Future Skills: Ein Framework für Data Literacy

Kurzbeschreibung

Der Autor*innen entwickeln in diesem Bericht einen Kompetenzrahmen für Digitalkompetenzen am Beispiel von Digital Literacy. Dieser umfasst Kompetenzen, deren Definition sowie daraus abgeleitete Verhaltensindikatoren. Darauf aufbauend wird zudem ein Messinstrument entworfen, welches Verantwortliche der Curriculumsentwicklung sowie Lehrende an Hochschulen bei der Evaluation von Digital Literacy unterstützen soll.

Annahmen über die Folgen der Digitalisierung

Digitalisierung und Datafizierung verändern das Leben und Arbeiten im 21. Jahrhundert nachhaltig. Die Digitalisierung bringt eine zunehmende Datafizierung mit sich. Künstliche Intelligenz u.a. wird einerseits durch Daten gesteuert und produziert andererseits selbst Daten. Daten sind damit der Ausgangspunkt für Wissens- und Wertschöpfung. Durch eine Demokratisierung des Datenzugangs sowie der -verarbeitung ist es heute allen (auch Laien) möglich, aus Daten Schlüsse zu ziehen und diese einem breiten Publikum zu präsentieren. Angesichts dessen ist für eine erfolgreiche Schöpfung von Wissen oder Wert aus Daten der planvolle Umgang, Einsatz sowie das Hinterfragen von bzw. mit solchen relevant.

Kompetenzanforderungen

Im Rahmen von Data Literacy beschreiben die Autor*innen sowohl kognitive als auch affektive Lernziele. In zahlreichen Fachdisziplinen sollen Entscheidungen zunehmend datenbasiert getroffen werden, wodurch die Interpretation und die Ableitung von Handlungsempfehlungen aus Daten zunehmend wichtiger wird.

Kompetenzdimensionen

Instrumentell-qualifikatorische Dimension: Richtlinien für sichere und ethisch fundierte Datenverarbeitung beachten; Daten integrieren.

Kognitive Dimension: Wissenslücken und Hintergrundinformationen identifizieren und auf dieser Basis eine konkrete Aufgabenstellung, die mit Hilfe von Daten gelöst werden kann; messbare Objekte in Variablen mit definierbaren Eigenschaften und deren Beziehungen in einer Modellstruktur abbilden; verschiedene gängige und neuartige Datenquellen identifizieren; Datenqualität hinsichtlich verschiedener Kriterien (Korrektheit, Relevanz, Repräsentativität, Vollständigkeit) prüfen; Daten bereinigen, standardisieren und transformieren; Fehler korrigieren, fehlende Werte imputieren, relevante Daten für eine jeweilige Fragestellung filtern; Daten verknüpfen; Analyseverfahren aus verschiedenen Gebieten (Statistik, Analytics, Machine Learning), unter Zuhilfenahme der geeigneten Werkzeuge sach- und zweckorientiert einsetzen; statische und dynamische Visualisierungen unter Zuhilfenahme der geeigneten Werkzeuge sach- und zweckorientiert einsetzen; Ergebnisse von Datenanalysen in verschiedenen Textformen sach- und zweckorientiert verbalisieren.

Soziale Dimension: Planung und Koordinierung eines Datenprojekts, ggf. mit Beteiligung von weiteren Personen (aus interdisziplinären Bereichen).

Kritisch-reflexive Dimension: Die Bedeutung von Daten zur Entscheidungsfindung vollständig erfassen, d.h. mögliche Dateninterpretationen in unterschiedlicher Kontextualisierung reflektiert und kritisch bewerten können; Datenprodukte (Statistiken, Modellergebnisse) in verbalisierter Form interpretieren bzw. kritisch die explizit oder implizit gelieferte Interpretation prüfen; Grafiken interpretieren und Schlüsse auf wesentliche Elemente und Zusammenhänge ziehen bzw. kritisch die explizit oder implizit gelieferte Interpretation prüfen; statistische Kennwerte und Modelle dahingehend interpretieren, dass Schlüsse auf zugrundeliegende Datenpunkte und Zusammenhänge gezogen oder Prognosen durchgeführt werden; eine Vorstellung vom möglichen Wertbeitrag der Daten besitzen; Richtlinien für sichere und ethisch fundierte Datenverarbeitung sinngemäß umsetzen, wo keine eindeutigen Richtlinien definiert sind; verschiedene gängige und neuartige Datenquellen (intern, extern) hinsichtlich deren Zugänglichkeit, Relevanz und Nutzbarkeit bewerten; verwendete statistische Methoden erkennen, einschätzen und interpretieren können; Erkennung der Transformation der Daten; basierend auf der Analyse und den mitgelieferten Informationen kann zurückverfolgt werden, wie die Daten beschafft wurden, aus welcher Quelle sie stammen und welches Vertrauen man den Daten schenken kann; Rückschlüsse zur Datengrundlage sowie potentiellen Fehlschlüssen können gezogen werden; konkrete Handlungsmöglichkeiten identifizieren, deren Einschätzung und Bewertung mit Daten ausgewertet werden kann.

Zentrale theoretische Annahmen über Kompetenz

Digital Literacy, Data Literacy, Information Literacy sowie Statistical Literacy können nicht völlig trennscharf voneinander unterschieden werden. Ethical Literacy kann allerdings als eine Meta-Kompetenz angesehen werden, da sich die Frage, was aus ethischer Perspektive korrekt ist, immer stellt. Grund hierfür ist, dass die Erhebung, Nutzung, Verarbeitung und Analyse von Daten nicht losgelöst von deren Interpretation und Anwendung gesehen werden kann. Die Autor*innen verorten die verschiedenen Kompetenzbegriffe aus einer Prozessperspektive. Für sie sind Kompetenzen "Cluster effektiver Verhaltensweisen und Haltungen zur Erfüllung einer abgrenzbaren Aufgabe" (S. 24). Digital Literacy beschreiben die Autor*innen einerseits als Fähigkeit versierter Expert*innen, Datenprodukte zu erstellen, andererseit jedoch auch als kompetenten Umgang mit Daten seitens der Endanwender*innen.

Perspektive der Kompetenzträger*innen auf Kompetenz einbezogen?

In der Publikation kommen Vertreter*innen verschiedener Fachdisziplinen zu Wort, welche sich zum Thema Datenkompetenz (beispielsweise der Relevanz von Datenkompetenz) in ihrem jeweiligen Fachbereich äußern.

Lebenskontexte der Kompetenzträger*innen einbezogen?

keine Angabe

Herausforderungen der Erfassung von Kompetenz

Die Autor*innen merken an, dass reine Multiple-Choice-Tests Wissen nur auf einer recht oberflächlichen Ebene erfassen können. Deswegen wird vorgeschlagen, ein Multiple-Choice-Testformat um weitere Verfahren zu ergänzen.

Quellenangabe

Schüller, K., Busch, P., & Hindinger, C. (2019). Future Skills: Ein Framework für Data Literacy – Kompetenzrahmen und Forschungsbericht (Arbeitspapier Nr. 47). Hochschulforum Digitalisierung. 10.5281/zenodo.3349865