Methodik

Diese Datenbank dokumentiert berufliche Erfahrungen von Frauen und nicht-binären Personen in der Kreativwirtschaft des deutschsprachigen Raums (D/A/CH). Im weiteren Verlauf dieser Seite und der gesamten Plattform verwenden wir nach Erstnennung den Begriff Betroffene als verkürzende Bezeichnung.

Die Wahl dieser Terminologie stützt sich auf die aktuelle wissenschaftliche und rechtspolitische Diskussion zu geschlechtsspezifischer Benachteiligung. Der Deutsche Frauenrat, die größte Dachorganisation deutscher Frauenverbände mit über 60 Mitgliedsorganisationen, verwendet vergleichbare klarsprachliche Formulierungen und schließt trans Frauen ausdrücklich ein (Deutscher Frauenrat, 2023). Alle drei DACH-Länder erkennen nicht-binäre Geschlechtsidentitäten inzwischen rechtlich an: Deutschland durch das Selbstbestimmungsgesetz (SBGG, 2024), Österreich durch die Entscheidung des VfGH (2018) und die Schweiz durch die zunehmende administrative Anerkennung auf kantonaler Ebene. Auf den Gebrauch des Akronyms FLINTA* wird bewusst verzichtet, da es ohne Erklärung nicht allgemeinverständlich ist und in der wissenschaftlichen Literatur bisher kaum verankert wurde (Lemke, 2023).

Intersektionalität

Dieses Projekt versteht geschlechtsspezifische Benachteiligung als Teil überlappender Diskriminierungsstrukturen. Kimberlé Crenshaw zeigte, dass die Antidiskriminierungsrechtsprechung durch die getrennte Behandlung von Geschlecht und Herkunft die Erfahrungen mehrfach marginalisierter Personen unsichtbar machte (Crenshaw, 1989). In der Weiterentwicklung ihres Konzepts unterschied Crenshaw (1991) zwischen struktureller, politischer und repräsentationaler Intersektionalität. Geschlecht interagiert mit Herkunft, Behinderung, Alter und anderen Identitätsmerkmalen. Die Datenbank erfasst diese Überschneidungen derzeit nicht systematisch, erkennt aber ihre Bedeutung für das Verständnis beruflicher Benachteiligung an.

Geltungsbereich

Die Datenbank erfasst Erfahrungen aus der Kreativwirtschaft -- Audio, Film und Games -- im deutschsprachigen Raum (Deutschland, Österreich, Schweiz). Der Geltungsbereich wird durch die Selbstidentifikation der beitragenden Personen definiert, nicht durch externe Zuschreibung -- im Einklang mit dem Selbstbestimmungsprinzip des SBGG (2024). Eine Erweiterung auf weitere europäische Länder ist im Rahmen des Country-Chapter-Modells geplant.

Wir überprüfen unsere Terminologie regelmäßig und passen sie an den aktuellen Stand der wissenschaftlichen Diskussion an.

Die Erfassung von Erfahrungsberichten erfolgt über ein anonymes, dreistufiges Online-Formular:

1. Kontextdaten: Branche (Audio, Film, Games), Land (D/A/CH, perspektivisch EU), Erfahrungstyp und Zeitraum. Diese strukturierten Angaben ermöglichen die spätere Filterung und Musteranalyse.
2. Erfahrungsbericht: Ein Freitextfeld ohne Mindestlänge, in dem Beitragende ihre Erfahrung in eigenen Worten schildern. Die Länge und der Detailgrad liegen vollständig im Ermessen der einreichenden Person.
3. Einwilligung und Absendung: Vor dem Absenden wird eine ausdrückliche Einwilligung zur Veröffentlichung des anonymisierten Beitrags eingeholt. Eine Zusammenfassung der Angaben ermöglicht eine letzte Überprüfung.

Moderation

Jede Einreichung wird vor der Veröffentlichung von einer redaktionellen Prüfinstanz gesichtet. Die Moderation umfasst:

• Anonymisierungsprüfung: Entfernung oder Verallgemeinerung aller Angaben, die eine Identifizierung ermöglichen könnten (Firmennamen, Projektbezeichnungen, spezifische Ortsangaben).
• Relevanzprüfung: Überprüfung, ob der Beitrag in den thematischen Rahmen der Datenbank fällt (geschlechtsspezifische Erfahrungen im beruflichen Kontext der Kreativwirtschaft).
• Qualitätssicherung: Sicherstellung, dass der Beitrag den ethischen Grundsätzen des Projekts entspricht.

