Upload
halien
View
221
Download
0
Embed Size (px)
Citation preview
Data Management & Data Sharing: Eine Einführung
INA DEHNHARD
Leibniz-Institut für Psychologische Information und Dokumentation (ZPID)
Trier, Germany
dvs –Sommerakademie 2014, Heidelberg
EINLEITUNG
• Ausgangslage
• Definitionen
• Gründe & Schwierigkeiten
• Besonderheiten der Psychologie
• Weiterführende Literatur
dvs –Sommerakademie 2014, Heidelberg
Data Management - Ausgangslage
Technischer Fortschritt:
• Digitalisierung
• Erhebung & Speicherung großer Datenmengen möglich
Vernetzung
• Interdisziplinäres Arbeiten
• Datenaustausch
„Data driven science“
dvs –Sommerakademie 2014, Heidelberg
Data Management - Definitionen
Data management covers all aspects of handling, organising, documenting and enhancing research data, and enabling their sustainability and sharing.(UK Data Archive, 2014; http://www.data-archive.ac.uk/create-manage/planning-for-sharing)
Good data management practices are essential in research, to make sure that research data are of high quality, are well organised, documented, preserved and accessible and their validity controlled at all times. This results in efficient and excelling research. Well managed data are easily shared and can thus be used for new research or to duplicate and validate existing research. (UK Data Service, 2014, http://ukdataservice.ac.uk/manage-data.aspx)
dvs –Sommerakademie 2014, Heidelberg
Data Management - Gründe
• Gute wissenschaftliche Praxis
• Nachhaltigkeit
• Datenqualität
• Forderungen (Forschungsförderer, Verlage, …)
• Data Sharing
• Sicherung gegen Fälschungsvorwürfe
dvs –Sommerakademie 2014, Heidelberg
Primärdaten als Grundlagen für Veröffentlichungen sollen auf
haltbaren und gesicherten Trägern in der Institution, wo sie
entstanden sind, zehn Jahre lang aufbewahrt werden. (DFG, 2013)
In Forschung und Lehre tätige Psychologen verpflichten sich, ihre
Forschungsergebnisse zu dokumentieren. Sie sind bereit,
wissenschaftliche Aussagen vollständig und ohne Auflagen
zugänglich zu machen und so ihren Einbezug in den kumulativen
Prozess der Forschung und Lehre zu gewährleisten. (DGPs und
BDP, 1998/2004)
Gute wissenschaftliche Praxis
dvs –Sommerakademie 2014, Heidelberg
Nachhaltigkeit
“The underlying data researchers analyze to come to their published
conclusions … becomes less and less accessible to researchers
over the years.” (Vines et al, 2014)
(D) Predicted probability that the data were extant (either ‘‘shared’’ or ‘‘exist but unwilling to share’’) given that we received a useful response.
dvs –Sommerakademie 2014, Heidelberg
Forderungen
NIH, USA (2003) All National Institutes of Health funded research (>$500K) must have a plan to address the sharing and archiving of data.
Wellcome Trust, UK (2010) All our funded researchers should maximise access to their research data with as few restrictions as possible.
Europäische Kommission (2013) Pilot on Open Research Data (Horizon 2020): Enhance data access and culture of sharing. Data management plan (DMP) mandatory.
dvs –Sommerakademie 2014, Heidelberg
Forderungen
Wissenschaftsrat (2012) • Veröffentlichung von Forschungsdaten in geeigneten
Forschungsdatenzentren • Anerkennung von Erhebung und Publikation von
Forschungsdaten als eigenständige Forschungsleistung
• Einplanung personeller und finanzieller Mittel für die Aufbereitung und Dokumentation der Daten bereits bei Beantragung von Forschungsprojekten
• frühzeitig Kontaktaufnahme zu Infrastruktureinrichtungen bzgl. Data Curation & Archivierung
dvs –Sommerakademie 2014, Heidelberg
Data Management – Data Sharing
Aus: Dr. D. Shotton (2009). ADMIRAL.
