LFU:online

Die Studierenden sind am Ende der Lehrveranstaltung in der Lage:

• Das Forschungsdatenmanagement (FDM) eines wissenschaftlichen Projekts in den Grundzügen umzusetzen, Herausforderungen zu erkennen und zu bewältigen. Sie können Datenmanagementpläne (DMPs) verfassen, geeignete Repositorien auswählen, Forschungsdaten FAIR aufbereiten, geeignete Lizenzen auswählen und kennen Best-Practice Methoden des Forschungsdatenmanagements.
• Wissenschaftliche Datenvisualisierungen für Publikationen, Vorträge und Poster zu optimieren.

Entlang des Research Life Cycles werden wir die wesentlichen Aspekte des Forschungsdatenmanagements sowohl theoretisch erarbeiten als auch praktisch erproben. Ein Schwerpunkt liegt auf Datenmanagementplänen (DMPs): Wir werden existierende DMPs evaluieren, eigene verfassen und elektronische Hilfsmittel dazu kennen lernen. Ein weiterer wichtiger Aspekt der Lehrveranstaltung ist die FAIRe Aufbereitung von Forschungsdaten. Dazu zählen unter anderem die Veröffentlichung von Daten in (“trusted”) Repositorien und die Auseinandersetzung mit Metadaten (Findability). Weiters gehen wir auf Zugangsregelungen für Forschungsdaten ein, nach dem Grundsatz “as open as possible, as closed as necessary” (Accessibility). Unter dem Aspekt der Interoperability werden wir uns mit Dateiformaten und Standards bei der Erstellung von (Meta)Daten beschäftigen. Zur Gewährleistung der Nachnutzbarkeit von Forschungsdaten (Re-usability) werden wir auf Qualitätskontrollen, Dokumentation und Lizenzen eingehen.

Bei der Visualisierung wissenschaftlicher Daten werden behandelt: 

• Einführung in graphische Konzepte für Datenvisualisierung
• Kriterien zur Optimierung wissenschaftlicher Datenvisualisierungen
• Farben und Farbskalen
• Darstellung multidimensionaler Daten und Zeitreihen
• Konzept der „kleinen Multiplen“
• Verschiedene Beispiele (Daten mit statistischen Unsicherheiten, Korrelationen, Verteilungen)

Bezüglich des Forschungsdatenmanagements teilt sich die LV in theoretische Einheiten und praktische Übungen zur Erarbeitung und Vertiefung des Gelernten.

Bei der Visualisierung kommen zum Einsatz: Python und entsprechende Bibliotheken (Matplotlib, Seaborn) sowie Illustration Software (Inkscape).

Zum Management von Forschungsdaten: Wird bekannt gegeben.

Zur Visualisierung von Forschungsdaten:

• William Cleveland: The elements of graphing data
• William Cleveland: Visualizing data
• Edward Tufte: The visual display of quantitative information

Programmierkenntnisse in Python