Working paper Open Access

Data Literacy: Ein Systematic Review

Katharina Schüller; Paulina Busch


MARC21 XML Export

<?xml version='1.0' encoding='UTF-8'?>
<record xmlns="http://www.loc.gov/MARC21/slim">
  <leader>00000nam##2200000uu#4500</leader>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Future Skills</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Data Literacy</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Curriculumentwicklung</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">21st Century Skill</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Systematic Review</subfield>
  </datafield>
  <datafield tag="653" ind1=" " ind2=" ">
    <subfield code="a">Data Literacy Kompetenzrahmen</subfield>
  </datafield>
  <controlfield tag="005">20200124192136.0</controlfield>
  <controlfield tag="001">3484583</controlfield>
  <datafield tag="700" ind1=" " ind2=" ">
    <subfield code="u">STAT-UP</subfield>
    <subfield code="a">Paulina Busch</subfield>
  </datafield>
  <datafield tag="856" ind1="4" ind2=" ">
    <subfield code="s">3440447</subfield>
    <subfield code="z">md5:04bbaaac8061a766da28ca6be7c3e499</subfield>
    <subfield code="u">https://zenodo.org/record/3484583/files/HFD_AP_Nr_46_DALI_Systematic_Review_WEB.pdf</subfield>
  </datafield>
  <datafield tag="542" ind1=" " ind2=" ">
    <subfield code="l">open</subfield>
  </datafield>
  <datafield tag="260" ind1=" " ind2=" ">
    <subfield code="c">2019-08-15</subfield>
  </datafield>
  <datafield tag="909" ind1="C" ind2="O">
    <subfield code="p">openaire</subfield>
    <subfield code="o">oai:zenodo.org:3484583</subfield>
  </datafield>
  <datafield tag="100" ind1=" " ind2=" ">
    <subfield code="u">STAT-UP</subfield>
    <subfield code="a">Katharina Schüller</subfield>
  </datafield>
  <datafield tag="245" ind1=" " ind2=" ">
    <subfield code="a">Data Literacy: Ein Systematic Review</subfield>
  </datafield>
  <datafield tag="540" ind1=" " ind2=" ">
    <subfield code="u">https://creativecommons.org/licenses/by/4.0/legalcode</subfield>
    <subfield code="a">Creative Commons Attribution 4.0 International</subfield>
  </datafield>
  <datafield tag="650" ind1="1" ind2="7">
    <subfield code="a">cc-by</subfield>
    <subfield code="2">opendefinition.org</subfield>
  </datafield>
  <datafield tag="520" ind1=" " ind2=" ">
    <subfield code="a">&lt;p&gt;1.1 Management Summary&lt;br&gt;
Welches Wissen, welche F&amp;auml;higkeiten, welche Haltung ben&amp;ouml;tigt es in Gesellschaft, Arbeitswelt und&lt;br&gt;
Wissenschaft, in denen Daten als wertvolle, mitunter die wertvollste Ressource gelten und Entscheidungen&lt;br&gt;
zunehmend auf der Grundlage von Daten getroffen werden? Zweifellos werden Digitalisierung&lt;br&gt;
und Datafizierung das Leben und Arbeiten im 21. Jahrhundert nachhaltig ver&amp;auml;ndern.&lt;br&gt;
K&amp;uuml;nstliche Intelligenz, vernetzte Produktion, kommunizierende Maschinen und selbstfahrende Autos&lt;br&gt;
werden von Daten gesteuert und produzieren selbst Daten am laufenden Band. Daten sind die&lt;br&gt;
Ausgangsbasis f&amp;uuml;r Wissens- bzw. Wertsch&amp;ouml;pfung als Grundlage f&amp;uuml;r bessere Entscheidungen.&lt;br&gt;
