Quelle: https://dataedo.com/cartoon/data-vs-metadata-4

Als Ressourcen sind hier v.a. Forschungsdaten gemeint, aber auch für Publikationen, Poster, Abstracts und weitere wissenschaftliche Veröffentlichungen spielen Metadaten eine bedeutende Rolle. Metadaten erleichtern das Auffinden in Suchmaschinen und Repositorien und das Instituts- und disziplinübergreifende Verständnis vorliegender Forschungsdaten und machen ihre Interpretation und eine spätere Nachnutzung durch andere Personen überhaupt erst möglich. Vor allem in großen mehrjährigen Forschungsprojekten mit verschiedenen Mitarbeitenden erleichtert das einheitliche Verwenden von Metadaten das Verständnis über die erstellten und gespeicherten Forschungsdaten enorm. Sie bieten Kontext und Zusatzinformationen zu vorhandenen Daten und sind damit im weitesten Sinne „Daten über Daten“.

Die Vergabe von Metadaten ist ein Baustein zur Umsetzung der FAIR-Prinzipien [Link zum Wiki-Artikel] bei der Veröffentlichung von Forschungsdaten. Die FAIR-Prinzipien sollen die Auffindbarkeit, die Zugänglichkeit, die Interoperabilität und die Wiederverwendbarkeit von Forschungsdaten sicherstellen.

Metadaten sollen zumindest bei den folgenden Fragen (analog den 5W1H-Fragen) helfen, Antworten zu liefern:

Es gibt verschiedene Arten von Metadaten. Dabei wird zwischen bibliographischen und administrativen für alle Formen von Forschungsdaten unterschieden, hinzukommen je nach Fachdisziplin noch Prozessmetadaten sowie inhaltsbeschreibende bzw. deskriptive Metadaten (vgl. siehe https://forschungsdaten.info/themen/beschreiben-und-dokumentieren/metadaten-und-metadatenstandards/)

Es gibt verschiedene Möglichkeiten Metadaten zu erfassen und im Zusammenhang mit den Daten zu speichern:

• Metadaten in den Daten (z.B. im Header von Dateien)
• Metadaten an den Daten (z.B. im Dateinamen)
• Metadaten bei den Daten (z.B. als eigene ReadMe-Datei)
• Metadaten in einer Datenbank oder einem Wiki
• Verknüpfung zwischen Metadaten mittels Identifier (z.B. DOI) und den Daten

Da die meisten der genannten Möglichkeiten nur begrenzte Informationen liefern können, ist ein sinnvolles Zusammenspiel zu empfehlen. Redundante Angaben können dabei nicht vermieden werden, dienen aber dem Abgleich und dürfen sich nicht widersprechen.

Werden Metadaten nicht nur menschen-, sondern auch maschinenlesbar erstellt, können diese Informationen mittels Schnittstellen über verschiedene Systeme hinweg verknüpft und ausgetauscht werden und erfahren dadurch eine größere Verbreitung. Dabei können Metadaten unabhängig oder zusammen mit den eigentlichen Forschungsdaten gespeichert werden. Zum Beispiel ist das Erstellen einer ReadMe-Datei [Link zum Wiki-Artikel] sinnvoll.

Durch die Nutzung von Tools zur (automatischen) Vergabe von Metadaten kann die Arbeit erheblich erleichtert und die Qualität der Dateneinreichung verbessert werden. Für generische Metadaten eigenen sich folgende Services:

• DataCite Metadatengenerator: Hier werden Metadaten aus dem Metadatenstandard [Link nach unten] von DataCite erstellt. Das Ergebnis ist eine XML-Datei mit interoperablen Metadaten. Diese Datei kann zusammen mit den Forschungsdaten und evtl. weiteren Dokumenten gespeichert und veröffentlicht werden.

Dieses Videotutorium von FDM Bayern (2020) zeigt die Beschreibung von Forschungsdaten durch die Nutzung des DataCite-Metadatengenerators und des DataCite-Best-Practice-Guides: https://youtu.be/y7XulIpa6gk

• CodeMeta generator der CodeMeta Initiative
• weitere Tools für die Metadatenerstellung listet die Research Data Alliance auf: https://rdamsc.bath.ac.uk/tool-index

Quelle: https://xkcd.com/927

Für die verschiedenen Anwendungsbereiche werden Metadaten zu generischen oder fachspezifischen Schemas zusammengeführt. Einige solcher Schemas sind zu Standards in fachspezifischen Communitys geworden, andere werden z.B. durch die NFDI (Link zum Wiki-Artikel) (National Forschungsdateninfrastruktur für Deutschland) entwickelt bzw. etabliert. Sie gewährleisten eine konsistente und inhaltlich/strukturell gleichförmige Beschreibung von ähnlichen Datensätzen und dienen damit der Vereinheitlichung, dem Verständnis und damit der besseren Nachnutzbarkeit von Forschungsdaten. Metadatenstandards sind i.d.R. menschen- und maschinenlesbar.

Beispiel: Die Sprache eines Datensatzes kann in Form von Metadaten erfasst werden, dafür wären die Angaben „deutsch“, „German“, „deu“ oder „ger“ möglich. In einem Metadatenstandard ist die Angabe für die Sprache festgelegt, hier evtl. „deu“ nach der Norm ISO 639-3. Auch Datumsangaben können sehr vielfältig sein und werden durch die Nutzung eines Standards vereinheitlicht.

Die verschiedenen Anwendungsbereiche ergeben sich aus den verschiedenen Datenformaten der Forschungsdaten und den verschiedenen Fachdisziplinen, in denen sie entstehen (siehe Abb.). Hier gilt es, den passenden Standard für die eigene Forschung festzulegen und zu nutzen.

Quelle: Jenn Riley: Seeing Standards: A Visualization of the Metadata Universe. https://jennriley.com/metadatamap/

Viele Systeme, in denen Publikationen und/oder Forschungsdaten veröffentlicht werden (z.B. Repositorien), nutzen ein vorhandenes Metadatenschema. Während also alle Felder beim Upload von Veröffentlichungen ausgefüllt werden, werden bereits Metadaten vergeben.

Fächerübergreifende Metadatenstandards sind für die Beschreibung aller Forschungsdaten nutzbar, können aber nur schlecht disziplinspezifische Inhalte abbilden. Auch die genutzten Metadatenstandards in vielen generischen Repositorien (z.B. Zenodo) bieten keine fachspezifischen Beschreibungen von Forschungsdaten an und reichen für eine umfassende Beschreibung kaum aus.

Es gibt eine Vielzahl fachspezifischer Metadatenstandards aufgrund der sehr unterschiedlichen Bedürfnisse je Fachcommunity. Die folgende Tabelle zeigt eine kleine Auswahl fachspezifischer Metadatenstandards, orientiert an den Fachgebieten der Jade Hochschule:

Quelle: Krähwinkel, E., Langner, P., Lipp, R., & Pietsch, A. M. (2022, März 22). HeFDI Data OER: Forschungsdatenmanagement – eine Online-Einführung. Zenodo. https://doi.org/10.5281/zenodo.6373596 Kapitel 4.4

Viele weitere fachspezifische Metadatenstandards sind auf folgenden Seiten aufgelistet und erläutert:

• Fairsharing.org vom e-Research Centre der University of Oxford
• Disciplinary Metadata Catalogue des Digital Curation Centre (DCC) – inkl. Anwendungsprofile, Anwendungsfälle und Tools
• Metadata Directory von der Metadata Standards Directory Working Group der Research Data Alliance (RDA) – Community-basiert

Metadatenschema geben eine Struktur für Metadaten vor. Sie legen fest, welche Angaben in welchem Format erfasst werden sollen. Terminologien standardisieren den Inhalt bestimmter Metadatenfelder, d.h. sie bilden Wortlisten, aus denen man wählen kann. So können zum Beispiel unterschiedliche (oder auch fehlerhafte) Schreibweisen vereinheitlicht werden. Sie eigenen sich gut, um innerhalb eines Forschungsprojektes die Verwendung von Begriffen festzulegen und damit einheitlich zu verwenden. Dabei kann die inhaltliche Breite und Tiefe solcher kontrollierten Vokabulare sehr unterschiedlich sein:

Ontologien sind v.a. relevant bei der maschinellen Verarbeitung großer Datenmengen mittels KI.

Einen Überblick über bestehende Terminologien gibt das Basic Register of Thesauri, Ontologies and Classifications BARTOC.

Weitere Beispiele für kontrollierte Vokabulare:

• Linked Open Vocabularies (LOV) vor allem für den ingenieurwissenschaftlichen Bereich
• Umweltklassifikation und der Umweltthesaurus vom Umweltbundesamt
• Thesaurus für die Sozialwissenschaften von GESIS: https://lod.gesis.org/thesoz/de/]
• Physics Subject Headings (PhySH): https://physh.aps.org/]
• Mathematics Subject Classification (MSC): https://mathscinet.ams.org/msc/msc2010.html]
• Art and Architecture Thesaurus (AAT): http://www.aat-deutsch.de/]
• Medical Subject Headings (MeSH): https://www.nlm.nih.gov/mesh/]
• Standard Thesaurus Wirtschaft (STW): https://zbw.eu/stw/version/latest/about.de.html]
• Getty Thesaurus of Geographic Names Online
• Biodiversity Thesaurus

Darüber hinaus ist auch die Verwendung von Normdaten zur Beschreibung von Forschungsdaten sinnvoll. Im Unterschied zu den oben genannten Vokabularen, haben Normdaten jeweils eigene IDs, die diese eindeutig referenzierbar machen. Vor allem in der maschinellen Verarbeitung und dem Austausch von Daten zwischen verschiedenen Systemen können Normdaten eindeutig interpretiert werden.

Beispiel für Normdaten:

• GND – Gemeinsame Normdatei der Deutschen Nationalbibliothek https://explore.gnd.network/
• Geonames für geographische Begriffe
• ORCID für Personendaten
• Open Funder Registry für Forschungsförderer und deren geförderte Projekte

Auch die NFDI [Link zum Wiki-Artikel] (Nationale Forschungsdateninfrastruktur für Deutschland) hat den Wert von Ontologien und Terminologien erkannt und viele Konsortien bieten eigene Lösungen an bzw. arbeiten derzeit an eigenen Lösungen:

NFDI4Ing – NFDI für Ingenieurwissenschaften: Ontologie-Sammlung https://terminology.nfdi4ing.de/ts/
NFDI4Mat – NFDI für Materialwissenschaft und Werkstoffkunde: Ontologie-Service in Planung
NFDI4Cat – NFDI für Wissenschaften rund um Katalyse: Ontologie Sammlung https://www.nfdi4cat.org/services/ontologie-sammlung/ + (Mate-)Datenstandards basierend auf Use Cases in Planung
NFDI4Chem – Chemistry Consortium in the NFDI: Terminology Service https://terminology.nfdi4chem.de/ts/
NFDI4Biodiversity – Konsortium für Biodiversität und Umweltdaten: Terminologie-Service (teilweise noch Work in Progress) https://terminologies.gfbio.org/
NFDI4Microbiota – Konsortium für Microbiota-Forschung: (Meta-)Datenstandards und Terminologie-Service in Planung
FAIRagro – FAIRe Dateninfrastruktur für die Agrosystemforschung: Terminologie-Service in Planung
NFDI4DataScience – NFDI for Data Science and Artificial Intelligence: Nutzung von ORKG https://orkg.org/
NFDI4Energy – NFDI für die interdisziplinäre Energiesystemforschung: Metadatenregister für Digitale Objekte in Planung
NFDI4Culture – Konsortium für Forschungsdaten zu materiellem und immateriellem kulturellem Erbe: Antilope zur Terminologie-Suche https://service.tib.eu/annotation/
BERD@NFDI – NFDI für Betriebswirtschaftslehre, Volkswirtschaftslehre und verwandte Daten: Ontologie-Dienst für Daten deutscher Unternehmen (Work in Progress)
Text+ - Konsortium für text- und sprachbasierte Forschungsdaten: föderierte Metadaten- und Dateninfrastruktur in Planung
Quelle: NFDI-N(HAW)igator, Stand: 03/2025

Folgende Grundsätze sind beim Thema Metadaten zu empfehlen: