MétaCan
Menu
Back to cohort
Record W4388023315 · doi:10.1007/s00350-023-6599-1

Forschungsförderorganisationen in der Verantwortung zwischen Data Sharing und dem Schutz von Datensubjekten

2023· article· de· W4388023315 on OpenAlexaff
Michael Fehling, Miriam Tormin, Christian Wendelborn, Christoph Schickhardt

Bibliographic record

VenueMedizinrecht · 2023
Typearticle
Languagede
FieldSocial Sciences
TopicDigitalization, Law, and Regulation
Canadian institutionsDiscovery Air (Canada)
Fundersnot available
KeywordsPolitical sciencePhilosophyHumanities

Abstract

fetched live from OpenAlex

DasTeilen von Forschungsdaten kann die Qualität wissenschaftlicher Erkenntnisse durch erhöhte Transparenz, Nachvollziehbar-und Reproduzierbarkeit von Forschungsstudien steigern, Anschlussforschung fördern und den wissenschaftlichen Fortschritt beschleunigen.Deshalb wird das Data Sharing zunehmend als Bestandteil guter wissenschaftlicher Praxis 1 sowie als "ethischer und wissenschaftlicher Imperativ" 2 angesehen.Die Weitergabe von Daten, die Forscher für die eigene Forschung erhoben haben, an Anschlussforscher, die diese Daten weiter nutzen wollen, birgt jedoch auch Risiken, sowohl für die hier nicht weiter behandelte Publikationsfreiheit der Primärforscher 3 als auch für diejenigen, welche ihre Daten zu Forschungszwecken zur Verfügung gestellt haben (Datensubjekte).Soweit die Daten Personenbezug besitzen, weil sie -wie besonders häufig in der Medizin, aber auch in sozialwissenschaftlichen Studien -allein oder in Kombination mit weiteren zugänglichen Daten Rückschlüsse auf individuelle Personen zulassen (vgl.Art. 4 Nr. 1 DSGVO) 4 , ist das Recht der Datensubjekte auf Datenschutz und informationelle Selbstbestimmung (Art.7, 8 Grundrechte-Charta (GrCh), Art. 2 Abs. 1 i.V. mit Art. 1 Abs. 1 GG) zu wahren.Damit Forschungsdaten geteilt und zu weiteren Forschungszwecken genutzt werden können, gibt es international wie auch national wichtige Initiativen zum Auf bau technischer Infrastruktur mit entsprechender Organisation und Governance sowie zu Modellen einer datenschutzrechtlich zulässigen Einwilligung.Dabei sind mit Blick auf Deutschland besonders die Nationale Forschungsdateninfrastruktur mit ihren Konsortien, die Medizin-Informatik-Initiative (MII) 5 und das Netzwerk Universitätsmedizin zu nennen.Die MII hat mit Zustimmung der Ethikkommissionen und der Datenschutzkonferenz die breite Einwilligung ("broad consent"), eingebettet in eine umfassende technisch-ethisch-rechtliche Governance-Struktur, als Modell vorgeschlagen.Das Modell versucht, sowohl den Rechten und Interessen der Datensubjekte als auch dem Be-darf an einer fortschrittlichen Praxis des Datenteilens und der Sekundärnutzung gerecht zu werden.Im Vereinigten Königreich ist die breite Einwilligung bereits übliche Praxis für Forschungsprojekte, deren Daten der wissenschaftlichen Sekundärnutzung zur Verfügung gestellt werden 6 .Förderorganisationen haben in vielen Ländern Förderbedingungen entwickelt, um geförderte Forscher vermehrt zum Datenteilen zu bewegen 7 .Einige Förderorganisationen nennen jedoch weiterhin Unsicherheiten bezüglich des Datenschutzes sowie der Rechte und Interessen der Datensubjekte als Hürden bei der Entwicklung ihrer Data Sharing-Policy 8 .Vor diesem Hintergrund stellt sich die Frage, welche Akteure beim Teilen personenbezogener Daten inwiefern Verantwortung für den Schutz von Datensubjekten tragen.Die vorliegende Arbeit untersucht dabei insbesondere die (datenschutz-)rechtliche und wissenschaftsethische Verantwortung öffentlicher Förderorganisationen. Dem liegt folgendes

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.066
metaresearch head score (Gemma)0.108
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesOpen science
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Theoretical or conceptual · Consensus signal: Theoretical or conceptual
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.997
Threshold uncertainty score0.348

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0660.108
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.002
Bibliometrics0.0050.005
Science and technology studies0.0060.021
Scholarly communication0.0240.029
Open science0.0030.010
Research integrity0.0060.009
Insufficient payload (model declined to judge)0.0100.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.126
GPT teacher head0.368
Teacher spread0.242 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

Study designTheoretical or conceptual
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueMedizinrechtSame topicDigitalization, Law, and RegulationFrench-language works237,207