Forschungsdaten.org - Benutzerbeiträge [de]

Literatur

2026-06-21T13:21:58Z

AnnetteStrauchDavey:

[[Category:Literatur]]
Diese Seite listet einige Informationsquellen zum Einstieg in das Thema [[Forschungsdaten]] auf. Eine umfangreiche Literatursammlung wird vom Fachbereich Informationswissenschaften der Fachhochschule Potsdam über Zotero bereitgestellt und kontinuierlich in Seminaren und anderen Lehrveranstaltungen gepflegt und weitergeführt:

* [http://www.zotero.org/groups/forschungsdaten Forschungsdaten Bibliographie bei Zotero]

Im englischsprachigen Raum existieren, nicht zuletzt aufgrund der Anforderungen der Förderer, eine Vielzahl von Checklisten und Leitfäden zum [[Forschungsdatenmanagement]]. Eine vergleichende Übersicht über Checklisten wird u.a. von den [http://libraries.mit.edu/guides/subjects/data-management/plans.html MIT-Libraries] zur Verfügung gestellt. Die MIT-Libraries bieten ebenfalls eine Übersicht über eine Reihe von [http://libraries.mit.edu/guides/subjects/data-management/guides.html Leitfäden] an.

Im deutschsprachigen Raum hat das [http://www.wissgrid.de WissGrid-Projekt] einen Leitfaden und eine Checkliste zum Forschungsdatenmanagement veröffentlicht.<ref>Ludwig, J., and H. Enke (Eds.) (2013), Leitfaden zum Forschungsdaten-Management, Verlag Werner Hülsbusch, Glückstadt. [[Datei:Leitfaden_Data-Management-WissGrid.pdf]]</ref>

Zur urheberrechtlichen Bewertung von Forschungsdaten sei auf den Aufsatz ''Urheberrechtliche Schutzfähigkeit von Forschungsdaten'' von Thomas Hartmann (in: Jürgen Taeger (Hrsg.): Law as a Service (LaaS). Recht im Internet- und Cloud-Zeitalter. Edewecht, 2013) verwiesen. Das Volltext-PDF ist [http://pubman.mpdl.mpg.de/pubman/item/escidoc:1818803/component/escidoc:2260224/DSRI-Tagungsband-HA13-Hartmann%20Copy.pdf hier verfügbar].

Einen beispielhaften englischsprachigen Leitfaden zum Forschungsdaten-Management hat das sozialwissenschaftliche [http://www.data-archive.ac.uk/ UK Data Archive] herausgegeben.<ref>Van den Eynden, V., Corti, L.,
Woollard, M., Bishop, L., Horton, L. (2011), Managing and Sharing Data, http://www.data-archive.ac.uk/media/2894/managingsharing.pdf, online.</ref>

[http://www.dataone.org DataOne] hat ebenfalls einen Leitfaden zum Forschungs-Datenmanagement veröffentlicht.<ref>Strasser, C., Cook, R., Michener, W., Budden, A. (2012), DataOne Primer on Data Management, http://www.dataone.org/sites/all/documents/DataONE_BP_Primer_020212.pdf, online.
</ref> Auch stellt das Netzwerk einige Beispiele für [http://www.dataone.org/data-management-planning Datenmanagement-Pläne] sowie eine Übersicht über [http://www.dataone.org/best-practices Best-Practice-Beispiele] zur Verfügung.

Eine umfassende Einführung in das Data Management bieten die Projekte BEFmate und GFBiom: [http://www.gfbio.org/documents/10184/22817/Reader_GFBio_BefMate_20160112/1ca43f24-2550-44b3-a05e-e180c3e544c0 An Introduction to Data Management. An Introduction to Data Management]. <ref>Alejandra Sarmiento Soler, Mara Ort, Juliane Steckel (2016) An Introduction to Data Management. URL: http://www.gfbio.org/documents/10184/22817/Reader_GFBio_BefMate_20160112/1ca43f24-2550-44b3-a05e-e180c3e544c0 </ref>

Eine Vielzahl von nützlichen Einführungen zu speziellen Themen des Forschungsdaten-Managements auf unterschiedlichen Niveaus bietet der [http://www.ands.org.au/guides/index.html Australian National Data Service].

Es gibt verschiedene Lifecycle-Modelle, die einen systematischen Überblick über die notwendigen Aktivitäten des Forschungsdaten-Managements geben, bspw. das [http://www.dcc.ac.uk/resources/curation-lifecycle-model DCC Curation Lifecycle Model]. Im [http://opus.bath.ac.uk/28587/1/redm1rep120110ab10.pdf Review of Data Management Lifecycle Models] vergleicht und bewertet Ball eine Reihe solcher Modelle.

Von der Fachhochschule Potsdam wurde das Forschungsdatenmanagement herausgegeben, das systematisch einen Überblick über das Themengebiet gibt. Informationswissenschaftler und Praktiker beschreiben die Aufgaben, Konzepte und Bausteine im Bereich Forschungsdaten-Management. <ref>Büttner, S., H.-C. Hobohm, and L. Müller (Hrsg.) (2011), Handbuch Forschungsdatenmanagement, Bock + Herrchen, Bad Honnef. http://opus.kobv.de/fhpotsdam/volltexte/2011/241/pdf/HandbuchForschungsdatenmanagement.pdf</ref>

Eine fachlich orientierte Bestandsaufnahme gibt hingegen das Buch des [[Nestor|nestor-Netzwerkes]] und der D-Grid GmbH [http://nestor.sub.uni-goettingen.de/bestandsaufnahme/ Langzeitarchivierung von Forschungsdaten]. Elf Vertreter von Fachdisziplinen stellen den Stand im Umgang mit Forschungsdaten in ihrem Bereich vor.<ref>Neuroth, H., S. Strathmann, A. Oßwald, R. Scheffel, J. Klump, and J. Ludwig (Hrsg.) (2012), Langzeitarchivierung von Forschungsdaten - Eine Bestandsaufnahme, Verlag Werner Hülsbusch, Boizenburg. http://nestor.sub.uni-goettingen.de/bestandsaufnahme</ref>

Darüber hinaus gibt es verschiedene Bibliographien zum Thema, u. a.

* [http://digital-scholarship.org/rdcb/rdcb.htm Research Data Curation Bibliography] von Charles W. Bailey
* [http://www.mendeley.com/groups/544241/data-sharing-and-withholding/ Data sharing and withholding] in Mendeley



== FDM-Lehrbbücher==

* Corti, Louise; van den Eynden, Veerle; Bishop, Libby; Woollard, Matthew (2019): Managing and sharing research data: a guide to good practice, 2nd ed.: SAGE Publications.
* Briney, Kristin (2015): Data Management for Researchers: Organize, maintain and share your data for research success: Pelagic Publishing.
* Ray, Joyce M. (2014): Research data management: practical strategies for information professionals: Purdue University Press.
* Pryor, Graham (2012): Managing Research Data: Facet Publishing.
* '''[https://www.degruyterbrill.com/de/document/doi/10.1515/9783110657807/html#bibliographicData Praxishandbuch Forschungsdatenmanagement]''' — Putnings, Neuroth & Neumann (2021): Umfassende Einführung mit vielen Praxisbeispielen.

== Zenodo Community der Nationalen Forschungsdateninfrastruktur (NFDI) ==
Die ''Zenodo Community der Nationalen Forschungsdateninfrastruktur (NFDI)'' <ref>https://zenodo.org/communities/nfdi/records?q=&l=list&p=1&s=10&sort=newest</ref> ist ein thematisch gebündelter Bereich auf der Open‑Science‑Plattform Zenodo, in dem NFDI‑Konsortien ihre Publikationen, Daten, Poster, Positionspapiere und andere Forschungsoutputs offen zugänglich machen. Sie dient der Sichtbarkeit, Auffindbarkeit und langfristigen Archivierung von NFDI‑Materialien.

=== Funktionen der NFDI‑Zenodo‑Community ===

* '''Zentrale Sammlung''' von Publikationen, Positionspapieren, Postern, Software und Daten der NFDI‑Konsortien
* '''DOI‑Vergabe''' für alle hochgeladenen Materialien
* '''Sichtbarkeit & Auffindbarkeit''' von NFDI‑Outputs
* '''Langzeitarchivierung''' auf einer etablierten Open‑Science‑Plattform
* '''Community‑Kuratierung''': Inhalte werden geprüft und thematisch zugeordnet

== Verweise ==

<references />

Literatur

2026-06-21T13:20:49Z

AnnetteStrauchDavey: /* FDM-Lehrbbücher */

[[Category:Literatur]]
Diese Seite listet einige Informationsquellen zum Einstieg in das Thema [[Forschungsdaten]] auf. Eine umfangreiche Literatursammlung wird vom Fachbereich Informationswissenschaften der Fachhochschule Potsdam über Zotero bereitgestellt und kontinuierlich in Seminaren und anderen Lehrveranstaltungen gepflegt und weitergeführt:

* [http://www.zotero.org/groups/forschungsdaten Forschungsdaten Bibliographie bei Zotero]

Im englischsprachigen Raum existieren, nicht zuletzt aufgrund der Anforderungen der Förderer, eine Vielzahl von Checklisten und Leitfäden zum [[Forschungsdatenmanagement]]. Eine vergleichende Übersicht über Checklisten wird u.a. von den [http://libraries.mit.edu/guides/subjects/data-management/plans.html MIT-Libraries] zur Verfügung gestellt. Die MIT-Libraries bieten ebenfalls eine Übersicht über eine Reihe von [http://libraries.mit.edu/guides/subjects/data-management/guides.html Leitfäden] an.

Im deutschsprachigen Raum hat das [http://www.wissgrid.de WissGrid-Projekt] einen Leitfaden und eine Checkliste zum Forschungsdatenmanagement veröffentlicht.<ref>Ludwig, J., and H. Enke (Eds.) (2013), Leitfaden zum Forschungsdaten-Management, Verlag Werner Hülsbusch, Glückstadt. [[Datei:Leitfaden_Data-Management-WissGrid.pdf]]</ref>

Zur urheberrechtlichen Bewertung von Forschungsdaten sei auf den Aufsatz ''Urheberrechtliche Schutzfähigkeit von Forschungsdaten'' von Thomas Hartmann (in: Jürgen Taeger (Hrsg.): Law as a Service (LaaS). Recht im Internet- und Cloud-Zeitalter. Edewecht, 2013) verwiesen. Das Volltext-PDF ist [http://pubman.mpdl.mpg.de/pubman/item/escidoc:1818803/component/escidoc:2260224/DSRI-Tagungsband-HA13-Hartmann%20Copy.pdf hier verfügbar].

Einen beispielhaften englischsprachigen Leitfaden zum Forschungsdaten-Management hat das sozialwissenschaftliche [http://www.data-archive.ac.uk/ UK Data Archive] herausgegeben.<ref>Van den Eynden, V., Corti, L.,
Woollard, M., Bishop, L., Horton, L. (2011), Managing and Sharing Data, http://www.data-archive.ac.uk/media/2894/managingsharing.pdf, online.</ref>

[http://www.dataone.org DataOne] hat ebenfalls einen Leitfaden zum Forschungs-Datenmanagement veröffentlicht.<ref>Strasser, C., Cook, R., Michener, W., Budden, A. (2012), DataOne Primer on Data Management, http://www.dataone.org/sites/all/documents/DataONE_BP_Primer_020212.pdf, online.
</ref> Auch stellt das Netzwerk einige Beispiele für [http://www.dataone.org/data-management-planning Datenmanagement-Pläne] sowie eine Übersicht über [http://www.dataone.org/best-practices Best-Practice-Beispiele] zur Verfügung.

