Konsolidierter Sachbericht für Verwendungsnachweis PDF Free Download
1 / 106/106
100%
Konsolidierter Sachbericht für
Verwendungsnachweis
Zuwendungsempfänger:
Institut für Angewandte Informatik (InfAI) e. V.
StackFuel GmbH
Vorhabensbezeichnung
Toolbox Datenkompetenz (TBDK)
Förderkennzeichen:
16DWCQP01A (InfAI)
16DWCQP01B (StackFuel)
Projektlaufzeit:
15.12.2021 - 31.03.2025
Autor:innen:
Stefan Berntheisel, Dr. Rebekka Gersbach, Jonathan
Martens, Nina Ssymank, Dr. Christian Zinke-Wehlmann
Einreichungsdatum:
30. September 2025
2
Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln des
Bundesministerium für Forschung, Technologie und Raumfahrt (eh.
Bundesministeriums für Bildung und Forschung) unter dem Förderkennzeichen
16DWCQP01A gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung
liegt bei den Autor:innen.
Inhaltsverzeichnis
1 Einleitung ................................................................................................................ 5
1.1 Ausgangslage ................................................................................................. 6
1.2 Wissenschaftlicher und technischer Stand zu Beginn des Vorhabens ......... 9
1.3 Ziele und Inhalte des Projekts ...................................................................... 12
1.4 Projektpartner ............................................................................................... 14
2 Wissenschaftliche und technische Ergebnisse ................................................... 15
2.1 Einführung und Überblick ............................................................................. 17
2.2 Analysis ......................................................................................................... 20
2.3 Design ........................................................................................................... 50
2.4 Development ................................................................................................. 59
2.5 Implementation ............................................................................................. 69
2.6 Evaluation ..................................................................................................... 74
2.7 Wissenschaftskommunikation und Transfer ................................................ 80
2.8 Projektkoordination und Steuerung .............................................................. 82
3 Wichtigste Positionen des zahlenmäßigen Nachweises .................................... 83
3.1 InfAI ............................................................................................................... 83
3.2 StackFuel: ..................................................................................................... 83
3.3 Notwendigkeit und Angemessenheit der geleisteten Arbeit ........................ 84
3.4 Kostenneutrale Verlängerung ....................................................................... 84
4 Voraussichtlicher Nutzen und Verwertbarkeit der Ergebnisse ........................... 85
4.1 Wissenschaftliche Erfolgsaussichten ........................................................... 85
4.2 Wirtschaftliche Erfolgsaussichten ................................................................ 86
3
4.3 Technische Erfolgsaussichten...................................................................... 90
4.4 Wissenschaftliche & wirtschaftliche Vernetzung als Erfolgsfaktor .............. 91
4.5 Herausforderungen und Ausblick ................................................................. 92
5 Fortschritt auf dem Gebiet des Vorhabens bei anderen Stellen......................... 92
6 Erfolgte oder geplante Veröffentlichungen .......................................................... 94
7 Literaturverzeichnis .............................................................................................. 96
4
Abbildungsverzeichnis
Abbildung 1: Ableitung der Anforderungen aus den Expert:innen-Interviews ........... 21
Abbildung 2: Datenprodukt - interaktive Karte zu Datenkompetenzangeboten an
deutschen Hochschulen .......................................................................................... 25
Abbildung 3: Vergleichsgrafik zur Ausprägung verschiedener Kompetenzen innerhalb
der Kompetenzfelder nach Schüller et al. .............................................................. 26
Abbildung 4: Iterative, integrative und qualitative Literaturrecherche orientiert am
PRISMA-Modell ....................................................................................................... 29
Abbildung 5 Vorläufige Validierung ............................................................................. 38
Abbildung 6. Beispiel für Lerngraph Topic Modelling ................................................. 51
Abbildung 7: Simulation der Assessment-Strategie für das TBDK-Datenkompetenz-
Framework, das KI-Audit der DHBW sowie das DigCompSAT ............................. 54
Abbildung 8: Plattform Architektur Komponenten ...................................................... 56
Tabellenverzeichnis
Tabelle 1: Die fünf Säulen der Data Literacy .............................................................. 30
Tabelle 2: Prozedurale Standards aus der Informatik, Mathematik und
Datenmanagement ...................................................................................................... 34
5
1 Einleitung
Die Digitalisierung verändert zunehmend die Art und Weise, wie Menschen in Beruf,
Bildung und Gesellschaft mit Daten arbeiten und interagieren. Datenkompetenz ist
dabei eine Schlüsselqualifikation, die es ermöglicht, Daten kritisch zu hinterfragen, zu
analysieren und verantwortungsvoll einzusetzen. Das Projekt Toolbox
Datenkompetenz wurde ins Leben gerufen, um eine digitale Weiterbildungsplattform
zu entwickeln, die Menschen unterschiedlicher Zielgruppen den Zugang zu
praxisorientierten Lerninhalten, interaktiven Datenwerkzeugen und einem
qualitätsgesicherten Kompetenzrahmen bietet.
Die Toolbox Datenkompetenz wurde als offene, skalierbare und nutzungszentrierte
Plattform konzipiert, die nicht nur Grundlagen der Datenkompetenz vermittelt, sondern
auch eine praxisnahe Auseinandersetzung mit datenbasierten Anwendungen
ermöglicht. Dabei richtet sich das Angebot an Interessierte aus Wissenschaft,
Wirtschaft und Zivilgesellschaft und schafft über Lernmodule, Data Challenges und
anwendungsorientierte Workspaces einen breiten Zugang zum Thema
Datenkompetenz.
Das Projekt wurde im Projektverbund vom Institut für Angewandte Informatik (InfAI) e.
V. und der StackFuel GmbH in der Projektlaufzeit vom 15.12.2021 bis 31.03.2025
durchgeführt. Über die gesamte Laufzeit hinweg wurde eng mit Expert:innen
1
aus
Wissenschaft und Wirtschaft zusammengearbeitet, um sicherzustellen, dass die
Inhalte den aktuellen und zukünftigen Anforderungen der datengetriebenen
Gesellschaft entsprechen.
Der vorliegende Abschlussbericht, der innerhalb des Projektverbunds konsolidiert
verfasst wurde, gibt einen umfassenden Überblick über die im Rahmen des Projekts
durchgeführten Arbeiten, die erreichten wissenschaftlichen und technischen
Ergebnisse sowie den erzielten Mehrwert der Plattform. Dabei werden die zentralen
Meilensteine des Projekts reflektiert und die langfristige Verwertung der Ergebnisse
skizziert. Besonderes Augenmerk liegt auf der wissenschaftlichen Anschlussfähigkeit
1
Im Bericht wird in den meisten Fällen die geschlechtsneutrale Personenbezeichnung verwendet. In
Fällen, in denen diese nicht anwendbar ist, weil keine solche Form bekannt ist, wird die Bezeichnung
mit Doppelpunkt (:) gewählt. In jedem Fall gelten sämtliche Personenbezeichnungen gleichermaßen fr
alle Geschlechter.
6
der Toolbox Datenkompetenz sowie auf den Perspektiven zur Verstetigung und
Weiterentwicklung über die Projektlaufzeit hinaus.
1.1 Ausgangslage
Im Zeitalter der Datenökonomie, generativer KI und Internet der Dinge sind Daten zu
einer zentralen Ressource in nahezu allen Lebensbereichen, ob Wirtschaft,
Wissenschaft oder Gesellschaft, geworden. Datenkompetenz als „die Fähigkeit,
Datenquellen zu identifizieren, Daten zu sammeln und zu organisieren, Daten zu
verstehen, zu analysieren und zu interpretieren, Daten auf verständliche Weise zu
präsentieren und zu kommunizieren“ (Bundesregierung 2023, S. 32) ist damit einer
der wesentlichen Future Skills (Schüller et al., 2019a) für die moderne Arbeitswelt und
den gesellschaftlichen Diskurs. Trotz ihrer wachsenden Bedeutung gab es in
Deutschland Defizite in der Vermittlung von Datenkompetenz. Bestehende
Bildungsangebote sind oft nicht systematisch aufeinander abgestimmt, praxisferne
Lehrmethoden erschweren den Zugang zu relevanten Kompetenzen und einheitliche
Standards für die Förderung von Data Literacy fehlen weitgehend (Ghodoosi et al.
2023).
1.1.1 Gesellschaftlicher Bedarf an Datenkompetenz
Datenbasierte Entscheidungsprozesse nehmen in vielen gesellschaftlichen und
wirtschaftlichen Bereichen zu und datengetriebene Technologien wie Künstlicher
Intelligenz (KI) oder Automatisierung finden zunehmend Verbreitung. Gleichzeitig
wächst die Menge im Kontext digitaler Arbeitsprozesse oder im allgemeinen Kontext
der Nutzung digitaler Anwendungen erhobener Daten. Der Umgang mit dieser stetig
zunehmenden Datenmenge, ob geschützt und nur in spezifischen Kontext nutzbar, im
unternehmerischen Kontext etwa Maschinen- oder Kundendaten, oder öffentlich
zugängliche Daten, diebeispielsweise im Zuge von Open-Data-Initiativen
2
bereitgestellt werden, stellt Individuen, Unternehmen und Institutionen vor
zunehmende Herausforderungen. Sowohl der souveräne Umgang mit Daten als auch
ihre kritische Bewertung sind dabei zentral (Echtenbruck et al. 2025). Fehlende
Datenkompetenz kann nicht nur zu ineffizienten oder fehlerhaften Entscheidungen
2
https://data.europa.eu/en/news-events/news/open-data-portals-around-europe-govdata-pioneering-
open-data-accessibility-germany?utm_source=chatgpt.com, zuletzt geprüft am 12.06.2025
7
führen (Alon-Barkat und Busuioc 2023), sondern auch zu problematischen
gesellschaftlichen Entwicklungen, beispielsweise durch die Verbreitung von
Fehlinformationen oder die unkritische Übernahme algorithmischer Ergebnisse (Carmi
et al. 2020).
