Forschungsdaten ins Repositorium bringen

Welche, wie und wann?

Anmerkungen zum Digital-Humanities-Gespräch von Mark Sven Hengerer im Arbeitskreis dhmuc am 10.7. 2017.

Im Arbeitskreis des dhmuc-Netzwerks finden regelmäßig Diskussionen zu Technik und Praxis der digitalen Geistes- und Sozialwissenschaften statt. Wir dokumentieren die Gespräche auf unserem Blog.

Forschungsdaten in ein Repositorium zu bringen ist nicht so einfach, wie man sich das vorstellt. „Einfach hochladen“ beantwortet noch nicht die Frage, welche Notizen, Daten, Zwischenergebnisse man hochladen sollte; oder in welchem Format das am besten geschieht; und wie man die Forschungsdaten im Netz auffindbar und in einer wissenschaftlichen Arbeit zitierbar macht.

  1. Die Ästhetik von Dissertationsgliederungen als Forschungsthema
  2. Forschungsdaten und „Datenhölle“
  3. Welche Daten sollten veröffentlicht werden?
  4. Wie sollten Forschungsdaten veröffentlicht werden?
  5. Wann sollten die Forschungsdaten veröffentlicht werden?
  6. Digitale Daten und gedruckte Publikation – kann das gut gehen?

Die Ästhetik von Dissertationsgliederungen als Forschungsthema

Ausgangspunkt für die Diskussion war ein Forschungsprojekt von Mark Sven Hengerer und Kilian Harrer, Sabrina Rospert und Stefanie Schneider zur Ästhetik von Gliederungen von Dissertationen von Neuzeithistorikern. Das Projekt wiederum hatte seinen Anlass in einem Disput darüber, ob und wenn ja wieweit ästhetische Gesichtspunkte bei der Gliederung einer akademischen Arbeit überhaupt relevant sein können. Kann man z.B. sagen, dass eine Gliederung eine schlechte Gliederung ist, wenn nur dass erste Kapitel Unterkapitel und Unter-Unterkapitel enthält und die weiteren nicht mehr? Oder wenn eine Arbeit überhaupt nur aus zwei langen Kapitel besteht? Oder – so eine Gegenthese – muss sich die Form einer Gliederung ganz aus der Struktur des Materials ergeben, in welchem Fall z.B. etwaige Symmetrieeigenschaften der Gliederung höchstens zufällig zustande kommen und jedem Falle nebensächlich sind (und damit übrigens auch nicht beurteilungsrelevant sein dürften ;-). In gut wissenschaftlicher Manier wurde die Streitfrage in eine empirische Untersuchung über Dissertationsgliederungen von Neuzeithistorikern verwandelt. Nun kann man strenggenommen eine normative Frage nicht empirisch beantworten, aber die empirische Untersuchung des Gegenstandes hilft dabei, sich eine begründetere Meinung zu bilden, und sie entwickelt darüber hinaus rasch ein eigenes Interesse bei den Forscherinnen und Forschern.

Sollten die Ergebnisse regulär veröffentlicht werden, so gibt es im Bereich der deutschsprachigen Geschichte der Neuzeit allerdings fast nur Druckzeitschriften, die in Frage kämen (dazu später mehr). Von den Ergebnissen selbst soll hier nicht weiter die Rede sein. Nur soviel sei vorweg genommen: Empirisch lassen sich sehr wohl charakteristische Gliederungsformen identifizieren. Auch wenn (oder gerade weil?) sie einem Wandel der Mode unterliegen, scheinen ästhetische Normen bei der Gestaltung der Gliederung maßgebend zu sein. Das wird auch durch Phänomene unterstrichen, wie dem, dass Arbeiten, deren Hauptkapitel mit römischen Ziffern nummeriert sind, weit häufiger als eine Zufallsverteilung ergibt, in sechs Hauptkapitel unterteilt werden, bei arabischen Zahlen hingegen ungerade Kapitelzahlen häufig auftreten. Wiewohl aus dem Bauch heraus verständlich, kann es eigentlich keinen sachlichen Grund dafür geben.

Forschungsdaten und „Datenhölle“

Bei einer solchen empirischen Untersuchung fallen große Mengen von Daten an. In schweißtreibender Arbeit wurden die Gliederungen von ca. 340 Dissertationen nachmaliger Neuzeithistoriker auf bestimmte Merkmale hin untersucht, die in einem zuvor ausgedachten Raster vermerkt wurden. Nun weiß jeder, der eine Untersuchung dieser Art schon einmal durchgeführt hat: Egal wie differenziert das Raster ist: Es gibt immer Ausnahmen und Besonderheiten. Die wurden in Notizdateien vermerkt, die – ihrer naturgemäß ungeorneteren Form und des salopperen Stiels wegen – schon sehr bald die „Datenhölle“ genannt wurden.

Office-Datenbanken für anspruchsvolle Datenverarbeitung nur bedingt zu empfehlen

Erfasst wurden die Daten zunächst mit der üblichen Office-Software, in diesem Fall vor allem Excel und Access. Vor allem Access erwies sich dabei als eher sperrig und die Bedienung als fehleranfällig. Es sei dahin gestellt, ob das an mangelnden Access-Kenntnissen lag. Aus Sicht von DH-Experten ist die Verwendung von Office-Software sowieso eine zweischneidige Sache: Die Datenformate sind nicht nachhaltig, da sie sich mit Updates der Software ändern können und sie lassen sich nur mühsam weiterverarbeiten, da ihre Struktur unübersichtlich ist.

Insgesamt ist die klassische Office-Software noch einem Paradigma verpflichtet, bei die Daten nur mit einem einzigen Programm (Text mit Word, Tabellen mit Excel etc.) bearbeitet werden und das Ergebnis nur von Menschen gelesen, aber nicht mehr mit Algorithmen weiterverarbeitet wird.

Aber Office-Software hat auch Vorteile: Jeder kennt sie und hat sie auf dem eigenen Rechner installiert und kann daher Datein in Office-Formaten – zumindest wenn sie nicht mehr als ein paar Jahre alt sind – auch öffnen und benutzen. Das ist für die Frage in welchen Datenformaten man seine Daten der Forschergemeinschaft bereit stellen soll, nicht irrelevant.

Schon weil die Daten statistisch ausgewertet werden sollten, ist das Team schließlich von Access und Excel auf R umgestiegen. Spätestens dafür mussten sie allerdings auch die Hilfe einer Statistikerin (Stefanie Schneider) in Anspruch nehmen. (Mit SPSS, das in der Handhabung einfacher ist, wäre die statistische Analyse wiederum umständlicher gewesen als mit R.) Merke: Datengestützte Forschungsarbeiten sind auch in den Geisteswissenschaften keine Ein-Person-Angelegenheiten mehr, sondern profitieren von gemischten Teams.

Welche Daten sollten veröffentlicht werden?

Dass die Forschungsdaten veröffentlicht werden sollten, stand für das Forscherteam außer Frage. Aber sollten alle Daten veröffentlicht werden? Folgende Arten von Daten fielen in dem Projekt an:

  1. Quelldaten: Eingescannte und von den Forscher/innen annotierte Gliederungen von Dissertationen.
  2. Gesammelte Ergebnisse in Form von Tabellen.
  3. Notizen zur Datensammlung, Annotation und Auswertung: die sogennante „Datenhölle“
  4. Ergebnisse der statistischen Auswertung und Visualisierungen – weit mehr als am Ende in die Fachpublikation eingehen.

Sollen nun alle diese Daten veröffentlicht werden? Auch die „Datenhölle“ mit ihrem Notizzettelcharakter und den gelegentlich saloppen Formulierungen? Und nach welchen Gesichtspunkten sollte diese Entscheidung getroffen werden?

Ohne ins Detail zu gehen sind meine eigenen, vorläufigen, Schlussfolgerungen aus der Diskussion:

  • Bei der Frage, welche Daten ins Repositorium gehören, kann man sich grob an der wissenschafttheoretischen Unterscheidung zwischen Entstehungs- und Geltungszusammenhang (Vgl.de.wikipedia.org/wiki/GeltungundGenese) orientieren: Daten, die für den Geltungszusammenhang relevent sind, sollten mit veröffentlicht werden. Daten, die nur im Entstehungszusammenhang eine Rolle gespielt haben, müssen nicht ins Repositorium.
  • Es sollten daher mindestens alle diejenigen Daten veröffentlicht werden, die zum Nachvollziehen und ggf. zur Kritik des publizierten Forschungsergebnisses benötigt werden. Dazu gehören in diesem Fall
    1., 2. und 4., möglicherweise genügt aber auch eine Auswahl aus diesen drei Datenpaketen, falls ein Teil davon am Ende gar nicht verwendet wurde.
  • Es wäre darüber hinaus sinnvoll, auch alle diejenigen Daten zu veröffentlichen, die für weitere Forschungen genutzt werden könnten, d.h. in diesem Fall die vollen Datenbestände von 1., 2. und 4.
  • Forschungsdaten, die nur dem Entstehungszusammenhang, aber nicht dem Geltungszusammenhang zuzuordnen sind, brauchen nicht veröffentlicht werden, in diesem Fall also die „Datenhölle“ (siehe unten).
  • Es scheint auch nicht unbedingt notwendig, dass alle Zwischenschritte mitpubliziert werden, sofern sie sich von Sachkundigen bei geringem Aufwand reproduzieren lassen. So könnte man argumentieren, dass nicht sämtliche Visualisierungen mitpubliziert werden müssen. Da man sie ja aus den Daten leicht automatisch generieren kann, genügt es mitzuteilen, welche Visualisierungen der Analyse zu Grunde lagen.

Zwei Fragen haben mir dabei etwas mehr Kopfzerbrechen bereitet:

  • Was ist damit gemeint, wenn verlangt wird, dass alle Forschungsdaten publiziert werden sollten, die von anderen Forschern nachgenutzt werden können. Wissenssoziolog/innen interessieren sich sicherlich für andere Daten (in diesem Fall besonders die „Datenhölle“) als Co-Historiker. Es scheint zuviel verlangt, dass man jede Art der Nachnutzung antizipieren sollte. Recht und billig wäre die Beschränkung auf übliche Nachnutzungsarten im eigenen Fach, die die beteiligten Wissenschaftler/innen ja gut einschätzen können.
  • Sollte die „Datenhölle“ mitveröffentlicht werden?
    • Pro: Gerade die darin dokumentierten Ausnahmen könnten für die Bewertung der Adäquatheit des Forschungsrasters und letztlich auch der Schlussfolgerungen relevant sein.
    • Kontra: Die „Datenhölle“ war vermutlich ein reines Arbeitsmittel. Hätte sich z.B. beim Durchgehen der Notizen ergeben, dass das Raster inadäquat ist (etwa weil bestimmte Annomalien zu häufig vorkommen, um als solche gelten zu können), dann wäre es abgeändert worden. Rezipienten können dies im
      Prinzip aber auch ohne die Notizen feststellen, indem sie sich im Hinblick darauf die publizierten Quelldaten (eingescannte und annotierte Gliederungen) anschauen. Die Notizen würden – da sie nicht ihrerseits statistisch ausgewertet wurden – dabei keine wesentliche Zeitersparnis bedeuten. Hilfreich wären allenfalls die Ausweisung einiger Beispiele für Annomalien, die man in den Quellen findet.

Wie sollten Forschungsdaten veröffentlicht werden?

Die Form, in der die Forschungsdaten veröffentlicht werden sollten, ist in diesem Fall abgesehen von den Datenformaten im Wesentlichen durch das Open Data LMU Angebot der UB der Ludwigs-Maximilians-Universität bestimmt. Dieses Angebot erlaubt es, Wissenschaftlerinnen und Wissenschaftlern, ihre Daten selbst in der von Ihnen gewählten Form zu publizieren. Die einzige (von den Bibliothekar/innen überprüfte) Schranke besteht darin, dass sie mit bestimmten bibliographischen Metadaten ausgezeichnet werden müssen. Das Datenpaket bekommt dann einen permanenten Identifikator unter dem die Daten zitiert und von den Rezipient/innen später im Netz wiedergefunden werden können. Und ehrlich gesagt, bin ich der Ansicht, dass das auch erst einmal reicht.

Meta-Daten und Lies-Mich-Text

Größere Institutionelle Repositorien stellen zwar oft noch höhere Anforderungen, wie z.B. Untersützung von besonderen Metadatenstandards, Austauschprotokollen oder Interoperabilität mit anderen Datenspeichern, Zitation von Abfragen etc, aber benötigt werden zunächst auch und gerade niederschwellige Angebote, in die Forscher/innen ohne große Umstände ihre Daten einstellen können, damit andere sie wissenschaftlich nutzen können. Die Mindestanforderungen dafür sind, dass die Daten zitierbar sind und dass die Nutzerinnen und Nutzer darüber in Kenntnis gesetzt werden, um welche Daten es sich handelt, wann, wo, wie und von wem sie erzeugt oder gesammelt worden sind, und welche Datenqualität sie erwarten dürfen. Es sollte sich daher als bewährte Praxis einbürgern, diese Punkte in einer Daten-Beschreibung in Form einer klassischen LIES-MICH-Datei im einfachen Texteditor-Format zu erläutern.

Die Frage der Datenformate

Eine unermüdlich zu diskutierende Frage ist, in welchen Datenformaten man die Daten veröffentlichen sollte. Schon aus pragmatischen Gründen kommen dabei in kleinen Forschungsprojekten nur diejenigen Datenformate in Frage, die im Zuge der Arbeit auch verwendet wurden und solche, für die die eingesetzten Werkzeuge einen einfachen Export anbieten. Unter dieser Beschränkung kann man sich vielleicht an diesen Grundsätzen orientieren:

  • Egal in welchem Format man speichert. Das Format sollte entweder selbsterklärend oder wohldokumentiert sein.
  • Die Daten sollten mindestens in einem Referenzdatenformat gespeichert werden, das die vollständigen Informationen beinhaltet.
  • Wenn der Aufwand vertretbar ist, dann ist es hilfreich, die Daten neben dem Referenzdatenformat noch in weiteren Formaten anzubieten. Oberste Priorität sollten dabei Trivialdatenformate wie Unicode-Text oder kommata-getrennte Tabellen (CSV = comma separated values) haben, da diese Formate die größte Langfristigkeit versprechen und zudem am einfachsten nutzbar sind, d.h. mit der relativ dürftigsten Werkzeugausstattung und den relativ geringsten IT-Kenntnissen.
  • Alle Daten in unterschiedlichen Datenformaten sollten bis auf die formatbedingten Informationsverluste übereinstimmen.Das kann am ehesten sichergestellt werden, wenn alle Daten aus einer einzigen Quelle in die unterschiedlichen Formate konvertiert werden.Im vorgstellten Projekt lagen die Daten im Excel/Access- und im R-Format vor. Betrachtet man R als das Referenzdatenformat, dann erscheint es dennoch sinnvoll, die Daten auch in Excel/Access zur Verfügunge zu stellen, da damit mehr Leute umgehen als mit R. Nun wurden aber im Laufe der Arbeit die Daten von Excel/Access nach R konvertiert. Bevor man die Excel/Access-Daten veröffentlicht wäre sicherzustellen, dass sie noch aktuell sind. Falls im R-Format noch Bereinigungen oder Korrekturen vorgenommen wurden, wäre das nicht mehr der Fall.

Wann sollten die Forschungsdaten veröffentlicht werden?

Auch hierzu wieder meine persönlichen Schlussfolgerungen:

  • Forschungsdaten sollten nicht veröffentlicht werden, solange sie nicht eine Form gebracht worden sind, die es den möglichen Nutzer/innen erlaubt, sie ohne Missverständnisse zu verwenden. Dazu dürfte in der Regel die oben erwähnte Mindestdokumentation in Form einer LIES-MICH-Datei voraussetzen; möglicherweise aber auch Bereinigung oder Kontrolldurchläufe, um eine bestimmte Datenqualität zu erreichen, oder zumindest Klarheit bezüglich der Zuverlässigkeit der Daten herzustellen.
  • Andererseits sollte dies so früh wie möglich geschehen, denn je früher die Daten veröffentlicht werden, um so früher können sie genutzt werden. Aus diesem Grund kann es sich auch lohnen, zunächst unvollständige Daten nach und nach zu veröffentlichen.
  • Dabei kann es zugegebenermaßen zu Interessenkonflikten kommen, wenn man mit der Auswertung der eigenen Daten hofft, besonderes Aufsehen in der Wissenschaftlergemeinschaft zu erregen, denn jemand anders könnte einem dabei zuvorkommen. In der besten aller möglichen Welten, wäre das kein Problem, da es ja gerade wünschenswert wäre, wenn nicht nur der oder diejenige, die bestimmte Daten gesammelt hat, sie auswertet, sondern wenn die Besten darum wetteifern, sobald die Daten da sind. Wer die Daten gesammelt hat, würde – in der besten aller möglichen Welten – ja auch schon defür das gebührende Lob und die Anerkennung der dankbaren Fachgemeinschaft ernten.
  • Da das nun leider oft nicht der Fall ist, kann man immer noch die schwächere Forderung vertreten, dass die Daten mit der Einreichung der zugehörigen Veröffentlichungen den Gutachtern und spätestens nach Abschluss des Forschungsprojekts allen zugänglich gemacht werden.

Digitale Daten und gedruckte Publikation – kann das gut gehen?

Die Analyse der Daten könnte einmal in eine Publikation münden. Wegen der speziellen und zudem auf den deutschen Sprachraum beschränkten Thematik kämen dann aber fast nur kleinere deutsche historische Fachzeitschriften in Frage. Die Mit-Veröffentlichung von Daten oder Ergänzungen („Supplements“), in denen in Textform noch einmal ausführlicher die Analyseergebnisse und die Daten selbst beschrieben werden, ist in diesem Bereich (noch) unüblich. Ist das ein Problem?

Medienbruch bei der Veröffentlichung nicht immer zu vermeiden

Da das Daten-Repositorium der UB der LMU es erlaubt, Daten in zitierfähiger Form zu veröffentlichen, ist es kein gravierendes Problem, dass sie nicht in derselben Fachzeitschrift, wie der dazu gehörige Fachartikel veröffentlicht werden können. Es ist allerdings bedauerlich und könnte für die Rezipient/innen die Frage aufwerfen, inwiefern die Daten in den Begutachtungsprozess der durch die Gutachter des Fachjournals überhaupt einbezogen wurden.

Ebenfalls bedauerlich, aber auch nicht gravierend, ist der Medienbruch: Dadurch, dass der Fachartikel nur gedruckt erscheint, sind die Daten, auf die er sich stützt eben nicht mehr nur „einen Klick weit“ entfernt. Aber man kann ja trotzdem in dem gedruckten Artikel auf sie verweisen, indem man die URL angibt. Sollte die URL zu lang und unhandlich sein, genügt es anstelle der URL des Permalinks nur die DOI oder URN anzugeben, die oft kürzer sind als die URL. Ein Link-Kürzungsdienst wie tinyurl bietet dagegen keine Garantie, dass der gekürzte Link dauerhaft existiert. Eine Ausnahme könnten Linkkürzungsdienste von Bibliotheken oder ähnlichen Institutionen sein, die das explizit garantieren.


Dieser Eintrag wurde veröffentlicht in Artikel von Eckhart Arnold. Permanenter Link des Eintrags.

Über Eckhart Arnold

Eckhart Arnold ist Leiter des Referats für IT und Digital Humanities der Bayerischen Akademie der Wissenschaften. Er hat Philosophie und Politikwissenschaften studiert und unter anderem über Computersimulationen altruistischen Verhaltens und wissenschaftstheoretische Fragen der Validierung von Simulationen geforscht und publiziert.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.