Kursthemen

  • Schluss mit dem Datenchaos - Wie Forschungsdatenmanagement für Ordnung sorgt

    Alles einklappen Alles aufklappen

    • Jessica Stegemann, Ceren Yildiz, Mirjam Blümm, Sina Bock, Katharina Fritsch, Kerstin Kaiser und Torsten Rathmann (2024). Lernbaustein zum FDM: Schluss mit dem Datenchaos - Wie Forschungsdatenmanagement für Ordnung sorgt. FDM@Studium.nrw Selbstlernkurs (Version 1.0).

      Weitere Informationen zum Projekt, den Materialien und Ansprechpartner:innen finden Sie auf unserer Projektwebseite.

      Dieses Werk und dessen Inhalte sind - sofern nicht anders angegeben - lizenziert unter CC BY 4.0. Ausgenommen aus der Lizenz CC BY sind alle Logos.


      Der Lizenzvertrag ist hier abrufbar:

      https://creativecommons.org/licenses/by/4.0/

       

      Das Werk ist online verfügbar unter:

      https://www.orca.nrw/

       

      CC BY-SA Pictogramm
      Projektlogo

      ORCA-Logo
      Logo DH

      Gefördert durch:

      Logo MKW

  • Ein Lernbaustein von FDM@Studium.nrw

    Header Lernbausteine

    Im Projekt FDM@Studium.nrw haben die Bergische Universität Wuppertal (BUW), die Technische Hochschule Köln (TH Köln) und die Universität Duisburg-Essen (UDE) gemeinsam mit der Landesinitiative für Forschungsdatenmanagement - fdm.nrw 2022-2024 fachübergreifende Lern- und Lehrkurse zum Thema Forschungsdatenmanagement (FDM) für den Einsatz in Studium und Lehre (Bachelor und Master) erarbeitet. Gefördert vom Ministerium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen und koordiniert von der Landesinitiative für Forschungsdatenmanagement - fdm.nrw sind folgende Kurse entstanden:
     
    Grundwissen: Datenmanagement in Studium & wissenschaftlicher Praxis (BUW) Kerstin Kaiser und Dr. Torsten Rathmann (2024): Grundwissen: Datenmanagement in Studium & wissenschaftlicher Praxis. FDM@Studium.nrw Selbstlernkurs (Version 1.0).
    FDM@Studium.nrw Blended-Learning-Basiskurs „Forschungsdatenmanagement“ der TH Köln Mirjam Blümm, Katharina Fritsch, Sina Bock, Ursula Arning und Konrad U. Förstner (2024): FDM@Studium.nrw Blended-Learning-Basiskurs „Forschungsdatenmanagement“ der TH Köln (Version 1.0).
    Einführung in das Data Wrangling - Konzepte und Umsetzung in SPSS (UDE) Ella Posny und Angela Heine (2024): Einführung in das Data Wrangling - Konzepte und Umsetzung in SPSS. FDM@Studium.nrw Selbstlernkurs (Version 1.0).
     
    Zudem wurden gemeinsam als Auszug und Erweiterung der Kurse vier Lernbausteine entwickelt, die sich jeweils speziellen Themenbereichen des FDM widmen:
     
    Lernbaustein zum FDM: Von der Idee zur Wissenschaft - Die Entstehung von Forschungsdaten Jessica Stegemann, Ceren Yildiz, Mirjam Blümm, Sina Bock, Katharina Fritsch, Kerstin Kaiser und Torsten Rathmann (2024): Lernbaustein zum FDM: Von der Idee zur Wissenschaft - Die Entstehung von Forschungsdaten. FDM@Studium.nrw Selbstlernkurs (Version 1.0).
    Lernbaustein zum FDM: Schluss mit dem Datenchaos - Wie Forschungsdatenmangement für Ordnung sorgt Jessica Stegemann, Ceren Yildiz, Mirjam Blümm, Sina Bock, Katharina Fritsch, Kerstin Kaiser und Torsten Rathmann (2024): Lernbaustein zum FDM: Schluss mit dem Datenchaos - Wie Forschungsdatenmangement für Ordnung sorgt. FDM@Studium.nrw Selbstlernkurs (Version 1.0).
    Lernbaustein zum FDM: Datenrecycling - Wie Forschungsdaten nachgenutzt werden können Jessica Stegemann, Ceren Yildiz, Mirjam Blümm, Sina Bock, Katharina Fritsch, Kerstin Kaiser und Torsten Rathmann (2024): Lernbaustein zum FDM: Datenrecycling - Wie Forschungsdaten nachgenutzt werden können. FDM@Studium.nrw Selbstlernkurs (Version 1.0).
    Lernbaustein zum FDM: FAIR Play - Warum Forschungsdaten Management brauchen Jessica Stegemann, Ceren Yildiz, Mirjam Blümm, Sina Bock, Katharina Fritsch, Kerstin Kaiser und Torsten Rathmann (2024): Lernbaustein zum FDM: FAIR Play - Warum Forschungsdaten Management brauchen. FDM@Studium.nrw Selbstlernkurs (Version 1.0).