dvs –Sommerakademie 2014, Heidelberg
Data Management - Schwierigkeiten
Raw data description
Citable publication
Dr. P. Wittenburg auf der 6. Konferenz für Sozial- & Wirtschaftsdaten, 2014 in Berlin
dvs –Sommerakademie 2014, Heidelberg
Data Management - Schwierigkeiten
Schwierigkeiten
• Aufwendig
Abhängig von Nutzerkreis & gewünschter
Nachhaltigkeit
• Oft kein „Lehrfach“
• Fachwissenschaftler ≠ Datenmanagement-Experten
• Disziplinspezifisch
dvs –Sommerakademie 2014, Heidelberg
Nutzerkreis
Aus: Baker & Millerand (2010). Infrastructuring ecology: Challenges in achieving data sharing.
dvs –Sommerakademie 2014, Heidelberg
Besonderheiten der Psychologie
• Kleine Studien, kleine Projekte
• Vielzahl von Erhebungsverfahren
• Sensible Daten/ Datenschutz
Größerer Dokumentationsaufwand!
dvs –Sommerakademie 2014, Heidelberg
Weiterführende Literatur
Datenmanagement Manuale
ICPSR: Guide to Social Science Data Preparation and Archiving
UK Data Archive: Managing and Sharing Data
ZPID: Datenmanagement und Data Sharing in der Psychologie
dvs –Sommerakademie 2014, Heidelberg
Weiterführende Literatur
Allgemeine Einführungen
Büttner, S., Hobohm, H.-C., & Müller, L. (Hrsg.)(2011). Handbuch Forschungs-datenmanagement. Bad Honnef: Bock + Herchen.
Altenhöner, R. & Oellers, C. (Hrsg.). (2012). Langzeitarchivierung von Forschungsdaten. Standards und disziplinspezifische Lösungen. Berlin: Scivero Verlag
dvs –Sommerakademie 2014, Heidelberg
• Data Management Plans
• Datenschutz & Informed Consent
• Dokumentation: Metadaten
• Datenqualität
• Datensicherung
DATA MANAGEMENT
dvs –Sommerakademie 2014, Heidelberg
Data Management Plans: Gründe
• Forderung von Forschungsförderer (z.B. NIH (USA), …)
• Abschätzung von Arbeitsaufwand & Kosten
• Forschungsbegleitende Dokumentation weniger
aufwendig als retrospektive
• Mehr Zeit & Mitarbeiter zu Anfang als zum Abschluss
eines Forschungsprojekts
dvs –Sommerakademie 2014, Heidelberg
Data Management Plans: Inhalte
• Was (Forschungsdaten, Metadatenstandards, …)
• Wie (Qualitätssicherung, Datensicherung,…)
• Von wem (Rollen & Verantwortlichkeiten)
• Von wem nicht (Datenschutz, Zugangs-
beschränkungen,…)
• Wann (Zeitabläufe festlegen)
• An wen (Kooperationen, Datenübergabe)
dvs –Sommerakademie 2014, Heidelberg
Data Management Plans: Hilfen
• DMPonline Planungstool vom Digital Curation Centre
(entspricht Anforderungen britischer
Fördereinrichtungen & Universitäten sowie NSF)
• DMPTool California Digital Library
(Vorlagen für US Forschungsförderer )
• Checklisten in verschiedenen Data Management
Manualen
dvs –Sommerakademie 2014, Heidelberg
Datenschutz
Anonymisierungsgrad:
• Absolut anonymisiert
• Faktisch anonymisiert
• Formal oder nicht anonymisiert
dvs –Sommerakademie 2014, Heidelberg
Datenschutz
• Absolut anonymisiert
Identifizierung der Vpn unmöglich
public use files
• Faktisch anonymisiert
Identifizierung durch unverhältnismäßig hohen
Aufwand an Zeit, Kosten & Arbeitskraft möglich
scientific use files
• Formal oder nicht anonymisiert
dvs –Sommerakademie 2014, Heidelberg
Datenschutz
Möglichst nur dann personenbezogene Daten speichern,
wenn & solange unbedingt notwendig (z.B.
