Citizen Science verstehen: Wie Freiwillige Daten sammeln, Forschung beschleunigen und Wissenschaft demokratischer machen
- Benjamin Metzig
- vor 3 Stunden
- 6 Min. Lesezeit
Es beginnt oft nicht im Labor, sondern auf der Straße. In Tonawanda im US-Bundesstaat New York bemerkten Anwohnerinnen und Anwohner vor Jahren, dass mit ihrer Luft etwas nicht stimmte. Es roch seltsam, Menschen klagten über gesundheitliche Probleme, aber der Verdacht allein war noch kein Beweis. Erst als die Community selbst Proben nahm und Daten sammelte, wurde aus diffusem Unbehagen ein belastbarer Hinweis. Die später im Umfeld des Air Sensor Toolbox-Falls dokumentierten Messungen halfen, hohe Benzolwerte sichtbar zu machen. Danach folgten weitere amtliche Untersuchungen und konkrete Maßnahmen.
Genau darin liegt die Kraft von Citizen Science. Der Begriff klingt harmlos, fast nach Hobby. Tatsächlich geht es um etwas Größeres: um Forschung, die nicht nur von professionellen Wissenschaftlerinnen und Wissenschaftlern betrieben wird, sondern auch von Menschen, die vor Ort beobachten, messen, klassifizieren, dokumentieren oder mit ihrem Erfahrungswissen Lücken schließen. Mal helfen sie dabei, Galaxien zu sortieren, mal Vogelbestände zu erfassen, mal Schadstoffe in ihrer Nachbarschaft zu messen. Und manchmal verschieben sie dadurch den Blick darauf, was überhaupt als relevantes Problem gilt.
Definition: Was Citizen Science eigentlich meint
Citizen Science bezeichnet Forschungsansätze, bei denen Menschen außerhalb klassischer Wissenschaftsberufe aktiv an Erkenntnisprozessen mitwirken, etwa durch Fragestellungen, Datenerhebung, Auswertung oder Interpretation. Die ECSA-Prinzipien machen dabei klar: Gute Citizen Science produziert echte Forschungsergebnisse, schafft wechselseitigen Nutzen und muss ethische wie rechtliche Fragen ernst nehmen.
Warum Forschung Freiwillige überhaupt braucht
Der erste Grund ist banal und enorm zugleich: Die Welt ist zu groß geworden für kleine Teams. Wer Zugvögel über Kontinente hinweg verfolgen, Insektenrückgänge über Jahre messen, historische Archive erschließen oder Millionen Galaxienbilder klassifizieren will, stößt mit klassischer Forschungslogik schnell an Grenzen. Es fehlt nicht nur Geld. Es fehlt vor allem Präsenz in Raum und Zeit.
Citizen Science schließt genau diese Lücke. Projekte wie Zooniverse setzen auf „people-powered research“: Viele Menschen übernehmen kleine, klar definierte Aufgaben, die sich in der Summe zu auswertbaren Datensätzen verdichten. Das ist kein romantischer Nebenpfad der Wissenschaft, sondern oft die einzige realistische Methode, um bestimmte Datenmengen überhaupt zu bewältigen.
Der zweite Grund ist weniger technisch und politisch viel interessanter: Freiwillige verfügen oft über Ortskenntnis, Erfahrung und Aufmerksamkeit, die Institutionen nicht haben. Wer an einem Fluss lebt, merkt Veränderungen früher. Wer im eigenen Viertel Nacht für Nacht dieselben Gerüche wahrnimmt, erkennt Muster, die in einer punktuellen Behördenmessung untergehen können. Wer regelmäßig Vögel beobachtet, bringt eine Feinheit in die Datenerhebung ein, die kein einmaliger Survey leisten kann.
Der dritte Grund ist erkenntnistheoretisch. Wissenschaft lebt nicht nur davon, Antworten zu liefern, sondern auch davon, die richtigen Fragen zu stellen. Wenn Communities an Umweltproblemen, Gesundheitsmustern oder Artenverlust arbeiten, bringen sie andere Prioritäten in die Forschung ein als klassische Förderlogiken. Citizen Science ist deshalb im besten Fall nicht nur eine Methode zur Datenerfassung, sondern auch ein Korrektiv für blinde Flecken institutioneller Aufmerksamkeit.
Von eBird bis iNaturalist: Was aus vielen kleinen Beiträgen werden kann
Die bekanntesten Beispiele zeigen sehr gut, warum das Modell funktioniert. eBird ist heute eines der eindrucksvollsten Systeme für globale Vogelbeobachtung. Schon im vielzitierten Überblickspapier The eBird enterprise wurde beschrieben, dass eBird bereits 2012 mehr als 100 Millionen Beobachtungsdatensätze umfasste. Genau solche Daten sind für Verbreitungsmodelle, Zugbewegungen, Artenschutz und langfristiges Monitoring enorm wertvoll.
Spannend ist dabei nicht nur die Menge. Das Cornell-Team betont ausdrücklich, dass solche Daten nicht naiv übernommen werden, sondern mit Verfahren gegen Beobachtungsfehler, regionale Verzerrungen und unterschiedliche Erfahrungsstände arbeiten. Anders gesagt: Die wissenschaftliche Leistung liegt nicht bloß im Sammeln, sondern auch im intelligenten Prüfen und Modellieren.
Ähnlich funktioniert iNaturalist, nur offener und alltagsnäher. Menschen fotografieren Pflanzen, Pilze oder Tiere, laden Beobachtungen hoch und lassen sie von der Community bestimmen. Das System der Data Quality Assessment und des „Research Grade“ zeigt beispielhaft, wie Citizen Science Qualität absichert: Beobachtungen müssen verifizierbar sein, und für eine belastbare Artbestimmung braucht es ausreichend Übereinstimmung innerhalb der Community.
Dann gibt es die große Klasse der Mustererkennungsprojekte. Auf Zooniverse helfen Millionen Freiwillige dabei, historische Dokumente zu transkribieren, Tierkamerabilder zu klassifizieren oder astronomische Daten zu sichten. Dass daraus nicht nur nette Bildungsprojekte entstehen, sondern echte Forschung, zeigt auch die Publikationsübersicht von Zooniverse. Citizen Science ist hier nicht das Marketing einer Forschungsidee, sondern oft ihr operativer Kern.
Der häufigste Einwand: Aber sind solche Daten überhaupt verlässlich?
Diese Frage ist berechtigt. Sie wird nur oft zu grob gestellt. Denn „Citizen-Science-Daten“ sind nicht ein einheitlicher Datentyp. Die Qualität hängt davon ab, wie ein Projekt gebaut ist.
Die große Methodenübersicht in Nature Reviews Methods Primers macht genau diesen Punkt stark. Citizen Science reicht von streng angeleiteten Monitoring-Projekten bis zu community-basierten Ansätzen mit offeneren Rollen. Entsprechend unterschiedlich sind auch Fehlerquellen: ungleich verteilte Beobachtungen, Fehlbestimmungen, soziale Selektivität, Lücken in bestimmten Regionen oder Zeiten. Aber dieselbe Literatur zeigt ebenso, dass gute Projekte mit Redundanz, Training, Expertenprüfung, Community-Review und statistischer Korrektur arbeiten.
Das ist der entscheidende Perspektivwechsel: Datenqualität ist hier kein moralisches Urteil über „Laien“, sondern ein Designproblem. Wenn tausende Menschen dieselbe Aufgabe bearbeiten, Fehler gegeneinander ausgleichen, auffällige Meldungen geprüft werden und Modelle systematische Verzerrungen berücksichtigen, können Citizen-Science-Daten hochgradig nützlich sein. In manchen Feldern wären sie sogar unersetzlich, weil es ohne sie gar keine vergleichbare Datendichte gäbe.
Faktencheck: Citizen Science ist nicht einfach „ungeprüfte Hobbyforschung“
Plattformen und Projekte arbeiten je nach Feld mit Mehrfachklassifikation, regionalen Editorinnen und Editoren, Community-Konsens, Schulungsmaterial, Plausibilitätsfiltern und formaler Qualitätssicherung. Die Frage ist deshalb nicht, ob Bürgerdaten per se schlecht sind, sondern ob das Projekt seine eigene Unsicherheit professionell bearbeitet.
Wann Citizen Science Wissenschaft wirklich demokratischer macht
Hier lohnt sich Präzision. Nicht jede Beteiligung ist schon Demokratisierung. Wenn Menschen nur kostenlose Klickarbeit leisten, während Fragestellung, Datennutzung und Deutung vollständig bei Institutionen bleiben, ist das eher ausgelagerte Forschungsassistenz als demokratische Wissenschaft.
Demokratischer wird Citizen Science unter mindestens drei Bedingungen.
Erstens müssen Teilnehmende mehr sein als Datenlieferanten. Die ECSA-Prinzipien betonen ausdrücklich aktiven Beitrag, Rückmeldung und gegenseitigen Nutzen. Wer mitmacht, sollte erfahren, wofür die Daten gebraucht werden, was sie zeigen und was daraus folgt.
Zweitens müssen Projekte offen sein für Probleme, die nicht aus der Universität selbst kommen. Gerade in der Umweltforschung ist das zentral. Die EPA beschreibt „participatory science“ deshalb bewusst breiter und inklusiver: Öffentlichkeit kann Forschungsfragen mitformulieren, Daten erheben und Ergebnisse deuten. In ihrer Vision for Participatory Science verknüpft die Behörde das ausdrücklich mit Informationslücken, Umweltgerechtigkeit und lokaler Handlungsfähigkeit.
Drittens muss der Erkenntnisweg zurück in die Öffentlichkeit führen. Offene Ergebnisse, verständliche Kommunikation und reale Anschlussfähigkeit sind keine Nebensache. Wenn Communities messen, beobachten oder transkribieren, dann nicht nur, damit am Ende ein Paper entsteht, das sie nie zu Gesicht bekommen. Demokratisierung heißt auch, dass Wissen zurückfließt.
Wo die schönen Erzählungen zu kurz greifen
Citizen Science hat Grenzen, und über die sollte man nicht weichzeichnen.
Nicht alle Menschen haben dieselben Ressourcen, um mitzumachen. Wer Zeit, Technik, Mobilität und Bildungsvorteile mitbringt, ist eher vertreten als Menschen mit prekären Lebenslagen. Das kann Datensätze ebenso verzerren wie die Erzählung von Beteiligung selbst. Wenn vor allem bestimmte Milieus beobachten, fotografieren und melden, dann bildet auch die „offene“ Wissenschaft nicht automatisch die ganze Gesellschaft ab.
Hinzu kommt das Problem der Standortdaten und sensiblen Informationen. Bei Biodiversitätsprojekten können exakte Fundorte gefährdeter Arten missbraucht werden. Bei gesundheitsnahen Projekten oder Umweltmessungen in kleinen Gemeinden kann Datenerhebung schnell in Fragen von Privatsphäre, Stigmatisierung oder politischem Konflikt kippen. Gute Citizen Science braucht deshalb nicht nur Begeisterung, sondern Governance.
Und schließlich gibt es das Arbeitsproblem. Forschung öffnet sich nicht automatisch dadurch, dass sie unbezahlte Beiträge einsammelt. Manche Projekte profitieren enorm von Freiwilligen, ohne diese angemessen an Anerkennung, Entscheidungen oder Nutzen zu beteiligen. Genau deshalb sind Standards wie die ECSA-Prinzipien so wichtig: Sie erinnern daran, dass gute Citizen Science nicht bloß effizient, sondern fair sein muss.
Was gute Citizen Science von schlechter unterscheidet
Man kann das erstaunlich klar benennen.
Gute Citizen Science hat eine präzise Fragestellung, verständliche Aufgaben und sichtbare Qualitätsmechanismen. Sie erklärt Unsicherheit statt sie zu verstecken. Sie nutzt die Stärke vieler Beobachtender, ohne daraus einen Mythos kollektiver Unfehlbarkeit zu machen. Sie behandelt Teilnehmende als Mitwirkende, nicht als billige Peripherie. Und sie sorgt dafür, dass aus Daten nicht nur Dashboard-Dekoration wird, sondern Erkenntnis mit Folgen.
Schlechte Citizen Science hingegen erkennt man daran, dass sie nur auf Masse setzt, ohne auf Struktur. Viel Input, wenig Feedback. Große Rhetorik, unklare Datenwege. Teilhabe als Image, nicht als Praxis.
Gerade deshalb ist das Thema größer, als es auf den ersten Blick wirkt. Citizen Science zwingt Wissenschaft dazu, sich einer unbequemen Frage zu stellen: Wem gehört Erkenntnis eigentlich? Nur den Institutionen, die Methoden kontrollieren? Oder auch den Menschen, die Probleme zuerst bemerken, Daten mit erheben und das Risiko tragen, wenn Missstände ignoriert werden?
Warum das für die Zukunft der Forschung wichtiger wird
Die nächsten Jahre werden Citizen Science eher aufwerten als entwerten. Der Grund ist nicht nur, dass mehr Sensoren, Smartphones und Plattformen verfügbar sind. Der eigentliche Grund ist, dass gesellschaftliche Probleme datenhungriger und zugleich lokaler werden. Hitzeinseln in Städten, Artenverlust, Luftqualität, invasive Arten, Wasserknappheit, Krankheitsmuster oder Lichtverschmutzung lassen sich nicht allein aus zentralen Instituten heraus beobachten.
Zugleich wächst das Misstrauen gegenüber Institutionen, wenn diese nur noch abstrakt kommunizieren. Citizen Science kann hier eine Brücke sein, weil sie Forschung sichtbarer, konkreter und anschlussfähiger macht. Aber nur, wenn sie nicht als PR-Instrument missverstanden wird. Bürgerbeteiligung ersetzt keine wissenschaftlichen Standards. Sie kann diese Standards aber in Bereiche tragen, die sonst unsichtbar blieben.
Am Ende ist Citizen Science deshalb weder die Romantisierung der Amateurforschung noch der billige Ersatz professioneller Wissenschaft. Im besten Fall ist sie eine ernsthafte Erweiterung des wissenschaftlichen Betriebs: mehr Augen, mehr Orte, mehr Daten, mehr Druck zur Transparenz und manchmal auch bessere Fragen.
Und vielleicht ist genau das der demokratische Kern: Nicht dass plötzlich alle Forschenden sind, sondern dass mehr Menschen wirksam daran beteiligt sind, was als Wissen zählt.
