71
Data Management & Data Sharing: Eine Einführung INA DEHNHARD Leibniz-Institut für Psychologische Information und Dokumentation (ZPID) Trier, Germany

Data Management und Data Sharing: Eine Einführung€¦ · Wozu Metadaten? 3. 2 Ebenen von Metadaten: Studie vs Variablen 4. Beispiele für Metadaten 5. Studienmetadaten PsychData

  • Upload
    halien

  • View
    218

  • 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

• DATA MANAGEMENT

• DATA SHARING

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

PsychData Metadaten

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: Wertebereich

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

Datensicherung

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

• Vorteile

• Hindernisse

• Datenzentren & Archive

DATA SHARING

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

dvs –Sommerakademie 2014, Heidelberg

Data Sharing

www.psychlinker.de

dvs –Sommerakademie 2014, Heidelberg

Data Sharing

dvs –Sommerakademie 2014, Heidelberg

Data Sharing

dvs –Sommerakademie 2014, Heidelberg

Data Sharing

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/

[email protected]

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)