2. Materialien und Daten

Open Materials

In einem Satz

Öffentlich zugängliche und sauber aufbereitete Forschungsmaterialien erhöhen die Nachvollziehbarkeit von Forschung und vereinfachen Reproduktion (erneute Prüfung mit denselben Daten) und Replikation (erneute Prüfung mit neuen Daten).

Worum geht’s?

Open Materials betreffen die transparente Beschreibung, Dokumentation und öffentliche Zurverfügungstellung des methodischen Vorgehens einer Studie. Open Materials ermöglichen damit eine genaue und umfassende Kommunikation des eigenen methodischen Vorgehens, eine angemessene Interpretation der mit diesem Vorgehen erhobenen Daten und der darauf aufbauenden Ergebnisse und eine direkte Replikation des methodischen Vorgehens. Konkret beinhaltet „Open Materials”:

  1. die Dokumentation aller verwendeten Abläufe, Gerätschaften, Materialien und erfassten Variablen

  2. die Zurverfügungstellung dieser Dokumentation auf einem öffentlich zugänglichen Online-Repositorium

Die akkurate Beschreibung der relevanten Methoden im Paper (Vorgehen und Begründung Stichprobenziehung, Ausschluss von Versuchspersonen/Daten, alle relevanten Prozeduren und Variablen) plus Link zu der zusätzlichen öffentlichen Dokumentation (Codebook, alle Materialien)

Publikationen

Weiterführende Informationen

Lösungen

Open Materials können auf sehr unterschiedliche Art und Weise, mit unterschiedlichsten Hilfsmitteln und in sehr unterschiedlichem Detailgrad bereitgestellt werden. Ziel sollte es jeweils sein, einen vollständigen Überblick der Methodik einer Studie zu geben (inkl. solcher Prozeduren und Variablen, die ggf. nicht in ein konkretes Paper eingeflossen sind) und hierüber eine angemessene Interpretation der Ergebnisse und eine direkte Replikation der Datenerhebung prinzipiell zu ermöglichen. Optimalerweise sollte eine direkte Verbindung mit Open Data gegeben sein, indem für jede in einem Codebook oder einer Variablenliste beschriebene Variable auch der im Datensatz verwendete Name angegeben wird.

Open Materials: KURZ UND KNAPP

Auch bei begrenzter Zeit lassen sich Open Materials Praktiken in den Forschungsablauf integrieren. Das Ergebnis der Open Materials Dokumentation könnte bspw. ein 2-3-seitiges PDF-Dokument sein, in dem die Abläufe und Instrumente knapp als Bullet-Point-Listen zusammengefasst sind, ggf. ergänzt um eine Excel-Datei, in der alle Items inkl. Wortlaut und Bereich möglicher Ausprägungen aufgeführt sind. Weitere/alternative schnell zu erstellende Materialien sind je nach Untersuchungskontext denkbar (bspw. exportierte Unipark-Codebooks im Fall von Online Surveys oder Online-Experimenten).

1. Beschreiben Sie die Abläufe, mit denen ihre Daten erzeugt wurden.

Ihre Auflistung sollte Nachnutzenden einen Überblick darüber geben, wie Sie bei Ihrem Forschungsvorhaben vorgegangen sind. Nennen Sie alle Versuchsabläufe und verwendeten Instrumente (inkl. ggf. Referenz) in der Reihenfolge der tatsächlichen Durchführung.

2. Beschreiben Sie die erfassten Variablen.

  1. Erstellen Sie eine Liste mit allen verwendeten Variablen (inkl. Name, Bedeutung, Wortlaut, Wertebereich).

  2. Kennzeichnen Sie eigenkreierte Items, falls vorhanden.

  3. Nennen Sie die von Ihnen verwendeten Skalen und die Itemzuordnungen zu Skalen (inkl. ggf. notwendige Rekodierungen).

3. Laden Sie Ihre Dokumentation hoch.

Laden Sie Ihre in den Schritten 1 und 2 erstellte Dokumentation der Methoden und zusätzlich alle verwendeten Originalmaterialien (wenn lizenzrechtlich möglich) auf einem öffentlich zugänglichen Repositorium (bspw. www.osf.io) hoch.

4. Verlinken Sie die Dokumentation im Paper.

Zusätzlich zur Beschreibung der Methoden im Paper selbst sollten sie in den Text des Papers einen Link integrieren, der zu der Open Materials Dokumentation führt.

