An algorithm is a defined sequence of steps used to solve a problem. The most common example of an algorithm is a recipe: the steps can be described unambiguously, can be carried out in a hands-on fashion, and always produce the same result when followed exactly. In principle, an algorithm can be formulated in any language (natural language or programming language). Generally speaking, virtually all automation processes are based on algorithms. In computer science, algorithms form the basis of almost all programmes and applications. They are used, for example, when structured data (such as authority files or metadata) or unstructured data (e.g. in data mining) is to be recorded in a standardised manner. In the context of machine learning or artificial intelligence (AI), algorithms are used to recognise patterns in large amounts of data and to abstract complex relationships.

Analogue research materials are physical objects, such as samples, physical photographs, handwritten notes, books, audio tapes, paintings, fossils, drill cores, or architectural models. To make analogue materials usable in a repository, they must either first be digitised (digital copy) or, at least, the associated metadata must be made available digitally. Analogue materials are the opposite of born-digital data, as the latter were created in a digital form and have thus always been digital.

The anonymisation of personal data in academic research is part of good research practice. According to paragraph 36 of the DSG NRW (Data Protection Law of North Rhine-Westphalia), anonymisation refers to any measures that alter personal data in such a way that “the individual details regarding personal or factual circumstances can no longer be attributed to a specific or identifiable natural person, or can only be attributed to such a person with a disproportionate expenditure of time, cost and labour” (translation of the original quotation). A distinction must be made between anonymisation and pseudonymisation.

An archive is generally understood as a collection of documents that are retained indefinitely. Archives are provided as service offerings, but they can also be established and operated under one’s own responsibility. The content’s organisation is based on the guidelines that underlie the respective archive. In research data management, the term archive refers to a collection of data. For research data, an archiving period of at least ten years has become the norm. A common form of archiving research data is done in repositories. A specialised form is the so-called long-term archiving.

[Translate to English:] siehe: Künstliche Intelligenz (KI)

For security or confidentiality reasons, some data, systems or services require access restrictions. In this case, the so-called authentication regulates the access. Via authentication, the legitimacy of individual access attempts can be verified with a number of different characteristics, such as IP address, login and password, security feature (key file, biometric feature, hardware token) or a combination (two-factor authentication). A functioning user management system or identity management (IDM) system for storing and managing the aforementioned characteristics is a prerequisite. One variant of authentication is the so-called single sign-on procedure, which is used by, e.g., Shibboleth. It allows a person to use multiple services with a single login. Authentication must be distinguished from authorisation, in which specific rights within the system are assigned to a specific person.

see: Data backup (Backup)

The term “best practice” refers to an optimal solution, an ideal method, or at least a well-established approach to a (work) process. Generally, this “best practice” has evolved over time with experience. When compiled as a “best practice example,” this approach serves as a model explicitly recommended for replication.

Digital data consists of a defined sequence of bits, which have the value 0 or 1 and are stored on data carriers. This sequence is called a bitstream. Bitstream preservation is the ability to preserve the bitstream beyond technological changes. This is a fundamental prerequisite for digital long-term archiving.

The term ‘born digital’ refers to data and materials that were created in a digital form. This term is not applicable to analogue materials which have been digitalised some time after their creation.

The CARE Principles for Indigenous Data Governance were developed by the Research Data Alliance International Indigenous Data Sovereignty Interest Group as a complement to the FAIR principles and published by the Global Indigenous Data Alliance (GIDA).

The acronym stands for Collective Benefit, Authority to Control, Responsibility and Ethics. Based on the CARE Principles, researchers are made aware of the need to safeguard the rights and interests of indigenous communities in efforts towards Open Data and Open Science; regardless of whether their research specifically concerns the communities themselves or affects them in other ways. The aim of the CARE Principles is, among other things, to make sure that the right of self-determination of indigenous individuals and groups is not disregarded due to unequal power relations or historical inequalities, e.g. through the use of data without taking the data providers into consideration. Moreover, the CARE Principles call for data sovereignty of indigenous communities. This also applies to data and other research findings relating to natural resources (e.g. georesources or plants) on the communities’ lands.

Data can be stored and shared in clouds, independently from local computers and networks, thereby enabling collaborative work on data. As clouds can be accessed from anywhere, they are a key component of research work involving data – for both individual researchers and research groups. Furthermore, software applications, computing power and other IT services can be obtained via cloud providers. Some institutions (e.g. companies) operate self-managed, private clouds; some IT companies offer standardised public cloud services. The use of such solutions raises questions regarding data security and data protection, particularly when the services are located outside the EU. For researchers, it is therefore recommended to use institutional or regional cloud services such as Sync&Share, Sciebo, Academic Cloud or Switch Drive. 

To ensure the maximum reusability of research data, it is recommended to actively grant usage rights, e.g. through licences. The use of liberal licensing models, in particular the globally recognised Creative Commons licences (CC), is one way of establishing transparent and legally sound conditions for the re-use of published research data regardless of differences in national copyright law

[Translate to English:] siehe: Datenzentrum

A Data Curation Profile describes the ‘history’ of a dataset or data collection, i.e. the origin and lifecycle of a dataset within a research project. The profile developed by Purdue University Libraries, along with the associated toolkit, is both a tool and a full-fledged collection of datasets. The tool is an interview instrument based on a template that facilitates a very thorough “data discussion,” which creates the “profile” as it is completed. The data collection can be searched for completed Data Curation Profiles, for example to support research data management units in the data curation within a specific discipline or research method.

Read the article

Data literacy describes the ability to handle data systematically throughout the entire data lifecycle. This encompasses the collection and selection of data, as well as its processing, analysis, presentation and sustainable use. Beyond that, data literacy includes a critical reflection on the handling of data (e.g. societal issues).

See: Text and Data Mining

Data stewards are experts in research data management. They are primarily employed at research institutions to support researchers in the sustainable handling of data. The tasks of data stewards primarily include consultations, training sessions, needs assessments, and requirements management. Decentralised data stewards work at faculty, institute or project level and assist researchers with discipline-specific concerns. Data stewards are often trained through RDM-related professionalisation programmes (e.g. certificate courses).

File formats (sometimes also referred to as file type or data format) are generated when files are saved; they contain information about the structure of the data contained in a file, as well as its purpose and affiliation. Based on the information contained in a file format, application programmes are able to interpret data and make its contents available. File formats can usually be identified by a corresponding extension appended to the actual file name. Such extensions consist of a dot followed by two to four letters.

In the case of so-called proprietary formats, files can only be opened, edited and saved with the corresponding application, utility or system programmes (for example, .doc/.docx, .xls/.xlsx). Open formats (for example, .html, .csv, .jpg, .mp3, .gif), on the other hand, allow files to be opened and edited with software from different manufacturers.

File formats can be actively changed during the saving process by means of conversion, which may result in data loss. In academia, file formats should be chosen with particular attention to compatibility, suitability for long-term archiving and lossless conversion to alternative formats. Therefore, open file formats should be preferred, wherever possible, when publishing and archiving data.

Read the article

The German database protection law (Sections 87a–87e of the Act on Copyright and Related Rights or Copyright Act) protects a database against unauthorised use and reproduction for a period of 15 years, provided that the database’s creation required a ‘substantial investment’ of money, time, labour, etc.. It is not the reproduction of the entire database that is prohibited, but only that of a “qualitatively or quantitatively substantial part”, although it may not always be clear how this is defined.

Database protection law exists in the EU, but not in Switzerland. It serves to protect investment. Although database protection law functions similarly to copyright law and is also found (at least in Germany) in the Copyright Act, it does not constitute copyright protection in the strict sense. Consequently, it is not necessary for the database to attain the so-called “intellectual level of creativity”; only a ‘substantial investment’ is required.

In addition, a database – in both Germany and Switzerland – may also be protected by copyright as a compilation if it has individual character and constitutes an intellectual creation (in Germany, this is referred to as a “database work” as a sub-category of a compilation). Furthermore, the individual data records may also be protected by copyright.

[Translate to English:] Datenjournale sind Publikationsmedien für Datensätze. Sie bieten umfassende Beschreibungen von Datensätzen, ohne diese zu interpretieren, und unterstützen damit die Nachnutzung von Forschungsdaten sowie deren Anerkennung als wissenschaftliche Leistung. Gleichzeitig verfolgen sie das Ziel, die Transparenz von wissenschaftlichen Methoden und Ergebnissen zu verbessern und unterstützen damit gute Praktiken des Datenmanagements. 

Zum Artikel

[Translate to English:] siehe: Data Literacy

[Translate to English:] Datenkompetenzzentren widmen sich mit mehrheitlich regionalem Fokus der Vermittlung von Datenkompetenz für Forschende unterschiedlicher Fachrichtungen. Sie schaffen didaktische Angebote und stellen diese bereit, bauen unterstützende Services auf und organisieren Veranstaltungen sowie Plattformen zum Austausch und zur Vernetzung. All dies verfolgt das Ziel, den Kulturwandel hinsichtlich der Nutzung von Forschungsdaten mitzugestalten.

Datenkompetenzzentren sind nicht zu verwechseln mit Datenzentren und Forschungsdatenzentren.

Übersichtsseite

[Translate to English:] Datenkuration umfasst alle erforderlichen Handlungen, um Forschungsdaten auszuwählen, (nachhaltig) zu pflegen, nachnutzbar zu machen und langfristig zu erhalten. Der Kurationsprozess beginnt mit der gezielten Auswahl von Daten, die aufgrund ihrer wissenschaftlichen Relevanz, Qualität oder rechtlichen Anforderungen aufzubewahren sind. Im weitesten Sinne bedeutet Kuration ferner eine Reihe von Maßnahmen zur Verwaltung, Pflege und Validierung dieser Daten im Sinne einer aktiven und laufenden Verwaltung während des Datenlebenszyklus. Datenkuration ist eine zentrale Bedingung für das Auffinden und Abrufen von Daten als auch für deren Qualitätserhalt, Mehrwert und perspektivische Nachnutzbarkeit.

[Translate to English:] Das Modell des Datenlebenszyklus umfasst alle Phasen, die Forschungsdaten von der Erhebung bis zur Nachnutzung durchlaufen können. Die Struktur des Datenlebenszyklus variiert von Modell zu Modell, im Allgemeinen umfasst er folgende Phasen: 

• Arbeit und Umgang mit Daten planen (siehe auch Datenmanagementplan)  
• Daten erheben
• Daten aufbereiten und analysieren
• Daten teilen und publizieren
• Daten archivieren
• Daten nachnutzen

Zum Artikel

[Translate to English:] Datenmanagementpläne (DMPs) beschreiben den Umgang mit Forschungsdaten, die im Rahmen eines Forschungsprojekts produziert oder (nach-)genutzt werden. DMPs umfassen dabei nicht nur die Projektlaufzeit selbst, sondern gehen auch darüber hinaus. Sie folgen dabei dem Forschungsdatenlebenszyklus, schließen aber auch rechtliche und ethische Rahmenbedingungen sowie personelle Zuständigkeiten ein. DMPs unterstützen so die systematische Planung und Umsetzung von datenmanagementbezogenen Maßnahmen sowie die Kalkulation der dafür benötigten materiellen und personellen Ressourcen.

DMPs unterstützen die FDM-Planung und dabei, die Arbeit mit Daten nachvollziehbar und strukuriert zu beschreiben. Darüber hinaus helfen sie, das kollaborative Arbeiten in der Gruppe zu strukturieren und zu standardisieren. Entsprechend tragen DMPs zur Qualitätssicherung sowie zur langfristigen Nutzbarkeit von Forschungsdaten bei und unterstützen die Umsetzung der FAIR-Prinzipien. DMPs sind lebende Dokumente, entsprechend sollten sie regelmäßig aktualisiert werden.

Zahlreiche Forschungsförderer verlangen mittlerweile die Einreichung eines DMPs oder zumindest eines FDM-bezogenen Textabschnitts mit dem Projektantrag als Fördervoraussetzung, meist ist eine erste DMP-Version jedoch erst zu oder kurz nach Projektbeginn erforderlich.

Zum Artikel

[Translate to English:] Datenmapping ist der Prozess der Überführung von Daten(elementen) von einem Datenmodell zu einem anderen. Dies ist der erste Schritt zur Integration von fremden Informationen in ein eigenes Informationssystem. Es umfasst die Datentransformation während eines elektronischen Datenaustauschs, für den sehr häufig die Auszeichnungssprache XML und das Datenformat JSON verwendet werden.

[Translate to English:] Ein Gesetz in Deutschland, das vorschreibt, in welcher Weise Daten in öffentlicher Hand (auch Forschungsdaten aus öffentlich finanzierter Forschung) veröffentlicht werden müssen. Die Regeln verpflichten nicht zum Teilen, sondern regeln nur das Wie, wenn sich jemand zum Teilen entschlossen hat oder bspw. durch Fördervertrag oder Forschungsdatenrichtlinie verpflichtet ist.

[Translate to English:] Der Begriff wird mehrdeutig verwendet und kann bezeichnen:

1. Eine Vereinbarung zur Weitergabe und Nachnutzung von Forschungsdaten, die nicht unter offener Lizenz stehen (engl. Data Transfer and Use Agreement, DTUA). Insbesondere bei sensiblen Forschungsdaten, wie beispielsweise in der Medizin, ist die Vergabe einer offenen Lizenz oft nicht möglich. Über ein DTUA können die Daten im Einzelfall dennoch zugänglich gemacht werden.
2. Eine Vereinbarung (Vertrag) zwischen den Forschenden eines Forschungsvorhabens, in der möglichst frühzeitig (bestenfalls noch vor Beginn der Datenerhebung) festgelegt wird, wer zu welchem Zeitpunkt welche Befugnisse im Umgang mit den Daten haben wird. Die Vereinbarung kann und sollte auch regeln, wie die Daten nach Projektende nachgenutzt und/oder veröffentlicht werden. Auf diese Weise wird Konflikten vorgebeugt, die aus späteren Meinungsverschiedenheiten über den bestmöglichen Umgang mit den gesammelten Forschungsdaten entstehen könnten.
3. Vereinzelt wird der Begriff auch für die datenschutzrechtliche Einwilligungserklärung bei Webseiten verwendet. Diese Begriffsverwendung hat mit Forschungsdaten nichts zu tun und wird hier nur der Vollständigkeit halber aufgeführt.

[Translate to English:] siehe: Forschungsdatenpolicy

[Translate to English:] Unter Datenschutz werden technische und organisatorische Maßnahmen gegen den Missbrauch von personenbezogenen Daten verstanden, die z. B. in der Medizin oder der sozialwissenschaftlichen Forschung erhoben werden. Ein Missbrauch liegt vor, wenn solche Daten unbefugt erhoben, verarbeitet oder genutzt werden. Geregelt ist das Thema Datenschutz u. a. in der Datenschutz-Grundverordnung (DSGVO) der EU sowie in den einschlägigen Bestimmungen der jeweiligen Staaten.

Geeignete datenschutzbezogene Maßnahmen sind etwa Verschlüsselungstechniken oder die Aufbewahrung entsprechender Daten an besonders gesicherten Orten. Ferner kann durch nachträgliche Anonymisierung oder Pseudonymisierung der Personenbezug soweit aufgehoben werden, dass eine Publikation dieser Daten unter Umständen rechtlich möglich werden kann.

[Translate to English:] Die bewusste, redundante Speicherung von Daten wird als Datensicherung oder Backup bezeichnet. Ziel ist die Wiederherstellbarkeit des gesicherten Bearbeitungsstandes (z. B. von Rohdaten) im Falle eines Datenverlustes durch etwa einen Gerätedefekt (Wasserschaden, Hacking), den Verlust von Arbeitsgeräten (USB-Stick, Laptop) oder durch eigene Fehler in der Datenbereinigung. Backups sind in allen Phasen des Forschungsdatenlebenszyklus empfehlenswert, v. a. in der Erhebungs- und Auswertungsphase. Idealerweise entstehen Backups automatisch und regelmäßig. Empfohlen wird die 3:2:1-Regel: dreifache Ablage (Arbeitsdatei und zwei Kopien), auf zwei verschiedenen Medientypen (z. B. Festplatte und Cloud), eine Ablage auf einem externen Standort (z. B. in einer Cloud mit verteilten Servern).

zum Artikel

[Translate to English:] siehe: Datentreuhandstelle

[Translate to English:] Datentreuhandstellen bzw. Datenspendestellen spielen insbesondere bei der Nachnutzung von personenbezogenen oder sensiblen Daten eine große Rolle. In der Regel dürfen diese Daten entweder aus rechtlichen Gründen oder sollten diese Daten aus ethischen Gründen nicht frei zugänglich sein. Dies dient der Wahrung der Persönlichkeitsrechte datengebender Personen, v. a. falls eine (vollständige) Ano- oder Pseudonymisierung von Daten nicht möglich ist, weil dadurch wichtige Informationen verloren gehen würden. Datentreuhandstellen bzw. Datenspendestellen werden damit beauftragt, den Zugang zu (personenbezogenen) Datensätzen zu kontrollieren. Auf Anfrage können Forschende über Datentreuhandstellen z. B. Zugriff auf ano- oder pseudonymisierte Datensätze bzw. auf für ihre Forschung wichtige Ausschnitte von Datensätzen bekommen, der ansonsten nicht möglich wäre. Ein solches Vorgehen ist z. B. auch für Datensätze von Unternehmen oder für Datensammlungen denkbar, deren Inhalte aus ethischen Gründen nicht offen zugänglich sein sollten (z. B. Hassrede, Eigentum indigener Gemeinschaften o. ä.). Gleichzeitig könnten Forschungsergebnisse über Datentreuhandstellen an datengebende Personen zurückgespielt werden (z. B. bzgl. personenbezogener Risiken, die durch die Forschung erkannt wurden).

In Fachdisziplinen wie z. B. der Medizin sind Datentreuhandstellen bereits etabliert, auch der Rechtsrahmen wurde entsprechend angepasst, um Datenspenden von Patient*innen zu ermöglichen (vgl. Gesundheitsdatennutzungsgesetz (GDNG)). Datentreuhandstellen in weiteren Disziplinen befinden sich im Aufbau.

[Translate to English:] Ein Daten- bzw. Rechenzentrum (engl. Data Center) ist ein Ort zur Bündelung von IT-Infrastrukturen. Der Begriff bezeichnet sowohl Räumlichkeiten, an denen sich Server und Netzwerktechnik befinden, als auch Stellen, an denen Daten verwaltet, gespeichert und ausgewertet werden. Datenzentren existieren in Forschung und Wirtschaft.

In wissenschaftlichen Einrichtungen handelt es sich bei Datenzentren in der Regel um eigene oder zumindest institutionsnahe Abteilungen zum Management und zur Speicherung von Daten, die entweder von der Einrichtung selbst oder von Kooperationspartner*innen erhoben werden.

Datenzentren sind nicht zu verwechseln mit Datenkompetenzzentren und Forschungsdatenzentren.

