Das freie und öffentliche Teilen von wissenschaftlichen Erkenntnissen und ihren Entstehungsprozessen ist ein elementarer Grundsatz der Wissenschaft. Diese Offenheit und Transparenz zu erreichen, ist jedoch oftmals schwierig, insbesondere dann, wenn große Datensätze und komplexe computergestützte Berechnungen nötig sind.
GESIS forscht zu diesen Herausforderungen und stellt Infrastruktur sowie Angebote bereit, die Wissenschaftler*Innen dabei unterstützen, ihre Arbeiten "offen" und nachvollziehbar zur Verfügung zu stellen. Neben der Archivierung und Bereitstellung von Daten und Publikationen bieten wir Lösungen für das Dokumentieren und Teilen von rechnergestützten Verarbeitungsprozessen für datenintensive Forschungsdesigns an.
Mit unseren Forschungs- und Entwicklungsarbeiten im Bereich Open Science
- treiben wir die FAIR Data-Prinzipien voran – und das auch für neue Datentypen wie digitale Verhaltensdaten
- ermöglichen wir die Reproduzierbarkeit von computergestützten Analysen in den Sozialwissenschaften (und darüber hinaus)
- stellen wir Möglichkeiten für das Teilen von Publikationen, Daten und Code zur Verfügung
- bieten wir Altmetrics zur Messung der öffentlichen Wirkung von wissenschaftlichen Arbeiten an
Das Engagement von GESIS für Open Science-Technologien ist langfristig, forschungsbasiert und spiegelt sich u.a. in unserer Beteiligung an der Nationalen Forschungsdateninfrastruktur NFDI wider sowie der strategischen Erweiterung des Instituts im Bereich digitaler Verhaltensdaten.
Darüber hinaus unterstützen wir Wissenschaftler*Innen mit Schulungsmaterialien zu Open Science.
Nicht zuletzt ist Open Science bei GESIS gelebte Praxis: Besuchen Sie uns auf GitHub, nutzen Sie unsere DVD-Datensätze und Analyse-Tools.
Erfahren Sie mehr über unsere Beratungsangebote und Serviceleistungen:
-
Analyse Digitaler Verhaltensdaten
Methoden, Tools, Frameworks und Infrastruktur für die Analyse digitaler Verhaltensdaten.
- Datenregistrierungsagentur da|ra
- GESIS Notebooks
- Volltextserver SSOAR
- Rosenbusch, Hannes, Felix Soldner, Anthony M. Evans, and Marcel Zeelenberg. 2021. "Supervised machine learning methods in psychology: A practical introduction with annotated R code." Social and Personality Psychology Compass 15 (2): e12579. doi: https://doi.org/10.1111/spc3.12579.
- Manola, Natalia, Peter Mutschke, Guido Scherp, Klaus Tochtermann, and Peter Wittenburg, ed. 2020. Implementing FAIR data infrastructures: Dagstuhl perspectives workshop 18472. 8, 1. doi: https://doi.org/10.4230/DagMan.8.1.1. urn: urn:nbn:de:0030-drops-132376. https://drops.dagstuhl.de/opus/volltexte/2020/13237.
- Manola, Natalia, Peter Mutschke, Guido Scherp, Klaus Tochtermann, Peter Wittenburg, Kathleen Gregory, Wilhelm Hasselbring, Kees den Heijer, Paolo Manghi, and Dieter van Uytvanck. 2020. "Implementing FAIR data infrastructures: Dagstuhl perspectives workshop 18472." Dagstuhl Manifestos 8 (1): 1-34. doi: https://doi.org/10.4230/DagMan.8.1.1. urn: urn:nbn:de:0030-drops-132376. https://drops.dagstuhl.de/opus/volltexte/2020/13237.
- Lietz, Haiko. 2020. "Drawing impossible boundaries: Field delineation of Social Network Science." Scientometrics 125 2841–2876. doi: https://doi.org/10.1007/s11192-020-03527-0.
- Manola, Natalia, Peter Mutschke, Guido Scherp, Klaus Tochtermann, and Peter Wittenburg. 2019. "Implementing FAIR Data Infrastructures (Dagstuhl Perspectives Workshop 18472): Dagstuhl Perspectives Workshop 18472." Dagstuhl Reports (8, 11): 91-111. doi: https://doi.org/10.4230/DagRep.8.11.91. urn: urn:nbn:de:0030-drops-103577. http://drops.dagstuhl.de/opus/volltexte/2019/10357.