16: Antimuster: Beispiele für ungeeignete Lösungen

Themen: Falsch verstandene Transparenz statt Qualität; Zentralistische und kurzlebige politische Initiativen; Große monolithische allumfassende Systeme; Overengineering und vermeintliche technische Lösungen
Folien: PDF
Glossar: PDF

Zentrale Aspekte

FDM ist viel zu wichtig für die Wissenschaft, als dass es
zum Spielball kurzlebiger politischer Initiativen werden darf.
Vertrauen ist die Voraussetzung für das Teilen von Ergebnissen.
Open Data und Open Science werden dem nicht gerecht.
Die FAIR-Prinzipien sagen nichts über die Datenqualität.
Ungeeignete Daten führen zu falschen Schlussfolgerungen.
Große monolithische Systeme scheitern an der Komplexität
der Anforderungen, ihrer Unflexibilität und Unbeherrschbarkeit.
Viele technische Lösungen lösen irrelevante Probleme,
statt die wirklich drängenden Fragen anzugehen.

Fragen zur Vertiefung und Wiederholung

Diese Fragen dienen der persönlichen Beschäftigung mit der Thematik, werden aber nicht separat in der Vorlesung besprochen.

Welche Rolle kommt Daten in der Wissenschaft zu? Was bedeutet das für ihre Veröffentlichung, Wiederverwendung und langfristige Archivierung?
Was ist ein Grundproblem bei der Veröffentlichung von Daten, das ihrer sinnvollen Nachnutzung oft genug im Weg steht – auch wenn das nicht immer allen Nutzenden bewusst ist?
Für was steht das „R“ in FAIR? Was bedeutet das für die Wissenschaft und den Einfluss der FAIR-Prinzipien?
Welche grundlegenden Probleme ergeben sich aus der Verwendung von Algorithmen des maschinellen Lernens für die Wissenschaftlichkeit?
Warum sind Open Data und Open Science, obwohl gut gemeint, letztlich zu wenig durchdacht und an vielen Stellen nicht umsetzbar?
Wieso sind „professionelle Forschungsdatenverantwortliche“ (Data Stewards, Data Architects) keine Lösung für das Problem mangelnden Forschungsdatenmanagements? Welche grundlegenden Qualifikationen fehlen diesen Personen?
Warum sind zentrale (einheitliche) Lösungen i.d.R. zum Scheitern verurteilt? Wie müssten brauchbare Lösungen stattdessen aussehen?
Wie entsteht die mangelnde Fachlichkeit politischer Gremien?
Was ist die Motivation hinter der Nutzung zentral bereitgestellter Infrastrukturen, und welche Probleme bei ihrer Nutzung werden i.d.R. viel zu wenig beachtet?
Woran scheinter große, monolithische, allumfassende Systeme, und wie sähe eine Lösungsstrategie aus?

Weiterführende Literatur

Eine kommentierte und handverlesene Liste mit weiterführender Literatur zum Thema. Die Auswahl ist zwangsläufig subjektiv.

Maßgeblich für die Idee, dass Forschungsdaten auch außerhalb ihres ursprünglichen Kontextes relevant und deshalb von wirtschaftlichem und politischem Interesse sind, sind die entsprechenden Prinzipien und Leitlinien der OECD {[oecd-2007]}.

Die FAIR-Prinzipien wurden 2016 von Wilkinson et al. veröffentlicht {[wilk-sdata-3-160018]}. Ihre „Umdeutung“, genauer gesagt Fokussierung auf den Kontext von KI/ML findet sich im Beitrag von Barend Mons {[mons-n-578-491]}. Vom gleichen Autor gibt es einen flammender Appell für professionelle Forschungsdatenmanager in Form von Data Stewards und Data Architects {[mons-b-2018]}.

Für eine wirklich intellektuelle Auseinandersetzung mit vielen Fragen rund um Forschungsdaten und den Umgang mit ihnen vgl. immer wieder die Veröffentlichungen von C. L. Borgman, sowohl ihr Buch {[borgman-cl-2015]} als auch ein zeitlich vorher veröffentlichter kürzerer Artikel, der sich kritisch mit dem Veröffentlichen und Teilen von Forschungsdaten auseinandersetzt {[borg-jasist-63-1059]}.

Wer sich für Vorläufer-Initiativen der NFDI interessiert, die im aktuellen politischen Diskurs und auch in den Begründungen für die Notwendigkeit der neuen Initiative keinerlei Beachtung finden, dem sei ein Blick auf das UK e-Science Programme {[hey-ptrsa-361-1809,hey-fgcs-18-1017]} und das deutsche Projekt D-Grid {[hegering-hg-2004,ludwig-j-2013]} empfohlen. Nichts davon wird in den politisch relevanten Arbeiten des RfII {[rfii-2016-fdm,rfii-2017-fdi,rfii-2022-os]} erwähnt.

Eine hilfreiche Diskussion zu „Overengineering“, wenn auch im Kontext der Softwareentwicklung und hier spezifisch dem Wechselspiel zwischen Mustern und Refactoring, findet sich in Kap. 1 von {[kerievsky-j-2005]}.