Eine umfassende Einführung in das Data Management bieten die Projekte BEFmate und GFBiom: [http://www.gfbio.org/documents/10184/22817/Reader_GFBio_BefMate_20160112/1ca43f24-2550-44b3-a05e-e180c3e544c0 An Introduction to Data Management. An Introduction to Data Management]. <ref>Alejandra Sarmiento Soler, Mara Ort, Juliane Steckel (2016) An Introduction to Data Management. URL: http://www.gfbio.org/documents/10184/22817/Reader_GFBio_BefMate_20160112/1ca43f24-2550-44b3-a05e-e180c3e544c0 </ref>

Eine Vielzahl von nützlichen Einführungen zu speziellen Themen des Forschungsdaten-Managements auf unterschiedlichen Niveaus bietet der [http://www.ands.org.au/guides/index.html Australian National Data Service].

Es gibt verschiedene Lifecycle-Modelle, die einen systematischen Überblick über die notwendigen Aktivitäten des Forschungsdaten-Managements geben, bspw. das [http://www.dcc.ac.uk/resources/curation-lifecycle-model DCC Curation Lifecycle Model]. Im [http://opus.bath.ac.uk/28587/1/redm1rep120110ab10.pdf Review of Data Management Lifecycle Models] vergleicht und bewertet Ball eine Reihe solcher Modelle.

Von der Fachhochschule Potsdam wurde das Forschungsdatenmanagement herausgegeben, das systematisch einen Überblick über das Themengebiet gibt. Informationswissenschaftler und Praktiker beschreiben die Aufgaben, Konzepte und Bausteine im Bereich Forschungsdaten-Management. <ref>Büttner, S., H.-C. Hobohm, and L. Müller (Hrsg.) (2011), Handbuch Forschungsdatenmanagement, Bock + Herrchen, Bad Honnef. http://opus.kobv.de/fhpotsdam/volltexte/2011/241/pdf/HandbuchForschungsdatenmanagement.pdf</ref>

Eine fachlich orientierte Bestandsaufnahme gibt hingegen das Buch des [[Nestor|nestor-Netzwerkes]] und der D-Grid GmbH [http://nestor.sub.uni-goettingen.de/bestandsaufnahme/ Langzeitarchivierung von Forschungsdaten]. Elf Vertreter von Fachdisziplinen stellen den Stand im Umgang mit Forschungsdaten in ihrem Bereich vor.<ref>Neuroth, H., S. Strathmann, A. Oßwald, R. Scheffel, J. Klump, and J. Ludwig (Hrsg.) (2012), Langzeitarchivierung von Forschungsdaten - Eine Bestandsaufnahme, Verlag Werner Hülsbusch, Boizenburg. http://nestor.sub.uni-goettingen.de/bestandsaufnahme</ref>

Darüber hinaus gibt es verschiedene Bibliographien zum Thema, u. a.

* [http://digital-scholarship.org/rdcb/rdcb.htm Research Data Curation Bibliography] von Charles W. Bailey
* [http://www.mendeley.com/groups/544241/data-sharing-and-withholding/ Data sharing and withholding] in Mendeley



== FDM-Lehrbbücher==

* Corti, Louise; van den Eynden, Veerle; Bishop, Libby; Woollard, Matthew (2019): Managing and sharing research data: a guide to good practice, 2nd ed.: SAGE Publications.
* Briney, Kristin (2015): Data Management for Researchers: Organize, maintain and share your data for research success: Pelagic Publishing.
* Ray, Joyce M. (2014): Research data management: practical strategies for information professionals: Purdue University Press.
* Pryor, Graham (2012): Managing Research Data: Facet Publishing.
* '''Praxishandbuch Forschungsdatenmanagement''' — Putnings, Neuroth & Neumann (Hrsg.), 2021 Umfassende Einführung mit vielen Praxisbeispielen.

== Zenodo Community der Nationalen Forschungsdateninfrastruktur (NFDI) ==
Die ''Zenodo Community der Nationalen Forschungsdateninfrastruktur (NFDI)'' <ref>https://zenodo.org/communities/nfdi/records?q=&l=list&p=1&s=10&sort=newest</ref> ist ein thematisch gebündelter Bereich auf der Open‑Science‑Plattform Zenodo, in dem NFDI‑Konsortien ihre Publikationen, Daten, Poster, Positionspapiere und andere Forschungsoutputs offen zugänglich machen. Sie dient der Sichtbarkeit, Auffindbarkeit und langfristigen Archivierung von NFDI‑Materialien.

=== Funktionen der NFDI‑Zenodo‑Community ===

* '''Zentrale Sammlung''' von Publikationen, Positionspapieren, Postern, Software und Daten der NFDI‑Konsortien
* '''DOI‑Vergabe''' für alle hochgeladenen Materialien
* '''Sichtbarkeit & Auffindbarkeit''' von NFDI‑Outputs
* '''Langzeitarchivierung''' auf einer etablierten Open‑Science‑Plattform
* '''Community‑Kuratierung''': Inhalte werden geprüft und thematisch zugeordnet

== Verweise ==

<references />

Literatur

2026-06-21T13:17:48Z

AnnetteStrauchDavey:

[[Category:Literatur]]
Diese Seite listet einige Informationsquellen zum Einstieg in das Thema [[Forschungsdaten]] auf. Eine umfangreiche Literatursammlung wird vom Fachbereich Informationswissenschaften der Fachhochschule Potsdam über Zotero bereitgestellt und kontinuierlich in Seminaren und anderen Lehrveranstaltungen gepflegt und weitergeführt:

* [http://www.zotero.org/groups/forschungsdaten Forschungsdaten Bibliographie bei Zotero]

Im englischsprachigen Raum existieren, nicht zuletzt aufgrund der Anforderungen der Förderer, eine Vielzahl von Checklisten und Leitfäden zum [[Forschungsdatenmanagement]]. Eine vergleichende Übersicht über Checklisten wird u.a. von den [http://libraries.mit.edu/guides/subjects/data-management/plans.html MIT-Libraries] zur Verfügung gestellt. Die MIT-Libraries bieten ebenfalls eine Übersicht über eine Reihe von [http://libraries.mit.edu/guides/subjects/data-management/guides.html Leitfäden] an.

Im deutschsprachigen Raum hat das [http://www.wissgrid.de WissGrid-Projekt] einen Leitfaden und eine Checkliste zum Forschungsdatenmanagement veröffentlicht.<ref>Ludwig, J., and H. Enke (Eds.) (2013), Leitfaden zum Forschungsdaten-Management, Verlag Werner Hülsbusch, Glückstadt. [[Datei:Leitfaden_Data-Management-WissGrid.pdf]]</ref>

Zur urheberrechtlichen Bewertung von Forschungsdaten sei auf den Aufsatz ''Urheberrechtliche Schutzfähigkeit von Forschungsdaten'' von Thomas Hartmann (in: Jürgen Taeger (Hrsg.): Law as a Service (LaaS). Recht im Internet- und Cloud-Zeitalter. Edewecht, 2013) verwiesen. Das Volltext-PDF ist [http://pubman.mpdl.mpg.de/pubman/item/escidoc:1818803/component/escidoc:2260224/DSRI-Tagungsband-HA13-Hartmann%20Copy.pdf hier verfügbar].

Einen beispielhaften englischsprachigen Leitfaden zum Forschungsdaten-Management hat das sozialwissenschaftliche [http://www.data-archive.ac.uk/ UK Data Archive] herausgegeben.<ref>Van den Eynden, V., Corti, L.,
Woollard, M., Bishop, L., Horton, L. (2011), Managing and Sharing Data, http://www.data-archive.ac.uk/media/2894/managingsharing.pdf, online.</ref>

[http://www.dataone.org DataOne] hat ebenfalls einen Leitfaden zum Forschungs-Datenmanagement veröffentlicht.<ref>Strasser, C., Cook, R., Michener, W., Budden, A. (2012), DataOne Primer on Data Management, http://www.dataone.org/sites/all/documents/DataONE_BP_Primer_020212.pdf, online.
</ref> Auch stellt das Netzwerk einige Beispiele für [http://www.dataone.org/data-management-planning Datenmanagement-Pläne] sowie eine Übersicht über [http://www.dataone.org/best-practices Best-Practice-Beispiele] zur Verfügung.

Eine umfassende Einführung in das Data Management bieten die Projekte BEFmate und GFBiom: [http://www.gfbio.org/documents/10184/22817/Reader_GFBio_BefMate_20160112/1ca43f24-2550-44b3-a05e-e180c3e544c0 An Introduction to Data Management. An Introduction to Data Management]. <ref>Alejandra Sarmiento Soler, Mara Ort, Juliane Steckel (2016) An Introduction to Data Management. URL: http://www.gfbio.org/documents/10184/22817/Reader_GFBio_BefMate_20160112/1ca43f24-2550-44b3-a05e-e180c3e544c0 </ref>

Eine Vielzahl von nützlichen Einführungen zu speziellen Themen des Forschungsdaten-Managements auf unterschiedlichen Niveaus bietet der [http://www.ands.org.au/guides/index.html Australian National Data Service].

Es gibt verschiedene Lifecycle-Modelle, die einen systematischen Überblick über die notwendigen Aktivitäten des Forschungsdaten-Managements geben, bspw. das [http://www.dcc.ac.uk/resources/curation-lifecycle-model DCC Curation Lifecycle Model]. Im [http://opus.bath.ac.uk/28587/1/redm1rep120110ab10.pdf Review of Data Management Lifecycle Models] vergleicht und bewertet Ball eine Reihe solcher Modelle.

Von der Fachhochschule Potsdam wurde das Forschungsdatenmanagement herausgegeben, das systematisch einen Überblick über das Themengebiet gibt. Informationswissenschaftler und Praktiker beschreiben die Aufgaben, Konzepte und Bausteine im Bereich Forschungsdaten-Management. <ref>Büttner, S., H.-C. Hobohm, and L. Müller (Hrsg.) (2011), Handbuch Forschungsdatenmanagement, Bock + Herrchen, Bad Honnef. http://opus.kobv.de/fhpotsdam/volltexte/2011/241/pdf/HandbuchForschungsdatenmanagement.pdf</ref>

Eine fachlich orientierte Bestandsaufnahme gibt hingegen das Buch des [[Nestor|nestor-Netzwerkes]] und der D-Grid GmbH [http://nestor.sub.uni-goettingen.de/bestandsaufnahme/ Langzeitarchivierung von Forschungsdaten]. Elf Vertreter von Fachdisziplinen stellen den Stand im Umgang mit Forschungsdaten in ihrem Bereich vor.<ref>Neuroth, H., S. Strathmann, A. Oßwald, R. Scheffel, J. Klump, and J. Ludwig (Hrsg.) (2012), Langzeitarchivierung von Forschungsdaten - Eine Bestandsaufnahme, Verlag Werner Hülsbusch, Boizenburg. http://nestor.sub.uni-goettingen.de/bestandsaufnahme</ref>

Darüber hinaus gibt es verschiedene Bibliographien zum Thema, u. a.

* [http://digital-scholarship.org/rdcb/rdcb.htm Research Data Curation Bibliography] von Charles W. Bailey
* [http://www.mendeley.com/groups/544241/data-sharing-and-withholding/ Data sharing and withholding] in Mendeley



== FDM-Lehrbbücher==

* Corti, Louise; van den Eynden, Veerle; Bishop, Libby; Woollard, Matthew (2019): Managing and sharing research data: a guide to good practice, 2nd ed.: SAGE Publications.
* Briney, Kristin (2015): Data Management for Researchers: Organize, maintain and share your data for research success: Pelagic Publishing.
* Ray, Joyce M. (2014): Research data management: practical strategies for information professionals: Purdue University Press.
* Pryor, Graham (2012): Managing Research Data: Facet Publishing.

== Zenodo Community der Nationalen Forschungsdateninfrastruktur (NFDI) ==
Die ''Zenodo Community der Nationalen Forschungsdateninfrastruktur (NFDI)'' <ref>https://zenodo.org/communities/nfdi/records?q=&l=list&p=1&s=10&sort=newest</ref> ist ein thematisch gebündelter Bereich auf der Open‑Science‑Plattform Zenodo, in dem NFDI‑Konsortien ihre Publikationen, Daten, Poster, Positionspapiere und andere Forschungsoutputs offen zugänglich machen. Sie dient der Sichtbarkeit, Auffindbarkeit und langfristigen Archivierung von NFDI‑Materialien.

=== Funktionen der NFDI‑Zenodo‑Community ===

* '''Zentrale Sammlung''' von Publikationen, Positionspapieren, Postern, Software und Daten der NFDI‑Konsortien
* '''DOI‑Vergabe''' für alle hochgeladenen Materialien
* '''Sichtbarkeit & Auffindbarkeit''' von NFDI‑Outputs
* '''Langzeitarchivierung''' auf einer etablierten Open‑Science‑Plattform
* '''Community‑Kuratierung''': Inhalte werden geprüft und thematisch zugeordnet

== Verweise ==

<references />

GenDiMedNet

2026-06-21T12:08:43Z

AnnetteStrauchDavey:

Das vom BMBF im Rahmen der Förderrichtlinie '''Interaktive Technologien für eine geschlechtsspezifische Gesundheit''' (GeGe) geförderte Netzwerk verfolgt das Ziel, digitale Gesundheitslösungen systematisch an geschlechtsspezifischen Unterschieden auszurichten.

<blockquote>''„Geschlechtersensible Medizin braucht eine belastbare Datenbasis. Unser Anspruch ist es, systematisch Evidenz zu generieren und methodische Standards zu entwickeln, die Forschung, Lehre und perspektivisch auch die klinische Praxis nachhaltig prägen“, betont Prof. Dr. Sabine Oertelt-Prigione, Projektleitung von GenDiMedNet und Professorin an der Medizinischen Fakultät OWL der Universität Bielefeld. „Wir arbeiten im Projekt an einer Roadmap um geschlechtersensible Ansätze strukturell im digitalen Innovationen und interaktiven Technologien zu verankern.“''<ref>[https://blogs.uni-bielefeld.de/blog/medizin/entry/auftakt-f-uuml-r-gendimednet? https://blogs.uni-bielefeld.de/blog/medizin/entry/auftakt-f-uuml-r-gendimednet?]</ref> </blockquote>
----

== Fokus auf Forschungsdatenmanagement im Projekt [https://www.interaktive-technologien.de/projekte/gendimednet GenDiMedNet] ==

=== Forschungsdaten als Schlüsselressource im Verbund ===
Ein zentraler Bestandteil von GenDiMedNet sind auch '''Forschungsdaten'''. Es geht dabei u. a. um deren Austauschbarkeit, Qualität und Nachnutzbarkeit.

Mitglieder des Expert:innenbeirats begleiten das Projekt, auch im FDM-Kontext (Netzwerk).

* '''Definition gemeinsamer Metadatenstrukturen'''
* '''Abstimmung von Datenformaten''' für interoperable Forschungsprozesse
* '''Beratung zu FAIR‑Prinzipien''' im Kontext geschlechtersensibler Gesundheitsforschung

=== FDM als verbindendes Element ===
GenDiMedNet entwickelt innovative digitale Gesundheitslösungen und baut diese auf Basis einer interoperablen und nachhaltig nutzbaren Datenbasis auf.

== Weitere Informationen ==

* GenDiMedNet: https://www.interaktive-technologien.de/projekte/gendimednet
* Förderrichtlinie GeGe: https://www.interaktive-technologien.de/foerderung/bekanntmachungen/gege

[[Kategorie:Vernetzung]] [[Kategorie:Projekte]] [[Kategorie:Gender]] [[Kategorie:Geschlecht]] [[Kategorie:NRW]] [[Kategorie:BMFTR]]

GenDiMedNet

2026-06-21T12:03:34Z

AnnetteStrauchDavey:

GenDiMedNet

2026-06-21T11:59:16Z

AnnetteStrauchDavey:

Das vom BMBF im Rahmen der Förderrichtlinie '''Interaktive Technologien für eine geschlechtsspezifische Gesundheit''' (GeGe) geförderte Netzwerk verfolgt das Ziel, digitale Gesundheitslösungen systematisch an geschlechtsspezifischen Unterschieden auszurichten.

<blockquote>''„Geschlechtersensible Medizin braucht eine belastbare Datenbasis. Unser Anspruch ist es, systematisch Evidenz zu generieren und methodische Standards zu entwickeln, die Forschung, Lehre und perspektivisch auch die klinische Praxis nachhaltig prägen“, betont Prof. Dr. Sabine Oertelt-Prigione, Projektleitung von GenDiMedNet und Professorin an der Medizinischen Fakultät OWL der Universität Bielefeld. „Wir arbeiten im Projekt an einer Roadmap um geschlechtersensible Ansätze strukturell im digitalen Innovationen und interaktiven Technologien zu verankern.“''<ref>[https://blogs.uni-bielefeld.de/blog/medizin/entry/auftakt-f-uuml-r-gendimednet? https://blogs.uni-bielefeld.de/blog/medizin/entry/auftakt-f-uuml-r-gendimednet?]</ref> </blockquote>
----

== Fokus auf Forschungsdatenmanagement im Projekt GenDiMedNet ==

=== Forschungsdaten als Schlüsselressource im Verbund ===
Ein zentraler Bestandteil von GenDiMedNet sind auch '''Forschungsdaten'''. Es geht dabei u. a. um deren Austauschbarkeit, Qualität und Nachnutzbarkeit.

Mitglieder des Expert:innenbeirats begleiten das Projekt, auch im FDM-Kontext (Netzwerk).

* '''Definition gemeinsamer Metadatenstrukturen'''
* '''Abstimmung von Datenformaten''' für interoperable Forschungsprozesse
* '''Beratung zu FAIR‑Prinzipien''' im Kontext geschlechtersensibler Gesundheitsforschung

=== FDM als verbindendes Element ===
GenDiMedNet entwickelt innovative digitale Gesundheitslösungen und baut diese auf Basis einer interoperablen und nachhaltig nutzbaren Datenbasis auf.

== Weitere Informationen ==

* GenDiMedNet: https://www.interaktive-technologien.de/projekte/gendimednet
* Förderrichtlinie GeGe: https://www.interaktive-technologien.de/foerderung/bekanntmachungen/gege

2026-06-20T09:56:16Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „FDM@Campus ist eine Fachveranstaltung zum Forschungsdatenmanagement (FDM), ausgerichtet von der Göttingen eResearch Alliance. Die Tagung bringt Forschende, FDM‑Verantwortliche, Service‑ und Supportteams sowie Infrastruktureinrichtungen zusammen. Im Mittelpunkt stehen Austausch, praxisnahe Einblicke und Diskussionen darüber, wie gutes Forschungsdatenmanagement an Hochschulen und Forschungseinrichtungen umgesetzt werden kann. == Zielsetzung == Die…“

FDM@Campus ist eine Fachveranstaltung zum Forschungsdatenmanagement (FDM), ausgerichtet von der Göttingen eResearch Alliance.

Die Tagung bringt Forschende, FDM‑Verantwortliche, Service‑ und Supportteams sowie Infrastruktureinrichtungen zusammen. Im Mittelpunkt stehen Austausch, praxisnahe Einblicke und Diskussionen darüber, wie gutes Forschungsdatenmanagement an Hochschulen und Forschungseinrichtungen umgesetzt werden kann.

== Zielsetzung ==
Die Veranstaltung verfolgt das Ziel, FDM‑Akteure am Campus miteinander zu vernetzen und campusübergreifende Entwicklungen sichtbar zu machen. Im Mittelpunkt stehen:

Austauschformate zwischen Forschung, Service und Infrastruktur

Praxisorientierte Beiträge zu Werkzeugen, Workflows und organisatorischen Lösungen

Diskussionen über Herausforderungen und Bedarfe im Forschungsdatenmanagement

Vernetzung zwischen lokalen FDM‑Teams, Landesinitiativen und nationalen Strukturen wie der NFDI

FDM@Campus versteht sich als Community‑Event, das sowohl strategische als auch operative Perspektiven zusammenführt.

== Zielgruppen ==
Die Tagung richtet sich an unterschiedliche Akteursgruppen, darunter:

Forschende aller Disziplinen

FDM‑Beauftragte und Datenmanager*innen

Service‑ und Supporteinrichtungen (z. B. Bibliotheken, Rechenzentren, Forschungsservices)

Technische Infrastruktureinrichtungen

Projektteams aus FDM‑bezogenen Initiativen

Vertreterinnen von Landesinitiativen und NFDI‑Konsortien*

== Inhalte und Formate ==
FDM@Campus kombiniert verschiedene Veranstaltungsformate, die je nach Jahr variieren können:

Vorträge und Impulse zu aktuellen Entwicklungen im FDM

Workshops zu Tools, Methoden und Schulungskonzepten

Poster‑Sessions mit Beispielen aus der Praxis

Diskussionsrunden zu strategischen und organisatorischen Fragen

Netzwerkformate für Austausch und Kooperation

Train‑the‑Trainer‑Angebote zur Stärkung der FDM‑Vermittlung

Thematisch deckt die Veranstaltung ein breites Spektrum ab, darunter:

Datenmanagementpläne

FDM‑Schulungen

Repositorien und Archivierung

Forschungssoftwaremanagement

Rechtliche Aspekte

Datenqualität und FAIR‑Prinzipien
==
FDM@Campus 2026 ==
Die Informationen auf der verlinkten Seite beziehen sich auf FDM@Campus 2026, die vom 29.09. bis 01.10.2026 in Göttingen stattfindet.
Der thematische Schwerpunkt lautet:

Wie lassen sich unterschiedliche Ebenen von FDM‑Entwicklungen effizient kombinieren, um Forschenden optimale Dienste bereitzustellen?

Zu den Programmpunkten gehören u. a.:

Beiträge zu campusweiten FDM‑Services

Beispiele aus Projekten und Fachdisziplinen

Austausch zwischen Infrastruktur‑Teams

Poster‑Session

Ein begleitender Train‑the‑Trainer‑Workshop (01.–02.10.2026)

Bedeutung für die FDM‑Community
FDM@Campus hat sich als wichtiger Treffpunkt der deutschsprachigen FDM‑Community etabliert.

EOSC Data Commons

2026-06-20T09:43:01Z

AnnetteStrauchDavey: Leere Seite erstellt

International Love Data Week Universität Witten/Herdecke

2026-06-20T09:41:11Z

Klinische Forschung

2026-06-20T08:59:36Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „Klinische Forschung untersucht systematisch die '''Wirksamkeit, Sicherheit und Anwendung medizinischer Interventionen am Menschen'''. Damit die dabei entstehenden Forschungsdaten zuverlässig ausgewertet, geteilt und langfristig genutzt werden können, braucht es ein professionelles '''Forschungsdatenmanagement'''. Es stellt sicher, dass Forschungsdaten '''strukturiert''', '''sicher''', '''FAIR‑konform''' und '''nachhaltig verfügbar''' bleiben. In der…“

Klinische Forschung untersucht systematisch die '''Wirksamkeit, Sicherheit und Anwendung medizinischer Interventionen am Menschen'''. Damit die dabei entstehenden Forschungsdaten zuverlässig ausgewertet, geteilt und langfristig genutzt werden können, braucht es ein professionelles '''Forschungsdatenmanagement'''. Es stellt sicher, dass Forschungsdaten '''strukturiert''', '''sicher''', '''FAIR‑konform''' und '''nachhaltig verfügbar''' bleiben. In der modernen klinischen Forschung sind '''Datenmanagement‑Prozesse''' und wissenschaftliche Studien untrennbar miteinander verknüpft. Ohne ein durchdachtes FDM wären klinische Studien weder reproduzierbar noch würden sie den regulatorischen Anforderungen entsprechen.

== Klinische Forschung und Forschungsdatenmanagement ==
Klinische Forschung erzeugt große Mengen hochsensibler Daten, die für Patientensicherheit, wissenschaftliche Qualität und regulatorische Nachvollziehbarkeit entscheidend sind. Ein professionelles '''Forschungsdatenmanagement''' bildet die Grundlage dafür, dass diese Daten strukturiert, sicher und langfristig nutzbar bleiben.

Die folgenden Abschnitte erläutern, wie beide Bereiche ineinandergreifen und warum FDM heute ein zentraler Bestandteil klinischer Studien ist.

== Klinische Forschung ==
Klinische Forschung untersucht systematisch die '''Wirksamkeit''', '''Sicherheit''' und '''Anwendung''' medizinischer Interventionen am Menschen. Dazu gehören:

* '''Interventionsstudien''' — Prüfung neuer Medikamente, Therapien oder Diagnostik
* '''Beobachtungsstudien''' — Analyse realer Versorgungssituationen
* '''Registerforschung''' — Langzeitbeobachtung großer Patientengruppen

Klinische Studien folgen strengen methodischen und regulatorischen Vorgaben (z. B. ICH‑GCP), um valide und reproduzierbare Ergebnisse zu gewährleisten.

== Forschungsdaten, die in klinischen Studien entstehen ==
Klinische Forschung erzeugt vielfältige Datenarten, darunter:

* '''Stammdaten''' — pseudonymisierte Informationen zu Studienteilnehmenden
* '''Mess‑ und Labordaten''' — Laborwerte, Vitalparameter, Bildgebung
* '''Ereignisdaten''' — Nebenwirkungen, unerwünschte Ereignisse
* '''Dokumentationsdaten''' — Case Report Forms, Monitoring‑Berichte
* '''Metadaten''' — Kontextinformationen zu Erhebung, Qualität und Struktur

Diese Daten müssen konsistent, nachvollziehbar und sicher verwaltet werden – eine Aufgabe, die ohne professionelles FDM kaum zu bewältigen ist.

== Forschungsdatenmanagement in der klinischen Forschung ==
Ein strukturiertes FDM sorgt dafür, dass Forschungsdaten:

* '''FAIR‑konform''' sind (auffindbar, zugänglich, interoperabel, wiederverwendbar)
* '''regulatorischen Anforderungen''' entsprechen (z. B. GCP, Datenschutz, Medizinprodukterecht)
* '''nachvollziehbar dokumentiert''' werden (Versionierung, Provenienz, Audit Trails)
* '''langfristig gesichert''' bleiben (Archivierung, persistente Identifikatoren)
* '''für Re‑Analysen und Sekundärnutzung''' bereitstehen

Damit wird FDM zu einem zentralen Qualitätsmerkmal klinischer Forschung.

== (Forschungs)Datenschutz und Ethik: Besondere Anforderungen an klinische Daten ==
Klinische Daten sind besonders sensibel. Ein professionelles '''Datenmanagement''' berücksichtigt daher:

* '''Datenschutz (DSGVO)''' — Pseudonymisierung, Zweckbindung, Datenminimierung
* '''Ethikvorgaben''' — informierte Einwilligung, Widerrufsrechte
* '''Sicherheitsmaßnahmen''' — Zugriffskontrollen, Verschlüsselung, Auditierbarkeit
* '''Transparenzpflichten''' — Dokumentation, Studienregistrierung, Ergebnisveröffentlichung

Diese Anforderungen machen deutlich, dass FDM nicht nur eine technische, sondern auch eine ethische und rechtliche Aufgabe ist.

Data Stewardship Training

2026-06-20T08:41:40Z

AnnetteStrauchDavey: /* Literatur */

==Data Stewardship Training==
'''Data Stewardship Training''' umfasst die systematische Qualifizierung von Personen, die mit Forschungsdaten arbeiten, damit sie Daten über ihren gesamten Lebenszyklus hinweg verantwortungsvoll, sicher und regelkonform betreuen können. Im Mittelpunkt steht die Vermittlung fundierter Kenntnisse zu Planung, Organisation, Dokumentation, Speicherung, Veröffentlichung und langfristiger Bewahrung von Daten. Solche Trainings richten sich an Forschende, Datenmanager*innen, IT‑Fachkräfte sowie Mitarbeitende in Verwaltung und Infrastruktur. Sie erhalten einen umfassenden Einblick in zentrale Prinzipien guter wissenschaftlicher Datenpraxis, darunter die '''FAIR‑Grundsätze''', der Aufbau eines '''Datenmanagementplans''', der Einsatz geeigneter '''Metadatenstandards''' sowie rechtliche und ethische Rahmenbedingungen wie Datenschutz, Urheberrecht und Lizenzierung.

Darüber hinaus vermitteln Data‑Stewardship‑Schulungen praktische Kompetenzen zur Sicherstellung von Datenqualität, zur Versionierung und Dokumentation, zur Auswahl geeigneter Speicher‑ und Archivierungsstrategien sowie zur Publikation von Forschungsdaten in vertrauenswürdigen Repositorien. Ziel ist es, Forschende und Institutionen in die Lage zu versetzen, Daten nachhaltig nutzbar zu machen, Transparenz zu erhöhen und die Wiederverwendbarkeit wissenschaftlicher Ergebnisse zu stärken.

==Zertifikatskurse==
Data‑Stewardship‑Zertifikatskurse sind strukturierte Weiterbildungsprogramme, die Personen befähigen, Forschungsdaten professionell zu managen, zu dokumentieren, zu kuratieren und FAIR bereitzustellen. Sie richten sich an Forschende, Data Stewards, Data Manager und Personen aus Bibliotheken oder Forschungsinfrastrukturen.

s. [[FDM-Zertifikatskurse]]

== Beispiele für Zertifikatskurse in Deutschland ==

* '''Data Train Advanced (Universität Bremen)''' – modulare Zertifikatsausbildung mit Fokus auf Data Literacy, Data Stewardship und Data Science.
* '''DDM‑Module (HU Berlin / FH Potsdam)''' – einzelne Module des Masterstudiengangs ''Digitales Datenmanagement'' können als Zertifikatskurse belegt werden.
* '''NFDI‑nahe Trainings''' – viele NFDI‑Konsortien bieten zertifizierbare Schulungen an (z. B. NFDI4Chem, NFDI4BioDiversity).
* '''Universitätsinterne RDM‑Zertifikate''' – z. B. TUM, KIT, RWTH Aachen.

==Universitäten==
Universitäten stehen im Zentrum der wissenschaftlichen Datenproduktion. Entsprechend wächst ihre Verantwortung, Forschende und Mitarbeitende systematisch auf einen professionellen Umgang mit Forschungsdaten vorzubereiten. '''Data Stewardship Training''' an Hochschulen umfasst daher weit mehr als einzelne Workshops. Es ist ein strategisches Element moderner Forschungsinfrastruktur.

In Deutschland gibt es mehrere Universitäten, die Data‑Stewardship‑Trainings oder eng verwandte Weiterbildungsprogramme im Forschungsdatenmanagement anbieten. Besonders aktiv sind TUM, KIT, HU Berlin/FH Potsdam, Universität Bremen und RWTH Aachen.

== Data Stewardship Training im deutschen Hochschulkontext ==
Im Bereich des Data Stewardship hat sich in Deutschland eine zunehmend professionelle Weiterbildungslandschaft etabliert, die vor allem von Universitäten und Forschungsverbünden getragen wird. Im Mittelpunkt steht dabei die Qualifizierung von Personen, die Forschungsdaten über ihren gesamten Lebenszyklus hinweg betreuen, dokumentieren, kuratieren und nachhaltig verfügbar machen. Besonders sichtbar ist das '''Karlsruher Institut für Technologie (KIT)''', das mit ''Data Stewardship goes Germany'' ein nationales Austauschformat geschaffen hat. Hier werden praxisnahe Themen wie Metadatenstandards, FAIR‑Prinzipien, Repositorien, elektronische Laborbücher und Workflows für reproduzierbare Forschung behandelt. Die Veranstaltung richtet sich an Data Stewards, Data Curators und FDM‑Expertinnen und Experten aus ganz Deutschland. Auch die '''Technische Universität München (TUM)''' bietet mit dem ''Applied Data Management Seminar'' ein strukturiertes Training an, das Forschende in die Lage versetzt, Daten professionell zu managen. Der TUM Research Data Hub vermittelt dabei Kompetenzen, die für Data‑Steward‑Rollen relevant sind, etwa Datenorganisation, Dokumentation, Versionierung und Publikation. Eine besondere Stellung nimmt der weiterbildende Masterstudiengang '''Digitales Datenmanagement (DDM)''' der '''Humboldt‑Universität zu Berlin''' und der '''Fachhochschule Potsdam''' ein. Er ist das einzige universitäre Programm in Deutschland, das Data Stewardship als eigenständiges Berufsprofil systematisch ausbildet und sowohl technische als auch organisatorische Aspekte abdeckt.

Die '''Universität Bremen''' ergänzt das Angebot mit dem Zertifikatsprogramm ''Data Train Advanced'', das Module zu Data Literacy, Forschungsdatenmanagement und Data‑Stewardship‑Anwendungen umfasst. Es richtet sich vor allem an Nachwuchsforschende, die ihre Kompetenzen im Umgang mit Forschungsdaten vertiefen möchten.

Auch die '''RWTH Aachen''' trägt zum Data Stewardship Training bei, indem sie Workshops und Austauschformate rund um Data Stewardship organisiert hat, die den Wissenstransfer zwischen Data Stewards verschiedener Einrichtungen fördern.

==Bibliotheken==
Universitätsbibliotheken sind heute zentrale Akteure im '''Data Stewardship Training'''. Sie vermitteln Kompetenzen für den verantwortungsvollen Umgang mit Forschungsdaten, unterstützen Forschende praktisch und strategisch und verankern damit nachhaltige Datenpraxis in der gesamten Hochschule.

Universitätsbibliotheken übernehmen eine zentrale Funktion beim Aufbau und der Vermittlung von Kompetenzen im '''Data Stewardship'''. Als etablierte Informations- und Serviceeinrichtungen verfügen sie über langjährige Expertise in der Organisation, Beschreibung und Bereitstellung wissenschaftlicher Ressourcen, Fähigkeiten, die heute für den verantwortungsvollen Umgang mit Forschungsdaten unverzichtbar sind.

