The Future is Open Science – Folge 62: Open Science und geistiges Eigentum

Dr. Doreen Siegfried
Leitung Marketing und Public Relations, ZBW – Leibniz-Informationszentrum Wirtschaft

Marie Alavi
Christian-Albrechts-Universität zu Kiel

[00:00:00] Intro

[00:00:03] Marie Alavi:
Ich glaube auch, dass das Prinzip der Nachvollziehbarkeit heute anders ist, weil Halluzinationen und die Unklarheit über die Trainingsdaten Nachvollziehbarkeit ja eigentlich unterwandern. Deshalb wird Modell Sharing wahrscheinlich zu einer neuen Bedingung …

[00:00:19] Doreen Siegfried:
Ah ja. Okay.

[00:00:20] Marie Alavi:
… für Verlässlichkeit werden.

[00:00:26] Marie Alavi:
Wer sein Copyright abgibt, verliert die Kontrolle darüber, was mit seinem Material im KI-Zeitalter passiert.

[00:00:37] Marie Alavi:
Weder alles offen noch alles geschützt, ist die richtige Antwort. Sondern verschiedene Forschungsartefakte (Rohdaten, Codes, Methoden, Endresultate, Software) können unterschiedliche Lizenzen erhalten. Je nach dem Verwertungsziel, den man eben definieren sollte vorab.

[00:01:04] Doreen Siegfried:
Hallo und herzlich willkommen zu einer neuen Folge von „The Future is Open Science“, dem Podcast der ZBW. Mein Name ist Doreen Siegfried und ich treffe mich hier mit ganz unterschiedlichen Leuten aus dem Wissenschaftsbetrieb, die Ihnen verraten, wie sie in ihrer täglichen Arbeit Open Science voranbringen. Heute sprechen wir über Open Science und neue Spannungsfelder. Es geht um KI-gestützte Forschung, proprietäre Tools, Datensicherheit, Lizenzen und geistiges Eigentum. Offenheit und Schutz werden häufig als Gegensätze verstanden. Wie können sie aber gemeinsam betrachtet werden, damit Forschungsergebnisse zugänglich, rechtssicher und gesellschaftlich oder wirtschaftlich nutzbar werden? Und um diese Fragen zu diskutieren, habe ich mir eine Wissenschaftlerin von der Universität Kiel eingeladen, die in ihrer Arbeit Open Science und Intellectual Property zusammenführt. Wir sprechen über kollaborative Forschung, multiprofessionelle Beratungsteams und darüber, welche Wissensdomänen Forschende und Forschungseinrichtungen künftig bewerkstelligen können. Herzlich willkommen Marie Alavi!

[00:02:14] Marie Alavi:
Vielen Dank, Doreen. Ich freue mich auf unser Gespräch.

[00:02:17] Doreen Siegfried:
Marie, wo steht Open Science heute? Vielleicht kannst Du das kurz einordnen, bevor wir in das Thema Open Science und geistiges Eigentum einsteigen. Ist Open Science bereits etablierte Forschungspraxis oder Ausdruck eines laufenden Kulturwandels? Oder ist es noch immer ein Aushandlungsprozess?

[00:02:38] Marie Alavi:
Genau. Ich denke, es ist eine komplexe Frage. Weil ich würde sie mit Ja und mit Nein beantworten. Einerseits ja, es ist eine etablierte Praxis, weil sie zwar eine junge, aber eine schlagkräftige Historie hat, die aber auf breiten Konsens verschiedener und im Wissenschaftskontext essenzieller Stakeholder basiert. Also man könnte die Argumentation mit DORA beginnen 2012, wo sich Redakteure und Verleger gegen den Impact Factor von Zeitschriften aussprechen. Und eben neben Publikationen auch Datensätze und Software und andere offene Outputs als vollwertige wissenschaftliche Leistungen anerkennen. Das mündete dann später in CoARA. Und dann gab es verschiedene Statements von der OECD, der Europäischen Kommission, UNESCO usw. und Nationale Strategien. Und seit 2021 ist mit Horizon Europe Open Science eine grundsätzliche Anforderung auch in der Forschungsförderung. Und das ist ganz wichtig, glaube ich. Und wir haben auch nationale und internationale Regelwerke, die Open Science ganz klar als Praxis etablieren. Und Open Science hat auch eine politische Unterstützung. Sie ist zum Beispiel in der European Research Area Policy Agenda sehr zentral verankert. Also Open Science ist auch eine Praxis. Und das ist, finde ich, ganz wichtig, weil sie eindeutige Verfahren und Infrastrukturen wie FAIR Principles, Preregistrations, Repositorien und Publikationsformate wie Zenodo, OSF oder Open Research Europe etablierte. Und dieses Argument finde ich ganz wichtig, weil solche Verfahren das Konzept an sich machbar machen. Es basiert nicht nur auf einer Haltung, es geht nicht um ein Mindset oder um eine überzeugte Einstellung von Forschenden, sondern um klare Verfahren, die definiert sind und für die es auch Infrastrukturen gibt. Und Deine Begriffe Kulturwandel und Aushandlungsprozess trifft es ja auch. Weil einerseits gibt es noch keine eindeutige, offene Publikationskultur. Und mit den aktuellen Herausforderungen, also vor allem mit KI in der Forschung, ja, man kann auch den Begriff Research Security in den Raum werfen, wird Open Science wieder manchmal in Frage gestellt. Und damit geht es auch einher mit der Frage nach dem geistigen Eigentum. Wichtig ist, und das würde ich vielleicht noch dazu sagen, dass wir nicht in Frage stellen, also schließen, sondern die etablierten Prozesse, die wir ja für gutheißen, weiterdenken. Vielleicht wird es noch einige Stellschrauben benötigen. Aber deswegen würde ich sagen: Ja, es ist etabliert, aber auch ein Living Process zugleich.

[00:05:23] Doreen Siegfried:
Ja, okay. Ich hatte natürlich nach dem Kulturwandel und den Aushandlungsprozessen gefragt, weil ich sozusagen, und unsere Zuhörenden wissen das ja, regelmäßig Gespräche führe mit Leuten aus der Open-Science-Welt und mein Bild schon eher das ist, es gibt noch einiges zu tun. Aber wenn wir sozusagen davon ausgehen, dass sozusagen das Teilen von Wissen grundsätzlich zum wissenschaftlichen Arbeiten dazugehört… Also ich sage nur so kumulative Wissenschaft usw. Warum braucht man dann nochmal tatsächlich dieses Paradigma von Open Science? Warum muss sich da die EU drum kümmern, wenn man doch eigentlich davon ausgehen könnte, es ist einfach eine gute Praxis?

