Table of Contents

La gestión de repositorios de datos psicológicos a gran escala representa uno de los retos más críticos que enfrentan las instituciones modernas de investigación, las organizaciones sanitarias y los centros académicos. A medida que el volumen de datos de investigación psicológica sigue creciendo exponencialmente, la necesidad de estrategias de gestión de datos sofisticadas, seguras y eficientes nunca ha sido más urgente. Esta guía integral explora las mejores prácticas esenciales, los requisitos reglamentarios, las soluciones tecnológicas y los marcos organizativos necesarios para gestionar con éxito los conjuntos de datos psicológicos, manteniendo al mismo tiempo los más altos estándares de la integridad de seguridad, manteniendo al tiempo.

Comprender el alcance y la complejidad de los depósitos de datos psicológicos

Los repositorios de datos psicológicos abarcan una amplia gama de tipos de información, desde evaluaciones clínicas y datos neuroimagenados hasta observaciones conductuales, respuestas de encuestas y registros de estudios longitudinales. La complejidad de gestionar y compartir datos en psicología se demuestra por las formas multifacéticas de datos recopilados por los participantes humanos, analizados utilizando una gama de herramientas de software, y archivados en formatos que pueden volverse obsoletos.

La investigación psicológica moderna genera datos a escalas sin precedentes, con estudios individuales que pueden producir terabytes de información. Estos datos vienen en múltiples formatos, incluyendo bases de datos estructuradas, grabaciones de vídeo, archivos de audio, escáneres neuroimaging, información genética y texto no estructurado de notas clínicas o transcripciones de entrevistas. Cada tipo de datos presenta desafíos únicos para el almacenamiento, organización, recuperación y preservación a largo plazo.

La naturaleza sensible de los datos psicológicos añade otra capa de complejidad. A diferencia de muchas otras disciplinas científicas, la investigación psicológica frecuentemente implica información profundamente personal sobre la salud mental de los participantes, el funcionamiento cognitivo, los patrones conductuales y los estados emocionales. Esta sensibilidad requiere medidas de seguridad rigurosas y consideraciones éticas que van más allá de las prácticas estándar de gestión de datos.

Establecimiento de marcos generales de gobernanza de los datos

Un marco sólido de gestión de datos sirve de base para todas las actividades de gestión de datos en los repositorios de investigación psicológica, que debe definir claramente las funciones, responsabilidades, políticas y procedimientos que guían cómo se recopilan, almacenan, acceden, comparten y, en última instancia, se retiran o archivan.

Definición de la propiedad de datos y la gestión

Es esencial una clara delimitación de la propiedad de los datos para prevenir conflictos y garantizar la rendición de cuentas. Las políticas de gobernanza de los datos deben especificar quién posee los datos en diversas etapas del ciclo de vida de investigación, desde la recopilación inicial a través de la publicación y el archivo a largo plazo. Por lo general, las instituciones mantienen la máxima implicación de los datos de investigación, mientras que los investigadores principales sirven de administradores de datos responsables de decisiones de gestión cotidiana.

Se deben documentar oficialmente las funciones de gestión de datos, con personas específicas atribuidas a la responsabilidad de la calidad de los datos, la seguridad, el control de acceso y la vigilancia del cumplimiento, que son el punto de contacto principal para las cuestiones relacionadas con los datos y sirven de enlace entre investigadores, departamentos de TI, juntas de examen institucional y partes interesadas externas.

Implementación de Jerarquías de Control de Acceso

Las políticas de control de acceso deben equilibrar la necesidad de seguridad de datos con el imperativo de facilitar actividades legítimas de investigación. Un sistema de acceso atado funciona mejor, con diferentes niveles de permiso basados en funciones de usuario, sensibilidad de datos y uso previsto.

  • Acceso completo:] Reservado para los principales investigadores y administradores de datos designados que requieren un control completo sobre los conjuntos de datos
  • Acceso analítico:] Se concede a los miembros del equipo de investigación que necesitan analizar datos pero no modificar los registros originales
  • Acceso: Proveido a colaboradores o estudiantes que requieren acceso a subconjuntos específicos de datos
  • Acceso único a los metadatos: Disponible para los investigadores que buscan descubrir qué datos existen sin acceder a los registros reales
  • Acceso público: Para conjuntos de datos desidentificados aprobados para el intercambio abierto

Cada nivel de acceso debe ir acompañado de acuerdos de uso claros que especifiquen las actividades permitidas, los usos prohibidos y las consecuencias de las violaciones de las políticas. Las auditorías periódicas de los registros de acceso ayudan a garantizar el cumplimiento e identificar posibles cuestiones de seguridad.

Elaboración de acuerdos y políticas sobre el uso de datos

Los acuerdos de uso integral de datos (DUAs) son esenciales para la gestión de la utilización de datos, tanto dentro de la institución originaria como cuando se comparten con investigadores externos. Estos acuerdos deben abordar los requisitos de seguridad de datos, análisis permitidos, derechos de publicación, expectativas de reconocimiento y restricciones de la redistribución de datos.

Las políticas también deben incluir los calendarios de retención de datos, especificando cuánto tiempo deben mantenerse diferentes tipos de datos para cumplir con los requisitos reglamentarios, las políticas institucionales y los mandatos de los organismos de financiación. Muchos organismos federales de financiación ahora requieren que se mantengan datos por un mínimo de siete a diez años después de la terminación o publicación del estudio.

Los repositorios de datos psicológicos deben navegar por un complejo paisaje de requisitos regulatorios y obligaciones éticas diseñadas para proteger a los participantes en la investigación y garantizar el manejo responsable de los datos.

HIPAA protege la información de salud protegida (PHI) en los Estados Unidos, y muchos repositorios de investigación psicológica contienen datos que se encuentran bajo la jurisdicción de HIPAA. HIPAA se aplica a " entidades cubiertas" y sus socios comerciales en los Estados Unidos que manejan información de salud protegida (PHI). Esto incluye proveedores de atención médica que realizan investigación psicológica, planes de salud y centros de salud.

El cumplimiento de la Ley de protección de la salud y la seguridad requiere la aplicación de salvaguardias administrativas, físicas y técnicas para proteger la enfermedad. Las salvaguardias administrativas incluyen la elaboración de políticas de seguridad, la capacitación de la fuerza de trabajo y el establecimiento de procedimientos para responder a incidentes de seguridad. Las salvaguardias físicas incluyen el control del acceso físico a instalaciones y estaciones de trabajo en las que se almacena o accede a la Iniciativa.

