Veranstaltungsprogramm

Data Literacy umfasst das Verständnis von Daten von der Aufbereitung, über die Analyse, bis zur Interpretation sowie die Geheimhaltung sensibler Einzelangaben. Um Data Literacy bei Studierenden zu fördern bedarf es möglichst realitätsnaher Daten, die in der Hochschullehre eingesetzt werden können. Solche Daten werden von den FDZ der amtlichen Statistik als Campus-Files (CF) zur Verfügung gestellt ohne den Anspruch für wissenschaftliche Veröffentlichungen geeignet zu sein.

Klassische Anonymisierungskonzepte (Substichprobenziehung, Merkmalsausschluss, Merkmalsvergröberung, Einschränkung regionaler Ebenen) schränken den Einsatz in der Hochschullehre stark ein. Hier sollen synthetische Datensätze Abhilfe schaffen, die wesentliche Strukturen der Originaldaten abbilden, ohne einzelne Personen und Haushalte identifizierbar zu machen.

Der Beitrag befasst sich mit der Erstellung synthetischer Daten für die Hochschullehre. Es werden die Vorteile von synthetischen Daten vorgestellt und anschließend das methodische Vorgehen zur Erstellung von Mikrozensus-CF unter Einsatz von binären Entscheidungsbäumen skizziert. Als Trainingsdaten dienen faktisch anonymisierte Scientific-Use-Files. Mittels statistischer Verfahren wird quantifiziert, welche Nähe zu den Ausgangsdaten erreicht wird, ohne die absolute Anonymität der Daten zu gefährden. Abschließend wird aufgezeigt, wie die Daten zugänglich gemacht werden sollen und in der Hochschullehre eingesetzt werden können.

Getrieben von Open Science und der wachsenden Bedeutung von Forschungsdaten steigt der Bedarf an nachhaltigem Forschungsdatenmanagement (FDM). Damit gewinnen FDM-Fachleuten wie Data Stewards und Datenkuratierenden an Bedeutung. Sie sind zentral, um nachhaltige Datenpraktiken umzusetzen, den Zugang zu sichern und die Qualität von Forschungsdaten über ihren Lebenszyklus hinweg zu verbessern.

Um diesen Zielen gerecht zu werden, benötigen FDM-Fachkräfte sowohl tiefgehende Kenntnisse über FDM allgemein als auch spezifisches Wissen zu disziplinären Anforderungen und Datentypen. Die Ausbildung ist jedoch institutionell und disziplinär verstreut, standardisierte Ausbildungspfade fehlen.

Um diese Lücke zu schließen, wurde RDM Compas von KonsortSWD als frei zugängliche Online-Plattform entwickelt. RDM Compas bietet relevante Informationen und Schulungen zu Aufgaben der Datenkuratierung, um FDM-Fachleute in ihrer Rolle als Vermittler*innen einer qualitätsgesicherten und nachhaltigen FDM-Praxis zu unterstützen und ihre Kompetenzen im Bereich des FDM zu erweitern.

Unser Beitrag beleuchtet relevante Themen und Trainingsbedarfe bei FDM-Fachleuten entlang des Datenkurationslebenszyklus, basierend auf einer eigenen Umfrage. Dabei identifizieren wir bestehende Kompetenzen, Kenntnisse und Weiterbildungsbedarfe und geben praxisnahe und empirisch fundierte Einblicke in relevante Herausforderungen und Lösungsansätze im Arbeitsalltag von FDM-Fachkräften.

Im Zuge tiefgreifender Digitalisierungs- und Mediatisierungsprozesse wird die Lebenswelt von Forscher:innen ebenso wie die Organisation wissenschaftlicher Arbeit grundlegend refiguriert. Insbesondere die systematische Erzeugung, Verwaltung und Nachnutzbarmachung digitaler Forschungsdaten gewinnt an Bedeutung. In diesem Kontext etabliert sich Data Stewardship als neue akademische Profession im Wissenschaftsmanagement, häufig mit dem Richtwert verknüpft, dass eine Data Steward:ess (DS) für etwa zwanzig datenproduzierende Forschende zuständig ist. In Deutschland und Österreich sind in den vergangenen Jahren an universitären wie außeruniversitären Forschungseinrichtungen verschiedene Ausbildungs- und Zertifizierungsprogramme für DSs entwickelt und erprobt worden. Erste Kohorten haben diese Programme durchlaufen und sind als Expert:innen in unterschiedlichen institutionellen Kontexten tätig. Dabei zeigt sich, dass Tätigkeitsprofile und Kompetenzanforderungen von DSs je nach Disziplin und Geltungsbereich erheblich variieren.

Der Beitrag vergleicht ausgewählte Ausbildungs- und Zertifizierungsprogramme. Im Zentrum steht die Frage, inwiefern sich je nach institutioneller Anbindung der Programme unterschiedliche Ansprüche an DS artikulieren. Fokussiert wird die These, inwiefern Universitäten primär theoretische Grundlagen vermitteln, während andere, primär außeruniversitäre Forschungseinrichtungen tendenziell praxisorientiert ausbilden.

Die Vergleichbarkeit soziodemographischer Variablen stellt eine zentrale Herausforderung bei der Nutzung kumulierter Umfragedaten dar, da bisherige Erhebungsinstrumente in Deutschland trotz existierender "Demographischer Standards" erhebliche Unterschiede in der Erfassung dieser Merkmale aufweisen. Dadurch sind die erhobenen Daten oft nicht unmittelbar interoperabel.

Das KonsortSWD-Teilprojekt StanDem verfolgt einen innovativen Ansatz zur Standardisierung soziodemographischer Merkmale in deutschen Umfragedaten durch die Kombination von Input- und Output-Harmonisierung. In der ersten Projektphase (2020-25) entwickelte und dokumentierte das Projekt standardisierte Zielvariablen, die aus inkonsistenten Quellvariablen verschiedener Studien abgeleitet werden können. Ziel ist es, die Vergleichbarkeit von Daten über unterschiedliche Studien hinweg zu maximieren, die Datenqualität zu sichern und Forschungsprozesse zu vereinfachen – beispielsweise für Metaanalysen oder Sekundärdatenanalysen.

Im Vortrag werden methodische Herausforderungen und Lösungen bei der Definition und Validierung dieser Standardvariablen vorgestellt und anhand der Merkmale „Migrationserfahrung“ und „Erwerbstätigkeit“ illustriert. Es werden sowohl Maximal- als auch Minimalversionen der Standardvariablen thematisiert, um sowohl hohe Validität als auch breite Anwendbarkeit sicherzustellen. Zudem wird ein Ausblick auf die Unterstützung durch das Teilprojekt StanDem für FDZen und Datennutzende gegeben.