Definition

Ein Datenmanagementplan (DMP) gilt als zentrales Werkzeug des Forschungsdatenmanagements'Beim Forschungsdatenmanagement geht es um einen verantwortungsvollen und reflektierten Umgang mit Forschungsdaten. Anhand spezifischer Maßnahmen und Strategien sollen Forschungsdaten sorgfältig organisiert, gepflegt und aufgearbeitet werden. Ziel ist es, sie im Sinne einer guten wissenschaftlichen Praxis langfristig zu speichern und für Dritte zugänglich und nachnutzbar zu machen. Somit soll eine Überprüfung wissenschaftlicher Aussagen vereinfacht, Nachweise gesichert und weitere Auswertungen und Analysen an den Daten vollzogen werden können.' (Data Affairs, Glossar) Weiterlesen (FDM), da dort der geplante Umgang mit Forschungsdaten vor, während und nach Projektende dargelegt sowie Zuständigkeiten und Verantwortlichkeiten festgehalten werden.

Einführung

Datenmanagementpläne haben in den letzten Jahren zunehmend an Bedeutung gewonnen, nicht zuletzt, weil immer mehr Forschungsdaten digital vorliegen, ein reflektiertes Datenmanagement'Beim Forschungsdatenmanagement geht es um einen verantwortungsvollen und reflektierten Umgang mit Forschungsdaten. Anhand spezifischer Maßnahmen und Strategien sollen Forschungsdaten sorgfältig organisiert, gepflegt und aufgearbeitet werden. Ziel ist es, sie im Sinne einer guten wissenschaftlichen Praxis langfristig zu speichern und für Dritte zugänglich und nachnutzbar zu machen. Somit soll eine Überprüfung wissenschaftlicher Aussagen vereinfacht, Nachweise gesichert und weitere Auswertungen und Analysen an den Daten vollzogen werden können.' (Data Affairs, Glossar) Weiterlesen zur guten wissenschaftlichen Praxis'Die gute wissenschaftliche Praxis (GWP) bildet einen standardisierten Kodex, der als Regelwerk in den Leitlinien der Deutschen Forschungsgemeinschaft (DFG) verankert ist. Die Leitlinien verweisen auf die ethische Verpflichtung jedes/jeder Forschenden, verantwortungsvoll, ehrlich und respektvoll vorzugehen, auch um das allgemeine Vertrauen in Forschung und Wissenschaft zu stärken. Sie können als Orientierung im Rahmen wissenschaftlicher Arbeitsprozesse geltend gemacht werden.' (Data Affairs, Glossar) Weiterlesen gehört und daher in vielen Leitlinien empfohlen wird. Ob zu Planungszwecken oder der späteren Nachvollziehbarkeit: Alle für ein Projekt geplanten Maßnahmen zum Umgang mit den Daten über den gesamten Lebenszyklus'Das Modell des Forschungsdatenlebenszyklus stellt sämtliche Phasen dar, die Forschungsdaten vom Zeitpunkt der Erhebung bis zu ihrer Nachnutzung durchlaufen können. Die Phasen sind an bestimmte Aufgaben gekoppelt und können variieren (Forschungsdaten.info 2026). Allgemein umfasst der Forschungsdatenlebenszyklus folgende Teilbereiche:  Weiterlesen können in einem solchen meist systematischen Leitfaden festgehalten werden. Dabei kann ein DMP je nach Anwendungsfall zwischen wenigen Absätzen und mehreren Seiten lang sein.

Mittlerweile werden für die Drittmittelvergabe von vielen Forschungsförderern'Förderinstitutionen sind all jene Einrichtungen, die wissenschaftliche Forschung finanziell fördern, also Stiftungen, Vereine oder andere Organisationen. Die meisten dieser Einrichtungen im internationalen Raum haben dabei Richtlinien für das Forschungsdatenmanagement (FDM) von Forschungsprojekten eingeführt, d. h. eine mögliche finanzielle Förderung ist an Bedingungen und Forderungen zum Umgang mit Forschungsdaten geknüpft. Zu den bekanntesten Förderinstitutionen im deutschsprachigen Raum gehören das Bundesministerium für Bildung und Forschung (BMBF) selbst, die Bildungs- und Wissenschaftsministerien der Bundesländer, die Deutsche Forschungsgemeinschaft (DFG), die Volkswagenstiftung oder der Österreichische Wissenschaftsfonds (FWF) sowie der Schweizer Nationalfonds (SNF).' (Data Affairs, Glossar) Weiterlesen (z. B. BMBF, DFG, FWF, SNF, Horizon Europe, Volkswagenstiftung) mit dem Antrag auch Angaben zum Umgang mit Forschungsdaten erwartet, wobei die Anforderungen je Förderprogramm stark variieren können. Neben dem kostenfreien Zugang zu den im Projekt entstandenen Forschungsdaten wird dort auch zunehmend die Erstellung und Umsetzung eines DMPs gefordert.¹Informationen hierzu gibt es jeweils in den Vorgaben der einzelnen Förderinstitutionen, von denen die Wichtigsten auf dieser Seite gelistet sind: https://forschungsdaten.info/themen/informieren-und-planen/forschungsdatenmanagement-und-forschungsfoerderer/

Ein DMP liegt meist in Form eines Fragebogens vor, der nach Art und Format der Forschungsdaten, deren Entstehungsgeschichte, angewendeter Methoden sowie der Aufbereitung, Speicherung, Organisation, Publikation und der Archivierung der entstandenen Forschungsdaten fragt. Erfasst werden zudem die Verantwortlichkeiten, ebenso wie Angaben zu rechtlichen und ethischen Aspekten, relevanten FDM-Richtlinien sowie zu benötigten Sach- und Personalmitteln.

