Diversität in Forschungsprojekten

TU Graz
Graz University of Technology

18 konkrete Beispiele aus unterschiedlichen Wissenschaftsdisziplinen zeigen, welche möglichen relevanten Diversitätsaspekte für Forschungsprojekte identifiziert und integriert werden können – indem etwa neue Variablen definiert, Methoden entwickelt und in Publikationen eingebracht werden.

Die Beispiele sind in sechs Kapitel gegliedert, analog zu den einzelnen Kapiteln im Handbuch Diversität in Forschungsprojekten berücksichtigen. Wie geht das?, und stellen eine Erweiterung und Veranschaulichung dieses Handbuchs dar. Dieses in Verbindung mit der Beispielsammlung unterstützen Forschende in Technik und Naturwissenschaften darin, neue Forschungs- und Innovationspotenziale sowie neue Förderschienen zu eröffnen.

Themenbereiche

Fokus: Was ist der Fokus Ihres Forschungsprojekts?
Literatur: Welche Erkenntnisse hinsichtlich Diversitätsaspekten können aus der einschlägigen Literatur gewonnen werden?
Konzepte & Modelle: Wie werden Diversitätsaspekte in unterschiedlichen Konzepten und Modellen berücksichtigt?
Forschungsdesign: Welches Forschungsdesign liefert neue, innovative Erkenntnisse?
Ergebnisse: Ist eine andere Interpretation der Ergebnisse denkbar?
Forschungsteam: Wie setzt sich das Forschungsteam zusammen?

Das Handbuch ist ebenfalls erhältlich als

Printversion (erhältlich über Verlag der TU Graz),
kostenloses E-Book (verfügbar über openlib.tugraz.at) und
frei zugänglichen aufbereitet als Checkliste im TU Graz TeachCenter (derzeit nur auf Deutsch).

Kontakt

Beratung und nähere Informationen zu Diversität in Forschungsprojekten:

Armanda PILINGER
Tel.: +43 316 873 6090
a.pilingernoSpam@tugraz.at

1. Fokus

Was ist der Fokus Ihres Forschungsprojekts?

Ihre Forschungsergebnisse können für viele Personen-Gruppen relevant sein.

Nimmt Ihre Forschung Bezug auf Tiere, Gewebs- oder Zellmaterial?

Wenn Menschen, Tiere, Gewebs- oder Zellmaterial in Ihrer Forschung eine Rolle spielen, dann ist Diversität relevant für Ihr Forschungsprojekt. Naheliegend ist das vor allem in der angewandten technischen Forschung und Entwicklung, wenn es unmittelbare Nutzer*innen, Zielgruppen oder Betroffene gibt.

Für die Grundlagenforschung sind Diversitätsaspekte in den Forschungsinhalten oft weniger relevant.

Ob Grundlagenforschung oder angewandte Forschung: In jedem Fall gilt, dass es Menschen sind, die forschen und die im besten Fall mit einer Vielfalt an Kenntnissen und Erfahrungen zu den Ergebnissen beitragen. Die Zusammensetzung des Forschungsteams sollte also immer beachtet werden (siehe dazu auch die Beispiele zu Forschungsteam (Bsp. 6.1 - 6.3).

Beispiel 1.1. Publikationen und Berichte: Sind Ihre Grafiken für alle Zielgruppen lesbar?

Publikationen und Berichte enthalten Grafiken und Tabellen, um Ergebnisse zu visualisieren. Dabei werden auch Farben eingesetzt. Doch bei einer unüberlegten Wahl der Farbcodes ist die angestrebte Differenzierung für bestimmte Personen nicht wahrnehmbar. Denn 10% der Bevölkerung sind farbfehlsichtig oder farbenblind, wobei Männer zehnmal häufiger betroffen sind als Frauen. Zumeist sind es die Farben rot und grün die schwer oder nicht zu unterschieden sind, wesentlich seltener sind es gelb und blau.

Wenn also bei Grafiken und der zugehörigen Beschriftung rote und grüne Farbcodes verwendet werden, dann sind sie für die Betroffenen unbrauchbar oder zumindest äußerst schwierig zu interpretieren. Es können andere Farben oder zusätzlich farbunabhängige Codierungen verwendet werden, beispielsweise durch unterschiedliche Linientypen, Formen und Schraffierungen.

Der Kontaktlinsenhersteller Lenstore bietet auf seiner Internetseite an, Fotografien genau so zu erleben, wie farbenblinde Personen (https://www.lenstore.de/vc/farbwechsel/).

Literatur zu Beispiel 1.1.

Colour Blind Awareness Organisation (2019). Website. http://www.colourblindawareness.org
Shaffer, Jeffrey (2016). 5 tips on designing colorblind-friendly visualizations. Blogbeitrag Tableau Software. https://www.tableau.com/about/blog/2016/4/examining-data-viz-rules-dont-use-red-green-together-53463

Wer wird Ihre Forschungsergebnisse nutzen und anwenden? Wer ist auf andere Art von Ihrer Forschung betroffen?

Neben den unmittelbaren Nutzer*innen und Zielgruppen können beispielsweise auch Förderungsagenturen, Behörden oder Anrainer*innen eine wichtige Rolle für Ihre Forschung spielen. Diese unterschiedlichen Gruppen zu Beginn eines Forschungsprojektes zu analysieren und festzulegen, wer in welcher Form berücksichtigt werden sollte, kann wesentlich zum Gelingen des Projektes beitragen.

Beispiel 1.2. Softwareentwicklung: Wen erreicht die Dienstleistung über das Smartphone?

Für neue Technologien ist es wichtig, Akzeptanz und Bedienbarkeit sicherzustellen. Implizite Annahmen können jedoch dazu führen, dass wichtige Zielgruppen vernachlässigt werden.

Wenn beispielsweise Dienstleistungen nur noch über das Smartphone angeboten werden, werden vor allem technikaffine Personen angesprochen, die eventuell auch jünger sind. Denn der Zugang zu Technologien, Interesse und erforderliche Kompetenzen sind gesellschaftlich unterschiedlich verteilt. Die Reichweite der Anwendung kann wesentlich verbessert werden, wenn die Bedürfnisse und Anforderungen von technikfernen, technikkritischen oder älteren Personen berücksichtigt werden (vgl. Bath 2015, Marsden 2014).

Literatur zu Beispiel 1.2.

Bath, Corinna (Hrsg.) (2015). Gender, Technik und Mobilität. Innovative, soziotechnische Lösungen für gesellschaftliche, wissenschaftliche und wirtschaftliche Herausforderungen. Technische Universität Braunschweig, Maria-Goeppert-Mayer-Professur für Gender, Technik und Mobilität. https://www.tu-braunschweig.de/index.php?eID=dumpFile&t=f&f=84793&token=473da4057d98ba748f783350531a84c42bba3279
Marsden, Nicola (2014). Gender-UseIT. HCI, Usability und UX unter Gendergesichtspunkten. Leitlinien für die Praxis. https://www.gender-wissen-informatik.de/content/download/199/file/Gender-UseIT_20141105_final.pdf

Welche unterschiedlichen Bedürfnisse haben diese Personengruppen?

Personengruppen haben unterschiedliche Erwartungen an ein technisches Produkt oder die Ergebnisse eines Forschungsprojektes (vgl. Wilkowska, Gaul & Ziefle 2010). Das kann beispielsweise mit unterschiedlichen persönlichen Fähigkeiten und Fertigkeiten, Arbeits- und Lebensumgebung, körperlichen Eigenschaften, Gesundheit, Alter, oder dem Geschlecht zusammenhängen. Dazu kommen vielfältige Kulturen und Lebensstile, unterschiedliche wirtschaftliche und familiäre Ausgangssituationen, wie bspw. Betreuungsaufgaben. Diese Faktoren können sich auch gegenseitig verstärken, z. B. wenn kulturell bedingt eher Frauen oder eher Männer ein Gerät benutzen.

Manchmal gibt es auch wichtige gemeinsame Grundlagen, z.B. wenn ein technisches Gerät nur in bestimmten Berufen bzw. mit einer bestimmten Ausbildung genutzt wird.

Beispiel 1.3. Methode Empathy Map: Wie können Personengruppen analysiert werden?

Wie kann ermittelt werden, welche Faktoren relevant sind und wie sie zusammenhängen? Am besten durch eine diverse Gruppe von Personen, die der Vielfalt der Nutzer*innen entspricht. Zusätzlich können Instrumente wie beispielsweise Empathy Maps eingesetzt werden (Gray 2017), mit deren Hilfe Vertreter*innen einer Zielgruppe systematisch beschrieben werden – hinsichtlich ihres Umfelds, ihrer potenziellen negativen und positiven Einstellungen und Erwartungen oder anderer Aspekte.

Literatur zu Beispiel 1.3.

Wilkowska, Wiktoria; Gaul, Sylvia & Ziefle, Martina (2010). A Small but Significant Difference – The Role of Gender on Acceptance of Medical Assistive Technologies. In: G. Leitner, M. Hitz, and A. Holzinger (Eds.): HCI in Work and Learning, Life and Leisure. USAB 2010. Lecture Notes in Computer Science, vol 6389. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-16607-5_6
Gray, Dave (2017). Empathy Map - Blogeintrag. Gamestorming – A toolkit for innovators, rule-breakers and changemakers. https://gamestorming.com/empathy-mapping/

2. Literatur

Welche Erkenntnisse hinsichtlich Diversitätsaspekten können aus der einschlägigen Literatur gewonnen werden?

Bisherige Forschung hat möglicherweise schon Diversitätsaspekte berücksichtigt. Eine Analyse der Literatur zeigt Ihnen auch Lücken in der bestehenden Forschung auf.

Welche Diversitätsaspekte wurden bis dato untersucht und mit welchen Ergebnissen?

Achten Sie bei der Analyse der gefundenen Literatur darauf, wie mit Diversitätsaspekten umgegangen wird, auch wenn diese nicht im Zentrum der jeweiligen Publikation stehen.

Beispiel 2.1. Maschinelles Lernen: Was sind relevante Variablen für die Gesichtserkennung?

Im Bereich der Artificial Intelligence ist es wichtig, mit welchen Daten Algorithmen getestet wurden. So zeigte eine Studie (vgl. Buolamwini & Gebru 2018), dass kommerzielle Anwendungen von Gesichtserkennungsprogrammen selbst bei einfachen Aufgaben wie der automatischen Erkennung des Geschlechts einer Person auf einem Foto, sehr unterschiedliche Treffsicherheit aufweisen: Frauen wurden schlechter als Männer erkannt, und das Geschlecht von dunkleren Hauttypen wurde deutlich seltener richtig klassifiziert als das von helleren Hauttypen. Das hat nicht zuletzt mit den Daten zu tun, die zum Training der Programme eingesetzt werden. Durch Über- oder Unterrepräsentation von bestimmten Gruppen kann es zu unbeabsichtigten Verzerrungen (Biases) z.B. in Bezug auf Geschlecht, Ethnie oder Kultur kommen. Beispielsweise kommen 45% der Bilder in der vielgenutzten Plattform „ImageNet“ aus den USA, wo aber nur 4% der Weltbevölkerung leben. (vgl. Zou & Schiebinger 2018)

Literatur zu Beispiel 2.1.

Buolamwini, Joy & Gebru, Timnit (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, Proceedings of Machine Learning Research 81:1–15, 2018. http://proceedings.mlr.press/v81/buolamwini18a.html

Zou, James & Schiebinger, Londa (2018). AI can be sexist and racist – it’s time to make it fair, Nature. https://www.nature.com/articles/d41586-018-05707-8

Welche Methodiken finden sich in der Literatur?

Achten Sie darauf, wie die methodische Vorgehensweise in der Literatur dokumentiert wird (siehe dazu auch die Beispiele zu Konzepte & Modelle (Bsp. 3.1-3.3) sowie zum Forschungsdesign (Bsp. 4.1-4.4). Auch scheinbar neutrale Algorithmen können Vorurteile reproduzieren, wenn sie auf von Menschen produzierte Informationen angewandt werden. Beim unreflektierten Einsatz von als neutral angenommenen Algorithmen werden somit Fragen der Moral, des erwünschten Umgangs mit Vorurteilen und der gesellschaftlichen Vielfalt ausgeklammert.

Beispiel 2.2. Maschinelles Lernen: Was ist bei der „word embeddings“ Methode zu hinterfragen?

Word embeddings sind Grundbestandteile vieler Machine Learning Anwendungen in der elektronischen Verarbeitung natürlicher Sprache (natural language processing). Für die Anwendung in Algorithmen ist es wesentlich, Wörter mathematisch darzustellen. Word embeddings sind dabei Vektoren, die ein Wort und gleichzeitig auch dessen Bedeutung im Kontext anderer Wörter repräsentieren. Wörter, die häufig in ähnlichen Zusammenhängen verwendet werden, haben dementsprechend ähnliche Vektoren. Dadurch werden allerdings auch implizite Verzerrungen und Vorurteile in Bezug auf Geschlecht / Gender, die in den Trainingsdaten vorhanden sind, explizit gemacht. Das ist zum Beispiel der Fall, wenn man in der gleichen Weise mit computer programmer assoziiert wird wie woman mit homemaker (siehe Bolukbasi et al. 2016). Der weit verbreitete Einsatz von word embeddings birgt dabei die Gefahr, diese Stereotype weiter zu verstärken. Gleichzeitig sind aber auch genug Informationen vorhanden, um Verzerrungen und Vorurteile zu reduzieren. Tolga Bolukbasi et al. (2016) schlagen eine Methodik vor, um word embeddings so zu modifizieren, dass geschlechtsspezifische Stereotype entfernt werden, aber gewünschte Assoziationen erhalten bleiben. Dazu werden geschlechtsspezifische von geschlechtsneutralen Wörtern unterschieden und bei Letzteren die Geschlechts-Dimension im Vektor entfernt. (Bolukbasi et al. 2016; Becker 2018).

Literatur zu Beispiel 2.2.

Becker, Roland (2018). KI Basics – Word Embeddings – Methoden zur Repräsentation von Wörtern in Algorithmen und neuronalen Netzen. Website Beitrag, 21.5.2018. JUST ADD AI: https://jaai.de/word-embeddings-worteinbettung-word2vec-glove-bag-of-words-1872/

Bolukbasi, Tolga; Chang, Kai-Wei; Zou, James; Saligrama, Venkatesh; & Kalai, Adam (2016). Man is to Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings. 30th Conference on Neural Information Processing Systems (NIPS 2016), Barcelona, Spain., 9p. https://papers.nips.cc/paper/6228-man-is-to-computer-programmer-as-woman-is-to-homemaker-debiasing-word-embeddings.pdf

Was sind die wichtigsten Forschungslücken?

Folgende Strategie bezüglich Forschungslücken könnte hilfreich sein (vgl. Nieuwenhoven & Klinge 2010, Beery & Zucker 2011):

Wenn Sie eine Forschungslücke in Bezug auf das Geschlecht identifiziert haben (kein oder zweifelhaftes Wissen über die Existenz von Geschlechtsunterschieden), könnten Sie das biologische Geschlecht als eine der Prioritäten Ihrer Forschung betrachten.
Wenn Geschlechtsunterschiede bekannt sind, konzentrieren Sie sich auf sich überschneidende (intersektionale) Aspekte der Diversität, behalten Sie aber gegebenenfalls das biologische Geschlecht als analytische Einheit. Die Untersuchung der Mechanismen und Ursachen, die den bekannten Unterschieden zugrunde liegen, könnte ebenfalls eine Priorität sein.
Wenn frühere Arbeiten eindeutig darauf hindeuten, dass es keine signifikanten geschlechtsspezifischen Unterschiede gibt, überprüfen Sie, ob es andere relevante Dimensionen der Vielfalt gibt.

Beispiel 2.3. Fahrzeugtechnik: Was wurde beim Crashtest noch nicht bedacht?

Immer wieder entdeckten Ingenieur*innen und Forschende beispielsweise Forschungslücken im Zusammenhang mit Crashtest-Dummies, die zu Sicherheitsüberprüfungen in der Fahrzeugindustrie eingesetzt werden. Diese Dummies wurden erstmals in den späten 1940ern eingesetzt und waren ursprünglich am jungen, weißen, kräftigen, 70 kg schweren Mann orientiert. Erst später kamen weibliche Modelle (ab den späten 1960ern), Kindermodelle (1980er) und Babymodelle (1990) dazu (vgl. Gendered Innovations – Pregnant Crash Test Dummies 2019). Das diente in erster Linie dazu, um unterschiedliche Körpergrößen abzudecken. (Durchschnittliche Körpergrößen variieren übrigens nicht nur zwischen Männern und Frauen, sondern auch zwischen unterschiedlichen Ländern – bspw. sind Menschen aus (nord-)europäischen Ländern wie Deutschland oder den Niederlanden eher groß, Menschen aus asiatischen Ländern eher klein).

Erst 1996 wurde ein Modell entwickelt, das die besonderen Anforderungen in der Schwangerschaft berücksichtigt. Beispielsweise ist das Anschnallen mit dem Dreipunkt-Sicherheitsgurt für Schwangere schwierig und bei Unfällen sogar gefährlich für das ungeborene Kind (vgl. Bath 2015, Gendered Innovations – Pregnant Crash Test Dummies 2019, Linder & Svedberg 2019). Aktuell werden in den USA Modelle entwickelt, die den Körperbau und besondere Anforderungen von älteren und übergewichtigen Personen berücksichtigen, die einen wachsenden Anteil der Bevölkerung ausmachen (Kirkendoll 2017).

Literatur zu Beispiel 2.3.

Bath, Corinna (Hrsg.) (2015). Gender, Technik und Mobilität. Innovative, soziotechnische Lösungen für gesellschaftliche, wissenschaftliche und wirtschaftliche Herausforderungen. Technische Universität Braunschweig, Maria-Goeppert-Mayer-Professur für Gender, Technik und Mobilität. https://www.tu-braunschweig.de/Medien-DB/gtm/bath/151002_tu-bs_imagebroschuere_gender_2-auflage_rz_k4.pdf

Beery, Annaliese K. & Zucker, Irving (2011). Sex Bias in Neuroscience and Biomedical Research. In: Neurosci Biobehav Rev. 2011 January ; 35(3): 565–572. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3008499/pdf/nihms230882.pdf

Gendered Innovations – Pregnant Crash Test Dummies (2019). Pregnant Crash Test Dummies: Rethinking Standards and Reference Models. https://genderedinnovations.stanford.edu/case-studies/crash.html#tabs-2

Kirkendoll, Shantell M. (2017). Car Crash-Test Dummies Move Beyond Young, Thin and Male. Artikel vom 11.1.2017, Michigan Health Lab, University of Michigan. https://labblog.uofmhealth.org/body-work/car-crash-test-dummies-move-beyond-young-thin-and-male

Linder, Astrid & Svedberg, Wanna (2019). Review of average sized male and female occupant models in European regulatory safety assessment tests and European laws: Gaps and bridging suggestions. Accident Analysis and Prevention 127:156-162. https://doi.org/10.1016/j.aap.2019.02.030

Niewenhoven, Linda & Klinge, Ineke (2010). Scientific Excellence in Applying Sex- and Gender-Sensitive Methods in Biomedical and Health Research. Journal of Women’s Health, Vol19, No. 2. DOI:10.1089/jwh.2008.1156

3. Konzepte und Modelle

Wie werden Diversitätsaspekte in unterschiedlichen Konzepten und theoretischen Modellen berücksichtigt?

Eine kritische Analyse verdeutlicht, ob sich ein Theorierahmen für Ihr Vorhaben eignet oder ob Anpassungen erforderlich sind.

Inwiefern berücksichtigen die theoretischen Konzepte und Modelle, die für Ihr Forschungsvorhaben infrage kommen, Diversitätsaspekte?

Implizite oder explizite "Hintergrundannahmen" innerhalb einer Forschungsgemeinschaft prägen die verwendeten Konzepte und Theorien und damit die Art und Weise, wie Forschung betrieben wird. Versuchen Sie, diese Annahmen zu analysieren und unbewusste Vorstellungen aufzudecken. Modelle vereinfachen die Sichtweise, können dadurch aber auch die Qualität und Innovationsfähigkeit der Forschung beeinträchtigen (vgl. Nieuwenhoven & Klinge 2010, S.318).

Beispiel 3.1. Statistik und Mobilität: Welches Modell berücksichtigt die Diversität der Wege?

Mobilitätsstatistiken beruhen auf einem Modell bzw. Kategorienbildung über unterschiedliche Wegzwecke. In der österreichischen Mobilitätserhebung sind das konkret: Arbeitsplatz, dienstlich/geschäftlich, Schule/Ausbildung, Bring- und Holwege, Einkaufen, Erledigung, Freizeit, Besuch, Anderer Zweck (BMVIT 2016). Betreuungsaufgaben und Versorgungsverpflichtungen sind jedoch ein wichtiger Teil vieler dieser „klassischen“ Wegekategorien, ohne dass sie explizit ausgewiesen werden. Das Konzept „Mobility of Care“ berücksichtigt genau diesen Aspekt nicht nur in Statistiken und ermöglicht damit, das Mobilitätsverhalten von Menschen mit Betreuungsaufgaben zu quantifizieren (vgl. Sánchez de Madariaga 2013). Gleichzeitig wird auch betont, dass Menschen mit Betreuungsaufgaben vor besonderen Herausforderungen stehen. Das sind häufig Frauen, die beispielsweise Kinder, ältere Menschen oder Menschen mit Behinderung betreuen. Sie legen besonders oft komplexe Wegeketten zurück, müssen die Bedürfnisse der betreuten Personen berücksichtigen, sind abhängig bspw. von Öffnungszeiten von Kinderbetreuungseinrichtungen, haben oft viel „Gepäck“ (wie bspw. Kinderwagen, Rollstuhl) etc. Diese Aspekte spielen nicht zuletzt für die Verkehrsmittelwahl eine wesentliche Rolle und sollten in der Verkehrsplanung genauso wie in der Fahrzeugentwicklung berücksichtigt werden (vgl. z.B. B-NK 2016, Gendered Innovations – Public Transportation 2019, Sánchez de Madariaga 2013).

Literatur zu Beispiel 3.1.

BMVIT (2016). Österreich unterwegs 2013/2014. Ergebnisbericht zur österreichweiten Mobilitätserhebung „Österreich unterwegs 2013/2014“. https://www.bmk.gv.at/dam/jcr:fbe20298-a4cf-46d9-bbee-01ad771a7fda/oeu_2013-2014_Ergebnisbericht.pdf

B-NK (2016). Mobilität von Personen mit Betreuungsaufgaben. Qualitative Studie (Gender Modul) zur österreichweiten Mobilitätserhebung „Österreich unterwegs 2013/2014“. Büro für nachhaltige Kompetenz (BNK). http://www.b-nk.at/wp-content/uploads/2019/12/Mobilitaet_von_Personen_mit_Betreuungsaufgaben.pdf

Gendered Innovations – Public Transportation (2019). Public Transportation: Rethinking Concepts and Theories. http://genderedinnovations.stanford.edu/case-studies/transportation.html#tabs-2

Sánchez de Madariaga, Inés (2013). From Women in Transport to Gender in Transport: Challenging Conceptual Frameworks for Improved Policymaking. Journal of International Affairs Vol. 67, No. 1, The Gender Issue: Beyond Exclusion (FALL/WINTER 2013), pp. 43-65. https://www.jstor.org/stable/24461671

In welchen Kontexten wurde der theoretische Rahmen entwickelt und bis dato angewandt?

Der persönliche Hintergrund prägt unsere Herangehensweise an Aufgaben und Problemstellungen. Der Begriff "I-Methodology" bezieht sich auf die Tendenz, Produkte so zu entwickeln, dass sie den eigenen Interessen & Fähigkeiten entsprechen, wodurch andere Personen (bewusst oder unbewusst) außer Acht gelassen werden (vgl. Europäische Kommission 2013).

Eine einfache Differenzierung von Frauen und Männern kann zu stereotypen Annahmen führen und damit an den tatsächlichen Anforderungen der Nutzer*innen vorbei gehen (vgl. Buchmüller, Bath & Henze 2018).

Beispiel 3.2. Gamification: Wer spielt welche Video-Spiele?

Ein Beispiel ist die Differenzierung von "blauen" (Fokus auf Kampf) und "pinken" (Fokus auf Mode) Videospielen beruhend auf der Annahme, dass die Interessen und Fähigkeiten von Frauen und Männern grundlegend unterschiedlich sind. Es lässt sich jedoch zeigen, dass einige der beliebtesten Spiele für ein breites Publikum konzipiert sind und für Frauen und Männer gleichermaßen interessant sind (vgl. Gendered Innovations – Video Games 2019). Nicola Marsden (2014) schlägt in diesem Zusammenhang z.B. für die Softwareentwicklung vor, genau zu hinterfragen, was aus den Ergebnissen gelernt werden kann, um die Software für alle Nutzer*innen zu verbessern. Ziel sollte es sein, die Software möglichst inklusiv, für unterschiedliche Zielgruppen und Nutzungskontexte, zu gestalten, statt den Kreis der potenziellen Nutzer*innen unnötig zu verkleinern.

Literatur zu Beispiel 3.2.

Buchmüller, Sandra; Bath, Corinna; Henze, Roman (2018). To whom does the driver's seat belong in the future? A case of negotiation between gender studies and automotive engineering. In Proceedings of 4th Gender&IT conference, Heilbronn, Germany (GenderIT’18). ACM, New York, NY, USA, 10 pages. Doi: 10.1145/3196839.3196866

Europäische Kommission (2013). Gendered Innovations. How Gender Analysis Contributes to Research. Report of the Expert Group “Innovation through Gender” Report: http://ec.europa.eu/research/science-society/document_library/pdf_06/gendered_innovations.pdf

Gendered Innovations – Video Games (2019). Video Games: Engineering Innovation Processes. https://genderedinnovations.stanford.edu/case-studies/games.html

Marsden, Nicola (2014). Gender-UseIT. HCI, Usability und UX unter Gendergesichtspunkten. Leitlinien für die Praxis. https://www.gender-wissen-informatik.de/content/download/199/file/Gender-UseIT_20141105_final.pdf

Ist der entsprechende Theorierahmen unter Berücksichtigung der oben angeführten Leitfragen dazu geeignet, Diversitätsaspekte in Ihre Forschung zu integrieren?

Modelle ermöglichen es, komplexe Zusammenhänge zu veranschaulichen und zu bearbeiten, indem jene Details weggelassen werden, die als nicht relevant erachtet werden. Durch Modelle können Theorien überprüft werden, sie bauen auf bisherigen Erkenntnissen auf. Sie können jedoch auch das Denken der Forschenden einschränken, gerade weil manche Faktoren nicht Bestandteil des Modells sind oder der Abstraktions- bzw. Aggregationsgrad die Einbeziehung weiterer Faktoren bzw. deren Differenzierung erschwert. Wenn die Grundannahmen hinterfragt werden und kritisch geprüft wird, welche Analysen auf Basis des Modells möglich sind, können Ergebnisse verbessert und auch neue Forschungsfragen entwickelt werden.

Beispiel 3.3. Gebäudetechnik: Ist das Simulationsmodell geeignet, um die Energieeffizienz zu ermitteln?

Es wurden bereits zahlreiche Simulationsmodelle zur Energieeffizienz von Gebäuden entwickelt, die das Verhalten der Nutzer*innen berücksichtigen. Dabei handelt es sich meist um stochastische Modelle, die auf Basis großer Datenmengen aus Langzeitstudien statistische Zusammenhänge herstellen zwischen Umweltfaktoren und der untersuchten “Strategie” der Nutzer*innen, z.B. Fenster öffnen, Verwendung von Beschattung / Beleuchtung. In konventionellen Simulationen für Gebäude werden komplexe Zusammenhänge zwischen Nutzer*innenverhalten und Energiebedarf nicht dargestellt (vgl. Yan et al. 2015, Kim et al 2017): Zum Beispiel könnte eine Simulation ergeben, dass eine möglichst große Fensterfläche hilft, das Tageslicht maximal auszunutzen. Bei zu großen Fensterflächen werden Nutzer*innen jedoch oft geblendet und neigen daher eher dazu, Jalousien zu verwenden und sich auf elektrische Beleuchtung zu verlassen. Die Verwendung von Jalousien kann auch davon abhängen, ob die Nutzer*innen einen freien Blick nach draußen haben möchten, oder den Einblick anderer von außen abhalten möchten.

Literatur zu Beispiel 3.3.

Frigg, Roman and Hartmann, Stephan (2018). Models in Science. The Stanford Encyclopedia of Philosophy (Summer 2018 Edition), Edward N. Zalta (ed.). https://plato.stanford.edu/archives/sum2018/entries/models-science/

Kim, Jungsoo; de Dear, Richard; Parkinson, Thomas; Candido, Christhina (2017). Understanding patterns of
adaptive comfort behaviour in the Sydney mixed-mode residential context. Energy and Buildings
141:274-283. https://doi.org/10.1016/j.enbuild.2017.02.061

Yan, Da; O’Brien, William; Hong, Tianzhen; Feng, Xiaohang; Gunay, H. Burak; Tahmasebi, Farhang; Mahdavi, Ardeshir (2015). Occupant behavior modeling for building performance simulation: Current state and future challenges. Energy and Buildings 107:264-278. https://doi.org/10.1016/j.enbuild.2015.08.032

4. Forschungsdesign

Welches Forschungsdesign liefert neue, innovative Erkenntnisse?

Eine gut ausgearbeitete Methodik ermöglicht es Ihnen, alle relevanten Variablen zu berücksichtigen und die notwendigen Daten zu erheben.

Wie können Sie die Diversitätsaspekte, die für Sie interessant sind, operationalisieren?

Nicht immer können interessante Aspekte direkt erhoben bzw. gemessen werden – eine Operationalisierung legt fest, mit welchen Indikatoren theoretische Konzepte erfasst werden sollen (vgl. z.B. Meyer 2004, Döring 2013). Damit wird festgelegt, was genau beobachtet und gemessen wird, um in weiterer Folge Hypothesen zu prüfen und neue Erkenntnisse zu gewinnen.

Beispiel 4.1. Automatisiertes Fahren: Forschungsdesign als Diskursergebnis

Manchmal sind innerhalb eines Forschungsteams intensive Diskussionsprozesse notwendig, um ein gemeinsames Verständnis zu erreichen. Buchmüller, Bath & Henze (2018) beschreiben die Zusammenarbeit von Ingenieur*innen und Genderforschenden im Bereich automatisiertes Fahren. Fundamentale Konzepte über Menschen, Technologie, Wissenschaft & Forschung unterscheiden sich zwischen diesen Gruppen und mussten diskutiert werden. Das gemeinsame Interesse an den Fahrzeugnutzer*innen war schließlich wesentlich, um zwischen unterschiedlichen Intentionen der Forschungspartner*innen zu vermitteln:

In der technischen Forschung werden häufig situationsbezogene Unterschiede wie Müdigkeit, Ablenkung, Stress, oder mentale und persönliche Aspekte (z.B. Alter, Fahrerfahrung) berücksichtigt.
Automatisiertes Fahren kann sowohl positiv als auch negativ bewertet werden: positiv werden etwa Komfort und Effizienz gewertet; als negativ gelten die technische Verlässlichkeit, Sicherheit, Kontrollverlust, oder weniger Freude am Fahren. Häufig sehen gerade junge Männer das Fahren als wesentlichen Teil ihrer Identität an und lehnen automatisiertes Fahren eher ab.

Auf dieser Basis einigten sich die Forscher*innen, sozio-kulturelle Aspekte in ihrem Forschungsdesign zu integrieren, und sich auf besonders anspruchsvolle Gruppen von Nutzer*innen zu konzentrieren (z.B. stark risikoorientierte Fahrer*innen).

Literatur zu Beispiel 4.1.

Döring, Nicola (2013). Zur Operationalisierung von Geschlecht im Fragebogen: Probleme und Lösungsansätze aus Sicht von Mess-, Umfrage-, Gender- und Queer-Theorie. GENDER Heft 2/2013, S.94-113. http://www.nicola-doering.de/wp-content/uploads/2014/08/D%C3%B6ring-2013-Zur-Operationalisierung-von-Geschlecht-im-Fragebogen.pdf

Meyer, Wolfgang (2004). Indikatorenentwicklung: Eine praxisorientierte Einführung. 2. Auflage. Saarbrücken: Centrum für Evaluation, 2004. CEval-Arbeitspapiere 10. http://new.ceval.de/modx/fileadmin/user_upload/PDFs/workpaper10.pdf

Liefert die gewählte Methodik eine adäquate Datenbasis für Ihre Forschungsfragen?

Nieuwenhoven & Klinge (2010) stellen eine Reihe von Fragen zu geschlechts- und genderspezifischen Methoden zur Verfügung, die es ermöglichen, geschlechtsspezifische Daten zu sammeln (dies gilt auch für andere Aspekte der Vielfalt):

Ist es begründet, warum Frauen oder Männer einbezogen oder ausgeschlossen werden?
Ist es notwendig oder möglich, geschlechtsspezifische Daten zu erheben?
Ist es notwendig, ein Instrument zu validieren, das für unterschiedliche Geschlechter oder andere Personengruppen entwickelt wird?
Ist das bestehende Instrument für unterschiedliche Geschlechter / Personengruppen validiert? Wenn nicht, sollte es dennoch für diese Gruppen verwendet werden?

Beispiel 4.2. Assistenztechnologien: Welche Datenbasis wird für die Entwicklung von Pflegerobotern benötigt?

Bei der Entwicklung von Assistenzrobotern wurden kulturelle Unterschiede bisher kaum berücksichtigt. In einem multidisziplinären, europäisch-japanischen Projekt (CARESSES) soll diese Lücke geschlossen und ein interkulturell kompetenter Roboter zur Seniorenbetreuung entwickelt werden. Der Roboter soll ältere Menschen in ihrem Alltag unterstützten und sich dabei in Bezug auf Verhalten, Sprache und Interaktion an ihre kulturspezifischen Bedürfnisse und Präferenzen anpassen können. Dadurch soll die Akzeptanz der Technologie bei den Betroffenen genauso wie die Markttauglichkeit des Roboters erhöht werden. (vgl. Bruno et al. 2017, CARESSES 2019). Gleichzeitig ist zu berücksichtigen, dass die Mehrheit der älteren Menschen und der Pflegekräfte Frauen sind. Unterschiede in Bezug auf die Häufigkeit von bestimmten Erkrankungen, die sozialen und körperlichen Bedürfnisse und die Interaktion mit Technologien können dabei eine Rolle spielen (vgl. Europäische Kommission 2013, Gendered Innovations – Assistive Technologies 2019, Eiffe et al. 2012, Statistik Austria 2019).

Indem alle Aspekte von Beginn an berücksichtigt werden, kann die notwendige Datenbasis geschaffen werden, um sie für die Entwicklung der Assistenztechnologien heranzuziehen.

Literatur zu Beispiel 4.2.

Bruno, Barbara; Chong, Nak Young; Kamide, Hiroko; Kanoria, Sanjeev; Lee, Jaeryoung; Lim, Yuto; Pandey, Amit Kumar; Papadopoulos, Chris; Papadopoulos, Irena; Pecora, Federico; Saffiotti, Alessandro; Sgorbissa, Antonio (2017). The CARESSES EU-Japan Project: Making Assistive Robots Culturally Competent. In: Casiddu N., Porfirione C., Monteriù A., Cavallo F. (eds) Ambient Assisted Living. ForItAAL 2017. Lecture Notes in Electrical Engineering, vol 540. Springer, Cham. https://doi.org/10.1007/978-3-030-04672-9_10

CARESSES (2019). CARESSES - Culture-Aware Robots and Environmental Sensor Systems for Elderly Support. Projektwebsite. http://caressesrobot.org/en/

Eiffe, Franz Ferdinand; Till, Matthias; Datler, Georg; Heuberger, Richard; Glaser, Thomas; Kafka, Elisabeth; Lamei, Nadja; Skina, Magdalena; Till-Tentscher, Ursula (2012). Soziale Lage älterer Menschen in Österreich. Bundesministerium für Arbeit, Soziales und Konsumentenschutz (BMASK). Online: http://www.studienreihe.at/cms/Z02/Z02_2.a/1342538152381/bisherige-studien/studien-einzelband-uebersicht/band-11-soziale-lage-aelterer-menschen-in-oesterreich

Gendered Innovations – Assistive Technologies (2019). Exploring Markets for Assistive Technologies for the Elderly. http://genderedinnovations.stanford.edu/case-studies/robots.html#tabs-2

Statistik Austria (2019). Bevölkerung nach Alter und Geschlecht. Online: https://www.statistik.at/web_de/statistiken/menschen_und_gesellschaft/bevoelkerung/bevoelkerungsstruktur/bevoelkerung_nach_alter_geschlecht/index.html

Wie werden die Perspektiven der potenziellen User-Gruppen eingebunden?

Durch die Einbindung von Proband*innen, Anwender*innen oder Betroffenen können „blinde Flecken“ identifiziert werden, Studiendesigns erprobt oder Ergebnisse überprüft werden. Eine Methode ist der Participatory Design Ansatz, bei dem Personen bereits von Anfang an in den Entwicklungsprozess einbezogen werden (von der Festlegung von Forschungszielen über das Sammeln und Auswerten von Daten bis hin zur Gebrauchstauglichkeit). Nutzer*innen werden beispielsweise dazu angeregt, über ihre Bedürfnisse und Anforderungen nachzudenken und sie explizit auszudrücken.

Beispiel 4.3. Bauingenieurwesen: Wer sind die Expert*innen für die Wasserversorgung?

Für den Aufbau von Infrastruktur zur Wasserversorgung in Entwicklungsländern ist es wichtig, gezielt Frauen einzubeziehen: Sie sind oft traditionell dafür zuständig, Wasser zu holen und verfügen über spezialisiertes Wissen zu Wasserquellen und anderen Herausforderungen (vgl. Schiebinger & Schraudner 2011; Gendered Innovations – Water Infrastructure). Es ist also entscheidend, mit wem gesprochen wird, z.B. wenn Arbeitsteilung geschlechtsspezifisch ist.

Literatur zu Beispiel 4.3.

Gendered Innovations – Participatory Research and Design (2019). http://genderedinnovations.stanford.edu/methods/participatory.html

Gendered Innovations – Water Infrastructure (2019). Water Infrastructure: Participatory Research and Design. http://genderedinnovations.stanford.edu/case-studies/water.html#tabs-2

Schiebinger, Londa & Schraudner, Martina (2011). Interdisciplinary Approaches to Achieving Gendered Innovations in Science, Medicine, and Engineering. Interdisciplinary Science Reviews, Vol. 3 No 2, June 2011, pp. 154-167. https://doi.org/10.1179/030801811X13013181961518

Wie sollte die Studienpopulation zur Erreichung der angestrebten Ziele angepasst werden?

Nehmen Sie unterschiedliche Personengruppen in Ihre Stichprobe auf (Geschlecht, Alter etc.). Wenn Sie spezielle Diversitätsaspekte untersuchen, die Sie besonders interessieren, geben Sie dies in Ihren Veröffentlichungen an und erläutern Sie die Gründe für die Auswahl.

Beispiel 4.4. Softwareentwicklung: Wessen Wissen ist entscheidend?

Untersuchungen der Arbeitsteilung in Service Call Centern zeigten, dass die meisten Mitarbeitenden mit direktem Kundenkontakt Frauen sind. Diese arbeiteten typischerweise mit Software, die auf der Einschätzung der Bedürfnisse durch das Management basierte. Die direkte Beobachtung der konkreten Arbeitsabläufe im Call Center führte dazu, dass die verwendete Software adaptiert und so die Produktivität gesteigert werden konnte. (vgl. Europäische Kommission 2013, Maass et al. 2007, Russell 2008)

Literatur zu Beispiel 4.4.

Maass, Susanne & Rommes, Els (2007). Uncovering the Invisible: Gender-Sensitive Analysis of Call Center Work and Software. In Zorn, I., Maass, S., Rommes, E., Schirmer, C., & Schelhowe, H. (Eds.), Gender Designs IT: Construction and Deconstruction of Information Society Technology, pp. 97-109. Berlin: VS Verlag Für Sozialwissenschaften

Russell, Bob (2008). Call Centres: A Decade of Research. International Journal of Management Reviews, 10 (3), 195-219. https://doi.org/10.1111/j.1468-2370.2008.00241.x

5. Ergebnisse

Ist eine andere Interpretation der Ergebnisse denkbar?

Eine kritische Evaluierung Ihrer Ergebnisse vermeidet Verzerrungen und Erklärungen, die leicht infrage gestellt werden können. Sie ist auch wichtig, um zu planen, wie Sie Ihre Ergebnisse weiter nutzen können.

Welche Erkenntnisse liefern Ihre Daten?

Analysieren und berichten Sie Ergebnisse aufgeschlüsselt nach Geschlecht und weiteren Aspekten (vgl. Beery & Zucker 2011, Niewenhoven & Klinge 2010, Europäische Kommission 2011):

In vielen Fällen wird es für Sie sinnvoll sein, Geschlecht als zentrale Variable zu wählen und andere Variablen in Bezug darauf zu analysieren (z.B. Geschlecht und Alter, Geschlecht und Einkommen, Geschlecht und Mobilität, Geschlecht und Arbeit).
Berichten Sie auch, wenn sich Unterschiede als irrelevant herausgestellt haben.
Visualisieren Sie Unterschiede in Tabellen, Zahlen und Schlussfolgerungen.
Präsentieren Sie nach Möglichkeit einzelne Datenpunkte sowie statistische Differenzen des Mittelwertes - dies berücksichtigt Personen mit ihren jeweiligen Variationen.
Kommunizieren Sie den Einfluss der untersuchten Diversitätsmerkmale auf die Teilnahme-, Fortführungs- und Abbruchquoten transparent.

Beispiel 5.1. Maschinelles Lernen: Mit welchen Datensets wurden Algorithmen trainiert?

Im Bereich Maschinelles Lernen ist es besonders wichtig, transparent auszuweisen, welche Datensets zum Trainieren von Algorithmen verwendet wurden. Das Data Nutrition Project zielt darauf ab, mögliche Quellen von Fehlern und Verzerrungen (Bias) in den verwendeten Datensets zu identifizieren, bevor auf Grundlage dieser Daten Modelle und Algorithmen entwickelt werden.

Dazu wird – im Stil einer Nährwertkennzeichnung auf Lebensmitteletiketten (engl. nutrition label) – ein standardisierter Überblick über die Inhalte von Datensets vorgeschlagen. In unterschiedlichen, flexibel kombinierbaren Modulen beinhaltet das etwa Metadaten, die Herkunft der Daten, Variablen, Statistiken, Verteilungen, fehlende Daten, Korrelationen zwischen ausgewählten Variablen, etc. Wenn es um Menschen geht, spielen dabei Aspekte wie Geschlecht oder Ethnizität eine wichtige Rolle. (https://datanutrition.media.mit.edu/)

Literatur zu Beispiel 5.1.

Europäische Kommission (2011). Toolkit Gender in EU-funded research. https://publications.europa.eu/en/publication-detail/-/publication/c17a4eba-49ab-40f1-bb7b-bb6faaf8dec8/language-en

The Data Nutrition Project (2018). The Data Nutrition Project. Empowering data scientists and policymakers with practical tools to improve AI outcomes. Website. https://datanutrition.media.mit.edu/

Welche unterschiedlichen Schlussfolgerungen sind denkbar?

Die Differenzierung von Personengruppen bringt die Gefahr mit sich, dass Unterschiede auch dann reproduziert werden, wenn andere Zusammenhänge entscheidender sind. Berücksichtigen Sie den Kontext Ihrer Studie und erkennen Sie Umwelteinflüsse und Überschneidungen / Intersektionen (z.B. Kultur, Geographie, Zeit, Erfahrungen, Geschlecht). Diskutieren Sie, wie die neuen Informationen über Unterschiede und Ähnlichkeiten von Personengruppen für neue Forschungsvorhaben und in der Praxis umgesetzt werden können.

Beispiel 5.2. Medizintechnik: Sind Geschlecht, Gewicht oder Größe relevant?

So führten beispielsweise beobachtete statistisch signifikante Unterschiede zwischen der Knieanatomie von Männern und Frauen zur Entwicklung einer geschlechtsspezifischen Knieprothese. Die Körpergröße (die sich mit dem Geschlecht überschneidet, d.h. im Durchschnitt sind Frauen kleiner als Männer) ist jedoch ein wichtigerer Faktor für die Auswahl und Anpassung von Prothesen als das Geschlecht. (vgl. Europäische Kommission 2013, Gendered Innovations – De-Gendering the Knee 2019).

Literatur zu Beispiel 5.2.

Gendered Innovations – De-Gendering the Knee (2019). De-Gendering the Knee: Overemphasizing Sex Differences as a Problem. https://genderedinnovations.stanford.edu/case-studies/knee.html

6. Forschungsteam

Wie setzt sich das Forschungsteam zusammen?

Für exzellente Resultate ist es ausschlaggebend, dass Teammitglieder unterschiedliche Kompetenzen einbringen. Arbeitsbedingungen und -prozesse können wesentlich zur Kooperation beitragen und zu exzellenten Leistungen motivieren.

Haben Sie die Expertise identifiziert, die für die Bearbeitung der Diversitätsaspekte in Ihrem Forschungsvorhaben nötig ist?

Je nach Bedeutung von Diversitäts-Aspekten in Ihrer Forschung können Sie ...

... Forschende mit dem erforderlichen Fachwissen für Ihr Kernteam rekrutieren.

... externe Diversitäts-Expert*innen mit Schulungen und Beratungen beauftragen, damit Ihr Team das erforderliche Fachwissen entwickeln kann. (Solche Schulungen sind beispielsweise förderfähige Kosten im Rahmen von Horizon 2020 Projekten, siehe Europäische Kommission 2019b). Die Methoden der Geschlechter- und Diversitätsanalyse zu kennen, wird Ihr Forschungsteam dabei unterstützten, Forschungsschwerpunkte neu zu denken und neue Ideen zu entwickeln.

Beispiel 6.1. Spracherkennung: Führt Gender Swapping zu besseren Ergebnissen?

Da der Männeranteil unter Ingenieur*innen und Designer*innen hoch ist, kann dies zu einem "männlichen Standard" führen, wenn das Bewusstsein für die Auswirkungen fehlt. So erkannten frühe Spracherkennungssysteme nur männliche Stimmen, weil die Technologie daraufhin angepasst wurde (vgl. Bath 2009).

Ein Ansatz, der hier genutzt werden kann, ist das Gender Swapping wobei den fiktive Personen mit konkreten Eigenschaften beschrieben werden, die Gruppen von Nutzer*innen symbolisieren: Wird das Geschlecht einer fiktiven Person getauscht, können Genderaspekte gezielt reflektiert werden. (vgl. Marsden 2014, Turner & Turner 2011).

Literatur zu Beispiel 6.1.

Bath, Corinna (2009). Searching for methodology: Feminist technology design in computer science. 9p. http://www.informatik.uni-bremen.de/soteg/gict2009/proceedings/GICT2009_Bath-geloescht.pdf

Europäische Kommission (2019b). Gender Equality in Horizon 2020. Participant Portal H2020 Online Manual. http://ec.europa.eu/research/participants/docs/h2020-funding-guide/cross-cutting-issues/gender_en.htm

Turner, Phil & Turner, Susan (2011). Is stereotyping inevitable when designing with personas? Design Studies Vol. 32, Issue 1, January 2011:30-44. https://doi.org/10.1016/j.destud.2010.06.002

Entspricht die Zusammensetzung des Teams in Bezug auf Männer und Frauen dem Potenzial Ihres Forschungsbereichs?

Eine ausgeglichene Teamzusammensetzung muss nicht immer einen Frauenanteil von 50% bedeuten. Denn die Anteile sind von der Fachdisziplin abhängig. Überprüfen Sie, ob die Zusammensetzung Ihres Teams dem relevanten wissenschaftlichen Fachbereich entspricht. So kann auch in Förderanträgen argumentiert werden.

Beispiel 6.2. Referenzwerte: Welche Fachkräfte-Potenziale gibt es in unterschiedlichen Disziplinen?

Die She-Figures 2018 geben beispielsweise die Anzahl der Doktorand*innen nach Geschlecht und breitem Studiengebiet für das Jahr 2016 für die EU-28-Länder an (vgl. Europäische Kommission 2019a). Diese Zahlen sind für die Natur- und Ingenieurwissenschaften weiter in sieben Bereiche aufgegliedert, für andere Wissenschaftsbereiche werden keine Details berichtet.

Im Jahr 2017 erstellte Elsevier eine Studie auf der Grundlage von Publikationen, die auf Scopus und ScienceDirect gelistet sind, kombiniert mit Geschlechterdaten von verschiedenen Plattformen (vgl. Elsevier 2017). Die Studie beinhaltet die Anteile von Forschenden, die im Zeitraum 2011-2015 in 27 verschiedenen Themenbereichen publizierten (EU28). Laut dieser Studie liegt der Anteil der Frauen in der Informatik bei 22%, im Maschinenbau (mechanical engineering) bei 24%, in Physik und Astronomie bei 25%, in der chemischen Verfahrenstechnik (chemical engineering) bei 35%.

Literatur zu Beispiel 6.2.

Elsevier (2017). Gender in the Global Research Landscape. Analysis of research performance through gender lends across 20 years, 12 geographies, and 27 subject area. Online: https://www.elsevier.com/__data/assets/pdf_file/0008/265661/ElsevierGenderReport_final_for-web.pdf

Europäische Kommission (2019a). SHE FIGURES 2018. Directorate-General for Research and Innovation. Online: https://ec.europa.eu/info/publications/she-figures-2018_en

Welche Prozesse und Strukturen fördern individuelle Motivation und nachhaltige Ergebnisse?

Soziale Vielfalt und interdisziplinäre Zusammenarbeit in einem Forschungsteam können bereichernd, aber auch sehr herausfordernd sein. Um das Potenzial zu nutzen, bedarf es gegenseitiger Wertschätzung. Hilfreich sind klare Rollen und Verantwortlichkeiten, gemeinsame Visionen und ein gemeinsames Verständnis zentraler Konzepte und Begriffe.

Beispiel 6.3. Mentoring: Wer bekommt welche Unterstützung?

Mentoring ist eine häufig eingesetzte Maßnahme, um Chancengleichheit in der Karriereentwicklung zu fördern. Susan Colantuono hat in ihren Studien festgestellt, dass die Themen, die im Mentoring besprochen werden, sehr unterschiedlich sein können. Wenn der Fokus auf dem Aufbau von Selbstvertrauen liegt, werden wesentliche Aspekte der Karriereentwicklung vernachlässigt. Wichtig für die Karriere ist es, solche Aufgaben zu übernehmen, die Kompetenzen sichtbar machen und tatsächlich von strategischer Bedeutung sind. Das kann bspw. die Möglichkeit sein, selbständig zu publizieren oder eine Leitungsfunktion zu übernehmen. Führungskräfte sollten also besonders darauf achten, ob Aufgaben fair verteilt werden und wie Teammitglieder in der Entwicklung Ihrer Karriere unterstützt werden. (vgl. Colantuono 2012).

Literatur zu Beispiel 6.3.

Colantuono, Susan L (2012). Make the Most of Mentoring – Capitalize on Mentoring and Take your Career to the Next Level; Interlude Productions, Charlestown