Einige Arbeiten zeigen, dass die Förderung von Datenkompetenz (bzw. digitalen
Kompetenzen) in Deutschland noch nicht flächendeckend etabliert ist (Initiative D21
e. V.; Schraml 2024). Besonders in Schulen, Hochschulen und der beruflichen
Weiterbildung fehlt es an strukturierten Angeboten, die die Anwendung von
Datenkompetenzen in der Praxis ermöglichen. Zwar gibt es erste Initiativen, die Data
Literacy in den Bildungsbereich integrieren, jedoch fehlt bislang eine übergreifende
Strategie zur Vermittlung datengetriebener Fähigkeiten über verschiedene
Zielgruppen hinweg.
1.1.2 Herausforderungen vor Projektbeginn
Vor dem Start des Projekts Toolbox Datenkompetenz wurden mehrere zentrale
Herausforderungen im Bereich der Datenkompetenz identifiziert:
• Fehlende systematische Förderung von Datenkompetenz:
Trotz der hohen Relevanz von Datenkompetenz gibt es in Deutschland keine
einheitlichen Lehrpläne oder übergreifenden Bildungsangebote, die eine
strukturierte Vermittlung ermöglichen. Während erste Grundlagen im
schulischen Bereich existieren (z. B. Mathematik oder Informatik), fehlt es an
fächerübergreifenden (Wolff et al. 2016), praxisnahen Programmen.
• Unzureichende praxisorientierte Weiterbildungsangebote:
Bestehende E-Learning-Plattformen bieten zwar Kurse zur Datenanalyse, sind
jedoch häufig auf technische oder spezialisierte Anwendungsfälle beschränkt.
Ein breites, praxisorientiertes Angebot für verschiedene Nutzergruppen – von
Einsteiger:innen bis hin zu Fachkräften – existierte bislang nicht in
Deutschland.
• Fehlende europäische Alternativen zu internationalen Plattformen:
Die bekanntesten Plattformen für Datenkompetenz, wie DataCamp oder
Udacity, stammen aus den USA und sind oft kostenpflichtig oder nicht an die
Anforderungen des deutschen Marktes angepasst. Eine eigenständige, auf den
europäischen Kontext zugeschnittene Lösung fehlte.
8
• Wachsende Anforderungen in der Wirtschaft:
Unternehmen benötigen zunehmend datenkompetente Mitarbeitende, doch
viele Beschäftigte verfügen nicht über die notwendigen Fähigkeiten.
Gleichzeitig haben Unternehmen häufig keine klaren Strategien, um gezielt
Data Literacy in ihre Weiterbildungsprogramme zu integrieren.
• Defizite in der Hochschul- und Schulbildung:
Während Datenkompetenz als Teil der Digitalisierung immer wichtiger wird, ist
sie in vielen Lehrplänen nicht systematisch verankert. Hochschulen haben zwar
spezialisierte Kurse im Bereich Statistik, Informatik oder Wirtschaftsinformatik,
jedoch fehlt oft eine fächerübergreifende Integration von Datenkompetenz in
andere Disziplinen.
• Mangel an standardisierten Kompetenzmodellen:
Es gibt keine einheitlichen Rahmenwerke oder Zertifizierungsstandards, die
definieren, welche Fähigkeiten und Kenntnisse im Bereich Data Literacy
vermittelt werden sollten.
1.1.3 Projektidee und Zielsetzung
Um diesen Herausforderungen zu begegnen, wurde das Projekt Toolbox
Datenkompetenz mit dem Ziel ins Leben gerufen, eine digitale Lernplattform zur
Förderung von Datenkompetenz zu entwickeln. Die Plattform soll praxisnahe,
interaktive und modulare Lernangebote bereitstellen, die sich an verschiedene
Zielgruppen richten – von Studierenden und Berufstätigen bis hin zu Interessierten
aus der Zivilgesellschaft.
Durch den Einsatz digitaler Lernformate sowie dem personalisierten Lernen in
praxisnahen Anwendungsfällen und interaktiver Laborumgebungen, unterstützt durch
sogenannte Data Challenges (Datenwettbewerbe), soll die Toolbox Datenkompetenz
eine niedrigschwellige, skalierbare und flexibel nutzbare Lösung zur Vermittlung von
Datenkompetenz bieten. Die Plattform setzt auf Open-Source-Technologien, um eine
nachhaltige, barrierefreie Nutzung zu ermöglichen und gleichzeitig eine hohe Qualität
der Inhalte zu gewährleisten.
Das Projekt verfolgte einen ganzheitlichen Ansatz, indem es neben der technischen
Entwicklung der Plattform auch die wissenschaftliche Fundierung von Data Literacy-
Modellen sowie die Vernetzung mit relevanten Akteuren aus Wissenschaft, Wirtschaft
9
und Bildung in den Mittelpunkt stellte. Durch die enge Zusammenarbeit mit
Expert:innen aus diesen Bereichen sollten praxisnahe und bedarfsgerechte Inhalte
entwickelt werden, die langfristig in bestehende Bildungs- und
Weiterbildungsstrukturen integriert werden können.
Mit der Toolbox Datenkompetenz wird somit ein Beitrag zur Schaffung einer
einheitlichen, praxisorientierten und anwendungsbezogenen Infrastruktur für die
Förderung von Datenkompetenz in Deutschland geleistet.
1.2 Wissenschaftlicher und technischer Stand zu Beginn des
Vorhabens
Die zunehmende Verfügbarkeit und Nutzung digitaler Daten hat die Bedeutung von
Datenkompetenz (Data Literacy) erheblich gesteigert. In Wissenschaft, Wirtschaft und
Gesellschaft wird die Fähigkeit, Daten zu sammeln, zu analysieren, kritisch zu
bewerten und verantwortungsvoll zu nutzen, als eine zentrale Zukunftskompetenz
betrachtet. Während in der Wissenschaft bereits erste Rahmenwerke zur Definition
und Förderung von Data Literacy vorliegen, gab es zum Projektstart im Jahr 2021
noch keine flächendeckenden, praxisnahen Bildungsangebote, die sich systematisch
an unterschiedliche Zielgruppen richteten.
1.2.1 Wissenschaftlicher Stand zu Beginn des Projektes und kurzer
Abriss der Entwicklung über die Projektlaufzeit
Frühe Studien zu Data Literacy (DL) verstanden den Begriff typischerweise als eine
Hybridform aus Informationskompetenz und statistischer Kompetenz (Shields 2005)
oder ausschließlich als statistische Kompetenz (Stephenson und Schifter Caravello
2007). Fast zwei Jahrzehnte später – bedingt durch technologische Entwicklungen,
die zunehmende Verbreitung quelloffener Programmierumgebungen sowie
Fortschritte in den Datenwissenschaften und der Künstlichen Intelligenz – herrscht
unter Autor:innen weitgehend Einigkeit darüber, dass die Natur von DL weiterhin
schwer fassbar ist und sich stetig weiterentwickelt (Tygel und Kirsch 2016; Schüller
2020; Koltay 2015).
Datenkompetenz wird als zumeist Querschnittskompetenz betrachtet, die Elemente
aus Statistik, Informatik sowie Digital und Media Literacy kombiniert (Schmidt et al.
10
2021). Das Hochschulforum Digitalisierung (HFD) sowie der Stifterverband für die
Deutsche Wissenschaft haben mit Kompetenzmodellen und Forschungsarbeiten
einen wesentlichen Beitrag zur Definition und Strukturierung des Themas geleistet.
(Schüller et al., 2019a) Die 2021 veröffentlichte Data Literacy Charta lieferte ein
geteiltes Verständnis der gesellschaftlichen Rolle und Bedeutung von Data Literacy.
Ein Teil der Literatur verwendet den Begriff DL in unterschiedlichen Domänen und
Anwendungskontexten, etwa im Forschungsdatenmanagement (Koltay 2017a), im
unternehmerischen Kontext (Jaiswal et al. 2022) oder im Bereich
Nichtregierungsorganisationen (Sternkopf und Mueller 2018).
Aktuellere Literaturübersichten, wie jene von Cui et al. (2023), beobachten zudem,
dass DL im Bildungsbereich je nach Zielgruppe und Bildungshintergrund stark variiert
und weiterhin ein emergentes Forschungsfeld darstellt. Auch die Zielsetzungen der
Beiträge in diesem Feld unterscheiden sich: Laut einer Literaturauswertung von 71
Artikeln durch Ghodoosi et al. befassten sich 8,5 % mit Kompetenzrahmen, 14,1 % mit
spezifischen DL-Modellen, 24 % gaben einen Überblick über den Status quo, und
59,2 % fokussierten sich auf die Förderung konkreter Fähigkeiten, den Einsatz von
Tools oder pädagogische Vermittlungsformate (Ghodoosi et al. 2023).
Wegweisende Stimmen im Bereich der Kompetenzrahmen sind Ridsdale et al. (2015)
sowie – speziell im deutschsprachigen Raum (Schüller et al. 2019). Erstere definieren
DL als „die Fähigkeit, Daten kritisch zu sammeln, zu verwalten, zu bewerten und
anzuwenden“ (Schüller und Busch 2019), während letztere diese Definition durch ein
zirkuläres Modell erweiterten, das den Prozess der Wertschöpfung aus Daten
abbildet.
Dieses Modell eröffnet Raum für Kompetenzen zur Frageformulierung und
Handlungsableitung sowie für zwei zentrale Differenzierungen:
• Produktive Kompetenzen („Kodieren“), z. B. Datenanalyse, und
• Rezeptive Kompetenzen („Dekodieren“), z. B. das Interpretieren von
Analyseergebnissen (Schüller 2020).
Schüller et al. (2023) erweitern dieses Framework im Laufe der Zeit auch für den
Bereich der Künstlichen Intelligenz.
