科研论文原始数据保存的重要性有哪些
任何一个实验室的活动都离不开实验数据记录在GB/T15481-2000《检测和校准实验室能力的通用要求》(等同ISO/IEC17025:1999)中记录控制”被列为14个管理要素之一重要性：• 研究论文的源泉• 优点：有助于研究者保持清醒的实验思路、抓住重要的实验现象、得到创新的结果、提高研究工作效率• 追溯实验数据的直接证据因此，规范实验纪录是十分必要的。
没有必要，也别那么干了。
写在最前面，自认为做的事情都还够不着科研这个词，但是也在实验和保存数据的过程中苦恼过，分享则个~ 既然是科研了，文献、原始数据肯定有，另外还有写的文章啊，随手记的灵感等等。 先说文献文献管理工具常用NoteExpress和Endnote两种(NE和EN)，都是PDF的可以使用Endnote，有知网学位论文的，NoteExpress也许更适合。毕竟Endnote只能在pdf上独领风骚，文献有h的那种，在Endnote上一会儿看得到原文（pdf），一会儿看不到（aj或h）个人觉得还是很糟心的。另外这两种工具在写paper的时候方便生成参考文献。 有了这样的文献管理工具，保存文献这一工作，我不会再在电脑的某个盘里建好几个子文件夹分类了，有需要的时候直接从NoteExpress里点出来就好。 以上指的是我们已经有原文的文献。针对下不到（或暂时下不到）原文，顶多只有摘要的文献，这两种管理工具的便捷体现得更为明显，因为我们可以直接编辑这条记录，把摘要复制进去。 再说云说到云的话，文献数据笔记可以一起聊了。 有道云笔记 我知道有Evernote，但是无论国际版（同步太不方便）还是印象笔记，不打算花钱升级的我都只有60M一月，从我个人的使用量来看，不要说文献，存几个实验程序和一两轮数据就红了。所以在写论文时期，我用了有道云笔记。 标签和网盘（还是Evernote好） 还是要说Evernote。有道云笔记似乎没有标签这个功能。 对于文献：如果你愿意按照Endnote或者NoteExpress的分类给它设置文件夹，耐心等待每月60M，把原文一篇一篇放进去并添加标签如“13年论文参考”“实验范式”“FOK”等等的话，这样也是很方便检索的（我这么做过，但是没耐心等了。。。）所以对文献还是使用管理工具，好好备份吧。如果担心电脑的损坏而丢失原始文件的话，请申请个网盘，把原文都丢进去。 对于数据：如果短时间内会生成大量数据的话，Evernote是不行的！当这项工作完成，这些数据都成为过去的时候，可以在你的网盘里建这么个东西：/某某项目/原始数据，然后在里面按照时间打包数据（如果你的数据和我一样是一轮一轮的话，或者用你喜欢的方式），写一个readme，把你的笔记里的内容复制过来，做成时间线，放在原始数据文件夹下。某一天你需要重新开启它们的时候，你会知道当初你做了什么。 对于灵感，笔记等：文献的笔记可以直接写在管理工具里。那些你突然而来的灵感，随手记录在Evernote里的，你可以把他们留在Evernote中（手写的请拍照或拍照后提取文字或码字上传），或者导出一个文件，整理到你的网盘里。 最后提一下paper如果你对你正在写的东西的知识产权非常在乎，那么请不要轻易把他们放在网络上。从数据到文章以及任何笔记，在使用云的时候，请多想一想，是不是愿意它们在一定程度上可共享。
最好不要原始数据。事实上，任何高质量的论文都要做大量的实验和海量的数据，分析结果也是在此基础上优化出来的，才是最科学的。试想，高质量的期刊论文都没有放原始数据的传统，研究生论文也是如此。当然，如果你认为有些数据和分析结果关联性很强，也可以加个附录附上，最好不要长篇大论。
科研论文原始数据保存的重要性
＜strong＞因为原始数据需要存档，防止论文造假。＜/strong＞近几年，由于鉴别技术的进步，导致学术不端事件频发。越来越多的国际大型出版社开始正视原始数据，对于期刊论文质量的把控愈加严格。而防止论文造假的最直接方式就是让作者提供原始数据，甚至是数据的处理过程、所使用处理软件的序列号等详细信息。我们建议作者在每做完一个实验，最好要妥善保存好数据和记录，不仅仅是原图，显微照片、PCR数据等都要保管并保存好，特别是重要信息在投稿后最好把它们都上载到网络服务器上并公开，以备日后使用。同时在投稿之前要把所有的原始数据整理好
实验数据与实践数据。“原始数据”(也被称为source data，源数据或者atomic data，原子数据)，通常认为数据与信息的区别在于:信息是经过加工处理之后的数据，而数据则是未经加工的数据，按照这种标准，数据也就是原始数据。发表医学SCI论文一定要有严谨认真的科研作风，所以支撑医学SCI论文的原始数据是必须存在的。原始数据是所有医学科研的基础，影响着实验结果真实性，一定要认真对待。
数据如果不记录，可对会搞混、记错，本次实验浪费。结论不可靠，也没有可重复性
科研论文原始数据保存的重要性和意义
对数据的威胁通常比较难于防范，这些威胁一旦变为现实，不仅会毁坏数据，也会毁坏访问数据的系统。造成数据丢失和毁坏的原因主要如下几个方面。1、数据处理和访问软件平台故障。2、操作系统的设计漏洞或设计者出于不可告人的目的而人为预置的“黑洞”。3、系统的硬件故障。4、人为的操作失误。5、网络内非法访问者的恶意破坏。6、网络供电系统故障等。计算机里面重要的数据、档案或历史纪录，不论是对企业用户还是对个人用户，都是至关重要的，一时不慎丢失，都会造成不可估量的损失，轻则辛苦积累起来的心血付之东流，严重的会影响企业的正常运作，给科研、生产造成巨大的损失。为了保障生产、销售、开发的正常运行，企业用户应当采取先进、有效的措施，对数据进行备份、防范于未然。
＜strong＞因为原始数据需要存档，防止论文造假。＜/strong＞近几年，由于鉴别技术的进步，导致学术不端事件频发。越来越多的国际大型出版社开始正视原始数据，对于期刊论文质量的把控愈加严格。而防止论文造假的最直接方式就是让作者提供原始数据，甚至是数据的处理过程、所使用处理软件的序列号等详细信息。我们建议作者在每做完一个实验，最好要妥善保存好数据和记录，不仅仅是原图，显微照片、PCR数据等都要保管并保存好，特别是重要信息在投稿后最好把它们都上载到网络服务器上并公开，以备日后使用。同时在投稿之前要把所有的原始数据整理好
原始数据是不需要提交的。通常是不需要上交原始数据的，原始数据一般自己保存，还要发给自己的导师，以便在发表正式论文时使用。毕业论文只需要罗列整理好的实验数据，有些必要的数据可以以附录的形式放在论文的最后，但不需要你将所有的数据文件整体上交。
没有必要，也别那么干了。
科研论文原始数据保存的重要性是什么
数据如果不记录，可对会搞混、记错，本次实验浪费。结论不可靠，也没有可重复性
最好不要原始数据。事实上，任何高质量的论文都要做大量的实验和海量的数据，分析结果也是在此基础上优化出来的，才是最科学的。试想，高质量的期刊论文都没有放原始数据的传统，研究生论文也是如此。当然，如果你认为有些数据和分析结果关联性很强，也可以加个附录附上，最好不要长篇大论。
原始数据是不需要提交的。通常是不需要上交原始数据的，原始数据一般自己保存，还要发给自己的导师，以便在发表正式论文时使用。毕业论文只需要罗列整理好的实验数据，有些必要的数据可以以附录的形式放在论文的最后，但不需要你将所有的数据文件整体上交。
