In den Regelwerken der Forschungsfördergeber_innen liest man häufig:

Data should be openly accessible whenever legally, ethically and technically possible.

Diesen Leitsatz sollten Sie sich bereits ganz zu Beginn Ihres Forschungsvorhabens bewusst machen, denn im Nachhinein kann es sehr schwierig und aufwendig sein, ein Veröffentlichungs- bzw Verwertungsrecht zu erwirken.

Haben Sie sich schon einmal gefragt, wie Sie Ihre Forschungsdaten schützen oder lizenzieren können? Was ist mit der Wiederverwendung von Forschungsdaten eines Anderen? Vielleicht gibt es da schon bestehende Rechte. Es gibt Fälle, in denen die Daten an sich nicht geschützt sind, als Teil einer Sammlung aber sehr wohl. Auch aus Gesetzen, die den Schutz vertraulicher Informationen oder persönlicher Daten zum Inhalt haben, kann sich ein Schutzanspruch ergeben.

Prüfen Sie bitte eingehend im Einzelfall, ob und welche Rechte an Ihrem Datensatz bzw. jenem eines Anderen bestehen können.

Mehr Informationen

Wenn Sie Daten offen zur Verfügung stellen und publizieren möchten, muss sichergestellt sein, dass Sie die Rechte dafür haben. Vergessen Sie nicht, eine eventuell beabsichtigte Publikation oder Nachnutzung Ihrer Daten rechtzeitig mit Ihren Partnern aus der Forschung und Industrie abzustimmen. Bedenken Sie auch mögliche Embargofristen.

Auch die Rechteinhaberschaft ist vielleicht nicht immer so klar. Sie ist jedoch von großer Bedeutung, denn nur als Rechteinhaber_in sind Sie dazu befugt, (freie) Lizenzen zu vergeben.

Die TU Wien verfügt grundsätzlich über die Verwertungsrechte der Forschungsergebnisse und Forschungsdaten, die Sie als TU Wien-Mitarbeiter_in erzeugen. Damit Sie als Datenproduzent_in Lizenzen vergeben können, müssen Sie dafür das Einverständnis Ihrer Forschungsbereichsleitung oder Ihrer Institutsleitung einholen. Es wird empfohlen, sich dieses Einverständnis schriftlich bestätigen zu lassen.

Sofern das Einverständnis Ihrer Institutsleitung oder Ihrer Forschungsbereichsleitung zur Lizenzvergabe vorliegt, können Sie als Datenproduzent_in im eigenen Namen Lizenzen in Übereinstimmung mit der TU Wien Policy für Forschungsdatenmanagement vergeben. Das Recht von Datenproduzent_innen zur Lizenzvergabe besteht grundsätzlich nach dem Ausscheiden aus der TU Wien weiter, sofern keine anderweitige Vereinbarung zwischen Datenproduzent_in und TU Wien getroffen wird.

Erreicht Ihr Datensatz Werkshöhe nach Urheberrechtsgesetz (= eigentümliche geistige Schöpfung auf den Gebieten der Literatur einschließlich wissenschaftlicher Art, der Tonkunst, der bildenden Künste und der Filmkunst), besteht für Sie in jedem Fall auch das Recht, als Urheber_in genannt zu werden.

Im Falle von mehreren Urheber_innn eines Werkes sind grundsätzlich alle Urheber_innen gemeinsam entscheidungsberechtigt und bestimmen eine vertretungsbefugte Person. Beim Upload von Daten in ein Repositorium können normalerweise alle beteiligten Personen als Urheber_innen angegeben werden.

Softwarelizenzen liegen in der vollen Verantwortung der einzelnen Institute.

Bei Auftragsforschung sind in der Regel die Auftraggeber_innen die Rechteinhaber_innen. Näheres kann unter anderem aus entsprechenden Verträgen hervorgehen. Bitte kontaktieren Sie zu diesem Thema die TU Wien Expert_innen zum Vertragsservice.

Was im Hinblick auf die Nutzung von Daten zu beachten ist, die von Studierenden im Rahmen einer Abschlussarbeit oder einer anderen studiumbezogenen Aktivität generiert wurden, haben wir im Leitfaden für Studierende und ihre Betreuer_innen zusammengefasst. 

Die Verarbeitung personenbezogener Daten erfolgt unter strikter Wahrung der Grundsätze und Anforderungen, die in der DSGVO (Datenschutzgrundverordnung), dem DSG (Datenschutzgesetz) und dem FOG (Forschungsorganisationsgesetz) festgelegt sind. Eine Prüfung der Rechtmäßigkeit der Verarbeitung muss immer einzelfallbezogen erfolgen.

Mehr Informationen zu diesem Thema finden Sie unter Datenschutz an der TU Wien, öffnet eine externe URL in einem neuen Fenster

Für datenschutzkonforme Umfragen bietet die TU Wien das auf der Open-Source-Software LimeSurvey basierende Umfragetool TUsurvey, öffnet in einem neuen Fenster an. Die Bestellung und Abrechnung erfolgt über den TUshop, öffnet eine externe URL in einem neuen Fenster.

Bitte beachten Sie auch folgende Policies, Codes of Conduct und Webseiten

Bitte beachten Sie die datenbezogenen ethischen Aspekte Ihrer Forschung, z.B. wie Daten gespeichert und übermittelt werden, wer Zugang zu ihnen hat oder sie nutzen kann und wie lange die Daten aufbewahrt werden. Sorgen Sie dafür, dass Sie sich dieser Aspekte bewusst sind und planen Sie entsprechend. Es kann ethische Gründe dafür geben, den Zugang zu Forschungsdaten vollständig oder teilweise einzuschränken. Zu diesen Gründen gehört zum Beispiel die Vermeidung bestimmter Risiken: Personen (Einzelpersonen, kleine Gruppen, Minderheiten), die Umwelt oder die Gesellschaft sollen nicht gefährdet werden.

Der Fachbereich Responsible Research Practices unterstützt Forschende und Lehrende der TU Wien bei Fragen der Forschungsethik und Forschungsintegrität.

Hier finden Sie den TU Wien Code of Conduct - Regeln zur Sicherung guter wissenschaftlicher Praxis, öffnet eine externe URL in einem neuen Fenster.

Für weitere Informationen kontaktieren Sie Dr. Marjo Rauhala, Leitung Fachbereich Responsible Research Ethics.

Daten gelten als anonymisiert, wenn sie nicht länger einer bestimmten Person zugeordnet werden können. Demgegenüber stehen Daten, die lediglich pseudonymisiert wurden. Bei der Pseudonymisierung werden identifizierbare Merkmale durch Kennziffern oder andere Schlüssel ersetzt und der Zuordnungsprozess so dokumentiert, dass die ursprünglichen Informationen - mit mehr oder weniger großem Aufwand - wiederherstellbar bleiben. Pseydonymisierte Daten unterliegen daher witerhin der DSGVO. Ob Daten als anonymisiert oder pseudonymisiert einzustufen sind, ist oft nicht so leicht zu beantworten und hängt auch davon ab, wer die Daten empfängt und über welche Möglichkeiten diese Person verfügt. Im Folgenden wird daher die Kombination Anonymisierung/Pseudonymisierung verwendet. 

Die folgende Sammlung an Empfehlungen zur Anonymisierung/Pseudonymisierung stammt aus der Data Deposit Guideline von AUSSDA, öffnet eine externe URL in einem neuen Fenster, dem Austrian Social Science Data Archive. 

(In)direct identifiers 

Removal of all (in)direct identifiers: 
Delete variable

  • Social security number
  • ID number from 3rd party (data collection institute)
  • Full name
  • Email address
  • Phone numbers
  • Postal codes
  • Date of birth as (DDMMYYYY)
  • Workplace/employer
  • Vehicle registration number
  • Bank account number
  • IP address
  • Student ID number
  • Passport/identity card number

Open questions

Answers to open questions:
Thoroughly check or delete answers to open questions
  • Do you have any experience in working in politics? Answer: I have been elected as delegate in the parliament for party XYZ for 12 years in a row.
    --> Delete or recode!
  • Do you carry out any honorary duties? Answer: I have been working as a volunteer in the fire department in village XYZ in district ABC. 
    --> Delete or recode!

 

Standard demographic variables 

Age:
Summarize if margins fizzle out
  • Younger than 18 years
  • 19
  • 20
  • 70 and older

Occupational status:
Categorize into groups with min. 20 observations

  • Employed
  • Self-employed
  • Student/in training/in school
  • Retired
  • Unemployed
  • Other (e.g. military service, social service)
Field of education:
Categorize into groups with min. 20 observations
  • Building and civil engineering
  • Food processing

Years of schooling:
Summarize into groups with min. 20 observations and if margins fizzle out

  • Less than 5 years
  • 6
  • 7
  • 8
  • 13 and more
Income:
Categorize into broader categories and if margins fizzle out
  • Below 500 EUR
  • 500 to below 1000 EUR
  • 1000 to below 1500 EUR, etc.
  • More than 4000 EUR (e.g.)
Affiliation to religious groups:
Categorize into groups with min. 20 observations
  • Christian
  • Jewish
  • Islamic etc.
Membership in associations/clubs/political parties/trade union:
Categorize into groups with min. 20 observations
  • Recode “member of dachshund breeders association (in Linz)” to a broader category
Household composition:
Summarize into groups with min. 20 observations and if margins fizzle out
 
  • 1 person
  • 2 persons, etc.
  • > 5 persons
Nationality:
Categorize into groups with min. 20 observations or make broader categories
 
  • Austrian
  • Ethiopian
Mother tongue:
Categorize into groups with min. 20 observations
 
  • German
  • Kisuaheli
Need for social welfare:
Categorize into groups with min. 20 observations
 
  • Program A
  • Program B
Drug abuse:
Categorize into groups with min. 20 observations
  • Drug addiction: yes, no
Legal background information:
Delete if less than 20 observations in one category
  • Judicially condemned: yes, no
Health information:
Delete if less than 20 observations in one category
  • Suffer from depression: yes, no
Country of origin:
If less than 20 observations in one category, use standard for area codes used by the UN, UN M49 (if possible); use subregional category
 
  • Use UN geoscheme, e.g.
  • Eastern Africa, Middle Africa, Northern Africa, Southern Africa, Western Africa, etc.
ISCO variables on 3rd level
 
  • 3 digits level
NUTS variables on 2nd level
 
  • Provinces, Bundesländer

 

 

Quelle: Butzlaff, Iris (2022). Data Deposit Guideline (Public version) v2.0. Vienna: The Austrian Social Science Data Archive, öffnet eine externe URL in einem neuen Fenster

Tipps zur Anonymiserung finden Sie auch in den AUSSDA Data Deposit Guidelines für qualitative Daten:
Kernecker, Theresa (2023). Data Deposit Guideline for qualitative data v1.0. Vienna: The Austrian Social Science Data Archive., öffnet eine externe URL in einem neuen Fenster