Qualitätssicherung in den Klassischen Altertumswissenschaften

Die Altertumswissenschaften haben in den letzten Jahrzehnten einen tiefgreifenden methodischen Wandel erlebt. Neben traditionellen philologischen, historischen und archäologischen Verfahren gewinnen digitale Methoden, datenbasierte Analysen und computergestützte Auswertungen zunehmend an Bedeutung. Textkorpora, Bilddatenbanken, digitale Editionen, GIS-Daten oder statistische Analyseverfahren eröffnen neue Perspektiven auf antike Quellen.

Mit diesen Entwicklungen gehen neue Anforderungen an die Qualitätssicherung wissenschaftlicher Arbeit einher. In vielen Disziplinen wird derzeit intensiv über Fragen der Reproduzierbarkeit, Dokumentation und Transparenz wissenschaftlicher Ergebnisse diskutiert. Hintergrund dieser Debatte ist unter anderem die sogenannte Replikationskrise, die insbesondere in den empirischen Wissenschaften sichtbar geworden ist: Eine Reihe von Studien konnte in unabhängigen Wiederholungen nicht reproduziert werden. Diese Entwicklungen haben zu einer verstärkten Aufmerksamkeit für transparente Forschungspraktiken, offene Daten und nachvollziehbare Methoden geführt.[3]

Die Replikationskrise berührt somit grundlegende epistemologische Fragen der Wissenschaft. Traditionell gilt als ein zentrales Qualitätskriterium empirischer Forschung die Replizierbarkeit: die Überprüfung von Befunden unter vergleichbaren methodischen Bedingungen.[4] Während hermeneutische Verfahren weiterhin auf Nachvollziehbarkeit, Plausibilität und argumentative Überzeugungskraft zielen, werden an datenbasierte Arbeiten zusätzliche Anforderungen an Dokumentation und Reproduzierbarkeit der Arbeitsprozesse gestellt. Diese Anforderungen spiegeln sich etwa in Leitlinie 13 des DFG-Kodex[5] zur Sicherung guter wissenschaftlicher Praxis wider. Die einer Publikation zugrunde liegenden Forschungsdaten und Materialien sollen aus Gründen der Nachvollziehbarkeit, Anschlussfähigkeit und Nachnutzbarkeit der Forschung den FAIR-Prinzipien folgend in anerkannten Archiven und Repositorien hinterlegt werden.

Die Handreichung zum Umgang mit Forschungsdaten des DFG-Fachkollegium „Alte Kulturen“ (Fachkollegium 101) benennt als integralen Bestandteil von Forschungsvorhaben das Forschungsdatenmanagement. Als Forschungsdaten werden in den Altertumswissenschaften alle Daten verstanden, die bei der wissenschaftlichen Arbeit verwendet, gesammelt, verändert, entwickelt oder ausgewertet werden. Dies betrifft alle Dokumente, Materialien, Dokumentträger, Bilder, Texte sowie Mess- und Auswertungsdaten.[6] Darüber hinaus geraten bei datengetriebener Forschung zunehmend die eingesetzten Softwarelösungen in den Fokus der Replizierbarkeit.

Auch wenn sich die Altertumswissenschaften in ihrer Quellenlage und Methodik deutlich von experimentellen Disziplinen unterscheiden, betreffen diese Fragen auch unsere Fächer. Viele Untersuchungen beruhen heute auf komplexen digitalen Arbeitsprozessen: Daten werden erhoben, transformiert, annotiert, statistisch ausgewertet und visualisiert.

Zugleich besitzen die Altertumswissenschaften einige Besonderheiten:

Viele Quellen sind einzigartig und nicht reproduzierbar (z. B. archäologische Funde, Inschriften, Handschriften).
Digitale Daten entstehen häufig aus Interpretations- und Editionsprozessen.
Unterschiedliche Editionen oder Transkriptionssysteme können zu abweichenden Datengrundlagen führen.
Digitale Werkzeuge entwickeln sich schnell und verändern Forschungspraktiken.