Im Rahmen von '''Data Stewardship Training''' unterstützen Bibliotheken Forschende, Studierende und Mitarbeitende dabei, Daten über ihren gesamten Lebenszyklus hinweg professionell zu managen. Dazu gehören Themen wie FAIR‑Prinzipien, Datenmanagementpläne, Metadatenstandards, rechtliche Grundlagen sowie Strategien zur Publikation und Langzeitarchivierung.

== Literatur ==

Mijke Jetten, Marjan Grootveld, Annemie Mordant, Mascha Jansen, Margreet Bloemers, Margriet Miedema, & Celia W.G. van Gelder. (2021). Professionalising data stewardship in the Netherlands. Competences, training and education. Dutch roadmap towards national implementation of FAIR data stewardship. Zenodo. [<ref>https://www.openscience.nl/sites/open_science/files/media-files/professionalising_datastewardship.pdf</ref>

Mühlichen, A.; Schenk, J. (2025). Training Resources for: C³RDM's Introduction to RDM. A Practice-Oriented Full Day Workshop. Zenodo. <nowiki>https://doi.org/10.5281/zenodo.16097181</nowiki><ref>https://doi.org/10.5281/zenodo.16097181</ref>

Mühlichen, A.; Schenk, J. (2025). C³RDM OER Figures and Screenshots for RDM Trainings (1.0). Zenodo. <nowiki>https://doi.org/10.5281/zenodo.15775971</nowiki><ref>Zenodo. <nowiki>https://doi.org/10.5281/zenodo.15775971</nowiki></ref>

Hausen, D., Della Chiesa, S., Dierkes, J., Kirsch, S., März, H., & Trautwein-Bruns, U. (2025, August 4). Research Data Stewardship in Germany - how a community is moving on!. 2nd Conference on Research Data Infrastructure (CoRDI), Aachen, Germany. <nowiki>https://doi.org/10.5281/zenodo.16736204</nowiki><ref>https://doi.org/10.5281/zenodo.16736204</ref>

Dierkes, J., Haase, R., Kuntz, A. S., González Ribao, V., Sax, U., Schaare, H. L., & Lindstädt, B. (2025, August 4). Converging Forces: A Collaborative Vision for Training in Biomedical Data Management. 2nd Conference on Research Data Infrastructure (CoRDI), Aachen, Germany.<ref>https://explore.openaire.eu/search/result?pid=10.5281%2Fzenodo.16736168</ref>

Data Stewardship Training

2026-06-20T08:39:17Z

AnnetteStrauchDavey: /* Literatur */

==Data Stewardship Training==
'''Data Stewardship Training''' umfasst die systematische Qualifizierung von Personen, die mit Forschungsdaten arbeiten, damit sie Daten über ihren gesamten Lebenszyklus hinweg verantwortungsvoll, sicher und regelkonform betreuen können. Im Mittelpunkt steht die Vermittlung fundierter Kenntnisse zu Planung, Organisation, Dokumentation, Speicherung, Veröffentlichung und langfristiger Bewahrung von Daten. Solche Trainings richten sich an Forschende, Datenmanager*innen, IT‑Fachkräfte sowie Mitarbeitende in Verwaltung und Infrastruktur. Sie erhalten einen umfassenden Einblick in zentrale Prinzipien guter wissenschaftlicher Datenpraxis, darunter die '''FAIR‑Grundsätze''', der Aufbau eines '''Datenmanagementplans''', der Einsatz geeigneter '''Metadatenstandards''' sowie rechtliche und ethische Rahmenbedingungen wie Datenschutz, Urheberrecht und Lizenzierung.

Darüber hinaus vermitteln Data‑Stewardship‑Schulungen praktische Kompetenzen zur Sicherstellung von Datenqualität, zur Versionierung und Dokumentation, zur Auswahl geeigneter Speicher‑ und Archivierungsstrategien sowie zur Publikation von Forschungsdaten in vertrauenswürdigen Repositorien. Ziel ist es, Forschende und Institutionen in die Lage zu versetzen, Daten nachhaltig nutzbar zu machen, Transparenz zu erhöhen und die Wiederverwendbarkeit wissenschaftlicher Ergebnisse zu stärken.

==Zertifikatskurse==
Data‑Stewardship‑Zertifikatskurse sind strukturierte Weiterbildungsprogramme, die Personen befähigen, Forschungsdaten professionell zu managen, zu dokumentieren, zu kuratieren und FAIR bereitzustellen. Sie richten sich an Forschende, Data Stewards, Data Manager und Personen aus Bibliotheken oder Forschungsinfrastrukturen.

s. [[FDM-Zertifikatskurse]]

== Beispiele für Zertifikatskurse in Deutschland ==

* '''Data Train Advanced (Universität Bremen)''' – modulare Zertifikatsausbildung mit Fokus auf Data Literacy, Data Stewardship und Data Science.
* '''DDM‑Module (HU Berlin / FH Potsdam)''' – einzelne Module des Masterstudiengangs ''Digitales Datenmanagement'' können als Zertifikatskurse belegt werden.
* '''NFDI‑nahe Trainings''' – viele NFDI‑Konsortien bieten zertifizierbare Schulungen an (z. B. NFDI4Chem, NFDI4BioDiversity).
* '''Universitätsinterne RDM‑Zertifikate''' – z. B. TUM, KIT, RWTH Aachen.

==Universitäten==
Universitäten stehen im Zentrum der wissenschaftlichen Datenproduktion. Entsprechend wächst ihre Verantwortung, Forschende und Mitarbeitende systematisch auf einen professionellen Umgang mit Forschungsdaten vorzubereiten. '''Data Stewardship Training''' an Hochschulen umfasst daher weit mehr als einzelne Workshops. Es ist ein strategisches Element moderner Forschungsinfrastruktur.

In Deutschland gibt es mehrere Universitäten, die Data‑Stewardship‑Trainings oder eng verwandte Weiterbildungsprogramme im Forschungsdatenmanagement anbieten. Besonders aktiv sind TUM, KIT, HU Berlin/FH Potsdam, Universität Bremen und RWTH Aachen.

== Data Stewardship Training im deutschen Hochschulkontext ==
Im Bereich des Data Stewardship hat sich in Deutschland eine zunehmend professionelle Weiterbildungslandschaft etabliert, die vor allem von Universitäten und Forschungsverbünden getragen wird. Im Mittelpunkt steht dabei die Qualifizierung von Personen, die Forschungsdaten über ihren gesamten Lebenszyklus hinweg betreuen, dokumentieren, kuratieren und nachhaltig verfügbar machen. Besonders sichtbar ist das '''Karlsruher Institut für Technologie (KIT)''', das mit ''Data Stewardship goes Germany'' ein nationales Austauschformat geschaffen hat. Hier werden praxisnahe Themen wie Metadatenstandards, FAIR‑Prinzipien, Repositorien, elektronische Laborbücher und Workflows für reproduzierbare Forschung behandelt. Die Veranstaltung richtet sich an Data Stewards, Data Curators und FDM‑Expertinnen und Experten aus ganz Deutschland. Auch die '''Technische Universität München (TUM)''' bietet mit dem ''Applied Data Management Seminar'' ein strukturiertes Training an, das Forschende in die Lage versetzt, Daten professionell zu managen. Der TUM Research Data Hub vermittelt dabei Kompetenzen, die für Data‑Steward‑Rollen relevant sind, etwa Datenorganisation, Dokumentation, Versionierung und Publikation. Eine besondere Stellung nimmt der weiterbildende Masterstudiengang '''Digitales Datenmanagement (DDM)''' der '''Humboldt‑Universität zu Berlin''' und der '''Fachhochschule Potsdam''' ein. Er ist das einzige universitäre Programm in Deutschland, das Data Stewardship als eigenständiges Berufsprofil systematisch ausbildet und sowohl technische als auch organisatorische Aspekte abdeckt.

Die '''Universität Bremen''' ergänzt das Angebot mit dem Zertifikatsprogramm ''Data Train Advanced'', das Module zu Data Literacy, Forschungsdatenmanagement und Data‑Stewardship‑Anwendungen umfasst. Es richtet sich vor allem an Nachwuchsforschende, die ihre Kompetenzen im Umgang mit Forschungsdaten vertiefen möchten.

Auch die '''RWTH Aachen''' trägt zum Data Stewardship Training bei, indem sie Workshops und Austauschformate rund um Data Stewardship organisiert hat, die den Wissenstransfer zwischen Data Stewards verschiedener Einrichtungen fördern.

==Bibliotheken==
Universitätsbibliotheken sind heute zentrale Akteure im '''Data Stewardship Training'''. Sie vermitteln Kompetenzen für den verantwortungsvollen Umgang mit Forschungsdaten, unterstützen Forschende praktisch und strategisch und verankern damit nachhaltige Datenpraxis in der gesamten Hochschule.

Universitätsbibliotheken übernehmen eine zentrale Funktion beim Aufbau und der Vermittlung von Kompetenzen im '''Data Stewardship'''. Als etablierte Informations- und Serviceeinrichtungen verfügen sie über langjährige Expertise in der Organisation, Beschreibung und Bereitstellung wissenschaftlicher Ressourcen, Fähigkeiten, die heute für den verantwortungsvollen Umgang mit Forschungsdaten unverzichtbar sind.

Im Rahmen von '''Data Stewardship Training''' unterstützen Bibliotheken Forschende, Studierende und Mitarbeitende dabei, Daten über ihren gesamten Lebenszyklus hinweg professionell zu managen. Dazu gehören Themen wie FAIR‑Prinzipien, Datenmanagementpläne, Metadatenstandards, rechtliche Grundlagen sowie Strategien zur Publikation und Langzeitarchivierung.

== Literatur ==

Mijke Jetten, Marjan Grootveld, Annemie Mordant, Mascha Jansen, Margreet Bloemers, Margriet Miedema, & Celia W.G. van Gelder. (2021). Professionalising data stewardship in the Netherlands. Competences, training and education. Dutch roadmap towards national implementation of FAIR data stewardship. Zenodo. [[https://doi.org/10.5281/zenodo.4320504]]

Mühlichen, A.; Schenk, J. (2025). Training Resources for: C³RDM's Introduction to RDM. A Practice-Oriented Full Day Workshop. Zenodo. <nowiki>https://doi.org/10.5281/zenodo.16097181</nowiki>

Mühlichen, A.; Schenk, J. (2025). C³RDM OER Figures and Screenshots for RDM Trainings (1.0). Zenodo. <nowiki>https://doi.org/10.5281/zenodo.15775971</nowiki>

Hausen, D., Della Chiesa, S., Dierkes, J., Kirsch, S., März, H., & Trautwein-Bruns, U. (2025, August 4). Research Data Stewardship in Germany - how a community is moving on!. 2nd Conference on Research Data Infrastructure (CoRDI), Aachen, Germany. <nowiki>https://doi.org/10.5281/zenodo.16736204</nowiki>

Dierkes, J., Haase, R., Kuntz, A. S., González Ribao, V., Sax, U., Schaare, H. L., & Lindstädt, B. (2025, August 4). Converging Forces: A Collaborative Vision for Training in Biomedical Data Management. 2nd Conference on Research Data Infrastructure (CoRDI), Aachen, Germany.

