Advertisement

Ein Framework für Data Literacy

  • Katharina SchüllerEmail author
Originalveröffentlichung
  • 36 Downloads

Zusammenfassung

Digitalisierung und Datafizierung werden das Leben und Arbeiten im 21. Jahrhundert nachhaltig verändern. Daten sind die Ausgangsbasis für Wissens- bzw. Wertschöpfung als Grundlage für bessere Entscheidungen. Um systematisch Wissen bzw. Wert aus Daten zu schöpfen, ist deshalb zukünftig in allen Sektoren und Disziplinen die Fähigkeit, planvoll mit Daten umzugehen und sie im jeweiligen Kontext bewusst einsetzen und hinterfragen zu können, von entscheidender Bedeutung. Dies wird als Data Literacy bezeichnet und umfasst die Fähigkeiten, Daten auf kritische Art und Weise zu sammeln, zu managen, zu bewerten und anzuwenden. Hierfür bedarf es eines Kompetenzrahmens, d.h. eines Modells zur strukturierten Beschreibung von effektivem Verhalten in einem gegebenen Aufgabenkontext. Er umfasst Kompetenzen, deren Definitionen und daraus abgeleitete Verhaltensindikatoren. Ein derartiger Kompetenzrahmen soll alle Stufen des Wissens- bzw. Wertschöpfungsprozesses aus Daten abbilden; er soll alle Kompetenzdimensionen erfassen: (a) Wissen, (b) Fertigkeiten, (c) Fähigkeiten, (d) Motivation und (Wert-)Haltung; er soll es erlauben, die erfassten Kompetenzen in konkrete und testbare Lern- oder Kompetenzziele zu überführen; und er soll der die Interdisziplinarität der Aufgabe reflektieren, also widerspiegeln, dass neben Datenexperten auch Fachexperten, Datenschützer und Datenethiker benötigt werden. Dieser Beitrag stellt das neu entwickelte Data Literacy Framework vor und ist eine gekürzte Fassung der Studie „Future Skills: Ein Framework für Data Literacy“ (Arbeitspapier 47) des Hochschulforums Digitalisierung.

Schlüsselwörter

Statistical Literacy Datenethik Kompetenzrahmen Datenkompetenz Datenkultur 

A Framework for Data Literacy

JEL

A20 D80 D83 M14 

Notes

Literatur

  1. Berry MJA, Linoff GS (2004) Data Mining Techniques. John Wiley & Sons Inc., HobokenGoogle Scholar
  2. EU Science Hub (2018) The Digital Competence Framework 2.0 – EU Science Hub – European Commission. https://ec.europa.eu/jrc/en/digcomp/digital-competence-framework. Zugegriffen: 31. Dez. 2018Google Scholar
  3. Europäische Kommission (o. J.) ESCO – Skills/competences – European Commission. https://ec.europa.eu/esco/portal/skill?uri=http%3A%2F%2Fdata.europa.eu%2Fesco%2Fskill%2F25a26ff6-af18-40b0-b2e2-cb58471015eb&conceptLanguage=en&full=true. Zugegriffen: 31. Dez. 2018
  4. Europäische Kommission (2008) Der Europäische Qualifikationsrahmen für lebenslanges Lernen. https://ec.europa.eu/ploteus/sites/eac-eqf/files/leaflet_de.pdf. Zugegriffen: 12. Dez. 2018Google Scholar
  5. Europäische Kommission (2016) European e‑Competence Framework 3.0. http://www.ecompetences.eu/wp-content/uploads/2014/02/European-e-Competence-Framework-3.0_DE.pdf. Zugegriffen: 11. November 2019Google Scholar
  6. Foucault M, Gordon C (1980) Power/Knowledge : selected interviews and other writings, 1972–1977. Pantheon Books, New YorkGoogle Scholar
  7. Heidrich DJ, Bauer P, Krupka D (2018) Future Skills: Ansätze zur Vermittlung von Data Literacy in der Hochschulbildung. Hochschulforum Digitalisierung (Arbeitspapier 37/2018)Google Scholar
  8. Kitchin R (2014) The data revolutionGoogle Scholar
  9. Kuhlen R (2013) A 1 Information – Informationswissenschaft. In: Kuhlen R, Semar W, Strauch D (Hrsg) Grundlagen der praktischen Information und Dokumentation. De Gruyter Saur, Berlin, Boston, S 1–24  https://doi.org/10.1515/9783110258264.xx CrossRefGoogle Scholar
  10. Lohr S (2009) For today’s graduate, just one word: statistics. The New York Times (5. August 2009)Google Scholar
  11. Matthews P (2016) Data literacy conceptions, community capabilities. J Commun Inform 12(3):47–56Google Scholar
  12. Münster E (2019) Hilfe, wieso versteht niemand meine Datenvisualisierung? https://www.designation.eu/2019/01/30/wieso-versteht-niemand-meine-datenvisualisierung/. Zugegriffen: 18. Febr. 2019 (Designation (30. Januar 2019))Google Scholar
  13. Nicholson J, Gal I, Ridgway J (2018) Understanding civic statistics – a conceptual framework to aid teachers and lecturers. A product of the ProCivicStat Project. http://IASE-web.org/ISLP/PCS. Zugriff: 14. November 2019
  14. OECD (2005) Definition und Auswahl von SchlüsselkompetenzenGoogle Scholar
  15. Ridsdale C, Rothwell J, Smit M, Ali-Hassan H, Bliemel M, Irvine D et al (2015) Strategies and Best Practices for Data Literacy Education: Knowledge Synthesis Report. Report.  https://doi.org/10.13140/RG.2.1.1922.5044
  16. Schüller K, Busch P (2019) Systematic Review: Data Literacy. Hochschulforum Digitalisierung (Arbeitspapier 46/2019)Google Scholar
  17. Schüller K, Busch P, Hindinger C (2019) Future Skills: Ein Framework für Data Literacy. Hochschulforum Digitalisierung (Arbeitspapier 47/2019)Google Scholar
  18. Seidl TPD, Baumgartner PPD, Brei C, Gerdes A, Lohse A, Kuhn SPD et al (2018) Diskussionspapier 3: (Wert‑)Haltung als wichtiger Bestandteil der Entwicklung von 21st Century Skills an Hochschulen. Hochschulforum für Digitalisierung. https://hochschulforumdigitalisierung.de/de/diskussionspapier-3-wert-haltung-als-wichtiger-bestandteil-der-entwicklung-von-21st-century-skills. Zugegriffen: 8. Jan. 2019Google Scholar
  19. The Association of Independent Schools of New South Wales Limited (o. J.) Data informed decision making cycle. https://www.aisnsw.edu.au/Resources/WAL%204%20[Open%20Access]/Data%20Informed%20Decision-Making%20Cycle.pdf. Zugriff: 14. November 2019
  20. Watson J, Callingham R (2003) Statistical literacy: a complex hierarchical contruct. Stat Educ Res J 2(2):3–46Google Scholar
  21. Watson J, Callingham R (2004) Statistical literacy: from idiosyncratic to critical thinking. In Burrill G, Camden M (Hrsg) Curricular development in statistics education: International Association for Statistical Education roundtable. Lund, IASE, pp 116–137Google Scholar
  22. Weinert FE (2014) Leistungsmessungen in Schulen. Beltz, WeinheimGoogle Scholar
  23. Wild C (2012) The concept of distribution. Stat Educ Res J 5(2):10–26Google Scholar

Copyright information

© Springer-Verlag GmbH Germany, part of Springer Nature 2019

Authors and Affiliations

  1. 1.STAT-UP Statistical Consulting & Data Science GmbHMünchenDeutschland

Personalised recommendations