Pilotdaten und Machbarkeitsstudien verantwortungsvoll nutzen - Tierpfleger im Forschungslabor
Pilotdaten und Machbarkeitsstudien verantwortungsvoll nutzen - Tierpfleger im Forschungslabor
QR-Code

Medienfrage: Warum lässt sich aus einer schönen Glockenkurve allein weder die nötige Stichprobengröße noch die Durchführbarkeit eines Vorhabens ablesen?
Einleitung
Du arbeitest als angehende Tierpflegerin oder angehender Tierpfleger in Forschung und Klinik. Ein Team überlegt, ob ein geplantes Messverfahren zuverlässig genug ist. Die entscheidende Frage lautet nicht „Wie starten wir schnell mit Tieren?“, sondern „Welche Information fehlt, wie lässt sie sich möglichst tierfrei gewinnen und wann muss ein Vorhaben überarbeitet oder gestoppt werden?“ Dieses Modul 05 behandelt Reduction als verantwortliche Verringerung unnötiger Tierverwendungen bei zugleich belastbarer Erkenntnis. Zu kleine, verzerrte oder schlecht dokumentierte Untersuchungen können Tiere beanspruchen, ohne eine tragfähige Antwort zu liefern. Eine Pilotstudie ist deshalb kein Freibrief für zusätzliche Versuche.
Lernziel: Du beurteilst Informationsgewinn, Unsicherheit, Machbarkeit und Wiederholungsbedarf und formulierst eine nachvollziehbare Entscheidungsnotiz. Lernprodukt: eine einseitige Entscheidungsnotiz mit Quellenprüfung, Unsicherheitsangaben, Alternativen, Stop-/Weiter-Kriterien und Zuständigkeiten. Alle Übungen nutzen ausschließlich fiktive Daten, Papierfälle, Ersatzmodelle oder Videos; keine Tierexperimente als Hausaufgabe.
Einordnung: Redaktionelle Vertiefung zur Ausbildung Tierpfleger/in, Fachrichtung Forschung und Klinik, insbesondere zu Lernfeldern 10 bis 13 und der Ausbildungsordnung; allgemeine Grundlagen werden über Tierschutz, Statistik, Versuchsplanung und 3R-Prinzip verknüpft, nicht dupliziert. Niveau 2–3. Rechts- und Quellenprüfung: Abruf 09.11.2026; der Rechtsstand dieses Kurses bezieht sich auf den 09.11.2026. Die ab 04.12.2026 anzuwendenden Änderungen aufgrund der Delegierten Richtlinie (EU) 2024/1262 sind gesondert zu prüfen, nicht als bereits geltend zu behandeln.
Informationsbedarf vor einer Pilotstudie
Von der Frage zur Entscheidung
Unterscheide die Forschungsfrage (welcher Zusammenhang interessiert?), die Messfrage (welche Variable bildet ihn ab?) und die Machbarkeitsfrage (können Abläufe, Dokumentation und Qualität unter den vorgesehenen Bedingungen funktionieren?). Lege vor der Datensichtung fest, welche konkrete Entscheidung neue Informationen ändern würden. Suche zuerst nach vorhandenen publizierten Daten, behördlich anerkannten Daten, institutionellen Erfahrungen, Simulationsmöglichkeiten und tierfreien Ersatzmethoden. Eine Wiederholung allein aus Gewohnheit ist keine Begründung.
Fiktiver Fall A – digitales Protokoll: Eine Einrichtung möchte prüfen, ob zwei Mitarbeitende dieselben Einträge eines vollständig synthetischen Video- und Zeitstempeldatensatzes übereinstimmend kodieren. In 20 simulierten Ereignissen stimmen sie 16-mal überein. Die Übereinstimmungsquote beträgt 80 Prozent; sie sagt ohne Vergleich der Kategorienhäufigkeiten noch wenig über Zufallsübereinstimmung oder Validität. Entscheidung: Kodierregeln überarbeiten, Kategorien präzisieren, unabhängige Nachkodierung an einem neuen synthetischen Datensatz vorsehen. Kein Tierversuch ist für diese Machbarkeitsfrage nötig.
Prüffragen: Welche Information ist neu? Welche bestehende Quelle könnte dieselbe Lücke schließen? Welche Fehlentscheidung droht bei einem verzerrten Pilotdatensatz? Wer zeichnet die Begründung gegen?
Unterschiedliche Arten von Pilotinformationen
Eine technische Machbarkeitsprüfung testet beispielsweise Datenexport, Lesbarkeit, Zeitfenster und Dokumentationsfehler am Ersatzmodell. Eine methodische Pilotierung prüft, ob ein Messverfahren reproduzierbar ist und wie groß die Unsicherheit ungefähr sein könnte. Eine wissenschaftliche Hauptstudie prüft die vorab definierte Forschungsfrage. Pilotdaten liefern oft unsichere Schätzungen; sie beweisen nicht automatisch Wirksamkeit und dürfen nicht unkritisch als endgültige Effektgröße für die Hauptstudie dienen. Eine nachträglich aus günstigen Pilotwerten gewählte Fallzahl kann zu optimistischen Schlussfolgerungen führen.
Unsicherheit, Stichprobe und belastbare Planung
Streuung richtig lesen
Synthetischer Fall B: Zwei Übungsgruppen enthalten je fünf erfundene Messwerte. Gruppe A: 7, 8, 9, 10, 11; Gruppe B: 8, 9, 10, 11, 12. Die Mittelwerte sind 9 und 10 Einheiten. Die Differenz von einer Einheit ist bei kleinen Gruppen und beobachteter Streuung unsicher; sie rechtfertigt weder eine biologische Aussage noch eine Tierzahl. Berichte Einzelwerte, Lage, Streuung und Datenherkunft, nicht nur Mittelwerte. Ein Konfidenzintervall ist eine Aussage über die Unsicherheit eines Schätzverfahrens unter Modellannahmen, keine Wahrscheinlichkeit dafür, dass ein konkreter Parameter nach Datensichtung im Intervall liegt.

Beobachtungsfrage: Welche Merkmale der Streuung sind sichtbar und welche Rohdaten bleiben verborgen? Die Abbildung ist ein allgemeines Statistikbeispiel, nicht die Darstellung von Fall B.
Versuchseinheit und Pseudoreplikation
Die Versuchseinheit ist die kleinste unabhängig zugeteilte Einheit; sie ist nicht zwangsläufig jede einzelne Messung. Werden zehn Beobachtungen an derselben Einheit gemacht, sind dies nicht automatisch zehn unabhängige Versuchseinheiten. Bei gemeinsamer Unterbringung, Messreihen oder Chargen muss die Abhängigkeitsstruktur im Design und in der Auswertung berücksichtigt werden. Verwechsle technische Wiederholungen, unabhängige Einheiten und zeitliche Wiederholungsmessungen nicht.
Fiktiver Fall C – Sensordaten: Vier simulierte Sensoren erzeugen je 25 Werte. Das sind 100 Messwerte, aber nur vier Sensor-Einheiten. Eine Auswertung mit n=100 unabhängigen Einheiten würde die Präzision künstlich erhöhen. Dokumentiere die Hierarchie Sensor–Messung, kläre den geeigneten Analyseansatz mit Statistikfachleuten und verwende keine nachträglich selektierten Einzelwerte.
Fallzahlplanung ohne Scheingenauigkeit
Die erforderliche Fallzahl hängt von primärem Endpunkt, wissenschaftlich bedeutsamem Unterschied, Variabilität, Design, statistischer Fehlerkontrolle, Ausfallannahmen und der gewählten Analyse ab. Eine grobe Pilotvarianz ist häufig instabil. Prüfe Sensitivität über mehrere plausible Annahmen und lass die Planung fachlich prüfen; der NC3Rs Experimental Design Assistant unterstützt Design, Randomisierung, Verblindung und Fallzahlplanung. Reduction bedeutet nicht automatisch die kleinste denkbare Zahl, sondern die geringste vertretbare Zahl bei aussagefähiger Planung, nach vorrangiger Prüfung tierfreier Alternativen.
Videobeobachtung: Das Lehrvideo „Experiment Randomisation & Blindness“ von Shady Attia (2022, englisch) erläutert Randomisierung und Verblindung anhand allgemeiner Forschungsdesigns. Notiere zwei mögliche Verzerrungen und eine Grenze der Übertragbarkeit auf die Tierforschung. Das Video ist keine deutsche Rechts- oder Sachkundeunterweisung.