11
Während in Deutschland erste Initiativen zur Förderung von Data Literacy entstanden,
fehlte es zu Projektstart an einer übergreifenden Strategie, die Datenkompetenz in
Bildungs- und Weiterbildungskontexte integriert. Hochschulen entwickelten zwar erste
Modellprojekte, doch es mangelte an standardisierten Lehrformaten für ein breites
Publikum. Insbesondere in der schulischen Bildung gab es nur vereinzelte Ansätze,
um Datenkompetenz über den Mathematik- oder Informatikunterricht hinaus zu
verankern. Diese Situation hat sich durch die Datenkompetenzzentren an den
Universitäten
3
, Initiativen wie DigiBits
4
, dem KI Campus und nicht zuletzt die Toolbox
Datenkompetenz in den letzten Jahren verbessert. Umso interessierter schaut das
TBDK Team auf die Ergebnisse zur Erhebung der Datenkompetenz
5
in Deutschland.
1.2.2 Technischer Stand
Technologische Entwicklungen haben die Notwendigkeit von Datenkompetenz
verstärkt. Durch Open Data-Plattformen, cloudbasierte Analyseumgebungen und
kollaborative Datenräume sind Daten zunehmend öffentlich zugänglich und
ermöglichen neue Anwendungsszenarien. Gleichzeitig erfordern neue Technologien
– darunter Künstliche Intelligenz und automatisierte Datenverarbeitung – ein
tiefergehendes Verständnis der Mechanismen, Risiken und ethischen Implikationen.
Internationale Plattformen wie „DataCamp“, „Kaggle“ oder „Coursera“ haben gezeigt,
dass digitale Lernumgebungen für Data Science und Datenkompetenz erfolgreich
umgesetzt werden können. Allerdings sind diese Angebote oft kommerziell,
englischsprachig und nicht auf die Anforderungen des deutschen Bildungs- und
Arbeitsmarktes zugeschnitten. In Deutschland fehlte es zum Projektstart an einer
offenen, skalierbaren und praxisnahen Plattform für Datenkompetenz, die sowohl
Lerninhalte als auch interaktive Analysetools integriert.
3
https://www.bmbf.de/DE/Forschung/Wissenschaftssystem/Forschungsdaten/DatenkompetenzenInDer
Wissenschaft/datenkompetenzeninderwissenschaft_node.html, letzter Zugriff: 12.06.2025
4
https://www.digibits.de/meine-daten-im-netz-datenkompetenz-macht-schule/ , letzter Zugriff
12.06.2025
5
https://www.lifbi.de/en-us/Start/Research/Large-Scale-Projects/DataLiteracy, letzter Zugriff
12.06.2025
12
1.3 Ziele und Inhalte des Projekts
Das Projekt hatte das Ziel, eine digitale Tool- und Weiterbildungsplattform zu
entwickeln, die den Kompetenzaufbau zur Data Literacy in Deutschland fördert. Damit
leistete das Projekt einen wesentlichen Beitrag zur Umsetzung der Datenstrategie der
Bundesregierung und zur digitalen Bildung in Wirtschaft, Wissenschaft und
Gesellschaft.
Die Plattform dient als offene, hochverfügbare und praxisnahe Lernumgebung , die
interaktive Datenwerkzeuge, Lernmodule und digitale Kurse bereitstellt. Sie richtet
sich an unterschiedliche Zielgruppen – von Studierenden und Fachkräften bis hin zur
breiten Öffentlichkeit – und ermöglicht es, datenbasierte Methoden und
Entscheidungsprozesse praxisnah zu erlernen und anzuwenden.
1.3.1 Ziele des Projekts
Die Hauptziele des Projekts lassen sich in mehrere Teilbereiche untergliedern:
1. Entwicklung einer digitalen Plattform für Datenkompetenz
o Bereitstellung einer robusten, skalierbaren und offenen Infrastruktur, die
deutschlandweit als Lern- und Arbeitsumgebung genutzt werden kann
o Integrierte Werkzeuge für Datenanalyse, Visualisierung und praxisnahe
Anwendung von Datenkompetenzen
o Umsetzung eines modularen und interaktiven Lernangebots
2. Aufbau einer digitalen Lernwelt
o Entwicklung und Implementierung von Lehr-/Lernszenarien, die
praxisnahe und interaktive Methoden der Wissensvermittlung
ermöglichen
o Bereitstellung zielgruppenspezifischer Lerninhalte, die auf
unterschiedliche Kompetenzniveaus abgestimmt sind
o Nutzung moderner didaktischer Ansätze, darunter Gamification,
Blended Learning und problemorientiertes Lernen
3. Förderung von Datenkompetenz in Wirtschaft, Bildung und Politik
o Entwicklung eines Kompetenzmodells für Data Literacy, das als
Standard für datenbezogene Bildungsangebote dienen kann
13
o Erstellung von Weiterbildungsangeboten für die Zielgruppen (Wirtschaft,
Hochschule, Zivilgesellschaft), um den steigenden Bedarf an
datenkompetenten Fachkräften zu adressieren
o Integration der Toolbox in bestehende Bildungsinitiativen, insbesondere
im Hochschulbereich
4. Nachhaltigkeit und Verstetigung
o Entwicklung einer langfristigen Open-Access-Strategie, um die Inhalte
und Werkzeuge der Toolbox über die Projektlaufzeit hinaus zugänglich
zu halten
o Aufbau eines Expert:innen-Netzwerks für Datenkompetenz, das
Fachleute aus Wissenschaft, Wirtschaft und Bildung zusammenführt
und strategische Empfehlungen für die Weiterentwicklung der Toolbox
erarbeitet
o Evaluation und kontinuierliche Weiterentwicklung der Plattform
basierend auf wissenschaftlichen Erkenntnissen und Nutzerfeedback
1.3.2 Arbeitspakete
Die Umsetzung der Projektziele erfolgte in sechs Arbeitspaketen, die die technischen,
didaktischen und organisatorischen Aspekte der Toolbox Datenkompetenz abdecken:
• AP 0: Projektmanagement
o Koordination und Steuerung des Gesamtprojekts sowie Sicherstellung
der termingerechten Umsetzung aller Arbeitspakete
o Aufbau und Etablierung eines kontinuierlichen Evaluations- und
Qualitätsmanagements
• AP 1: Gesellschaftliche Anforderungen
o Entwicklung eines Kompetenzmodells für Data Literacy, welches die
Anforderungen unterschiedlicher Zielgruppen berücksichtigt
o Identifikation und Analyse der Bedarfe von Nutzergruppen aus
Wissenschaft, Wirtschaft und Zivilgesellschaft
o Konzeption und Erprobung von zielgruppenspezifischen Lernangeboten
• AP 2: Aufbau der Toolbox-Plattform
o Entwicklung einer stabilen, skalierbaren Plattform für die Vermittlung von
Datenkompetenz
14
o Integration interaktiver Datenanalyse-Werkzeuge, um den praktischen
Umgang mit Daten zu ermöglichen
o Sicherstellung der Datenschutz- und Barrierefreiheitsanforderungen in
der Plattformarchitektur
• AP 3: Entwicklung digitaler Lernwelten
o Erstellung und Bereitstellung modularer Lernformate, die Theorie und
Praxis kombinieren
o Nutzung moderner didaktischer Konzepte wie Blended Learning und
Gamification
o Entwicklung zielgruppenspezifischer Lehr- und Lernszenarien
• AP 4: Evaluation und Verstetigung
o Wissenschaftliche Begleitung und Evaluation der Wirksamkeit der
Lernangebote
o Entwicklung von Strategien zur langfristigen Nutzung und Verbreitung
der Toolbox
o Identifikation von Finanzierungs- und Kooperationsmodellen zur
Sicherstellung der Nachhaltigkeit
• AP 5: Wissenschaftskommunikation und Transfer
o Aufbau eines Expert:innen- und Partnernetzwerks, das die langfristige
Nutzung der Toolbox unterstützt
o Integration der Toolbox in bestehende Bildungsinitiativen und Netzwerke
o Organisation von Fachkonferenzen, Webinaren und Publikationen zur
Verbreitung der Projektergebnisse
1.4 Projektpartner
Das Projekt Toolbox Datenkompetenz wurde in Zusammenarbeit zwischen dem
Institut für Angewandte Informatik (InfAI) e. V. und der StackFuel GmbH umgesetzt.
Die Kooperation vereinte wissenschaftliche Expertise mit praxisnaher Weiterbildung
und ermöglichte die Entwicklung einer innovativen Plattform zur Förderung von
Datenkompetenz.
Das Institut für Angewandte Informatik (InfAI) e. V. ist ein im Jahre 2006 als
gemeinnütziger Verein gegründetes Institut, welches die Förderung von Wissenschaft
und Forschung auf den Gebieten der Informatik und der Wirtschaftsinformatik verfolgt.
15
Als anerkanntes An-Institut der Universität Leipzig verfügt das InfAI über langjährige
Erfahrung in der angewandten Informatik, Bildungsforschung und der Entwicklung
digitaler Lehr- und Lernsysteme.
Die StackFuel GmbH ist ein Unternehmen mit Sitz in Berlin, das sich auf digitale
Weiterbildung im Bereich Datenkompetenz, Data Science und künstliche Intelligenz
spezialisiert hat. Seit 2017 entwickelt StackFuel interaktive Online-Trainings, die es
den Nutzenden ermöglichen, praxisnah mit realen Datensätzen zu arbeiten.
Durch die Zusammenarbeit der beiden Partner wurden wissenschaftliche
Erkenntnisse mit modernen digitalen Lernformaten verknüpft. Die Kooperation
ermöglichte die Entwicklung einer skalierbaren Plattform, die Datenkompetenz einer
breiten Öffentlichkeit zugänglich machte und langfristig in bestehende Bildungs- und
Weiterbildungsangebote integriert werden konnte.
Die enge Abstimmung zwischen Forschung und Praxis ermöglichte eine iterative
Entwicklung der Toolbox, bei der wissenschaftliche Erkenntnisse und
anwendungsorientierte Konzepte kontinuierlich aufeinander abgestimmt wurden.
Durch die Verzahnung der Partner konnte die Plattform so gestaltet werden, dass sie
sowohl wissenschaftlichen Qualitätsstandards entsprach als auch
benutzungsfreundlich und praxisnah umgesetzt wurde.
