- Bleier, A. (2025). What is Computational Reproducibility? (GESIS Guides to Digital Behavioral Data, 2). Cologne: GESIS – Leibniz Institute for the Social Sciences.
https://doi.org/10.60762/ggdbd25002.1.0
Dieser Leitfaden soll als Ausgangspunkt für CSS-Forschende dienen, die die Reproduzierbarkeit ihrer Arbeit verbessern und damit zu einer Kultur der Offenheit, Verantwortlichkeit und des kumulativen wissenschaftlichen Fortschritts beitragen möchten.
- Fröhling, L., Birkenmaier, L., Lux, V., & Daikeler, J. (2025). How to Find and Explore Data Quality Frameworks for Digital Behavioral Data (GESIS Guides to Digital Behavioral Data, 26). Cologne: GESIS – Leibniz Institute for the Social Sciences.
https://doi.org/10.60762/ggdbd25026.1.0
In diesem Guide werden zwei verschiedene Tools vorgestellt, die Forschenden dabei helfen, sich in der neuen Literatur zu Datenqualitäts-Frameworks zurechtzufinden. Verschiedene Arten von Digital Behavioral Data werden behandelt: Web- und Social-Media-Daten (einschließlich Textdaten), visuelle Daten, Umfragedaten, Sensordaten (einschließlich Web-Tracking-Daten) und Registerdaten.
- Lux, V., & Wieland, M. (2025). How to Set up and Monitor App-based Data Collections (GESIS Guides to Digital Behavioral Data, 22). Cologne: GESIS – Leibniz Institute for the Social Sciences.
https://doi.org/10.60762/ggdbd25022.1.0
Dieser Leitfaden schließt diese Lücke und bietet praktische Empfehlungen für die Verwaltung der aktiven Datenerfassungsphase. Mit Schwerpunkt auf der Auswahl der Apps, der Studienkonzeption sowie der Überwachung der Teilnahme und der Datenerfassung bietet der Guide Forschenden umsetzbare Strategien zur Verbesserung der Antwortraten, zur Minimierung von Verlusten und zur Bewältigung der Komplexität mobiler Forschung unter realen Bedingungen.
Übersicht über alle Guides to DBD:
https://www.gesis.org/en/gesis-guides/gesis-guides-to-digital-behavioral-data