Basierend auf der Datenplanung zu Beginn des Forschungsprojektes legen wir eine klare Datenhierarchie fest, die den gesamten Lebenszyklus der Forschungsdaten berücksichtigt. 

Rohdaten werden hauptsächlich auf lokalen Laufwerken gespeichert, die regelmäßig mit für den Lehrstuhl zugänglichen Netzwerkspeichern synchronisiert werden. Je nach Datentyp (z.B. Code von Modellen oder Auswertungstools) erfolgt die Verwaltung zusätzlich über ein Git-Repository. 

Im Zuge der Finalisierung des Projekts werden die Rohdaten prozessiert, wodurch die Datenqualität steigt und die Quantität sinkt. Alle prozessierten und langfristig zu speichernden Daten werden auf dem DataHubder RPTU abgelegt. 

Nach Abschluss des Projekts erfolgt die Publikation des Zieldatensatzes und der dazugehörigen wissenschaftlichen Ergebnisse. Wir streben eine Open-Access-Veröffentlichung an, die über Konferenzbeiträge, Preprints und die Einreichung des Datensatzes in einem Zenodo-Repository erreicht wird. Im Fall besonders großer Datensätze, die aufgrund ihrer Größe nicht vollständig veröffentlicht werden können (z.B. umfangreiche Bilddaten von Hochgeschwindigkeitskameras), stellen wir die verwendeten Auswertungsalgorithmen mit einem repräsentativen Rohdatensatz zur Verfügung. Abschließend erfolgt die Publikation der Ergebnisse in einem peer-reviewten Journalartikel.

Die Eigenschaften der Daten werden konsequent in Metadatensätzen (JSON-Templates) erfasst. Diese strukturierte Beschreibung ermöglicht eine eindeutige Identifizierung und Referenzierung von Datensätzen.

Datenerhebungen und relevante Prozessierungsschritte werden soweit möglich über eindeutige Identifikatoren mit einem elektronischen Laborbuch (eLabFTW) verknüpft, das zusätzlich als Schnittstelle zur Labororganisation dient. Auf diese Weise werden Herkunft, Verarbeitungsschritte und verwendete Hilfsmittel – beispielsweise Sensorik, Software, Versuchsaufbauten, Modelle oder Kalibrierverfahren – nachvollziehbar über die Datenhistorie dokumentiert.

Die Metadaten bilden damit sowohl die einzelnen Verarbeitungsschritte als auch die eingesetzten Methoden und Werkzeuge entlang der Datenentstehungskette ab. Speicherorte und Archivierungszeiten werden systematisch erfasst und verwaltet.

Unser Forschungsdatenmanagement basiert auf einem institutseigenen Metadatenmodell, das als hierarchisches JSON-Template umgesetzt ist. Die Struktur orientiert sich konzeptionell an der ISA Modellierung und verbindet eine feste Projektordnerstruktur mit maschinenlesbaren Metadaten.

Projektstruktur

Für jedes Forschungsprojekt wird eine feste Ordnerstruktur angelegt, in der alle Mitarbeitenden arbeiten. Im Projektordner befinden sich:

• ein Administrationsordner (Project_Administration),
• mehrere thematische Unterprojekte (Subproject_1, Subproject_2, …),
• ein Python-Skript (Assembler.py)
• und alle zum Projekt gehörenden Meta-Informationen in der Datei MetaData.json.

Die Unterprojekte (Subproject_1, Subproject_2, …) enthalten wiederum Datenordner für Rohdaten und prozessierte Daten.

Metadaten-Snippets

Die Metadaten werden dezentral als JSON-Snippets in den jeweiligen Projektordnern abgelegt. Dadurch ist eine niederschwellige und übersichtliche Pflege der Metadaten möglich.

Im Administrationsordner befinden sich Metadaten zur Projektorganisation, die sich an den Anforderungen der DFG orientieren:

1. Datenbeschreibung
2. Dokumentation und Datenqualität
3. Speicherung und technische Sicherung
4. Rechtliche Rahmenbedingungen
5. Datenaustausch und langfristige Zugänglichkeit
6. Verantwortlichkeiten und Ressourcen

In den Unterprojekten liegen zusätzliche Metadaten zu:

• Projektinhalten und Verantwortlichen
• Datensätzen (Rohdaten, Simulationen, Modelle, abgeleitete Daten)
• verwendeter Sensorik, Software, Modelle oder Kalibrierungen
• Referenzen zu Publikationen oder externen Datensätzen.

Automatische Metadatenaggregation

Das Python-Skript Assembler.py durchsucht rekursiv die gesamte Projektstruktur und identifiziert alle vorhandenen JSON-Snippets. Diese werden automatisiert zu einer vollständigen Metadatendatei zusammengeführt. Die resultierende MetaData.json wird gemeinsam mit dem Projekt archiviert und dokumentiert auch dann noch die vollständige Datenhistorie, wenn einzelne Rohdaten aus Speicher- oder Datenschutzgründen nicht mehr verfügbar sind.