de ondersteunende infrastructuren te identificeren, zodat hiaten zichtbaar worden en aanbevelingen kunnen volgen voor toekomstige gezamenlijke RDM-innovaties binnen het SSH-domein.

FAIR4ChemNL: Grenzen in de Chemie Slechten met Open en Toegankelijke Data
TDCC: NES; Hoofdaanvrager: prof. dr. E.A. Pidko (Technische Universiteit Delft)
De chemie kent vaak veel grenzen—tussen onderzoekers, tussen disciplines, en zelfs tussen datasystemen. FAIR4ChemNL wil dit veranderen. Door open wetenschap te bevorderen en nieuwe datamanagementoplossingen te ontwikkelen, maakt dit project de chemie toegankelijker, bevordert het de samenwerking en wordt het nog innovatiever. We brengen experts uit heel Nederland en daarbuiten samen, zodat ontdekkingen in het ene vakgebied van de chemie ook anderen kunnen helpen. Door data open te delen en samenwerking te vergemakkelijken, willen we doorbraken versnellen die belangrijk zijn voor de toekomst van energie, materialen en meer.

Een kern dataset voor Nederlandse cohorten
TDCC: LSH; Hoofdaanvrager: dr. K.J. van der Velde (UMC Groningen)
Nederlandse langlopende cohortstudies, waarin de gezondheid van grote groepen mensen wordt gevolgd, verzamelen gegevens op verschillende manieren. Dit maakt gegevens combineren en daarmee samen onderzoek doen moeilijker. Met dit project willen we gegevens van Nederlandse langlopende cohortstudies beter vergelijkbaar maken. We gaan kerngegevens die elke studie verzamelt vaststellen, harmoniseren met bestaande richtlijnen en opnemen in een nationale standaard. Zo kunnen gegevens uit nieuwe cohorten gemakkelijker samen worden gebruikt voor onderzoek. We testen ook of onze standaard bruikbaar is voor al bestaande cohortstudies en voor specifieke ziektegebieden, zoals depressie en diabetes. Dit project draagt bij aan betere gegevens voor onderzoek.

Ruimtelijke machine learning-modellen maken, gebruiken en hergebruiken
TDCC: NES; Hoofdaanvrager: prof. dr. R. Zurita-Milla (Universiteit Twente)
Ruimtelijke machine learning (ML)-modellen zijn niet meer weg te denken binnen de technische en natuurwetenschappen (TNW). De ontwikkelingen gaan razendsnel, waardoor het een enorme uitdaging is om het kennisniveau van de wetenschappelijke gemeenschap voor het toepassen en ontwikkelen van deze ML-modellen op peil te houden. Een extra complexiteit daarbij is dat het werken met ruimtelijke modellen specifieke kennis en ervaring vereist, hetgeen niet vanzelfsprekend is voor iedere TNW-onderzoeker. In dit project worden diverse open trainingenmodules ontwikkeld voor verschillende post-graduate en PhD onderwijsprogramma’s. Hiermee wordt een stevige basis gelegd voor het toepassen, hergebruiken, publiceren en ontwikkelen van Ruimtelijke ML-modellen door TNW-onderzoekers.