Die technische Verarbeitung der Formulareinreichungen erfolgt über unsere eigene API auf EU-Servern. Weitere Informationen zur Datenverarbeitung und zum Datenschutz findest du in der Datenschutzerklärung.

Die Datenbank erfasst Erfahrungen in sechs wissenschaftlich fundierten Kategorien.

Die in der Datenbank erfassten Erfahrungsberichte werden über ein interaktives Dashboard ausgewertet und visualisiert. Die Analyse umfasst die Erkennung von Verteilungsmustern über Erfahrungstypen, Regionen und Branchen hinweg.

Dabei ist zu beachten: Die Auswertung beschränkt sich auf deskriptive Statistik. Es werden keine kausalen Zusammenhänge behauptet und keine statistischen Inferenzschlüsse gezogen. Das Dashboard zeigt Verteilungsmuster der eingereichten Erfahrungen -- keine Prävalenzraten und keine repräsentativen Häufigkeiten.

Die Visualisierungen dienen der Mustererkennung: Wo konzentrieren sich bestimmte Erfahrungstypen? Welche Branchen und Regionen sind über- oder unterrepräsentiert? Diese Erkenntnisse sind explorativ und hypothesengenerierend, nicht hypothesentestend.

Dieser Abschnitt dokumentiert jede Berechnung des interaktiven Dashboards so, dass die dargestellten Zahlen unabhängig reproduziert werden können. Der vollständige Quellcode befindet sich in js/dashboard.js (Open Source).

Datengrundlage

Das Dashboard bezieht seine Daten aus der API (GET /v1/cases?limit=500). Alle Aggregationen und Berechnungen finden clientseitig in JavaScript statt -- der Server liefert ausschließlich Rohdaten, keine vorberechneten Statistiken.

Jeder Datensatz (Fall) enthält unter anderem folgende für das Dashboard relevante Felder:

• typ -- Array von Strings. Ein Fall kann mehrere Diskriminierungsformen gleichzeitig dokumentieren, z.B. ["Gatekeeping", "Pay Gap"]. Diese Eigenschaft hat weitreichende Konsequenzen für die Zähllogik (siehe unten).
• region -- String, ISO-Ländercode ("AT", "DE", "CH").
• branche -- String, eine von 12 Branchenbezeichnungen.
• karriere -- String, eine von 6 Karrierestufen.
• jahr -- String. Entweder eine vierstellige Jahreszahl ("2024") oder ein Epochenbereich ("vor 1990", "1990–1999" etc.).

Filterlogik

Zwei Filter stehen zur Verfügung: Branche (Dropdown) und Region (Buttons). Beide werden mit logischem UND verknüpft. Ein Fall erscheint in der gefilterten Menge genau dann, wenn:

• kein Branchenfilter aktiv ist ODER c.branche === state.branche
• kein Regionfilter aktiv ist ODER c.region === state.region

Alle Diagramme erhalten exakt dieselbe gefilterte Menge. Filter werden in der URL als Query-Parameter abgebildet (?branche=Audio&region=DE) und bei jedem Filterwechsel per history.replaceState aktualisiert, ohne Seitenneuladen. Dies ermöglicht die Weitergabe und Zitation gefilterter Ansichten.

Grundregel: Umgang mit Mehrfach-Typ-Fällen

Da typ ein Array ist, kann ein einzelner Fall mehrere Diskriminierungsformen dokumentieren. Die Zählregel ist in allen Diagrammen identisch: Ein Fall mit typ: ["Gatekeeping", "Pay Gap"] wird in beiden Kategorien jeweils einmal gezählt. Dies bedeutet:

• Die Summe der Typ-Zählungen kann die Fallzahl übersteigen.
• In Heatmaps kann ein einzelner Fall zu mehreren Zellen beitragen.
• Prozentangaben im Kreisdiagramm beziehen sich auf die Gesamtzahl der Typ-Nennungen, nicht auf die Fallzahl.

Diese Entscheidung wurde bewusst getroffen, weil das Ausblenden von Mehrfachdiskriminierung die Erfahrung intersektional betroffener Personen verzerren würde. Der Preis ist, dass Prozentangaben die Einzeltypen nicht auf 100% der Fälle normieren lassen. Dieser Trade-off wird im Dashboard transparent gemacht.

Diagramm 1: Wo wurden Fälle dokumentiert? (Horizontaler Balken)

Zählung: Jeder Fall wird genau einmal seiner Region zugeordnet (c.region). Es gibt keine Mehrfachzählung, da region ein einzelner String ist.

Sortierung: Absteigend nach Fallzahl. Nur Regionen mit mindestens einem Fall werden angezeigt.

Beschriftung: Absolutwerte direkt am Balkenende. Die Zuordnung von ISO-Codes zu Ländernamen erfolgt über die Konstante REGION_LABELS (z.B. "AT" → "Österreich").

Diagramm 2: Entwicklung seit 2019 (Linie + Trend)

Zählung: Jeder Fall mit einer vierstelligen Jahreszahl (/^\d{4}$/) wird einmal dem entsprechenden Jahr zugeordnet. Epochenbereiche wie "vor 1990" oder "1990–1999" werden ausgeschlossen, da sie keine jährliche Auflösung bieten.

Trendlinie: Lineare Regression (Ordinary Least Squares, OLS) über alle angezeigten Jahre. Die Berechnung:

• Steigung: β = Σ((xᵢ - x̄)(yᵢ - ȳ)) / Σ((xᵢ - x̄)²)
• Achsenabschnitt: α = ȳ - β · x̄
• Dabei ist xᵢ das Jahr als Zahl und yᵢ die Fallzahl in diesem Jahr.
• Wenn der Nenner Σ((xᵢ - x̄)²) = 0 (alle Werte im selben Jahr), wird β = 0 gesetzt.

R²-Wert: Bestimmtheitsmaß der Regression. R² = 1 - SS_res / SS_tot, wobei SS_res = Σ(yᵢ - ŷᵢ)² (Residuen) und SS_tot = Σ(yᵢ - ȳ)² (Gesamtvarianz). Wenn SS_tot = 0 (alle Jahre gleiche Fallzahl), wird R² = 0 angezeigt. Der R²-Wert wird als Annotation im Diagramm dargestellt, damit Forschende die Aussagekraft der Trendlinie selbst beurteilen können.

Markierung laufendes Jahr: Das aktuelle Kalenderjahr (ermittelt über new Date().getFullYear()) wird durch eine vertikale gestrichelte Linie und die Annotation (laufend -- Jahr nicht abgeschlossen) markiert. Die Erkennung erfolgt dynamisch und passt sich jedes Jahr automatisch an. Wichtig: Die Trendlinie bezieht das laufende Jahr ein. Bei sehr wenigen Fällen im laufenden Jahr kann dies den Trend nach unten verzerren -- der R²-Wert hilft bei der Einordnung.

Diagramm 3: Zeitverlauf nach Erfahrungstyp (Small Multiples)

Layout: 6 Teildiagramme (2 Spalten × 3 Zeilen), eines pro Diskriminierungsform.

Zählung: Pro Teildiagramm wird für jedes Jahr gezählt, wie viele gefilterte Fälle diesen Typ in ihrem typ-Array enthalten. Ein Fall mit typ: ["Gatekeeping", "Pay Gap"] erscheint in beiden Teildiagrammen.

Jahresfilter: Identisch mit Diagramm 2 -- nur vierstellige Jahresangaben.

Gemeinsame Y-Achse: Alle 6 Teildiagramme teilen denselben Y-Achsen-Maximalwert. Dieser wird aus den gefilterten Daten berechnet, nicht aus dem Gesamtdatensatz. Dadurch sind die Teildiagramme direkt visuell vergleichbar, aber der Maßstab ändert sich bei Filteränderungen.

Markierung 2025: Balken für 2025 werden mit 40% Deckkraft dargestellt und mit (lfd.) annotiert.

Warnhinweis: Wenn ein Typ in der gefilterten Menge weniger als 5 Gesamtfälle aufweist, erscheint der Hinweis Zu wenig Daten für Trendaussage im Teildiagramm.

Diagramm 4: Welche Diskriminierungsformen dominieren? (Donut)

Zählung: Jeder Fall erhöht den Zähler jedes Typs in seinem typ-Array um 1.

Prozentberechnung: Plotly.js berechnet die Prozentanteile als Wert / Summe(aller Werte). Der Nenner ist die Gesamtzahl der Typ-Nennungen, nicht die Fallzahl. Bei 30 Fällen mit insgesamt 38 Typ-Nennungen (weil 8 Fälle mehrere Typen haben) ist der Nenner 38. Die Prozentangaben summieren sich immer auf 100%, aber sie drücken den Anteil an Typ-Nennungen aus, nicht den Anteil an Fällen.

Konsequenz für die Interpretation: Wenn Gatekeeping 30% anzeigt, bedeutet das: 30% aller dokumentierten Diskriminierungserfahrungen (Nennungen) betreffen Gatekeeping -- nicht: 30% aller Fälle betreffen Gatekeeping. Der tatsächliche Anteil an Fällen ist höher, da der Nenner durch Mehrfachnennungen aufgebläht wird.

Diagramm 5: Diskriminierungsformen nach Branche (Heatmap)

Matrix: Zeilen = Branchen, Spalten = 6 Diskriminierungstypen.

Zellenwert: Anzahl der gefilterten Fälle, die sowohl zur jeweiligen Branche gehören als auch den jeweiligen Typ im typ-Array enthalten.

Sortierung: Branchen aufsteigend nach Gesamtfallzahl sortiert, Y-Achse umgekehrt dargestellt (Branche mit niedrigster Fallzahl oben).

Branchenbezeichnungen: Abgekürzte Labels für die Achsendarstellung (z.B. "Games Industry" → "Games").

Zellenbeschriftung: Absolutwert in jeder Zelle. Zellen mit Wert 0 bleiben leer.

Diagramm 6: Diskriminierungsformen nach Region (Heatmap)

Aufbau: Identisch mit Diagramm 5, aber Zeilen = Regionen (AT, DE, CH) in fester Reihenfolge statt Branchen. Nur Regionen mit mindestens einem Fall in der gefilterten Menge werden angezeigt.

Diagramm 7: Diskriminierung nach Karrierestufe (Heatmap)

Aufbau: Identisch mit Diagramm 5, aber Zeilen = Karrierestufen in logischer Reihenfolge: Studium / Ausbildung, Berufseinstieg (≤5 Jahre), Berufserfahren (5--10 Jahre), Senior (10+ Jahre), Fachexpertise / Spezialisierung, Lehre / Forschung.

Kleine Stichproben: Wenn eine Karrierestufe in der gefilterten Menge weniger als 5 Fälle enthält, wird die Gesamtzahl im Y-Achsen-Label angezeigt: z.B. Studium (n=3).

Diagramm 8: Kookkurrenz-Matrix (Typ × Typ)

Sichtbarkeit: Dieses Diagramm wird nur angezeigt, wenn die gefilterte Menge mindestens 20 Fälle enthält.

Matrix: 6×6 symmetrische Matrix der 6 Diskriminierungstypen.

Diagonale: Gesamtanzahl der Fälle, in denen der jeweilige Typ vorkommt (identisch mit der Donut-Zählung).

Oberes Dreieck (i < j): Anzahl der Fälle, in denen beide Typen gleichzeitig im typ-Array vorkommen. Für jeden Fall werden alle Paare aus dem typ-Array gebildet und jeweils die Zelle matrix[min(i,j)][max(i,j)] um 1 erhöht.

Unteres Dreieck: Wird nicht angezeigt (null-Werte), da die Matrix symmetrisch ist. Dies ist eine bewusste Designentscheidung zur Vermeidung visueller Doppelzählung.

n<3 Schwellenwertfilter

Standardzustand: Deaktiviert (AUS). Aktivierung über den Button Nur n≥3 im Filterbereich oder den URL-Parameter &threshold=3.

Wirkung: Bei Aktivierung werden in allen vier Heatmaps (Branche, Region, Karriere, Kookkurrenz) Zellen mit einem Wert von 1 oder 2 durch — ersetzt und aus der Farbskalen-Berechnung ausgeschlossen. In der Kookkurrenz-Matrix bleiben Diagonalzellen (Gesamtzahlen pro Typ) unberührt -- der Schwellenwert gilt nur für Kookkurrenz-Zellen (oberes Dreieck).

Hinweis unterhalb der Heatmaps: Wenn deaktiviert: Zellen mit n<3 sind statistisch nicht belastbar. Wenn aktiviert: n<3 Filter aktiv -- [X] Zellen ausgeblendet (mit tatsächlicher Anzahl ausgeblendeter Zellen).

Farbskala der Heatmaps

Alle Heatmaps verwenden dieselbe dynamische Farbskala. Sie ist so konstruiert, dass n=1 visuell von n=0 unterscheidbar ist, aber deutlich schwächer als n≥3 erscheint:

• 0: fast transparent (rgba 139,107,196 bei 2% Deckkraft)
• Schwelle bei max(0.01, 1/maxWert × 0.5): 18% Deckkraft -- hier wird n=1 dargestellt
• 0.5: 50% Deckkraft
• 1.0: volle Sättigung (#7A5AB5)

Der Maximalwert (maxWert) wird aus den tatsächlich sichtbaren Zellen berechnet (maskierte Zellen ausgenommen). Die Farbskala passt sich bei jeder Filteränderung an.

CSV-Export

Der Export enthält die aktuell gefilterten und aggregierten Daten (keine Rohdaten einzelner Fälle).

Dateiformat: CSV mit UTF-8-BOM (\uFEFF) für Excel-Kompatibilität. Dateiname: moiree-dashboard-[branche]-[region]-[datum].csv

Kopfzeilen:

• Zeile 1: # moirée Dashboard Export · moiree.eu
• Zeile 2: # Filter: Branche=[x] Region=[y] · n=[Fallzahl] · Selbstberichtete Erfahrungen · Nicht repräsentativ
• Zeile 3: # Abgerufen: [Datum im Format TT.MM.JJJJ]

Tabelle 1 -- Typ-Verteilung: Drei Spalten: Erfahrungstyp, Anzahl, Anteil. Der Anteil wird als Anzahl / Summe(aller Typ-Nennungen) × 100 berechnet -- derselbe Nenner wie im Donut-Diagramm.

Tabelle 2 -- Branche × Typ Matrix: Branchen als Zeilen (absteigend nach Gesamtfallzahl sortiert), 6 Typen als Spalten. Zellenwerte identisch mit Diagramm 5.

Zitierhinweis

Das Dashboard generiert dynamisch eine Zitierungszeile im Format:
n=[Fallzahl] · [aktive Filter] · Selbstberichtete Erfahrungen · Nicht repräsentativ · moiree.eu/dashboard[?Parameter] · abgerufen [Datum]

APA-Format:
moirée. (2026). Dashboard: Diskriminierungserfahrungen in der Kreativwirtschaft [Interaktive Datenvisualisierung]. moiree.eu/dashboard. Abgerufen am [Datum].

Chicago-Format:
moirée. "Dashboard: Diskriminierungserfahrungen in der Kreativwirtschaft." Interaktive Datenvisualisierung. Abgerufen am [Datum]. moiree.eu/dashboard.

Bei Zitation einer gefilterten Ansicht sollte der vollständige URL mit Parametern angegeben werden, z.B. moiree.eu/dashboard?branche=Audio&region=DE.

Die folgenden Einschränkungen gelten zusätzlich zu den allgemeinen methodischen Grenzen (siehe Einschränkungen) und müssen bei jeder Interpretation der Dashboard-Visualisierungen berücksichtigt werden:

• Convenience Sample / Selbstselektion: Die Daten stammen ausschließlich von Personen, die aktiv einen Erfahrungsbericht eingereicht haben. Personen ohne Diskriminierungserfahrung oder solche, die ihre Erfahrungen nicht teilen möchten, sind nicht vertreten. Die Daten bilden keine Grundgesamtheit ab.
• Mehrfachtyp-Inflation: Da Fälle mehrere Diskriminierungstypen gleichzeitig dokumentieren können, ist die Summe der Typ-Zählungen höher als die Fallzahl. Prozentangaben im Donut-Diagramm und im CSV-Export beziehen sich auf Typ-Nennungen, nicht auf Fälle. Zeilenweise Summen in Heatmaps können die Fallzahl der jeweiligen Zeile (Region, Branche, Karrierestufe) übersteigen.
• Kleine Stichproben: Bei wenigen Fällen pro Kategorie können einzelne Einreichungen die Visualisierungen stark verändern. Zellen mit n<3 werden als statistisch nicht belastbar gekennzeichnet. Die Kookkurrenz-Matrix wird erst ab n≥20 Fällen angezeigt.
• Temporale Unvollständigkeit: Das laufende Kalenderjahr enthält naturgemäß weniger Fälle als abgeschlossene Jahre. Im Zeitverlauf-Diagramm und in den Small Multiples wird dies durch visuelle Markierungen kenntlich gemacht (dynamisch ermittelt via new Date().getFullYear()). Die OLS-Trendlinie bezieht das laufende Jahr ein, was den Trend bei wenigen Fällen nach unten verzerren kann.
• Epochenbereiche: Fälle mit nicht-spezifischen Zeitangaben (z.B. "vor 1990", "1990–1999") erscheinen nicht in den zeitbasierten Diagrammen (Linie, Small Multiples). Diese Fälle sind in allen anderen Visualisierungen enthalten.
• Geografischer Geltungsbereich: Die Datenbank erfasst derzeit nur Erfahrungen aus dem DACH-Raum (Deutschland, Österreich, Schweiz). Die Verteilung zwischen den drei Ländern ist nicht gewichtet und spiegelt die Zusammensetzung der Einreichungen wider, nicht die Branchengrößen.
• Keine Kausalaussagen: Das Dashboard zeigt Verteilungsmuster, keine Ursache-Wirkungs-Zusammenhänge. Korrelationen zwischen Dimensionen (z.B. "Branche X hat mehr Gatekeeping") können Artefakte der Stichprobenzusammensetzung sein.

Diese Daten ersetzen keine repräsentativen Gehaltserhebungen. Sie dokumentieren individuelle Erfahrungen.

Die methodischen Grenzen dieses Projekts müssen transparent benannt werden:

• Selbstberichtete Daten: Alle Erfahrungsberichte beruhen auf der subjektiven Wahrnehmung der einreichenden Personen. Eine unabhängige Verifizierung der geschilderten Sachverhalte findet nicht statt.
• Selektionsverzerrung (Selection Bias): Personen, die Ungleichheit erlebt haben, sind mit höherer Wahrscheinlichkeit motiviert, einen Beitrag einzureichen. Die Datenbank bildet daher nicht die Gesamtheit der Erfahrungen in der Kreativwirtschaft ab.
• Kleine Stichprobe: Insbesondere in der Aufbauphase ist die Fallzahl gering. Verallgemeinerungen auf die Gesamtbranche sind nicht zulässig.
• Kein Repräsentativitätsanspruch: Die Datenbank erhebt keinen Anspruch auf statistische Repräsentativität. Sie ist ein Instrument zur Sichtbarmachung individueller Erfahrungen, kein Ersatz für standardisierte Erhebungen.

Eine wesentliche methodische Einschränkung der aktuellen Datenerhebung besteht darin, dass jeder Erfahrungsbericht eine Momentaufnahme darstellt. Strukturelle Diskriminierungsmuster lassen sich jedoch erst dann vollständig verstehen, wenn individuelle Verläufe über die Zeit dokumentiert werden: Hat sich die Situation verbessert, verfestigt oder verschlechtert? Führte eine bestimmte Form des Gatekeepings letztlich zum Branchenwechsel, oder konnte die betroffene Person innerhalb der Branche verbleiben?

Klassische Längsschnittstudien erfordern die Identifizierbarkeit der Teilnehmenden, was dem Anonymitätsversprechen dieser Plattform widerspricht. Als geplante methodische Erweiterung wird daher ein datenschutzkonformer Mechanismus entwickelt, bei dem Beitragende einen persönlichen Schlüssel erhalten, der lokal generiert wird und zu keinem Zeitpunkt auf der Plattform gespeichert wird. Dieser Schlüssel ermöglicht freiwillige, anonyme Statusaktualisierungen zu einem späteren Zeitpunkt.

Ein solches Verfahren würde erstmals eine quantitative Analyse von Verlaufsmustern professioneller Diskriminierung in der europäischen Kreativwirtschaft ermöglichen -- etwa die Untersuchung, in welchem Anteil der Fälle Gatekeeping zum Branchenwechsel führte oder welche strukturellen Interventionen messbare Verbesserungen bewirkten. Aus Sicht der DSGVO handelt es sich bei den so erhobenen Daten um anonyme Daten im Sinne des Erwägungsgrundes 26, da die Plattform selbst keine Zuordnung zwischen Schlüssel und Person vornehmen kann.

Die Forschungslücke in der systematischen Verlaufsdokumentation geschlechtsspezifischer Benachteiligung ist erheblich. Bestehende Studien erfassen überwiegend Prävalenzen, nicht aber individuelle Verläufe. Die technische Architektur dieses Mechanismus ist in der internen Dokumentation (docs/outcomes-system.md) ausführlich beschrieben.

Das Projekt orientiert sich an den ethischen Grundsätzen des Ethik-Kodex der Deutschen Gesellschaft für Soziologie (DGS). Die folgenden Prinzipien leiten die Datenerhebung, -verarbeitung und -veröffentlichung:

Trauma-informiertes Design

Die Einreichung von Erfahrungsberichten zu Diskriminierung und Belästigung erfordert ein besonders sensibles Vorgehen. Das Einreichungsformular integriert folgende Schutzmaßnahmen:

• Inhaltliche Hinweise: Vor Beginn der Einreichung wird auf die potenziell belastende Natur der Inhalte hingewiesen. Krisenressourcen (Hilfetelefon, Frauenhelpline) werden bereitgestellt.
• Sicherer Ausstieg: Eine „Seite verlassen“-Funktion ermöglicht das sofortige Verlassen der Seite.
• Eigene Geschwindigkeit: Kein Zeitdruck, keine Pflichtfelder im Freitextbereich, keine Mindestlänge für Erfahrungsberichte.

Anonymisierung

Der Schutz der Identität beitragender Personen hat höchste Priorität:

• Direkte Identifikatoren (Name, E-Mail, Firmenname, genaue Daten) werden nie erhoben.
• Quasi-Identifikatoren (z.B. Jahresangaben, Ortsangaben) werden vor der Veröffentlichung verallgemeinert.
• Narrativprüfung: Jeder Freitextbeitrag wird redaktionell auf identifizierende Details geprüft und bei Bedarf angepasst.
• k-Anonymität: Filterkombinationen, die weniger als fuenf Fälle ergeben, werden nicht einzeln angezeigt, um Rückschlüsse auf einzelne Personen zu verhindern.

Informierte Einwilligung

Vor dem Absenden einer Einreichung wird eine ausdrückliche Einwilligung eingeholt. Beitragende werden über den Zweck der Datenerhebung, die Veröffentlichung als anonymisierter Beitrag und die Datenverarbeitung informiert.

Da keine personenbezogenen Daten erhoben werden, können einzelne Einreichungen nach dem Absenden nicht mehr bestimmten Personen zugeordnet werden. Ein Widerruf oder eine Löschung einzelner Beiträge ist daher nach Veröffentlichung nicht möglich. Dieser Umstand wird im Einwilligungsprozess transparent kommuniziert.

Moderation

Alle Einreichungen werden vor der Veröffentlichung von einer redaktionellen Prüfinstanz gesichtet. Die Moderation folgt einer standardisierten Anonymisierungs-Checkliste und prüft jeden Beitrag auf identifizierende Details, thematische Relevanz und Einhaltung der ethischen Grundsätze.

Moderator*innen-Schutz

Das Lesen von Erfahrungsberichten über Diskriminierung und Belästigung kann eine sekundäre Traumatisierung auslösen. Das Projekt anerkennt diese Belastung und sieht Schutzmaßnahmen für moderierende Personen vor: zeitliche Begrenzung der Moderationsarbeit, kollegiale Reflexion und klare Protokolle für besonders belastende Inhalte.

Ausführliche Informationen zum Datenschutz, zur Datenverarbeitung und zu den Rechten betroffener Personen findest du in der Datenschutzerklärung.

Ein interdisziplinärer wissenschaftlicher Beirat aus den Bereichen Soziologie, Arbeitsrecht und Gender Studies wird derzeit zusammengestellt. Bei Interesse an einer Mitwirkung wende dich bitte an info@moiree.eu.