    Alle Materialien stehen unter einer CC BY 4.0 Lizenz zur Verfügung und laden als Open Educational Resources (OER) zur Nachnutzung ein. Die Bereitstellung der Materialien erfolgt über ORCA.nrw und ein GitHub-Repositorium. Weitere Informationen zum Projekt, den Materialien und Ansprechpartner:innen finden Sie zudem auf unserer Projektwebseite. 

  • Beschreibung des Kurses

    Header Dateiformate: Eine Frau hält drei verschiedene Dateiformate in den Händen.

    Dieser Kurs vermittelt grundlegende Kenntnisse und praktische Fähigkeiten im Bereich Daten- und Dateibenennungen und legt dabei einen Fokus auf die Erläuterung des Begriffs "Metadaten". Die Lernenden erfahren, wie sie Daten und Dateien strukturiert benennen und organisieren können. Diese ersten Schritte zur Beschreibung von Daten leiten zur Bedeutung und Anwendung von Metadaten über. Die Teilnehmenden lernen, was Metadaten sind, warum sie wichtig sind und welche Arten von Metadaten es gibt.

    Lernziele

    • Die Lernenden können effektive Strategien zur Dateibenennung und Ordnerstrukturierung anwenden, um die Organisation und Auffindbarkeit von Daten zu optimieren.
    • Die Lernenden können den Begriff "Metadaten" definieren, deren Bedeutung für das Datenmanagement erklären und verschiedene Arten von Metadaten benennen.

    Bearbeitungsdauer

    • ca. 30 Minuten


  • Daten organisieren und gut beschreiben

    In allen Bereichen unseres täglichen Lebens und besonders beim wissenschaftlichen Arbeiten nutzen wir Daten. Um sie verarbeiten und finden zu können, müssen sie in Ordnern auf einem Endgerät gespeichert werden. Eine gute Ordnerbenennung und -sortierung hilft, Datensätze schnell zu identifizieren und aufzurufen. Dabei helfen gut durchdachte Benennungen sowohl von Dateiordnern, als auch von den darin liegenden Daten. Die verwendeten Namen dienen auch als Beschreibung, da sie Rückschlüsse geben können, ob die Daten z.B. bei einer Befragung, einer Laborstudie oder einer Textsammlung entstanden sind.

    In diesem Kapitel erhalten Sie Einblicke, wie Dateiordner sinnvoll strukturiert werden können, was für eine gute Dateibenennung zu beachten ist und was in einer README-Dateien stehen sollte. Zudem erfahren Sie, warum die Zahlen 3-2-1 vor Datenverlust schützen können.

  • Übung: (Daten-)Beschreibungen nachvollziehen

    Um Forschungsaten auffindbar, nachvollziehbar und nachnutzbar zu machen, müssen sie gut beschrieben sein. Bei solchen Datenbeschreibungen ist es oft nicht anders als bei Bedienungs- und Aufbauanleitungen: Nicht jede Beschreibung ist auf Anhieb verständlich. Und das erschwert bisweilen erheblich die Reproduktion!

    In diesem Kapitel können Sie ausprobieren, wie leicht oder schwer Beschreibungen und Anleitungen nachzuvollziehen sind!

  • Metadaten = Daten über Daten

    Selbst eine gute Dateibenennung reicht in der Regel nicht aus, um die in der Datei liegenden Daten ausreichend zu beschreiben. Das allerdings können Metadaten leisten. In diesem Abschnitt erfahren Sie, warum Metadaten so wichtig sind, welche Arten es gibt und was sie bezwecken.

  • Verzeichnis von Quellen

    Hier finden Sie eine Aufstellung der Quellen, die bei der Erstellung des Kurses genutzt wurde.