Da sich im Laufe eines Projekts Änderungen im Forschungsprozess und damit auch im FDM ergeben können, sollte der DMP im Sinne eines lebenden Dokuments gepflegt werden, d. h. dessen Inhalte idealerweise fortlaufend angepasst und konkretisiert werden.

Aber nicht nur bei großen Forschungsprojekten, sondern auch bereits im Rahmen einer Bachelor- oder Masterarbeit kann es sinnvoll sein, über den eigenen Umgang mit Daten nachzudenken und z. B. schriftlich festzuhalten, wo welche Daten wie abgelegt werden. In diesem Sinne dienen die Überlegungen dem projektinternen bzw. eigenen Management der (Forschungs-)Daten – d. h. der Projektarbeit selbst, in dessen Kontext sie entstanden sind.

Motivation

Ein DMP kann dabei unterstützen, die Arbeit in einem Forschungsprojekt zu strukturieren. Er verschafft den Forschenden Klarheit und die Möglichkeit zur Reflexion v. a. in der Planungsphase von Forschungsprojekten, um ggf. notwendige Ressourcen für das FDM beantragen zu können. Während der Generierung von Forschungsdaten dient er als Dokumentation, um bspw. neuen Mitarbeiter*innen einen schnellen und strukturierten Einstieg in das projekteigene Datenmanagement zu geben. Nach Projektende kann er als zusätzliche Informationsquelle zu den archivierten Daten hinzugefügt werden, um die Datensammlung auch zu einem späteren Zeitpunkt noch verständlich zu machen.

Grafik: Datenmanagementplan, Anne Voigt mit CoCoMaterial, 2025, lizenziert unter CC BY-SA 4.0

Ein DMP…

• erfordert eine detaillierte Reflexion des eigenen Umgangs mit Daten und Material. Er schafft damit einen Überblick über notwendige Aktivitäten während des Forschungsprozesses (Projektmanagement).
• dient der Sicherung der guten wissenschaftlichen Praxi'Die gute wissenschaftliche Praxis (GWP) bildet einen standardisierten Kodex, der als Regelwerk in den Leitlinien der Deutschen Forschungsgemeinschaft (DFG) verankert ist. Die Leitlinien verweisen auf die ethische Verpflichtung jedes/jeder Forschenden, verantwortungsvoll, ehrlich und respektvoll vorzugehen, auch um das allgemeine Vertrauen in Forschung und Wissenschaft zu stärken. Sie können als Orientierung im Rahmen wissenschaftlicher Arbeitsprozesse geltend gemacht werden.' (Data Affairs, Glossar) Weiterlesens (u. a. Transparenz und Nachvollziehbarkeit).
• erleichtert die Projektplanung und insbesondere die Ressourcenplanung für das Forschungsdatenmanagement.
• hilft dabei, Daten und Material für einen späteren Zeitpunkt und ggf. für andere Forschende interpretierbar und (nach-)nutzbar'Eine Nachnutzung, oftmals auch Sekundärnutzung genannt, befragt bereits erhobene und veröffentlichte Forschungsdatensätze erneut mit dem Ziel, andere Erkenntnisse, möglicherweise aus einer neuen oder unterschiedlichen Perspektive, zu erhalten. Die Aufbereitung von Forschungsdaten für eine Nachnutzung erfordert einen erheblich höheren Anonymisierungs-, Aufbereitungs- und Dokumentationsaufwand als die bloße Archivierung im Sinne von Datenspeicherung.' (Data Affairs, Glossar) Weiterlesen zu machen.
• dient dazu, den Erwartungen, Anforderungen und Berichtspflichten der Förderinstitutionen'Förderinstitutionen sind all jene Einrichtungen, die wissenschaftliche Forschung finanziell fördern, also Stiftungen, Vereine oder andere Organisationen. Die meisten dieser Einrichtungen im internationalen Raum haben dabei Richtlinien für das Forschungsdatenmanagement (FDM) von Forschungsprojekten eingeführt, d. h. eine mögliche finanzielle Förderung ist an Bedingungen und Forderungen zum Umgang mit Forschungsdaten geknüpft. Zu den bekanntesten Förderinstitutionen im deutschsprachigen Raum gehören das Bundesministerium für Bildung und Forschung (BMBF) selbst, die Bildungs- und Wissenschaftsministerien der Bundesländer, die Deutsche Forschungsgemeinschaft (DFG), die Volkswagenstiftung oder der Österreichische Wissenschaftsfonds (FWF) sowie der Schweizer Nationalfonds (SNF).' (Data Affairs, Glossar) Weiterlesen gerecht zu werden.
• schafft Kontinuität innerhalb des Projektes, auch bei einem Personalwechsel.
• kann dazu dienen, rechtliche'Das Urheberrecht (UrhG) schützt bestimmte geistige Schöpfungen (Werke) und Leistungen. Unter Werke fallen Sprachwerke, Lichtbild-, Film- und Musikwerke sowie Darstellungen wissenschaftlicher oder technischer Art, wie Zeichnungen, Pläne, Karten, Skizzen, Tabellen und plastische Darstellungen (Gesetz über Urheberrecht und verwandte Schutzrechte 2021, §2). Die künstlerischen, wissenschaftlichen Leistungen von Personen oder die getätigte Investition gelten dagegen als schützenswerte Leistungen (Leistungsschutzrecht). Der*die Urheber*in ist berechtigt, das Werk zu veröffentlichen und zu verwerten.' (Data Affairs, Glossar) Weiterlesen Besitz- und Nutzungsfragen an den entstehenden Daten v. a. in kollaborativen Projekten festzuhalten und damit zur Rechtssicherheit beizutragen.
• unterstützt die klare Zuweisung von Verantwortlichkeiten im Datenmanagement.