Machbarkeit und Abbruchentscheidungen
Vorab definierte Qualitätskriterien
Ein gutes Machbarkeitsprotokoll benennt vor der Prüfung: Zweck, verfügbare Ersatzmodelle, verantwortliche Personen, messbare Qualitätskriterien, fehlende Daten, Prüfzeitraum, Dokumentationsweg und Stop-Regeln. Ein Stop-Kriterium ist nicht erst dann sinnvoll, wenn ein Projekt scheitert. Unzureichende Datenqualität, ungeklärte Zuständigkeit oder eine fehlende erforderliche Freigabe sind Gründe, nicht fortzufahren.
Fiktiver Fall D – Datenübertragung: Von 40 synthetischen Dateien sind 37 vollständig lesbar, drei verlieren Zeitstempel. Die vorab festgelegte Schwelle beträgt 39 fehlerfreie Dateien. Ergebnis: 37/40 = 92,5 Prozent und die Schwelle wird verfehlt. Die verantwortliche Entscheidung lautet: Datenpipeline korrigieren, mit neuen fiktiven Dateien erneut technisch testen, keine Freigabe für eine darauf aufbauende reale Studie ableiten. Ein „fast erreicht“ ersetzt kein vorab vereinbartes Kriterium.
Wiederholungen begründen statt reflexhaft durchführen
Unterscheide eine technische Wiederholung wegen eines dokumentierten Gerätefehlers von einer wissenschaftlichen Replikation zur Prüfung eines Befunds. Vor jeder Wiederholung: Ursache analysieren, Datenqualität und Quellen prüfen, vorhandene Informationen nutzen, alternative Verfahren erwägen und die Entscheidungsrelevanz festhalten. Negative und unklare Ergebnisse sind zu dokumentieren, damit sie nicht unsichtbar werden und andernorts unnötig wiederholt werden.
Fiktiver Fall E – widersprüchliche Aufzeichnungen: Zwei ältere Datensätze zur selben Messroutine zeigen verschiedene Fehlerraten. Vor einer neuen Datenerhebung prüfst du Versionen der Erfassungssoftware, Definitionen, Zeiträume und Ausschlussregeln. Eine Reanalyse vorhandener, freigegebener und anonymisierter Daten kann die Differenz aufklären. Die Option „noch einmal messen“ steht erst nach der Informationsprüfung zur Diskussion.
Verantwortung, Recht und Rollen im Labor
Normen, Standards und betriebliche Vorgaben
Verbindliches Recht: Richtlinie 2010/63/EU, deutsches Tierschutzgesetz (insbesondere §§ 7, 7a, 8 und 8a) und Tierschutz-Versuchstierverordnung regeln den Rahmen. § 8 TierSchG betrifft grundsätzlich die Genehmigung von Vorhaben an Wirbeltieren oder Kopffüßern. § 8a ist nicht pauschal ein Anzeigeverfahren: Absatz 1 enthält unter gesetzlichen Voraussetzungen ein vereinfachtes Genehmigungsverfahren; Absatz 3 regelt einen besonderen Anzeigetatbestand für Zehnfußkrebse. Die konkrete rechtliche Einordnung obliegt der zuständigen Stelle und Behörde. § 7 Absatz 2a dient der Vermeidung unnötiger Doppel- und Wiederholungsversuche durch Anerkennung bestimmter Daten aus anderen EU-Mitgliedstaaten.
Fachliche Empfehlungen, keine Gesetze: ARRIVE Study Plan, NC3Rs EDA und PREPARE helfen bei Planung, Transparenz und Qualität; sie ersetzen keine Genehmigung. Betriebliche Umsetzung: einschlägige Bescheide, landesrechtlicher Vollzug, genehmigter Umfang, lokale SOPs, Sicherheits- und Dokumentationsvorgaben sind zusätzlich zu beachten. Eine SOP kann keine gesetzlich erforderliche Erlaubnis schaffen.
Zeitliche Abgrenzung: Rechtsprüfung und Abruf am 09.11.2026. Die mit der Delegierten Richtlinie (EU) 2024/1262 verbundenen geänderten Anforderungen an Einrichtungen, Pflege, Unterbringung und Tötungsmethoden gelten nach EU-Informationsstand ab 04.12.2026; die nationale Umsetzung in der TierSchVersV wurde 2025 geändert. Vor praktischer Anwendung sind die dann geltenden konsolidierten Texte und örtlichen Bescheide erneut zu prüfen.
Ausbildungsrolle und Eskalation
Auszubildende können im zugewiesenen Rahmen Beobachtungen dokumentieren, fiktive Daten aufbereiten, Abweichungen melden und Fragen zur Qualität stellen. Tätigkeitsbezogene Sachkunde ist von betrieblicher Aufsicht und Delegation, einer etwaigen tierärztlichen Anordnung und den behördlichen bzw. betrieblichen Freigaben zu unterscheiden. Diese Voraussetzungen sind nicht austauschbar. Weder Ausbildung noch Onlinekurs verleihen eine allgemeine Eingriffs-, Narkose-, Tötungs- oder Versuchsbefugnis. Bei Unklarheit: Tätigkeit nicht eigenmächtig ausführen, verantwortliche Fachperson, Tierschutzbeauftragte und gegebenenfalls Tierärztin/Tierarzt einbeziehen. Auch fachliche Eignung allein ersetzt keinen genehmigten Projektumfang.
Fiktiver Fall F – Freigabekonflikt: Eine Kollegin bittet dich, eine neue Messroutine sofort an lebenden Tieren auszuprobieren, weil eine frühere Tabelle unvollständig ist. Du führst keine neue Maßnahme aus. Du sicherst die vorhandene Dokumentation nach SOP, meldest die Informationslücke, schlägst eine Simulation und eine Freigabeprüfung durch Verantwortliche vor. Die Entscheidung liegt nicht bei dir allein.
Von der Datenprüfung zur Entscheidungsnotiz
Sieben Bausteine
Eine prüfbare Notiz enthält (1) die konkrete Entscheidungsfrage, (2) vorhandene Quellen und Datenherkunft, (3) erwarteten zusätzlichen Informationsgewinn, (4) Unsicherheit und Grenzen, (5) tierfreie Alternativen und Wiederholungsvermeidung, (6) vorab definierte Weiter-/Stop-Kriterien und (7) zuständige Prüf- und Freigabestellen. Trenne Beobachtung, Interpretation und Empfehlung. Notiere, was unbekannt bleibt. Die Empfehlung kann „nicht fortsetzen“ lauten.
Ausgearbeitetes Beispiel zu Fall D: „Frage: Ist der fiktive Export zuverlässig genug? Beobachtung: 37 von 40 Dateien lesbar; drei Zeitstempel fehlen. Vorab-Kriterium: mindestens 39 von 40 vollständig. Unsicherheit: nur eine synthetische Testserie, Fehlerursache ungeklärt. Informationsgewinn einer erneuten technischen Prüfung: hoch, weil sie den Fehlermechanismus klären kann. Tierfreie Alternative: ausschließlich künstliche Testdateien. Empfehlung: reale Datenerhebung nicht beginnen; Export korrigieren und erneute Simulation dokumentieren. Zuständigkeit: IT-Qualitätssicherung und verantwortliche Studienleitung; erforderliche Freigaben gesondert prüfen.“ Die begründete Entscheidung vermeidet die Wiederholung eines unzureichend vorbereiteten Vorhabens.
Typische Fehler und bessere Lösungen
Fehler: Pilotmittelwert als sicheren Effekt ausgeben. Besser: Streuung, geringe Präzision und Annahmen transparent machen. Fehler: Messwerte als unabhängige Einheiten zählen. Besser: Hierarchie und Versuchseinheit kennzeichnen. Fehler: Stop-Grenze nach Sichtung der Ergebnisse ändern. Besser: Kriterien vorab festlegen und Abweichungen sichtbar begründen. Fehler: Wiederholung ohne Literatur- und Datenprüfung. Besser: vorhandene Erkenntnisse, Reanalyse und Ersatzmethoden priorisieren. Fehler: ARRIVE oder PREPARE als behördliche Erlaubnis behandeln. Besser: Empfehlungen von Recht, Bescheid und SOP unterscheiden. Fehler: Ausbildung mit allgemeiner Eingriffsbefugnis verwechseln. Besser: konkrete Sachkunde, Aufsicht, Anordnung und Freigaben einzeln prüfen.
