Katalyseforschung bringt viele Rollen, Routinen und diese „Oh nein – wo ist diese Datei jetzt schon wieder?“‑Momente mit sich. Unsere NFDI4Cat Research Personas machen diese Vielfalt praktisch nutzbar: eine Reihe greifbarer, wiedererkennbarer Profile, die dir schnell zeigen, wie du arbeitest, was du brauchst und welche Tools oder Services deinen Alltag wirklich erleichtern.
Egal ob du deine Zeit am Labortisch verbringst, Workflows und Integrationen baust, Modelle trainierst, Datensätze kuratierst, Projekte betreust oder Ergebnisse in Richtung industrieller Anwendung übersetzt – vielleicht erkennst du dich in einer Katze wieder… oder in mehreren.
Genau darum geht’s: Nutze die Personas, um deine Katze(n) zu finden, und verwende dieses Match, um dich zur passenden Infrastruktur, zu hilfreicher Anleitung und zu den richtigen Services für dich zu navigieren.
LabCat
Experimentelle:r Wissenschaftler:in · Täglicher Laborbetrieb
Der Laborforschende bildet das operative Rückgrat der Katalyseforschung. Tag für Tag führt diese Person Synthesen, Reaktorexperimente und Charakterisierungsmessungen durch – und erzeugt damit die Primärdaten, auf denen alle nachgelagerten Analysen aufbauen. Die Arbeitsumgebung ist reich an Instrumenten, aber arm an Dokumentation: Analysegeräte liefern proprietäre Ausgabedateien, Versuchsparameter stehen verstreut in Notizbüchern, und die Probenhistorie steckt oft im Kopf statt in einem strukturierten System.
Aus Infrastruktursicht braucht diese Persona einen niedrigschwelligen Einstieg in digitales Datenmanagement. Eine ELN-Integration, die direkt an Instrumente angebunden ist und Messdateien, Zeitstempel sowie Geräte-Metadaten automatisch erfasst, würde die zeitaufwändigsten manuellen Schritte reduzieren. Standardisierte Metadatenschemata für die Katalyse (z. B. Katalysatorzusammensetzung, Vorbehandlung, Reaktionsparameter und Leistungskennzahlen) sollten, wo möglich, aus Geräteausgaben vorbefüllt werden, um Übertragungsfehler zu vermeiden. Eine einfache, gut gestaltete Oberfläche, die nur minimale Einarbeitung erfordert, erhöht die Akzeptanz – gerade unter Zeitdruck laufender Messkampagnen. Zuverlässige lokale Datenspeicherung mit automatischer Synchronisation in institutionelle Repositorien stellt sicher, dass keine Messung zwischen Laborbank und Langzeitarchiv verloren geht.
Workflow-Architekt:in · Automatisierung & Tool-Integration
Der/Die digitale Forschungsingenieur:in sitzt an der Schnittstelle zwischen Fachwissenschaft und computergestützter Werkzeugwelt. Mit sicherem Umgang in Skriptsprachen und im Design von Datenpipelines verwandelt diese Persona rohe experimentelle Ausgaben in analysefähige Datensätze und orchestriert reproduzierbare Verarbeitungs-Workflows. Die größte Frustration ist dabei selten die Datenmenge, sondern die Heterogenität: Gerätehersteller liefern proprietäre Formate, Analysewerkzeuge erwarten inkompatible Eingaben, und ohne standardisierte Schnittstellen entsteht ständig neue ad-hoc Konvertierungsarbeit.
Die NFDI4Cat-Infrastruktur sollte dieser Persona mit gut dokumentierten, stabilen APIs begegnen, die Repositorieninhalte und Metadaten maschinenlesbar bereitstellen. Unterstützung für community-nahe Datenformate – etwa HDF5, JSON-LD und entstehende fachspezifische Standards aus der Katalyse-Community – reduziert Konvertierungsaufwand und ermöglicht direkte Tool-Integration. Versionierter Datenzugriff, Provenienz-/Nachverfolgbarkeit und Workflow-Ausführungsumgebungen (z. B. für Snakemake oder Nextflow) sind essenziell, um Reproduzierbarkeit über langlaufende Forschungsprogramme hinweg zu sichern. Ein Software-Register für community-entwickelte Tools sowie geteilte Workflow-Templates sorgen dafür, dass mühsam erarbeitete Automatisierungslösungen wiederverwendet statt ständig neu erfunden werden.
DevCat
DataCat
Computational Analyst · Machine Learning & Modellierung
Der/Die Data Scientist arbeitet vor allem mit bereits vorhandenen Datensätzen, um Muster zu erkennen, prädiktive Modelle zu entwickeln und zur datengetriebenen Katalysatorentwicklung beizutragen. Entscheidend dafür sind Auffindbarkeit und Qualität früherer experimenteller Ergebnisse: Ein Datensatz ohne verlässliche Metadaten zur Katalysatorpräparation oder zu Testbedingungen ist – unabhängig von der Anzahl der Datenpunkte – für Modellierung nur begrenzt nutzbar.
Die Infrastrukturanforderungen dieser Persona konzentrieren sich auf Discovery und Zugriff. Voraussetzung ist eine leistungsfähige, semantisch arbeitende Suchoberfläche, die u. a. nach Katalysatorsystem, Reaktionstyp, Charakterisierungsmethode und Performance-Deskriptoren filtern kann. Metadaten müssen konsistent zu community-abgestimmten Ontologien (z. B. innerhalb von NFDI4Cat entwickelt) vorliegen, damit eine sinnvolle Harmonisierung über Datensätze hinweg möglich ist. Bulk-Export und direkter API-Zugriff erlauben den programmgesteuerten Abruf großer aggregierter Datensammlungen zur Einbindung in ML-Pipelines. Datenqualitätsindikatoren und Provenienzangaben helfen, die Verlässlichkeit eines Datensatzes einzuschätzen, bevor Zeit in die Modellierung investiert wird. Benchmark-Datensätze mit klaren Lizenzen beschleunigen die Modellentwicklung und erleichtern Community-Vergleichsstudien.
Student · Forschungdatenmanagement in der Lernphase
Der/Die Early-Career Wissenschaftler:in – ob Masterstudent:in, Doktorand:in oder Postdoc am Anfang der eigenständigen Arbeit – lernt gleichzeitig Katalysewissenschaft und die Praxis des Forschungsdatenmanagements. Diese doppelte Lernkurve macht „Komplexität ohne Kontext“ zu einer echten Hürde: Metadatenschemata ohne Erklärung, Repositorien ohne geführten Einstieg und Tools ohne durchgearbeitete Beispiele untergraben Vertrauen und verlangsamen die Entwicklung guter Datenpraxis.
Die Infrastruktur für diese Persona muss daher Klarheit und didaktische Unterstützung in den Vordergrund stellen. Kuratierte Beispieldatensätze aus veröffentlichten Katalyse-Studien, ergänzt durch strukturierte Tutorials (Ablage/Deposit, Annotation, Retrieval), liefern den konkreten Startpunkt, den reines Selbststudium oft nicht bietet. Verständliche Dokumentation für Fachwissenschaftler:innen statt nur für Data Engineers senkt die Einstiegshürde. Visualisierungstools, mit denen sich heruntergeladene Daten sofort interpretierbar erkunden lassen – ohne fortgeschrittene Programmierkenntnisse – verbinden RDM-Praxis direkt mit wissenschaftlichem Erkenntnisgewinn. Lernpfade, die mit wachsender Kompetenz schrittweise anspruchsvoller werden, sorgen dafür, dass die Infrastruktur vom ersten Kapitel der Thesis bis zur Disputation relevant bleibt.
LearnCat
StewardCat
Datenqualitätsbeauftragte:r · FAIR-Compliance & Kuratierung
Der/Die Forschungsdaten-Steward übernimmt eine zentrale Qualitätssicherungsrolle im Datenlebenszyklus. Diese Persona prüft, kuratiert und veröffentlicht Datensätze im Auftrag von Arbeitsgruppen oder institutionellen Repositorien – und muss dabei effizient mit großen Mengen heterogener Einreichungen umgehen: unvollständige Metadaten erkennen, Community-Standards durchsetzen und Forschende zu konformen Datensätzen anleiten, ohne selbst zum Engpass zu werden.
Die Infrastrukturbedarfe sind deshalb stark auf Validierung und Workflow-Effizienz ausgerichtet. Eine automatisierte Metadatenvalidierung gegen definierte Schemata und Ontologiebegriffe – inklusive Hinweisen auf fehlende Pflichtfelder, inkonsistente Einheiten oder nicht erlaubte Vokabulare – reduziert den manuellen Kuratierungsaufwand erheblich. Konfigurierbare Qualitäts-Checklisten entlang der FAIR-Prinzipien sowie Audit-Trails, die jede Kurationsaktion nachvollziehbar dokumentieren, unterstützen Qualitätssicherung und Verantwortlichkeit. Schlanke Workflows für DOI-Vergabe und Datenpublikation, integriert mit Community-Repositorien und Datenjournals, bringen kuratierte Datensätze ohne Plattform-Spezialwissen zügig in die Öffentlichkeit. Administrative Dashboards mit Überblick über Einreichungsqueues, Review-Status und Publikationsmetriken helfen, die Arbeitslast über mehrere parallele Projekte hinweg zu steuern.
Leitung einer Forschungsgruppe · Projekt-Übersicht & Compliance
Der/Die Principal Investigator (PI) trägt die Gesamtverantwortung für wissenschaftliche Ergebnisse, Datenintegrität und die Einhaltung regulatorischer Vorgaben in einem oder mehreren Projekten. Da diese Persona meist mehrere Teams und Förderlogiken parallel koordiniert, arbeitet sie selten direkt mit Rohdaten – muss aber sicher sein, dass die Datenmanagementpraxis der Gruppe den Anforderungen von Förderern, Institutionen und Kooperationspartnern entspricht.
Die Infrastrukturunterstützung ist daher vor allem organisatorisch und auf Überblick ausgelegt. Rollenbasierte Zugriffskontrolle (Role-Based Access Control), die Aufgaben delegierbar macht und gleichzeitig die Sichtbarkeit für die PI-Wirklichkeit erhält, ist eine Grundvoraussetzung. Dashboards, die den Datenmanagement-Status über Projekte hinweg aggregieren (z. B. Metadatenvollständigkeit, Publikationsreife, Erfüllung von DMP-Anforderungen), schaffen die Transparenz für Berichte an Förderer wie DFG oder die Europäische Kommission. Standardisierte Reporting-Templates entlang gängiger Förderanforderungen senken den administrativen Aufwand, insbesondere zum Projektabschluss. Benachrichtigungen zu Datensätzen mit ausstehenden Pflichtangaben oder nahenden Aufbewahrungs-/Retention-Fristen ermöglichen proaktives statt reaktives Compliance-Management.
LeadCat
ProcessCat
Schnittstelle Industrie–Wissenschaft · Anwendungsnahe Datenintegration
Der/Die industrielle Prozessingenieur:in betrachtet akademische Forschungsdaten mit Blick auf technologische Anwendung und Skalierung. An der Grenze zwischen Forschungsergebnis und industrieller Umsetzung sucht diese Persona nach Katalysatorsystemen, Prozessbedingungen und Leistungsdaten, die sich in Richtung Scale-up und Betrieb übertragen lassen. Die größte Hürde ist dabei selten die Datenmenge, sondern Zugänglichkeit und Interoperabilität: Forschungsdatensätze sind oft nicht so strukturiert, dass sie direkt in industrielle Datenmanagementsysteme eingelesen werden können, und die dokumentierten Bedingungen zu publizierten Performance-Daten reichen häufig nicht aus, um Ergebnisse verlässlich zu extrapolieren.
NFDI4Cat kann diese Nutzergruppe unterstützen, indem standardisierte, maschinenlesbare Exporte und eine klare Dokumentation von experimentellem Gültigkeitsbereich und Limitationen priorisiert werden. Interoperabilität mit industriellen Datenstandards – einschließlich Kompatibilität mit in Prozessengineering und Produktion verbreiteten Formaten – ermöglicht Datentransfer ohne aufwendige Sonderkonvertierungen. Gut strukturierte Metadaten zu Reaktortyp, Maßstab, Feed-Zusammensetzung und Betriebsfenster erlauben eine schnelle Bewertung von Relevanz und Übertragbarkeit. Controlled-Access-Mechanismen, über die Industriepartner proprietäre Daten unter definierten Vertraulichkeitsvereinbarungen in gemeinsame Ressourcen einbringen können – und dennoch von Community-Metadatenstandards und Suchinfrastruktur profitieren – schaffen eine Grundlage für nachhaltigen Public–Private-Datenaustausch.
English