FAIR – nicht nur im sportlichen Wettkampf wichtig. Hinter dem Akronym verbirgt sich das Ziel Daten für Mensch und Maschinen zugänglich, insbesondere auf dem Hinblick des Nutzens für künstliche Intelligenz. Findable – Accessible – Interoperable – Reusable sind dabei die Voraussetzungen an die Daten. Die GO FAIR-Initiative ( https://www.go-fair.org/fair-principles/) ist hierbei als Wegbereiter innerhalb der wissenschaftlichen Community anzusehen.

Im Jahr 1998 brachte die Deutsche Forschungsgemeinschaft mit ihrem Kodex „Leitlinien zur Sicherung guter wissenschaftlicher Praxis“ ( https://zenodo.org/records/6472827) eine erste verbindliche Vorgabe für die Forschungsförderung in Umlauf. Mit der 2019 revidierten Version sollen Forschende sich in die Lage versetzen, ihre internen Strukturen, Prozesse und Handlungen an den Leitlinien guter wissenschaftlicher Praxis auszurichten und eine positive, am Berufsethos orientierte Kultur wissenschaftlicher Integrität zu ermöglichen.

– vereint mehre Ansätze einer offenen Wissenschaftspraxis (u. a. Open Access, Open Source, Open Data), bei der möglichst alle Schritte des Forschungsprozesses wie Forschungsdaten, Software und Publikationen frei zugänglich sind und sich somit an den FAIR-Prinzipien orientiert. Eine erste Empfehlung wurde von der UNESCO ( https://www.unesco.org/en/open-science/about?hub=686) 2021 herausgegeben. Ziel eines jeden Forschenden sollte es sein seine Entdeckungen „As open as possible“ zu machen.

Laborbücher sind seit mehr als hundert Jahren das Grundgerüst aller Forschenden. Eintragungen in den Büchern von Einstein und Darwin werden heutzutage aufgrund ihrer wissenschaftshistorischen Relevanz in Museen ausgestellt. Der Einzug der Digitalisierung ist auch in diesem Bereich auf dem Vormarsch. Elektronische Labornotizbücher sind seit Jahren auf dem Vormarsch, vor allem im Bereich der chemischen und pharmazeutischen Industrie. Von kommerziellen Anbietern bis Open Source ist alles vorhanden und stellt den jeweiligen Forschenden vor einer grundsätzlichen Abwägung, welche Eigenschaften er nutzen möchte, um seine eigene Arbeit zu erleichtern. Trotzdem gilt weiterhin für Pflege und Handhabung des analogen und digitalen Laborbuches derselbe Grundsatz:
"Ein erfahrener Wissenschaftler sollte mit Hilfe des Laborbuches in der Lage sein, dass Experiment nachzustellen und zu vergleichbaren Ergebnissen zu kommen."

Seit dem Durchbruch von künstlicher Intelligenz, im Rahmen von Large Language Models, in den letzten Jahren ist das Bewusstsein für die technologische Möglichkeiten immens gestiegen. Auch im Bereich der Forschung wird immer mehr in der Analyse und Simulation von Experimenten mit KI gearbeitet ( https://www.nature.com/immersive/d41586-023-03017-2/index.html). Grundlage für des Erfolges ist das Training jenes System mit einer immensen Menge von Daten ( https://arxiv.org/html/2211.04325v2), um im finalen Ergebnis eine Software zu erhalten, deren Vorhersagekraft menschlichen Arbeiten angeglichen ist, dementsprechend müssen die genutzten Daten möglichst den FAIR-Prinzipien unterliegen.