[Translate to English:] Ein Digitalisat ist das Endprodukt einer Digitalisierung, d. h. der Überführung eines analogen Gegenstands (Buch, Handschrift, Bild, Plastik etc.) in digitale Werte zur elektronischen Speicherung. Digitalisate haben gegenüber analogen Gegenständen den Vorteil, einfacher verteilt werden zu können; bei u.a. digitalen Forschungsdaten liegt ein weiterer Vorteil in deren maschineller Verarbeitbarkeit. Ferner verhindert die Arbeit mit Digitalisaten die Verfälschung bzw. Beschädigung des Originals (z. B. in der Archäologie) durch dessen weitere analoge Verarbeitung.

[Translate to English:] Das DINI-Zertifikat (Deutsche Initiative für Netzwerkinformationen) ist ein weithin anerkanntes Gütesiegel für Repositorien. Die Vergabe des DINI-Zertifikat garantiert eine hohe Qualität des Dienstes (Repositoriums) für Autor*innen, Nutzer, Geldgeber und der Leitung der zertifizierten Einrichtung. Es signalisiert, dass festgelegte Maßstäbe, Richtlinien und Empfehlungen (Best Practices) der Open-Access-Bewegung umgesetzt wurden. Mit der Version 2013 des DINI-Zertifikats können sich auch Hosting-Anbieter bestätigen lassen, dass bestimmte Mindestanforderungen aus dem Kriterienkatalog grundsätzlich für alle von ihnen betreuten Dienste erfüllt sind. Diese Kriterien werden für den entsprechenden Hosting-Anbieter als DINI-ready markiert und müssen später beim Zertifizierungsprozess nicht mehr gesondert vom Dienstanbieter ausgewiesen werden.

[Translate to English:] Digital Object Identifier (DOI) sind eines der gebräuchlichsten Systeme zur persistenten Identifikation digitaler Objekte. Konkret ist ein DOI eine Online-Referenz, die einer digitalen Ressource (z. B. einem Artikel in einer Zeitschrift oder einem Forschungsdatensatz) zugewiesen wird, um ihr eine eindeutige und dauerhafte Referenz im Internet zu geben. Ein DOI bleibt über die gesamte Lebensdauer eines bezeichneten Objekts gleich – unabhängig von Änderungen an Websites oder der Abschaltung von Servern. Das DOI-System wird von der International DOI Foundation verwaltet.

[Translate to English:] Elektronische Laborbücher (engl. Electronic Laboratory Notebooks, kurz: ELNs) spielen im Bereich der Dokumentation der Planung, Durchführung und Auswertung wissenschaftlicher Experimente eine zentrale Rolle – und sind damit auch zentrale Tools im Forschungsdatenmanagement. Sie treten häufig an die Stelle konventioneller analoger Laborbücher, gehen in ihren Funktionalitäten allerdings darüber hinaus. Neben generischen ELNs existieren auch disziplinspezifische ELNs, die Anforderungen einzelner Fachdisziplinen berücksichtigen.

Zum Artikel

[Translate to English:] Ein (zeitliches) Embargo definiert im Forschungsdatenmanagement einen Zeitraum, in dem lediglich die deskriptiven Metadaten von Forschungsdaten einsehbar sind. Die damit verbundene Datenpublikation ist während des Embargos nicht zugänglich. Ein Embargo kann verwendet werden, wenn Forschungsdaten (z. B. im Kontext eines Peer-Review-Prozesses) zeitverzögert publiziert werden sollen.

[Translate to English:] Als Enhanced Publication wird in der Wissenschaft eine elektronische Publikation verstanden, die zusätzlich zu einer Textpublikation auch damit verbundene Materialien wie beispielsweise Forschungsdaten, Videos, Tabellen oder Präsentationen enthält.

[Translate to English:] Das DFG-Förderprogramm Fachinformationsdienste (FID) für die Wissenschaft verfolgt das Ziel, forschungsbezogene Informationsinfrastrukturen zu stärken und zu verbessern. Es ist das Nachfolgeprogramm der seit 1949 geförderten Sondersammelgebiete an wissenschaftlichen Bibliotheken in Deutschland. Viele FID bieten disziplinspezifische Services zum Forschungsdatenmanagement an.

Zum Artikel

[Translate to English:] Das Hauptziel der FAIR-Prinzipien liegt in einer optimalen Aufbereitung von Forschungsdaten, die gemäß den Prinzipien auffindbar (findable), zugänglich (accessible), interoperabel (interoperable) und wiederverwendbar (reusable) sein sollen. Zentral ist dabei das Beschreiben von Forschungsdaten mit Metadaten sowie hinreichende dokumentarische Schritte. Auch nicht öffentlich zugängliche Forschungsdaten können den FAIR-Prinzipien entsprechen, wenn etwa die damit verbundenen Metadaten veröffentlicht werden. Der Begriff FAIR Data wurde erstmals 2016 von der FORCE 11-Community für ein nachhaltiges Forschungsdatenmanagement geprägt. Mittlerweile stellen die FAIR-Prinzipien eine zentrale Grundlage FDM-bezogener Anforderungen von Forschungsförderern wie der Europäischen Union oder des Schweizer Nationalfonds dar.

Zum Artikel

[Translate to English:] Forschungsdaten sind digitale oder analoge Daten, die während wissenschaftlicher Tätigkeit (z. B. durch Messungen, Befragungen, Quellenarbeit) entstehen, entwickelt oder ausgewertet werden bzw. auf diesen basieren. Sie bilden eine Grundlage wissenschaftlicher Arbeit und dokumentieren deren Ergebnisse. Was genau unter den Begriff Forschungsdaten fällt, variiert von Disziplin zu Disziplin.

[Translate to English:] siehe: Datenlebenszyklus

[Translate to English:] Der Begriff Forschungsdatenmanagement bezeichnet strukturierte Maßnahmen im Kontext der Arbeit mit Forschungsdaten, die u. a. darauf abzielen, Daten unabhängig von den an der Erhebung beteiligten Personen langfristig nutz- bzw. nachnutzbar zu machen und somit die Effizienz der Forschung zu steigern (z. B. im Kontext der Forschung einer Arbeitsgruppe, aber auch mit Blick auf den weltweiten wissenschaftlichen Fortschritt). Ein weiteres Ziel besteht in der Umsetzung rechtlicher Vorgaben und ethischer guter Praktiken im Umgang mit sensiblen Daten, wie beispielsweise personenbezogenen Daten. Forschungsdatenmanagement umfasst nicht nur das Veröffentlichen von Daten (Open Data), sondern auch Maßnahmen entlang der vorangehenden Schritte des gesamten Datenlebenszyklus sowie der Datenarchivierung und -nachnutzung.

[Translate to English:] An einer Einrichtung eine allgemeingültige institutionelle Vorschrift (an Hochschulen häufig in Form einer Richtlinie), die sich an Forschende richtet und den Umgang mit Forschungsdaten während und nach einem Forschungsvorhaben mehr oder weniger verbindlich regelt. Der genaue Inhalt, die Rechtsverbindlichkeit sowie die Länge einer Policy kann zwischen einzelnen Einrichtungen stark variieren.

Zum Artikel

[Translate to English:] siehe: Forschungsdatenpolicy

[Translate to English:] Forschungsdatenzentren sind Orte, an denen Daten archiviert und für eine breite wissenschaftliche Nutzung zugänglich gemacht werden. Sie nehmen u. a. in der Sozial-, Verhaltens-, Bildungs- und Wirtschaftsforschung eine zentrale Funktion ein. Neben Studiendaten der genannten Disziplinen widmen sie sich vor allem Geo- und Raumdaten, Finanzdaten, Register- und Sozialversicherungsdaten sowie statistischen Daten.

Forschungsdatenzentren sind nicht zu verwechseln mit Datenzentren oder Datenkompetenzzentren.

[Translate to English:] Unter Guter Wissenschaftlicher Praxis versteht man Schritte und Maßnahmen im Kontext wissenschaftlicher Prozesse zur Sicherstellung angemessener wissenschaftlicher Arbeit. In Deutschland sind hier insbesondere die Leitlinien der DFG zur Guten Wissenschaftlichen Praxis essenziell, da wissenschaftliche Einrichtung nur dann DFG-Gelder erhalten, wenn sie diese Leitlinien rechtsverbindlich umsetzen. Zahlreiche dieser Leitlinien wirken sich im Sinne des Forschungsdatenmanagements auf die Arbeit mit Forschungsdaten aus.

Zum Artikel

[Translate to English:] Als Harvesting bezeichnet man das systematische und strategische Browsen von Internetseiten und -inhalten durch Bots. Im Kontext des Forschungsdatenmanagements bezieht sich Harvesting überwiegend auf das automatische ‚Einsammeln‘ von Daten bzw. von Metadaten direkt aus Archiven und Repositorien oder über sogenannte Data-Provider (wie bspw. BASE oder OAIster oder Scientific Commons).

Für diesen Vorgang werden Harvesting-Protokolle verwendet, diese greifen Daten automatisiert ab. In vielen Fällen werden dokumentierte Programmierschnittstellen (API) zur Verfügung gestellt. Eines der am häufigsten verwendeten Harvesting-Protokolle für Metadaten ist das auf XML basierte Open Archives Initiative Protocol for Metadata Harvesting (OAI-PMH). Da eine Vielzahl sehr unterschiedlicher Metadatenstandards existieren, hat man sich für ein Harvesting per OAI-PMH für das Dublin-Core-Modell als kleinsten gemeinsamen Nenner für die Metadaten­repräsentation entschieden. Siehe auch: Text- und Data-Mining.