Open Materials: DETAILLIERT

Wenn möglich ist eine ausgiebigere und mit Beginn der Planung eines Forschungsprojekts angelegte Dokumentation aller Methoden zu empfehlen.

1. Erstellen Sie ein Codebuch.

Eine vollständige und nachvollziehbare Dokumentation der Methodik über ein systematisches Codebook macht nicht nur die eigene Vorgehensweise transparent und verständlich, sondern hilft auch, Fehler und Hürden früh zu entdecken und zu beseitigen. Sie ist zudem eine gute Grundlage für die Planung weiterer (Anschluss-)Studien. Um eine optimale internationale Rezeption zu ermöglichen, ist es in den meisten Fällen empfehlenswert, eine deutsche und eine englische Version des Codebooks (und aller Materialien) zur Verfügung zu stellen. Häufig empfiehlt sich eine Trennung des Codebooks in eine Dokumentation auf Studienebene und eine Dokumentation auf Variablenebene. Aber auch integrierte Lösungen sind denkbar, in denen bspw. Instruktionen zu einem Verfahren und die jeweilige Referenz direkt von der Beschreibung der mit dem Verfahren erfassten Variablen gefolgt werden. Die im Folgenden beispielhaft beschriebenen Hinweise sind nur eine von vielen möglichen Lösungen.

1.1 Dokumentation auf Studienebene

Erstellen Sie eine Datei, in der Sie Angaben zu folgenden Kategorien machen:

  1. Beteiligte: Personen, Institutionen und ihre Rollen/Beiträge

  2. Titel des Forschungsvorhabens

  3. Hintergrund der Studie: Theoretischer Hintergrund, Verweise auf Hintergrundliteratur, Zielsetzung, Fragestellung etc.

  4. Stichprobenmerkmale: Details zur Gewinnung der Stichprobe z. B. Beschreibung der Zielpopulation, Power-Analyse, Ziehungsprozedur, finale Stichprobengröße etc.)

  5. Gewichtungsverfahren: falls relevant: Beschreibung der Prozedur zur Gewinnung von Gewichtungsfaktoren

  6. Erhebungszeitraum

  7. Erhebungsort

  8. Beschreibung der Datenerhebungsprozedur: Terminierung und Ablauf der Erhebungssitzungen ggf. inkl. der Beschreibung eines standardisierten Versuchsleiter-Verhaltens, angewendete Erhebungsinstrumente (inkl. Referenzen), alle Instruktionen, Software und Hardware

  9. Beschreibung der Maßnahmen zur Sicherung der Datenqualität: Pilotstudien, Konsistenzprüfungen etc.

  10. Angaben zu nachgenutzten Sekundärdaten

  11. Fördermittel, Förderkennzeichen

  12. Schlagworte zur inhaltlichen und methodischen Charakterisierung der Studie: z. B. Klinische Studie, Querschnittsstudie

  13. Aus der Studie hervorgegangene Datensätze: Beschreibung der Datensätze und Verweis auf die entsprechenden Datensatz-Dateien

  14. Aus der Studie hervorgegangene Publikationen

  15. Sonstige für die Dateninterpretation wichtige Dokumente: Kurzbeschreibung und Verweis auf die entsprechenden Dateien

1.2 Dokumentation auf Variablenebene

Ein ausführliches syntaxkonformes Codebuch auf Variablenebene kann bspw. folgende Bestandteile aufweisen und in folgender Syntax notiert sein:

<Variablenname> (1) <Variablenbeschreibung> (1) "<Variablenitem>" (1) {<Wertemenge>} (1) {<Fehlermenge>} (1) <Wert> "<Wertelabel>" (1 oder mehr) <Fehlender Wert> "<Label fehlender Wert>" (1 oder mehr)

Ein Beispiel für eine Variable könnte so aussehen:

FAM_ZU Zufriedenheit mit der Familie (Filterfrage) "Wie zufrieden sind Sie im Augenblick mit Ihrer Familie?" {1;2;3;4} {97;98;99} 1 "nicht zufrieden" 2 "" 3 "" 4 "sehr zufrieden" 97 "fehlender Wert (Vp verweigert)" 98 "fehlender Wert (Vp weiß es nicht)" 99 "fehlender Wert (Frage nicht zutreffend)"

Alternative Lösungen bestehen darin, über Tabellen (in Excel oder Word) zu arbeiten, wobei jede Variable in einer Zeile und jeder Aspekt der Variablendokumentation (Name in Datensatz, Beschreibung, Wortlaut, Skala, Wertebereich, fehlende Werte) in einer Spalte repräsentiert ist.

Falls mehrere Variablen zu einer Skala / einem Variablenblock gehören, ist es sinnvoll, diese Zugehörigkeit im Codebook kenntlich zu machen und zusätzliche Informationen zur Verrechnung und Aggregation der Variablen (ggf. inkl. nötige Rekodierungen) zu geben.

2. Stellen Sie Ihre verwendeten Materialien bereit

3. Daten hochladen

Laden Sie schließlich alle gesammelten Dokumente (Codebook, alle Materialien) auf einem öffentlichen Repositorium hoch (bspw. www.osf.io).

4. Dokumentation im Paper selbst

Die 21-word solution (Simmons et al., 2012) bietet eine etablierte und ökonomische Möglichkeit, die ohne großen Aufwand in jeden Methodenteil eines Manuskripts integriert werden kann (ggf. so adaptiert, dass sie korrekt ist).

21 word solution

“We report how we determined our sample size, all data exclusions (if any), all manipulations, and all measures in the study.”

Benannte Informationen können entweder im Manuskript selbst, oder aber in den meisten Fällen zusätzlich über die bereitgestellten öffentlich zugänglichen Online-Materialien (siehe 3. Codebook, alle Materialien) gegeben werden, um die Richtigkeit der Aussage zu garantieren. In den meisten Fällen ist es zweckmäßig, alle für ein Paper relevanten Prozeduren und Variablen detailliert im Paper selbst zu beschreiben und zusätzliche Informationen sowie nicht verwendete Prozeduren und Variablen, sowie Details und Hintergrundinformationen über das Online-Material zur Verfügung zu stellen (über einen Link im Paper; bspw. zu Beginn des Methodenteils). Neben den Abläufen und Variablen sollte im Methodenteil eines Papers in jedem Fall auch das Vorgehen der Stichprobenziehung und alle ggf. vorgenommenen Ausschlüsse von Versuchspersonen oder einzelner Daten von Versuchspersonen beschrieben und begründet werden (möglichst inkl. Power-Analyse auf der Basis konservativ geschätzter relevanter Effektstärken).

FAQ

Unter welchen Bedingungen bekommt meine Publikation den „Open materials” Stempel?

  • Das Journal, in dem das Paper erscheint, bietet diese Möglichkeit an.

  • Im Paper wird ein dauerhafter Link zu den Materialien gegeben, die in einem öffentlichen Open-Access Repositorium abgelegt sind. Die Materialien müssen einen “persistent identifier” (z. B. DOI über ein öffentliches OSF-Projekt oder ein Zenodo-Projekt) haben und in einem zeitgestempelten, unveränderlichen und permanenten Format bereitgestellt sein.

  • Infrastruktur, Ausrüstung, biologische Materialien oder andere Bestandteile, die nicht digital geteilt werden können, sind in ausreichender Detailliertheit beschrieben, sodass unabhängige Forschende in der Lage sind, das Verfahren zu reproduzieren.

  • Es werden ausreichende Erklärungen gegeben, so dass ein unabhängiger Forscher dazu in der Lage ist zu verstehen, wie die Materialien mit der berichteten Methodik in Verbindung stehen.

Typischerweise gelten seitens der Zeitschriften folgende Bedingungen:

  • Provide the URL, doi, or other permanent path for accessing the materials in a public, open-access repository:
  • Confirm that there is sufficient information for an independent researcher to reproduce all of the reported methodology.

Warum sollte ich überhaupt Materialien so aufwändig dokumentieren und bereitstellen?

  • sichert das Wissen um das tatsächliche methodische Vorgehen bei einer Studie

  • erleichtert die Vorbereitung ähnlicher Studien / von Folgestudien

  • ermöglicht eine adäquate Beurteilung der Ergebnisse einer Studie und der Auswahl der in die Analysen eingeflossenen Variablen

  • ermöglicht das Durchführen von adäquaten Replikationen des originalen Forschungsbefundes

  • gewährleistet die langfristige Nachprüfbarkeit von wissenschaftlichen Ergebnissen, auch im Hinblick darauf, dass erhobene Daten zukünftig mit anderen und ggf. besseren Methoden analysiert werden können, als dies zum Zeitpunkt der Erhebung der Fall war

  • erleichtert die Kommunikation und Zusammenarbeit mit anderen Forschern

Codebook

In einem Satz

Daten können nur wiederverwendet werden, wenn Variablen und Werte klar in einem öffentlich verfügbaren Codebook beschrieben sind.

Worum geht’s?

In einem Codebook sind alle Variablen eines Datensatzes und die jeweiligen möglichen Werte beschrieben. Das ermöglicht die Weiterverwendung der Daten durch Dritte (beispielsweise Kollegen, Nachfolgen, oder andere Forschende). Je nach Programm gibt es die Möglichkeit, Variablen- und Werte-Labels zu ergänzen (z. B. in .sav Daten via SPSS1). Alternativ kann eine Übersichtstabelle erstellt werden.

Beispiel für ein Codebook
Variablenname Bedeutung Mögliche Werte
id Versuchspersonennummer fortlaufende ganze Zahl
v1 Selbst berichtetes Geschlecht 1 = weiblich, 2 = männlich, 3 = divers, 4 = möchte ich nicht sagen, -1 = fehlend
age Selbst berichtetes Alter in Jahren ganze Zahl

Open Data

In einem Satz

Offene und strukturierte Daten dienen als Grundlage zur Prüfung von wissenschaftlichen Berichten, erleichtern Replikationen und dienen als Grundlage für zukünftige darauf aufbauende Forschung.

Worum geht’s?

Open Data oder offene Daten sind Daten, die von allen frei benutzt, weiterverwendet und geteilt werden können - die einzige Einschränkung betrifft je nach Lizenz die Verpflichtung zur Nennung des Urhebers/der Urheberin[1]. Einen weiteren Schritt stellen FAIRe Daten dar. FAIR steht dabei für:

  • Findable: Daten sollten auffindbar sein (z. B. über Meta-Daten mittels Suchmaschinen)

  • Accessible: Daten können öffentlich und ohne Kosten geöffnet werden

  • Interoperable: Daten können mittels verschiedener Programme oder Betriebssysteme gelesen werden

  • Reusable: Daten entsprechen den Standards des Bereiches, aus dem sie stammen

Publikationen

Weiterführenden Informationen

Workshops und Vorträge

Data Wiz ‑ Assistenzsystem für Forschungsdatenmanagement

Das Leibniz-Zentrum für Psychologische Information und Dokumentation (ZPID) ist gerade dabei, ein Assistenzsystem für das Management psychologischer Forschungsdaten mit dem Namen Data Wiz zu entwickeln (https://datawizkb.leibniz-psychology.org). Data Wiz soll bei der systematischen Dokumentation aller Abläufe und Maße helfen. Die so systematisch gesicherten und dokumentierten Materialien können dann über ein Repositorium wie OSF zur Verfügung gestellt werden. Das Assistenzsystem befindet sich momentan in der Testphase.

Das ZPID richtet sich momentan strategisch generell neu aus als Universalinfrastruktureinrichtung im Sinne eines Open Science Instituts. Hierbei ist mittelfristig geplant, in ähnlicher Weise wie das OSF verschiedene Open Science Angebote der Projektplanung, -registrierung, -dokumentation, -durchführung, -archivierung und -veröffentlichung zu integrieren (siehe http://leibniz-psychology.org/).

Reproduzierbarkeit

In einem Satz

Analysen sollten sich über die Zeit, mit verschiedenen Computer oder Programm-Versionen, und von verschiedenen Forschenden nachrechnen lassen und dieselben Ergebnisse produzieren.

Worum geht’s?

Reproducible Codes meint die Dokumentation und öffentliche Zurverfügungstellung der Codes, die aus den Daten eines Projekts (optimalerweise den Rohdaten) die in einem Paper berichteten Ergebnisse produzieren. Reproducible Codes ermöglichen damit eine genaue und umfassende Kommunikation der eigenen Analysen, ein exaktes Nachvollziehen und eine angemessene Interpretation dieser Analysen und der darauf aufbauenden Ergebnisse und eine direkte Replikation des analytischen Vorgehens.