Gerade weil viele Quellen der Altertumswissenschaften einzigartig und nicht reproduzierbar sind, kommt der reproduzierbaren Dokumentation der analytischen Arbeitsschritte besondere Bedeutung zu. Dabei müssen die Wege ihrer digitalen Erfassung, Transformation und Auswertung transparent und nachvollziehbar festgehalten werden.

Vor diesem Hintergrund werden eine systematische Dokumentation und Strukturierung digitaler und datenbasierter Forschungsschritte immer wichtiger. Ziel dieses Leitfadens ist es daher, Orientierung für eine gute wissenschaftliche Praxis im Umgang mit digitalen Daten und Analyseverfahren in den Altertumswissenschaften zu geben.[7]

Der Leitfaden versteht sich nicht als verbindliche Norm, sondern als Hilfsmittel zurQualitätssicherung, insbesondere für Projekte, die mit digitalen Daten oder computergestützten Auswertungen arbeiten.[8]

II. Grundprinzipien datenbasierter Forschung

Die folgenden Grundprinzipien bilden den Rahmen für eine transparente und nachvollziehbare Forschungspraxis.

Dokumentation

Alle wesentlichen Arbeitsschritte einer Untersuchung sollten dokumentiert werden. Dazu gehören insbesondere:

Herkunft und Beschaffenheit der verwendeten Daten,
Bearbeitungsschritte (z. B. Normalisierung, Annotation),
eingesetzte Software und Parameter,
Versionen von Datensätzen und Programmen.

Eine vollständige Dokumentation ermöglicht es anderen Forschenden, Ergebnisse nachvollziehen und weiterverwenden zu können.

Reproduzierbarkeit

Digitale Analysen sollten grundsätzlich so angelegt sein, dass sie nachvollzogen oder erneut durchgeführt werden können. Dies bedeutet nicht zwingend, dass identische Ergebnisse erzielt werden müssen, wohl aber, dass der Weg zu den Ergebnissen transparent ist.

Reproduzierbarkeit setzt voraus:

klar definierte Datensätze,
dokumentierte Analyseverfahren,
archivierte Skripte oder Programme,
nachvollziehbare Parameterwahl.

Trennung von Analyse und Interpretation

In datenbasierten Untersuchungen ist es sinnvoll, zwischen zwei Ebenen zu unterscheiden:

Analytische Ebene: Datenerhebung, Datenaufbereitung und algorithmische Auswertung.
Interpretative Ebene: Historische, philologische oder archäologische Deutung der Ergebnisse.

Diese Unterscheidung erleichtert es, methodische Entscheidungen von interpretativen Schlüssen zu trennen und beide Ebenen transparent zu machen.

FAIR-Prinzipien

Wenn möglich, sollten Forschungsdaten nach den sogenannten FAIR-Prinzipien organisiert werden:

Findable – auffindbar
Accessible – zugänglich
Interoperable – kompatibel
Reusable – nachnutzbar

Dies umfasst insbesondere eine strukturierte Datenablage, geeignete Metadaten sowie – soweit rechtlich möglich – die Bereitstellung der Daten in Repositorien.[9]

III. Besondere Herausforderungen digitaler Forschung

Digitale Methoden ermöglichen neue Perspektiven, bringen jedoch auch spezifische Herausforderungen mit sich.

Forschungsdaten-Definition

Nach der Definition des Fachkollegiums gelten als Forschungsdaten alle im Prozess verwendeten oder erzeugten Dokumente, Materialien, Bilder, Texte sowie Mess- und Auswertungsdaten. Dies umfasst insbesondere:

Dokumentationen archäologischer Artefakt- und Feldforschung,
Digital gespeicherte Bild- und Textdaten aus Editionsvorhaben,
Naturwissenschaftliche Messwerte (z. B. Spektroskopie, pRFA).

Editionsabhängigkeit der Textgrundlage

Viele digitale Analysen basieren auf bestimmten Texteditionen oder Transkriptionssystemen. Editionen sind dabei nicht nur Träger von Text, sondern stellen bereits interpretative Modelle der Überlieferung dar. Unterschiede zwischen Editionen oder Transkriptionssystemen können daher zu abweichenden Datengrundlagen und Analyseergebnissen führen. Daher sollte stets klar dokumentiert werden:

welche Edition verwendet wurde,
welche lizenzrechtlichen Bedingungen bei der Benutzung und digitalen Verarbeitung der Edition zu beachten sind,
welche Normalisierungen vorgenommen wurden,
welche Varianten ggf. berücksichtigt oder ausgeschlossen wurden.