Vorgehen

I. d. R. werden DMPs mithilfe von standardisierten Vorlagen der Drittmittelgebenden (DFG, Horizon2020 u. a.) bzw. mit Softwaretools (z. B. DMPonline, RDMO) oder anderen fachspezifischen oder institutionellen Vorlagen erstellt. Grundsätzlich ist es jedoch auch möglich, dass jede*r Forschende einen eigenen und individuell formulierten Datenmanagementplan ohne eine Vorlage erarbeitet. Dafür werden die für die eigene Forschungsarbeit relevanten Fragen zum Datenmanagement beantwortet. Der „Practical Guide to International Alignment of Research Data Management” von Science Europe bietet bspw. einen gut strukturierten und geeigneten Fragenkatalog für DMPs in Englisch.²Siehe “Practical Guide to International Alignment of Research Data Management” ab S. 17. https://www.scienceeurope.org/our-resources/practical-guide-to-the-international-alignment-of-research-data-management/

Ein DMP enthält nach Helbig (et al, 2020) idealerweise folgende Elemente, von denen die fünf ersten möglichst stets bedacht werden sollten, während die Punkte sechs bis zehn in erster Linie für größere bzw. speziellere Projekte gedacht sind, bei denen eine Nachnutzung von Beginn an beabsichtigt wird.

