{"id":3655,"date":"2026-01-14T09:39:20","date_gmt":"2026-01-14T09:39:20","guid":{"rendered":"https:\/\/fdm-nds.de\/?page_id=3655"},"modified":"2026-02-02T11:10:21","modified_gmt":"2026-02-02T11:10:21","slug":"schritt-3-daten-aufbereiten-und-analysieren","status":"publish","type":"page","link":"https:\/\/fdm-nds.de\/index.php\/schritt-3-daten-aufbereiten-und-analysieren\/","title":{"rendered":"Schritt 3: Daten aufbereiten und analysieren"},"content":{"rendered":"

[et_pb_section fb_built=”1″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_row column_structure=”1_2,1_2″ _builder_version=”4.27.4″ _module_preset=”default” custom_margin=”|auto|-44px|auto||” custom_padding=”||0px|||” global_colors_info=”{}”][et_pb_column type=”1_2″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_heading title=”Schritt 3: Daten aufbereiten und analysieren” _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_heading][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” min_height=”410.6px” custom_padding=”||0px|||” global_colors_info=”{}”]<\/p>\n

Einf\u00fchrung<\/h2>\n

F\u00fcr eine effektive Datenanalyse in der Forschung sollten folgende Aspekte ber\u00fccksichtigt werden:<\/p>\n

    \n
  1. Datenpr\u00fcfung, -validierung und -bereinigung:<\/strong> Eine sorgf\u00e4ltige Qualit\u00e4tssicherung wird als grundlegend angesehen. Die Daten sollten \u00fcberpr\u00fcft und validiert werden, um Fehler zu identifizieren und zu korrigieren. Eine konsequente Bereinigung wird als Gew\u00e4hrleistung daf\u00fcr angesehen, dass Analysen auf pr\u00e4zisen und zuverl\u00e4ssigen Daten basieren.<\/li>\n
  2. Nutzung fachspezifischer Standards:<\/strong> In der Datenanalysephase ist es wichtig, sich an die anerkannten und fachspezifischen Standards und Methoden des Fachgebiets zu halten und diese genau zu dokumentieren (siehe Exkurs Datendokumentation<\/strong><\/a>), insbesondere in Bezug auf Auswertungsmethoden, Normvokabulare und Dateiformate. Dabei ist die Einhaltung der Grunds\u00e4tze guter wissenschaftlicher Praxis (GWP<\/strong><\/a>) essenziell, insbesondere Leitlinie 11 [1], welche die Anwendung wissenschaftlich fundierter und nachvollziehbarer Methoden sowie die Qualit\u00e4tssicherung und Etablierung von Standards betont.<\/li>\n<\/ol>\n

    [\/et_pb_text][\/et_pb_column][et_pb_column type=”1_2″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_image src=”https:\/\/fdm-nds.de\/wp-content\/uploads\/2026\/01\/FD_Lebenszyklus_S3_Daten_aufbereiten_analysieren_Buhnenbild_Mau_CC-BY.png” alt=”FD-Lebenszyklus Daten aufbereiten und analysieren” title_text=”FD_Lebenszyklus_S3_Daten_aufbereiten_analysieren_B\u00fchnenbild_Mau_CC-BY” _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_image][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=”4.27.4″ _module_preset=”default” min_height=”625.6px” custom_margin=”|auto|-3px|auto||” custom_padding=”30px|||||” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” min_height=”382.6px” custom_margin=”||28px|||” global_colors_info=”{}”]<\/p>\n

    3. Vorbereitung der Daten f\u00fcr die wissenschaftliche Publikation:<\/strong> Die Daten sollten sorgf\u00e4ltig aufbereitet werden, um sie wissenschaftlich zu publizieren. Dies umfasst z.B. die Anonymisierung personenbezogener Daten und die Sicherstellung, dass alle relevanten Informationen f\u00fcr die Leserschaft verst\u00e4ndlich sind.
    4. Dokumentation der Datenauswertung:<\/strong> Eine vollst\u00e4ndige Dokumentation aller Schritte der Datenanalyse ist f\u00fcr das Verst\u00e4ndnis und die Reproduzierbarkeit der Forschung essenziell (siehe     Exkurs Datendokumentation<\/strong><\/a>). Forschende m\u00fcssen alle relevanten Informationen, die zum Zustandekommen eines Forschungsergebnisses f\u00fchren, so nachvollziehbar erfassen, wie es im jeweiligen Fachgebiet erforderlich und angemessen ist, um die \u00dcberpr\u00fcfung und Bewertung der Ergebnisse zu erm\u00f6glichen[2].<\/p>\n

