Zusammenfassung

Dieses Handbuch bietet eine praxisorientierte Anleitung für die diskriminierungssensible Beschreibung von Metadaten zu historischen Quellen und Forschungsdaten. Es richtet sich an Forschende Historiker*innen, Archivar*innen, Bibliothekar*innen und Daten-Kurator*innen in der Geschichtswissenschaft und in Gedächtnisinstitutionen (GLAM). Das Handbuch verbindet theoretische Reflexionen zu Normativität, Bias und Oppression mit konkreten Handlungsempfehlungen für den gesamten Forschungsdatenlebenszyklus. Es behandelt sowohl technische Aspekte der Metadatenmodellierung als auch ethische Fragen der Repräsentation marginalisierter Gruppen. Durch die Kombination von Theorie und Praxis unterstützt es Institutionen und Projekte dabei, Diskriminierung in der Metadatenpraxis zu erkennen und diskriminierungssensible Alternativen umzusetzen.

Living Handbook (Vorabversion)

Dies ist eine Vorabversion des Handbuchs, die kontinuierlich weiterentwickelt wird. Feedback, Korrekturen und Anregungen sind herzlich willkommen via E-Mail oder GitHub. Die aktuelle veröffentlichte Version ist verfügbar unter https://maehr.github.io/diskriminierungsfreie-metadaten/.

Content-Note

Dieses Dokument enthält Abbildungen von historischen Quellen, die diskriminierende Sprache, Bilder oder Darstellungen enthalten. Sie sind Ausdruck von Vorurteilen, Stereotypen oder Gewalt gegen bestimmte Gruppen in der Vergangenheit.

Vorwort zur zweiten Auflage

Diskriminierungssensible Metadatenpraxis. Ein Handbuch zur ethischen Beschreibung historischer Quellen und Forschungsdaten liegt nun in einer überarbeiteten, zweiten Auflage vor. Dieses Handbuch ist neu in zwei Teile gegliedert. Der Praxisteil ist vorangestellt und führt entlang des Forschungsdatenlebenszyklus durch Entscheidungen, Checklisten und Beispiele für die Erstellung und Pflege von Metadaten. Der theoretische Teil bündelt die begrifflichen und konzeptionellen Überlegungen zu Sprache, Klassifikation, Repräsentation und Macht. Leser*innen können dennoch wahlweise mit der konzeptionellen Rahmung oder mit der direkten Anwendung beginnen: Beide Teile verweisen aufeinander und können im Zusammenspiel genutzt werden.

Die erste Fassung des Handbuchs entstand 2023 im Rahmen des Forschungsprojekts Stadt.Geschichte.Basel als Hilfestellung zur Beschreibung von Objekten auf der Forschungsdatenplattform und erschien am 3. Juni 2024. Diskussionen, Workshops und Rückmeldungen aus der Community machten jedoch deutlich, dass der ursprüngliche Anspruch, zu diskriminierungsfreien Metadaten anzuleiten, nicht einlösbar war. In der zweiten Auflage korrigieren wir diesen Anspruch: Im Zentrum steht nun die Anleitung zu einem diskriminierungssensiblen Umgang mit Machtverhältnissen und Kontexten.

Zugleich haben wir den Praxisteil deutlich ausgebaut und klar vom theoretischen Teil getrennt. Stadt.Geschichte.Basel bleibt ein wichtiges Fallbeispiel, steht jedoch nicht mehr im Zentrum des Handbuchs. Unser Zielpublikum sind Forschende Historiker*innen, Archivar*innen, Bibliothekar*innen und Daten-Kurator*innen in Projekten aus Geschichtswissenschaft und GLAM im deutschsprachigen und europäischen Raum: von universitären Editionsvorhaben bis hin zu digital zugänglichen Sammlungen.

Wir laden alle Leser*innen ein, dieses “Living Document” mit uns gemeinsam weiterzuentwickeln und durch Feedback, Ergänzungen oder Fallbeispiele zu bereichern.

Basel, X. X 2026

Moritz Mähr & Noëlle Sarah Schnegg

Einleitung

Dieses Handbuch ist eine praxisorientierte Anleitung für die diskriminierungssensible Beschreibung von Metadaten zu historischen Quellen und Forschungsdaten. Es richtet sich an Forschende Historiker*innen, Archivar*innen, Bibliothekar*innen und Daten-Kurator*innen in der Geschichtswissenschaft und in GLAM-Institutionen (Galleries, Libraries, Archives, Museums). Das Handbuch richtet sich sowohl an Einsteiger*innen als auch an erfahrene Fachleute und stellt Best Practices bereit.

Warum Metadaten? In einer zunehmend digital vermittelten Welt machen Metadaten historische Bestände auffindbar, zugänglich, interoperabel und nachnutzbar (im Sinne der -Prinzipien). Frei zugängliche, maschinenlesbare Metadaten ermöglichen die Integration in Suchmaschinen, Datenportale und virtuelle Forschungsumgebungen. Dadurch verändert sich, wie Historiker*innen Quellen erforschen, interpretieren und verstehen.

Screenshot einer Webseite mit einem Abstimmungsplakat von 1959 gegen das Frauenstimmrecht in der Schweiz. Das Plakat zeigt die schwarze Silhouette einer Frau, die von mehreren grauen Händen mit der Aufschrift "Partei" bedrängt wird. Daneben stehen Informationen zur Sammlung, Datierung, Urheber und Technik. — Screenshot aus der Plakatsammlung Basel: Abstimmungsplakat “Frauenstimmrecht, Nein” zur eidgenössischen Abstimmung vom 1. Februar 1959, entworfen von Werner Nänny im Auftrag des Basler Frauenkomitees gegen das Frauenstimmrecht, gedruckt von Wassermann AG, Basel.

Ein Blick in die deutschsprachigen Archive zeigt, dass vielerorts bereits auf die -Prinzipien bei Metadaten geachtet wird. Eine diskriminierungssensible Metadatenpraxis bleibt jedoch meist aus. Oft fehlen kontextualisierende Beschreibungen, in denen Diskriminierungsformen explizit benannt und in ihren jeweiligen historischen Kontext eingeordnet werden. Im Online-Katalog der “Plakatsammlung der Schule für Gestaltung” beschränkt sich die Beschreibung des Plakats “Frauenstimmrecht, Nein” auf sachliche Angaben: “Eidgenössische Abstimmung, 1. Februar 1959”. Hinweise auf den historischen, politischen und insbesondere den sexistischen Kontext fehlen.

Mit diesem Handbuch setzen wir uns für eine diskriminierungssensible Metadatenpraxis ein. Wir erkennen an, dass Diskriminierung tief in gesellschaftlichen und institutionellen Strukturen verankert ist und sich nicht allein durch eine wohlüberlegte Begriffswahl vermeiden lässt.

Diskriminierungssensibilität bedeutet, aufmerksam zu bleiben für Veränderungen von gesellschaftlichen Normen, die Vielfalt von Diskriminierungserfahrungen und die Unabgeschlossenheit von Dekolonisierungsprozessen. Sie fordert uns auf, unsere eigene Positionierung und bestehende Machtverhältnisse kritisch zu hinterfragen und zu reflektieren.

Im Handbuch verwenden wir bewusst eine breite Definition von Diskriminierung, um möglichst viele Anwendungsfälle abzudecken. Unter Diskriminierung verstehen wir schwerwiegende Formen der Benachteiligung. Eine Benachteiligung wird zu einer Diskriminierung, wenn sie in einem unmittelbaren Zusammenhang mit der tatsächlichen oder zugeschriebenen Zugehörigkeit zu einer bestimmten Gruppe oder einem Merkmal steht. Zu diesen Gruppenzugehörigkeiten oder Merkmalen zählen die soziale Stellung, das biologische und soziale Geschlecht sowie die Geschlechtsidentität, die ethnische Herkunft, diskriminierende Fremdzuschreibungen (zum Beispiel rassistische, antisemitische oder koloniale Kategorisierungen), die Religionszugehörigkeit, die Weltanschauung und politische Überzeugungen, die Sprache, eine Behinderung oder chronische Erkrankung, eine genetische Disposition, das Lebensalter, die sexuelle Orientierung, das Körpergewicht und die Lebensform (zum Beispiel Fahrende). Diskriminierungen entstehen laufend, weil gesellschaftliche Werte und Normen bestimmte Gruppen stigmatisieren.

Der Band gliedert sich in zwei Teile. Er beginnt mit der Praxis. Im Praxisteil behandeln wir den diskriminierungssensiblen Umgang mit Metadaten entlang der Phasen des Forschungsdatenlebenszyklus (Higgins 2008):

Planung und Konzeption: Konzeptionelle Grundentscheidungen, Auswahl von Standards, Rollen, ethische und rechtliche Aspekte, Fokus auf Einwilligung und Schutz vulnerabler Gruppen. Kapitel 3.1
Datensammlung und Quellenkritik: Datenerzeugung und -sammlung, Nutzung offener Formate und normierter Begrifflichkeiten zur Interoperabilität sowie Kontextualisierung der Quellen. Kapitel 3.2
Datenverarbeitung und Anreicherung: Datenaufbereitung, Metadatenanreicherung, Dokumentation, frühzeitige Standardisierung. Kapitel 3.3
Speicherung und Verwaltung: Strukturiertes, sicheres Speichern, Zugriffskontrolle, Pflege, Versionierung, diskriminierungssensible Zugangsregelungen. Kapitel 3.4
Veröffentlichung und Zugang: Zugänglichmachung über Repositorien, persistente Identifikatoren (), Lizenzen, /-Prinzipien. Kapitel 3.5
Nachnutzung und Wiederverwendung: Recherchierbarkeit, Interoperabilität, Kontextinformation zur Vermeidung von Fehlinterpretationen. Kapitel 3.6
Archivierung und Löschung: Auswahl von Archivierungsstandards und Speicherorten, rechtliche und ethische Vorgaben. Kapitel 3.7

flowchart TD
    A[1 Planung und Konzeption] --> B[2 Datensammlung und Quellenkritik]
    click A "#sec-1-planung-und-konzeption"
    B --> C[3 Datenverarbeitung und Anreicherung]
    click B "#sec-2-datensammlung-und-quellenkritik"
    C --> D[4 Speicherung und Verwaltung]
    click C "#sec-3-datenverarbeitung-und-anreicherung"
    D --> E[5 Veröffentlichung und Zugang]
    click D "#sec-4-speicherung-und-verwaltung"
    E --> F[6 Nachnutzung und Wiederverwendung]
    click E "#sec-5-veroeffentlichung-und-zugang"
    F --> G[7 Archivierung und Löschung]
    click F "#sec-6-nachnutzung-und-wiederverwendung"
    G -.-> B
    click G "#sec-7-archivierung-und-loeschung"

Abbildung 1: Darstellung des Datenlebenszyklus nach dem Curation Lifecycle Model (DCC), adaptiert in sieben linearen Phasen von der Planung bis zur Archivierung bzw. Löschung.

Der zweite Teil bündelt die theoretischen und technischen Schlüsselbegriffe und verknüpft sozial- und informationswissenschaftliche Perspektiven. Er dient als konzeptioneller Rahmen und als Nachschlagebereich (Normativität, Formen der Diskriminierung, Bias und Oppression sowie Grundlagen zu Forschungs- und Metadaten, Metadatenstandards und //).

Das Ziel dieses Handbuchs ist es, anhand konkreter Beispiele, Methoden und Strategien Hilfestellungen zu bieten, die es der Leser*in erlauben sollen, Diskriminierung in der Metadatenpraxis zu erkennen und Entscheidungen in Bezug auf den eigenen Forschungskontext und auf die zur Verfügung stehenden Ressourcen fällen zu können. Zudem greifen wir konkrete Beispiele aus der deutschsprachigen, geschichtswissenschaftlichen Forschungspraxis auf, um auf wiederkehrende Stolperfallen hinzuweisen. Zur Orientierung im Handbuch dient folgende Entscheidungshilfe:

flowchart LR
  Q{"Was möchte ich tun?"}

  Q --> NEU["Metadaten neu erstellen"]
  Q --> ZUG["Zugang/Präsentation verbessern"]
  Q --> REUSE["Bestehende Metadaten nachnutzen"]
  Q --> FACH["Begriffe/Standards klären"]

  NEU --> P13["Phase 1–3: Planung • Sammlung • Verarbeitung"]
  P13 --> R13["Praxis §1–3"]
  click R13 "#sec-1-planung-und-konzeption"

  ZUG --> P5["Phase 5: Veröffentlichung & Zugang"]
  P5 --> R5["Praxis §5"]
  click R5 "#sec-5-veroeffentlichung-und-zugang"

  REUSE --> P6["Phase 6: Nachnutzung & Wiederverwendung"]
  P6 --> R6["Praxis §6"]
  click R6 "#sec-6-nachnutzung-und-wiederverwendung"

  FACH --> THEO["Theorie & Glossar"]
  THEO --> R0["Schlüsselbegriffe • Bias • FAIR/CARE"]
  click R0 "#sec-theorie"

Abbildung 2: Entscheidungshilfe zur Orientierung im Handbuch. Die Startfrage ‘Was möchte ich tun?’ verzweigt in vier Pfade—Metadaten neu erstellen; Zugang/Präsentation verbessern; Bestehende Metadaten nachnutzen; Begriffe/Standards klären—mit Verweisen auf zugehörige Phasen, Praxisabschnitte und Checklisten.

Die Autor*innen bringen unterschiedliche fachliche und persönliche Hintergründe in das Handbuch ein. Moritz Mähr (weisser cis Mann) ist promovierter Historiker. Noëlle Schnegg (weisse cis Frau) studiert Geschichte und Nahoststudien. Beide sind in der Schweiz aufgewachsen und verfügen über privilegierte gesellschaftliche Rahmenbedingungen, wobei sich individuelle Erfahrungen, beispielsweise hinsichtlich Sexismus, unterscheiden. Diese Offenlegung dient der Transparenz und Einordnung der Perspektiven im Handbuch.

Wir orientieren uns am Contributor Covenant, einem verbreiteten Code of Conduct für offene Communities, und verpflichten uns, diskriminierende Inhalte klar zu kennzeichnen und kontextualisiert aufzuarbeiten. Reproduktion problematischer Inhalte erfolgt ausschliesslich zu notwendigen Analysezwecken.

Als Living Document lebt dieses Handbuch von der Community. Antidiskriminierungsarbeit ist ein nie endender gesellschaftlicher Prozess, weshalb auch dieses Handbuch niemals abgeschlossen sein wird. Vielmehr erfordert es kontinuierliche, kritische Reflexion, Überarbeitung und Anpassung. Verbesserungsvorschläge können via E-Mail oder als Kommentar auf GitHub eingereicht werden.

Theorie: Schlüsselbegriffe und Konzepte

Die Entwicklung und Anwendung einer diskriminierungssensiblen Metadatenpraxis setzt ein gemeinsames Verständnis zentraler Begriffe und Konzepte voraus. Dieses Kapitel definiert und kontextualisiert die theoretischen und technischen Schlüsselbegriffe, die den Rahmen des Handbuchs bilden. Im Fokus stehen Begriffe wie Normativität, Diskriminierung, Bias und Oppression, die sowohl aus geistes- und kulturwissenschaftlicher als auch aus informations-, bibliotheks- und archivwissenschaftlicher Perspektive diskutiert werden. Neben diesen kritischen Grundbegriffen werden auch technische Termini wie Metadatenstandard, Normdaten und Datenwertstandard eingeführt, um die Brücke zwischen inhaltlicher Reflexion und technischer Implementierung zu schlagen.

