Forschungsdatenmanagement

Um spätere Fehler, Verwechslungen und langes Suchen zu vermeiden, ist es sinnvoll, bereits zu Beginn des Projektes Zeit in eine systematische Organisation der Dateien und Ordner zu investieren. Dies ist insbesondere dann wichtig, wenn mit anderen Forschungsgruppen zusammengearbeitet wird. Dabei sollten sich alle, an einem Projekt beteiligten Personen, mit einem Schema einverstanden erklären und dieses auch einhalten. Es empfiehlt sich, das Organisations- und Benennungssystem in einem Dokument festzuhalten, um es als Begleitdokument später bei der Datenpublikation mit abzulegen.

• Gruppieren Sie verwandte Dateien in Ordnern (z.B. nach Messungen, Methoden oder Projektphasen)
• Benutzen Sie klare und eindeutige Ordnernamen
• Benutzen Sie eine hierarchische Ordnerstruktur (Achtung: Eine zu verschachtelte Ordnerstruktur führt zu langen und komplizierten Dateipfaden)
• Trennen Sie aktive und fertiggestellte Arbeiten in separaten Ordnern und löschen Sie nicht mehr gebrauchte temporäre Dateien.

Bei der Benennung von Dateien sollte darauf geachtet werden, dass die Namen eindeutig und auch für am Projekt unbeteiligte Personen leicht verständlich sind. Allgemeine Elemente die Teil eines Namens sein können, sind:

• Datum der Erstellung (JJJJ-MM-TT )
• Projektreferenz/Projektname
• Beschreibung des Inhaltes
• Name des Erstellers (Initialen oder ganzer Name)
• Name des Forschungsteams/Departement
• Versionsnummer

Um Limitationen des Betriebssystems zu vermeiden, wenden Sie die folgenden Namens- und Zeichenregeln an:

• möglichst kurze Namen
• Keine Sonderzeichen (: & * % $ £ ] { ! @)
• Unterstriche _ anstelle von Leerzeichen oder Punkten
• Dateiendung wo immer möglich (.txt, .xls, etc.)
• Verlassen Sie sich nicht auf Gross-Kleinschreibung

Durch eine gezielte Wahl des Formats kann die Nachnutzbarkeit von Forschungsdaten erheblich verbessert werden, so dass Dateien auch nach Jahren noch verarbeitet werden können. Bei der Wahl eines geeigneten Formates sollten verschiedene Faktoren berücksichtigt werden:

• Zukunftsfähigkeit: wie viele Softwareprodukte können das Datenformat lesen?
• freie Zugänglichkeit zur Dokumentation
• keine rechtlichen Beschränkungen (Patente)
• keine technischen Beschränkungen (Verschlüsselung, DRM)
• etabliert in Community

Je nach Fachgebiet können sich Forschungsdaten und deren Dateiformate stark unterscheiden. Folgende Dateiformate sind grundsätzlich empfehlenswert:

• Bilder: TIFF, TIF
• Dokumente: TXT, ASC, PDF/A
• Tabellen: CSV
• Audiodateien: WAV
• Datenbanken: SQL, XML
• strukturierte Daten: XML, JSON, YAML

Weitere Informationen über empfohlene Dateiformate und deren Haltbarkeit finden Sie unter hier.

Eine funktionierende Versionskontrolle ist insbesondere bei Datensätzen die sich im Laufe des Projekts ändern, unabdingbar. Die einzelnen Datensätze sollten sequentiell benannt werden und neben der Versionsnummer auch das Speicherdatum enthalten (JJJJ-MM-TT). Die finale Version sollte als solche gekennzeichnet sein. Dabei kann das Führen einer Versionstabelle in der sämtliche Änderungen und neue Benennungen festgehalten werden, bei der späteren Nachvollziehung helfen.

Insbesondere bei der Zusammenarbeit mit verschiedenen Personen, kann es Sinn machen, regelmässig eine Meilenstein-Version der Datei, die nicht mehr geändert oder gelöscht werden darf, zu speichern.