Data Stewardship Training

2026-06-20T08:35:45Z

AnnetteStrauchDavey: /* Zertifikatskurse */

Data Stewardship Training

2026-06-20T08:33:24Z

AnnetteStrauchDavey: /* Universitäten */

==Data Stewardship Training==
'''Data Stewardship Training''' umfasst die systematische Qualifizierung von Personen, die mit Forschungsdaten arbeiten, damit sie Daten über ihren gesamten Lebenszyklus hinweg verantwortungsvoll, sicher und regelkonform betreuen können. Im Mittelpunkt steht die Vermittlung fundierter Kenntnisse zu Planung, Organisation, Dokumentation, Speicherung, Veröffentlichung und langfristiger Bewahrung von Daten.

Solche Trainings richten sich an Forschende, Datenmanager*innen, IT‑Fachkräfte sowie Mitarbeitende in Verwaltung und Infrastruktur. Sie erhalten einen umfassenden Einblick in zentrale Prinzipien guter wissenschaftlicher Datenpraxis, darunter die '''FAIR‑Grundsätze''', der Aufbau eines '''Datenmanagementplans''', der Einsatz geeigneter '''Metadatenstandards''' sowie rechtliche und ethische Rahmenbedingungen wie Datenschutz, Urheberrecht und Lizenzierung.

Darüber hinaus vermitteln Data‑Stewardship‑Schulungen praktische Kompetenzen zur Sicherstellung von Datenqualität, zur Versionierung und Dokumentation, zur Auswahl geeigneter Speicher‑ und Archivierungsstrategien sowie zur Publikation von Forschungsdaten in vertrauenswürdigen Repositorien. Ziel ist es, Forschende und Institutionen in die Lage zu versetzen, Daten nachhaltig nutzbar zu machen, Transparenz zu erhöhen und die Wiederverwendbarkeit wissenschaftlicher Ergebnisse zu stärken.

==Zertifikatskurse==
s. [[FDM-Zertifikatskurse]]

==Universitäten==
Universitäten stehen im Zentrum der wissenschaftlichen Datenproduktion. Entsprechend wächst ihre Verantwortung, Forschende und Mitarbeitende systematisch auf einen professionellen Umgang mit Forschungsdaten vorzubereiten. '''Data Stewardship Training''' an Hochschulen umfasst daher weit mehr als einzelne Workshops. Es ist ein strategisches Element moderner Forschungsinfrastruktur.

In Deutschland gibt es mehrere Universitäten, die Data‑Stewardship‑Trainings oder eng verwandte Weiterbildungsprogramme im Forschungsdatenmanagement anbieten. Besonders aktiv sind TUM, KIT, HU Berlin/FH Potsdam, Universität Bremen und RWTH Aachen.

== Data Stewardship Training im deutschen Hochschulkontext ==
Im Bereich des Data Stewardship hat sich in Deutschland eine zunehmend professionelle Weiterbildungslandschaft etabliert, die vor allem von Universitäten und Forschungsverbünden getragen wird. Im Mittelpunkt steht dabei die Qualifizierung von Personen, die Forschungsdaten über ihren gesamten Lebenszyklus hinweg betreuen, dokumentieren, kuratieren und nachhaltig verfügbar machen. Besonders sichtbar ist das '''Karlsruher Institut für Technologie (KIT)''', das mit ''Data Stewardship goes Germany'' ein nationales Austauschformat geschaffen hat. Hier werden praxisnahe Themen wie Metadatenstandards, FAIR‑Prinzipien, Repositorien, elektronische Laborbücher und Workflows für reproduzierbare Forschung behandelt. Die Veranstaltung richtet sich an Data Stewards, Data Curators und FDM‑Expertinnen und Experten aus ganz Deutschland. Auch die '''Technische Universität München (TUM)''' bietet mit dem ''Applied Data Management Seminar'' ein strukturiertes Training an, das Forschende in die Lage versetzt, Daten professionell zu managen. Der TUM Research Data Hub vermittelt dabei Kompetenzen, die für Data‑Steward‑Rollen relevant sind, etwa Datenorganisation, Dokumentation, Versionierung und Publikation. Eine besondere Stellung nimmt der weiterbildende Masterstudiengang '''Digitales Datenmanagement (DDM)''' der '''Humboldt‑Universität zu Berlin''' und der '''Fachhochschule Potsdam''' ein. Er ist das einzige universitäre Programm in Deutschland, das Data Stewardship als eigenständiges Berufsprofil systematisch ausbildet und sowohl technische als auch organisatorische Aspekte abdeckt.

Die '''Universität Bremen''' ergänzt das Angebot mit dem Zertifikatsprogramm ''Data Train Advanced'', das Module zu Data Literacy, Forschungsdatenmanagement und Data‑Stewardship‑Anwendungen umfasst. Es richtet sich vor allem an Nachwuchsforschende, die ihre Kompetenzen im Umgang mit Forschungsdaten vertiefen möchten.

Auch die '''RWTH Aachen''' trägt zum Data Stewardship Training bei, indem sie Workshops und Austauschformate rund um Data Stewardship organisiert hat, die den Wissenstransfer zwischen Data Stewards verschiedener Einrichtungen fördern.

==Bibliotheken==
Universitätsbibliotheken sind heute zentrale Akteure im '''Data Stewardship Training'''. Sie vermitteln Kompetenzen für den verantwortungsvollen Umgang mit Forschungsdaten, unterstützen Forschende praktisch und strategisch und verankern damit nachhaltige Datenpraxis in der gesamten Hochschule.

Universitätsbibliotheken übernehmen eine zentrale Funktion beim Aufbau und der Vermittlung von Kompetenzen im '''Data Stewardship'''. Als etablierte Informations- und Serviceeinrichtungen verfügen sie über langjährige Expertise in der Organisation, Beschreibung und Bereitstellung wissenschaftlicher Ressourcen, Fähigkeiten, die heute für den verantwortungsvollen Umgang mit Forschungsdaten unverzichtbar sind.

Im Rahmen von '''Data Stewardship Training''' unterstützen Bibliotheken Forschende, Studierende und Mitarbeitende dabei, Daten über ihren gesamten Lebenszyklus hinweg professionell zu managen. Dazu gehören Themen wie FAIR‑Prinzipien, Datenmanagementpläne, Metadatenstandards, rechtliche Grundlagen sowie Strategien zur Publikation und Langzeitarchivierung.

== Literatur ==

Mijke Jetten, Marjan Grootveld, Annemie Mordant, Mascha Jansen, Margreet Bloemers, Margriet Miedema, & Celia W.G. van Gelder. (2021). Professionalising data stewardship in the Netherlands. Competences, training and education. Dutch roadmap towards national implementation of FAIR data stewardship. Zenodo. [[https://doi.org/10.5281/zenodo.4320504]]

Data Stewardship Training

2026-06-20T08:28:37Z

AnnetteStrauchDavey: /* Bibliotheken */

Data Stewardship Training

2026-06-20T08:25:19Z

AnnetteStrauchDavey: /* Universitäten */

Data Stewardship Training

2026-06-20T08:20:23Z

AnnetteStrauchDavey: /* Data Stewardship Training */

Kategorie:Data Literacy

2026-06-20T08:16:48Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „Siehe Datenkompetenz“

Siehe [[Datenkompetenz]]

Datenkompetenz

2026-06-20T08:14:37Z

2026-06-20T07:41:48Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „[https://www.dim.ruhr/ DIM.RUHR] war ein vom Bund gefördertes Forschungs‑ und Bildungsprojekt, das den Zugang zu Gesundheits‑Forschungsdaten in der Metropole Ruhr systematisch verbessert hat. Im Zentrum stand der Aufbau eines Datenkompetenzzentrums, das Forschende und Praxisakteure bei der qualitätsgesicherten Nutzung, Aufbereitung und Bereitstellung von Gesundheits‑Forschungsdaten unterstützt. Das Projekt stärkte datenbezogene Kompetenzen, entw…“

REDCap

2026-06-20T07:32:32Z

AnnetteStrauchDavey:

[https://project-redcap.org/ REDCap] (''Research Electronic Data Capture'') ist eine sichere webbasierte Software, mit der Forschungsgruppen Online‑Umfragen und Datenbanken für wissenschaftliche Studien erstellen und verwalten können. Sie wird weltweit in der medizinischen, klinischen und translationalen Forschung eingesetzt. '''REDCap wird weltweit in über 8.000 Institutionen genutzt und hat mehr als 2,7 Mio. Projekte unterstützt.'''

'''REDCap''' ist ''sehr'' nützlich im '''Forschungsdatenmanagement (FDM)''', besonders wenn es um strukturierte, sichere und regelkonforme Erhebung und Verwaltung von Forschungsdaten geht. Es deckt zentrale FDM‑Anforderungen wie Datenqualität, Zugriffskontrolle, Dokumentation, Nachvollziehbarkeit und Exportfähigkeit ab.

REDCap wurde speziell für sensible Forschungsdaten entwickelt und erfüllt hohe Sicherheitsstandards wie '''HIPAA''', '''GDPR''' und weitere regulatorische Anforderungen. Dadurch eignet es sich besonders für medizinische und personenbezogene Forschungsdaten.

REDCap eignet sich für das Forschungsdatenmanagement in besonderem Maße, weil es eine standardisierte und strukturierte Datenerhebung ermöglicht, die die Qualität und Konsistenz der erfassten Informationen deutlich erhöht. Ein fein abgestuftes Zugriffs- und Rollenmanagement sorgt dafür, dass Zuständigkeiten klar verteilt sind und sensible Daten nur von berechtigten Personen eingesehen oder bearbeitet werden können. Gleichzeitig stellen Audit Trails sicher, dass jede Änderung transparent dokumentiert wird, was die Nachvollziehbarkeit und Reproduzierbarkeit wissenschaftlicher Arbeiten stärkt. Darüber hinaus gewährleistet die Plattform eine sichere Speicherung, die den Schutz vertraulicher Forschungsdaten unterstützt. Die mobile Datenerfassung über die REDCap Mobile App eröffnet zusätzliche Flexibilität, insbesondere für Projekte, die Datenerhebung außerhalb klassischer Forschungsumgebungen erfordern. Für Non‑Profit‑Organisationen ist REDCap zudem besonders attraktiv, da es im Rahmen einer Konsortialmitgliedschaft ohne zusätzliche Lizenzkosten genutzt werden kann.

REDCap wird für Forschungsdaten eingesetzt, die häufig personenbezogen oder sensibel sind. Die Verantwortung für den datenschutzkonformen Umgang liegt beim jeweiligen Projektverantwortlichen.

