72
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
MARCO DE TRABAJO PARA PROYECTOS DE
CIENCIA CIUDADANA
1 Departamento de Tecnologias Computacionales, Universidad Autónoma de San Luis Potosí, México.
2 Departamento de Mecánica y Eléctrica, Universidad Autónoma de Coahuila, Coahuila, México.
RESUMEN ABSTRACT
César Guerra-García 1
Héctor G. Pérez-González 1
cesar.guerra@uaslp.mx
hectorgerardo@uaslp.mx
Marco Tulio Ramírez-Torres 1
Lizeth López-López 2
tulio.torres@uaslp.mx
lopezlopez@uadec.edu.mx
La ciencia ciudadana, también conocida como
participación pública en la investigación científica
y la producción de conocimiento, está ganando cada
vez más reconocimiento al momento de proponer
proyectos de ciencia ciudadana. Sin embargo, se
destacan preocupaciones sobre la calidad de los
datos y procesos de este tipo de proyectos. Para
mitigar estos problemas, se propone estandarizar
buenas prácticas, enfatizando asegurar la calidad
de los datos en todas las fases del ciclo de vida. La
principal contribución de este trabajo es identificar
cuáles son las mejores prácticas relacionadas
con proyectos de ciencia ciudadana e, investigar
cómo estas prácticas pueden enriquecerse con
otras relacionadas a la gestión de la calidad y
gobernanza de los datos. Como resultado, se ha
propuesto MAR.CI.CI, un framework para ayudar
a instituciones a proponer y ejecutar sus proyectos
de ciencia ciudadana.
Palabras Clave: Proyectos de Ciencia Ciudadana,
Datos de Ciencia Ciudadana
Citizen science, also known as public participation
in scientific research and knowledge production,
is gaining more and more recognition when
proposing citizen science projects. However,
concerns about data quality and processes of
this type of projects are highlighted. To mitigate
these problems, it is proposed to standardize good
practices, emphasizing ensuring data quality in
all phases of the life cycle. The main contribution
of this work is to identify which are the best
practices related to citizen science projects and,
to investigate how these practices can be enriched
with others related to data quality management
and governance. As a result, MAR.CI.CI has
been proposed, a framework to help institutions
propose and execute their citizen science projects.
Keywords: Citizen Science Projects, Citizen
Science Data
A Framework for Citizen Science Projects
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
DOI: https://doi.org/10.47187/perspectivas.7.1.239
Fecha de Recepción: 15/02/2025. Fecha de Aceptación: 20/03/2025 Fecha de Publicación: 28/05/2025
73
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
I. Introducción
La primera vez que se utilizó el término Ciencia
Ciudadana (CC) en el sentido que se conoce
actualmente fue hace tres décadas, este término
se mencionó en la revista MIT Technology
Review en enero de 1989 [1]. El factor más
importante que define a la CC es que científicos
no profesionales contribuyen a la investigación
científica. En consecuencia, es fundamental
reconocer las perspectivas y experiencias de
estos participantes. El término amplio que define
esta integración de contribuciones externas en la
investigación científica es “ciencia ciudadana”,
siendo este fenómeno relativamente innovador [2].
Estos “no-científicos”, los “ciudadanos” en ciencia
ciudadana, pueden colaborar con los científicos
en todas las etapas y aspectos del proceso
científico, pero, en la mayoría de los proyectos,
los ciudadanos contribuyen principalmente en
la recolección y análisis de datos [3]. Mientras
que los científicos son frecuentemente escepticos
de la habilidad de los voluntarios para producir
datos exactos, una gran cantidad de publicaciones
muestran que diversos tipos de proyectos de CC
pueden producir datos con igual o mayor exactitud
que científicos profesionales. Cada conjunto
de Datos de Ciencia Ciudadana (DCC) debería
entonces ser juiciado por individuos, de acuerdo al
diseño y aplicación del proyecto, y no asumir que
sea de calidad inferior, simplemente porque fue
generado por voluntarios [4]. Los proyectos de CC
a menudo tratan con grandes conjuntos de datos,
por lo cual, es importante decidir antes de iniciar
un proyecto cuales datos serán recolectados, quien
debería tener los derechos sobre ellos y cómo
serán almacenados y se pondrán a disposición a
largo plazo. Los datos deberían ser almacenados
e incluir sus metadatos (método y localización
de datos recolectados); algunas veces, resulta
imposible utilizar estos datos sin dicha información
[5]. Aunque existe una variedad cada vez mayor
de proyectos que están usando métodos para
mejorar aspectos de calidad de datos y validez de
la investigación, no hay ninguna revisión de estos
mecanismos disponible para referencia. Nuestra
propuesta es que si bien el impulso inicial de la
mayoría de los científicos puede ser emplear
los métodos de calidad de datos estándar en su
campo, al formular proyectos de CC, puede ser
necesario un enfoque diferente para garantizar
aspectos de gobernanza, gestión y calidad de
datos, teniendo en cuenta la escala de participación
y expectativas en torno a las habilidades de los
colaboradores. La falta de hipótesis bien definidas
para definir protocolos de recolección de datos y
la variabilidad de habilidades de cada individuo,
son obstáculos importantes para interpretar con
precisión los datos del proyecto de CC que deben
reconocerse y abordarse durante el análisis [6]. La
aplicación de DCC puede resultar problemática si
investigadores y participantes no son conscientes
de los problemas de calidad de los datos que
podrían afectar sus análisis o usos [7]. En esta
investigación, se planteó que para mitigar estos
problemas, es posible recopilar un conjunto de
mejores prácticas (conocidas como procesos) que se
puedan utilizar para asegurar un comportamiento
homogéneo durante la formulación del proyecto
de CC (etapas de diseño y ejecución), y durante el
uso de los datos resultantes, ya sea internamente
entre los participantes (científicos o ciudadanos)
o externamente cuando estos participantes o
instituciones necesitan intercambiar datos con
terceros como gobiernos. Este conjunto de mejores
prácticas debería cubrir aspectos del proceso de
CC, así como algunos otros aspectos de la gestión
de la calidad de los datos y gobernanza. Así, el
equipo de investigación se apoyó en la idea del
enfoque basado en procesos planteado en ISO/
IEC 8000-61 [8] para la gestión de calidad de
datos, e ISO 12207 [9] para el caso de procesos
de software, para desarrollar el framework MAR.
CI.CI y apoyar de mejor forma las etapas de diseño
y ejecución de proyectos de CC. Así, la idea de
MAR.CI.CI es servir como referencia para que
cada investigador pueda personalizar sus propias
prácticas de Formulación de Proyectos de Ciencia
Ciudadana (FPCC) acorde a sus restricciones y
requisitos. MAR.CI.CI consta de 2 componentes.
-Modelo de Referencia de Procesos
(MRP), contiene cuatro grupos de procesos
gestionando aspectos específicos de actividades
de CC considerando las etapas del ciclo de vida de
los datos (desde la recolección hasta publicación).
Este MRP también cumple con los requisitos del
proceso de gobernanza de datos, gestión de datos
y gestión de la calidad de los datos incluidos en la
74
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
norma UNE 0080:2023 [10].
-Modelo de Evaluación de Procesos
(MEP), contiene los elementos necesarios para
que las organizaciones evalúen y mejoren sus
actividades de proyectos de CC de acuerdo con
el MRP proporcionado. Este MEP se basa en los
requisitos deI ISO/IEC 33003 [11] además de la
serie ISO 33000.
A. Propuestas existentes para la formulación de
proyectos de ciencia ciudadana
Una vez realizada una revisión bibliográfica en las
principales bases de datos (Scopus y Web of Science)
para encontrar trabajos relacionados con ciencia
ciudadana, se pudo encontrar siete propuestas, las
cuales plantean diferentes actividades o etapas
involucradas en la planificación de un proyecto
específico de CC.
Bonney et al. en [12], es quizá el primer intento de
proponer un modelo general para la construcción
de un proyecto de CC. Este modelo general fue
elaborado por un grupo de personas con experiencia
en educación, biología de la población, ciencia
de la información y estadística. Se divide en 9
procesos y es capaz de cumplir simultáneamente
los objetivos del proyecto como: reclutamiento,
investigación, conservación y educación. Tweddle
et al. en [13], propuso una guía destinada a ayudar
a las personas que ya participan en la CC en el
Reino Unido. Se basa en información detallada
recopilada y analizada como parte del proyecto
financiado por UK-EOF “Understanding Citizen
Science & Environmental Monitoring”, que revisó
de forma semisistemática 234 proyectos y 30
estudios de caso. Esta guía muestra 5 etapas y sus
actividades.
El consorcio GEWISS [5] propone una guía que
describe cómo se practica la CC en Alemania,
además de cómo se puede utilizar este enfoque
participativo en diferentes disciplinas y
áreas temáticas: educación, conservación y
humanidades. Esta propuesta está dirigida tanto a
II. Estado del arte y
trabajos relacionados
expertos como a participantes novatos; y muestra
6 etapas y algunas actividades definidas en cada
una. La Fundación para la Ciencia Ciudadana [14],
desarrolló un manual que ofrece un conjunto de
herramientas útiles asociadas a una metodología
para el diseño de proyectos de CC. Cada etapa de
la metodología está alineada a los 10 principios
definidos por la Asociación Europea de Ciencia
Ciudadana [15]. Por otra parte, la administración
de servicios generales [16] ha publicado una
Toolkit con cinco pasos básicos de procesos para
la planeación, diseño y ejecución de un proyecto
de crowdsourcing o CC. Cada paso definido en
la toolkit muestra una lista de consejos que los
participantes pueden utilizar para mantener su
proyecto en marcha. En [17], los autores proponen
un enfoque de CC contributiva como un método
valioso para los científicos y profesionales de
las ciencias ambientales, centrándose en el ciclo
de vida completo de la práctica de la CC, desde
el diseño hasta la implementación, la evaluación
y la gestión de datos. Esta propuesta destaca
cuestiones como la participación y retención de
participantes, la garantía de la calidad de los datos
y la corrección de sesgos. Por otro lado, Bolici y
Colella en [2] proponen un marco teórico diseñado
para apoyar actividades enfocadas principalmente
a proyectos de investigación en robótica, además
los autores comparan y seleccionan un conjunto
de metodologías para diseñar estrategias de CC
[12]. En consecuencia, se puede afirmar que no
existe un marco general que pueda tomarse como
base para la formulación de proyectos de CC, de
esta manera, los datos obtenidos en este tipo de
proyectos carecen de la calidad esperada por los
diferentes participantes, independientemente del
área de aplicación del proyecto de CC.
B. Norma UNE 0080:2023
La norma U NE 0080:2023 es una guía para la Mejora
de los Datos, es un marco para evaluar y mejorar
la madurez de los procesos de la organización
relacionados con la gestión, gobernanza y calidad
de datos. La UNE 0080:2023, está alineada
con varios estándares internacionales ISO/IEC
8000-61[8], ISO/IEC 8000-62 [18], ISO 38505-
1 [19], y también recoge algunas de las mejores
prácticas de estándares como COBIT 2019 [20] y
75
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
DAMA’s DMBOK 2 [21]. La norma consiste de
dos componentes principales: 1) Un Modelo de
Referencia de Procesos (MRP), compuesto por 22
procesos agrupados en tres categorías: 5 procesos
en Gobernanza de Datos (GD), 13 procesos en
Administración de Datos (AD) y 4 procesos
en Gestión de Calidad de Datos (GCD). 2) Un
Modelo de Evaluación de Procesos (MEP), con
indicaciones para evaluar y mejorar la madurez de
una organización en relación con la capacidad de
la organización de sus procesos GD, GCD y AD.
III. Método de investigación
VI. Modelo de referencia de
procesos MAR.CI.CI
Para generar el framework MAR.CI.CI, se tomó
como base el método Investigación-Acción (IA)
[22] debido principalmente a la necesidad de
“centrarse en los sistemas sociales y poner el
conocimiento en acción lo antes posible”. IA es
una forma de investigación colaborativa que busca
unir la teoría y la práctica entre investigadores
y profesionales a través de un proceso cíclico,
produciendo nuevos conocimientos que son
útiles en la práctica. IA ha sido utilizado de
manera satisfactoria en sistemas de información
[23] e Ingeniería de Software [24], y dada la
naturaleza misma del dominio ciudadano de esta
investigación, creemos que puede utilizarse con
éxito dado el fuerte componente del hecho "social".
En este caso, el objetivo de la investigación es el
“diseño de un framework para la formulación
de proyectos de ciencia ciudadana”. Para lograr
nuestro objetivo, se planificaron tres ciclos de IA.
Para cada ciclo de IA identificamos diferentes
grupos de referencia críticos, manteniendo como
beneficiarios potenciales a cualquier investigador
que quiera personalizar su propio proceso de
FPCC.
-Un ciclo inicial de Definición de IA, en
este ciclo inicial, se exploró la literatura existente
para identificar problemas comunes en el proceso
de FPCC; una vez identificados, se propuso una
versión inicial del MRP con la idea de abordar los
problemas específicos, junto con formas comunes
de afrontar los problemas de calidad de datos
mediante la alineación de los procesos propuestos
en la norma UNE 0080:2023. Esta primera
versión fue validada con un grupo de expertos en
El objetivo principal del MRP es identificar los
procesos que se pueden utilizar para describir
y caracterizar todo el ciclo de vida de la FPCC
aplicados a cualquier tipo de área, ayudando a
las personas a cargo a identificar diferencias y
limitaciones para lograr una mayor calidad de
datos desde la perspectiva de las distintas partes
interesadas. La estructura de la organización de
los dieciséis procesos incluidos en el MRP está
adaptada del concepto de proceso Primario,
de Soporte y Organizativo de la norma ISO/
IEEE 12207:2017 [9]. Esto permite una mejor
comprensión del propósito de cada proceso y
también se puede utilizar para determinar mejor
la contribución de cada proceso al objetivo general
de la FPCC. Como resultado de lo anterior, se
identificaron los siguientes 4 grupos de procesos:
(1) Procesos Estratégicos (G Procesos), (2)
Procesos Principales (M Procesos), (3) Procesos
de Soporte (S Procesos), and (4) Otros Procesos (O
Procesos). En aras de interoperabilidad con otros
enfoques de procesos basados en normas ISO, la
descripción de cada proceso del MRP en MAR.
el diseño de proyectos de CC, que actuaron como
grupo crítico de referencia. A través de tres ciclos
de reuniones con sus refinamientos, se produjo
la primera versión del MRP, presentada en este
artículo.
-Un segundo ciclo de Aceptación de
IA, cuyo objetivo principal es presentar el marco
completo a varias partes interesadas previamente
identificadas con diferentes responsabilidades
para el proceso de CC en varios proyectos, para
identificar sus debilidades y fortalezas desde
varios puntos de vista. Con la retroalimentación
obtenida se obtendrá una versión más refinada,
tanto del MRP como del MEP.
-Un tercer ciclo de Validación de
IA, se aplicará la versión final del framework
MAR.CI.CI a ciertos proyectos propuestos en
“Observatorio de Ciencia Ciudadana en España”
siguiendo la metodología de investigación de
estudio de caso.
76
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
CI.CI se realizó de acuerdo con ISO 24774 [25],
este modelo consta de los siguientes elementos.
-Título, es un encabezado descriptivo para
el proceso en cuestión.
-Propósito, describe el objetivo principal
del investigador al ejecutar cada proceso.
-Resultados, representa los resultados
observables de la ejecución exitosa del proces.
-Actividades, lista de acciones (mejores
prácticas) que pueden lograr los resultados.
Debido a las restricciones de extensión de este
documento, no se incluye la descripción completa
(por ejemplo, la descripción completa de los
cuatro elementos anteriores para los 4 grupos de
procesos). Solo se muestra el título, propósito, y
ciertos resultados y actividades del primer grupo
de Procesos Estratégico.
A. Grupo de procesos estratégico.
Este grupo de procesos aborda los asuntos
relacionados con la gobernanza de las actividades
de la FPCC (Tabla I), es decir, las relacionadas
con la creación de estándares internos, mejores
prácticas, y políticas para regular los detalles
-incluyendo los aspectos sobre la calidad de
datos desde el punto de vista institucional- en
relación con las diversas etapas de todos los datos
considerados para proyectos de CC. También se
destaca el enfoque en la estructura organizacional
y el recurso humano.
Como ejemplo, enseguida se mencionan los
resultados para el proceso G.01:
a) Lista actualizada de mejores prácticas en
la FPCC; b) Lista actualizada de pautas para
datos de la FPCC; c) Listado de políticas de
datos para la FPCC; d) Recursos para difundir
las mejores prácticas, normas, políticas y
directrices.
Para lograr los resultados previos del G.01, se
proponen las siguientes actividades:
- AG01.1. Seleccionar y definir las mejores
prácticas de CC para el área de investigación
específica del proyecto.
- AAG01.2. Asignar episodios a los participantes
en el proyecto de CC de acuerdo con reglas
predefinidas.
- AAG01.3. Enumerar y definir las normas y
regulaciones más importantes en materia
de protección/seguridad de datos, calidad
y acceso, para cumplir con el Reglamento
General de Protección de Datos (por ejemplo,
de la Unión Europea-EU GDPR).
- AG01.4. Definir normas sobre libros de
referencia estándar, instrumentos de apoyo y
directrices de proyectos de CC.
- AG01.5. Definir y armonizar las fuentes de
documentación que se considerarán para el
proyecto de CC específico.
Tabla I
PROCESOS ESTRATÉGICOS
Título del proceso Propósito
G.01. Creación o selec-
ción, implementación y
mantenimiento de están-
dares, mejores prácticas,
normas y políticas
El objetivo principal de este proceso es
establecer el entorno de gestión nece-
sario para ejecutar las actividades del
proyecto de CC de acuerdo con el área
de investigación específica, y las capa-
cidades de las instituciones; siguiendo
los criterios y recomendaciones brin-
dadas por los organismos autorizados a
nivel nacional.
G.02. Desarrollo y mejo-
ra de controles para cum-
plir con las políticas
Desarrollar y mantener los controles
correspondientes para verificar si las
políticas propuestas se están cumplien-
do durante la ejecución de las activida-
des de CC.
G.03. Administración
de la estructura organi-
zacional
Este proceso tiene como objetivo es-
tablecer y mantener una organización
de apoyo para los procesos de datos de
CC, identificando roles y responsabili-
dades y también definiendo las compe-
tencias y habilidades que se requieren
para cada responsabilidad
G.04. Gestión de compe-
tencias y habilidades de
los stakeholders
G.05. Identificación de
riesgos de los datos
Mantener un catálogo de la formación
necesaria para garantizar que los dife-
rentes participantes puedan alcanzar las
competencias y habilidades asociadas
necesarias para desempeñar sus fun-
ciones.
El propósito de este proceso es identi-
ficar los diferentes tipos de riesgos de
los datos que serán recopilados por los
diferentes participantes, por ejemplo,
privacidad, derechos, etc.
77
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
Tabla II
PROCESOS PRINCIPALES
Tabla IV
OTROS PROCESOS
Tabla III
PROCESOS PRINCIPALES
- AG01.6. Garantizar la concienciación, la
formación y la preparación continua sobre
terminologías particulares.
- AG01.7. Definir normas y estándares sobre
los recursos de software y hardware que se
utilizarán dentro del ciclo de vida de los datos
del proyecto de CC.
- AG01.8. Identificar lista de riesgos de datos
implicados en el ciclo de vida de datos.
B. Grupo de procesos principales.
Este grupo de seis procesos tiene como objetivo
cubrir todos los aspectos relacionados con el
proyecto de CC propiamente dicho, describiendo
las diversas actividades relacionadas con el
ciclo de vida de los datos, desde su recopilación
(registros obtenidos por los ciudadanos) hasta
el uso y la explotación de los datos por parte
de investigadores, instituciones o centros de
investigación. Véase la Tabla II para conocer el
propósito de cada proceso principal.
C. Grupo de procesos de soporte.
En este grupo de cuatro procesos se abordan
los detalles de la gestión de la calidad de los
datos utilizados como entrada (recopilados por
ciudadanos e investigadores) y salida (datos
clasificados y metadatos) del proyecto de CC.
Además, se abordan las cuestiones relacionadas
con la gestión de la infraestructura tecnológica
y el mantenimiento de los estándares de datos
de referencia. La Tabla III muestra el título y
propósito del proceso.
D. Grupo de otros procesos.
Finalmente, un proceso perteneciente al grupo
Otros procesos se muestra en Tabla IV.
Título del proceso Propósito
M.01. Adquisición de
datos
Este proceso tiene como objetivo selec-
cionar y adquirir los datos necesarios
de las fuentes de datos típicas según el
área de aplicación del proyecto (datos
o registros tanto en papel como en
electrónico, imágenes, texto, audio,
fotografías, etc.).
M.02. Integración de los
datos (interno)
En este proceso se debe lograr la in-
tegración proveniente de las diversas
fuentes de datos para crear una base de
datos sólida para el proceso de ciencia
ciudadana.
M.03. Codificación de
los Metadatos
Este proceso tiene como objetivo
identificar adecuadamente cada uno
de los metadatos asociados a los datos
recopilados.
M.04. Envío de los datos
recopilados a un reposi-
torio central del proyecto
M.05. Explotación de
datos para los stakehol-
ders del proyecto
M.06. Explotación de
datos para futuras inves-
tigaciones
Este proceso cubre el envío de los datos
y sus metadatos correspondientes al
repositorio (base de datos) del proyecto.
El objetivo de este proceso es apoyar
todas las operaciones necesarias para
cada actor del proyecto, investigadores,
ciudadanos, universidades y organiza-
ciones.
Producir informes de investigación para
posiblemente proponer y liderar futuros
proyectos de investigación.
Título del proceso Propósito
S.01. Gestión de la
calidad de los datos de
entrada del proyecto de
ciencia ciudadana
El objetivo principal de este proceso es
evaluar el nivel de calidad tanto de los
datos como de los documentos recopi-
lados para el proyecto de CC.
S.02. Gestión de la
calidad de los datos de
ciencia ciudadana
Una vez producidos los datos, el objeti-
vo principal de este proceso es evaluar
la calidad de los datos resultantes del
proyecto de CC.
S.03. Gestión de datos
de referencia
Este proceso tiene como objetivo man-
tener los diversos datos de referencia
involucrados en el proyecto de CC
específico, según la disciplina o área de
aplicación.
S.04. Gestión de la in-
fraestructura tecnológica
Mantener un catálogo de la formación
necesaria para garantizar que los dife-
rentes participantes puedan alcanzar las
competencias y habilidades asociadas
necesarias para desempeñar sus fun-
ciones.
Título del proceso Propósito
O1. Proceso de difu-
sión de resultados El objetivo es publicar y difundir
los resultados del proyecto de CC.
Este proceso busca los espacios de
publicación específicos según la
disciplina de investigación, a fin de
describir los detalles más relevantes
del proyecto. De la misma manera,
los resultados se informan con fre-
cuencia en literatura popular, como
periódicos, revistas, sitios web y
boletines publicados por una varie-
dad de organizaciones.
78
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
E. Personalización del framework para un
contexto específico.
Se pretende que el MRP de MAR.CI.CI sea
lo suficientemente completo y flexible como
para poder personalizarse adecuadamente
para diversos contextos o disciplinas (por
ejemplo, países específicos). Así, los resultados
y las actividades deberían seleccionarse y
reinterpretarse para el contexto específico. Esto
implica, por ejemplo, identificar quiénes son los
actores y partes interesadas más relevantes para
los diversos grupos de procesos en cada contexto.
En este sentido, se han identificado actores/partes
interesadas que son muy relevantes para cualquier
tipo de proyecto de CC, independientemente del
área de aplicación del proyecto. Dichos actores se
han clasificado en tres grupos importantes:
Roles consultivos y responsabilidades. Son
los responsables de formular políticas generales
o los proponentes de políticas para el dominio
específico del proyecto de CC, que normalmente
están fuera de la organización a cargo de ejecutar el
proyecto. Proporcionan algunas sugerencias sobre
preocupaciones generales y recomendaciones
para algunas actividades, por ejemplo, la
publicación de resultados. Estos no suelen ser
roles activos, pudiéndose enumerar los siguientes:
1. Agencias y departamentos gubernamentales.
2. Organizaciones de la sociedad civil, grupos
informales y miembros de la comunidad.
Roles activos y responsabilidades para el
proceso. Trabajadores que de alguna manera están
involucrados en tareas de proyectos de CC a nivel
institucional, tanto para los Procesos Estratégicos,
Principales y de Soporte: 1. Investigadores
principales. 2. Comunidad académica. 3.
Ciudadanos involucrados en los proyectos de CC
(voluntarios y/o participantes). 4. Administradores
de instituciones de investigación. 5. Especialistas
tecnológicos.
Roles beneficiados, desempeñado por las partes
interesadas que utilizarán los datos recopilados y
clasificados para diversos fines: 1. Organizaciones
académicas y de investigación. 2. Investigadores
(de otras áreas o disciplinas relacionadas al
proyecto). 3. Ciudadanos en general (comunidad).
4. Instituciones de aprendizaje formal. 5. Negocios
e industria.
Personalización del framework MAR.
CI.CI para proyectos de CC específicos. La
institucionalización del framework MAR.CI.CI
implica la identificación y personalización de los
diversos resultados y actividades para la realidad
de las instituciones de investigación, considerando
las particularidades del flujo regular de datos que
siguen los procesos principales.
Como parte de esta personalización de actividades,
se deben identificar los puestos específicos en las
instituciones de investigación correspondientes
a los roles introducidos anteriormente y asignar
sus responsabilidades de manera conveniente,
además de establecer adecuadamente los medios
de comunicación. Con respecto a los resultados
y productos de trabajo, cada institución de
investigación o investigadores principales deben
generar consenso sobre cómo nombrarlos,
almacenarlos y establecer pautas mediante
políticas y procedimientos para explotarlos.
Esta investigación ha sido motivada por la
hipótesis de que contar con un framework para
proyectos de CC, y ponerlo en marcha no sólo
contribuirá a una mayor homogeneización de
sus procesos para instituciones de investigación
específicas, o disciplinas y áreas de investigación
particulares, sino también a posibilitar una mejor
interoperabilidad entre otras organizaciones,
posibilitando incluso la evaluación comparativa.
Además, la institucionalización de este framework
hará que el proyecto de CC sea mucho más eficiente,
interoperable y libre de errores, al afrontar la lista
de problemas enumerados en la sección II.A de
forma unificada y controlada desde un punto de
vista organizativo.
El principal impacto esperado de este MRP
no es solo identificar, mapear y estructurar los
diversos procesos y actividades relacionados
con el proyecto de CC en la vida cotidiana en
V. Discusión y trabajo futuro
79
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
las instituciones de investigación, sino también
proporcionar una herramienta de trabajo para
promover la reutilización de datos, las buenas
prácticas de CC y la organización de procesos,
promoviendo la mejora de la calidad de los
datos y el cuerpo de conocimientos. Como parte
del trabajo futuro a corto plazo, llevaremos a
cabo el ciclo de aceptación de la metodología
de Investigación-Acción, en el que pretendemos
obtener la aceptación de la comunidad involucrada
en los procesos de CC. Para ello, realizaremos
una serie de cuestionarios y entrevistas con
representantes de las distintas partes interesadas
descritas en la sección IV.E. La retroalimentación
obtenida se utilizará para refinar el MRP.
[1] M. Haklay, D. Dorler, F. Heigi, M. Manzoni,
S. Hecker, y K. Vohland, «What is citizen
science? The challenges of definition»,
Springer, pp. 13-32, 2021, doi: https://doi.
org/10.1007/978-3-030-58278-4_2.
[2] F. Bolici y N. A. Colella, «How to Design
Citizen-Science Activities: A Framework
for Implementing Public Engagement
Strategies in a Research Project»,
Organizing for Digital Innovation, vol. 27,
2019, doi: doi.org/10.1007/978-3-319-
90500-6_12.
[3] A. Land-Zandstra, G. Agnello, y Y.
Gultekin, «Participants in Citizen Science»,
Springer, pp. 243-259, 2021, doi: https://
doi.org/10.1007/978-3-030-58278-4_13.
[4] M. Kosmala, A. Wiggins, A. Swanson, y
B. Simmons, «Assessing data quality in
citizen science», Frontiers in ecology and
the environment, pp. 551-560, 2016, doi:
doi:10.1002/fee.1436.
[5] GEWISS Consortium, «Citizen science
for all. A guide for citizen science
practitioners.» 2016. [En línea]. Disponible
en: https://www.buergerschaffenwissen.
de/sites/default/files/grid/2017/11/21/
handreichunga5_engl_web.pdf
[6] S. Kelling, D. Fink, F. La Sorte, A. Johnston,
N. E. Bruns, y W. M. Hochachka, «Taking
a ‘Big Data’ approach to data quality in a
citizen science project», Ambio, vol. 44, n.o
VII. Referencias
4, pp. 601-611, 2015, doi: doi.org/10.1007/
s13280-015-0710-4.
[7] R. Downs, H. Ramapriyan, G. Peng, y Y.
Wei, «Perspectives on Citizen Science Data
Quality», Frontiers in Climate, vol. 3, 2021,
doi: 10.3389/fclim.2021.615032.
[8] ISO, «ISO 8000-61:2016: Data quality
— Part 61: Data quality management:
Process reference model», ISO. Accedido:
4 de agosto de 2021. [En línea].
Disponible en: https://www.iso.org/cms/
render/live/en/sites/isoorg/contents/data/
standard/06/30/63086.html
[9] ISO, «ISO/IEC/IEEE 12207:2017 -
Systems and software engineering —
Software life cycle processes», ISO/IEC/
IEEE 12207:2017. Accedido: 11 de abril
de 2022. [En línea]. Disponible en: https://
www.iso.org/cms/render/live/en/sites/
isoorg/contents/data/standard/06/37/63712.
html
[10] UNE, «Especificación UNE 0080:2023,
Gestión de Evaluación del Gobierno,
Gestión y Gestión de Calidad del Dato».
2023.
[11] ISO, «ISO/IEC 33003:2015: Information
technology — Process assessment —
Requirements for process measurement
frameworks», ISO. Accedido: 11 de abril
de 2022. [En línea]. Disponible en: https://
www.iso.org/cms/render/live/en/sites/
isoorg/contents/data/standard/05/41/54177.
html
[12] R. Bonney, C. B. Cooper, J. Dickinson, S.
Kelling, y T. Phillips, «A developing tool for
expanding science knowledge and scientific
literacy», BioScience, vol. 59, pp. 977-984,
2009.
[13] J. C. Tweddle, P. F. Fisher, M. J. Pocock,
y H. E. Roy, «Guide to citizen science:
developing, implementing and evaluating
citizen science to study biodiversity and the
environment in the UK». Natural History
Museum and NERC Centre for Ecology &
Hydrology for UK-EOF, 2012. [En línea].
Disponible en: https://www.ceh.ac.uk/sites/
default/files/citizenscienceguide.pdf
[14] D. Acevedo Caradeux, «Ciencia
Ciudadana. Principios, Herramientas,
80
REVISTA PERSPECTIVAS
VOLUMEN 7, N˚1 / ENERO - JUNIO 2025 / e - ISSN: 2661
Proyectos de Medio Ambiente». Fundación
Ciencia Ciudadana. Embajada de
Canadá, 2018. [En línea]. Disponible en:
http://cienciaciudadana.cl/wp-content/
uploads/2018/04/libro-CC-OK.pdf
[15] ECSA, «Ten Principles of Citizen
Science». ECSA (European Citizen Science
Association), 2015. [En línea]. Disponible
en: doi.org/10.17605/OSF.IO/XPR2N
[16] CitizenScience.gov, «Federal
Crowdsourcing and Citizen Science
Toolkit». U.S. General Services
Administration, 2015. [En línea].
Disponible en: https://www.citizenscience.
gov/toolkit/howto/#
[17] D. Fraisl, G. Hager, B. Bedessem, M.
Gold, y P.-Y. Hsing, «Citizen science in
environmental and ecological sciences»,
Nature Reviews Methods Primers, vol. 2,
2022, doi: doi.org/10.1038/s43586-022-
00144-4.
[18] ISO, «ISO 8000-62:2018: Information
technology — Process assessment —
Requirements for process reference, process
assessment and maturity models», ISO.
Accedido: 11 de abril de 2022. [En línea].
Disponible en: https://www.iso.org/cms/
render/live/en/sites/isoorg/contents/data/
standard/06/53/65340.html
[19] ISO, «ISO/IEC 38505-1:2017 Information
technology — Governance of IT —
Governance of data — Part 1: Application
of ISO/IEC 38500 to the governance of
data», ISO/IEC 38505-1:2017 Information
technology — Governance of IT —
Governance of data — Part 1: Application
of ISO/IEC 38500 to the governance of
data. Accedido: 9 de mayo de 2021. [En
línea]. Disponible en: https://www.iso.org/
standard/56639.html
[20] ISACA, COBIT 2019 Framework.
Introduction and methodology.
Schaumburg, IL. EE.UU, 2018.
[21] DAMA, DAMA-DMBOK: data
management body of knowledge. Technics
Publications, LLC, 2017.
[22] C. Wohlin y P. Runeson, «Guiding the
selection of research methodology in
industry–academia collaboration in software
engineering», Information and Software
Technology, vol. 140, p. 106678, dic. 2021,
doi: 10.1016/j.infsof.2021.106678.
[23] D. E. Avison, R. M. Davison, y J.
Malaurent, «Information systems action
research: Debunking myths and overcoming
barriers», Information & Management, vol.
55, n.o 2, pp. 177-187, mar. 2018, doi:
10.1016/j.im.2017.05.004.
[24] M. Staron, Action Research in Software
Engineering. Springer, 2020.
[25] ISO, «ISO/IEC/IEEE 24774:2021 Systems
and software engineering — Life cycle
management — Specification for process
description», ISO. Accedido: 11 de abril
de 2022. [En línea]. Disponible en: https://
www.iso.org/cms/render/live/en/sites/
isoorg/contents/data/standard/07/89/78981.
html