Zusammenfassend empfiehlt forschungsdaten.info

• Sequentielle Nummerierung verwenden
• Datum und Versionsnummer in die Benennung einbeziehen
• Nutzung einer Versionskontrolltabelle
• Verantwortlichkeit für die Fertigstellung von Dateien festlegen
• Bei großen Datenmengen ggfs. Versionsverwaltungs-Software verwenden
• Meilenstein-Versionen speichern

Weiterführende Information - Best practices

Wir empfehlen, Ihre Daten über die Uni-IT zu sichern. Sie trägt anfallende Daten uniweit zusammen und speichert diese auf zwei Tape Libraries der aktuellsten Generation redundant ab.

Weitere Informationen finden Sie hier: Campus Backup / Archive (nur im Campus Netz zugänglich)

Grundsätzlich sollten Sie immer die 3-2-1-Sicherungsregel befolgen:

• 3 Kopien der Daten (1 Original, 2 Sicherungen)
• Speicherung auf 2 unterschiedlichen Medien (externe Festplatten, USB-Laufwerke, SD-Karten, CDs, DVDs, Cloud)
• 1 Kopie an einem externen Speicherort

Die Sicherung sollte in regelmässigen Abständen automatisiert erfolgen. Überprüfen Sie, ob die Sicherung fehlerfrei erfolgte und die Daten im Bedarfsfall auch wieder zurückgespielt werden können.

Eine umfangreiche Dokumentation ist für das richtige Verständnis und eine mögliche Nachnutzung Ihrer Daten unerlässlich. Die Dokumentation sollte unter anderem Angaben zu Ort und Zeit der Datenerhebung, zu den verwendeten Methoden, Instrumenten, Software und Statistikmodellen aber auch Informationen zu den gewählten Parametern, zu fehlenden Werten, der Nomenklatur und Abkürzungen enthalten. Diese Informationen können Ihren Daten z.B. in Form von einer Readme-Datei mitgegeben werden.

Weitere Informationen zur Dokumentation von Daten allgemein finden Sie hier.

Die Entscheidung darüber, welche Daten eines Projekts für wie lange archiviert werden sollen, hängt vom wissenschaftlichen Wert der Daten sowie rechtlichen, regulatorischen und finanziellen Rahmenbedingungen ab.

Im Minimum müssen aber alle der Publikation zugrundeliegenden Daten aufbewahrt die entsprechenden Metadaten online publiziert werden.

Das Digital Curation Centre (DCC) und forschungsdaten.info führen Sie in fünf Schritten zur richtigen Datenauswahl.

• Anleitung (englisch)

Wann immer möglich, sollten Forschungsdaten in fachspezifischen Repositorien abgelegt werden. Diese sind auf die Bedürfnisse des Fachgebiets ausgerichtet, sind auf spezifische Datenformate hin ausgelegt und bieten oft auch fachspezifische Metadaten an.

Eine (nicht-abschliessende) Liste von Datenrepositorien, die genutzt werden können, bieten der SNF und Scientific Data.

Der beste Ausgangspunkt für die Suche nach einem geeigneten Repositorium ist das Registry of Research Data Repositories (www.re3data.org). Dort kann man z.B. gezielt nach Repositorien bestimmter Fächer und Disziplinen suchen.

An der Universität Bern steht zudem ein institutionelles Forschungsdatenrepositorium zur Verfügung. BORIS Portal ermöglicht es Ihnen, Forschungsdaten mit der weltweiten Forschungsgemeinschaft zu teilen, aber auch Zugriffsmöglichkeiten zu bestimmen und Rechte zu verwalten sowie Forschungsdaten mit Projektinformationen und persönlichen Forschendenprofilen zu verknüpfen. Loggen Sie sich einfach mit Ihrer Switch-EduID ein.

Sharing figure

Figshare  - store, share and discover research.

Sharing methods

protocols.io Eine sichere Plattform für die Entwicklung und den Austausch reproduzierbarer Methoden.

Das Open-Science-Team der Universitätsbibliothek Bern empfiehlt für die Lizenzierung von Forschungsdaten die Creative Commons Public Domain Dedication (CC 0) oder die neueste Version der Creative Commons Attribution International Public License (CC BY) für die Lizenzierung von Forschungsdaten, um größtmögliche Wiederverwendbarkeit zu ermöglichen. Wenn die Daten aus ethischen oder rechtlichen Gründen nicht offen zugänglich gemacht werden können, können Sie Metadaten und ergänzenden Materialien unter (CC 0) veröffentlichen, um die Anforderungen der Förderorganisationen zu erfüllen.  

Der Schweizerischer Nationalfonds (SNF) überlässt es den Forschenden, die am besten geeignete Lizenz für die Daten zu wählen, die dem Prinzip der Wiederverwendung entspricht (siehe die Grundsatzerklärung des SNF zu Open Research Data).

Die Europäische Kommission verlangt, dass Forschungsdaten über ein Repositorium unter der neuesten verfügbaren Version der CC BY oder CC 0, oder einer Lizenz mit gleichwertigen Rechten veröffentlicht werden, nach dem Prinzip "so offen wie möglich, so geschlossen wie nötig". Weitere Informationen finden Sie im Model Grant Agreement (15. Dezember 2021, v.1.1), S. 96 und in der Open Science Policy der EU (Link).

Als Bestandteil der FAIR Prinzipien wird von Forschungsfördern die Ausstattung Ihrer veröffentlichten Daten mit einem eindeutigen Identifikator verlangt. Bei der Hinterlegung Ihrer Daten auf BORIS wird jedem Datensatz ein Digital Object Identifer (DOI) zugewiesen. Weitere Informationen finden Sie hier.

Forschungsdaten, die während eines Projekts generiert und gesammelt wurden, können auch über ihren ursprünglichen Erhebungszweck eine Verwendung finden. Es lohnt sich deshalb, die gewonnenen Daten der Öffentlichkeit zugänglich zu machen. Wichtig ist dabei, darauf zu achten, dass Ihre Daten mit persistenten Identifikatoren versehen werden, gute Metadaten generiert werden und eine ausreichende Dokumentation für eine Nachnutzung der Daten vorliegt.
Zurzeit gibt es drei mögliche Wege Forschungsdaten zu veröffentlichen.

Publikation in einem Repositorium

Forschungsdaten können in einem disziplinären oder einem allgemeinen Repositorium veröffentlicht werden. Dabei ist die Publikation der Daten in einem fachspezifischen Repositorium gegenüber der Publikation in einem generischen Repositorium vorzuziehen. Weitere Informationen zur Wahl eines geeigneten Repositoriums finden Sie unter Repositorium finden.

Publikation in einem Data-Journal

Die in Data-Journals veröffentlichen Data Papers sind Dokumente die der erleichterten Verbreitung und Nachnutzung publizierter Daten dienen. Diese Publikationen enthalten alle Informationen zur Datenerhebung, Methoden, Lizenzen und Zugangsrechte sowie Informationen zu potenziellen Nachnutzungsmöglichkeiten. Die Daten selbst sind meist in einem Repositorium abgelegt.

Eine Liste mit Data-Journals findet sich auf der Webseite der Humboldt-Universität zu Berlin.

Veröffentlichung als Supplement zu einem Zeitschriftenartikel

Daten können auch als Zusatzinformation zu Zeitschriftenartikel veröffentlicht werden. Es handelt sich dabei meist um die Daten, welche einer Publikation zugrunde liegen und das Nachvollziehen der Resultate ermöglichen. Die Daten können dafür entweder auf der Zeitschriftenplattform direkt oder in einem externen Datenrepositorium abgelegt sein.  

Für die Zitation von Daten sollten die im Forschungsgebiet vorhanden Standards oder der Vorschlag des Repositoriums, in dem ein Datensatz abgelegt wurde, verwendet werden. Sollte keine Standards/Empfehlungen existieren, empfiehlt Datacite folgende Minimalangaben:

• Autor
• Publikationsjahr (des Datensatzes)
• Titel
• Edition oder Version (optional)
• Verleger (für Daten ist dies meist das Archive, in welchem die Daten gespeichert sind)
• Resource Typ (optional)
• Persisierender Identifikator (als persistenter, verlinkbarer URL)

Informationen und Handlungsanleitung zur Veröffentlichung von Open-Source-Software.

Der ethische Umgang mit Forschungsdaten, Datenschutz- und Sicherheitsherausforderungen sowie Fragen der Forschungsintegrität sind eng mit der Open Science Strategie verbunden. Diese hat zum Ziel Transparenz, die Wiederverwendung von Forschungsdaten und Wissenstransfer zu fördern. 

Die Data Stewards im Open Science Team unterstützen Forschende an der Universität Bern und dem Inselspital durch Schulungen, die regelmässig und auf Anfrage durchgeführt werden. Unsere Beratungen umfassen die Bereiche Erhebung, Wiederverwendung, Verarbeitung, Speicherung, Austausch, sowie Publikation von Forschungsdaten unter Berücksichtigung von guter wissenschaftlicher Praxis, gesetzlichen Vorgaben, Anforderungen von Forschungsförderern und ethischen Standards im Bereich Open Science.  

Datenschutzaufsichtsstelle des Kantons Bern (DSA)

Datenschutzgesetz des Kantons Bern (KDSG)

Datenschutz im lT-Bereich der Universität Bern

Rechtsdienst der Universität Bern (Datenschutz, Rechtsfragen) E-Mail

Unitectra unterstützt Forschende der Universität Bern bei der Kommerzialisierung von Forschungsergebnissen in neue Produkte und Dienstleistungen (Patente, Lizenzen), bei der Verhandlung von Forschungsverträgen sowie bei der Gründung von Spin-off-Unternehmen E-Mail

Datenschutz und Forschung im Allgemeinen: EDÖB (richtet sich an Bundesorgane und Private, hier zur allgemeinen Information. Forschende der Universität Bern müssen sich im Normalfall nach dem Kantonalen Datenschutzgesetz richten.).

Europäische Datenschutz-Grundverordnung (DSGVO EU bzw. GDPR). Einführungsverordnung zur EU-Datenschutzrichtlinie 2016/680 über den Schutz personenbezogener Daten (Einführungsverordnung zur EU Datenschutzrichtlinie, EV EDS) des Kantons Bern.

Die Datenschutzgesetze einiger Länder sind als gleichwertig mit denen der Schweiz anerkannt: Siehe diese Website.

Personendaten sind Angaben über bestimmte oder bestimmbare natürliche oder juristische Personen. Das Datenschutzgesetz des Kantons Bern (KDSG) dient dem Schutz von Personen vor missbräuchlicher Datenbearbeitung durch Behörden.

Wenn Sie in Ihrem Forschungsprojekt mithilfe von Informatikanwendungen (z.B. selbstprogrammierten Apps, aber auch Anwendungen wie Qualtrics oder RedCap) Personendaten erheben, analysieren oder anders verarbeiten, kann es nötig sein, ein Konzept über die Handhabung von Informationssicherheit und Datenschutz (ISDS) zu erstellen.

Ein solches Konzept dient dazu, sich selbst über die Anforderungen und vorhandene bzw. zu erarbeitende technischen Lösungen in diesem Bereich klar zu werden, sowie ggfs. als Grundlage einer Kontrolle durch die Datenschutzbehörden des Kantons. Die rechtliche Grundlage dafür ist die Datenschutzgesetzgebung des Kantons Bern, insbesondere das Datenschutzgesetz (KDSG), Art. 17a. Die «Weisungen zum Datenschutz im IT-Bereich der Universität Bern» müssen befolgt werden.

Für Auskünfte und Erstberatung in rechtlichen Belangen wenden Sie sich bitte an den Rechtsdienst der Universität Bern, in Belangen der IT-Sicherheit sowie für das Ausfüllen der entsprechenden Formulare an die Informatikdienste. IT-Sicherheit an der Universität Bern: Awareness Schulung der ID.

Forschungsprojekte am Menschen, die unter das Humanforschungsgesetz (HFG) fallen, müssen durch Ethikkommissionen (z.B. Tierversuchsethik SAMW oder Kantonale Ethikkommission (KEK) begutachtet werden. Bitte beachten Sie, dass eine solche Begutachtung ca. 60-90 Tage dauern kann. Für weitere Information über die Prozedur, Ablauf und Management solcher Projekte besuchen Sie bitte das Portal zur Humanforschung in der Schweiz Kofam.

Forschungsprojekte, die nicht unter das Humanforschungsgesetz fallen, können durch die Ethik-Kommissionen der Universität Bern Phil.-hum., Phil.-hist., WISO und Animal Welfare Office UniBE bewilligt werden.

Für Informationen zu Forschung, die unter das Humanforschungsgesetz fällt, beachten Sie bitte den Reiter "Ethik – Forschung mit Menschen". Informationen zu Forschung mit Tieren finden Sie unter dem Reiter "Ethik – Forschung mit Tieren". Informationen zu Arbeit mit genetischen Ressourcen oder dem damit verbundenen traditionellen Wissen finden Sie unter dem Reiter "Ethik – Forschung mit genetischen Ressourcen" (Forschungscompliance und Gute Wissenschaftliche Praxis).

Mehr lesen via forschungsdaten.info 

Data Stewards sind Expert*innen für Forschungsdatenmanagement. Sie unterstützen Forschende beim nachhaltigen Umgang mit Forschungsdaten. Darüber hinaus arbeiten Data Stewards als Bindeglieder zwischen Forschenden und (Research) Software Engineers, IT und andern Infrastrukturen. Weitere Aufgaben umfassen Beratung, Schulung und Sensibilisierung für gute Praktiken des Forschungsdatenmanagements. 

Basiert auf: https://forschungsdaten.info/praxis-kompakt/glossar/ 

Datentransfer- und Nutzungsvereinbarungen (engl. Data Transfer and Use Agreement, DTUA, DUA), sind Verträge, die den Austausch von Daten zwischen zwei Parteien regeln. Ein DTUA regelt die Offenlegung eines spezifischen Datensatzes, zulässige Verwendungszwecke und alle Datenschutz- und Sicherheitsanforderungen, die den Empfang und die Verarbeitung der Daten betreffen. Zu diesen Zwecken weisen DTUA den Empfängern der Daten entsprechende Verantwortlichkeiten zu. 

Basiert auf: https://www.purdue.edu/business/sps/contractmgmt/DataTransferUseAgreement.html 

Ein Datenmanagementplan (DMP) ist ein strukturiertes Dokument, in dem der Umgang mit Forschungsdaten in einem Projekt systematisch beschrieben wird. Es sollte Angaben enthalten, auf welche Art und mit welchen Hilfsmitteln (zum Beispiel Hard- und Software) Daten erhoben, bearbeitet, dokumentiert gespeichert, gesichert, gepflegt, archiviert und ggf. publiziert werden. Zudem dokumentiert der DMP auch die erforderlichen Ressourcen und Verantwortlichkeiten. Ein DMP wird im Idealfall schon in der Planungsphase eines Forschungsprojektes entworfen, sollte in dessen weiteren Verlauf aber regelmäßig aktualisiert und ergänzt werden. Der DMP ist somit ein Instrument der Arbeitsorganisation und Projektplanung, kann aber auch Dritten dabei helfen, die betreffenden Forschungsdaten zu interpretieren und nachzunutzen. 

Basiert auf: Glossar, Leibniz Universität Hannover (uni-hannover.de) 

Daten-Provenienz dokumentiert die Herkunft oder den Ursprung von Forschungsdaten, und die Prozesse, Methoden, Instrumente und Algorithmen, mit denen sie produziert wurden. Angaben zur Provenienz von Forschungsdaten sind entscheidend, um Transparenz/Reproduzierbarkeit der Forschung zu gewährleisten und so ihre Glaubwürdigkeit und das Vertrauen in sie zu stärken. Die betreffenden Informationen können in Readme-Dateien oder Metadaten festgehalten werden. Angaben zur Provenienz sind zentral bei der Umsetzung der FAIR-Data-Prinzipien. 

Basiert auf: eResearch Alliance: Daten-Provenienz 

Eine Einwilligungserklärung (oder informierte Einwilligung) umfasst die Information der Teilnehmenden darüber, was mit ihren Daten im Rahmen eines Forschungsprojekts geplant ist, für welche Zwecke die Daten gesammelt und publiziert werden sollen, sowie die Zustimmung der Teilnehmenden. Die informierte Einwilligung bildet die Grundlage der Teilnahme an wissenschaftlichen Studien und einer eventuellen Nachnutzung der Daten. Sie ist somit die Basis einer Forschung, die rechtliche Bestimmungen und ethische Prinzipien umsetzt.  

Electronic lab notebooks (ELN) und laboratory inventory management systems (LIMS) sind digitale Tools, die unter anderem die Laborarbeit erleichtern. ELN dienen der Speicherung und Aufzeichnung von unstrukturierten Daten, z.B. der Organisation von Protokollen, Notizen und Daten aus Experimenten. LIMS hingegen sind für strukturierte und sich wiederholende Daten vorgesehen, die bestimmten Mustern folgen, z.B. bei der Verfolgung von Proben aus genau definierten, wiederholten und routinemässigen Tests.  

Basiert auf: https://www.scinote.net/blog/eln-vs-lims-how-to-choose/ 

Der Begriff FAIR (Findable, Accessible, Interoperable und Reusable) Data wurde 2016 erstmals von der FORCE11-Community für ein nachhaltiges Forschungsdatenmanagement geprägt. Hauptziel der FAIR-Prinzipien ist eine optimale Aufbereitung der Forschungsdaten, die demnach sowohl für Menschen als auch Maschinen auffindbar, zugänglich, interoperabel und wiederverwendbar sein sollen. 

Basiert auf: FDM-Glossar, Freie Universität Berlin (fu-berlin.de); Wilkinson, Mark, et al. 2016. „The FAIR Guiding Principles for Scientific Data Management and Stewardship“. Scientific Data 3 (1): 160018. https://doi.org/10.1038/sdata.2016.18. 

Als Forschungsdaten werden alle Daten bezeichnet, die im Zuge wissenschaftlichen Arbeitens entstehen oder genutzt werden. Sie bilden die Grundlage aktueller und potenziell zukünftiger wissenschaftlicher Erkenntnisse und werden in der wissenschaftlichen Gemeinschaft allgemein als notwendig für die Dokumentierung und Validierung von Forschungsergebnissen angesehen. 

Es kann zwischen Primärdaten (Daten, die gezielt zur Beantwortung einer Fragestellung in der Forschung erhoben werden) und Sekundärdaten (Daten, die in einem anderen Kontext erhoben wurden und in der Forschung verwendet werden) unterschieden werden.  

Metadaten sowie die Dokumentation der Datenerhebung und -verarbeitung innerhalb eines Forschungsprojektes sind essenziell für die (Nach-)Nutzbarkeit von Forschungsdaten (FAIR Data). Wenn Forschungsdaten unter offenen Lizenzen veröffentlicht werden, handelt es sich um Open Research Data. 

Ein Forschungsdatenrepositorium ist eine Online-Plattform, die der Veröffentlichung von Forschungsdaten dient. Im Sinne der Grundsätze von FAIR Data und Open Research Data sollten neben den Forschungsdaten auch Metadaten eingegeben und Dokumentation (z. B. ReadMe-File, Codebook, Protokoll) eingestellt werden, um die Daten besser auffindbar, verständlich und nachnutzbar zu machen. Um die Nachnutzung der Daten zu regeln, können Lizenzen vergeben werden. Der Zugriff auf sensible Daten (z.B. Daten mit Personenbezug) kann eingeschränkt und über einen Datennachnutzungsvertrag (Data Transfer and Use Agreement, DTUA) geregelt werden. 

Langzeitarchivierung bedeutet die Sicherung von Daten und von deren Benutzbarkeit über mehrere Generationen von Hardware, Software und Dateiformaten hinweg. 

Basiert auf: Universitätsbibliothek Bern, BerDA 

Eine Lizenz ist ein vertraglich vereinbartes Nutzungsrecht. Damit erlaubt der Rechteinhaber seinem Vertragspartner, ein Werk auf verschiedene Arten zu nutzen (z. B. zu kopieren, zu speichern oder digital zugänglich zu machen). Im Bereich von Forschungsdaten, an denen Urheberrechtsansprüche bestehen, werden in der Regel standardisierte Creative-Commons-Lizenzen bzw. -Instrumente empfohlen, insbesondere CC BY und CC0. 

Basiert auf: https://forschungsdaten.info/praxis-kompakt/glossar, Creative Commons   

Metadaten sind eine stark strukturierte, standardisierte Beschreibung von Objekten (einschließlich Daten). Sie bieten in komprimierter Form Informationen zu Inhalt, Struktur, technischen Eigenschaften, Nutzungsrechten und anderen Eigenschaften. Standardisierte Metadaten machen Informationen für Maschinen (z.B. Algorithmen, Suchmaschinen) auffindbar und nutzbar. Sie sind somit zentral bei der Umsetzung der FAIR-Data-Prinzipien. 

Quelle: https://en.wikipedia.org/wiki/Metadata  

“Open Data” im umfassenden Sinn bezeichnet alle offen zugänglichen und nachnutzbaren Datenbestände. Im engeren Sinn wird der Begriff oft synonym zu «Open Government Data» (offene Verwaltungsdaten) und in Abgrenzung von «Open Research Data» (offene Forschungsdaten) verwendet. Daten sind offen, wenn sie mit so wenig rechtlichen und technischen Einschränkungen wie möglich zugänglich gemacht werden. Eine stark einschränkende Lizenzgebung oder Zugriffsbarrieren (z.B. Bezahl- oder Anmeldeschranke) kann dazu führen, dass Forschungsergebnisse nicht nachvollziehbar sind und die Nachnutzung der Daten erschwert oder unmöglich wird. 

Basiert auf: https://opendatahandbook.org/guide/de/what-is-open-data/  

Persistente Identifikatoren (PID) sind dauerhafte Kennungen, die einem digitalen Objekt zugeordnet sind. Im Gegensatz zu anderen Identifikatoren wie etwa URLs verweisen PID immer auf das Objekt selbst. Auf diese Weise ändert sich der Identifikator nicht, auch wenn sich der Standort des Objektes (in der Regel eine Webseite) ändert. So wird eine dauerhafte Nachweisbarkeit sichergestellt. Beispiele für PID sind Digital Object Identifier (DOI), Archival Resource Keys (ARKs), Handle.  

Basiert auf: https://forschungsdaten.info/, CODATA Research Data Management Terminology 

Gemäss dem schweizerischen Datenschutzgesetz (DSG) sind Personendaten alle Informationen, die sich auf eine bestimmte oder bestimmbare natürliche Person beziehen. Personendaten können sowohl direkt identifizierende Angaben sein (z.B. Name, Adresse, IP-Adresse), aber auch Informationen, die erst in Kombination mit anderen Informationen eine Person identifizieren können (z.B. Beruf, Wohnort). 

Basiert auf: Art. 5 DSG Datenschutzgesetz Schweiz | Fact Sheet Datenschutz (Universität Basel) 

Laut dem schweizerischen Datenschutzgesetz DSG gelten Daten zum Beispiel über die Gesundheit, politische oder religiöse Weltanschauung oder genetische Daten als besonders schützenswerte Personendaten. Gelegentlich wird auch von sensiblen (Personen-)Daten gesprochen. Für diesen Datentyp gelten nochmals strengere Schutzauflagen. 

In der Schweiz werden von Kanton zu Kanton zum Teil abweichende Bezeichnungen für diese Art von Daten gebraucht. So ist etwa im Kanton Basel-Stadt von «besonderen Personendaten» die Rede (IDG, §3, Abs. 4). 

Basiert auf: Art. 5 DSG Datenschutzgesetz Schweiz | Kanton Basel-Stadt, Datenschutzgesetz | BSG 152.04 - Datenschutzgesetz - Kanton Bern - Erlass-Sammlung

Präregistrierung bedeutet, den Plan eines Forschungsprojekts vor oder zu Beginn des Projekts zu veröffentlichen. In Fachbereichen wie etwa der Psychologie wird das Verfahren eingesetzt, um das methodengeleitete Vorgehen zu stärken und die Qualität und Transparenz der Forschung zu erhöhen. So soll zweifelhafte wissenschaftliche Praxis (wie etwa die nachträgliche Anpassung der Forschungsfrage an die erzielten Resultate) vermieden werden. 

Basiert auf: https://help.osf.io/article/145-preregistration 

Forschungsergebnisse sind reproduzierbar, wenn bei der Anwendung identischer Analyseverfahren auf dieselben Daten identische Ergebnisse erzeugt werden. Dies setzt voraus, dass die angewendeten Methoden und Prozeduren korrekt und präzise dokumentiert sind und alle Schritte des wissenschaftlichen Arbeitens dokumentiert werden. Reproduzierbare Ergebnisse ermöglichen Transparenz und Nachvollziehbarkeit. Im Unterschied dazu bedeutet Replizierbarkeit, dass die Ergebnisse der replizierten Studie mit neuen Daten und denselben oder anderen Methoden bestätigt werden können. Die Definitionen der Begriffe Reproduzierbarkeit und Replizierbarkeit können allerdings je nach Disziplin variieren. 

Basiert auf: https://book.the-turing-way.org/reproducible-research/reproducible-research | Plesser HE (2018) Reproducibility vs. Replicability: A Brief History of a Confused Terminology. Front. Neuroinform. 11:76. doi: 10.3389/fninf.2017.00076  

Supplementary Material (oder Supplementary Data) ist Material (inkl. Daten), dass aufgrund der limitierten Platzverhältnisse nicht in den Haupttext eines wissenschaftlichen Artikels integriert werden kann. Dieses Material ist nicht unmittelbar nötig, um die Ergebnisse und Schlussfolgerungen des Artikels nachzuvollziehen, kann aber zur Kontextualisierung oder weiterführenden Forschung trotzdem relevant für den Leser/die Leserin sein. Es wird empfohlen, Supplementary Material auf einem Publikations- oder Forschungsdatenrepositorium zu veröffentlichen, das DOIs oder andere PID vergibt. 

Basiert auf: International Journal of Epidemiology 

Grosse Forschungsförderer wie der Schweizerische Nationalfonds, andere nationale Forschungsförderer oder die Europäische Union knüpfen an die Vergabe von Projektfördergeldern in der Regel die Bedingung, einen Datenmanagementplan einzureichen sowie Forschungsdaten öffentlich zugänglich zu machen (Open (Research) Data), sofern es keine rechtlichen oder ethischen Hinderungsgründe gibt.

Basiert auf: https://www.snf.ch/de/dMILj9t4LNk8NwyR/thema/open-research-data