EINLEITUNG

Die zunehmende Verfügbarkeit von Daten im Fußball ermöglicht detailliertere Analysen (Bassek et al., 2025; Memmert, 2025). Unterschiede in Datenformaten oder das ausschließliche Vorhandensein von Videoaufnahmen erschweren jedoch die Anwendung (Memmert, 2024). Zwei DFG-Projekte adressieren diese Herausforderungen durch die Entwicklung einer Software zur vereinfachten Nutzung von Ereignis- und Positionsdaten (ME 2678/43-1) sowie einer Plattform zur KI-gestützten Analyse von Sportvideos (ME 2678/49-1).

METHODE

Floodlight, ein Python-Package zur strukturierten Analyse von Sportdaten, standardisiert die Verarbeitung von Positions- und Ereignisdaten aus verschiedenen Quellen (Raabe et al., 2022). SportVid ist eine KI-basierte Plattform zur Videoanalyse und ermöglicht die KI-gestützte Extraktion von Positionsdaten und die Suche nach spezifischen Spielszenen.

ERGEBNISSE

Floodlight erlaubt das Laden, Integrieren und Verarbeiten von Positions- und Ereignisdaten aus verschiedenen Quellen. Es bietet eine standardisierte Struktur zur Datenverarbeitung und erleichtert die Kombination unterschiedlicher Formate. Zudem stellt es eine Schnittstelle für die automatisierte Berechnung von Leistungsindikatoren bereit, die zur taktischen Analyse genutzt werden können (Memmert & Raabe, 2023). SportVid ermöglicht die inhaltsbasierte Videosuche und die automatisierte Extraktion von Positionsdaten aus Videomaterial. Trainer:innen und Wissenschaftler:innen können damit gezielt Spielszenen analysieren, Bewegungsmuster erfassen und Vergleiche zwischen unterschiedlichen Spielsituationen ziehen. Die extrahierten Daten lassen sich mit Floodlight weiterverarbeiten, um umfassende Analysen zur Spielleistung durchzuführen.

DISKUSSION

Beide Tools tragen zur Digitalisierung der Sportwissenschaft bei, indem sie die Nutzung und Analyse von Sportdaten erleichtern. Dennoch fehlt es weiterhin an offenen und standardisierten Datenquellen, die eine breitere Anwendung, innovative Forschung und datenbasierte Entscheidungsprozesse fördern. Zukünftige Entwicklungen sollten sich auf die Integration weiterer offener Datenquellen und eine verbesserte Interoperabilität konzentrieren.

LITERATUR

Bassek, M., Rein, R., Weber, H., & Memmert, D. (2025). An integrated dataset of spatiotemporal and event data in elite soccer. Scientific Data, 12(1), 195.

Memmert, D. (Hrsg.). (2024). Computer Science in Sport: Modeling, Simulation, Data Analysis and Visualization of Sports-Related Data. Springer.

Memmert, D. (Hrsg.). (2025). Artificial Intelligence & Machine Learning in Sports Science. Springer.

Memmert, D., & Raabe, D. (2023). Data Analytics in Football. Positional Data Collection, Modelling and Analysis (3. Aufl.). Routledge.

Raabe, D., Biermann, H., Bassek, M., Wohlan, M., Komitova, R., Rein, R., Kuppens Groot, T., & Memmert, D. (2022). floodlight - A high-level, data-driven sports analytics framework. Journal of Open Source Software, 7(76), 4588.

EINLEITUNG

Persistente Identifikatoren (PID), wie z. B. DOI für Zeitschriftenbeiträge oder ORCID für Forschende, sind notwendig, um die FAIRifizierung wissenschaftlicher Artefakte voranzutreiben (Wilkinson et al., 2016). PIDs dienen neben der eindeutigen Identifikation eines digitalen Objektes u. a. auch dazu, Interoperabilität zwischen verschiedenen Systemen herzustellen oder die zu identifizierenden Objekte überhaupt auffindbar zu machen. Daten zu Sportstätten, wie z. B. bezüglich Ausstattung, Sanierungszustand, Energieeffizienz und verwendete Fördermittel, sind in unterschiedlichsten Datenbanken bzw. Repositorien vorhanden. Es bestehen allerdings bisher kaum Möglichkeiten, diese Datenbestände zu verknüpfen und die Daten zu „matchen“, weil bisher keine PID für Sportstätten existiert. Der Anwendungsfall PIDs für Sportstätten und die damit verbundene Vernetzung von Informationen und Wissen hat daher eine große Bedeutung für die Sportwissenschaft. Gleichzeitig sind PIDs für Sportstätten für alle Akteure mit Bezug zu Sportstätten von großer Relevanz.

METHODE

Das Vorgehen umfasst drei zentrale Schritte: (1) Sichtung und Analyse bestehender Sportstättendatenbanken und ihrer Datenmodelle; (2) Erhebung und Analyse des aktuellen Standes im Bereich wissenschaftlicher Dateninfrastrukturen, Metadatenstandards, PID-Provider und Governance-Modellen anhand folgender Methoden: Literaturrecherche, Experteninterviews; (3) Entwicklung eines Konzeptes, Entwurf eines Kern-Metadatenschemas und Tests anhand der Methode von Prototyping, Test, Evaluation & Adaptation.

ERGEBNIS

Im Rahmen eines BISp-geförderten Projekts wurde ein Konzept und ein Prototyp zur Umsetzung von PIDs für Sportstätten entwickelt und in konkreten Anwendungsfeldern bereits prototypisch in Nutzung gebracht. Dabei wurde u. a. ein Metadatenschema für Sportstätten entwickelt und verschiedene Use-Cases ausgearbeitet. Der Prozess der PID-Erstellung für Sportstätten wird anhand verschiedener Beispiele aufgezeigt, so werden verschiedene PID-Provider vorgestellt und deren Vor- und Nachteile mit Bezug zur Vergabe eine Sportstätten-PID abgewogen. Abschließend wird ein Ausblick auf die Möglichkeiten einer flächendeckenden Umsetzung des Konzepts gegeben.

DISKUSSION

PID stellen eine zentrale Notwendigkeit eines Sport(stätten)-Datenökosystems dar. Relevant ist eine Verknüpfung zu Institutionen und Konzepten außerhalb der Sportwissenschaft, wie z. B. dem Open Research Knowledge Graph und die Verbindung zum DOI-System.

LITERATUR

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., & Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific data, 3(1), 1–9.

EINLEITUNG

Das Research Data Center Motor Performance (RDC) ist das erste sportwissenschaftliche Forschungsdatenzentrum (FDZ), dass eine neue Zielgruppe anspricht, die bisher wenig Berührungspunkte mit Open Data und Open Science hatte. Diese Arbeit untersucht, welche Themen und Problemfelder in bestehenden FDZs regelmäßig auftreten, um effektive und nutzerorientierte Supportstrukturen zu entwickeln. Ziel ist es, zentrale Anforderungen und Herausforderungen zu identifizieren, die für die Entwicklung eines funktionalen Supportbereichs relevant sind, basierend auf bestehenden Supportdokumentationen und Expert:inneninterviews.

METHODE

Die Untersuchung im Frühjahr 2025 kombiniert zwei qualitative Verfahren: eine thematische Analyse zur systematischen Auswertung von FAQ- und Support-Seiten ausgewählter FDZs sowie eine anschließende qualitative Inhaltsanalyse von Interviews mit zwei FDZ-Vertretern. Die thematische Analyse dient der Identifikation übergeordneter Themenbereiche, die als Struktur für die Interviewleitfäden verwendet werden. Die Interviews werden inhaltsanalytisch ausgewertet, um die gewonnenen Themen durch praktische Perspektiven zu ergänzen.

ERGEBNIS

Die thematische Analyse führte zur Identifikation von fünf übergeordneten Themenfeldern: Datennutzung, Kosten, technische Basis, Sicherheit und Zitation. Erste Ergebnisse aus den Interviews bestätigen die Relevanz dieser Themenbereiche, zeigen jedoch zugleich die Grenzen einer rein schriftlichen FAQ- oder Supportstruktur auf. Eine mehrstufige Supportstruktur, bei der eine gut strukturierte FAQ grundlegende Fragen abdeckt und bei Bedarf schnell in persönliche Unterstützung übergeleitet werden kann, wird als besonders wirksam beschrieben. Entscheidend ist, dass das gesamte System konsequent an den Bedarfen und Vorkenntnissen der Nutzenden ausgerichtet ist. Die vollständigen Ergebnisse werden im Spätsommer 2025 vorliegen.

DISKUSSION

Die Kombination beider Methoden erweist sich als sinnvoll, da durch die thematische Analyse zentrale Fragestellungen klar strukturiert werden können, während die qualitative Inhaltsanalyse praxisnahe Einblicke und kontextbezogene Vertiefungen ermöglicht. Die bisherigen Ergebnisse bieten einen ersten Blick auf die Ausgestaltung der Supportstruktur, müssen jedoch nach Abschluss der Untersuchung bestätigt werden.

EINLEITUNG

Der verantwortungsvolle Umgang mit sensiblen Daten stellt eine zentrale Herausforderung für die Sportwissenschaft dar, insbesondere im Kontext einer zunehmend datengetriebenen Forschung und dem Anspruch, den Prinzipien von Open Science zu folgen. Trotz der zentralen Bedeutung von Datenschutz und Datenmanagement zeigt sich ein erheblicher Forschungsbedarf hinsichtlich standardisierter und praktikabler Lösungen. Die Arbeitsgruppe „Sensible Daten“ des dvs ad-hoc-Ausschusses „Forschungsdatenmanagement“ widmet sich diesen Fragestellungen und untersucht praxisorientierte Ansätze für den Umgang mit sensiblen Daten. Ziel des Beitrags ist es, einen Überblick über zentrale Themen wie die Definition sensibler Daten, deren rechtssichere Verarbeitung und Best Practices zu geben.

