Für unseren Ansatz erweist sich eine Kombination des skalierbaren Reifegradmodells des FAIR Data Maturity Models (vgl. Kapitel 7.4) mit den Content und Metadata Tiers der Europeana (vgl. Kapitel 7.2) als besonders geeignet.
Mit seinen Bewertungsindikatoren, Prioritäten und Bewertungsmethoden erläutert das FAIR Data Maturity Model anschaulich, wie FAIR graduell umgesetzt werden kann, und ermöglicht damit das Herunterbrechen der recht allgemeinen FAIR-Prinzipien auf das Datenmanagement der NFDI4Culture-Datenangebote. Das Europeana Publishing Framework erscheint uns vor allem deshalb relevant, weil es sich an Datenanbieter und Nutzende wendet, die zu einem wesentlichen Teil auch unseren Communities zuzurechnen sind. Wie viele Datenangebote von NFDI4Culture hat es digitale Repräsentationen von Kulturgütern und die zugehörigen Metadaten zum Gegenstand. Außerdem definiert es für die höheren Metadata Tiers fachliche Kernkriterien, die gleichzeitig für die übergreifende Konsistenz und Interoperabilität der Angebote entscheidend sind. Das Eingangslevel ist niedrig, es gibt aber eine klare, übersichtliche und für alle anschlussfähige Roadmap hin zu mehr Datenqualität, die eigene Schwerpunktsetzungen erlaubt.
In der bevorstehenden zweiten Projektphase werden spezifische Dienste entwickelt, die nicht nur ein Monitoring der Datenqualität ermöglichen, sondern Datenanbietern auch Methoden und Werkzeuge an die Hand geben, um ihre Daten Schritt für Schritt zu verbessern. Datenqualität wird also an zwei Stellen verfolgt:
Die Betreiber von Portalen und Repositorien sollen durch einen Feedback-Workflow darin unterstützt werden, ihre Daten gemäß den Qualitätszielen von NFDI4Culture einordnen und kuratieren zu können. Sind die Datenbestände einmal in den Culture Knowledge Graph integriert, so kann dieser neben der Zuordnung von Defined Terms und einem eigens entwickelten Fragebogen für die Anbieter (vgl. Kapitel 8.3.3) als Werkzeug für die Qualitätsanalyse genutzt werden.