Weiter zum Inhalt

10 einfache Regeln, um eine gute Forschungspartnerin bzw. ein guter Forschungspartner zu sein

Diese 10 einfachen Regeln helfen Forschenden und Praktiker:innen in der Datenwissenschaft, Frust in der Zusammenarbeit abzubauen.
Aktualisiert 18. Sept. 2026  · 6 Min. lesen

Mit KI erkunden

ChatGPTClaudePerplexity

Vor einem halben Jahrhundert beklagte C. P. Snow die Kluft zwischen Natur- und Geisteswissenschaften. Eine ähnlich große Kluft besteht heute zwischen Forschung und Praxis – und sie macht Zusammenarbeit oft zäh. Die zehn einfachen Regeln unten schließen diese Lücke nicht, können aber die damit verbundene Frustration verringern.

(Hinweis: "Forschende vs. Praktiker:innen" deckt sich nicht zwangsläufig mit "Hochschule vs. Industrie", und viele Menschen bewegen sich zwischen beiden Welten. Für die Argumentation ist die Unterscheidung jedoch nützlich.)

5 Regeln, wenn du in der Wissenschaft forschst

1. Denk daran: Unternehmen planen in Wochen, nicht in Semestern.

Akademische Semester folgen bis heute dem Takt der Jahreszeiten aus der Agrarzeit, während die Industrie in einem deutlich höheren Tempo arbeitet. In der Zeit, in der du einen Förderantrag schreibst, bringt ein Unternehmen womöglich zwei neue Produktversionen auf den Markt, um mit der Konkurrenz Schritt zu halten. Sprich früh über Zeitpläne mit deinen Partner:innen aus der Industrie – und sei realistisch, wie langsam Dinge aus ihrer Sicht vorangehen werden.

2. Sei offen

Forschung nützt der Praxis nichts, wenn sie schwer zu finden oder zu lesen ist. Auch wenn Jimmy Wales (der Gründer von Wikipedia) es so vielleicht nie gesagt hat, stimmt der Grundsatz: Offene Informationen verdrängen geschlossene. Bei der Fülle frei zugänglicher Inhalte im Netz sorgen Paywalls oder Login-Hürden dafür, dass ein großer Teil deines Zielpublikums abspringt.

Noch wichtiger: Solche Hürden signalisieren deutlich, dass es dir egal ist, ob Praktiker:innen deine Arbeit lesen. Wie eine Kollegin bitter feststellte: Es ist, als würdest du zum Abendessen einladen und dann Geld für die Getränke verlangen.

3. Setz Handeln über Einsichten.

In Anlehnung an Marx: Das Ziel der Praxis ist nicht, die Welt zu verstehen, sondern sie zu verändern. "Wir wissen X" bringt weniger als "Wir können Y tun". Richte deine Ergebnisse deshalb konsequent darauf aus, was jemand konkret damit anfangen kann.

Eine Möglichkeit: Baue an strategischen Stellen Folien mit dem Titel "Was ändert das konkret?" ein. Wenn dir dazu nichts einfällt, solltest du deinen Fokus überdenken.

4. Scheue dich nicht, Details zugunsten von Klarheit zu kürzen.

Verstehen muss nicht vollständig sein, um handlungsleitend zu wirken. Atome sind keine bunten Kugeln an Federn, dennoch ist das Modell in der organischen Chemie nützlich. Du brauchst Relativierungen, um an Reviewer Nr. 3 vorbeizukommen – aber diese "Vielleichts" und "Allerdings" kannst du oft weglassen, wenn sie nicht ändern, was Praktiker:innen als Nächstes ausprobieren sollten.

5. Bitte im Voraus um Entschuldigung für den Zustand des akademischen Publizierens.

Das akademische Publikationssystem ist kein geheimer Plan einiger großer Verlage, öffentliche Gelder abzugreifen, die die Forschung dringend bräuchte – aber es fühlt sich oft so an. Am besten bereitest du Industriepartner:innen auf kafkaeske Prozesse und endlose Verzögerungen vor, indem du sie Gilliams Brazil schauen lässt.

4 Regeln, wenn du in der Industrie arbeitest

6. Denk daran: Hochschulen planen in Semestern, nicht in Wochen

Das in Regel 1 beschriebene Missverhältnis liegt auch daran, dass akademische Forschende fast immer jonglieren – oft mit Aufgaben, auf die sie nie vorbereitet wurden. Als Studierende managen sie mehrere Kurse parallel (sprich: mehrere Chefs, die sich nicht abstimmen). Später kommen Lehre, Drittmittelanträge und Gremienarbeit dazu.

In Summe heißt das: Ihre "Arbeitswoche" für dein Thema umfasst oft nur wenige Stunden, und Fortschritte wirken quälend langsam. Hab so viel Verständnis wie möglich: Sie sind mit der Situation noch unzufriedener als du.

7. Denk daran: Akademischer Erfolg misst sich an Publikationen, nicht am Umsatz

Universitätsleitungen sprechen gern über den ökonomischen Wert von Forschung, doch für die Karriere zählen am Ende nur Publikationen, Publikationen und nochmals Publikationen. Für Dinge, die "nur nützlich" sind, gibt es keine Förderung und keine Tenure – auch wenn dahinter monatelange harte Arbeit und tiefes Verständnis stecken. Bei allen Witzen über den Elfenbeinturm: Die akademische Laufbahn ist hart, unsicher und schlecht bezahlt. Menschen bleiben aus Liebe zu neuem Wissen. Respektiere diese Prioritäten, wenn du produktiv zusammenarbeiten willst. (Praktische Probleme öffnen allerdings oft Türen zu wirklich neuen Forschungsideen, weil sie Forschende aus der Komfortzone holen.)

8. Mach deine Hausaufgaben

H. L. Mencken schrieb einmal: "Für jedes menschliche Problem gibt es eine wohlbekannte Lösung – elegant, plausibel und falsch." Dein Problem ist mit hoher Wahrscheinlichkeit genau so eines – und komplexer, als es anfangs wirkt. Regel 4 rät Forschenden, Details zugunsten von Klarheit zu kürzen; hier gilt das Gegenstück: Eigne dir genug Hintergrund an, um keine Räder neu zu erfinden und damit deine Forschungspartner:innen auf voller Geschwindigkeit denken, arbeiten und sprechen können.

9. Übertreib nicht, was gelernt wurde.

Auch das ergänzt Regel 4. Die vielen "Vielleichts" und "Allerdings" aus der Forschung sind manchmal entscheidend. Wenn regelmäßige Dosen eines neuen Medikaments im Tierversuch das Tumorwachstum bei Ratten zu verlangsamen scheinen, blamiere dein Gegenüber nicht, indem du von einer Krebsheilung sprichst.

1 Regel für beide

10. Bitte im Voraus um Entschuldigung für den Zustand deiner Daten

Die letzte Regel gilt für Forschende und Praktiker:innen gleichermaßen. Dateinamen und -ablagen, die Bedeutungen von Spaltenüberschriften, die Beziehungen zwischen Tabellen, die Darstellung und Behandlung fehlender Werte: Alles, was für dich jahrelang Sinn ergab, wirkt plötzlich schräg, wenn du es jemand anderem erklärst. Bitte dafür im Voraus um Entschuldigung – und verzeih dir selbst. Denn so schlecht deine Daten auch sein mögen: Die der anderen sind es oft noch mehr.

Fazit

Ein altes Sprichwort sagt: "Wenn du schnell sein willst, geh allein. Wenn du weit kommen willst, geh gemeinsam." Forschende und Praktiker:innen können jeweils Großes leisten – die wirklich großen, wichtigen Probleme lösen sie jedoch am besten, wenn sie Wege finden, zusammenzuarbeiten.

Themen
Datenwissenschaft
Verwandt

Blog

Lehrer/innen und Schüler/innen erhalten das Premium DataCamp kostenlos für ihre gesamte akademische Laufbahn

Keine Hacks, keine Tricks. Schüler/innen und Lehrer/innen, lest weiter, um zu erfahren, wie ihr die Datenerziehung, die euch zusteht, kostenlos bekommen könnt.
Nathaniel Taylor-Leach's photo

Nathaniel Taylor-Leach

4 Min.

Blog

Die 20 besten Snowflake-Interview-Fragen für alle Niveaus

Bist du gerade auf der Suche nach einem Job, der Snowflake nutzt? Bereite dich mit diesen 20 besten Snowflake-Interview-Fragen vor, damit du den Job bekommst!
Nisha Arya Ahmed's photo

Nisha Arya Ahmed

15 Min.

Blog

Arten von KI-Agenten: Ihre Rollen, Strukturen und Anwendungen verstehen

Lerne die wichtigsten Arten von KI-Agenten kennen, wie sie mit ihrer Umgebung interagieren und wie sie in verschiedenen Branchen eingesetzt werden. Verstehe einfache reflexive, modellbasierte, zielbasierte, nutzenbasierte, lernende Agenten und mehr.

Tutorial

30 coole Python-Tricks für besseren Code mit Beispielen

Wir haben 30 coole Python-Tricks zusammengestellt, mit denen du deinen Code verbesserst und deine Python-Kompetenzen ausbaust.
Kurtis Pykes 's photo

Kurtis Pykes

15 Min.

Tutorial

Python-Lambda-Funktionen: Ein Leitfaden für Anfänger

Lerne mehr über Python-Lambda-Funktionen, wozu sie gut sind und wann man sie benutzt. Enthält praktische Beispiele und bewährte Methoden für eine effektive Umsetzung.
Mark Pedigo's photo

Mark Pedigo

10 Min.

Tutorial

Python Switch Case Statement: Ein Leitfaden für Anfänger

Erforsche Pythons match-case: eine Anleitung zu seiner Syntax, Anwendungen in Data Science und ML sowie eine vergleichende Analyse mit dem traditionellen switch-case.
Matt Crabtree's photo

Matt Crabtree

5 Min.

Mehr AnzeigenMehr Anzeigen