Der Online-Selbstlernkurs führt in das Konzept der Daten-Nachnutzung (Reusability) ein und informiert über Lizenzen und Zitierweisen von Datensätzen. Er bietet einen Überblick über die einschlägigen Repositorien und Aggregatoren für naturkundliche sowie sammlungs- und objektzentrierten Forschungsdaten und behandelt die notwendigen Metadaten und persistenten Identifikatoren zur Recherche und Publikation von Datensätzen zu physischen Objekten.

Dieser Kurs vermittelt einen Überblick über die rechtlichen, ethischen und institutionellen Rahmenbedingungen für Feldforschung und Probenahme, einschließlich zentraler Prinzipien und Regelwerke wie CARE, FPIC und das Nagoya-Protokoll. Anhand von Fallstudien und Simulationen lernen die Teilnehmenden, Stakeholder zu identifizieren, Genehmigungs- und Beteiligungsprozesse zu steuern sowie Risiken und Planungen in Forschungsprojekten kritisch zu bewerten.

Dieser Kurs bietet eine Einführung in die Harmonisierung, Validierung, Anreicherung und Kontextualisierung von Objekt- und Funddaten. Anhand praktischer Beispiele wird gezeigt, wie semantische Anreicherung mit Normdaten und Taxonomien heterogene Rohdaten in strukturierte und vernetzte Forschungsdaten überführt.

Dieser Kurs vermittelt die grundlegenden Konzepte und Workflows der Automatischen Texterkennung (ATR), einschließlich Zusammenstellung und Vorbereitung des Textkorpus, gängiger Software, Transkriptionsplattformen und Best Practices für das Finetuning vorhandener Textmodelle an den eigenen Korpus. Nach Abschluss des Kurses sollten Teilnehmende in der Lage sein, den Nutzen und den Aufwand von ATR für eigene Forschungsprojekte einzuschätzen und gängige Plattformen (z. B. eScriptorium, OCR4All, Transkribus) selbst zu erproben.

Dieser Kurs vermittelt die grundlegenden Konzepte und Abläufe des Machine Learning, einschließlich überwachter und nicht-überwachter Machine Learning Modelle, mit Anwendungsfällen für die Erkennung oder Klassifikation von Objekten und die Analyse angereicherter Daten mithilfe von no-code/low-code Standardlösungen. Die Beispiele stammen aus den Bereichen naturkundliche Sammlungen und Archäologie, lassen sich aber auf andere Forschungsbereiche übertragen. Die Teilnehmenden lernen, den Nutzen und den Aufwand von Machine Learning für eigene Forschungsprojekte einzuschätzen und als Fachexpert:in Machine Learning Projekte in Zusammenarbeit mit Informatiker:innen durchzuführen.

Dieser Kurs behandelt die ethischen Herausforderungen von Sammlungen und ihren Daten, mit Schwerpunkt auf Provenienz, kultureller Sensibilität und digitaler Verwaltung sensibler Informationen bei verschiedenen Objekttypen. Anhand theoretischer Einführungen und praktischer Übungen lernen die Teilnehmenden, Sammlungsdaten ethisch zu erfassen, zu bearbeiten und zu digitalisieren, und dabei Offenheit, kulturelle Rücksichtnahme und historischen Kontext zu berücksichtigen.

Dieser Kurs vermittelt die Prinzipien von Open Science und deren Beitrag zum wissenschaftlichen und gesellschaftlichen Fortschritt, mit Schwerpunkt auf der Integration in die Forschung mit objektbezogenen naturwissenschaftlichen Daten. Die Teilnehmenden lernen, nach Open-Science-Prinzipien zu publizieren und reflektieren praktische, politische und kulturelle Herausforderungen bei der Umsetzung.