Prof. Dr. Karsten Lübke ist Diplom-Statistiker und lehrt an der FOM Hochschule die Fächer Wirtschaftsmathematik und Statistik. In diesem Blogebeitrag beleuchtet er Data Literacy in der Hochschullehre und plädiert dazu mutig zu sein und Fehler auch mal zuzulassen.

Dank Digitalisierung & Co. haben wir allgegenwärtige Datenerhebung (Überwachung?), Big Data und auch Open Data. Aber: Daten an sich führen nicht immer und direkt zu einem Nutzen. Und: Haben wir überhaupt die richtigen Daten – z. B. in der aktuellen Situation? Neben einem Mehr an Daten, gibt es auch ein Mehr an Möglichkeiten der Auswertung. Algorithmen unterstützen uns – und bestimmen über uns mit (siehe z. B. das Gutachten der Datenethikkommission).

Dies alles bedarf der kritischen und verantwortlichen Reflexion. Um mit Daten und Analysen die richtigen Schlussfolgerungen und Handlungen abzuleiten, sind eine Menge Kompetenzen erforderlich – siehe Future Skills: Ein Framework für Data Literacy (Arbeitspapier 47). Schließlich wollen wir alle vermeiden Daten-Clowns (The 9 Pitfalls of Data Science) zu sein.

Die Welt der Daten hat sich in den letzten 40-50 Jahren massiv erweitert. Wie können wir als Hochschule da in der Lehre mithalten?

Erinnerung und Aufbruch

Das grundlegende Bedürfnis Daten zu nutzen, um die Welt besser zu verstehen, ist schon alt. Innerhalb der Statistik, aber natürlich auch in der Informatik und den Anwendungen, fangen wir nicht bei null an. Wir haben Wissen und wir haben neue Möglichkeiten. Dies gilt sowohl für Datenquellen (z. B. Our World in Data, aber auch Texte, Graphen usw.) und für Auswertungsmethoden (z.B. Algorithmic Modeling) – als auch in der Lehre (z.B. Interaktive Tutorials) und im Austausch (z.B. Data Literacy Education Netzwerk).

Wir können (und sollten) diese Chancen nutzen!

Neue Inhalte, neue Methoden

Der Einsatz von Technologie ermöglicht es, abstrakte Konzepte der Unsicherheit und Modellierung erfahrbarer zu machen. Wir setzen an der FOM Hochschule gGmbH methodisch auf Simulationsbasierte Inferenz im Rahmen einer einheitlichen Modellierung.

Ein verantwortungsvoller Umgang mit Daten sollte transparent sein (siehe Project Tier). Tools, die Transparenz unterstützen, lehren wir von Anfang an, z. B.
R Markdown.

Damit wir bei all dem Neuen nicht den Fokus verlieren und den Studierenden ein einheitliches Handwerkszeug mitgeben können, verwenden wir mosaic. Aber nicht die Tools sind entscheidend, sondern das konzeptionelle Verstehen, der Prozess von der Fragestellung zur (vorläufigen) Antwort mit Hilfe von Daten. Dieses steht als Ausbildungsziel im Vordergrund.

Zusammenarbeit

Eine Besonderheit der FOM ist neben der praxisorientierten Ausbildung für berufstätige Studierende die Zusammenarbeit von mehr als 30 Studienzentren deutschlandweit. So haben wir gemeinsam z. B. über github Lehr- und Lernmaterialien mit der Möglichkeit zum Einsatz in allen Studiengängen an allen Standorten entwickelt. Durch Kollaboration der Fachkolleginnen und -kollegen ist Qualitätssicherung und -weiterentwicklung möglich. Oft sind es nur kleine Lehrtipps, die für mehr Klarheit auf Seiten der Studierenden sorgen. Bei uns können gut funktionierende Ansätze unter den Kolleginnen und Kollegen schnell ausgetauscht werden, um die Lehre zu verbessern.

Der Austausch unter Fachkolleginnen und -kollegen erfolgt nicht nur intern. Neben dem bereits erwähnten Data Literacy Education Netzwerk beteiligen wir uns auch rege am akademischen Diskurs, z. B. über Vorträge, Tagungsbeiträge, Paper und Soziale Medien.

Yes, we can

Wir haben Möglichkeiten innerhalb der Data Literacy Education, die es vor wenigen Jahren noch nicht gab. Neue Wege zu bestreiten, erfordert Mut und den Willen zur Veränderung. Veränderung bedeutet auf der einen Seite, Fehler zuzulassen. Und ich habe viele gemacht (mögen meine Studierenden mir verzeihen…). Ich hoffe, ich habe dazugelernt. Auf der anderen Seite bedeutet Veränderung, dass liebgewonnene curriculare Inhalte gestrichen werden müssen. Das kann schmerzen und darüber muss gestritten werden – etwas, was in unserem großen Kreis der Fachkolleginnen und -kollegen größtenteils gut gelingt.

Viele Rückmeldungen zeigen zudem, dass meine Studierenden mehr verstehen, Daten mehr und besser nutzen können. Damit hat es sich gelohnt.