<style> h1 { color: #005e73 !important; } h2 { color: #005e73 !important; } @media only screen and (max-width: 600px) { .logo { display: none; } } </style> <img class="logo" style="float: right; width: 150px" src="https://www.tub.tuhh.de/wp-content/uploads/2023/08/logo_tu_bib_de5.png"> # Kommentierte DFG-Checkliste für Datenmanagementpläne (DMP) *[Markdown-Datei als Vorlage](https://writemd.rz.tuhh.de/XA_iP_8NR1uE4fyikQQn7g) | [Docx-Datei als Vorlage](https://cloud.tuhh.de/index.php/s/xkHQA4FLMZyBTTX) | [English version](https://writemd.rz.tuhh.de/s/Hjyu5glRN )* :::info **Hinweis:** Dieses Dokument bietet praxisnahe Hilfestellungen für die Beantwortung der Fragen aus der [DFG-Checkliste zum Umgang mit Forschungsdaten](https://www.dfg.de/resource/blob/174732/forschungsdaten-checkliste-de.pdf) (Stand: 21.12.2021). Ziel ist es, Forschende der TU Hamburg bei der Erstellung eines Datenmanagementplans (DMP) zu unterstützen. Auch wenn diese Hilfestellung auf der DFG-Checkliste basiert, ist sie ebenso für Vorlagen anderer Drittmittelgeber nützlich. Die Fragen unterscheiden sich meist nur im Wortlaut oder in der Struktur, während inhaltlich weitgehend die gleichen Informationen abgefragt werden. Gerne können Sie die Antworten auf die Fragen einer Kategorie zusammenfassen. Zur weiteren Unterstützung bei der Erstellung Ihres DMPs steht Ihnen das Tool [TUHH Data Plan](https://tudap.tuhh.de/) zur Verfügung. Die Nutzung des Tools ist optional, ergänzt jedoch die in dieser kommentierten Checkliste gegebenen Hinweise. ::: :::warning Bei Fragen und Anregungen wenden sie sich gerne an das Team Forschungsdaten der TUHH: forschungsdaten@tuhh.de. Weitere Informationen zum Thema Forschungsdatenmanagement finden Sie unter [tub.tuhh.de/forschungsdaten/](https://www.tub.tuhh.de/forschungsdaten/). ::: --- ## Kategorie 1: Datenbeschreibung <details> <summary><strong>1.1 Auf welche Weise entstehen in Ihrem Projekt neue Daten?</strong></summary> Geben Sie an, welche Daten in Ihrem Projekt entstehen und wie diese erzeugt werden. Beschreiben Sie die angewandte Methodik, eingesetzte Geräte, Software und digitalen Verfahren. Wenn mehrere Datensets mit unterschiedlichen Methoden erzeugt werden, beschreiben Sie bitte jeden Datensatz einzeln. Dokumentieren Sie die Bedingungen der Datenerhebung möglichst genau. *(Beispielmethoden: Labor- und Feldversuche, Messungen, Simulationen, Berechnungen, Analysen, Visualisierungen, Fotos/Videoaufnahmen, Softwareentwicklung, Befragungen)* :::info <details><summary><strong>Beispiel 1: Bau- und Umweltingenieurwesen</strong></summary> "Neue Daten entstehen durch experimentelle Materialprüfungen im Labor (z. B. Druck- und Biegetests an Beton- und Verbundproben), durch kontinuierliche Sensoraufzeichnungen (Temperatur, Feuchtigkeit, Schwingungen) sowie durch numerische Simulationen (Finite-Elemente-Modelle). Die Messreihen sind im Zeitraum März bis September 2026 geplant."</details> <details><summary><strong>Beispiel 2: Verfahrenstechnik / Chemieinieurwesen</strong></summary> "Neue Daten entstehen durch chemische Analysen von Materialproben, durchgeführt mittels Gaschromatographie-Massenspektrometrie (GC-MS) und induktiv gekoppelter Plasma-Optischer Emissionsspektrometrie (ICP-OES). Die Probenahme und Auswertung erfolgen in Abstimmung mit dem Zentrallabor, das Qualitätssicherung und Kalibrierung übernimmt. Die Analysen sind zwischen Mai und August 2026 vorgesehen."</details> <details><summary><strong>Beispiel 3: Materialwissenschaften / Nanotechnologie</strong></summary> "Neue Daten entstehen durch hochauflösende Bildaufnahmen mit einem Transmissionselektronenmikroskop (TEM) und einem Rasterelektronenmikroskop (SEM) unter definierten Laborbedingungen. Die Datensätze dienen der strukturellen Analyse und Partikelcharakterisierung. Die Messungen sind für das Frühjahr 2026 geplant."</details> <details><summary><strong>Beispiel 4: Ingenieurinformatik / Robotik</strong></summary> "Neue Daten entstehen durch Simulationen, Laborversuche und Feldtests sowie durch die Integration mobiler Sensoren, Drohnenaufnahmen und tragbarer Geräte (z. B. GPS, Umwelt- und Bewegungssensoren). Die Datenerhebung ist für den Zeitraum März bis Oktober 2026 vorgesehen und wird durch automatisierte Logdaten aus der Steuerungssoftware ergänzt."</details> ::: :::warning **TU Hamburg:** Vor der Erhebung elektronenmikroskopischer Daten empfiehlt sich eine Beratung durch die [Betriebseinheit Elektronenmikroskopie (BEEM)](https://www.tuhh.de/beem/ueber-uns). Bei der Erhebung chemisch-analytischer Daten unterstützt Sie das [Zentrallabor](https://www.tuhh.de/zentrallabor). ::: </details> <details> <summary><strong>1.2 Werden existierende Daten wiederverwendet?</strong></summary> Geben Sie an, ob in Ihrem Projekt bestehende Daten genutzt werden. Dazu zählen eigene frühere Daten sowie Daten Dritter, die öffentlich oder kommerziell verfügbar sind. Sie können beispielsweise als Eingangsdaten für Simulationen, als Referenzwerte oder als Vergleichsdatensätze verwendet werden. * Zitieren Sie die Daten wie wissenschaftliche Publikationen (mit Ersteller*in, Jahr, Datensatzname, Version, Veröffentlichungsort und, falls vorhanden, DOI oder Datensatz-ID) * Geben Sie, sofern bekannt, Lizenz- oder Nutzungsbedingungen an. * Sind die Daten nicht öffentlich zugänglich, beschreiben Sie Herkunft, Kontext und Zugangsbedingungen (z. B. interne Projektlaufwerke, nur für Projektpartner verfügbar). * Falls keine geeigneten Datensätze existieren, genügt ein kurzer Hinweis, dass nach eigener Recherche keine passenden Daten gefunden wurden. :::info <details><summary><strong>Beispiel 1: öffentliche Daten (Wetterdaten)</strong></summary> * "Deutscher Wetterdienst (2021). Monatssumme der Stationsmessungen der Niederschlagshöhe in mm für Deutschland (Version v21.3) [Datensatz]. [urn:x-wmo:md:de.dwd.cdc::OBS_DEU_P1M_RR](https://cdc.dwd.de/sdi/pid/OBS_DEU_P1M_RR/BESCHREIBUNG_OBS_DEU_P1M_RR_de.pdf). Lizenz: Creative Commons BY 4.0"</details> <details><summary><strong>Beispiel 2: öffentliche Daten (Simulation)</strong></summary> * "Knitt, M., Thakkar, M. B., Maroofi, S., Rose, H. W., & Braun, P. M. (2025). Robot Localization Failure Prediction Dataset [Simulation Data]. Technische Universität Hamburg. https://doi.org/10.15480/882.15836. Lizenz: Creative Commons BY 4.0"</details> <details><summary><strong>Beispiel 3: interne Daten</strong></summary> * "Arbeitsgruppe X (2022). DFT-Datenbank: Simulationsergebnisse zu Molekülstrukturen und Materialeigenschaften [Interne Datenbank]. Gespeichert auf Projektlaufwerk der Arbeitsgruppe; nicht öffentlich zugänglich; Zugriff nur für Projektpartner."</details> ::: :::success <details> <summary><strong>Werkzeuge für die Suche nach geeigneten Datensätzen</strong></summary> 1. **Repositorien:** [Re3data — Registry of Research Data Repositories](https://www.re3data.org/) für die Suche nach fachspezifischen oder fachübergreifenden Datenarchiven. 1. **Suchmaschinen**: [DataCite Commons](https://search.datacite.org/) (Index aller Datensätze mit DOI), [OpenAIRE Explore](https://explore.openaire.eu/search/advanced/research-outcomes) (Datenbestände verschiedener europäischer Repositorien), [B2FIND](https://b2find.eudat.eu/) (EUDAT Collaborative Data Infrastructure), [Google Dataset Search](https://datasetsearch.research.google.com/), [Mendeley Data](https://data.mendeley.com/) 1. **Forschungsdatenzentren:** für sensible Daten, Liste unter [Übersicht Datenzentren des KonsortSWD](https://www.konsortswd.de/angebote/forschende/alle-datenzentren/) 1. **Datenjournale:** Publikationen in Data Journals wie [Scientific Data](https://www.nature.com/sdata/) oder [Data in Brief](https://www.sciencedirect.com/journal/data-in-brief) enthalten häufig zugängliche Datensätze, Liste [forschungsdaten.org](https://www.forschungsdaten.org/index.php/Data_Journals) Zusätzlich können Referenzen in Publikationen des Fachgebiets sowie direkte Anfragen an Autor*innen hilfreich sein. </details> ::: </details> <details> <summary><strong>1.3 Welche Datentypen, im Sinne von Datenformaten, entstehen in Ihrem Projekt und auf welche Weise werden die Daten weiterverarbeitet?</strong></summary> Beschreiben Sie, welche Datentypen erzeugt werden (z. B. Messdaten, Bilddaten, Textdaten, Simulationsdaten, Software-Code) und welche Formate dabei genutzt werden. Erläutern Sie außerdem, welche Bearbeitungsschritte die Daten durchlaufen (z. B. Analyse, Transformation, Visualisierung) und welche Tools, Skripte oder Software Sie dafür einsetzen. * Formate können sich je nach Projektphase unterscheiden (z. B. Rohdaten, aufbereitete Daten, Archivversion). Beschreiben Sie diese Schritte, sobald wie möglich. Spätestens zur Archivierung empfiehlt sich die Konvertierung in ein offenes Standardformat. * Zur Übersicht empfiehlt sich eine tabellarische Darstellung, die Datentyp, Formate und ggf. Bearbeitungsschritte zusammenführt. :::info <details><summary><strong>Beispiel 1: Messdaten</strong></summary> * **Rohdaten:** proprietäre Binärformate (z. B. <code>.spc</code>). Enthalten die unbearbeiteten Messwerte direkt vom Gerät. * **Arbeits-/Analyseformat:** Excel (<code>.xlsx</code>). Rohdaten werden importiert, bereinigt und zur Analyse aufbereitet. * **Archiv-/Langzeitformat:** CSV (<code>.csv</code>). Daten werden in einem offenen, standardisierten Format für die Langzeitarchivierung gespeichert. * **Bearbeitung / Tools:** Bereinigung und statistische Analyse mit Python (Pandas, NumPy). Ergebnisse visualisiert und tabellarisch gespeichert. Workflows versioniert in GitHub für Reproduzierbarkeit. </details> <details><summary><strong>Beispiel 2: Elektronenmikroskopische Aufnahmen</strong></summary> * **Rohdaten:** gerätespezifisch (z. B. <code>.dm4</code>, <code>.ser</code>). Unbearbeitete Aufnahmen direkt aus dem Mikroskop. * **Arbeits-/Analyseformat:** TIFF (<code>.tif</code>). Bearbeitung und Analyse der Bilder erfolgen in MATLAB oder ImageJ. * **Archiv-/Langzeitformat:** TIFF (<code>.tif</code>). Langzeitarchivierung unverändert im Standardformat. * **Bearbeitung / Tools:** Bildanalyse, Visualisierung und Annotierung in MATLAB oder ImageJ. Workflows dokumentiert, Zwischenschritte versioniert. </details> <details> <summary><strong>Beispiel 3: Text- und Dokumentdaten</strong></summary> * **Rohdaten / Arbeitsversionen:** Word / LaTeX (<code>.docx</code>, <code>.tex</code>). Inhalte in Bearbeitung und Entwicklung. * **Austauschformat:** PDF (<code>.pdf</code>). Für den Austausch und die Präsentation von Inhalten. * **Archiv-/Langzeitformat:** PDF/A (<code>.pdf/A</code>) oder Text (<code>.txt</code>). Langzeitarchivierung in offenen, stabilen Formaten. * **Bearbeitung / Tools:** Textaufbereitung, Formatierung, PDF-Konvertierung. Versionskontrolle zur Nachvollziehbarkeit. </details> <details> <summary><strong>Beispiel 4: Simulations- und Modellierungsdaten</strong></summary> * **Rohdaten:** MATLAB- oder Solver-Formate (<code>.mat</code>). Originaldaten aus Simulationen oder Modellierungen. * **Arbeits-/Analyseformat:** MATLAB / HDF5 (<code>.mat</code>, <code>.h5</code>). Datenbearbeitung, Visualisierung und Analyse in MATLAB. * **Archiv-/Langzeitformat:** HDF5 (<code>.h5</code>). Offenes Standardformat für langfristige Speicherung. * **Bearbeitung / Tools:** Analyse, Transformation und Visualisierung in MATLAB. Workflows dokumentiert und versioniert für Nachvollziehbarkeit. </details> <details> <summary><strong>Beispiel 5: Software-Code</strong></summary> * **Rohdaten:** Klartext (Python <code>.py</code>, Jupyter <code>.ipynb</code>, MATLAB <code>.m</code>). Unverarbeitete Skripte und Notebooks. * **Archiv-/Langzeitformat:** Klartext unverändert in Repositorien. Langzeitarchivierung in offenen Formaten. * **Bearbeitung / Tools:** Versionierung und Dokumentation der Workflows mit Git. Skriptausführung reproduzierbar; standardisierte R- oder Python-Workflows versioniert in GitHub. </details> ::: :::success <details> <summary><strong>Weiterführende Informationen</strong></summary> * [forschungsdaten.info: Formate erhalten. Inhalte sichern.](https://forschungsdaten.info/themen/veroeffentlichen-und-archivieren/formate-erhalten/) * [National Archives: Tables of file formats](https://www.archives.gov/records-mgmt/policy/transfer-guidance-tables.html) * [LZV.nrw: Interaktive Tafel gängiger Dateiformate](https://www.lzv.nrw/dateiformate/) </details> ::: </details> <details> <summary><strong>1.4 In welchem Umfang fallen die Daten an bzw. welches Datenvolumen ist zu erwarten?</strong></summary> Schätzen Sie, wie viele Daten in Ihrem Projekt entstehen, und geben Sie das Volumen in GB oder TB an. Alternativ können Bandbreiten verwendet werden (z. B. <1 GB, 1–100 GB, 1–2 TB, >100 TB). Unterscheiden Sie dabei zwischen Daten, die nur kurzfristig für die Arbeit benötigt werden, und solchen, die langfristig gespeichert werden sollen. Bei sehr großen Datenmengen (im TB-Bereich) kann zusätzlich die voraussichtliche jährliche Erzeugungsrate angegeben werden, um den Speicher- und Sicherungsbedarf realistisch einzuschätzen. Konkretisieren Sie Ihre Angaben, indem Sie beispielsweise die Anzahl der geplanten Messungen, Simulationen oder Erhebungen sowie die erwartbare Speichermenge pro Durchlauf oder Datensatz nennen. :::info <details><summary><strong>Beispiel 1: Interviews und Online-Befragungen</strong></summary> "Im Projekt sind 25 leitfadengestützte Interviews vorgesehen (ca. 75 Minuten pro Interview). Die Audiodaten werden unkomprimiert (WAV) aufgezeichnet, pro Interview ca. 400 MB. Zusätzlich entstehen komprimierte MP3-Arbeitskopien (ca. 1,9 GB) sowie Transkripte und Annotationsdateien (50–125 MB). Eine Online-Befragung mit 2.000 Teilnehmenden erzeugt weitere 10–20 MB an Rohdaten (CSV/SPSS). Gesamtdatenvolumen: ca. 12–14 GB, langfristig gespeichert werden nur anonymisierte Transkripte und Survey-Daten (<1 GB). </details> <details><summary><strong>Beispiel 2: Labor- und Sensordaten</strong></summary> "Es werden experimentelle Materialprüfungen an 100 Betonproben durchgeführt. Belastungs- und Dehnungsmessungen werden kontinuierlich mittels Sensoren aufgezeichnet (ca. 500 MB Rohdaten pro Prüfling). Zusätzlich entstehen Arbeitskopien für Analysen (ca. 10–15 GB). Die Messreihen erstrecken sich über sechs Monate, sodass die Datenerzeugung gestaffelt erfolgt. Gesamtdatenvolumen: rund 50–65 GB." </details> <details><summary><strong>Beispiel 3: Großflächige Simulationen / Digitale Zwillinge</strong></summary> "Umfangreiche Simulationen eines industriellen Produktionssystems als digitaler Zwilling werden durchgeführt. Jeder Simulationslauf deckt 48 Stunden ab, mit hoher zeitlicher Auflösung (1 Sekunde). Pro Lauf entstehen 50–100 GB Rohdaten, insgesamt sind 300 Läufe vorgesehen. Die Datenerzeugung erfolgt gestaffelt über die Projektlaufzeit. Gesamtdatenvolumen: ca. 15–20 TB."</details> ::: </details> --- ## Kategorie 2: Dokumentation und Datenqualität <details> <summary><strong>2.1 Welche Ansätze werden verfolgt, um die Daten nachvollziehbar zu beschreiben?</strong></summary> Beschreiben Sie, wie Sie Ihre Forschungsdaten dokumentieren, sodass sie langfristig verständlich, auffindbar und nachnutzbar bleiben ([FAIR-Prinzipien: Findable, Accessible, Interoperable, Reusable](https://www.go-fair.org/fair-principles/)). Dokumentieren Sie kontinuierlich, wie und unter welchen Bedingungen Ihre Daten entstehen. Halten Sie fest, wer die Daten erstellt hat, wann und wo sie erhoben wurden, welche Messgeräte, Software oder Modelle zum Einsatz kamen, welche Formate und Einheiten verwendet wurden und welche Versionen vorliegen. Ziel ist, dass Sie selbst und auch Personen außerhalb Ihres Projekts die Daten nachvollziehen, interpretieren und weiterverwenden können. Legen Sie deshalb im Team verbindliche Standards für Benennung, Struktur und Beschreibung der Daten fest und nutzen Sie, wo möglich, anerkannte fachspezifische Metadatenstandards und kontrollierte Vokabulare. Achten Sie darauf, dass die Datendokumentation sowohl in menschenlesbarer Form (z. B. Labornotizen, Codebooks) als auch maschinenlesbar (z. B. XML-Metadaten) erfolgt. Nutzen Sie, wenn sinnvoll, Werkzeuge, die die Eingabe strukturierter Metadaten erleichtern, etwa elektronische Laborbücher oder zentrale Metadatendateien. Die Aufbereitung in maschinenlesbare Formate muss nicht zwingend selbst erfolgen: Häufig stellen Repositorien Webformulare bereit, in denen die wichtigsten Metadaten erfasst werden. Diese werden anschließend automatisch in die entsprechenden Standardformate überführt. Eine gute Praxis ist, während des Projektverlaufs für jedes Datenset (z. B. jeden übergeordneten Ordner) eine ReadMe-Datei zu führen. Diese Dateien enthalten alle Informationen, die notwendig sind, um die Daten während der Arbeit nachvollziehen und korrekt nutzen zu können, zum Beispiel Angaben zur Ordnerstruktur, zu Dateinamenskonventionen, Zugangsrechten oder Backup-Regelungen. Aus den Inhalten dieser verschiedenen projektinternen ReadMe-Dateien lässt sich später die finale ReadMe für die Veröffentlichung erstellen. Diese finale Version fasst die zentralen Informationen zusammen, die externe Nutzer\*innen benötigen, um das Datenset zu verstehen, interpretieren und nachnutzen zu können. Dazu gehören unter anderem Entstehungskontext, Methoden, Variablen, Datenstruktur, Zugangs- und Lizenzbedingungen, Versionierung sowie Kontaktdaten. :::info <details><summary><strong>Beispiel 1: Physikalische Experimente mit Videoaufnahmen</strong></summary> Im Projekt werden über einen Zeitraum von zwölf Monaten Videodaten physikalischer Experimente zu Mikronmustern in Flüssigkristallen erhoben. Jede Videodatei wird unmittelbar nach der Erzeugung systematisch benannt und mit experimentellen Metadaten verknüpft. Die Metadaten enthalten Informationen zu den jeweiligen Versuchsparametern (z. B. Temperatur, Belichtungszeit, Lösungskonzentration, Kamerawinkel) und werden in einer zentralen Schlüsseldatei gepflegt. Diese wird regelmäßig versioniert und zusätzlich automatisiert gesichert. Alle Dateien werden in einer klar strukturierten Verzeichnisstruktur organisiert, die eine eindeutige Zuordnung von Rohdaten, verarbeiteten Daten, Metadaten und Auswertungsskripten ermöglicht. Eine projektweite ReadMe-Datei beschreibt den inhaltlichen Kontext der Daten, die Dateistruktur, die Dateinamenskonventionen, die Backup-Strategie sowie Zuständigkeiten und Lizenzinformationen. **Verzeichnisstruktur:** Projektname_Mikronmuster/ ├─ ReadMe.txt ├─ Daten/ │ ├─ Rohdaten/ │ │ ├─ Experiment_20240312/ │ │ └─ Experiment_20240405/ │ ├─ Verarbeitet/ │ └─ Metadaten/ │ ├─ key_file.xlsx │ ├─ key_file_backup_YYYYMMDD.xlsx │ └─ data_dictionary.csv ├─ Skripte/ │ ├─ Analyse/ │ ├─ Vorverarbeitung/ │ └─ Visualisierung/ └─ Dokumentation/ │ ├─ metadata_documentation.pdf │ └─ project_description.txt **Dateinamenskonventionen:** * Videos: VID_<Experimentdatum>_<Laufnummer>.<Format>, z. B. VID_20240312_001.mp4 * Metadaten: key_file_<Version oder Datum>.xlsx, z. B. key_file_20250110.xlsx * Skripte: analyse_<Versuchsreihe>_<Datum>.py, z. B. analyse_reiheA_20250305.py **Inhalte zentraler Metadatendateien:** * key_file.xlsx: Zuordnung der Videodateien zu experimentellen Parametern (Temperatur, Konzentration, Belichtungszeit, Kameraposition). * data_dictionary.csv: Beschreibung aller in der Schlüsseldatei verwendeten Variablen (Name, Einheit, Beschreibung, Wertebereich). * metadata_documentation.pdf: Angaben zu Datenstruktur, Versionierung, Formatbeschreibung und Beziehungen zwischen Datensätzen. **Verwendete Standards** Die Metadaten orientieren sich an den DataCite-Metadatenfeldern und ermöglichen dadurch eine eindeutige Identifizierung, Nachnutzbarkeit und Publikation im institutionellen Repositorium. Die ReadMe-Datei folgt dem Template der Cornell University und wird fortlaufend gepflegt. </details> <details><summary><strong>Beispiel 2: Interviews und Online-Befragungen</strong></summary> Im Projekt werden Interviews und Online-Befragungen kontinuierlich dokumentiert. Jede Audiodatei, jedes Transkript und jede Annotationsdatei erhält einen eindeutigen Dateinamen, der Rückschlüsse auf Interviewnummer, Datum und Version zulässt. Die Dateien werden in klar strukturierten Verzeichnissen abgelegt, die nach Projektphase, Datentyp und Erhebungstyp gegliedert sind. Ergänzend wird eine zentrale Metadatendatei geführt, die Informationen zu Leitfadenversionen, Durchführung, beteiligten Personen, Zeitpunkten und methodischen Besonderheiten enthält. Fortlaufend wird eine projektweite ReadMe-Datei gepflegt, die übergeordnete Kontextinformationen sowie Angaben zu Zugangs- und Nutzungsbedingungen enthält. **Verzeichnisstruktur:** Projektname/ ├─ ReadMe.txt ├─ Interviews/ │ ├─ Rohdaten/Audio/ │ ├─ Transkripte/ │ ├─ Annotationen/ │ └─ Metadaten/ ├─ Online_Befragungen/ │ ├─ Rohdaten/ │ ├─ Arbeitskopien/ │ └─ Metadaten/ **Dateinamenskonventionen:** - Interviews: `INT_<Laufnummer>_<Datum>[_Version].<Dateiformat>`, z. B. `INT_001_20251008.wav` (Audio), `INT_001_20251008_v1.docx` (Transkript) - Online-Befragungen: `SURV_<Laufnummer>_<Datum>[_Version].<Dateiformat>` , z. B. `SURV_001_20251008.csv` (Rohdatensatz), `SURV_001_20251008_analysis.xlsx` (Arbeitskopie) **Inhalte zentraler Metadatendateien:** - `Interviews_metadata.xlsx`: Leitfadenversion, durchführende Person, Datum/Uhrzeit, Ort/Kontext, Aufnahmeformat und Version, Transkriptversionen, methodische Besonderheiten. - `Surveys_metadata.xlsx`: Fragebogenversion, Erhebungszeitraum, verantwortliche Person, Variablenbeschreibung, Kodierung/Skalen, Hinweise zur Datenbereinigung. **Verwendete Standards** Die zentralen Metadatendateien orientieren sich am [DDI (Data Documentation Initiative)](https://ddialliance.org) Standard. Dadurch können die Daten später in DDI-XML exportiert und im Repositorien eingereicht werden. Die menschenlesbare ReadMe-Datei folgt dem [Template der Cornell University](https://doi.org/10.7298/mhns-zm71) und wird kontinuierlich fortgeschrieben. </details> ::: :::warning **TU Hamburg:** Bei der Veröffentlichung von Daten in [TUHH Open Research (TORE)](https://tore.tuhh.de/home) oder von Software in der [TUHH Zenodo Community](https://zenodo.org/communities/tuhh/records) ist eine ReadMe-Datei verpflichtend. ::: :::success <strong>DFG-Leitlinien für Gute Wissenschaftliche Praxis</strong> Die Dokumentation von Forschungsdaten ist Teil der Guten Wissenschaftlichen Praxis. Entsprechend [DFG-Leitlinie 12: Dokumentation](https://wissenschaftliche-integritaet.de/kodex/dokumentation/) sollen alle für das Zustandekommen eines Forschungsergebnisses relevanten Informationen nachvollziehbar festgehalten werden, um Überprüfbarkeit und Reproduzierbarkeit zu gewährleisten. <strong>Weiterführende Informationen</strong> <details> <summary>Vorlagen für ReadMe-Dateien</summary> Für die Erstellung von ReadMe-Dateien können Sie die folgenden Templates der Cornell University nutzen: * [Writing READMEs for Research Data](https://data.research.cornell.edu/data-management/sharing/readme/) * [Writing READMEs for Research Code & Software](https://data.research.cornell.edu/data-management/sharing/writing-readmes-for-research-code-software/) </details> <details> <summary>Einführungsartikel</summary> * [forschungsaten.info: Datendokumentation - Warum, was, wie](https://forschungsdaten.info/themen/beschreiben-und-dokumentieren/datendokumentation/) * [forschungsdaten.info: FAIRe Daten - Wie die FAIR-Prinzipien umgesetzt werden können](https://forschungsdaten.info/themen/veroeffentlichen-und-archivieren/faire-daten/) </details> <details> <summary>Schulungs- und Informationsmaterialien</summary> * Schmitz, D., Hausen, D. A., Trautwein-Bruns, U., Barodte, W., Dunker, V. S., Grei, P., & Hense, R. (2019). Forschungsdaten und ihre Metadaten [Video]. Medien für die Lehre. [https://doi.org/10.18154/RWTH-2018-231101](https://doi.org/10.18154/RWTH-2018-231101) * Gerlach, R., Schröter, A., & Lang, K. (2021, Februar 24). Coffee Lecture Slides: Datendokumentation. Zenodo. [https://doi.org/10.5281/zenodo.4569528](https://doi.org/10.5281/zenodo.4569528) * Lang, K. (2023, Januar 25). Coffee Lecture Slides: Description of Research Data – The creation of codebooks and README files. Zenodo. [https://doi.org/10.5281/zenodo.7569118](https://doi.org/10.5281/zenodo.7569118) * Lang, K., Roman Gerlach, Jessica Rex, Annett Schröter, & Nadine Neute. (2021, Januar 27). Coffee Lecture Slides: 5S Data. Zenodo. [https://doi.org/10.5281/zenodo.4454596](https://doi.org/10.5281/zenodo.4454596) * Thüringer Kompetenzzentrum Forschungsdatenmanagement. (n.d.). 5S Data: Sort. Abgerufen am 05.11.2025, von [https://forschungsdaten-thueringen.de/schritte/articles/5s-data-sort-de.html](https://forschungsdaten-thueringen.de/schritte/articles/5s-data-sort-de.html) * Data Carpentry: File Organization Lesson [https://datacarpentry.github.io/rr-organization1/](https://datacarpentry.github.io/rr-organization1/) * * Demerdash Y, Dockhorn R, Wilbrandt J (2025) Data Organization Made Easy: Comprehensive Folder Structure Template for Early Career Life/Natural Science Researchers. Data Science Journal, 24: 35, pp. 1–19. DOI: [https://doi.org/10.5334/dsj-2025-035](https://doi.org/10.5334/dsj-2025-035) </details> <details> <summary>Verzeichnisse für Metadatenstandards</summary> * [Helmholtz Metadata Collaboraiotn - Metadata Standards Catalog](https://helmholtz-metadaten.de/tools/metadata-standards-catalog) * [Research Data Alliance - Metadata Standards Catalog](https://rdamsc.bath.ac.uk/) * [DDC (Digital Curation Center) - fachspezifische Metadatenstandards](https://www.dcc.ac.uk/guidance/standards/metadata) * [FAIRsharing - Datenbank für Metadatenstandards](https://www.fairsharing.org) * [TIB Terminology Service](https://terminology.tib.eu/ts) </details> ::: </details> <details> <summary><strong>2.2 Welche Maßnahmen werden getroffen, um eine hohe Qualität der Daten zu gewährleisten?</strong></summary> Beschreiben Sie präventive Maßnahmen zur Qualitätssicherung während der Datenerhebung, -erstellung oder -verarbeitung, um Fehler systematisch zu vermeiden. Beispiele sind die Kalibrierung von Messgeräten, Test- und Vergleichsmessungen, Plausibilitätsprüfungen, standardisierte Abläufe oder konsistente Dokumentation. Auch Schulungen des Personals und die Verwendung validierter Software können zur Qualitätssicherung beitragen. :::info <details><summary><strong>Beispiel 1: Labormessungen</strong></summary> Die TEM- und SEM-Messungen erfolgen nach standardisierten Arbeitsabläufen (Checklisten, SOPs, Projektstandards). Messgeräte werden regelmäßig kalibriert, und kritische Parameter werden durch Wiederholungsmessungen überprüft. Die Dateneingabe erfolgt nach vordefinierten Qualitätskriterien, Eingaben und Ausgaben werden validiert. Alle Parameter, Vorgehensweisen und Versionen werden dokumentiert. Teaminterne Maßnahmen wie Expertenprüfungen, Schulungen und Peer-Reviews sichern zusätzlich die Datenqualität und Nachvollziehbarkeit. </details> <details><summary><strong>Beispiel 2: Interviews und Onlinebefragungen</strong></summary> Zur Sicherung der Datenqualität werden kurze Testaufnahmen vor Beginn durchgeführt. Die Transkription erfolgt nach einem einheitlichen Leitfaden, mit stichprobenartigen Gegenkontrollen durch ein zweites Projektmitglied. Die Online-Befragung wird in einem etablierten Umfragetool realisiert. Eingabefehler werden durch verpflichtende Antworten, Filterführungen und Plausibilitätsprüfungen verhindert. Vorab werden interne Tests und ein Pretest durchgeführt. Alle Schritte (Fragebogenversionen, Testprotokolle, Logbücher) werden dokumentiert, um Transparenz und Nachvollziehbarkeit sicherzustellen. </details> ::: :::success <strong>DFG-Leitlinien für Gute Wissenschaftliche Praxis</strong> [Leitlinie 7: Phasenübergreifende Qualitätssicherung](https://wissenschaftliche-integritaet.de/kodex/phasenubergreifende-qualitatssicherung/) empfiehlt eine kontinuierliche Qualitätssicherung über alle Schritte des Forschungsprozesses, inklusive der Einhaltung fachlicher Standards sowie der Dokumentation von Methoden, Software und Materialien. Auch [Leitlinie 11: Methoden und Standards](https://wissenschaftliche-integritaet.de/kodex/methoden-und-standards/) betont die Bedeutung standardisierter Verfahren und vergleichbarer Methoden für valide und nachnutzbare Ergebnisse. <details> <summary><strong>Weiterführende Informationen</strong></summary> * [NFDI4Ing Data Quality Metrics](https://quality.nfdi4ing.de/en/latest/index.html) – Leitfaden zur Auswahl, Bewertung und Anwendung von Qualitätsmetriken </details> ::: </details> <details><summary><strong>2.3 Sind Qualitätskontrollen vorgesehen und wenn ja, auf welche Weise?</strong></summary> Beschreiben Sie Maßnahmen zur Überprüfung der Datenqualität nach der Erhebung oder Verarbeitung, um Fehler zu erkennen und zu korrigieren. Beispiele sind regelmäßige Prüfungen von Analyse- oder Verarbeitungsskripten, Versionierung (z. B. GitLab), Code Reviews, parallele Kontrollen kritischer Messwerte, fachliche Überprüfung durch Kolleg*innen (Peer-Review) oder statistische Prüfungen auf Ausreißer, fehlende Werte oder Inkonsistenzen. :::info <details><summary><strong>Beispiel 1: Labormessungen</strong></summary> Datensätze werden durch unabhängige Wiederholungsmessungen geprüft, Analyse-Skripte versioniert und regelmäßig auf Konsistenz überprüft. Peer-Reviews stellen die fachliche Korrektheit sicher. Auffällige Werte werden dokumentiert und bei Bedarf korrigiert. </details> <details><summary><strong>Beispiel 2: Interviews und Onlinebefragungen</strong></summary> Transkripte werden stichprobenartig überprüft. Umfragedaten werden auf Vollständigkeit, Plausibilität und Inkonsistenzen kontrolliert. Statistische Analysen auf Ausreißer sichern die Datenqualität. Prüfprotokolle und Versionen der Datensätze werden dokumentiert. </details> ::: :::success <strong>DFG-Leitlinien für Gute Wissenschaftliche Praxis</strong> [Leitlinie 7: Phasenübergreifende Qualitätssicherung](https://wissenschaftliche-integritaet.de/kodex/phasenubergreifende-qualitatssicherung/) empfiehlt eine kontinuierliche, forschungsbegleitende Qualitätssicherung über alle Schritte des Forschungsprozesses, einschließlich der Kontrolle und Korrektur von Daten. [Leitlinie 11: Methoden und Standards](https://wissenschaftliche-integritaet.de/kodex/methoden-und-standards/) unterstreicht, dass standardisierte Verfahren und vergleichbare Methoden die Validität und Nachnutzbarkeit der Ergebnisse sichern. <details><summary><strong>Weiterführende Informationen</strong></summary> * [NFDI4Ing Data Quality Metrics](https://quality.nfdi4ing.de/en/latest/index.html): Leitfaden zur Auswahl, Bewertung und Anwendung von Qualitätsmetriken </details> ::: </details> <details> <summary><strong>2.4 Welche digitalen Methoden und Werkzeuge (z. B. Software) sind zur Nutzung der Daten erforderlich?</strong></summary> Geben Sie an, welche Software, Tools oder Geräte erforderlich sind, damit die Daten korrekt genutzt, analysiert oder reproduziert werden können. Dazu gehören Programme, Skripte, Plugins oder Messinstrumente: * Geben Sie die Versionen der verwendeten Software an. * Dokumentieren Sie eigene Skripte oder Tools, die zur Auswertung verwendet werden. * Bevorzugen Sie standardisierte, offene und etablierte Softwarelösungen. :::info **Beispiel 1:** * „Zur Auswertung der Daten wird MATLAB Version X eingesetzt, ergänzt durch eigene Python-Skripte.“ **Beispiel 2:** * „Für die Visualisierung und Analyse werden Jupyter Notebooks verwendet; die Dokumentation der Notebooks erfolgt zusammen mit den Daten.“ ::: </details> --- ## Kategorie 3: Speicherung und technische Sicherung <details> <summary><strong>3.1 Auf welche Weise werden die Daten während der Projektlaufzeit gespeichert und gesichert?</strong></summary> Während der Projektlaufzeit können Daten an unterschiedlichen Orten gespeichert werden. Da nicht alle Speicherorte automatisch gesichert sind, ist eine regelmäßige Backup-Strategie verpflichtend. Erstellen Sie Kopien und nutzen Sie mehrere Speicherorte gemäß der [3-2-1-Backup-Regel](https://www.nfdi4chem.de/de/3-2-1-regel/). Beschreiben Sie: * Speicherorte: z. B. TUHH-Dateidienste (File Service, Langzeitspeicher) und Webdienste (Nextcloud, GitLab), Institutsserver, externe Datenträger, öffentliche Cloud-Dienste oder lokale Rechner. * Sicherungshäufigkeit: z. B. täglich, wöchentlich oder nach jeder Messung. * Tools und Verfahren: z. B. automatische Backup-Software oder manuelle Sicherung. * Verantwortlichkeiten: wer im Projektteam für die Sicherung zuständig ist. * Zugriff und Aufbewahrung: wo die Sicherungen liegen und wer darauf zugreifen darf. * Sicherungsmaßnahmen unterwegs: z. B. tägliche Backups und getrennte Aufbewahrung im Hotel-Safe. :::info **Beispiel 1: Back-Up-Strategie nach 3-2-1 Regel** Die Rohdaten werden nach jeder Messung vom Geräte-PC auf den TUHH-File-Service (Teambereich) übertragen, wo sie automatisch gespiegelt und per Snapshot gesichert werden. Eine zweite Kopie wird wöchentlich auf einer externen Festplatte im Institut erstellt und offline aufbewahrt. Eine dritte Kopie wird monatlich im Langzeitspeicher (LZS) der TUHH archiviert, der sich in einem separaten Rechenzentrum befindet und Daten bis zu 10 Jahre aufbewahrt. Die Sicherung erfolgt teils automatisch, teils manuell durch die Projektmitarbeitenden; die Projektleitung prüft monatlich die Vollständigkeit. Während Dienstreisen werden neue Daten täglich auf einer externen Festplatte gesichert und nach Rückkehr in die TUHH-Infrastruktur übertragen. ::: :::warning **TU Hamburg** Bitte wenden Sie sich an das [Rechenzentrum der TU Hamburg](https://www.tuhh.de/rzt/startseite/kontakt), wenn Sie speziellen Speicherplatz für Ihre Forschungsdaten benötigen. **TUHH Speicherdienste und Plattformen** Die TUHH stellt verschiedene Services für die Speicherung und Verwaltung von Forschungsdaten bereit: * [File Service](https://www.tuhh.de/rzt/services/dateidienste/fileservice): Homebereiche (20 GB, erweiterbar) und Teambereiche (bis 20 TB). Alle Daten werden stündlich gespiegelt und per Snapshot bis zu 8 Wochen aufbewahrt. * [Langzeitspeicher (LZS)](https://www.tuhh.de/rzt/services/dateidienste/langzeitspeicher): Aufbewahrung von Forschungs- und Projektdaten bis 10 Jahre, eigene Bereiche pro Organisationseinheit, Jahresordner automatisch erstellt, schreibgeschützt, nach 10 Jahren gelöscht. * [Nextcloud](https://www.tuhh.de/rzt/services/dateidienste/cloud): Plattform für sicheren Austausch und Zusammenarbeit an Dateien innerhalb der TUHH; Externe via Freigabelinks einbindbar. Dateien liegen verschlüsselt auf Servern innerhalb des TU-Netzes. Der Dienst ist nicht für Archivierung oder Backups vorgesehen; Accounts werden nach Ablauf gelöscht. * [GitLab](https://www.tuhh.de/rzt/services/webserver/gitlab): Plattform für Versionskontrolle und kollaborative Softwareprojekte; TUHH-Mitglieder können Projekte erstellen, Externe nur mitarbeiten; Rollen regeln Zugriffsrechte; Funktionsaccounts nicht empfohlen. Alle Daten bleiben innerhalb der TUHH. **TUHH Richtlinien:** * [Ablage von Daten in Cloud- oder Kollaborationsdiensten gemäß TUHH-Vorgaben](https://www.tuhh.de/t3resources/tuhh/download/universitaet/it_strategie/Dokumente_TUHH_intern/TUHH_Cloud-Richtlinie_31-10-2014.pdf) ::: :::success <strong>Weiterführende Informationen</strong></summary> <details><summary>Leitfäden</summary> * [NFDI4Chem: 3-2-1-Regel](https://www.nfdi4chem.de/de/3-2-1-regel/) * Heber et al.: Leitfaden zur digitalen Datensparsamkeit. In: obib, 2024/2. DOI: [10.5282/o-bib/6036](https://doi.org/10.5282/o-bib/6036) </details> <details><summary>Speichermedien</summary> * [forschungsdaten.info: Datenspeicherung und die Lebensdauer von Datenträgern](https://forschungsdaten.info/themen/speichern-und-rechnen/datenspeicherung-und-die-lebensdauer-von-datentraegern/) * [Katarzyna Biernacka: AB Speicherung und Backup. Vergleich von Speichermedien](https://padlet.com/biernack/ab-speicherung-und-backup-c3izgipkcyfgoxke) </details> ::: </details> <details> <summary><strong>3.2 Wie wird die Sicherheit sensibler Daten während der Projektlaufzeit gewährleistet (Zugriffs- und Nutzungsverwaltung)</strong></summary> Beschreiben Sie, wie sensible Daten während der Projektlaufzeit vor unbefugtem Zugriff geschützt werden. Sensible Daten sind z. B. personenbezogene Daten, vertrauliche Informationen aus Industriekooperationen oder andere schutzbedürftige Forschungsdaten. Mögliche Schutzmaßnahmen sind: * Zugriffsbeschränkungen: Passwörter, Rollen- und Rechtekonzepte, verschlüsselte Speicherung, sichere Datenübertragung, physische Sicherung externer Datenträger. * Anonymisierung/Pseudonymisierung sensibler Daten. * Klare Rollenverteilung: Zugang nach dem Need-to-know-Prinzip, Dokumentation und regelmäßige Überprüfung der Zugriffsrechte. :::info **Beispiel 1: Vertrauliche Daten** * „Vertrauliche Daten aus der Industriekooperation werden ausschließlich auf TUHH-Servern mit Zugriffsbeschränkung gespeichert. Der Zugriff ist auf die Projektleitung und ausgewählte Mitarbeitende nach dem Need-to-know-Prinzip beschränkt. Eine Weitergabe erfolgt nur nach vorheriger Abstimmung und unter Einhaltung der vereinbarten Non-disclosure agreements (NDAs).“ **Beispiel 2: Personenbezogene Daten** * „Personenbezogene Daten werden pseudonymisiert und verschlüsselt gespeichert; Zugriff erfolgt nur für autorisierte Teammitglieder.“ ::: :::success <details><summary><strong>Weiterführende Informationen</strong></summary> * [forschungsdaten.info: Hilfreiche Tools. Daten anonymisieren](https://forschungsdaten.info/praxis-kompakt/tools/#c518401) * Möhrstedt, J., Dähne, J., Zschiegner, M.-A., & Schuckmann, K. (2025, Januar 9). Verschlüsselung im Forschungsdatenmanagement || Vorstellung von Advanced Encryption Standard. Zenodo. [DOI: 10.5281/zenodo.14620073](https://doi.org/10.5281/zenodo.14620073) </details> ::: </details> --- ## Kategorie 4: Rechtliche Verpflichtungen und Rahmenbedingungen <details> <summary><strong>4.1 Welche rechtlichen Besonderheiten bestehen im Zusammenhang mit dem Umgang mit Forschungsdaten in Ihrem Projekt?</strong> </summary> Beschreiben Sie, welche gesetzlichen, vertraglichen oder ethischen Vorgaben beim Umgang mit Forschungsdaten in Ihrem Projekt zu beachten sind und wie Sie diese berücksichtigen. Mögliche Aspekte sind: * Rechtliche Vorgaben verschiedener Länder * Datenschutzrechtliche Anforderungen bei der Verarbeitung personenbezogener Forschungsdaten (z. B. Rechtsgrundlage nach DSGVO, Einwilligungserklärungen, Informationspflichten, technische und organisatorische Maßnahmen) * Besondere ethische Anforderungen (z. B. Forschung mit vulnerablen Gruppen, medizinisch-technischer Bereich) * Einschränkungen durch Verträge oder Geheimhaltungsvereinbarungen bei Industriekooperationen * Intellektuelle Schutzrechte (z. B. Urheberrecht, Patente) * Risiken durch Veröffentlichung sensibler Daten, die Personen, Gruppen, Einrichtungen oder Objekte gefährden können * Daten, die nur unter eingeschränkten Bedingungen zur Verfügung gestellt wurden :::info **Beispiel 1: klinische Daten** * „Die Nutzung der klinischen Bilddaten erfolgt ausschließlich nach positiver Ethikvotierung durch den [++Ausschuss für ethische Fragestellungen der TUHH++](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/ra-rechtsreferat/ordnungen-richtlinien/satzung-des-ausschusses-fuer-ethische-fragestellung-des-as), die die Einhaltung ethischer Standards und den Schutz von Teilnehmenden überprüft. Alle Daten werden anonymisiert, um den Anforderungen der DSGVO und anderer datenschutzrechtlicher Vorschriften gerecht zu werden. Der Zugriff auf die Daten ist auf berechtigte Projektmitglieder nach dem Need-to-know-Prinzip beschränkt; Zugriffe werden dokumentiert und regelmäßig überprüft. Zur Orientierung bei der Einhaltung rechtlicher und ethischer Vorgaben wird der [++Ethics and Data Protection Decision Tree der Europäischen Union++](https://ec.europa.eu/assets/rtd/ethics-data-protection-decision-tree/index.html) genutzt.“ ::: :::warning **Beratung an der TU Hamburg** Für rechtliche Fragen im Zusammenhang mit Forschungsdaten stehen folgende Stellen zur Verfügung: * [Referat Recht](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/ra-rechtsreferat) (E-Mail: recht@tuhh.de): Beratung zu Datenschutz, Patent- und Markenrechten, Urheberrecht sowie verwandten Schutzrechten. * [Datenschutzkoordination](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/ra-stabsstelle-recht/datenschutz) (E-Mail: datenschutz@tuhh.de): Informationen und Beratung zum Thema Datenschutz. * [Stabstelle Grundsatzangelegenheiten/Kooperationsverträge](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/abteilung-7-finanzen): Beratung zu Geheimhaltungsvereinbarungen in Industriekooperationen. ::: :::success <strong>Weiterführende Informationen</strong> <details><summary>Einführungsartikel</summary> * [forschungsdaten.info: Rechte und Pflichten](https://forschungsdaten.info/themen/rechte-und-pflichten/) * [forschungsdaten.info: Umgang mit Unternehmensdaten planen](https://forschungsdaten.info/themen/informieren-und-planen/umgang-mit-unternehmensdaten-planen/) </details> <details><summary>Empfehlungen und Entscheidungshilfen</summary> * [Stellungnahmen und Empfehlungen der NFDI Sektion Ethical, Legal and Social Aspects](https://www.nfdi.de/section-elsa/) * [Ethics and Data Protection Decision Tree der Europäischen Union](https://ec.europa.eu/assets/rtd/ethics-data-protection-decision-tree/index.html) </details> <details><summary>Anonymisierung von Forschungsdaten</summary> * Ebel, T. & Meyermann, A. (2015): Hinweise zur Anonymisierung von quantitativen Daten. Forschungsdatenzentrum (FDZ) Bildung am DIPF. Frankfurt am Main (forschungsdaten bildung informiert, 3). [https://www.forschungsdaten-bildung.de/files/fdb-informiert-nr-3.pdf](https://www.forschungsdaten-bildung.de/files/fdb-informiert-nr-3.pdf)   * Meyermann, Alexia; Porzelt, Maike (2014): Hinweise zur Anonymisierung von qualitativen Daten. Forschungsdatenzentrum (FDZ) Bildung am DIPF. Frankfurt am Main (forschungsdaten bildung informiert, 1). [https://www.forschungsdaten-bildung.de/files/fdb-informiert-nr-1.pdf](https://www.forschungsdaten-bildung.de/files/fdb-informiert-nr-1.pdf) </details> ::: </details> <details> <summary><strong>4.2 Sind Auswirkungen oder Einschränkungen in Bezug auf die spätere Veröffentlichung bzw. Zugänglichkeit zu erwarten?</strong></summary> Beschreiben Sie, ob rechtliche, vertragliche oder ethische Vorgaben die Zugänglichkeit oder Veröffentlichung Ihrer Forschungsdaten einschränken können. Typische Gründe sind z. B. Schutz personenbezogener Daten, Vertraulichkeitsvereinbarungen, kommerzielle Interessen, geplante Patentanmeldungen oder Sperrfristen in Kooperationsverträgen. Nach Ablauf von Sperr- oder Embargofristen ist eine Veröffentlichung oftmals möglich: bereiten Sie eine spätere Datenpublikation daher frühzeitig vor.  Quelle: P. Brettschneider / [forschungsdaten.info](https://forschungsdaten.info/themen/rechte-und-pflichten/forschungsdaten-veroeffentlichen/) / [CC-BY 4.0](https://creativecommons.org/licenses/by/4.0/) :::info **Beispiel 1: Embargo** * „Die Daten werden nach Ablauf der 12-monatigen Embargofrist veröffentlicht, um die Patentanmeldung nicht zu beeinträchtigen.“ **Beispiel 2: Keine Einschränkungen** * „Es bestehen keine rechtlichen, vertraglichen oder ethischen Einschränkungen für die Veröffentlichung der Daten.“ ::: :::success <details><summary><strong>Weiterführende Informationen</strong></summary> * [forschungsdaten.info: Rechte und Pflichten. Forschungsdaten veröffentlichen](https://forschungsdaten.info/themen/rechte-und-pflichten/forschungsdaten-veroeffentlichen/) </details> ::: </details> <details> <summary><strong>4.3 Auf welche Weise werden nutzungs- und urheberrechtliche Aspekte sowie Eigentumsfragen berücksichtigt?</strong></summary> Diese Frage bezieht sich auf die Nutzung von Daten Dritter und die geplante Veröffentlichung der Daten. Berücksichtigen Sie dabei sowohl urheberrechtliche als auch eigentumsrechtliche Aspekte. Für im Projekt erzeugte Daten: Prüfen Sie, ob ein rechtlicher Schutz (z. B. Urheber-, Datenbank- oder Vertragsrecht) besteht, und vergeben Sie – wenn möglich und angemessen – offene Lizenzen (z. B. [Creative Commons](https://creativecommons.org/share-your-work/cclicenses/), um die Nachnutzung zu erleichtern. Mess- und experimentelle Daten sind in der Regel nicht urheberrechtlich geschützt, da hier die nötige Schöpfungshöhe fehlt; in solchen Fällen kann ein Hinweis auf freie Nutzung (z. B. [Public Domain Mark](https://creativecommons.org/publicdomain/mark/1.0/)) sinnvoll sein. Wenn Daten gemeinsam mit Partnern erzeugt werden, klären Sie Verfügungsrechte und Eigentumsfragen vertraglich (z. B. Kooperationsverträge, Geheimhaltungsvereinbarungen). Für nachgenutzte Daten: Verwenden oder veröffentlichen Sie diese nur, wenn die Rechte eindeutig geklärt sind. Zitieren Sie Quellen korrekt und beachten Sie Lizenzbedingungen oder Nutzungsvereinbarungen. Eine Veröffentlichung ohne entsprechende Rechte ist nicht zulässig. :::warning **Beratung an der TU Hamburg** Für rechtliche Fragen im Zusammenhang mit Forschungsdaten stehen folgende Stellen zur Verfügung: * [Referat Recht](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/ra-rechtsreferat) (E-Mail: recht@tuhh.de): Beratung zu Datenschutz, Patent- und Markenrechten, Urheberrecht sowie verwandten Schutzrechten. * [Stabstelle Grundsatzangelegenheiten/Kooperationsverträge](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/abteilung-7-finanzen): Beratung zu Geheimhaltungsvereinbarungen in Industriekooperationen. **Lizenzvergabe in TORE** * Wenn Sie ihre Daten in [TUHH Open Research (TORE)](https://tore.tuhh.de/) veröffentlichen möchten, stehen Ihnen im [Feld "Lizenz" verschiedene Standardlizenzen](https://media.tuhh.de/tub/fis/hilfe/docs/03_forschungsdaten/forschungsdaten_hochladen/#lizenz) für Daten und Software zur Auswahl. Sollten Sie eine passende Lizenz für Ihre Daten vermissen, sprechen Sie uns gern an. * Die Datenübergabe erfolgt über eine Einreich- bzw. Veröffentlichungslizenz: Mit ihrer Zustimmung gestatten Sie der Universitätsbibliothek, Ihre Daten in TORE langfristig zu archivieren und gemäß Ihren Angaben öffentlich oder zugangsbeschränkt bereitzustellen. ::: :::success <strong>Weiterführende Informationen</strong> <details><summary>Übersichtsartikel und Leitfäden</summary> * [forschungsdaten.info: Urheberrecht](https://forschungsdaten.info/themen/rechte-und-pflichten/urheberrecht/) * [forschungsdaten.info: Rechtssichere Nachnutzung von Forschungsdaten(-banken)](https://forschungsdaten.info/themen/rechte-und-pflichten/rechtssichere-nachnutzung-von-forschungsdaten-banken/) * Kreutzer, T., & Lahmann, H. (2021). Rechtsfragen bei Open Science: Ein Leitfaden. Hamburg University Press. [https://doi.org/10.15460/HUP.211](https://doi.org/10.15460/HUP.211) * Peter Brettschneider, Alexandra Axtmann, Elisabeth Böker, Dirk von Suchodoletz: „Offene Lizenzen für Forschungsdaten. Rechtliche Bewertung und Praxistauglichkeit verbreiteter Lizenzmodelle“. o-bib. Das offene Bibliotheksjournal /Herausgeber VDB, Bd. 8 Nr. 3, 2021, 1-22. DOI: https://doi.org/10.5282/o-bib/5749 </details> <details><summary>Merkblätter und Schulungsmaterialien</summary> * RWTH Aachen: [Merkblatt zum urheberrechtlichen Schutz von Forschungsdaten (2017)](https://www.rwth-aachen.de/global/show_document.asp?id=aaaaaaaaaavchxo). * Brettschneider, P., Biernacka, K., Böker, E., Danker, S. A., Jacob, J., Perry, A., Wiljes, C., & Wuttke, U. (2021, August 24). Urheberrecht und Lizenzierung bei Forschungsdaten. Zenodo. https://doi.org/10.5281/zenodo.5243232 </details> <details><summary>Lizenzen</summary> * [Website "Forschungslizenzen"](http://forschungslizenzen.de) * Für Forschungsdaten: [Creative Commons](https://creativecommons.org/share-your-work/cclicenses/) * Für Software: ["Choose a License"](https://choosealicense.com/) * Für Datenbanken: [Open Data Commons](https://opendatacommons.org/) </details> ::: </details> <details> <summary><strong>4.4 Existieren wichtige wissenschaftliche Kodizes bzw. fachliche Normen, die Berücksichtigung finden sollten?</strong></summary> Viele Fachwissenschaften, Forschungseinrichtungen und Förderorganisationen stellen Leitlinien und Policies zum Umgang mit Forschungsdaten bereit. Für Ihr Projekt sollten diese Vorgaben berücksichtigt werden, um einen verantwortungsvollen Umgang mit Forschungsdaten sicherzustellen. Neben den allgemeinen Anforderungen der DFG können auch fachspezifische Vorgaben sowie Richtlinien von Förderern, Projekten oder Journals relevant sein. Große Verbundprojekte entwickeln in der Regel spezifische Policies, die auf den jeweiligen Projektkontext zugeschnitten sind. :::warning **TU Hamburg** Neben den den [DFG-Leitlinien zur Sicherung guter wissenschaflicher Praxis](https://doi.org/10.5281/zenodo.3923601) können Sie standardmäßig auf die [Satzung zur Sicherung guter wissenschaftlicher Praxis und zum Umgang mit Verdachtsfällen wissenschaftlichen Fehlverhaltens](https://www.tuhh.de/tuhh/tu-hamburg/struktur/verwaltung-und-zentrale-einrichtungen/ra-rechtsreferat/ordnungen-richtlinien/gwp-satzung) sowie auf die [Leitlinien zum Umgang mit Forschungsdaten an der TU Hamburg](https://www.tuhh.de/tuhh/forschung-und-transfer/gute-wissenschaftliche-praxis/leitlinien-forschungsdaten) verweisen. ::: :::success <strong>Weiterführende Informationen</strong> <details><summary>Übersichtsartikel</summary> * [TUHH Universitätsbibliothek: Welche Leitlinien bieten Orientierung? (Website)](https://www.tub.tuhh.de/publizieren/forschungsdaten/leitlinien-und-grundlagen/#FDM-Policies) * [forschungsdaten.info: Leitlinien und Policies. Grundregeln für den Umgang mit Forschungsdaten (Website)](https://forschungsdaten.info/themen/ethik-und-gute-wissenschaftliche-praxis/leitlinien-und-policies/) </details> <details><summary>Leitlinien im Einzelnen</summary> * [forschungsdaten.info: Gute Wissenschaftliche Praxis und FDM. Ein Überblick über die Leitlinien der DFG (Website)](https://forschungsdaten.info/themen/ethik-und-gute-wissenschaftliche-praxis/gute-wissenschaftliche-praxis-und-fdm/) * [DFG-Leitlinien zum Umgang mit Forschungsdaten (PDF)](https://www.dfg.de/resource/blob/172112/leitlinien-forschungsdaten.pdf) * [Fachspezifische Empfehlungen der DFG zum Umgang mit Forschungsdaten (Website)](https://www.dfg.de/de/grundlagen-themen/grundlagen-und-prinzipien-der-foerderung/forschungsdaten/empfehlungen) </details> ::: </details> --- ## Kategorie 5: Datenaustausch und dauerhafte Zugänglichkeit <details> <summary><strong>5.1 Bieten sich diese Daten für die Nachnutzung in anderen Kontexten an?</strong></summary> Beschreiben Sie, ob die im Projekt erzeugten Forschungsdaten nicht nur für das konkrete Projekt, sondern auch für andere Fragestellungen, Disziplinen oder Anwendungsbereiche interessant und nützlich sind. Berücksichtigen Sie dabei mögliche Nachnutzungen in Forschung, Lehre, Entwicklung oder gesellschaftlichen Kontexten. :::info **Beispiel 1:** „Die Messdaten können in Folgeprojekten zur Energieeffizienz oder zur Validierung anderer Modelle wiederverwendet werden.“ **Beispiel 2:** „Die Bild- und Sensordaten können auch als Trainingsdaten für Verfahren des maschinellen Lernens genutzt werden.“ **Beispiel 3:** „Die Datensätze eignen sich für Lehrzwecke, etwa zur Demonstration von Datenanalyseverfahren.“ **Beispiel 4:** „Die Materialproben-Daten können in der Werkstoffforschung und für industrielle Anwendungen nachgenutzt werden.“ ::: </details> <details> <summary><strong>5.2 Nach welchen Kriterien werden Forschungsdaten ausgewählt, um diese für die Nachnutzung durch andere zur Verfügung zu stellen?</strong></summary> Beschreiben Sie, nach welchen Kriterien Sie entscheiden, welche Forschungsdaten für die Nachnutzung durch Dritte bereitgestellt werden. Legen Sie dar, ob es sich um einmalige, nicht reproduzierbare Daten handelt, die eine hohe Priorität zur Archivierung haben, oder um wiederholbare Daten, die prinzipiell erneut erhoben werden können. Definieren Sie, inwiefern wissenschaftlicher Mehrwert, Datenqualität, rechtliche Rahmenbedingungen (z. B. Urheberrechte, Datenschutz), sowie Format- und Langzeitlesbarkeit bei der Auswahl berücksichtigt werden. Machen Sie deutlich, wie Aufwand und Nutzen gegeneinander abgewogen werden und wie sichergestellt wird, dass nur valide und nachnutzbare Daten zur Verfügung gestellt werden. :::info <details><summary><strong>Beispiel 1: Experimentelle Daten und Messdaten</strong></summary> „Daten aus aufwändigen oder einmaligen experimentellen Untersuchungen werden vorrangig archiviert, da ihre erneute Erhebung teuer oder kaum realisierbar ist. Wiederholbare Mess- oder Sensordaten werden ausgewählt, wenn sie einen hohen Mehrwert für Folgeprojekte, Modellvalidierungen oder Lehrzwecke bieten. Bei allen Datensätzen wird auf saubere Dokumentation, offene Formate und Nachvollziehbarkeit geachtet, um die Nachnutzung zu erleichtern.“ </details> <details><summary><strong>Beispiel 2: Umfragedaten</strong></summary> „Die Daten der bundesweiten Online-Befragung von Studierenden im Sommersemester 2024 zur Auswirkungen der Energiekrise auf das Studienverhalten werden archiviert, da es sich um einen in dieser Form einmaligen Datensatz handelt. Um eine hohe Datenqualtät zu gewährleisten werden ausschließlich die vollständig abgeschlossenen Interviews (n = 3.246) veröffentlicht. Um den Schutz der Teilnehmenden zu gewährleisten, werden personenbezogene Angaben (Name, E-Mail, IP-Adresse) vor der Archivierung entfernt. Die Anonymisierung der verbleibenden Variablen erfolgt durch Aggregation sensibler Angaben (z. B. Einkommen in Klassen statt exakten Beträgen). Für die Nachnutzung werden die Daten in offenen Formaten (CSV) bereitgestellt, während proprietäre Formate (SPSS.sav) ergänzend angeboten werden. Daten aus Pretests, unvollständige Interviews sowie interne Projektdokumentationen werden nicht zur Nachnutzung bereitgestellt, da sie keinen wissenschaftlichen Mehrwert besitzen.“ </details> ::: :::success **DFG-Leitlinien für Gute Wissenschaftliche Praxis** Beachten Sie, dass die Forschungsdaten, die einer Publikation zugrunde liegen oder die Nachvollziehbarkeit von Forschungsergebnissen unterstützen, gemäß [DFG-Leitlinie 17: Archivierung](https://wissenschaftliche-integritaet.de/kodex/archivierung/) in der Regel 10 Jahre aufbewahrt werden müssen. <details> <summary><strong>Weiterführende Informationen</strong></summary> * [Digital Curation Center: Five steps to decide what data to keep](https://www.dcc.ac.uk/guidance/how-guides/five-steps-decide-what-data-keep) </details> ::: </details> <details> <summary><strong>5.3/5.4 Planen Sie die Archivierung Ihrer Daten in einer geeigneten Infrastruktur? Falls ja, wie und wo?</strong> </summary> Prüfen Sie zunächst, wie und wo Ihre Daten langfristig gesichert werden können. Gibt es für Ihr Fachgebiet ein anerkanntes Repositorium (z.B. [Chemotion](https://chemotion.net/) in der Chemie, [NOMAD](https://nomad-lab.eu/nomad-lab/) in den Materialwissenschaften, [PANGEA](https://www.pangaea.de/) für Klimadaten, [Repo4Cat](https://repository.nfdi4cat.org/) für Katalysedaten usw.)? Für die Auswahl fachspezifischer Repositorien können Sie Verzeichnisse wie [re3data.org](https://www.re3data.org/) nutzen. Gibt es ein solches Angebot und das Repositorium nimmt Ihre Daten an, können Ihre Daten in jedem Fall dort archiviert und veröffentlicht werden. Gibt es kein derartiges Angebot oder sind Ihre Daten nicht für fachwissenschaftliche Repositorien geeignet, dann nutzen Sie unser [institutionelles Repositorium TORE](ttps://tore.tuhh.de) für Daten oder [Zenodo](https://zenodo.org/communities/tuhh/records) für Software. :::warning **TU Hamburg - institutionelle Archivierung** Für Daten, die nicht extern bereitgestellt werden können, bietet die TUHH Infrastruktur für die Archivierung. Derzeit steht ein [Langzeitspeicher (LSZ) ](https://www.tuhh.de/rzt/services/dateidienste/langzeitspeicher)für die Aufbewahrung von Daten für bis zu zehn Jahre zur Verfügung. Stimmen Sie sich bei Bedarf frühzeitig mit dem [Rechenzentrum](https://www.tuhh.de/rzt/startseite/kontakt) ab. **TORE - Forschungsdaten veröffentlichen** Möchten Sie Ihre [Forschungsdaten auf TORE](https://tore.tuhh.de/search?configuration=tuhh_datasets) archivieren und veröffentlichen? Unsere [Schritt-für-Schritt-Anleitung](https://media.tuhh.de/tub/fis/hilfe/docs/03_forschungsdaten/forschungsdaten_hochladen/) zeigt Ihnen, wie das geht. Wenn Sie zum ersten Mal Daten auf TORE hochladen, empfehlen wir eine persönliche Beratung. Gemeinsam prüfen wir Ihre Daten und die notwendige Aufbereitung. So lassen sich doppelte Uploads vermeiden und der Veröffentlichungsprozess wird deutlich einfacher. Kontaktieren Sie uns gerne unter forschungsdaten@tuhh.de. **Zenodo – Software zitierbar machen** Software spielt in vielen Projekten an der TUHH eine wichtige Rolle. Oft wird sie in GitLab oder GitHub entwickelt, sollte aber dauerhaft zugänglich und zitierbar sein. [Zenodo](https://zenodo.org/communities/tuhh/records) ermöglicht die Archivierung, Vergabe eines DOI und Zuordnung zur TUHH Community, sodass Ihre Software im Zusammenhang mit anderen TUHH-Beiträgen erscheint. Wie das geht, erfahren Sie in unserer [Schritt-für-Schritt-Anleitung](https://www.tub.tuhh.de/blog/2024/03/03/machen-sie-ihre-software-zitierfaehig/). ::: :::success **DFG-Leitlinien für Gute Wissenschaftliche Praxis** Der [Leitlinie 17: Archivierung](https://wissenschaftliche-integritaet.de/kodex/archivierung/) folgend sollen Forschungsdaten für mindestens 10 Jahre gesichert werden. Dazu zählen die Rohdaten, die ihnen zugrunde liegenden zentralen Materialien sowie gegebenenfalls eingesetzte Forschungssoftware. Verkürzte Aufbewahrungsfristen sind nur mit nachvollziehbarer Begründung zulässig. ::: </details> <details> <summary><strong>5.5/5.6 Gibt es Sperrfristen? Wann sind die Forschungsdaten für Dritte nutzbar?</strong></summary> In vielen Repositorien, so auch TORE, können Sie Sperr- oder Embargofristen einstellen. Ihre Daten müssen nicht sofort nach Projektende verfügbar sein, Sie können auch zunächst weitere eigene Forschungspublikationen oder die Erscheinungstermine relevanter Publikationen abwarten. Im Vordergrund stehen zunächst eine potentielle Verfügbarkeit und Auffindbarkeit der Daten. Stellen Sie Ihre Forschungsdaten so offen wie möglich und so geschützt wie unbedingt notwendig bereit. Das Argument „das sind meine Daten“ ohne nachvollziehbare Gründe ist jedoch im Sinne der Guten Wissenschftliche Praxis nicht geltend. :::warning **Eingeschränkte Veröffentlichung in TORE** In [TUHH Open Research (TORE)](https://tore.tuhh.de/) haben Sie die Möglichkeit, den [Zugriff auf einzelne Dateien zu beschränken oder ein Embargo](https://media.tuhh.de/tub/fis/hilfe/docs/03_forschungsdaten/forschungsdaten_hochladen/#zugriffsbeschr%C3%A4nkung-und-embargo) festzulegen, falls rechtliche Einschränkungen für ihre Daten bestehen (closed access). Bei einer Zugriffsbeschränkung dürfen nur autorisierte Personen die Datei einsehen; andere Nutzer*innen erhalten keinen Zugriff. Ein Embargo legt eine zeitlich befristete Sperrung fest. Nach Ablauf der Frist wird die Datei automatisch freigegeben. ::: :::success **DFG-Leitlinien für Gute Wissenschaftlichen Praxis:** Die Bedeutung der Datenpublikation wird noch einmal unterstrichen durch die [Leitlinie 13: Herstellung von öffentlichem Zugang zu Forschungsergebnissen](https://wissenschaftliche-integritaet.de/kodex/herstellung-von-offentlichem-zugang-zu-forschungsergebnissen/). Demnach sollten Forschungsdaten wenn möglich zeitnah verfügbar gemacht werden und dabei im besten Fall den [FAIR-Prinzipien](https://www.go-fair.org/fair-principles/) folgen. ::: </details> --- ## Kategorie 6: Verantwortlichkeiten und Ressourcen <details> <summary><strong>6.1 Wer ist verantwortlich für den adäquaten Umgang mit den Forschungsdaten (Beschreibung der Rollen und Verantwortlichkeiten innerhalb des Projekts)?</strong> </summary> Benennen Sie die verantwortliche Person bzw. Personen für das Forschungsdatenmanagement im Projekt und beschreiben Sie deren Aufgaben. Diese Verantwortung kann auf mehrere Rollen verteilt sein (z. B. Projektleitung, Datenmanager\*in, IT-Verantwortliche). Typische Aufgaben können sein: * Überwachung der Einhaltung von Qualitäts- und Dokumentationsstandards * Einführung neuer Projektmitglieder in Datenmanagement-Workflows * Kontrolle regelmäßiger Daten-Backups * Pflege und Bereitstellung von Dokumentationen (z. B. zu Dateibenennung, Ablagestrukturen, Versionierung) * Funktion als zentrale Ansprechperson für Fragen zum Forschungsdatenmanagement Empfohlene Angabeform: Titel; Vorname Nachname; ORCID (falls vorhanden); berufliche Position; Institut; Kontaktdaten; Rolle im Projekt. :::info <details> <summary><strong>Beispiel 1: Kleinere Projekte</strong></summary> „Projektleiter [Name, ORCID, Institut] übernimmt die Gesamtverantwortung; der in dem Forschungsprojekt verantwortliche Datenmanager [Name, ORCID, Institut] ist für Backup und Dokumentation zuständig. Neue Team/Projektmitglieder werden von [Name, ORCID, Institut] in die Standards des Forschungsdatenmanagments im Projekt eingeführt.“ </details> <details> <summary><strong>Beispiel 2: Verbundprojekt</strong></summary> „Die Verantwortung für das Forschungsdatenmanagement liegt auf zwei Ebenen: Projektweit koordiniert eine zentrale Datenmanagerin (Sprecherhochschule, NAME) die Umsetzung der FDM-Richtlinien, organisiert Schulungen und stellt Vorlagen sowie Dokumentationsstandards bereit. In jedem der drei Teilprojekte ist eine verantwortliche Person benannt, die für die Einhaltung der Standards, die Qualitätskontrolle, die Datenmanagmentpläne und die Veröffentlichung zuständig ist. Partner1: Name1, ORCID, Position, Institut, Kontaktdaten, Rolle im Projekt Partner2: Name2, ORCID, Position, Institut, Kontaktdaten, Rolle im Projekt Partner3: Name3, ORCID, Position, Institut, Kontaktdaten, Rolle im Projekt Neue Projektmitglieder werden durch die Teilprojektverantwortlichen über die Abläufe informormiert. Ergänzend unterstützt die Universitätsbibliothek der TUHH mit FDM-Schulungen für Promovierende.“ </details> ::: :::success **DFG-Leitlinien für Gute Wissenschaftliche Praxis** Die Rollen und Verantwortlichkeiten der beteiligten Personen müssen gemäß [Leitlinie 8](https://wissenschaftliche-integritaet.de/kodex/akteure-verantwortlichkeiten-und-rollen/) zu jedem Zeitpunkt des Forschungsprozesses geklärt sein. Dies gilt auch für den Umgang mit Forschungsdaten. ::: </details> <details> <summary><strong>6.2 Welche Ressourcen (Kosten; Zeit oder anderes) sind erforderlich, um einen adäquaten Umgang mit Forschungsdaten im Projekt umzusetzen?</strong></summary> Planen Sie ausreichend personelle, technische und finanzielle Ressourcen für das Forschungsdatenmanagement ein und betrachten Sie es als festen Bestandteil Ihres Projekts. Personelle Aufwände können Aufgaben im Datenmanagement, der Qualitätssicherung oder IT-Unterstützung umfassen. Bei großen Verbundprojekten kann die Einrichtung einer eigenen Stelle für IT- und Datenmanagement sinnvoll sein. Technische Ressourcen betreffen Speicherplatz, Server, Software, Compute-Cluster oder fachspezifische Repositorien. Dauerhafte Betriebskosten sowie der Aufwand für die Pflege von Webseiten, Datenbanken oder Anwendungen sollten ebenfalls berücksichtigt werden. Die Nutzung des institutionellen Repositoriums der TUHH (TORE) ist kostenfrei. :::warning **TU Hamburg** Sollten im Projekt neue Speicherkapazitäten erforderlich sein, ist eine frühzeitige Abstimmung mit dem [Rechenzentrum der TU Hamburg](https://www.tuhh.de/rzt/startseite/kontakt) zu empfehlen. ::: :::success <strong>Weiterführende Informationen</strong> <details><summary>DFG-Mittel für Forschungsdaten</summary> Insbesondere in sehr großen Verbundprojekten bietet sich auch die Schaffung einer Stelle für den Bereich IT und Datenmanagement an, die auch von der DFG gefördert werden kann. * [Mehr Informationen zu beantragbaren Mitteln finden Sie auf der Seite der DFG](https://www.dfg.de/de/grundlagen-themen/grundlagen-und-prinzipien-der-foerderung/forschungsdaten/beantragbare-mittel). </details> <details><summary>Hilfestellungen FDM-Budgeplanung</summary> * [forschungsdaten.info: FDM-Budgetplanung. Kosten voraus denken und einplanen](https://forschungsdaten.info/themen/informieren-und-planen/fdm-budgetplanung/) * [Service-Team Forschungsdaten der LUH/TIB: Wie lassen sich die Kosten für das Forschungsdatenmanagement abschätzen](https://www.fdm.uni-hannover.de/fileadmin/fdm/Dokumente/240607_KalkulationFDMKosten.pdf) </details> ::: </details> <details> <summary><strong>6.3 Wer ist nach Ende der Laufzeit des Projekts für das Kuratieren der Daten verantwortlich?</strong></summary> Mit einer Kuration der Daten ist die fortlaufende inhaltliche Pflege gemeint, z. B. die Ergänzung oder Korrektur von Daten in einer Datenbank oder die Sicherstellung ihrer dauerhaften Nutz- und Interpretierbarkeit. Wenn Sie Ihre Daten auf [TUHH Open Research (TORE)](https://tore.tuhh.de) oder in anderen Repositorien archivieren und veröffentlichen, findet keine inhaltliche Kuration statt. Änderungen oder Korrekturen an Dateien können nur durch das Anlegen neuer Versionen erfolgen, entsprechend den Regularien der DOI-Vergabe. Eine aktive Migration in neue Dateiformate ist nicht vorgesehen; das Repositorium gewährleistet den physischen Erhalt der Dateien durch Bitstream Preservation. Klären Sie frühzeitig, wer nach Projektende für die Langzeitarchivierung und Pflege der Daten verantwortlich ist. Diese Person sollte idealerweise langfristig an der TU Hamburg beschäftigt sein, z. B. in der Institutsleitung, Projektleitung oder als Oberingenieur*in. Empfohlene Angabeform: Titel; Vorname Nachname; ORCID (falls vorhanden); berufliche Position; Institut; Kontaktdaten; Rolle im Projekt. :::info **Beispiel 1:** Nach Projektende erfolgt keine inhaltliche Kuration; die Daten werden versioniert in einem anerkannten Repositorium (DOI, bitstream preservation) archiviert. **Beispiel 2:** Nach Ende der Laufzeit des Projekts erfolgt keine inhaltliche Kuration der Daten. Die Forschungsdaten werden über das institutionelle Repositorium TORE (TU Hamburg Open Research) mit einem DOI publiziert und dauerhaft auffindbar gemacht. Korrekturen oder Ergänzungen können nach Projektende nur durch die Veröffentlichung neuer Versionen der Datensätze erfolgen. Eine fortlaufende inhaltliche Pflege oder Migration in neue Dateiformate ist nicht vorgesehen. Die Langzeitarchivierung der Daten erfolgt im Rahmen der Bitstream Preservation des Repositoriums TORE. Für die langfristige Betreuung und gegebenenfalls notwendige administrative Anpassungen ist die Projektleitung verantwortlich: [Vorname Nachname]; [ORCID]; [berufliche Position]; [Institut]; [Kontaktdaten]. ::: </details> --- [](https://creativecommons.org/publicdomain/zero/1.0/) Alle Texte in diesem Leitfaden, insbesondere die Textbausteine, sind **frei nutzbar (CC0 1.0)**. Bei Fragen wenden Sie sich gern an das **Team Forschungsdaten** in der Universitätsbibliothek der TU Hamburg: 📧 [forschungsdaten@tuhh.de](mailto:forschungsdaten@tuhh.de) 📞 +49 (0)40 30601-3311 Weitergehende fachspezifische Beratung erhalten Sie bei den [Helpdesks der Nationalen Forschungsinfrastrukturen (NFDI)](https://www.nfdi.de/helpdesks/). Nutzen Sie gern den [TUHH DataPlan](https://tudap.tuhh.de/) zur Erstellung Ihres DMPs: <a href=" https://tudap.tuhh.de/"> <img src="https://writemd.rz.tuhh.de/uploads/94e0410b-6660-4152-9e4f-b3350d84ea67.svg" alt="TUHH Data Plan" width="150"> </a> *Letzte Aktualisierung am 15.04.2026.*