Wiki-Quellcode von Datenorganisation

Version 17.7 von Gabriele Nicole Stiller am 2025/02/20 11:24

Zeige letzte Bearbeiter
1 {{box cssClass="floatinginfobox" title="**Contents**"}}
2 {{toc/}}
3 {{/box}}
4
5
6 = Ordner- / Verzeichnisstruktur =
7
8 (% class="wikigeneratedid" %)
9 [[image:2025-02-11_Datenorganisation_Ordnerstruktur.jpg||data-xwiki-image-style-text-wrap="true" height="173" width="280"]]
10
11 (% class="wikigeneratedid" %)
12 Ein erster Schritt um effizient mit Daten umzugehen, ist die Erstellung und Nutzung einer klaren Struktur. Zu einer effizienten Datenorganisation gehören grundlegende Punkte wie die Verwendung einer Ordnerstruktur. Jeder Ordner enthält Daten, die strukturell oder inhaltlich zusammengehören und sollte entsprechend benannt werden. Eine Benennung der Ordner nach Mitarbeiterinnen und Mitarbeitern ist nicht zu empfehlen, da nicht sofort ersichtlich ist, was sich in einem solchen Ordner verbirgt. Am besten geeignet, weil am übersichtlichsten, ist eine Ordnerhierarchie mit nicht mehr als 2-3 Ebenen. Um die Anzahl der Ordner und Unterordner so gering wie möglich zu halten, empfiehlt es sich, nach jedem Projekt zu überprüfen, welche Daten und damit Ordner aufbewahrt werden müssen und welche gelöscht werden können.
13
14
15
16 == Readme-Template ==
17
18 ReadMe-Dateien enthalten in kompakter und strukturierter Form Informationen zu Forschungsdaten, Forschungsdatensätzen oder Forschungsdatensammlungen und liegen häufig als einfache Textdatei oder in TEI-xml (.txt; .md; .xml) vor. In diesem Zusammenhang können ReadMe-Dateien begleitend zu Forschungsdaten publiziert werden oder der strukturierten Ablage von Forschungsdaten am Ende eines Projektes dienen (z.B. auf einem Institutsserver oder einem Repositorium zur Archivierung). ReadMe-Dateien sammeln zentrale Metadaten zum Projekt, in dem die Daten entstanden sind (z.B. Projektname, beteiligte Personen, Förderung), geben Auskunft über verwendete Benennungsstandards, Ordnerstrukturen, Abkürzungen und Normdaten und protokollieren Änderungen und Versionierungen von Forschungsdaten.
19
20 == Versionierung ==
21
22 Bei der Arbeit mit Daten verändern sich diese zwangsläufig. Es empfiehlt sich, die jeweiligen Arbeitsstände mit Hilfe von Versionierungen zu kennzeichnen und so nachvollziehbar zu machen. Hierfür sollte ein vorher festgelegtes, einfach verständliches Versionierungsschema (z. B. Version 1.3 oder Version 2.1.4) genutzt werden. Die Versionierung von Daten kann dabei entweder händisch oder mittels Versionierungssoftware wie git erfolgen. Versioniert werden sollte zum einen während des Forschungsprozesses selbst, etwa um verschiedene Arbeitsversionen von Daten zu kennzeichnen, zum anderen bei nachträglichen Veränderungen an bereits veröffentlichten Forschungsdatensätzen, um Nachnutzenden zu ermöglichen, die korrekte Version eines Forschungsdatensatzes zu zitieren.
23
24 == FDM-Workflow ==
25
26 Ein FDM-Workflow ist eine Abfolge wiederholbarer Prozesse, die Forschungsdaten während ihres Lebenszyklus durchlaufen. Dazu gehören Aktivitäten, die bei der Erhebung, Kuratierung und Aufbewahrung sowie bei der Bereitstellung und einer möglichen späteren Entsorgung durchgeführt werden. Diese Definition kann auch auf Aktivitäten erweitert werden, die vor der Erstellung der Forschungsdaten stattfinden. Dazu gehören beispielsweise die FDM-Planung oder auch die Erstellung von Datenmanagementplänen für Förderanträge. Eine klar dokumentierte Workflowstruktur erleichtert die Übersicht, hilft Fehler, wie das Überspringen notwendiger Schritte, zu vermeiden und unterstützt die Datenverwertung insgesamt. Auch die Einarbeitung neuer Mitarbeiterinnen und Mitarbeiter wird erleichtert. Ein möglicher Workflow könnte so aussehen:
27
28 |(% style="width:266px" %)**Projektbeginn**|(% style="width:466px" %)**Projektlaufzeit**|(% style="width:437px" %)**Archivierung**|(% style="width:539px" %)**Veröffentlichung**|(% style="width:539px" %)**Nachnutzung**
29 |(% style="width:266px" %)(((
30 * Datenmanagementplan erstellen
31 * Datenmodellierung planen
32 * Daten zusammenstellen
33 )))|(% style="width:466px" %)(((
34 * Analyse der Daten in einen standardisierten Ablauf bringen
35 * Datendokumentation durch Vergabe von Metadaten (technische, bibliographische)
36 * Erstellung kollaborativer bzw. virtueller Forschungsumgebungen
37 * Visualisierung der Daten
38 * Datensicherung (z. B. durch Backups)
39 )))|(% style="width:437px" %)(((
40 * Festlegen, welche Daten archiviert werden
41 * Metadatenvergabe abschließen und dokumentieren
42 * nachhaltige Datenformate und -träger ermitteln
43 * Zuständigkeiten für die Überführung in das Archiv festlegen
44 )))|(% style="width:539px" %)(((
45 * Publikationsmedium festlegen: Möglichkeiten für Open-Access-Publikation abklären
46 * Forschungsprimärdaten abrufbar gestalten (z. B. in einem Repositorium)
47 * Zitierbarkeit der Daten durch Persistent Identifier gewährleisten
48 )))|(% style="width:539px" %)(((
49 * Langfristige Verfügbarkeit und Zitierbarkeit garantieren
50 * Abklären rechtlicher Aspekte (Urheberrecht, Datenschutz)
51 * mögliche Sperrfristen berücksichtigen
52 )))
53
54 Anstelle eines manuellen und arbeitsintensiven FDM kann der Workflow eines FDM mit Hilfe von Tools automatisiert werden.
55
56 = RZ-Dienste =
57
58 == PowerFolder ==
59
60 == Alfresco ==
61
62 == Archiv ==
63
64
65 == Academic Cloud Services ==
66
67 Über den individuellen Ostfalia-Account kann man Dienste und Tools in der Academic Cloud nutzen. Nach Anmeldung unter  [[https:~~/~~/academiccloud.de/services/>>https://academiccloud.de/services/]] erscheint eine Übersicht über alle freigeschalteten Dienste:
68
69 [[image:250219_Academic_Cloud_Services.png||alt="Übersicht der Academic Cloud Dienste mit Ostfalia-Account"]]
70
71