[00:06:09] Marie Alavi:
Ja, das, finde ich, ist eine sehr gute Frage. Weil man könnte als erstes damit antworten, dass obwohl das Teilen von Wissen, wie Du ja sagst, zu wissenschaftlichem Arbeiten gehört, denn das ist paradoxerweise ja der Sinngehalt von Forschung, genau um Dinge zu lösen, die zumeist andere betreffen, muss ich sie mit ihnen teilen. Aber gleichzeitig wird sehr viel Wissen hinter Paywalls gehalten. Ich würde schon weiterhin sagen, dass auch die Anreize wenig für Open Science tun. Also Karrieren hängen an exklusiven Journals, nicht an Transparenz. Funding hält an Zitationszahlen und hier dreht Open Science das Paradigma ja eigentlich um. Aber auch die Praxis ist nicht immer von Teilen geprägt, auch wenn man die Einstellung vielleicht hätte. Oft fehlt das Wissen, welche Formate, welche Repositorien soll ich verwenden? Oder auch das Wissen, dass neben Enddaten, ja möglicherweise auch Rohdaten für andere wichtig sein könnten. Die liegen dann aber entgegen dem Konzept von Open Science auf lokalen Laufwerken. Und wenn dann auch das Datenmanagement nicht stimmt, was glaube ich jeder von uns kennt, dann hat man irgendwo Dateien mit der Benennung „y-xy-Version 2.0 final-final gekürzt“ liegen. Und das hat mit Auffindbarkeit und Weitergabe oder auch maschineller Lesbarkeit dann wenig zu tun. Und deswegen, finde ich, ist Open Science dazu da, klare Prozesse zu etablieren, denen man Schritt für Schritt folgen kann. Und ich denke, es ist auch sinnvoll, hier Preregistrations zu erwähnen, die das Teilen von wissenschaftlichem Wissen auf eine sehr hochwertige Ebene heben, indem das Teilen in seinem Prozess verbindlich gemacht wird. Also, wer vorab dokumentiert, was erhoben wird und wie, kann im Nachhinein nicht mehr anders oder selektiv darüber berichten. Und das ist, finde ich, ein sehr wichtiges Instrument, die die offene Forschungspraxis unterstützen.

[00:08:13] Doreen Siegfried:
Wo Du gerade diese Dateinamen genannt hast. Mir fällt dann da sozusagen als Bild auch gern so eine Haushaltsauflösung ein, wenn man in irgendwelchen Schuhkartons irgendwelche Versicherungszettel findet oder irgendwelche Kontoauszüge oder alte Bilder oder wie auch immer, und damit gar nichts anfangen kann, weil völlig unklar ist, wer ist da abgebildet? Von wann ist das? Ist das vollständig? Wie auch immer. Also größtmögliches Chaos, letztlich. Was mich noch interessiert, wie da Deine Einschätzung ist, wenn wir sagen, Wissenschaft ist kumulative Wissensproduktion. Was verändert sich, wenn letztlich nicht nur Publikationen ins Spiel kommen, sondern auch Daten, Code, Workflows, Modelle usw. geteilt werden und eben auch maschinell verarbeitet werden müssen? Also zersprengt das das System oder was ist deine Einschätzung?

[00:09:12] Marie Alavi:
Ne, eben gar nicht. Also ich finde das befördert das System. Wissenschaft hat ja immer auf dem aufgebaut, was andere geteilt oder veröffentlicht haben. Das war früher ein manueller und ein langsamer Prozess. Und heute können wir uns vorstellen, wie fruchtbar es ist, wenn Wissenschaft international, sektorübergreifend, fachübergreifend über Kulturen und Wissensdomänen hinweg agieren kann. Und wenn jetzt nicht nur Texte, sondern auch Daten, Codes und vielleicht auch Methoden und Protokolle geteilt werden und das Wissen dann auch direkt maschinell verarbeitet werden kann, ist das natürlich ein großer Gewinn in Richtung Wissen. Also Wissensdomänen kommen hinzu. Aber ich finde auch Effizienz.

[00:09:58] Doreen Siegfried:
Ja.

[00:09:58] Marie Alavi:
Das heißt mit dem Teilen anderer Formate und bei maschineller Unterstützung ändert sich das Tempo und die Reichweite kumulativer Wissensproduktion fundamental. Also Wissenschaft geschieht nicht mehr in Silos, sondern ist mehr ein lebendiges und vernetztes System.

[00:10:14] Doreen Siegfried:
Ja. Ja, okay. Das führt mich natürlich zu der nächsten Frage. Da hast Du jetzt ja schon mit dem Wort Effizienz eine Antwort darauf gegeben. Welche Chancen entstehen durch das Teilen und Nachnutzen dieser ganzen Elemente? Also, wenn ich mir vorstelle, es ist alles vernetzt und wir brechen diese Silos auf, dann kann ich natürlich viel schneller agieren. Aber welche Möglichkeiten birgt das noch?

[00:10:40] Marie Alavi:
Genau. Also auch das interessiert mich sehr. Und ich schreibe mir dazu kontinuierlich Stichpunkte auf, wenn ich was gesehen habe. Einen eigenen Benefit gesehen habe. Und die Liste ist mittlerweile lang. Also zum einen ist die Chance in dem kumulativen Sektor übergreifenden Möglichkeiten die Wissenserkundung, was wir gerade hatten. Aber auch die Reichweite. Wenn Daten nicht nur einmal genutzt werden, sondern geteilt werden, natürlich unter klaren Lizenzbedingungen, dann können sie in geeigneten anderen Kontexten eingesetzt werden. Und multiplizieren so die Wirkung des ursprünglichen Forschungsaufwands. Ich finde auch Effektivität. Wenn ich auf vorhandene Datenmethoden aufbauen kann, dann muss niemand neu erstellen, was schon existiert.

[00:11:24] Doreen Siegfried:
Ja.

[00:11:24] Marie Alavi:
Das ist übrigens auch der Grund, warum Fördermittelgeber hinter Open Science stehen. Und ganz wichtig ist, glaube ich, Reproduzierbarkeit und Qualitätssicherung. Also wenn ich meine Arbeit offen zugänglich mache, können andere die Ergebnisse überprüfen, replizieren, Befunde bestätigen oder auch nicht. Und das ist eigentlich die Grundlage wissenschaftlicher Glaubwürdigkeit. Und in Zeiten von KI müssen wir, glaube ich, aber auch das sehr wichtige Argument nennen, bei dem sich die Gemüter heute aber spalten: gut dokumentierte oder auch FAIR-konforme Daten werden zu Trainingsdaten und zu Inputs für KI-gestützte Forschung. Und das ist meiner Ansicht nach ein Mehrwert. Den sollten wir uns nicht entgehen lassen, bei all den Bedenken, die ich ja selber habe.

[00:12:17] Doreen Siegfried:
Ja, okay. Und was würdest Du denken? Also ich jetzt als Nichtwissenschaftlerin kann mir auch supergut vorstellen, wenn tatsächlich diese ganzen Produkte, die in einem Forschungsprozess entstehen, also Daten, Code, Workflows, Modelle und alles, was wir genannt haben, Publikationen. Wenn das vernetzt zugänglich ist, besteht dann nicht auch die Möglichkeit, tatsächlich große Fragen, die die Gesellschaft hat, an die Wissenschaft vielleicht auch besser beantworten zu können? Also, so wie damals, die Älteren von uns erinnern sich, 2020 Corona. Also wenn tatsächlich alles zur Verfügung steht und ich das sozusagen darauf zugreifen kann. Kann ich dadurch nicht auch große Gesellschaftsfragen besser klären? Oder ist das jetzt von mir nur eine naive Vorstellung?

[00:13:10] Marie Alavi:
Ne, überhaupt nicht. Und ich glaube, das ist auch der Grund, warum es, dazu kommen wir wahrscheinlich später, zu dem Projekt IP4OS kam. Weil das klar geworden ist, in wie vielen Kontexten Wissenschaft eigentlich geschieht und was sie benötigt, um befördert zu werden. Also ich glaube, das hängt alles miteinander zusammen und ist auf jeden Fall sehr unterstützend.

[00:13:36] Doreen Siegfried:
Ja, okay. Was mich noch interessieren würde in diesem Kontext: Welche Bedeutung haben Kollaboration und das Zusammenführen unterschiedlicher Perspektiven für Open Science?

[00:13:49] Marie Alavi:
Also das Zusammenführen von Perspektiven und Kollaboration ist kein Nebeneffekt, sondern das Kernprinzip. Open Science ist kein individuelles Projekt, das etwa blüht, wenn ich meine Forschung in meinem Silo handhabe. Sondern das ist ein kollektives Ding. Wissen entsteht, wird geprüft, weiterentwickelt durch den Austausch von Forschenden, Disziplinen, Institutionen. Übrigens auch gesellschaftlichen Akteuren. Und diesen Austausch kann sich Wissenschaft oder ohne diesen Austausch kann sich Wissenschaft weniger ausbreiten und von diesem kollektiven Wissen ja Gebrauch machen. Und ich finde übrigens, man kann beide Begriffe auch getrennt voneinander verargumentieren. Also, Kollaborationen…

[00:14:36] Doreen Siegfried:
Ja.

[00:14:37] Marie Alavi:
… sind unglaublich ressourcenschonend, wenn Wissen, Expertise, technische Ressourcen, zeitliche oder auch Men und Women Power geteilt werden.

[00:14:45] Doreen Siegfried:
Ja.

[00:14:46] Marie Alavi:
Über, was ich immer sage, nationale oder Disziplingrenzen hinweg bin ich ja hochgradig effektiv. Und unterschiedliche Perspektiven wiederum, ich glaube, dass das Thema Diversität und Inklusion ja ihre Begründung haben, nicht nur in der Artikulation von Problemen. Sondern vor allem darin, dass auf verschiedene Forschungsprobleme die Expertise von anderen Personenkreisen antworten kann. Und ich glaube, so sind auch die FAIR-Principles entstanden oder haben ihre Bedeutung wahrscheinlich oder sehr sicher in den unterschiedlichen Perspektiven.

[00:15:22] Doreen Siegfried:
Ja, auf jeden Fall. Welche Prinzipien von Open Science verändern sich derzeit durch neue Methoden, Daten, Praktiken, KI-gestützte Forschung? Oder verändert sich überhaupt irgendwas?

[00:15:37] Marie Alavi:
Doch fundamental, finde ich. Also zum einen wird das Thema Transparenz auf eine neue Ebene gehoben, weil wir durch das Mitteilen von Methoden und Workflows und Zwischendaten usw. den gesamten Forschungszyklus teilbar machen oder zu teilbaren Forschungsobjekten machen. Und in Sachen Arbeiten mit KI sieht das in erster Linie natürlich für die Reproduzierbarkeit anders aus, wenn ich an pluralistische Modelle denke. Das mag bei anderen KI-Modellen durchaus anders sein, aber bei LLMs reicht das klassische Konzept der Reproduzierbarkeit nicht aus, sondern hier werden ja robuste Beweisketten wichtig werden und eine stetige und sehr gründliche Dokumentation wird wichtig. Metadaten sind wichtig, um Reproduzierbarkeit annähernd − annähernd! Ja, also das heißt, es ist nicht mal faktenbasiert, sondern annähernd − zu gewährleisten. Und das ist, glaube ich, eines der wichtigsten Änderungen. Ich glaube auch, dass das Prinzip der Nachvollziehbarkeit heute anders ist, weil Halluzinationen und die Unklarheit über die Trainingsdaten Nachvollziehbarkeit ja eigentlich unterwandern. Deshalb wird Modell Sharing wahrscheinlich zu einer neuen Bedingung…

[0:17:04] Doreen Siegfried:
Ah ja. Okay.

[00:17:05] Marie Alavi:
… für Verlässlichkeit werden. Oder so möchte ich das hoffen. Und auch das Konzept der Zugänglichkeit, also Accessibility, verändert sich. Wenn man zum Beispiel daran denkt, dass wir heute immer mehr mit Metadaten arbeiten können, die veröffentlicht werden können, auch wenn die Daten selbst kontrolliert oder gar nicht zugänglich bleiben sollen.

[00:17:33] Doreen Siegfried:
Ja.

[00:17:33] Marie Alavi:
Und mir ist auch eine spannende Praxis im Kontext von KI in Erinnerung geblieben, nämlich das Konzept der Digital Twins, wo mit synthetischen Daten gearbeitet wird, …

[00:17:44] Doreen Siegfried:
Ja, das wird häufig…

[00:17:45] Marie Alavi:
… die geschützt werden sollen. Das, finde ich, ist ganz spannend und das sollten wir auf jeden Fall aufnehmen, solche Änderungen und die Potenziale entdecken.

[00:17:56] Doreen Siegfried:
Ja, auf jeden Fall. Also ich weiß, dass zum Beispiel in der BWL relativ viel mit synthetischen Daten gearbeitet wird. Also das ist durchaus da schon Praxis. Was mich noch interessiert: Also es gibt ja sehr viele Untersuchungen bereits, wie Studierende, aber auch wie Forschende, mit generativen KI-Tools arbeiten. Und ganz vorne stehen natürlich so diese KI-Allrounder wie ChatGPT, Gemini, Claude usw. Was würdest Du denn sagen, welche Unsicherheiten entstehen da gerade durch diese proprietären KI-Tools?

[00:18:30] Marie Alavi:
Also einerseits entsteht natürlich für das Konzept der Forschungsintegrität die Unsicherheit. Wenn Forschungsergebnisse auf proprietären Modellen basieren, die niemand einsehen kann, damit auch nicht nachvollziehen und reproduzieren kann, dann ist das nicht nur eine technische Frage und eine Frage der Forschungsintegrität, sondern dazu kommt auch noch eine rechtliche Unsicherheit. Also das Stichwort Modell Sharing von vorher. Und ja, natürlich müssen wir auch die Unsicherheit adressieren, was mit welchen Daten, von wem, zu welchen Zwecken auch gemacht wird. Da geht es um Datensicherheit, um das Thema Dual Use, zum Beispiel zu militärischen Zwecken. Aber das ist ein großer Exkurs. Was ich aber vor allem sagen wollte, ist eine wichtige rechtliche Unsicherheit, nämlich bei der Copyrightfrage.

[00:19:24] Doreen Siegfried:
Ja.