Die Kooperation zwischen InfAI und StackFuel stellte sicher, dass die Toolbox
Datenkompetenz flexibel auf die Bedarfe verschiedener Zielgruppen angepasst
werden konnte. Beide Partner arbeiteten in allen wesentlichen Entwicklungsphasen
eng zusammen – von der Konzeption über die technische Umsetzung bis hin zur
Evaluation und Verstetigung. Diese interdisziplinäre Zusammenarbeit bildete die
Grundlage für die erfolgreiche Entwicklung, Erprobung und öffentliche Bereitstellung
der Plattform zur Förderung von Datenkompetenz.
2 Wissenschaftliche und technische Ergebnisse
Das Projekt Toolbox Datenkompetenz verfolgte einen integrativen und iterativen
Forschungs- und Entwicklungsansatz, um eine digitale Plattform zur Förderung von
Datenkompetenz zu realisieren. Die wissenschaftlichen und technischen Arbeiten
16
wurden auf Basis eines iterativen Design-Based-Research-Ansatzes (DBR)
6
durchgeführt kombiniert mit dem ADDIE Modell
7
(siehe 2.2 bis 2.6), der eine enge
Verzahnung zwischen Theorie und Praxis ermöglichte. Dieser methodische Rahmen
erlaubte eine kontinuierliche Anpassung der entwickelten Inhalte und technischen
Lösungen an die Bedürfnisse der Zielgruppen.
Der Forschungsansatz orientierte sich an einem iterativen Entwicklungsmodell, das
über mehrere Zyklen hinweg eine kontinuierliche Entwicklung und Verbesserung der
Plattform sicherstellte. Im Rahmen dieser Iterationen wurden zunächst grundlegende
Anforderungen erfasst, eine Plattform mit vielfältigen Funktionsumfang entwickelt und
anschließend anhand empirischer Untersuchungen evaluiert. Dabei kamen agile
Methoden wie User Story Mapping und Sprints zum Einsatz, um eine effektive
Umsetzung der technischen und didaktischen Komponenten zu gewährleisten.
Die wissenschaftlichen Arbeiten im Projekt wurden durch ein interdisziplinäres
Forschungsteam durchgeführt, die Expertise aus Informatik, Bildungsforschung und
Sozialwissenschaften, sowie der Plattformentwicklung vereinten. Dies ermöglichte
eine ganzheitliche Betrachtung der Anforderungen an eine digitale Lernplattform für
Datenkompetenz. Wesentliche Forschungsfragen betrafen unter anderem:
• Die Entwicklung eines standardisierten Kompetenzmodells für
Datenkompetenz,
• die Analyse und Optimierung von Lehr- und Lernformaten zur Vermittlung
datenbezogener Fähigkeiten und
• die Identifikation von Anreizmechanismen zur Förderung der Plattformnutzung.
6
Der Design Science Research (DSR) Approach ist ein etabliertes Rahmenwerk zur Durchführung
gestaltungsorientierter Forschung in den Informationssystemen (Wang und Hannafin 2005; Hevner und
Chatterjee 2010). Es kombiniert die Entwicklung innovativer Artefakte (z. B. Modelle, Methoden,
Systeme) mit deren Evaluation in relevanten Anwendungskontexten. Der DSR-Ansatz basiert auf
sieben Kernprinzipien, darunter Relevanz für reale Probleme, wissenschaftliche Rigorosität, Design als
Artefakt sowie Evaluation. Ziel ist es, sowohl praktisch nützliche als auch theoretisch fundierte Beiträge
zu leisten.
7
Das ADDIE-Modell (Branch 1979) ist ein systematisches, iteratives Framework zur Gestaltung und
Entwicklung von Lernangeboten, das insbesondere in der Instruktionsdesign-, Bildungs- und
Weiterbildungspraxis verwendet wird. Der Name steht für die fünf Phasen Analyse (Analyze), Entwurf
(Design), Entwicklung (Develop), Implementierung (Implement) und Evaluation (Evaluate). Jede Phase
dient der strukturierten Planung und Qualitätssicherung pädagogischer Maßnahmen. Das Modell ist ein
international verbreiteter Standard für Bildungsdesign.
17
Die technische Umsetzung der Plattform (siehe 2.4) erfolgte unter der
Berücksichtigung aktueller Entwicklungen im Bereich Open-Source-Software, Cloud-
Technologien und interaktiver Datenanalysetools. Die Toolbox wurde so konzipiert,
dass sie eine breite Zielgruppe adressiert und sowohl für Anfänger:innen als auch für
fortgeschrittene Nutzende relevante Inhalte bietet. Dabei wurden verschiedene
digitale Lernformate integriert, darunter Blended Learning, Gamification-Elemente und
praxisnahe Data Challenges.
Ein zentrales Element des Projekts war die enge Zusammenarbeit mit Praxispartnern
aus Wirtschaft, Wissenschaft und Bildung. Die iterative Entwicklung der Plattform
wurde durch regelmäßiges Nutzer:innen-Feedback (siehe 2.6.3) begleitet, das über
die Netzwerktreffen und Beta-Tests gewonnen wurde. Dies ermöglichte eine
zielgerichtete Weiterentwicklung der technischen Infrastruktur und der didaktischen
Konzepte.
2.1 Einführung und Überblick
Die Forschungs- und Entwicklungsarbeit im Projekt wurden agil umgesetzt, wobei
einige Arbeiten parallelisiert wurden, um die ambitionierten Ziele zu erreichen. Die
Arbeiten folgen hierbei der Logik eines DSR-Ansatzes, welcher mit dem ADDIE-
Modell umgesetzt wurde und die Phasen Analysis, Design, Development,
Implementation und Evaluation beinhaltet. Es handelt sich hierbei um einen erprobten
Ansatz aus dem Instruktionsdesign, welcher eine Grundlage für die Reflexion der
erledigten und noch offenen Aufgaben, der Kohärenz der Projekt-Bestandteile (AP
4.2), sowie der nötigen Evaluationstätigkeiten zum Abschluss des Vorhabens (AP 4.1)
bietet.
Die Leitfragen der Analyse waren: "Was ist Datenkompetenz?“ und „Wie lässt sich
diese operationalisieren?", sowie "Was sind die Bedarfe und Anforderungen an eine
Lern- und Infrastrukturplattform für Datenkompetenz?". Die ersten Fragen bilden die
Grundlage für ein umfassendes Literature Review und die darauf aufbauende
Entwicklung eines integrativen Datenkompetenzrahmens. Aufbauend wurde zudem
ein erstes Kompetenzstufenmodell entwickelt (siehe Absatz 2.2.4). Für die
Beantwortung der dritten Frage wurden eine umfangreiche Anforderungserhebung
durchgeführt. Im Rahmen teilstrukturierter Interviews mit Expert:innen im Bereich
Datenkompetenz wurden Vorstellungen und Erwartungshaltungen an eine Plattform
18
zur Vermittlung von Datenkompetenz ermittelt (siehe Absatz 2.2.1), welche auch die
Grundlage für eine Analyse der drei großen Zielgruppen Hochschule, Wirtschaft und
Gesellschaft darstellte (siehe Absatz 2.2.5). Kombiniert mit Expertenkreisen wurden
zudem die Zielgruppen weiter spezifiziert und Personas entwickelt.
In der Phase Design lautete eine zentrale Frage, wie ein zielgruppenorientiertes
Lerndesign aussieht, und insbesondere, wie Nutzende unterschiedlicher Zielgruppen
einfach die für sie relevanten Lerninhalte finden können. Auf der Basis der Analyse
der Zielgruppen und ihrer Anforderungen wurden vom Forschungsteam Konzepte zur
Modularisierung von Lerninhalten (siehe 2.3.1), zur Entwicklung von Lernpfaden und
Filterkategorien (siehe 2.3.2) und für ein Einstiegsassessment (siehe 2.3.3) entwickelt,
das zu personalisierten Kursempfehlungen führt. Außerdem wurde ein Konzept zur
Gamifzierung (siehe 2.3.4) der Lernplattform als mögliches Anreizsystem entwickelt.
Die Konzeption der Plattform und ihre technologischen Grundlagen und das UI/UX-
Design wurden entwickelt.
In der Entwicklungsphase (Development) lag der Fokus auf der Umsetzung der zuvor
konzipierten technischen, didaktischen und gestalterischen Lösungen in konkrete,
nutzbare Komponenten der Plattform. Basierend auf den Ergebnissen der Analyse-
und Designphase wurden erste Prototypen erstellt, Lerninhalte kuratiert sowie eigene
digitale Lernmaterialien entwickelt. Dabei wurde die Modularisierung der Inhalte
weiterverfolgt und mit einem mehrstufigen Kurationsprozess kombiniert, um qualitativ
hochwertige, zielgruppenspezifische Angebote in die Plattform zu integrieren.
Parallel dazu wurde die technische Plattform in iterativen Sprints weiter ausgebaut:
Neben dem Aufbau der zentralen Backend- und Frontend-Komponenten wurden auch
interaktive Lernformate wie Coding-Umgebungen, Data Challenges und Assessments
integriert. Die technologische Infrastruktur wurde so konzipiert, dass eine flexible
Erweiterung möglich blieb und die entwickelten Formate skalierbar und nachhaltig
nutzbar sind. Ergänzt wurde dieser Entwicklungspfad durch erste Umsetzungen im
Bereich Gamification sowie durch die Entwicklung einer ersten Zertifizierungsstruktur.
Ziel der Entwicklungsphase war es, sowohl erste funktionsfähige Module der Toolbox
bereitzustellen als auch die Grundlagen für den späteren Plattformbetrieb und die
Evaluation zu schaffen – stets in enger Abstimmung mit den Zielgruppen und unter
Rückgriff auf agile Entwicklungsprinzipien.
19
Die Umsetzungsphase (Implementation) fokussierte insbesondere auf die Aktivierung
der Zielgruppen (durch die Vorstellung des Projekts im Rahmen von Fachtagungen,
die Erprobung der Kursmaterialien in Workshops und die
Wissenschaftskommunikation (Vorträge und Publikationen) der
Forschungsergebnisse.