1. Angaben zum Projekt:
   inhaltliche Projektbeschreibung, administrative Angaben zum Projekt, ggf. Förderinstitutionen'Förderinstitutionen sind all jene Einrichtungen, die wissenschaftliche Forschung finanziell fördern, also Stiftungen, Vereine oder andere Organisationen. Die meisten dieser Einrichtungen im internationalen Raum haben dabei Richtlinien für das Forschungsdatenmanagement (FDM) von Forschungsprojekten eingeführt, d. h. eine mögliche finanzielle Förderung ist an Bedingungen und Forderungen zum Umgang mit Forschungsdaten geknüpft. Zu den bekanntesten Förderinstitutionen im deutschsprachigen Raum gehören das Bundesministerium für Bildung und Forschung (BMBF) selbst, die Bildungs- und Wissenschaftsministerien der Bundesländer, die Deutsche Forschungsgemeinschaft (DFG), die Volkswagenstiftung oder der Österreichische Wissenschaftsfonds (FWF) sowie der Schweizer Nationalfonds (SNF).' (Data Affairs, Glossar) Weiterlesen, Projektbeteiligte und ihren Rollen im Projekt
2. Angaben zu relevanten Vorgaben:
   Leitlinien, Empfehlungen und Vorgaben von Dritten z. B. der Fachgesellschaften, Förderinstitutionen und/oder der Universitäten, Hochschulen bzw. Forschungseinrichtungen bzgl. des Datenumgangs (sofern vorhanden)
3. Beschreibung der geplanten Methoden:
   Methoden der Datenerhebung, -analyse, -präsentation und daraus resultierende Datentypen Die Begriffe Dateityp und Dateiformat werden meist synonym verwendet, bezeichnen jedoch verschiedene Dinge. Weiterlesenund -formateDie Begriffe Dateityp und Dateiformat werden meist synonym verwendet, bezeichnen jedoch verschiedene Dinge.'Das Dateiformat ist die spezifische technische Implementierung einer Datei, d. h. wie die Daten gespeichert, repräsentiert und interpretiert oder verarbeitet werden. In der Regel sind Dateiformate an Dateierweiterungen, zum Beispiel PNG oder TIFF, zu erkennen.' (Lernzielmatrix Glossar 2025) Weiterlesen wie z. B. DigitalisateDigitalisate werden hergestellt, indem analoge Materialien wie Bücher, Handschriften, Urkunden, Bilder, Artefakte in digitale Formate überführt werden, die elektronisch gesichert werden. Digitale Daten haben den Vorteil, dass sie vervielfacht, geteilt und maschinell verarbeitet werden können (Data Affairs, Glossar). Weiterlesen von (Schrift-/Bild-)Quellen, Zeitzeugeninterviews, Texte, Filme, Objekte, originär digitale Quellen wie bspw. Webseiten oder Social Media Inhalte oder statistische Daten etc.
4. Angaben zur Datenspeicherung'Datenspeicherung bezeichnet allgemein den Vorgang des Speicherns von Daten auf einem Trägermaterial oder Datenträger (digitalisierte Daten). Forschungsdaten sind einzigartige, wertvolle Daten, die sicher aufbewahrt werden sollten, um sie vor Verlust und fremden Zugriff zu schützen. Mit verschiedenen Maßnahmen wie z. B. regelmäßigen Backup-Routinen (Sicherheitskopien) kann ein möglicher Datenverlust minimiert werden.' (Data Affairs, Glossar) Weiterlesen, -sicherheit'Unter Datensicherheit werden alle präventiven Maßnahmen physischer und technischer Art verstanden, die dem Schutz digitaler und auch analoger Daten dienen. Datensicherheit soll für deren Verfügbarkeit bürgen, sowie die Vertraulichkeit und Integrität der Daten gewährleisten. Beispiele für Maßnahmen sind: Passwortschutz für Geräte und Online-Plattformen, Verschlüsselungen für Software z. B. E-Mails und auch Hardware, Firewalls, regelmäßige Softwareupdates sowie sicheres Löschen von Dateien.' (Data Affairs, Glossar) Weiterlesen und -organisation:
   Art und Ort der Ablage, Sicherungsroutinen (Backups'Der Begriff Backup bedeutet Datensicherung beziehungsweise Datenrettung und bezeichnet das Kopieren von Daten als Vorsorge für den Fall, dass es durch einen Schaden z. B. an der Festplatte oder durch versehentliches Löschen zu Datenverlusten kommt. Mit einem Backup können die Daten wiederhergestellt werden. Dafür wird der Datensatz auf einem anderen Datenträger zusätzlich gesichert (Sicherungskopie) und offline oder online abgelegt.' (Data Affairs, Glossar) Weiterlesen), Datenaustausch, Maßnahmen zur Verhinderung von Datenverlust, Versionierung, Verschlüsselung
5. Angaben zu rechtlichen Aspekten:
   Regelungen zu den Rechten der Projektbeteiligten an den Forschungsdaten, sowie die Rechte Dritter an den verwendeten Quellen wie z. B. dem Urheberrecht'Das Urheberrecht (UrhG) schützt bestimmte geistige Schöpfungen (Werke) und Leistungen. Unter Werke fallen Sprachwerke, Lichtbild-, Film- und Musikwerke sowie Darstellungen wissenschaftlicher oder technischer Art, wie Zeichnungen, Pläne, Karten, Skizzen, Tabellen und plastische Darstellungen (Gesetz über Urheberrecht und verwandte Schutzrechte 2021, §2). Die künstlerischen, wissenschaftlichen Leistungen von Personen oder die getätigte Investition gelten dagegen als schützenswerte Leistungen (Leistungsschutzrecht). Der*die Urheber*in ist berechtigt, das Werk zu veröffentlichen und zu verwerten.' (Data Affairs, Glossar) Weiterlesen, Archivrecht, Lizenz- und Nutzungsrecht sowie ggf. Angaben zu datenschutzrechtlichen'Datenschutz beinhaltet Maßnahmen gegen ein unrechtmäßiges Erheben, Speichern, Teilen und Nachnutzen von personenbezogenen Daten. Der Datenschutz stützt sich auf das Recht der Selbstbestimmung von Individuen in Bezug auf den Umgang mit ihren Daten und ist in der Datenschutz-Grundverordnung (EU-DSGVO), dem Bundesdatenschutzgesetz und in den entsprechenden Gesetzen der Bundesländer verankert. Ein Verstoß gegen datenschutzrechtliche Vorschriften kann strafrechtliche Konsequenzen nach sich ziehen.' (Data Affairs, Glossar) Weiterlesen Maßnahmen (z. B. bei Zeitzeugeninterviews der Einsatz einer informierten Einwilligung'Informierte Einwilligung (informed consent) meint die Zustimmung der Forschungsteilnehmenden zur Teilnahme an einem Forschungsvorhaben auf der Basis umfangreicher und verständlicher Informationen. Die Ausgestaltung einer informierten Einwilligung muss dabei sowohl ethische Grundsätze als auch datenschutzrechtliche Anforderungen adressieren.' (Data Affairs, Glossar) Weiterlesen, Maßnahmen der Anonymisierung'Laut Bundesdatenschutzgesetz (BDSG § 3, Abs. 6 in der bis 24.05.2018 gültigen Fassung) versteht man unter Anonymisierung alle Maßnahmen der Veränderung personenbezogener Daten derart, 'dass die Einzelangaben über persönliche oder sachliche Verhältnisse nicht mehr oder nur mit einem unverhältnismäßig großen Aufwand an Zeit, Kosten und Arbeitskraft einer bestimmten oder bestimmbaren natürlichen Person zugeordnet werden können.' Anonymisierte Daten sind demnach Daten, die keinen Rückschluss (mehr) auf die betroffene Person geben. Sie unterliegen damit nicht dem Datenschutz bzw. der Datenschutz-Grundverordnung (DSGVO)'. (Data Affairs, Glossar) Weiterlesen oder Pseudonymisierung'Die Pseudonymisierung ist 'die Verarbeitung personenbezogener Daten in einer Weise, in der die personenbezogenen Daten ohne Hinzuziehung zusätzlicher Informationen nicht mehr einer spezifischen betroffenen Person zugeordnet werden können, sofern diese zusätzlichen Informationen gesondert aufbewahrt werden und technischen und organisatorischen Maßnahmen unterliegen, die gewährleisten, dass die personenbezogenen Daten nicht einer identifizierten oder identifizierbaren natürlichen Person zugewiesen werden können' (BlnDSG, §31; EU-DSGVO, Artikel 4 Nr. 5).  Weiterlesen, Datenverschlüsselung, …)