Dieses Kapitel bestimmt die Begriffe so, dass sie sowohl analytisch tragfähig als auch praktisch operationalisierbar sind. Die Auswahl und Definition der Begriffe orientiert sich an internationalen Menschenrechtsstandards (humanrights.ch o. J.) und interdisziplinären Ansätzen wie Data Feminism, Data Justice und Critical Data Studies (Mehrabi u. a. 2021; Loukissas 2019; D’Ignazio und Klein 2020). Zugleich wird die Debatte gezielt in deutschsprachige und europäische Fachkontexte rückgebunden, etwa durch queerfeministische und archivkritische Beiträge (Sparber 2016; Gruber 2022; Rottmann 2023) sowie durch institutionsbezogene Analysen aus dem europäischen GLAM-Bereich (Kaiser u. a. 2023; Baroncini u. a. 2025). Damit bildet dieses Kapitel die konzeptionelle und terminologische Grundlage für alle weiteren Analysen und Empfehlungen im Handbuch.

Diskriminierung in und durch Daten

Daten sind nicht neutral (Normativität)

Screenshot einer Wikidata-Seite mit dem Eintrag Crimea (Q7835). Sichtbar sind der Titel "Crimea", eine kurze Beschreibung der Halbinsel als umstrittenes Gebiet zwischen Ukraine und Russland sowie Sprachangaben (Englisch, Deutsch, Alemannisch, Französisch) mit verschiedenen Labels und Synonymen. Darunter der Abschnitt "Statements" mit dem Hinweis "instance of: peninsula." — Screenshot des Wikidata-Eintrags zu Crimea (Q7835), der die Halbinsel Krim beschreibt. Angezeigt werden Sprachvarianten (unter anderem Englisch, Deutsch, Französisch), alternative Bezeichnungen sowie die Beschreibung als “Eastern European peninsula, in the Black Sea and Sea of Azov, disputed between Ukraine (de jure) and Russia (de facto)”.

Daten und Metadaten erscheinen auf den ersten Blick als objektive Repräsentationen der Wirklichkeit, doch sind sie stets in historisch gewachsene Machtverhältnisse und normative Ordnungen eingebettet. Das Beispiel der Krim in Wikidata Q7835 und die beigefügte Karte der Halbinsel illustrieren anschaulich, wie scheinbar neutrale Darstellungen in Metadaten inhärent Stellung beziehen und politische Konfliktlagen spiegeln.

Karte der Krim mit eingezeichneten Städten, Strassen, Eisenbahnlinien und Landschaftsmerkmalen. Zu sehen sind Simferopol, Sewastopol, Jalta, Feodossija, Kertsch und Jewpatorija sowie Gebirge, Küstenlinien und angrenzende Regionen der Ukraine und Russlands. — Politische Karte der Krim mit Städten, Verkehrswegen und geografischen Bezeichnungen. Die Karte zeigt die Halbinsel im Schwarzen Meer, angrenzend an die Ukraine und Russland.

Die Karte präsentiert die Krim als “Autonome Republik Krim” und zeigt damit explizit eine völkerrechtlich orientierte, pro ukrainische Perspektive: Die Benennung und farbliche Abgrenzung der Krim als Teil der Ukraine (“Oblast”, “Autonome Republik”) betont den de-jure-Status nach ukrainischem Recht und den internationalen Menschenrechtsstandards. Es werden zentrale Orte wie Sewastopol oder Kertsch mit ihrer ukrainischen Transkription aufgeführt. Die Grenze zu Russland ist klar als Staatsgrenze markiert. In der Detaildarstellung (oben rechts) wird die Krim deutlich der Ukraine zugeordnet, wodurch der umstrittene völkerrechtliche Status als Teil Russlands nicht gleichwertig visualisiert wird.

Dieses kartografische Beispiel steht paradigmatisch für die normativen Setzungen, die auch digital kodierten Datenstrukturen wie Wikidata zugrunde liegen. So wird die Krim dort sowohl als Teil der Ukraine (“de jure”) als auch Russlands (“de facto”) geführt, jedoch übernehmen viele verknüpfte Objekte wie Städte oder administrative Einheiten diese Mehrdeutigkeit nicht konsistent oder bilden einzig die ukrainische Perspektive ab. Die Karte operiert dabei mit einem klaren Framing zugunsten der ukrainischen Souveränität und blendet alternative Klassifikationsoptionen, wie etwa die Bezeichnung “Republik Krim” als Teil Russlands, weitgehend aus.

Dies verdeutlicht, dass jede Form von Daten- und Metadatenmodellierung – sei sie visuell, textuell oder strukturell – auf normativen Entscheidungen beruht, die oft unsichtbar bleiben. Die Auswahl von Bezeichnungen, die Sichtbarkeit von Grenzen oder die Hierarchisierung von Souveränitätsansprüchen spiegeln und stabilisieren bestehende Machtasymmetrien und wirken als “invisible hand of classification” (Bowker und Star 1999). Für Nutzer*innen entsteht der Eindruck technischer Neutralität, obwohl sowohl die Karte als auch digitale Datenbanken politische Aushandlungsprozesse und Interessen materialisieren. Mit technischer Neutralität ist hier gemeint, dass Entscheidungen in Interface, Datenmodell und Standardisierung als rein technische Notwendigkeiten erscheinen, obwohl sie normative Setzungen enthalten.

Eine diskriminierungssensible Metadatenpraxis setzt daher an der Schnittstelle von Technik und Gesellschaft an: Sie verlangt die konsequente Offenlegung und Reflexion der eigenen Klassifikationsschemata, Entscheidungslogiken und Datenstrukturen. In der Umsetzung heisst das: transparente Dokumentation von Modellierungsentscheidungen (Schema, Version, Geltungsbereich), parallele Felder für Mehrperspektivität (de jure/de facto, Selbst- und Fremdbezeichnungen), überprüfbare Quellen- und Provenienzangaben sowie die explizite, maschinenlesbare Markierung von Konflikten und Unsicherheiten in den Metadaten (Status, Zeitraum, räumliche Gültigkeit). Die Beschreibung durch Metadaten und ihre Repräsentation in digitalen Datenbanken sind bewusst gestaltete, nachvollziehbare Praktiken, die nie lediglich “abbilden”, sondern normativ wirken.

Direkte Diskriminierung

Die Begriffsbestimmung von Diskriminierung erfolgt in der Einleitung (Kapitel 2). In diesem Kapitel operationalisieren wir direkte Diskriminierung für die Metadatenpraxis: Eine Regel, Entscheidung oder Handlung ist direkt diskriminierend, wenn sie Personen aufgrund eines geschützten Merkmals ungleich behandelt und diese Ungleichbehandlung nicht durch einen legitimen, verhältnismässigen Zweck gedeckt ist. Im Fokus stehen Mechanismen, Indikatoren und Gegenmassnahmen.

Kernelemente

Unmittelbare Ungleichbehandlung: Eine Regel oder Praxis behandelt Personen explizit unterschiedlich.
Merkmalsbezug: Die Ungleichbehandlung knüpft an ein tatsächliches oder zugeschriebenes (geschütztes) Merkmal an.
Fehlende Rechtfertigung: Es gibt keinen legitimen, verhältnismässigen Zweck, der die Ungleichbehandlung trägt.

Beispiele

Zugangsbeschränkungen in Archiven
- Mechanismus: Normative Ausschlussregeln nach Geschlecht, Konfession oder Stand.
- Effekt: Systematische Tilgung von Stimmen aus der historischen Überlieferung.
- Indikatoren: Explizite Zutrittsordnungen, fehlende Nutzungsprotokolle für ausgeschlossene Gruppen.
- Gegenmassnahmen: Retrospektive Dokumentation von Ausschlüssen, Priorisierung von Erschliessungslücken, inklusionsorientierte Benutzungsordnungen.
Staatliche Register
- Mechanismus: Kategorisierung nach “Rasse”, “Stamm”, “Religion” zur Hierarchisierung.
- Effekt: Ungleichbehandlung durch Verwaltung und Recht.
- Indikatoren: Kategorien mit sanktions- oder leistungsrelevanter Wirkung.
- Gegenmassnahmen: Historisierung und Kontextualisierung problematischer Kategorien, Schutzkennzeichnungen, restriktive Nachnutzungsbedingungen.
Berufsrollen in amtlichen Dokumenten
- Mechanismus: Erfassung von Frauen nur relational (“Frau des Schmieds”) statt als eigenständige Akteurinnen.
- Effekt: Unsichtbarmachung ökonomischer Tätigkeit.
- Indikatoren: Geringer Anteil eigenständiger Berufsangaben bei Frauen.
- Gegenmassnahmen: Nachträgliche Normalisierung, alternatives Namens- und Rollenmodell, Varianten als gleichwertige Identifikatoren pflegen.
Diskriminierende Beschreibungen und Zuschreibungen
- Mechanismus: Abwertende oder stereotypisierende Formulierungen in Katalogtexten, Abstracts und Schlagwörtern sowie unkommentierte Übernahme diskriminierender Fremdbezeichnungen aus Quellen oder Altmetadaten.
- Effekt: Stigmatisierung und Verletzung; Reproduktion historischer Hierarchien; Verzerrung von Deutung und Auffindbarkeit.
- Indikatoren: Wertende Adjektive als Default, Täterperspektive ohne Kontext, problematische Begriffe als bevorzugte Benennung, fehlende Kontext- und Provenienzfelder.
- Gegenmassnahmen: Trennung von Quellzitat und Beschreibungsebene; Kontextualisierung über Hinweise/; dokumentierte Redaktionsregeln, Versionierung und Feedbackwege (siehe Kapitel 4.1.8).

Indirekte Diskriminierung

Indirekte Diskriminierung liegt vor, wenn formal neutrale Kriterien, Methoden oder Regelungen zur Erhebung, Auswahl, Beschreibung oder Interpretation historischer Daten in ihrer Wirkung systematisch bestimmte Gruppen benachteiligen. Das betrifft zum Beispiel unterdokumentierte Gruppen oder Praktiken, die durch etablierte Routineprozesse weiter marginalisiert werden.

Kernelemente

Formale Neutralität: Kriterien oder Prozesse wirken auf den ersten Blick allgemeingültig.
Ungleichwirkung: In der Anwendung entstehen systematische Nachteile für bestimmte Gruppen (Disparate Impact).
Alternative Gestaltung: Es gäbe weniger benachteiligende, fachlich gleichwertige Verfahren oder Ausnahmen.

Beispiele

Alphabetische Namensregister
- Mechanismus: Ordnung nach Familiennamen mit Relationen über Haushaltsvorstände; Witwen unter Namen des Ehemannes.
- Effekt: Systematische Unauffindbarkeit von Frauen, Kindern und Menschen aus Kulturen ohne Familiennamen.
- Indikatoren: Hoher Anteil von “siehe”-Verweisen statt eigener Einträge.
- Gegenmassnahmen: Sekundärregister nach Vornamen/Rollen, relationale Verknüpfungen, Namensvarianten als Primärschlüssel.
Sprachliche Dokumentation
- Mechanismus: Dominanz von Amtssprachen (Latein, Französisch, Hochdeutsch) in der Überlieferung.
- Effekt: Geringe Sichtbarkeit von Minderheitensprachen und -praktiken.
- Indikatoren: Anteil nicht erfasster bzw. nicht indexierter Sprachvarietäten.
- Gegenmassnahmen: Mehrsprachige Erschliessung, Community-basierte Übersetzungen, -Labels pro Sprachvarietät.
Digitale Volltextsuche
- Mechanismus: Auswahl- und Digitalisierungsbias; / bevorzugt standardisierte Drucke.
- Effekt: Unterrepräsentation von Frauen, Arbeiter*innen, Handschriften.
- Indikatoren: / nach Schrift/Medium; -Differenzen in Korpora.
- Gegenmassnahmen: Stratifizierte Digitalisierung, gezieltes , ausgleichendes , .
Zensuskategorien
- Mechanismus: Erfassung nur von Haushaltsvorständen.
- Effekt: Statistische Unsichtbarkeit von Frauen, Kindern und anderen Haushaltsangehörigen.
- Indikatoren: Fehlende Individualdatensätze für Nicht-Vorstände.
- Gegenmassnahmen: Rekonstruktion von Haushalten, Metadaten zu Erhebungsdesigns, methodische Gewichtung in Analysen.
Unzureichende Findmittel und Zugangsbarrieren
- Mechanismus: Formal “neutrale” Find- und Zugriffspfade (Fachsprache, fehlende Barrierefreiheit, technische Hürden, unvollständige Erschliessung) begünstigen geübte Nutzergruppen und etablierte Forschungspraktiken.
- Effekt: Bestände und Perspektiven marginalisierter Gruppen bleiben praktisch unzugänglich; Nachnutzung konzentriert sich auf gut erschlossene, kanonisierte Quellen.
- Indikatoren: Hoher Anteil von 0-Treffer-Suchen, geringe Nutzung bestimmter Bestände, fehlende barrierefreie Metadaten/Interfaces.
- Gegenmassnahmen: Barrierearme Sprache, mehrere Einstiegspfade, bessere Findmittel und Dokumentation von Lücken, nutzerzentrierte Tests mit diversen Gruppen.

Strukturelle Diskriminierung

Strukturelle Diskriminierung bezeichnet Benachteiligungen, die in etablierten Praktiken der Sammlung, Dokumentation, Bewahrung und Zugänglichmachung verankert sind. Ordnungen des Archivierens, Katalogisierens und Kuratierens reproduzieren häufig patriarchale, koloniale und heteronormative Sichtweisen. Diese wirken sich auf Auswahlprozesse, die Sprache der Erschliessung und institutionelle Routinen aus. Zahlreiche digitale Infrastrukturen orientieren Sprache, Usability und Standards primär an westlichen Forschungstraditionen; indigene und nicht-westliche Perspektiven bleiben dadurch marginalisiert.

Kernelemente

Einbettung in Routinen und Infrastrukturen: Benachteiligungen entstehen nicht primär durch einzelne Akte, sondern durch gewachsene Standards, Prozesse und Klassifikationen.
Kumulativität und Pfadabhängigkeit: Viele kleine Entscheidungen verstärken sich über Zeit und werden schwer revidierbar.
Unsichtbarkeit als Normalform: Ungleichheiten erscheinen als “Datenlage” oder “Sachzwang” und werden dadurch stabilisiert.

Beispiele

Überlieferungs- und Erschliessungslücken
- Mechanismus: Selektive Sammlung, Archivierung und Beschreibung; marginalisierte Gruppen werden als “nicht relevant” klassifiziert, nur am Rand dokumentiert oder in Sammelkategorien aufgelöst.
- Effekt: Aktive oder fortgeschriebene Unsichtbarkeit in Archiven und Geschichtsschreibung; die “Datenlage” erscheint neutral, ist aber Ergebnis von Machtverhältnissen.
- Indikatoren: Leere oder stark ungleich verteilte Facetten, Sammelrubriken (“miscellaneous”), geringe Granularität bei marginalisierten Akteur*innen, systematische Lücken nach Region/Status.
- Gegenmassnahmen: Gap-Analysen, partizipative Sammlungs- und Erschliessungsstrategien, dokumentierte Erschliessungslücken, gezielte Erschliessungs- und Redescription-Projekte.
Eurozentrische Normdaten und kontrollierte Vokabulare
- Mechanismus: Normdaten privilegieren westliche Taxonomien; indigene Konzepte werden “gemappt”.
- Effekt: Semantische Asymmetrien, Fehlklassifikation, schlechteres .
- Indikatoren: Hoher Anteil unscharfer Schlagwörter; geringe Mehrsprachigkeit in skos:prefLabel/altLabel.
- Gegenmassnahmen: Community-kuratiertes Vokabular, Mehrsprachigkeit, präzise skos:exactMatch/closeMatch, dokumentierte Provenienz.
Binäre Personen- und Geschlechtermodelle in Metadatenstandards
- Mechanismus: Pflichtfelder erzwingen binäre Geschlechter, patronymische Hauptformen.
- Effekt: Unsichtbarkeit nicht-binärer Identitäten und eigenständiger Rollen.
- Indikatoren: Anteil Datensätze ohne Felder für Selbstbezeichnung; Normalisierungszwang in Normdaten.
- Gegenmassnahmen: Kontrolliert-offene Felder (genderIdentity, role), Varianten als gleichwertige Identifikatoren, versionsgeführte Entscheidungsprotokolle.
Digitale -Bias: Auswahl, / und
- Mechanismus: Kanonzentrierte Auswahl; Trainingsdaten für dominante Schriften/Sprachen; Indexgewichte bevorzugen gut erkannten Text.
- Effekt: Höhere Fehlerraten und schlechtere Auffindbarkeit für Minderheitensprachen und Handschriften.
- Indikatoren: / nach Schrift/Varietät; -Differenzen; Abdeckung pro Segment.
- Gegenmassnahmen: Stratifizierte Auswahlpläne, publizierte Fehlerbilanzen, für unterrepräsentierte Schriften, re-ranking, CLIR.
Kanon- und Metrikgetriebene implizite Priorisierung
- Mechanismus: Mittelvergabe nach Nutzung und Zitation.
- Effekt: Sichtbarkeitsspirale zugunsten von Eliten und Zentren.
- Indikatoren: Budget- und Seitenzahlen pro Gruppe/Region; “Anfragen vs. unerschlossene Bestände”.
- Gegenmassnahmen: Equity-Buckets, Social-Impact-KPIs, kooperative Digitalisierung, transparente Trade-offs.

Institutionelle Diskriminierung

Institutionelle Diskriminierung entsteht, wenn interne Ordnungen und Routinen von einer spezifischen Gedächtnisinstitution systematisch bestimmte Gruppen benachteiligen. Sie verschränkt sich oft mit struktureller Diskriminierung.

Kernelemente

Organisationsspezifische Regeln: Benachteiligung wird durch interne Policies, Zuständigkeiten, Budgets oder Systementscheidungen erzeugt.
Reproduzierbarkeit im Betrieb: Effekte sind wiederkehrend (nicht zufällig), weil sie in Prozessen, Rollen und Steuerung verankert sind.
Verantwortung und Governance: Gegenmassnahmen erfordern klare Zuständigkeiten, Dokumentation und überprüfbare Entscheidungswege.

Beispiele

Digitalisierungspriorisierung nach Kanon
- Mechanismus: Auswahlkriterien privilegieren stark nachgefragte Bestände.
- Effekt: Quellen marginalisierter Gruppen bleiben analog.
- Indikatoren: Disparitäten zwischen Anfragevolumen und Erschliessungsgrad pro Community.
- Gegenmassnahmen: Quoten für unterrepräsentierte Bestände, partizipative Auswahlprozesse.
Katalogisierungsrichtlinien mit normativen Kategorien
- Mechanismus: obligatorische Felder wie “männlich/weiblich”; beschränkte Auswahl von kolonial geprägten Schlagwörter.
- Effekt: Fehlklassifikation, Reproduktion diskriminierender Vokabulare.
- Indikatoren: Anteil problematischer Pflichtfelder, Korrekturhistorien.
- Gegenmassnahmen: Revision von Richtlinien, optionale Felder, Governance für Vokabularänderungen.
Lizenz- und Gebührenpolitik
- Mechanismus: Hohe Reproduktionskosten, restriktive Lizenzen.
- Effekt: Erschwerte Nachnutzung für Forscher*innen ohne starke institutionelle Einbindung, besonders in ressourcenärmeren Ländern und Regionen.
- Indikatoren: Anteil Open-Access-Objekte; Gebühren pro Nutzungstyp.
- Gegenmassnahmen: OA-First-Policy, gestaffelte Gebühren, -kompatible Zugangsmodelle.
Metadatenstandards ohne Mehrsprachigkeit
- Mechanismus: bewusste Zulassung nur dominanter Amtssprachen oder standardisierter Umschriften.
- Effekt: Unsichtbarkeit von Namen, Toponymen und Konzepten in Minderheitensprachen.
- Indikatoren: Sprachenabdeckung in Feldern und Indizes.
- Gegenmassnahmen: Mehrsprachige Felder, lokale Namensformen als gleichberechtigte Labels, Such-Unterstützung für Varianten.
Ausschluss aus Entscheidungsprozessen
- Mechanismus: Metadaten-Governance (Vokabularpflege, Redaktionsregeln, Sperrentscheidungen, Priorisierung) wird ohne marginalisierte Gruppen gestaltet oder ihre Beteiligung bleibt symbolisch.
- Effekt: Kategorien, Prioritäten und Korrekturen reproduzieren Dominanz; Konflikte um Begriffe und Darstellung eskalieren, Vertrauen sinkt.
- Indikatoren: Keine dokumentierten Beteiligungsformate, fehlende Beschwerde-/Feedbackwege, wiederkehrende Auseinandersetzungen um “legacy metadata”.
- Gegenmassnahmen: Partizipative Gremien/Advisory Boards, transparente Entscheidungsprotokolle, klare Änderungs- und Eskalationsprozesse.
Präsentation sensibler Inhalte ohne Schutzkonzept
- Mechanismus: Veröffentlichung und Interface-Design ohne sichtbare Kontextualisierung, Hinweise oder abgestufte Zugänge für diskriminierende und personenbezogene Inhalte.
- Effekt: (Re-)Traumatisierung, Stigmatisierung und Missbrauchsrisiken; Abschreckung bestimmter Nutzergruppen.
- Indikatoren: Fehlende /Hinweise, keine Zugriffsstufen, keine dokumentierten Risikoabwägungen.
- Gegenmassnahmen: Hinweis- und Kontextlayer, abgestufte Zugänge/Opt-in, dokumentierte Review-Prozesse (siehe Praxisteil, Abschnitt 5.2).

Statistische Diskriminierung

Statistische Diskriminierung bezeichnet die Benachteiligung von Individuen, wenn unter unvollständiger Information Entscheidungen auf gruppenbezogenen Durchschnittswerten beruhen.

Kernelemente

Informationsasymmetrie: Über Einzelne liegen weniger, über Gruppen mehr Information vor. Entscheidungen werden auf Gruppenstatistiken gestützt.
Gruppenzuschreibung: Wahrscheinlichkeiten oder Durchschnitte werden auf einzelne Personen übertragen.
Effekt: Benachteiligung von Personen, die nicht dem Gruppenprofil entsprechen.

Beispiele

Automatisches Geschlechter-Mapping in Normdaten
- Mechanismus: Imputation (das heisst Schätzung fehlender Werte) von gender aus Namensstatistiken oder Sprachmodellen.
- Effekt: Systematische Fehlzuordnung bei nicht-westlichen, historischen oder trans Namen.
- Indikatoren: Häufung von Zuweisungen nahe dem Klassifikationsschwellenwert; überproportionale Korrekturen nach Herkunftsregion.
- Gegenmassnahmen: Enthaltungsregel bei Unsicherheit; separate Felder für Selbstangaben und Quellen; kalibrierte Schwellen; aktive Nachannotation.
nach Produktivität
- Mechanismus: Zusammenführung häufiger Namen auf den produktivsten Normdatensatz.
- Effekt: False Merges löschen weniger sichtbare Personen; Zitationen und Werke werden fehlgeleitet.
- Indikatoren: Unplausible Sprünge in Grad- und Zitationsverteilungen; Cluster mit hoher Namensähnlichkeit und heterogener Provenienz.
- Gegenmassnahmen: Konservative Blocking-Regeln (Vorabfilter in Record-Linkage-Verfahren, um Vergleichsmenge einzuschränken); zeit- und ortsgebundene harte Constraints; gezieltes Review kleiner oder minorisierter Cluster; vollständige Provenienzspeicherung.
Historische Geokodierung mit modernen
- Mechanismus: Ambige Toponyme werden auf heutige Mehrheitsorte gemappt. sind strukturierte Ortsnamendatenbanken, die meist gegenwärtige Ortsinformationen priorisieren.
- Effekt: Verdrängung historischer Minderheitensiedlungen; Fehlkontexte in Karten.
- Indikatoren: Hoher Anteil Default-Zuordnungen ohne Jahrgang; Dominanz grosser Orte bei kurzen Ortsnamen.
- Gegenmassnahmen: Zeitgeschichtliche (das heisst nach historischen Epochen getrennt); Unsicherheitsgeometrien; “unresolved” statt Zwangszuordnung; expliziter Quellenhinweis im Datensatz.
Digitalisierungspolitik nach Zitationsmetriken
- Mechanismus: Auswahl via globalem Impact-Score als Proxy für “Wert”.
- Effekt: Periphere Stimmen bleiben analog; selbstverstärkende Sichtbarkeit etablierter Kanons.
- Indikatoren: Schiefe Verteilungen zugunsten kanonisierter Autorinnen und Autoren sowie Orte; geringe Diversität an den Sample-Rändern.
- Gegenmassnahmen: Stratifizierte Sampling-Pläne; Equity-Buckets (gezielt definierte Auswahlkategorien, um Diversität sicherzustellen); Offenlegung der Auswahlfunktion; Simulation und Vergleich alternativer Auswahlregeln.

Intersektionalität: Verflechtung von Diskriminierungsformen

Begriff und Herkunft

Intersektionalität bezeichnet einen Analyseansatz, der Diskriminierung nicht als isolierte Einzelphänomene (zum Beispiel nur Sexismus oder nur Rassismus) versteht, sondern als verflochtene, sich wechselseitig konstituierende Macht- und Ungleichheitsverhältnisse. Der Begriff wurde in der juristischen und feministischen Theorie prominent, um genau die Fälle zu beschreiben, in denen Personen durch das Raster einer Single-Axis-Logik (einachsige Perspektive) fallen: Wer nur nach „Geschlecht“ oder nur nach „Rasse“ fragt, übersieht die spezifischen Erfahrungen an der Kreuzung mehrerer Kategorien (Crenshaw 1989; Collins 2000).

Für die Daten- und Metadatenpraxis ist daran besonders wichtig, dass Intersektionalität nicht einfach „Mehrfachzugehörigkeit“ meint. Es geht nicht darum, Diskriminierungen additiv zu summieren, sondern darum, dass Kategorienwahl, Modellierung und Beschreibung oft so angelegt sind, dass bestimmte Gruppen weder in der Kategorie A noch in der Kategorie B sichtbar werden, sondern zwischen beiden verschwinden. Diese Problemlage ist auch in datengetriebenen Systemen empirisch gut belegt: Fehlerraten und Sichtbarkeit unterscheiden sich nicht nur zwischen Einzelkategorien, sondern besonders stark an deren Schnittstellen (Buolamwini und Gebru 2018; Noble 2018).

Relevanz für Metadatenpraxis

Metadaten entstehen durch Entscheidungen darüber, welche Merkmale erfasst werden, wie sie benannt werden und welche Beziehungen zwischen Entitäten modelliert werden. Wenn diese Entscheidungen nur auf einer Achse (einachsige Perspektive) getroffen werden, sind intersektionale Effekte naheliegend:

Klassifikationslogik: Facetten oder Normdaten sind so strukturiert, dass „Frauen“ implizit als „weiss“ und „Schwarze Menschen“ implizit als „männlich“ gelesen werden (Crenshaw 1989).
Retrieval-Logik: Such- und Filterfunktionen behandeln Kategorien als unabhängig. Eine Suche nach „Frauen“ liefert dann vor allem Datensätze, die in dominanten Kontexten bereits gut beschrieben wurden.
Quellenlage und Erschliessung: Historische Überlieferung und institutionelle Sammelpraktiken sind ungleich verteilt. Wenn diese Asymmetrien nicht explizit dokumentiert werden, erscheinen sie als „Datenlage“ statt als Ergebnis von Machtverhältnissen.

Beispiel: Historische Volkszählungsdaten erfassen „Geschlecht“ und „Ethnie“ als getrennte Variablen. Eine einachsige Auswertung kann nahelegen, dass „Frauen“ im Datensatz ausreichend sichtbar sind, weil viele weibliche Einträge existieren, oder dass „Schwarze Personen“ sichtbar sind, weil viele Einträge als „Black“ markiert sind. Eine intersektionale Perspektive fragt dagegen gezielt nach der Schnittmenge und kann zeigen, dass Schwarze Frauen in bestimmten Erhebungs- oder Auswertungslogiken systematisch unterrepräsentiert sind (zum Beispiel durch Haushaltsvorstandslogik, Namensnormalisierung, fehlende Berufsangaben, oder durch „unbestimmte“ Restkategorien).

Praktische Implikationen

Intersektionalität ist in der Praxis kein „zusätzlicher Tag“, sondern eine Anforderung an Datenmodell, Arbeitsabläufe und Auswertung:

Mehrfachkategorisierung ermöglichen: Wo Kategorien erfasst werden, sollten Kombinationen nicht technisch ausgeschlossen werden (zum Beispiel „nicht-binär“ und „trans“ und „historische Fremdbezeichnung“ als unterschiedliche, kontextgebundene Felder statt als exklusive Auswahl).
Schnittmengen prüfen: Qualitätskontrollen sollten nicht nur pro Kategorie („Frauen“, „Minderheitensprache“) erfolgen, sondern auch für Kreuzungen (zum Beispiel „Frauen + Minderheitensprache“, „Migrantisch + Arbeiterklasse“, „indigen + Archivzugang“).
Granularität vs. Schutz: Je granularer Merkmale kombiniert werden, desto leichter kann Re-Identifikation werden. Intersektionale Sichtbarkeit muss daher mit Datenschutz- und Schutzkonzepten zusammen gedacht werden (Kapitel 3.5).

Diskriminierungsformen sollten nicht isoliert betrachtet werden. Jede Analyse sollte prüfen, ob bestimmte Gruppen an der Kreuzung mehrerer Merkmale besonders betroffen sind. Praktisch heisst das: Intersektionalität als Prüffrage in Planung, Datensammlung, Beschreibung und Veröffentlichung verankern (Kapitel 3.1 und Kapitel 3.5).

Historische Begriffe: Bewahren oder Korrigieren?

Das Dilemma

Historische Quellen enthalten häufig diskriminierende Begriffe und Kategorisierungen. Für eine diskriminierungssensible Metadatenpraxis entsteht daraus ein Spannungsfeld zwischen zwei Ansprüchen:

Quellentreue und historischer Kontext: Begriffe sind Teil der Überlieferung, sie können für Forschung, Provenienz und Rekonstruktion historischer Semantiken relevant sein.
Schutz vor Verletzung und Perpetuierung: Begriffe können beim Wiedergeben, Indexieren und Sichtbarmachen erneut verletzen und diskriminierende Ordnungen stabilisieren.

Diese Spannung ist nicht rein sprachlich. Sie betrifft Arbeitsabläufe, Suchbarkeit, Normdatenpflege, Zugangsentscheidungen und die Frage, wer über Begriffe mitentscheiden darf.

Archivische Provenienz (Bewahrungsprinzip)

Archivische Provenienz betont Bewahrung und dokumentarische Integrität: Beschreibung solle die Überlieferung nicht “korrigieren”, um keine Geschichtsfälschung zu betreiben. Problematische Begriffe werden als historische Dokumente verstanden, deren Veränderung Kontext zerstören kann. Zusätzlich wird argumentiert, dass Forschende Originalbegriffe benötigen, um Quellen zu finden und historische Sprachgebrauche nachzuvollziehen (Jenkinson 1922).

Für Metadatenpraxis kann daraus eine Strategie folgen, die auf minimale Eingriffe setzt: Originaltermini werden beibehalten, allenfalls ergänzt um Erläuterungen.

Reparative Beschreibung

Reparative Beschreibung argumentiert, dass Archive, Kataloge und Metadaten nie neutral sind: Sie sind eine Zugriffsschicht, die aktiv steuert, was sichtbar, auffindbar und legitim erscheint. Problematische Begriffe unkommentiert fortzuführen, ist daher selbst eine Entscheidung mit Folgen. Reparative bzw. kritische Beschreibung zielt darauf, diskriminierende Beschreibungspraktiken zu erkennen, zu kontextualisieren und zu verändern. Leitfäden wie die Anti-Racist Description Resources und Rassismuskritische Dokumentation betonen dabei Transparenz, Kontext, Community-Einbindung und den bewussten Umgang mit „legacy metadata“ (Archives for Black Lives in Philadelphia. Anti-Racist Description Working Group 2020; Schweizerisches Nationalmuseum u. a. 2025). Die dekoloniale Archivdebatte formuliert dazu explizit, dass Beschreibungspraxis nicht nur Dokumentation, sondern politische Praxis ist und daher revidierbare Verantwortungsentscheidungen braucht (Ghaddar und Caswell 2019; Caswell 2019).

In deutschsprachigen Archivdebatten wird diese Spannung unter anderem im Kontext queerfeministischer Kritik an Katalog- und Ordnungspraktiken diskutiert (Sparber 2016; Gruber 2022; Rottmann 2023).

Kompromissmodelle in der Praxis

In der Praxis existieren Ansätze, die Quellentreue und Gegenwartssensibilität kombinieren:

Dual Cataloging: Historische und aktuelle Begriffe parallel führen (zum Beispiel in getrennten Feldern oder über Varianten), sodass sowohl Recherche nach historischen Termini als auch respektvolle Darstellung möglich ist.
Kontextualisierung: Problematische Begriffe markieren und erklären (zum Beispiel über Content Notes, Hinweise zur Terminologie und kurze Einordnungen).
Community Involvement: Betroffene Communities in Entscheidungen einbeziehen (zum Beispiel bei Vokabularen, Korrekturen, Sperrfristen oder Kontexttexten).
Versionierte Beschreibung: Änderungen nachvollziehbar dokumentieren (Wer hat wann warum geändert? Welche Varianten bleiben recherchierbar?).
Community Archives: Selbstbestimmte Dokumentationspraktiken respektieren und nicht durch institutionelle Normdatenlogik „glattziehen“ (Flinn 2007).

Wenn diese Ansätze aus Ressourcen- oder Governance-Gründen nicht vollständig umgesetzt werden können, empfiehlt sich als Minimalstrategie ein kontextsensitives Vorgehen, das klar zwischen Überlieferungs- und Beschreibungsebene unterscheidet:

Für Metadaten (Beschreibungsebene): aktuelle, respektvolle Begriffe verwenden und historische Varianten dokumentieren (zum Beispiel als Varianten/Altlabels) statt sie als bevorzugte Benennung auszugeben.
Für Transkriptionen/Editionen: Originalwortlaut beibehalten, aber kontextualisieren (zum Beispiel mit Content Notes und eindeutigen Hinweisen auf diskriminierende Sprache).
Für Normdaten: Änderungen versionieren und begründen; die Provenienz von Begriffen und Korrekturen dokumentieren.

Zentral ist dabei die Frage der Verantwortung: Wer entscheidet über Begriffe, wer trägt Risiken, und wie werden Betroffene beteiligt? (Kapitel 3.5.4, Kapitel 3.8.3 und Kapitel 3.5).

Verzerrungen und Fehler (Bias)

Unter einem Bias wird eine Verzerrung – eine systematische Abweichung einer objektiven Darstellung – verstanden. Technisch kann ein Bias in Forschungsdaten etwa durch eine unausgewogene Datenauswahl, eine stereotypisierende Begriffsauswahl oder durch algorithmische Vorannahmen entstehen. Inhaltlich äussert sich ein Bias in verschiedenen Formen wie in der Auswahl dessen, was überhaupt als erzählenswert gilt, in der Art und Weise der Beschreibung historischer Ereignisse oder in den moralischen oder interpretativen Bewertungen, die Historiker*innen vornehmen. Diese Voreingenommenheit ist nicht nur ein Fehler, sondern ergibt sich aus der grundlegenden Tatsache, dass jede historische Darstellung selektiv und perspektivisch ist. In der Metadatenerstellung ist oftmals ein Bias in den Beschreibungstexten zu finden. So werden beispielsweise Frauen in historischen Quellen oftmals auf ihr äusseres Erscheinungsbild reduziert, während bei Männern häufig zuerst ihre beruflichen Tätigkeiten erwähnt werden. Diese Reduktion der Frau auf ihr äusseres Erscheinungsbild steht in einer langen Tradition der Objektivierung weiblicher Körper. Wenn im Kontext der Überarbeitung der Metadaten nicht nur der Bias kritisch reflektiert wird, sondern der Fehler als Reproduktion von Geschlechterstereotypen dargestellt wird, werden diskriminierende Strukturen sichtbar und können so schrittweise abgebaut werden.

Verhältnis von Bias und Diskriminierung

Das Problem der Begriffsverwirrung

In der Forschung wie auch in praktischen Debatten wird Bias häufig als Sammelbegriff verwendet: mal als neutral-technische Bezeichnung für Verzerrungen, mal als moralische Kurzformel für „Ungerechtigkeit“ oder „Diskriminierung“. Diese Doppelverwendung führt zu zwei wiederkehrenden Problemen. Erstens werden Phänomene vermischt, die sich analytisch trennen lassen: Verzerrungen in Daten, Modellen und Interfaces einerseits und Diskriminierung als soziale Praxis bzw. als Ergebnis ungleicher Macht- und Teilhabeverhältnisse andererseits. Zweitens wird dadurch die Verantwortung verschoben: Was als „Bias“ benannt wird, erscheint oft als technisches Qualitätsproblem, selbst wenn die Ursachen (und Folgen) in Kategorienwahl, institutionellen Routinen, Normdaten, Ausschlüssen und historischen Machtverhältnissen liegen.

Für eine diskriminierungssensible Metadatenpraxis ist diese Unschärfe besonders relevant, weil Metadaten sowohl Beschreibung (eine technische Zugriffsschicht) als auch Deutung (eine historisch-soziale Perspektive) enthalten. Ein und derselbe Befund – etwa stereotype oder auslassende Beschreibungen – kann daher als „Bias“ (Verzerrung) beschrieben werden, aber zugleich als Form von Diskriminierung wirken, wenn er bestimmte Gruppen systematisch unsichtbar macht, herabsetzt oder ihre Handlungsmacht verzerrt.

Bias als technischer Fehler

Eine einflussreiche Position – prominent in Fairness- und Bias-Forschung zu maschinellem Lernen – versteht Bias primär als mess- und modellierbare Abweichung, die sich diagnostizieren und (zumindest teilweise) korrigieren lässt. In diesem Zugriff ist Bias ein Problem der Datenqualität, der Messung, der Modellannahmen oder der Evaluation: Man sucht nach Quellen der Verzerrung (zum Beispiel nicht-repräsentative Datensätze, ungeeignete Benchmarks, fehlerhafte Proxy-Variablen) und nach Verfahren zur Reduktion (zum Beispiel Re-Sampling, Re-Weighting, Regularisierung, Post-Processing). Surveys wie Mehrabi et al. ordnen solche Bias-Quellen systematisch und machen sichtbar, dass „Bias“ je nach -Stufe sehr unterschiedliche technische Ursachen haben kann (Mehrabi u. a. 2021).

Wichtig ist: Selbst innerhalb dieses technisch orientierten Zugriffs ist „Fairness“ kein einfacher Zielwert. Verschiedene Fairness-Definitionen (zum Beispiel Demographic Parity, Equalized Odds, Individual Fairness) können sich gegenseitig ausschliessen, sodass Korrekturen immer auch Trade-offs erzeugen (Chouldechova 2017; Kleinberg, Mullainathan, und Raghavan 2017). Für die Praxis heisst das: Bias-Reduktion ist ein sinnvolles Instrument, aber sie löst nicht automatisch die Frage, welche Norm (Gleichheit, Chancengleichheit, Schadensminimierung, Rechenschaft) im jeweiligen Kontext gilt.

Gerade hier liegt der Unterschied zur Diskriminierung: Bias beschreibt in erster Linie eine diagnostizierbare Verzerrung in einem technischen oder methodischen Prozess; Diskriminierung bezeichnet die sozial wirksame Benachteiligung von Personen und Gruppen in ungleichen Machtverhältnissen. Ein System kann damit statistisch “fairer” werden und dennoch diskriminierend wirken, wenn es historisch belastete Kategorien fortschreibt, Ausschlüsse reproduziert oder nur dominante Nutzergruppen als implizite Norm behandelt (Buolamwini und Gebru 2018; Noble 2018).

Bias als Symptom struktureller Diskriminierung

Eine zweite Position – anschlussfähig an Critical Data Studies und feministische/antirassistische Technik- und Wissenskritik – versteht Bias nicht primär als “Fehler im System”, sondern als Symptom: Daten und Modelle reproduzieren gesellschaftliche Ungleichheiten, weil sie in Institutionen, Klassifikationen, Quellenlagen und epistemischen Routinen eingebettet sind. Aus dieser Perspektive ist es irreführend, Diskriminierung als Ausnahme zu behandeln, die „aus den Daten entfernt“ werden kann. Vielmehr sind Kategorien, Trainingsdaten, Normvokabulare, Such- und Sortierlogiken und auch das, was als „gute“ Daten gilt, historisch geprägt und sozial umkämpft (Noble 2018; Buolamwini und Gebru 2018).

Data Feminism betont in diesem Sinn, dass Datenarbeit immer auch Machtarbeit ist: Wer wird gezählt, wer wird beschrieben, welche Klassifikationen werden als neutral ausgegeben, und wessen Perspektiven fehlen in der Infrastruktur? (D’Ignazio und Klein 2020) Für Metadaten heisst das: Selbst wenn einzelne Verzerrungen technisch reduziert werden, kann die Praxis weiterhin diskriminierend wirken – etwa wenn die zugrunde liegenden Kategorien Gruppen unsichtbar machen, wenn historische Fremdbezeichnungen unkritisch fortgeschrieben werden oder wenn institutionelle Routinen bestimmte Quellen systematisch ausschliessen.

Bias, Diskriminierung und Unterdrückung: Ein integrativer Blick

Dieses Handbuch unterscheidet Bias und Diskriminierung analytisch, hält sie aber praktisch für eng verschränkt.

Erstens: Die Bias-Taxonomie in diesem Kapitel ist als Diagnose- und Handlungsinstrument gedacht. Sie hilft, Verzerrungen in Daten (zum Beispiel Auswahl- und Messfehler), in Algorithmen (zum Beispiel Evaluations- oder Optimierungsartefakte) und in Nutzerinteraktionen (zum Beispiel - und Popularitätslogiken) zu lokalisieren und gezielt anzugehen.

Zweitens: Bias wird hier zugleich als operationalisierte, analysierbare Form von Diskriminierung verstanden – im Sinne von „sichtbaren Spuren“ ungleicher Macht- und Teilhabeverhältnisse in Daten- und Metadatenpraktiken. Bias-Korrekturen sind daher oft notwendig (zum Beispiel um unmittelbare Schäden zu reduzieren), aber sie sind selten hinreichend, wenn Kategorien, institutionelle Ziele und Verantwortlichkeiten unberührt bleiben.

Hier setzt das Konzept der Oppression (Unterdrückung) an. Oppression ist nicht bloss eine einzelne Handlung der Benachteiligung, sondern das Zusammenspiel von Praktiken, Diskursen und Institutionen, die Handlungsspielräume ganzer Gruppen systematisch einengen. In der feministischen Machttheorie wird Unterdrückung als strukturelles “power-over” verstanden: eine dauerhafte, nicht-zufällige Konstellation, in der Institutionen, Normen und symbolische Ordnungen bestimmte Gruppen in ihren Optionen einschränken, während andere privilegiert werden (Young 1990). Unterdrückung wirkt materiell (physisch, ökonomisch), symbolisch (Stigmatisierung, Unsichtbarmachung) und epistemisch (Festlegung dessen, was als Wissen gilt).

Historische Daten- und Metadatenpraktiken können Unterdrückung auf mindestens drei Ebenen reproduzieren: ontologisch, epistemisch und infrastrukturell. Diese Formen wirken kumulativ: Jede einzelne Drahtstrebe, beispielsweise ein kontrolliertes Vokabular, scheint zunächst harmlos. Doch im Zusammenspiel entsteht ein Käfig, der die Bewegungsfreiheit bestimmter Gruppen systematisch einschränkt (Frye 1983).

Ontologische Gewalt

Wirkmechanismus: Erzwingt Kategorien, die der Selbstbeschreibung der Betroffenen widersprechen oder sie auf defizitäre Merkmale reduziert (Bowker und Star 1999).

Beispiele:

Binarer gndo:gender-Wert (“male”/“female”) löscht nicht-binäre Identitäten.
Koloniale Ethnonyme in Normdaten (“Hottentotte”) perpetuieren rassistische Klassifikationen.

Epistemische Gewalt

Wirkmechanismus: Verunmöglicht Wissen, indem es bestimmte Perspektiven ausschliesst oder als “Rauschen” markiert (Spivak 1988).

Beispiele:

Aggregations-Metadaten, die Briefe von Dienstbotinnen als “miscellaneous” ablegen.
Diplomatenschriftverkehr wird dagegen fein granular erschlossen.

Infrastrukturelle Gewalt

Wirkmechanismus: Fixiert Benachteiligungen durch technische Standards, die schwer veränderbar sind (lock-in) (Rodgers und O’Neill 2012).

Beispiele:

Vorgabefelder in Sammlungssoftware ohne Mehrsprachigkeit erzwingen englischsprachige Schlagwörter und verdrängen indigene Begriffe.
Unveränderbare Feldlängen lassen traditionelle Namen abschneiden.

Verzerrung und Fehler in Daten (Data Bias)

Messfehler (Measurement Bias)

Bias, der durch fehlerhafte, unvollständige oder inadäquate Messung von Variablen entsteht.

Beispiel 1: In digitalen Editionen historischer Texte wird “Bedeutung” oft über die Häufigkeit bestimmter Begriffe erfasst, doch fehlerhafte -Erkennung - etwa wenn das historische “ſ” nicht als “s” erkannt wird – oder uneinheitliches Tagging führen leicht zu systematischen Verzerrungen.

Beispiel 2: Erfassung von Geschlecht in historischen Volkszählungen: “Beruf: Haushaltsvorstand” wird in digitalen Datenbanken oft als “männlich” codiert, was weibliche Haushaltsvorstände systematisch ausschliesst.

Auslassungsfehler (Omitted Variable Bias)

Entsteht, wenn relevante Variablen im Modell fehlen, was zu verzerrten Ergebnissen führt.

Beispiel: Eine digitale Netzwerkanalyse historischer Korrespondenz lässt informelle Kommunikationswege (zum Beispiel persönliche Treffen, mündliche Überlieferung) aus, was zu verzerrten Interpretationen von Kommunikationsnetzwerken führt.

Repräsentationsfehler (Representation Bias)

Bias durch nicht-repräsentative Stichproben, zum Beispiel geografische oder demografische Unterrepräsentation im Datensatz.

Beispiel: Digitalisierte Zeitungsarchive decken meist nur bestimmte (oft bürgerliche oder urbane) Presse ab; Arbeiterzeitungen, marginalisierte Gruppen oder nicht-deutschsprachige Publikationen fehlen und werden in der Forschung unsichtbar.

Aggregationsfehler (Aggregation Bias)

Fehlerhafte Verallgemeinerung von Gruppenergebnissen auf Individuen oder Subgruppen.

Simpson’s Paradox: Aggregierte Trends können täuschen, weil sich Zusammenhänge auf Subgruppenebene ins Gegenteil verkehren.

Beispiel: Eine Methode scheint insgesamt erfolgreicher, ist aber in allen Teilgruppen weniger erfolgreich, die Aggregation verschleiert dies.

Modifiable Areal Unit Problem (MAUP): Ergebnisse hängen von der gewählten räumlichen Aggregation ab.

Beispiel: Zusammenfassung von unterschiedlichen Sozialstrukturen (zum Beispiel alle “Arbeiter” im 19. Jh.) überdeckt regionale Unterschiede – etwa zwischen Textilarbeiterinnen im Ruhrgebiet und Landarbeitern in Ostpreussen.

Stichprobenfehler (Sampling Bias)

Bias durch nicht-zufällige Auswahl von Stichproben führt zu mangelnder Generalisierbarkeit.

Beispiel: Oral History-Projekte, die ausschliesslich mit Zeitzeugen arbeiten, die aktiv Kontakt zu Forscher*innen aufnehmen, erfassen tendenziell eher politisch engagierte oder bildungsnahe Akteur*innen.

Längsschnittfehler (Longitudinal Data Fallacy)

Fehlschluss durch Vermischung von Kohorten in Querschnittsdaten, anstatt echte zeitliche Entwicklung zu betrachten.

Beispiel: Analyse von Wikidata-Einträgen zu historischen Persönlichkeiten über Jahrzehnte hinweg, ohne zu berücksichtigen, dass sich die Erfassungsregeln oder Community-Praktiken im Zeitverlauf ändern.

Historische Verzerrung (Historical Bias)

Bias, der bereits in der gesellschaftlichen Realität existiert und sich in den Daten widerspiegelt, auch bei perfekter Stichprobe.

Beispiel: Digitale Repositorien, die historische Demografie abbilden, spiegeln patriarchale Strukturen wider: Die geringe Zahl von “Frauen in Führungspositionen” ist kein Datenfehler, sondern gesellschaftliche Realität.

Populationsfehler (Population Bias)

Unterschiede zwischen Nutzenden der Plattform und der Zielpopulation, zum Beispiel durch Demografie.

Beispiel: Wikidata-Einträge zu Historiker*innen stammen überproportional von männlichen, westlichen Beitragenden, was sich in der Sichtbarkeit und Kategorisierung niederschlägt.

Verzerrungen in und durch Algorithmen (Bias in Algorithms)

Algorithmischer Fehler (Algorithmic Bias)

Bias, der durch algorithmische Designentscheidungen entsteht, unabhängig von Bias in den Daten (zum Beispiel durch Auswahl der Optimierungsfunktion).

Beispiel: von philosophischen Texten ergibt “Themen”, die Resultat von Wortlisten und Stoppwortdefinitionen sind, aber von Nicht-Expert*innen als inhaltlich signifikante Topoi interpretiert werden.

Evaluationsfehler (Evaluation Bias)

Verzerrung durch ungeeignete oder unausgewogene Benchmarks bei der Modellbewertung.

Beispiel: Trainings- und Testsets für -Modelle im Bereich Geschichte verwenden hauptsächlich Quellen des 20. Jahrhunderts. Modelle performen deshalb schlecht bei mittelalterlichen oder frühneuzeitlichen Texten.

Verzerrungen durch Nutzerinteraktion (User Interaction Bias)

Darstellungsfehler (Presentation Bias)

Ungleichgewicht, das durch visuelle, typografische oder layoutbezogene Hervorhebungen entsteht. Interface-Entscheide lenken Aufmerksamkeit und Interpretationsrahmen, bevor inhaltliche Qualität bewertet wird.

Beispiel: Quellen, die ohne Einschränkungen zugänglich sind, werden farblich hervorgehoben im Archivkatalog. Damit werden sie häufiger angeklickt und verdrängen, die weniger zugänglichen Quellen überdurchschnittlich.

Rangfolgenfehler (Ranking Bias)

Systematische Verzerrung durch Sortierlogiken, die Klicks, Zitationszahlen oder Metadatenfülle belohnen. Höhere Position führt zu mehr Aufmerksamkeit, was die ursprüngliche Rangordnung verstärkt, unabhängig von Relevanz.

Beispiel: Museumsportal sortiert nach “Meist betrachtet”. Kolonialzeitliche Exponate mit früher Social-Media-Reichweite dominieren, während neu katalogisierte Objekte aus dem Globalen Süden kaum Sichtbarkeit erhalten.

Popularitätsfehler (Popularity Bias)

Beliebtere Objekte werden häufiger gezeigt und verstärken dadurch ihre Popularität, unabhängig von Qualität.

Beispiel: In Crowdsourcing-Projekten zu alten Handschriften dominieren wenige besonders aktive User, sodass ihre Lesarten überproportional häufig übernommen werden.

Emergenter Fehler (Emergent Bias)

Bias, der erst durch langfristige Interaktion mit Nutzenden oder gesellschaftlichen Wandel entsteht.

Beispiel: Ein digitales Editionsprojekt zu mittelalterlichen Urkunden wird ursprünglich als Forschungsinfrastruktur für Editionsphilologie konzipiert. Mit der Zeit beginnen jedoch genealogische Communities, die Daten für Familienforschung zu nutzen. Dadurch verschiebt sich die Nachfrage in Richtung Namens- und Ortsindexierung. Die Infrastrukturbetreiber passen ihre Metadatenstrukturen und Suchfunktionen an diese Nutzergruppen an, was wiederum philologische Tiefeninformationen (zum Beispiel Variantenkritik) systematisch marginalisiert.

Selbstselektionsverzerrung (Self-Selection Bias)

Bias durch selbstselektierende Teilnehmende, zum Beispiel in Umfragen.

Beispiel: Digitalisierungsprojekte zu Privatarchiven werden eher von Familien mit hohem kulturellem Kapital initiiert, während marginalisierte Familien seltener teilnehmen.

Verhaltensverzerrung (Behavioral Bias)

Unterschiedliches Verhalten von Nutzenden je nach Plattform, Kontext oder Zeit.

Beispiel: Historiker*innen recherchieren systematischer, während Lai*innen häufig nach Familiennamen oder spektakulären Ereignissen suchen. Dies beeinflusst Zugriffszahlen.

Zeitliche Verzerrung (Temporal Bias)

Verzerrungen, die sich aus zeitlichen Veränderungen in Verhalten oder Population ergeben.

Beispiel: Die Häufigkeit von Suchbegriffen in Archiven schwankt mit Debatten (zum Beispiel “Pandemie” 2020/21), was langfristige Analysen verzerrt.

Inhaltsproduktionsfehler (Content Production Bias)

Verzerrungen, die auf Unterschieden in Struktur, Lexik, Semantik und Syntax nutzergenerierter Inhalte beruhen.

Beispiel: Digitale Foren zur Wissenschaftsgeschichte werden auf Englisch dominiert; andere Sprachen sind unterrepräsentiert.

Daten über Daten

Was sind Forschungsdaten?

Unter Forschungsdaten verstehen wir sämtliche digitale Repräsentationen von physischen und virtuellen Objekte, die Forscher*innen während ihrer Forschung verwenden und produzieren und die als digitale Daten repräsentiert werden können. Dazu gehören Quellen, Transkriptionen oder Reproduktionen, Exzerpte, Zeitreihen, Tabellen, Diagramme, Karten, Modelle, Bilder, Videos, Interviews, Artikel, Sekundärliteratur, Software, Quellcode, , Forschungsprotokolle, Datensätze etc.

Bei historischen Forschungsprojekten stammt ein grosser Teil der Forschungsdaten oft aus den Beständen von Gedächtnisinstitutionen wie Archiven, Bibliotheken und Museen oder steht in publizierter Form in Büchern oder Artikeln zur Verfügung. In vielen Fällen sorgen diese Einrichtungen für die Langzeitarchivierung der Quellen. Dann kann über die oder die Signatur direkt auf die Objekte (sowie auf deren Metadaten) verwiesen werden. Meistens werden in Forschungsprojekten jedoch zusätzliche Metadaten erhoben oder bestehende Metadaten korrigiert. Dabei kann es sich um Quellenannotationen, erweiterte Beschreibungen, korrigierte Angaben etc. handeln. In diesen Fällen empfiehlt es sich, einen neuen, möglichst kompletten Metadatensatz zu erstellen und mit Verweis auf das Original auf einer geeigneten Plattform zur Verfügung zu stellen. Redundanz ist bei Forschungsdaten wünschenswert und erhöht ihre Verfügbarkeit und Auffindbarkeit.

Im Rahmen der Forschung werden oft Daten aus historischen Quellen abgeleitet und zusammengestellt. Dazu gehören etwa Textdaten (zum Beispiel Forschungsprotokolle), Zeitreihen (gegebenenfalls dargestellt als Diagramme oder Tabellen) oder georeferenzierte Karten und Netzwerkdarstellungen (zum Beispiel basierend auf Grabungsdaten oder Briefwechseln).

Da viele textuelle Forschungsdaten nur auf Papier oder in unstrukturierter digitaler Form vorliegen, ist die Extraktion strukturierter Daten aus diesen Materialien oft sehr aufwändig (scannen, bereinigen, annotieren usw.). Neben den für die Forschung relevanten Daten müssen auch die dazugehörigen Prozessinformationen und unterstützenden Daten (Software, Algorithmen, Protokolle, usw.) dokumentiert, archiviert und zugänglich gemacht werden. Diese Informationen sind unerlässlich, um die Nachvollziehbarkeit und Reproduzierbarkeit der Forschungsergebnisse zu gewährleisten.

Was sind Metadaten?

Metadaten enthalten strukturierte Informationen über Objekte, insbesondere über deren Inhalt, Kontext und Struktur. Dabei ermöglichen bzw. erleichtern sie deren Identifikation, Auffindbarkeit, Organisation, Verwaltung, Kontextualisierung und Nutzung. Metadaten sollten so strukturiert sein, dass sie die wichtigsten Attribute des beschriebenen Objekttyps modellieren. Ihre Speicherung erfolgt entweder unabhängig von oder auch zusammen mit den ihnen zugeordneten Daten.

Plakat mit rotem Hintergrund: Drei Männer in bunten Gewändern und Turbanen führen Handarbeiten aus – einer webt, einer hält Schmuck, einer arbeitet mit Tongefässen. Darunter steht gross "KNIE" und kleiner "Völkerschau". — Plakat des Circus Knie für eine “Völkerschau”, Darstellung von stereotypisierten Szenen mit Männern beim Handwerk, Schweiz, 20. Jahrhundert.

Zur Illustration Begrifflichkeiten rund um Metadaten greifen wir auf die Metadaten des Beispiels Knie Völkerschau zurück. Wir haben es ausgewählt, weil es exemplarisch für problematische, kolonial geprägte Darstellungsweisen in populärer Unterhaltungskultur des 20. Jahrhunderts steht und über reichhaltige Metadaten verfügt.

“Metadaten-Tabelle für: *Knie Völkerschau*”
Feld ( / Europeana)	Wert
dc:title	Knie Völkerschau
dc:description	Litografi, flerfarvet tryk : mål: 500 x 350 mm flerfarvet tegning af tre håndværkere ved arbejdet
dc:date	1969?
dc:type	Billede, Todimensionalt billedmateriale Still image, poster
dc:subject	Knie Cirkus Håndværker
dc:identifier	http://www.kb.dk/images/billed/2010/okt/billeder/object488811/en/
dc:rights	Billedet er muligvis beskyttet af loven om ophavsret BY-NC-ND 4.0
edm:isShownBy	http://kb-images.kb.dk/DAMJP2/DAM/Samlingsbilleder/0000/488/811/PL000012/full/full/0/native.jpg
edm:isShownAt	http://www.kb.dk/images/billed/2010/okt/billeder/object488811/en/
edm:provider	DK-National Aggregation Service
edm:dataProvider	Det Kongelige Bibliotek, Nationalbibliotek og Kobenhavns Universitetsbibliotek
edm:country	Denmark
edm:language	da (Dänisch)
edm:preview	https://api.europeana.eu/thumbnail/v2/url.json?uri=http%3A%2F%2Fkb-images.kb.dk%2FDAMJP2%2FDAM%2FSamlingsbilleder%2F0000%2F488%2F811%2FPL000012%2Ffull%2Ffull%2F0%2Fnative.jpg\&type=IMAGE
Europeana-ID	92023/images_billed_2010_okt_billeder_object488811
Europeana-LandingPage	https://www.europeana.eu/en/item/92023/images\_billed\_2010\_okt\_billeder\_object488811
Manifest	https://iiif.europeana.eu/presentation/92023/images\_billed\_2010\_okt\_billeder\_object488811/manifest

Die Metadaten des Plakats Knie Völkerschau machen deutlich, dass Metadaten sowohl intrinsische (dem Objekt selbst inhärente) als auch extrinsische (dem Objekt zugeschriebene) Informationen enthalten können. So verweist etwa dc:description auf intrinsische Eigenschaften wie Format, Material und Gestaltung des Drucks, während Felder wie dc:subject oder edm:provider extrinsische Klassifikationen und institutionelle Zuschreibungen dokumentieren (forschungsdaten.info 2024).

Darüber hinaus lassen sich die im Beispiel vorliegenden Metadaten verschiedenen Funktionskategorien zuordnen:

Bibliographische Metadaten: Titel (dc:title), Identifier (dc:identifier, Europeana-ID), Rechte (dc:rights).
Administrative Metadaten: Angaben zu Datenprovidern, Aggregationsdiensten und Zugangs-URLs (edm:provider, edm:isShownAt).
Fachspezifisch-inhaltliche Metadaten: thematische Schlagworte (dc:subject) oder die Beschreibung der dargestellten Handwerker-Szenen (dc:description).

Im Kontext der Digitalisierung ist zusätzlich von Paradaten bzw. Prozessmetadaten zu sprechen, die im Europeana-Datensatz implizit mitschwingen, auch wenn sie nicht explizit aufgeführt sind. Dazu gehören etwa Kameraeinstellungen oder Farbprofile, die während der Erstellung des Digitalisats generiert wurden (Hart u. a. 2025).

Das Beispiel illustriert zudem die Differenz zwischen physischen Objekten und deren digitalen Repräsentationen:

Das physische Plakat selbst besitzt Eigenschaften wie Grösse, Material und Zustand.
Das Digitalisat ist als JPEG-Datei mit spezifischer Auflösung verfügbar (edm:isShownBy, edm:preview).
Der Digitalisierungsprozess erzeugt weitere Informationen, etwa zu Perspektive, Bildausschnitt und Farbwiedergabe, die für eine präzise Kontextualisierung entscheidend sind.

Metadatenstandards

Zur Strukturierung von Metadaten existieren verschiedene Standards und Verfahren, die meistens durch eine Fachcommunity entwickelt und gepflegt werden. Sie dienen der Sicherung von Qualität, Konsistenz und Interoperabilität, bringen jedoch auch Herausforderungen wie Standardisierungsdruck, mögliche Auslassungen und Semantisierungsverluste mit sich. Dabei lassen sich sieben Ebenen oder Typen von Standards unterscheiden.

Eine detaillierte Aufschlüsselung dieser sieben Ebenen mit Beispieltabelle ist in den Anhang ausgelagert (siehe Kapitel 7.4).

Im Praxisteil dieses Handbuchs gehen wir insbesondere auf Schemas, Inhalts- und Wertstandards ein und beziehen uns dabei vorwiegend auf die Metadata Initiative (DCMI). Eine umfassende Übersicht weiterer verbreiteter Standards liefert etwa Gabay u. a. (2023).

FAIR, CARE und LOUD: Überblick und Zielsetzung

Dieses Kapitel bündelt drei komplementäre Orientierungen der Forschungsdatenpraxis. adressiert Auffindbarkeit, Zugänglichkeit, Interoperabilität und Wiederverwendbarkeit als technische und organisatorische Leitlinien (Wilkinson u. a. 2016; Go FAIR Initiative o. J.). rückt kollektiven Nutzen, Kontrollhoheit, Verantwortung und Ethik in den Fokus, insbesondere bei indigenen Daten (Global Indigenous Data Alliance o. J.; Carroll u. a. 2021). verschiebt den Blick von der reinen Bereitstellung hin zur tatsächlichen Nutzbarkeit in wissenschaftlichen Arbeitsabläufen. Ziel ist eine lesbare, praxisnahe Ordnung der Prinzipien für historische Forschung und Metadatenarbeit.

Begriffsklärungen: offen, öffentlich, Open Data

“Offen” bezeichnet rechtlich und technisch definierte Nachnutzbarkeit. Offenheit wird durch Lizenzierung, Standards und Dokumentation hergestellt. “Öffentlich” meint faktische Sichtbarkeit ohne Zugangsbeschränkungen. Offenheit ist möglich ohne Öffentlichkeit, etwa bei Zugang auf Antrag bei offener Lizenz und klaren Metadaten; umgekehrt können öffentlich sichtbare Daten nicht offen sein, wenn Lizenz oder Nutzungsbedingungen Nachnutzung verhindern. “” steht normativ für Daten, die allen zur Verfügung stehen, typischerweise unter Free-Culture-Lizenzen wie 0, BY oder BY-SA. Offene Daten senken Zugangshürden und fördern Kollaboration; sie sind jedoch kein Selbstzweck. Sensible Quellen, personenbezogene Metadaten und schutzwürdige Kontexte erfordern abgestufte Zugänge, transparente Bedingungen und sorgfältige Abwägungen. Für Gedächtnisinstitutionen liefern die OpenGLAM-Prinzipien, das 5-Sterne-Modell für Open Data und die Open-Data-Policy-Guidelines zusätzliche Orientierung; zum Gemeinfreiheitsregime in der Schweiz informiert ein Factsheet des IGE.

FAIR: Nachnutzbarkeit als Leitlinie

steht für Findable (auffindbar), Accessible (zugänglich), Interoperable (interoperabel) und Reusable (wiederverwendbar). Die Prinzipien wurden 2016 als Leitlinien für eine nachhaltige und maschinenlesbare Datenpraxis formuliert:

Auffindbar: Daten und Personen erhalten persistente Identifikatoren (zum Beispiel , ). Metadaten sind strukturiert, suchbar und beschreibend; minimal gefordert sind ein stabiler Ort und eine Zitierempfehlung.
Zugänglich: Zugänge und Bedingungen sind dokumentiert. Auch wenn Daten nicht öffentlich sind, bleiben Metadaten frei zugänglich und der Weg zum Zugang nachvollziehbar.
Interoperabel: Formate und Schemata folgen Standards; kontrollierte Vokabulare, Normdaten und ermöglichen Verknüpfung und maschinelle Weiterverarbeitung.
Wiederverwendbar: Lizenztexte, Provenienz, Versionierung, Qualitätsangaben und methodische Kontexte ermöglichen kritische Prüfung und Weiterverwendung. verlangt keine vollständige Öffentlichkeit, sondern klare Bedingungen für nachhaltige Nachnutzung.

Praxisbeispiel: Open Research Data Template

Stadt.Geschichte.Basel publiziert und dokumentiert Forschungsdaten mit dem Open Research Data Template von Moritz Mähr, um Open- und -Prinzipien operationell umzusetzen. via Zenodo sichern Zitierbarkeit und Auffindbarkeit; GitHub und GitHub Pages stellen Repositorium und lesbare Dokumentation bereit. Klare Lizenzierung (zum Beispiel BY 4.0 für Daten, AGPL 3.0 für Code), standardisierte Ordner- und Dateistrukturen sowie Automationen erhöhen Interoperabilität. , und , Versionierung und Issue-Vorlagen fördern Transparenz und Wiederverwendbarkeit.

Datenethik und CARE

Konventionelle Datenpraktiken vernachlässigen oft Entstehungskontexte, Machtverhältnisse und Folgewirkungen. steht für Collective Benefit (Kollektiver Nutzen), Authority to Control (Kontrolle über die Daten), Responsibility (Verantwortung), Ethics (Ethik) und schliesst diese Lücke und richtet Datenpraxis an kollektiven Rechten und Pflichten aus:

Kollektiver Nutzen fordert, dass Datenpraxis dem kollektiven Nutzen der betroffenen Gemeinschaften dient und nicht nur externen Forschungsinteressen.
Kontrolle über die Daten sichert Anspruchsgruppen die Hoheit über den gesamten Lebenszyklus von Daten. Ein Beispiel sind von Local Contexts, die Nutzungsbedingungen sichtbar machen.
Verantwortung betont die Verantwortung von Forscher*innen und Institutionen, Risiken zu minimieren, Transparenz zu sichern und Rechenschaft abzulegen.
Ethik verlangt einen Umgang, der über Rechtskonformität hinausgeht und auf Respekt, kulturelle Sensibilität und Schadensvermeidung zielt.

Die Prinzipien wurden 2018 im Rahmen der International Data Week entworfen und zwischen 2019 und 2020 von der Global Indigenous Data Alliance ausgearbeitet (Global Indigenous Data Alliance o. J.; Carroll u. a. 2021). Gedächtnisinstitutionen agieren dabei zwangsläufig als Gatekeeper; Governance-Modelle sollen Entscheidungsrechte explizit abbilden. In Kanada fassen die -Prinzipien Ownership, Control, Access und Possession als konkrete Form indigener Datenhoheit zusammen.

LOUD: Nutzungsorientierte Erweiterung

steht für Linked (verknüpft), Open (offen), Usable (nutzbar) Data (Daten) und schliesst die Kluft zwischen abstrakten Datenmodellen und Forschungspraxis:

Verknüpft verlangt eindeutige Referenzen und semantische Verknüpfungen, damit Datensätze anschlussfähig in Wissensnetzen zirkulieren.
Offen steht für rechtlich wie technisch barrierearme Bereitstellung, inklusive offener Formate und Schnittstellen.
Nutzbar betont dokumentierte Provenienz, verständliche Zugänge, einfache Exporte und APIs sowie Qualitätssicherung, damit Forscher*innen ohne Spezialwerkzeuge arbeiten können.
Daten rückt Inhalte in den Mittelpunkt und fordert wiederverwendbare Bereitstellung statt statischer Visualisierungen.

operationalisiert in Richtung Nutzung und bleibt mit kompatibel, weil Nutzungsbedingungen und Rechte modelliert und kommuniziert werden.

Entscheiden, dokumentieren, umsetzen

Für offen lizenzierte Daten und breite Nachnutzung stehen und im Vordergrund; bei sensiblen Beständen bestimmen und gegebenenfalls die Zugangs- und Governance-Modelle. In Aggregations- und Vernetzungsprojekten zählen Interoperabilität und Verlinkung, ergänzt um klare Nutzungsregeln. In jedem Fall gilt: Zuständigkeiten, Bedingungen und Grenzen schriftlich fixieren, Identifier und Metadaten konsequent vergeben, Formate und Vokabulare standardisieren, Änderungen versionieren und ethische Anforderungen explizit adressieren.

Danksagung

Wir danken allen Personen und Institutionen, die zur Erarbeitung der ersten Auflage 2024 und zur laufenden Überarbeitung dieses Handbuchs beigetragen haben. Ihre Hinweise, Kritik und Praxisperspektiven haben Terminologie, Beispiele, -Mapping, Versionierung und Leitlinien zu - und -Prinzipien geschärft.

Besonderer Dank gilt Levyn Bürki für die substanziellen Beiträge zur Neustrukturierung und Weiterentwicklung des Handbuchs. Die Mitarbeit von September 2024 bis Juni 2025 umfasste zentrale konzeptionelle Entscheidungen und die massgebliche Ausarbeitung wesentlicher Inhalte.

Für die aufmerksame Lektüre und konstruktiven Rückmeldungen zur ersten Auflage 2024 danken die Autor*innen Eric Decker, Céline Hug, Lucie Kolb, Jonas Lendenmann, Noah Regenass und Stephanie Willi. Für inhaltliche Hinweise und Korrekturen nach der Veröffentlichung danken wir Esther Ernst-Mombelli (-Redaktion, Universitätsbibliothek Basel), Marc Bayard (-Redaktion, Universitätsbibliothek Bern), Philipp Messner (Plakatsammlung SfG Basel), Elias Zimmermann (Universität Zürich/Genf), Karin Lackner (Universitätsbibliothek Graz) sowie Roberta Flora Spano (ETH-Bibliothek Zürich, Sammlungen und Archive).

Das Handbuch profitierte von Diskussionen in folgenden Foren und Fachcommunitys: dem Roundtable “FAIR and CARE” der DARIAH-CH Study Days (22. November 2024, FHNW) mit Beiträgen von Iolanda Pensa, Elena Chestnova, Lucie Kolb und Linda Ludwig; dem Workshop “Grosse Anforderungen an kleine Textfelder – Ethische Fragen an Metadaten historischer Quellen” am Herder-Institut (21.–22. November 2024, Marburg), wo Noëlle Schnegg und Levyn Bürki Erfahrungen aus dem Handbuchprojekt vorstellten; dem Panel “Die unsichtbaren Anforderungen der digitalen Geschichtswissenschaft” an den 7. Schweizerischen Geschichtstagen (8.–11. Juli 2025, Universität Luzern) mit einem Impuls von Noëlle Schnegg und Beiträgen aus Gedächtnisinstitutionen wie Bundesarchiv, ETH-Bibliothek, histify, Personenportal SH, SAMARA, Nationalbibliothek, Wirtschaftsarchiv, SSRQ, swisstopo und Transcriptiones; der Einladung zum 9. Bibliothekskongress (24.–27. Juni 2025, Wien); sowie dem Panel “Diskriminierungssensible Metadaten für historische Sammlungen” an der Digital-Humanities-Konferenz 2025 (16. Juli 2025, Universidade NOVA de Lisboa) mit Beiträgen von Levyn Bürki, Joris Burla, Peggy Große, Mario Kliewer, Jonas Lendenmann, Lisa Quade, Moritz Mähr, Noëlle Schnegg und Elias Zimmermann. Für die Einladung zum SODa-Forum “Das Handbuch zur Erstellung diskriminierungsfreier Metadaten aus Perspektive der Universitätssammlungen” (11. September 2025), zum Workshop “Relativieren oder limitieren? Zum Umgang mit Dark Heritage in Sammlungen und Archiven” (13. und 14. November; Dresden) und zum Workshop “Metadaten in den Humanities” (4. und 5. Dezember, Zürich) danken wir den Organisator*innen; die dortigen Rückmeldungen fliessen in die fortlaufende Überarbeitung ein.

Das Handbuch ist ein “Living Document”. Wir laden die Communities der Digital Humanities, der Gedächtnisinstitutionen und der Forschung ein, weitere Hinweise, Praxisbeispiele und Korrekturen beizusteuern. Für verbleibende Unschärfen und Fehler tragen die Autor*innen die Verantwortung.

Literatur

«| OpenGLAM Principles». o. J. Zugegriffen 9. September 2025. https://openglam.org/how/.

Archives for Black Lives in Philadelphia. Anti-Racist Description Working Group. 2020. «Archives for Black Lives in Philadelphia: Anti-Racist Description Resources». Philadelphia: Archives for Black Lives in Philadelphia. https://archivesforblacklives.files.wordpress.com/2020/10/ardr_202010.pdf.

«Ausgangslage: Inwieweit schützt das aktuelle Recht vor Diskriminierung?» 2025. Antidiskriminierungsgesetz ADG - Dossier. Humanrights.ch. https://www.humanrights.ch/de/ipf/menschenrechte/diskriminierung/antidiskriminierungsgesetz/adg-ausgangslage/.

Baroncini, S., C. Buyken, J. Garzón Rodríguez, I. K. Marino, S. Oberbichler, und C. Petz. 2025. «From Access to Ethics: Data Discussions at the DH2025 Conference in Lisbon». Billet. DH Lab (blog). 1. August 2025. https://doi.org/10.58079/14gdf.

Basta, Christine, Marta R. Costa-jussà, und Noe Casas. 2019. «Evaluating the Underlying Gender Bias in Contextualized Word Embeddings». arXiv. https://doi.org/10.48550/arXiv.1904.08783.

Berlin (Redaktion), Digital History. 2025. «Wie verändern große Sprachmodelle die Geschichtswissenschaften? Eine studentische Blogreihe zur Anwendung von LLMs in der historischen Forschung.» Billet. Digital History Berlin (blog). 9. Mai 2025. https://doi.org/10.58079/13wcq.

Bowker, Geoffrey C., und Susan Leigh Star. 1999. Sorting Things Out: Classification and Its Consequences. The MIT Press. https://doi.org/10.7551/mitpress/6352.001.0001.

Budde, Gunilla. 2008. «Quellen, Quellen, Quellen …». In Geschichte.Studium - Wissenschaft - Beruf, herausgegeben von Dagmar Freist und Hilke Günther-Arndt, 52–69. Berlin. https://elearning.uni-oldenburg.de/sendfile.php?type=0&file_id=5435fe2c79f320a9d7465f0f61851ca5&file_name=budde_quellen-quellen-quellen.pdf&set_language=de_DE.

Buolamwini, Joy, und Timnit Gebru. 2018. «Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification». In Proceedings of the 1st Conference on Fairness, Accountability and Transparency, 81:77–91. PMLR. https://proceedings.mlr.press/v81/buolamwini18a.html.

Carroll, Stephanie Russo, Edit Herczog, Maui Hudson, Keith Russell, und Shelley Stall. 2021. «Operationalizing the CARE and FAIR Principles for Indigenous Data Futures». Scientific Data 8 (1): 108. https://doi.org/10.1038/s41597-021-00892-0.

Caswell, Michelle. 2019. «Dusting for Fingerprints: Introducing Feminist Standpoint Appraisal». Archival Science. https://doi.org/10.1007/s10502-019-09316-w.

Chouldechova, Alexandra. 2017. «Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments». Big Data 5 (2): 153–63. https://doi.org/10.1089/big.2016.0047.

Collins, Patricia Hill. 2000. Black Feminist Thought: Knowledge, Consciousness, and the Politics of Empowerment. 2nd ed. New York: Routledge.

Costa-Jussà, Marta R., Carlos Escolano, Christine Basta, Javier Ferrando, Roser Batlle, und Ksenia Kharitonova. 2022. «Interpreting gender bias in neural machine translation: Multilingual architecture matters». In Proceedings of the aaai conference on artificial intelligence, 36:11855–63. https://ojs.aaai.org/index.php/AAAI/article/view/21442.

Crenshaw, Kimberlé. 1989. «Demarginalizing the Intersection of Race and Sex: A Black Feminist Critique of Antidiscrimination Doctrine, Feminist Theory and Antiracist Politics». University of Chicago Legal Forum 1989 (1): 139–67. https://chicagounbound.uchicago.edu/uclf/vol1989/iss1/8.

D’Ignazio, Catherine, und Lauren Klein. 2020. «Collect, Analyze, Imagine, Teach». In Data Feminism, 2–41. The MIT Press. https://data-feminism.mitpress.mit.edu/pub/ei7cogfn.

«Debora Nozza». o. J. Debora Nozza. Zugegriffen 14. Juli 2025. https://www.deboranozza.com/.

«Erschließungsmaschine gestartet – blog.dnb.de». o. J. Zugegriffen 9. Juni 2025. https://blog.dnb.de/erschliessungsmaschine-gestartet/.

«Europeana Data Model. EDM Documentation». o. J. Zugegriffen 9. September 2025. https://pro.europeana.eu/page/edm-documentation.

Eynden, Veerle van den. 2011. Managing and Sharing Data: Best Practice for Researchers. 3rd ed., fully rev. Colchester: UK Data Archive.

Flinn, Andrew. 2007. «Community Histories, Community Archives: Some Opportunities and Challenges». Journal of the Society of Archivists 28 (2): 151–76. https://doi.org/10.1080/00379810701611936.

forschungsdaten.info. 2024. «Metadaten und Metadatenstandards». 25. April 2024. https://forschungsdaten.info/themen/beschreiben-und-dokumentieren/metadaten-und-metadatenstandards/.

Frye, Marilyn. 1983. The politics of reality: Essays in feminist theory. Trumansburg, NY: Crossing Press.

Gabay, Simon, Tobias Hodel, Moritz Mähr, Stefan Nellen, Barbara Roth-Lochner, Pascale Sutter, Andrea Voellmin, und Karin von Wartburg. 2023. «Datenstandards für die historische Forschung – Ein White-Paper der Schweizerischen Gesellschaft für Geschichte». Herausgegeben von Schweizerische Gesellschaft für Geschichte. Whitepaper, November. https://doi.org/10.5281/ZENODO.10122052.

Ghaddar, J. J., und Michelle Caswell. 2019. «‹To Go Beyond›: Towards a Decolonial Archival Praxis». Archival Science 19 (2): 71–85. https://doi.org/10.1007/s10502-019-09311-1.

Global Indigenous Data Alliance. o. J. «CARE Principles for Indigenous Data Governance». Zugegriffen 9. September 2025. https://www.gida-global.org/care.

Go FAIR Initiative. o. J. «FAIR Principles». Zugegriffen 22. September 2022. https://www.go-fair.org/wp-content/uploads/2022/01/FAIRPrinciples_overview.pdf.

Gooding, Paul, Melissa M. Terras, und Sarah Ames, Hrsg. 2025. Library Catalogues as Data: Research, Practice and Usage. Place of publication not identified: Facet Publishing.

Gruber, Anastasia. 2022. «Vom Knüpfen feministischer Begriffsnetze: Ariadnes Faden & geschlechtersensible Normdaten». Mitteilungen der Vereinigung Österreichischer Bibliothekarinnen und Bibliothekare 75 (2). https://doi.org/10.31263/voebm.v75i2.7327.

Hart, Alexander, Graham Reid, Helena Hartmann, Charlotte R. Pennington, Marta Topor, und Flávio Azevedo. 2025. «Paradata (Paradaten)». 7. Februar 2025. https://forrt.org/glossary/german/paradata/.

Higgins, Sarah. 2008. «The DCC Curation Lifecycle Model». International Journal of Digital Curation 3 (1): 134–40. https://doi.org/10.2218/ijdc.v3i1.48.

Hitz, Benjamin, und Beat Stüdli. 2016. «Werkzeugkasten Geschichte. Online-Handbuch für Studium und wissenschaftliches Arbeiten & PDF-Ausgabe». 2016. https://dg.philhist.unibas.ch/de/studium/werkzeugkasten-geschichte/.

humanrights.ch. o. J. «Formen der Diskriminierung». Zugegriffen 8. September 2025. https://www.humanrights.ch/de/ipf/menschenrechte/diskriminierung/diskriminierungsverbot-dossier/juristisches-konzept/formen-der-diskriminierung/.

Jaillant, Lise, Claire Warwick, Paul Gooding, Katherine Aske, Glen Layne-Worthey, und J. Stephen Downie, Hrsg. 2025. Navigating artificial intelligence for cultural heritage organisations. London: UCL Press. https://doi.org/10.14324/111.9781800088375.

Jenkinson, Hilary. 1922. A Manual of Archive Administration. Oxford: Clarendon Press.

Junger, Ulrike, und Frank Scholze. 2021. «Neue Wege und Qualitäten – Die Inhaltserschließungspolitik der Deutschen Nationalbibliothek». In Qualität in der Inhaltserschließung, herausgegeben von Michael Franke-Maier, Anna Kasprzik, Andreas Ledl, und Hans Schürmann, 55–70. De Gruyter Saur. https://doi.org/10.1515/9783110691597-004.

Kaiser, Katja, Ina Heumann, Tahani Nadim, Hagit Keysar, Mareike Petersen, Meryem Korun, und Frederik Berger. 2023. «Promises of mass digitisation and the colonial realities of natural history collections» 11 (Februar): 13–25.

Kleinberg, Jon, Sendhil Mullainathan, und Manish Raghavan. 2017. «Inherent Trade-Offs in the Fair Determination of Risk Scores». In Proceedings of the 8th Innovations in Theoretical Computer Science Conference. https://doi.org/10.4230/LIPIcs.ITCS.2017.43.

König, Mareike. 2024. «ChatGPT und Co. in den Geschichtswissenschaften – Grundlagen, Prompts und Praxisbeispiele». Billet. Digital Humanities am DHIP (blog). 19. August 2024. https://doi.org/10.58079/126eo.

Loukissas, Yanni Alexander. 2019. All Data Are Local: Thinking Critically in a Data-Driven Society. The MIT Press. https://doi.org/10.7551/mitpress/11543.001.0001.

Mähr, Moritz. 2022. «Konzept „Stadt.Geschichte.Basel digital“: Zusammenfassung des Konzepts (April 2022) und des Zwischenberichts (Dezember 2022)». April 2022. https://dokumentation.stadtgeschichtebasel.ch/products/interna/digitalkonzept/.

———. (2025) 2025. «Dublin Core Metadata Enhancer». Markdown. https://github.com/Stadt-Geschichte-Basel/dublin-core-metadata-enhancer.

Mähr, Moritz, und Moritz Twente. 2025. «Seeing History Unseen: Evaluating Vision-Language Models for WCAG-Compliant Alt-Text in Digital Heritage Collections». Herausgegeben von Taylor Arnold, Margherita Fantoli, und Ruben Ros. Anthology of Computers and the Humanities 3 (November): 1148–68. https://doi.org/10.63744/njQVYcLndSPE.

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman, und Aram Galstyan. 2021. «A Survey on Bias and Fairness in Machine Learning». ACM Computing Surveys 54 (6): 115:1–35. https://doi.org/10.1145/3457607.

«Metadata Resources | Steven Jack Miller». o. J. Zugegriffen 7. September 2025. https://sites.uwm.edu/mll/metadata-resources/.

Nayak, Shravan, Kanishk Jain, Rabiul Awal, Siva Reddy, Sjoerd van Steenkiste, Lisa Anne Hendricks, Karolina Stańczak, und Aishwarya Agrawal. 2024. «Benchmarking Vision Language Models for Cultural Understanding». arXiv. https://doi.org/10.48550/arXiv.2407.10920.

Net, Francesc, Marc Folia, Pep Casals, Andrew D. Bagdanov, und Lluis Gomez. 2024. «EUFCC-340K: A Faceted Hierarchical Dataset for Metadata Annotation in GLAM Collections». arXiv. https://doi.org/10.48550/arXiv.2406.02380.

Noble, Safiya Umoja. 2018. Algorithms of Oppression: How Search Engines Reinforce Racism. New York: NYU Press. https://doi.org/10.2307/j.ctt1pwt9w5.

Open a GLAM Lab. 2019. 1. Aufl. PubPub. https://doi.org/10.21428/16ac48ec.f54af6ae.

Research Data Alliance International Indigenous Data Sovereignty Interest Group. 2019. «CARE Principles for Indigenous Data Governance». https://static1.squarespace.com/static/5d3799de845604000199cd24/t/5d79c383e904c741c9e9cd86/1568260995760/CARE+Principles+for+Indigenous+Data+Governance_FINAL_Sept+06+2019.pdf.

«Rethinking Collections as Data». 2019. Open a Glam Lab, Oktober. https://doi.org/10.21428/16ac48ec.f54af6ae.

Rodgers, Dennis, und Bruce O’Neill. 2012. «Infrastructural violence: Introduction to the special issue». Ethnography 13 (4): 401–12. https://doi.org/10.1177/1466138111435738.

Rottmann, Andrea. 2023. «Que/e/r zur Ordnung des Archivs? Queere Geschichte in staatlichen Archiven erforschen». Archiv - Theorie & Praxis 04 (76. Jahrgang): 21–24. https://www.archive.nrw.de/sites/default/files/media/files/Archiv.theoriepraxis23-4-Internet.pdf.

Schopper, Daniel. 2024. «Einführung in Metadaten und Dokumentation». 2024. https://campus.dariah.eu/resources/hosted/einfuehrung-metadaten.

Schweiz, Verband der Museen der. o. J. «Webdossier: KI im Museum». museums.ch. Zugegriffen 7. September 2025. https://www.museums.ch/de/unser-engagement/mitteilungen/aktuelles/webdossier-ki-im-museum-6966.html.

Schweizerisches Nationalmuseum, Chonja Lee, Monique Ligtenberg, Danielle Isler, Noémie Etienne, Ruby Satele, Bernisches Historisches Museum, u. a. 2025. «Rassismuskritische Dokumentation. Ein Handbuch für GLAM-Institutionen». Zenodo. https://doi.org/10.5281/zenodo.17657486.

Sparber, Sandra. 2016. «What’s the frequency, Kenneth? – Eine (queer)feministische Kritik an Sexismen und Rassismen im Schlagwortkatalog». Mitteilungen der Vereinigung Österreichischer Bibliothekarinnen und Bibliothekare 69 (2): 216–35. https://doi.org/10.31263/voebm.v69i2.1629.

Spivak, Gayatri Chakravorty. 1988. «Can the subaltern speak?» In Marxism and the interpretation of culture, herausgegeben von Cary Nelson und Lawrence Grossberg, 271–313. Urbana and Chicago: University of Illinois Press.

Stadt.Geschichte.Basel. 2025. «Datendokumentation. Forschungsdatenplattform Stadt.Geschichte.Basel». 2025. https://forschung.stadtgeschichtebasel.ch/data.html.

Stanczak, Karolina, und Isabelle Augenstein. 2021. «A Survey on Gender Bias in Natural Language Processing». arXiv. https://doi.org/10.48550/arXiv.2112.14168.

«Start der Erschließungsmaschine eMA». o. J. Deutsche Nationalbibliothek. Zugegriffen 9. Juni 2025. https://jahresbericht.dnb.de/Webs/jahresbericht/DE/2022/Hoehepunkte/Erschliessungsmaschine/erschliessungsmaschine_node.html.

The Endings Project Team. 2023. «Endings Principles for Digital Longevity». 3. März 2023. https://endings.uvic.ca/principles.html.

Tóth-Czifra, Erzsébet. 2019. «DARIAH Pathfinder to Data Management Best Practices in the Humanities». DARIAH-Campus. DARIAH-Campus. 3. Mai 2019. https://campus.dariah.eu/resources/pathfinders/dariah-pathfinder-to-data-management-best-practices-in-the-humanities.

Trognitz, Martina. 2024a. «Grundlagen des Datenmanagements». DARIAH-Campus. DARIAH-Campus. 16. September 2024. https://campus.dariah.eu/resources/hosted/grundlagen-datenmanagement.

———. 2024b. «Langzeitarchivierung». DARIAH-Campus. DARIAH-Campus. 21. November 2024. https://campus.dariah.eu/resources/hosted/langzeitarchivierung.

Weitzmann, John H., und Paul Klimpel. 2016. «Rechtliche Rahmenbedingungen für Digitalisierungsprojekte von Gedächtnisinstitutionen». Manual. 3. Auflage, Mai 2016 – Nachdruck Dezember 2016. Almstadtstraße 9/11, 10119 Berlin: digiS – Servicestelle Digitalisierung Berlin, Zuse Institute Berlin / iRights.Law – Anwälte für die digitale Welt. https://doi.org/10.12752/2.0.002.2.

Wilkinson, Mark D., Michel Dumontier, IJsbrand Jan Aalbersberg, Gabrielle Appleton, Myles Axton, Arie Baak, Niklas Blomberg, u. a. 2016. «The FAIR Guiding Principles for Scientific Data Management and Stewardship». Scientific Data 3 (1): 160018. https://doi.org/10.1038/sdata.2016.18.

Young, Iris Marion. 1990. Justice and the politics of difference. Princeton, NJ: Princeton University Press.

Anhang

Glossar

Term	Definition

Handbücher und Leitfäden

Dieser Entscheidungsbaum hilft bei der Orientierung der Kapitel und verlinkt auf externe Ressourcen.

flowchart LR
    Frage["Ich habe eine fachspezifische Frage"]

    Frage --> SpezMeta["Metadaten"]
    Frage --> SpezForschung["Forschungs- oder Institutionskontexte"]
    Frage --> SpezDisk["Spezifische Diskriminierungsformen"]

    %% Spezifische Fragen an Metadaten
    SpezMeta --> Normdaten["Normdaten"]
    SpezMeta --> OpenData["Open Data / Commons"]
    SpezMeta --> Recht["Recht & Lizenzen"]
    SpezMeta --> Karten["Kartografische Sammlungen"]

    Normdaten --> Breslau["Breslau (2019)"]
    OpenData --> Hahn["Hahn (2016)"]
    Recht --> Weitzmann["Weitzmann & Klimpel (2016)"]
    Karten --> Gasser["Gasser & Hötea (2024)"]

    %% Spezifische Forschungs- oder Institutionskontexte
    SpezForschung --> Kunst["Kunstmuseen"]
    SpezForschung --> UniArchive["Universitätsarchive"]
    SpezForschung --> Kolonial["Kolonialkontexte"]

    Kunst --> Knaus["Knaus (2019)"]
    UniArchive --> Bruckmann["Bruckmann (2024)"]
    Kolonial --> Bruckmann2["Bruckmann (2024)"]

    %% Spezifische Diskriminierungsformen
    SpezDisk --> NSProvenienz["NS-Provenienz"]
    SpezDisk --> Sklaverei["Sklaverei-Archive"]
    SpezDisk --> Rassismus["Rassismus"]

    NSProvenienz --> Baresel["Baresel-Brand (2019)"]
    Sklaverei --> Ahrndt["Ahrndt (2021)"]
    Rassismus --> A4BLiP2020["A4BLiP (2020)"]
    Rassismus --> CritGlam2025["SNM et al. (2025)"]

Abbildung 3: Hilfestellungen für weiterführende Fragen, die über die behandelten Themen des Handbuchs hinausgehen.

Metadatenstandards: sieben Ebenen

Dieser Anhang ergänzt Kapitel 4.3.3 und entfaltet die sieben Ebenen oder Typen von Metadatenstandards anhand des Beispiels Knie Völkerschau.

1. Datentypstandard (Feld- oder Attributniveau)

Legt fest, in welchem Format einzelne Werte codiert oder dargestellt sein müssen – zum Beispiel Zahlen, Datumsangaben, Zeichenketten, Booleans (Wahrheitswerte wie wahr oder falsch beziehungsweise 1 und 0).

Am Beispiel Knie Völkerschau zeigt sich, wie einzelne Werte formal typisiert werden:

dc:title ist ein einfacher Textstring in Originalsprache→ xsd:string@de
dc:date enthält den unsicheren Jahreswert “1969?”, typisiert als xsd:string, könnte aber in normierten Fällen auch xsd:gYear sein
edm:language verwendet 639-1 Codes (“da” für Dänisch)
dc:identifier oder edm:isShownBy sind → anyURI

2. Wertstandard (Zulässige Werte für Felder)

Enthält normierte, kontrollierte Begriffe oder Referenzen. Diese dienen der Vergleichbarkeit, Suche und Aggregation.

Das Beispiel Knie Völkerschau nutzt sowohl kontrollierte als auch freie Werte:

dc:type enthält “Still image”, “Poster” – konform mit dem oder Type Vocabulary
edm:country ist “Denmark” → entspricht 3166-1 Alpha-2
dc:rights verweist auf die -Lizenz http://creativecommons.org/licenses/by-nc-nd/4.0/
dc:subject (“Knie”, “Cirkus”, “Håndværker”) könnte auf eine kontrollierte Vokabularquelle wie oder Wikidata gemappt werden

3. Inhaltsstandard (Semantische Bedeutung von Feldern)

Legt fest, welche Informationen in welchen Feldern erfasst werden sollen und was sie semantisch bedeuten. Dabei kann folgende Frage gestellt werden: “Wie befülle ich das Feld?”

Die Belegung der Felder des Beispiels Knie Völkerschau folgt dem und dem :

dc:title enthält den Titel des Plakats (“Knie Völkerschau”)
dc:description beschreibt Motiv, Technik und Masse der Lithografie
dc:subject benennt thematische Schlagwörter
dc:rights informiert über urheberrechtliche Bedingungen
edm:isShownBy verweist auf das direkt eingebettete Digitalisat

4. Strukturstandard / Schema (Datenmodellierung)

Definiert die erlaubten Felder und ihre Beziehungen, oft in hierarchischen oder relationalen Strukturen. Ein Schema kann sowohl inhaltlich als auch formal spezifiziert sein.

Oft wird zwischen Strukturstandard und Schema nicht klar unterschieden. Während der Strukturstandard die allgemeine Anordnung und Bedeutung der Felder beschreibt, legt ein Schema konkret fest, wie diese umgesetzt werden; etwa welche Felder verpflichtend sind oder wie oft sie vorkommen dürfen. Ein Schema lässt sich als Bauplan verstehen, der auf einem übergeordneten, abstrakten Modell beruht.

Die Datenstruktur des Beispiels Knie Völkerschau entspricht dem :

ProvidedCHO (Cultural Heritage Object) enthält zum Beipsiel dc:title, dc:date, dc:type
Aggregation verknüpft mit edm:isShownBy, edm:preview, edm:provider
Proxy erlaubt Mehrsprachigkeit, etwa in dc:description (da) und dc:title (de)

5. Formatstandard (maschinenlesbare Serialisierung & Kodierung)

Legt fest, wie der strukturierte Metadatensatz technisch gespeichert oder übertragen wird. Es ist die konkrete Kodierung und Serialisierung der Metadatenstruktur, wie sie vom Computer ausgelesen wird. Der Fokus liegt auf der einfachen und effizienten Lesbarkeit für Maschinen, nicht für Menschen.

Anmerkung: oder sind Struktur- und Formatstandards zugleich, abhängig davon, ob man ihre logische Modellierung oder die Serialisierung betont.

Im Fall von Knie Völkerschau liegen die Metadaten folgenden Formaten vor:

Europeana- liefert Metadaten im (zum Beispiel via /record/v2/...json)
Exportierbar als / oder
sind -resolvable, kodiert in

6. Präsentationsstandard (Visualisierung, Darstellung für Menschen)

Definiert die Gestaltung und Darstellung von Metadaten für Endnutzer*innen, zum Beispiel in Web-Interfaces, Katalogsystemen oder PDFs. Diese Standards betreffen Layout, Labels, Reihenfolge, aber nicht die maschinenlesbare Struktur.

Die Europeana-Oberfläche stellt die Metadaten des Objekts in einer klaren, mehrsprachigen Ansicht dar:

dc:title wird als Titel angezeigt
dc:rights erscheint mit -Icons und verlinkter Lizenz
edm:preview zeigt ein Thumbnail, während edm:isShownBy das hochauflösende Bild öffnet
Schlagwörter (aus dc:subject) werden als Filterfacetten nutzbar gemacht

7. Interoperabilitäts- und Austauschstandards (Systemvernetzung)

Ermöglichen den Austausch, Aggregation und Mapping zwischen verschiedenen Standards, Datenmodellen oder Plattformen. Der Fokus liegt wie bereits bei den Formatstandards auf der Maschinenlesbarkeit.

Das Beispiel Knie Völkerschau ist vollständig eingebettet in ein interoperables Framework:

Über die maschinenlesbare Schnittstelle werden die Informationen aus den lokalen Repositorien gesammelt und an einen Aggreator (zum Beispiel Europeana) übermittelt. Die Herkunftsinformation kann im Feld edm:dataProvider eingebettet werden.
Manifest verfügbar für DeepZoom oder Bildannotation
Verlinkung auf Lizenzen, Orte, Konzepte via (-Prinzipien)
Es sind Mappings in beide Richtungen möglich: von zu und umgekehrt, von zu und umgekehrt sowie von zu und umgekehrt.

Ein Feld, sieben Ebenen

“Metadaten-Tabelle für: *Knie Völkerschau* mit sieben Ebenen”
Metadatum (Feld)	① Datentyp	② Wertstandard	③ Inhaltsstandard	④ Struktur / Schema	⑤ Format	⑥ Präsentation	⑦ Interoperabilität
`dc:title`	`xsd:string@de`	Freitext	: Title	,	, /	UI-Label: Titel	Europeana ,
`dc:description`	`xsd:string@da`	Freitext, gegebenenfalls Getty -Terms	: Description			Accordion-Feld, Tooltip	,
`dc:date`	`xsd:gYear` oder `xsd:string`	8601, “1969?” (unsicher)	: Date	Timespan,	/,	Formatierter Zeitstempel	`edm:hasMet` + Timeline
`dc:type`	/ `xsd:string@da`	, `poster`, `Still image`	: Type	, + Europeana Vocabularies		Facette: “Medientyp”	Linked /
`dc:subject`	`xsd:string@da`	/ kontrollierte Schlagwörter	: Subject			Schlagwortliste	, Wikidata, Linked Data
`dc:identifier`	`anyURI`	-URL	: Identifier	, Aggregation		als anklickbarer Link	persistente (/)
`dc:rights`	+ `xsd:string`	,	: Rights	, Rights	,	-Logo, Textlink	Interoperables Lizenzsystem
`edm:isShownBy`	`anyURI`	Image Service	: isShownBy	Aggregation		Bild-Embed	Image
`edm:isShownAt`	`anyURI`	Originalquellenlink	: isShownAt	Aggregation		Button “Zur Quelle”	, Europeana Portal
`edm:preview`	Thumbnail	-compliant	: preview	Aggregation		Thumbnail-Bild	Presentation
`edm:dataProvider`	+ Name (String)	Europeana Org-ID	: dataProvider			Link zur Institution	Europeana Registry /
`edm:language`	639-1 Code	`da`, `en`, `de`, …	: language			Flaggensymbol + Sprachname	Multilingual indexing
`edm:country`	3166-1 Alpha-2	`DK` → Denmark	: country		/	Anzeige Herkunftsland	Europeana-Facettierung

Wiederverwendung

CC BY-SA 4.0

Zitat

Mit BibTeX zitieren:

@report{mähr2026,
  author = {Mähr, Moritz and Schnegg, Noëlle},
  title = {Diskriminierungssensible Metadatenpraxis},
  date = {2026-02-10},
  url = {https://maehr.github.io/diskriminierungsfreie-metadaten/},
  doi = {10.5281/zenodo.17073511},
  langid = {de-CH},
  abstract = {Dieses Handbuch bietet eine praxisorientierte Anleitung
    für die diskriminierungssensible Beschreibung von Metadaten zu
    historischen Quellen und Forschungsdaten. Es richtet sich an
    Forschende Historiker\textbackslash*innen,
    Archivar\textbackslash*innen, Bibliothekar\textbackslash*innen und
    Daten-Kurator\textbackslash*innen in der Geschichtswissenschaft und
    in Gedächtnisinstitutionen (GLAM). Das Handbuch verbindet
    theoretische Reflexionen zu Normativität, Bias und Oppression mit
    konkreten Handlungsempfehlungen für den gesamten
    Forschungsdatenlebenszyklus. Es behandelt sowohl technische Aspekte
    der Metadatenmodellierung als auch ethische Fragen der
    Repräsentation marginalisierter Gruppen. Durch die Kombination von
    Theorie und Praxis unterstützt es Institutionen und Projekte dabei,
    Diskriminierung in der Metadatenpraxis zu erkennen und
    diskriminierungssensible Alternativen umzusetzen.}
}

Bitte zitieren Sie diese Arbeit als:

Mähr, Moritz, and Noëlle Schnegg. 2026. “Diskriminierungssensible Metadatenpraxis.” https://doi.org/10.5281/zenodo.17073511.

Vorwort zur zweiten Auflage

Einleitung

Praxis: Diskriminierungssensibler Umgang mit Metadaten

1. Planung und Konzeption

1.1 Zielsetzung klären

1.2 Ethische und rechtliche Rahmenbedingungen

1.3 Standards und Infrastruktur festlegen

2. Datensammlung und Quellenkritik

2.1 Primärerschliessung vs. Nachnutzung

2.2 Kontextualisierung der Quellen

3. Datenverarbeitung und Anreicherung

3.1 Technische Standards implementieren

3.2 Beschreibung und Verschlagwortung

3.3 KI-Unterstützung und Automatisierung

4. Speicherung und Verwaltung

4.1 Repositorien und Plattformen

4.2 Versionierung und Historisierung

5. Veröffentlichung und Zugang

5.1 Zielgruppe definieren

5.2 Umgang mit sensiblen und diskriminierenden Inhalten

5.3 Technische Strategien

5.4 Transparente Dokumentation

6. Nachnutzung und Wiederverwendung

6.1 Interoperabilität erweitern

6.2 Zitation und Provenienz

6.3 Nutzungsbedingungen und Lizenzen

6.4 Maschinenlesbarer Zugang

6.5 Feedback und Korrekturschleifen

7. Archivierung und Löschung

7.1 Langzeitarchivierung konkret

7.2 Löschung, Rückgabe und Takedown

7.3 Zugriff und Schutz

Handlungsleitende Prinzipien

1. Transparenz als Infrastrukturprinzip

2. Varianten- und Mehrsprachigkeitsfähigkeit im Metadatenmodell

3. Partizipative Kuratierung und Governance

4. Ausgleichende Technik entlang der gesamten Prozesskette

5. Analytische Robustheit als Standardpraxis

6. Gerechtigkeitsmetriken und Monitoring

7. Reproduzierbarkeit und digitale Nachhaltigkeit

Zusammenfassung

Methodische Grenzen einer diskriminierungssensiblen Praxis

Theorie: Schlüsselbegriffe und Konzepte

Diskriminierung in und durch Daten

Daten sind nicht neutral (Normativität)

Direkte Diskriminierung

Indirekte Diskriminierung

Strukturelle Diskriminierung

Institutionelle Diskriminierung

Statistische Diskriminierung

Intersektionalität: Verflechtung von Diskriminierungsformen

Begriff und Herkunft

Relevanz für Metadatenpraxis

Praktische Implikationen

Historische Begriffe: Bewahren oder Korrigieren?

Das Dilemma

Archivische Provenienz (Bewahrungsprinzip)

Reparative Beschreibung

Kompromissmodelle in der Praxis

Verzerrungen und Fehler (Bias)

Verhältnis von Bias und Diskriminierung

Das Problem der Begriffsverwirrung

Bias als technischer Fehler

Bias als Symptom struktureller Diskriminierung

Bias, Diskriminierung und Unterdrückung: Ein integrativer Blick

Verzerrung und Fehler in Daten (Data Bias)

Messfehler (Measurement Bias)

Auslassungsfehler (Omitted Variable Bias)

Repräsentationsfehler (Representation Bias)

Aggregationsfehler (Aggregation Bias)

Stichprobenfehler (Sampling Bias)

Längsschnittfehler (Longitudinal Data Fallacy)

Historische Verzerrung (Historical Bias)

Populationsfehler (Population Bias)

Verzerrungen in und durch Algorithmen (Bias in Algorithms)

Algorithmischer Fehler (Algorithmic Bias)

Evaluationsfehler (Evaluation Bias)

Verzerrungen durch Nutzerinteraktion (User Interaction Bias)

Darstellungsfehler (Presentation Bias)

Rangfolgenfehler (Ranking Bias)