Die Evaluation der Plattform erfolgte in iterativen Schritten: Zunächst in Form von
Customer Journeys auf Basis der ersten, öffentlichen Beta-Version der TBDK und
schließlich in Form von Interviews und eines darauf basierenden Fragebogens (siehe
Nutzer:innen Feedback). Eine weitere, der Evaluation dienende Maßnahme, stellte die
Auswertung des Kurskatalogs dar (siehe 2.6.4).
Dieses Vorgehen wurde gestützt durch ein agiles Vorgehen, das auf kurzen
Entwicklungszyklen basierte und eine iterative Anpassung der Projektbausteinen
ermöglichte. Die drei zentralen Säulen des Projektmanagements waren:
• Nutzung eines dynamisches Anforderungsmanagements, das regelmäßig
überarbeitet wurde, um neue Anforderungen aus der Wissenschaft und Praxis
zu integrieren.
• Kontinuierliche Durchführung einer Risikobewertung, um Engpässe frühzeitig
zu identifizieren und Gegenmaßnahmen einzuleiten.
• Implementierung einer Qualitätskontrolle nach dem PDCA-Zyklus (Plan-Do-
Check-Act), um die Effizienz der Arbeitsprozesse zu optimieren.
Besondere Herausforderungen ergaben sich durch Verzögerungen im Projektverlauf.
Aufgrund eines festgestellten Rückstands von etwa 3,5 Monaten wurde ein Antrag auf
kostenneutrale Verlängerung vorbereitet und am 25.10.2024 erfolgreich bewilligt.
Diese Verlängerung ermöglichte es, verbleibende Arbeitspakete gezielt
abzuschließen und die langfristige Verstetigung der Toolbox sicherzustellen.
Ein weiterer zentraler Bestandteil des agilen Projektmanagements war die
Implementierung eines Forschungsdatenmanagements (FDM). Die wichtigsten
Maßnahmen waren:
• Die Nutzung des Forschungsdatentools RDMO, um die Erstellung und Nutzung
der im Projekt erzeugten Datensätze zu dokumentieren (siehe Anlage 1
20
„Forschungsdatenmanagement TBDK“). Im Projektverlauf wurden 9 Datensätze
aus erhobenen Daten erzeugt, von denen zwei gemäß den FAIR-Prinzipien
(Findable, Accessible, Interoperable, Reusable) veröffentlicht werden.
• Die Sicherstellung von Datenschutz- und Sicherheitsanforderungen bei der
Speicherung und Verarbeitung insbesondere von personenbezogenen
Forschungsdaten (Siehe Anlage 2 „Datenschutzrechtliche Bewertung TBDK).
2.2 Analysis
2.2.1 Erhebung der Anforderungen & Anforderungsmanagement
Die Anforderungserhebung begann mit der Konzeption eines Fragenkatalogs sowie
der Identifizierung und Anfrage von Datenkompetenz-Expert:innen für
Einzelinterviews. Insgesamt wurden 28 Interviews mit Vertreter:innen der im Projekt
adressierten Akteursgruppen Wirtschaft (n=10), Bildung (n=8) und Zivilgesellschaft
(n=10) durchgeführt, die ein umfassendes Bild der Anforderungen an eine
Lernplattform und Lernangebote für Datenkompetenz vermittelten. Das 15 Stunden
umfassende Interviewmaterial wurde transkribiert (384 Seiten Text) und mit der
Software f4 codiert. Die so aufbereiteten Interviews bildeten die Grundlage für
weiterführende Ergebnisse wie Kompetenzstufenmodelle, eine Use Case-Liste, erste
Erkenntnisse zu Herausforderungen, Anreizen, Chancen, Definitionen, und Relevanz
sowie eine Einschätzung der generellen Thematisierung von Datenkompetenz in den
drei Gesellschaftsbereichen Wirtschaft, Hochschule und Zivilgesellschaft. Ergänzt
wurden die hierbei erhobenen Anforderungen im Verlauf des Projektes durch
punktuelle Anforderungserhebungen zu einzelnen Themen- und Entwicklungsfeldern
im Rahmen von Workshops innerhalb des Expert:innen-Netzwerks.
Im Sinne des DSR-Paradigmas (vgl. (Hevner et al. 2004; Peffers et al. 2007) markiert
die qualitative Erhebung die initiale Phase eines designwissenschaftlichen Zyklus –
namentlich die Problemidentifikation, welche in die Definition von Zielsetzungen sowie
die Erhebung und Systematisierung funktionaler und kontextueller Anforderungen an
ein zu entwickelndes Lernartefakt übergeht. Im Rahmen der teilstrukturierten
Experteninterviews den mit Vertreter:innen aus Wissenschaft, Wirtschaft und
Zivilgesellschaft wurden divergente Perspektiven und domänenspezifische Bedarfe
21
rekonstruiert, die eine fundierte Ausgangsbasis für nachgelagerte Entwurfs- und
Evaluationsprozesse boten.
Der intendierte Entwurf einer modularisierten, adaptiven und zielgruppenspezifischen
Lernplattform für Data Literacy lässt sich als vorläufig konzipiertes DSR-Artefakt
begreifen. Die Anforderungsanalyse versteht sich als "requirements engineering" in
einem designwissenschaftlichen Innovationsprozess, in dem die realweltliche
Relevanz des Problems und die wissenschaftliche Fundierung der Problemlösung
systematisch miteinander verschränkt werden sollen.
Die erhobenen und analysierten Anforderungen wurden anschließend systematisch
geordnet und priorisiert. Zunächst erfolgte eine Unterteilung der aus den Expert:innen-
Interviews gewonnenen Anforderungen in funktionale/didaktische Anforderungen an
die Plattform und inhaltliche Anforderungen an Kurse und andere Formate (siehe
Abbildung 1). Der daraus resultierende Anforderungskatalog diente als Basis für die
Entwicklung des Kompetenzrahmens (AP 1.2) und einer wissenschaftlichen
Publikation (AP 5.8). Der Abgleich zwischen aktuellem Stand und Zielvorgaben der
Entwicklungsarbeiten erfolgte über das gemeinsame Projektmanagement-Tool und
regelmäßige Planungstreffen.
Abbildung 1: Ableitung der Anforderungen aus den Expert:innen-Interviews (Ausschnitt, veröffentlicht im Rahmen
eines Konferenzbeitrags (Hilger et al. 2023))
22
Im Folgenden werden die zentralen Erkenntnisse der Erhebung überblicksartig
zusammengefasst.
Unabhängig ihres Tätigkeitsfeldes bzw. Branche hoben alle interviewten Personen die
gesellschaftliche Relevanz von Datenkompetenz hervor. Datenkompetenz wird als
fundamentale Schlüsselqualifikation im digitalen Zeitalter verstanden, die über alle
gesellschaftlichen Sektoren hinweg notwendig ist. Sie bildet die Grundlage für soziale
Teilhabe, selbstbestimmtes Handeln und berufliche Anschlussfähigkeit in zunehmend
datengetriebenen Arbeits- und Lebenswelten. Besonders in einer „post-digitalen“
Gesellschaft – in der digitale Prozesse allgegenwärtig geworden sind – wird
Datenkompetenz als Bedingung für informierte Entscheidungsfindung und
gesellschaftliches Engagement betrachtet. Der pandemiebedingte Anstieg
datenbasierter Kommunikation hat die Dringlichkeit datenkompetenten Handelns
zusätzlich verstärkt sichtbar gemacht.
Die befragten Expert:innen verweisen zudem auf erhebliche ökonomische Risiken, die
mit dem Fehlen einer breiten Datenkompetenz einhergehen. Innerhalb betrieblicher
Kontexte führt der Mangel an datenkompetenten Mitarbeitenden zu einem Risiko des
Verlustes der Anschlussfähigkeit. Neben einem quantitativen Fachkräftemangel,
insbesondere im Bereich der Datenanalyse und -strategie, wird auch ein qualitativer
Kompetenzmangel in der Praxis konstatiert. Dieser äußert sich in unzureichenden
Kenntnissen bezüglich statistischer Verfahren, Datenvisualisierung, Datenschutz oder
der Interpretation digitaler Datensätze. Hinzu kommt eine oftmals geringe intrinsische
Motivation zur Weiterbildung in diesem Themenfeld, was von einigen Teilnehmenden
unter anderem auf mangelnde Sensibilisierung und fehlende Anreizstrukturen
zurückgeführt wird.
Die didaktischen und strukturellen Herausforderungen der Datenkompetenzbildung
manifestieren sich insbesondere in der unzureichenden curricularen Verankerung des
Themas in schulischen und hochschulischen Bildungskontexten, in defizitären
Lernmaterialien sowie in der häufig beobachteten Abkopplung zwischen Theorie und
praktischer Anwendbarkeit. Die Interviews legen nahe, dass eine theorielastige und
wenig kontextualisierte Vermittlung von Datenkompetenz nicht zielführend ist. Zudem
werden bestimmte überfachliche Kompetenzen – insbesondere kritisches Denken,
23
Kommunikationsfähigkeit und Offenheit gegenüber digitaler Innovation – als wichtiger
Baustein für eine erfolgreiche Kompetenzaneignung gesehen.
Ein weiterer zentraler Befund betrifft die Relevanz interdisziplinärer Ansätze und
kollaborativer Strukturen. Datenkompetenz entfaltet ihr Potenzial insbesondere im
Zusammenspiel mit domänenspezifischem Fachwissen. In verschiedenen
Berufsfeldern – etwa im Ingenieurwesen, der Medizin oder der öffentlichen Verwaltung
– ist ein tiefgreifendes Verständnis der jeweiligen Fachlogiken ebenso erforderlich wie
die Fähigkeit, Daten kontextualisiert und reflektiert zu interpretieren. Darüber hinaus
wird betont, dass Datenkompetenzbildung nicht allein durch isolierte Expert*innen
gewährleistet werden kann. Es bedarf gerade im Bereich Wirtschaft eines
organisationsweiten, möglichst standardisierten Kompetenzaufbau, der alle
Mitarbeitenden einbezieht.
Vor dem Hintergrund dieser Herausforderungen wurden von den
Interviewpartner*innen konkrete Lösungsansätze, ausgehend von der Prämisse einer
vom Projekt angestrebten Plattformlösung, formuliert. Zentrales Anliegen der
Befragten war die Modularisierbarkeit einer adaptiven und niedrigschwelligen
Lernplattform, die orts- und zeitunabhängiges Lernen ermöglicht. Diese Plattform soll
verschiedene Lernformate – etwa E-Learning, Präsenzworkshops, Gamification-
Elemente oder sogenannte „Learning Nuggets“ – miteinander kombinieren, um
unterschiedlichen Lernpräferenzen gerecht zu werden. Die Implementierung
individueller Lernpfade auf Basis von Kompetenzniveaus sowie die Integration
praxisnaher Szenarien – beispielsweise durch die Arbeit mit realitätsnahen oder
berufsspezifischen Datensätzen – wird als essenziell für die Motivationsförderung und
den nachhaltigen Kompetenzerwerb betrachtet. Darüber hinaus wird vorgeschlagen,
Anreizsysteme in Form von Zertifizierungen, oder der der Anerkennung von
Lernleistungen (Stichwort: Micro-Credentials) zu schaffen.
Zur Förderung einer breiten gesellschaftlichen Sensibilisierung schlagen die
Interviewten öffentlichkeitswirksame Bildungs- und Informationskampagnen vor, die
über verschiedene Medienformate und Zielgruppen hinweg das Thema Data Literacy
kommunizieren. Auch die curriculare Integration in schulische und hochschulische
Bildungspläne – flankiert durch die Qualifizierung von Lehrkräften – wird als zentrale
Voraussetzung für eine nachhaltige Verankerung der Thematik in der
24
Bildungslandschaft benannt, was jedoch außerhalb des Umfangs dieses Projektes
liegt. Auf Basis dieser initialen Erkenntnisse und des Designs eines Zielraums, wurde
das Projekt ausgerichtet.
Die zentralen Ergebnisse der Anforderungserhebung wurden zudem in der folgenden
Publikation dokumentiert: Hilger, K., Gamböck-Strätz, J., Biedermann, C. (2023).
Getting Data Literacy Education Ready for the Future (siehe Publikationen Abschnitt
2.7.1). Darin wird der aktuelle Status quo der drei Zielbereiche (Wirtschaft,
Wissenschaft, Zivilgesellschaft) aufgearbeitet. Zudem werden die zentralen
Herausforderungen und potenzielle Gestaltungsansätze für eine zukunftsfähige
digitale & hybride Datenkompetenzvermittlung auf Basis der empirischen
Erkenntnisse skizziert.
2.2.2 Erhebung zu Datenkompetenz-Lehrangeboten in der deutschen
Hochschullandschaft
Ein weiterer zentraler Bestandteil der Anforderungserhebung war die umfassende
Analyse der Lehrangebote zu Datenkompetenz an deutschen Hochschulen. Ziel war
es einerseits, den aktuellen Stand (inkl. möglicher Angebotslücken) der Vermittlung
von Datenkompetenz an Hochschulen zu erfassen, und andererseits, die Vielfalt der
Lehrangebote zu ermitteln, die unter den Begriffen „Datenkompetenz“ bzw. „Data
Literacy“ angeboten wurde.
Im Rahmen der Analyse wurden insgesamt 417 Hochschulen systematisch auf
bestehende Angebote im Bereich Datenkompetenz und Data Literacy untersucht.
Diese umfassende Erhebung mündete in einer detaillierten Tabelle, die 101
spezifische Angebote von 85 Hochschulen dokumentiert. Die Datensammlung wurde
erweitert und differenziert, indem zusätzliche Parameter wie Zielgruppen,
Verfügbarkeit, Kontext, eingesetzte Hilfsmittel, Hochschultypen, Studiengänge und
weitere Kriterien aufgenommen werden. Dies ermöglichte eine präzisere
Differenzierung und bot einen umfassenden Überblick über die Vielfalt und
Ausrichtung der Datenkompetenzangebote an deutschen Hochschulen.
Es wurde ein interaktives Datenprodukt in Form einer digitalen Hochschulkarte
entwickelt. Mithilfe der Python-Bibliothek „Folium“ und unter Verwendung von Jupyter
Notebooks wurde aus der angereicherten Datensammlung eine interaktive Karte
25
erstellt, die unter https://toolboxdatenkompetenz.de/hochschullandschaft/ abrufbar ist
(siehe auch Abbildung 2). Diese Karte visualisiert die erfassten Angebote zur
Datenkompetenz an deutschen Hochschulen und ermöglicht eine intuitive
geografische Exploration der Daten.
Abbildung 2: Datenprodukt - interaktive Karte zu Datenkompetenzangeboten an deutschen Hochschulen
Darüber hinaus wurden erste konzeptionelle Überlegungen zu einer inhaltlichen
Datenkompetenzlandkarte angestellt. Diese basieren auf der Kategorisierung der
Einträge innerhalb des empirischen Datensatzes und zielen darauf ab, die Vielfalt der
Datenkompetenzangebote thematisch zu strukturieren. Eine solche inhaltliche
Landkarte könnte als Orientierungshilfe für die Gestaltung eigener Kursangebote im
Bereich Datenkompetenz genutzt werden.
Im Rahmen der Datensammlung kam der Kompetenzrahmen „Future Skills: Ein
Framework fr Data Literacy“ (Schüller et al., 2019b) als strukturierende Grundlage
26
zur Systematisierung der erfassten Angebote zum Einsatz. Basierend auf den
definierten Kompetenzfeldern wurden spezifische Kompetenzen herausgearbeitet und
entsprechende Schlüsselbegriffe sowie Wortgruppen extrahiert, sofern diese in den
Beschreibungstexten der erfassten Lehrangebote explizit erwähnt wurden. Darüber
hinaus erfolgte eine qualitative Einschätzung des jeweiligen Kompetenzerwerbs,
indem die Angebote hinsichtlich der Dimensionen Wissen, Fähigkeit und Haltung
kategorisiert wurden. Darüber hinaus wurde ein visuelles Datenprodukt in Form einer
Vergleichsgrafik entwickelt (siehe Abbildung 3) Diese Grafik stellt die Ausprägung
verschiedener Kompetenzen innerhalb der definierten Kompetenzfelder dar und nutzt
ein Farbschema mit vier unterschiedlichen Farben, um die jeweilige Art und Weise der
Umsetzung zu kennzeichnen.
Abbildung 3: Vergleichsgrafik zur Ausprägung verschiedener Kompetenzen innerhalb der Kompetenzfelder nach
Schüller et al.
Die Untersuchung von 62 Bildungsangeboten zur Data Literacy (DL) zeigt deutlich,
dass produktive Kompetenzen („Kodieren“) klar im Vordergrund stehen. Diese
umfassen vor allem das Identifizieren, Aufbereiten und Analysieren von Daten, meist
in praktischer, anwendungsbezogener Form – z. B. durch Arbeiten mit Programmen
oder Programmiersprachen wie Python oder R. Insbesondere die Kompetenzfelder „B
– Daten bereitstellen“ und „C – Daten auswerten“ wurden von den identifizierten
Angeboten abgedeckt. Während Angebote im Kompetenzfeld B Methoden zur
27
Datenerhebung: von APIs und Sensoren bis zu Social Media und Datenbanken
behandelt, werden im Kompetenzfeld C Methoden der Datenverarbeitung wie
Statistik, KI (z. B. NLP, Deep Learning) und Visualisierung (von einfachen
Diagrammen bis zu interaktiven Dashboards) thematisiert. Das Kompetenzfeld „A –
Datenkultur etablieren“ wurde selten spezifisch adressiert – meist im Kontext
interdisziplinärer Projekte oder Projektmanagement. „Datenschutz und Sicherheit“
wurde als übergreifende Meta-Kategorie eingeführt und um ethische sowie rechtliche
Aspekte ergänzt (z. B. DSGVO, ethische KI, Datenbewusstsein).
Rezeptive Kompetenzen (reflektiv, „Dekodieren“), also das kritische Interpretieren und
Verstehen und Weiterverarbeiten von Datenprodukten, wurden deutlich seltener
behandelt und inhaltlich nur vage beschrieben.
Nur wenige Angebote lieferten konkrete Inhalte, etwa zur Identifikation unfairer
Visualisierungen, Fake News oder Reflexion technischer, ethischer und
gesellschaftlicher Implikationen. Im Feld „D – Datenprodukte interpretieren“ wurden
zwar viele Aspekte angesprochen (z. B. Medienkompetenz, Fehlinterpretationen,
politische Einflsse), aber meist ohne inhaltliche Tiefe. „E – Daten entschlsseln“ und
„F – Handeln ableiten“ blieben häufig unspezifisch, obwohl in Einzelfällen
gesellschaftliche oder berufliche Konsequenzen von Datenentscheidungen
thematisiert wurden (z. B. Filterblasen, automatisierte Entscheidungsfindung).
Die Auswertung der Angebotsstruktur machte deutlich, dass sich die Angebote primär
an Studierende, vereinzelt aber auch an Lehrkräfte und Berufstätige richteten. Die
Bandbreite der Disziplinen, die Datenkompetenz-bezogene Angebote bereitstellten
war sehr breit. Mehrheitlich kamen Angebote aus den Bereichen der Sozial-, Geistes-
und Wirtschaftswissenschaften. 17 Angebote waren interdisziplinär. Auch im Umfang
der Angebote zeigte sich eine große Vielfalt, die von einstündigen Online-Videos bis
hin zu semesterumfassenden Kursangeboten reichten, in deren Rahmen
Leistungspunkte erworben werden konnten. 44 Angebote enthielten STEM-bezogene
Inhalte, meist Statistik und Programmierung (Python, R).
Zusammenfassend lässt sich sagen, dass die DL-Angebote in der deutschen
Hochschullandschaft zum Erhebungszeitpunkt stark produktiv geprägt waren, mit
hohem Fokus auf technische Fertigkeiten und Hands-on-Anwendungen. Rezeptive
28
Kompetenzen, insbesondere das kritische Hinterfragen von Daten und deren
gesellschaftlicher Wirkung, waren unterrepräsentiert und oft unscharf formuliert.
