„KI kann zum unerwarteten Treiber für Open-Science-Praktiken werden“

Till Winkler über Offenheit, Forschungskultur und den wissenschaftlichen Nachwuchs

Foto: Hardy Welsch

Wie prägt Ihr konkreter, auch forschungsbedingt geschärfter Blick auf Open Science das Thema aus einer betriebswirtschaftlichen beziehungsweise wirtschaftsinformatischen Perspektive?

TW: Aus Sicht der Wirtschaftsinformatik ist zunächst zentral, dass wir es mit vernetzten Gütern und hochgradig verbundenen Strukturen zu tun haben. Deshalb betrachte ich Open Science weniger als ein rein organisatorisches oder organisationsinternes Thema, sondern vor allem als organisationsübergreifende Frage, letztlich als ein Ökosystemproblem. Im Kern geht es darum, ob und wie sich Open-Science-Praktiken und -Standards in der Forschungscommunity verbreiten lassen. Diese Community ist ein offenes System. Wissenschaftler:innen arbeiten zwar an unterschiedlichen Universitäten, Hochschulen und Forschungseinrichtungen, stehen aber zugleich in engem Austausch und sind vielfach miteinander vernetzt. Gerade vor diesem Hintergrund fällt auf, dass Forschungspraktiken bislang vielfach noch nicht in gleichem Maße offen organisiert sind.

Ich sehe hier durchaus Parallelen zur Informatik, insbesondere zum Thema Offenheit bei Open-Source-Projekten. Es gibt zahlreiche Softwareprojekte, die sich bewusst dafür entscheiden, von Beginn offen zu entwickeln und entsprechende Open-Source-Lizenzmodelle zu nutzen. Nehmen wir zum Beispiel Linux, das quelloffene Betriebssystem, auf dem heute ein Großteil der weltweiten Serverinfrastruktur läuft. Oder die Tatsache, dass Microsoft 2018 GitHub übernommen hat – eine der zentralen Plattformen für die weltweite Softwareentwicklung – zeigt schon, welche strategische Bedeutung das Thema Open Source inzwischen hat. Und auch Unternehmen wie Google investieren erhebliche Ressourcen in Open-Source-Projekte wie Kubernetes, das heute als Standard für den Betrieb von Cloud-Infrastrukturen gilt. Offenheit ist auch im Hinblick auf Künstliche Intelligenz ein relevantes Thema, auf das wir vermutlich noch zu sprechen kommen.

Ja, auf jeden Fall.

TW: Gerade im KI-Bereich zeigt sich allerdings, dass der Begriff „open“ nicht immer trennscharf verwendet wird. Es gibt Anbieter wie OpenAI, die sich „open“ nennen, tatsächlich aber proprietär und geschlossen organisiert sind. Zugleich gibt es offene Sprachmodelle wie die Llama-Modelle von Meta, die Modelle von Mistral, oder das chinesische DeepSeek, die frei verfügbar sind. Insofern lässt sich sagen, dass die Softwarebranche beim Thema Offenheit bereits weiter als die Wissenschaft ist. Dort werden Produkte und Güter, seien es Softwarelösungen oder Sprachmodelle, bewusst veröffentlicht und frei zugänglich gemacht. Das ermöglicht es anderen, darauf aufzubauen, damit weiterzuarbeiten und daraus neue Anwendungen sowie neue Formen der Wertschöpfung zu entwickeln.

Aber würden Sie sagen, dass sich das tatsächlich direkt vergleichen lässt? Wenn ich mir vorstelle, ich bin Angestellte in einem Unternehmen und es heißt, dass wir uns von Microsoft verabschieden und künftig mit Open Office arbeiten, dann hängt davon ja nicht meine Karriere ab. Dann ändert sich im Zweifel eher das Werkzeug als die Logik meiner Arbeit. Für Wissenschaftler:innen ist die Ausgangslage jedoch eine andere. Sie arbeiten unter erheblichem Zeitdruck, müssen sich in diesem Wissenschaftsökosystem behaupten, und wenn ihnen das nicht gelingt, kann das ihre wissenschaftliche Laufbahn gefährden. Würden Sie den Vergleich trotzdem ziehen? 