Software und Parameter

Digitale Analysen sind häufig von bestimmten Softwarelösungen abhängig. Ergebnisse können sich ändern, wenn

andere Parameter gewählt werden,
neue Versionen der Software verwendet oder Softwarelösungen auf andere Zielplattformen portiert werden,
alternative Algorithmen eingesetzt werden.

Daher sollten die eingesetzten Softwareversionen und die gewählten Analyseparameter stets dokumentiert werden. Entsteht im Rahmen der Forschungsarbeit eine Software als eigenständiges Forschungsergebnis, sollte sie in einem geeigneten Software-Repository möglichst mit einem persistenten Identifier (z. B. DOI) und klaren Lizenzen zur rechtssicheren Nachnutzung abgelegt werden.

Einsatz von KI-Systemen

Neue KI-basierte Werkzeuge können bei der Analyse oder Interpretation von Daten hilfreich sein. Gleichzeitig erzeugen solche Systeme häufig plausibel wirkende, aber methodisch schwer überprüfbare Ergebnisse. Werden KI-Systeme in der Forschung eingesetzt, sollte daher dokumentiert werden:

welches System verwendet wurde,
in welcher Version,
mit welchen Eingaben (Prompts),
zu welchem Zweck.

IV. Protokoll zur Qualitätssicherung datenbasierter Forschung

Die zuvor formulierten Prinzipien lassen sich nur dann wirksam umsetzen, wenn digitale Arbeitsprozesse systematisch dokumentiert werden. Die im Anhang enthaltene Protokollvorlage bietet hierfür eine strukturierte Orientierung, indem sie zentrale Schritte von der Datenorganisation über die Analyse bis zur Replikation und Archivierung erfasst. Sie soll Forschenden helfen, datenbasierte Untersuchungen transparent zu dokumentieren und die Nachvollziehbarkeit ihrer Ergebnisse zu sichern.

V. Archivierung und Nachnutzung

Wissenschaftler*innen sind verpflichtet, publikationsrelevante Rohdaten, Zwischenergebnisse und Quellcodes für mindestens zehn Jahre sicher aufzubewahren.

Förderung: Die Deutsche Forschungsgemeinschaft (DFG) unterstützt den verantwortungsvollen Umgang mit Forschungsdaten, indem sie projektspezifische Kosten für die Vorbereitung und Initiierung der Archivierung übernehmen kann.[10]
Infrastruktur: Derzeit existiert in Deutschland kein institutionenübergreifendes Repositorium für die Altertumswissenschaften. Eine frühzeitige Abstimmung mit lokalen Rechenzentren oder zertifizierten Fachrepositorien ist daher empfehlenswert.[11]

Anlaufstellen:

Archaeological Data Service (ADS) – Guides to Good Practice, https://archaeologydataservice.ac.uk/help-guidance/guides-to-good-practice/.
forschungsdaten.info – deutschsprachige Informationsportal zu Forschungsdatenmanagement (FDM), https://forschungsdaten.info.
DARIAH Datenmanagement: https://campus.dariah.eu/curricula/datenmanagement.
Horizon Europe / EU Data Management Plan: https://ec.europa.eu/info/funding-tenders/opportunities/docs/2021-2027/horizon/temp-form/report/data-management-plan_he_en.docx.
re3data.org – Register für Forschungsdatenrepositorien, https://doi.org/10.17616/R3D.
Zenodo – interdisziplinäre Plattform für Daten und Software, https://zenodo.org/.[12]

VI. Literatur

Baker (2016): M. Baker, 1,500 Scientists Lift the Lid on Reproducibility, Nature 533 (2016), 452–454, https://doi.org/10.1038/533452a.

Button et al. (2013): K. Button / J. Ioannidis / C. Mokrysz et al., Power Failure: Why Small Sample Size Undermines the Reliability of Neuroscience, Nature Reviews Neuroscience 14 (2013), 365–376, https://doi.org/10.1038/nrn3475.