Als Erweiterung der Untersuchung zur Datenkompetenz in Deutschland wurde eine
Auswertung von Online-Ressourcen im gesamten EU-Raum durchgeführt. Ziel war
es, Hochschul-Lehrangebote im Bereich Datenkompetenz systematisch zu erfassen
und diese im europäischen Kontext vergleichend zu analysieren. Die Ergebnisse
dieser Analyse wurden auf dem Data Literacy Day präsentiert
(https://beta.toolboxdatenkompetenz.de/catalogue/dld-wie-steht-es-um-die-
datenkompetenz-in-deutschland-im-internationalen-vergleich)
8
.
2.2.3 Kompetenzrahmen für KI- und Datenkompetenzen
Parallel zu den vorgestellten Arbeiten wurde ein umfangreiches Literature Review in
mehreren Iterationen durchgeführt.
Ziel dieser Arbeit war es, einen Überblick über die aktuelle Landschaft und die
Charakteristika von Forschung zu Data Literacy (DL) und Datenbildung
zusammenzustellen, um eine erste Konsolidierung und einen Standard für zukünftige
Entwicklungen zu schaffen sowie das Bewusstsein für Datenbildung und deren
Didaktik zu stärken. Die drei nachfolgenden Forschungsfragen (FQs) bildeten den
Ausgangspunkt für die Analyse:
• FQ1: Welche grundlegende Literatur bildet die Basis der DL-Forschung?
• FQ2: Welche inhaltlichen Standards – zusammengefasst als Leitprinzipien und
Themen – lassen sich aus DL-Perspektive für die Datenbildung ableiten?
• FQ3: Was sind die grundlegenden Prozessstandards in der Datenbildung aus
Sicht der DL?
Der von InfAI entwickelte und damit vorläufige Standard wird als eine Spezifizierung
bestehender, breit gefasster Rahmenwerke wie DigiComp (Vuorikari Rina et al. 2022)
verstanden. Zur Beantwortung der Forschungsfragen wurde eine iterative, integrative
und qualitative Literaturrecherche durchgeführt, welche sich am PRISMA-Modell
(Page et al. 2021) orientierte (Abbildung 4). Dabei wurden insbesondere bestehende
8
Hier ist auch die Erhebungs- und Auswertungsmethode beschrieben.
29
Konzepte und theoretische Modelle von Data Literacy (DL) kritisch analysiert,
rekonzeptualisiert und synthetisiert.
Da es sich bei DL um ein dynamisch wachsendes Forschungsfeld handelt, lag der
Fokus besonders auf der Entwicklung erster Begriffsbestimmungen sowie theoretisch-
didaktischer Modelle. Zudem wurden Kompetenzen und potenzielle Lernziele
abgeleitet
Abbildung 4: Iterative, integrative und qualitative Literaturrecherche orientiert am PRISMA-Modell
2.2.3.1 Die fünf Säulen der Datenkompetenz
Bevor im Folgenden die identifizierten Prozess- und Inhaltsstandards beschrieben
werden, sollen zunächst die „fnf Säulen der DL“ vorgestellt werden. Gemeint sind
damit fünf maßgebliche Autorengruppen, die besonders häufig in der Literatur zu DL
30
zitiert werden und somit das theoretische Rückgrat des Feldes bilden und gleichzeitig
die Diversität des Feldes aufzeigen. Diese Gruppen repräsentieren unterschiedliche
theoretische Zugänge zur Datenkompetenz und zeigen verschiedene didaktische
Perspektiven auf.
Tabelle 1: Die fünf Säulen der Data Literacy
Article
Prado &
Marzal
D'Ignazio et al.
Koltay
Mandinach &
Gummer
Ridsdale et
al.
(Atenas et al. 2023)
x
x
(Burress et al. 2020)
x
x
(Claes und Philippette 2020)
x
x
x
x
(Clegg et al. 2023)
x
x
(Condon und Pothier 2022)
x
x
(Cui et al. 2023)
x
x
x
x
(Filderman et al. 2022)
x
(Fotopoulou 2021)
x
x
(Gebre 2022)
x
x
x
x
(Ghodoosi et al. 2023)
x
x
x
(Hannigan et al. 2023)
x
(Kim et al. 2023)
x
x
(Kim und Yu 2023)
x
(Mattern und Rapchak 2022)
x
x
(McCosker 2022)
x
x
(McDowall et al. 2021)
x
(Oliver et al. 2023)
x
(Papamitsiou et al. 2021)
x
x
x
(Perrelli 2022)
x
(Raffaghelli und Stewart 2020)
x
x
(Schüller et al. 2023)
x
(Wang et al. 2019)
x
x
(Werning 2020)
x
x
Die erste Säule bilden Mandinach und Gummer, die DL im Kontext von Schule und
Unterricht verorten. Seit 2008 haben sie ein umfassendes Rahmenmodell entwickelt,
das auf dem klassischen Daten-Information-Wissen-Modell basiert (Mandinach 2008,
2012; Mandinach und Gummer 2012). DL wird hier als Fähigkeit verstanden, Daten
effektiv zu verstehen und zu nutzen, um pädagogische Entscheidungen zu treffen. Ein
besonderes Augenmerk liegt auf der Bedeutung von Rollen und Kontexten,
31
insbesondere für Lehrkräfte, Schulleitungen und Verwaltungsmitarbeitende
(Mandinach und Gummer 2016b; Mandinach und Gummer 2016a). Der datenbasierte
Entscheidungsprozess wird strukturiert als Abfolge von Schritten: Stakeholder
identifizieren, Fragen formulieren, Daten sammeln und nutzen, Informationen
generieren, Entscheidungen treffen und schließlich Ergebnisse evaluieren
(Mandinach und Gummer 2016b; Gummer und Mandinach 2015). Darüber hinaus
integrieren sie ethische Überlegungen, insbesondere im Hinblick auf den Schutz
sensibler Daten von Schüler:innen. DL wird in ihrem Ansatz als integraler Bestandteil
professionellen pädagogischen Handelns verstanden, der sich mit curricularen und
didaktischen Inhalten sowie der Lernentwicklung von Kindern verknüpft. (Mandinach
und Jimerson 2022; Gummer und Mandinach 2015)
Die zweite zentrale Säule wird durch Prado und Marzal repräsentiert, die DL aus der
Perspektive der Informationskompetenz im bibliothekarischen Kontext betrachten
(Calzada Prado und Marzal 2013). In ihrem Werk verstehen sie DL als Teilbereich der
Informationskompetenz und verknüpfen sie mit statistischer Bildung. Ihr Modell
definiert DL als Fähigkeit, Daten zu finden, zu verstehen, kritisch zu bewerten, zu
organisieren, zu nutzen und dabei ethische Standards zu beachten. Das Framework
besteht aus fünf Kernelementen: (1) Datenverständnis, (2) Datenbeschaffung, (3)
Interpretation und Bewertung, (4) Datenmanagement und (5) Datenanwendung. Diese
Struktur ist praxisorientiert und zielt darauf ab, Lernenden sowohl technische als auch
kritisch-reflektierende Kompetenzen im Umgang mit Daten zu vermitteln. DL wird hier
als Bildungsprozess verstanden, der wissenschaftliches Denken und gesellschaftliche
Handlungsfähigkeit fördert (Calzada Prado und Marzal 2013).
Die dritte Säule stellt Koltay mit einem akademisch-theoretischen Zugang zu
Datenkompetenz (Koltay 2011, 2015, 2016, 2017a, 2017b). Koltay beschäftigt sich
seit über einem Jahrzehnt mit DL, insbesondere in den Feldern
Bibliothekswissenschaft, Medienpädagogik und Hochschuldidaktik. Er betrachtet DL
als Schnittmenge verschiedener Literacies – insbesondere Informations-, Medien-,
Statistik-, Visualisierungs- und wissenschaftliche Kompetenzen (Koltay 2011). Koltay
fordert eine Standardisierung der Begriffe rund um DL und betont die Notwendigkeit,
Daten kritisch zu nutzen, zu transformieren und in handlungsleitendes Wissen zu
überführen. Wichtige Themen sind dabei Datenkuratierung, Datenqualität, Re-Use,
Open Data, sowie Fragen der Ethik und Governance (Koltay 2015). Sein Ansatz ist
32
stark literaturbasiert und zielt auf eine integrierte, wissenschaftsnahe Vermittlung von
DL, insbesondere im Hochschulbereich und in der Forschungsausbildung (Koltay
2017b).
Eine vierte, besonders innovative Säule wird durch D’Ignazio (D'Ignazio 2022), Klein
(D'Ignazio und Klein 2020) und Bhargava (Bhargava et al. 2016; Bhargava und
D’Ignazio 2017; Bhargava et al. 2015; Bhargava et al. 2019) gebildet. Sie nähern sich
DL aus einem feministischen, kreativen und community-zentrierten Blickwinkel. Ihre
bekanntesten Werke, darunter Data Feminism (D'Ignazio und Klein 2020) und
Creative Data Literacy (D'Ignazio 2022), heben die politische, soziale und ethische
Dimension von Datenkompetenz hervor. DL wird hier nicht als rein technisches
Werkzeug, sondern als Mittel zur Emanzipation verstanden. In ihrem Konzept „Data
Feminism“ schlagen sie keine rigiden Rahmenwerke vor, sondern fnf „taktische“
Zugänge zur kreativen DL: Arbeit mit gemeinschaftsbezogenen Daten, das Schreiben
von Datenbiografien, das bewusste Zulassen von „Unordnung“ in Datenprozessen,
der Bau von lernendenzentrierten Tools sowie kreative, sinnstiftende Datennutzung
anstelle rein technischer Visualisierungen. Ihr Ansatz betont Datenethik über den
gesamten Datenlebenszyklus hinweg – inklusive kritischer Reflexion von
Machtverhältnissen in der Datennutzung (D'Ignazio und Klein 2020).