[00:19:25] Marie Alavi:
Die interessiert ja vor allem diejenigen, die die Daten produzieren, also Autorinnen und Autoren. Sie ist auch nicht klar für Entwickler der Tools geklärt. Aber das mal beiseite. Aber für Autor:innen stellt sich oft die Frage, ob man das eigene Material aus dem KI-Training heraushalten kann. Kann, wenn man das möchte. Und da wird es verzwickt und, ich finde, sehr spannend. Also ich habe mich sehr gerne damit beschäftigt. Weil man muss wissen, auf dem traditionellen Publikationsweg geben Autor:innen ihr Copyright an Verlage ab. Wer sein Copyright abgibt, verliert die Kontrolle darüber, was mit seinem Material im KI-Zeitalter passiert. Und vom Verlag dann können oder dürfen die Daten ins KI-Training fließen. Legal. Und da kommen wir dann natürlich in den Bereich der kommerziellen Nutzung von geistiger Arbeit der Autor:innen. Und dieses Training passiert über Text and Data Mining, also das Durchsuchen und Auswerten von Daten durch Computer, die Millionen von Texten auslesen und Muster extrahieren und daraus lernen. Und hier finde ich das sehr spannend, weil genau das die Frage nach Schließen oder Schützen oder Öffnen dirigiert und unserer Hauptfrage nach Unsicherheit ein wenig den Weg weist, finde ich. Also will ich meine Daten hier schützen und wegtun oder aber will ich meine Daten zum Zwecke der Verbesserung der Systeme, die die ganze Welt ja nutzt, eben doch zur Verfügung stellen? Und das, finde ich, ist eine fundamentale Frage, die wahrscheinlich jeder für sich selbst beantworten muss.

[00:21:03] Doreen Siegfried:
Und hast Du da für Dich schon eine Antwort gefunden?

[00:21:06] Marie Alavi:
Ja, ja. Also ich habe auch diese Pro- und Contra-Fragen, wie wahrscheinlich jeder auch. Und auch im näheren Umfeld kenne ich Fälle, die ja keine Nachteile an sich hatten, aber einfach festgestellt wurden: ich habe Open Access etwas zur Verfügung gestellt und andere verdienen dann daran. Aber ich glaube, nachdem wir wissen, wie sehr KI in die Forschung integriert wurde und welche Chancen damit kommen, dann glaube ich, ist… Also meine Entscheidung ist ja relativ sicher in die Richtung gefallen. Ja. Also rein mit verlässlichen wissenschaftlichen Daten, vor allem menschlich generierten Daten. Das scheint auch ein sehr wichtiger Aspekt zu sein, damit die Modelle auf guten Daten basieren. Wie dann das über die Technologie, was es da für Veränderungsprozesse gibt, das ist natürlich eine andere Diskussion. Aber die Datenbasis zu verbessern ist, glaube ich, eine tolle Sache, eine wichtige.

[00:22:13] Doreen Siegfried:
Und vielleicht kleiner Exkurs. Könntest Du Dir vorstellen, dass die Wissenschaft ihre eigenen KI-Allrounder baut? Also, dass man sagt, „Okay, wir speisen jetzt nicht alles bei ChatGPT ein und dann erhöhen die die Gebühren und ich zahle dann im Monat plötzlich irgendwie 100 $, damit ich es nutzen kann, weil es ist ja so toll.“ Sondern dass man sagt, „Okay, wir setzen von Anfang an auf ein Tool von der Wissenschaft für die Wissenschaft.“ Ist das eine Idee, über die Du schon mal nachgedacht hast?

[00:22:48] Marie Alavi:
Ja. Ja. Also, ich habe sehr schnell drüber nachgedacht. Also wir haben schon erste Gedanken für die World Conference of Research Integrity 24 dahingehend gehabt. Und im Verlauf dessen haben wir festgestellt, dass da schon sehr viel geschieht.

[00:23:07] Doreen Siegfried:
Ja.

[00:23:07] Marie Alavi:
Also nicht nur wir, die daran denken, sondern dass schon viel gemacht wird und auch die Technologie verbessert wird. In einer Zusammenarbeit zwischen Forschung, Forschungsintegrität, Open Science…

[00:23:21] Doreen Siegfried:
Ja.

[00:23:21] Marie Alavi:
…. und eben technischen Aspekten. Es gibt zum Beispiel die Möglichkeit, Knowledge Graphs, also Wissensgraphen, mit dran zu koppeln in die Technologie. Die dann bei der Output Generation den Weg des Large Language Models leiten über vordefinierte Wege, die eben mit Wissensgraphen sehr effektiv sind, weil dort − das ist hochkomplex − über Metadaten sehr viel mehr Informationen zur Verfügung stehen als nur eine Publikation. Also da ist jedes Datum mit ganz vielen Metadaten annotiert und somit können Wissensgraphen viel besser diesen Fokus halten. Also wir sind jetzt zum Beispiel im Bereich Architektur. Dann werde ich nicht ein anderes Thema herausfischen, während das Output sozusagen generiert wird.

[00:24:19] Doreen Siegfried:
Ja.

[00:24:20] Marie Alavi:
Also da geschieht schon sehr viel. Und ob es jetzt… Am Anfang sagten wir, es müssen Wissensdomänen her, es müssen für die Mediziner und für die Jurist:innen usw. Und am Anfang hat sich herausgestellt, das ist nicht möglich. Man muss die Modelle immer an das Weltwissen koppeln, weil ansonsten die linguistischen Regeln nicht funktionieren. Aber ich glaube, daran wird schon sehr gut gearbeitet und die Publikationszahlen steigen ja. Also man kann auch sehr viel Futter an sich beisteuern.

[00:24:56] Doreen Siegfried:
Ja. Ja, okay. Du hattest jetzt gesagt, die größte Veränderung für Open Science in diesem KI-Zeitalter sind diese rechtlichen Unsicherheiten. Wie gehen denn Open-Science-Akteure mit diesen Unsicherheiten um? Also besteht die Gefahr, dass sich sozusagen die Forschung wieder zurückzieht in geschlossene Systeme? Also sozusagen das Gegenstück von dem, was du gerade für dich entschieden hast, „Ich gehe all in. Ich gehe jetzt alles da rein.“ Es gibt ja auch Leute, die das vielleicht für sich anders entscheiden. Was weißt du darüber?

[00:25:33] Marie Alavi:
Ja, also ich habe dafür keine Evidenz, eine Studie, die ich vorlegen könnte. Und ich glaube, das ist gerade auch ein aktueller Diskurs. Aber man hört die Argumente schon wie „Ich will nicht, dass andere von meinem Wissen wirtschaftlich profitieren.“ Das Thema Plagiate und Nachvollziehbarkeit, wie etwas generiert wurde, ist wichtig. Aber für mich ist immer der Aspekt wichtig und das hat mich tatsächlich ein bisschen gebremst bei meiner Entscheidung, nämlich womit und mit welchen anderen Daten offen zugängliche Informationen vermischt werden. Durch den Prozess dieser Fragmentierung und Rekombination und den pro populistischen Funktionen dahinter. Stichwort Data Amalgamation.

[00:26:17] Doreen Siegfried:
Ah.

[00:26:18] Marie Alavi:
Das fand ich schon sehr, sehr interessant. Aber es gibt noch andere Schutzmaßnahmen als zu schließen. Wenn wir jetzt noch bei dieser traditionellen Publikationspraxis bleiben von vorhin. Verlage können als Rechteinhaber Gebrauch machen vom sogenannten Opt-out-Recht. Und dann dürfen kommerzielle Unternehmen wie OpenAI oder Google oder andere kein Text and Data Mining auf diesem Material betreiben. Und das gilt übrigens nur für kommerzielle Unternehmen, also nicht für Forschungsorganisationen, die haben für Text and Data Mining eine Ausnahme zugunsten der Wissenschaft. Aber es gibt logischerweise die Forderung auch, dass Autor:innen ihre Rechte behalten. Es gibt jetzt eine Opt-In-Diskussion, die glaube ich, noch nicht ausgereift ist. Aber was natürlich schon stark praktiziert wird, das ist Open Access mit Creative Commons-Lizenzen, wo Autor:innen ihr Copyright behalten und selbst die Nutzungsbedingungen bestimmen. Und das ist einer der stärksten Gründe, finde ich für Open Access und gleichzeitig der Kern dessen, was wir in unserem Projekt angehen. Also so offen wie möglich, so geschützt wie nötig. Also nicht weniger Offenheit, sondern ein klügeres rechtliches Design. Das ist, glaube ich, ein ganz guter Weg.

[00:27:41] Doreen Siegfried:
Und wenn ich jetzt sozusagen Forscherin bin und jetzt mich noch gar nicht so sehr mit dem Thema beschäftigt habe, aber ich habe irgendwo mal gehört, in einem Podcast mit Mari Alavi „Oh Gott, oh Gott. Ich könnte hier eventuell was falsch machen und es könnte für forschungsfremde Zwecke genutzt werden“. Also, wie kann ich dann tatsächlich vielleicht als Anfängerin abwägen, welche Ergebnisse, Daten, Methoden usw. ich offen teile und was ich vielleicht aus rechtlichen, ethischen oder sicherheitsbezogenen Gründen eher schützen muss? Gibt es da irgendwie so eine Handreichung oder hast Du da einen Tipp, wie Forschende damit umgehen können?

[00:28:19] Marie Alavi:
Ja. Also Forschende selbst können all diese Fragen nicht beantworten. Das war uns sehr schnell klar, auch im Projekt. Und auch, also finde ich in der täglichen Praxis einem jeden. Und grundsätzlich ist wahrscheinlich der wichtigste Ratschlag: Früh fragen. Also, nicht erst nach der Publikation, sondern schon in der Forschungsplanung. Und deswegen ist auch das Thema Data Management Plan sehr wichtig, weil schon hier diese Themen eigentlich angegangen werden sollten. Wen fragen? Also Institutionen haben oft Technologietransfer Büros, die bei der Einschätzung helfen können, ob IP-relevante Daten es geben wird. Es gibt Research Offices. Bibliotheken können sehr oft helfen hinsichtlich Lizenzen, Datenschutzbeauftragte oder Jurist:innen. Und es werden auch Projektmanager:innen zunehmend in diesen Fragen ausgebildet. Dann würde ich sagen, einiges an Wissen sollten Forschende natürlich selbst haben. Zum Beispiel hinsichtlich des Umgangs mit personenbezogenen Daten. Dafür kann man schon, finde ich, gut sensibilisieren. Man sollte die DSGVO prüfen. Man sollte zum Beispiel wissen, dass man eine Einverständniserklärung braucht, wenn man Daten erhebt.

[00:29:36] Doreen Siegfried:
Ich glaube, das wissen die meisten.

[00:29:39] Marie Alavi:
Richtig. Das ist so das Grundwissen, finde ich. Wenn man in einer Kooperation mit Industrie ist, dann sollte man natürlich die Verträge prüfen. Oder wenn es sich zum Beispiel um Daten oder Methoden handelt, die andere reproduzieren sollen. Dann ist das ein Indiz für offen teilen. Aber wie gesagt, Forschende können nicht all diese Fragen selbst beantworten und deswegen wurde mit dem Projekt IP4OS noch eine weitere Hilfestellung entwickelt. Weil heute die Kontextmöglichkeiten der Öffnung und des Schutzes sehr mannigfaltig sind, weil es da auch auf das individuelle Projekt immer ankommt. Also welche Partner und welche Nationen usw. Und deshalb haben wir das Konzept der sogenannten multiprofessionellen Teams entwickelt. Also beratende Teams in einzelnen Organisationen, die aus verschiedenen Professionen bestehen. Eben aus Forschungsmanagement, Bibliothek, Wissenstransfer. Aber auch jemand, der für Open Science einsteht. Und die beraten Forschende hinsichtlich ihrer spezifischen Planung aus ihrem jeweiligen Fachwissen heraus in einem Dialog mit den anderen Expertisen. Und wichtig ist in dem Kontext, dass die Expertise vor allem in beiden Bereichen vorhanden ist, also Open Science und Intellectual Property muss jemand in diesem Team vertreten, um eine bestmögliche Lösung zu suchen. Eben nach diesem Prinzip: so offen wie möglich, so geschlossen wie nötig.

[00:31:16] Doreen Siegfried:
Ja. Ja, okay. Es ist recht komplex. Wie bei vielen anderen Sachen auch, braucht man quasi so mehrere Gewerke, nenne ich sie mal.

[00:31:27] Marie Alavi:
Ja, genau.

[00:31:27] Doreen Siegfried:
Ich höre in vielen Diskussionen, häufig wird Open Science auch als Gegenmodell zu geistigem Eigentum verstanden. Und Du hast Dich ja auch, gerade nicht nur in Deinem Projekt, sondern generell in Deiner Forschungstätigkeit mit dem Thema beschäftigt. Wie würdest Du denn dieses Thema oder dieses Verhältnis beschreiben? Also inwieweit sind Open Science und Intellectual Property miteinander vereinbar und wo können sie sich vielleicht sogar ergänzen?

[00:31:55] Marie Alavi:
Genau. Also oft, das hatten wir festgestellt, gibt es ein falsches Verständnis von Open Science und geistigem Eigentum. Und dieses Verständnis haben wir im Projekt recht ausgiebig untersucht und dazu auch ein sehr kompaktes Handbuch, das Synergy Framework, veröffentlicht. Das sind, glaube ich, um die neun Seiten, in welchem eben über dieses Missverständnis, das seien Gegensätze, aufgeklärt wird. Jetzt, worum geht es hier und wo gibt es Vereinbarkeit? Der Satz „Geistiges Eigentum schützt, Open Science teilt“ das klingt erstmal nach Gegensatz, ne? Und ich habe auch mal den Ausdruck „They are deadly enemies“ gehört.

[00:32:35] Doreen Siegfried:
Okay. Ja.

[00:32:36] Marie Alavi:
In der Praxis gibt es auch tatsächlich wirkliche Reibungspunkte, wo man sich das ganze eher oberflächlich anguckt. Also die Nachnutzung wird zum Beispiel durch Patente reglementiert. Das sage ich jetzt absichtlich so negativ und erkläre das gleich. Oder das Thema mit Verlagen Copyrights, was wir hatten. Paywalls usw. Aber was wir wissen müssen, und das ist die wichtigste Aufgabe von IP4OS, dass beide Konzepte eigentlich auf dasselbe Ziel ausgerichtet sind, Wissen zu teilen. Also das war auch für mich ein Learning am Anfang. Geistige Eigentumsrechte wurden aber nicht erfunden, um Wissen zu sperren.

[00:33:15] Doreen Siegfried:
Ja

[00:33:15] Marie Alavi:
Sondern um eine Verbreitung zu ermöglichen, reguliert zu ermöglichen. Zum Beispiel durch zeitlich begrenzten Schutz im Tausch gegen Offenlegung, oder durch Definition wie oder wozu Daten oder Innovationen weiter genutzt werden dürfen. Und das Hauptprinzip der Open Science, so offen wie möglich und so geschlossen oder geschützt wie nötig, erfordert ja genau diese Funktionen eigentlich, die mit geistigen Eigentumsrechten kommen. Das heißt auch, dass wir betonen müssen, dass Open Science nie die Forderung nach maximaler Offenheit war, sondern diese Bedachtheit nach Schutz auch immer mitgedacht war. Und mit geistigen Eigentumsrechten kommen diese Mechanismen einer regulierten Nutzung oder Wiederverwertung mit. Heißt, die beiden schließen sich nicht aus, sondern sie ergänzen sich. Und, ich finde, genauso wie Open Science Mechanismen hat, wie zum Beispiel die FAIR-Principles, so hat auch das Schutzkonzept Mechanismen. Dazu zählen zum Beispiel die Creative-Commons-Lizenzen, die zwar kein geistiges Eigentumsrecht an sich sind, aber sie sind ein rechtliches Instrument zur Regelung von Eigentumsrechten. Jedenfalls dank dessen behalten Urheber ihr Urheberrecht und erteilen den Nachnutzenden aber im Voraus die Erlaubnis, ihr Werk unter bestimmten Bedingungen zu nutzen oder weiterzugeben.

[00:34:43] Doreen Siegfried:
Ja.

[00:34:43] Marie Alavi:
Da gibt es verschiedene Abstufungen im Bereich Copyright. Es gibt auch offene Lizenzen, zum Beispiel offene Hardwaredesigns. Die schützen zum Beispiel davor, dass andere dasselbe Material proprietär sperren. Patente geben ein zeitlich begrenztes Exklusivrecht auf eine Erfindung. In der Zeit darf nur der Patentinhaber die Erfindung kommerziell nutzen oder verkaufen. Und die Bedingung für den Schutz ist aber, dass ich nach der Registrierung des Patents die Erfindung vollständig offenlege. Also wer ein Patent anmeldet, macht seine Erfindung per Definition eigentlich zugänglich. Nur die kommerzielle Nutzung bleibt exklusiv und für eine bestimmte Zeit bei den Rechteinhabern.

[00:35:30] Doreen Siegfried:
Hört sich eigentlich ganz gut an.

[00:35:33] Marie Alavi:
Ja, ja.

[00:35:33] Doreen Siegfried:
[lacht]

[00:35:34] Marie Alavi:
Ein riesen Learning für mich.

[0:35:36] Doreen Siegfried:
Ja. Also, IP4OS, Du hast es ja schon mehrfach genannt. Das sagt ja eigentlich schon alles. Also, IP für Intellectual Property. For OS, also Open Science. Da ist ja eigentlich schon sozusagen die Steigbügelhaltung im Namen inkludiert. Lass uns doch da mal kurz ein bisschen näher drüber reden über dieses Projekt. Also hier werden Open Science und geistiges Eigentum miteinander verbunden. Vielleicht kannst Du noch mal kurz schildern, was war der Ausgangspunkt des Projektes und welches Problem möchtet ihr lösen und was gibt es vielleicht auch schon für Rückmeldungen, so aus den ersten Pilotierungen?

[00:36:17] Marie Alavi:
Also der Ausgangspunkt war eine sehr spezifische Frage der Europäischen Kommission, nämlich „How can IP boost Open Science?“

[00:36:26] Doreen Siegfried:
Ja.

[00:36:26] Marie Alavi:
Wie Du es auch gerade so schön formuliert hast. Und dahinter steckt meiner Ansicht nach die Anerkennung von Open Science als ein wichtiges Instrument, um europäische Forschung voranzubringen. Wissen wird geteilt, damit andere darauf aufbauen können. Wissen zirkuliert, damit andere ihre Expertise beisteuern können, Kollaborationen entstehen usw. Und deshalb ist es sinnvoll, Open Science zu fördern. Und dieser Boostereffekt entsteht nicht durch das Teilen von Wissen allein, sondern durch strategisches Teilen, was ich gerade so angedeutet habe. Und genau zu wissen, wo ich teilen soll, weil das schon der Mehrwert an sich bietet. Und wo ich möglicherweise geistige Eigentumsrechte anwenden soll, aus verschiedenen Gründen zum Schutz von bestimmten Daten oder wenn man bestimmte Regeln für die Nachnutzung setzen möchte. Aber wichtig ist mir zu sagen, dass diese Nachnutzbarkeit eben dank Intellectual Property gegeben ist und eben nicht gesperrt. Und diese Gedanken und also diese Strategien führen zu einer wirkungsvollen Valorisierung von Forschungswissen. Also die Übersetzung von Wissen in gesellschaftlich oder wirtschaftlich relevante Wirkung. Und das geschieht durch diese Synergie von Intellectual Property und Open Science, weil man sie strategisch zusammenbringt. Eben so offen wie möglich und so geschlossen wie nötig. Also eine starke Valorisierung von Forschungswissen, das ist die eigentliche Aufgabe von IP4OS. Und Open Science und IP sind das Mittel dazu sozusagen. Und wir haben dann im Projekt mit einem wissenstechnisch sehr gut aufgestellten Konsortium, das wirklich all diese Bereiche adressieren konnte, die beiden Konzepte untersucht und die Ergebnisse wurden dann eben in diesem Synergy Framework festgehalten. Aber dann haben wir auch noch Konzepte und Materialien entwickelt, um die Synergie von Intellectual Property und Open Science auch anderen zugänglich zu machen. Und dafür sind drei Dinge zentral. Einerseits haben wir ein EU-weites Training innerhalb von Forschungsorganisationen durchgeführt, wodurch in jedem Mitgliedstaat diese beratenden, multiprofessionellen Teams aufgebaut wurden. Und die nehmen dann als Piloten dieses konzentrierten, synergetischen Konzepts an dem Training teil und können danach Beratungen für ihre Forschenden durchführen. Zweitens ist eine sogenannte IP4OS-Toolbox entstanden, die aus Infomaterial besteht und auch sehr innovativen, finde ich, Guidance Tools, die natürlich auch offen zugänglich sind. Und drittens wurden in dem Projekt auch konkrete Anwendungsbeispiele zusammengetragen. Das hat mir sehr geholfen, die Praxis kennenzulernen. Wo wird schon IP und Open Science zusammengedacht? Und da gibt es einige verschiedene Verfahren, zum Beispiel eine abgestufte Lizenzierung wo verschiedene Outputs, verschiedene Lizenzen je nach Verwertungsziel erhalten. Oder eine andere Methode ist auch, dass Grundlagendaten und Methoden vollständig offengelegt werden während der Entwicklung, bevor Wettbewerb eigentlich entsteht. Und das senkt die Kosten für alle und schafft erst die Basis, auf der einzelne Partner später geschützte Produkte entwickeln können. Und hier ist, finde ich wow, der Effekt von Open Science ja so gut sichtbar. Und die Rückmeldungen bisher waren positiv. Wir haben etwa noch fünf Mitgliedstaaten zu absolvieren, aber bisher war es insoweit als… oder wurde es als hilfreich empfunden, weil viele diese einzelnen Posten schon hatten Transferzentren, Bibliotheken usw. Aber sie haben noch nicht miteinander kommuniziert. Und durch das Konzept kommen sie miteinander in Kontakt und können auch Infrastrukturen etablieren, um diese Beratungen dann auch intern durchzuführen. Oft gibt es auch Rückmeldungen, dass diese Tools und die Beispiele, die ich genannt habe, sehr gute oder die nötigen Schubser waren, …

