Wie können Hochschulen Studierenden aller Fächer die ......Nov 07, 2019 · im Umgang mit Medien...
Transcript of Wie können Hochschulen Studierenden aller Fächer die ......Nov 07, 2019 · im Umgang mit Medien...
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
HerzlichenDank