6. Angaben zu ethischen Aspekten:
   Umgang mit ethischen bzw. sensiblen Aspekten, wie z. B. die Berücksichtigung der CARE-Prinzipien'Die CARE-Prinzipien wurden 2019 von der Global Indigenous Data Alliance (GIDA) etabliert. Sie fungieren als Komplement zu den FAIR-Prinzipien und gelten als Hilfswerkzeug, um Forschungskontexte und ihre historische Einbettung sowie Machtasymmetrien im Feld stärker zu fokussieren. Das Akronym steht für Collective Benefit (Gemeinwohl), Authority to Control (Kontrolle der Forschungsteilnehmenden über die eigene Repräsentation), Responsibility (Verantwortung seitens Forschender) und Ethics (Berücksichtigung ethischer Aspekte). Durch die CARE-Prinzipien soll der gerechte, respektvolle und ethische Umgang mit Forschungsteilnehmenden und den aus der Forschung generierten Daten hinsichtlich des Data Sharing betont und berücksichtigt werden. Die CARE-Prinzipien sind somit in allen Phasen des Forschungsdatenlebenzyklus und des Forschungsdatenmanagements relevant.' (Data Affairs, Glossar)  Weiterlesen bei der Erforschung indigener Kulturen oder der Schutz marginalisierter und bedrohter Gruppen oder besonderer Kulturgüter
7. Angabe zur Dokumentation'Forschungsdaten bilden nicht nur die Basis wissenschaftlicher Veröffentlichungen der jeweiligen Forscher*innen, sondern werden in vielen Fällen anderen zugänglich gemacht. Dies setzt voraus, dass Forschungsdaten verständlich dokumentiert sind. Unverzichtbar wird dies, wenn eine Datenpublikation beabsichtigt ist. Eine zentrale Rolle für das Finden, Durchsuchen und Nutzen von Forschungsdaten spielen Metadaten, also Daten, die strukturierte Informationen über andere Daten enthalten. In verschiedenen Wissenschaftskreisen haben sich für die Dokumentation in Form von Metadaten sogenannte Metadatenstandards etabliert, die Konventionen für die Beschreibung und Dokumentation von Forschungsdaten über Metadaten festlegen. Weiterlesen:
   Erstellung von dokumentierenden Begleitmaterialien (Maßnahmen zur Nachvollziehbarkeit der Daten auch nach längerem Zeitraum und durch Dritte), z. B. Forschungstagebücher, Codebücher; Verwendung bzw. Anwendung von Standards, z. B. kontrollierte Vokabulare'Ein kontrolliertes Vokabular ist eine Sammlung von Begriffen in einem bestimmten Kontext, das nach festgelegten Regeln erstellt wird, um Eindeutigkeit zu gewährleisten. Kontrollierte Vokabulare reichen von einfachen Wortlisten wie Normdaten bis zu komplexeren strukturierten Vokabularen wie Taxonomien, Klassifikationen und Thesauri.' (Petersen et al. 2025, 7) Weiterlesen; Daten- und Metadatenstandards'Metadatenstandards dienen der einheitlichen Beschreibung von ähnlichen Daten durch Metadaten. Sie legen die Begriffe und Bedeutungen, sowie Struktur und Aufbau als Standard für z. B. eine bestimmte Fachdisziplin fest. Metadatenstandards fördern so die Auffindbarkeit von Daten und unterstützen die Interoperabilität zwischen Anwendungen, also den Austausch, den Vergleich und die Verknüpfung von Datensätzen Ein verbreiteter Metadatenstandard ist der Dublin Core (siehe folgendes Beispiel: https://www.dublincore.org/specifications/dublin-core/dcmi-terms/)..' (Data Affairs, Glossar) Weiterlesen 
8. Angaben zur ArchivierungArchivierung meint das Aufbewahren und Zugänglichmachen von Forschungsdaten und -materialien. Das Ziel der Archivierung ist es, den Zugang zu Forschungsdaten über einen längeren Zeitraum hinweg zu ermöglichen. So können zum einen archivierte Forschungsdaten durch Dritte für eigene Forschungsfragen als Sekundärdaten nachgenutzt werden. Zum anderen bleiben Forschungsverläufe so nachprüfbar und nachvollziehbar. Daneben gibt es auch die Langzeitarchivierung (LZA), welche die langfristige Nutzbarkeit über einen nicht definierten Zeitraum hinweg sicherstellen soll. Die LZA zielt auf Erhalt der Authentizität, Integrität, Zugänglichkeit und Verständlichkeit von Daten ab. Weiterlesen:
   Erhalt des Datenmaterials über das Projektende hinaus gemäß den Regeln der guten wissenschaftlichen Praxis'Die gute wissenschaftliche Praxis (GWP) bildet einen standardisierten Kodex, der als Regelwerk in den Leitlinien der Deutschen Forschungsgemeinschaft (DFG) verankert ist. Die Leitlinien verweisen auf die ethische Verpflichtung jedes/jeder Forschenden, verantwortungsvoll, ehrlich und respektvoll vorzugehen, auch um das allgemeine Vertrauen in Forschung und Wissenschaft zu stärken. Sie können als Orientierung im Rahmen wissenschaftlicher Arbeitsprozesse geltend gemacht werden.' (Data Affairs, Glossar) Weiterlesen. Aussagen zur potentiellen Nachnutzbarkeit'Eine Nachnutzung, oftmals auch Sekundärnutzung genannt, befragt bereits erhobene und veröffentlichte Forschungsdatensätze erneut mit dem Ziel, andere Erkenntnisse, möglicherweise aus einer neuen oder unterschiedlichen Perspektive, zu erhalten. Die Aufbereitung von Forschungsdaten für eine Nachnutzung erfordert einen erheblich höheren Anonymisierungs-, Aufbereitungs- und Dokumentationsaufwand als die bloße Archivierung im Sinne von Datenspeicherung.' (Data Affairs, Glossar) Weiterlesen der Daten: Auswahl geeigneter Daten zur Nachnutzung, Bedingungen für die Archivierung und Nachnutzung definieren, passendes Datenrepositorium'Ein Repositorium bildet einen Ort der Aufbewahrung wissenschaftlicher Dokumente. In Online-Repositorien werden Publikationen digital gespeichert, verwaltet und mit persistenten Identifikatoren versehen. Die Katalogisierung vereinfacht die Suche und Nutzung von Publikationen und Autor*innen. In den meisten Fällen sind Dokumente in Online-Repositorien uneingeschränkt und offen zugänglich (Open Access).' (Data Affairs, Glossar) Weiterlesen, Regelungen von Zugriffsrechten'In Archiven oder Repositorien regeln Zugriffsrechte, welche Personen in welchem Umfang Zugang und Einsicht in Datenmaterial zur Nachnutzung bekommen. I. d. R. wird unterschieden zwischen einem Weiterlesen auf die archivierten Daten
9. Verantwortlichkeiten und Rollen:
   Zuweisung der Verantwortlichkeiten für Backups, für die Erstellung und Pflege des DMP, für die langfristige Archivierung und Bereitstellung der Daten
10. Kosten und Aufwände:
    Kalkulation der benötigten Personal- und Sachressourcen für das Forschungsdatenmanagement (z. B. Aufwand für Datenaufbereitung, Softwarelizenzen, Speicherplatz, Pseudonymisierung)

Die Arbeitsgruppe „Greening DH" des Verbandes "Digital Humanities im deutschsprachigen Raum e.V." hat Empfehlungen und Anregungen für das Ausfüllen von Datenmanagementplänen zusammengetragen, die möglichst ressourcenschonende und damit nachhaltige Lösungen berücksichtigen (Baillot et al, 2025).

Anwendungsbeispiele

Beispiele

Beispiel 1: Datenmanagementplan in reduzierter/einfacher Form für Studienprojekte

Datenmanagementplan in reduzierter/einfacher Form für Studienprojekte (Zielgruppe Studierende) in Form einer Daten-Übersichtstabelle (modelliert nach Imeri et al., 2023, p. 231)

Screenshot: Ausgefüllter, reduzierter DMP für Studienprojekte, Jacob Benz, 2025, lizenziert unter CC BY-SA 4.0

Vorlage_reduzierter_DMP_fuer_StudienprojekteHerunterladen

---

Beispiel 2: Beispielhafter Datenmanagementplan ein Interview-Archiv

Dieser Datenmanagementplan wurde für das Interview-Archiv „Eiserner Vorhang“ im Kontext des Projekts Oral-History.Digital entwickelt. Er steht als PDF unter der Lizenz CC BY-NC-SA neben weiteren nützlichen Vorlagen, Anleitungen und Richtlinien zum Oral History-Webportal zur Verfügung unter: https://www.oral-history.digital/dokumente/index.html.

Oral_History_Digital_DMP_2022_05_03Herunterladen

---

Beispiel 3: Beispielhafter Muster-DMP für ein geschichtswissenschaftliches Projekt

1. Projektübersicht

• Projekttitel: Untersuchung des Alltagslebens im 19. Jahrhundert in städtischen Gebieten
• Projektleiter: Dr. Max Mustermann
• Institution: Universität der Geschichte
• Projektlaufzeit: Januar 2024 - Dezember 2025

2. Datentypen und Erhebung

• Arten von Daten:
  • Primärquellen: Scans von Tagebüchern, Zeitungsartikeln, und Stadtarchiven
  • Sekundärquellen: Literaturauswertungen, bestehende historiografische Analysen
  • Strukturelle Daten: Metadaten der Quellen (Autor, Datum, Herkunft)

• Erhebungsmethoden:
  • Archivbesuche und Digitalisierungen
  • Interviews mit Historikern
  • Literaturrecherche und Datenbankabfragen

3. Datenformat und Speicherung

• Format der Daten:
  • Textdateien (PDF, DOCX) für Transkriptionen
  • Bilddateien (TIFF, JPEG) für gescannte Dokumente
  • Tabellen (CSV, XLSX) für Datenbanken und Metadaten

• Speicherung und Backup:
  • Verwendung institutioneller Serverlösungen mit regelmäßigen Backups
  • Zweitkopien in einer Cloud-Lösung mit sicheren Zugangsbeschränkungen

4. Datenschutz und ethische Überlegungen

• Ethisch sensible Daten:
  • Berücksichtigung von Persönlichkeitsrechten bei der Veröffentlichung von Tagebucheinträgen
  • Einhaltung von Archivnutzungsbedingungen
• Ethische Richtlinien:
  • Beachtung des Probandenschutzes, insbesondere bei Bildern von lebenden Nachfahren historischer Persönlichkeiten
  • Anwendung der CARE-Prinzipien für alle Daten

5. Dokumentation und Metadaten

• Metadatenstandards:
  • Nutzung von Dublin Core für die Dokumentation von Metadaten
  • Eingabe von Schlagwörtern, Kurzbeschreibungen und Kategorien

• Dokumentationspraktiken:
  • Erstellung detaillierter Beschreibungen der Datenquellen und -erhebungsprozesse
  • Regelmäßige Aktualisierung der Dokumentation während des Projekts

6. Zugang, Teilen und Veröffentlichung

• Öffentlicher Zugang:
  • Veröffentlichung in einem freien institutionellen Repository (z.B. Zenodo oder DSpace der Universität)
  • Nutzung von Lizenzen wie CC BY für die Veröffentlichung

• Daten teilen:
  • Bereitstellung ausgewählter Datensätze für andere Forscher oder Institutionen auf Anfrage

7. Langfristige Archivierung

• Archivierungsstrategie:
  • Übertragung sämtlicher Daten an das universitäre Archiv am Projektende
  • Sicherstellung der Langzeitverfügbarkeit durch regelmäßige Überprüfung der Dateiformate und Medien

---

Weitere ausgefüllte DMPs als Beispiele und Muster

• Datenmanagementpläne der Sächsischen Akademie der Wissenschaften zu Leipzig für das Projekt „Vernetzung Digitaler Kulturdaten in Sachsen“ (DIKUSA): https://www.saw-leipzig.de/de/projekte/dikusa/datenmanagementplaene-1/ 
• Datenmanagementplan der University of Texas für ein Oral History Projekt, basierend auf DMP-Tool: https://dmptool.org/plans/61793/export.pdf?export%5Bpub%5D=true&export%5Bquestion_headings%5D=true
• Muster-DMP der Humboldt-Universität mit der Deutschen Forschungsgemeinschaft als Forschungsförderer: https://www.cms.hu-berlin.de/de/dl/dataman/muster-dmp-dfg
• Verschiedene DMPs aus unterschiedlichen Fachbereichen unter der Verwendung verschiedener Forschungsmethoden in Englisch: https://dmponline.dcc.ac.uk/public_plans 
• Datenmanagementplan des von der Berlin University Alliance geförderten Projektes "Concept Development for Collaborative Research Data Management Services" beschreibt den Umgang mit den im Projekt erstellten Forschungsdaten: https://zenodo.org/records/7399810

Diskussion

Planbarkeit versus Offenheit

Ein Datenmanagementplan (DMP) sollte idealerweise während der Projektplanung bzw. spätestens zu Beginn eines Projekts erstellt werden und so präzise wie möglich den Umgang mit Forschungsdaten dokumentieren. Doch nicht nur in den historischen Disziplinen bleibt es nicht bei einer einmaligen Planung und anschließenden Umsetzung, sondern es handelt sich vielmehr um einen iterativen Prozess, der immer wieder an den Projektfortschritt angepasst werden muss. Denn der explorative Charakter der Quellen- und Literaturrecherche bringt es mit sich, dass das Forschungsdesign und der Arbeitsprozess angepasst, neue Datenquellen erschlossen oder ursprünglich geplante Methoden modifiziert werden müssen, was sich auf das FDM auswirken kann. Beispielsweise kann die automatische Erkennung von Handschriften (Handwritten Text RecognitionHandwritten Text Recognition (HTR) bezeichnet die automatische Erkennung von Handschriften. Der Scan der Handschrift wird maschinell erfasst und in einen elektronischen Text umgeformt. Die Automatisierung beruht auf dem Erkennen von Mustern und Gesetzmäßigkeiten, dem so genannten maschinellen Lernen (forTEXT). Weiterlesen) je nach Quellenmaterial sehr unterschiedliche Ergebnisse liefern, was unter Umständen alternative Verfahren oder eine manuelle Nachbearbeitung erforderlich macht. Historiker*innen sind also ständig gefordert, ihre Vorgehensweisen sowie Themenstellungen mit dem Veto der Quellen und den technischen Möglichkeiten in Einklang zu bringen.

In einem solchen dynamischen Forschungsprozess kann ein DMP besonders wertvoll sein: Anstatt als starre Vorgabe zur Beantragung von Drittmitteln verstanden zu werden, bietet er die Möglichkeit, Änderungen im Forschungsdesign und dem damit einhergehenden Datenmanagement systematisch zu dokumentieren und so die eigene Forschungsarbeit über die Gegenwart hinaus nachvollziehbar zu halten. Die laufende Anpassung des DMP hilft nicht nur, die Entwicklung des Datenmanagements über den Projektverlauf hinweg zu reflektieren, sondern auch, spätere Arbeitsschritte effizienter zu gestalten. Dies kann sich als äußerst praktisch erweisen – sei es für die eigene Orientierung, für die Zusammenarbeit in Teams, für eine mögliche Nachnutzung der Daten in späteren Projekten und/oder für eine transparente Berichterstattung. Sehen Sie daher einen kontinuierlich fortgeschriebenen DMP weniger als eine zusätzliche Anforderung, sondern vielmehr als ein nützliches Instrument zur strukturierten Begleitung des Forschungsprozesses.

Notwendigkeit versus Aufwand

Ob in einem Forschungsprojekt ein DMP erstellt wird, hängt auf der einen Seite von den Vorgaben der Förderinstitutionen'Förderinstitutionen sind all jene Einrichtungen, die wissenschaftliche Forschung finanziell fördern, also Stiftungen, Vereine oder andere Organisationen. Die meisten dieser Einrichtungen im internationalen Raum haben dabei Richtlinien für das Forschungsdatenmanagement (FDM) von Forschungsprojekten eingeführt, d. h. eine mögliche finanzielle Förderung ist an Bedingungen und Forderungen zum Umgang mit Forschungsdaten geknüpft. Zu den bekanntesten Förderinstitutionen im deutschsprachigen Raum gehören das Bundesministerium für Bildung und Forschung (BMBF) selbst, die Bildungs- und Wissenschaftsministerien der Bundesländer, die Deutsche Forschungsgemeinschaft (DFG), die Volkswagenstiftung oder der Österreichische Wissenschaftsfonds (FWF) sowie der Schweizer Nationalfonds (SNF).' (Data Affairs, Glossar) Weiterlesen ab, zum anderen vom konkreten Nutzen für das Projekt. Bei komplexen Forschungsvorhaben, in denen beispielsweise eine umfangreiche DigitalisierungBei der Digitalisierung werden analoge Materialien in digitale Formate, sogenannte Digitalisate, überführt. Diese Formate können weitergegeben, gespeichert, archiviert und maschinell verarbeitet werden. Weiterlesen von Schriftquellen, das Durchführen von Zeitzeugeninterviews oder eine anschließende Analyse mit Hilfe von Machine Learning'Machine Learning, bzw. maschinelles Lernen im Deutschen, ist ein Teilbereich der künstlichen Intelligenz. Auf Grundlage möglichst vieler (Text-)Daten erkennt und erlernt ein Computer die häufig sehr komplexen Muster und Gesetzmäßigkeiten bestimmter Phänomene. Daraufhin können die aus den Daten gewonnen Erkenntnisse verallgemeinert werden und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwendet werden.' (Glossar forTEXT) Weiterlesen geplant sind, liegen die Vorteile eines DMPs für die Projektbeteiligten schon allein aufgrund der Komplexität auf der Hand. Dabei kann ein DMP sehr ausführlich entlang eines Fragenkatalogs erstellt oder nur die wichtigsten Aspekte in einem frei formulierten Text dargelegt werden.

Die erstmalige Erstellung eines ausführlichen DMPs kann recht aufwändig sein. Je öfter man jedoch einen DMP erstellt, desto geringer wird der Aufwand, da sich einzelne Konzepte (z. B. Backupstrategie'Der Begriff Backup bedeutet Datensicherung beziehungsweise Datenrettung und bezeichnet das Kopieren von Daten als Vorsorge für den Fall, dass es durch einen Schaden z. B. an der Festplatte oder durch versehentliches Löschen zu Datenverlusten kommt. Mit einem Backup können die Daten wiederhergestellt werden. Dafür wird der Datensatz auf einem anderen Datenträger zusätzlich gesichert (Sicherungskopie) und offline oder online abgelegt.' (Data Affairs, Glossar) Weiterlesen) für ähnliche Folgeprojekte nachnutzen lassen und nur projektspezifische Aspekte (z. B. Datenstandards und Tools) den Quellen und Methoden angepasst werden müssen.

