1 Einleitung

Der kompetente Umgang mit Daten ist für Studierende aller Fachrichtungen von zentraler Bedeutung. In unterschiedlichen Disziplinen gilt es, Daten zu analysieren, zu interpretieren und für Forschungsprozesse nutzbar zu machen, ¹ wobei sich die methodischen Zugänge und zugrundeliegenden Datentypen unterscheiden.
Die Relevanz von Daten reicht jedoch über den akademischen Kontext hinaus und prägt zunehmend den beruflichen Alltag wie auch das private Umfeld. Datenbezogene Qualifikationen sind auf dem Arbeitsmarkt stark nachgefragt, ² was sich in der Entstehung neuer Berufsbilder zeigt. Im Kontext des Bibliotheks- und Informationssektors sind zum Beispiel bereits neue Berufsfelder im Forschungsdatenmanagement für Data-Librarians entstanden.

Im Rahmen des internationalen Projekts “Data Literacy in Context (DaLiCo)” ³ wurde als eines der Projektergebnisse ein Tutorial zur Datenkompetenz ⁴ entwickelt. Das Projekt endete bereits vor dem Durchbruch von generativen KI-Tools wie ChatGPT. Die Basisthemen der Datenkompetenz haben im KI-Zeitalter jedoch nicht an Relevanz und Bedeutung verloren, im Gegenteil. Das Wissen über Daten, den Umgang mit Daten und die Qualität von Daten bilden wichtige Grundlagen für das Verständnis und die reflektierte Nutzung von Künstlicher Intelligenz.

Ziel dieses Beitrags ist es, das im Projekt DaLiCo entwickelte Tutorial zur Datenkompetenz vorzustellen und dessen Relevanz vor dem Hintergrund aktueller Entwicklungen im Bereich KI-Kompetenz einzuordnen. Dazu werden zentrale Konzepte von Daten- und KI-Kompetenz miteinander in Verbindung gesetzt und im Anschluss das Datenkompetenz-Tutorial erläutert. Darüber hinaus gibt es noch weitere Empfehlungen für aktuelle Schulungsangebote zum Thema.

2 Datenkompetenz

Seit Anfang der 2000er Jahre haben die Relevanz und Sichtbarkeit von Daten im Zuge von Digitalisierung und der Datafizierung kontinuierlich zugenommen. Datenkompetenz gilt vor diesem Hintergrund als “Schlüsselkompetenz des 21. Jahrhunderts” ⁵ und als wesentlicher Baustein der sogenannten “Future Skills”. ⁶

Gleichzeitig ist das Bewusstsein für den Bedarf an Kompetenzen zum Umgang mit Daten deutlich gestiegen.

Die Studie von Ridsdale et al. stellte hierfür einen wichtigen Meilenstein dar, da sie eine ganzheitliche Sicht auf die Aktivitäten rund um Daten einführte und Datenkompetenz in einfacher Form definierte als “die Fähigkeit, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden”. ⁷

Dieses Kompetenzverständnis adressiert Kenntnisse und Fähigkeiten von Studierenden im Umgang mit Daten, es betont insbesondere die Förderung einer “Data Awareness”.

Ziel ist es, ein Bewusstsein für die Bedeutung von Daten innerhalb und außerhalb der eigenen Disziplin zu schaffen sowie eine reflektierte und selbstbestimmte Haltung im Umgang mit Daten zu entwickeln (vgl. Theiß 2020: 24).

Das kritische Verständnis erstreckt sich über alle Phasen des Datenlebenszyklus ⁸ von der Erhebung beziehungsweise Recherche von Daten, über die Verarbeitung und die Analyse bis zur Kommunikation der Ergebnisse.

3 Datenkompetenz im Kontext von KI-Kompetenz

Die rasante Entwicklung von generativen KI-Tools stellt einen neuen Meilenstein der Digitalisierung dar und geht mit neuen Anforderungen an Nutzende einher. In der ersten Aneignungsphase lag der Fokus häufig auf dem Erlernen des sogenannten Promptings, also der effektiven Formulierung von Anfragen an KI-Systeme.

Ein kompetenter Umgang mit KI geht allerdings weit über diese technischen Fertigkeiten hinaus und umfasst auch reflexive und normative Aspekte im Sinne des kritischen Denkens. Long und Magerko greifen diese Perspektive auf und definieren KI-Kompetenz als ein Bündel von Fähigkeiten, das Individuen dazu befähigt, KI-Technologien kritisch zu bewerten, effektiv mit ihnen zu interagieren sowie sie in unterschiedlichen Kontexten zielgerichtet einzusetzen (vgl. Long und Magerko 2020: 2). Insgesamt identifizieren sie dazu 16 Dimensionen der KI-Kompetenz, wovon drei direkt den Datenzusammenhang adressieren: “Data Literacy”, “Learning from Data”, “Critically Interpreting Data” (vgl. Long und Magerko 2020: 6).