=== Rolle von REDCap im Datenlebenszyklus ===

* '''Planung:'''
** REDCap zwingt, Variablen und Strukturen früh sauber zu definieren → das ist bereits FDM.
* '''Erhebung:'''
** Standardisierte Eingabemasken, Pflichtfelder, Validierungen → weniger Fehler, höhere Datenqualität.
* '''Speicherung & Sicherheit:'''
** Hosting auf Uni-/Klinikservern, Rechtekonzepte, Audit Trail → Erfüllung von Datenschutz- und Compliance-Anforderungen.
* '''Dokumentation:'''
** Das REDCap-Datenwörterbuch ist quasi ein '''automatisch generiertes Codebuch'''.
* '''Export & Nachnutzung:'''
** Strukturierte Exporte erleichtern die Weitergabe an Statistik, Repositorien oder Kollaborationspartner. <br />

Wissenschaftlicher Beitrag zu REDcap für die Forschung und beim Datenhandling:

''Liesbet Van Bulck, Martien Wampers, Philip Moons, Research Electronic Data Capture (REDCap): tackling data collection, management, storage, and privacy challenges, European Journal of Cardiovascular Nursing, Volume 21, Issue 1, January 2022, Pages 85–91, <nowiki>https://doi.org/10.1093/eurjcn/zvab104</nowiki>''

Link REDCap:

https://project-redcap.org/

REDCap

2026-06-20T07:29:37Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „[https://project-redcap.org/ REDCap] (''Research Electronic Data Capture'') ist eine sichere webbasierte Software, mit der Forschungsgruppen Online‑Umfragen und Datenbanken für wissenschaftliche Studien erstellen und verwalten können. Sie wird weltweit in der medizinischen, klinischen und translationalen Forschung eingesetzt. '''REDCap wird weltweit in über 8.000 Institutionen genutzt und hat mehr als 2,7 Mio. Projekte unterstützt.''' Die lokale FDM…“

Künstliche Intelligenz

2026-06-10T12:19:34Z

AnnetteStrauchDavey:

''"'''Künstliche Intelligenz (KI)"''' ist ein Teilgebiet der '''Informatik'''. Sie imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert. Diese Intelligenz kann auf programmierten Abläufen basieren oder durch '''maschinelles Lernen''' erzeugt werden."''<ref>https://www.iks.fraunhofer.de/de/themen/kuenstliche-intelligenz.html</ref>

Künstliche Intelligenz (KI) prägt (in 2026) den gesamten wissenschaftlichen Arbeitsprozess. Die neuen KI-Technologien kommen in allen Disziplinen vor.

Der Einsatz, die Chancen und die Herausforderungen generativer Modelle im wissenschaftlichen Arbeiten werden im Forschungsdatenmanagement auf unterschiedlichen Ebenen berücksichtigt.

== KI-Leitlinien an Hochschulen und Universitäten ==
[https://hochschulforumdigitalisierung.de/wp-content/uploads/2026/05/Blickpunkt_KI-Leitlinien2026.pdf KI-Leitlinien entwickeln sich an Hochschulen in Deutschland] immer weiter. Das Thema KI ist an Hochschulen angekommen. Die Frage ist längst nicht mehr die, ob und wie KI-Tools genutzt werden dürfen. Entscheidend ist inzwischen (Stand Juni 2026) tatsächlich, wie Hochschulen den Umgang mit KI strategisch, didaktisch und verantwortungsvoll gestalten.<ref>https://hochschulforumdigitalisierung.de/news/ki-leitlinien-check-2026/</ref>
== KÜNSTLICHE INTELLIGENZ UND DIE DEUTSCHE FORSCHUNGSGEMEINSCHAFT (DFG) ==

Die Deutsche Forschungsgemeinschaft (DFG) verfolgt die KI - Entwicklungen für die Forschung mit. Hier finden sich ''"Informationen zu allen Handlungsfeldern der DFG, in denen KI eine Rolle spielt, zusammengeführt: in der Antragstellung, in der Begutachtung sowie in spezifischen Förderangeboten zu KI"'':

https://www.dfg.de/de/grundlagen-themen/digitale-themen/ki

Der DFG-Kodex „Leitlinien zur Sicherung guter wissenschaftlicher Praxis“ gibt Forscher:innen Regeln für den Umgang mit '''Forschungsleistungen und Forschungsdaten''' an die Hand (Quelle: https://www.dfg.de/de/grundlagen-themen/grundlagen-und-prinzipien-der-foerderung/gwp/kodex)

Forschende müssen deshalb auch immer offenlegen, '''wo, wie und zu welchem Zweck KI eingesetzt wurde''', z. B. bei Datenanalyse, Textgenerierung oder Bildverarbeitung.

Siehe ''"Leitlinien zur Sicherung guter wissenschaftlicher Praxis"'' (z.B. Kodex, Leitlinie 13).

''"Dazu gehört es auch, soweit dies mög-''

''lich und zumutbar ist, die den Ergebnissen zugrunde liegenden Forschungs-''

''daten, Materialien und Informationen, die angewandten Methoden sowie die''

''eingesetzte Software verfügbar zu machen und Arbeitsabläufe umfänglich''

''darzulegen. Selbst programmierte Software wird unter Angabe des Quell-''

''codes öffentlich zugänglich gemacht. Eigene und fremde Vorarbeiten weisen''

''Wissenschaftler*innen vollständig und korrekt nach."'' (DFG-Kodex, Leitlinie 13)

Pressemitteilung Nr. 10 | 1. April 2026

=== DFG fördert weitere Emmy Noether-Gruppen zu KI-Methoden ===

=== 15 Anträge aus dritter Ausschreibungsrunde erfolgreich / Vier Förderungen im Rahmen der DFG-Beteiligung am 1.000-Köpfe-plus-Programm ===
Link: https://www.dfg.de/de/aktuelles/neuigkeiten-themen/pressemitteilungen/2026/pressemitteilung-nr-10

== KÜNSTLICHE INTELLIGENZ UND FORSCHUNGSDATEN ==

=== KI in der Forschung ===

'''Künstliche Intelligenz (KI)''' bietet beim Umgang mit Forschungsdaten Risiken und Chancen. Herausforderungen sind Fehlinformationen bis hin zu Bias (Verzerrungen) der Forschungsergebnisse. Forschungsdatenmanagement findet durch Automatisierungen Unterstützung, die eine FDM-Kontakt- und Beratungsstelle niemals ersetzen kann, weil eine menschliche Komponente fehlt.

'''FAIRe Forschungsdaten''' sind beim Forschungsdatenmanagement das „A & O”, auch im Kontext der KI.

Besonders das NFDI-Konsortium NFDI4DataScience unterstützt eine community-getriebene Forschungsdateninfrastruktur für KI. Insgesamt versteht sich die NFDI als ein KI Enabler, neben den High-Performance- Rechenzentren:

''„Die NFDI fungiert primär als methodischer und sozialer KI Enabler. Sie wird KI-Dienste bzw. den Zugang zu KI-Diensten realisieren und die Nutzung, Vermittlung und Analyse von Forschungsdaten in Deutschland auf ein neues Niveau heben."''

(Wissenschaftsrat (2025): Strukturevaluation der Nationalen Forschungsdateninfrastruktur (NFDI); Köln. <nowiki>https://doi.org/10.57674/wcdc-6d36</nowiki> (Zugriff am 07.06.2026) )

KI kann Forschungsdaten klassifizieren, sie bereinigen und strukturieren (Unterstützung bei großen Datenmengen).

=== KI in der FDM-Unterstützung ===

KI kann FDM-Prozesse wie Datenkuration, Versionierung oder Dokumentation teilautomatisieren.

Ein Poster von La Sala et al. zeigt diese Synergien und betont zugleich die Risiken. Link / Quelle: '''La Sala, Beate Ulrike; Balic, Arnela; Werth, Robert (2025). ''Künstliche Intelligenz und FDM: Synergien, Herausforderungen und Grenzen der Risikominderung''.''' Conference Item, E-Science-Tage 2025, Universität Heidelberg. '''DOI: 10.11588/heidok.00036411'''

Eine KI kann Muster in Forschungsdaten erkennen:

''"Die große Stärke vieler KI-Anwendungen ist das Erkennen und Interpretieren von Mustern in großen Datenmengen. In der Medizin wird KI verstärkt zur Analyse von Bildaufnahmen eingesetzt, um Auffälligkeiten zu entdecken, beispielsweise bei der Krebsdiagnose. Nach einem ähnlichen Prinzip können in den Geowissenschaften Satellitenbilder ausgewertet werden, um Vegetation, Landnutzungsformen und Infrastruktur zu klassifizieren und zu kartieren. In der Forschung zum autonomen Fahren sind es KI-Systeme, die große Mengen an Sensordaten in Echtzeit verarbeiten und Entscheidungen über die Steuerung des Fahrzeugs treffen. Auch in der Klimaforschung haben die Simulationen und Modelle längst eine Komplexität erreicht, die ohne Einsatz von KI mit den verfügbaren Rechenkapazitäten nicht mehr zu bewältigen wäre."'' (Quelle: Künstliche Intelligenz – Forschungsdatenmanagement – Leibniz Universität Hannover: https://www.fdm.uni-hannover.de/faq/kuenstliche-intelligenz (Zugriff am 07.06.2026).

== KÜNSTLICHE INTELLIGENZ UND FORSCHUNGSDATENMANAGEMENT ==

=== Lösungen im Bereich digitaler Forschungsinfrastrukturen im Zeitalter von KI ===
Ein zentrales '''Forschungs- und Handlungsfeld''' besteht aktuell (Stand 2026) im systematischen Einsatz von ''Künstlicher Intelligenz'' zur Entwicklung umfassender und nachhaltiger Lösungsstrategien im Bereich digitaler Forschungsinfrastrukturen.

Dies umfasst insbesondere die KI‑gestützte Identifikation, Bewertung und Auswahl geeigneter Repositorien und Archive, wobei sowohl technische Kriterien (z. B. Interoperabilität, Schnittstellenarchitektur, Persistenzmechanismen) als auch organisatorische und rechtliche Rahmenbedingungen berücksichtigt werden müssen.

=== KI und Konzeption und Weiterentwicklung komplexer ''Metadatenschemata'' ===
Darüber hinaus spielt KI eine zunehmend bedeutende Rolle bei der Konzeption und Weiterentwicklung komplexer ''Metadatenschemata'', etwa durch automatisierte Klassifikation, semantische Anreicherung, Ontologie‑Mapping oder die Ableitung domänenspezifischer Metadatenstrukturen aus großen heterogenen Datenbeständen. Schließlich trägt KI maßgeblich zur Entwicklung langfristiger Strategien für die nachhaltige Bereitstellung, Pflege und Weiterentwicklung sogenannter „lebender Ressourcen“ bei, also dynamischer Datenobjekte, die kontinuierlich aktualisiert, versioniert und kontextualisiert werden müssen (Prognosemodelle zur Ressourcennutzung, automatisierte Qualitätssicherungsprozesse, adaptive Erhaltungsstrategien, KI‑gestützte Entscheidungsunterstützungssysteme).

== Veranstaltungen und Arbeitsgruppen zu KI und FDM ==
[https://www.berd-nfdi.de/berd-academy/ai-data-panel-2026/ BERD@NFDI Paneldiskussion „Die Rolle von Daten im Zeitalter von KI”]

(...)

== KÜNSTLICHE INTELLIGENZ UND NFDI ==
Künstliche Intelligenz (KI) ist ein zentraler Treiber für mehrere NFDI‑Konsortien, besonders '''NFDI4DataScience''', das explizit darauf ausgerichtet ist, Forschungsdaten, Modelle, Code und Publikationen aus Data Science und KI FAIR, transparent und reproduzierbar nutzbar zu machen.

(...)

Hennig, C. (2026, June 9). On reproducibility (and provenance) activities at NFDI4DS. Fourth NFDI_BB meeting on provenance and reproducibility, Berlin, Germany. Zenodo. https://doi.org/10.5281/zenodo.20605110

== KI.NRW ==
'''[https://www.ki.nrw/ KI.NRW]''' ist die '''zentrale Kompetenzplattform für Künstliche Intelligenz in Nordrhein‑Westfalen'''. Sie vernetzt Forschung, Wirtschaft, Politik und Gesellschaft, beschleunigt den Transfer von KI‑Technologien aus der Spitzenforschung in die Praxis und unterstützt Unternehmen, Verwaltungen und Bildungseinrichtungen beim Einsatz vertrauenswürdiger KI.

== Referenzen ==

=== Empfehlungen zur Einhaltung der Guten Wissenschaftlichen Praxis (GWP) beim Einsatz von KI: Forschungsdaten | & | Künstliche Intelligenz und GWP | Ombudsgremium – OWI ===
https://ombudsgremium.de/9802/forschungsdaten-und-ki/ (Zugriff am 07.06.2026).

=== Weiterführende allgemeine Informationen zu KI in der Forschung, inkl. FDM finden sich beim Fraunhofer-Institut für Kognitive Systeme IKS ===
https://www.iks.fraunhofer.de/de/themen/kuenstliche-intelligenz.html (Zugriff am 07.06.2026)

=== Universität Heidelberg und KI / Handreichungen ===
https://www.heiskills.uni-heidelberg.de/de/ueber-uns/lehren-und-lernen/fuer-lehrende/kuenstliche-intelligenz-in-der-lehre (Zugriff am 07.06.2026)

https://www.uni-heidelberg.de/de/erforschung-und-einsatz-von-ki; https://www.ub.uni-heidelberg.de/de/service/schulung/recherche/ki; ... (Zugriff am 07.06.2026)

=== KI-Campus, Stifterverband ===
https://ki-campus.org/ (Zugriff am 07.06.2026).

Der '''KI‑Campus''' ist eine digitale Weiterbildungsplattform, die hochwertige Lernangebote rund um '''Künstliche Intelligenz''' bereitstellt. Das Spektrum umfasst '''Onlinekurse''', die von grundlegenden Einführungen über Machine Learning bis hin zu Generativer KI, ethischen Fragestellungen oder dem Einsatz von KI in Unternehmen und Verwaltung reichen. Ergänzt werden diese Angebote durch '''Videos''', die komplexe KI‑Themen in kurzen, didaktisch aufbereiteten Formaten erklären, sowie '''Podcasts''', in denen Expertinnen und Experten aus Wissenschaft, Wirtschaft und Politik zu Wort kommen. Darüber hinaus stellt die Plattform praktische '''Tools''' bereit, mit denen Lernende KI‑Anwendungen direkt ausprobieren und vertiefen können. Alle Angebote sind kostenlos, und viele davon können mit einem Zertifikat abgeschlossen werden.

(...)
<references />

[[Kategorie:Forschungsdaten]]

[[Kategorie:Forschungsdatenmanagement]]

[[Kategorie:Universität]]

[[Kategorie:NFDI]]

[[Kategorie:Künstliche Intelligenz]]

[[Kategorie:KI]]

MaRDI

2026-06-10T09:30:43Z

AnnetteStrauchDavey:

'''"Building a community that embraces a FAIR data culture and research workflow through the sustainable realization of MaRDI findings". (Vision)'''

== Beschreibung ==
MaRDI ist der nationale Forschungsdatenverbund für Mathematik. Das Konsortium entwickelt Standards, Services und eine nachhaltige Infrastruktur, die mathematische Forschungsdaten FAIR, reproduzierbar und langfristig nutzbar macht.

Weiterführende Information zu MaRDI ist hier zu finden: [https://www.mardi4nfdi.de/about/mission]

==Ziele==

MaRDI wird, ausgehend von den Bereichen Computer Algebra, Wissenschaftliches Rechnen, Statistik und maschinelles Lernen sowie der interdisziplinären Mathematik, Standards für reproduzierbare Workflows zur Berechnung zertifizierter mathematischer Ergebnisse entwickeln und neue Services für die mathematische Forschung bis zum Peer-Review zur Verfügung stellen. Mit dem MaRDI-Portal wird eine Infrastruktur geschaffen, die die systematische Sicherung, Erschließung und Nutzbarmachung von FAIRen mathematischen Forschungsdaten über dezentrale und vernetzte Wissens- und Datenspeicher ermöglicht und den gesamten Forschungsprozess unterstützt.

Im Folgenden werden die Ziele der Arbeitsbereiche skizziert:

====TA 1 ====

Computeralgebra

Computeralgebrasysteme ermöglichen heute exakte Berechnungen, die früher unmöglich waren. Die dabei entstehenden riesigen Datenmengen erfordern lange parallele Laufzeiten und eine zuverlässige Überprüfung der Ergebnisse. TA1 entwickelt dafür bestätigbare Workflows, standardisierte Datenformate und passende Datenbanken.

====TA 2 ====
Scientific Computing nutzt numerische Verfahren in vielen Disziplinen und arbeitet mit reellen Zahlen, die Rundungsfehler erzeugen. Neben Ein‑ und Ausgabedaten gelten auch Algorithmen und Implementierungen als Forschungsdaten. TA2 entwickelt Wissensgraphen und offene Schnittstellen für numerische Algorithmen und bewertet sie über ein Benchmark‑Framework mit standardisierten Workflows und Referenzdatensätzen.

====TA 3====

Statistik und Machine Learning entwickeln Methoden, um trotz unsicherer Daten verlässliche Signale zu erkennen. TA3 erstellt kuratierte Datensätze mit Analysen, verknüpft sie mit Software und Literatur und entwickelt Werkzeuge zur Bewertung numerischer Experimente. [https://www.mardi4nfdi.de/portal/portal MaRDI-Portal] z.B.

==Konsortium==

===Antragstellende Institution, Ko-SprecherIn===

===Mitantragstellende Institutionen===

===Teilnehmende Institutionen===

==Referenzen==

<references />

[[Kategorie:NFDI]] [[Kategorie:MaRDI]]

MaRDI

2026-06-10T09:30:10Z

AnnetteStrauchDavey:

'''"Building a community that embraces a FAIR data culture and research workflow through the sustainable realization of MaRDI findings".'''

== Beschreibung ==
MaRDI ist der nationale Forschungsdatenverbund für Mathematik. Das Konsortium entwickelt Standards, Services und eine nachhaltige Infrastruktur, die mathematische Forschungsdaten FAIR, reproduzierbar und langfristig nutzbar macht.

Weiterführende Information zu MaRDI ist hier zu finden: [https://www.mardi4nfdi.de/about/mission]

==Ziele==

MaRDI wird, ausgehend von den Bereichen Computer Algebra, Wissenschaftliches Rechnen, Statistik und maschinelles Lernen sowie der interdisziplinären Mathematik, Standards für reproduzierbare Workflows zur Berechnung zertifizierter mathematischer Ergebnisse entwickeln und neue Services für die mathematische Forschung bis zum Peer-Review zur Verfügung stellen. Mit dem MaRDI-Portal wird eine Infrastruktur geschaffen, die die systematische Sicherung, Erschließung und Nutzbarmachung von FAIRen mathematischen Forschungsdaten über dezentrale und vernetzte Wissens- und Datenspeicher ermöglicht und den gesamten Forschungsprozess unterstützt.

Im Folgenden werden die Ziele der Arbeitsbereiche skizziert:

====TA 1 ====

Computeralgebra

Computeralgebrasysteme ermöglichen heute exakte Berechnungen, die früher unmöglich waren. Die dabei entstehenden riesigen Datenmengen erfordern lange parallele Laufzeiten und eine zuverlässige Überprüfung der Ergebnisse. TA1 entwickelt dafür bestätigbare Workflows, standardisierte Datenformate und passende Datenbanken.

====TA 2 ====
Scientific Computing nutzt numerische Verfahren in vielen Disziplinen und arbeitet mit reellen Zahlen, die Rundungsfehler erzeugen. Neben Ein‑ und Ausgabedaten gelten auch Algorithmen und Implementierungen als Forschungsdaten. TA2 entwickelt Wissensgraphen und offene Schnittstellen für numerische Algorithmen und bewertet sie über ein Benchmark‑Framework mit standardisierten Workflows und Referenzdatensätzen.

====TA 3====

Statistik und Machine Learning entwickeln Methoden, um trotz unsicherer Daten verlässliche Signale zu erkennen. TA3 erstellt kuratierte Datensätze mit Analysen, verknüpft sie mit Software und Literatur und entwickelt Werkzeuge zur Bewertung numerischer Experimente. [https://www.mardi4nfdi.de/portal/portal MaRDI-Portal] z.B.

==Konsortium==

===Antragstellende Institution, Ko-SprecherIn===

===Mitantragstellende Institutionen===

===Teilnehmende Institutionen===

==Referenzen==

<references />

[[Kategorie:NFDI]] [[Kategorie:MaRDI]]

MaRDI

2026-06-10T09:29:04Z

AnnetteStrauchDavey: /* TA 1 */

'''"Building a community that embraces a FAIR data culture and research workflow through the sustainable realization of MaRDI findings".'''

== Beschreibung ==
MaRDI ist der nationale Forschungsdatenverbund für Mathematik. Das Konsortium entwickelt Standards, Services und eine nachhaltige Infrastruktur, die mathematische Forschungsdaten FAIR, reproduzierbar und langfristig nutzbar macht.

Weiterführende Information zu MaRDI ist hier zu finden: [https://www.mardi4nfdi.de/about/mission]

==Ziele==

MaRDI wird, ausgehend von den Bereichen Computer Algebra, Wissenschaftliches Rechnen, Statistik und maschinelles Lernen sowie der interdisziplinären Mathematik, Standards für reproduzierbare Workflows zur Berechnung zertifizierter mathematischer Ergebnisse entwickeln und neue Services für die mathematische Forschung bis zum Peer-Review zur Verfügung stellen. Mit dem MaRDI-Portal wird eine Infrastruktur geschaffen, die die systematische Sicherung, Erschließung und Nutzbarmachung von FAIRen mathematischen Forschungsdaten über dezentrale und vernetzte Wissens- und Datenspeicher ermöglicht und den gesamten Forschungsprozess unterstützt.

Im Folgenden werden die Ziele der Arbeitsbereiche skizziert:

====TA 1 ====

Computeralgebra

Computeralgebrasysteme ermöglichen heute exakte Berechnungen, die früher unmöglich waren. Die dabei entstehenden riesigen Datenmengen erfordern lange parallele Laufzeiten und eine zuverlässige Überprüfung der Ergebnisse. TA1 entwickelt dafür bestätigbare Workflows, standardisierte Datenformate und passende Datenbanken.

====TA 2 ====
Scientific Computing nutzt numerische Verfahren in vielen Disziplinen und arbeitet mit reellen Zahlen, die Rundungsfehler erzeugen. Neben Ein‑ und Ausgabedaten gelten auch Algorithmen und Implementierungen als Forschungsdaten. TA2 entwickelt Wissensgraphen und offene Schnittstellen für numerische Algorithmen und bewertet sie über ein Benchmark‑Framework mit standardisierten Workflows und Referenzdatensätzen.

'''TA 3'''

Statistik und Machine Learning entwickeln Methoden, um trotz unsicherer Daten verlässliche Signale zu erkennen. TA3 erstellt kuratierte Datensätze mit Analysen, verknüpft sie mit Software und Literatur und entwickelt Werkzeuge zur Bewertung numerischer Experimente. [https://www.mardi4nfdi.de/portal/portal MaRDI-Portal] z.B.

==Konsortium==

===Antragstellende Institution, Ko-SprecherIn===

===Mitantragstellende Institutionen===

===Teilnehmende Institutionen===

==Referenzen==

<references />

[[Kategorie:NFDI]] [[Kategorie:MaRDI]]

MaRDI

2026-06-10T09:22:00Z

AnnetteStrauchDavey: