Forschungsdaten.org - Benutzerbeiträge [de]

FDM-Bibliothekstraining: Forschungsdaten veröffentlichen

2026-10-27T14:25:23Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „(...)“

(...)

FDM-Beratungen (Support) an Universitäten und Forschungseinrichtungen

2026-10-27T13:43:01Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „(...)“

(...)

EduData Lounge - Data Literacy und FDM im Studium

2026-10-27T13:08:28Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „(...) tbc ...“

(...)

tbc ...

Forschungsdatennachnutzung

2026-10-27T12:31:25Z

AnnetteStrauchDavey:

'''Unter der Forschungsdatennachnutzung, oft auch als Sekundärnutzung bezeichnet, versteht man das erneute Auswerten bereits existierender digitaler Daten für neue wissenschaftliche Zwecke.'''

Das Spektrum reicht von veränderten Fragestellungen und Meta-Analysen über die Überprüfung von Ergebnissen bis hin zum Einsatz in der Lehre. Dabei können entweder die ursprünglichen Urheber selbst oder andere Forschende mit den Forschungsdaten arbeiten. Als elementarer Bestandteil des modernen Forschungsdatenmanagements (FDM) ist diese Praxis fest in der Open-Science-Bewegung verankert.<blockquote>''Die Nachnutzung von Forschungsdaten beschreibt die erneute Verwendung bereits erhobener Datensätze durch Dritte oder die Forschenden selbst für neue Fragestellungen, Meta-Analysen oder Validierungen. Sie ist ein zentraler Bestandteil des modernen Forschungsdatenmanagements (FDM) und folgt den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable).''<ref>https://forschungsdaten.info/fdm-allgemein/finden-und-nachnutzen/forschungsdaten-nachnutzen</ref> </blockquote>

Forschungsdatennachnutzung

2026-10-27T12:30:21Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „<blockquote>''Die Nachnutzung von Forschungsdaten beschreibt die erneute Verwendung bereits erhobener Datensätze durch Dritte oder die Forschenden selbst für neue Fragestellungen, Meta-Analysen oder Validierungen. Sie ist ein zentraler Bestandteil des modernen Forschungsdatenmanagements (FDM) und folgt den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable).''<ref>https://forschungsdaten.info/fdm-allgemein/finden-und-nachnutzen/forschungsdat…“

<blockquote>''Die Nachnutzung von Forschungsdaten beschreibt die erneute Verwendung bereits erhobener Datensätze durch Dritte oder die Forschenden selbst für neue Fragestellungen, Meta-Analysen oder Validierungen. Sie ist ein zentraler Bestandteil des modernen Forschungsdatenmanagements (FDM) und folgt den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable).''<ref>https://forschungsdaten.info/fdm-allgemein/finden-und-nachnutzen/forschungsdaten-nachnutzen</ref> </blockquote>

Forschungsdaten und Kunstgeschichte

2026-10-27T12:20:50Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „(...)“

(...)

Forschungsdaten und Musik

2026-10-27T12:20:25Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „(...)“

(...)

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:59:09Z

AnnetteStrauchDavey: /* Wandel in der Forschungsbewertung */

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

== Wandel in der Forschungsbewertung ==
Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor<ref>https://blog.ub.uni-kassel.de/blog/2025/05/22/wissenschaft-vermessen-eine-kritische-betrachtung-quantitativer-bewertungsmassstaebe/</ref> oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die [https://sfdora.org/ San Francisco Declaration on Research Assessment (DORA)] und die [https://www.coara.org/ Coalition for Advancing Research Assessment (CoARA)] fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

== Verknüpfung von Forschungsdatenmanagement und Evaluation ==
Eine stärkere Verknüpfung von Forschungsdatenmanagement<ref>https://www.fdm.uni-bayreuth.de/de/Warum-FDM/index.html</ref> und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel.<ref>https://forschungsdaten.info/fdm-allgemein/veroeffentlichen-und-archivieren/daten-publizieren</ref> Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.<ref>https://www.konsortswd.de/wp-content/uploads/KonsortSWD-WP-15-Forschungsdatenmanagement.pdf</ref>

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:58:15Z

AnnetteStrauchDavey: /* Wandel in der Forschungsbewertung */

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

== Wandel in der Forschungsbewertung ==
Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor<ref>https://blog.ub.uni-kassel.de/blog/2025/05/22/wissenschaft-vermessen-eine-kritische-betrachtung-quantitativer-bewertungsmassstaebe/</ref> oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die [https://sfdora.org/ San Francisco Declaration on Research Assessment (DORA)] und die Coalition for Advancing Research Assessment (CoARA) fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

== Verknüpfung von Forschungsdatenmanagement und Evaluation ==
Eine stärkere Verknüpfung von Forschungsdatenmanagement<ref>https://www.fdm.uni-bayreuth.de/de/Warum-FDM/index.html</ref> und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel.<ref>https://forschungsdaten.info/fdm-allgemein/veroeffentlichen-und-archivieren/daten-publizieren</ref> Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.<ref>https://www.konsortswd.de/wp-content/uploads/KonsortSWD-WP-15-Forschungsdatenmanagement.pdf</ref>

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:56:48Z

AnnetteStrauchDavey: /* Verknüpfung von Forschungsdatenmanagement und Evaluation */

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

== Wandel in der Forschungsbewertung ==
Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor<ref>https://blog.ub.uni-kassel.de/blog/2025/05/22/wissenschaft-vermessen-eine-kritische-betrachtung-quantitativer-bewertungsmassstaebe/</ref> oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die San Francisco Declaration on Research Assessment (DORA) und die Coalition for Advancing Research Assessment (CoARA) fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

== Verknüpfung von Forschungsdatenmanagement und Evaluation ==
Eine stärkere Verknüpfung von Forschungsdatenmanagement<ref>https://www.fdm.uni-bayreuth.de/de/Warum-FDM/index.html</ref> und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel.<ref>https://forschungsdaten.info/fdm-allgemein/veroeffentlichen-und-archivieren/daten-publizieren</ref> Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.<ref>https://www.konsortswd.de/wp-content/uploads/KonsortSWD-WP-15-Forschungsdatenmanagement.pdf</ref>

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:55:23Z

AnnetteStrauchDavey: /* Verknüpfung von Forschungsdatenmanagement und Evaluation */

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

== Wandel in der Forschungsbewertung ==
Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor<ref>https://blog.ub.uni-kassel.de/blog/2025/05/22/wissenschaft-vermessen-eine-kritische-betrachtung-quantitativer-bewertungsmassstaebe/</ref> oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die San Francisco Declaration on Research Assessment (DORA) und die Coalition for Advancing Research Assessment (CoARA) fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

== Verknüpfung von Forschungsdatenmanagement und Evaluation ==
Eine stärkere Verknüpfung von Forschungsdatenmanagement und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel.<ref>https://forschungsdaten.info/fdm-allgemein/veroeffentlichen-und-archivieren/daten-publizieren</ref> Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.<ref>https://www.konsortswd.de/wp-content/uploads/KonsortSWD-WP-15-Forschungsdatenmanagement.pdf</ref>

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:52:57Z

AnnetteStrauchDavey:

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

== Wandel in der Forschungsbewertung ==
Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die San Francisco Declaration on Research Assessment (DORA) und die Coalition for Advancing Research Assessment (CoARA) fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

== Verknüpfung von Forschungsdatenmanagement und Evaluation ==
Eine stärkere Verknüpfung von Forschungsdatenmanagement und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel.<ref>https://forschungsdaten.info/fdm-allgemein/veroeffentlichen-und-archivieren/daten-publizieren</ref> Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:51:36Z

AnnetteStrauchDavey:

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

== Wandel in der Forschungsbewertung ==
Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die San Francisco Declaration on Research Assessment (DORA) und die Coalition for Advancing Research Assessment (CoARA) fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

== Verknüpfung von Forschungsdatenmanagement und Evaluation ==
Eine stärkere Verknüpfung von Forschungsdatenmanagement und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel. Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Moderne Forschungsbewertung, inkl. FDM

2026-10-27T11:50:43Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft. Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktobe…“

Die Reform der Forschungsbewertung und ein professionelles Forschungsdatenmanagement (FDM) sind untrennbar miteinander verbunden, da eine zukunftsfähige Wissenschaftsbewertung das Bereitstellen von FAIRen Daten als eigenständige Forschungsleistung anerkennen muss, da ein strukturiertes FDM die Grundlage für transparente, reproduzierbare und damit evaluierbare Forschung schafft.

Im Zuge der Digitalisierung der Wissenschaft reicht es jetzt (Stand Oktober 2026) nicht mehr aus, den Erfolg von Forschenden ausschließlich an gedruckten Texten zu messen. Vielmehr rücken die zugrundeliegenden Forschungsdaten als integraler Bestandteil des wissenschaftlichen Erkenntnisprozesses in den Fokus der Evaluation (siehe DFG-Anforderungen/Kodex/gute wiss. Praxis).

Der Wandel in der Forschungsbewertung

Traditionelle Bewertungssysteme in der Wissenschaft basieren bisher stark auf quantitativen Metriken von Zeitschriftenpublikationen, wie beispielsweise dem Journal Impact Factor oder dem h-Index. Diese Verengung führt jedoch zunehmend zu Fehlreizen und vernachlässigt andere wertvolle Beiträge zum Wissenschaftssystem.

Internationale Initiativen wie die San Francisco Declaration on Research Assessment (DORA) und die Coalition for Advancing Research Assessment (CoARA) fordern daher eine grundlegende Kehrtwende.

Im Zentrum einer modernen Forschungsbewertung müssen die Qualität, der inhärente Wert und die Vielfalt von Forschungsergebnissen stehen. Dazu gehören Forschungsdaten und wissenschaftliche Software, die nicht länger als bloßes Nebenprodukt eines Textartikels verstanden werden dürfen, sondern als eigenständige, zitierfähige Forschungsleistungen zu behandeln sind.

Verknüpfung von Forschungsdatenmanagement und Evaluation

Eine stärkere Verknüpfung von Forschungsdatenmanagement und Evaluation bringt Vorteile für das gesamte Wissenschaftssystem mit sich. Durch die offene Bereitstellung von Daten steigt nachweislich die Sichtbarkeit und damit oft auch die Zitationsrate der zugehörigen Fachartikel. Zudem ermöglichen strukturiert aufbereitete Daten eine präzisere Überprüfung von Forschungsergebnissen durch die Fachcommunity, was die allgemeine Qualität und Belastbarkeit wissenschaftlicher Aussagen sichert. Dem gegenüber stehen jedoch noch spürbare Herausforderungen in der Praxis.

Der kulturelle Wandel vollzieht sich weiterhin sehr langsam (Stand: Herbst 2026).

[[Open Science]] [[Forschungsdaten]] [[Forschungsdatenmanagement]] [[Kulturwandel]]

Wissenschaftskommunikation Forschungsdatenmanagement

2026-10-27T11:36:22Z

AnnetteStrauchDavey:

Forschungsdatenmanagement (FDM) und Wissenschaftskommunikation (WissKomm) gehen Hand in Hand.

Das FDM sorgt im Hintergrund für die saubere Strukturierung, Verarbeitung und Archivierung der Forschungsdaten. Die WissKomm kann diese Daten ans Licht bringen und macht sie verständlich, sei es für die Fachwelt oder für die breite Öffentlichkeit, Medien und Politik.

Ein starkes FDM macht wissenschaftliche Kommunikation transparent, nachvollziehbar und glaubwürdig.

Das Zusammenspiel von '''Wissenschaftskommunikation (WissKomm)''' und '''Forschungsdatenmanagement

Das Spektrum reicht von der fachinternen Kommunikation innerhalb der Scientific Community bis hin zur externen WissKomm für Öffentlichkeit, Politik und Medien. Ein qualitativ hochwertiges FDM bildet somit das unentbehrliche, empirische Fundament für eine glaubwürdige, transparente und auf Fakten basierende Wissenschaftskommunikation.

== Zentrale Dimensionen und Synergien ==

Die Schnittstellen und Synergien zwischen beiden Disziplinen lassen sich im wissenschaftlichen Alltag in unterschiedlichen Bereichen beobachten.

Der erste Bereich betrifft die '''interne Fachkommunikation'''. Hier sorgt das FDM durch das Bereitstellen von Rohdaten, Metadaten und Code nach den FAIR-Prinzipien in offenen Repositorien für die technologische Basis. Die Wissenschaftskommunikation unterstützt diesen Prozess fachintern, indem sie die Sichtbarkeit dieser Datensätze erhöht und Zitationen fördert. Dies sichert die Replizierbarkeit von Forschungsergebnissen und stärkt den wissenschaftlichen Diskurs.

Ein zweiter Bereich liegt in der '''externen Vermittlung und dem Public Engagement'''. Wo das FDM komplexe Datenbestände strukturiert und aggregiert, setzt die Wissenschaftskommunikation an, um diese Daten zu übersetzen, in verständliche Narrative einzubetten oder durch interaktive Dashboards und Infografiken zu visualisieren. Dies stärkt das gesellschaftliche Vertrauen in wissenschaftliche Erkenntnisse und bietet eine verlässliche Faktenbasis gegen Desinformation.

Ein dritter Bereich umfasst auch '''[[Citizen Science]] (Bürgerwissenschaft)'''. FDM-Infrastrukturen ermöglichen es den Bürgern überhaupt erst, Daten standardisiert und valide zu erheben. Die Wissenschaftskommunikation übernimmt hierbei die Aktivierung, Motivation und Anleitung der Teilnehmenden und steuert den kontinuierlichen Rückkanal für Zwischen- und Endergebnisse.

'''Data Literacy (Datenkompetenz)''': Während das FDM durch Best Practices, Dokumentationen und [[Standards]] das methodische Gerüst bereitstellt, bereitet die Wissenschaftskommunikation diese Kompetenzen didaktisch für die breite Öffentlichkeit auf. Dies befähigt die Gesellschaft, datenbasierte Argumente, beispielsweise in der Klimaforschung oder Medizin, besser einzuordnen und zu verstehen.

== Strategische Bedeutung und institutionelle Umsetzung ==

Große Forschungsförderer sehen eine enge Verzahnung beider Bereiche. Die Deutsche Forschungsgemeinschaft (DFG) fordert in ihren Leitlinien standardmäßig detaillierte FDM-Konzepte. Gleichzeitig stärkt sie in ihren Positionspapieren die Bedeutung der Wissenschaftskommunikation als festen Bestandteil des wissenschaftlichen Auftrags. Projekte, die ihre Forschungsdaten offenlegen (Open Data) und diese über innovative Kanäle wie Datenjournalismus oder multimediale Plattformen vermitteln, erzielen nachweisbar einen höheren gesellschaftlichen und akademischen Impact.

Die FDM-Infrastrukturen liefern im Idealfall persistente Identifikatoren (wie DOIs), die eine exakte Referenzierung der Forschungsdaten in Pressemitteilungen erlauben.

== Herausforderungen ==

Die Wissenschaftskommunikation muss Menschen ohne Vorwissen zu erreichen.
* [[Open Science]]

== Weblinks und Literatur ==

* [https://wissenschaft-im-dialog.de Wissenschaft im Dialog (WiD)]: Portale und Richtlinien für datenbasierte Wissenschaftskommunikation

Wissenschaftskommunikation Forschungsdatenmanagement

2026-10-27T11:36:18Z

AnnetteStrauchDavey:

Forschungsdatenmanagement (FDM) und Wissenschaftskommunikation (WissKomm) gehen Hand in Hand.

Das FDM sorgt im Hintergrund für die saubere Strukturierung, Verarbeitung und Archivierung der Forschungsdaten. Die WissKomm kann diese Daten ans Licht bringen und macht sie verständlich, sei es für die Fachwelt oder für die breite Öffentlichkeit, Medien und Politik.

Ein starkes FDM macht wissenschaftliche Kommunikation transparent, nachvollziehbar und glaubwürdig.

=== '''Wissenschaftskommunikation (WissKomm)''' und '''Forschungsdatenmanagement ''' ===
Das Spektrum reicht von der fachinternen Kommunikation innerhalb der Scientific Community bis hin zur externen WissKomm für Öffentlichkeit, Politik und Medien. Ein qualitativ hochwertiges FDM bildet somit das unentbehrliche, empirische Fundament für eine glaubwürdige, transparente und auf Fakten basierende Wissenschaftskommunikation.

== Zentrale Dimensionen und Synergien ==

Die Schnittstellen und Synergien zwischen beiden Disziplinen lassen sich im wissenschaftlichen Alltag in unterschiedlichen Bereichen beobachten:

Ein Bereich betrifft die '''interne Fachkommunikation'''. Hier sorgt das FDM durch den Zugang von Daten, Metadaten und/oder Code nach den FAIR-Prinzipien in offenen Repositorien für eine Basis. Die Wissenschaftskommunikation erhöht die Sichtbarkeit dieser Datensätze und fördert Zitationen. Dies kann die Replizierbarkeit von Forschungsergebnissen ermöglichen und den wissenschaftlichen Diskurs stärken.

Ein weiterer Bereich liegt in der '''externen Vermittlung und dem Public Engagement'''. Wo das FDM komplexe Datenbestände strukturiert und aggregiert, setzt die Wissenschaftskommunikation an, um diese Daten zu übersetzen, in verständliche Narrative einzubetten oder durch interaktive Dashboards und Infografiken zu visualisieren. Dies stärkt das gesellschaftliche Vertrauen in wissenschaftliche Erkenntnisse und bietet eine verlässliche Faktenbasis gegen Desinformation.

Ein dritter Bereich umfasst danach auch '''[[Citizen Science]] (Bürgerwissenschaft)'''. FDM-Infrastrukturen ermöglichen es den Bürgern, Daten standardisiert und valide zu erheben. Die Wissenschaftskommunikation übernimmt hierbei die Aktivierung, Motivation und Anleitung der Teilnehmenden und steuert den kontinuierlichen Rückkanal für Zwischen- und Endergebnisse.

'''Data Literacy (Datenkompetenz)''': Während das FDM durch Best Practices, Dokumentationen und [[Standards]] das methodische Gerüst bereitstellt, bereitet die Wissenschaftskommunikation diese Kompetenzen didaktisch für die breite Öffentlichkeit auf. Dies befähigt die Gesellschaft, datenbasierte Argumente, beispielsweise in der Klimaforschung oder Medizin, besser einzuordnen und zu verstehen.

== Strategische Bedeutung und institutionelle Umsetzung ==

Einige Forschungsförderer sehen eine enge Verzahnung beider Bereiche, d.h. FDM und WissKomm. Die Deutsche Forschungsgemeinschaft (DFG) fordert in ihren Leitlinien (Kodex) detaillierte FDM-Konzepte. Gleichzeitig stärkt sie in ihren Positionspapieren die Bedeutung der Wissenschaftskommunikation als festen Bestandteil des wissenschaftlichen Auftrags. Projekte, die ihre Forschungsdaten offenlegen (Open Data) und diese über innovative Kanäle wie Datenjournalismus oder multimediale Plattformen vermitteln, erzielen nachweisbar einen höheren gesellschaftlichen und akademischen Impact.

Die FDM-Infrastrukturen liefern im Idealfall persistente Identifikatoren (wie DOIs), die eine exakte Referenzierung der Forschungsdaten in Pressemitteilungen erlauben.

== Herausforderungen ==

Die Wissenschaftskommunikation muss Menschen ohne Vorwissen zu erreichen können.
* [[Open Science]]

== Weblinks und Literatur ==

* [https://wissenschaft-im-dialog.de Wissenschaft im Dialog (WiD)]: Portale und Richtlinien für datenbasierte Wissenschaftskommunikation

Wissenschaftskommunikation Forschungsdatenmanagement

2026-10-27T11:31:20Z

AnnetteStrauchDavey: /* Weblinks und Literatur */

Wissenschaftskommunikation Forschungsdatenmanagement

2026-10-27T11:30:05Z

AnnetteStrauchDavey: /* Weblinks und Literatur */

Forschungsdatenmanagement (FDM) und Wissenschaftskommunikation (WissKomm) gehen Hand in Hand.

Das FDM sorgt im Hintergrund für die saubere Strukturierung, Verarbeitung und Archivierung der Forschungsdaten. Die WissKomm kann diese Daten ans Licht bringen und macht sie verständlich, sei es für die Fachwelt oder für die breite Öffentlichkeit, Medien und Politik.

Ein starkes FDM macht wissenschaftliche Kommunikation transparent, nachvollziehbar und glaubwürdig.

Das Zusammenspiel von '''Wissenschaftskommunikation (WissKomm)''' und '''Forschungsdatenmanagement

Das Spektrum reicht von der fachinternen Kommunikation innerhalb der Scientific Community bis hin zur externen WissKomm für Öffentlichkeit, Politik und Medien. Ein qualitativ hochwertiges FDM bildet somit das unentbehrliche, empirische Fundament für eine glaubwürdige, transparente und auf Fakten basierende Wissenschaftskommunikation.

== Zentrale Dimensionen und Synergien ==

Die Schnittstellen und Synergien zwischen beiden Disziplinen lassen sich im wissenschaftlichen Alltag in unterschiedlichen Bereichen beobachten.

Der erste Bereich betrifft die '''interne Fachkommunikation'''. Hier sorgt das FDM durch das Bereitstellen von Rohdaten, Metadaten und Code nach den FAIR-Prinzipien in offenen Repositorien für die technologische Basis. Die Wissenschaftskommunikation unterstützt diesen Prozess fachintern, indem sie die Sichtbarkeit dieser Datensätze erhöht und Zitationen fördert. Dies sichert die Replizierbarkeit von Forschungsergebnissen und stärkt den wissenschaftlichen Diskurs.

Ein zweiter Bereich liegt in der '''externen Vermittlung und dem Public Engagement'''. Wo das FDM komplexe Datenbestände strukturiert und aggregiert, setzt die Wissenschaftskommunikation an, um diese Daten zu übersetzen, in verständliche Narrative einzubetten oder durch interaktive Dashboards und Infografiken zu visualisieren. Dies stärkt das gesellschaftliche Vertrauen in wissenschaftliche Erkenntnisse und bietet eine verlässliche Faktenbasis gegen Desinformation.

Ein dritter Bereich umfasst auch '''[[Citizen Science]] (Bürgerwissenschaft)'''. FDM-Infrastrukturen ermöglichen es den Bürgern überhaupt erst, Daten standardisiert und valide zu erheben. Die Wissenschaftskommunikation übernimmt hierbei die Aktivierung, Motivation und Anleitung der Teilnehmenden und steuert den kontinuierlichen Rückkanal für Zwischen- und Endergebnisse.

'''Data Literacy (Datenkompetenz)''': Während das FDM durch Best Practices, Dokumentationen und [[Standards]] das methodische Gerüst bereitstellt, bereitet die Wissenschaftskommunikation diese Kompetenzen didaktisch für die breite Öffentlichkeit auf. Dies befähigt die Gesellschaft, datenbasierte Argumente, beispielsweise in der Klimaforschung oder Medizin, besser einzuordnen und zu verstehen.

== Strategische Bedeutung und institutionelle Umsetzung ==

Große Forschungsförderer sehen eine enge Verzahnung beider Bereiche. Die Deutsche Forschungsgemeinschaft (DFG) fordert in ihren Leitlinien standardmäßig detaillierte FDM-Konzepte. Gleichzeitig stärkt sie in ihren Positionspapieren die Bedeutung der Wissenschaftskommunikation als festen Bestandteil des wissenschaftlichen Auftrags. Projekte, die ihre Forschungsdaten offenlegen (Open Data) und diese über innovative Kanäle wie Datenjournalismus oder multimediale Plattformen vermitteln, erzielen nachweisbar einen höheren gesellschaftlichen und akademischen Impact.

Die FDM-Infrastrukturen liefern im Idealfall persistente Identifikatoren (wie DOIs), die eine exakte Referenzierung der Forschungsdaten in Pressemitteilungen erlauben.

== Herausforderungen ==

Die Wissenschaftskommunikation muss Menschen ohne Vorwissen zu erreichen.
* [[Open Science]]

== Weblinks und Literatur ==

* Nationale Forschungsdateninfrastruktur (NFDI): [https://nfdi.de Initiativen zu Open Science und Public Engagement]

* [https://wissenschaft-im-dialog.de Wissenschaft im Dialog (WiD)]: Portale und Richtlinien für datenbasierte Wissenschaftskommunikation

Wissenschaftskommunikation Forschungsdatenmanagement

2026-10-27T11:28:20Z

AnnetteStrauchDavey: /* Zentrale Dimensionen und Synergien */

Forschungsdatenmanagement (FDM) und Wissenschaftskommunikation (WissKomm) gehen Hand in Hand.

Das FDM sorgt im Hintergrund für die saubere Strukturierung, Verarbeitung und Archivierung der Forschungsdaten. Die WissKomm kann diese Daten ans Licht bringen und macht sie verständlich, sei es für die Fachwelt oder für die breite Öffentlichkeit, Medien und Politik.

Ein starkes FDM macht wissenschaftliche Kommunikation transparent, nachvollziehbar und glaubwürdig.

Das Zusammenspiel von '''Wissenschaftskommunikation (WissKomm)''' und '''Forschungsdatenmanagement

Das Spektrum reicht von der fachinternen Kommunikation innerhalb der Scientific Community bis hin zur externen WissKomm für Öffentlichkeit, Politik und Medien. Ein qualitativ hochwertiges FDM bildet somit das unentbehrliche, empirische Fundament für eine glaubwürdige, transparente und auf Fakten basierende Wissenschaftskommunikation.

== Zentrale Dimensionen und Synergien ==

Die Schnittstellen und Synergien zwischen beiden Disziplinen lassen sich im wissenschaftlichen Alltag in unterschiedlichen Bereichen beobachten.

Der erste Bereich betrifft die '''interne Fachkommunikation'''. Hier sorgt das FDM durch das Bereitstellen von Rohdaten, Metadaten und Code nach den FAIR-Prinzipien in offenen Repositorien für die technologische Basis. Die Wissenschaftskommunikation unterstützt diesen Prozess fachintern, indem sie die Sichtbarkeit dieser Datensätze erhöht und Zitationen fördert. Dies sichert die Replizierbarkeit von Forschungsergebnissen und stärkt den wissenschaftlichen Diskurs.

Ein zweiter Bereich liegt in der '''externen Vermittlung und dem Public Engagement'''. Wo das FDM komplexe Datenbestände strukturiert und aggregiert, setzt die Wissenschaftskommunikation an, um diese Daten zu übersetzen, in verständliche Narrative einzubetten oder durch interaktive Dashboards und Infografiken zu visualisieren. Dies stärkt das gesellschaftliche Vertrauen in wissenschaftliche Erkenntnisse und bietet eine verlässliche Faktenbasis gegen Desinformation.

Ein dritter Bereich umfasst auch '''[[Citizen Science]] (Bürgerwissenschaft)'''. FDM-Infrastrukturen ermöglichen es den Bürgern überhaupt erst, Daten standardisiert und valide zu erheben. Die Wissenschaftskommunikation übernimmt hierbei die Aktivierung, Motivation und Anleitung der Teilnehmenden und steuert den kontinuierlichen Rückkanal für Zwischen- und Endergebnisse.

'''Data Literacy (Datenkompetenz)''': Während das FDM durch Best Practices, Dokumentationen und [[Standards]] das methodische Gerüst bereitstellt, bereitet die Wissenschaftskommunikation diese Kompetenzen didaktisch für die breite Öffentlichkeit auf. Dies befähigt die Gesellschaft, datenbasierte Argumente, beispielsweise in der Klimaforschung oder Medizin, besser einzuordnen und zu verstehen.

== Strategische Bedeutung und institutionelle Umsetzung ==

Große Forschungsförderer sehen eine enge Verzahnung beider Bereiche. Die Deutsche Forschungsgemeinschaft (DFG) fordert in ihren Leitlinien standardmäßig detaillierte FDM-Konzepte. Gleichzeitig stärkt sie in ihren Positionspapieren die Bedeutung der Wissenschaftskommunikation als festen Bestandteil des wissenschaftlichen Auftrags. Projekte, die ihre Forschungsdaten offenlegen (Open Data) und diese über innovative Kanäle wie Datenjournalismus oder multimediale Plattformen vermitteln, erzielen nachweisbar einen höheren gesellschaftlichen und akademischen Impact.

Die FDM-Infrastrukturen liefern im Idealfall persistente Identifikatoren (wie DOIs), die eine exakte Referenzierung der Forschungsdaten in Pressemitteilungen erlauben.

== Herausforderungen ==

Die Wissenschaftskommunikation muss Menschen ohne Vorwissen zu erreichen.
* [[Open Science]]
* [[Nationale Forschungsdateninfrastruktur (NFDI)]]
* [[Datenveröffentlichung (Data Publishing)]]
* [[Data Stewardship in Germany Community]]

== Weblinks und Literatur ==

* Deutsche Forschungsgemeinschaft (DFG): [https://dfg.de Wissenschaftskommunikation im digitalen Zeitalter]

* Nationale Forschungsdateninfrastruktur (NFDI): [https://nfdi.de Initiativen zu Open Science und Public Engagement]

* [https://wissenschaft-im-dialog.de Wissenschaft im Dialog (WiD)]: Portale und Richtlinien für datenbasierte Wissenschaftskommunikation

Wissenschaftskommunikation Forschungsdatenmanagement

2026-10-27T11:24:16Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „Forschungsdatenmanagement (FDM) und Wissenschaftskommunikation (WissKomm) gehen Hand in Hand. Das FDM sorgt im Hintergrund für die saubere Strukturierung, Verarbeitung und Archivierung der Forschungsdaten. Die WissKomm kann diese Daten ans Licht bringen und macht sie verständlich, sei es für die Fachwelt oder für die breite Öffentlichkeit, Medien und Politik. Ein starkes FDM macht wissenschaftliche Kommunikation transparent, nachvollziehbar und g…“

Forschungsdatenmanagement (FDM) und Wissenschaftskommunikation (WissKomm) gehen Hand in Hand.

Das FDM sorgt im Hintergrund für die saubere Strukturierung, Verarbeitung und Archivierung der Forschungsdaten. Die WissKomm kann diese Daten ans Licht bringen und macht sie verständlich, sei es für die Fachwelt oder für die breite Öffentlichkeit, Medien und Politik.

Ein starkes FDM macht wissenschaftliche Kommunikation transparent, nachvollziehbar und glaubwürdig.

Das Zusammenspiel von '''Wissenschaftskommunikation (WissKomm)''' und '''Forschungsdatenmanagement

Das Spektrum reicht von der fachinternen Kommunikation innerhalb der Scientific Community bis hin zur externen WissKomm für Öffentlichkeit, Politik und Medien. Ein qualitativ hochwertiges FDM bildet somit das unentbehrliche, empirische Fundament für eine glaubwürdige, transparente und auf Fakten basierende Wissenschaftskommunikation.

== Zentrale Dimensionen und Synergien ==

Die Schnittstellen und Synergien zwischen beiden Disziplinen lassen sich im wissenschaftlichen Alltag in unterschiedlichen Bereichen beobachten.

Der erste Bereich betrifft die '''interne Fachkommunikation'''. Hier sorgt das FDM durch das Bereitstellen von Rohdaten, Metadaten und Code nach den FAIR-Prinzipien in offenen Repositorien für die technologische Basis. Die Wissenschaftskommunikation unterstützt diesen Prozess fachintern, indem sie die Sichtbarkeit dieser Datensätze erhöht und Zitationen fördert. Dies sichert die Replizierbarkeit von Forschungsergebnissen und stärkt den wissenschaftlichen Diskurs.

Ein zweiter Bereich liegt in der '''externen Vermittlung und dem Public Engagement'''. Wo das FDM komplexe Datenbestände strukturiert und aggregiert, setzt die Wissenschaftskommunikation an, um diese Daten zu übersetzen, in verständliche Narrative einzubetten oder durch interaktive Dashboards und Infografiken zu visualisieren. Dies stärkt das gesellschaftliche Vertrauen in wissenschaftliche Erkenntnisse und bietet eine verlässliche Faktenbasis gegen Desinformation.

Die dritte Dimension umfasst den Bereich '''[[Citizen Science]] (Bürgerwissenschaft)'''. FDM-Infrastrukturen ermöglichen es Bürgerinnen und Bürgern überhaupt erst, Daten standardisiert und valide zu erheben. Die Wissenschaftskommunikation übernimmt hierbei die Aktivierung, Motivation und Anleitung der Teilnehmenden und steuert den kontinuierlichen Rückkanal für Zwischen- und Endergebnisse.

Die vierte Dimension betrifft die '''Data Literacy (Datenkompetenz)'''. Während das FDM durch Best Practices, Dokumentationen und [[Standards]] das methodische Gerüst bereitstellt, bereitet die Wissenschaftskommunikation diese Kompetenzen didaktisch für die breite Öffentlichkeit auf. Dies befähigt die Gesellschaft, datenbasierte Argumente – beispielsweise in der Klimaforschung oder Medizin – besser einzuordnen und zu verstehen.

== Strategische Bedeutung und institutionelle Umsetzung ==

Große Forschungsförderer setzen eine enge Verzahnung beider Bereiche heute implizit oder explizit voraus. Die Deutsche Forschungsgemeinschaft (DFG) fordert in ihren Leitlinien standardmäßig detaillierte FDM-Konzepte. Gleichzeitig stärkt sie in ihren Positionspapieren die Bedeutung der Wissenschaftskommunikation als festen Bestandteil des wissenschaftlichen Auftrags. Projekte, die ihre Forschungsdaten offenlegen (Open Data) und diese über innovative Kanäle wie Datenjournalismus oder multimediale Plattformen vermitteln, erzielen nachweisbar einen höheren gesellschaftlichen und akademischen Impact.

An Universitäten und Instituten führt dies zu einer engeren praktischen Zusammenarbeit. [[Data Stewardship in Germany Community|Data Stewards]] arbeiten zunehmend Hand in Hand mit den zentralen Stabsstellen für Presse- und Öffentlichkeitsarbeit. Die FDM-Infrastruktur liefert persistente Identifikatoren (wie DOIs), die eine exakte Referenzierung der Daten in Pressemitteilungen oder Social-Media-Beiträgen erlauben. Die Kommunikationsteams wiederum unterstützen die Forschenden dabei, abstrakte Datenstrukturen in medientaugliche Formate zu übersetzen.

== Herausforderungen ==

Die Wissenschaftskommunikation hingegen muss Komplexität gezielt reduzieren, um Menschen ohne Vorwissen zu erreichen.

* [[Open Science]]
* [[Nationale Forschungsdateninfrastruktur (NFDI)]]
* [[Datenveröffentlichung (Data Publishing)]]
* [[Data Stewardship in Germany Community]]

== Weblinks und Literatur ==

* Deutsche Forschungsgemeinschaft (DFG): [https://dfg.de Wissenschaftskommunikation im digitalen Zeitalter]

* Nationale Forschungsdateninfrastruktur (NFDI): [https://nfdi.de Initiativen zu Open Science und Public Engagement]

* [https://wissenschaft-im-dialog.de Wissenschaft im Dialog (WiD)]: Portale und Richtlinien für datenbasierte Wissenschaftskommunikation

FDM-Science Slam (Berlin Science Week 2026) Science Slam on Research Data Management - going wild with AI

2026-10-26T08:20:36Z

AnnetteStrauchDavey:

'''Wissenschaft trifft Comedy trifft KI trifft Chaos!'''

https://berlinscienceweek.com/programme/science-slam-research-data-management-going-wild-ai

== Science Slam: Forschungsdatenmanagement trifft Künstliche Intelligenz ==
Im Rahmen dieses Veranstaltungsformats wird das Thema Forschungsdatenmanagement (FDM) in Form eines Kurz-Slams humorvoll und unvorhersehbar auf die Bühne gebracht. Das Format bewegt sich konzeptionell zwischen einem wissenschaftlichen Kurzvortrag (TED-Talk) und einer Stand-up-Präsentation.

=== Konzept und Methodik (Co-Creation mit KI) ===
Die teilnehmenden Slammerinnen und Slammer nutzen künstliche Intelligenz (KI) gezielt als kreativen Partner im Sinne eines echten Co-Creation-Prozesses. Die inhaltlichen Kernideen aus dem Forschungsdatenmanagement werden durch unkonventionelle Prompts und humoristische Elemente mithilfe von KI-Tools erweitert und modifiziert. Das daraus resultierende kollaborative Ergebnis bildet die Grundlage für den anschließenden Bühnenvortrag.

=== Kooperationspartner ===
Die Veranstaltung wird in Zusammenarbeit mit der NFDI (NFDI4DataScience) präsentiert.

[[Kategorie:Veranstaltungen]][[Kategorie:Events]][[Kategorie:OpenScience]] [[Kategorie:Forschungsdaten]] [[Kategorie:Data Literacy]]

FDM-Science Slam (Berlin Science Week 2026) Science Slam on Research Data Management - going wild with AI

2026-10-26T08:19:05Z

AnnetteStrauchDavey:

'''Wissenschaft trifft Comedy trifft KI trifft Chaos!'''

https://berlinscienceweek.com/programme/science-slam-research-data-management-going-wild-ai

== Science Slam: Forschungsdatenmanagement trifft Künstliche Intelligenz ==
Im Rahmen dieses Veranstaltungsformats wird das Thema Forschungsdatenmanagement (FDM) in Form eines Kurz-Slams humorvoll und unvorhersehbar auf die Bühne gebracht. Das Format bewegt sich konzeptionell zwischen einem wissenschaftlichen Kurzvortrag (TED-Talk) und einer Stand-up-Präsentation.

=== Konzept und Methodik (Co-Creation mit KI) ===
Die teilnehmenden Slammerinnen und Slammer nutzen künstliche Intelligenz (KI) gezielt als kreativen Partner im Sinne eines echten Co-Creation-Prozesses. Die inhaltlichen Kernideen aus dem Forschungsdatenmanagement werden durch unkonventionelle Prompts und humoristische Elemente mithilfe von KI-Tools erweitert und modifiziert. Das daraus resultierende kollaborative Ergebnis bildet die Grundlage für den anschließenden Bühnenvortrag.

=== Kooperationspartner ===
Die Veranstaltung wird in Zusammenarbeit mit der NFDI (NFDI4DataScience) präsentiert.

<nowiki>[[Kategorie:Veranstaltungen]]</nowiki> <nowiki>[[Kategorie:Events]]</nowiki> <nowiki>[[Kategorie:OpenScience]]</nowiki>

FDM-Science Slam (Berlin Science Week 2026) Science Slam on Research Data Management - going wild with AI

2026-10-26T08:11:27Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „jj“

Preise für Forschungsdatenmanagement

2026-09-19T12:06:49Z

AnnetteStrauchDavey:

Mit Preisen für FDM wird das Engagement für offene und FAIRe Forschungsdaten gewürdigt.

Die Auszeichnung wird von verschiedenen Initiativen verliehen, z.B. von World Data System (WDS), Society for Clinical Data Management (SCDM).

'''WDS Data Stewardship Award'''
* '''Verleihende Organisation:''' World Data System (WDS)
* '''Zielgruppe / Kriterien:''' Auszeichnung für Nachwuchswissenschaftlerinnen und -wissenschaftler bzw. Datenkuratoren, die maßgeblich zur Qualität, Integrität und Zugänglichkeit von Forschungsdaten beitragen. Im Fokus stehen der verantwortungsvolle Umgang und die Kuration über den gesamten Datenlebenszyklus hinweg.

Link: https://worlddatasystem.org/news-events/data-stewardship-awards/

'''SCDM Innovation & Achievement Awards'''
* '''Verleihende Organisation:''' Society for Clinical Data Management (SCDM)
* '''Zielgruppe / Kriterien:''' Spezifischer internationaler Award für das klinische Datenmanagement. Prämiert werden innovative Ansätze, exzellente Datenstrategien und die Einhaltung regulatorischer Standards bei klinischen Studien.

Link: https://scdm.org/scdm-awards/

'''Dutch Data Prize'''

Link: https://researchdata.nl/en/dutch-data-prize/

'''The Sarah Jones Award'''

Link: https://www.rd-alliance.org/sarah-jones-award/

'''The FAIRest Dataset Award'''

Link: https://forschungsdaten-thueringen.de/fairest-dataset-en.html

== FDM-Preise in Deutschland ==
In Deutschland schreiben sowohl bundesweite Fachkonsortien als auch regionale Landesinitiativen und einzelne Hochschulen Preise aus, um das Bewusstsein für ein nachhaltiges Forschungsdatenmanagement (FDM) und die Umsetzung der FAIR-Prinzipien in der Praxis zu stärken.

== Übersicht (Selektion) ==

* '''FAIR4Chem Award'''
** '''Verleihende Organisation:''' NFDI4Chem (Nationales Konsortium für Chemie in der Nationalen Forschungsdateninfrastruktur) in Kooperation mit dem Fonds der Chemischen Industrie (FCI) und der GDCh.
** '''Zielgruppe / Kriterien:''' Auszeichnung für Wissenschaftlerinnen und Wissenschaftler an deutschen Forschungs- und Hochschuleinrichtungen. Prämiert werden veröffentlichte Chemiedatensätze, welche die FAIR-Grundsätze in hervorragender Weise erfüllen und damit die Nachnutzung sowie Transparenz in der Chemie stärken.
** '''Turnus:''' Jährlich
* '''FAIR Data and Software Award Lower Saxony'''
** '''Verleihende Organisation:''' Landesinitiative FDM-NDS (Forschungsdatenmanagement Niedersachsen).
** '''Zielgruppe / Kriterien:''' Ausrichtung auf Forschende an niedersächsischen Hochschulen. Der Award kürt herausragende Leistungen in zwei getrennten Säulen: die beste Datenveröffentlichung sowie die beste Softwareveröffentlichung.
** '''Turnus:''' Jährlich (Verleihung im Rahmen der jährlichen ''Data Days Niedersachsen'')
* '''[https://forschungsdaten-thueringen.de/fairest-dataset-en.html The FAIRest Dataset Award]'''
** '''Verleihende Organisation:''' Thüringer Kompetenznetzwerk für Forschungsdatenmanagement (TKFDM), siehe oben
** '''Zielgruppe / Kriterien:''' Der Wettbewerb richtet sich an Forschende der thüringischen Hochschulen. Bewertet werden eingereichte Datensätze mittels etablierter FAIR-Assessment-Tools.
** '''Turnus:''' Jährlich
* '''Data Champion Award'''
** '''Verleihende Organisation:''' Datenkompetenzzentrum DataNord (u. a. U Bremen Research Alliance).
** '''Zielgruppe / Kriterien:''' Regionale Auszeichnung für Forschende (bevorzugt in der Region Bremen/Norddeutschland) für herausragende Leistungen im Bereich offener Forschungsdaten, ein starkes Engagement für FAIR-Data-Praktiken sowie innovative interdisziplinäre Datennutzung.
** '''Turnus:''' Jährlich
* '''Forschungsdatenmanagement Best Practice Award (Universität Rostock)'''
** '''Verleihende Organisation:''' Universität Rostock / Universitätsbibliothek.
** '''Zielgruppe / Kriterien:''' Hochschulinterner Preis für Wissenschaftlerinnen und Wissenschaftler der Universität Rostock. Im Fokus stehen etablierte, vorbildliche Workflows im Arbeitsalltag, Open Science, reproduzierbare Datenanalysen sowie die Automatisierung von Prozessen.
** '''Turnus:''' Jährlich

Preise für Forschungsdatenmanagement

2026-09-19T12:00:17Z

AnnetteStrauchDavey:

Preise für Forschungsdatenmanagement

2026-09-19T11:57:59Z

AnnetteStrauchDavey:

Preise für Forschungsdatenmanagement

2026-09-19T11:55:49Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „Mit Preisen für FDM wird das Engagement für offene und FAIRe Forschungsdaten gewürdigt. Die Auszeichnung wird von verschiedenen Initiativen verliehen, z.B. von World Data System (WDS), Society for Clinical Data Management (SCDM). '''WDS Data Stewardship Award''' * '''Verleihende Organisation:''' World Data System (WDS) * '''Zielgruppe / Kriterien:''' Auszeichnung für Nachwuchswissenschaftlerinnen und -wissenschaftler bzw. Datenkuratoren, die maßge…“

Science Slam(s)

2026-09-13T13:14:55Z

AnnetteStrauchDavey:

Ein Science Slam ist Unterhaltung trifft Wissenschaft:

Bei diesem Kurzvortragsturnier bringen Nachwuchsforschende ihre eigenen Projekte auf die Bühne, kurz, knackig und für jeden verständlich.

=== Ziel von Science Slam(s) ===
Komplexe Forschung massentauglich und spannend zu erklären. Wer den besten Vortrag abliefert, entscheidet am Ende keine Jury, sondern ganz allein das Publikum.

<blockquote>''"Paul Vierkant erklärt beim 38. Science Slam Berlin, wie man am besten mit seinen Forschungsdaten umgeht: hegt und pflegt sie wie eure eigenen Kinder!"''<ref>https://forschungsdaten.info/praxis-kompakt/fdm-einfuehrungsmaterialien</ref></blockquote>

= 'Unsere Kinder, die Forschungsdaten' Paul Vierkant beim #38 Science Slam Berlin =
https://www.youtube.com/watch?v=w9SCtL43vDM

<blockquote>''"Liebt Eure Daten als wären sie Eure Kinder!"''</blockquote>

''"Versorgt Eure Daten mit Informationen!"'' - Mit einem Augenzwinkern.<ref>https://www.fdm.tu-clausthal.de/weiterfuehrende-links/mit-einem-augenzwinkern</ref>

=== Science Slam(s) in Deutschland ===
https://www.science-slam.com/

https://www.science-slam.com/termine/

== Science Slam(s) im Forschungsdatenmanagement ==
Das Konsortium '''NFDI4DS (Data Science)''' veranstaltet in Kooperation mit der Berlin Science Week jährlich einen eigenen '''NFDI Science Slam'''.

https://www.nfdi4datascience.de/community/science-slam/

<blockquote>''In cooperation with the Berlin Science Week, NFDI4DS hosts a yearly '''Science Slam'''. The idea is to explain the work of the NFDI and its consortia in an understandable and entertaining way.''

''Up to now, we successfully ran three editions in 2021, 2022, 2023, and 2025 with 18 slams from 13 NFDI consortia in total. The event attracted up to 80 participants in-person and up to 200 participants virtually.''

''All previous slams are available on Youtube.''<ref>https://www.nfdi4datascience.de/community/science-slam/</ref></blockquote>

==== 2026 NFDI Science Slam ====
Motto: '''“Science Slam on Research Data Management: Going Wild with AI”'''

05.11.2026

Call for slammers: https://events.hifis.net/event/4377/ (Zugriff am 18.08.2026)

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:50:12Z

AnnetteStrauchDavey: /* FDM als fester Teil des Kolloquiums */

'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).

== Ziel ==
Die Promotionsphase legt den Grundstein für die wissenschaftliche Laufbahn. Das Konzept „Daten im Griff – von Anfang an“ setzt hier an, dass es FDM-Awareness als komplementären Bestandteil in Graduiertenprogramme integriert.

<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref>

== FDM als fester Teil des Kolloquiums ==
FDM wird für Promovierende in das stattfindende Kolloquium integriert. Das spart Zeit und erhöht die Akzeptanz enorm.

Eine FDM-Expertin kommt für 90 Minuten in das Kolloquium. Allgemeines zum FDM, Tools, Speicher- und Serviceinfrastrukturen und Ansprechpersonen vorgestellt, die aber auch genau für dieses Fachgebiet relevant sind.

<blockquote>''„Daten im Griff – von Anfang an"''<ref>https://events.gwdg.de/event/1353/</ref></blockquote>

== Praxisnaher FDM-Check im Promotionsprogramm ==

* '''Struktur & Ablage:''' Wie und wo speichere ich meine Daten aktuell (z. B. Ordnerstruktur, Benennung, Git-Repository)?
* '''Hürden & Probleme:''' Wo hakt es beim Datenmanagement (z. B. Schwierigkeiten bei der Anonymisierung von Interviews, Probleme mit riesigen Bilddateien)?
* '''Nachnutzung:''' In welchem Repositorium sollen die Daten am Ende der Promotion veröffentlicht werden?

== Referenzen (Selektion) ==
Die theoretische und konzeptionelle Fundierung für die Integration von Forschungsdatenmanagement (FDM) in akademische Ausbildungsprogramme stützt sich auf etablierte Standardwerke und strukturierte Community-Modelle.

Fühles-Ubach, Simone [u.a.]: Bewusstseinsbildung im Curriculum / Fühles-Ubach, Simone ; Albers, Miriam. In: Praxishandbuch Forschungsdatenmanagement / hrsg. von Markus Putnings [u.a.]. – Berlin, Boston: De Gruyter Saur, 2022. [https://doi.org/10.1515/9783110657807. https://doi.org/10.1515/9783110657807.]

=== Lessons Learned ===
Einwächter, S. G., Krähwinkel, E., & Ostsieker, F. (2020). Lessons learned: Thesen zur FDM-Kompetenzausbildung: Erkenntnisse aus dem Vernetzungstreffen der vom BMBF geförderten Projekte eeFDM Jena, FDMentor, FOKUS, PODMAN und UniLLAB am 30. und 31. Januar 2019 in Marburg. ''Bausteine Forschungsdatenmanagement'', ''1'', 8-15. https://doi.org/10.17192/bfdm.2020.1.8101

=== Lernziele und Materialien ===

Zur konkreten curricularen Ausgestaltung und Definition operationalisierter Kompetenzziele für Promovierende dient die von Britta Petersen et al. gemeinschaftlich entwickelte ''Lernzielmatrix zum Themenbereich Forschungsdatenmanagement'' (Version 3, 2025, DOI: 10.5281/zenodo.15025246), die ein organisationsübergreifendes Fundament für Lehrende bereithält.
Helbig, K., & Aust, P. (2017). Kein Königsweg - die Vermittlung von Forschungsdatenkompetenz auf allen universitären Ebenen. ''O-bib'', ''4''(1), 108-116. https://doi.org/10.5282/o-bib/2017H1S108-116

FDMentor/DINI/Nestor-AG Forschungsdaten (2018). Materialkatalog zum Forschungsdatenmanagement. https://doi.org/10.5281/ZENODO.1209284.

Wiljes, Cord [u.a.]: Teaching Research Data Management for Students / Wiljes,Cord; Cimiano, Philipp. – In: Data Science Journal. – 18 (2019), S. 1–9.<ref>https://datascience.codata.org/articles/10.5334/dsj-2019-038</ref>

Petersen, B., Engelhardt, C., Hörner, T., Jacob, J., Kvetnaya, T., Mühlichen, A., Schranzhofer, H., Schulz, S., Slowig, B., Trautwein-Bruns, U., Voigt, A., & Wiljes, C. (2023). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards (Version 2). Zenodo. https://doi.org/10.5281/zenodo.8010617

Jacob, Juliane, Neumann, Jana, & Schulz, Sandra. (2023, March). Forschungsdatenmanagement: Workshop für Studierende im DDLitLab-Projekt. http://doi.org/10.25592/uhhfdm.9583

[[FDM-Materialkatalog|https://www.forschungsdaten.org/index.php/FDM-Materialkatalog]]

[[UAG Schulungen/Fortbildungen|https://www.forschungsdaten.org/index.php/UAG_Schulungen/Fortbildungen]]

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:47:46Z

AnnetteStrauchDavey: /* Referenzen (Selektion) */

'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).

== Ziel ==
Die Promotionsphase legt den Grundstein für die wissenschaftliche Laufbahn. Das Konzept „Daten im Griff – von Anfang an“ setzt hier an, dass es FDM-Awareness als komplementären Bestandteil in Graduiertenprogramme integriert.

<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref>

== FDM als fester Teil des Kolloquiums ==
FDM wird für Promovierende in das stattfindende Kolloquium integriert. Das spart Zeit und erhöht die Akzeptanz enorm.

Eine FDM-Expertin kommt für 90 Minuten in das Kolloquium. Allgemeines zum FDM, Tools, Speicher- und Serviceinfrastrukturen und Ansprechpersonen vorgestellt, die aber auch genau für dieses Fachgebiet relevant sind.

<blockquote>''„Daten im Griff – von Anfang an"''<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref></blockquote>

== Praxisnaher FDM-Check im Promotionsprogramm ==

* '''Struktur & Ablage:''' Wie und wo speichere ich meine Daten aktuell (z. B. Ordnerstruktur, Benennung, Git-Repository)?
* '''Hürden & Probleme:''' Wo hakt es beim Datenmanagement (z. B. Schwierigkeiten bei der Anonymisierung von Interviews, Probleme mit riesigen Bilddateien)?
* '''Nachnutzung:''' In welchem Repositorium sollen die Daten am Ende der Promotion veröffentlicht werden?

== Referenzen (Selektion) ==
Die theoretische und konzeptionelle Fundierung für die Integration von Forschungsdatenmanagement (FDM) in akademische Ausbildungsprogramme stützt sich auf etablierte Standardwerke und strukturierte Community-Modelle.

Fühles-Ubach, Simone [u.a.]: Bewusstseinsbildung im Curriculum / Fühles-Ubach, Simone ; Albers, Miriam. In: Praxishandbuch Forschungsdatenmanagement / hrsg. von Markus Putnings [u.a.]. – Berlin, Boston: De Gruyter Saur, 2022. [https://doi.org/10.1515/9783110657807. https://doi.org/10.1515/9783110657807.]

=== Lessons Learned ===
Einwächter, S. G., Krähwinkel, E., & Ostsieker, F. (2020). Lessons learned: Thesen zur FDM-Kompetenzausbildung: Erkenntnisse aus dem Vernetzungstreffen der vom BMBF geförderten Projekte eeFDM Jena, FDMentor, FOKUS, PODMAN und UniLLAB am 30. und 31. Januar 2019 in Marburg. ''Bausteine Forschungsdatenmanagement'', ''1'', 8-15. https://doi.org/10.17192/bfdm.2020.1.8101

=== Lernziele und Materialien ===

Zur konkreten curricularen Ausgestaltung und Definition operationalisierter Kompetenzziele für Promovierende dient die von Britta Petersen et al. gemeinschaftlich entwickelte ''Lernzielmatrix zum Themenbereich Forschungsdatenmanagement'' (Version 3, 2025, DOI: 10.5281/zenodo.15025246), die ein organisationsübergreifendes Fundament für Lehrende bereithält.
Helbig, K., & Aust, P. (2017). Kein Königsweg - die Vermittlung von Forschungsdatenkompetenz auf allen universitären Ebenen. ''O-bib'', ''4''(1), 108-116. https://doi.org/10.5282/o-bib/2017H1S108-116

FDMentor/DINI/Nestor-AG Forschungsdaten (2018). Materialkatalog zum Forschungsdatenmanagement. https://doi.org/10.5281/ZENODO.1209284.

Wiljes, Cord [u.a.]: Teaching Research Data Management for Students / Wiljes,Cord; Cimiano, Philipp. – In: Data Science Journal. – 18 (2019), S. 1–9.<ref>https://datascience.codata.org/articles/10.5334/dsj-2019-038</ref>

Petersen, B., Engelhardt, C., Hörner, T., Jacob, J., Kvetnaya, T., Mühlichen, A., Schranzhofer, H., Schulz, S., Slowig, B., Trautwein-Bruns, U., Voigt, A., & Wiljes, C. (2023). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards (Version 2). Zenodo. https://doi.org/10.5281/zenodo.8010617

Jacob, Juliane, Neumann, Jana, & Schulz, Sandra. (2023, March). Forschungsdatenmanagement: Workshop für Studierende im DDLitLab-Projekt. http://doi.org/10.25592/uhhfdm.9583

[[FDM-Materialkatalog|https://www.forschungsdaten.org/index.php/FDM-Materialkatalog]]

[[UAG Schulungen/Fortbildungen|https://www.forschungsdaten.org/index.php/UAG_Schulungen/Fortbildungen]]

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:44:33Z

AnnetteStrauchDavey:

'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).

== Ziel ==
Die Promotionsphase legt den Grundstein für die wissenschaftliche Laufbahn. Das Konzept „Daten im Griff – von Anfang an“ setzt hier an, dass es FDM-Awareness als komplementären Bestandteil in Graduiertenprogramme integriert.

<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref>

== FDM als fester Teil des Kolloquiums ==
FDM wird für Promovierende in das stattfindende Kolloquium integriert. Das spart Zeit und erhöht die Akzeptanz enorm.

Eine FDM-Expertin kommt für 90 Minuten in das Kolloquium. Allgemeines zum FDM, Tools, Speicher- und Serviceinfrastrukturen und Ansprechpersonen vorgestellt, die aber auch genau für dieses Fachgebiet relevant sind.

<blockquote>''„Daten im Griff – von Anfang an"''<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref></blockquote>

== Praxisnaher FDM-Check im Promotionsprogramm ==

* '''Struktur & Ablage:''' Wie und wo speichere ich meine Daten aktuell (z. B. Ordnerstruktur, Benennung, Git-Repository)?
* '''Hürden & Probleme:''' Wo hakt es beim Datenmanagement (z. B. Schwierigkeiten bei der Anonymisierung von Interviews, Probleme mit riesigen Bilddateien)?
* '''Nachnutzung:''' In welchem Repositorium sollen die Daten am Ende der Promotion veröffentlicht werden?

== Referenzen (Selektion) ==
Die theoretische und konzeptionelle Fundierung für die Integration von Forschungsdatenmanagement (FDM) in akademische Ausbildungsprogramme stützt sich auf etablierte Standardwerke und strukturierte Community-Modelle.

Fühles-Ubach, Simone [u.a.]: Bewusstseinsbildung im Curriculum / Fühles-Ubach, Simone ; Albers, Miriam. In: Praxishandbuch Forschungsdatenmanagement / hrsg. von Markus Putnings [u.a.]. – Berlin, Boston: De Gruyter Saur, 2022. [https://doi.org/10.1515/9783110657807. https://doi.org/10.1515/9783110657807.]

Zur konkreten curricularen Ausgestaltung und Definition operationalisierter Kompetenzziele für Promovierende dient die von Britta Petersen et al. gemeinschaftlich entwickelte ''Lernzielmatrix zum Themenbereich Forschungsdatenmanagement'' (Version 3, 2025, DOI: 10.5281/zenodo.15025246), die ein organisationsübergreifendes Fundament für Lehrende bereithält.
Helbig, K., & Aust, P. (2017). Kein Königsweg - die Vermittlung von Forschungsdatenkompetenz auf allen universitären Ebenen. ''O-bib'', ''4''(1), 108-116. https://doi.org/10.5282/o-bib/2017H1S108-116

FDMentor/DINI/Nestor-AG Forschungsdaten (2018). Materialkatalog zum Forschungsdatenmanagement. https://doi.org/10.5281/ZENODO.1209284.

Wiljes, Cord [u.a.]: Teaching Research Data Management for Students / Wiljes,Cord ; Cimiano, Philipp. – In: Data Science Journal. – 18 (2019), S. 1–9.<ref>https://datascience.codata.org/articles/10.5334/dsj-2019-038</ref>

Petersen, B., Engelhardt, C., Hörner, T., Jacob, J., Kvetnaya, T., Mühlichen, A., Schranzhofer, H., Schulz, S., Slowig, B., Trautwein-Bruns, U., Voigt, A., & Wiljes, C. (2023). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards (Version 2). Zenodo. https://doi.org/10.5281/zenodo.8010617

Jacob, Juliane, Neumann, Jana, & Schulz, Sandra. (2023, March). Forschungsdatenmanagement: Workshop für Studierende im DDLitLab-Projekt. http://doi.org/10.25592/uhhfdm.9583

[[FDM-Materialkatalog|https://www.forschungsdaten.org/index.php/FDM-Materialkatalog]]

[[UAG Schulungen/Fortbildungen|https://www.forschungsdaten.org/index.php/UAG_Schulungen/Fortbildungen]]

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:43:57Z

AnnetteStrauchDavey: /* Referenzen (Selektion) */

'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).

== Ziel ==
Die Promotionsphase legt den Grundstein für die wissenschaftliche Laufbahn.

Das Konzept „Daten im Griff – von Anfang an“ setzt hier an, dass es FDM-Awareness als komplementären Bestandteil in Graduiertenprogramme integriert.

<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref>

== FDM als fester Teil des Kolloquiums ==
FDM wird für Promovierende in das stattfindende Kolloquium integriert. Das spart Zeit und erhöht die Akzeptanz enorm.

Eine FDM-Expertin kommt für 90 Minuten in das Kolloquium. Allgemeines zum FDM, Tools, Speicher- und Serviceinfrastrukturen und Ansprechpersonen vorgestellt, die aber auch genau für dieses Fachgebiet relevant sind.

<blockquote>''„Daten im Griff – von Anfang an"''<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref></blockquote>

== Praxisnaher FDM-Check im Promotionsprogramm ==

* '''Struktur & Ablage:''' Wie und wo speichere ich meine Daten aktuell (z. B. Ordnerstruktur, Benennung, Git-Repository)?
* '''Hürden & Probleme:''' Wo hakt es beim Datenmanagement (z. B. Schwierigkeiten bei der Anonymisierung von Interviews, Probleme mit riesigen Bilddateien)?
* '''Nachnutzung:''' In welchem Repositorium sollen die Daten am Ende der Promotion veröffentlicht werden?

== Referenzen (Selektion) ==
Die theoretische und konzeptionelle Fundierung für die Integration von Forschungsdatenmanagement (FDM) in akademische Ausbildungsprogramme stützt sich auf etablierte Standardwerke und strukturierte Community-Modelle.

Fühles-Ubach, Simone [u.a.]: Bewusstseinsbildung im Curriculum / Fühles-Ubach, Simone ; Albers, Miriam. In: Praxishandbuch Forschungsdatenmanagement / hrsg. von Markus Putnings [u.a.]. – Berlin, Boston: De Gruyter Saur, 2022. [https://doi.org/10.1515/9783110657807. https://doi.org/10.1515/9783110657807.]

Zur konkreten curricularen Ausgestaltung und Definition operationalisierter Kompetenzziele für Promovierende dient die von Britta Petersen et al. gemeinschaftlich entwickelte ''Lernzielmatrix zum Themenbereich Forschungsdatenmanagement'' (Version 3, 2025, DOI: 10.5281/zenodo.15025246), die ein organisationsübergreifendes Fundament für Lehrende bereithält.
Helbig, K., & Aust, P. (2017). Kein Königsweg - die Vermittlung von Forschungsdatenkompetenz auf allen universitären Ebenen. ''O-bib'', ''4''(1), 108-116. https://doi.org/10.5282/o-bib/2017H1S108-116

FDMentor/DINI/Nestor-AG Forschungsdaten (2018). Materialkatalog zum Forschungsdatenmanagement. https://doi.org/10.5281/ZENODO.1209284.

Wiljes, Cord [u.a.]: Teaching Research Data Management for Students / Wiljes,Cord ; Cimiano, Philipp. – In: Data Science Journal. – 18 (2019), S. 1–9.<ref>https://datascience.codata.org/articles/10.5334/dsj-2019-038</ref>

Petersen, B., Engelhardt, C., Hörner, T., Jacob, J., Kvetnaya, T., Mühlichen, A., Schranzhofer, H., Schulz, S., Slowig, B., Trautwein-Bruns, U., Voigt, A., & Wiljes, C. (2023). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards (Version 2). Zenodo. https://doi.org/10.5281/zenodo.8010617

Jacob, Juliane, Neumann, Jana, & Schulz, Sandra. (2023, March). Forschungsdatenmanagement: Workshop für Studierende im DDLitLab-Projekt. http://doi.org/10.25592/uhhfdm.9583

[[FDM-Materialkatalog|https://www.forschungsdaten.org/index.php/FDM-Materialkatalog]]

[[UAG Schulungen/Fortbildungen|https://www.forschungsdaten.org/index.php/UAG_Schulungen/Fortbildungen]]

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:41:16Z

AnnetteStrauchDavey: /* Referenzen */

'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).

== Ziel ==
Die Promotionsphase legt den Grundstein für die wissenschaftliche Laufbahn.

Das Konzept „Daten im Griff – von Anfang an“ setzt hier an, dass es FDM-Awareness als komplementären Bestandteil in Graduiertenprogramme integriert.

<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref>

== FDM als fester Teil des Kolloquiums ==
FDM wird für Promovierende in das stattfindende Kolloquium integriert. Das spart Zeit und erhöht die Akzeptanz enorm.

Eine FDM-Expertin kommt für 90 Minuten in das Kolloquium. Allgemeines zum FDM, Tools, Speicher- und Serviceinfrastrukturen und Ansprechpersonen vorgestellt, die aber auch genau für dieses Fachgebiet relevant sind.

<blockquote>''„Daten im Griff – von Anfang an"''<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref></blockquote>

== Praxisnaher FDM-Check im Promotionsprogramm ==

* '''Struktur & Ablage:''' Wie und wo speichere ich meine Daten aktuell (z. B. Ordnerstruktur, Benennung, Git-Repository)?
* '''Hürden & Probleme:''' Wo hakt es beim Datenmanagement (z. B. Schwierigkeiten bei der Anonymisierung von Interviews, Probleme mit riesigen Bilddateien)?
* '''Nachnutzung:''' In welchem Repositorium sollen die Daten am Ende der Promotion veröffentlicht werden?

== Referenzen (Selektion) ==
Die theoretische und konzeptionelle Fundierung für die Integration von Forschungsdatenmanagement (FDM) in akademische Ausbildungsprogramme stützt sich auf etablierte Standardwerke und strukturierte Community-Modelle.

Zur konkreten curricularen Ausgestaltung und Definition operationalisierter Kompetenzziele für Promovierende dient die von Britta Petersen et al. gemeinschaftlich entwickelte ''Lernzielmatrix zum Themenbereich Forschungsdatenmanagement'' (Version 3, 2025, DOI: 10.5281/zenodo.15025246), die ein organisationsübergreifendes Fundament für Lehrende bereithält.

Helbig, K., & Aust, P. (2017). Kein Königsweg - die Vermittlung von Forschungsdatenkompetenz auf allen universitären Ebenen. ''O-bib'', ''4''(1), 108-116. https://doi.org/10.5282/o-bib/2017H1S108-116

FDMentor/DINI/Nestor-AG Forschungsdaten (2018). Materialkatalog zum Forschungsdatenmanagement. https://doi.org/10.5281/ZENODO.1209284.

Wiljes, Cord [u.a.]: Teaching Research Data Management for Students / Wiljes,Cord ; Cimiano, Philipp. – In: Data Science Journal. – 18 (2019), S. 1–9.<ref>https://datascience.codata.org/articles/10.5334/dsj-2019-038</ref>

Petersen, B., Engelhardt, C., Hörner, T., Jacob, J., Kvetnaya, T., Mühlichen, A., Schranzhofer, H., Schulz, S., Slowig, B., Trautwein-Bruns, U., Voigt, A., & Wiljes, C. (2023). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards (Version 2). Zenodo. https://doi.org/10.5281/zenodo.8010617

Jacob, Juliane, Neumann, Jana, & Schulz, Sandra. (2023, March). Forschungsdatenmanagement: Workshop für Studierende im DDLitLab-Projekt. http://doi.org/10.25592/uhhfdm.9583

[[FDM-Materialkatalog|https://www.forschungsdaten.org/index.php/FDM-Materialkatalog]]

[[UAG Schulungen/Fortbildungen|https://www.forschungsdaten.org/index.php/UAG_Schulungen/Fortbildungen]]

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:38:55Z

AnnetteStrauchDavey: /* Referenzen */

'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).

== Ziel ==
Die Promotionsphase legt den Grundstein für die wissenschaftliche Laufbahn.

Das Konzept „Daten im Griff – von Anfang an“ setzt hier an, dass es FDM-Awareness als komplementären Bestandteil in Graduiertenprogramme integriert.

<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref>

== FDM als fester Teil des Kolloquiums ==
FDM wird für Promovierende in das stattfindende Kolloquium integriert. Das spart Zeit und erhöht die Akzeptanz enorm.

Eine FDM-Expertin kommt für 90 Minuten in das Kolloquium. Allgemeines zum FDM, Tools, Speicher- und Serviceinfrastrukturen und Ansprechpersonen vorgestellt, die aber auch genau für dieses Fachgebiet relevant sind.

<blockquote>''„Daten im Griff – von Anfang an"''<ref>https://events.gwdg.de/event/1353/contributions/5083/</ref></blockquote>

== Praxisnaher FDM-Check im Promotionsprogramm ==

* '''Struktur & Ablage:''' Wie und wo speichere ich meine Daten aktuell (z. B. Ordnerstruktur, Benennung, Git-Repository)?
* '''Hürden & Probleme:''' Wo hakt es beim Datenmanagement (z. B. Schwierigkeiten bei der Anonymisierung von Interviews, Probleme mit riesigen Bilddateien)?
* '''Nachnutzung:''' In welchem Repositorium sollen die Daten am Ende der Promotion veröffentlicht werden?

== Referenzen ==
Die theoretische und konzeptionelle Fundierung für die Integration von Forschungsdatenmanagement (FDM) in akademische Ausbildungsprogramme stützt sich auf etablierte Standardwerke und strukturierte Community-Modelle.

Zur konkreten curricularen Ausgestaltung und Definition operationalisierter Kompetenzziele für Promovierende dient die von Britta Petersen et al. gemeinschaftlich entwickelte ''Lernzielmatrix zum Themenbereich Forschungsdatenmanagement'' (Version 3, 2025, DOI: 10.5281/zenodo.15025246), die ein organisationsübergreifendes Fundament für Lehrende bereithält.

FDMentor/DINI/Nestor-AG Forschungsdaten (2018). Materialkatalog zum Forschungsdatenmanagement. https://doi.org/10.5281/ZENODO.1209284.

Wiljes, Cord [u.a.]: Teaching Research Data Management for Students / Wiljes,Cord ; Cimiano, Philipp. – In: Data Science Journal. – 18 (2019), S. 1–9.<ref>https://datascience.codata.org/articles/10.5334/dsj-2019-038</ref>

Petersen, B., Engelhardt, C., Hörner, T., Jacob, J., Kvetnaya, T., Mühlichen, A., Schranzhofer, H., Schulz, S., Slowig, B., Trautwein-Bruns, U., Voigt, A., & Wiljes, C. (2023). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards (Version 2). Zenodo. https://doi.org/10.5281/zenodo.8010617

Jacob, Juliane, Neumann, Jana, & Schulz, Sandra. (2023, March). Forschungsdatenmanagement: Workshop für Studierende im DDLitLab-Projekt. http://doi.org/10.25592/uhhfdm.9583

[[FDM-Materialkatalog|https://www.forschungsdaten.org/index.php/FDM-Materialkatalog]]

[[UAG Schulungen/Fortbildungen|https://www.forschungsdaten.org/index.php/UAG_Schulungen/Fortbildungen]]

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:34:36Z

AnnetteStrauchDavey:

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:32:32Z

AnnetteStrauchDavey:

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:20:40Z

AnnetteStrauchDavey:

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:19:17Z

AnnetteStrauchDavey:

FDM-Awareness in den Promotionsprogrammen

2026-09-13T10:16:54Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „'''FDM-Awareness (Forschungsdatenmanagement) in Promotionsprogrammen''' ist der Schlüssel, um wissenschaftlichen Nachwuchs von Beginn an für den nachhaltigen und strukturierten Umgang mit Forschungsdaten zu sensibilisieren (integraler Bestandteil des gesamten Promotionsprozesses).“

Coffee Lectures Forschungsdatenmanagement 2026/2027 (und 2028)

2026-09-09T16:16:23Z

AnnetteStrauchDavey:

Coffee Lectures zum Forschungsdatenmanagement (FDM) sind kurze Impulsvorträge mit anschließender Fragerunde und Kaffee (vor Ort oder online).

'''Ziel:''' Forschende und Studierende unkompliziert, praxisnah und zeitsparend über den optimalen Umgang mit Forschungsdaten informieren.

<blockquote>''"Coffee Lectures sind kurze Info-Vorträge mit anschließenden Gesprächsrunden zu verschiedenen FDM-Themen. Sie können sich an spezielle Zielgruppen richten, sind aber meist offen für alle. Coffee Lectures bieten wir zum Beispiel im Rahmen von Thementagen oder -wochen wie der Love Data Week (Mitte Februar) oder der Postdoc Appreciation Week (September) an."'' (Leibniz Universität Hannover)</blockquote>

Die Termine werden meist semesterweise (Start jeweils im Oktober für das Wintersemester auf den Webseiten der jeweiligen Universitäten oder wissenschaftlichen Bibliotheken (Bereich Forschungsdatenmanagement) veröffentlicht.

== 2026 (Selektion) ==
Coffee Lectures der '''ETH Zürich''': https://library.ethz.ch/kurse-und-beratung/kurse-und-workshops/coffee-lectures.html

''"Sie haben wenig Zeit, möchten aber essenzielle Tools kennenlernen, die Sie bei Ihrer Forschung unterstützen?''

''Die Coffee Lectures geben Input zu konkreten Fragestellungen rund um die Informationsrecherche, das Open-Access-Publizieren, oder das Forschungsdatenmanagement."''<ref>https://library.ethz.ch/kurse-und-beratung/kurse-und-workshops/coffee-lectures.html</ref>

'''TU (UB) Dortmund''':

https://ub.tu-dortmund.de/nachrichtendetail/coffee-lectures-der-universitaetsbibliothek-1-64181/

https://graduiertenzentrum.tu-dortmund.de/veranstaltungsdetail/coffee-lectures-der-universitaets-bibliothek-64209/

[https://www.uni-augsburg.de/de/organisation/bibliothek/ UB Augsburg]: bis Juni 2026 fanden alle zwei Wochen dienstags (14:00 bis 14:30 Uhr) online-basierte Coffee Lectures statt, darunter Themen wie „KI statt Tutorium?!?

FDM Thüringen, TKFDM - [https://forschungsdaten-thueringen.de/entry/coffee-lectures-en.html 2026 Summer Semester Online Coffee Lecture Series]

Hochschule Reutlingen - [https://www.reutlingen-university.de/aktuelles/news/news-detail/coffee-lectures-zum-forschungsdatenmanagement-ss26 Coffee Lectures zum Forschungsdatenmanagement]

[https://www.uni-paderborn.de/lehre/ki-in-der-lehre/ki-coffee-lectures KI-Coffee Lectures der Universität Paderborn]

<blockquote>''"Die '''KI Coffee-Lectures''' werden im Sommersemester 2026 erstmals als gemeinsame Initiative der Stabsstelle Bildungsinnovationen und Hochschuldidaktik, der Universitätsbibliothek und des Kompetenzzentrums Schreiben angeboten."''<ref>https://www.uni-paderborn.de/universitaet/bildungsinnovationen-hochschuldidaktik/nachricht/ki-coffee-lectures-2026</ref> (Universität Paderborn)</blockquote>'''UB Hochschule Fulda Coffee Lectures zum Datenmanagementplan''' (2x): https://www.hs-fulda.de/hlsb/aktuelles/meldungsdetails/detail/hlsb-coffee-lectures-datenmanagementplaene

'''Katholische Universität Eichstätt-Ingolstadt''': FDM to go; FDM Coffee Lectures (4x) vom 10. Juni 2026 bis zum 08. Juli 2026

'''Universität Heidelberg (UB)''': https://www.ub.uni-heidelberg.de/de/service/schulung/coffee-lectures

== ZBW Coffee Lectures Open Science ==
https://openeconomics.zbw.eu/coffee-lectures-on-open-science-education/

== EOSC Coffee Lectures ==
Aktuell: https://eosc.eu/academy

<blockquote>''"The EOSC Academy serves as an initiative for capacity building, knowledge exchange, and mutual learning within the European Open Science Cloud (EOSC) ecosystem.''"<ref>https://eosc.eu/academy</ref></blockquote>

== 2027 (Selektion) ==

*[[Kategorie:Veranstaltungen]]
*(...)

== Literatur ==
Helmkamp, U., Höhner, K., Hoepfner, I., & Marra, S. (2017). Coffee Lectures im Praxistest. ''O-bib'', ''4''(2), 96-100. https://doi.org/10.5282/o-bib/2017H2S96-100

[https://publikationen.bibliothek.kit.edu/1000082370 Renn, O. (2018). ''Die Erfindung der Coffee Lectures: Alles, was Sie schon immer über Coffee Lectures wissen wollten''. ETH Zürich.]

Strauch, Annette: Coffee Lectures at Hildesheim University. Engaging researchers with innovative topics in a new format. Talk at the International Conference on Emerging Global Trends in University Library Development (ICEGTULD 2019). Nazarbayev University, Nur-Sultran, Kazakhstan, June 6–7, 2019.<ref>https://nur.nu.edu.kz/server/api/core/bitstreams/a2efccf0-0103-410b-bc83-fd5eb33ba171/content</ref>
Ködel, S., & Blumenthal, U. (2020). Coffee Lectures am DHI Paris: Ein Praxisbericht. ''O-bib'', ''7''(2), 1-5. https://doi.org/10.5282/o-bib/5592

Strauch-Davey A. (2022): [https://b-i-t-online.de/heft/2022-06-kolumne-forschungsdaten.pdf Coffee Lectures zum Forschungsdatenmanagement: Offene Wissenschaft im Winter 2022/23].
[[Kategorie:Schulungen, Kurse und Coffee Lectures (Trainings, Courses and Coffee Lectures)]]
[[Kategorie:Schulungen, Kurse und Coffee Lectures]]
[[Kategorie:Coffee Lectures zum Forschungsdatenmanagement]]
[[Kategorie:Ausbildung]]
[[Kategorie:Data Literacy]]

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T18:35:39Z

AnnetteStrauchDavey:

'''KI Literacy (Kompetenzen) im Forschungsdatenmanagement (FDM)''' bezeichnet die Kompetenz, datenbasierte Erkenntnisse und algorithmische Systeme im Forschungsprozess kritisch zu bewerten und nachzuvollziehen.

Sie befähigt Forschende dazu, digitale Werkzeuge zur Organisation, Verarbeitung und Analyse von Forschungsdaten versiert anzuwenden.

Zudem sichert sie einen reflektierten, verantwortungsvollen Umgang mit KI-Technologien. Auf dieser Basis lassen sich digitale Entwicklungen in der Wissenschaft aktiv und zukunftsfähig mitgestalten.

<blockquote>
''"Künstliche Intelligenz bildet eine Querschnittstechnologie, die überall dort zum Einsatz gelangt, wo''

''in großem Umfang Daten anfallen"''<ref>https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf</ref></blockquote>

== KI-Policies (Richtlinien) deutscher Hochschulen im Überblick ==
https://www.bildungsserver.de/onlineressource.html?onlineressourcen_id=67250

= UMGANG MIT KI-MODELLEN IN STUDIUM UND LEHRE =

== Handlungsempfehlung für Lehrende an der Georg-August Universität Göttingen (Beispiel) ==
''Beschlossen durch das Präsidium am 07.01.26''

Link: https://uni-goettingen.de/de/umgang+mit+ki-modellen+in+studium+und+lehre/674738.html (Zugriff am 31.08.2026)

== Ethische Leitlinien zum Einsatz von KI (Universität Regensburg) ==
https://www.uni-regensburg.de/universitaet/digitalisierung/leitfaden-zur-nutzung-von-ki/allgemeine-nutzungsrichtlinien-und-hinweise-fuer-den-einsatz-von-generativer-ki-an-der-universitaet-regensburg/ethische-leitlinien-zum-einsatz-von-ki

<blockquote>''"KI-generierte Inhalte dürfen nicht ungeprüft übernommen werden. Sie sind stets kritisch zu prüfen, zu überarbeiten und in den wissenschaftlichen Kontext einzuordnen.''

''Die inhaltliche Verantwortung liegt uneingeschränkt bei den Autorinnen und Autoren."''<ref>https://www.uni-regensburg.de/universitaet/digitalisierung/leitfaden-zur-nutzung-von-ki/allgemeine-nutzungsrichtlinien-und-hinweise-fuer-den-einsatz-von-generativer-ki-an-der-universitaet-regensburg/ethische-leitlinien-zum-einsatz-von-ki</ref></blockquote>

== Künstliche Intelligenz (KI) an Hochschulen ==
https://www.bildungsserver.de/hochschulbildung/kuenstliche-intelligenz-ki-an-hochschulen-12012-de.html

<blockquote>''"Die dynamische Entwicklung in der Informatik, in der sich mit dem Ausbau des Forschungsfeldes KI''

''(wie auch Data Science) eine Verselbstständigung disziplinärer Teilbereiche andeutet, die Anknüp-''

''fungspunkte zu einer Vielzahl von Anwendungsdisziplinen aufweisen, dürften ebenso wie die wach-''

''sende Notwendigkeit zum Erwerb von Daten- und Informationskompetenz als Bestandteil jedes''

''Hochschulstudiums den ‚interdisziplinären‘ Kommunikations- und Kollaborationsdruck an den Hoch-''

''schulen verstärken."''<ref>https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf</ref></blockquote>

== Künstliche Intelligenz (KI) in der Forschung ==
https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf

KI-Strategiepapier für die NRW-Hochschulen: https://ki-edu-nrw.ruhr-uni-bochum.de/neues-ki-strategiepapier-fuer-die-nrw-hochschulen/

== KI:edu.nrw ==
https://ki-edu-nrw.ruhr-uni-bochum.de/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/querschnittsthemen/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/querschnittsthemen/ethik/

https://ki-edu-nrw.ruhr-uni-bochum.de/neues-ki-strategiepapier-fuer-die-nrw-hochschulen/

https://ki-edu-nrw.ruhr-uni-bochum.de/wp-content/uploads/2025/07/2025_07_09_KI-Strategiepapier_NRW.pdf

== Referenzen ==
https://www.uni-jena.de/395406/data-ai-literacy

Solis, Tobias: Die ChatGPT-Richtlinien der 100 größten deutschen Universitäten, 2023, https://www.scribbr.de/ki-tools-nutzen/chatgpt-universitaere-richtlinien ( aktualisiert am 25. März 2025; Zugriff am 31.08.2026)

Salden, Peter & Leschke, Jonas (eds.) (2024). Learning Analytics und Künstliche Intelligenz in Studium und Lehre. Doing Higher Education. Wiesbaden: Springer VS. https://philpapers.org/rec/SALLAU

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T18:32:14Z

AnnetteStrauchDavey:

'''KI Literacy (Kompetenzen) im Forschungsdatenmanagement (FDM)''' bezeichnet die Kompetenz, datenbasierte Erkenntnisse und algorithmische Systeme im Forschungsprozess kritisch zu bewerten und nachzuvollziehen.

Sie befähigt Forschende dazu, digitale Werkzeuge zur Organisation, Verarbeitung und Analyse von Forschungsdaten versiert anzuwenden.

Zudem sichert sie einen reflektierten, verantwortungsvollen Umgang mit KI-Technologien. Auf dieser Basis lassen sich digitale Entwicklungen in der Wissenschaft aktiv und zukunftsfähig mitgestalten.

<blockquote>
''"Künstliche Intelligenz bildet eine Querschnittstechnologie, die überall dort zum Einsatz gelangt, wo''

''in großem Umfang Daten anfallen"''<ref>https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf</ref></blockquote>

== KI-Policies (Richtlinien) deutscher Hochschulen im Überblick ==
https://www.bildungsserver.de/onlineressource.html?onlineressourcen_id=67250

= UMGANG MIT KI-MODELLEN IN STUDIUM UND LEHRE =

== Handlungsempfehlung für Lehrende an der Georg-August Universität Göttingen (Beispiel) ==
''Beschlossen durch das Präsidium am 07.01.26''

Link: https://uni-goettingen.de/de/umgang+mit+ki-modellen+in+studium+und+lehre/674738.html (Zugriff am 31.08.2026)

== Künstliche Intelligenz (KI) an Hochschulen ==
https://www.bildungsserver.de/hochschulbildung/kuenstliche-intelligenz-ki-an-hochschulen-12012-de.html

<blockquote>''"Die dynamische Entwicklung in der Informatik, in der sich mit dem Ausbau des Forschungsfeldes KI''

''(wie auch Data Science) eine Verselbstständigung disziplinärer Teilbereiche andeutet, die Anknüp-''

''fungspunkte zu einer Vielzahl von Anwendungsdisziplinen aufweisen, dürften ebenso wie die wach-''

''sende Notwendigkeit zum Erwerb von Daten- und Informationskompetenz als Bestandteil jedes''

''Hochschulstudiums den ‚interdisziplinären‘ Kommunikations- und Kollaborationsdruck an den Hoch-''

''schulen verstärken."''<ref>https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf</ref></blockquote>

== Künstliche Intelligenz (KI) in der Forschung ==
https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf

KI-Strategiepapier für die NRW-Hochschulen: https://ki-edu-nrw.ruhr-uni-bochum.de/neues-ki-strategiepapier-fuer-die-nrw-hochschulen/

== KI:edu.nrw ==
https://ki-edu-nrw.ruhr-uni-bochum.de/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/querschnittsthemen/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/querschnittsthemen/ethik/

https://ki-edu-nrw.ruhr-uni-bochum.de/neues-ki-strategiepapier-fuer-die-nrw-hochschulen/

https://ki-edu-nrw.ruhr-uni-bochum.de/wp-content/uploads/2025/07/2025_07_09_KI-Strategiepapier_NRW.pdf

== Referenzen ==
https://www.uni-jena.de/395406/data-ai-literacy

Solis, Tobias: Die ChatGPT-Richtlinien der 100 größten deutschen Universitäten, 2023, https://www.scribbr.de/ki-tools-nutzen/chatgpt-universitaere-richtlinien ( aktualisiert am 25. März 2025; Zugriff am 31.08.2026)

Salden, Peter & Leschke, Jonas (eds.) (2024). Learning Analytics und Künstliche Intelligenz in Studium und Lehre. Doing Higher Education. Wiesbaden: Springer VS. https://philpapers.org/rec/SALLAU

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T18:20:47Z

AnnetteStrauchDavey: /* Künstliche Intelligenz (KI) in der Forschung */

'''KI Literacy (Kompetenzen) im Forschungsdatenmanagement (FDM)''' bezeichnet die Kompetenz, datenbasierte Erkenntnisse und algorithmische Systeme im Forschungsprozess kritisch zu bewerten und nachzuvollziehen.

Sie befähigt Forschende dazu, digitale Werkzeuge zur Organisation, Verarbeitung und Analyse von Forschungsdaten versiert anzuwenden.

Zudem sichert sie einen reflektierten, verantwortungsvollen Umgang mit KI-Technologien. Auf dieser Basis lassen sich digitale Entwicklungen in der Wissenschaft aktiv und zukunftsfähig mitgestalten.

<blockquote>
''"Künstliche Intelligenz bildet eine Querschnittstechnologie, die überall dort zum Einsatz gelangt, wo''

''in großem Umfang Daten anfallen"''<ref>https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf</ref></blockquote>

== KI-Policies (Richtlinien) deutscher Hochschulen im Überblick ==
https://www.bildungsserver.de/onlineressource.html?onlineressourcen_id=67250

== Künstliche Intelligenz (KI) an Hochschulen ==
https://www.bildungsserver.de/hochschulbildung/kuenstliche-intelligenz-ki-an-hochschulen-12012-de.html

<blockquote>''"Die dynamische Entwicklung in der Informatik, in der sich mit dem Ausbau des Forschungsfeldes KI''

''(wie auch Data Science) eine Verselbstständigung disziplinärer Teilbereiche andeutet, die Anknüp-''

''fungspunkte zu einer Vielzahl von Anwendungsdisziplinen aufweisen, dürften ebenso wie die wach-''

''sende Notwendigkeit zum Erwerb von Daten- und Informationskompetenz als Bestandteil jedes''

''Hochschulstudiums den ‚interdisziplinären‘ Kommunikations- und Kollaborationsdruck an den Hoch-''

''schulen verstärken."''<ref>https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf</ref></blockquote>

== Künstliche Intelligenz (KI) in der Forschung ==
https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_59_Kuenstliche_Intelligenz_Hochschulen_HIS-HE.pdf

KI-Strategiepapier für die NRW-Hochschulen: https://ki-edu-nrw.ruhr-uni-bochum.de/neues-ki-strategiepapier-fuer-die-nrw-hochschulen/

== KI:edu.nrw ==
https://ki-edu-nrw.ruhr-uni-bochum.de/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/querschnittsthemen/

https://ki-edu-nrw.ruhr-uni-bochum.de/ueber-das-projekt/phase-2/querschnittsthemen/ethik/

https://ki-edu-nrw.ruhr-uni-bochum.de/neues-ki-strategiepapier-fuer-die-nrw-hochschulen/

https://ki-edu-nrw.ruhr-uni-bochum.de/wp-content/uploads/2025/07/2025_07_09_KI-Strategiepapier_NRW.pdf

== Referenzen ==
https://www.uni-jena.de/395406/data-ai-literacy

Solis, Tobias: Die ChatGPT-Richtlinien der 100 größten deutschen Universitäten, 2023, https://www.scribbr.de/ki-tools-nutzen/chatgpt-universitaere-richtlinien ( aktualisiert am 25. März 2025; Zugriff am 31.08.2026)

Salden, Peter & Leschke, Jonas (eds.) (2024). Learning Analytics und Künstliche Intelligenz in Studium und Lehre. Doing Higher Education. Wiesbaden: Springer VS. https://philpapers.org/rec/SALLAU

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T18:13:41Z

AnnetteStrauchDavey:

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T18:03:01Z

AnnetteStrauchDavey:

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T18:00:25Z

AnnetteStrauchDavey:

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T17:46:41Z

AnnetteStrauchDavey:

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T17:45:19Z

AnnetteStrauchDavey:

KI Literacy im Forschungsdatenmanagement (FDM)

2026-08-31T17:39:06Z

AnnetteStrauchDavey: Die Seite wurde neu angelegt: „xx“

Gute Wissenschaftliche Praxis und Forschungsethik im Zeitalter von Künstlicher Intelligenz (KI)

2026-08-31T17:32:25Z

AnnetteStrauchDavey:

Das Ombudsgremium für die wissenschaftliche Integrität in Deutschland beleuchtet in seinem Beitrag die Schnittstelle zwischen Datenmanagement und Künstlicher Intelligenz im Kontext der Guten Wissenschaftlichen Praxis.

Das Dialogforum verfolgt eine konfliktbasierte Perspektive, um praxisnahe Handlungsempfehlungen zu erarbeiten und den DFG-Kodex für den Umgang mit Forschungsdaten und KI zu spezifizieren. Weitere Informationen finden Sie auf der Ombudsgremium.<ref>https://ombudsgremium.de/9802/forschungsdaten-und-ki/</ref>

(tbc ...) ...