    Rechtliche Aspekte & Ethik<\/h3>\n

    In der Phase der Datenaufbereitung und -analyse ist die sorgf\u00e4ltige Ber\u00fccksichtigung rechtlicher Aspekte erforderlich, die insbesondere in der Datenschutz-Grundverordnung (DSGVO) festgelegt sind. Eine zentrale Frage betrifft die Verarbeitung personenbezogener Daten (siehe Exkurs Rechtliche Aspekte im FDM<\/a><\/strong>). Es gilt der Grundsatz, dass personenbezogene Daten nur verarbeitet werden d\u00fcrfen, wenn eine wirksame Anonymisierung m\u00f6glich ist und eine Rechtsgrundlage nach Art. 6 Abs. 1 DSGVO[3] daf\u00fcr vorliegt, sei es durch Einwilligung der betroffenen Personen oder eine gesetzliche Erlaubnis.
    Bei der Analyse von Daten mit speziellen Anforderungen, wie z.B. Dual Use, gesch\u00fctzte Arten, Tierversuche oder medizinische Daten, m\u00fcssen die unterschiedlichen rechtlichen und ethischen Aspekte ber\u00fccksichtigt werden. Zudem sollte kritisch hinterfragt werden, ob die Forschungsziele auch mit einem geringeren Datenumfang oder durch die Nutzung anonymer bzw. pseudonymer Daten erreicht werden k\u00f6nnten, um die Einhaltung der datenschutzrechtlichen Minimierungsprinzipien sicherzustellen.\u00a0    <\/a><\/p>\n

    [\/et_pb_text][et_pb_divider _builder_version=”4.27.4″ _module_preset=”default” width=”33%” custom_margin=”||0px|||” global_colors_info=”{}”][\/et_pb_divider][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n

    [1] <\/a>https:\/\/wissenschaftliche-integritaet.de\/kodex<\/a>
    [2]     https:\/\/wissenschaftliche-integritaet.de\/kodex\/dokumentation<\/a>
    [3]     https:\/\/dsgvo-gesetz.de\/art-6-dsgvo<\/a><\/p>\n

    [\/et_pb_text][et_pb_heading title=”Weiterf\u00fchrendes” _builder_version=”4.27.4″ _module_preset=”default” title_level=”h3″ min_height=”29px” custom_margin=”1px|||||” custom_padding=”0px|||||” global_colors_info=”{}”][\/et_pb_heading][et_pb_accordion _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” sticky_enabled=”0″][et_pb_accordion_item title=”Digitaler FDM-Assistent f\u00fcr die ingenieurwissenschaftliche Forschung (im Aufbau): Javres” open=”off” _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n

    https:\/\/jarves.nfdi4ing.de\/<\/a><\/p>\n

    [\/et_pb_accordion_item][et_pb_accordion_item title=”Tool f\u00fcr die Anonymisierung qualitativer Forschungsdaten: QualiAnon” _builder_version=”4.27.4″ _module_preset=”default” hover_enabled=”0″ global_colors_info=”{}” open=”on” sticky_enabled=”0″]<\/p>\n

    Das Tool QualiAnon wird von Qualiservice<\/a> bereitgestellt:\u00a0<\/em>
    Tom Nicolai, Kati Mozygemba, Susanne Kretzer, Betina Hollstein, Egor Gordeev (2025): QualiAnon – Qualiservice tool for anonymizing text data (version 1.5.0). Qualiservice. University of Bremen. Software available at:     https:\/\/github.com\/pangaea-data-publisher\/qualianon<\/a><\/p>\n

    Videotutorial zur Nutzung des Dienstes von QualiService: Link<\/a><\/p>\n

    Weitere Informationen sind auch auf forschungsdaten.info<\/a> zu finden.<\/p>\n

    <\/a><\/p>\n

    [\/et_pb_accordion_item][et_pb_accordion_item title=”Tool f\u00fcr statistische Analysen: R” _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n

    https:\/\/www.r-project.org<\/a><\/p>\n

    [\/et_pb_accordion_item][et_pb_accordion_item title=”Tool zur Bereinigung und Transformation von Daten: OpenRefine” _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n

    https:\/\/openrefine.org<\/a><\/p>\n

    Eine sehr umfangreiche Einf\u00fchrung f\u00fcr das Tool bietet SODa<\/a>.<\/p>\n

    [\/et_pb_accordion_item][et_pb_accordion_item title=”Tool f\u00fcr die Daten-Anonymisierung f\u00fcr alle Fachbereiche: Amnesia” _builder_version=”4.27.4″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n

    https:\/\/amnesia.openaire.eu<\/a><\/p>\n

    [\/et_pb_accordion_item][\/et_pb_accordion][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":"

    Einf\u00fchrung F\u00fcr eine effektive Datenanalyse in der Forschung sollten folgende Aspekte ber\u00fccksichtigt werden: Datenpr\u00fcfung, -validierung und -bereinigung: Eine sorgf\u00e4ltige Qualit\u00e4tssicherung wird als grundlegend angesehen. Die Daten sollten \u00fcberpr\u00fcft und validiert werden, um Fehler zu identifizieren und zu korrigieren. Eine konsequente Bereinigung wird als Gew\u00e4hrleistung daf\u00fcr angesehen, dass Analysen auf pr\u00e4zisen und zuverl\u00e4ssigen Daten basieren. Nutzung […]<\/p>\n","protected":false},"author":7,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"class_list":["post-3655","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/pages\/3655","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/comments?post=3655"}],"version-history":[{"count":20,"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/pages\/3655\/revisions"}],"predecessor-version":[{"id":4421,"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/pages\/3655\/revisions\/4421"}],"wp:attachment":[{"href":"https:\/\/fdm-nds.de\/index.php\/wp-json\/wp\/v2\/media?parent=3655"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}