Warum Forschungsdatenmanagement?

Stadien des Data Life Cycle modifiziert nach UK Data Archive (www.data-archive.ac.uk) und forschungsdaten.info (www.forschungsdaten.info).

Forschungsdaten sind Daten, die im Forschungsprozess gesammelt, beobachtet, simuliert, abgeleitet oder generiert werden. Hierzu gehören unter anderem: Messdaten, Laborwerte, audiovisuelle Informationen, Texte, Surveydaten, Objekte aus Sammlungen, Proben, methodische Testverfahren, Fragebögen und Simulationen.

Forschungsdaten bilden eine Grundlage wissenschaftlichen Arbeitens und sollten daher über den gesamten Forschungsprozess – von der Datengewinnung bis zur Publikation und zur langfristigen Bereitstellung – nach fachlich einschlägigen Standards behandelt und dokumentiert werden.

Ein nachhaltiges Forschungsdatenmanagement (FDM) umfasst die Erhebung, Speicherung, langfristige Sicherung und Dokumentation der Forschungsdaten anhand fachspezifischer Standards. Die somit erreichte Nachvollziehbarkeit des Entstehungsprozesses der Forschungsdaten garantiert deren Qualität und eröffnet Anschlussmöglichkeiten für die weitere Forschung.

Dabei legt jede Forscherin und jeder Forscher der Universität Bayreuth innerhalb des rechtlichen Rahmens fest, zu welchem Zeitpunkt und zu welchen Bedingungen ihre bzw. seine Forschungsdaten zugänglich gemacht werden.

Lesen Sie hier den vollständigen Text der Leitlinien der Universität Bayreuth zum Forschungsdatenmanagement vom November 2023 sowie unsere Handlungsempfehlungen zum Forschungsdatenmangment an der Universität Bayreuth vom Juni 2023.

Datensouveränität für die Forschenden

Eine gute Organisation der eigenen Daten erleichtert die wissenschaftliche Arbeit, z.B. das Wiederfinden von Daten (Data Inputs, Analysen, Outputs zu verschiedenen Stadien der Analyse). Außerdem ermöglicht das Management der Daten eine Steuerung der eigenen Arbeitsprozesse, so dass bereits durchgeführte Analysen wiederholbar und nachvollziehbar werden (Output Input Match) und die Daten einer Qualitätskontrolle unterzogen werden. Es wird ein Überblick über die verschiedenen Datenversionen geschaffen, irrelevante Daten können leichter identifiziert werden und ‚Sloppy Science‘ Vorwürfen kann entgegengewirkt werden.

Vorteil von Daten in Repositorien:

• Sichtbarkeit der eigenen Daten und der eigenen Forschung
• Publikation der Daten mit DOI: Daten können zitiert werden
• Direkte Verlinkung zur wissenschaftlichen Publikation

Gesellschaftliche Relevanz

Wir leben im Zeitalter der Datenfluten (‚Data Deluge‘), diese müssen gut organisiert werden und zugänglich sein. Ebenso sind die Wiederholbarkeit von Versuchen und Analysen sowie die Wiederverwertbarkeit der Daten Eckpfeiler guter wissenschaftlicher Praxis. Daten haben einen hohen Eigenwert, sind teuer und zeitaufwendig zu erheben und müssen gut verwahrt werden. Ein Datenmanagement zu versäumen, zieht Kosten mit sich, auch aus diesem Grund werden Datenmanagementpläne (DMP) zunehmend von Förderern verlangt.

Ein gutes Datenmanagement gewährleistet:

• langfristigen Zugang zu den Daten für Wiederholbarkeit und eine mögliche Nachnutzung durch die Forschenden selbst oder durch andere
• Ausschöpfen des Datenkapitals durch verbesserte Nachnutzung von Daten
• Identifikation neuer, bisher unbekannter Zusammenhänge durch Verknüpfung verschiedener Datensätze
• Verbesserung der Datenqualität: Genauigkeit, Integrität, Relevanz, Nutzen
• Nachhaltigkeit der Daten