Eine häufig verwendete Definition von Data Literacy ist „Fähigkeiten, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden.“ (Ridsdale et al., 2015).

Unter dem Begriff werden unterschiedliche Kompetenzen für den Umgang mit und die Nutzung von Daten verstanden, wobei oftmals der planvolle Umgang mit Daten entlang des gesamten datenverarbeitenden Prozesses gemeint ist. Data Literacy meint explizit nicht nur Methoden, die beispielsweise in einem klassischen Statistikkurs vermittelt werden, sondern verbindet diese mit fachspezifischen Anwendungen und gesellschaftlichen Aspekten wie Datenethik und -Recht.

• Erklärvideo “Data Literacy“

• Future Skills: Ein Framework für Data Literacy

Gründe für die stärkere Vermittlung von Data Literacy sind die Vorbereitung von Studierenden auf berufliche Anforderungen, aber auch die Stärkung von Selbstbestimmung in Bezug auf Daten und die Stärkung der gesellschaftlichen Teilhabe, wie in der Data-Literacy-Charta formuliert. Viele Teilaspekte, die unter Data Literacy zusammengefasst werden, überschneiden sich mit etablierteren Konzepten wie Medien- und Informationskompetenz, digitalen Kompetenzen sowie der „klassischen“ Vermittlung von quantitativen Methoden bzw. Statistik. Manche (Teil-)Aspekte sind also keineswegs neu. Mit der zunehmenden Bedeutung von Daten wird jedoch auch der kompetente Umgang damit immer wichtiger.

In jeder Fachdisziplin wird die Frage, welche (Daten-)Kompetenzen die eigenen Studierenden benötigen, anders beantwortet. Einige Perspektiven aus der Freien Universität wurden hier gesammelt:

• Videointerviews an der FU „Data Literacy Perspektiven“

Zentraler Bestandteil von Data Literacy ist die kritische Auseinandersetzung damit, welche Rolle Daten in unserer Welt haben (und welche sie haben sollten).

• Online-Kurs „Daten- und Algorithmenethik“
• Online-Buch „Data Feminism“

Der kompetente Umgang mit eigenen Daten ist nicht nur für Hochschulabsolventen und -absolventinnen relevant, sondern kann mit fortschreitender Digitalisierung als Teil der Allgemeinbildung angesehen werden. Die Lehrkräftebildung spielt daher in Bezug auf Data Literacy eine besondere Rolle.

• Blogbeitrag „Warum Datenkompetenz bereits in der Schule wichtig ist“
• Digi4all: Kompetenzen für das Unterrichten in einer digitalen Welt

Mithilfe von digitalen Tools können Studierende zur aktiven Auseinandersetzung mit den technisch-methodischen Aspekten von Data Literacy motiviert werden. Sog. Shiny Apps können statistische Konzepte oder Analysemethoden spielerisch veranschaulichen und erfahrbar machen. Jupyter Notebooks ermöglichen die kombinierte Darstellung von Text, Bildern und veränderbarem Code, wodurch beispielsweise interaktive Aufgaben erstellt werden können.

• Übersicht „Shiny Apps for Education“
• Online-Buch „Teaching and Learning with Jupyter“

Einige Beispiele aus der Freien Universität sollen aufzeigen, wie die Vermittlung von Data Literacy (auch in Online-Semestern) in der Praxis aussehen kann:

• Der Kurs „Lies, Damned Lies and Statistics“ (Dr. Christoph Nguyen) behandelt Grundlagen der (politikwissenschaftlichen) Daten- und Medienkompetenz sowie deren didaktischer Vermittlung. Vorab bereitgestellte Lehrvideos und Lektüre werden in synchronen Online-Seminaren diskutiert. Fallstudien und seminarbegleitende Übungsaufgaben verdeutlichen den Alltagsbezug.
• Im Wahlpflichtmodul „Digital Vetinary Medicine“ (Prof. Vitaly Belik) lernen Studierende ohne vorherige Programmierkenntnisse, was KI, Machine Learning und Neuronale Netze für die Veterinärmedizin bedeuten. Der Kurs besteht aus einer Vortragsreihe von Experten und praktischen Übungen mit Jupyter und RStudio.
• Der Kurs „Dialogische Regierungskommunikation“ (Johanna zum Felde) vereint einen klassischen Lektürekurs mit einem Praxisprojekt. Studierende erhalten durch Jupyter Notebooks einen Einblick in die Analyse von Textdaten und arbeiten in Gruppen an einem echten Datensatz.
• In der Betriebswirtschaftslehre (Prof. Bastian Amberg / Prof. Hannes Rothe) kommen Online-Lerneinheiten basierend auf Jupyter Notebooks zum Einsatz. Studierenden lernen mithilfe von Videos, Texten und Übungsaufgaben Grundlagen der Programmierung mit Python und die Rolle von Daten in modernen Unternehmen kennen.

Anwendungstipps

Wissen aufbauen oder auffrischen: Nur wer sich selbst als kompetent erlebt, kann Inhalte auch gut vermitteln. Online gibt es sowohl fachspezifische als auch interdisziplinäre Angebote z. B. von OpenHPI, KI-Campus oder Software Carpentry. Das CeDiS plant für das Wintersemester 2021/22 eine Fortbildungsreihe für FU-Angehörige zum Thema „Textuelle Daten explorieren, analysieren & visualisieren“ (Termine folgen im August).

Anwendungsbezug herstellen: Daten umgeben uns jeden Tag. Die Verwendung von Fallbeispielen (z. B. Gewissensbits, Unstatistik des Monats) und echten Datensätzen macht das sichtbar und kann dabei helfen, das Interesse von Studierenden zu erhöhen.

In Bestehendes integrieren: Es muss nicht gleich eine aufwändige Neu-Konzeption sein. Kleine Modifikationen in bestehenden Veranstaltungen können Studierende sensibilisieren, beispielsweise indem in Einführungsvorlesungen neue Forschungsmöglichkeiten aufgezeigt oder in Seminaren behandelte Datenvisualisierungen kritisch hinterfragt werden.

Beratung und Unterstützung

Sie wünschen sich Beratung zur Vermittlung von Data Literacy? Melden Sie sich gerne!

Kontakt: dataliteracy@cedis.fu-berlin.de