Datenkompetenz bzw. Data Literacy steht für die im 21. Jahrhundert notwendige Fähigkeit, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden (2015).C. Ridsdale, J. Rothwell, M. Smit, H. Ali-Hassan, M. Bliemel, D. Irvine et al.: Strategies and Best Practices for Data Literacy Education: Knowledge Synthesis Report. 2015, doi:10.13140/RG.2.1.1922.5044,
Der Begriff selbst entwickelte sich in der Zeit um das Jahr 2000 und wurde durch Rahmenwerke der Europäischen KommissionEuropäische Kommission: European e-Competence Framework 3.0. 2016, und des Hochschulforums DigitalisierungKatharina Schüller, Paulina Busch, Carina Hindinger: Hochschulforum Digitalisierung Nr. 47 / August 2019 Future Skills: Ein Framework für Data Literacy. https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr_47_DALI_Kompetenzrahmen_WEB.pdf in Zusammenarbeit mit dem Stifterverband für die Deutsche Wissenschaft weiter verfestigt. So beschreiben Grillenberger und Romeike (2019) den Begriff Data Literacy als eine Zusammenfassung „vielfältiger Kompetenzen hinsichtlich des Umgangs mit und der Nutzung von Daten, die heute in allen Bereichen der Gesellschaft von Bedeutung sind“ und ordnen Data Literacy stärker in die Fragestellung ein, „wie diese Fähigkeiten erlernt bzw. gelehrt werden können“, da neben der Ausbildung in Data Science, die ein vertieftes Wissen im Umgang von Daten bedingt, auch die Ausbildung von Data-Literacy-Kompetenzen für alle Menschen als wichtig angesehen werden muss, wodurch grundlegende Aspekte der Datenerfassung, -speicherung, -verarbeitung und -analyse sowie der Arbeit mit entsprechenden Ergebnissen (und deren Verständnis) in alle Disziplinen und Lebensbereiche Einzug halten.Andreas Grillenberger, Ralf Romeike: Vorstudie: Hochschulübergreifende Konzepte zum Erwerb von 21st Century Skills am Beispiel von Data Literacy. Arbeitspapier Nr. 43. Berlin: Hochschulforum Digitalisierung. doi:10.5281/zenodo.2633091. Damit rückt Data Literacy (auch politisch) mehr in die Notwendigkeit des generellen "Lehren und Erlernen von Datenkompetenzen".
Datenkompetenz zu erlangen, wird zur gesellschaftlichen Aufgabe, deren Bedeutung bereits 2009 von Googles Chief Economist Hal Varian wie folgt beschrieben wurde: “The ability to take data – to be able to understand it, to process it, to extract value from it, to visualize it, to communicate it’s going to be a hugely important skill in the next decades, not only at the professional level but even at the educational level for elementary school kids, for high school kids, for college kids.”Jens Heidrich, Pascal Bauer, Daniel Krupka: Google’s Chief Economist Hal Varian on Statistics and Data. In der aktuellen Literatur (2022) steht Data Literacy für ein breit angelegtes Bewusstsein und Verständniszielbild in unserer Gesellschaft, dass Daten unser tägliches Leben bestimmen (Datafizierung) und dass sie einen wesentlichen Beitrag zur Lösung einfacher wie komplexer Fragestellungen unserer Zukunft leisten (können).A. Beaulieu & S. Leonelli in: Data and Society: A Critical Introduction S. 216/217, SAGE Publications Ltd, London, 2022
Das Framework Future Skills Data Literacy In Anlehnung an Ridsdale und andere Autoren werden sechs Kompetenzbereiche definiert.Jens Heidrich, Pascal Bauer, Daniel Krupka: Ansätze zur Vermittlung von Data-Literacy-Kompetenzen, Hochschulform Digitalisierung, Nr. 47, September 2018, S. 25ff. Mit dem im September 2019 veröffentlichten Framework Future Skills Data LiteracyKatharina Schüller, Pauline Busch, Carina Hindinger: Hochschulforum Digitalisierung NR. 47 / August 2019 Future Skills: Ein Framework für Data Literacy. S. 15, https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr_47_DALI_Kompetenzrahmen_WEB.pdf wurde ein Rahmen für die Hochschulausbildung formuliert und die Voraussetzungen für die Messung von Qualität und Wirkung in der Lehre geschaffen.
Dabei verlagerte sich die Perspektive hin zu einer zyklischen Darstellung des Prozesses („Data informed decision making cycle“). Diese Darstellungsweise betont die Integration der Datenanalyse in eine konkrete Forschungsfrage oder Entscheidungssituation, während die Statistik-Ausbildung an den Hochschulen den Erwerb von Fachwissen und das Erlernen von Methoden in den Vordergrund stellt.Katharina Schüller, Paulina Busch, Carina Hindinger: Hochschulforum Digitalisierung Nr. 47 / August 2019 Future Skills: Ein Framework für Data Literacy. S. 22, https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr_47_DALI_Kompetenzrahmen_WEB.pdf
Grundsätzlich wird bei Data Literacy mit dieser Perspektive zwischen den Fähigkeiten der kodierenden und der dekodierenden Akteure unterschieden.Katharina Schüller, Paulina Busch, Carina Hindinger: Hochschulforum Digitalisierung Nr. 47 / August 2019 Future Skills: Ein Framework für Data Literacy. S. 23, https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr_47_DALI_Kompetenzrahmen_WEB.pdfEvelyn Münster: Hilfe, wieso versteht niemand meine Datenvisualisierung? Designation, 2019.
Insgesamt umfasst der Katalog für Datenkompetenzen sechs Bereiche mit den folgenden Fähigkeiten:Katharina Schüller, Paulina Busch, Carina Hindinger: Hochschulforum Digitalisierung Nr. 47 / August 2019 Future Skills: Ein Framework für Data Literacy. S. 90ff., https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr_47_DALI_Kompetenzrahmen_WEB.pdf
+ Framework Future Skills Data LiteracyKodieren A Datenkultur etablieren A1: Daten-Anwendung identifizierenIdentifiziert Wissenslücken und Hintergrundinformationen, identifiziert auf dieser Basis eine konkrete Aufgabenstellung, die mit Hilfe von Daten gelöst werden kann, besitzt eine Vorstellung vom möglichen Wertbeitrag der Daten A2: Daten-Anwendung spezifizierenDefiniert Minimal- und optionale Anforderungen, definiert Abgrenzungen zu anderen Aufgaben, strukturiert den Prozessablauf in Objekte und deren Beziehungen, leitet messbare Objekte und Hypothesen über deren Zusammenhänge ab, kommuniziert die Anforderungen gegenüber SachverständigenA3: Daten-Anwendung koordinierenPlanung und Koordinierung eines Datenprojekts, ggf. mit Beteiligung von weiteren Personen (aus interdisziplinären Bereichen)B Daten bereitstellenB1.1: Daten Anwendung modellierenBildet die messbaren Objekte in Variablen mit definierbaren Eigenschaften und deren Beziehungen in einer Modellstruktur abB1.2: Datenschutz und -sicherheit einhaltenBeachtet Richtlinien für sichere und ethisch fundierte Datenverarbeitung und setzt sie sinngemäß um, wo keine eindeutigen Richtlinien definiert sindB.2.1: Datenquellen identifizierenIdentifiziert verschiedene gängige und neuartige Datenquellen (intern, extern) und bewertet deren Zugänglichkeit, Relevanz und NutzbarkeitB.2.2: Daten integrierenLiest Daten in verschiedenen Formaten automatisiert ein, integriert sie und dokumentiert die IntegrationB.3.1: Daten verifizierenPrüft die Datenqualität hinsichtlich verschiedener Kriterien (Korrektheit, Relevanz, Repräsentativität, Vollständigkeit)
Dokumentiert die Prüfung systematischB.3.2: Daten aufbereitenBereinigt Daten, korrigiert Fehler, imputiert fehlende Werte, standardisiert und transformiert Daten, filtert relevante Daten für eine jeweilige Fragestellung, verknüpft DatenC Daten auswertenC.1: Daten analysierenVerbalisiert die Ergebnisse von Datenanalysen in verschiedenen Textformen sach- und zweckorientiertC.2: Daten visualisierenSetzt statische und dynamische Visualisierungen unter Zuhilfenahme der geeigneten Werkzeuge sach- und zweckorientiert ein C.3: Daten verbalisierenInterpretiert Datenprodukte (Statistiken, Modellergebnisse) in verbalisierter Form bzw. prüft kritisch die explizit oder implizit gelieferte InterpretationDekodierenD Ergebnisse InterpretierenD.1: Datenanalysen interpretierenInterpretiert Datenprodukte (Statistiken, Modellergebnisse) in verbalisierter Form bzw. prüft kritisch die explizit oder implizit gelieferte InterpretationD.2: Daten-Visualisierungen interpretierenInterpretiert Grafiken und zieht Schlüsse auf wesentliche Elemente und Zusammenhänge bzw. prüft kritisch die explizit oder implizit gelieferte InterpretationD.3: Daten-Verbalisierungen interpretierenInterpretiert statistische Kennwerte und Modelle dahingehend, dass Schlüsse auf zugrundeliegende Datenpunkte und Zusammenhänge gezogen oder Prognosen durchgeführt werdenE Daten interpretierenE.1: Standardisierung entschlüsselnVerwendete statistische Methoden erkennen, einschätzen und interpretieren können; Erkennung der Transformation der DatenE.2: Daten-Beschaffung rückverfolgenBasierend 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 kannE.3: Daten-Konzept rekonstruierenRückschlüsse zur Datengrundlage sowie potentiellen Fehlschlüssen können gezogen werdenF Handeln ableitenF.1: Handlungsmöglichkeiten identifizierenIdentifiziert konkrete Handlungsmöglichkeiten, deren Einschätzung und Bewertung mit Daten ausgewertet werden kann; besitzt eine Vorstellung vom möglichen Wertbeitrag der Daten bei der Ableitung von HandlungsmöglichkeitenF.2: Datengetriebenes HandelnBeschreibt Integrieren von Ergebnissen in den Entscheidungsprozess und das Basieren von Handeln auf diesen ErgebnissenF.3: Wirkung evaluierenBeschreibt die Auswertung des datenbasierten Handels aufgrund deren Wirksamkeit
Literatur Europäische Kommission: European e-Competence Framework 3.0. 2016 (PDF). Harald Gapski, Thomas Tekster, Monika Elias: Bildung für und über Big Data. Gutachten im Rahmen von ABIDA – Assessing Big Data. Grimme-Institut, Marl 2018 (PDF). Andreas Grillenberger, Ralf Romeike: Vorstudie: Hochschulübergreifende Konzepte zum Erwerb von 21st Century Skills am Beispiel von Data Literacy. In: Hochschulforum Digitalisierung, Arbeitspapier Nr. 43, doi:10.5281/zenodo.2633091 (PDF). Jens Heidrich, Pascal Bauer, Daniel Krupka: Ansätze zur Vermittlung von Data-Literacy-Kompetenzen. In: Hochschulform Digitalisierung, Nr. 47, September 2018 (PDF). Thomas Knaus: Technology criticism and data literacy. The case for an augmented understanding of media literacy. In: Journal of Media Literacy Education (JMLE), 12(3), Dec. 2020 (PDF). Maren Lübcke, Klaus Wannemacher: Vermittlung von Datenkompetenzen an den Hochschulen: Studienangebote im Bereich Data Science. HIS-HE, Hannover 2018 (Forum Hochschulentwicklung 1|2018). ISBN 978-3-9818817-1-4 (PDF). Evelyn Münster: Hilfe, wieso versteht niemand meine Datenvisualisierung? Designation, 2019 (PDF). C. Ridsdale, J. Rothwell, M. Smit, H. Ali-Hassan, M. Bliemel, D. Irvine et al.: Strategies and Best Practices for Data Literacy Education: Knowledge Synthesis Report. 2015, doi:10.13140/RG.2.1.1922.5044. Katharina Schüller, Paulina Busch, Carina Hindinger: Future Skills: Ein Framework für Data Literacy. Hochschulforum Digitalisierung Nr. 47/2019 (PDF).
Siehe auch Data Science Datafizierung Datenethik
Einzelnachweise
Kategorie:Informatik und Gesellschaft Kategorie:Wissen Kategorie:Daten