Der Aufwand und Nutzen eines DMPs muss im konkreten Anwendungsfall jeweils gegeneinander abgewogen werden. Es gilt jedoch: Je mehr Forschende an einem Projekt beteiligt sind, desto wichtiger ist eine Dokumentation bzgl. des Datenmanagements. In jedem Fall lohnt es sich jedoch auch als Einzelperson immer, über ein grundlegendes Konzept für Datenorganisation, -dokumentation und -sicherung nachzudenken und dieses festzuhalten, denn das erspart zeitaufwändige Nacharbeiten, Datenverlust und kann den Wiedereinstieg in die Arbeit nach längeren Auszeiten (z B. Krankheit, Urlaub) vereinfachen.

Ressourcen

Neben Vorlagen, die als bearbeitbare Textdokumente bereitgestellt werden, gibt es bereits diverse Online-Tools, die Forschende dabei unterstützen, einen Datenmanagementplan zu erstellen. Diese haben verschiedene Schwerpunkte und richten sich an unterschiedlichen Anforderungen und Standards aus:

Online-Tools

• RDMO: https://rdmorganiser.github.io/
  Der Research Data Management Organiser, kurz RDMO, ist ein generisches Tool zur Erstellung von DMPs, für den Betrieb als institutionelle Instanz entwickelt worden und ist komplett an die Bedarfe der betreibenden Institution und deren Nutzer*innen anpassbar. Zentrale Eigenschaften von RDMO sind:
  • frei konfigurierbare Fragenkataloge,
  • vorkonfigurierte Ansichten, die den Vorlagen einiger Forschungsförderer (DFG, H2020, SNF) sowie anderer Tools (DMPTool, DMPonline) entsprechen,
  • Speicherung von „Snapshots" um die zeitliche Entwicklung eines DMPs festzuhalten,
  • Mehrsprachigkeit (u. a. Deutsch und Englisch)
  • Open-Source Software, der Quellcode ist auf GitHubModerne Softwareentwicklung findet in aller Regel über speziell dafür entwickelte Plattformen statt, die Methoden zum Projektmanagement und der Verwaltung des Quellcodes bieten. Für Letzteres hat sich das Tool git als De-Facto-Standard etabliert. Softwareentwicklungsplattformen bieten die Möglichkeit, die Entwicklung projektzentriert durchzuführen und neben dem Quellcode beispielsweise ein Wiki zu pflegen und Fehler mittels eines Issue-Trackers nachzuverfolgen. Über diesen können auch Nutzer*innen von Software Fehler melden. Diese Plattformen bieten auch weitere Mechanismen zur Automatisierung, z. B. das automatische Erstellen von lauffähigen Programmen aus dem Quellcode, die dann zum Herunterladen angeboten werden können. Weiterlesen verfügbar.
• DMPTool: https://dmptool.org/
  Das University of California Curation Center der California Digital Library (CDL) betreibt mit DMPTool eine Anwendung zur kollaborativen Erstellung von Datenmanagementplänen. Es ist insbesondere auf die Fördersituation in den USA mit vielen verschiedenen Förderinstitutionen, die alle eigene Anforderungen an DMPs haben, ausgerichtet. Das Tool hilft beim Finden der „richtigen" Vorlage für einen DMP und zeigt zu den einzelnen Abschnitten die passenden Abschnitte aus den Förderbedingungen an. Die getätigten Eingaben lassen sich dann in einem geeigneten Format exportieren und können so dem Antrag beigelegt werden. Der Quellcode der Anwendung ist auf GitHub veröffentlicht.
• DMPonline: https://www.dcc.ac.uk/dmponline
  Entwickelt wurde das DMPonline vom Digital Curation Center/UK. Verfügbar auf Englisch. Es gibt verschiedene Templates, die zur Verfügung stehen. Anhand von Fragen wird ermittelt, welches Template für die Nutzer*innen am besten passt. 

Durch die Verwendung der Tools können die Inhalte eines DMPs gespeichert, angepasst, geteilt, kollaborativ bearbeitet und exportiert werden.³ Mehr Infos und weitere Tools unter: https://www.forschungsdaten.org/index.php/DMP-Tools.

Insgesamt sind die aufgelisteten Tools eher generisch ausgerichtet bzw. ist noch kein spezifisches Template für historisch arbeitende Disziplinen integriert worden, welches das Ausfüllen erleichtern würde. Eine solche Entwicklung erfolgt derzeitig im NFDI-Konsortium 4Memory.

Vorlagen

• Template für Data Management Plans von Science Europe (Zusammenschluss auf europäischer Ebene der nationalen öffentlichen Forschungsförderer): https://www.scienceeurope.org/our-priorities/research-data/research-data-management/ 
• Vorlagen und Leitfaden zum DMP vom österreichischen Wissenschaftsfond FWF (Fonds zur Förderung der wissenschaftlichen Forschung): https://www.fwf.ac.at/ueber-uns/aufgaben-und-aktivitaeten/open-science/forschungsdatenmanagement
• Data Management Plan Template: History and the Humanities; Vorlage aus Kanada; ausgerichtet auf geförderte Projekte: https://zenodo.org/records/4684738  
• Template zur Erstellung eines DMP von OstData ab S. 2: https://doi.org/10.5281/ZENODO.5566592
• Mustervorlage (nicht bearbeitbar) für DMP von Forschungsvorhaben am Forschungszentrum Europa ab S. 21: http://nbn-resolving.de/urn:nbn:de:hbz:385-10715