Interaktive Aufgaben
Quiz: Prüfe dein Wissen
Was ist das erste Ziel vor einer Pilotierung? (Die entscheidungsrelevante Informationslücke benennen) (!Sofort neue Tiere einplanen) (!Nur einen p-Wert berechnen) (!Die Stop-Regel nachträglich festlegen)
Was bedeutet Reduction fachlich? (Unnötige Tierverwendungen bei belastbarer Erkenntnis vermeiden) (!Immer die kleinste denkbare Gruppe wählen) (!Jede Wiederholung verbieten) (!Die Dokumentation verkürzen)
Welche Aussage zu Pilotdaten ist richtig? (Effektschätzungen können stark unsicher sein) (!Sie beweisen immer die Hauptwirkung) (!Sie ersetzen jede Fallzahlplanung) (!Sie sind automatisch unabhängig)
Was ist bei vier Sensoren mit je 25 Messungen wichtig? (Die vier Sensoren sind nicht automatisch hundert unabhängige Einheiten) (!Hundert Werte bedeuten hundert unabhängige Sensoren) (!Die Messhierarchie ist irrelevant) (!Alle Werte müssen gelöscht werden)
Wozu dient Randomisierung? (Sie kann systematische Zuteilungsverzerrungen verringern) (!Sie ersetzt die Genehmigung) (!Sie garantiert große Effekte) (!Sie macht Verblindung unnötig)
Was zeigt Fall D mit 37 von 40 Dateien? (Das vorab festgelegte Kriterium ist verfehlt) (!Die Schwelle wurde erreicht) (!Eine Tierstudie ist genehmigt) (!Fehlende Zeitstempel sind immer unwichtig)
Was gilt für ARRIVE Study Plan? (Es ist ein freiwilliges Planungsinstrument und keine Genehmigung) (!Es ist ein deutsches Gesetz) (!Es erteilt Versuchsbefugnisse) (!Es ersetzt die örtliche SOP)
Was regelt § 8a TierSchG unter anderem? (Ein vereinfachtes Genehmigungsverfahren unter Voraussetzungen) (!Pauschal nur ein Anzeigeverfahren) (!Eine allgemeine Ausbildungsbefugnis) (!Eine automatische Erlaubnis ohne Prüfung)
Wie gehst du mit ungeklärter Freigabe um? (Nicht eigenmächtig handeln und zuständige Personen einbeziehen) (!Auf Wunsch sofort beginnen) (!Die fehlende Genehmigung ignorieren) (!Eine SOP als Ersatzgenehmigung schreiben)
Was gehört in die Entscheidungsnotiz? (Informationsgewinn Unsicherheit Alternativen und Zuständigkeiten) (!Nur der günstigste Pilotwert) (!Nur ein Diagramm ohne Herkunft) (!Nur die geplante Tierzahl)
Memory
| Pilotfrage | Klärt eine vorläufige Informationslücke |
| Versuchseinheit | Kleinste unabhängig zugeteilte Einheit |
| Verblindung | Verbirgt gruppenbezogene Information vor Beurteilenden |
| Stop-Kriterium | Vorab definierte Grenze für das Nichtfortsetzen |
| Reanalyse | Erneute Auswertung vorhandener Daten |
| SOP | Betriebliche Standardarbeitsanweisung |
Drag and Drop
| Ordne die Begriffe der passenden Erklärung zu. | Fachlicher Zusammenhang |
|---|---|
| Informationslücke | Vorab benannte offene Entscheidungsfrage |
| Datenherkunft | Nachvollziehbarer Ursprung der Beobachtungen |
| Unsicherheit | Begrenzte Präzision und offene Annahmen |
| Alternative | Möglichkeit ohne zusätzliche Tierverwendung |
| Freigabeprüfung | Abgleich mit Zuständigkeit und geltendem Rahmen |
Kreuzworträtsel
| Pilotstudie | Voruntersuchung zur Klärung offener Fragen |
| Streuung | Unterschiedlichkeit beobachteter Werte |
| Median | Mittlerer Wert einer sortierten Reihe |
| Verblindung | Verbergen der Gruppenzugehörigkeit bei Beurteilung |
| Replikation | Wissenschaftliche Wiederholung zur Befundprüfung |
| Machbarkeit | Praktische Umsetzbarkeit eines Vorhabens |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Datenqualität: Markiere in Fall D die fehlerhaften und vollständigen fiktiven Dateien und berechne die Quote; Musterlösung: 37/40 = 92,5 Prozent, unter der Schwelle.
- Begriffsnetz: Zeichne ein Begriffsnetz aus Pilotfrage, Informationsgewinn, Unsicherheit und Alternative; Musterlösung: Pfeile zeigen, dass nur entscheidungsrelevante Information eine neue Prüfung rechtfertigt.
- Quellenkritik: Ordne TierSchG, ARRIVE und SOP den Kategorien Gesetz, freiwillige Empfehlung und betriebliche Vorgabe zu; Musterlösung: genau in dieser Reihenfolge.
- Videobeobachtung: Notiere anhand des eingebetteten Videos zwei Formen von Verzerrung; Musterlösung: unausgewogene Zuteilung und nicht verblindete Beurteilung können Ergebnisse verzerren.
Standard
- Pseudoreplikation: Erkläre anhand von Fall C, weshalb 100 Werte nicht 100 unabhängige Einheiten bedeuten; Musterlösung: Messungen sind innerhalb derselben vier Sensoren abhängig.
- Unsicherheit: Formuliere drei Grenzen der Aussagekraft von Fall B; Musterlösung: kleine Gruppen, Streuung und fehlende unabhängige Bestätigung.
- Qualitätsprüfung: Entwirf eine Checkliste für einen rein synthetischen Dateiexport; Musterlösung: Vollständigkeit, Zeitstempel, Version, Protokoll, Stop-Grenze und Gegenprüfung.
- Wiederholungsentscheidung: Schreibe eine begründete Alternative zu einer erneuten Messung in Fall E; Musterlösung: Datenherkunft und Softwareversionen vergleichen, vorhandene Daten neu auswerten.
Schwer
- Entscheidungsnotiz: Verfasse zu Fall D eine einseitige Notiz mit sieben Bausteinen; Musterlösung: keine reale Durchführung, zuerst technische Korrektur und neuer synthetischer Test.
- Sensitivitätsanalyse: Skizziere ohne Tierdaten drei plausible Annahmen zur Messstreuung und beschreibe Folgen für die Planung; Musterlösung: höhere Streuung senkt Präzision und erfordert eine fachlich geprüfte Neuplanung.
- Rollenklärung: Entwirf eine Eskalationsmatrix für Fall F ohne konkrete Eingriffsanleitung; Musterlösung: Auszubildende melden, Studienleitung prüft, Fachstellen und Behörde entscheiden im jeweiligen Zuständigkeitsbereich.
- Prüfaudit: Vergleiche zwei fiktive Pilotberichte hinsichtlich vorab festgelegter Kriterien, Transparenz und Alternativen; Musterlösung: der Bericht mit dokumentierten Kriterien und Unsicherheiten ist nachvollziehbarer, selbst bei negativem Ergebnis.


Lernkontrolle
- Transferaufgabe: Beurteile, wann eine technische Wiederholung einer wissenschaftlichen Replikation vorzuziehen ist; Erwartung: Fehlerursache, Informationsziel und Ersatzoption begründen.
- Designkritik: Identifiziere in Fall C die Versuchseinheit und einen möglichen Analysefehler; Erwartung: vier Sensoren, nicht hundert unabhängige Einheiten.
- Rechtsabgrenzung: Erkläre, weshalb § 8a nicht pauschal ein Anzeigeverfahren ist; Erwartung: Absatz 1 vereinfachte Genehmigung, Absatz 3 gesonderte Anzeige.
- Entscheidungsprüfung: Prüfe Fall D anhand des vorher festgelegten Kriteriums; Erwartung: Stop und technische Verbesserung statt nachträglicher Schwellenverschiebung.
- Rollenreflexion: Erkläre die Grenzen einer Online-Fortbildung und die Rolle von Aufsicht, Sachkunde und Freigaben; Erwartung: keine eigenständige Eingriffsbefugnis.