Chue Hong et al. (2022): N. P. Chue Hong / D. S. Katz / M. Barker / A-L. Lamprecht / C. Martinez / F. E. Psomopoulos / J. Harrow / L. J. Castro / M. Gruenpeter / P. A. Martinez / T. Honeyman et al., FAIR Principles for Research Software version 1.0. (FAIR4RS Principles v1.0), Research Data Alliance 2022, https://doi.org/10.15497/RDA00068.

DFG (2020): DFG, Fachkollegium 101 („Alte Kulturen“), Handreichung zum Umgang mit Forschungsdaten 2020, https://www.dfg.de/resource/blob/174204/handreichung-fachkollegium-101-forschungsdaten.pdf.

DFG (2022): DFG, Open Science Positionspapier, https://doi.org/10.5281/zenodo.7193837.

DFG (2024): DFG, Leitlinien zur Sicherung guter wissenschaftlicher Praxis, Stand: September 2024 / korrigierte Version 1.2, https://doi.org/10.5281/zenodo.3923601.[13]

Nosek et al. (2012): B. A. Nosek / J. R. Spies /M. Motyl, Scientific Utopia: II. Restructuring Incentives and Practices to Promote Truth Over Publishability. Perspectives on Psychological Science: A Journal of the Association for Psychological Science 7/6 (2012), 615–631, https://doi.org/10.1177/1745691612459058.

Rosenthal (1979): R. Rosenthal, The File Drawer Problem and Tolerance for Null Results, Psychological Bulletin, 86/3 (1979), 638–641, https://doi.org/10.1037/0033-2909.86.3.638.

Simmons et al. (2011): J. P. Simmons / L. D. Nelson / U. Simonsohn, False-Positive Psychology: Undisclosed Flexibility in Data Collection and Analysis Allows Presenting Anything as Significant, Psychological Science 22/11 (2011), 1359–1366, https://doi.org/10.1177/0956797611417632.
VI. Anhang: Protokollvorlage zur Qualitätss

[1] Dieser Leitfaden wurde vom Vorstand der Mommsen-Gesellschaft am 16.3.2026 verabschiedet und am 3.4.2026 veröffentlicht. Zitiervorschlag: Qualitätssicherung in den Klassischen Altertumswissenschaften. Leitfaden für gute wissenschaftliche Praxis und datenbasiertes Arbeiten, 2026. URL: https://mommsen-gesellschaft.de/qualitaetssicherung/

Lizenzhinweis: Der Text dieser Publikation wird unter der Lizenz Creative Commons Attribution Share Alike 4.0 International (CC BY-SA 4.0) veröffentlicht.

[2] Text und Anhang (mit Protokollvorlage) wurden im Rahmen des von der VolkswagenStiftung in der Linie „Pioniervorhaben: Impulse für das Wissenschaftssystem“ geförderten Projektes „(Ir)reproducibility of Scientific Research in the Digital Humanities?“ von einem interdisziplinären Team der Universitäten Trier und Leipzig erarbeitet (Hannes Kahl, Sylvia Kurowsky, Charlotte Schubert, Jens Wittig).

[3] Seit den 2010er Jahren wird dieses Problem besonders intensiv in der Psychologie, den Sozialwissenschaften sowie in Teilen der biomedizinischen Forschung diskutiert, s. Baker (2016). Die metawissenschaftliche Literatur identifiziert eine Reihe korrelierender Faktoren, die zu der Problematik führen, wie zu kleine Stichproben (s. Button et al. [2013]), fragwürdige Forschungspraktiken (Simmons et al. [2011]), Publikationsbias (Rosenthal [1979]) sowie strukturelle Aspekte des Wissenschaftssystems (Nosek et al. [2012]).

[4] Siehe hierzu National Academies – Reproducibility and Replicability in Science: https://www.nationalacademies.org/projects/DBASSE-BBCSS-17-03/publication/25303, die DFG-Stellungnahme zur Replizierbarkeit von Forschungsergebnissen: https://www.dfg.de/de/aktuelles/neuigkeiten-themen/info-wissenschaft/2017/info-wissenschaft-17-18 und Kommentar Replikation als Bestandteil der Qualitätssicherung in den Geistes- und Sozialwissenschaften zu Leitlinie 13: https://wissenschaftliche-integritaet.de/kommentare/replikation-als-bestandteil-der-qualitaetssicherung-in-den-geistes-und-sozialwissenschaften/chapter/152/.