Längsschnittdesign)
• Getrennte Speicherung
• Zugriffsbeschränkung
• Pseudonymisierung
• …
dvs –Sommerakademie 2014, Heidelberg
Datenschutz
Maßnahmen zur Anonymisierung:
• Löschen der problematischen Variablen
• Umkodieren von Werten
• Kategorisieren
• Beschränkung der Wertgrenzen
• Zusammenfassung zu einem neuen Wert
• …
dvs –Sommerakademie 2014, Heidelberg
Datenschutz
Anmerkungen Informed Consent:
Data Sharing nicht ausschließen!
• Information, wie Daten gespeichert und langfristig
gesichert werden
• Information über Maßnahmen zum Schutz
personenbezogener Daten, z.B. Anonymisierung
• Information, ob, wie & an wen Daten weitergegeben
werden (Data Sharing)
dvs –Sommerakademie 2014, Heidelberg
Informed Consent
Beispiel Nationales Bildungspanel (NEPS):
Alle Daten werden streng vertraulich behandelt und nur für wissenschaftliche Zwecke genutzt. Die Ergebnisse der Befragung werden ausschließlich in anonymisierter Form dargestellt, so dass niemand aus den Ergebnissen erkennen kann, von welcher Person diese Angaben gemacht worden sind. Die NEPS-Daten werden der nationalen und internationalen Wissenschaft in Form eines „Scientific Use Files“ zugänglich gemacht. Diese Daten werden ein reichhaltiges Analysepotenzial für verschiedene an Bildungs- und Ausbildungsprozessen interessierte Disziplinen (wie etwa Demografie, Soziologie, Erziehungswissenschaft, Ökonomie, Psychologie) bieten.
dvs –Sommerakademie 2014, Heidelberg
Informed Consent
Beispiel UK Data Archive „Managing and Sharing Data“: SAMPLE CONSENT FORM FOR INTERVIEWS
dvs –Sommerakademie 2014, Heidelberg
Dokumentation
1. Was sind Metadaten
2. Wozu Metadaten?
3. 2 Ebenen von Metadaten: Studie vs Variablen
4. Beispiele für Metadaten
5. Studienmetadaten PsychData
6. Kodebuch PsychData
dvs –Sommerakademie 2014, Heidelberg
Metadaten: Definitionen
Daten oder Informationen, die in strukturierter Form
Forschungsdaten beschreiben. (vgl. Jensen et al, 2011)
• „Daten über Daten“
• Absuchbar (maschinenlesbar)
• Standardisiert
dvs –Sommerakademie 2014, Heidelberg
Dokumentation
2 Ebenen von Metadaten
• Metadaten im weiteren Sinne:
Studienbeschreibung
(Autor, Titel, Förderung, Erhebungsprozess, …)
• Metadaten im engeren Sinne:
Variablenbeschreibung = Kodebuch
(Variablenname, -label, Wertelabels,…)
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
Metadatenstandards in den Sozialwissenschaften:
• Dublin Core
• DDI (Data Documentation Initiative)
• PsychData Metadatenschema
• …
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
Dublin Core
• Internationaler Standard zur Dokumentation digitaler
Objekte
• 15 Kernelemente
• Erweiterungen durch zusätzliche Felder
• Deutsche Übersetzung:
http://d-nb.info/98646919x/34
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
Beispiel Dublin Core (Fisher et al., 2014; Dryad)
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
Data Documentation Initiative (DDI)
• Internationaler Standard zur Beschreibung sozial- und
verhaltenswissenschaftlicher Datensätze
• Xml-basiert
• Seit Version DDI3.0:
DDI-Lifecycle
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
Beispiel DDI (Silbereisen et al., 2002; GESIS)
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
PsychData Metadaten
• kompatibel mit D.C. und DDI 2.0
• erweitert, um psychologische Studien zu beschreiben
− Bibliografische
− Studienbeschreibende
− Methodenbeschreibende Metadaten
− Dateienbeschreibende
− Variablenbeschreibende
dvs –Sommerakademie 2014, Heidelberg
Beispiele für Metadaten
Kodebuch
• Enthält die Beschreibung zu einzelnen Variablen
• Besteht in den Sozialwissenschaften aus
Variablenname
Variablenlabel
Instruktion/Fragentext
Wertelabels & Fehlende Werte
Häufigkeiten
dvs –Sommerakademie 2014, Heidelberg
Kodebuch
Anmerkungen:
• Benennungsschema für Variablennamen hilfreich
• Fehlende Werte immer definieren
− Wert außerhalb des gültigen Wertebereichs
− Fehlende Werte differenzieren
• Filterfragen kennzeichnen
• Berechnete Variablen beschreiben (bzw. Syntax zur
Berechnung archivieren)
dvs –Sommerakademie 2014, Heidelberg
VARIABLENNAME
Variablenlabel
“Instruktion/Fragentext“
{Gültige Werte}
{Fehlende Werte}
1 “Wertlabel“
2 “Wertlabel“
….