[00:40:53] Doreen Siegfried:
Ah, ja.

[00:40:53] Marie Alavi:
…, um die vorher so schwer zu greifende Materie in der Praxis umzusetzen. Und eben diesen sich gegenseitig befördernden Einsatz von IP und OS zu fassen. Und, ich glaube, es ist auch, also es ist didaktisch sehr, sehr gut aufgebaut und es ist auch sehr praxisorientiert. Das heißt, der Transfer kann wirklich sehr gut gelingen, auch in unterschiedlichen Mitgliedstaaten und in unterschiedlichen Disziplinen.

[00:41:22] Doreen Siegfried:
Okay. Da habe ich jetzt konkret eine Frage. Also, diese ganzen Sachen, die Du jetzt genannt hast: Die Toolbox und die Handzettel usw. Die finde ich alle auf Eurer Webseite oder wo finde ich die?

[00:41:34] Marie Alavi:
Genau. Ja, also die finden sich auf der Webseite. Aber der Nachhaltigkeit wegen finden sie sich vor allem in der Zenodo-Community. Also IP4OS hat eine eigene Community auf Zenodo und da werden eigentlich alle Outputs offen zugänglich gemacht und so eben auch die Toolbox.

[00:41:53] Doreen Siegfried:
Okay, also kleiner Exkurs hier für unsere Zuhörerinnen und Zuhörer. Wir packen diese ganzen Links zu Zenodo, packen wir alle in die Shownotes. Und du hattest jetzt gerade gesagt, es ist interessant für die unterschiedlichen Mitgliedsstaaten, aber auch schon für die unterschiedlichen Disziplinen. Noch mal ganz kurz. Also die Leute, die jetzt Lust haben, auf Zenodo nachzuschauen und sich die Toolbox usw. anzuschauen. Also wem empfiehlst Du das am intensivsten? Also, für wen ist es gemacht? Und ist es auch was für Wirtschaftsforschende?

[00:42:29] Marie Alavi:
Ja. Also, genau. Es ist für alle Disziplinen. Es ist inhaltlich nicht reglementiert. Sondern es ist eher ein konzeptuelles Material, …

[00:42:45] Doreen Siegfried:
Ja.

[00:42:46] Marie Alavi:
… welches dann eben die Leserinnen und Leser dazu befähigt, selber so ein Team zu etablieren oder auch nicht alleine diese Tools zu nutzen usw. Und wem ich das empfehlen würde. Also es ist für Individuen einerseits. Es ist sowohl für Forschende geeignet, weil schon Forschende selbst, ich sage jetzt zum Beispiel ein Tool, die Valorisation Rubric, zur Hand nehmen können, an der sie Schritt für Schritt ableiten können, „Okay, ich werde diese Intellectual Assets, also diese geistigen Eigentumsgüter entwickeln. Und ich mache mir jetzt schon Gedanken über Offenheit oder eben welche Eigentumsrechte ich da anwenden möchte.“ Und das kann man nicht also final festlegen. Dazu ist schon eine Beratung sehr wichtig. Aber man kann schon die ersten Schritte gehen. Oder es gibt die FAIR-R²L Rubric, die befähigt mich, meine Daten nicht nur technisch FAIR zu haben, sondern auch mit Lizenzen zu versehen. Wenn wir jetzt an das Thema Metadaten denken, ist es eigentlich großartig, wenn Lizenzen bei jedem einzelnen Forschungsartefakt – Du hast es vorher genannt Daten, Codes, Workflows – Protokolle mitgedacht werden und mit generiert werden. Damit man das später, ob Du das jetzt auf Zenodo publizierst, die Auffindbarkeit zu ermöglichen, aber auch das Thema, was wir vorher hatten, nämlich maschinelle Verwendung.

[00:44:20] Doreen Siegfried:
Ja.

[00:44:20] Marie Alavi:
Also wenn diese Metadaten vorhanden sind, dann stellen wir uns künftig vielleicht weniger problematische KI-Fragen, wenn wir eben technisch diese Sicherheiten einbauen. Also es ist für Forschende, es ist natürlich für Data Manager, es ist für die Bibliotheken, es ist für die Transferbüros, also da heißen die Personen im Englischen Knowledge Technology Transfer Professionals (KTOs und TTOs), für Datenschutzbeauftragte usw. Es ist aber auch für Institutionen geeignet. Also eine Institution muss sich auch dafür entscheiden, so ein Team zu etablieren.

[00:45:04] Doreen Siegfried:
Ja.

[00:45:05] Marie Alavi:
Da geht es auch um zeitliche Ressourcen. Es ist aber nirgendwo reglementiert, da muss ein Team wöchentlich drei Stunden zusammensitzen, sondern es kann sein, dass sie einmal im Monat eine Stunde zusammensitzen. Und es kann auch sein, dass sie die Beratungen einmalig durchführen. Es kann aber auch sein, dass sie ein Projekt länger begleiten, wie eben auch sie sich selber dafür entscheiden, aber auch die Institution.

[00:45:32] Doreen Siegfried:
Ja okay. Das führt mich gleich zu der nächsten Frage. Nämlich wenn wir über multiprofessionelle Teams sprechen. Welche Empfehlung hast Du denn gerade für solche sehr bunt aufgestellten Teams aus unterschiedlichen …, mit unterschiedlichen Ausbildungen, Hintergründen usw., die sich jetzt in diesem Feld neu aufstellen wollen? Also wo es noch gar keine etablierten Workflows gibt. Also was sollten diese multiprofessionellen Teams beachten? Und was sind so typische Fehler, die sie vielleicht vermeiden sollten?

[00:46:03] Marie Alavi:
Also Fehler, glaube ich, kann man keine adressieren. Es sind alles Piloten und es werden auch in den nächsten Monaten Piloten sein, die sich auch selber etablieren. Und sie müssen selbst ihre Arbeitsweise finden. Und sie müssen auch entscheiden, wie viele zeitliche personelle Ressourcen, was ich gerade gesagt habe, investieren wollen. Und dazu, finde ich, ist es eben wichtig, den Nutzen erkennen, was ich vorhin meinte. Wissen, Annäherung an diese Policy Agenda, diese European Research Area Policy Agenda, Sichtbarkeit für die Institution, effektive Strategien zur Wissensvalorisierung. Das ist der Mehrwert, den man erkennen muss. Und für künftige Teams kann ich empfehlen, dass sie Gebrauch machen, einerseits von den Ressourcen. Man ist in der Lage, auch selbst ein Team zu etablieren, wenn man sich den Guide durchliest. Und das Wissen wird auch fortgeführt. Zum Beispiel hat die European Knowledge Valorisation Plattform erst letzte Woche eines über den Newsletter bekannt gemacht und auch andere größere Organisationen haben teilweise die Materialien bei sich integriert, so dass das schon auch in der Forschungslandschaft lebendig bleibt. Und einige unserer Partner werden auch nach Projektende weiterhin als Kontaktpunkte bestehen, um eventuell irgendwelche Ratschläge zu geben. Also natürlich nicht eine komplette Beratung und es wird wahrscheinlich auch modifiziert werden. Aber die Anschlusspunkte sind da und die Teams, die gerade etabliert werden in jedem Mitgliedsstaat, dadurch entsteht ja auch eine informierte Community of Practice. Also man kann sich schon auch irgendwann vernetzen.

[00:47:55] Doreen Siegfried:
Ja, okay. Und wenn Du jetzt die ersten Piloten Dir anguckst, die es ja schon gibt. Also stellst Du denn irgendwo noch Lücken fest, wo Du sagst, okay, in diesen ganzen multiprofessionellen Teams, da gibt es noch so eine Person, die hätten wir jetzt gerne noch, die noch das Thema XY (was auch immer das ist) …

[00:48:14] Marie Alavi:
Ja.

[00:48:15] Doreen Siegfried:
…decken sollte. Gibt es sowas?

[00:48:18] Marie Alavi:
Ja. Genau. Also, es ist sowohl für diejenigen Personen, die wir empfehlen, oder Expertisen, die wir empfehlen, auch da gibt es keine feste Vorgabe. Es können auch weniger sein, es können auch mehr sein und neue hinzukommen. Weniger können es sein, wenn die Institution all diese Personen nicht stemmen kann. Also, wir empfehlen momentan vier. Es können weniger sein. Wichtig ist, dass jemand da ist, der IP und der Open Science irgendwie greifen kann, weil sie so zusammenwirken. Und es können aber auch andere Expertisen hinzukommen, zum Beispiel Ethiker.

[00:48:58] Doreen Siegfried:
Ja.

[00:48:59] Marie Alavi:
Das haben wir relativ schnell festgestellt. Das könnte in vielen Disziplinen der Fall sein. Statt Datenschutzbeauftragten können auch Juristinnen und Juristen mit hinzugenommen werden. Wir haben an der Kieler Uni schon den allerersten Piloten etabliert. Da haben wir zum Beispiel bei den Projektmanagern jemanden für die nationale, jemanden für die internationale Forschungsförderung. Also es ist unterschiedlich. Wichtig ist, dass das Team in einen Dialog kommen kann mit dem Forschenden und eben diese Spektrum vorhanden ist an Wissen.

[00:49:36] Doreen Siegfried:
Ja, okay. Letzte Frage Marie. Was wäre aus Deiner Sicht, was wären so drei konkrete Tipps für Forschungsorganisationen, die jetzt tatsächlich diese beiden Themen Open Science und geistiges Eigentum in der Praxis besser zusammenbringen sollen, außer dass sie natürlich alles lesen sollen, was auf Zenodo gelegen ist.

[00:50:02]
[beide lachen]

[00:50:02] Doreen Siegfried:
Also, was wären so drei konkrete Tipps?

[00:50:04] Marie Alavi:
Also mein erster Tipp wäre auf jeden Fall das Learning.

[00:50:08] Doreen Siegfried:
Ja.

[00:50:08] Marie Alavi:
Also den Schritt zu machen und zu verstehen, wie hilfreich das Teilen und Zirkulieren von Wissen ist, um Forschung und Innovation zu fördern und gleichzeitig die Synergie mit dem Schutz des geistigen Eigentums zu verstehen. Und diese Überwindung des Denkens, dass alles offen oder geschützt sein soll, sollte man machen. Sondern man sollte erkennen, dass es sehr effektive und abgestufte Strategien gibt, um die beiden Konzepte optimal zusammenwirken zu lassen. Und wenn man soweit ist, dann auf jeden Fall Intellectual Property und Open Science schon klar in der Forschungsplanung, also im Data Management Plan, verankern. Nicht erst nach der Publikation bedenken. Und all diese Gedanken drehen sich um das höhere Ziel, das IP4OS eigentlich vermitteln möchte und das jedes Projekt an oberster Stelle haben sollte, nämlich effektive Strategien zur Valorisierung des Forschungswissens zu wissen. Das ist oft nicht im Fokus. Im Fokus ist oft die letzte Innovation, die Technologie oder was auch immer oder die Publikation. Aber was ist der Mehrwert, den ich schaffen möchte für die Gesellschaft, für die Wissenschaft, für die Wirtschaft? Auch das ist völlig legitim. Und mein zweiter Tipp wäre, die multiprofessionellen Beratungsteams aufzubauen, weil es keine einzelne Person beantworten kann. Und die meisten Institutionen haben schon die nötigen Expertisen, müssen sie nur zusammenbringen. Und drittens, konkret in der Umsetzung die Lizenzierung strategisch mitdenken. Also nicht in diesem Entweder-Oder-Paradigma leben. Weder alles offen noch alles geschützt ist die richtige Antwort. Sondern verschiedene Forschungsartefakte (Rohdaten, Codes, Methoden, Endresultate, Software) können unterschiedliche Lizenzen erhalten, je nach dem Verwertungsziel, den man eben definieren sollte vorab. Da helfen eben diese Tools, diese Valorisation Rubric und diese FAIR-R²L-Checkliste, das Ganze systematisch zu erfassen.

[00:52:21] Doreen Siegfried:
Ja, super. Vielen Dank. Also dann würde ich sagen, machen wir hier den Cut. Jetzt müssen alle, jetzt müssen alle erstmal ans Lesen kommen. Vielen Dank, Marie. Vielen Dank auch an Sie an den Kopfhörern. Ich hoffe, es hat Ihnen gefallen. Lassen Sie uns gern Lob oder Kritik da, sei es via E-Mail, Mastodon, YouTube oder LinkedIn. Und wir freuen uns natürlich auch, wenn Sie uns abonnieren. Und ich freue mich aufs nächste Mal.