HIPAA requiere que las entidades cubiertas notifiquen a las personas afectadas y al Departamento de Salud y Servicios Humanos de los Estados Unidos dentro de los 60 días siguientes a descubrir una violación de información sobre salud protegida, mientras que el GDPR exige que los controladores de datos informen de violaciones de datos personales a la autoridad de supervisión pertinente dentro de las 72 horas.

Requisitos del RGPD para la investigación internacional

Para la investigación psicológica que involucra a participantes de la Unión Europea o del Espacio Económico Europeo, el Reglamento General de Protección de Datos se convirtió en ley el 25 de mayo de 2018, y se aplica a todas las organizaciones que se ocupan de la información personal identificable (PII) de personas en el Reino Unido o la UE, independientemente de si operan físicamente dentro de esas jurisdicciones.

El GDPR impone requisitos estrictos en el procesamiento de datos, incluyendo la obtención de consentimiento explícito, la implementación de principios de minimización de datos, la garantía de portabilidad de datos y el honor de los derechos de las personas para acceder, corregir o eliminar su información personal.

Una organización que maneja información sanitaria protegida bajo HIPAA y también procesa datos personales de individuos de la UE puede necesitar cumplir ambas regulaciones, con superposición que ocurre a menudo para proveedores de atención médica, aseguradoras o empresas tecnológicas que atienden a residentes de la UE, exigiendo a las organizaciones que mapee donde los requisitos se intersectan y apliquen la norma más estricta para reducir el riesgo de cumplimiento.

Supervisión de la Junta de Examen Institucional

Más allá del cumplimiento reglamentario, los repositorios de datos psicológicos deben cumplir las normas éticas establecidas por las Juntas de Revisión Institucional (IRB) o los Comités de Ética, que examinan los protocolos de investigación para garantizar la protección de los participantes, los procedimientos de consentimiento informado y las prácticas apropiadas de manejo de datos.

La aprobación de la Junta de Investigación de Datos se requiere normalmente antes de que comience la reunión de datos, y cualquier cambio en los procedimientos de gestión de datos puede requerir un examen adicional. Los administradores de depósitos deben mantener relaciones estrechas con sus órganos de información de carácter permanente para garantizar el cumplimiento continuo y buscar orientación cuando se planteen preguntas sobre el intercambio de datos, el uso secundario o la retención a largo plazo.

Aplicación de medidas de seguridad de datos robadas

La seguridad es fundamental cuando se gestionan datos psicológicos sensibles. Un enfoque de seguridad multicapa proporciona la mejor protección contra las infracciones de datos, el acceso no autorizado y otras amenazas de seguridad.

Estrategias de cifrado

La cifración es un requisito fundamental tanto en el GDPR como en HIPAA para proteger datos sensibles, con estas regulaciones que determinan la cifrado de PHI y datos personales tanto en reposo como en tránsito, lo que implica la obtención de datos almacenados utilizando algoritmos de cifrado que hacen que los datos no estén disponibles sin claves de descifrado adecuadas.

Los datos en reposo deben ser cifrados usando algoritmos estándar de la industria como AES-256. Esto se aplica a los datos almacenados en servidores, medios de copia de seguridad, dispositivos portátiles y plataformas de almacenamiento en la nube. Las claves de cifrado deben ser gestionadas de forma segura, con acceso limitado al personal autorizado y los horarios de rotación de claves regulares implementados.

Los datos en tránsito requieren cifrado mediante protocolos seguros como TLS/SSL para el acceso basado en la web, SFTP para transferencias de archivos y conexiones VPN para el acceso remoto a sistemas de repositorios. Todos los canales de transmisión de datos deben ser cifrados por defecto, con conexiones no cifradas prohibidas por política.

Autenticación y Control de Acceso

Es esencial contar con mecanismos de autenticación sólidos para verificar las identidades de los usuarios antes de conceder acceso a los repositorios de datos psicológicos. Se debe exigir la autenticación multifactorial (MFA) para todos los usuarios, combinando algo que conocen (palabra), algo que tienen (titulado de seguridad o dispositivo móvil), y potencialmente algo que son (verificación biométrica).

Las políticas de contraseña deben hacer cumplir los requisitos de complejidad, cambiar contraseñas regulares y prohibir la reutilización de contraseñas. Considere la posibilidad de implementar soluciones de inicio único (SSO) que se integren con sistemas de autenticación institucional, reduciendo la fatiga de contraseñas manteniendo la seguridad.

Los sistemas de control de acceso basado en roles garantizan que los usuarios sólo pueden acceder a los datos y funciones apropiados a sus funciones. Los permisos de acceso deben seguir el principio de mínimo privilegio, otorgando a los usuarios el acceso mínimo necesario para desempeñar sus funciones legítimas. Los exámenes periódicos de los permisos de los usuarios ayudan a identificar y eliminar los derechos de acceso innecesarios.

Seguridad de la red y detección de intrusiones

Los sistemas de depósito deben estar protegidos por cortafuegos, sistemas de detección de intrusiones (IDS) y sistemas de prevención de intrusiones (IPS) que monitorean el tráfico de redes para actividades sospechosas. La segmentación de redes puede aislar los repositorios de datos sensibles de otros sistemas institucionales, limitando el posible impacto de las infracciones de seguridad en otras partes de la organización.

El análisis de vulnerabilidad y las pruebas de penetración ayudan a identificar las debilidades de seguridad antes de que puedan ser explotadas por actores maliciosos. Los parches de seguridad y las actualizaciones deben aplicarse rápidamente, con vulnerabilidades críticas abordadas en situaciones de emergencia.

Auditorías de la logística y la supervisión

Tanto el GDPR como el HIPAA establecen controles estrictos de acceso para proteger datos confidenciales, y establecen que las organizaciones aplican medidas para garantizar que sólo el personal autorizado pueda acceder a datos personales o al PHI, normalmente implicando procesos sólidos de autenticación de usuarios, controles de acceso basados en funciones y auditorías rutinarias para supervisar y registrar patrones de acceso.

Los registros de auditoría integrales deben registrar todo el acceso a datos psicológicos, incluyendo la identidad de usuario, el horario, los datos accedidos y las acciones realizadas. Estos registros deben estar protegidos de la manipulación y retenimiento durante los períodos especificados por requisitos regulatorios y políticas institucionales.

Los sistemas de monitoreo automatizados pueden analizar registros de auditoría en tiempo real para detectar patrones de acceso anómalos, como tiempos de acceso inusuales, descargas de datos a granel o acceso a datos fuera del alcance normal del trabajo de un usuario. Sistemas de información de seguridad y gestión de eventos (SIEM) agregan registros de múltiples fuentes y aplican análisis sofisticados para identificar posibles incidentes de seguridad.

Selección e implementación de soluciones de almacenamiento eficientes

La elección de la infraestructura de almacenamiento impacta significativamente el rendimiento, escalabilidad, coste y seguridad del repositorio. Los repositorios modernos de datos psicológicos emplean normalmente enfoques híbridos que combinan múltiples tecnologías de almacenamiento.

Plataformas de almacenamiento basadas en la nube

El almacenamiento en la nube ofrece numerosas ventajas para los repositorios de datos psicológicos, incluyendo la escalabilidad, la redundancia geográfica y la reducción de la carga de gestión de infraestructura. Los principales proveedores de la nube ofrecen servicios de almacenamiento compatibles con HIPAA y RGPD con encriptación integrada, controles de acceso y registro de auditoría.

Al seleccionar el almacenamiento en la nube, considere factores como los requisitos de soberanía de datos, que pueden restringir donde los datos pueden ser almacenados físicamente, especialmente para la investigación internacional sujeta al RGPD. Los acuerdos asociados comerciales (ABA) se requieren al utilizar servicios en la nube para almacenar datos protegidos por HIPAA, asegurando que el proveedor de la nube acepte la responsabilidad de mantener las salvaguardias apropiadas.

Los niveles de almacenamiento en la nube permiten optimizar los costos almacenando datos a menudo accesibles en almacenamiento de alto rendimiento mientras archiva datos antiguos o menos accesibles sobre los niveles de almacenamiento de menor costo. Las políticas de ciclo de vida automatizadas pueden mover datos entre los niveles basados en patrones de acceso y requisitos de retención.

Infraestructura de almacenamiento en los locales

Algunas instituciones prefieren el almacenamiento en locales para el máximo control de la seguridad de los datos y para abordar las preocupaciones sobre la soberanía de los datos en la nube. Las soluciones en los locales requieren una inversión importante de capital en hardware, instalaciones y personal de TI, pero proporcionan un control completo sobre el entorno de almacenamiento.

Los sistemas de almacenamiento modernos en locales emplean tecnologías como redes de área de almacenamiento (SAN), almacenamiento adjunto a la red (NAS) y plataformas de almacenamiento de objetos. Estos sistemas deben incluir la redundancia a través de configuraciones RAID, capacidades de failover automatizadas y respaldo regular a sistemas o ubicaciones separados.

Enfoques de almacenamiento híbrido

Muchas organizaciones adoptan estrategias de almacenamiento híbrido que combinan el almacenamiento en las instalaciones y en la nube. Los datos de investigación activos pueden almacenarse en las instalaciones para el rendimiento y el control, mientras que los estudios completados se archivan para el almacenamiento en la nube para la preservación a largo plazo. Este enfoque equilibra los beneficios de ambos modelos de almacenamiento al gestionar los costos y los requisitos de cumplimiento.

Los enfoques híbridos requieren una planificación cuidadosa para asegurar el movimiento de datos sin fisuras entre los niveles de almacenamiento, políticas de seguridad coherentes en todos los entornos, y controles de acceso unificados que funcionan independientemente de dónde se almacenan los datos físicamente.

Organización de datos con formatos estandarizados y metadatos

La organización eficaz de datos es crucial para facilitar el descubrimiento, facilitar la reutilización y garantizar la accesibilidad a largo plazo de los datos de investigación psicológica.

Adopting FAIR Data Principles

Las mejores prácticas para compartir datos incluyen los principios de datos de FAIR (Inscluible, Accesible, Interoperable, Reutilizable). Estos principios proporcionan un marco para organizar e intercambiar datos de investigación de maneras que maximicen su valor a la comunidad científica.

]Buscable: Los datos deben ser fáciles de descubrir a través de metadatos integrales, identificadores persistentes únicos (como DOIs), y registro en repositorios de búsqueda. Los metadatos deben describir el contenido, contexto, calidad y condiciones de acceso de los datos.

Adecuado:] Una vez descubierto, los datos deben ser retrávidos a través de protocolos estandarizados, lo que no significa necesariamente el acceso abierto, algunos datos pueden tener restricciones legítimas de acceso, pero el proceso para obtener acceso debe ser claro y bien documentado.

Interoperable: Los datos deben utilizar formatos y vocabularios estandarizados que permitan la integración con otros conjuntos de datos y la compatibilidad con herramientas de análisis comunes, lo que facilita la comparación de metaanálisis y entre estudios.

]Reutilizable: Los datos deben estar suficientemente bien documentados y autorizados para permitir la reutilización por otros investigadores, lo que incluye información de procedencia clara, descripciones detalladas de la metodología y licencias de uso apropiadas.

Aplicación de las normas de metadatos

Los metadatos integrales son esenciales para hacer que los datos psicológicos sean descubribles y comprensibles. Los metadatos deben describir tanto el conjunto de datos como variables individuales o elementos de datos dentro del conjunto de datos.

Los metadatos de nivel de conjunto de datos deben incluir información como título de estudio, investigador principal, fuentes de financiación, fechas de reunión de datos, demografía de los participantes, métodos de muestreo y detalles de aprobación ética. Los metadatos de nivel variable deben describir cada construcción medida, incluidos nombres variables, definiciones, instrumentos de medición, unidades, esquemas de codificación y convenciones de datos que no se hayan presentado.

Los esquemas de metadatos estandarizados facilitan el descubrimiento de datos e interoperabilidad. Considera la adopción de normas específicas para la disciplina, como las desarrolladas por la Iniciativa de Documentación de Datos (DDI) para ciencias sociales y conductuales, o estándares específicos para los tipos de datos especializados como neuroimaging (BIDS - Estructura de datos de imágenes cerebrales) o datos genéticos.

Convenciones de la Organización y del Nombre

Las convenciones de nombres de archivos y las estructuras de directorios permiten que los datos sean más fáciles de navegar y reducir el riesgo de errores. Los nombres de archivos deben ser descriptivos, incluir fechas o números de versión pertinentes, y evitar caracteres especiales que pueden causar problemas en diferentes sistemas operativos.

