Nicht jeder Datensatz ohne Namen ist anonym
In diesem Beitrag
Namen gelöscht, E-Mail-Adressen entfernt, eine ID-Spalte hinzugefügt: Fertig. Viele Studierende gehen genau diesen Weg und sind überzeugt, ihr Datensatz sei damit anonym. Dieser Irrtum ist weit verbreitet und methodisch folgenreich.
Der Unterschied zwischen einem pseudonymisierten und einem echten anonymen Datensatz ist kein juristisches Detail am Rand der Arbeit. Er entscheidet darüber, ob Sie bei Weitergabe, Abgabe oder Rückfragen methodisch auf sicherem Boden stehen.
Der typische Denkfehler in empirischen Abschlussarbeiten
Stellen Sie sich folgende Situation vor: Sie haben Ihren SPSS- oder Excel-Datensatz aufbereitet. Spalte A enthielt die Namen der Teilnehmenden. Sie haben sie gelöscht und durch fortlaufende Nummern ersetzt. Spalte B enthielt E-Mail-Adressen. Ebenfalls weg. Was bleibt, sieht neutral aus.
Aber ist es das auch?
Der Datensatz kann weiterhin eine Spalte mit Alter, eine mit Geschlecht, eine mit Studienfach, eine mit Fachsemester und offene Freitextfelder enthalten, in denen Teilnehmende über ihre Erkrankung, ihren Arbeitgeber oder ihre persönliche Situation geschrieben haben. In einer Stichprobe von 40 Personen aus einem bestimmten Studiengang an einer bestimmten Hochschule kann die Kombination dieser Merkmale ausreichen, um einzelne Personen wiedererkennbar zu machen. Auch ohne Namen.
Warum das kein Einzelfall ist
Das ist kein Ausnahmefall. Es ist die Regel in Bachelor- und Masterarbeiten, die mit kleinen Stichproben, spezifischen Zielgruppen und sensiblen Themen arbeiten. Und es ist genau das, was aktuelle europäische Datenschutzleitlinien in den Blick nehmen.
Der Europäische Datenschutzausschuss (EDPB) hat im April 2026 spezifische Leitlinien für die Verarbeitung personenbezogener Daten in der wissenschaftlichen Forschung veröffentlicht. Darin wird klargestellt: Anonymisierte oder pseudonymisierte Daten sollen genutzt werden, wenn der Forschungszweck damit erreichbar ist. Direkt identifizierende Daten sind nur dann vertretbar, wenn sie strikt notwendig und verhältnismäßig für den Forschungszweck sind. Die Entscheidung darüber gehört nicht ans Ende der Arbeit, sondern in die Forschungsplanung.
Pseudonymisierung ist nicht Anonymisierung
Hier liegt der eigentliche Kern des Problems. Wer Namen durch IDs ersetzt, hat pseudonymisiert. Das ist besser als nichts. Aber es ist nicht dasselbe wie Anonymisierung.
Der EDPB hat das in seinen Leitlinien zur Pseudonymisierung klar herausgearbeitet: Pseudonymisierte Daten bleiben personenbezogene Daten, solange eine Zuordnung zu natürlichen Personen über Zusatzinformationen möglich ist. Und diese Zusatzinformation muss nicht einmal bei Ihnen liegen. Sie kann in einer Schlüsseldatei auf Ihrem Laptop stehen, bei Ihrer Betreuungsperson bekannt sein oder sich aus dem öffentlichen Umfeld der Stichprobe rekonstruieren lassen.
Was pseudonymisierte Daten noch können und was nicht
Identifizierbarkeit als Spektrum
Quelle: eigene Darstellung in Anlehnung an ICO Anonymisation Guidance (2025) und EDPB Guidelines 01/2025 on Pseudonymisation.
Pseudonymisierte Daten haben einen echten Nutzen: Sie erlauben es, Datensätze derselben Person zusammenzuführen, Längsschnittdaten auszuwerten und Verknüpfungen herzustellen, ohne den Klarnamen preiszugeben. Das ist methodisch wertvoll. Aber sie bleiben im Anwendungsbereich des Datenschutzrechts, solange eine Rückführung nicht ausgeschlossen ist.
Echte Anonymisierung liegt erst vor, wenn das Risiko einer Re-Identifizierung auf ein hinreichend fernes Niveau reduziert wurde. Nicht auf null, aber auf ein Niveau, bei dem eine Zuordnung im konkreten Kontext nicht realistisch möglich ist. Das ist ein höheres Ziel als viele vermuten.
Wo das Risiko in studentischen Datensätzen wirklich lauert
Das ICO beschreibt Identifizierbarkeit als Spektrum, nicht als binäre Entscheidung. Und es erinnert daran, dass Re-Identifizierung nicht nur über Namen erfolgt. Freitextantworten, Interviewpassagen, Audio- und Videoaufnahmen sowie seltene Merkmalskombinationen können genauso kritisch sein.
Typische Risikofaktoren in Abschlussarbeiten
| Faktor | Warum riskant |
|---|---|
| Kleine Stichproben (n < 50) | Seltene Merkmalskombinationen machen Einzelpersonen erkennbar |
| Sensible Variablen (Diagnose, Psyche, Biografie) | Auch ohne Namen kann das Profil eindeutig zugeordnet werden |
| Freitextfelder und offene Fragen | Teilnehmende nennen Namen, Orte, Institutionen oder spezifische Ereignisse |
| Interviewtranskripte | Sprachliche Eigenheiten, Kontextangaben und Details erlauben Rückschlüsse |
| Schlüsseldatei noch vorhanden | Re-Identifizierung über externen Abgleich bleibt technisch möglich |
| Weitergabe an Dritte | Empfänger mit Zusatzwissen (z.B. Betreuende, Institutionen) können identifizieren |
Das ICO schlägt für die Bewertung einen sogenannten motivated intruder test vor: Würde jemand mit realistischem Aufwand und Zusatzwissen aus dem relevanten Umfeld eine Person in Ihrem Datensatz identifizieren können? Nicht ein theoretisch allwissender Angreifer, aber auch nicht niemand. Sondern eine Person, die Kontext hat und gezielt sucht.