Der Prozess der Wissenssch&amp;ouml;pfung umfasst mehrere Schritte: (A) Datenkultur etablieren &amp;ndash; (B) Daten&lt;br&gt;
bereitstellen &amp;ndash; (C) Daten auswerten &amp;ndash; (D) Ergebnisse interpretieren &amp;ndash; (E) Daten interpretieren &amp;ndash;&lt;br&gt;
(F) Handeln ableiten. Um systematisch Wissen bzw. Wert aus Daten zu sch&amp;ouml;pfen, ist deshalb zuk&amp;uuml;nftig&lt;br&gt;
in allen Sektoren und Disziplinen die F&amp;auml;higkeit, planvoll mit Daten umzugehen und sie im&lt;br&gt;
jeweiligen Kontext bewusst einsetzen und hinterfragen zu k&amp;ouml;nnen, von entscheidender Bedeutung.&lt;br&gt;
Dies wird als Data Literacy bezeichnet und umfasst die F&amp;auml;higkeiten, Daten auf kritische Art und&lt;br&gt;
Weise zu sammeln, zu managen, zu bewerten und anzuwenden. Data Literacy ist weit mehr als ein&lt;br&gt;
breites und tiefes Detailwissen &amp;uuml;ber sich laufend ver&amp;auml;ndernde Methoden und Technologien. Vielmehr&lt;br&gt;
spielt die Dimension der Datenethik, der Motivation und Werthaltung eine zentrale Rolle, um&lt;br&gt;
zuk&amp;uuml;nftig mit Daten erfolgreich und souver&amp;auml;n umgehen zu k&amp;ouml;nnen.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
Data Literacy ist eine Schl&amp;uuml;sselkompetenz des 21. Jahrhunderts, die in der modernen Gesellschaft&lt;br&gt;
und Arbeitswelt unerl&amp;auml;sslich sein wird. Data Literacy muss deshalb von Beginn an und&lt;br&gt;
f&amp;auml;cher&amp;uuml;bergreifend an den Hochschulen vermittelt werden. Hierf&amp;uuml;r bedarf es eines&lt;br&gt;
Kompetenzrahmens, d.h. eines Modells zur strukturierten Beschreibung von effektivem Verhalten in&lt;br&gt;
einem gegebenen Aufgabenkontext. Er umfasst Kompetenzen, deren Definitionen und daraus&lt;br&gt;
abgeleitete Verhaltensindikatoren. Ein derartiger Kompetenzrahmen soll alle Stufen des Wissensbzw.&lt;br&gt;
Wertsch&amp;ouml;pfungsprozesses aus Daten abbilden; er soll alle Kompetenzdimensionen erfassen:&lt;br&gt;
(a) Wissen, (b) Fertigkeiten, (c) F&amp;auml;higkeiten, (d) Motivation und (Wert-)Haltung; er soll es erlauben,&lt;br&gt;
die erfassten Kompetenzen in konkrete und testbare Lern- oder Kompetenzziele zu &amp;uuml;berf&amp;uuml;hren; und&lt;br&gt;
er soll die Interdisziplinarit&amp;auml;t der Aufgabe reflektieren, also widerspiegeln, dass neben&lt;br&gt;
Datenexpert*innen auch Fachleute f&amp;uuml;r Datenschutz und Datenethik ben&amp;ouml;tigt werden.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
Au&amp;szlig;erdem ist zu erforschen, wie Data Literacy gemessen und getestet werden kann. Geeignete&lt;br&gt;
Mess- und Testinstrumente erfassen kognitive und affektive Lernbereiche; sie umfassen m&amp;ouml;glichst&lt;br&gt;
viele Lernstufen: (a) Reaktion, (b) Lernerfolg, (c) Verhalten, (d) Ergebnis; sie sind transparent&lt;br&gt;
bez&amp;uuml;glich der M&amp;ouml;glichkeiten und Grenzen einer Schlussfolgerung von beobachtbarem Verhalten auf&lt;br&gt;
dahinter liegender Kompetenz; sie gen&amp;uuml;gen den Testg&amp;uuml;tekriterien der Validit&amp;auml;t, Reliabilit&amp;auml;t und&lt;br&gt;
Objektivit&amp;auml;t; und schlie&amp;szlig;lich sind sie mit vertretbarem Aufwand (Geld, Zeit, ben&amp;ouml;tigte F&amp;auml;higkeiten&lt;br&gt;
