(Acest articol a fost publicat pentru prima dată pe openwashdatași cu amabilitate a contribuit la R-bloggeri). (Puteți raporta problema legată de conținutul acestei pagini aici)
Doriți să vă distribuiți conținutul pe R-bloggeri? dați clic aici dacă aveți un blog, sau aici dacă nu aveți.
Pe 22 iulie 2026, la 15:05, am făcut prima comitere către un nou depozit. Conținea un pachet R gol și un registru de lucru Excel cu date de teren dintr-un studiu privind deșeurile menajere din Kampala, Uganda. Trei minute mai târziu i-am trimis prima solicitare lui Claude Code:
Construiesc un nou pachet de date și am primit un set de date în @data-raw/ a procesa pentru curățare. (…) începe strict cu curățarea datelor, scrierea unui dicționar. (…) mai întâi faceți un plan.
Pe 24 iulie, la ora 00:18, depozitul deținea versiunea 1.0.0 a solidwastekampala cu un DOI Zenodo: un set de date ordonat și validat de 103 gospodării, un dicționar de date pentru 37 de variabile, documentație, un site web, metadate care pot fi citite de mașină, o citare cu ID-urile ORCID ale autorilor și platforma de verificare automată pe cinci platforme.
Timpul pe care l-am petrecut nu a fost mai mult de aproximativ trei ore, repartizate pe patru sesiuni. Depozitul înregistrează fiecare pas în comiterile sale, problemele și solicitările de extragere și într-o arhivă a fiecărei solicitări pe care le-am trimis.
Datele
Setul de date aparține lucrării Cantitatea și compoziția deșeurilor solide menajere în orașul Kampala, influențate de factorii socioeconomici de către Katukiza și colab. la Universitatea Makerere, publicată în Frontiers in Environmental Science în septembrie 2026. Echipele de teren au cântărit și sortat deșeurile a 103 gospodării pe parcursul a șapte zile în trei parohii care reprezintă trei niveluri de venit: Bwaise I (scăzut), Bukoto I (mijloc) și Ggaba (mare).
Datele au ajuns așa cum sosesc de obicei datele de câmp. Caietul de lucru avea foi cu două rânduri de anteturi îmbinate, rânduri rezumative în partea de jos, rezultate derivate lângă datele brute și greșelile de scriere pe care le lasă în urmă introducerea manuală a datelor.
Sesiunea 1: un plan înainte de orice cod
Prima sesiune nu a produs niciun cod de curățare, ci doar un plan bazat pe o privire atentă a fiecărei foi.
- Doar trei foi conțin date brute. Toate celelalte foi conțin rezultate derivate.
- Un număr este stocat ca text. O celulă pentru metale din Ggaba citește
2..674iar formula SUM din Excel a omis-o fără avertisment. Totalurile înregistrate rămân așa cum sunt, deoarece din ele se calculează valorile pe zi, pe persoană și densitatea. - Mijloacele pe parohie reproduc cifrele de titlu ale lucrării (0,43, 0,53 și 0,98 kg deșeuri de persoană pe zi), ceea ce a confirmat că acestea sunt foile potrivite.
Planul a stabilit și regula pentru restul proiectului. Păstrăm datele așa cum sunt înregistrate. Șapte inconsecvențe din registrul de lucru sunt documentate și testate și niciuna nu a fost corectată fără înregistrare.
Sesiunea 2: de la plan la pachet
Până la ora 06:55, scriptul de procesare era în vigoare. Citește toate foile ca text, astfel încât să nu se piardă nimic la import, dă nume consistente celor 37 de coloane, repară 2..674 celulă și repară două legitimații de gospodărie defectuoase. O hartă pe coloană armonizează categoriile, de exemplu IIIiterate la Illiterate şi Unpaced la Unpaved. Un bloc de validare verifică rezultatul, inclusiv inconsecvențele despre care știm: sumele categoriilor de deșeuri se potrivesc cu totalurile înregistrate în 99 din 103 rânduri, iar scriptul numește cele patru excepții.
La 07:19 am îmbinat prima cerere de extragere cu datele curate, exporturile CSV și XLSX și dicționarul. La 08:03, a doua a urmat cu ceea ce are nevoie un străin pentru a folosi datele: metadatele pachetului, documentația, un README care reproduce o figură a hârtiei, un site web și metadate în format schema.org.