Da KI-Anwendungen wesentlich auf Daten basieren, ist die Verbindung zwischen Daten- und KI-Kompetenz naheliegend. ⁹ Diese Verschränkung wird auch in dem 2023 veröffentlichten “Standard for Data and Artificial Intelligence literacy” hervorgehoben (vgl. Schüller u. a. 2023). Neben technischen Fähigkeiten betont dieser insbesondere die Bedeutung einer kritischen Haltung gegenüber Daten und Informationsquellen, einschließlich der Fähigkeit, Datenqualität zu beurteilen, Verzerrungen zu erkennen und die Grenzen von KI-Systemen einzuschätzen.

Das Hinterfragen der Datengrundlagen von KI umfasst dabei kritische Aspekte wie die Begrenztheit der verfügbaren Daten, mögliche Verzerrungen (Bias) sowie ethische Fragestellungen, etwa im Hinblick auf Datenschutz und verantwortungsvolle Nutzung. ¹⁰ An dieser Schnittstelle zwischen Daten- und KI-Kompetenz zeigt sich, dass insbesondere die Förderung eines reflektierten und kritischen Bewusstseins eine wesentliche Rolle spielt.

Datenkompetenz bildet weiterhin eine zentrale Grundlage für den reflektierten Umgang mit KI. Ansätze zur Förderung von Datenkompetenz, wie sie im Projekt “Data Literacy in Context (DaLiCo)” entwickelt wurden, gewinnen daher im Kontext aktueller KI-Entwicklungen zusätzlich an Relevanz.

4 Projekt DaLiCo

Das Projekt “Data Literacy in Context” (DaLiCo) ¹¹ wurde von September 2019 bis Oktober 2022 von der HAW Hamburg koordiniert und in Kooperation mit drei europäischen Hochschulen durchgeführt: Hogeschool Utrecht, Universitat Politècnica de València sowie University of Debrecen. Der Fokus des Projektes lag bei der Erhöhung der Sichtbarkeit und Qualität bestehender Data-Literacy-Aktivitäten an den beteiligten Hochschulen. Das Ziel war es, sowohl einen internationalen, multidisziplinären Ansatz zur Datenkompetenzvermittlung zu entwickeln als auch die fachspezifische Integration in die jeweiligen Studiengänge zu fördern (vgl. Ameis u. a. 2021).

Ein zentrales Ergebnis des Projekts ¹² ist ein Tutorial zur Datenkompetenz, das als virtueller Lernraum zur Data Literacy ¹³ konzipiert wurde und im Folgenden vorgestellt wird.

5 Lernraum Data Literacy

Die Zielgruppe umfasst Lernende unterschiedlicher Fachrichtungen und Semester. Vorkenntnisse werden nicht vorausgesetzt, da davon ausgegangen wird, dass ein Bewusstsein für die Bedeutung von Datenkompetenz erst entwickelt werden soll. Grundlegende Kenntnisse in Empirie und Statistik werden als Teil regulärer Studienpläne vorausgesetzt.

Darüber hinaus richtet sich das Kursangebot auch an Dozent*innen und Lehrkräfte und kann im Rahmen verschiedener formaler Lernkontexte genutzt werden (z. B. bestimmte Bildungsformate wie Train-the-Trainer).

Das Konzept ist auf Übertragbarkeit und Modularität ausgelegt und lässt sich daher an die spezifischen Anforderungen anpassen; dies betrifft sowohl die unterschiedlichen inhaltlichen Anforderungen als auch die technischen Standards, die beispielsweise für die Integration in unterschiedliche Lernmanagementplattformen verwendet werden. ¹⁴

5.1 Zugang

Für das kooperative Pilotprojekt zum Datenkompetenzkurs wurde die viaMINT-Plattform ausgewählt. Dabei handelt sich um eine an der Hochschule für Angewandte Wissenschaften Hamburg entwickelte Online-Lernumgebung, die mit ihren videobasierten Inhalten zu Mathematik, Physik, Chemie und Programmieren Brückenkurse für Studienanfänger in MINT-Fächern anbietet, um mögliche Wissenslücken zwischen der Schule und der Hochschule zu schließen.

Mit viaMINT wurde eine Moodle-basierte E-Learning-Umgebung gewählt, die sowohl technische Funktionen zur didaktischen Gestaltung von Lerninhalten als auch eine externe, anonyme Registrierung ermöglicht.

Dadurch können die Kursinhalte sowohl innerhalb der HAW Hamburg als auch von externen Lernenden genutzt werden. Der Zugang erfolgt entweder über die W-Kennung der HAW Hamburg oder über eine anonyme Registrierung.

5.2 Inhaltliche Struktur

Die im Projekt entwickelten DaLiCo-Dimensionen ¹⁵ bilden die Grundlage für die inhaltliche Struktur des Kurses. Ziel ist es, einen ganzheitlichen Überblick über Datenkompetenz zu vermitteln, zentrale Aktivitäten im Umgang mit Daten sichtbar zu machen und die Themenbereiche systematisch zu strukturieren.

Die Inhalte der DaLiCo-Dimensionen decken zentrale Aspekte des Datenlebenszyklus ab – von der Datensammlung bzw. -recherche über die Nutzung und Auswertung bis hin zur Kommunikation von Ergebnissen. Darüber hinaus werden auch Aspekte der Datenethik sowie des Datenmanagements berücksichtigt.

Die DaLiCo-Dimensionen im Lernraum umfassen:

• Data identification – Datenidentifizierung: Fähigkeit, relevante Daten zu finden und zu beschaffen.

• Data use - Datennutzung: Fähigkeit, präzise Fragestellungen an Daten zu formulieren und die Vertrauenswürdigkeit von Daten einzuschätzen.

• Data understanding – Datenverständnis: Fähigkeit zur Bereinigung, Analyse und Interpretation von Daten.

• Data reflexivity – Datenreflexivität: Fähigkeit zur verantwortungsvollen und ethischen Reflexion der Datennutzung.

• Data communication – Datenkommunikation: Fähigkeit, Daten zielgruppengerecht zur Vermittlung von Inhalten einzusetzen.

• Data managing – Datenmanagement: Fähigkeit zur strukturierten und verantwortungsvollen Verwaltung von Daten entlang des Datenlebenszyklus.

5.3 Umsetzung

Die Kursinhalte sind klar strukturiert und beginnen jeweils mit einer Einführung in die Lernziele und Inhalte der einzelnen Lektionen. Die Vermittlung erfolgt über einen multimodalen Medienmix, der Texte, Visualisierungen, Videos sowie interaktive Elemente mit Übungen wie Quiz und Lückentexte zur Unterstützung des Lernprozesses und zur Nachverfolgung des Lernfortschritts umfasst.

Alle Textinhalte werden ergänzend zur englischen Projektsprache auch in deutscher Sprache angeboten. Externe Quellen sind überwiegend in englischer Sprache eingebunden, ebenso wie die von der UPV (Valencia) produzierten Lehrvideos (siehe Abb. 1), die ebenfalls in englischer Sprache bereitgestellt werden.

5.4 Kursinhalte

Wie wird nun Datenkompetenz konkret im Lernraum vermittelt?

Dazu werden exemplarisch Kursinhalte aus den ersten beiden Dimensionen der Datenkompetenz (Data identification, Data use) vorgestellt, um den einführenden Charakter der Inhalte zu verdeutlichen.

Ausgangspunkt bildet die Klärung einer Fragestellung, die eine zentrale Voraussetzung für die gezielte Suche nach geeigneten Daten darstellt. Darauf aufbauend erfolgt die Identifikation relevanter Datenquellen.

Dieser Einstieg wird durch die erste DaLiCo-Dimension “Data identification” adressiert. Die Kursinhalte zum Bereich “Find – Identifizieren und Suchen” vermitteln eine Übersicht über unterschiedliche Datenquellen (siehe Abb. 2) sowie grundlegende Strategien zur systematischen Datenrecherche.

In der zweiten DaLiCo-Dimension “Data use” steht die Vorbereitung der Datennutzung im Fokus. Die Kursinhalte zu “Verify - Datensuchergebnisse” sensibilisieren für die Aspekte der äußeren Datenqualität. Dabei werden zentrale Fragen zur Herkunft von Daten aufgegriffen “Wo kommen die Daten her?” (vgl. Theiß 2020: 24). Zur strukturierten Bewertung von Datenquellen wird unter anderem der CRAAP-Test (siehe Abb. 3) eingeführt. Dieser konkretisiert die CRAAP-Kriterien wie Aktualität und Autorität von Datenquellen.

Insgesamt steht die kritische Auseinandersetzung mit Daten und deren Qualität im Vordergrund, um das Bewusstsein für den reflektierten Umgang mit Datenquellen nachhaltig zu stärken.

6 Fazit

Der Beitrag verdeutlicht, dass Datenkompetenz eine zentrale Schlüsselqualifikation in einer zunehmend daten- und KI-geprägten Gesellschaft darstellt. Sie umfasst nicht nur technische und analytische Fähigkeiten, sondern schließt insbesondere auch kritische, ethische und reflektierende Kompetenzen ein.

Mit dem DaLiCo-Projekt wurde ein strukturierter Ansatz zur Systematisierung und Förderung von Datenkompetenz entwickelt. Der vorgestellte Lernraum bietet dazu in ein flexibel einsetzbares, modular aufgebautes Lehr-Lernangebot. Der Lernraum leistet damit einen Beitrag zur Förderung von Datenkompetenz in der Hochschulbildung.

Der Kompetenzbereich ist durch eine hohe thematische Breite sowie eine kontinuierliche Weiterentwicklung geprägt. Um diese Vielfalt sichtbar zu machen und das vorgestellte Angebot in einen größeren Kontext einzuordnen, werden im Anschluss weitere Kursangebote in tabellarischer Form zusammengestellt.

Literatur