9 “Fehlender Wert“
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
PsychData: Kodebuch
dvs –Sommerakademie 2014, Heidelberg
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
PsychData: Kodebuch
VARIABLENNAME
Variablenlabel
“Instruktion/Fragentext“
{Gültige Werte}
{Fehlende Werte}
1 “Wertlabel“
2 “Wertlabel“
….
9 “Fehlender Wert“
dvs –Sommerakademie 2014, Heidelberg
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
PsychData: Kodebuch
VARIABLENNAME
Variablenlabel
“Instruktion/Fragentext“
{Gültige Werte}
{Fehlende Werte}
1 “Wertlabel“
2 “Wertlabel“
….
9 “Fehlender Wert“
dvs –Sommerakademie 2014, Heidelberg
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
PsychData: Kodebuch
VARIABLENNAME
Variablenlabel
“Instruktion/Fragentext“
{Gültige Werte}
{Fehlende Werte}
1 “Wertlabel“
2 “Wertlabel“
….
9 “Fehlender Wert“
dvs –Sommerakademie 2014, Heidelberg
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
PsychData: Kodebuch
VARIABLENNAME
Variablenlabel
“Instruktion/Fragentext“
{Gültige Werte}
{Fehlende Werte}
1 “Wertlabel“
2 “Wertlabel“
….
9 “Fehlender Wert“
dvs –Sommerakademie 2014, Heidelberg
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
PsychData: Kodebuch
VARIABLENNAME
Variablenlabel
“Instruktion/Fragentext“
{Gültige Werte}
{Fehlende Werte}
1 “Wertlabel“
2 “Wertlabel“
….
9 “Fehlender Wert“
dvs –Sommerakademie 2014, Heidelberg
PsychData Kodebuch & SPSS
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
dvs –Sommerakademie 2014, Heidelberg
PsychData Kodebuch & SPSS
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
dvs –Sommerakademie 2014, Heidelberg
PsychData Kodebuch & SPSS
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
dvs –Sommerakademie 2014, Heidelberg
PsychData Kodebuch & SPSS
MARSTAT marital status “What is Your (current) marital status?“ {1,2,3,4} {9} 1 “married“ 2 “unmarried partnership“ 3 “widowed“ 4 “divorced/separated“ 9 “missing value“
dvs –Sommerakademie 2014, Heidelberg
PsychData: Kodebuch
Beispiel: Offenes Antwortformat (bzw. „String“-Variable)
dvs –Sommerakademie 2014, Heidelberg
Datenqualität
• Gründlich geplantes Versuchsdesign als wichtige
Grundlage
• Automatisierte Erhebungsverfahren, bzw. gut
durchdachtes Erfassungssystem oder Kodierschema
• Eingabemasken
• Mehrfacheingabe
• Prüfung anhand von Deskriptivstatistiken
• …
dvs –Sommerakademie 2014, Heidelberg
Datensicherheit
• Masterdatensatz sichern
• Systemunabhängige Formate (z.B. .txt, .csv,…)
• Fortlaufende Migrationen
• Back-ups, Sicherheitskopien (CD, DVD, Magnetband,..)
