5 Daten sammeln
Bevor Daten analysiert werden können, müssen sie zuerst gesammelt werden. Je nach dem Ziel und Quelle können Daten unstrukturiert, semi-strukturiert und strukturiert gesammelt werden. Das Ergebnis ist immer ein Datensatz, welcher Werte für die Datenanalyse bereitstellt. Je nach Vorgehensweise kommen unterschiedliche Werkzeuge zum automatisierten und manuellen Datensammeln in Frage.
Das Ziel des Datensammelns ist das Erstellen von Datensätzen.
Definition 5.1 Ein Datensatz umfasst zusammengehörende Werte.
Beim Sammeln von Daten werden Beobachtungen erfasst und dokumentiert. Dabei entspricht ein Datensatz immer einer Beobachtung. Über den zugehörigen Datensatz sollte eine Beobachtung zu einem späteren Zeitpunkt nachvollziehbar sein. Das ist allerdings nur mithilfe der erfassten Daten möglich.
Durch nicht erfasste Daten geht Information verloren. Dieser Informationsverlust ist grundsätzlich unvermeidbar, weil nicht jeder Aspekt einer Beobachtung in Daten kodiert oder erfasst wird. Manche Daten sind für die spätere Analyse von besonderer Bedeutung, weil ohne sie eine Auswertung unmöglich ist. Deshalb müssen die relevanten Daten vor der Datenerhebung bestimmt werden.
5.1 Das Datenschema
Welche Daten in einem Datensatz erfasst wurden bzw. erfasst werden sollen, werden in einem Datenschema festgehalten. Das Datenschema hat zwei Funktionen.
- Es legt fest, welche Daten für einen Datensatz erhoben werden müssen. In dieser Funktion ist das Datenschema eine grobe Anleitung, welche Daten gesammelt werden sollen.
- Es dokumentiert, welche Daten in einem Datensatz vorliegen. Ein Datenschema hilft so Analysten, die Daten richtig auszuwerten und zu interpretieren.
Ein Datenschema legt Felder für die Ablage der beobachteten Daten fest.
Jedes Datenfeld erhält immer einen eindeutigen Namen für ein Merkmal. Diese Namen entsprechen immer den Spaltenüberschriften einer Datentabelle. Über den Namen können die erfassten Daten zugegriffen werden. Die Namen dienen der einfacheren Handhabung bei der digitalen Auswertung. Deshalb sollten diese Namen möglichst einfach und gleichzeitig die Daten etwas beschreiben. Damit beim Auswerten weniger Fehler passieren, sollten Namen nur die Zeichen a-z, 0-9 und _ enthalten und mit einem Buchstaben beginnen.
Zusätzlich kann ein Datenfeld einen Wertebereich haben. Ein Wertebereich legt die zulässigen Werte für ein Datenfeld fest. Für die automatisierte Auswertung kann es hilfreich sein, auch das Skalenniveau (s. Kapitel 8.2) des Wertebereichs zu dokumentieren.
Falls die Daten eine Masseinheit haben, muss diese auch dokumentiert werden.
Es ist üblich, für jedes Datenfeld eine Kurzbeschreibung anzugeben. Diese Beschreibung gibt zusätzliche Hinweise über die erfassten Werte. Die Beschreibung ist rein informativ und richtet sich an Menschen, die Daten für das Schema erheben oder diese Daten auswerten.
Grundsätzlich können alle Datenfelder frei bestimmt werden. Einige Datenfelder sind für fast jede Studie gegeben. Zu diesen Datenfelder gehören beispielsweise der Zeitpunkt der Beobachtung, der Ort der Beobachtung, die beobachtende Person und die Dauer der Beobachtung. Bei der technischen Datenerfassung können weitere Felder durch die verwendeten Werkzeuge automatisch bereitgestellt werden. Deshalb sollten die technischen Möglichkeiten vor einer Datenerhebung geprüft werden, um das mehrfache abfragen der gleichen Daten zu vermeiden.
5.2 Arten von Daten
Beim Daten sammeln werden drei Arten von Daten unterschieden:
- Unstrukturierte Daten
- Strukturierte Daten
- Semi-strukturierte Daten
5.2.1 Unstrukturierte Daten
Definition 5.2 Unstrukturierte Daten haben keinen festgelegten Wertebereich.
Typische unstrukturierte Daten sind Notizen, Transkripte gesprochener Sprache oder Videos. Unstrukturierte Daten können Werte von Interesse enthalten, auf die jedoch nicht direkt zugegriffen werden kann.
Unstrukturierte Daten haben den Vorteil, dass sie Ergebnisoffen sind. Dadurch sind unstrukturierte Daten offen für neue und unvorhergesehene Information. Entsprechend werden Techniken, die unstrukturierte Daten erheben, auch als offene Erhebungstechniken bezeichnet.
Diese Offenheit hat ihren Preis, denn unstrukturierte Daten sind anfällig gegenüber Rauschen und Äquivokation. Ausserdem können einzelne Werte nicht direkt aus unstrukturierten Daten abgelesen werden, sondern müssen (oft umständlich) aus den Daten extrahiert werden.
Unstrukturierte Daten erfordern immer zusätzliche Arbeitsschritte, bevor mit den in ihnen vorhandenen Daten gearbeitet werden kann. Diese Arbeitsschritte zusammenfassend werden Kodieren (engl. coding) genannt. Das Kodieren unstrukturierter Daten führt einheitliche Markierungen, die sog. Annotationen, ein, die eine Struktur über die Daten legen.
Ohne vorbereitende Kodierung lassen sich unstrukturierte Daten kaum systematisch analysieren. Sehr häufig handelt es sich bei unstrukturierten Daten um Texte. Im Kapitel 11 werden einfache Techniken zum Verarbeiten von unstrukturierten Daten beschrieben.
5.2.2 Strukturierte Daten
Definition 5.3 Strukturierte Daten haben einen festen Wertebereich.
Weil strukturierte Daten einen festen Wertebereich haben, ist sichergestellt, dass nur Werte innerhalb dieses abgeschlossenen Bereichs gültig sind. Deshalb werden Techniken, mit denen strukturierte Daten erhoben gelten auch als geschlossene Erhebungstechniken.
Strukturierte Daten basieren immer auf einem festen Wertebereich für die Kodierung von Information. In dieser Struktur werden die Daten nach ihrer Bedeutung und ihren zulässigen Wertebereichen organisiert. Die feste Struktur macht strukturierte Daten innerhalb der Struktur weniger anfällig gegenüber Rauschen als unstrukturierte Daten.
Weil strukturierte Daten eine Struktur zur Informationskodierung vorgeben, lassen sich nur Information über diese Struktur kodieren. Das führt zu Äquivokation, weil nur die Teile der Information kodiert werden können, die in den Wertebereichen zulässig sind.
Tabellen sind typische strukturierte Daten, die in Spalten und Zeilen organisiert sind.
Strukturierte Daten sind nicht auf Tabellen beschränkt.
hamster:
- name: Fred
gewicht: 175
zeit: 2023-04-11T10:20:30Z
- name: Frida
gewicht: 160
zeit: 2023-04-12T09:10:11Z5.2.3 Semi-strukturierte Daten
Neben diesen zwei Arten existieren noch sog. semi-strukturierte Daten. Semistrukturierte Daten folgen einer logischen Struktur, die allerdings nicht durchgehend strikt eingehalten wird.
Definition 5.4 Semi-strukturierte Daten sind unstrukturierte Daten, die Markierungen für Werte beinhalten.
Semi-strukturierte Daten werden oft für das Einbetten strukturierter Daten in unstrukturierte Datenfelder verwendet.
Ein typisches Beispiel für semistrukturierte Daten sind Social-Media-Meldungen mit Hashtags und @-Nennungen. Mit dem Hash-Symbol (#) werden Themen und Inhalte hervorgehoben und mit dem @-Symbol werden Nutzende markiert. Durch die beiden Symbole wird eigentlich unstrukturierten Daten eine zusätzliche Struktur gegeben, auf welche zugegriffen werden kann. Eine Social-Media-Meldung kann keine, ein oder mehrere Hashtags und keine, eine oder mehrere Nennungen enthalten.
Das neue Laborgebäude auf dem ZHAW-Campus Reidbach
in #Wädenswil wurde gestern eingeweiht. Genutzt wird der
Neubau vom Institut für Lebensmittel- und Getränkeinnovation,
wo unter einem Dach die gesamte Wertschöpfungskette von
Lebensmitteln erforscht wird.
https://zhaw.ch/de/ueber-uns/aktuell/news/
detailansicht-news/event-news/
lebensmittelforschung-unter-einem-dach-vereint/Ein anderes Beispiel finden sich regelmässig in Bankmitteilungen im Feld “Verwendungszweck”. In diesem Feld werden oft zusätzliche Daten für die Kommunikation zwischen den Beteiligten einer Transaktion hinterlegt. Listing 5.3 zeigt semistrukturierte Daten im Verwendungszweck von Banktransaktionen, diese können für eine Analyse verwendet werden.
1 PV2332 PG386.5 SV375.26
2 PG374.23
3 Ref: 106030763221202, Knr: 783924In diesem Beispiel sind einmal drei Werte, einmal ein Wert und einmal zwei Werte in einem Eintrag vorhanden. Dabei kommt die Buchstabenfolge PG einmal als zweiter Wert und einmal alleinstehend vor. Eine Behandlung als Tabelle dieser Werte ist wahrscheinlich nicht zielführend.
Die Buchstabenfolgen PV, PG und SV sowie Ref: und Knr: erfüllen den gleichen Zweck, wie Symbole # und @ in Social-Media-Meldungen. Diese Markierungen sind Codes, die wichtige Daten hervorheben und relativ leicht identifizieren lassen. Die Codes nehmen das Kodieren unstrukturierter Daten vorweg.
Solche Codes sind transaktionsspezifisch, so dass nicht alle Codes vorkommen müssen und bestimmte Codes nur bei bestimmten Transaktionen vorkommen oder die gleichen Codes in unterschiedlichen Transaktionen andere Bedeutungen haben. Oft folgen diese Codes einem eigenen Schema.
5.3 Daten erheben
Die eigentliche Datensammlung kann manuell, technisch unterstützt oder automatisch erfolgen. Bei der manuellen Datenerhebung werden alle Daten von einer Person erfasst und festgehalten. Bei der technisch-unterstützten Datenerhebung helfen spezielle Erhebungswerkzeuge, die Datenerhebung zu vereinfachen, indem sie Werte überprüft werden oder automatisch erfasst werden. Bei der automatischen Datenerhebung werden Daten durch Sensoren erfasst und gespeichert.
5.3.1 Manuelle Datenerhebung
In der Laborarbeit ist die Erfassung von Messwerten in Tabellen oder Listen üblich. Dabei werden die Werte von Hand direkt in eine Tabelle oder Liste eingetragen. So erfasste Tabellen oder Listen sind strukturierte Daten. Beim Eintragen der Daten muss darauf geachtet werden, dass die Werte an der richtigen Stelle eingetragen werden, weil solche Fehler oft unerkannt bleiben und eine nachträgliche Korrektur oft nicht möglich ist.
Die einfachste Form der manuellen Datenerfassung sind Notizen. Notizen sind persönliche Aufzeichnungen über die eigene Arbeit bzw. über Beobachtungen bei der Arbeit. Diese Daten sind entweder unstrukturiert oder semi-strukturiert. Sie erlauben eine grosse Flexibilität, falls die Daten nicht vorstrukturiert werden können oder die Struktur weitgehend unbekannt ist. Notizen lassen sich schwer objektivisieren, weil sie immer einen subjektiven Anteil der Person haben, welche die Notiz verfasst hat.
Es ist eine gute Idee, Messwerte in Tabellen zu erfassen und zusätzliche Notizen zu machen. Aus beiden ergeben sich Laborberichte, die wiederum zu Labortagebüchern wachsen. In der wissenschaftlichen Praxis sind die strukturierten Daten zwar das Hauptergebnis einer Untersuchung, aus den Notizen ergeben sich jedoch oft neue Einsichten, die sich nicht aus den strukturierten Daten herauslesen lassen.
Neben Notizen sind Transskripte ein wichtiges Werkzeug der manuellen Datenerfassung. Transskripte sind eine Verschriftlichung einer anderen Aufzeichnung. Oft sind das Tonaufzeichnungen von Gesprächen oder Videoaufzeichnungen eines Experiments. Diese Aufzeichnungen liefern immer unstrukturierte Daten. Die ursprüngliche Aufzeichnung ist dabei meistens eine Primärquelle für die Daten. Das Transskript ist eine abgeleitete Sekundärquelle der Primärquelle. Weil beim Transkribieren die Primärquelle neu kodiert wird, muss beim Transkribieren besonders sorgfältig gearbeitet werden, um die ursprünglichen Daten nicht zu sehr zu verfälschen.
Inzwischen gibt es brauchbare Werkzeuge zur Transkription von Mediendateien. Diese automatisch erstellten Transkripte müssen aber immer nachkontrolliert werden. Nur so wird das Risiko reduziert, dass sich die Bedeutung der Daten durch Transskriptionsfehler ändert.
5.3.2 Technisch-unterstützte Datenerhebung
Bei der technisch-unterstützten Datenerhebung soll das manuelle Datensammeln durch technische Werkzeuge vereinfacht werden, indem bestimmte Daten automatisch erfasst werden. Ein wichtiges Instrument für die technisch-unterstützte Datenerhebung sind Formulare. Formulare sind strukturierte Dokumente zur systematischen und wiederholten manuellen Eingabe von Daten durch Menschen.
Im Gegensatz zu Papierformularen können digitale Formulare die Eingaben überprüfen und bieten unterschiedliche Eingabeformate. Digitale Formulare können auch automatisch Daten erfassen, die nicht direkt eingegeben werden, wie beispielsweise den Zeitpunkt der Eingabe. Die populärste Art der digitalen Formulare sind inzwischen online Formulare, weil sie die grösste Flexibilität bei einer vergleichsweise niedrigen Nutzungsschwelle bieten.
Es lassen sich zwei Arten von Diensten für online Formulare unterschieden:
- Formulardienste, wie z.B. MS-Forms (Microsoft, 2023) oder Google Forms (Google, 2023).
- Umfrage- bzw. Survey-Dienste, wie z.B. Survey Monkey oder Lime Survey.
Der wesentliche Unterschied zwischen diesen Diensten sind zusätzliche Funktionen zur Datenerhebung. Survey-Dienste bieten zusätzliche Funktionen, wie die Anonymisierung der Daten, zusätzliche Daten über die Ausführung, Fragebogendokumentation oder die Unterstützung von wiederholten Befragungen.
Alle Formulare erlauben die Eingabe von Daten mit offenen und geschlossenen Wertebereich sowie das Auslesen der Daten in tabellarischer Form. Für jedes ausgefüllte Formular wird dazu eine Zeile erstellt, wobei die Eingabefelder jeweils als eine Spalte abgebildet werden.
Definition 5.5 Eine Eingabemöglichkeit eines Formulars wird als Fragebogen-Item oder schlicht als Item bezeichnet.
Items mit offenen Wertebereich sind Langantworten und Dateien. Alle anderen Eingaben haben einen geschlossenen Wertebereich. Die sog. Kurzantworten erscheinen als offene Eingabefelder. Ihr Wertebereich kann aber durch Validierungsregeln eingeschränkt werden.
Bei den Items mit geschlossenen Wertebereich kann zwischen einfachen und mehrfachen Eingaben unterschieden werden. Bei einfachen Eingaben kann nur eine Antwortmöglichkeit ausgewählt werden (sog. Single-Choice). Der Wertebereich dieser Items wird über die Antwortmöglichkeiten festgelegt.
Skalen sind Single-Choice-Items für einen ordinalen Wertebereich. Oft werden die Antwortmöglichkeiten mit einem Rang versehen.
Ein Spezialfall der Skalen ist die Likert-Skala, bei der eine lineare Skala mit einer Bewertung zwischen zwei Extremwerten versehen wird. Die Extrem-Pole sollten möglichst weit auseinander gewählt werden. Z.B. “trifft absolut nicht zu” und “trifft voll und ganz zu” und nicht “trifft nicht zu” und “trifft zu”. Obwohl Likert-Skalen subjektive Ansichten messen, wird der Wertebereich meist als intervallskalierter Wertebereich behandelt.
Bei mehrfachen Eingaben können mehrere Antwortmöglichkeiten ausgewählt werden. Mehrfache Eingaben werden auch als Multiple-Choice-Items bezeichnet. Im Gegensatz zu Single-Choice-Items haben Multiple-Choice-Items immer einen binären Wertebereich. Das bedeutet, dass jede Antwortmöglichkeit nur zwei Werte annehmen kann: ausgewählt oder nicht ausgewählt. Intern werden Multiple-Choice-Items als separate Items gespeichert und auch so tabellarisch dargestellt. Ein Multiple-Choice-Item hat deshalb immer eine Ja/Nein-Frage als Grundlage, wobei die fehlende Auswahl durch einen nicht vorhandenen Eintrag repräsentiert wird.
Die sog. Grid-Items oder Fragebatterien sind Items, bei denen mehrere Fragen mit den gleichen Antwortmöglichkeiten gestellt werden. Entsprechend haben diese Items den gleichen Wertebereich. Zu den Grid-Items sind oft als Skalen oder als Multiple-Choice-Items organisiert. Diese Items werden oft als Matrix dargestellt, wobei die Fragen als Zeilen und die Antwortmöglichkeiten als Spalten dargestellt werden. Intern werden die einzelnen Fragen von Grid-Items als separate Items gespeichert und werden auch tabellarisch so abgebildet. Dabei gelten die gleichen Regeln wie bei einfachen Single-Choice- und Multiple-Choice-Items.
Eine Fragebatterie aus Likert-Skalen wird Semantisches Differential genannt. Oft handelt es sich bei den Items um Aussagen, die über die gleiche Skala bewertet werden.
Ein besonderes Grid-Item ist das Ranking oder Sortieren. Bei dieser Art von Items werden mehrere Antwortmöglichkeiten in eine Reihenfolge gebracht. Die Antwortmöglichkeiten werden als eigene Items gespeichert, wobei der Wertebereich für jede Antwortmöglichkeit durch die möglichen Ränge festgelegt ist. Diese Items haben einen ordinalen Wertebereich.
Eine Variante des Sortierens sind Zuordnungs-Items. Bei diesen Items muss jedem Wert aus einer Liste von Werten jeweils ein Wert aus einer zweiten Liste zugeordnet werden. Die Werte aus der ersten Liste werden als Items gespeichert und die Werte aus der zweiten Liste legen den Wertebereich der Items. Diese Items haben einen nominalen Wertebereich.
Gelegentlich werden Fotos oder Bilder angeboten und die Teilnehmenden werden gebeten, Bereiche auf diesen Bildern auszuwählen. Dabei handelt es sich um eine Variante eines Multiple-Choice-Grids, bei dem die Antwortmöglichkeiten als Bilder dargestellt werden.
Durch die Wahl der Fragetypen und dem Festlegen der Wertebereiche von Formular-Items wird die Information der Antworten kodiert.
5.3.3 Automatische Datenerhebung
Bei der automatischen Datenerhebung werden Daten automatisch erfasst und gespeichert.
Bei der automatischen Datenerhebung werden grundsätzlich drei Kategorien unterschieden:
Snapshots erfassen eine Momentaufnahme eines Systems. Bei Snapshots handelt es sich immer um komplexe strukturierte Daten. Ein Snapshot kann beispielsweise ein Foto, ein MRI-Scan oder eine Gen-Sequenz sein. Ein Snapshot liefert einen Datensatz, der in der Regel sehr viele Werte umfasst. Snapshots werden oft von speziellen Geräten erfasst und gespeichert.
Metriken geben Auskunft über Zustände zu einem bestimmten Zeitpunkt. Oft werden Metriken in regelmässigen Abständen erfasst. Bei Metriken handelt es sich immer um einfache strukturierte Daten. Eine Metrik kann beispielsweise die Anzahl der Besucher einer Webseite zu einem bestimmten Zeitpunkt oder die Temperatur in einem Raum sein. Eine Metrik hat üblicherweise drei Eigenschaften:
- Name
- Wert
- Zeitpunkt
Logs geben Auskunft über Ereignisse in einem System. Ein Log-Eintrag wird erfasst, wenn ein Ereignis eintritt. Logs sind meist strukturierte oder semi-strukturierte Daten. Ein Log-Eintrag kann beispielsweise die Anmeldung eines Benutzers an einem System oder das Öffnen einer Webseite sein. Ein Log-Eintrag ist oft über zwei Hauptmerkmale definiert:
- Zeitpunkt
- Ereignismeldung
Log-Einträge werden oft chronologisch in der Reihenfolge der Ereignisse gespeichert.
Nur weil Sensoren und andere datengenerierende Instrumente verwendet werden, findet eine automatische Datenerhebung unter Umständen nicht statt. Ein entsprechendes Instrument muss über Funktionen verfügen, um Metriken und/oder Logs zu generieren und bereitzustellen.
Bei der automatischen Datenerhebung für Metriken und Logs werden meistens mehrere Systeme gemeinsam eingesetzt. Ein System erfasst die Daten und ein anderes System speichert die Daten in einer Datenbank. Die Daten werden in der Regel in einem Datenstrom bzw. Zeitreihe erfasst und gespeichert.