- Quellenvergleich: Unterscheide Gesetz, Verordnung, ARRIVE, PREPARE und SOP nach Verbindlichkeit und Funktion; Erwartung: differenzierte Einordnung ohne Gleichsetzung.
Lernnachweis
Abgabe: eine Entscheidungsnotiz (ca. eine Seite) zu Fall D oder E mit (a) Frage und Datengrundlage, (b) explizitem Informationsgewinn, (c) quantifizierter oder qualitativ sauber benannter Unsicherheit, (d) vorhandenen Quellen und tierfreien Alternativen, (e) Vermeidung unnötiger Wiederholungen, (f) vorab definierten Stop-/Weiter-Kriterien, (g) Zuständigkeiten und Freigabevorbehalt. Ergänze eine kurze Quellenliste und markiere alle Daten als synthetisch.
Bewertungsraster: Fragestellung und Quellenlage 20 Prozent; Unsicherheit und methodische Grenzen 20 Prozent; Reduction und Alternativen 25 Prozent; Entscheidungslogik und Stop-Kriterien 20 Prozent; Rollen, Recht und Dokumentationsqualität 15 Prozent. Eine unkritische Freigabe trotz ungeklärter Voraussetzungen erfüllt den Nachweis nicht.
Begründete Musterlösung: Bei Fall D ist der dokumentierte Qualitätswert 92,5 Prozent statt geforderter 97,5 Prozent. Die Unsicherheit betrifft unter anderem eine einzige Testserie und unbekannte Fehlerursachen. Eine technische Wiederholung mit vollständig synthetischen Dateien nach Korrektur der Pipeline bietet Informationsgewinn ohne Tierverwendung. Bis zur erneuten Prüfung ist keine reale Datenerhebung zu empfehlen. Fachlich zuständige Stellen prüfen Design und Freigaben; der Kurs selbst verleiht keine Berechtigung.
OER und Wikipedia
Fachliche Quellen, geprüft und abgerufen am 09.11.2026:
- NC3Rs Experimental Design Assistant – Design, Randomisierung, Verblindung und Fallzahl.
- ARRIVE Study Plan – strukturierte Studienplanung, freiwilliges Instrument.
- PREPARE – Planung und Qualitätssicherung.
- TierSchG § 7 und § 8 sowie § 8a – deutsche Primärquellen.
- TierSchVersV – Verordnung, zuletzt geändert 10.10.2025.
- Richtlinie 2010/63/EU und Delegierte Richtlinie (EU) 2024/1262 – EU-Primärrecht; Änderungen ab 04.12.2026 gesondert beachten.
- Bundesinstitut für Berufsbildung und Kultusministerkonferenz – Ausbildungsordnung und Rahmenlehrplan/Lernfelder in jeweils geltender Fassung bei Bedarf abgleichen.
Mediennachweise:
- Standard Normal Distribution-en.svg – Urheber: Д.Ильин, nach D Wells; CC0 1.0; Alt-Text: Normalverteilung mit markierten Streubereichen.
- Boxplot01.svg – Urheber: Yomomo; CC BY-SA 4.0; Alt-Text: mehrere schematische Boxplots mit Quartilen und Median.
- Experiment Randomisation & Blindness – Shady Attia, veröffentlicht 19.04.2022; externe Videoressource, Rechte beim jeweiligen Anbieter.
OER-Hinweis: Medien erläutern allgemeine Statistik und Design, nicht tatsächliche Tierbefunde. Ein Wikipedia-Überblick zum 3R-Prinzip ergänzt, ersetzt aber keine Rechtsquelle.
Verknüpfte Lernbereiche
aiMOOC Projekte
Schulfach+


aiMOOCs


aiMOOC Projekte


MOOCwiki · Deutsch
Nach dem Lernen ist vor dem Lernen
Entdecke direkt den nächsten Lernkurs. Weitere Inhalte erscheinen, wenn Du weiter nach unten scrollst.
Zur MOOCwiki-HauptseiteMediathek
Mediathek wird aus dem Wiki geladen ...
Keine passenden Inhalte gefunden. Bitte ändere Suche oder Filter.
NEWSLernweltNOAH fragenInhalt melden · Hinweise zu Fehlern, Quellen, Medienrechten oder Dubletten
