3.3. Resümee FAIR-Prinzipien#
Die Übung zu den FAIR-Prinzipien hat verdeutlicht, dass die untersuchten Daten weniger gut abschließen. Das heißt nicht, dass sie nicht von guter Qualität sind. Die meisten unbefriedigenden Antworten ergeben sich aus der Tatsache, dass die Daten nicht eigenständig veröffentlicht sind. Wäre das geschehen, gäbe es eine Verlinkung zur Textpublikation (dem Bericht), es gäbe einen URI/PID und sicher auch Metadaten, die beschrieben, was in den Tabellen zu finden wäre. Da die Datentabellen in diesem Beispiel wie an den Bericht “angehängt” und nicht als eigenständige Forschungsdaten publiziert sind, schneiden sie in diesem Test eher unbefriedigend ab. Sie sind tatsächlich schwer zu finden, wenn man nicht weiß, dass sie zum Bildungsbericht gehören. Sie sind aber zugänglich. Die Interoperabilität ist mit dem gegebenen XSLX-Format nur bedingt gegeben - auch, wenn es sich dabei um ein gängiges Format handelt. Und da die Daten nicht mit einer eigenen Lizenz versehen sind, erschwert sich ihre Nachnutzung.
Hinweis
Die FAIR-Prinzipien decken nur einen Teil dessen ab, was sich im Forschungsdatenmanagement als best practice etabliert hat. Darüber hinaus hängt der Grad der FAIRness von Daten nicht notwendigerweise mit ihrer Qualität zusammen.
Die Beantwortung der Forschungsfrage hat dieses Kapitel indirekt unterstützt. Da die Frage nach der Entwicklung des Hochschulpersonals im letzten Jahrzehnt nicht anhand eigener Datenerhebungen zu beantworten ist, muss auf bestehende Daten zurückgegriffen werden, die im Sinne der Aufgabenstellung nachgenutzt werden. Dazu war es wichtig mit den FAIR-Prinzipien die Grundsätze der Datennachnutzung bzw. des Datenmanagements kennenzulernen.
Keypoints
FAIR steht für Findable (Auffindbar), Accessible (Zugänglich), Interoperable (Interoperabel) und Reusable (Wiederverwendbar). Die FAIR-Prinzipien bilden einen wichtigen Standard im Forschungsdatenmanagement und sind seit 2019 in den “Leitlinien zur Sicherung guter wissenschaftlicher Praxis” der DFG verankert. Die FAIRness eines Datensatzes ist nicht zwangsläufig ein Indikator für seine Qualität – eine Tabelle kann qualitativ hochwertige Daten enthalten, aber dennoch schlecht auffindbar sein. Datensätze, die nur als Anhang zu Publikationen bereitgestellt werden (wie die Excel-Tabellen des Bildungsberichts), erfüllen die FAIR-Prinzipien oft nur unzureichend. Wichtige Voraussetzungen für bessere FAIRness:
Eigenständige Veröffentlichung der Daten mit persistenten Identifikatoren
Strukturierte Metadaten mit klaren Beschreibungen
Bereitstellung in offenen, nicht-proprietären Formaten
Eindeutige Lizenzen zur rechtssicheren Nachnutzung
Die Nachnutzung bestehender Daten (statt eigener Erhebungen) ist für viele Forschungsfragen notwendig und wirtschaftlich – jedoch nur sinnvoll möglich, wenn die Daten den FAIR-Prinzipien folgen. Die FAIR-Prinzipien stellen einen Teil der Best Practices im Forschungsdatenmanagement dar, decken aber nicht alle Aspekte ab.
Am Ende dieser Lerneinheit möchten wir Sie auf unseren Fragenbogen hinweisen, zu dem Sie durch einen Klick auf den Button gelangen. Der Kurzfragebogen am Ende jedes Kapitels hilft uns, diese Lerneinheit kontinuierlich zu verbessern, indem Sie uns auf etwaige Unklarheiten hinweisen oder Anregungen geben. Vielen Dank!