> ## Content Index > Fetch the complete content index at: https://arabroot.io/llms.txt > Use this file to discover other available public pages before exploring further. # إدارة بيانات البحث Research Data Management ومبادئ FAIR - URL: https://arabroot.io/articles/ادارة-بيانات-البحث-research-data-management-ومبادئ-fair/ - Published: 2026-10-21T10:00:00.000Z - Updated: 2026-10-23T14:39:35.000Z - Description: كيف تحفظ بيانات بحثك وتصفها وتشاركها وفق مبادئ FAIR وما يطلبه الممولون في خطة إدارة البيانات، مع قالب جاهز وتجربة لإخفاء الهوية. - Author: فريق عرب رووت - Tags: الأدلة التقنية, التعليم والبحث العلمي في 2014 نشر فريق من جامعة British Columbia دراسة طلب فيها بيانات 516 بحثاً منشوراً في علم البيئة، أعمارها بين سنتين و22 سنة، وكانت النتيجة كما في [ملخص الدراسة في Current Biology](https://pubmed.ncbi.nlm.nih.gov/24361065/?ref=arabroot.io) أن احتمال بقاء البيانات موجودة ينخفض بنحو 17% مع كل سنة تمر على نشر البحث، وأن احتمال الوصول إلى بريد يعمل لأحد المؤلفين ينخفض 7% في السنة. فالبيانات التي بنيت عليها النتائج كانت على حاسوب الباحث أو على قرص خارجي أو في بريده، ثم تقاعد الحاسوب أو انتقل الباحث، فضاعت ولم يعد أحد قادراً على التحقق من البحث أو البناء عليه. وهذا المقال موجه لطالب الدراسات العليا والباحث الذي يجمع بيانات أو يحللها، ولعضو هيئة التدريس الذي يكتب مقترحاً لممول يطلب خطة لإدارة البيانات، ولمن يعمل في عمادة البحث العلمي أو المكتبة ويريد أن يبني خدمة لبيانات البحث في جامعته. في هذا المقال سوف نتناول: - ما هي إدارة بيانات البحث Research Data Management ولماذا لا يكفي أن يحفظ الباحث بياناته بنفسه. - مبادئ FAIR كما نشرت في 2016، وما الذي تعنيه عملياً لملفاتك. - خطة إدارة البيانات Data Management Plan كما يطلبها ممولون كبار: NIH وNSF وبرنامج Horizon Europe. - الوصف Metadata والتراخيص Licenses: ما الذي تكتبه مع بياناتك، ولماذا CC0 أو CC BY. - البيانات الشخصية والحساسة ونظام حماية البيانات الشخصية PDPL، مع تجربة حقيقية لإخفاء هوية المشاركين قبل المشاركة. - قالب خطة إدارة بيانات جاهز تنسخه وتعدله لمشروعك. ## ما هي إدارة بيانات البحث Research Data Management؟ إدارة بيانات البحث هي كل ما تفعله بالبيانات من لحظة التخطيط لجمعها إلى أن يعيد شخص آخر استخدامها بعد سنوات: كيف تسمي الملفات وأين تحفظها ومن يصل إليها، وكيف تصفها حتى يفهمها غيرك، وأين تودعها في النهاية وبأي ترخيص. والصورة التالية تبين دورة حياة البيانات Research Data Lifecycle والمكان الذي تضيع فيه عادة: ![دورة من ست مراحل: التخطيط بخطة إدارة البيانات DMP، ثم الجمع، ثم المعالجة والتحليل، ثم الحفظ في مستودع، ثم النشر والمشاركة بمعرف DOI وترخيص، ثم إعادة الاستخدام التي تعود إلى التخطيط، وفي الوسط حاسوب الباحث وقرص خارجي وبريد بعلامة حمراء: هنا تضيع البيانات إذا بقيت عند الباحث وحده](https://arabroot.io/content/images/2026/10/research-data-management-01-lifecycle.webp) البيانات التي تبقى على حاسوب الباحث تخرج من الدورة، والمستودع والوصف والترخيص هي التي تعيدها إليها. والطريقة البسيطة التي يبدأ بها أغلبنا أن تبقى البيانات على حاسوب الباحث، مع نسخة على قرص خارجي ونسخة في البريد، وهذه الطريقة تعمل ما دام الباحث نفسه يعمل على المشروع، وتفشل في اليوم الذي يسأله فيه محكم أو محرر أو باحث آخر عن البيانات بعد خمس سنوات، وهو ما قاسته دراسة 2014 أعلاه بالأرقام. والحل الذي يليه أن تنقل البيانات إلى مجلد مشترك على سيرفر الجامعة أو على خدمة سحابية، وهذا أفضل لأنه يحمي من تعطل الحاسوب، لكنه لا يحل المشكلة الأهم: الملف `final_v3_corrected.xlsx` بلا وصف لا يفهمه أحد غير صاحبه، ولا يوجد له رابط ثابت يستشهد به، ولا يعرف من يجده هل يحق له استخدامه أم لا. لذلك فالحل الأنسب هو ما تطلبه اليوم الجهات الممولة: خطة مكتوبة من البداية، ووصف كاف، ومستودع بيانات Data Repository يعطي البيانات معرفاً دائماً Persistent Identifier، وترخيص واضح. ## مبادئ FAIR: ماذا تعني لملفاتك؟ في مارس 2016 نشرت مجلة Scientific Data مقالاً بعنوان [The FAIR Guiding Principles for scientific data management and stewardship](https://www.nature.com/articles/sdata201618?ref=arabroot.io) لمجموعة من الباحثين والناشرين والممولين على رأسهم Mark Wilkinson، وهو أول نشر رسمي لمبادئ FAIR بعد ورشة عقدت في Leiden في 2014\. والحروف الأربعة اختصار لأربع صفات: أن تكون البيانات قابلة للإيجاد Findable، وقابلة للوصول Accessible، وقابلة للتشغيل البيني Interoperable، وقابلة لإعادة الاستخدام Reusable. والنقطة التي تميزها عن توصيات سابقة أنها تخاطب الآلة قبل الإنسان، فالمقال يركز على قابلية البيانات للمعالجة الآلية Machine-Actionable، أي أن يستطيع برنامج لم ير بياناتك من قبل أن يجدها ويعرف نوعها وترخيصها ويقرر هل تفيده، والسبب أن حجم البيانات اليوم أكبر من أن يبحث فيه الإنسان يدوياً. ![أربع بطاقات: F قابلة للإيجاد Findable بمعرف دائم DOI ووصف غني مسجل في فهرس يبحث فيه، وA قابلة للوصول Accessible ببروتوكول مفتوح مثل HTTPS والوصف يبقى حتى لو حذفت البيانات، وI قابلة للتشغيل البيني Interoperable بصيغ مفتوحة ومفردات معيارية Vocabularies، وR قابلة لإعادة الاستخدام Reusable بترخيص واضح ومصدر موثق Provenance ومعايير التخصص، وفي الأسفل تنبيه: FAIR لا تعني مفتوحة للجميع](https://arabroot.io/content/images/2026/10/research-data-management-02-fair.webp) كل حرف من FAIR يتحول إلى أشياء ملموسة تفعلها مع ملفاتك أو يفعلها المستودع عنك. والجدول التالي يضع المبادئ الخمسة عشر كما في [صفحة مبادرة GO FAIR](https://www.go-fair.org/fair-principles/?ref=arabroot.io)، ومعها ما تعنيه في عمل الباحث اليومي: | المبدأ | النص المختصر | ما يعنيه لك | | ------ | -------------------------------------------------------------------------------- | -------------------------------------------------------------------------- | | F1 | معرف فريد ودائم Persistent Identifier للبيانات ووصفها | DOI من المستودع بدلاً من رابط مجلد في Google Drive يتغير أو يحذف. | | F2 | وصف غني Rich Metadata | عنوان وملخص وكلمات مفتاحية ومنهج الجمع، وليس اسم الملف فقط. | | F3 | الوصف يذكر معرف البيانات صراحة | المستودع يفعل هذا تلقائياً عندما يربط صفحة الوصف بالـ DOI. | | F4 | الوصف مسجل في مورد يبحث فيه | مستودع تفهرسه DataCite ومحركات البحث، لا ملف على حاسوبك. | | A1 | الاسترجاع بالمعرف عبر بروتوكول معياري | رابط الـ DOI يفتح صفحة البيانات عبر HTTPS. | | A1.1 | البروتوكول مفتوح ومجاني | لا تحتاج برنامجاً تجارياً لتصل إلى الصفحة. | | A1.2 | البروتوكول يسمح بالمصادقة والصلاحيات Authentication and Authorization عند الحاجة | البيانات الحساسة يمكن أن تكون مقيدة بطلب وصول، وتبقى FAIR. | | A2 | الوصف يبقى متاحاً حتى لو لم تعد البيانات متاحة | إذا حذفت البيانات لسبب نظامي تبقى صفحة الوصف تقول ماذا كان هنا ولماذا حذف. | | I1 | لغة رسمية مشتركة لتمثيل المعرفة | صيغ مفتوحة مثل CSV وJSON، ووصف بمعيار مثل DataCite أو Dublin Core. | | I2 | مفردات معيارية Vocabularies تتبع FAIR | أسماء الدول برموز ISO، والتخصصات من قائمة معروفة، والوحدات من نظام SI. | | I3 | إشارات مؤهلة إلى بيانات أخرى | اربط البيانات بالبحث المنشور وبالبيانات التي بنيت عليها بمعرفاتها. | | R1 | وصف دقيق بعناصر كثيرة | ملف README وقاموس متغيرات Codebook يشرح كل عمود ووحدته. | | R1.1 | ترخيص استخدام واضح | CC0 أو CC BY مكتوب في صفحة البيانات. | | R1.2 | مصدر موثق Provenance | من جمع البيانات ومتى وكيف، وما المعالجة التي مرت بها. | | R1.3 | معايير مجتمع التخصص | إذا كان لتخصصك معيار وصف أو مستودع متخصص فاستخدمه. | وقد يتساءل البعض: هل FAIR تعني أن أنشر كل بياناتي للجميع؟ والإجابة لا، فالمبدأ A1.2 نفسه يسمح بالمصادقة والصلاحيات، والدليل الرسمي لاتفاقية منح الاتحاد الأوروبي يلخص ذلك في عبارة صارت شعاراً لهذا المجال: «مفتوحة قدر الإمكان، ومغلقة قدر الضرورة» As open as possible, as closed as necessary. فبيانات المرضى مثلاً لا تنشر للجميع، لكن وصفها يمكن أن يكون منشوراً ومعه طريقة طلب الوصول، وبهذا تكون قابلة للإيجاد ولها معرف وترخيص وإن كانت مقيدة. ## خطة إدارة البيانات Data Management Plan خطة إدارة البيانات وثيقة قصيرة تكتبها قبل أن تجمع البيانات، تجيب فيها عن أسئلة محددة: ما البيانات التي سوف تنتجها، وبأي صيغة، وكيف تحفظها وتحميها أثناء المشروع، وأين تودعها في النهاية، ومتى، وبأي ترخيص، ومن المسؤول. والسبب في أن الممولين يطلبونها مع المقترح وليس بعد انتهاء المشروع أن تكاليف الحفظ والمستودع والوقت الذي تحتاجه لتنظيف البيانات ووصفها يجب أن تكون في الميزانية من البداية، وإلا تحولت المشاركة إلى عمل إضافي لا يجد الباحث وقتاً له في آخر المشروع. وقد شرحنا أقسام المقترح وكيف يقيمه الممول في مقال [كيف تكتب مقترح البحث Research Proposal الذي يقنع الممول](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D9%83%D8%AA%D8%A8-%D9%85%D9%82%D8%AA%D8%B1%D8%AD-%D8%A7%D9%84%D8%A8%D8%AD%D8%AB-research-proposal-%D8%A7%D9%84%D8%B0%D9%8A-%D9%8A%D9%82%D9%86%D8%B9-%D8%A7%D9%84%D9%85%D9%85%D9%88%D9%84/)، وهنا نركز على قسم البيانات. ### ماذا يطلب الممولون؟ الجدول التالي يجمع ما يطلبه ثلاثة من أكبر ممولي البحث في العالم كما في صفحاتهم الرسمية حتى أكتوبر 2026: | الممول | متى تقدم الخطة | الطول والشكل | متى تشارك البيانات | | ----------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------- | | المعاهد الوطنية للصحة الأمريكية NIH | مع طلب المنحة، منذ [سريان سياسة DMS في 25 يناير 2023](https://grants.nih.gov/grants/guide/notice-files/NOT-OD-21-013.html?ref=arabroot.io) | صفحتان أو أقل بستة عناصر محددة | في أقرب وقت، وبحد أقصى عند نشر البحث المرتبط أو نهاية فترة المنحة، أيهما أسبق | | مؤسسة العلوم الوطنية الأمريكية NSF | مع كل مقترح، والمقترح الذي لا يحتويها يعاد دون تحكيم | منذ 27 أبريل 2026 تكتب في [أداة على Research.gov](https://www.nsf.gov/eng/data-management-sharing-plans?ref=arabroot.io) بدلاً من وثيقة الصفحتين، بحسب الإشعار NSF 26-202 | خلال وقت معقول وبتكلفة لا تزيد عن التكلفة الإضافية، كما في [سياسة NSF لمشاركة البيانات](https://www.nsf.gov/funding/data-management-plan?ref=arabroot.io) | | برنامج Horizon Europe | تسليم إلزامي Deliverable خلال 6 أشهر من توقيع المنحة غالباً، ثم تحديث في منتصف المشروع وفي نهايته | [قالب الاتحاد الأوروبي](https://ec.europa.eu/info/funding-tenders/opportunities/docs/2021-2027/horizon/temp-form/report/data-management-plan%5Fhe%5Fen.docx?ref=arabroot.io) موصى به وغير إلزامي | الإيداع في مستودع موثوق في أقرب وقت وبحد أقصى نهاية المشروع، بترخيص CC BY أو CC0 للبيانات المفتوحة | والعناصر الستة التي [توصي NIH بأن تغطيها الخطة](https://grants.nih.gov/grants/guide/notice-files/NOT-OD-21-014.html?ref=arabroot.io) صالحة لأي ممول تقريباً، لذلك نذكرها هنا: 1. **نوع البيانات Data Type:** ما البيانات التي سوف تنتجها، وما الذي سوف تشاركه منها وما الذي لن تشاركه ولماذا، وما الوصف والتوثيق الذي يرافقها. 2. **الأدوات والبرمجيات والكود Related Tools, Software and/or Code:** هل يحتاج من يعيد استخدام البيانات إلى برنامج خاص، وهل هو مفتوح المصدر أم تجاري. 3. **المعايير Standards:** صيغ الملفات وقواميس البيانات والمعرفات، وإذا لم يكن لتخصصك معيار متفق عليه فاكتب ذلك صراحة. 4. **الحفظ والوصول والجدول الزمني Data Preservation, Access, and Associated Timelines:** اسم المستودع، ومتى تتاح البيانات، وإلى متى تبقى. 5. **اعتبارات الوصول والتوزيع وإعادة الاستخدام Access, Distribution, or Reuse Considerations:** القيود التي تفرضها الموافقة المستنيرة أو الأنظمة أو الاتفاقيات، وكيف تحمي خصوصية المشاركين. 6. **الإشراف Oversight:** من يتابع تنفيذ الخطة وكل كم مرة. واتفاقية منح الاتحاد الأوروبي في [دليلها الرسمي المشروح Annotated Grant Agreement](https://ec.europa.eu/info/funding-tenders/opportunities/docs/2021-2027/common/guidance/aga%5Fen.pdf?ref=arabroot.io) تضيف تفاصيل تستحق أن تعرفها حتى لو لم يكن ممولك أوروبياً: الوصف Metadata يجب أن يكون مفتوحاً بترخيص CC0 حتى لو كانت البيانات مقيدة، ويذكر الممول ورقم المنحة والترخيص ومعرفات البيانات والمؤلفين، والإيداع لا يعني بالضرورة أن البيانات مفتوحة وإنما أن وصفها قابل للإيجاد، والممارسة الموصى بها أن تبقى البيانات متاحة خمس سنوات على الأقل ويفضل عشر سنوات أو أكثر. 💡 إذا كان ممولك جهة سعودية فاقرأ وثائق الدعوة ونموذج التقديم الخاص بالمنحة نفسها، فهي التي تحدد ما يطلب منك في قسم البيانات، وما يلزمك في كل الأحوال هو نظام حماية البيانات الشخصية ولائحته إذا كانت بياناتك عن أشخاص، كما سيأتي. ## الوصف Metadata: ما الذي تكتبه مع بياناتك؟ الوصف هو البيانات التي تصف البيانات، وهو مستويان: وصف للمجموعة كلها Dataset يقرؤه محرك البحث والمستودع، ووصف لكل ملف ومتغير يقرؤه الباحث الذي يريد أن يعيد التحليل. والمستوى الأول له معيار شبه موحد هو [مخطط DataCite Metadata Schema](https://schema.datacite.org/?ref=arabroot.io)، وهو الذي تستخدمه المستودعات عندما تسجل DOI للبيانات، و[عناصره الإلزامية](https://datacite-metadata-schema.readthedocs.io/en/4.7/properties/overview/?ref=arabroot.io) في الإصدار 4.7 ستة فقط: المعرف Identifier، والمؤلف Creator، والعنوان Title، والناشر Publisher، وسنة النشر PublicationYear، ونوع المورد ResourceType. وقد شرحنا كيف يعمل الـ DOI ومن يسجله في مقال [معرف ORCID وDOI](https://arabroot.io/articles/%D9%85%D8%B9%D8%B1%D9%81-orcid-%D9%88-doi-%D9%83%D9%8A%D9%81-%D8%AA%D8%B1%D8%A8%D8%B7-%D8%A7%D8%B3%D9%85%D9%83-%D8%A8%D8%A7%D8%A8%D8%AD%D8%A7%D8%AB%D9%83/)، فلا نكرره هنا. أما المستوى الثاني فهو الذي يهمله أغلب الباحثين، وهو الذي يجعل البيانات قابلة لإعادة الاستخدام فعلاً، وأقله ملفان: - **ملف README:** عنوان المشروع والمؤلفون بمعرفات ORCID، وكيف جمعت البيانات ومتى وأين، وقائمة الملفات وما في كل ملف، والمعالجة التي مرت بها البيانات، والترخيص، وكيف يستشهد بها. - **قاموس المتغيرات Codebook أو Data Dictionary:** لكل عمود اسمه ومعناه ونوعه ووحدته والقيم المسموحة، وماذا تعني القيمة الفارغة، فالرقم 99 في عمود العمر قد يكون عمراً وقد يكون رمزاً لـ «لم يجب». وبالنسبة للبيانات العربية لاحظ التالي: - احفظ الملفات النصية بترميز UTF-8، ولا تعتمد على ملفات Excel وحدها، والسبب أن CSV بترميز UTF-8 تقرؤه كل الأدوات، بينما الصيغ المغلقة تحتاج برنامجاً بعينه، وهذا خلاف المبدأ I1. - اكتب العنوان والملخص بالعربية والإنجليزية إذا سمح المستودع بذلك، فمن يبحث عن بياناتك قد يبحث بأي اللغتين، وسوف نرى في مقال المستودعات كيف يتعامل Dataverse مع الوصف العربي. - اكتب أسماء المؤلفين بالصيغة نفسها التي في ORCID، فالاسم العربي يكتب بالإنجليزية بأكثر من طريقة، والمعرف هو الذي يجمعها. ## الترخيص: CC0 أم CC BY؟ البيانات بلا ترخيص لا يعرف من يجدها هل يحق له استخدامها، فيتجنبها الباحث الحريص، ولذلك جعلت FAIR الترخيص مبدأً مستقلاً R1.1\. والخياران الأكثر استخداماً للبيانات من مؤسسة Creative Commons: | الترخيص | ماذا يعني | متى تختاره | | ----------------------------------------------------------------------------- | -------------------------------------------------------------------- | ----------------------------------------------------------------------------------- | | [CC0 1.0](https://creativecommons.org/publicdomain/zero/1.0/?ref=arabroot.io) | تتنازل عن حقوقك قدر ما يسمح القانون، فيستخدم أي أحد البيانات دون شرط | للوصف Metadata دائماً، وللبيانات التي تريد أن تدمجها مستودعات وأدوات آلية دون تعقيد | | [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/?ref=arabroot.io) | يستخدم أي أحد البيانات بشرط نسبتها إليك | عندما تريد أن يكون الاستشهاد بك شرطاً قانونياً، وليس عرفاً علمياً فقط | وقد يتساءل البعض: لماذا لا أختار ترخيصاً يمنع الاستخدام التجاري NonCommercial حتى أحمي بياناتي؟ والإجابة أن هذا القيد يمنع إعادة الاستخدام في حالات كثيرة لم تقصدها، مثل باحث في شركة ناشئة أو مستودع تجاري يجمع البيانات للفهرسة، لذلك فاتفاقية Horizon Europe تطلب CC BY أو CC0 أو ما يعادلهما للبيانات المفتوحة، والاستشهاد العلمي بك يبقى عرفاً ملزماً في المجتمع البحثي حتى مع CC0\. وتذكر أن الترخيص يمنح حقوقاً تملكها أنت، فإذا كانت البيانات مأخوذة من جهة أخرى بشروطها فشروطها هي التي تحكم، ولا تضع عليها ترخيصاً من عندك. ## البيانات الشخصية والحساسة Sensitive Data ونظام PDPL إذا كانت بياناتك عن أشخاص، كاستبانة أو مقابلات أو سجلات طبية، فأنت قبل أي شيء آخر تحتاج موافقة لجنة أخلاقيات البحث، وقد شرحنا ذلك ومتى يجوز استخدام البيانات دون موافقة أصحابها بحسب المادة 27 من النظام في مقال [أخلاقيات البحث على البشر](https://arabroot.io/articles/%D8%A7%D8%AE%D9%84%D8%A7%D9%82%D9%8A%D8%A7%D8%AA-%D8%A7%D9%84%D8%A8%D8%AD%D8%AB-%D8%B9%D9%84%D9%89-%D8%A7%D9%84%D8%A8%D8%B4%D8%B1-%D9%85%D9%86-%D9%84%D8%AC%D9%86%D8%A9-irb-%D8%A7%D9%84%D9%89-%D8%AD%D9%85%D8%A7%D9%8A%D8%A9-%D8%A7%D9%84%D8%A8%D9%8A%D8%A7%D9%86%D8%A7%D8%AA/). أما هنا فنركز على سؤال إدارة البيانات: كيف تحفظ هذه البيانات وتشاركها دون أن تكشف أصحابها؟ ### ما الذي يقوله النظام ولائحته؟ - **البيانات الحساسة Sensitive Data:** عرفها [نظام حماية البيانات الشخصية](https://laws.boe.gov.sa/BoeLaws/Laws/LawDetails/b7cfae89-828e-4994-b167-adaa00e37188/1?ref=arabroot.io) بعد تعديله بالمرسوم م/148 بأنها البيانات المتعلقة بالأصل العرقي أو الإثني أو المعتقد الديني أو الفكري أو السياسي، والبيانات الأمنية والجنائية، وبيانات السمات الحيوية التي تحدد الهوية، والبيانات الوراثية والصحية، والبيانات التي تدل على أن الفرد مجهول الأبوين أو أحدهما. وكثير من بيانات البحث الطبي والاجتماعي يقع في هذه القائمة. - **البحث العلمي دون موافقة صاحب البيانات:** المادة 30 من [اللائحة التنفيذية](https://sdaia.gov.sa/en/SDAIA/about/Documents/ImplementingRegulationPersonalDataProtectionLaw.pdf?ref=arabroot.io) تلزم من يجمع البيانات أو يعالجها لأغراض علمية أو بحثية أو إحصائية دون موافقة صاحبها بأن يحدد الغرض في سجل أنشطة المعالجة، وأن يجمع الحد الأدنى اللازم فقط، وأن يستخدم الترميز Pseudonymisation ما دام لا يعطل الغرض. - **إخفاء الهوية Anonymization:** المادة 9 من اللائحة تشترط أن تصبح إعادة التعرف على الشخص مستحيلة، وأن يقيم أثر ذلك ويراجع فعالية التقنيات، وتنص على أن البيانات بعد إخفاء الهوية لا تعد بيانات شخصية. - **الترميز ليس إخفاء للهوية:** [دليل سدايا لإتلاف البيانات الشخصية وإخفاء هويتها وترميزها](https://sdaia.gov.sa/Documents/PersonalDataDestructionAnonymizationAndEncryptionGuideline.pdf?ref=arabroot.io) الصادر في أغسطس 2024 يوضح أن البيانات المرمزة تبقى بيانات شخصية لأنه يمكن ربطها بأصحابها بالمعلومات الإضافية، وأن هذه المعلومات يجب أن تحفظ منفصلة، ويذكر من التقنيات التعميم Generalization مثل فئات العمر بدلاً من العمر الدقيق، والتجميع Aggregation مثل سنة الميلاد بدلاً من تاريخها، والتشفير Encryption، والإخفاء الجزئي Masking. والفرق بين الترميز وإخفاء الهوية ليس فرقاً لغوياً، فهو الذي يحدد هل تستطيع أن تودع البيانات في مستودع مفتوح أم لا. والصورة التالية تبين المسار الذي سوف نجربه: ![من اليمين إلى اليسار: ملف الاستبانة الخام فيه الاسم ورقم الهوية والعمر والجنس والمدينة، ثم الترميز Pseudonymisation يستبدل الهوية برمز مشارك P-xxxx بمفتاح سري يحفظ في مكان منفصل مع جدول الربط، ثم التعميم Generalization يحول العمر إلى فئات ويحذف المدينة، ثم فحص k-anonymity يتأكد أن كل مجموعة فيها 5 أشخاص على الأقل، ثم ملف المشاركة. وتحت الترميز ملاحظة: ما زالت بيانات شخصية، وتحت الفحص: أقرب إلى إخفاء الهوية بشرط تقييم خطر إعادة التعرف](https://arabroot.io/content/images/2026/10/research-data-management-03-deidentify.webp) الترميز وحده يحمي من النظرة الأولى، والتعميم وفحص حجم المجموعات هو الذي يقلل خطر إعادة التعرف. ### لماذا لا يكفي حذف الاسم لإخفاء الهوية Anonymization؟ الطريقة البسيطة أن تحذف عمود الاسم ورقم الهوية وتنشر الباقي، والمشكلة أن الأعمدة الباقية مجتمعة قد تدل على الشخص، وتسمى أشباه المعرفات Quasi-Identifiers. وفي 2000 نشرت Latanya Sweeney من جامعة Carnegie Mellon دراسة بعنوان [Simple Demographics Often Identify People Uniquely](https://dataprivacylab.org/projects/identifiability/?ref=arabroot.io) وجدت فيها باستخدام بيانات تعداد 1990 الأمريكي أن 87% من سكان الولايات المتحدة، أي 216 مليوناً من 248 مليوناً، يمكن تمييزهم بثلاثة حقول فقط: الرمز البريدي المكون من خمسة أرقام والجنس وتاريخ الميلاد. فالاستبانة التي فيها العمر الدقيق والجنس والمدينة والتخصص قد تكشف المشارك لزميله في القسم دون اسم. والمقياس العملي لهذا الخطر هو k-anonymity: تجمع الصفوف بحسب أشباه المعرفات، فإذا كان أصغر مجموعة فيها شخص واحد فهذا الشخص مكشوف لمن يعرف صفاته، وإذا كانت كل مجموعة فيها خمسة أشخاص على الأقل فالقيمة k تساوي 5\. ولا يوجد رقم واحد يناسب كل البيانات، فلجنة الأخلاقيات أو مسؤول حماية البيانات في جهتك هو من يحدد المقبول بحسب حساسية البيانات. ### تجربة عملية: نرمز الاستبانة Pseudonymisation ونقيس الخطر لنأخذ مثالاً ملف استبانة من 400 مشارك فيه الاسم ورقم الهوية والعمر والجنس والمدينة وإجابتان. والبيانات هنا مولدة عشوائياً ببذرة ثابتة، أي أن الأشخاص غير حقيقيين، والسكربت التالي ينشئها: ```python """Create a synthetic survey file (invented people, fixed seed) for the de-identification example.""" import csv, random random.seed(2026) first = {"M": ["محمد", "أحمد", "عبدالله", "خالد", "فهد", "فيصل"], "F": ["سارة", "نورة", "ريم", "هند", "لمى", "منى"]} last = ["العتيبي", "القحطاني", "الشهري", "الغامدي", "الزهراني", "الدوسري", "الحربي", "المطيري"] cities = ["الرياض", "جدة", "الدمام", "أبها", "تبوك", "حائل"] with open("survey_raw.csv", "w", newline="", encoding="utf-8") as f: w = csv.writer(f) w.writerow(["name", "national_id", "age", "gender", "city", "q1_satisfaction", "q2_hours_online"]) for _ in range(400): g = random.choice(["M", "F"]) w.writerow([f"{random.choice(first[g])} {random.choice(last)}", "1" + "".join(random.choice("0123456789") for _ in range(9)), random.randint(18, 64), g, random.choice(cities), random.randint(1, 5), random.randint(0, 12)]) print("rows: 400") ``` والسكربت الثاني يفعل ثلاثة أشياء: يستبدل رقم الهوية برمز مشارك محسوب بدالة HMAC-SHA256 ومفتاح سري، فالرقم نفسه يعطي الرمز نفسه دائماً ولا يمكن حسابه دون المفتاح، ثم يحول العمر إلى فئات من عشر سنوات، ثم يقيس k-anonymity قبل التعميم وبعده، ويكتب ملفين منفصلين: ملف المشاركة وجدول الربط الذي يبقى عندك: ```python """Pseudonymise and generalise a survey file before sharing, then measure re-identification risk (k-anonymity). Usage: python deidentify.py survey_raw.csv KEYFILE writes survey_shared.csv and linkage_key.csv (keep the key and the linkage file apart from the data). """ import csv, hashlib, hmac, os, sys from collections import Counter src, keyfile = sys.argv[1], sys.argv[2] if not os.path.exists(keyfile): with open(keyfile, "wb") as f: f.write(os.urandom(32)) key = open(keyfile, "rb").read() rows = list(csv.DictReader(open(src, encoding="utf-8"))) def k_report(label, rows, qi): groups = Counter(tuple(r[c] for c in qi) for r in rows) sizes = list(groups.values()) unique = sum(1 for s in sizes if s == 1) print(f"{label:<34} quasi-identifiers={'+'.join(qi):<20} groups={len(groups):>3} smallest k={min(sizes):>2} unique rows={unique:>3}") QI = ["age", "gender", "city"] k_report("raw file", rows, QI) def band(age): lo = (int(age) // 10) * 10 return f"{lo}-{lo + 9}" def code(nid): return "P-" + hmac.new(key, nid.encode(), hashlib.sha256).hexdigest()[:10] shared, linkage = [], [] for r in rows: pid = code(r["national_id"]) linkage.append({"participant": pid, "national_id": r["national_id"], "name": r["name"]}) shared.append({"participant": pid, "age": band(r["age"]), "gender": r["gender"], "city": r["city"], "q1_satisfaction": r["q1_satisfaction"], "q2_hours_online": r["q2_hours_online"]}) k_report("after age bands (10 years)", shared, QI) k_report("after age bands, city removed", shared, ["age", "gender"]) for name, data in (("survey_shared.csv", shared), ("linkage_key.csv", linkage)): with open(name, "w", newline="", encoding="utf-8") as f: w = csv.DictWriter(f, fieldnames=list(data[0])) w.writeheader(); w.writerows(data) print("same national_id gives the same code:", code(rows[0]["national_id"]) == shared[0]["participant"]) print("first shared row:", shared[0]) ``` نشغل السكربتين في Container من Python 3.13 حتى لا نحتاج إلى تثبيت أي شيء، ونضع المفتاح السري في مكان خارج مجلد البيانات: ```bash docker run --rm -v "$PWD":/lab -w /lab python:3.13.17-slim sh -c "python make_sample.py && head -3 survey_raw.csv && python deidentify.py survey_raw.csv /tmp/secret.key && head -3 survey_shared.csv && head -2 linkage_key.csv" ``` والمخرج سوف يكون كما يلي: ```text rows: 400 name,national_id,age,gender,city,q1_satisfaction,q2_hours_online عبدالله القحطاني,1399869879,46,M,جدة,1,9 محمد الزهراني,1170753645,40,M,أبها,5,10 raw file quasi-identifiers=age+gender+city groups=281 smallest k= 1 unique rows=188 after age bands (10 years) quasi-identifiers=age+gender+city groups= 68 smallest k= 1 unique rows= 3 after age bands, city removed quasi-identifiers=age+gender groups= 12 smallest k= 6 unique rows= 0 same national_id gives the same code: True first shared row: {'participant': 'P-bd87d08a3b', 'age': '40-49', 'gender': 'M', 'city': 'جدة', 'q1_satisfaction': '1', 'q2_hours_online': '9'} participant,age,gender,city,q1_satisfaction,q2_hours_online P-bd87d08a3b,40-49,M,جدة,1,9 P-41003b1270,40-49,M,أبها,5,10 participant,national_id,name P-bd87d08a3b,1399869879,عبدالله القحطاني ``` في المخرج أعلاه لاحظ التالي: - الملف الخام بعد حذف الاسم ورقم الهوية فيه 188 مشاركاً من 400 كل واحد منهم وحيد في مجموعته بحسب العمر والجنس والمدينة، أي أن من يعرف أن زميله رجل عمره 46 سنة من جدة يجد إجاباته غالباً، وهذا ما وجدته Sweeney على مستوى أكبر. - تحويل العمر إلى فئات من عشر سنوات خفض الصفوف الوحيدة من 188 إلى 3، لكن القيمة k ما زالت 1، فثلاثة أشخاص ما زالوا مكشوفين. - عندما حذفنا المدينة أصبحت أصغر مجموعة فيها 6 أشخاص، والثمن أنك فقدت متغير المدينة في ملف المشاركة، وهذا هو التوازن الدائم بين الخصوصية وفائدة البيانات، فإذا كانت المدينة مهمة لسؤالك البحثي فالحل أن تبقي البيانات مقيدة الوصول بدلاً من حذفها. - جدول الربط `linkage_key.csv` والمفتاح السري هما ما يجعل البيانات مرمزة وليست مجهولة الهوية، فاحفظهما في مكان منفصل بصلاحيات محدودة، ولا تودعهما أبداً مع البيانات، وإذا انتهت حاجتك إليهما فإتلافهما هو ما يقترب بالبيانات من إخفاء الهوية. ⚠️ لا تستخدم دالة هاش بلا مفتاح مثل SHA-256 على رقم الهوية مباشرة، والسبب أن أرقام الهوية لها صيغة معروفة وعددها محدود، فيستطيع أي أحد أن يحسب الهاش لكل الأرقام الممكنة ويطابقها مع ملفك. المفتاح السري في HMAC هو ما يمنع ذلك. وهذا الفحص لا يغني عن تقييم خطر إعادة التعرف الذي تطلبه المادة 9 من اللائحة، فالنصوص المفتوحة في الاستبانة والتسجيلات الصوتية وتواريخ الأحداث النادرة كلها قد تكشف الشخص، لكنه يعطيك رقماً تبدأ منه بدلاً من الانطباع. ## قالب خطة إدارة البيانات DMP القالب التالي يجمع العناصر الستة لـ NIH مع أسئلة قالب Horizon Europe ومتطلبات النظام السعودي للبيانات الشخصية، وهو مكتوب ليكون في حدود صفحتين، فإذا كان لممولك نموذج فالتزم بنموذجه واستخدم هذا القالب لتتأكد أنك لم تنس شيئاً: ```markdown # خطة إدارة البيانات Data Management Plan المشروع: [العنوان] الباحث الرئيسي: [الاسم، ORCID] الإصدار: [1.0] التاريخ: [yyyy-mm-dd] ## 1. البيانات Data Type - ما البيانات التي سوف ننتجها؟ (استبانة، مقابلات صوتية، قياسات، صور، كود...) - الصيغة والحجم المتوقع: [CSV بترميز UTF-8، نحو 50 ميجابايت] - البيانات المعاد استخدامها من مصادر أخرى وشروط ترخيصها. - ما الذي سوف نشاركه، وما الذي لن نشاركه ولماذا؟ (نظامي، تعاقدي، أخلاقي) ## 2. الأدوات والكود Tools and Code - البرامج اللازمة لقراءة البيانات (مفتوحة المصدر أم تجارية؟) - أين ينشر كود التحليل؟ [مستودع Git + نسخة مؤرشفة بمعرف DOI] ## 3. المعايير والوصف Standards and Metadata - معيار الوصف: [DataCite / DDI / معيار التخصص] - ملف README وقاموس المتغيرات Codebook لكل ملف. - تسمية الملفات: [project_instrument_yyyy-mm-dd_v01.csv] - العنوان والملخص بالعربية والإنجليزية. ## 4. الحفظ أثناء المشروع Storage and Security - أين تحفظ البيانات؟ [سيرفر الجامعة / تخزين مؤسسي] وليس الحاسوب الشخصي وحده. - النسخ الاحتياطي Backup: [يومي، نسختان في مكانين] - الصلاحيات Access Control: من يصل إلى البيانات الخام؟ - البيانات الشخصية: الترميز Pseudonymisation، ومكان حفظ المفتاح وجدول الربط منفصلين. ## 5. الإيداع والوصول والجدول الزمني Preservation, Access, Timelines - المستودع: [اسم المستودع]، ولماذا اخترناه. - المعرف الدائم: DOI لكل مجموعة بيانات. - موعد الإتاحة: [عند نشر البحث أو نهاية المشروع، أيهما أسبق] - مدة الحفظ: [10 سنوات على الأقل] - الترخيص: البيانات [CC BY 4.0 / CC0]، والوصف CC0. ## 6. الأخلاقيات والأنظمة Ethics and Legal - موافقة لجنة أخلاقيات البحث: [رقم الموافقة وتاريخها] - نص الموافقة المستنيرة يذكر المشاركة وإعادة الاستخدام. - البيانات الحساسة بحسب نظام حماية البيانات الشخصية: [نعم/لا، وما هي] - إخفاء الهوية قبل الإيداع: الطريقة، ونتيجة تقييم خطر إعادة التعرف (k). - البيانات التي لا يمكن إخفاء هويتها: وصول مقيد بطلب، ومن يوافق على الطلب. ## 7. المسؤوليات والتكلفة Oversight and Costs - المسؤول عن تنفيذ الخطة ومراجعتها: [الاسم، الدور]، كل [6 أشهر]. - تكلفة إعداد البيانات ووصفها ورسوم المستودع، وهي في الميزانية. ``` ## أخطاء شائعة - **كتابة الخطة للممول ثم نسيانها:** الخطة وثيقة حية، وNIH وHorizon Europe يطلبان تحديثها، والأهم أنها ستوفر عليك أسابيع في آخر المشروع إذا التزمت بتسمية الملفات والوصف من البداية. - **الوعد بمشاركة كل شيء:** لا تقم بكتابة «سوف تتاح كل البيانات للجميع» إذا كانت بياناتك عن أشخاص، والسبب أن الموافقة المستنيرة التي وقعها المشاركون قد لا تسمح بذلك، وما تعد به في الخطة يحاسبك عليه الممول. - **رابط Google Drive بدلاً من مستودع:** الرابط يتعطل عندما يتغير حسابك أو تتقاعد الخدمة، ولا يعطي DOI ولا وصفاً يفهرس. - **إيداع جدول الربط مع البيانات:** وهو أسوأ الأخطاء على الإطلاق، لأنه يعيد الهوية لكل المشاركين بخطوة واحدة. - **صيغ مغلقة بلا بديل:** ملف SPSS أو Excel وحده قد لا يفتح بعد عشر سنوات، فأودع معه نسخة CSV. ## الخلاصة - البيانات التي تبقى عند الباحث وحده تضيع مع الوقت، والأرقام تقول إن احتمال وجودها ينخفض نحو 17% كل سنة. - مبادئ FAIR تعني معرفاً دائماً ووصفاً غنياً وصيغاً مفتوحة وترخيصاً واضحاً، ولا تعني أن تكون البيانات مفتوحة للجميع. - NIH وNSF وHorizon Europe يطلبون خطة لإدارة البيانات مع المقترح أو في الأشهر الأولى، والعناصر الستة لـ NIH صالحة لأي ممول. - CC0 للوصف دائماً، وCC0 أو CC BY للبيانات المفتوحة، وتجنب القيود التي تمنع إعادة الاستخدام. - البيانات المرمزة ما زالت بيانات شخصية بحسب لائحة نظام حماية البيانات الشخصية، وقس خطر إعادة التعرف قبل أن تشارك أي ملف. وفي المقالين التاليين من هذه المرحلة بإذن الله سوف نختار المستودع الذي نودع فيه البيانات ونجربه، ثم نحزم تحليلاً كاملاً بحيث يعيد أي أحد تشغيله ويحصل على الأرقام نفسها: [![](https://arabroot.io/content/images/2026/10/data-repositories-cover-cover.webp)دليلمستودع البيانات Data Repository: Dataverse أم Zenodo؟الفرق بين مستودعات بيانات البحث وبوابات البيانات المفتوحة، مع تجربة كاملة لإيداع بيانات بوصف عربي ونشرها بمعرف DOI في Dataverse.](https://arabroot.io/articles/%D9%85%D8%B3%D8%AA%D9%88%D8%AF%D8%B9-%D8%A8%D9%8A%D8%A7%D9%86%D8%A7%D8%AA-%D8%A7%D9%84%D8%A8%D8%AD%D8%AB-dataverse-%D8%A7%D9%85-zenodo/)[![](https://arabroot.io/content/images/2026/10/reproducible-research-cover-cover.webp)دليلالبحث القابل لإعادة الإنتاج Reproducibility مع Dockerكيف تحزم تحليلك بحيث يعيد أي أحد تشغيله فيحصل على أرقامك نفسها، مع تجربة حقيقية لأسباب اختلاف النتائج بين التشغيلات والأجهزة.](https://arabroot.io/articles/%D8%A7%D9%84%D8%A8%D8%AD%D8%AB-%D8%A7%D9%84%D9%82%D8%A7%D8%A8%D9%84-%D9%84%D8%A7%D8%B9%D8%A7%D8%AF%D8%A9-%D8%A7%D9%84%D8%A7%D9%86%D8%AA%D8%A7%D8%AC-%D9%85%D8%B9-jupyter-%D9%88-git-%D9%88-docker/) ## تدريب عملي 1. اختر مجموعة بيانات من بحث سابق لك، واكتب لها ملف README وقاموس متغيرات، ثم اطلب من زميل لا يعرف المشروع أن يشرح لك معنى ثلاثة أعمدة منها من الوصف وحده. 2. شغل سكربت `deidentify.py` على نسخة من بيانات استبانة حقيقية لديك بعد تعديل أسماء الأعمدة، وانظر كم صفاً وحيداً فيها قبل التعميم وبعده. ## سجل التحديثات - أكتوبر 2026: كتابة المقال، ومراجعة متطلبات NIH وNSF وHorizon Europe ولائحة نظام حماية البيانات الشخصية من صفحاتها الرسمية، واختبار سكربت إخفاء الهوية على Python 3.13.17.