Las estructuras de directorio deben ser lógicas y jerárquicas, normalmente organizadas por estudio, participante, sesión y tipo de datos. Los archivos de documentación, incluyendo archivos README, códigos y diccionarios de datos, deben ser colocados a niveles apropiados en la jerarquía de directorios para proporcionar contexto para los datos que describen.

Control de versiones y Provenencia de datos

Mantener el control de versiones para conjuntos de datos asegura que los cambios se rastrean y que las versiones anteriores se pueden recuperar si son necesarias. Los sistemas de control de versiones deben documentar lo que cambió, cuando, por qué, y por quién. Esto es particularmente importante para los conjuntos de datos que se someten a limpieza, transformación o análisis.

El seguimiento de la procedencia de datos documenta la historia completa de un conjunto de datos de la colección inicial a través de todos los pasos de procesamiento. Esto incluye información sobre fuentes de datos, scripts de procesamiento, versiones de software y parámetros de análisis.

Garantía de calidad y coherencia de los datos

Los datos de alta calidad son esenciales para producir resultados de investigación fiables. La gestión de la calidad de los datos debe integrarse durante todo el ciclo de vida de investigación, desde la colección inicial hasta el archivo a largo plazo.

Implementación de procedimientos de validación de datos

La validación de datos debe comenzar en el punto de recogida, con sistemas electrónicos de captura de datos que implementan reglas de validación en tiempo real que verifican valores fuera de rango, inconsistencias lógicas y campos requeridos desaparecidos. Estos controles automatizados impiden que muchos problemas de calidad de datos entren en el repositorio en primer lugar.

La validación posterior a la recolección debe incluir controles sistemáticos para la integridad de datos, precisión, coherencia y plausibilidad. Los métodos estadísticos pueden identificar valores fuera de la página y anómalos que pueden indicar errores de entrada de datos o problemas de medición. Los resultados de validación deben ser documentados, y cualquier corrección o exclusión debe ser claramente registrada con justificaciones.

Limpieza y Normalización de Datos

Los procesos de limpieza de datos abordan cuestiones como los registros duplicados, la codificación inconsistente, las variaciones de formato y los datos faltantes. Los procedimientos de limpieza deben documentarse detalladamente, con datos originales crudos preservados junto con versiones limpias. Los scripts utilizados para la limpieza de datos deben ser guardados y controlados por versiones, permitiendo la reproducibilidad y la transparencia.

La normalización asegura la coherencia entre los conjuntos de datos, especialmente importante al combinar datos de múltiples estudios o fuentes, lo que incluye la normalización de nombres variables, esquemas de codificación, unidades de medición y formatos de fecha. Los vocabularios y ontologías controlados pueden ayudar a mantener la coherencia en la forma en que los conceptos están representados en diferentes conjuntos de datos.

Garantía de calidad y control de calidad

La garantía de calidad (QA) abarca los procesos y procedimientos sistemáticos diseñados para prevenir problemas de calidad, mientras que el control de calidad (QC) implica detectar y corregir cuestiones de calidad que se producen. Ambos son esenciales para mantener repositorios de datos psicológicos de alta calidad.

Las actividades de QA incluyen la elaboración de procedimientos operativos estándar, la capacitación de recopiladores de datos, la calibración de instrumentos de medición y la aplicación de protocolos de recopilación de datos que minimizan los errores. Las actividades de QC incluyen validación de datos, auditoría y exámenes periódicos de métricas de calidad de datos.

Las auditorías periódicas de calidad deben evaluar el cumplimiento de los procedimientos de gestión de datos, determinar cuestiones de calidad sistemáticas y evaluar la eficacia de los procesos de gestión de la calidad.

Facilitación de la accesibilidad de los datos y la participación responsable

Haciendo que los datos psicológicos sean accesibles a investigadores cualificados maximice su valor científico respetando la privacidad de los participantes y las obligaciones éticas.

Seleccionar los Repositorios de Datos apropiados

Los científicos psicológicos deben utilizar un repositorio de datos aprobado para almacenar sus datos —uno que garantice la longevidad y el archivo de calidad. Varios repositorios especializados sirven a la comunidad de investigación psicológica, cada uno con diferentes características, políticas y audiencias dirigidas.

Un número sustancial de participantes (42.31%) informaron de que habían depositado código o sintaxis relacionados con la recopilación de datos en el marco de ciencia abierta para compartirlo con otros. El marco de ciencia abierta (OSF) proporciona una plataforma de código abierto y libre para gestionar proyectos de investigación y compartir datos, con características para la colaboración, el control de versiones e integración con otras herramientas de investigación.

ICPSR (Consorcio Interunidense para la Investigación Política y Social) mantiene un archivo de datos de más de 500.000 archivos de investigación en las ciencias sociales. ICPSR ofrece amplios servicios de curación, preservación a largo plazo y una infraestructura de repositorio confiable que ha servido a la comunidad de ciencias sociales durante décadas.

Los repositorios específicos de dominio como Databrary, una biblioteca de datos para que los investigadores compartan datos de investigación y herramientas analíticas con otros investigadores, es un repositorio basado en la web para compartir y preservar los datos de vídeo y los metadatos asociados en el área de ciencias del desarrollo. Estos repositorios especializados entienden los requisitos únicos de áreas de investigación específicas y proporcionan servicios adaptados.

Técnicas de deidentificación y Anonimato

La protección de la privacidad de los participantes es fundamental cuando se comparten datos psicológicos. La deidentificación elimina o obsesiona la información personal identificable, mientras que la anonimato va más allá para hacer prácticamente imposible la reidentificación.

Los identificadores directos como nombres, direcciones, números telefónicos y números de seguridad social deben ser eliminados de conjuntos de datos compartidos. Los identificadores indirectos como fechas de nacimiento, localización geográfica y características raras pueden necesitar ser generalizados o eliminados para evitar la reidentificación mediante la combinación con otras fuentes de datos.

Técnicas avanzadas como la perturbación de datos, la agregación y la generación de datos sintéticos pueden proporcionar protección adicional de privacidad al tiempo que preservan la utilidad de los datos para fines de investigación. Sin embargo, la anonimato total es a menudo imposible para los conjuntos de datos psicológicos ricos, que requieren mecanismos de acceso controlado en lugar de compartirlos abiertos.

Implementación de modelos de accesos fijos

Los modelos de acceso fijo equilibran el intercambio de datos con protección de la privacidad proporcionando diferentes niveles de acceso basados en la sensibilidad de datos y las calificaciones de los usuarios. Los niveles de acceso abierto proporcionan acceso sin restricciones a datos totalmente desidentificados con un riesgo mínimo de reidentificación. El acceso registrado requiere que los usuarios creen cuentas y acepten términos de uso antes de acceder a los datos. El acceso controlado implica procesos formales de aplicación, acuerdos de uso de datos y la aprobación de la junta de revisión potencialmente institucional antes de acceso.

Algunos repositorios implementan modelos de acceso remoto donde los investigadores pueden analizar datos sin descargarlo, proporcionando una capa adicional de seguridad para conjuntos de datos altamente sensibles. Estos sistemas permiten análisis aprobados al tiempo que evitan la extracción de datos o usos no autorizados.

Elaboración de acuerdos de uso de datos claros

Los acuerdos de uso de datos establecen las condiciones y condiciones en que se pueden acceder y utilizar datos, y deben especificar los usos permitidos, las actividades prohibidas, los requisitos de seguridad, las expectativas de publicación y las consecuencias de las violaciones.

Los DUA deben abordar los requisitos de citación de datos, asegurando que los creadores de datos reciban crédito apropiado para su trabajo. Compartir datos detallados de investigación se asocia con una tasa de citas mayor. La cita adecuada también permite el seguimiento de la reutilización de datos y la medición del impacto de los esfuerzos de intercambio de datos.

Los acuerdos deben aclarar los derechos de propiedad intelectual, especificando si los usuarios pueden crear obras derivadas, si los datos pueden redistribuirse y cómo se maneja el uso comercial. Los términos claros impiden los malentendidos y las controversias protegiendo los intereses de los proveedores de datos y los usuarios.

Prestación de capacitación y apoyo integrales

Incluso la mejor infraestructura de gestión de datos es ineficaz sin personal con conocimientos que comprenda cómo utilizarla adecuadamente. Los programas de capacitación integral son esenciales para mantener altos estándares en la gestión de datos.

Desarrollar programas de capacitación de papel y ciencia

La capacitación debe adaptarse a las diferentes funciones de la organización de investigación. Los investigadores principales deben comprender las políticas de gobernanza, los requisitos reglamentarios y sus responsabilidades como administradores de datos. El personal de investigación requiere una capacitación detallada sobre los procedimientos de reunión de datos, el control de calidad y los protocolos de seguridad. El personal de la tecnología de la información necesita capacitación técnica sobre sistemas de depósito, instrumentos de seguridad y procedimientos de copia de seguridad.

La capacitación debe abarcar tanto las aptitudes técnicas como la comprensión conceptual. El personal debe entender no sólo cómo seguir los procedimientos, sino por qué esos procedimientos son importantes para proteger a los participantes, garantizar la calidad de los datos y mantener el cumplimiento de la normativa.

Aplicación de la educación permanente

Las mejores prácticas, tecnologías y reglamentos de gestión de datos evolucionan continuamente, lo que requiere una educación permanente en lugar de una formación única. La formación periódica de refrescos ayuda a reforzar conceptos clave y actualizar al personal sobre nuevos procedimientos o requisitos.

Considere la posibilidad de aplicar un sistema de gestión del aprendizaje que siga la terminación de la capacitación, proporcione módulos de aprendizaje en línea y envíe recordatorios para las renovaciones de capacitación necesarias, lo que garantiza que todo el personal mantenga los conocimientos actuales y proporcione documentación de capacitación para fines de cumplimiento.

Creación de documentación y recursos

La documentación completa apoya las actividades de capacitación y proporciona materiales de referencia en curso para el personal, lo que debe incluir procedimientos operativos estándar (SOP) para todas las actividades de gestión de datos, guías de referencia rápidas para tareas comunes, recursos de solución de problemas y información de contacto para apoyo.

La documentación debe ser fácilmente accesible, verificable y actualizada periódicamente para reflejar los procedimientos actuales. Considere la posibilidad de crear una base de conocimientos centralizada o wiki donde el personal pueda encontrar respuestas a preguntas comunes y compartir las mejores prácticas.

Establecimiento de estructuras de apoyo

Los servicios de apoyo dedicados o los servicios de asistencia telefónica prestan asistencia cuando surgen preguntas o problemas. Los servicios de apoyo deben ser fácilmente accesibles a través de múltiples canales, como los sistemas de correo electrónico, teléfono o de tickets en línea.

Considerar la posibilidad de establecer una comunidad de prácticas en la que los administradores de datos de diferentes grupos de investigación puedan compartir experiencias, debatir retos y desarrollar soluciones de forma colaborativa, fomentando el intercambio de conocimientos y ayudando a desarrollar conocimientos especializados institucionales en gestión de datos.

Implementación de planes de recuperación de desastres y de recuperación de desastres

La pérdida de datos puede resultar de fallas de hardware, errores de software, errores humanos, desastres naturales o ataques maliciosos. Los planes completos de recuperación de respaldo y desastres son esenciales para proteger datos de investigación valiosos.

Developing Backup Strategies

Las estrategias de respaldo eficaces siguen la regla 3-2-1: mantener al menos tres copias de datos, en dos tipos diferentes de medios, con una copia almacenada fuera del sitio. Este enfoque protege contra diversos escenarios de fallas, incluyendo fallas de hardware, desastres del sitio y ataques de ransomware.

La frecuencia de respaldo debe basarse en el valor de los datos y la tasa de cambio. Los datos de investigación activos pueden requerir copias de seguridad diarias o incluso continuas, mientras que los datos archivados pueden ser respaldados con menos frecuencia.

La verificación de respaldo es crucial: los respaldos son sólo valiosos si pueden ser restaurados con éxito. Se deben realizar restauraciones periódicas de prueba para verificar la integridad de la copia de seguridad y garantizar que los procedimientos de recuperación funcionen según lo previsto.

Creación de planes de recuperación de desastres

Los planes de recuperación en casos de desastre documentan los procedimientos para restablecer las operaciones tras una gran perturbación, que deben identificar sistemas y datos críticos, especificar los objetivos del tiempo de recuperación (cuán rápido deben restablecerse los sistemas), y los objetivos de los puntos de recuperación (cuánta pérdida de datos es aceptable).

Los planes deben abordar diversos escenarios de desastres, incluidos los desastres naturales, ataques cibernéticos, fallos de equipo y errores humanos. Cada escenario debe haber documentado procedimientos de respuesta, responsabilidades asignadas y protocolos de comunicación.

