Datenmanagementplan und FAIR-Prinzipien 2026: Forschungsdaten richtig planen

Wer 2026 einen Förderantrag bei der DFG einreicht oder an einem Horizon-Europe-Projekt beteiligt ist, kommt an einem Dokument nicht mehr vorbei: dem Datenmanagementplan (DMP). Die Deutsche Forschungsgemeinschaft schreibt Angaben zum Umgang mit Forschungsdaten als verbindliche Voraussetzung für Einzel- und Verbundvorhaben vor; die Europäische Kommission verlangt einen vollständigen DMP spätestens sechs Monate nach Projektstart. Hinter beiden Anforderungen stehen dieselben vier Buchstaben: FAIR — Findable, Accessible, Interoperable, Reusable.

Dieser Leitfaden erklärt, was die FAIR-Prinzipien konkret bedeuten, wie ein DMP strukturiert ist, welche Förderer welche Abschnitte verlangen und welche Tools wie RDMO den Erstellungsprozess unterstützen. Für Doktoranden und Forschende, die ihre empirischen Methoden sauber dokumentieren wollen, ist ein gut aufgesetzter DMP zugleich Pflichterfüllung und methodische Stärke.

Was ist ein Datenmanagementplan?

Ein Datenmanagementplan ist ein formalisiertes Dokument, das den gesamten Lebenszyklus von Forschungsdaten beschreibt — von der Erhebung über die Verarbeitung bis zur langfristigen Archivierung oder geordneten Löschung. Ein DMP beantwortet systematisch Fragen wie: Welche Daten entstehen? Wer hat Zugangsrechte? In welchem Format werden sie gespeichert? Wie lange bleiben sie für die Wissenschaft verfügbar?

DMPs sind kein bürokratisches Formular, das Förderer der Vollständigkeit halber einfordern, sondern ein strategisches Planungsinstrument. Sie zwingen Forschende, vor Projektbeginn über Aspekte nachzudenken, die ohne explizite Planung häufig am Ende eines Projekts ungelöst bleiben: proprietäre Dateiformate, fehlende Metadaten, zu kurze Speicherfristen oder mangelnde Anonymisierung personenbezogener Erhebungsdaten.

Im deutschen Hochschulsystem hat das Thema Forschungsdatenmanagement seit der Neufassung des DFG-Kodex zur Sicherung guter wissenschaftlicher Praxis erheblich an Gewicht gewonnen. Leitlinie 13 verpflichtet Forschende, ihre Ergebnisse — soweit möglich und zumutbar — öffentlich zugänglich zu machen und die zugrundeliegenden Forschungsdaten, Materialien und Methoden verfügbar zu halten. Leitlinie 17 schreibt die Aufbewahrung von Primärdaten üblicherweise für einen Zeitraum von zehn Jahren vor.

Die FAIR-Prinzipien im Detail

Die FAIR-Prinzipien wurden 2016 von Wilkinson et al. im Fachjournal Scientific Data formuliert und seitdem zum internationalen Standard für die Qualitätsbewertung von Forschungsdaten. Sie sind nicht als abschließende Checkliste zu verstehen, sondern als Orientierungsrahmen, der je nach Disziplin und Datenkategorie unterschiedlich umgesetzt wird.

F — Findable (Auffindbar)

Daten müssen so beschrieben und abgelegt sein, dass sie von Menschen und Maschinen gleichermaßen gefunden werden können. Konkret bedeutet das: persistente Identifier wie DOI oder Handle, aussagekräftige Metadaten nach standardisierten Schemata und die Registrierung in durchsuchbaren Repositorien. Ein Datensatz ohne DOI und ohne Eintrag in einem Forschungsdatenkatalog ist für die wissenschaftliche Community praktisch nicht existent, selbst wenn er auf einem institutionellen Server liegt.

A — Accessible (Zugänglich)

Auffindbare Daten müssen unter klar definierten Bedingungen abgerufen werden können. Das bedeutet nicht zwingend vollständigen Open Access für alle Datensätze — der Grundsatz lautet: so offen wie möglich, so geschlossen wie nötig. Personenbezogene Daten oder vertrauliche Unternehmensdaten können auch hinter einem kontrollierten Zugangsprozess liegen, sofern das Verfahren transparent und standardisiert ist. Entscheidend ist dabei, dass die Metadaten selbst immer öffentlich zugänglich bleiben, auch wenn die eigentlichen Daten gesperrt sind.

I — Interoperable (Interoperabel)

Forschungsdaten sollen mit anderen Datensätzen und Systemen kombinierbar sein. Das setzt offene, standardisierte Dateiformate voraus — CSV statt proprietärem .xlsx, TIFF statt .psd — sowie die Verwendung kontrollierter Vokabulare und Ontologien. Variablennamen und Kodierungen müssen auf eine Weise dokumentiert sein, die auch Forschende außerhalb der eigenen Disziplin nachvollziehen können, ohne auf Originalsoftware angewiesen zu sein.

R — Reusable (Wiederverwendbar)

Wiederverwendbarkeit ist die eigentliche Zielmaxime der FAIR-Prinzipien. Daten sind dann wiederverwendbar, wenn Metadaten und Dokumentation so vollständig sind, dass ein externer Forschender den Entstehungskontext versteht, die Daten replizieren oder auf neue Fragestellungen anwenden kann. Dazu gehören eine klare Lizenzangabe — etwa Creative Commons BY 4.0 für offene Datensätze — und eine Provenienz-Dokumentation: Wer hat die Daten wann, mit welchem Instrument und nach welchem Protokoll erhoben?

DFG-Anforderungen 2026

Die Deutsche Forschungsgemeinschaft hat Forschungsdatenmanagement fest in ihre Antragsstruktur integriert. Jeder Antrag auf Einzel- oder Verbundförderung muss einen Abschnitt zum Umgang mit Forschungsdaten enthalten, der Informationen zu folgenden Punkten umfasst:

• Art und Umfang der Daten: Welche Datentypen entstehen — quantitative Messwerte, qualitative Interviewdaten, Bilddaten, Sensordaten — und in welchem Volumen?
• Dokumentation und Metadaten: Welche Standards und Schemata werden verwendet, um die Daten nachvollziehbar zu beschreiben?
• Datenspeicherung: Wo und wie lange werden die Daten gespeichert? Wer ist im Projekt verantwortlich?
• Datenweitergabe und Nachnutzung: Gibt es Pläne zur Veröffentlichung in Repositorien? Wenn nicht, warum?
• Zuständigkeiten: Wer kümmert sich konkret um das Datenmanagement, insbesondere bei Verbundprojekten mit mehreren Instituten?

Die DFG verweist in ihren Handreichungen ausdrücklich auf die FAIR-Prinzipien als Qualitätsmaßstab. Projekte, die eine Veröffentlichung in anerkannten Repositorien wie Zenodo, PANGAEA oder fachspezifischen Archiven vorsehen, gelten als besonders stark positioniert. Geeignete Repositorien lassen sich über das Registry of Research Data Repositories (re3data.org) identifizieren — eine von der DFG geförderte Datenbank mit mehr als 2.000 eingetragenen Forschungsdaten-Repositorien weltweit.

Horizon-Europe-Anforderungen

Im Rahmenprogramm Horizon Europe (2021–2027) ist das Datenmanagement noch stärker formalisiert. Die Europäische Kommission verlangt von Projekten, bei denen Forschungsdaten eine Rolle spielen, einen vollständigen DMP spätestens sechs Monate nach Projektstart sowie dessen regelmäßige Aktualisierung im Projektverlauf — in der Regel bei jedem Berichtsmeilenstein.

Die Horizon-Europe-DMP-Vorlage der Kommission orientiert sich explizit an den FAIR-Prinzipien und gliedert sich in folgende Kernbereiche:

Wichtig: Die Verwendung der offiziellen Horizon-Vorlage wird von der Kommission empfohlen, ist jedoch nicht verpflichtend. Entscheidend ist, dass der DMP die inhaltlichen Anforderungen vollständig abdeckt und als lebendiges Dokument im Projektverlauf aktuell gehalten wird.

Aufbau eines DMP: Pflichtabschnitte

Unabhängig von der konkreten Förderinstitution weisen gut strukturierte DMPs folgende Standardabschnitte auf:

1. Datenbeschreibung

Typen, Formate, Volumen und Ursprung der Daten. Hier wird angegeben, ob bereits bestehende Datensätze nachgenutzt werden oder ob alle Daten neu erhoben werden. Bei quantitativen Erhebungsmethoden wie Umfragen oder Laborexperimenten sollte zudem die Kodierung aller Variablen dokumentiert werden, sodass die Daten ohne Rückfragen auswertbar sind.

2. Methodik der Datenerhebung

Protokolle, Instrumente, Software und Standards, die bei der Erhebung eingesetzt wurden. Je nachvollziehbarer die Methodik dokumentiert ist, desto höher die Nachnutzbarkeit im Sinne von FAIR-R. Ein Codebook oder Data Dictionary ist bei qualitativen wie quantitativen Datensätzen gleichermaßen unverzichtbar.

3. Datenspeicherung und Backup

Speicherort (institutionelles Repositorium, gesicherter Cloud-Dienst, lokaler Server), Backup-Strategie nach der 3-2-1-Regel — drei Kopien auf zwei verschiedenen Medientypen, davon eine Kopie an einem externen Standort — sowie Zugangsrechte während des laufenden Projekts.

4. Metadaten und Dokumentation

Welche Metadatenschemata werden verwendet? Dublin Core und DataCite sind weit verbreitet; viele Fachcommunities haben eigene Standards entwickelt, etwa DDI für Sozialwissenschaften oder ISO 19115 für Geodaten. Ein vollständiges Datendokument enthält immer auch Angaben zu Erhebungszeitraum, Stichprobe und eingesetzten Messinstrumenten.

5. Datenweitergabe und Archivierung

In welchem Repositorium werden die Daten nach Projektabschluss abgelegt? Unter welcher Lizenz? Wie lange bleiben sie verfügbar? Die DFG-Mindestfrist für die Aufbewahrung von Primärdaten beträgt nach Leitlinie 17 des Kodex üblicherweise zehn Jahre; für klinische oder regulatorisch relevante Daten gelten in der Regel längere Fristen.

6. Ethische und rechtliche Aspekte

Personenbezogene Daten erfordern eine DSGVO-konforme Behandlung: schriftliche Einwilligungserklärungen der Probanden, konsequente Pseudonymisierung oder Anonymisierung bereits während der Erhebung sowie dokumentierte Löschfristen für nicht archivierungswürdige Rohdaten.

Tools zur DMP-Erstellung: RDMO und Alternativen

Die manuelle Erstellung eines DMP von Grund auf ist zeitaufwendig und fehleranfällig — insbesondere, wenn mehrere Förderer unterschiedliche Vorlagenformate verlangen. Eine Reihe von Tools unterstützt den Prozess durch vorstrukturierte Fragenkataloge und exportierbare Ausgaben in gängigen Formaten.

RDMO — Research Data Management Organiser

RDMO ist das im deutschsprachigen Raum am weitesten verbreitete DMP-Tool. Es wurde in einem DFG-geförderten Projekt entwickelt und steht inzwischen an zahlreichen deutschen Hochschulen — darunter die Ruhr-Universität Bochum, die Universität Siegen und die Universität Frankfurt — als institutionelle Installation kostenlos zur Verfügung. RDMO ermöglicht nicht nur die einmalige Erstellung eines DMP, sondern begleitet das gesamte Forschungsdatenmanagement über den Projektverlauf durch aktualisierbare Fragebögen und Aufgabenlisten. Der Fragenkatalog kann auf DFG-, Horizon-Europe- oder hochschulinterne Anforderungen abgestimmt werden. Für Einzelforschende ohne institutionellen Zugang bietet forschungsdaten.info eine frei nutzbare RDMO-Instanz.

DMPonline

DMPonline, betrieben vom Digital Curation Centre (DCC) in Edinburgh, ist das internationale Pendant zu RDMO. Es enthält Vorlagen für zahlreiche internationale Förderer, darunter den European Research Council und den Wellcome Trust. Für deutschsprachige Fördervorhaben ist RDMO in der Regel vorzuziehen, da es muttersprachliche Fragenkataloge und direkte Anbindung an institutionelle Infrastrukturen bietet.

Zenodo als Archivierungslösung

Zenodo, betrieben vom CERN in Zusammenarbeit mit der Europäischen Kommission, ist kein DMP-Tool im engeren Sinne, aber das Standardrepositorium für die FAIR-konforme Veröffentlichung von Forschungsdaten und zugehörigen Publikationen. Hochgeladene Datensätze erhalten automatisch eine DOI, können mit einem Creative-Commons-Lizenzhinweis versehen werden und sind über Metadaten durchsuchbar — womit alle vier FAIR-Dimensionen abgedeckt sind.

DMP für die Abschlussarbeit: Was gilt für Studierende?

Viele Studierende sind überrascht zu hören, dass die formale Pflicht zur DMP-Erstellung primär für drittmittelfinanzierte Forschungsprojekte gilt — nicht für Bachelor- oder Masterarbeiten. Dennoch lohnt es sich, die Grundprinzipien eines DMP bereits bei der Abschlussarbeit anzuwenden, und zwar aus drei konkreten Gründen:

1. Reproduzierbarkeit: Ein strukturiertes Datendokument erhöht die Glaubwürdigkeit der Ergebnisse und ermöglicht es dem Betreuer, Auswertungsschritte vollständig nachzuvollziehen.
2. Rechtssicherheit: Wer mit personenbezogenen Daten arbeitet — etwa Interviewtranskripten oder Fragebogendaten — muss diese DSGVO-konform behandeln, auch als Studierender ohne institutionelle Drittmittelanbindung.
3. Karrierevorbereitung: Forschende, die im akademischen oder angewandten Forschungsumfeld tätig sein wollen, begegnen DMP-Anforderungen ab dem ersten Drittmittelprojekt. Wer das Prinzip schon in der Abschlussarbeit internalisiert, ist strukturell besser aufgestellt.

Für eine Masterarbeit oder Dissertation mit empirischem Datensatz empfiehlt sich mindestens ein vereinfachtes Datendokument mit Angaben zu Erhebungsmethode, Speicherort, Anonymisierungsstrategie und geplanter Archivierungsfrist. Wer seinen gesamten Schreibprozess methodisch sauber aufstellen möchte, findet im umfassenden Leitfaden zum Bachelorarbeit schreiben auf de.tesify.pro eine strukturierte Übersicht von der Themenfindung bis zur Abgabe.

Beim Aufbau und der sprachlichen Ausformulierung empirischer Kapitel — etwa des Methodik- oder Ergebnisteils — unterstützt Tesify als KI-gestütztes Schreibwerkzeug, das auf wissenschaftliche Integrität und verantwortungsvollen KI-Einsatz ausgelegt ist.

FAQ: Datenmanagementplan und FAIR-Prinzipien