der Pr&amp;uuml;fer*innen) durchzuf&amp;uuml;hren.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
Die vorliegende Studie verfolgt somit zwei Ziele. Erstens soll ein Kompetenzrahmen f&amp;uuml;r&lt;br&gt;
Digitalkompetenzen am Beispiel von Data Literacy entwickelt und umsetzbares Wissen f&amp;uuml;r Hochschulen verf&amp;uuml;gbar gemacht werden. Zweitens soll die Messung von Wirkung und Qualit&amp;auml;t von Lehre und Studium im digitalen Zeitalter wie auch die Testentwicklung f&amp;uuml;r Digitalkompetenzen am Beispiel von Data Literacy vorbereitet werden. Die Studie richtet sich an Verantwortliche f&amp;uuml;r die&lt;br&gt;
Curriculumentwicklung in der Hochschulpolitik und den Hochschulen selbst, aber auch an&lt;br&gt;
Lehrende, die nach konkreten Ans&amp;auml;tzen zur Vermittlung und Evaluation von Data Literacy suchen.&lt;br&gt;
Hierf&amp;uuml;r stellt das Arbeitspapier einen ausdifferenzierten Kompetenzrahmen zur Verf&amp;uuml;gung, der zur&lt;br&gt;
Ableitung von Lernzielen in zahlreichen Fachgebieten und Studieng&amp;auml;ngen dienen kann. M&amp;ouml;gliche&lt;br&gt;
Mess- und Testverfahren f&amp;uuml;r Data Literacy werden n&amp;auml;her beleuchtet. Beispielhaft ist anhand von&lt;br&gt;
Fallstudien aufgezeigt, wie der Kompetenzrahmen in realen Problemsituationen dazu beitragen&lt;br&gt;
kann, Daten nutzbar zu machen.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
Nun gilt es, die erarbeiteten Ergebnisse in Vorschl&amp;auml;ge f&amp;uuml;r Curricula umzusetzen. Daf&amp;uuml;r m&amp;uuml;ssen&lt;br&gt;
Pilothochschulen und Pilotstudieng&amp;auml;nge ausgew&amp;auml;hlt werden, in denen spezifische Lernziele f&amp;uuml;r die&lt;br&gt;
jeweiligen Disziplinen aus dem Kompetenzrahmen abgeleitet werden. Zu diskutieren ist weiter der&lt;br&gt;
Aspekt des lebenslangen Lernens von Schl&amp;uuml;sselkompetenzen: Wie kann bzw. sollte Data Literacy&lt;br&gt;
bereits in der Schule sowie sp&amp;auml;ter in der Arbeitswelt und der Erwachsenenbildung vermittelt&lt;br&gt;
werden? In jedem Fall braucht es didaktische Ans&amp;auml;tze, die der Interdisziplinarit&amp;auml;t der Aufgabe&lt;br&gt;
gerecht werden, denn komplexe Datenprojekte werden bereits heute im Team bearbeitet, sie&lt;br&gt;
erfordern ein multiprofessionelles Arbeiten, das die F&amp;auml;higkeit zum Projektmanagement und die&lt;br&gt;
Kenntnis organisatorischer, rechtlicher und ethischer Rahmenbedingungen miteinschlie&amp;szlig;t. Nicht&lt;br&gt;
zuletzt bedarf die Frage, wie die Lehrenden f&amp;uuml;r diese Herausforderung qualifiziert werden k&amp;ouml;nnen,&lt;br&gt;
einer Antwort.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
1.2 Aufbau des Arbeitspapiers&lt;br&gt;
Das vorliegende Systematic Review dokumentiert die Literaturrecherche. Im Kapitel Hintergrund&lt;br&gt;
und Zielsetzung pr&amp;auml;zisiert das Arbeitspapier zun&amp;auml;chst den Begriff der Data Literacy als &amp;bdquo;21st&lt;br&gt;
Century Skill&amp;ldquo; und den kompetenzdefinierenden Prozess. Daraus werden Kriterien zur Bewertung&lt;br&gt;
von Relevanz und Durchf&amp;uuml;hrbarkeit m&amp;ouml;glicher Kompetenzrahmen-Modelle abgeleitet. Die&lt;br&gt;
Recherche von Modellen zur Messung und zur Operationalisierung bzw. Testung von Kompetenzen&lt;br&gt;