Los planes de recuperación en casos de desastre deben ser probados regularmente mediante ejercicios de mesa o simulacros de recuperación reales. Los exámenes identifican las lagunas en los procedimientos, revelan los recursos desaparecidos y aseguran que el personal conozca sus funciones durante una emergencia.

Aplicación de medidas de continuidad de las empresas

La planificación de la continuidad de las operaciones se extiende más allá de la recuperación de datos para garantizar que las operaciones de investigación puedan continuar durante las perturbaciones, lo que incluye la identificación de lugares de trabajo alternativos, el establecimiento de capacidades de acceso remoto y el mantenimiento de sistemas redundantes para funciones críticas.

Los sistemas basados en la nube suelen proporcionar redundancia y distribución geográfica integradas que aumenta la continuidad de las operaciones. Sin embargo, las organizaciones deben entender las capacidades de recuperación en casos de desastre de su proveedor de la nube y asegurarse de que cumplen con los requisitos institucionales.

Tecnología de la generación de recursos para una gestión mejorada de datos

Las tecnologías modernas ofrecen capacidades poderosas para gestionar los repositorios de datos psicológicos a gran escala de manera más eficiente y eficaz.

Plataformas y sistemas de gestión de datos

Las plataformas integradas de gestión de datos proporcionan herramientas centralizadas para el almacenamiento, organización, control de acceso y distribución de datos. Estas plataformas incluyen características tales como la gestión de metadatos, el control de versiones, la automatización de flujos de trabajo y la integración con herramientas de análisis.

Los sistemas de gestión de datos de investigación deben apoyar el ciclo completo de vida de datos de la colección a través del archivo. Busque plataformas que se integren con herramientas comunes de recopilación de datos, proporcione esquemas de metadatos flexibles, apoye múltiples formatos de datos y ofrezcan características de seguridad sólidas.

Herramientas de automatización y flujo de trabajo

La automatización reduce el esfuerzo manual, minimiza los errores y garantiza la coherencia en los procesos de gestión de datos. Los flujos de trabajo automatizados pueden manejar tareas como validación de datos, conversión de formato, extracción de metadatos, programación de copias de seguridad y procesamiento de solicitudes de acceso.

Las herramientas de gestión de flujos de trabajo ayudan a orquestar los conductos complejos de procesamiento de datos, rastrear los datos mediante múltiples pasos de procesamiento y asegurar que se completen todos los procedimientos necesarios. Estos instrumentos proporcionan pistas de auditoría que muestran exactamente cómo se procesan los datos, apoyando la reproducibilidad y asegurando la calidad.

Inteligencia Artificial y aprendizaje automático

Las tecnologías de aprendizaje automático y de inteligencia artificial ofrecen nuevas capacidades para gestionar los repositorios de datos psicológicos. El procesamiento de idiomas naturales puede extraer automáticamente metadatos de documentos de investigación, clasificar los tipos de datos e identificar información confidencial que requiere protección.

Los algoritmos de aprendizaje automático pueden detectar problemas de calidad de los datos, identificar patrones de acceso anómalos que pueden indicar amenazas de seguridad, y recomendar conjuntos de datos relevantes a los investigadores basados en sus intereses y trabajo anterior. Sin embargo, los sistemas de IA deben implementarse cuidadosamente para evitar introducir parcialidad o comprometer la privacidad.

Normas de interoperabilidad y API

Las interfaces de programación de aplicaciones (API) permiten que diferentes sistemas comuniquen y compartan automáticamente los datos. Los sistemas de depósito deben proporcionar API que permitan la integración con herramientas de reunión de datos, plataformas de análisis y otras infraestructuras de investigación.

La adopción de normas de interoperabilidad como API RESTful, formatos de datos estándar y esquemas de metadatos comunes facilita la integración y reduce el esfuerzo necesario para conectar diferentes sistemas, lo que es especialmente importante para las instituciones que utilizan múltiples herramientas especializadas para diferentes aspectos de la gestión de datos.

Abordar consideraciones especiales para diferentes tipos de datos

Los diferentes tipos de datos psicológicos presentan desafíos de gestión únicos que requieren enfoques especializados.

Datos de neuroimagen

La neuroimagen de datos de RM, FMRI, PET y otras modalidades de imagen cerebral genera grandes tamaños de archivos y requiere formatos especializados y tuberías de procesamiento. El estándar de Estructura de Datos de Imágenes Cerebro (BIDS) proporciona un marco organizativo común para la neuroimagen de datos que facilita el intercambio y análisis.

Los datos de neuroimagen requieren una capacidad de almacenamiento sustancial y recursos de computación de alto rendimiento para el procesamiento. Considere la implementación de almacenamiento empatado con datos de imagen cruda en almacenamiento de alta capacidad y resultados procesados en almacenamiento más rápido para el análisis.

Datos de vídeo y audio

Las grabaciones de vídeo y audio de las sesiones de investigación contienen datos de comportamiento ricos pero presentan importantes desafíos de privacidad. Las caras y voces son personalmente identificables, dificultando la desidentificación. Algunos repositorios se especializan en datos de vídeo con los controles de consentimiento y acceso apropiados, como Databrary for developmental science research.

Los archivos de vídeo y audio requieren un almacenamiento sustancial y herramientas de reproducción especializadas. Considere la implementación de capacidades de streaming en lugar de requerir descargas completas, y proporcionar herramientas para codificación y anotación que se integran con el repositorio.

Datos genéticos y biológicos

Los datos genéticos presentan preocupaciones de privacidad únicas ya que pueden identificar a individuos y sus familiares. Se requieren protecciones especiales, incluyendo acceso controlado, cifrado y procedimientos de consentimiento potencialmente adicionales. Los repositorios de datos genéticos deben cumplir con regulaciones como la Ley de No Discriminación de Información Genética (GINA) en los Estados Unidos.

Los especímenes biológicos requieren almacenamiento físico con controles ambientales apropiados y seguimiento de cadena de custodia. Los vínculos entre especímenes físicos y datos digitales deben ser cuidadosamente gestionados para mantener la integridad de los datos.

Datos cualitativos

Los datos cualitativos, como las transcripciones de entrevistas, las notas de campo y las respuestas de encuestas abiertas contienen información contextual rica, pero pueden ser difíciles de identificar debido a narraciones personales detalladas. Los repositorios especializados como el Repositorio de Datos Cualitativos proporcionan servicios de curación adaptados a la investigación cualitativa.