Konkret beinhaltet „Reproducible Codes”:

  1. die Dokumentation aller Datenaufbereitungen und statistischen Analysen in einer oder mehreren verständlich kommentierten Syntax-Datei(en)

  2. die Zurverfügungstellung dieser Dateien auf einem öffentlich zugänglichen Online-Repositorium

  3. Die Verlinkung zu diesen Dateien im Paper

Publikationen

  • Nüst, D., & Eglen, S. J. (2021). CODECHECK: an Open Science initiative for the independent execution of computations underlying research articles during peer review to improve reproducibility. F1000Research, 10, 253. https://doi.org/10.12688/f1000research.51738.2

  • Peikert, A., & Brandmaier, A. M. (2021). A reproducible data analysis workflow with R Markdown, Git, Make, and Docker. Quantitative and Computational Methods in Behavioral Sciences, 1-27. https://doi.org/10.5964/qcmb.3763

Weiterführende Informationen

Vorträge und Workshops

Lösungen

Reproducible codes: KURZ UND KNAPP

In einigen Fällen werden die Codes der statistischen Analysen evtl. nicht optimal aufbereitet und kommentiert sein und evtl. haben Sie nicht mehr ausreichend Zeit dies nachzuholen. Um in diesem Fall trotzdem zeitnah Reproducible Codes zur Verfügung zu stellen, sollte zumindest geprüft werden, ob die Anwendung der Codes auf die Daten tatsächlich die im Paper berichteten Zahlen erzeugt. Darüber hinaus kann knapp geprüft werden, wo einfache Kommentierungen ergänzt werden können, um die Verständlichkeit der Codes zu erhöhen. Um auch in kurzer Zeit hilfreiche Codes zur Verfügung zu stellen, kann bspw. geprüft werden, ob folgende Kriterien zutreffen:

Reproducible Code Kurzleitfaden

Reproducible Code Kurzleitfaden

Die Codes sollten in einem öffentlichen und frei zugänglichen Online-Repositorium (bspw. www.osf.io) gespeichert werden. Im Paper (bspw. zu Beginn des Statistical Analyses- oder des Results-Teils) sollte der Link zu den Codes gegeben werden. Optimalerweise stehen dort auch die Daten als Open Data zur Verfügung, sodass die Ergebnisse eines Papers tatsächlich direkt nachvollzogen werden können und ggf. alternative Analysen durchgeführt werden können. Aber selbst wenn die Daten (bspw. aus rechtlichen Gründen oder wegen der fehlenden Möglichkeit der Anonymisierung) nicht frei zugänglich gemacht werden können, helfen Reproducible Codes auch alleine, um die statistischen Analysen (bspw. die exakte Spezifikation komplexerer Modelle) exakt nachvollziehen zu können.

Reproducible Codes: DETAILLIERT

Optimalerweise wird bereits vor der Datenerhebung geplant, ein Codebuch zu führen, die Variablen bei/nach der Datenerhebung entsprechend zu benennen und während der Datenanalyse ein hierzu passendes reproduzierbares und verständliches Skript zu führen.

Die folgenden Tipps und Richtlinien zur Erstellung eines übersichtlichen und nachvollziehbaren Codes haben beispielhaften Charakter und sind für die Statistikumgebung R formuliert.

Gliederung des Skripts

Empfohlen wird, eine einfache Gliederung im Skript einzuhalten. Diese kann im Einzelfall auch von empfohlenen Standards abweichen, sollte jedoch eine nachvollziehbare Struktur enthalten. Hier ein Beispiel:

  1. Kommentar zum Copyright

  2. Kommentar des Autors / der Autorin

  3. Beschreibung der Dateien

  4. Quell- und Zielverzeichnis

  5. Beschreibung der Funktionen

  6. Kommentare

Variablen und Funktionen benennen und festhalten

Die Benennung von Variablen und Funktionen könnte nach diesem einfachen Schema erfolgen:

Schema zur Variablen-Benennung

Schema zur Variablen-Benennung

Richtlinien zum Kommentieren

  • Kommentieren Sie Ihren Code.

  • Ganze Kommentarzeilen, in denen kein Befehl enthalten ist, beginnen mit # und anschließendem Leerzeichen.

  • Kurze Kommentare, die Teile eines Befehls oder einer Funktion beschreiben, beginnen in der gleichen Zeile wie der Befehlsteil – nach zwei Leerzeichen und # .

