From Data Literacy to AI Literacy

Workshopleitung

Selina Reinhard, Jeelka Reinhardt, Alexander Schulz

Datum

16.02.2024

Struktur der Veranstaltung

Impulsvortrag mit Diskussion

Einführung in Data Literacy mit Praxisbeispiel

Die steigende Verarbeitung und Nutzung von Daten in der digitalisierten Welt resultieren in einem erhöhten Bedarf an Kompetenzen, welche einen souveränen und sicheren Umgang mit Daten gewährleisten. Dabei sind mit Daten nicht nur kodierte Zahlenketten gemeint, sondern eine weite Reihe an durch Beobachtungen und Messungen gewonnene Werte, Angaben und Befunde, elektronisch gespeicherte Zeichen und Informationen.

In der Vermittlung der für den Umgang mit Daten notwendigen Kompetenzen überschneiden sich unterschiedliche Perspektiven. So stehen gesamtgesellschaftlich gesehen grundsätzliche Bildungsbedarfe den spezialisierten Bedürfnissen in der Arbeitswelt entgegen. Definitionen von Data Literacy betonen vor allem jene Aspekte von Datenkompetenzen, welche den Nutzenden einen planvollen und kritisch-reflektierten Umgang mit Daten ermöglichen.

Da Daten im Allgemeinen durch Kodierungsprozesse generiert werden, erfordert der Umgang mit Daten spezifische Dekodierungskompetenzen wie die Interpretation von Daten und der von ihnen abgeleiteten Ergebnisse und die Identifikation daraus resultierender Schlüsse und Handlungsmöglichkeiten. Data Literacy entwickelt sich demnach entlang der Prozesse des Kodierens und Dekodierens:

Abb. 1: Data Literacy als prozessorientiertes Kompetenzmodell (Folie 7)

Abb. 1: Data Literacy als prozessorientiertes Kompetenzmodell (Folie 7)

Zudem fließen viele unterschiedliche Kompetenzfelder in das Schnittmengenfeld Data Literacy mit ein. Das betrifft grundlegende Kompetenzen wie die Fähigkeit zum kritischen Denken oder ethischen Handeln ebenso wie fortgeschrittene Fähigkeiten wie rechnerisches Können und Reflexionsvermögen bezüglich der Entstehung und Visualisierung (statistischer) Daten (s. Abb 2).

Diese Modelle verdeutlichen die Notwendigkeit der Vermittlung eines möglichst umfassenden Kompetenzspektrums mit einer Mischung aus Wissen, kritischer Reflexion und Anwendung. Als Beispiel wird ein Kurs aus der Lehrpraxis an der Freien Universität Berlin angeführt. Diese Lehrveranstaltung ist im Rahmen der Allgemeinen Berufsvorbereitung für die BA-Studiengänge curricular verankert. In der Lehrveranstaltung zu Data Literacy werden zunächst grundsätzliche Kenntnisse zur Datenverarbeitung vermittelt (grün), um weiters gezielt Kenntnisse entlang des Datenverarbeitungszyklus einzuüben (orange) und zuletzt Anwendungsperspektiven in Studium und Beruf (blau) zu erschließen (s. Abb. 3).

Begriffsdefinitionen künstlicher Intelligenz

Im Zusammenhang mit Künstlicher Intelligenz gibt es viele, sich zum Teil in ihrer Definition überschneidende Begriffe und Konzepte sowie eine sich ständig weiterentwickelnde Reihe an Beispielen. KI-Systeme kommen vielfältig zum Einsatz: in Sprach-Assistenz-Programmen (wie Apple-Siri, Amazon-Alexa), in der Erfassung von Nutzungsgewohnheiten bei Streaming-Plattformen (Netflix, Spotify), in sprachbasierten Textgeneratoren (ChatGPT, Bard, LaMDA), aber auch in alltäglichen Tools wie dem Spamfilter im Emailpostfach.

Alle Arten Künstlicher Intelligenz werden programmiert, um menschenähnliche Denkweisen maschinell zu imitieren. Dies umfasst auch die Befähigung zu lernen. Systeme, welche in Bezug auf Trainingsdaten spezifische Vorhersagen produzieren, bedienen sich der Technik des Machine Learning. Dabei greifen unterschiedliche Prozesse ineinander: So können KI-Systeme sowohl mittels Algorithmen Entscheidungen treffen als auch vorhandenes Wissen zu einer neuronalen Netzstruktur anordnen. Der Teilbereich der Computerlinguistik beschäftigt sich mit der Erschließung menschlicher Sprache durch Natural Language Processing und Natural Language Generation, also der Analyse und der Produktion menschenähnlicher Sprache durch Maschinen. Bei den Trainingsdaten wird zwischen strukturierten und unstrukturierten Daten entschieden. KI-Systeme können unstrukturierte Daten (wie Texte, Bilder oder Videos), welche nicht über ein vordefiniertes Dateiformat verfügen, in strukturierte Daten und klar definierte Formate übersetzen. 

Kompetenzbereiche von AI Literacy

Hinsichtlich der notwendigen Kompetenzen im Bereich Künstlicher Intelligenz stellen sich ähnliche Fragen wie im Bezug auf Data Literacy. Datenkompetenzen können so als Grundlage von KI-Kompetenzen verstanden werden. Dabei zielt die Definition von AI Literacy – ähnlich wie jene zu Data Literacy – auf eine Reihe von Kompetenz(bereich)en ab, welche es den Nutzenden erlauben, KI-Technologien in analytisch-kritischer Weise zu reflektieren und anzuwenden.

Im Vergleich unterschiedlicher Suchbegriffe mittels Google Trends zeigt sich, dass ab der Einführung des LLM ChatGPT die Suchanfrage „AI“ stark angestiegen ist, während im gleichen Zeitraum die Suchanfrage „Data“ nicht stark in der Häufigkeit variiert. Dem gegenüber stieg nach der Einführung von ChatGPT die Suchanfrage „Data Literacy“ deutlich an, während sich die Suchanfrage „AI Literacy“ gleichbleibend auf niedrigem Niveau bewegt. Dies verdeutlicht die Bedeutung und Notwendigkeit grundlegender Datenkompetenzen im Umgang mit KI-Technologie (s. Abb 4).

Ähnlich der Data Literacy richtet sich AI Literacy an unterschiedliche Zielgruppen aller Altersklassen und Bildungsniveaus, mit generellen Angeboten für Schüler*innen in Grundschulen und die Allgemeinbevölkerung und speziellen Schulungsangeboten für spezifische Berufsgruppen und den höheren Bildungsbereich. Dementsprechend gibt es stark variierende Vorschläge zur Gestaltung der Kompetenzdimensionen im Bereich von AI Literacy. Im Vortrag werden hier exemplarisch drei Zugänge angeführt.

Ihnen gemeinsam ist die grobe Strukturierung in Wissen, Reflexion und Praxis. Um KI-Technologien für den eigenen Vorteil zu nutzen, braucht es demnach sowohl die technische Kenntnis als auch die Fähigkeit zur kritischen Reflexion und praktische Anwendungskompetenzen.

Im höheren Bildungsbereich gilt es, diese zentralen Kompetenzbereiche an die spezifischen Zielgruppen in Hochschulen anzupassen. Im Rahmen der BMBF-Initiative zur Förderung der KI in der Hochschulbildung werden Maßnahmen zur Stärkung von KI-Kompetenzen bei Studien- und Qualifizierungsangeboten seit 2021 gefördert.

Diskussion

In der Diskussion wird die Notwendigkeit der curricularen Verankerung von Data Literacy und AI Literacy in Studiengängen an Hochschulen betont. Zusätzlich besteht zurzeit ein erhöhter Bedarf für Fortbildungsprogramme im KI-Bereich vonseiten der Lehrenden. Für die obligatorische Verankerung von Bildungsangeboten im KI-Bereich sollten Erkenntnisse und bestehende Strukturen des Bereichs Data Literacy genutzt werden.

Um die Bildung grundlegender Kompetenzen im Bereich KI Literacy zu gewährleisten, müssen meta-organisatorische Faktoren miteinbezogen werden (z.B. die Einrichtung von Monitoringstellen zur Beobachtung aktueller Entwicklungen). Auch die Erhebung individueller und fachspezifischer Bedarfe sowie die Pilotierung von Einsatzszenarien müssen in die Gestaltung der Bildungsangebote mit einbezogen werden.

Aus der Praxis der Lehrberatung wird berichtet, dass es selten ethische Fragen zu KI gibt, obwohl gerade in der Behandlung forschungsethischer Fragen im Umgang mit Daten ein großer Bedarf besteht. Vor dem Hintergrund der technischen Entwicklungen ergibt sich eine gesamtgesellschaftliche Verantwortung.

So wird zu denken gegeben, dass die Schere zwischen Arbeitswelt und Bildungsbereich bereits stark auseinanderklaffen. Durch die Digitalisierung und nun auch durch die KI-Technologien sind manche Gesellschaftsgruppen stark benachteiligt (was zum Beispiel bei Kindern aus sozial benachteiligten Familien im Elementar- und Sekundarbereich erkennbar ist). Hier braucht es gesamtgesellschaftliche Initiativen, um den sozialen Unterschieden zu begegnen und mit Bildungsangeboten wirklich alle zu erreichen.

Take-aways

  • Data Literacy gewinnt durch die Entwicklungen im Bereich der Künstlichen Intelligenz zunehmend an Bedeutung.
  • Um den Entwicklungen zu entsprechen, müssen die Kompetenzbereiche von Data Literacy hinsichtlich der Konzepte und Tools im KI-Bereich erweitert werden.
  • Die Definitionen von Data Literacy und AI Literacy überschneiden sich in der analytischen und kritischen Auseinandersetzung mit Daten bzw. KI.
  • Die Vermittlung grundlegender Datenkompetenzen bildet die Basis für einen kritisch-analytischen Umgang mit KI-Technologien.

Consulting & Support

Consulting
Vom CeDiS Consulting erhalten Sie individuelle Beratung und Unterstützung bei der Konzeption Ihrer digitalen Lehr- und Forschungsvorhaben. 
Kontakt: consulting@cedis.fu-berlin.de

Support
Der CeDiS Support beantwortet Ihre Nutzeranfragen zur Bedienung der folgenden zentralen Systeme der Freien Universität: Blackboard, CMS, FU-Wikis, FU-Blogs.
Kontakt: support@cedis.fu-berlin.de