Datenfälschung und Datenmanipulation 2026: Fabrication, Falsification und wie du sauber dokumentierst

Datenfälschung in der Wissenschaft ist kein Kavaliersdelikt — es ist das gravierendste Fehlverhalten, das ein Forscher oder eine Forscherin begehen kann. Wer Messwerte erfindet, Versuchsergebnisse nachträglich verändert oder Bildmaterial manipuliert, unterläuft nicht nur Hochschulregeln, sondern beschädigt das kollektive Vertrauen in wissenschaftliche Erkenntnisse. Das Erschreckende dabei: Viele Formen der Datenmanipulation entstehen nicht aus krimineller Absicht, sondern aus dem Druck, ein „schönes“ Ergebnis vorweisen zu wollen. Dieser Artikel erklärt die genauen Begriffe, zeigt Warnzeichen auf und gibt dir konkrete Werkzeuge an die Hand, um deine eigene Arbeit sauber zu dokumentieren.

Für Studierende, die gerade ihre Abschlussarbeit schreiben, ist das Thema besonders relevant: Die Grundsätze der Deutschen Forschungsgemeinschaft (DFG-Kodex Leitlinien zur Sicherung guter wissenschaftlicher Praxis) gelten auch für Bachelor- und Masterarbeiten, sobald du unter einer Institution arbeitest. Wer die Begriffe kennt, schützt sich selbst vor unbewussten Grenzüberschreitungen.

Was ist Fabrikation (Fabrication)?

Fabrikation bezeichnet das vollständige Erfinden von Forschungsdaten. Dabei werden Messungen, Versuchsergebnisse, Interviews oder Beobachtungen aufgezeichnet, die in der Realität nie stattgefunden haben. Ein klassisches Beispiel: Eine Forscherin gibt in ihrer Studie an, 120 Probanden befragt zu haben, hat aber nur 40 tatsächlich erreicht — die übrigen 80 Datensätze sind frei erfunden.

Fabrikation kommt seltener vor als Falsifikation, ist aber noch folgenreicher, weil sie keinerlei reale Grundlage hat. Auch das Erfinden einzelner Kontrollmessungen, von Literaturstellen in einer Bibliographie oder von Zitaten („Zitatfälschung“) fällt in diese Kategorie. Wichtig: Selbst wenn die fabrizierten Daten zufällig der Realität entsprächen, bleibt die Handlung ein schwerer Verstoß — entscheidend ist der fehlende Erhebungsprozess, nicht die Plausibilität des Ergebnisses.

Was ist Datenfälschung (Falsification)?

Falsifikation setzt voraus, dass reale Daten tatsächlich erhoben wurden — sie werden jedoch nachträglich manipuliert, um das Ergebnis in eine bestimmte Richtung zu lenken. Die Bandbreite ist groß:

• Statistische Manipulation: Ausreißer werden selektiv entfernt, bis ein signifikantes Ergebnis entsteht; Stichprobengröße wird nachträglich angepasst.
• Bildmanipulation: Western-Blot-Bänder in Biomedizin werden kopiert, Kontrast oder Helligkeit so verändert, dass ein stärkeres Signal vorgespiegelt wird. Rasterpunktmuster bei Mikroskopieaufnahmen werden retuschiert.
• Selektives Berichten: Von zehn Messzeitpunkten werden nur die drei berichtet, die die Hypothese stützen.
• HARKing (Hypothesizing After Results are Known): Eine Post-hoc-Beobachtung wird nachträglich als a-priori-Hypothese formuliert — eine subtile, aber weitverbreitete Form der Falsifikation.

Die Grenze zwischen Falsifikation und schlechter Forschungspraxis ist fließend, was den Umgang damit besonders schwierig macht. Entscheidend ist die Absicht, die Gemeinschaft über den tatsächlichen Befund zu täuschen.

Abgrenzung zum Plagiat

Plagiat, Fabrication und Falsification werden oft in einem Atemzug genannt (das sogenannte FFP-Trias: Fabrication, Falsification, Plagiarism), sind aber grundverschiedene Vergehen. Plagiat bedeutet, fremde geistige Leistungen — Texte, Ideen, Formulierungen — als eigene auszugeben, ohne die Quelle zu nennen. Das Ausgangsmaterial existiert also real; nur die Zuschreibung fehlt.

Datenfälschung und -fabrikation betreffen dagegen die empirische Substanz der Wissenschaft selbst: die Ergebnisse, auf denen neue Erkenntnisse aufgebaut werden. Während ein Plagiat „nur“ das Urheberrecht verletzt, untergräbt Datenfälschung die gesamte Wissenskette — alle Folgestudien, klinischen Entscheidungen oder Technikentwicklungen, die auf falschen Daten beruhen, sind damit kompromittiert. Das erklärt, warum die Konsequenzen bei FFP schwerer wiegen als beim Plagiat.

Auch das Selbstplagiat — das undeklarierte Wiederverwenden eigener früherer Texte — ist davon zu trennen. Es verletzt Redlichkeitspflichten, nicht aber die empirische Integrität.

Warum gilt es als schwerstes Fehlverhalten?

Der DFG-Kodex zur guten wissenschaftlichen Praxis listet wissenschaftliches Fehlverhalten in einer impliziten Schwereordnung. Datenfabrikation und -fälschung stehen ganz oben, weil sie drei Kernprinzipien der Wissenschaft gleichzeitig verletzen:

1. Prinzip der Nachprüfbarkeit: Wissenschaft lebt davon, dass andere Forschende dieselben Experimente wiederholen und überprüfen können. Erfundene Daten machen diesen Prozess sinnlos.
2. Kumulativität des Wissens: Jede neue Studie baut auf vorherigen auf. Wenn ein Fundament gefälscht ist, kollabiert der darauf errichtete Wissensbau — manchmal erst nach Jahrzehnten.
3. Vertrauensgrundlage der Gesellschaft: Besonders in biomedizinischen, pharmakologischen oder ingenieurwissenschaftlichen Feldern können gefälschte Daten direkte Schäden für Patientinnen und Patienten verursachen.

Hinzu kommt die Schadensausdehnung: Gefälschte Studienergebnisse werden zitiert, repliziert versucht und fließen in Meta-Analysen ein. Die Rückholung einer Publikation (Retraction) hinterlässt in der Literatur Spuren, die sich kaum vollständig tilgen lassen.

Warnzeichen erkennen: p-Hacking, Bildmanipulation, selektive Daten

Als Leserin oder Leser einer Studie — aber auch als Forschende, die eigene Impulse reflektieren — helfen konkrete Warnzeichen dabei, problematische Praktiken zu identifizieren.

p-Hacking

P-Hacking (auch „Researcher Degrees of Freedom“) bezeichnet das explorative Testen zahlreicher Analysevarianten — verschiedene Ausreißerdefinitionen, Kovariaten, Zeitfenster — bis ein Ergebnis mit p < .05 erscheint. Dieses wird dann so berichtet, als wäre es die einzig durchgeführte Analyse. Warnzeichen in Publikationen: ein einzelner, „genau knapper“ Signifikanzwert ohne Sensitivitätsanalyse; keine Angabe des ursprünglichen Analyseplans; ungewöhnlich viele signifikante Einzelergebnisse im Vergleich zum theoretisch Erwartbaren.

Bildmanipulation

In Naturwissenschaften ist Bildmanipulation ein wachsendes Problem. Stichprobenartige Überprüfungen legen nahe, dass ein nennenswerter Anteil publizierter Blots in biomedizinischen Journals Auffälligkeiten aufweist. Konkrete Warnsignale: Unnatürlich scharfe Kanten zwischen Bildbereichen; Pixelmuster, die sich identisch in verschiedenen Panels wiederholen; Helligkeits- oder Kontrastverläufe, die physikalisch nicht zum abgebildeten Instrument passen. Tools wie ImageJ oder die Forensikfunktionen von Adobe ermöglichen die Analyse.

Selektive Berichterstattung und HARKing

Hinweise auf selektives Berichten: Outcomes, die im Abstract erwähnt werden, fehlen im Ergebnisteil; Stichprobengröße weicht von Registrierungsunterlagen ab; Studien in klinischen Registern weisen andere primäre Endpunkte aus als die späteren Publikationen. Bei Qualifikationsarbeiten äußert sich das Problem oft subtil: Eine Hypothese, die nach der Datenauswertung formuliert wurde, wird im Text so formuliert, als sei sie vorab gestellt worden.

Sauber dokumentieren: Rohdaten, Laborbuch, Versionierung, Präregistrierung

Die beste Prävention gegen unbeabsichtigte und beabsichtigte Datenmanipulation ist ein transparenter Dokumentationsprozess, der von Anfang an lückenlos ist. Hier sind die vier tragenden Säulen:

1. Rohdaten unverändert aufbewahren

Rohdaten — also Messwerte, Transkripte, Fragebogenantworten — dürfen niemals überschrieben werden. Führe für jede Analysestufe eine separate Datei: daten_roh.xlsx, daten_bereinigt_v1.xlsx, daten_analyse_final.xlsx. Notiere in einer separaten Readme-Datei, welche Bereinigungsschritte mit welcher Begründung vorgenommen wurden. Der DFG-Kodex schreibt vor, Primärdaten mindestens zehn Jahre aufzubewahren.

2. Laborbuch oder Forschungstagebuch führen

Ob physisch oder digital (Notion, OneNote, GitLab-Issues): Jeder Schritt im Forschungsprozess — Entscheidungen über Ausschlüsse, Korrekturen an Erhebungsinstrumenten, technische Probleme — wird mit Datum und Uhrzeit festgehalten. Bei Gruppenarbeiten ist erkennbar, wer was wann dokumentiert hat. Ein digitales Labor-/Forschungstagebuch ist außerdem automatisch versioniert.

3. Versionskontrolle für Analyseskripte

Wenn du statistische Auswertungen mit R, Python oder SPSS-Syntax durchführst, verwalte die Skripte in einem Git-Repository. Jeder Commit mit sprechender Commit-Message („Ausreißer nach Protokoll Abschnitt 3.2 entfernt, n=3“) ist ein forensisch nachvollziehbarer Beweis des Analyseprozesses. Kostenlos und für Hochschulprojekte geeignet sind GitHub, GitLab und RWTH Aachens institutionelle GitLab-Instanz.

4. Präregistrierung

Bei empirischen Studien — auch bei Abschlussarbeiten mit eigener Primärdatenerhebung — empfiehlt sich eine Präregistrierung der Forschungsfrage, Hypothesen und des Analyseplan vor der Datenerhebung. Geeignete kostenlose Plattformen sind das Open Science Framework (OSF) und AsPredicted.org. Die Präregistrierung schließt HARKing und p-Hacking strukturell aus: Was vorab festgelegt wurde, kann im Nachhinein nicht mehr umformuliert werden.

Für die Forschungsfrage selbst gilt: Wer sie präzise und falsifizierbar formuliert, legt von Anfang an fest, was ein „negatives Ergebnis“ ausmacht — und erkennt schneller, wenn Daten geändert werden müssten, um die Frage positiv zu beantworten. Mehr dazu in unserem Artikel zur Forschungsfrage formulieren.

Konsequenzen und das DFG-Meldeverfahren

Wissenschaftliches Fehlverhalten wird in Deutschland auf zwei Ebenen geahndet: institutionell (durch die eigene Hochschule oder Forschungseinrichtung) und übergreifend (durch das Ombudsgremium für die wissenschaftliche Integrität in Deutschland sowie die DFG).

Der institutionelle Weg

Jede nach dem DFG-Kodex verpflichtete Hochschule — das sind seit dem 31. Juli 2021 alle DFG-geförderten Institutionen — muss eine lokale Ombudsperson benennen. Diese ist erste Anlaufstelle bei Verdacht auf wissenschaftliches Fehlverhalten. Die Ombudsperson berät vertraulich, vermittelt und kann bei ausreichendem Verdacht den Fall an eine Untersuchungskommission weiterleiten. Sie verhängt selbst keine Strafen; das ist Aufgabe des institutionellen Verfahrens.

Die übergeordnete Ebene: DFG und OWID

Das Ombudsgremium (OWID) ist die übergeordnete Instanz für Personen, die auf institutioneller Ebene keine angemessene Unterstützung erfahren oder deren Institution keine Ombudsperson hat. In DFG-geförderten Projekten können festgestellte Verstöße zum Widerruf von Fördermitteln, Rückzahlungspflichten und temporären Sperren für zukünftige Förderanträge führen.

Konsequenzen bei Abschlussarbeiten

Für Studierende gilt: Nachgewiesene Datenfälschung in Bachelor- oder Masterarbeiten führt in der Regel zur Note „nicht bestanden“ und — bei besonderer Schwere — zur Exmatrikulation. Bereits verliehene Titel können nachträglich entzogen werden; das ist keine Theorie, sondern gelebte Hochschulpraxis in Deutschland. Hinzu kommt, dass die Eigenständigkeitserklärung, die du mit der Arbeit einreichst, ausdrücklich bestätigt, die Daten nach den Regeln guter wissenschaftlicher Praxis erhoben zu haben. Lies dazu auch unseren Artikel zur Eigenständigkeitserklärung der Abschlussarbeit.

Rolle der KI: Warum KI-generierte Ergebnisse keine Daten sind

Sprachmodelle wie ChatGPT oder Tesify-Assistenten können beim Strukturieren, Formulieren und Überarbeiten von Texten helfen — sie können aber unter keinen Umständen empirische Forschungsdaten liefern. Wenn eine KI eine Zahl, einen Interviewausschnitt oder ein Testergebnis produziert, handelt es sich um ein sprachliches Muster, keine Messung. Das Einsetzen solcher „Ergebnisse“ in eine wissenschaftliche Arbeit wäre Fabrikation — unabhängig davon, ob die KI-Ausgabe versehentlich oder absichtlich als Daten behandelt wird.

Ein weiteres Risiko: KI-Modelle halluzinieren Quellenangaben — sie erfinden Autorinnen, Titel, Zeitschriften und Jahrgänge, die nicht existieren. Wer solche Referenzen ungeprüft übernimmt, fügt der Bibliographie fabrizierte Belege hinzu, was wiederum eine Form der Fabrikation darstellt. Prüfe daher jede KI-generierte Quelle einzeln in einer Datenbankrecherche, bevor du sie übernimmst. Welche Kriterien dabei für echte wissenschaftliche Qualität gelten, erklärt der Leitfaden Wissenschaftliche Quellen bewerten: Kriterien und Methoden für die Bachelorarbeit auf tesify.io.

Tesify ist darauf ausgelegt, dich beim Schreiben zu unterstützen, nicht deine Daten zu erzeugen. Die App hilft beim Formulieren von Hypothesen, beim strukturierten Aufbau von Methodik-Kapiteln und beim Paraphrasieren von Quellen — aber sie ersetzt keine eigenständige Datenerhebung und gibt das auch nie vor.

FAQ: Datenfälschung und Datenmanipulation