redato

Projektzeitraum
September 2020 – Februar 2021
Tools
InDesign, Illustrator, Photoshop, Sketch, Figma, Miro, Notion
Methoden
Nutzerinterviews, Affinity Diagramming, Personas, Crazy 8, Google Design Sprint
Projektpartner
Cedric Döz, Oliver Rieger

Wissenschaftler stehen vor der immer größer werdenden Herausforderung, ihre stetig wachsenden Forschungsdaten zu strukturieren und so abzulegen, dass sie von anderen Wissenschaftlern oder auch der Öffentlichkeit gefunden werden. Die Relevanz des Forschungsdatenmanagements wird zwar in der Wissenschaftscommunity als hoch bewertet, gleichzeitig ist es aber ein lästiges Thema.

Mit dem Projekt redato haben wir ein Applikationskonzept erstellt, mit dem Wissenschaftler ihre Forschungsdaten schnell veröffentlichen und auch die Daten anderer Wissenschaftler gefunden werden können. Im Gegensatz zu aktuellen Forschungsdatenmanagementsystemen können die Daten entlang des gesamten Forschungsprozesses veröffentlicht werden.

Kooperation

Wir arbeiteten mit dem Fraunhofer Institut für Arbeitswirtschaft und Organisation (IAO) in Stuttgart zusammen. Unser Ansprechpartner dort stellte uns fachliche Informationen zur Verfügung und vermittelte uns Interviewpartner. Dadurch konnten wir redato nah an der Zielgruppe gestalten.

Responsive image

Projektablauf

Die Projektorganisation orientierte sich an den Phasen des Design Thinking Prozesses.

Fraunhoferlogo

Den Nutzer verstehen

Um die Nutzerbedürfnisse zu verstehen, interviewten wir Wissenschaftler und Bibliothekare. Aus den gesammelten Erkenntnissen erstellten wir Proto- Personas. Mit ihnen wurden hypothetische Nutzer beschrieben, die einem bestimmten Archetyp folgen. Exemplarisch seien hier Simone und Andreas vorgestellt.

Simone

Simone braucht eine strukturierte Datenablage, die sie wenig Zeit kostet und sie ist bereit, Daten zu teilen und nachzunutzen.

Sie möchte mit anderen Wissenschaftlern zusammenarbeiten, die Daten kombinieren und so neue wissenschaftliche Erkenntnisse generieren.

Sie interessiert, an welchen Projekten ihre Kollegen arbeiten, damit sie sich gezielt mit ihnen vernetzen kann.

Persona 1

Andreas

Andreas teilt seine Daten gerne, da er an mehr Transparenz in der Wissenschaftscommunity interessiert ist.

Er ist sich nicht sicher, welche Daten er rechtlich gesehen teilen darf und welche nicht – insbesondere bei personenbezogenen Daten wie Umfragen.

Er wünscht sich eine effizientere Datensuche, um nur die Daten zu finden, die für seine Forschungsarbeiten relevant sind.

Persona 2

Die Anforderungen definieren

Für den Übergang in die Phase der Ideenfindung, haben wir Fragen nach dem Muster „How Might We“, beziehungsweise „Wie schaffen wir es, dass…“ formuliert. Fragen die sich ähneln fassten wir zu Gruppen zusammen und definierten daraus die Opportunity Areas. Opportunity Areas sind die Bereiche, in denen Optimierungsbedarf besteht. Dieses Vorgehen half uns dabei, die anschließende Ideenfindung zielgerichtet zu gestalten.

Wie schaffen wir es, dass...

How Might We
How Might We
How Might We
How Might We

Opportunity Areas

How Might We
How Might We
How Might We
How Might We

Ideen entwickeln

Für jede der Opportunity Areas entwickelten wir Ideen, wie wir die Nutzeranforderungen umsetzen könnten. Exemplarisch seien hier drei Ideen vorgestellt.

Projekttage

Einmal im Jahr könnte das Institut einen Projekttag veranstalten. An diesem Tag stellen die Teams ihre aktuellen Forschungsarbeiten den Kollegen vor. Die Teilnehmer der Veranstaltung können sich dadurch untereinander austauschen und erfahren so, welche Projekte aktuell am Institut laufen.

Idee 1

Zugriffsrechte

Ziel ist es, dass alle Daten von Beginn des Forschungsprozesses an veröffentlicht werden und damit auffindbar sind. Jedoch gibt es Daten, auf die nicht von Beginn an zugegriffen werden soll. Durch die Vergabe von Zugriffsrechten beim Synchronisieren der Daten wird der geforderte Datenschutz gewährleistet.

Idee 2

Interessensmatch

Das System könnte die Möglichkeit bieten, dass die Nutzer ihre Interessen und ihr Wissen hinterlegen. Ähneln sich die Interessen und das Wissen zweier oder mehr Nutzer, werden sie über eine Nachricht darüber informiert und angeboten, sich zu vernetzen.

Idee 3

Use Cases und Prototypen

Durch die Interviews erfuhren wir, welche Aufgaben die Nutzer erledigen müssen. Diese Aufgaben formulierten wir in Use Cases und erstellten Prototypen, die wir sofort mit den Nutzern testeten. Damit konnten wir früh feststellen, ob wir mit unseren Umsetzungsideen auf dem richtigen Weg waren. Als Beispiel ist hier der Use Case "Forschungsdesign Planung" dargestellt.


Use Case "Forschungsdesign Planung"
Zweck: Mit dem Forschungsdesign wird dem Projekt ein zeitlicher Rahmen gegeben und die geplanten Methoden des Projektes sind definiert.
Aktor: Wissenschaftler
Vorbedingung: Der Antrag mit seinen Metadaten ist im System angelegt.
Ergebnis: Der Arbeitspaketzeitraum, die Erhebungsmethode, die Untersuchungseinheit, der Forschungsgegenstand und die Zielgruppe sind definiert und als Metadaten im System angelegt.
Trigger: Der Antrag ist im System abgelegt und das Sytem zeigt an, die die Bibliothek die Metadaten im System abgelegt hat und dass die Planung des Forschungsdesigns für das Projekt durchgeführt werden kann.

Prototyp 1
Das System bietet an, zu einem Projekt zu navigieren.
Prototyp 2
Das System fragt, ob der Wissenschaftler eine Beratung wünscht.
Prototyp 3
Das System bietet an, die Arbeitspakete zu prüfen.
Prototyp 4
Der Nutzer überprüft das erste Arbeitspaket.
Prototyp 5
Das System zeigt, dass das erste Paket geprüft wurde.
Prototyp 6
Der Nutzer überprüft das zweite Arbeitspaket.
Prototyp 7
Das system zeigt, dass beide Arbeitspakete überprüft wurden und die erfolgreiche Prüfung an die Bibliothek gesendet werden kann.
Prototyp 8
Der Nutzer klickt auf den "Senden"-Button und das System fragt, ob die Arbeitspakete nocheinmal geprüft, oder ob sie gesendet werden sollen.

Gestaltung

Für jede der Opportunity Areas entwickelten wir Ideen, wie wir die Nutzeranforderungen umsetzen könnten. Exemplarisch seien hier drei Ideen vorgestellt.

Typografie

Bei der Suche nach einer geeigneten Schrift wurde darauf Wert gelegt, das eher nüchterne Thema des Datenmanagements zu unterstützen. Die Schriftfamilie Lato wurde als eine im Fließtext neutral wirkende Schrift entwickelt und wird daher den Anforderungen gerecht. Eine besondere Wirkung entfaltet sie bei Überschriften, wo die abgerundeten Ecken erkennbar werden und so eine gewisse Leichtigkeit und Frische entsteht.


Lato Black

Lato Bold

Lato Light

Lato Thin

Schriftschnitte

Farbpalette

Für die Farbgestaltung haben wir zurückhaltende Blautöne, Schwarz und Weiß gewählt.

Schwarz

#060F1A

Weiß

#FFFFFF

Blau1

#166dd7

Blau1

#509EFD

Blau3

#C6DCF7

Blau4

#EAF3FE

Screensbeispiele

Login

Login

Suche

Login

Forschungsdatensatz anlegen

Projekte

Projekte

FDS anlegen 1
FDS anlegen 2
FDS anlegen 3