没有好的原始记录，特别是一些重要的结果，别人很难重复，失去结果的重要性，还可能带来其它的副作用
科研论文相关原始数据保存机制有哪些
写在最前面，自认为做的事情都还够不着科研这个词，但是也在实验和保存数据的过程中苦恼过，分享则个~ 既然是科研了，文献、原始数据肯定有，另外还有写的文章啊，随手记的灵感等等。 先说文献文献管理工具常用NoteExpress和Endnote两种(NE和EN)，都是PDF的可以使用Endnote，有知网学位论文的，NoteExpress也许更适合。毕竟Endnote只能在pdf上独领风骚，文献有h的那种，在Endnote上一会儿看得到原文（pdf），一会儿看不到（aj或h）个人觉得还是很糟心的。另外这两种工具在写paper的时候方便生成参考文献。 有了这样的文献管理工具，保存文献这一工作，我不会再在电脑的某个盘里建好几个子文件夹分类了，有需要的时候直接从NoteExpress里点出来就好。 以上指的是我们已经有原文的文献。针对下不到（或暂时下不到）原文，顶多只有摘要的文献，这两种管理工具的便捷体现得更为明显，因为我们可以直接编辑这条记录，把摘要复制进去。 再说云说到云的话，文献数据笔记可以一起聊了。 有道云笔记 我知道有Evernote，但是无论国际版（同步太不方便）还是印象笔记，不打算花钱升级的我都只有60M一月，从我个人的使用量来看，不要说文献，存几个实验程序和一两轮数据就红了。所以在写论文时期，我用了有道云笔记。 标签和网盘（还是Evernote好） 还是要说Evernote。有道云笔记似乎没有标签这个功能。 对于文献：如果你愿意按照Endnote或者NoteExpress的分类给它设置文件夹，耐心等待每月60M，把原文一篇一篇放进去并添加标签如“13年论文参考”“实验范式”“FOK”等等的话，这样也是很方便检索的（我这么做过，但是没耐心等了。。。）所以对文献还是使用管理工具，好好备份吧。如果担心电脑的损坏而丢失原始文件的话，请申请个网盘，把原文都丢进去。 对于数据：如果短时间内会生成大量数据的话，Evernote是不行的！当这项工作完成，这些数据都成为过去的时候，可以在你的网盘里建这么个东西：/某某项目/原始数据，然后在里面按照时间打包数据（如果你的数据和我一样是一轮一轮的话，或者用你喜欢的方式），写一个readme，把你的笔记里的内容复制过来，做成时间线，放在原始数据文件夹下。某一天你需要重新开启它们的时候，你会知道当初你做了什么。 对于灵感，笔记等：文献的笔记可以直接写在管理工具里。那些你突然而来的灵感，随手记录在Evernote里的，你可以把他们留在Evernote中（手写的请拍照或拍照后提取文字或码字上传），或者导出一个文件，整理到你的网盘里。 最后提一下paper如果你对你正在写的东西的知识产权非常在乎，那么请不要轻易把他们放在网络上。从数据到文章以及任何笔记，在使用云的时候，请多想一想，是不是愿意它们在一定程度上可共享。
正规的数据库。那人发表后，实验记录原始数据应该保存多年。什么时候都能查找到。