METHODE

Der Beitrag basiert auf den Ergebnissen der Arbeitsgruppe „Sensible Daten“, welche systematisch aktuelle Herausforderungen und bestehende Unsicherheiten im Umgang mit sensiblen Daten analysiert hat. Hierfür wurden die rechtlichen Rahmenbedingungen gemäß DSGVO und BDSG evaluiert, Fachliteratur gesichtet und praktische Erfahrungen aus der Sportwissenschaft in Form einer Befragung (Keller et al., 2025) ausgewertet. Als Ergebnis entstanden mehrere Fact Sheets, die Forschende mit konkreten Handlungsempfehlungen und Beispielen für datenschutzkonformes Forschungsdatenmanagement unterstützen.

ERGEBNISSE

Die entwickelten Fact Sheets umfassen vier zentrale Themenfelder: (1) die präzise Definition und Identifikation sensibler Daten, (2) empfohlene Verfahren der Anonymisierung und Pseudonymisierung, (3) Best-Practice-Beispiele, die kollaboratives Arbeiten ermöglichen, und (4) die Berücksichtigung rechtlicher Anforderungen entlang des gesamten Forschungsprozesses.

DISKUSSION

Die entwickelten Fact Sheets bieten wertvolle Orientierungshilfen und tragen zur Klärung zentraler Fragen im Umgang mit sensiblen Daten bei. Dennoch bleiben Herausforderungen wie die interdisziplinäre Harmonisierung von Standards und die praktische Umsetzung der rechtlichen Rahmenbedingungen bestehen. Der Beitrag schließt mit der Erkenntnis, dass eine enge Zusammenarbeit zwischen Forschenden, Datenschutzbeauftragten und weiteren Stakeholdern notwendig ist, um nachhaltige und rechtssichere Lösungen zu etablieren. Perspektivisch sind weitere Forschungen notwendig, um bestehende Lücken zu schließen und die Qualitätssicherung im Umgang mit sensiblen Daten weiter zu verbessern.

LITERATUR

Keller, K., Pleger, A., Niessner, C., Ueding, E., & Krüger, M. (2025). The status quo of research data management in the German-speaking sports sciences—Results of an online pilot survey. German Journal of Exercise and Sport Research. https://doi.org/10.1007/s12662-025-01033-0

EINLEITUNG

Forschungsdatenmanagement (FDM) ist ein zentraler Bestandteil wissenschaftlicher Arbeit und gewinnt zunehmend an Bedeutung. Es umfasst die Organisation, Speicherung, Bereitstellung und Nachnutzung von Forschungsdaten im Sinne der FAIR-Prinzipien (FORCE 11, 2014). Eine kürzlich publizierte Umfrage zum Status Quo im FDM in der deutschsprachigen Sportwissenschaft ergab, dass ein breites Wissen über FDM-Richtlinien sowie Plattformen für ein nachhaltiges FDM besteht (Keller, et al., 2025). Gleichzeitig gaben jedoch auch 70 % der teilnehmenden Forschenden an, sich mehr Wissen über Best-Practices im FDM in der Sportwissenschaft zu wünschen. Der Vortrag gibt einen Überblick über die erarbeiteten Best-Practices im Rahmen des dvs ad-hoc-Ausschusses „Forschungsdatenmanagement“.

METHODE

Zur Erarbeitung von Best Practices im FDM wurden bestehende Standards, Leitlinien und Repositorien analysiert. Hierzu wurden aktuelle Entwicklungen in den Bereichen Open Science, FAIR Data und Repositorien innerhalb einer Expertengruppe diskutiert. Im Fokus standen praxisnahe Anwendungen wie ReadMe-Dateien, einheitliche Ordnerstrukturen, Datenmanagementpläne sowie der Einsatz von GitHub und elektronischen Laborbüchern.

ERGEBNISSE

Das Ergebnis stellt ein 14-seitiges Dokument dar, das wesentliche Best Practices umfasst:

• ReadMe-Dateien: Klare Dokumentation zur Nachnutzbarkeit von Daten

• Ordnerstrukturen & Dateibenennung: Einheitliche Systeme zur Vermeidung von Datenverlust

• Repositorien & Persistente Identifikatoren: Sicherstellung langfristiger Auffindbarkeit

• Skripting & Workflows: Automatisierung von Analyseprozessen

DISKUSSION

Ein nachhaltiges und effizientes FDM trägt maßgeblich zur Qualitätssicherung und Transparenz wissenschaftlicher Arbeit bei und ist deshalb für (Nachwuchs-)Wissenschaftlicher:innen relevant. Insbesondere in der Sportwissenschaft stellt die Vielfalt an Datenquellen und -formaten eine Herausforderung für den wissenschaftlichen Nachwuchs dar, die durch standardisierte Verfahren und den Einsatz geeigneter Tools bewältigt werden kann. Die dokumentierten Best-Practices können dazu einen Beitrag leisten.

LITERATUR

FORCE 11. (2014). The FAIR data principles. FORCE11. Abgerufen von https://www.force11.org/group/fairgroup/fairprinciples

Keller, K., Pleger, A., Niessner, C., Ueding, E., & Krüger, M. (2025). The status quo of research data management in the German-speaking sports sciences—Results of an online pilot survey. German Journal of Exercise and Sport Research. https://doi.org/10.1007/s12662-025-01033-0