Abstract:
Die moderne Forschung stützt sich zunehmend auf Daten aus vielen Quellen, Disziplinen und Infrastrukturen. In der Praxis wird die Wiederverwendung von Daten jedoch oft durch fehlenden Kontext, inkompatible Formate und manuelle, projektspezifische Integrationsarbeiten verlangsamt. Die FAIR-Prinzipien gehen dieses Problem an, indem sie Richtlinien für Daten und Metadaten bereitstellen, die auffindbar, zugänglich, interoperabel und wiederverwendbar sind – nicht nur für Menschen, sondern auch in einer Weise, die eine automatisierte Verarbeitung durch Maschinen ermöglicht. ... mehrFAIR Digital Objects (FDOs) sind ein konkreter Ansatz zur Umsetzung dieser Prinzipien, indem Daten als klar definierte digitale Einheiten mit persistenten Identifikatoren, strukturierten Metadaten und vorhersehbaren Schnittstellen behandelt werden. Bestehende FDO-bezogene Initiativen haben große Fortschritte bei Identifikationsschemata, Metadatenkonventionen und Datenverpackungsmechanismen erzielt. Allerdings behandeln sie zwei wichtige Aspekte oft nur implizit oder inkonsistent: wie FDOs typisiert werden und wie ausführbare Operationen systematisch mit diesen Typen verknüpft werden. Infolgedessen gibt es noch immer kein einheitliches, technologieunabhängiges Framework, das klar festlegt, wie Operationen für FDOs deklariert, entdeckt und ausgeführt werden. Um diese Einschränkungen zu überwinden, wird in dieser Dissertation eine Lösung für typbasierte FDO-Operationen zur Ermöglichung maschinenverarbeitbarer Daten entwickelt. Zunächst wird ein streng formalisiertes FDO-Kerndatenmodell definiert, das festlegt, was ein FDO ist, welche Komponenten es enthält und welchen Regeln es folgen muss. Das Modell ist domänenunabhängig konzipiert und wird in zwei verschiedenen Bereichen, nämlich der Energieforschung und den digitalen Geisteswissenschaften, demonstriert und mit anderen FDO Modellierungsansätzen verglichen. Auf dieser Grundlage wird eine systematische Methode zur Verknüpfung von Operationen mit FDOs über ein Typsystem eingeführt. Es werden drei sich ergänzende Typisierungsmechanismen definiert, welche die FDO-Typisierung in ein regelbasiertes Schema zur Zuordnung der richtigen Operationen zu den richtigen Objekten umwandeln und die Stärken und Kompromisse der Mechanismen werden evaluiert. Schließlich kombiniert die Dissertation diese Ideen zu einem Implementierungsansatz, der Operationen in der Praxis auffindbar und ausführbar macht. Operationen werden als operierende FDOs modelliert, die mithilfe expliziter Regeln mit Ziel-FDOs assoziiert werden können, und als Teil eines technologieagnostischen Frameworks integriert, das die Verarbeitung auf Metadaten- und Datenebene ermöglicht. Eine Testbed-Implementierung demonstriert den Ansatz in den beiden vorher betrachteten Anwendungsbereichen und zeigt, wie dieser die Interoperabilität und Wiederverwendbarkeit im Einklang mit den FAIR-Prinzipien verbessert. Insgesamt liefert die Dissertation eine kohärente Spezifikation der FDO-Struktur, Typisierung und Operationsausführung und zeigt, wie FDOs die automatisierte Verarbeitung unterstützen und interoperablere, wiederverwendbare Forschungsdaten über verschiedene Forschungsbereiche hinweg ermöglichen können.
Abstract (englisch):
Modern research increasingly depends on data from many sources, disciplines, and infrastructures. Yet in practice, data reuse is often slowed down by missing context, incompatible formats, and manual, project-specific integration work. The FAIR principles address this problem by providing guidelines for data and metadata that are findable, accessible, interoperable, and reusable—not only for humans, but in ways that also enable automated processing by machines. FAIR Digital Objects (FDOs) are a concrete approach to putting these principles into practice by treating data as well-defined digital entities with persistent identifiers, structured metadata, and predictable interfaces. ... mehrExisting FDO-related initiatives have made strong progress on identifier schemes, metadata conventions, and packaging mechanisms. However, they often handle two key aspects only implicitly or inconsistently: how FDOs are typed and how executable operations are systematically associated with those types. As a result, there is still no uniform, technology-agnostic framework that clearly specifies how operations are declared, discovered, and executed for FDOs. To overcome these limitations, this thesis develops a solution for type-based FDO operations to enable machine-actionable data. First, a rigorously formalized FDO core data model is defined that specifies what an FDO is, which components it contains, and which rules it must follow. The model is designed to be domain-independent and is demonstrated in two different areas, i.e., energy research and the digital humanities, along with a comparison to other FDO modeling approaches. Building on this foundation, a systematic method for linking operations to FDOs through a type system is introduced. Three complementary typing mechanisms are defined that turn FDO typing into a rule-based scheme for associating the right operations with the right objects, and their strengths and trade-offs are evaluated. Finally, the dissertation combines these ideas into an implementation approach that makes operations discoverable and executable in practice. Operations are modeled as operating FDOs that can be associated to target FDOs using explicit rules, and are integrated as part of a technology-agnostic framework that enables metadata- and data-level processing. A testbed implementation demonstrates the approach in both application domains considered earlier and shows how it improves interoperability and reuse in line with the FAIR principles. Overall, the dissertation provides a coherent specification of FDO structure, typing, and operation execution, showing how FDOs can support automated processing and enable more interoperable, reusable research data across diverse research domains.
1