[Translate to English:] siehe: Hochleistungsrechnen

[Translate to English:] Hochleistungsrechnen (englisch: high-performance computing, abgekürzt HPC) umfasst einen Bereich des computergestützten Rechnens zur Bearbeitung komplizierter oder umfangreicher Berechnungen bzw. Datenanalysen. Hier stellen sich in der Regel große Anforderungen an Rechenleistung und Speicherkapazität; eine zentrale Rolle spielt ferner die parallele Verarbeitung von Rechenaufgaben. Entsprechend ausgestattete Rechencluster sind auf eine möglichst schnelle Anbindung und extrem kurze Antwortzeiten der jeweiligen Computereinheiten untereinander angewiesen.

Zum Artikel

[Translate to English:] Im Rahmen von Umweltstudien werden Wasser- , Luft- und Bodenproben genommen, um beispielsweise die Biodiversität mittels Umwelt-DNS (eDNA) zu bestimmen. Dabei wird genetisches Material von Menschen eingesammelt, ohne dass dies beabsichtigt ist. Dieses humangenetische Material wird als humangenetischer Beifang bezeichnet, da es in der Regel um den Nachweis von Tieren, Pflanzen und Pilzen geht. Neben ethischen Bedenken gibt es auch Bedenken bezüglich des Datenschutzes, da über humangenetischen Beifang ggf. nachgewiesen werden kann, dass sich eine bestimmte Person an einem bestimmten Ort aufgehalten hat.

Eine kritische Betrachtung des Themas wurde von Whitmore et al. 2023 in Nature veröffentlicht.

Whitmore, Liam, Mark McCauley, Jessica A. Farrell, u. a. 2023. „Inadvertent Human Genomic Bycatch and Intentional Capture Raise Beneficial Applications and Ethical Concerns with Environmental DNA“. Nature Ecology & Evolution 7 (6): 873–88. https://doi.org/10.1038/s41559-023-02056-2.

[Translate to English:] siehe: Informierte Einwilligung

[Translate to English:] Informierte Einwilligung (auch Informed Consent) bezeichnet einen Prozess, bei dem Forschende Forschungsteilnehmer*innen (z. B. Interviewpartner*innen) über das Projekt, in dem die Forschungsteilnehmer*innen beteiligt sind, informieren. Dies schließt die im Projekt erhobenen Daten ebenso ein wie die Frage, was mit diesen Daten geschieht. Auf dieser Basis sollen die Teilnehmer*innen freiwillig und informiert entscheiden können, ob sie die Zusammenarbeit akzeptieren oder ablehnen. Das Einholen einer informierten Einwilligung ist nach Art. 6 DSGVO nicht nur rechtlich verpflichtend, sondern auch forschungsethisch geboten, wenn in einem Forschungsprojekt personenbezogene Daten erhoben werden. Gleichzeitig bezeichnet Informierte Einwilligung (in den meisten Fällen) auch ein schriftlich vorliegendes, von den Teilnehmer*innen zu unterschreibendes Dokument. In einigen Fällen kann das Einholen einer schriftlichen informierten Einwilligung jedoch schwierig sein, z. B. in besonders sensiblen Forschungskontexten, in denen Teilnehmer*innen keine Unterschrift hinterlassen möchten oder können. In diesen Fällen kann die Alternative des mündlichen Consent (ohne Unterschrift, sollte aber bestmöglich dokumentiert werden) in Betracht gezogen werden. Auch ein prozessualer Consent (wiederholtes Einholen einer Einwilligung über den Projektverlauf hinweg) kann sich empfehlen, z. B. wenn eine besonders enge Einbindung der Teilnehmer*innen in den Forschungsprozess gewährleistet werden soll. Vorlagen und Empfehlungen zu den konkreten Inhalten eines Dokuments oder einer Sprechvorlage zur informierten Einwilligung gibt es z. B. beim FDZ Qualiservice. Die Anforderungen an eine informierte Einwilligung sind auch in Art. 7 DSGVO festgelegt.

[Translate to English:] Als Ingest (Übernahme) bezeichnet man das Aufnehmen von Forschungsdaten in ein Archiv oder Repositorium. Der technische Ingest – d.h. der reine Upload von Daten ins Speichersystem – wird ggf. durch Qualitätskontrollen (bspw. Auswahl bzw. Anpassung der Daten sowie der Dateiformate, Überprüfung der Metadaten oder der Vertraulichkeit) und verschiedene Aufbereitungsprozessen (Metadatenanreicherung etc.) begleitet. Die Workflows variieren je nach zu übernehmendem Inhalt und Archiv/Repositorium.

[Translate to English:] siehe: Repositorium

[Translate to English:] Interoperabilität bezeichnet generell das idealiter (möglichst) nahtlose Zusammenspiel unterschiedlicher Systeme, um z. B. Daten effizient austauschen zu können, sie maschinell zu interpretieren und automatisiert mit anderen Datensätzen zu kombinieren. Im Bereich des Forschungsdatenmanagements spielen neben kompatiblen Dateiformaten interoperable Metadaten eine zentrale Rolle. Interoperabilität ist ferner ein Kernbegriff der FAIR-Prinzipien.

[Translate to English:] JSON ist ein kompaktes, leicht lesbares und softwareunabhängiges Datenformat für den Datenaustausch zwischen Anwendungen. Es wird insbesondere bei Webanwendungen zur Übertragung von strukturierten Daten eingesetzt, um diese in andere Systeme bzw. Anwendungen zu integrieren. Für die die gleiche Information benötigt JSON bedeutend weniger Speicherplatz als ein XML, ist aber dafür nicht so vielseitig einsetzbar.

[Translate to English:] Ein kontrolliertes Vokabular ist ein normierter Sprachgebrauch, in dem ein Wort oder eine Phrase genau eine festgelegte Bedeutung hat. Kontrollierte Vokabulare werden zum Beispiel beim Vergeben von Schlagwörtern (engl. subjects oder topics) in Metadaten verwendet, um digitale Objekte zu beschreiben. Sie werden überdies oft in Normdateien (z. B. Gemeinsame Normdatei (GND)), Thesauri (z. B. Getty Arts & Architecture Thesaurus) oder Indexen hinterlegt. Eine zentrale Aufgabe kontrollierter Vokabulare ist die Verknüpfung von Synonymen (z. B. Auto/PKW), die zum gleichen Suchergebnis führen, sowie die Unterscheidung von verschiedenen Bedeutungen eines Begriffes (Bank als Sitzmöbel vs. Finanzinstitut). Im Kontext der FAIR-Prinzipien spielen kontrollierte Vokabulare eine zentrale Rolle, weil sie die Auffindbarkeit, Interoperabilität und Nachnutzbarkeit von Forschungsdaten erhöhen. Beispiele für kontrollierte Vokabulare sind die Data Documentation Initiative (DDI) Controlled Vocabularies oder der Getty Arts & Architecture Thesaurus (AAT). Kontrollierte Vokabulare können in Datenbanken wie BARTOC oder FAIRsharing recherchiert werden. Weiter als kontrollierte Vokabulare gehen Ontologien, die es zusätzlich erlauben, die Beziehungen zwischen Begriffen differenziert zu beschreiben.

[Translate to English:] Künstliche Intelligenz (KI) bezeichnet ein Teilgebiet der Informatik, in dem u. a. menschliche Entscheidungsstrukturen mittels computationeller Methoden nachgebildet werden. Dies führt dazu, dass maschinelle Anwendungen mittels Algorithmen kognitive Fähigkeiten wie Lernen, Urteilen und Problemlösen erbringen können, die auch im Forschungsdatenmanagement eingesetzt werden können. Der Begriff ist mangels einer eindeutigen Definition von „Intelligenz“ schwer zu definieren.

[Translate to English:] Langzeitarchivierung verfolgt das Ziel, über lange Zeiträume Zugang zu archivierten Daten zu bieten. Im Bereich Forschungsdatenmanagement hat sich eine Aufbewahrungsfrist von mindestens zehn Jahren als Standard für Forschungsdaten etabliert. Dabei gilt es, Datenverlust vorzubeugen, eine authentische Wiedergabe der Daten langfristig zu ermöglichen und ein geeignetes Archivierungssystem zu verwenden.

Zum Artikel

[Translate to English:] Eine Lizenz ist ein vertraglich vereinbartes Nutzungsrecht. Damit erlauben Rechteinhaber*innen (Lizenzgeber*innen) ihren Vertragspartner*innen (Lizenznehmer*innen), ein Werk auf verschiedene Arten zu nutzen (z. B. zu kopieren, zu speichern oder digital zugänglich zu machen). Vielfach verlangen die Lizenzgeber*innen dafür eine Lizenzgebühr. Neben solchen kommerziellen Lizenzen stehen auch freie Lizenzen beispielsweise die Creative-Commons-Lizenzen zur Verfügung. Diese gestatten die unentgeltliche Nutzung des Werkes.

Zum Artikel

[Translate to English:] Maschinell verwertbare Daten können von Computersystemen automatisch gefunden und verwendet werden, ganz ohne oder mit nur minimaler menschlicher Unterstützung. Voraussetzung für eine maschinelle Nutzbarkeit ist eine einheitliche Datenstruktur. Maschinen oder Computer, die diese Daten lesen und nutzen sollen, werden auf der Grundlage dieser Struktur programmiert.

[Translate to English:] Metadaten beinhalten strukturierte Informationen über Daten (z. B. Forschungsdaten) oder andere Ressourcen und deren Merkmale. Sie werden entweder unabhängig von oder zusammen mit den Daten, die sie beschreiben, abgespeichert. Meist wird zwischen fachlichen (z. B. verwendete Messinstrumente) und technischen bzw. administrativen (z. B. DOI) Metadaten unterschieden. Während letztgenannte einen dezidierten Status als Metadaten haben, können fachliche Metadaten bisweilen zusätzlich als Forschungsdaten begriffen und genutzt werden. Um die Wirksamkeit der Metadaten und somit z. B. des beschriebenen Datensatzes zu erhöhen, ist der Einsatz von Metadatenstandards wesentlich. Standardisierte Metadaten erhöhen die Auffindbarkeit und Nachnutzbarkeit der mit den Metadaten verbundenen Daten bzw. Ressourcen. So können durch Standards Metadaten und Daten unterschiedlicher Quellen miteinander verknüpft und gemeinsam bearbeitet werden.

Zum Artikel

[Translate to English:] Metadatenschemata organisieren die Struktur von Metadaten. Sie legen fest, welche Elemente zur Beschreibung von Objekten wie z. B. Forschungsdaten verwendet werden und welche Informationen in welcher Form angegeben werden sollen. Standardisierte Metadatenschema harmonisieren Datenerhebungen und erhöhen Interoperabilität sowie Qualität von Metadaten. Darüber hinaus ermöglichen strukturierte Metadaten die Maschinenlesbarkeit und den Austausch von Informationen zwischen verschiedenen Anwendungen und gewährleisten eine langfristige Nachnutzbarkeit.

[Translate to English:] Metadatenstandards wurden definiert, um die Interoperabilität, d. h. die Verknüpfung und gemeinsame Bearbeitung, von Metadaten zu gewährleisten. Sie dienen einer inhaltlich sowie strukturell gleichförmigen Beschreibung ähnlicher Daten. Ein Metadatenstandard kann oft durch ein sogenanntes Mapping in einen anderen Metadatenstandard überführt werden.

Zum Artikel

[Translate to English:] Die Nationale Forschungsdateninfrastruktur (NFDI) verfolgt das Ziel, Datenbestände von Wissenschaft und Forschung systematisch zu erschließen, diese zu vernetzen und nachhaltig sowie qualitativ nutzbar zu machen. Ziel der NFDI ist entsprechend der strategische Ausbau des Forschungsdatenmanagements in Deutschland. Dies geschieht u. a. über fachlich ausgerichtete Konsortien, die Diensteportfolios wie z. B. Beratungsangebote für ihre Fächer erarbeiten. Fachlich übergreifende Thematiken werden in NFDI-Sektionen behandelt. Die NFDI ist in Gestalt des gemeinnützigen Vereins Nationale Forschungsdateninfrastruktur (NFDI) e.V. mit Sitz in Karlsruhe organisiert.

Zum Artikel

[Translate to English:] siehe: Nationale Forschungsdateninfrastruktur (NFDI)

[Translate to English:] Normdaten sind semantisch strukturierte, kontrollierte und gepflegte Datensätze zur eindeutigen Benennung und Verknüpfung von Inhalten (z. B. Personen, Schlagwörter, Körperschaften, Werke). Sie ähneln persistenten Identifikatoren in diesem Zweck, sind allerdings stärker inhaltlich aufbereitet, werden durch geschulte Kurator*innen angelegt und bieten z. B. Namensvarianten oder Verknüpfungen zu persönlichen Beziehungen, (Wirkungs-)Orten, Lebensdaten oder über- und untergeordneten Begriffen. Das Virtual International Authority File (VIAF) hat sich zum Ziel gesetzt, verschiedene international gebräuchliche Normdateien zu verknüpfen.

[Translate to English:] Das auf XML basierende Protocol for Metadata Harvesting (PMH) der Open Archives Initiative (OAI) unterstützt das automatisierte Harvesting von Metadaten über sogenannte Data und Service Provider, indem es die in Repositorien abgelegten Daten besser zugänglich macht. OAI-PMH ist weit verbreitet und einfach anzuwenden. Als standardisiertes Kommunikationsprotokoll ist es offen und universell implementierbar und entspricht so den FAIR-Prinzipien.

[Translate to English:] siehe: Open Research Data (ORD)

[Translate to English:] siehe: Open Government Data (OGD)

[Translate to English:] Eine Ontologie ist eine formale, maschinenlesbare Beschreibung von Fachbegriffen und deren Beziehung in einer bestimmten Domäne. Sie legt einheitliche Bezeichnungen, Konzepte und Relationen fest und bildet so die Grundlage für semantische Interoperabilität, Wiederverwendbarkeit und automatisierte Verarbeitung von Forschungsdaten. Im Unterschied zu Thesauri, die kontrollierte Vokabularien für die Verschlagwortung bereitstellen, definiert eine Ontologie Klassen, Relationen, Instanzen und Axiome in formaler Logik und ermöglicht damit z. B. Konsistenzprüfungen und automatische Verarbeitungen.

[Translate to English:] Open Access bezeichnet den kostenlosen und möglichst barrierefreien Zugang zu digitalen wissenschaftlichen Inhalten. In der Regel erhalten Nutzende umfangreiche Nutzungsrechte und einfache Zugangswege. Je nach Definition schließt Open Access mehrere Publikationsformen wie Texte, Forschungsdaten (Open Data) oder Bildungsmaterialien (Open Educational Resources) ein; andere Definitionen beziehen sich ausschließlich auf Textpublikationen. Durch Open Access können wissenschaftliche Informationen maximal verbreitet, (nachge-)genutzt und weiterverarbeitet werden. Im Fall von Textpublikationen unterscheidet man meist zwischen Gold Open Access (Veröffentlichung in Open-Access-Medien wie z.B. Open-Access-Zeitschriften gegen Publikationsgebühren), Green Open Access (Zweitveröffentlichung über z. B. Repositorien) und Diamond Open Access (Open-Access-Veröffentlichungen in z. B. Open-Access-Zeitschriften ohne Publikationsgebühren). Ausführliche Informationen zu Open Access bietet das Portal open-access.network.

[Translate to English:] Open Data bezeichnet im Internet offen zugängliche Daten, die von Dritten (nach-)genutzt werden dürfen. Nutzungsbezogene Einschränkungen existieren ausschließlich dahingehend, den Ursprung und die Offenheit der Daten zu wahren. So kann etwa im Fall urheberrechtlich geschützter Daten durch Nutzung von Creative-Commons-Lizenzen die Nennung des Urhebers zur Nutzungsbedingung für Nachnutzende werden. Das Ziel besteht darin, durch freie Nachnutzbarkeit ein höheres Maß an Transparenz zu bieten und Zusammenarbeit zu fördern. Im Unterschied zu Open Research Data (ORD) wird der Begriff Open Data oft synonym zu Open Government Data (offene Verwaltungsdaten von z.B. Behörden) verwendet.

[Translate to English:] Der Begriff Open Government Data (OGD), auch bekannt als öffentliche Verwaltungsdaten, bezeichnet Datenbestände des öffentlichen Sektors, die im Sinne von Open Data unter offenen Lizenzen im Internet frei zugänglich und nachnutzbar sind. OGD können z. B. journalistisch genutzt werden oder in wirtschaftlichen Kontexten bei der Entwicklung von neuen Produkten, Dienstleistungen und Geschäftsmodellen, sowie in Wissenschaft und Zivilgesellschaft zur Förderung der Forschung und der öffentlichen Wohlfahrt. Gemäß Open-Government-Strategien auf z. B. staatlicher Ebene werden offene Verwaltungsdaten von Behörden proaktiv über eigene Repositorien bereitgestellt.

[Translate to English:] Open Research Data (ORD), auch bekannt als offene Forschungsdaten, sind Forschungsdaten, die im Sinne von Open Data ohne rechtliche und technische Einschränkungen nachgenutzt und weiterverbreitet werden können. Die Urhebenden sollten bei einer Weiterverwendung im Sinne Guter Wissenschaftlicher Praxis auch dann genannt werden, wenn Daten formal nicht urheberrechtlich geschützt sind. Als Gründe für die Forderung nach offenen Forschungsdaten werden oft Nachvollziehbarkeit, Transparenz und Reproduzierbarkeit von Forschungsergebnissen angegeben. Zudem sollen offene Forschungsdaten Kooperationen in der Wissenschaft und darüber hinaus (z. B. mit der Wirtschaft) fördern sowie die Verbindung von Wissenschaft und Zivilgesellschaft stärken. Obwohl FAIR Data und offene Forschungsdaten im Kern nicht bedeutungsgleich sind, gibt es Überlappungen zwischen beiden Konzepten; so wird neben FAIR Data auch die Bedeutung von ORD oft mit "as open as possible as closed as necessary" wiedergegeben, um legitimen Zugriffseinschränkungen Rechnung zu tragen, etwa im Fall von personenbezogenen Daten oder betriebsinternen Informationen. ORD werden über Repositorien bereitgestellt und können über Metasuchmaschinen wie BASE oder OpenAIRE Explore recherchiert werden.

[Translate to English:] Open Science ist ein Oberbegriff für Grundsätze und Praktiken der wissenschaftlichen Arbeit, die darauf abzielen, (im Kontext der Digitalisierung) möglichst viele Schritte des Forschungsprozesses für Forschende und Gesellschaft frei zugänglich und nachnutzbar zu machen. Hierzu zählen etwa der Zugang zu wissenschaftlichen Publikationen (Open Access), die Entwicklung und Zugänglichmachung von Forschungssoftware (Open Source), die freie Verfügbarkeit von Daten aus Verwaltung, Wirtschaft und Forschung (Open Data) oder auch freie Materialien für die (Hochschul-)Lehre (Open Educational Ressources, OER). Auch Formen traditioneller wissenschaftlicher Arbeitskultur erfahren aufgrund des Open-Science-Gedankens einen Wandel (z. B. Open Peer Review, Citizen Science).

Produktion und Zugang zu wissenschaftlichen Erkenntnissen sollte nach den Prinzipien von Open Science integrativ, gerecht und nachhaltig sein. Ziele der Open-Science-Bewegung sind die Verbesserung von Transparenz und Reproduzierbarkeit, die Steigerung der wissenschaftlichen Effizienz, die Demokratisierung des Wissens sowie der damit verbundene Mehrwert für die Gesellschaft.

[Translate to English:] Die Open Researcher and Contributor ID (ORCID) ist ein institutionsunabhängiger, international anerkannter persistenter Identifikator zur eindeutigen Identifizierung von Personen. Alle natürlichen Personen können für sich selbst ORCIDs anlegen und im Profil Informationen wie z. B. einen Lebenslauf oder eine Publikationsliste führen. Jede ORCID besteht aus 16 Ziffern in vier Viererblöcken (z. B. 0000-0002-2792-2625). ORCIDs sind bei zahlreichen Forschungseinrichtungen, Verlagen und weiteren wissenschaftsnahen Einrichtungen etabliert und z. B. Bestandteil des Begutachtungsprozesses von Textpublikationen.

[Translate to English:] siehe: Primärdaten

[Translate to English:] Persistente Identifikatoren bezeichnen dauerhafte digitale Identifikatoren, bestehend aus Ziffern und/oder alphanumerischen Zeichen, die Personen oder wissenschaftlichen Objekten (z. B. Textpublikationen, Datensätzen, Proben, Organisationen) zugeordnet werden und direkt auf diese verweisen.

Gängige Identifikatoren sind DOI für Publikationen, ORCID für Personen und ROR für Organisationen. Im Gegensatz zu anderen seriellen Identifikatoren wie z. B. URL-Adressen verweist ein persistenter Identifikator auf das Objekt selbst und nicht auf dessen Standort im Internet. Ändert sich der Standort einer mit einem PID assoziierten Ressource, so bleibt der Identifikator dennoch derselbe. So wird sichergestellt, dass ein Objekt dauerhaft auffindbar, abrufbar und zitierbar bleibt. Zentrale Anlaufstelle in Sachen persistente Identifikatoren ist das PID-Network.

Zum Artikel

[Translate to English:] Die Datenschutz-Grundverordnung (DSGVO) der EU definiert personenbezogene Daten als „alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person (im Folgenden „betroffene Person“) beziehen; als identifizierbar wird eine natürliche Person angesehen, die direkt oder indirekt, insbesondere mittels Zuordnung zu einer Kennung wie einem Namen, zu einer Kennnummer, zu Standortdaten, zu einer Online-Kennung oder zu einem oder mehreren besonderen Merkmalen, die Ausdruck der physischen, physiologischen, genetischen, psychischen, wirtschaftlichen, kulturellen oder sozialen Identität dieser natürlichen Person sind, identifiziert werden kann“ (Artikel 4 Nr. 1).

Das schweizerische Datenschutzgesetz (DSG) kommt zu einer inhaltlich ähnlichen Definition und bezeichnet als „Personendaten: alle Angaben, die sich auf eine bestimmte oder bestimmbare natürliche Person beziehen“. (Artikel 5 Buchstabe a)

[Translate to English:] Platform-as-a-service (PaaS) bezeichnet die cloudbasierte Bereitstellung von Laufzeitumgebungen im Kontext der IT-Entwicklung, meist gegen ein Nutzungsentgelt. Die Vor- und Nachteile von PaaS sind vergleichbar mit denen von Software-as-a-Service (SaaS): Auslagerung der Bereitstellung und Wartung der benötigten IT-Infrastruktur an externe Dienstleister sowie Entstehung einer potentiellen Abhängigkeit von diesem Dienstleister, der Erfordernis einer permanenten und stabilen Internetverbindung und eventuelle Hürden im Umgang mit sensiblen Daten.

[Translate to English:] siehe: Forschungsdatenpolicy

[Translate to English:] Primärdaten (auch bekannt als Rohdaten oder Originaldaten) bezeichnen direkt aus Datenerhebungen gewonnene beziehungsweise aus Untersuchungen oder Beobachtungen erhobene Daten (z. B. unbearbeitete, ungeprüfte oder unkommentierte Messdaten oder Audio- und Videoaufzeichnungen). Aus Primärdaten abgeleitete bzw. prozessierte Daten werden als Sekundärdaten bezeichnet.

[Translate to English:] Proprietär bedeutet, dass etwas im Besitz einer bestimmten Firma, Person oder Organisation ist. Proprietäre Dinge sind nicht frei zugänglich, unterliegen Nutzungsbeschränkungen und ihre Nutzung ist abhängig vom Anbietenden. Dies betrifft häufig Software, Dateiformate oder Schnittstellen. Für Nachnutzbarkeit und Archivierung sind insbesondere proprietäre Dateiformate problematisch und sollten daher, wo möglich, durch quelloffene Alternativen ersetzt werden.

[Translate to English:] Eine Prüfsumme ist ein aus einem digitalen Objekt (z. B. Datei oder Datensatz) berechneter (Zahlen-)Wert zur Kontrolle der Integrität des digitalen Objekts. Dabei wird der Algorithmus zur Berechnung der Prüfsumme so gewählt, dass eine Veränderung des digitalen Objekts auch zu einer Veränderung der Prüfsumme führt. Wird das digitale Objekt kopiert, so können die Prüfsummen von Ursprungsdatei und kopierter Datei berechnet und verglichen werden. Weichen die Prüfsummen voneinander ab, so wurde beim Kopieren ein Fehler gemacht. Eine einfache Form der Prüfsumme sind die Prüfziffern von IBAN oder ISBN. Die Prüfsummen für Dateien, die beispielsweise von Datenrepositorien berechnet werden, um die Unverändertheit der Daten zu überprüfen, basieren meist auf sogenannten kryptographischen Hash-Funktionen, die auf den Bitstream angewendet werden. Diese Funktionen reagieren auf kleinste Änderungen der Ausgangsdaten mit nahezu vollständig anderen Prüfsummen. Ein Beispiel für eine solche Hash-Funktion ist die MD5-Funktion, die von Zenodo oder RADAR genutzt wird. Die Prüfsumme ist hierbei eine 32-stellige Hexadezimalzahl.

[Translate to English:] Bei der Pseudonymisierung personenbezogener Daten werden direkte oder indirekte Indikatoren (z. B. Name, Alter, Wohnort) durch Pseudonyme (z. B. Buchstaben- und/oder Zahlencode) ersetzt, um die Identifizierung der den Daten zugrundeliegenden Personen zu erschweren oder auszuschließen. Schlüsseldateien, in denen die originalen Werte den jeweils ersetzenden Werten zugeordnet werden, erlauben es, Pseudonymisierungen rückgängig zu machen. Um den Schutz der Forschungsteilnehmer*innen zu gewährleisten, muss beim Forschungsdatenmanagement darauf geachtet werden, pseudonymisierte Daten und Schlüsseldateien getrennt aufzubewahren. Anders als anonymisierte Daten unterliegen pseudonymisierte Daten nach wie vor Datenschutzbestimmungen, da Personenbezüge über Pseudonymisierungsschlüssel wiederhergestellt werden können.

[Translate to English:] siehe: Open Source

[Translate to English:] ReadMe-Dateien enthalten kompakte und strukturierte Informationen zu digitalen Medien wie Forschungsdaten und Software, um bei der Orientierung über diese Medien sowie bei deren Nutzung zu unterstützen. Zu diesem Zweck versammeln ReadMe-Dateien z. B. zentrale Metadaten, stellen Informationen zu verwendeten Benennungsstandards bereit, nennen Ordnerstrukturen, Abkürzungen und Normdaten und zeichnen Änderungen an sowie Versionierungen von Forschungsdaten auf. Sie liegen häufig als einfache Textdatei oder in xml-Form vor (.txt; .md; .xml) und können so bei der strukturierten Ablage von Forschungsdaten unterstützen oder begleitend zu etwa Forschungsdaten archiviert sowie publiziert werden.

Weitere Informationen im Text “Datendokumentation”

[Translate to English:] siehe: Datenzentrum

[Translate to English:] Rechte an bzw. über Daten können aus zwei Blickwinkeln definiert werden. Aus Sicht der Forschenden sind dies Entscheidungsbefugnisse über die Daten, die sich aus der Erzeugung ergeben. Aus Sicht von Nutzerinnen und Nutzern handelt es sich um die Rechte, welche bei Nachnutzung von Daten zu beachten sind. Rechte können in Form von Lizenzen und zugehörigen Lizenztexten sowie Vereinbarungen in rechtlich verbindlicher Form festgelegt und kommuniziert werden.

Für die Nachnutzung von Daten  gelten mindestens die Regeln der Guten Wissenschaftlichen Praxis, d. h. im Wesentlichen die Pflicht, Urheber korrekt zu zitieren (Urheberrecht). Mit Vergabe der Creative-Commons-Lizenz CC-BY lässt sich diese Regel durch den Datenerzeuger auch lizenzrechtlich weitgehend nachbilden. Datenschutz-, patent- und persönlichkeitsrechtliche Einschränkungen können die Nachnutzung erschweren.

[Translate to English:] Eine Replikationsstudie ist eine wissenschaftliche Untersuchung, die überprüft, ob die Ergebnisse einer vorangegangenen Untersuchung reproduzierbar ist.

[Translate to English:] Der Begriff Replizierbarkeit bezeichnet in der Wissenschaft den Prozess, bei dem eine Studie mit neuen Daten wiederholt wird, wobei jedoch das ursprüngliche Forschungsdesign und die ursprüngliche Analyse verwendet werden, um ähnliche Ergebnisse zu erzielen. Die Replizierbarkeit ist von zentraler Bedeutung für die Bestätigung von Forschungsergebnissen und die Glaubwürdigkeit der Wissenschaft, da sie Fehler und Abweichungen in der ursprünglichen Forschung aufdeckt und zur Integrität der Wissenschaft beiträgt.

[Translate to English:] Reproduzierbarkeit bezeichnet die Möglichkeit, mit denselben Daten und Methoden das gleiche Ergebnis erzielen zu können. Dies ist wichtig für die Prüfung bzw. das Nachvollziehen von Forschungsergebnissen. Voraussetzung für reproduzierbare Ergebnisse ist eine gute Dokumentation, die sowohl die Ausgangssituation als auch die Analyse ordnungsgemäß beschreibt, sowie der Zugang zu (Roh-)Daten, Werkzeugen und Ergebnissen.

[Translate to English:] Der Begriff Repositorium bezeichnet einen Speicher- und Publikationsort für digitale Objekte. Generell wird zwischen Repositorien für Textpublikationen und Repositorien für Forschungsdaten unterschieden – es existieren allerdings auch hybride Repositorien, die beide Publikationstypen aufnehmen. Repositorien untergliedern sich ferner in generische, disziplinspezifische und institutionelle Repositorien: Während generische Repositorien disziplinübergreifend ausgerichtet sind, widmen sich disziplinspezifische Repositorien fachlich enger zugeschnittenen Datentypen oder Textpublikationen; institutionelle Repositorien stehen ausschließlich Mitarbeitenden einzelner Institutionen oder Institutionsverbände offen. Repositorien eignen sich nicht nur zur Ablage von Daten, sondern verschreiben sich auch deren Auffindbarkeit und Nachnutzbarkeit durch Dritte, indem sie im Falle von Forschungsdatenrepositorien entweder Daten als solche oder deren Metadaten zugänglich machen. Für Forschungsdaten spielen Repositorien damit eine zentrale Rolle, da sie die Umsetzung der FAIR-Prinzipien unterstützen. Dies geschieht insbesondere durch die Vergabe von Metadaten, persistenten Identifikatoren und standardisierten Schnittstellen.

Zum Artikel

[Translate to English:] siehe: Forschungsdatenpolicy

[Translate to English:] siehe: Primärdaten

[Translate to English:] Bei der Schaffung eines Objektes bzw. Projektes kann die Persönlichkeit der erschaffenden Person im Ergebnis zum Ausdruck kommen. Das Ausmaß davon definiert die geistige Schöpfungshöhe (auch Gestaltungshöhe oder Werkhöhe), die in vielen Rechtsordnungen für die urheberrechtliche Schutzwürdigkeit entscheidend ist. In Deutschland kommt es wesentlich darauf an, dass kein äußerer Zwang (Zielstellung, Funktionalität, Objektivität usw.), sondern der Mensch das Ergebnis individuell gestaltet. Erreicht ein wahrnehmbares Schaffen eines Menschen die nötige Schöpfungshöhe, spricht man von einem Werk.

Werke sind in der Regel bis 70 Jahre nach dem Tod der Urhebenden urheberrechtlich geschützt. Das kann bspw. für korpuslinguistische oder diskursanalytische Forschungsdaten relevant sein, wo zeitgenössische Texte Forschungsdaten darstellen können, die aber nicht unbedingt frei geteilt werden dürfen. Dasselbe kann aber auch schon für komplexe Fragebögen gelten, die manchmal bereits die Schöpfungshöhe erreichen.

In Liechtenstein, Österreich und der Schweiz spielt die Schöpfungshöhe keine Rolle, hier wird nur geistige Schöpfung und ein gewisses Maß an Individualität (also Abgrenzung von zuvor Vorhandenem) verlangt.

[Translate to English:] Sekundärdaten bezeichnen aus Primärdaten abgeleitete bzw. prozessierte Daten und sind somit Ergebnis der Primärdatenverarbeitung. Die Verwendung von Sekundärdaten kann Ressourcen sparen, wobei jedoch im konkreten eigenen Forschungs- bzw. Projektfall kritisch darauf geachtet werden sollte, wie relevant und spezifisch die Daten für das eigene Forschungsvorhaben sind und wie diese Daten rechtlich nachgenutzt werden dürfen.

[Translate to English:] Semantic Web bezeichnet Aktivitäten mit dem Ziel, das World Wide Web um eine semantische Schicht zu erweitern. Diese ermöglicht den maschinellen Austausch von Informationen und beinhaltet die Kontextualisierung zentraler Begriffe einer Webseite um Metadaten, sodass bspw. klar wird, ob es sich bei ‚Berlin‘ um die Hauptstadt Deutschlands, eine andere Stadt oder einen Namen handelt. Um Maschinen den Kontext eines Begriffes zu vermitteln, wird auf maschinenlesbare Metadatenstandards zurückgegriffen.

[Translate to English:] Unter sensiblen Daten versteht man Daten, die aus bestimmten Gründen besonders schützenswert erscheinen. Zum Teil handelt es sich dabei um eine Unterkategorie personenbezogener Daten und bezeichnet solche Daten, die besonders intime Details zur Identität einer Person enthalten. Diese Daten können beispielsweise für die soziologische, psychologische und medizinische Forschung sehr wertvoll sein, unterliegen aber im DACH-Raum noch stärkerem Schutz als personenbezogene Daten ohnehin.

Sensible Forschungsdaten können beispielsweise Folgendes umfassen:

• Geschäftsgeheimnisse
• Geodaten (bspw. zu Vorkommen gefährdeter Arten, z. B. seltene Pflanzen, Wanderrouten von Tieren wie Wale/Elefanten; zu Orten von Kultur- oder Ausgrabungsstätten, Satellitendaten in Bezug auf mögliche militärische Nutzung)
• weitere Informationen zur nationalen Sicherheit
• „Besondere Kategorien personenbezogener Daten“ / „sensible Personendaten“: Wenn Personen betroffen sind, können personenbezogene Daten Folgendes offenlegen:
  • Ethnie oder ethnische Herkunft
  • politische Meinungen
  • Gewerkschaftsmitgliedschaft
  • religiöse oder philosophische Überzeugungen
  • genetische, biometrische oder Gesundheitsdaten
  • Sexualleben oder sexuelle Orientierung
  • Geschlechtsidentität

[Translate to English:] Software-as-a-Service (SaaS) bezeichnet Software, die meist gegen ein Nutzungsentgelt durch einen IT-Dienstleister in einer Cloudinfrastruktur bereitgestellt wird und die der Kunde üblicherweise über einen Webbrowser nutzt. Der wichtigste Vorteil dieses Geschäftsmodells ist, dass die für das Betreiben der Software notwendige IT-Infrastruktur vom externen Dienstleister zur Verfügung gestellt wird und dieser die Software aktualisiert sowie weiterentwickelt. Wichtige Nachteile von SaaS sind, dass die Software nur gegen Nutzungsentgelt zur Verfügung steht und dadurch Abhängigkeiten entstehen können. Darüber hinaus kann der Umgang von SaaS insbesondere mit sensiblen Daten problematisch ein, da deren Verarbeitung - und oft auch Speicherung - auf den Servern des externen Dienstleisters erfolgt. Überdies erfordert die Nutzung von SaaS-Produkten eine permanente und stabile Internetverbindung. 

[Translate to English:] Laut Definition der DINI/nestor AG Forschungsdaten beinhaltet ein Softwaremanagementplan (SMP) allgemeine und technische Informationen zum Softwareprojekt, Angaben zur Qualitätssicherung, zum Release und zur öffentlichen Verfügbarkeit sowie rechtliche und ethische Aspekte, die die Software betreffen.

Der SMP fasst Informationen zusammen, die die Erstellung, Dokumentation, Speicherung, Versionierung, Lizenzierung, Archivierung und/oder Veröffentlichung der in einem Projekt erzeugten oder verwendeten Software hinreichend beschreiben und dokumentieren. Dazugehörige Hardware und notwendige andere Ressourcen, aber auch damit verbundene weitere Software und Softwarebibliotheken, Text- und Datenpublikationen sind ebenfalls zu beschreiben und stellen eine Besonderheit des SMP dar.

Zweck eines SMPs ist zunächst die Nachvollziehbarkeit sowie ggf. die langfristige Nutzbarkeit der Software (zur direkten Anwendung sowie zur Weiterverarbeitung) zu unterstützen und den Support der Nutzer*innen bei Rückfragen zu erleichtern. Der SMP dient folglich auch der Qualitätssicherung (vgl. hierzu FAIR4RS Principles).

Der SMP kann in Verbindung zu einem oder mehreren Datenmanagementplänen (DMP) stehen, falls die Software zur Datengenerierung oder -verarbeitung genutzt wird. SMP und DMP können als Output-Pläne zusammengefasst werden (vgl. Software Sustainability Institute).

Zum Artikel

[Translate to English:] Unter diesem Begriff versteht man die Anwendung automatisierter, statistischer Analysemethoden auf große Datenbestände. Die Auswertung wird computergestützt meist mit Hilfe von komplexen Algorithmen in Datenbanken vorgenommen. Im Rahmen von Data Mining kommen häufig auch künstliche Intelligenz (KI) und zunehmend Visualisierungstechniken zum Einsatz. Das Ziel ist, bislang unbekannte Muster im Datenmaterial zu entdecken und automatisiert Hypothesen zu generieren. Der Begriff Text Mining wird verwendet, wenn die Daten unstrukturiert vorliegen, insbesondere als Text. Manchmal wird die Bezeichnung Data Mining auch ungenau als Schlagwort für die Erfassung, Speicherung und Verarbeitung großer Datenmengen verwendet.

[Translate to English:] Ein Thesaurus ist ein kontrolliertes Vokabular, das Wörter nach Themenbereichen ordnet. Dabei werden Verbindungen zu Synonymen, Antonymen und thematisch verbundene Wörter aufgezeigt. Es werden bevorzugte Begriffe hervorgehoben, sowie über- und untergeordnete Begriffe aufgelistet. Deutlich weitergehende Möglichkeiten, Beziehungen zwischen Begriffen zu beschreiben, bieten Ontologien.

[Translate to English:] In Kontinentaleuropa unterliegt die Nutzung von literarischen, künstlerischen und wissenschaftlichen Werken (also urheberrechtlich geschützten Erzeugnissen), den Beschränkungen des jeweiligen nationalen Urheberrechts. Sofern den Nutzenden dieser Werke nicht weitere Nutzungsrechte durch eine weiterführende Lizenz (z. B. durch eine Creative-Commons-Lizenz) eingeräumt werden, ist die Nachnutzung der Werke nur im Rahmen der restriktiven Erlaubnisregelungen des jeweiligen Gesetzes möglich.

Ob Forschungsdaten urheberrechtlich geschützt sind oder nicht, ist davon abhängig, ob die Anforderungen an die geistige Schöpfungshöhe erfüllt werden. Die genaue Anforderung unterscheidet sich von Staat zu Staat und wird ggf. durch verwandte Schutzrechte ergänzt: So kann in Deutschland für Datensätze, an denen kein Urheberrecht besteht, immer noch Leistungsschutz oder das Datenbankschutzrechts bestehen. Da das Vorliegen der Voraussetzungen im Einzelfall geprüft werden muss, ist im Zweifelsfall die Beratung durch einen Fachanwalt/eine Fachanwältin empfehlenswert.

Um eine maximale Nachnutzbarkeit wissenschaftlicher Forschungsdaten zu gewährleisten, die prinzipiell dem Urheberrechtsgesetz unterliegen können, sollte die Vergabe von zusätzlichen Nutzungsrechten, z. B. durch eine entsprechende Lizenzierung der Daten, in Betracht gezogen werden. Die Vergabe solcher Lizenzen führt meist zu einer höheren Nutzung der Daten in der wissenschaftlichen Forschung und kann so zu einem Reputationsgewinn der Forschenden, auch über die Grenzen der jeweiligen Fachcommunity hinaus, beitragen.

Zum Artikel

[Translate to English:] URN ist die Bezeichnung eines Identifizierungs- und Adressierungssystems. Dieses wird ähnlich wie ein DOI zur persistenten Identifikation digitaler Objekte (z. B. Textpublikationen oder Datensätze) verwendet. Er ist vor allem im deutschsprachigen Raum sehr verbreitet, da die Deutsche Nationalbibliothek im Rahmen des URN-Services URNs zur persistenten Identifikation und Adressierung anwendet, administriert und auflöst.

[Translate to English:] Da sich Daten verändern, wenn man mit ihnen arbeitet, empfiehlt sich die Kennzeichnung einzelner Arbeitsstände und damit verbundener Veränderungen mithilfe von Versionierungen. Hierfür sollte ein vorab mit weiteren Beteiligten abgesprochenes, festgelegtes sowie einfach verständliches Versionierungsschema (z. B. Version 1.3 oder Version 2.1.4) genutzt werden. Versionierungen sollten während des Forschungsprozesses selbst stattfinden, etwa um verschiedene Arbeitsversionen von Daten zu kennzeichnen, sowie bei Veränderungen an bereits veröffentlichten Forschungsdatensätzen, um Nachnutzenden bei der Arbeit mit Daten Orientierung zu bieten sowie ihnen korrekte Zitationen zu ermöglichen. Die Versionierung von Daten kann entweder manuell oder mittels Versionierungssoftware wie Git erfolgen.

[Translate to English:] Virtuelle Forschungsumgebungen (VFU) sind Softwarelösungen bzw. Plattformen zur ortsunabhängigen Zusammenarbeit zwischen Wissenschaftler*innen. Hierbei handelt es sich primär um anwendungsorientierte Dienste institutioneller Infrastruktureinrichtungen für bestimmte Forschungsverbünde oder -communitys. VFUs vereinen vor allem fachspezifische Tools, Toolsammlungen und Arbeitsumgebungen.

[Translate to English:] Warm Data (warme Daten) sind Forschungsdaten, auf die weniger häufig zugegriffen wird als auf Hot Data, sodass längere Zugriffszeiten dahingehend akzeptabel sind, dass sie im Gegensatz zu Hot Data keine negativen Auswirkungen auf den Arbeitsprozess haben. Dieser Typ Daten wird nur selten geändert und befindet sich entsprechend in einem stabileren Zustand als Hot Data. In vielen Fällen sind warme Daten bereits dazu geeignet, innerhalb einer Arbeitsgruppe oder mit externen Forschenden geteilt zu werden, da sie einen höheren Reifegrad erreicht haben, d. h. sie beispielsweise mit Metadaten angereichert und indexiert sind. Für die Speicherung von Warm Data kommen herkömmliche Festplatten (HDD), Netzwerkspeicher wie SAN (Storage Area Network) und NAS (Network Attached Storage) oder cloud-basierte Speicherlösungen zum Einsatz. Diese Technologien bieten ein ausgewogenes Verhältnis zwischen Speicherkosten und Datenverfügbarkeit und eignen sich entsprechend besonders für Daten, die sich in einer Übergangsphase zwischen aktiver Bearbeitung und langfristiger Archivierung befinden.

[Translate to English:] XML ist eine Auszeichnungssprache zur Speicherung hierarchisch strukturierter Informationen als einfache Textdatei. Diese Sprache wird hauptsächlich im plattformunabhängigen Datenaustausch zwischen Anwendungen bzw. Computern benutzt. Die Kodierung ist sowohl maschinen- als auch menschenlesbar - dadurch kann Gestalt und Inhalt kodierter Informationen sehr genau beschrieben werden. Mithilfe von XSL (XML Stylesheet Language) ist es möglich, die gespeicherten Informationen zu interpretieren und in andere Dateiformate umzuwandeln.

[Translate to English:] YAML ("YAML Ain't Markup Language", ursprünglich "Yet Another Markup Language") ist ein textbasiertes Dateiformat zur Datenserialisierung. Im Forschungsdatenmanagement wird es häufig zu zwei Hauptzwecken eingesetzt: zur Erstellung von Konfigurationsdateien und zur Beschreibung von Metadaten. Dank seiner hohen Menschenlesbarkeit eignet sich YAML besonders gut für die Definition von Software-Pipelines und Datenverarbeitungsschritten in Konfigurationsdateien. Im Vergleich zu JSON verzichtet YAML auf umfangreiche strukturgebende Elemente wie Klammern und Anführungszeichen, was die Syntax übersichtlicher gestaltet. Diese Vorteile stehen jedoch gewissen Kompromissen gegenüber.

YAML wurde zwar mit dem Ziel einer vereinfachten Syntax entwickelt, bringt jedoch auch einige Nachteile mit sich. Die bedeutungstragenden Einrückungen machen das Format fehleranfällig – bereits ein falsch gesetztes Leerzeichen kann zu Problemen führen. Zudem können Werte ohne Anführungszeichen leicht fehlinterpretiert werden (beispielsweise wird 04:30 als Uhrzeit statt als reine Textzeichenfolge gelesen). Es bestehen ferner Sicherheitsbedenken, da viele YAML-Parser standardmäßig die Ausführung von beliebigem Code erlauben. Darüber hinaus weisen verschiedene Implementierungen Unterschiede auf, was die Portabilität zwischen verschiedenen Programmen einschränken kann. Aus diesen Gründen empfiehlt es sich, Textzeichenfolgen stets in Anführungszeichen zu setzen und nur sichere Parser-Funktionen zu verwenden.

Angesichts seiner Schlichtheit ist YAML trotz dieser Einschränkungen für überschaubare, menschenlesbare Metadatenbeschreibungen geeignet, da Forschungsdatensätze via YAML maschinen- und menschenlesbar beschrieben werden können. Bei großen Datenmengen, strikten Validierungsanforderungen oder hoher Sicherheitsrelevanz sollten jedoch alternativ JSON oder spezialisierte Metadatenformate in Betracht gezogen werden.

[Translate to English:] Zertifizierung bezeichnet im Forschungsdatenmanagement in der Regel das Kennzeichnen von bestimmte Standards erfüllenden Repositorien. So ist von außen ersichtlich, dass ein Repositorium vertrauenswürdig und qualitativ hochwertig ist – die Abwesenheit eines Zertifikats bedeutet allerdings nicht automatisch, dass ein Repositorium qualitativ minderwertig ist.

Beim Zertifizierungsprozess wird durch ein unabhängiges Gremium anhand verschiedener Kriterien (z. B. organisatorische und technische Maßnahmen) geprüft, ob die langfristige Kuration und Bereitstellung der Daten bzw. der Erhalt deren Nutzbarkeit für das Repositorium sichergestellt sind. Ein Zertifikat wird jeweils nur für einen zeitlich begrenzten Zeitraum (beispielsweise drei Jahre) vergeben, dann muss sich das Repositorium einer erneuten Prüfung unterziehen.

Ein international anerkanntes Zertifikat für Forschungsdatenrepositorien ist beispielsweise das CoreTrustSeal (CTS).

[Translate to English:] Je nach Fachbereich und Forschungsdisziplin bestehen für das Zitieren wissenschaftlicher Datenpublikationen unterschiedliche Zitationsgewohnheiten bzw. -vorgaben. Für die Zitation von Forschungsdaten existiert derzeit (noch) kein einheitlicher Standard, allerdings hat die Data Citation Synthesis Group in ihrer Joint Declaration of Data Citation Principles fachübergreifende Empfehlungen formuliert. Entscheidend ist etwa der Einbezug persistenter Identifikatoren in Zitationen.

Zum Artikel