• Zugriffsbeschränkungen
• Prüfsummen
• …
dvs –Sommerakademie 2014, Heidelberg
Datensicherheit
Anmerkungen Prüfsumme:
• zur (approx.)Kontrolle der Datenintegrität
• einfaches Mittel, um Veränderungen zu erkennen
• Beispiel MD5:
d34f744c971e7f9bd69be4b59f1ca8b6
• Beispiele für Programme:
Hashmyfiles
MD5summer (http://www.md5summer.org/)
dvs –Sommerakademie 2014, Heidelberg
Data Sharing: Vorteile
• Wissenschaftlicher Fortschritt & Erkenntnis
• Transparenz & Offenheit
• Reanalysen, Metaanalysen & Replikationen
• Verbesserung & Überprüfung statistischer Methoden
• Vermeidung redundanter Datenerhebungen
• Einsatz in der Lehre
• …
dvs –Sommerakademie 2014, Heidelberg
Data Sharing: Hindernisse
• Rechtliche Barrieren (Datenschutz, Copyright,..)
• Zeit- und Geldaufwand für die Datenaufbereitung
• Fehlende Anerkennung („credits“)
• Mögliche Nachteile im wissenschaftlichen
Wettbewerb
• Aufdeckung methodischer Unzulänglichkeiten
• …
dvs –Sommerakademie 2014, Heidelberg
Data Sharing
• Spezialisiertes Datenarchiv,
Forschungsdatenzentrum
• Journal (supplement material oder data paper)
• Repositorium einer Universität oder Institution
• Projekt- oder Instituts-Website
• Informeller Austausch zwischen Kollegen
dvs –Sommerakademie 2014, Heidelberg
Forschungsdatenzentren
Rat für Sozial- und Wirtschaftdaten: www.ratswd.de
dvs –Sommerakademie 2014, Heidelberg
Data Sharing: PsychData
PsychData – Forschungsdatenzentrum für die Psychologie
• Speziell auf die psychologische Forschung ausgerichtete
Data Sharing Plattform
• 2002 durch Leibniz-Zentrum für Psychologische Information
& Dokumentation (ZPID) entwickelt
• Förderung durch Deutsche Forschungs-
gemeinschaft (DFG)
• durch RatSWD akkreditiertes Datenzentrum
dvs –Sommerakademie 2014, Heidelberg
Using DOIs to cite and link to research data
Partly funded by the German Research Foundation
http://www.psychdata.de/
Member of the German Data Forum
Danke für Ihre Aufmerksamkeit !
dvs –Sommerakademie 2014, Heidelberg
Altenhöner, R. & Oellers, C. (Hrsg.). (2012). Langzeitarchivierung von Forschungsdaten. Standards und disziplinspezifische Lösungen. Berlin: Scivero Verlag. Baker, K. S., & Millerand, F. (2010). Infrastructuring ecology: Challenges in achieving data sharing. In J. Parker, N. Vermeulen & B. Penders (Eds.), Collaboration in the New Life Sciences (S. 111-138). Farnham, England: Ashgate. Büttner, S., Hobohm, H.-C. & Müller, L. (Hrsg.). (2011). Handbuch Forschungsdatenmanagement. Bad Honnef: Bock + Herchen. Zugriff am 15.05.2013. Verfügbar unter http://nbn- resolving.de/urn/resolver.pl?urn:nbn:de:kobv:525-opus-2412 Deutsche Forschungsgemeinschaft. (2013). Vorschläge zur Sicherung guter wissenschaftlicher Praxis: Empfehlungen der Kommission „Selbstkontrolle in der Wissenschaft“ (ergänzte Auflage). Weinheim, Deutschland: Wiley-VCH. DGPs/BDP. (1998/2004). Ethische Richtlinien der DGPs und des BDP. Zugriff am 04.08.2014. Verfügbar unter http://www.dgps.de/index.php?id=96422&L=0#c646 Digital Curation Centre (n.d.) DMPonline. Zugriff am 04.08.2014. Verfügbar unter https://dmponline.dcc.ac.uk/ European Commission. (2014). Horizon 2020. Annotated Model Grant Agreements. Article 29 – Dissemination of results. Zugriff am 04.08.2014. Verfügbar unter http://ec.europa.eu/research/participants/data/ref/h2020/grants_manual/amga/h2020-amga_en.pdf Fisher A.V., Godwin K.E., & Seltman, H. (2014). Data from: Visual environment, attention allocation, and learning in young children: when too much of a good thing may be bad. Dryad Digital Repository. Zugriff am 04.08.2014. Verfügbar unter http://dx.doi.org/10.5061/dryad.d2441