Die fünfte Säule wird durch Ridsdale et al. (2015) verkörpert, die sich um eine
systematische Erfassung und Strukturierung von DL-Kompetenzen bemühen. DL wird
als die Fähigkeit verstanden, Daten zu sammeln, zu managen, kritisch zu bewerten
und anzuwenden. Aufbauend auf einer breiten Literaturauswertung und unter
Einbezug anderer zentraler Autoren (u.a. Koltay, Mandinach, Prado & Marzal)
schlagen sie ein modulares System vor – projektbasiert, praxisnah und mit starkem
Bezug zu realen Daten. Ihre Systematik unterteilt Kompetenzen in drei Stufen:
konzeptionell (z. B. Datenethik, Datenkultur), grundlegend (z. B. Datensuche, -
analyse, -visualisierung, -interpretation) und fortgeschritten (z. B. Datenkuratierung,
Formatkonvertierung, Metadatenmanagement). Insgesamt listen sie 23 Kompetenzen
und 64 konkrete Fähigkeiten und Lernziele. Dieser systematische Zugang dient als
Ausgangspunkt für die Entwicklung standardisierter Bildungsangebote im Bereich DL
(Ridsdale et al. 2015).
33
2.2.3.2 Prozessstandard – eine erste Synthese
Zur Entwicklung eines interdisziplinären Kompetenzrahmens für Data Literacy (DL),
der im Bereich der Datenbildung anwendbar ist, wurden Prozessstandards aus den
Bereichen Datenmanagement, Mathematik und Informatik verknüpft. Darüber hinaus
wurden auch Ansätze aus der Medien-, Informations- und digitalen Kompetenz
geprüft. Letztere haben wir jedoch aufgrund fehlender Anschlussfähigkeit für die
Entwicklung von expliziten Prozessstandards ausgeschlossen. Im Folgenden werden
die Gründe hierfür erläutert, unter Einbezug einschlägiger Quellen.
Informationskompetenz (Information Literacy) konzentriert sich vorrangig auf den
Zugang zu Informationen sowie deren ethische Bewertung und Nutzung (Grizzle et al.
2021). Aus unserer Sicht handelt es sich hierbei eher um Inhaltsstandards als um
Prozesse. Diese Einschätzung wird auch durch die Analyse von Condon und Pothier
(2022) gestützt, die die Beziehung zwischen dem ACRL Framework for Information
Literacy for Higher Education und DL untersucht haben. Zwar zeigen sich inhaltliche
Überschneidungen, jedoch keine direkte Bezugnahme auf prozedurale Standards.
Medienkompetenz (Media Literacy) zielt darauf ab, Bürger:innen in einer digitalen
Gesellschaft zu befähigen, ihre Meinungsfreiheit wahrzunehmen, digitale
Kommunikationsformen zu verstehen und kritisch zu reflektieren (Grizzle et al. 2021).
Neue Studien im Bereich der Kompetenzen im Umgang mit sozialen Medien, etwa
von Cho et al. ( 2024), betonen die Bedeutung von Analyse (kritische Beobachtung
und Überwachung), Evaluation und der aktiven Mitgestaltung über soziale Medien. Es
gibt dabei thematische Überschneidungen mit Kommunikationskompetenz in der
Informatik und Argumentationskompetenz in der Mathematik – jedoch ausschließlich
auf einer abstrakten Ebene. Keines der untersuchten Modelle beinhaltet explizit
definierte Prozessstandards, weshalb Medienkompetenz nicht in die deduktive
Entwicklung von DL-Prozessstandards übernommen wurde.
Digitale Kompetenz (Digital Literacy) wiederum stellt eine Schnittmenge aus
Informations- und Medienkompetenz dar, umfasst jedoch ein noch breiteres
Spektrum: Themen wie digitale Identität, technische Fertigkeiten, kritische Bewertung
digitaler Inhalte sowie der Einsatz digitaler Werkzeuge stehen im Vordergrund (Grizzle
et al. 2021; Park et al. 2021). Kompetenzmodelle wie DigiComp 2.0 betonen
Problem-lösungsstrategien sowie Kommunikations- und Kooperationskompetenzen,
34
definieren jedoch keine spezifischen prozeduralen Handlungen (Vuorikari Rina et al.
2022; Misheva 2021).
Somit lässt sich zusammenfassen, dass die bekannten oder im Rahmen der
Recherche identifizierten Modelle zur Informations- und Medienkompetenz keine
expliziten Praktiken oder Prozessstandards enthalten, die zur strukturierten
Entwicklung eines deduktiven Prozessmodells für DL genutzt werden könnten (vgl.
(ALA/ACRL/STS Task Force on Information Literacy for Science and Technology;
Calzada Prado und Marzal 2013)). Der Fokus im nächsten Schritt richtete sich daher
auf die prozeduralen Standards aus der Informatik (Röhner et al. 2016; Computer
Science Teachers Association 2017), Mathematik (KMK 2022; National Council of
Teachers of Mathematics 2000) sowie auf speziell entwickelte Modelle zur
Datenkompetenz im Bereich Datenmanagement (Grillenberger; Grillenberger 2019;
Grillenberger und Romeike 2018) – siehe Tabelle 2.
Tabelle 2: Prozedurale Standards aus der Informatik, Mathematik und Datenmanagement
Computer Science (Röhner et al.,
2016; Computer Science Teachers
Association, 2017)
Mathematics (KMK, 2022;
National Council of Teachers of
Mathematics, 2000)
DL (Data Management)
(Grillenberger, 2019;
Grillenberger & Romeike,
2018)
Representing and Interpreting:
This focuses on the selection and
application of various
representation forms as well as on
interpreting these representations.
Representing: It is about
creating and using mathematical
representations, switching
between different representations
and translating between symbolic
and natural language.
Data
collection/acquisition:
Competencies in collecting
and generating data.
Modelling and Implementing:
This process area includes
analysing a problem, designing a
computer science model, and
implementing it on a computer
system. It also involves testing the
solution and reflecting on the
quality and application possibilities
of the developed product.
Problem Solving: Focus on
applying heuristics to complex
tasks, enhancing persistence,
curiosity, and confidence.
Effective problem-solving
involves clear problem
statements, strategic heuristic
application, and critical solution
evaluations.
Modelling: Creating data
models that represent real
processes or systems.
Modelling: It is about applying
abstract concepts to real-world
scenarios- by mapping simple
situations using known models
and progress to more complex
problems.
Implementation &
Optimization:
Implementation of data
models into practical
solutions and their
improvement.
Structuring and Networking:
Facts and processes are analysed
and systematically recorded. It
Analysis, visualization,
and evaluation: Evaluating
data through analysis and
35
involves recognizing connections,
effects, and analogies, and
integrating new knowledge into
existing schemas.
visual representation, and
its assessment.
Exchange, Archiving, and
Solution: Management of
data flows, long-term data
storage, and appropriate
deletion of data.
Reasoning and Evaluating: This
involves supporting and evaluating
statements or facts through logical
reasoning. This includes the
verification of statements based on
transparent, professional criteria,
and the formulation of judgments
taking into account the context.
Mathematically Communicating
and Arguing: Communication
involves clearly articulating ideas,
posing questions, and describing
concepts using precise
mathematical language – it is
about expressing and
understanding mathematical
arguments, facilitating deeper
engagement and
comprehension.
Communicating and
Cooperating: This area deals with
appropriate oral and written
communication using technical
language, as well as the ability to
effectively collaborate in teams.
Im nächsten Schritt leiten wir Prozessstandards für die Datenbildung ab, indem wir
bestehende Standards aus verschiedenen Disziplinen synthetisieren. Daraus ergibt
sich eine erste Definition von Prozessstandards für die Datenbildung, die aus den
Bereichen Mathematik, Informatik und Data Literacy (DL) stammt.
Modellieren und Darstellen
Modellieren im Kontext von Datenbildung beschreibt den systematischen Prozess der
theoretischen Abbildung realer Probleme. Dies umfasst die Identifikation spezifischer
Datenbedarfe, die Entwicklung geeigneter Datenmodelle oder datenbasierter
Werkzeuge, die für Problemlösungen notwendig sind. Dabei wird besonderes
Augenmerk auf Relevanz, Angemessenheit und Qualität gelegt.
Das Darstellen von Daten erfolgt vielfältig und flexibel, unter Einsatz unterschiedlicher
Methoden und Werkzeuge mit variierendem Formalisierungsgrad. Dies dient der
Verständnisförderung sowie der Analyse von Daten und Datenprodukten. Individuelle
oder standardisierte Darstellungsformen sollen helfen, Konzepte zu vernetzen und
Gedankengänge zu strukturieren. Entscheidend ist die Fähigkeit zur detaillierten
Interpretation dieser Darstellungen – einschließlich der Analyse von Elementen und
ihren Verbindungen innerhalb eines modellierten Ausschnitts der Realität.
Strukturieren und Analysieren
36
Strukturieren beschreibt die Organisation und Anordnung von Daten oder
Analyseergebnissen in einer Form, die deren Nutzung und Interpretation erleichtert.
Dies kann z. B. durch Sortieren, Gruppieren, Zusammenfhren oder Umstrukturieren
geschehen – mit dem Ziel, Daten in verständliche Formate wie Tabellen, Diagramme
oder Listen zu überführen. Dadurch wird nicht nur die Zugänglichkeit und
Speicherbarkeit, sondern auch die Basis für Analyse und Entscheidungsfindung
verbessert.
Analysieren umfasst die systematische Untersuchung von Daten mit
wissenschaftlichen Methoden – etwa aus Mathematik, Statistik, Künstlicher Intelligenz
oder den Sozial- und Geisteswissenschaften. Ziel ist die Erkennung von
Musterstrukturen, Auffälligkeiten und Grundprinzipien – etwa auch diskriminierenden
Tendenzen in Daten.
Bewerten und Handeln
Bewerten bedeutet, sich kritisch mit Daten und deren Grundlagen
auseinanderzusetzen. Es werden nachvollziehbare, transparente Kriterien genutzt,
um z. B. