Forschungsdaten sind alle Daten, die im Rahmen wissenschaftlicher Arbeit entstehen, ausgewertet oder entwickelt werden. Dazu zählen sowohl Rohdaten als auch aufbereitete Daten, einschließlich Metadaten, die die Nachvollziehbarkeit und Reproduzierbarkeit der Forschung sicherstellen.
Je nach wissenschaftlicher Disziplin liegen Forschungsdaten in verschiedenen Formaten vor. Dazu zählen u.a.
Die Definition von Forschungsdaten ist ebenso wie der Umgang mit Forschungsdaten fachspezifisch variabel. Auch Daten, die nicht in digitaler Form vorliegen, können als Grundlage wissenschaftlicher Erkenntnis als Forschungsdaten verstanden werden.
Forschungsdatenmanagement (FDM) bezeichnet den systematischen Umgang mit Daten, die im Rahmen wissenschaftlicher Forschung entstehen oder verwendet werden. Es umfasst alle Maßnahmen zur Organisation, Dokumentation, Speicherung, Sicherung, Archivierung, Veröffentlichung und Nachnutzung dieser Daten. FDM begleitet den gesamten Forschungsprozess, d. h. von der Projektplanung über die Datenerhebung bis hin zur Metadatenbeschreibung und nachhaltigen Aufbewahrung.
Ziel ist es, die Qualität, Reproduzierbarkeit und Nachnutzbarkeit der Daten sicherzustellen sowie deren Sichtbarkeit und Kontextualisierung zu fördern. Dabei berücksichtigt FDM fachliche Standards, Anforderungen von Förderinstitutionen, Publikationsorganen und forschungsethischen Leitlinien.
FAIR steht als Acronym für die vier zentralen Prinzipien im Forschungsdatenmanagement:
Findable (auffindbar),
Accessible (zugänglich),
Interoperable (interoperabel),
Reusable (nachnutzbar).
Diese Prinzipien wurden erstmals 2014 diskutiert und anschließend 2016 im Artikel "The FAIR Guiding Principles for scientific data management and stewardship" im Nature Publishing Group journal Scientific Data u.a. von Mitgliedern der FORCE11-Community veröffentlicht, um die nachhaltige Nutzung wissenschaftlicher Daten zu fördern.
Ziel ist es, Forschungsdaten so aufzubereiten und zu speichern, dass sie sowohl für Menschen als auch für Maschinen leicht auffindbar, zugänglich, dialogfähig und wiederverwendbar sind. Um dies zu erreichen, sind z. B. strukturierte Metadaten, persistente Identifikatoren (wie DOIs) und standardisierte Datenformate ebenso entscheidend wie klare Nutzungslizenzen.
Praktische Hilfestellungen zur Umsetzung bieten unter anderem die Plattform forschungsdaten.info, die GO FAIR-Initiative sowie der OpenAIRE-Leitfaden „How to make your data FAIR“, inklusive Checkliste zur Bewertung der eigenen Daten.
Nein, FAIRe Daten sind nicht dasselbe wie offene Daten (Open Data).
Auch wenn nicht alle Daten uneingeschränkt verfügbar sein können, z.B. aus Datenschutz-, Wettbewerbs- oder Lizenzgründen, lassen sich die FAIR-Kriterien dennoch erfüllen.
Entscheidend ist, dass klar geregelt und nachvollziehbar ist, unter welchen Voraussetzungen auf die Daten zugegriffen werden kann.
Die Deutsche Forschungsgemeinschaft (DFG) hat 2019 mit dem Kodex „Leitlinien zur Sicherung guter wissenschaftlicher Praxis“ ein Referenzwerk mit 19 Standards zur wissenschaftlichen Integrität veröffentlicht. Darin wird FDM in Zusammenhang mit den Punkten Qualitätssicherung, Dokumentation, Veröffentlichung und Archivierung genannt.
Eine zentrale Neuerung ist die Klassifizierung von Software als Forschungsdaten. Weitere Vorgaben leiten sich aus den FAIR-Prinzipien ab:
Auch die Satzung der Universität Passau zur Sicherung guter wissenschaftlicher Praxis enthält verbindliche Vorgaben für das Forschungsdatenmanagement. Weitere Informationen sind auf der universitären Webseite zur Gute wissenschaftliche Praxis verfügbar.
Open Science ist einer Wissenschaftspraxis, die anstrebt, den Forschungsprozess langfristig offen zugänglich, nachnutzbar und nachvollziehbar zu gestalten.
Orientiert an fachspezifischen Bedarfen, unterstützt die Open Science dabei, Qualität, Kommunikation und Transparenz in Forschung, Lehre und Transfer zu verbessern.
Sie trägt damit sowohl zur Erfüllung der DFG-Anforderungen an die gute wissenschaftliche Praxis als auch zur Erreichung der UN-Nachhaltigkeitsziele bei.
Forschungsdatenmanagement ist ein zentraler Bestandteil der Open Science, da es die Grundlage für eine strukturierte, transparente und wiederverwendbare Forschung schafft.
Durch eine nachvollziehbare Datenorganisation, Verwendung von standardisierten Metadaten und Vergabe von klaren Lizenzen ermöglicht FDM, dass Forschungsdaten gemäß der FAIR Prinzipien archiviert und publiziert werden können.
Neben der Verbesserung von Qualität und Nachprüfbarkeit von Forschungsdaten, fördert FDM auch (interdisziplinäre) Zusammenarbeit und erleichtert den Transfer von Wissen über institutionelle und nationale Grenzen hinweg.
Des Weiteren umfasst verantwortungsvolles FDM auch die Berücksichtigung von rechtlichen und ethischen Aspekten (z. B. Datenschutz), um Transparenz und Schutzbedarfe in Einklang zu bringen.
Auf der Open-Science-Website der Universität Passau finden Sie weitere Informationen sowie eine Übersicht über relevante Services und Unterstützungsangebote der Uni Passau rund um das Thema Open Science.
Ein Datenmanagementplan (DMP) ist ein formales Dokument zur Verwaltung der Forschungsdaten innerhalb eines wissenschaftlichen Projekts. Er beschreibt den gesamten Forschungsprozess, d. h. von der Planung über die Durchführung bis hin zur Archivierung und Veröffentlichung der Daten, und sollte idealerweise bereits in der Antragsphase erstellt werden. Dabei werden sowohl technische als auch organisatorische Maßnahmen festgelegt, um die Nachnutzbarkeit und Nachvollziehbarkeit der Daten sicherzustellen.
Verschiedene Förderinstitutionen, darunter die DFG, der FWF, der SNF oder Horizon Europe, verlangen inzwischen Angaben zum geplanten Forschungsdatenmanagement als Teil des Förderantrags. Auch wenn ein formale DMP oft (noch) nicht verpflichtend ist, kann die frühzeitige Einbindung des Datenmanagements die Erfolgsaussichten eines Antrags verbessern. Informieren Sie sich daher vorab über spezifische Vorgaben, Leitlinien und Templates der Fördermittelgeber.
Idealiter begleitet ein DMP das Projekt als ‚lebendes Dokument‘ den gesamten Forschungsprozess. Es sollte daher nicht nur von Beginn an detailliert geführt und regelmäßig aktualisiert werden, sondern sich sogar vom Planungsinstrument zur Dokumentationshilfe entwickeln.
Die inhaltliche und formale Ausgestaltung eines DMPs ist weitgehend offen und kann individuell erfolgen. Es steht Ihnen darüber hinaus frei, ob Sie den Plan öffentlich zugänglich machen oder als Projektinterna behandeln möchten.
Zu den zentralen Themen, die ein DMP abdecken sollte, zählen:
Diese Aspekte dienen als Orientierung und können je nach Projektanforderung erweitert oder angepasst werden.
Für die Erstellung eines Datenmanagementplans stehen bereits Leitfäden und Vorlagen zur Verfügung:
Sie können auch auf Tools zurückgreifen, die Sie bei der Erarbeitung eines DMPs unterstützen:
Ja, auch für FDM können Sie im Rahmen Ihres Drittmittelprojekts gezielt Mittel beantragen. Legen Sie dabei stets den gesamten Projekt- und Forschungsdatenlebenszyklus zugrunde, der über die eigentliche Förderlaufzeit hinausreichen kann.
Bei der frühzeitigen Planung des Mittelbedarfs sollten in der Regel folgende Aspekte berücksichtigt werden:
Berücksichtigen Sie Personalausgaben (z. B. für Datenmanagerinnen und -manager mit klarer Aufgabenbeschreibung), Sach-, Material- und Infrastrukturkosten (z. B. Hardware, Software, Arbeitsplätze, Server- oder Gerätenutzung) sowie Dienstleistungen (z. B. Archivierung, Publikation von Daten).
Prüfen Sie frühzeitig, welche Kosten und Leistungen bereits durch die vorhandene Grundausstattung Ihrer Einrichtung abgedeckt sind und welche Bedarfe zusätzlich finanziert werden müssen.
Eine durchdachte Datenorganisation beugt Verzögerungen und unnötiger Mehrarbeit vor.
Schaffen Sie eine klare Ordnerstruktur mit maximal drei Unterordner-Ebenen und benennen Sie Ordner systematisch nach ihrem Inhalt. Nach Projektende sollten Sie überprüfen, welche Ordner noch benötigt werden.
Bei Dateikonventionen sind aussagekräftige Komponenten wie Ersteller/Erstellerin, Version und Bearbeitungsstadium empfehlenswert. Datumsformate geben Sie als JJJJMMTT an, Nummern zweistellig oder dreistellig mit Nullen als Platzhalter und Versionen kennzeichnen Sie als V01, V02 etc.. Verzichten Sie auf Leerzeichen, Punkte, Sonderzeichen, Umlaute und zu lange Dateinamen, nutzen Sie stattdessen Großbuchstaben und Unterstriche. Vermeiden Sie ferner Wiederholungen von Informationen aus Ordnernamen in den Dateinamen.
Arbeiten Sie mit fortlaufenden Versionen, führen Sie regelmäßig eine Versionskontrolle durch und legen Sie obsolete Versionen nach einem Backup separat ab.
Bei der Auswahl geeigneter Dateiformate sollten Sie insbesondere die Aspekte der Langzeitarchivierung, Interoperabilität und verlustfreien Konvertierbarkeit berücksichtigten.
Offene, nicht-proprietäre Formate sind dabei besonders zu empfehlen, da sie eine hohe Kompatibilität mit verschiedenen Systemen gewährleisten. So gilt beispielsweise das CSV-Format für Tabellendaten aufgrund seiner Offenheit und Standardisierung als besonders geeignet, während proprietäre Formate wie XLS von Microsoft aufgrund ihrer begrenzten Zugänglichkeit weniger zu empfehlen sind.
Welches Format sich konkret für Sie eignet, hängt von der verwendeten Software und den spezifischen Anforderungen Ihres Forschungsprojekts ab, doch können viele Dateitypen problemlos in offene Austauschformate umgewandelt werden.
| Dateityp | empfehlenswerte Formate | weniger empfehlenswerte Formate |
|---|---|---|
| Tabellendaten | CSV, TSV, SPSS portable | Excel (.xlsx/.xls) |
| Datenaustausch | XML, RDF, JSON | SDXF, RDBMS |
| Präsentation | PDF/A | PowerPoint (.pptx/.ppt) |
| Multimedia | MP4, WAV, AVI | WMV, QuickTime, H264 |
| Bilder | TIFF, JPEG, PNG | GIF, JPG |
| Text | TXT, RTF, PDF/A | Word (.docx/.doc) |
Eine sorgfältige und aktuelle Dokumentation erleichtert das Wiederfinden von Daten, die Nachvollziehbarkeit ihrer Entstehung und die Vermeidung von Versionskonflikten. Darüber hinaus gehört sie zur guten wissenschaftlichen Praxis (GWP, §9, S.6).
Halten Sie in Ihrer Dokumentation neben einer dauerhaften Kontaktangabe und allgemeinen Informationen zu Ihrem Projekt auch Angaben zu Erhebungsmethoden, Struktur und Beziehung der Daten, Qualitätsmaßnahmen, ggf. ein Codebook, Dateiversionen sowie Informationen zum Zugang, Vertraulichkeit und Nutzungsbedingungen fest.
Im Unterschied zu Metadaten, die für die maschinelle Analyse gedacht sind, ist das Ziel einer Dokumentation, anderen Forschenden eine klare Übersicht und wichtige Kontextinformationen zu den Daten zu bieten.
Zur Dokumentation können Sie beispielsweise ein Datenmanagementplan (DMP), eine ReadMe-Datei, eine gut strukturierte Metadatenbank oder auch ein projektinternes Wiki nutzen.
Insbesondere ReadMe-Dateien sind dabei eine einfache Form der Dokumentation, in der Sie Details zu Daten, Ordnern und ggf. Änderungen leicht und schnell bereitstellen können.
Der Forschungsdatendienst OstData (in Deutsch) und die Cornell University (in Englisch, inkl. Anleitung) bieten zur Erstellung einer ReadMe-Datei auch ein Template an.
Der wichtigste Schritt ist die regelmäßige Erstellung von Sicherungskopien Ihrer Originaldateien. Nach der 3-2-1-Regel sollten Sie mindestens drei Kopien Ihrer Daten anfertigen, diese auf zwei verschiedenen Speichermedien ablegen und eine Kopie an einem externen Standort aufbewahren.
Während des Projekts können Sie die vom ZIM betreuten, redundant gesicherten Netzlaufwerke sowohl für den persönlichen Gebrauch (H:-Laufwerk) als auch für die gemeinsame Datenablage für Arbeitsgruppen (I:-Laufwerke) nutzen.
Arbeiten Sie u.a. mit externen Partnern zusammen, können Sie z. B. den Cloud-Speicher (50 GB pro Person) via LRZ Sync + Share für den Austausch von Daten oder den webbasierten Zugriff auf eigene Daten von überall auf der Welt verwenden.
Im Zuge der Erneuerung der Storage- und Virtualisierungsfarm ist es möglich, größere Speicherplatzanforderungen über das Big Data-Storage zu nutzen. Der wesentliche Unterschied zu normalen Netzlaufwerken ist, dass keine Datensicherung erfolgt.
Nach Projektabschluss sollten Sie Ihre sog. „kalten Daten“ (also Daten, die Sie nicht mehr verändern) in einem Forschungsdatenrepositorium ablegen, entweder als Archivierung oder als Veröffentlichung. Achten Sie bei der Auswahl des Repositoriums darauf, dass die Daten bestenfalls mehrfach an verschiedenen Standorten gesichert werden und jeder Datensatz eine eindeutige DOI erhält.
Die Forschungsdaten-Policy der Universität (II.3, S.5) schreibt eine Aufbewahrungsdauer von zehn Jahren vor, beginnend mit der Veröffentlichung der Forschungsergebnisse oder nach Abschluss der Forschungstätigkeit, sofern keine Publikation erfolgt.
Eine längere Speicherung wird ausdrücklich begrüßt, während in begründeten Fällen auch verkürzte Zeiträume angemessen sein können. Die Gründe hierfür müssen Sie nachvollziehbar darlegen.
Sie müssen Ihre Daten archivieren, um sie langfristig und formatunabhängig für die vorgeschriebene Haltefrist von zehn Jahren aufzubewahren. Bei einer Archivierung werden die Daten anders als bei einer Datenpublikation nicht frei zugänglich gemacht, sondern lediglich gesichert. Zudem ist die Archivierung erforderlich, um die Herkunft Ihrer verwendeten Daten nachzuweisen, die Qualität Ihrer Forschung zu sichern und die Grundlagen für eine spätere Nachnutzung zu dokumentieren.
Sie können Ihre Daten in entsprechenden Datenrepositorien archivieren, an der Universität steht Ihnen hierfür RADAR Passau zur Verfügung. Beachten Sie dabei, dass die Metadaten archivierter Projekte stets öffentlich einsehbar sind und personenbezogene Daten vor der Archivierung anonymisiert werden müssen (eine Pseudonymisierung ist nicht ausreichend).
Die Publikation von Forschungsdaten bietet sowohl der Forschungscommunity als auch Ihnen persönlich viele Vorteile.
Für die Forschungscommunity:
Veröffentlichte Forschungsdaten können in neuen wissenschaftlichen Kontexten nachgenutzt werden, beispielsweise für interdisziplinäre Forschungsvorhaben oder Metaanalysen. Dadurch entstehen neue Erkenntnisse, Doppelarbeit wird vermieden, Kosten können gespart und Ressourcen effizienter genutzt werden. Zudem erleichtert die Verfügbarkeit von Forschungsdaten den Vergleich und die Überprüfung wissenschaftlicher Ergebnisse.
Für die Forschenden:
Durch die Vergabe dauerhafter Identifikatoren bleiben Ihre Forschungsdaten langfristig auffindbar, referenzierbar und zitierfähig. Datenpublikationen können damit als eigenständige wissenschaftliche Leistung sichtbar werden und zur wissenschaftlichen Reputation beitragen. Anerkannte Repositorien gewährleisten die langfristige Archivierung von Forschungsdaten und unterstützen Forschende dabei, die Anforderungen von Forschungsförderern und wissenschaftlichen Verlagen an die Bereitstellung von Forschungsdaten zu erfüllen.
Die Auswahl geeigneter Datensätze liegt bei den Forschenden. In der Regel ist es weder notwendig noch sinnvoll, sämtliche im Forschungsprozess entstandenen Daten zu veröffentlichen.
Besonders publikationswürdig sind Daten,
Bei der Entscheidung sollten Sie neben der wissenschaftlichen Relevanz auch rechtliche und technische Aspekte berücksichtigen. Veröffentlicht werden sollten nur Daten, die ausreichend dokumentiert sind, keine Rechte Dritter verletzen und möglichst in offenen, weit verbreiteten Dateiformaten bereitgestellt werden können.
Beachten Sie außerdem, dass Fördermittelgeber eigene Anforderungen an die Veröffentlichung von Forschungsdaten stellen können. Es empfiehlt sich daher, die jeweiligen Förderbedingungen frühzeitig zu prüfen.
Für die Auswahl geeigneter Datensätze kann die Checkliste „Five Steps to Decide What Data to Keep“ des Digital Curation Centre (DCC) eine hilfreiche Orientierung bieten.
Wählen Sie möglichst eine freie und etablierte Standardlizenz, die zur Art Ihrer Forschungsdaten passt. Für Forschungsdaten werden häufig Creative-Commons-Lizenzen (CC-Lizenzen) verwendet, da sie die erlaubten Nutzungsbedingungen klar und nachvollziehbar festlegen.
Achten Sie dabei insbesondere auf folgende Punkte:
Für eine möglichst offene Nutzung und gute Vereinbarkeit mit den FAIR-Prinzipien empfehlen wir die CC BY 4.0 Lizenz.
Überlegen Sie zunächst, in welchem Zusammenhang Sie Ihre Forschungsdaten veröffentlichen möchten. Je nach Ziel eignen sich unterschiedliche Formen der Datenpublikation.
Datensupplement
Datenjournal
Datenrepositorium
Für die Veröffentlichung von Forschungsdaten sollten Sie nach Möglichkeit ein fachspezifisches Repositorium wählen, da es die Standards und Anforderungen Ihrer Fachcommunity am besten unterstützt.
Für eine Auswahl an fachspezifischen und generischen Repositorien steht Ihnen unsere Handreichung zur Verfügung.
Bei der Suche helfen Verzeichnisse wie re3data, FAIRsharing, OpenDOAR, RISources oder der Repository Finder von DataCite.
Bei der Auswahl eines Repositoriums sollten Sie u. a. auf folgende Kriterien achten:
Wenn kein geeignetes Fachrepositorium verfügbar ist, können institutionelle (wie RADAR Passau) oder generische Repositorien (wie ZENODO) eine Alternative sein.
Vor der Publikation Ihrer Forschungsdaten sollten Sie sicherstellen, dass Sie über die erforderlichen Rechte zur Veröffentlichung verfügen und rechtliche sowie ethische Anforderungen erfüllt sind. Besondere Aufmerksamkeit erfordern personenbezogene, sensible oder vertrauliche Daten, da diese gegebenenfalls vollständig anonymisiert und nur mit entsprechender Einwilligung publiziert werden dürfen.
Prüfen Sie außerdem, ob Urheberrechte, Nutzungsrechte Dritter, Patentrechte oder vertragliche Vereinbarungen einer offenen Veröffentlichung entgegenstehen. Auch Vorgaben von Fördermittelgebern und mögliche Embargofristen sollten frühzeitig eingeplant werden. Sorgen Sie schließlich für eine angemessene Aufbereitung und Dokumentation Ihrer Daten, damit diese nachvollziehbar bereitgestellt werden können.
Die Forschungsdaten-Policy sieht bei einem Arbeitsplatzwechsel folgende Bestimmungen vor (vgl. Policy, III. 3.a-c, S. 5-6):
Wurden die Daten über RADAR Passau veröffentlicht oder archiviert, informieren Sie die Universität Passau bitte über eine Rechtsnachfolge und benennen Sie die künftig verantwortliche Person. Dadurch bleibt die Zuständigkeit für die Daten auch nach Ihrem Weggang eindeutig geregelt.
Je nach Projekt- oder Entstehungskontext, sollten Sie vor Ihrem Wechsel prüfen, ob für Ihre Forschungsdaten besondere rechtliche, vertragliche oder fördermittelbezogene Vorgaben gelten, die zusätzliche Anforderungen an Speicherung, Zugriff oder Weitergabe stellen.
Für die Recherche nach bereits publizierten Datensätzen bieten Ihnen vor allem fachliche Repositorien und Datenzentren eine gute Grundlage.
Diese Einrichtungen werden häufig von wissenschaftlichen Gemeinschaften oder Förderorganisationen betrieben. Sie arbeiten mit Qualitätsmerkmalen wie vollständiger Dokumentation, offenen Formaten, verpflichtenden Metadaten, anonymisierten Inhalten und Daten aus abgeschlossenen Projekten ("kalten Daten"; Cold Data). Ergänzend können Sie Datenportale, Indexdienste oder Materialien aus Fachartikeln nutzen.
Verzeichnisse wie re3data, RISources, FAIRsharing, OpenDOAR oder der Repository Finder von DataCite unterstützen Sie bei der Suche nach geeigneten Repositorien.
Das korrekte Zitieren von Forschungsdaten gehört zu den grundlegenden Prinzipien guter wissenschaftlicher Praxis. Es fördert sowohl die wissenschaftliche Integrität als auch die Nachnutzbarkeit von Daten.
Die von FORCE11 entwickelten Data Citation Principles bieten hierfür eine Orientierung, indem sie zentrale Anforderungen an die Zitation beschreiben. Demnach sollten Zitationsformate sowohl für Menschen verständlich als auch maschinenlesbar gestaltet sein.
Da es derzeit keinen einheitlichen Standard gibt, können die genauen Vorgaben je nach Fachgebiet, Verlag oder Datenrepositorium variieren. Informieren Sie sich daher vorab über geltende Zitierweisen.
Grundstruktur einer Datenzitation
Eine vollständige Datenzitation sollte mindestens folgende Elemente enthalten:
Optional können Angaben zu Version (Versionsnummer der Ressource), genereller Ressourcentyp (z. B. Text, Datenset, etc.) oder weitere Details ergänzt werden.
Beispiel für eine standardisierte Zitation nach Vorschlag von DataCite und da|ra
Urheber (Veröffentlichungsdatum): Titel. Version. Publikationsagent. Genereller Ressourcentyp. Persistenter Identifikator.
Auch Software kann in ähnlicher Weise zitiert werden:
Urheber (Veröffentlichungsdatum): Titel der Software. Version. Publikationsagent. Genereller Ressourcentyp. Persistenter Identifikator.
Praktische Hilfestellungen
Mithilfe des DOI Citation Formatters können automatisch Zitationen in über 5000 Stilen generiert werden.
Sie können das RESEARCH DATA REPOSITORY zur Archivierung und Veröffentlichung von Forschungsdaten abgeschlossener wissenschaftlicher Projekte verwenden. In diesem Repositorium liegen insbesondere Forschungsdaten aus Fachdisziplinen, für die noch keine eigene, disziplinspezifische FDM-Infrastruktur existiert.
Mit RADAR lassen sich Forschungsdaten außerdem auch vorab begutachten und mit Metadaten anreichern. Hierdurch soll nicht nur die langfristige Verfügbarkeit von archivierten Daten garantiert, sondern auch der Zugang zu und die Nachnutzbarkeit von veröffentlichten Daten gemäß der FAIR-Kriterien gewährleistet werden.
Die Universität Passau ermöglicht ihren Wissenschaftlerinnen und Wissenschaftlern die Nutzung von RADAR in der Rolle als datengebende Person.
Die AG FDM richtet auf Anfrage einen Arbeitsbereich mit der Höhe des benötigen Speichervolumens ein und weist die benötigen Kuratoren-Rechte zu. Je nach Höhe des Datenvolumens können dabei Kosten anfallen.
Nach der Registrierung bei RADAR können Sie anschließend Ihre Forschungsdaten aus abgeschlossenen Projekten hochladen. Dabei vergeben Sie eine Lizenz, die die Nutzungsrechte für eine eventuelle Nachnutzung durch Dritte regelt.
Publizierte Datenpakete sind öffentlich einsehbar und der Zugriff ist kostenfrei. Bei archivierten Datenpaketen werden lediglich die Metadaten über standardisierte Schnittstellen an Meta-Suchmaschinen übertragen. Dadurch sind sie zur freien Nutzung durch die Allgemeinheit auch außerhalb des Repositoriums auffindbar.
Nein, RADAR Passau dient ausschließlich der Veröffentlichung und Archivierung von Forschungsdaten. Wissenschaftliche Texte wie Masterarbeiten, Dissertationen oder Aufsätze können dort nicht veröffentlicht werden.
Die Universitätsbibliothek unterstützt Sie jedoch dabei, Ihre wissenschaftlichen Texte Open Access zugänglich zu machen. Dafür steht beispielsweise OPUS als Publikationsplattform für zur Verfügung.
Sie können bei Bedarf für ihr Datenpaket bereits im Rahmen der Metadaten-Annotation einen Digital Object Identifier (DOI) reservieren. Über diese DOI ist das Datenpaket dann eindeutig und dauerhaft identifizierbar, auch wenn es (noch) nicht veröffentlicht ist.
Auf diese Weise können Sie ihre Forschungsdaten beispielsweise vorab in einem wissenschaftlichen Artikel zitieren und das Datenpaket anschließend mit dem persistenten Identifikator des Artikels über das Metadatenfeld "Verwandter Identifikator" verknüpfen.
Für die Archivierung oder Publikation Ihrer Datenpakete wird ein Mindestsatz an Metadaten vorausgesetzt.
Das RADAR-Metadatenschema (Version 9.2. Stand: September 2025) basiert auf dem DataCite-Metadatenschema und umfasst zehn Pflichtfelder und 13 optionale Felder.
Pflichtfelder: Persistenter Identifikator, Ersteller/in, Titel, Herausgeber/in, Erstellungsjahr, Publikationsjahr, Fachgebiet, Objekttyp, Lizenz, Rechteinhaber/in
Optionale Felder: Weitere Titel, Beschreibung, Schlagworte, Beitragende, Sprache, Alternativer Identifikator, Verwandter Identifikator, Standort, Datenquelle, verwendete Software, Datenverarbeitung, zugehörige Informationen, Förderung
Bereits veröffentlichte Forschungsdaten können in der Regel nicht gelöscht, sondern nur gesperrt werden. In diesem Fall bleibt eine Informationsseite zum Datensatz erhalten, die auf die Sperrung hinweist. Die Daten selbst sind dann nicht mehr herunterladbar.
Änderungen an veröffentlichten Datensätzen sind grundsätzlich möglich, werden jedoch über neue Versionen abgebildet. Wenn Sie beispielsweise zusätzliche Daten ergänzen, fehlerhafte Inhalte korrigieren oder neue Forschungsergebnisse berücksichtigen möchten, sollten Sie eine neue Version des Datensatzes veröffentlichen. Dazu wird ein neuer Datensatz angelegt und entsprechend als neue Version gekennzeichnet.
Um die Nachvollziehbarkeit zu gewährleisten, können die Metadaten der vorherigen Version auf die aktuelle Version verweisen. So bleiben die einzelnen Versionen miteinander verknüpft und Änderungen am Datensatz transparent dokumentiert.
Ja, mit RADAR können Sie Ihre Forschungsdatenpakete vor einer geplanten Publikation bequem über eine automatisch generierte und sichere Review-URL mit Gutachterinnen und Gutachtern teilen (z.B. Peer-Review, Verlage und Zeitschriften-Editorial Boards).
Über diese URL ist der Zugriff auf das noch nicht veröffentlichte Datenpaket auch ohne vorherige Authentifizierung möglich. Der Review-Prozess kann jederzeit sowohl verlängert als auch abgebrochen werden, wobei im letzten Fall der sichere Link seine Gültigkeit verliert. Während des Review-Prozesses ist der betreffende Datensatz für die weitere Bearbeitung gesperrt.
Ja, als Kurator oder Kuratorin können Sie anderen Personen wie z. B. einer Hilfskraft die Rechte als Subkurator oder Subkuratorin zuweisen.
In dieser Rolle können sie dann Forschungsdaten hoch- und runterladen sowie sie mit Metadaten anreichern. Subkuratierende können das Arbeitspaket mit den eingeschränkten Leserechten weder begutachten lassen, noch final archivieren oder publizieren.
Ja, wenn Ihre Forschungsdaten nicht sofort veröffentlicht werden sollen, kann ein Embargo von bis zu zwölf Monaten vergeben werden. Das Datenpaket ist dann erst nach Ablauf dieser Sperrfrist öffentlich zugänglich.
Beachten Sie dabei allerdings, dass die Metadaten dennoch sofort nach der Veröffentlichung einsehbar sind.
Weitere Informationen zu RADAR finden Sie auf der offiziellen Website. Im Supportbereich finden Sie auch ein ausführliches FAQ mit weiteren nützlichen Fragen und Antworten.
Von der AG FDM gibt es auch eine Handreichung zu RADAR Passau.