TW: Ich finde den Vergleich durchaus spannend, würde ihn aber anders zuschneiden. Ich würde weniger auf die Ebene der Softwarenutzung schauen, sondern eher den Wissenschaftsbetrieb mit der Softwarebranche selbst vergleichen, also mit einer Branche, die Wissen in Form von Software hervorbringt. Denn Software lässt sich, ähnlich wie Forschungspublikationen oder Forschungsdaten, prinzipiell beliebig vervielfältigen und weiterverwenden. Wenn Unternehmen, und zwar nicht nur kleine Initiativen oder Hobbyprojekte, sondern auch große Akteure wie Google oder Meta, erhebliche Ressourcen in die Entwicklung von Software oder Sprachmodellen investieren und diese anschließend frei verfügbar machen, dann tun sie das aus nachvollziehbaren strategischen Gründen. Sie schaffen eine Grundlage, auf der andere weiterarbeiten, Anwendungen entwickeln und zusätzliche Leistungen aufbauen können.

In dieser Hinsicht ist die Softwarebranche dem Wissenschaftsbetrieb in ihren Praktiken und zum Teil auch in ihrem Selbstverständnis und Mindset voraus. Dort ist die Idee stärker verankert, arbeitsteilig zu operieren. Man stellt eine Basis bereit, und andere entwickeln darauf aufbauend weitere Angebote. Genau darin liegt auch ein möglicher Anknüpfungspunkt für die Wissenschaft. Wir produzieren Forschungsergebnisse, wir erheben im Rahmen von Projekten Daten, wir publizieren auf ihrer Grundlage. Und zugleich könnten diese Daten auch von anderen weitergenutzt werden. Andere Forschende könnten damit weiterarbeiten, neue Fragestellungen verfolgen oder die Daten mit anderen Quellen verknüpfen. Das entspricht im Kern der Idee von Open Science: Daten und Ergebnisse nicht nur für die eigene Arbeit zu nutzen, sondern sie auch für andere verfügbar zu machen und Forschungsprozesse insgesamt transparenter zu gestalten. Insofern halte ich den Vergleich für durchaus produktiv.

Ja, auf jeden Fall. So habe ich das bislang noch nicht betrachtet. Aber der Vergleich ist tatsächlich aufschlussreich. Er eröffnet noch einmal eine andere Perspektive.

TW: Open Science und Open Source liegen begrifflich ohnehin nah beieinander. In der Wirtschaftsinformatik gibt es seit vielen Jahren einen breiten Forschungsstrang zum Thema Open Source. Zahlreiche Kolleg:innen beschäftigen sich damit bereits seit Jahrzehnten. Insofern lässt sich dort durchaus einiges beobachten, was auch für Open Science interessant sein könnte. Welche Praktiken tragen solche Modelle, und was motiviert Software-Unternehmen eigentlich dazu, ihren Code und ihre Software offen bereitzustellen? Ein möglicher Grund ist, dass die Wertschöpfung nicht zwingend über den Verkauf von Lizenzen erfolgt, sondern über darauf aufbauende Dienstleistungen. Meta etwa investiert erhebliche Ressourcen in die Entwicklung ihrer Llama-Modelle und stellt sie dennoch frei zur Verfügung – weil das eigentliche Geschäftsmodell woanders liegt, nämlich in der Werbung und den eigenen Plattformen. Unternehmen stellen also eine Grundlage offen zur Verfügung und entwickeln ihr Geschäftsmodell an anderer Stelle. Übertragen auf die Wissenschaft wäre auch das eine interessante Perspektive. Forschungsdaten könnten offen zugänglich gemacht werden, während wissenschaftliche Einrichtungen oder Forschende andere dabei unterstützen, auf dieser Grundlage weiterzuarbeiten, neue Fragestellungen zu entwickeln oder Forschung mit diesen Daten zu betreiben.

Wo steht die BWL aus Ihrer Sicht beim Thema Open Science, sowohl in praktischer Hinsicht als auch mit Blick auf die Haltung gegenüber solchen Ansätzen?

TW: Ich würde sagen, eher noch am Anfang. In den vergangenen Jahren ist zwar schon einiges in Bewegung geraten. So haben beispielsweise viele Universitäten zentrale Stellen für Open Data oder Forschungsdatenmanagement eingerichtet. Und auch bei den Journals lässt sich eine gewisse Entwicklung beobachten. Open-Science-Praktiken wie etwa die Präregistrierung von Experimenten oder Studienprotokollen werden zunehmend aufgegriffen und zumindest optional angeboten. Wenn ich allerdings auf die BWL-Community insgesamt schaue, würde ich sagen, dass diese Praktiken bislang noch nicht breit etabliert sind.

Mein Eindruck ist zudem, dass andere Disziplinen hier teilweise weiter und auch reifer sind. Ich arbeite in einem Forschungsschwerpunkt eng mit Kolleg:innen aus der Psychologie zusammen. Dort sind bestimmte empirische Standards in vieler Hinsicht bereits stärker verankert. Ähnliches gilt für die Medizin, wo etwa die Präregistrierung von Studien schon seit Längerem selbstverständlich ist. Vor diesem Hintergrund würde ich sagen, dass die BWL, insbesondere die empirische betriebswirtschaftliche Forschung, bei solchen Praktiken bislang noch eher zurückhaltend ist.

Gerade in Bereichen wie Behavioral Marketing oder Behavioral Finance liegt der Bezug zur Psychologie ja nahe. Man könnte also erwarten, dass die BWL sich dort stärker an transparenten und nachvollziehbaren Forschungsstandards orientiert. Warum ist die Disziplin aus Ihrer Sicht dennoch weniger weit als die Psychologie?

TW: Ein wesentlicher Unterschied liegt vermutlich in der Struktur der Disziplinen. Die Psychologie arbeitet mit einem vergleichsweise engen und stark standardisierten Methodenkorsett. In der BWL ist das Feld thematisch breiter und methodisch pluralistischer, in der Wirtschaftsinformatik gilt das noch einmal mehr. Hinzu kommt, dass sich auch der Zugang zu Daten deutlich unterscheidet. In der Psychologie steht häufig das Verhalten von Individuen im Mittelpunkt. Und viele Studien lassen sich mit relativ gut verfügbaren Stichproben durchführen, etwa mit Studierenden oder über Online-Panels, bei allen bekannten Einschränkungen. In der BWL untersuchen wir dagegen oft Organisationen, Führungskräfte, Expert:innen oder spezifische betriebliche Funktionen. Der Zugang zu solchen Feldern ist deutlich aufwendiger. Ich kann schlecht Studierenden-Samples nutzen, wenn ich Fragestellungen habe, die Manager:innen betreffen.

Das hat Folgen für die Forschungspraxis. Wer mehrere hundert Teilnehmende über standardisierte Tools rekrutieren kann, arbeitet unter anderen Bedingungen als jemand, der etwa Zugang zu Führungskräften in Unternehmen gewinnen muss oder zu betrieblichen Teilfunktionen wie Marketing, Vertrieb, Produktion, Logistik oder zu IT-Abteilungen. Deshalb lassen sich Standards nicht in jedem Fall eins zu eins übertragen. Es macht auch einen Unterschied, ob ich 100 Studierende rekrutieren will für ein Experiment oder 100 CEOs von DAX-Konzernen. Zugleich spielt in der BWL, ebenso wie in der Wirtschaftsinformatik, qualitative und explorative Forschung eine größere Rolle. Solche Ansätze sind naturgemäß schwerer zu standardisieren als stark hypothesengetriebene konfirmatorische Designs. Insofern braucht die Disziplin einerseits mehr Flexibilität, andererseits aber natürlich trotzdem ein hohes Maß an Transparenz und methodischer Sorgfalt.

Würden Sie sagen, dass hier eines der zentralen Probleme liegt? Wenn ich Sie richtig verstehe, ist es oft schon außerordentlich aufwendig, solche Daten überhaupt zu erheben, etwa durch Gespräche mit Führungskräften. Und wenn diese Daten dann einmal vorliegen, ist die Bereitschaft vermutlich gering, sie unmittelbar zu teilen, weil man diesen aufwendig erschlossenen Bestand zunächst selbst wissenschaftlich nutzen möchte.

TW: Der Punkt ist berechtigt. Wenn Daten nur mit erheblichem Aufwand zugänglich gemacht oder erhoben werden können, dann muss man über Anreizstrukturen sprechen. Welchen Anreiz haben Forschende, mühsam akquiriertes Datenmaterial nach einer ersten Publikation unmittelbar offen verfügbar zu machen? Ich halte das für eine legitime Frage. Sie schreiben ja in Ihrem Buch „Expedition Open Science Land“, dass man die Daten veröffentlichen sollte, wenn die Studie beendet ist. Aber in der Praxis ist es oft keineswegs eindeutig, wann eine Studie eigentlich als abgeschlossen gelten kann. Gerade in der qualitativen Forschung arbeiten viele über längere Zeiträume mit sich kumulierenden Datenmassen, die sich über Jahre hinweg aus unterschiedlichen Quellen speisen. In solchen Fällen ist das Projekt nicht mit einer einzelnen Veröffentlichung beendet. Deshalb sollte man bei Open Science genau hinschauen. Die Forderung, alle Forschungsdaten müssten jederzeit und sofort vollständig offengelegt werden, greift aus meiner Sicht zu kurz. Denn gerade bei aufwendig erhobenen Daten ist die angemessene Anerkennung dieser Leistung ein legitimer Aspekt, den Open-Science-Konzepte mitdenken müssen.

So rigoros würde das vermutlich auch kaum jemand fordern. Die Anreizstrukturen im Wissenschaftssystem sind bekannt, ebenso sein kompetitiver Charakter. Wer Daten mit großem Aufwand erhoben hat, wird viele Gründe finden, sie nicht sofort zu teilen. Aber vielleicht müsste sich die Disziplin stärker damit befassen, wie sich Nachvollziehbarkeit auch unter schwierigeren Umständen ermöglichen lässt. Denn es geht ja letztlich darum, dass Forschung anschlussfähig bleibt. Wenn der einfache Weg nicht praktikabel ist, braucht es eben komplexere Lösungen. Vielleicht braucht es andere Fristen, andere Modelle oder andere Formen des Zugangs. Gehen wir weiter.

TW: Gern.

Wir haben jetzt schon über zentrale Hürden gesprochen. Liegt das größere Problem aus Ihrer Sicht in der Haltung der Forschenden oder in fehlenden Strukturen und Standards?

TW: Ich denke, beides gehört zusammen, die Forschungskultur und die institutionellen Rahmenbedingungen. Es geht also sowohl um Haltung und Selbstverständnis als auch um Standards, Prozesse und geeignete Strukturen. Entscheidend ist dann die Frage, von wo solche Veränderungen ausgehen und wo die wirksamsten Anreize gesetzt werden können. Meines Erachtens liegt der wichtigste Hebel bei den Fachzeitschriften. Das Wissenschaftssystem ist stark darauf ausgerichtet, Forschung in Journals und auf Konferenzen zu veröffentlichen. Fachzeitschriften definieren Qualitätsstandards, sie sind in Rankings unterschiedlich positioniert, und an ihnen orientieren sich viele, die im System vorankommen wollen. Was führende Journals einführen, hat deshalb gute Chancen, sich als Standard in der Disziplin durchzusetzen. Wenn die Fachzeitschriften neue Verfahren erproben, etwa die Präregistrierung von Experimenten oder Studien, wie man es aus anderen Disziplinen kennt, dann werden sich diese Standards in der Forschungspraxis eher durchsetzen. Wer dort publizieren will, wird sich an ihnen orientieren müssen.

An einem Journal sind ja verschiedene Akteure beteiligt, vom Verlag über das Editorial Board bis hin zu den Reviewer:innen. Wer gibt dort aus Ihrer Sicht den Anstoß für Veränderungen?

TW: Am Ende sind es in den redaktionellen Funktionen vor allem Forschende selbst, die solche Entwicklungen anstoßen und tragen. Warum sollten sie das tun? Weil sie ein Interesse daran haben, dass ihr Journal für qualitativ hochwertige und nachvollziehbare Forschung steht und auf dieser Grundlage an Bedeutung gewinnt. Zu ihrem professionellen Selbstverständnis gehört auch der Anspruch, die Qualität eines Journals zu sichern und weiterzuentwickeln. Open-Science-Praktiken wie etwa Präregistrierungen können dazu einen Beitrag leisten.

Ich kann das auch mit einem eigenen Beispiel unterlegen: Ich bin selbst Department Editor, also Sektionsherausgeber, bei Business & Information Systems Engineering (BISE), die aus der Zeitschrift Wirtschaftsinformatik hervorgegangen ist und heute international ausgerichtet ist. Dort wurden vor einiger Zeit sogenannte Registered Reports beziehungsweise präregistrierte Studien als Erprobungsformat eingeführt. Das geht nicht auf mich zurück, aber ich kann beobachten, dass dafür inzwischen ein klarer Prozess etabliert wurde und dass diese Entwicklung aufmerksam begleitet wird. Die Zahl der Anfragen ist bislang noch überschaubar, aber das Format ist vorhanden und wird genutzt. Interessant ist dabei, dass andere Journals aus der Disziplin auf BISE zukommen und nachfragen, welche Erfahrungen wir mit diesem Ansatz gemacht haben und ob sich daraus etwas für die eigene Zeitschrift ableiten lässt. Gerade daran zeigt sich, wie solche Diffusionsprozesse auf Journalebene funktionieren. Deshalb gibt es durchaus Anreize für Herausgeber:innen, hier früh neue Praktiken einzuführen.

Als Sie gesagt haben, dass die Journals ein wichtiger Akteur sind und sich neue Standards über sie in die Disziplin hinein verbreiten, habe ich mich gefragt: Wie sehr blicken die Journals bei solchen Fragen über die eigene Disziplin hinaus?

TW: Das geschieht durchaus. Zunächst richtet sich der Blick natürlich vor allem auf die eigene Disziplin. Dort gibt es etablierte Vergleichsmaßstäbe, Rankings und Referenzjournals, an denen man sich orientiert. Gleichzeitig schauen die Verantwortlichen in den Journals aber durchaus auch über die eigene Disziplin hinaus. Gerade an der Spitze solcher Zeitschriften stehen in der Regel sehr erfahrene und profilierte Forschende, die das Publikationssystem sehr gut kennen und häufig auch interdisziplinär arbeiten. Entsprechend verfolgen sie durchaus, welche Entwicklungen es in benachbarten Fächern gibt.

Das gilt etwa für die Psychologie, die für Teile der BWL und der Wirtschaftsinformatik wichtige Grundlagen liefert. Aus Sicht der Wirtschaftsinformatik spielt aber auch die Informatik selbst eine wichtige Rolle. Dort sind Plattformen wie arXiv längst etabliert, auf denen Preprints schon vor der formalen Publikation öffentlich zugänglich gemacht werden. In den Wirtschafts- und Sozialwissenschaften erfüllt SSRN eine ähnliche Funktion. Dahinter steht vor allem die Idee, Forschung früh sichtbar zu machen und der Community schneller zur Verfügung zu stellen.

Solche Entwicklungen beschäftigen auch die Journals. Sie müssen sich etwa dazu verhalten, wie mit Preprints vor der eigentlichen Einreichung umzugehen ist. In meiner Wahrnehmung verfolgt man hier derzeit häufig einen Mittelweg. Solche Vorabveröffentlichungen werden in der Regel nicht ausgeschlossen, aber auch nicht ausdrücklich eingefordert. Denn einerseits können sie Transparenz und Sichtbarkeit fördern, andererseits berühren sie auch die Frage, welches Profil und welches Alleinstellungsmerkmal ein Journal für seine veröffentlichten Beiträge beansprucht. Es ist also durchaus Bewegung in diesem Feld.

Wie bewerten Sie diese Preprintkultur, wie man sie etwa aus der VWL kennt?

TW: Also der Wissenschaftsbetrieb ist ja bekanntermaßen langsam. Als Wirtschaftsinformatiker liegt uns aber auch immer die Relevanz und Aktualität besonders am Herzen. Preprints sind deshalb eine gute Möglichkeit, Forschung früher sichtbar zu machen und in die fachliche Diskussion einzubringen, noch bevor ein oft langwieriger Reviewprozess abgeschlossen ist. Gerade in dynamischen und gesellschaftlich viel diskutierten Themenfeldern, wie Nachhaltigkeit und KI, halte ich diese Praxis für pragmatisch und sinnvoll.

Was kann die Open-Science-Bewegung aus Ihrer Perspektive als Wirtschaftsinformatiker noch lernen? Was muss geschehen, damit sich solche Veränderungen durchsetzen — jenseits der Rolle der Journals?

TW: Es geht ja beim Thema Open Science, wie eingangs erwähnt,um einen Veränderungsprozess auf Ebene einer ganzen wissenschaftlichen Community, letztlich eines Ökosystems. Deshalb lohnt es sich, Open Science eher als Standardisierungsproblem zu betrachten. Dann lautet die zentrale Frage: Wie setzen sich neue Standards durch und warum tun sie es manchmal gerade nicht? Ein entscheidender Punkt ist dabei das Bootstrapping-Problem. Standards entfalten ihren Wert oft erst dann, wenn sie von einer kritischen Masse genutzt werden. Je breiter sie akzeptiert sind, desto attraktiver werden sie auch für den Einzelnen. Das ist ein klassischer Netzwerkeffekt. Wir kennen das aus der privaten Kommunikation. Wenn alle bei WhatsApp sind, bin ich ausgeschlossen, wenn ich nur per SMS schreiben möchte. Genau diese kritische Masse ist bei Open Science vielerorts aber noch nicht erreicht, weder auf Seiten der Journals noch auf Seiten der Forschenden. Wenn dieser Kipppunkt aber einmal überschritten ist, kann sich die Entwicklung sehr schnell beschleunigen. Dann wird es in bestimmten Bereichen, etwa bei experimentellen Studien, vermutlich schwierig, etablierte Praktiken wie Präregistrierungen nicht zu berücksichtigen.

Ich habe den Eindruck, dass innerhalb der Open-Science-Debatte derzeit vor allem Reproduzierbarkeit und Nachvollziehbarkeit im Mittelpunkt stehen.

TW: Und damit sind wir schnell auch beim Thema Künstliche Intelligenz. Ich glaube, dass nahezu alle Journals in den vergangenen zwei bis drei Jahren einen deutlichen Anstieg der Einreichungen beobachtet haben, bei Konferenzen vermutlich noch stärker als bei Fachzeitschriften. KI erleichtert es nun einmal, Manuskripte zu produzieren. Damit rücken aber auch Fragen nach Belastbarkeit, Nachvollziehbarkeit und wissenschaftlicher Redlichkeit stärker in den Vordergrund.

Es hat ja bereits Fälle gegeben, in denen versehentlich Promptfragmente in eingereichten oder sogar veröffentlichten Texten stehen geblieben sind. Solche Beispiele machen deutlich, wie relevant die Transparenz über den Entstehungsprozess von Forschung inzwischen geworden ist. Vor diesem Hintergrund ist es für Journals nur folgerichtig, ergänzende Materialien, wie Datensätze oder Analysecode, im Reviewprozess stärker einzufordern und deren Bereitstellung nach der Veröffentlichung zu fördern, etwa in Form von Online-Anhängen oder Verweisen auf externe Plattformen. Das geschieht meines Erachtens bislang überwiegend auf freiwilliger Basis, wird aber erkennbar wichtiger. Gerade darin liegt eine konkrete Möglichkeit, Nachvollziehbarkeit auch unter veränderten Bedingungen zu sichern.

Auf der einen Seite gibt es seit einigen Jahren die Open-Science-Bewegung, die sich, wie Sie sagen, bislang eher schrittweise entwickelt. Auf der anderen Seite sehen wir seit etwa drei Jahren eine starke Dynamik beim Thema Künstliche Intelligenz. Wie verhalten sich diese beiden Entwicklungen zueinander?

TW: Ich sehe zwischen beiden Entwicklungen durchaus einen Zusammenhang. Die durch KI beschleunigten Forschungs- und Schreibprozesse, die wachsende Zahl an Einreichungen und auch die Sorge um Qualität und wissenschaftliche Redlichkeit erhöhen den Druck, Forschung transparenter und belastbarer zu machen. In diesem Sinne könnte KI zum unerwarteten Treiber für die Verbreitung von Open-Science-Praktiken werden. Denn viele der Instrumente, über die wir gesprochen haben, etwa Registered Reports, Präregistrierungen, die Offenlegung von Datenquellen oder ergänzende Materialien, dienen ja gerade dazu, Nachvollziehbarkeit zu sichern und problematische Praktiken zumindest schwerer zu machen oder sichtbarer werden zu lassen. Insofern würde ich eher erwarten und habe fast ein bisschen die Hoffnung, dass die Entwicklungen im Bereich KI dem Thema Open Science zusätzlichen Schub geben – vielleicht nicht unmittelbar und nicht überall gleichermaßen, aber doch in einer Weise, die die Debatte um Transparenz und belastbare Standards weiter vorantreibt.

Was wäre aus Ihrer Sicht der zweitwichtigste Hebel nach den Journals, um Open Science als Standard zu etablieren?

TW: Ich denke, der zweite wichtige Hebel ist der wissenschaftliche Nachwuchs. Wenn sich Open-Science-Praktiken in der Breite etablieren sollen, dann muss man bei denen ansetzen, die noch am Anfang ihrer wissenschaftlichen Laufbahn stehen. Meine Beobachtung ist, dass jede Generation von Forschenden höhere Anforderungen erfüllen muss, um sich im Wissenschaftssystem zu behaupten. Zugleich wächst mit neuen Technologien aber auch das, was methodisch möglich ist. Einige werden sich noch gut daran erinnern, wie Forschungsprozesse früher aussahen – ohne elektronische Datenbanken, ohne Online-Panelbefragungen, ohne digitale Kollaboration über Ländergrenzen hinweg. Deshalb bin ich durchaus optimistisch, dass vieles von dem, was wir hier diskutieren, für jüngere Forschende schon bald selbstverständlich werden könnte, etwa das Bereitstellen von Datensätzen und Analysecode im Reviewprozess, die Veröffentlichung von Online-Anhängen oder die Nutzung externer Plattformen.

Da würde ich gern nachfragen. Nehmen wir an, ich wäre 25 und würde bei Ihnen promovieren. Woher wüsste ich eigentlich, welche Instrumente und Praktiken dafür relevant sind? Wer bringt mir das bei?

TW: Die Ausbildung ist der entscheidende Ort dafür. Hier können Universitäten durchaus etwas tun, etwa über Graduiertenschulen, strukturierte Promotionsprogramme oder zentrale Beratungsangebote für Doktorand:innen. Dort sollte Open Science ausdrücklich thematisiert werden: wie solche Praktiken funktionieren, welche Plattformen es gibt und welche Anforderungen damit verbunden sind. Denn man darf den Aufwand nicht unterschätzen. Es geht nicht nur um ein paar zusätzliche Schritte, sondern um ein anderes Verständnis des Forschungsprozesses. Bislang läuft Forschung oft so, dass man von einem Phänomen ausgeht, erste Hypothesen entwickelt, Daten erhebt und den Prozess erst im Nachhinein stärker formalisiert. Open-Science-Praktiken wie Präregistrierungen verlangen dagegen, dass man bereits vor Beginn der eigentlichen Datenerhebung sehr genau festhält, welche Fragen man untersucht, wie man vorgehen will und welche Hypothesen geprüft werden sollen.

Das bedeutet zunächst mehr Aufwand am Anfang des Forschungsprozesses. Gleichzeitig liegt genau darin auch eine Chance. Wer das Design früh präzisiert und sich dazu Rückmeldungen einholt, erhöht die Wahrscheinlichkeit, dass am Ende belastbare und publizierbare Ergebnisse entstehen. Insofern ist das nicht nur zusätzliche Arbeit, sondern oft auch eine Form besserer Forschungsvorbereitung. Man sollte aber auch im Blick behalten, dass dieses Umdenken gerade für diejenigen schwierig ist, die seit vielen Jahren in etablierten Routinen arbeiten. Deshalb würde ich sagen: Wer jetzt promoviert, hat einen Vorteil gegenüber der älteren Generation – weil man Open Science von Anfang an als selbstverständlichen Teil des Handwerkszeugs lernen kann, anstatt bestehende Gewohnheiten verändern zu müssen.

Ich höre von vielen Forschenden, dass die Präregistrierung zwar zunächst mehr Planung erfordert, später aber Zeit und auch Geld sparen kann, etwa weil man nicht erst Daten erhebt, um dann festzustellen, dass eigentlich etwas anderes nötig gewesen wäre. Zugleich frage ich mich aber: Gerade erfahrene Forschende müssten doch eigentlich besonders gut in der Lage sein, ihre Routinen zu verändern und neue Wege zu gehen, oder?

TW: Das ist ein optimistisches Bild. Wer bereits fest im System verankert ist, hat oft nicht den größten Anreiz, etablierte Arbeitsweisen grundlegend umzustellen. Gerade deshalb ist der wissenschaftliche Nachwuchs der entscheidende Ansatzpunkt. Diesen Forschenden muss man die entsprechenden Instrumente an die Hand geben und deutlich machen, wie Open Science praktisch funktioniert, welche Journals solche Praktiken unterstützen oder einfordern und was das für die eigene Forschung bedeutet. Dazu gehört vor allem, Forschungsvorhaben von Beginn an sehr sorgfältig zu durchdenken.

Aus meiner Sicht ist das auch in der Betreuung ein Vorteil. Ich erwarte von meinen Doktorand:innen ohnehin, dass sie ihre Vorhaben vorab klar beschreiben und konzeptionell durchdringen, bevor sie loslegen. Open Science führt dieses Prinzip im Grunde nur konsequenter fort. Das kann helfen, unnötige Schleifen zu vermeiden und Ressourcen gezielter einzusetzen. Gleichzeitig sollte man Open Science nicht missverstehen. Forschung bleibt ein iterativer Prozess. Fragestellungen entwickeln sich weiter, Designs werden angepasst, neue Daten können notwendig werden. Der Unterschied ist, dass solche Veränderungen transparenter gemacht und begründet werden müssen. Genau darin liegt der zusätzliche Aufwand, aber eben auch ein Gewinn an Nachvollziehbarkeit.

Wenn ich Sie als eine Ihrer Doktorandinnen fragen würde, welche konkreten Vorteile Open-Science-Praktiken haben. Was würden Sie antworten? Was sind aus Ihrer Sicht die wichtigsten Punkte?

TW: Sie reduzieren erstens das Risiko, dass ein Forschungsvorhaben am Ende nicht trägt oder nicht zu dem erhofften Erkenntnisgewinn führt. Wer zu Beginn mehr Zeit in die konzeptionelle Planung investiert, das Vorgehen präzise festhält und im Idealfall früh Feedback einholt, erhöht die Wahrscheinlichkeit, dass das Projekt methodisch tragfähig ist. Zweitens kann Open Science gerade für Nachwuchswissenschaftler:innen auch ein Signal auf dem akademischen Arbeitsmarkt sein. Wer mit solchen Praktiken arbeitet, zeigt, dass er oder sie aktuelle Standards kennt und Forschung in einer Weise betreibt, die anschlussfähig und professionell ist. Und drittens: Es erhöht die Chancen, in guten Journals zu publizieren. Diese Punkte hängen natürlich zusammen. Wenn die Qualität steigt und der Forschungsprozess transparenter wird, verbessert das auch die Voraussetzungen für eine erfolgreiche Publikation.

Vielen Dank!

Das Interview wurde am 17. März 2026 geführt von Dr. Doreen Siegfried.

Über Prof. Dr. Till Winkler

Till Winkler ist Professor für Betriebswirtschaftslehre, insbesondere Informationsmanagement an der FernUniversität in Hagen. Er promovierte 2012 in Wirtschaftsinformatik an der Humboldt-Universität zu Berlin. Zuvor hatte er Informationswirtschaft am Karlsruher Institut für Technologie studiert und war als Berater bei Capgemini tätig. Weitere berufliche Stationen führten ihn an das Stevens Institute of Technology in den USA sowie an die Copenhagen Business School, wo er als Assistant und Associate Professor sowie als Associate Dean für digitale Lehre tätig war.

Kontakt: https://www.fernuni-hagen.de/bima/team/till.winkler.shtml

ORCID.ID: https://orcid.org/0000-0002-4045-3085

LinkedIn: https://www.linkedin.com/in/tillwinkler/

Zurück zum Open-Science-Magazin