Beispiel

# Create histogram of frequency of campaigns by pct budget spent.
pct.spent <- rchisq(50, df = 2, ncp = 0)/20

hist(pct.spent,
     breaks = "scott", # method for choosing number of buckets
     main = "Histogram: fraction budget spent by campaignid",
     xlab = "Fraction of budget spent",
     ylab = "Frequency (count of campaignids)")

Richtlinien innerhalb der Syntax

Auch innerhalb der Syntax sollte einigermaßen Ordnung herrschen. Diese Punkte haben sich etabliert und werden von vielen Anwender*innen beachtet:

  • Nicht mehr als 80 Zeichen pro Zeile

  • Vor und nach Sonderzeichen in Befehlen (+, -, <, <-, usw.) je ein Leerzeichen

  • Kein Leerzeichen vor Kommas aber danach

tab.prior <- table(df[df$days.from.opt < 0, "campaign.id"])
total <- sum(x[, 1])
total <- sum(x[1, ])

  • Doppeltes Leerzeichen nach einem Befehl

  • { bleibt in der gleichen Zeile wie der Befehl

  • } endet in eigener Zeile

  • Für Zuweisungen wird <- benutzt, nicht =

if (is.null(ylim)) {
 ylim <- c(0, 0.06)
}

  • Komplexe Befehle sollen auf mehrere Zeilen verteilt werden.

  • else-Argumente befinden sich in der gleichen Zeile wie } und { .

  • Kein Semikolon verwenden.

if (condition) {
 one or more lines
} else {
 one or more lines
}

Ein EINFACHES BEISPIEL

Das folgende Beispiel ist bewusst einfach gehalten und soll verdeutlichen, dass es v. a. darauf ankommt, jeden Schritt, den man in R oder einem anderen Programm tätigt, zu kommentieren, um ein nachvollziehbares Skript zu erstellen.

Kurzbeispiel zu Reproducible Code

Kurzbeispiel zu Reproducible Code

Push-Button-Replicability

Nach und nach folgen wissenschaftliche Zeitschriften dem Appell, Ergebnisse auf Reproduzierbarkeit zu prüfen. Autor*innen werden dazu aufgefordert, ihren Code so zu gestalten, dass er auf Knopfdruck reproduzierbar ist (Replizierbarkeit und Reproduzierbarkeit werden hierbei synonym verwendet). Hier sind einige Tipps, die das ermöglichen:

  • Ergebnisse oder vollständige Manuskripte mit Markdown-Sprache schreiben (z. B. RMarkdown, Quarto)

  • Daten ins OSF hochladen und direkt von dort aus in Statistik-Programm einlesen, sodass zur Prüfung nur das Skript benötigt wird

  • OSF Projekt mit “Open Ended Registration” registrieren, sodass Links permanent sind und Daten im Nachhinein nicht mehr verändert werden können

  • Abbildungen und Tabellen aus dem Skript heraus speichern

  • Bei mehreren Studien, Skripte über ein Master-Skript ausführen lassen (in R z. B. via source() - funktioniert auch mit Skripten, die im OSF hochgeladen sind)

  • Beispiel für Instruktionen zur Push-Button-Replicability für das Journal of Comments and Replications in Economics: https://osf.io/qmkn6

Lizenzen

In einem Satz

Mittels Lizenzen schreiben Forschende, die Daten, Berichte, Skripte oder andere Forschungsmaterialien teilen, Nutzer*innen vor, unter welchen Bedingungen sie die Ressourcen weiterverwenden dürfen.

Worum geht’s?

Forschung zu veröffentlichen heißt (abgesehen bei Publikationen in kommerziellen Zeitschriften) nicht, dass Forschende alle ihre Rechte daran abtreten. Mittels Lizenzen kann bestimmt werden, wofür und in welcher Weise z. B. Daten verwendet werden dürfen. Dabei kann unter anderem bestimmt werden:

  • Müssen die Autor*innen zitiert werden?

  • Dürfen Materialien verändert werden?

  • Ist eine Wiederverwendung zu kommerziellen Zwecken gestattet?

Weiterführende Informationen

Datensatz Publikationen

In einem Satz

Daten zu einzelnen Studien lassen sich auch alleinstehend bei darauf spezialisierten Zeitschriften veröffentlichen.

Worum geht’s?

Für gewöhnlich bestehen Publikationen aus einer Frage, einer Antwort, und dazwischengeschalteten Studien mit jeweils dafür erhobenen Daten. In Fällen, bei denen eine Verwendung der Daten durch andere sinnvoll erscheint (z. B. Längsschnittstudien, Daten mit großen Stichproben, besondere Datenformate wie Liebesbriefe), bietet sich eine Datenpublikation an.

Weiterführende Informationen

Footnotes

  1. Mittels Open Source Software können auch solche Daten problemlos geöffnet werden.↩︎