[5] S. DFG (2024).

[6] S. DFG (2020).

[7] Wissenschaftliche Integrität bildet die fundamentale Basis einer vertrauenswürdigen Wissenschaft und ist die Voraussetzung für das gesellschaftliche Vertrauen. Sie ist eine Form der wissenschaftlichen Selbstverpflichtung, die den respektvollen Umgang mit Kulturgütern, Umwelt und Beteiligten umfasst. Mit der verfassungsrechtlich garantierten Freiheit der Wissenschaft ist untrennbar eine entsprechende Verantwortung verbunden, der jeder Wissenschaftlerin und jede Institution Rechnung tragen muss. Im Kontext der digitalen Transformation betrachtet die Deutsche Forschungsgemeinschaft (DFG) Open Science als konsequente Weiterentwicklung der wissenschaftlichen Kultur. Ziel ist es, Praktiken zu etablieren, die Forschungsergebnisse langfristig offen zugänglich und nutzbar machen – sowohl für die Wissenschaft selbst als auch für die Öffentlichkeit, s. hierzu DFG (2022) sowie DFG (2024).

[8] Die Regeln guter wissenschaftlicher Praxis betreffen insbesondere den transparenten Umgang mit Forschungsdaten, digitalen Arbeitsprozessen, Editionsgrundlagen und der Dokumentation analytischer Verfahren. Die Einhaltung dieser Regeln ist Teil der akademischen Selbstkontrolle. Neben lokalen Ombudspersonen steht das überregionale Gremium Wissenschaftliche Integrität in Deutschland (OWID) zur Verfügung, https://ombudsgremium.de/. Personen, die in gutem Glauben (in good faith) auf einen möglichen Verstoß hinweisen, dürfen daraus keine Nachteile für ihr wissenschaftliches Fortkommen erfahren. Dieser Schutz gilt auch dann, wenn sich ein Verdacht im Nachhinein nicht bestätigt, sofern der Hinweis nicht wider besseres Wissen erfolgt ist. Bei wissenschaftlichem Fehlverhalten (z. B. Datenfälschung oder Plagiat) greifen formelle Verfahren. Mögliche Konsequenzen reichen vom Entzug akademischer Grade bis zum Ausschluss von Förderungen durch die DFG für mehrere Jahre. Bis zum Abschluss eines Verfahrens gilt die Unschuldsvermutung, siehe hierzu DFG-Kodex Leitlinie 18: https://wissenschaftliche-integritaet.de/kodex/hinweisgebende-und-von-vorwurfen-betroffene/ und Leitlinie 19: https://wissenschaftliche-integritaet.de/kodex/verfahren-in-verdachtsfallen-wissenschaftlichen-fehlverhaltens/.

[9] Zu den FAIR Principles for Research Software (FAIR4RS Principles), s. Chue Hong et al. (2022). Die Nutzung von Infrastrukturen wie dem Research Software Directory (RSD) dient nicht nur der Auffindbarkeit, sondern stellt sicher, dass Entwickler*innen und Research Software Engineers (RSEs) die notwendige Anerkennung (Credit) für ihre Arbeit erhalten, s. https://research-software-directory.org/.

[10] Siehe DFG: https://www.dfg.de/de/grundlagen-themen/grundlagen-und-prinzipien-der-foerderung/forschungsdaten.

[11] Siehe NFDI: https://www.nfdi.de/, NFDI4Memory: https://4memory.de/ sowie NFDI4Objects: https://www.nfdi4objects.net/index.php/en/nfdi4objects-english.

[12] Siehe hierzu auch den DFG-Kodex Leitlinie 15 mit dem Kommentar Vielfältige (digitale) Publikationsmöglichkeiten in den Geistes- und Sozialwissenschaften: https://wissenschaftliche-integritaet.de/kommentare/publikationsmoeglichkeiten-geistes-und-sozialwissenschaften/chapter/289/.

[13] Oder auch hier mit Kommentaren einsehbar: https://wissenschaftliche-integritaet.de/.

VII. Anhang: Protokollvorlage zur Qualitätssicherung datenbasierter Forschung

Die zuvor formulierten Prinzipien lassen sich nur dann wirksam umsetzen, wenn digitale Arbeitsprozesse systematisch dokumentiert werden.

Die Protokollvorlage soll helfen, zentrale Schritte einer digitalen oder datenbasierten Untersuchung systematisch zu dokumentieren. Sie orientiert sich an den Leitlinien der Deutschen Forschungsgemeinschaft zur Sicherung guter wissenschaftlicher Praxis sowie an etablierten Standards des Forschungsdatenmanagements, insbesondere den FAIR-Prinzipien.

1. Vorbereitung und Organisation

Eine klare organisatorische und strukturelle Ordnung der Daten und Ergebnisse bildet die Grundlage für standardisiertes und reproduzierbares Arbeiten. Sie erleichtert die Dokumentation der einzelnen Arbeitsschritte und schafft einen stabilen Referenzrahmen, auf den bei der Auswertung und Interpretation der Ergebnisse systematisch Bezug genommen werden kann.

Die konkrete Ausgestaltung solcher Strukturen kann je nach Kontext variieren, etwa zwischen studentischen Arbeiten und Forschungsprojekten oder zwischen Einzel- und Gruppenarbeiten.

Empfehlung		Notiz / Beispiel
Festlegung einer einheitlichen Ordnerstruktur[1]
Verwendung konsistenter und sprechender Datei- / Ordnerbenennungen[2]
Absicherung des Datenzugangs[3]
Konsequente Versionierung erheblicher Änderungen[4]
Zur Langzeitarchivierung Festlegung eines dauerhaften Speicherorts mit PID (z. B. DOI)[5]
Dokumentation der Auswahlkriterien für Texte, Bilder, Artefakte[6]
Festlegung, welches Material in die Analyse eingeht[7]
Trennung von Rohdaten, bearbeiteten Daten und Ergebnissen[8]
Editions- und Datentransparenz:[9]
	Angabe der verwendeten Edition oder digitalen Textquelle (z. B. Teubner, OCT, Perseus, TLG, OGL, First1KGreek)
	Dokumentation der verwendeten Textfassung oder Version (Editionsjahr, Datenbankversion)
	Dokumentation der Behandlung von Varianten (Ausschluss kritischer Apparate)
	Angabe von Transkriptionssystemen (z. B. EpiDoc, Beta Code, Unicode)
Festlegung der Lizenz[10]

2. Analyseschritte

Die Analyse von Text-, Bild- und Messdaten sollte systematisch dokumentiert werden. Da Analysen häufig iterativ erfolgen und einzelne Arbeitsschritte wiederholt oder angepasst werden können, bezieht sich die Dokumentation jeweils auf einen klar abgegrenzten Analysedurchlauf.

Textdaten liegen in der Regel als digitale Transkriptionen oder Editionen vor und erfordern insbesondere die Dokumentation von Normalisierungs- und Segmentierungsschritten (z. B. Tokenisierung oder Lemmatisierung). Bei der Digitalisierung materieller Objekte entstehen dagegen andere Formen digitaler Daten. Dazu zählen Bilddaten (z. B. Fotografien),[11] dreidimensionale Daten aus Scanverfahren (z. B. 3D- oder CT-Scans, die Volumen- oder Meshdaten erzeugen) sowie naturwissenschaftliche Messdaten (z. B. pRFA oder spektroskopische Verfahren), die in der Regel als Messwerttabellen vorliegen. Diese Datentypen unterscheiden sich in ihrer Struktur und stellen daher unterschiedliche Anforderungen an Analyse und Dokumentation, insbesondere hinsichtlich Datenvorverarbeitung, Normalisierung und der Definition der jeweiligen Analyseeinheiten.

a) Textdaten

Empfehlung	Notiz / Beispiel
Dokumentation der Normalisierungsschritte (z. B. Orthographie, Lemmatisierung)[12]
Dokumentation Zerlegung des Textes (z. B. Tokenisierung) inkl. Begründung (z.B. Wortformen, Lemmata, n-Gramme)[13]
Dokumentation der Art der Visualisierung (z. B. Frequenzanalyse, PCA)[14]
Dokumentation Segmentierung der Texte (z. B. Satz, Absatz, Werk)[15]
Dokumentation Auswahl des Analysealgorithmus (z. B. Distanzmaße wie Kosinus, Burrows’ Delta)[16]
Speicherung der Konfiguration (z. B. Parameter, Skripte)[17]
Prüfung der Stabilität der Ergebnisse (z. B. Variation von Parametern)[18]

b) Bild- und 3D-Daten

Empfehlung	Notiz / Beispiel
Dokumentation der Aufnahme- bzw. Scantechnologie (z. B. Kamera, Scanverfahren)[19]
Dokumentation der Bild- bzw. Mesh-Normalisierung (z. B. Weißabgleich, Farbkeil, Grauabgleich, Mesh-Bereinigung)[20]
Dokumentation der Vorverarbeitung (z. B. Objektivkorrektur, Glättung)[21]
Festlegung der Analyseeinheit (z. B. Objekt, Segment, Oberfläche)[22]
Dokumentation der Segmentierung (z. B. Abgrenzung der Untersuchungsbereiche)[23]
Dokumentation der Auswahl der Maße (z. B. Farbwerte, Formparameter)[24]
Dokumentation der Visualisierung (z. B. Diagramme, 3D-Modelle)[25]

c) Messdaten

Empfehlung	Notiz / Beispiel
Dokumentation der Messbereiche und Messfehler (Gerätespezifikationen)[26]
Dokumentation der Kalibrierung (Referenzproben)[27]
Dokumentation der Normalisierung der Messwerte (z. B. Anpassung an Messbedingungen)[28]
Dokumentation der Messwertfilterung (Ausreißerbehandlung)[29]
Dokumentation der statistischen Verfahren (z. B. Clusteranalyse)[30]
Dokumentation der Visualisierung (Diagramme)[31]

3. Auswertung

Ziel der Auswertung ist es, die Aussagekraft der errechneten Werte zu sichern und zusammenfassende Darstellungen zu erarbeiten. Sie bildet eine wichtige Grundlage für die anschließende Interpretation. Dabei sollten die Ergebnisse so aufbereitet werden, dass beobachtete Muster oder Zahlenwerte auf fachwissenschaftliche Kategorien bezogen und in diesem Rahmen plausibel interpretiert werden können. In die Auswertung können mehrere Analyseprotokolle einfließen.

Empfehlung	Notiz / Beispiel
Verknüpfung der Einzelprotokolle zur Gesamtdokumentation (z. B. Zusammenführung der Analysedurchläufe)[32]
Explizite Angabe von Werkzeugen, Skripten und Versionen (z. B. Software, Bibliotheken)[33]
Vergleich der Ergebnisse bei Variation der Einstellungen (z. B. Prüfung von Stabilität und Robustheit)[34]

4. Replikation und Sicherung

In dieser Phase wird die Analyse so dokumentiert und aufbereitet, dass sie nachvollziehbar, überprüfbar und bei Bedarf reproduziert oder weitergeführt werden kann.[35]

Empfehlung	Notiz / Beispiel
Dokumentation aller Einstellungen und Entscheidungen innerhalb der Analyse (z. B. Parameter, Filter, Auswahlkriterien)[36]
Angabe der verwendeten Werkzeuge, Skripte und Softwareversionen (inkl. Versionsnummern)[37]
Festlegung, welche Rohdaten, bearbeiteten Daten und Ergebnisdaten weitergegeben werden können (Berücksichtigung rechtlicher und ethischer Rahmenbedingungen)[38]
Übergabe der Rohdaten, bearbeiteten Daten und Ergebnisdaten an ein geeignetes Repositorium (z. B. institutionelle oder fachliche Repositorien)[39]
Benennung von Grenzen, Unsicherheiten und möglichen Fehlerquellen der Analyse (Dokumentation der methodischen Einschränkungen)[40]