Literatur 1(3)
dvs –Sommerakademie 2014, Heidelberg
ICPSR. (2012). Guide to social science data preparation and archiving. Best practice through the data life cycle (5. Aufl.). Ann Arbor, MI: Inter-University Consortium for Political and Social Research. Zugriff am 15.05.2013. Verfügbar unter http://www.icpsr.umich.edu/icpsrweb/content/deposit/guide/ Jensen, U., Katsanidou, A. & Zenk-Möltgen, W. (2011). Metadaten und Standards. In S. Büttner, H.-C. Hobohm & L. Müller (Hrsg.), Handbuch Forschungsdatenmanagement (S. 83–100). Bad Honnef: Bock + Herchen. NIH. (2003). NIH Data Sharing Policy and Implementation Guidance. Bethesda, MD: National Institutes of Health. Zugriff am 15.05.2013. Verfügbar unter http://grants.nih.gov/grants/policy/data_sharing/data_sharing_guidance.htm Shotton, D. (2009). The ADMIRAL Project. Zugriff am 04.08.2014. Verfügbar unter: http://imageweb.zoo.ox.ac.uk/pub/2009/admiral/ADMIRAL_Project_Case_for_Support.pdf Silbereisen, R. K., Vaskovics, L. A., & Zinnecker, J. (2002). Childhood, Adolencence, and Becoming an Adult 1991-1997 - Children Longitudinal 1993-1997. GESIS Data Archive, Cologne. ZA3433 Data file Version 1.0.0, doi:10.4232/1.3433 University of California Curation Center of the California Digital Library (n.d.) DMPTool. Zugriff am 04.08.2014. Verfügbar unter https://dmp.cdlib.org/ van den Eynden, V., Corti, L., Woollard, M., Bishop, L. & Horton, L. (2011). Managing and sharing data. Best practice for researchers (3. Aufl.). Colchester: UK Data Archive. Zugriff am 15.05.2013. Verfügbar unter http://www.data-archive.ac.uk/media/2894/managingsharing.pdf Vines, T. H., Albert, A., Andrew, R. L., De´barre, F., Bock, D.G., Franklin, M. T., Gilbert, K. J., Moore, J. S., Renaut, S., & Rennison, D. J. (2014). The Availability of Research Data Declines Rapidly with Article Age. Current Biology, 24, 94-97.
Literatur 2 (3)
dvs –Sommerakademie 2014, Heidelberg
Wellcome Trust. (2010). Policy on data management and sharing. Zugriff am 04.08.2014. Verfügbar unter: http://www.wellcome.ac.uk/About-us/Policy/Policy-and-position-statements/WTX035043.htm Wissenschaftsrat. (2012, Juli). Empfehlungen zur Weiterentwicklung der wissenschaftlichen Informationsinfrastrukturen in Deutschland bis 2020 (Empfehlung Drs. 2359-12). Verfügbar unter http://www.wissenschaftsrat.de/download/archiv/2359-12.pdf Wittenburg, P. (2014). RDA – Daten als Teil der Wissenschaftskultur. Zugriff am 04.08.2014. Verfügbar unter: http://ratswd.de/6kswd/style/praesentationen/6KSWD_RatSWD_Wittenburg.pdf ZPID. (2013). Datenmanagement und Data Sharing in der Psychologie. Zugriff am 04.08.2014. Verfügbar unter: http://www.psychdata.de/downloads/PsychData-Handbuch_2013.pdf
Literatur 3 (3)