Sesiunea 3: revizuirea
Fiecare pachet openwashdata trece printr-o revizuire față de un standard versionat, aici versiunea 1.0.0. Revizuirea constă din patru probleme de listă de verificare și fiecare se închide cu propria sa cerere de extragere.
| Metadate și citare | #14 | #16 | 12:22 |
| Conținutul și prelucrarea datelor | #17 | #18 | 12:58 |
| Documentare | #19 | #20 | 13:52 |
| Teste și verificări automate | #21 | #22 | 14:50 |
Pasul de metadate a găsit cinci ID-uri ORCID ale co-autorilor în registrul public. Două potriviri au fost incerte, așa că a deschis o problemă care i-a cerut autorului principal să le confirme. Pasul de date a rulat din nou scriptul de procesare și a recuperat datele comise, octet pentru octet. Ultimul pas a adăugat verificări pe cinci platforme, cu 0 erori, 0 avertismente și 0 note.
Cum îndeplinește pachetul principiile FAIR
- Găsibil printr-un DOI, 10.5281/zenodo.21519796, care se rezolvă întotdeauna la cea mai recentă versiune, prin propriul site web și prin metadatele schema.org.
- Accesibil ca pachet R, ca fișiere CSV sau XLSX și ca arhivă Zenodo care nu depinde de GitHub.
- Interoperabil deoarece datele sunt ordonate, numele urmează o convenție, categoriile ordonate sunt stocate ca factori ordonați, iar fișierele folosesc UTF-8.
- Reutilizabil deoarece dicționarul descrie toate cele 37 de variabile cu unități, scriptul de procesare reproduce datele, inconsecvențele sursei sunt documentate, iar datele poartă o licență CC BY 4.0. Versiunea 1.0.1 din 17 septembrie conține ID-urile ORCID ale tuturor celor opt autori.
Mai există un strat pe care principiile FAIR nu îl numesc, evidența modului în care a fost făcut pachetul. Depozitul arhivează fiecare solicitare în prompts/ și fiecare plan în plans/iar mesajele de comitere leagă la solicitările din spatele lor.
Ce iau din el
Curățarea datelor a fost cea mai mică parte. Cea mai mare parte a lucrării a intrat în plan, dicționar, documentație, metadate, revizuire, citare și schimbul cu autorii. Această muncă transformă o foaie de calcul într-o publicație și este motivul pentru care atât de multe seturi de date nu părăsesc niciodată hard diskul. Cu instrumentele pe care le-am construit de-a lungul anilor, un standard de revizuire versionat și un asistent AI care lucrează prin liste de verificare, acum se potrivește într-o zi.
Cum am folosit AI
Am folosit AI pentru acest pachet și pentru această postare, iar înregistrarea acestei utilizări este publică.
Pachetul. Claude Code (modelul Claude Fable 5) a scris scenariul de procesare, dicționarul, documentația și metadatele, urmând instrucțiunile mele. Depozitul arhivează cele 11 solicitări pe care le-am trimis până la lansare, iar 14 dintre cele 39 de comitere efectuate până la 24 iulie au o Assisted-by linia care denumește modelul. Am revizuit și am îmbinat fiecare dintre cele opt cereri de extragere, am gestionat schimbul cu autorii și am stabilit ortografia numelor acestora. Scriptul de procesare este cod R simplu și oricine îl poate rula din nou fără niciun instrument AI și poate obține aceleași date.
Această postare. Claude (modelul Claude Fable 5) a scris prima schiță pe 24 iulie din comenzi, probleme, solicitări de extragere și solicitări. Pe 7 octombrie și 8 octombrie, Claude (model Claude Opus 5.5) l-a revizuit și scurtat la cererea mea. Am ales ce scrie în postare, am verificat fiecare dată și număr cu depozitul și am decis să o public.
Solicitările, commit-urile și această postare sunt publice, astfel încât oricine poate verifica această declarație în evidență.
Pachetul solidwastekampala a fost publicat de openwashdata cu finanțare din Programul Open Research Data al Consiliului ETH. Datele provin de la Katukiza et al. la Universitatea Makerere. Le puteți explora la openwashdata.github.io/solidwastekampala.