El análisis cualitativo de datos suele implicar procesos iterativos de codificación e interpretación que deben documentarse para apoyar la transparencia y la reproducibilidad. Considere el almacenamiento de esquemas de codificación, análisis de memos y rutas de auditoría junto con los datos primarios.

Planificación para la conservación a largo plazo

Para garantizar datos psicológicos sigue siendo accesible y utilizable durante décadas requiere una cuidadosa planificación para la preservación a largo plazo.

Formato Migración y Obsolescencia

Los formatos de archivo se vuelven obsoletos a medida que evoluciona el software, lo que podría hacer que los datos sean inaccesibles. Las estrategias de preservación a largo plazo deben incluir la evaluación regular del formato, la migración a los formatos actuales cuando sea necesario y la preferencia por formatos abiertos y bien documentados sobre los propios.

Mantener registros de formato documentando qué formatos se utilizan en el repositorio, qué software puede leerlos, y cuando la migración puede ser necesaria. Planifique migraciones de formato cuidadosamente, validando que la integridad de los datos se mantiene a través del proceso de conversión.

Identificadores persistentes

Las directrices de prácticas abiertas de APS indican que una placa de datos abiertos requiere "una URL, DOI u otro camino permanente para acceder a los datos en un repositorio público de acceso abierto", con DOI (identificador de objetos digitales) siendo menos conocido pero funcionando algo como los números de libro ISBN, vinculando a URLs con la idea de que un DOI siempre apunta a un objeto específico, como un artículo de ubicación de datos o revista, incluso

Los identificadores persistentes aseguran que los conjuntos de datos puedan ser citados y localizados de forma fiable incluso a medida que cambian los sistemas de repositorio. Los DOI son los identificadores persistentes más comunes para los datos de investigación, pero otros sistemas como ARKs (Llaves de recursos de archivo) o Handles también pueden ser apropiados.

Metadatos de conservación

Los metadatos de conservación documentan la información necesaria para la gestión de datos a largo plazo, incluida la procedencia, los detalles técnicos sobre formatos de archivos y dependencias, las medidas de conservación adoptadas y la información sobre derechos. Las normas como PREMIS (Metadatos de conservación: estrategias de aplicación) proporcionan marcos para la conservación de metadatos.

Este metadato asegura que los usuarios futuros puedan entender la historia de los datos, evaluar su autenticidad y determinar qué herramientas se necesitan para acceder a ella. Los metadatos de conservación deben mantenerse junto con los datos durante todo su ciclo de vida.

Planificación de la sucesión

Los proyectos de investigación e incluso las instituciones no pueden existir indefinidamente, pero los datos deben sobrevivir. La planificación de la sucesión identifica lo que sucederá con los datos cuando los proyectos terminen, los investigadores principales se jubila o las instituciones cierran.

Los datos de depósito en depósitos de confianza con planes de sostenibilidad a largo plazo en lugar de depender únicamente de infraestructuras específicas para proyectos. Los depósitos con fideicomiso tienen estructuras de gobernanza, modelos de financiación e infraestructura técnica diseñadas para operaciones a largo plazo.

Medición y mejora del rendimiento de los depósitos

La mejora continua requiere medir el rendimiento de los repositorios y utilizar esas métricas para orientar los esfuerzos de mejora.

Indicadores clave de rendimiento

Establecer indicadores clave de rendimiento (KPIs) que midan el éxito del repositorio en múltiples dimensiones. Los KPIs técnicos podrían incluir tiempo de funcionamiento del sistema, velocidades de transferencia de datos, utilización del almacenamiento y tasas de éxito de copia de seguridad.

Los KPI de calidad evalúan la integridad de los datos, la calidad de los metadatos y el cumplimiento de las normas. Los KPI de seguridad vigilan las violaciones de acceso, los incidentes de seguridad y el cumplimiento de las auditorías.

Opiniones de usuarios y Satisfacción

Los estudios y mecanismos de retroalimentación regulares ayudan a entender las necesidades de los usuarios e identificar puntos de dolor en los sistemas y procesos de repositorio. Tanto los depositantes de datos como los usuarios de datos deben ser encuestados para captar diferentes perspectivas sobre el rendimiento de los repositorios.

Las pruebas de uso pueden identificar problemas de interfaz y deficiencias de flujo de trabajo que no pueden ser evidentes únicamente con las estadísticas de uso. Considerar la posibilidad de establecer grupos de asesoramiento de usuarios que aporten información permanente sobre las prioridades de desarrollo de los depósitos.

Pautas de referencia y prácticas óptimas

Comparar el rendimiento de los repositorios con las instituciones de pares y las normas industriales para determinar las esferas de mejora. Las organizaciones profesionales y las redes de repositorios suelen proporcionar datos de referencia y orientación práctica óptima.

Participar en programas de certificación de repositorios como CoreTrustSeal, que proporciona un marco para evaluar la fiabilidad de los repositorios y identificar áreas para mejorar. La certificación demuestra compromiso con las mejores prácticas y construye la confianza de los usuarios.

Construcción de una cultura de la gestión de datos

La infraestructura técnica y las políticas son necesarias pero no suficientes para una gestión eficaz de los datos. La creación de una cultura que valore la gestión de datos es igualmente importante.

Liderazgo y Apoyo Institucional

Es esencial contar con un firme apoyo institucional para establecer la gestión de datos como prioridad, y los dirigentes deben expresar la importancia de la gestión de datos, asignar recursos suficientes y reconocer buenas prácticas de gestión de datos en las decisiones de promoción y tenencia.

Las políticas institucionales deben establecer expectativas claras para la gestión de datos, incluidas las necesidades de planes de gestión de datos, intercambio de datos y preservación a largo plazo. Estas políticas deben aplicarse de forma sistemática y proporcionar apoyo para ayudar a los investigadores a cumplir con los requisitos.

Incentivos y reconocimiento

Los investigadores responden a incentivos y la gestión de datos compite con otras demandas por su tiempo y atención. Crear incentivos para una buena gestión de datos ayuda a priorizar estas actividades, lo que podría incluir financiación para actividades de gestión de datos, crédito en exámenes de promoción y tenencia, o premios reconociendo la administración de datos ejemplar.

Hacer visible el intercambio de datos y reutilizar mediante el seguimiento de citas de datos, resaltando la investigación activada por datos compartidos y celebrando a investigadores que ponen sus datos disponibles, lo que demuestra el valor del intercambio de datos y fomenta una participación más amplia.

Community Building

Fomentar comunidades de práctica en torno a la gestión de datos donde los investigadores pueden compartir experiencias, aprender de los demás y desarrollar normas comunes. Estas comunidades podrían organizarse en torno a áreas específicas de investigación, metodologías o tipos de datos.

Colaborar con las comunidades de gestión de datos más amplias mediante organizaciones profesionales, conferencias y foros en línea. Estas conexiones proporcionan acceso a conocimientos especializados, mejores prácticas emergentes y oportunidades de colaboración que benefician a los esfuerzos de repositorios locales.

Abordar los desafíos emergentes y las direcciones futuras

El panorama de la gestión de datos psicológicos sigue evolucionando, presentando nuevos desafíos y oportunidades.

Big Data and Computational Methods

La investigación psicológica aprovecha cada vez más los grandes datos de fuentes como redes sociales, dispositivos móviles y plataformas en línea. Estos conjuntos de datos masivos requieren infraestructura escalable, herramientas de análisis sofisticadas y nuevos enfoques para la protección de la privacidad.

Los métodos computacionales, incluyendo el aprendizaje automático y la inteligencia artificial, están transformando la investigación psicológica. Los repositorios de datos deben apoyar estos métodos proporcionando recursos computacionales apropiados, preservando el código de análisis junto con los datos y documentando enfoques algorítmicos.

Ciencia y Transparencia Abiertas

Los científicos psicológicos reconocen que documentar los resultados de un estudio en un documento publicado no siempre es suficiente, sino que, para que la investigación sea lo más reproducible posible, las prácticas de investigación y los análisis estadísticos deben ser transparentes, ya que los datos y materiales son públicos y disponibles para que otros investigadores examinen.

El movimiento científico abierto está impulsando mayores expectativas para compartir datos, preinscripción y transparencia. Los depósitos deben apoyar estas prácticas al abordar preocupaciones legítimas sobre la privacidad, la propiedad intelectual y la ética de investigación. Encontrar el equilibrio adecuado entre la apertura y la protección sigue siendo un desafío permanente.

Colaboración internacional y soberanía de datos

La investigación psicológica implica cada vez más colaboraciones internacionales, pero las normas de soberanía de datos pueden restringir dónde se pueden almacenar datos y cómo se puede transferir a través de las fronteras. Los depósitos deben navegar por estos complejos entornos regulatorios al tiempo que facilitan la colaboración mundial en materia de investigación.

Los modelos de repositorios federados, donde los datos permanecen en su país de origen pero pueden ser descubiertos y analizados mediante sistemas distribuidos, pueden ofrecer soluciones a los desafíos de soberanía de datos, que requieren infraestructura técnica y marcos de gobernanza sofisticados.

Consideraciones éticas en la reutilización de datos

A medida que el intercambio de datos se hace más común, se plantean preguntas sobre los usos secundarios apropiados de los datos psicológicos. El consentimiento original puede no haber anticipado todos los usos futuros posibles, en particular para las tecnologías y métodos emergentes. Los depósitos deben satisfacer la manera de permitir el reutilización beneficioso respetando la autonomía de los participantes y las limitaciones de consentimiento original.

Los modelos de consentimiento dinámico, en los que los participantes pueden actualizar sus preferencias con el tiempo, y los marcos de consentimiento amplio que anticipan usos futuros pueden ayudar a resolver estos desafíos. Sin embargo, la aplicación de estos enfoques requiere una cuidadosa consideración de los principios éticos y la viabilidad práctica.

Recursos y aprendizaje ulterior

Existen numerosos recursos para apoyar la gestión de repositorios de datos psicológicos. Organizaciones profesionales como la Asociación Psicológica Americana proporcionan orientación sobre gestión y distribución de datos. Los recursos de intercambio de datos de la APA ofrecen consejos prácticos para los investigadores.

El Consorcio Interuniversitario de Investigación Política y Social (ICPSR)] proporciona amplios materiales de capacitación, seminarios web y talleres sobre temas de gestión de datos. Sus directrices para planes eficaces de gestión de datos ofrecen marcos detallados para planificar actividades de repositorio.

La iniciativa GO FAIR proporciona recursos para la aplicación de los principios de datos de la FAIR, incluidos materiales de capacitación, herramientas y apoyo comunitario, que ayudan a traducir los principios de la FAIR en estrategias prácticas de aplicación.

Las comunidades de gestión de datos de investigación, como la Alianza de Datos de Investigación, reúnen a profesionales de todo el mundo para desarrollar normas, compartir las mejores prácticas y abordar los desafíos comunes. Participar en estas comunidades proporciona acceso a desarrollos de vanguardia y solución de problemas de colaboración.

Conclusión

La gestión eficaz de los repositorios de datos psicológicos a gran escala requiere un enfoque integral que integre una infraestructura técnica sólida, políticas de gobernanza claras, cumplimiento regulatorio, procesos de garantía de calidad y una cultura de gestión de datos. Las prácticas esbozadas en esta guía proporcionan un marco para el desarrollo y mantenimiento de repositorios que protegen la privacidad de los participantes, aseguran la calidad de los datos, facilitan la colaboración de investigación y maximizan el valor a largo plazo de los datos de investigación psicológica.

El éxito requiere el compromiso permanente de los dirigentes institucionales, la asignación de recursos suficientes, el personal bien capacitado y la colaboración con la comunidad más amplia de gestión de datos. A medida que las tecnologías evolucionan, los cambios de las normas y las prácticas de investigación avanzan, las estrategias de gestión de los depósitos deben adaptarse en consecuencia. Al adherirse a estas mejores prácticas y seguir respondiendo a los desafíos emergentes, las instituciones pueden crear depósitos de datos psicológicos que sirvan a la comunidad de investigación de manera eficaz y al mismo tiempo que mantienen las normas más altas de ética y de seguridad.

La inversión en la gestión adecuada de datos paga dividendos mediante una mayor reproducibilidad de las investigaciones, mayores oportunidades de colaboración, mayores efectos de investigación y una mejor administración del valioso recurso que los participantes en la investigación proporcionan mediante su participación. Como la ciencia psicológica sigue avanzando, los repositorios de datos bien gestionados desempeñarán un papel cada vez más central en la aceleración del descubrimiento, la innovación y, en última instancia, el mejoramiento del bienestar humano mediante una mejor comprensión de los procesos psicológicos y la salud mental.