Forschungsdatenmanagement “FDM”

Forschung und Innovationen haben einen erheblichen Einfluss auf unsere gesellschaftliche Entwicklung und können diese nachhaltig transformieren. Daher ist es entscheidend, die Qualität der Forschung, ihre Integrität, Vertrauenswürdigkeit und Nachvollziehbarkeit sicherzustellen. Nur durch eine gute wissenschaftliche Praxis kann Forschung den aktuellen und zukünftigen Herausforderungen gerecht werden. Digitale Forschungsdaten sind wesentliche Ergebnisse einer wissenschaftlichen Arbeit, die im Forschungsprozess entstehen und die Resultate dokumentieren. In der Erstellung wird viel Geld, Zeit und Expertise investiert. Gleichzeitig haben moderne wissenschaftliche Arbeitsinstrumente das Volumen und die Komplexität der Forschungsdaten erhöht, was den Umgang mit diesen Daten anspruchsvoller macht.

“Zu Forschungsdaten zählen u.a. Messdaten, Laborwerte, audiovisuelle Informationen, Texte, Surveydaten, Objekte aus Sammlungen oder Proben, die in der wissenschaftlichen Arbeit entstehen, entwickelt oder ausgewertet werden. Methodische Testverfahren, wie Fragebögen, Software und Simulationen können ebenfalls zentrale Ergebnisse wissenschaftlicher Forschung darstellen und sollten daher ebenfalls unter den Begriff Forschungsdaten gefasst werden.”¹

Forschungsdatenmanagement (FDM) umfasst die Prozesse der Transformation, Selektion und Speicherung von Forschungsdaten, mit dem Ziel, diese langfristig und personenunabhängig zugänglich, nachnutzbar und überprüfbar zu halten. Durch strukturierte Maßnahmen an allen Punkten des Datenlebenszyklus kann die wissenschaftliche Aussagekraft von Forschungsdaten erhalten bleiben, ihre Zugänglichkeit für Dritte zur Auswertung und Analyse gewährleistet und die Nachweiskette gesichert werden.²

Die notwendigen Maßnahmen variieren je nach Zweck, für den die Forschungsdaten genutzt werden sollen. Forschungsdaten können als Arbeitskopie für ein wissenschaftliches Arbeit verwendet werden. Für die spätere Forschung können sie auch nachgenutzt oder als Dokumentation des korrekten wissenschaftlichen Arbeitens aufbewahrt werden. Diese Aufbewahrung dient zudem dazu, die rechtliche und forschungsfremden Anforderung gerecht zu werden.

Dabei ist es hilfreich, sich am Datenlebenszyklus zu orientieren und einen Datenmanagementplan (DMPs) zu nutzen, um den spezifischen Anforderungen eines Projekts gerecht zu werden. DMP definiert die Implementierung und den Betrieb eines Datenarchivs. Dazu gehört die Analyse des Workflows von der Datenerzeugung bis zur Nutzung, um zwischen speicherwürdigen und intermediären Daten zu unterscheiden und die Aufbewahrungsdauer festzulegen. Ein weiterer wesentlicher Bestandteil ist die Qualitätskontrolle, die den Inhalt und die technische Integrität der Daten bewertet

Wichtige Aspekte im DMP umfassen administrative Informationen (Projektname, Datenurheber, Verantwortlichkeiten), Projekt- und Datenbeschreibung (Erhebungsmethode, Datentypen, Formate), Dateinamenskonventionen, Beachtung fachspezifischer Leitlinien sowie rechtlicher und ethischer Aspekte, Back-up-Strategien und die Speicherung in offenen Formaten (csv, txt, png, FLAC, MKV). Zudem sind Datendokumentation mittels Metadatenstandards, Readme-Files, Codebooks, Laborbüchern und Daten Versionierung wichtig, ebenso wie Lizenzierung, Archivierung und Veröffentlichung der Daten in geeigneten Repositorien sowie die Berücksichtigung der Kosten für das Forschungsdatenmanagement. Diese Maßnahmen gewährleisten eine systematische Erfassung, sichere Aufbewahrung und zukünftige Zugänglichkeit der Daten.³

Die FAIR-Prinzipien definieren einen Idealzustand für Forschungsdaten, der folgende Merkmale umfasst: Findable (auffindbar), Accessible (zugänglich), Interoperable (interoperabel) und Re-Usable (nachnutzbar). Daten sollten leicht auffindbar sein, was durch ausreichende Metadaten und durchsuchbare Datenbanken gewährleistet wird, sowie durch eindeutige Identifikatoren wie DOIs. Sie sollten zugänglich sein, mit öffentlich zugänglichen Metadaten und klar definierten Zugriffsrechten, wobei offene und standardisierte Protokolle verwendet werden. Interoperabilität erfordert standardisierte Datenformate und kontrollierte Vokabulare, sodass Daten nahtlos mit anderen Datensätzen integriert werden können. Nachnutzbarkeit bedeutet, dass Daten gut dokumentiert und klar beschrieben sein müssen, mit Informationen über Herkunft und Nutzungsbedingungen, unterstützt durch klare Lizenzierung. Diese Prinzipien gewährleisten, dass Forschungsdaten den größtmöglichen Nutzen für die wissenschaftliche Gemeinschaft und darüber hinaus bieten.4 Durch die Einhaltung dieser FAIR-Prinzipien wird sichergestellt, dass Forschungsdaten den größtmöglichen Nutzen für die wissenschaftliche Gemeinschaft und darüber hinaus bieten.

Die Aufgabenbereiche im Management von Forschungsdaten lassen sich in zwei Hauptkategorien unterteilen. Einige Aufgaben lassen sich klar in einem Lebenszyklus mit definierten Schritten verorten (siehe Abbildung 1). Andere Aufgaben hingegen sind in jedem Abschnitt des Lebenszyklus relevant (siehe Abbildung 2).

Die verschiedenen Phasen, von der Erstellung über die Nutzung und Analyse der Forschungsdaten, deren Aufbereitung, Archivierung und Veröffentlichung bis hin zur Wiederverwendung und gegebenenfalls zur geplanten Löschung, werden als Lebenszyklus der Forschungsdaten bezeichnet.

Es gibt eine Vielzahl von Lebenszyklus-Modellen für digitale Informationen. Im Folgenden wird ein vereinfachtes Modell benutzt.

Abbildung 1: Forschungsdaten-Lebenszyklus ⁵

Planung der Datenerhebung: Die Verwaltung von Forschungsdaten erfordert eine umfassende Planung und Durchführung über den gesamten Datenlebenszyklus hinweg. Ein zentraler Aspekt ist die frühe Festlegung, welche Daten für die Beantwortung der wissenschaftlichen Fragestellung benötigt werden und ob diese bereits vorhanden sind oder neu generiert werden müssen. Ebenso werden Maßnahmen geplant, die den Umgang mit den Daten bestimmen, um deren späteres Management zu erleichtern. Wichtige Entscheidungen in dieser Phase betreffen beispielsweise die Auswahl geeigneter Standards.

Erhebung: Die Datenerhebung umfasst das Sammeln neuer Daten durch Experimente, Interviews, Bildaufnahmen oder Beobachtungen sowie die Zusammenstellung bereits vorhandener Daten.

Aufbereitung: Bei der Aufbereitung der Daten werden Kriterien und Methoden festgelegt, um zu entscheiden, welche Daten langfristig aufbewahrt und welche gelöscht werden sollen. Dies beinhaltet auch die Umwandlung aller relevanten Daten in ein geeignetes Format für die geplante Forschungsarbeit

Beschreibung / Dokumentation: Die Beschreibung und Dokumentation der Daten erfolgt, um den Entstehungskontext der Daten transparent zu machen, beispielsweise durch Angaben zu Ort, Datum oder den verwendeten Geräten und Werkzeugen. Daten, die langfristig aufbewahrt werden sollen, werden in spezielle Datenarchive überführt und dabei gegebenenfalls zusätzlich aufbereitet und angereichert.

Publikation: Für die Publikation der Daten werden sie gemäß den relevanten Standards und Formaten vorbereitet, um ihre Auffindbarkeit und Nachnutzbarkeit sicherzustellen, sowohl für neue wissenschaftliche Fragestellungen als auch als Beleg für die wissenschaftliche Praxis.

Verbreitung: Ausgewählte Daten werden zur Verbreitung entweder frei zugänglich gemacht oder auf Anfrage geteilt, um anderen Forschern die Möglichkeit zu geben, eigene Forschungsergebnisse zu nutzen. Hierbei ist die Bereitstellung persistenter Identifikatoren und geeigneter Datenbanknachweise von großer Bedeutung.

Langzeitarchivierung: Die langfristige Archivierung der Daten wird sorgfältig geplant, um deren Erhaltung über lange Zeiträume hinweg sicherzustellen und Datenverluste zu minimieren. Dies umfasst die Auswahl geeigneter Speicherlösungen, Medienformate und Repositorien sowie die Klärung von Kosten, technischen Anforderungen, Urheberrechtsfragen und Haftungsregelungen.

Nachnutzung: Die Nachnutzung der Daten wird strategisch festgelegt, um sicherzustellen, dass die Daten auch nach Abschluss des Projekts gefunden und verwendet werden können. Dies umfasst Regelungen zur Auffindbarkeit, Zugriffsberechtigung und den Bedingungen für die Nutzung durch Dritte. ⁶

Zusätzlich zu den spezifischen Aufgaben in jedem Abschnitt des Datenlebenszyklus gibt es übergreifende Themen, die in allen Phasen relevant sind und gesondert betrachtet werden müssen.

Abbildung 2: Übergreifende Aufgaben des Forschungsdatenmanagements ⁷

Management, Organisation und Richtlinien: Die Aufbewahrung von Forschungsdaten erfordert mehr als nur technische Lösungen. Eine Organisation muss die Verantwortung übernehmen und mit dokumentierten Prozessen sicherstellen, dass langfristig alle erforderlichen Maßnahmen ergriffen werden. Ob diese Organisation ein spezialisiertes Datenarchiv, ein Konsortium oder eine interdisziplinäre Einrichtung wie ein universitäres Rechenzentrum ist, spielt eine nachgeordnete Rolle.

Rechtliche Aspekte: Forschung muss stets geltendem Recht und ethischen Standards entsprechen. Beim Management von Forschungsdaten sind besonders der Schutz personenbezogener Daten, Urheberrechte, Lizenzierung und Vertraulichkeit zu beachten.

Finanzierung und Förderung: Die Kosten für die Aufbewahrung von Forschungsdaten sind ein limitierender Faktor. Besonders die Entwicklung der Kosten und die Gesamtkosten einer dauerhaften Archivierung sind noch offene Fragen in der Forschung.

Metadaten: Metadaten sind strukturierte Informationen über die vorliegenden Daten und für das Management von Forschungsdaten in jeder Phase des Lebenszyklus unverzichtbar.

Identifikatoren: Identifikatoren sind ein wesentlicher Bestandteil des Forschungsdatenmanagements. Ein präzises Konzept zur Identifizierung von Forschungsdaten trägt dazu bei, wichtige Fragen im Zusammenhang mit Informationsobjekten zu klären.⁸

FDM für Studierende

FDM umfasst verschiedene Schritte, die Studierende unternehmen können, um ihre Forschungsdaten effizient zu organisieren, speichern, analysieren, teilen und archivieren.

Im Anschluss werden die grundlegenden Schritte, die Studierende mit FDM für ihre wissenschaftlichen Arbeiten durchführen können, dazu praktische Tools zusammengefasst:

Datenorganisation:

• Erstellen einer klaren Struktur für die Daten.
• Benennen von Dateien und Ordnern konsistent und verständlich.
• Dokumentieren der Daten, damit sie später leicht deutlich sind (z.B. mit README-Dateien).

README-Dateien sind grundlegende Dokumente, die wichtige Informationen über ein Projekt enthalten. Sie dienen dazu, anderen Nutzern selbst zu erklären, wie das Projekt funktioniert, wie es verwendet wird und welche wichtigen Details beachtet werden sollten.

README-Dateien im Markdown-Format (‘.md’) können mit einer Vielzahl von Softwareanwendungen z. B.  MarkdownPad http://markdownpad.com/download.html erstellt und angezeigt werden.

Datenspeicherung:

• Speichern der Daten an einem sicheren Ort, idealerweise mit Backups.
• Nutzen von Cloud-Speicher (z.B. Google Drive https://www.google.com/drive/, Dropbox https://www.dropbox.com/) für einfachen Zugang und gemeinsame Nutzung.

Datenbereinigung:

• Daten auf Fehler überprüfen und korrigieren.
• Duplikate entfernen und Daten in ein konsistentes Format bringen (z.B. mit Tools wie OpenRefine https://openrefine.org/download).

Datenanalyse:

• Analysieren der Daten mit geeigneten Software-Tools (z.B. Jupyter Notebook https://jupyter.org/install).
• Anfertigen von Visualisierungen, um die Daten besser zu verstehen und zu präsentieren.

Datenmanagement und -dokumentation:

• Erstellen eines Datenmanagementplans (z.B. mit DMPTool https://dmptool.org/), der beschreibt, wie die Daten gehandhabt werden.
• Dokumentieren der Methoden und Prozesse, die bei der Datensammlung und -analyse verwendet wurden.

Kollaboration und Kommunikation:

• Zusammenarbeit mit anderen Forschern und Teammitgliedern, z.B. über Slack https://slack.com/intl/de-at/downloads/windows oder Trello https://trello.com/.
• Teilen der Daten und Ergebnisse mit anderen über geeignete Plattformen.

Datenveröffentlichung und -archivierung:

• Veröffentlichen der Daten in offenen Repositorien (z.B. Zenodo https://zenodo.org/), damit andere Forscher darauf zugreifen können.
• Langfristige Archivierung der Daten, um deren Verfügbarkeit für die Zukunft zu gewährleisten.

Durch sorgfältiges FDM können Studierende sicherstellen, dass ihre Daten sicher, verständlich und nützlich sind, sowohl während ihrer Forschung als auch für zukünftige Projekte.

Die studentischen Beiträge wurden im Rahmen des Seminars “Mittelalter Digital” von Dr. Alan van Beek im SoSe 2024 an der Universität Salzburg erstellt. Lizenz: CC-BY

1. DFG: Leitlinien zum Umgang mit Forschungsdaten. nach: www.dfg.de/download/pdf/foerderung/antragstellung/forschungsdaten/richtlinien_forschungsdaten.pdf [8.4.2020][↩]
2. Vgl. Kohl-Frey, Oliver (Direktor): Forschungsdatenmanagement. In: forschungsdaten.info, nach: Glossar | Praxis kompakt | Forschungsdaten und Forschungsdatenmanagement Zugriff 03.07.2024[↩]
3. Raatz, Philip: Forschungsdatenmanagement. In: WEGWEISER FORSCHUNGSDATENMANAGEMENT, Hochschule Bochum/Fachhochschule Dortmund/Westfällische Hochschule (o.J) nach: Wegweiser-FDM.pdf (hochschule-bochum.de) Zugriff: 03.07.2024[↩]
4. Vgl. Jens Ludwig / Harry Enke (Hrgs.): Leitfaden zum Forschungsdaten-Management. Handreichungen aus de, WissGrid-Projekt, Werner Hülsbusch, Glückstadt 2013. S.49f.[↩]
5. FDM-Bayern: Forschungsdatenmanagement, nach: Forschungsdatenmanagement (fdm-bayern.org[↩]
6. FDM-Bayern: Forschungsdatenmanagement, nach: Forschungsdatenmanagement https://www.fdm-bayern.org/forschungsdatenmanagement/ (fdm-bayern.org Zugriff 03.07.2024 [↩]
7. Jens Ludwig / Harry Enke (Hrsg.): Leitfaden zum Forschungsdaten-Management.Handreichungen aus de, WissGrid-Projekt, Werner Hülsbusch, Glückstadt 2013 S.16, nach: https://www.forschungsdaten.org/images/b/b0/Leitfaden_Data-Management-WissGrid.pdf Zugriff: 03.07.2024[↩]
8. Jens Ludwig / Harry Enke (Hrsg.): Leitfaden zum Forschungsdaten-Management.Handreichungen aus de, WissGrid-Projekt, Werner Hülsbusch, Glückstadt 2013 S.16, nach: https://www.forschungsdaten.org/images/b/b0/Leitfaden_Data-Management-WissGrid.pdf Zugriff: 03.07.2024[↩]

---

---