legt einen Schwerpunkt insbesondere auf die nichttechnischen Kompetenzen (z. B. konzeptuelle&lt;br&gt;
Kompetenzen). Die Ergebnisse wurden mit ausgew&amp;auml;hlten Fachleuten aus Hochschulen sowie&lt;br&gt;
Praktiker*innnen aus verschiedenen Fachgebieten diskutiert und validiert.&lt;br&gt;
Das folgende Kapitel Vorgehensweise dokumentiert das Vorgehen zur Recherche geeigneter&lt;br&gt;
Kompetenzrahmen, die als Ausgangsbasis f&amp;uuml;r den zu entwickelnden Kompetenzrahmen dienen&lt;br&gt;
k&amp;ouml;nnen, wobei die verschiedenen Ausbildungszwecke und Bildungsstufen ber&amp;uuml;cksichtigt wurden.&lt;br&gt;
Es beschreibt, wie anhand eines vorab festgelegten Rechercheplans eine Recherche im Internet&lt;br&gt;
und einschl&amp;auml;gigen Portalen (z. B. Web of Science) sowie in Fachzeitschriften (z. B. Statistics&lt;br&gt;
Education Research Journal) und vorab identifizierter Literatur durchgef&amp;uuml;hrt wurde.&lt;br&gt;
Das Kapitel Ergebnisse beinhaltet relevante Dokumente, die anhand geeigneter Kriterien&lt;br&gt;
(insbesondere der Zitierh&amp;auml;ufigkeit) identifiziert und genauer ausgearbeitet wurden. Dies erfolgte&lt;br&gt;
einerseits in Form einer tabellarischen Literaturzusammenfassung. Dabei wurden die Dokumente&lt;br&gt;
in Kategorien gegliedert, denen sie thematisch vornehmlich zuzuordnen sind. Diese Kategorien&lt;br&gt;
beziehen sich auf die einzelnen Elemente des Recherchegegenstandes der Studie, etwa den&lt;br&gt;
Kompetenzrahmen, die Definitionen der Literacies, m&amp;ouml;gliche Testinstrumente oder einzelne&lt;br&gt;
Fallstudien. Zus&amp;auml;tzlich zu den Metadaten der Dokumente wurde die jeweilige Kernaussagefestgehalten. Des Weiteren wurden die Dokumente, die sich auf die drei Hauptaspekte dieser Studie beziehen, n&amp;auml;mlich Definition der Literacies, Definition des Kompetenzrahmens und Testinstrumente, in einheitlich strukturierten Steckbriefen zusammengefasst, um die&lt;br&gt;
verschiedenen Aussagen des Dokuments und dessen Einordnung auf einen Blick erfassen zu&lt;br&gt;
k&amp;ouml;nnen.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
Die recherchierten Definitionen, Kompetenzen und Testverfahren wurden im n&amp;auml;chsten Schritt, dem&lt;br&gt;
eigentlichen Review, anhand von Bewertungsschemata kategorisiert und verglichen, um&lt;br&gt;
Gemeinsamkeiten und Besonderheiten auszumachen. Diese Bewertungsschemata st&amp;uuml;tzen sich auf&lt;br&gt;
wesentliche Vorarbeiten, insbesondere existierende Systematic Reviews zu Information Literacy&lt;br&gt;
und Digital Literacy. Dar&amp;uuml;ber hinaus wurden fehlende Aspekte erg&amp;auml;nzt, welche im Dialog mit&lt;br&gt;
weiteren Fachleuten als wesentlich identifiziert wurden.&lt;br&gt;
Das abschlie&amp;szlig;ende Kapitel dient der Vorauswahl geeigneter Modelle f&amp;uuml;r Data Literacy Kompetenzrahmen&lt;br&gt;
sowie Mess- und Testinstrumente. Ein Ausblick schlie&amp;szlig;t den Systematic Review ab und&lt;br&gt;
leitet &amp;uuml;ber zum Forschungsbericht als dem zweiten Arbeitspapier der vorliegenden Studie.&lt;br&gt;
1.3 Abgrenzung und Bezug zu den weiteren Arbeitspapieren der Studie&lt;br&gt;
Die Studie &amp;bdquo;Entwicklung eines Kompetenzrahmens und vorbereitende Studie zur Kompetenzmessung&lt;br&gt;
von 21st Century Skills am Beispiel von Data Literacy&amp;ldquo; umfasst insgesamt zwei Arbeitspapiere.&lt;br&gt;
Neben dem vorliegenden Systematic Review ist dies ein Forschungsbericht (Sch&amp;uuml;ller, Busch &amp;amp;&lt;br&gt;
Hindinger, 2019), der auch den entwickelten Kompetenzrahmen dokumentiert.&lt;br&gt;
Das vorliegende Dokument liefert einen ausf&amp;uuml;hrlichen Vorgehens- und Ergebnisbericht &amp;uuml;ber die&lt;br&gt;
Recherche und Einordnung der Vorarbeiten. Er dient der weiteren Forschung sowie der Auswahl&lt;/p&gt;

&lt;p&gt;festgehalten. Des Weiteren wurden die Dokumente, die sich auf die drei Hauptaspekte dieser Studie&lt;br&gt;
beziehen, n&amp;auml;mlich Definition der Literacies, Definition des Kompetenzrahmens und&lt;br&gt;
Testinstrumente, in einheitlich strukturierten Steckbriefen zusammengefasst, um die&lt;br&gt;
verschiedenen Aussagen des Dokuments und dessen Einordnung auf einen Blick erfassen zu&lt;br&gt;
k&amp;ouml;nnen.&lt;/p&gt;

&lt;p&gt;&lt;br&gt;
Die recherchierten Definitionen, Kompetenzen und Testverfahren wurden im n&amp;auml;chsten Schritt, dem&lt;br&gt;
eigentlichen Review, anhand von Bewertungsschemata kategorisiert und verglichen, um&lt;br&gt;
Gemeinsamkeiten und Besonderheiten auszumachen. Diese Bewertungsschemata st&amp;uuml;tzen sich auf&lt;br&gt;
wesentliche Vorarbeiten, insbesondere existierende Systematic Reviews zu Information Literacy&lt;br&gt;
und Digital Literacy. Dar&amp;uuml;ber hinaus wurden fehlende Aspekte erg&amp;auml;nzt, welche im Dialog mit&lt;br&gt;
weiteren Fachleuten als wesentlich identifiziert wurden.&lt;br&gt;
Das abschlie&amp;szlig;ende Kapitel dient der Vorauswahl geeigneter Modelle f&amp;uuml;r Data Literacy Kompetenzrahmen&lt;br&gt;
sowie Mess- und Testinstrumente. Ein Ausblick schlie&amp;szlig;t den Systematic Review ab und&lt;br&gt;
leitet &amp;uuml;ber zum Forschungsbericht als dem zweiten Arbeitspapier der vorliegenden Studie.potenziell geeigneter, existierender Test- und Messinstrumente f&amp;uuml;r Data Literacy f&amp;uuml;r praktische&lt;br&gt;
Projekte.&lt;br&gt;
Der Forschungsbericht fasst die Ergebnisse der Studie insgesamt zusammen und sammelt Instrumente,&lt;br&gt;
die die Grundlage f&amp;uuml;r Testentwicklung in einem Folgeprojekt bilden k&amp;ouml;nnen. Es liefert zudem&lt;br&gt;
eine ausf&amp;uuml;hrliche Dokumentation des entwickelten Kompetenzrahmens einschlie&amp;szlig;lich der &amp;Uuml;berlegungen&lt;br&gt;
zu seiner Herleitung&lt;/p&gt;</subfield>
  </datafield>
  <datafield tag="773" ind1=" " ind2=" ">
    <subfield code="n">doi</subfield>
    <subfield code="i">isVersionOf</subfield>
    <subfield code="a">10.5281/zenodo.3484582</subfield>
  </datafield>
  <datafield tag="024" ind1=" " ind2=" ">
    <subfield code="a">10.5281/zenodo.3484583</subfield>
    <subfield code="2">doi</subfield>
  </datafield>
  <datafield tag="980" ind1=" " ind2=" ">
    <subfield code="a">publication</subfield>
    <subfield code="b">workingpaper</subfield>
  </datafield>
</record>
110
92
views
downloads
All versions This version
Views 110110
Downloads 9292
Data volume 316.5 MB316.5 MB
Unique views 9090
Unique downloads 7777

Share

Cite as