Sobald Sie Ihre Daten weitergeben, an Betreuende, externe Statistikberatung, Transkriptionsdienste oder Forschungspartner, verändert sich der Re-Identifizierungskontext. Eine Person, die das Umfeld Ihrer Stichprobe kennt, hat andere Möglichkeiten als jemand ohne jeglichen Bezug. Das ist bei der Bewertung Ihres Datensatzes zu berücksichtigen.
Datenschutz als methodische Qualität, nicht als Formalismus
Hier liegt der eigentliche Wendepunkt: Datenschutz in empirischen Abschlussarbeiten ist kein juristischer Anhang, den Sie am Ende noch schnell abarbeiten. Er ist ein methodischer Qualitätsaspekt der Datenaufbereitung.
Die EDPB-Leitlinie für wissenschaftliche Forschung macht das explizit: Die Entscheidung, ob anonymisierte, pseudonymisierte oder direkt identifizierbare Daten erforderlich sind, gehört in die Forschungsplanung, in den Datenbankaufbau, in die Risikoanalyse. Nicht ans Ende, wenn die Analyse schon läuft.
Was das für Ihre Arbeit bedeutet
In der Praxis bedeutet das: Sie sollten nicht nur fragen, ob Sie die Namen entfernt haben. Sie sollten begründen können, welche Datenform für Ihren Forschungszweck wirklich notwendig war und welche Re-Identifizierungsrisiken im konkreten Kontext verbleiben.
Das klingt zunächst aufwändig, ist in der Praxis aber oft mit wenigen gezielten Schritten erreichbar. Und es stärkt Ihre Arbeit: Eine gut dokumentierte Datenaufbereitung ist gegenüber Betreuenden, Gutachtenden und Ethikkommissionen deutlich belastbarer als ein Datensatz, bei dem einfach die Namensspalte gelöscht wurde.
Ein anonymer Datensatz ist nicht der Datensatz, in dem keine Namen stehen. Es ist der Datensatz, bei dem Re-Identifizierung im konkreten Kontext hinreichend ausgeschlossen oder zumindest auf ein sehr fernes Risiko reduziert wurde.
Was Sie konkret tun können, bevor Sie Daten abgeben oder weitergeben
Die gute Nachricht: Für viele empirische Abschlussarbeiten sind die notwendigen Schritte überschaubar. Es geht nicht darum, perfekte Anonymität herzustellen, sondern darum, das Risiko methodisch nachvollziehbar zu reduzieren und die Entscheidungen zu dokumentieren.
Checkliste: Datensatz vor Abgabe oder Weitergabe prüfen
- Direkte Identifier entfernt (Name, E-Mail, Matrikelnummer, Telefon)?
- Schlüsseldatei getrennt gespeichert und nur bei echter Notwendigkeit aufbewahrt?
- Freitextfelder auf Namen, Orte, Institutionen und spezifische Ereignisse durchgesehen?
- Interviewtranskripte auf identifizierende Details geprüft und bereinigt?
- Sensible Variablen auf Notwendigkeit geprüft und gegebenenfalls aggregiert?
- Seltene Merkmalskombinationen identifiziert (z.B. einzige Person mit bestimmtem Profil)?
- Nur Daten weitergegeben, die der Empfänger für seinen Zweck wirklich benötigt?
- Datenbereinigung und Entscheidungslogik dokumentiert?
Datenminimierung als Ausgangspunkt
Ein einfaches, aber wirksames Prinzip: Erheben und behalten Sie nur, was Sie wirklich brauchen. Wer für eine Studie zu Lernstrategien keine Wohnadresse benötigt, sollte sie nicht erfassen. Wer für die Auswertung kein genaues Geburtsdatum braucht, kann mit Alterskategorien arbeiten.
Datenminimierung ist keine Einschränkung Ihrer Forschung. Sie ist eine methodische Entscheidung, die Ihre Arbeit robuster macht und das Re-Identifizierungsrisiko von vornherein reduziert.
Wo QuantExpert unterstützen kann
Bei QuantExpert begleiten wir empirische Abschlussarbeiten nicht nur bei der statistischen Auswertung, sondern auch bei der Datenaufbereitung: Variablencodierung, Freitextbereinigung, Aggregierung sensibler Merkmale, sichere Übergabe und nachvollziehbare Dokumentation der Datenbereinigungsschritte. Gerade wenn Sie unsicher sind, ob Ihr Datensatz wirklich anonym ist oder nur pseudonymisiert, lohnt sich ein kurzer methodischer Blick darauf, bevor Sie weitermachen.
Fragen Sie sich vor jeder Weitergabe: Könnte jemand mit realistischem Zusatzwissen aus dem Umfeld meiner Studie anhand dieses Datensatzes erkennen, wer eine bestimmte Person ist? Wenn Sie diese Frage nicht klar mit Nein beantworten können, lohnt es sich, noch einmal genauer hinzusehen.
Pseudonymisierung schützt besser als unbearbeitete Rohdaten. Aber sie ist noch keine Anonymisierung. Und dieser Unterschied ist in empirischen Abschlussarbeiten methodisch zu begründen, nicht zu übergehen.
Datenaufbereitung
Abschlussarbeit
Anonymisierung
Pseudonymisierung
Empirische Methoden
