Wie können Hochschulen

Studierenden aller Fächer

die Entwicklung von Data Literacy

ermöglichen?

8. Ludwigshafener Bildungsgespräche Future Skills?! Wie Hochschulen ihre Studierenden

im Umgang mit Medien und Daten fit machen können7. November 2019, Ludwigshafen

Matthias Bandtel

Spotlights

. Rahmen Future Skills, Data Literacy, Kompetenzen

. Integrationinstitutionelle Verankerung, Netzwerke, curriculare Anbindung

. Lehre & LernenFormate, Didaktiken

Spot1

. Rahmen Future Skills, Data Literacy, Kompetenzen

. Integrationinstitutionelle Verankerung, Netzwerke, curriculare Anbindung

. Lehre & LernenFormate, Didaktiken

digitale Schlüsselkompetenzen. planvoller, kritischer, verantwortlicher Umgang mit Daten

. digitale Wissensgenerierung

. digitale Interaktion

. digital ethics

» Verknüpfung von technologischen Fähigkeiten, digitalen Grundfähigkeiten & klassischen Fähigkeiten von entscheidender

Bedeutung. Qualifizierung muss ein umfangreiches Bündel aller Future Skills beinhalten. «

FutureSkills

klassische Schlüsselkompetenzen. Problemlösungsfähigkeit

. Kreativität. Eigeninitiative

. Adaptionsfähigkeit. Durchhaltevermögen

Kirc

hh

err

, Ju

lian

W., J

ulia

Klie

r, C

orn

els

Leh

ma

nn

-Bra

un

s &

Ma

thia

s W

ind

e.

20

18

. Fu

ture

Skill

s: W

elc

he

Ko

mp

ete

nze

n in

De

uts

ch

lan

d

feh

len

. D

isku

ssio

nsp

ap

ier.

Be

rlin

: Stift

erv

erb

an

d

& M

cK

inse

y.

. fachspezifischer Ansatz

Vermittlung von Data-Literacy-Kompetenzen für einzelne Disziplinen und Fachbereiche

. disziplinübergreifender generischer Ansatz

Data Literacy als Grundkompetenz mündiger Bürger*innen in der digitalen Gesellschaft

DataLiteracy

He

idric

h,

Je

ns,

Pa

sca

l B

au

er,

un

d D

an

iel

Kru

pka

. „FU

TUR

E S

KIL

LS: A

NSÄ

TZE Z

UR

VER

MIT

TLU

NG

VO

N D

ATA

LIT

ER

AC

Y IN

DER

HO

CH

SC

HU

LBIL

DU

NG

“. A

rbe

itsp

ap

ier.

Be

rlin

:

Ho

ch

sch

ulfo

rum

Dig

ita

lisie

run

g,

20

18

.

DataLiteracy

. Data Literacy

» das Cluster aller effizienter Verhaltensweisen und Einstellungen für die effektive Durchführung sämtlicher Prozessschritte

zur Wertschöpfung beziehungsweise Entscheidungsfindung aus Daten. «

Sc

hü

ller,

K., B

usc

h,

P., &

Hin

din

ge

r, C

. 2

01

9.

Fu

ture

Skill

s: E

in F

ram

ew

ork

fü

r D

ata

Lite

rac

y.

Ko

mp

ete

nzr

ah

me

n u

nd

Fo

rsc

hu

ng

sbe

ric

ht

(Fo

rsc

hu

ng

sbe

ric

ht

Nr.

47

/Au

gu

st 2

01

9).

Be

rlin

:

Ho

ch

sch

ulfo

rum

Dig

ita

lisie

run

g.

rezeptiv

. F Handeln ableiten

. E Daten interpretieren

. D Ergebnisse interpretieren

Kompetenzfelder

Sc

hü

ller,

K., B

usc

h,

P., &

Hin

din

ge

r, C

. 2

01

9.

Fu

ture

Skill

s: E

in F

ram

ew

ork

fü

r D

ata

Lite

rac

y.

Ko

mp

ete

nzr

ah

me

n u

nd

Fo

rsc

hu

ng

sbe

ric

ht

(Fo

rsc

hu

ng

sbe

ric

ht

Nr.

47

/Au

gu

st 2

01

9).

Be

rlin

:

Ho

ch

sch

ulfo

rum

Dig

ita

lisie

run

g.

produktiv

. A Datenkultur etablieren

. B Daten bereitstellen

. C Daten auswerten

. Wissen

(Fach-)Kenntnisse zur Bewältigung eines Prozesses

. Fähigkeiten & FertigkeitenVoraussetzungen für die Anwendung des Wissens

. Motivation & (Wert-)HaltungenReflexion, Ethik, Offenheit, Lernen aus Fehlern

Sc

hü

ller,

K., B

usc

h,

P., &

Hin

din

ge

r, C

. 2

01

9.

Fu

ture

Skill

s: E

in F

ram

ew

ork

fü

r D

ata

Lite

rac

y.

Ko

mp

ete

nzr

ah

me

n u

nd

Fo

rsc

hu

ng

sbe

ric

ht

(Fo

rsc

hu

ng

sbe

ric

ht

Nr.

47

/Au

gu

st 2

01

9).

Be

rlin

:

Ho

ch

sch

ulfo

rum

Dig

ita

lisie

run

g.

Kompetenzdimensionen

Spot2

. Rahmen Future Skills, Data Literacy, Kompetenzen

. Integrationinstitutionelle Verankerung, Netzwerke, curriculare Anbindung

. Lehre & LernenFormate, Didaktiken

. 5200 Studierende

(35% weiblich, 13% international)

. 182 Professor*innen. 178 technisch-wissenschaftliche Mitarbeiter*innen

. 9 Fakultäten. 23 Bachelor- & 10 Masterstudiengänge

UASMannheim

trimodal3

bimodal2

unimodal1

multim

odal

n

unimodal1

. Studienanfang

. Data LiteracyKernkompetenzen

. Ringvorlesung mit Praxisübungen

trimodal3

. Hauptstudium

. Vertiefung spezifischer Data LiteracyKompetenzen

. datengetriebenes Lehr-Lern-Forschungsprojekt

bimodal2

. Grundstudium

. fortgeschrittene Data Literacy Kompetenzen

. interdisziplinäres Datenprojekt

modal

Strukturen

trimodal3

bimodal2

unimodal1

multim

odal

n

. Anbindung Leitungsebene

. dezentrale Organisation

. Change Prozesse mitgestalten

. interdisziplinäres Lehren & Lernen

. Kooperationen mit Wirtschaft, Verwaltung & Zivilgesellschaft

. überregionale Kompetenznetzwerke

. externe Anschubfinanzierung

Spot3

. Rahmen Future Skills, Data Literacy, Kompetenzen

. Integrationinstitutionelle Verankerung, Netzwerke, curriculare Anbindung

. Lehre & LernenFormate, Didaktiken

Formate

Rid

sda

le,

Ch

an

tel, J

am

es

Ro

thw

ell,

Mik

e S

mit,

Ho

ssa

mA

li-H

ass

an

, M

ich

ae

l B

liem

el, D

ea

n

Irv

ine

, D

an

iel K

elle

y, Sta

n M

atw

in,

un

d B

rad

Wu

eth

eric

k. „Str

ate

gie

sa

nd

Be

st P

rac

tic

es

for

Da

ta L

ite

rac

yEd

uc

atio

n“.

Kn

ow

led

ge

Syn

the

sis

Re

po

rt. H

alif

ax,

Ca

na

da

: D

alh

ou

sie

Un

ive

rsity,

20

15

. h

ttp

://d

ata

lite

rac

y.c

a/.

. Benefits of data & data skills

clearly stated from the beginning

. Hands-on learning in workshops and labs

. Module-based learning

. Project-based learning

. Integrating data literacy teaching into existing subjects

unimodal1

unimodal1

. Ringvorlesung

Impulse zu 5 Kompetenzfeldern

. Studierende aller Fächer in der Studieneingangsphase

. Alternation Vortrag - Praxisübungen

01 Daten in Beruf &

Gesellschaft

03 Daten Formen

02 Daten Sammeln

04 Daten Lesen

05 Daten geleitet Handeln

bimodal2

bimodal2

unimodal1

. interdisziplinäres

Datenprojekt

. Studierende aller Fächer im Grundstudium (2.-3. Fachsemester)

. Projektarbeit, Peer-Begleitung, Selbstorganisation

1. Identify a problem based on data

2. Locate information relevant to the problem3. Evaluate that information

4. Apply the information to solve the problem5. Reflect on the process

6. instantiate the new knowledge to identify new

problems or questions

Datenprojekt

Kick-Off2. Woche

Zwischenpräsentation5. Woche

Finals11. Woche

Ne

um

an

, D

. (2

01

6).

To

wa

rd a

Th

eo

ry o

f

Info

rma

tio

n L

ite

rac

y. In

S.

Ku

rba

no

ğlu

et

al.

(Hrs

g.)

, In

form

atio

n L

ite

rac

y: K

ey t

o a

n In

clu

siv

e

So

cie

ty (

S.

26

7–2

76

). C

ha

m: Sp

rin

ge

r.

Team-building

Problem-definition

Lösungs-ansatz

Um-setzung

Präsen-tation

bimodal2

unimodal1

Begleitung

bimodal2

unimodal1

. Peer-to-Peer Begleitung

qualifizierte Tutor*innen aller Fächer

. Team-BeratungExpert*innen in allen Fakultäten, Praxispartner*innen

. Skill WeekDatenerhebung & -analyse, Visualisierung,

Präsentation, VR/AR

Ressourcen

bimodal2

unimodal1

. aktuelle, praxisnahe Themenstellung

. kuratierte Datensätze

. Infrastruktur VR/AR-Umgebungen, CAD, Soft- & Hardware

trimodal3

bimodal2

unimodal1

trimodal3

. datengestützte inter- & transdisziplinäre

Lehr-Lern-Forschungsprojekte

. Studierende aus Informatik,

Design & Sozialwesenim Hauptstudium (4.-7. Fachsemester)

. real-life-problems, explorative Datenanalysen, funktionale Prototypen

trimodal3

bimodal2

unimodal1

multim

odal

n

multimodaln

. wissenschaftlicher Diskurs

. transdisziplinäre Kooperationen & Netzwerke

. Transfer von Projektergebnissen

. Train-the-Trainer

. Evaluation, Begleitforschung

Matthias Bandtel

Hochschule MannheimMannheimer Modell

Data Literacy Education

modal@hs-mannheim.demodal.hs-mannheim.de

HerzlichenDank