实现数据科学研究结果可复制的十条规则一群科研人员在一篇论文中，讲述了可复现性计算研究的十条规则。如果遵循这些规则，应该会产生更具可复现性的结果。所有的数据科学都是研究。仅仅因为研究结果没有发表在学术论文中，这不会改变我们试图从庞杂数据中获取洞见的事实。因此，对于任何从事内部分析的数据科学家来说，那篇论文中的十条规则都应该引起重视。规则1：对于每个结果，都要记录它的产生过程知道研究结果的产生过程很重要。知道你如何从原始数据中得出该结论，这可以让你：为结果辩护发现错误时修改结果在数据更新时复现结果提交结果以供评审如果你使用一种编程语言(R、Python、Julia、F#等等)来编写你的分析脚本，那么过程应该是清晰明了的，前提是避免了任何的手动步骤。如果使用“鼠标点击”工具(比如Excel)，这会使你更难记录步骤，因为你必须描述一系列手动操作，而手动操作很难记录和复现。规则2：避免手动数据操作步骤你可能很想在编辑器中打开数据文件，手动修改格式错误或者删除异常值。而且，现代的操作系统使你可以轻松地剪切和粘贴应用。然而，你应该抵挡住这种走捷径的诱惑。手动数据操作是无法显示踪迹的操作。规则3：存档你使用的所有外部程序的准确版本理想情况下，你应该创建一个包含所有脚本运行软件的虚拟机。这使你可以生成分析生态系统的快照，轻松实现结果的可复现性。不过，这并不总是可行。例如，如果你使用云服务，或者你分析的数据集非常庞大，那么你很难圈定整个环境进行存档。另外，商业工具的使用可能使你难以和其他人分享这样的一个环境。至少，你必须记录你使用的所有软件的版本，包括操作系统的版本。软件的任何细微变化都可能影响到结果。规则4：记录所有自定义脚本的版本应该使用版本控制系统(比如Git)来记录脚本的版本。你应该标记(快照)多个脚本，并在你产生的任何结果中索引那个标记。这样一来，如果你后来决定修改脚本(你肯定会这么做)，你就可以及时找到产生特定结果的确切脚本。规则5：尽量用标准格式记录所有的中间结果如果你遵循了规则1，应该就有可能从原始数据中重现任何结果。不过，虽然这在理论上是可能的，但在实践中存在种种限制。问题可能包括：缺乏从头开始运行结果的资源(比如使用了大量的集群计算资源)使用了商业工具，但没有某些工具的授权使用某些工具的技术能力不足在这些情况下，从原始数据的派生数据集着手不失为明智之举。这些中间数据集(比如CSV格式数据)提供了更多的分析选择，并且在出错的时候，更容易识别有问题的结果，不必重头来过。规则6：对于带有随机性的分析，要记录潜在的随机种子数据科学家常常没有为他们的分析设置种子值，因此不可能准确复现机器学习研究。很多机器学习算法都包含随机成分，虽然强劲的结果可能在统计上是可复现的，但没什么能比得上与其他人产生的精确数据相一致。如果你使用脚本和源代码控制，你可以在脚本中设置种子值。规则7：始终保存原始数据如果你使用脚本/编程语言，图表常常将自动生成。但如果你使用Excel这样的工具来绘制图表，请确保你保存了原始数据。这使图表可以复现，也能对图表背后的数据进行更细致的检查。规则8：生成层次分析输出结果，使越来越细致的层次可以被检查数据科学家的工作是以某种形式总结数据，从数据中获取洞见。不过，总结也容易导致数据误用，所以应该让相关方可以把总结分解成各个数据点。对于每个总结性结果，要与使用的数据联系起来，以便对总结进行推算。规则9：把文本陈述和潜在结果联系起来归根结底，数据分析的结果是以文字的形式呈现，而文字是不精确的。有时，结论和分析之间的联系很难确定。由于论文常常是科研中最具影响力的部分，因此把论文和结果联系起来至关重要，由于规则1的缘故，与原始数据联系起来也很重要。这可以通过在文本中添加脚注的方式来实现。脚注引用的文件或URL应该包含引出论文中观察发现的特定数据。如果你无法建立这种联系，说明你可能没有充分记录所有步骤。规则10：公开脚本、过程和结果在商业环境中，可能不适合公开所有的数据。不过，向组织内部的其他人公开数据是可以的。基于云的源代码控制系统，比如Bitbucket和GitHub，允许创建私密存储，任何获得授权的同事都能访问。众人的审视可以改善分析质量，所以分享得越多，你的分析质量就可能越高。