Die Entzauberung der datengesteuerten Welt

Laufzeit: Januar 2025 – Dezember 2025
Status: Abgeschlossen
Bildungsstufe: Tertiärstufe
Thema: Artificial Intelligence AI, Data Science for Education, Digital Skills & Literacy
Keywords: Problemlösung, Kritisches Denken, Digitale Kompetenz, Medienkompetenz

Ausgangslage

Mit der Omnipräsenz der Medien und der Vernetzung benötigen Student*innen nicht nur grundlegende Kompetenzen, um sich im heutigen datenreichen Umfeld der modernen Gesellschaft zurechtzufinden und dieses kritisch zu hinterfragen, sie sind in sozialen Medien auch anfällig für Fehlinformationen und Desinformation. Um Student*innen zu befähigen, schlägt dieses Projekt die Entwicklung und Implementation eines Lehrangebots an der Berner Fachhochschule (BFH) und der Universität Bern (UniBe) vor, das darauf abzielt, die Data Literacy‑Kompetenzen der Student*innen zu stärken, etwa das Erkennen statistischer Fallen, die Verwechslung von Kausalität und Korrelation, die Ausnutzung menschlicher kognitiver Verzerrungen sowie die Erkennung von Falschmeldungen. Aufbauend auf den Prinzipien aus «Calling Bullshit: The Art of Skepticism in a Data‑Driven World» von Carl T. Bergstrom und Jevin D. West (2020) ist eine solide Grundlage bereits geschaffen, und erste Kursmaterialien sind verfügbar. Zusätzlich dient Alex Edmans Buch «May Contain Lies: How Stories, Statistics, and Studies Exploit Our Biases» (2024) als zweite Quelle und Pflichtlektüre für die Student*innen. Für den Kurs werden bestehende Materialien in den Schweizer Kontext adaptiert und lokal relevante Fallbeispiele und Beispiele integriert. Durch eine quantitative Bewertung, die an beiden Institutionen und in verschiedenen Studiengängen durchgeführt wird, überprüft das Forschungsteam die Wirksamkeit des Kurses zur Verbesserung der Fähigkeit der Student*innen, Daten und Informationen kritisch zu analysieren und zu interpretieren.

Die entwickelten Materialien werden zuerst an der BFH eingesetzt. Kuratierte Teile der Materialien werden in praxisbezogenen Vorträgen, Keynotes sowie in Sitzungen angrenzender CAS Programme für die Fachöffentlichkeit genutzt.

Ziele

Das Hauptziel dieses Projekts ist die Entwicklung und Implementation eines Kurses, der die Data Literacy‑Kompetenzen der Student*innen signifikant verbessert. Dieser Kurs basiert auf den Prinzipien aus «Calling Bullshit: The Art of Skepticism in a Data‑Driven World» von Carl T. Bergstrom und Jevin D. West sowie Alex Edmans «May Contain Lies: How Stories, Statistics, and Studies Exploit Our Biases». In Anerkennung des Bedarfs an einem lokalisierten Ansatz werden die bestehenden Materialien und Illustrationen an den Schweizer Kontext angepasst, indem relevante lokale Beispiele und Fallstudien integriert werden, die bei Student*innen der BFH, der UniBe und anderer beteiligter Institutionen stärker resonieren. Beide Bücher dienen als literarischer Hintergrund für den Kurs und, abhängig vom statistischen und mathematischen Vorwissen der Student*innen, müssen die Materialien flexibel gestaltet sein, um ein breites Publikum zu berücksichtigen. Um dies zu erreichen, unternehmen wir einen systematischen Prozess zur Materialanpassung und Kursentwicklung. Dies beinhaltet eine gründliche Überprüfung des bestehenden Curriculums und die Identifikation von Inhalten, die direkt angewendet oder modifiziert werden können, um dem akademischen und kulturellen Umfeld der Schweiz gerecht zu werden. Die Zusammenarbeit mit lokalen Expert*innen ist wesentlich für die Entwicklung von Fallstudien, die die spezifischen Datenherausforderungen und institutionellen Kontexte der Schweiz widerspiegeln.

Ein zentraler Bestandteil dieses Projekts ist die quantitative Bewertung der Wirkung des Kurses auf die Data Literacy‑Kompetenzen der Student*innen. Durch standardisierte Tests vor und nach dem Kurs sollen die Verbesserungen der Kompetenzen unter den Teilnehmer*innen gemessen werden. Diese Pre‑ und Post‑Assessments werden an mehreren Institutionen durchgeführt und liefern eine robuste Datengrundlage zur Evaluation der Wirksamkeit des Kurses. Schliesslich soll dieses Projekt eine Kultur des kritischen Denkens und der fundierten Entscheidungsfindung unter Student*innen fördern. Indem sie mit den Fähigkeiten ausgestattet werden, trügerische Datenpraktiken zu erkennen und in Frage zu stellen, wollen wir zu einer informierteren und skeptischeren Öffentlichkeit beigetragen, die besser darauf vorbereitet ist, sich in der komplexen Informationslandschaft der Gegenwart zurechtzufinden. Durch diese Ziele streben wir an, einen nachhaltigen Einfluss auf die Data Literacy‑Ausbildung zu haben und Student*innen zu kritischen und urteilsfähigen Informationskonsument*innen zu befähigen.

Methode

Das Projekt verwendet ein quasi‑experimentelles Design mit Pre‑ und Post‑Kurs‑Assessments, um Veränderungen in den Data Literacy‑Kompetenzen der Student*innen zu messen. Der Kurs, der als experimentelle Bedingung dient, wird vom Projektteam entwickelt und an verschiedenen Institutionen durchgeführt. Der Kurs wird durch eine Reihe systematischer Schritte entwickelt, beginnend mit der Anpassung bestehender Materialien aus dem «Calling Bullshit»‑Kurs, um schweizerspezifische Inhalte und Beispiele zu integrieren. Dadurch wird die Relevanz des Kurses für den lokalen Kontext sichergestellt. Zusätzlich ist die Zusammenarbeit mit lokalen Expert*innen integraler Bestandteil zur Identifikation und Entwicklung relevanter Fallstudien, die bei der Zielgruppe Anklang finden. Abhängig von unterschiedlichen Kursstrukturen, Ressourcenverfügbarkeiten und Komplexitäten müssen die Materialien entsprechend angepasst werden. Der Kurs wird zuerst an der BFH, danach potenziell an der Universität Bern und möglicherweise bei Partnerinstitutionen implementiert, um seine Reichweite und Wirkung zu erhöhen. Um Verbesserungen in der Data Literacy quantitativ zu messen, werden standardisierte Tests vor und nach dem Kurs bei den Student*innen durchgeführt.

Im Anschluss an die Datensammlung werden statistische Methoden zur Analyse der Ergebnisse eingesetzt. Deskriptive Statistik liefert einen Überblick über allgemeine Trends und durchschnittliche Leistungssteigerungen. Inferenzstatistische Verfahren, wie gepaarte t‑Tests oder ANOVA, werden angewendet, um die Signifikanz der Veränderungen zwischen den Pre‑ und Post‑Assessments zu bestimmen. Diese Analyse hilft dabei, die Wirksamkeit des Kurses zur Verbesserung der Data Literacy unter verschiedenen Studiengängen und Bedingungen zu identifizieren. Zusätzlich können Regressionsanalysen durchgeführt werden, um potenzielle Einflussfaktoren der beobachteten Veränderungen zu untersuchen, wie Unterschiede in der Kursdurchführung, im Hintergrund der Student*innen oder spezifische Komponenten des Curriculums. Diese umfassende Analyse liefert eine robuste Bewertung der Wirkung des Kurses und identifiziert Schlüsselelemente, die zu dessen Erfolg beitragen oder Verbesserungspotenziale aufzeigen.

Ergebnisse

Meilensteine:

1. Abgeschlossenes, modulares Kurs‑Paket
2. Studien‑Setup
3. Datenanalyse

Slide Deck, Syllabus, Struktur der Data‑Literacy‑Studie, Assessment‑Tool und Fragebogen.

Umgesetzte Translation

Die Kurse werden an den Institutionen der Projektleitung umgesetzt. Derzeit kooperieren wir zudem mit weiteren Bildungsinstitutionen, um das Projekt so zu erweitern, dass Pädagogischen Hochschulen einen getesteten und anpassbaren Kurs zur Verfügung gestellt wird, der eines der dringendsten Bildungsbedürfnisse unserer Zeit direkt adressiert. Lehrpersonen, die in diesem Programm ausgebildet werden, sind besser gerüstet, sich kritisch mit KI‑gestützten Medien auseinanderzusetzen, manipulative Datenpraktiken zu identifizieren und ähnliche Kompetenzen bei ihren Lernenden zu fördern. Es wird erwartet, dass das Projekt einen signifikanten Einfluss hat, indem es Student*innen direkt mit den wesentlichen Kompetenzen ausstattet, um täuschende Daten und Falschinformationen zu erkennen und in Frage zu stellen. Dies fördert eine informiertere, skeptischere und widerstandsfähigere Studierendenschaft, die fähig ist, sich in der modernen Informationslandschaft zurechtzufinden. Die Wirkung wird mittels der quantitativen Bewertung der Lern‑Outcomes vor und nach dem Kurs gemessen. Der Impact des Projekts ist darauf ausgelegt, über die Partnerinstitutionen hinaus skalierbar zu sein, um ein breiteres Publikum von Student*innen und Lehrpersonen zu befähigen und so zu einer datenkompetenteren Gesellschaft beizutragen.

Beteiligte Institutionen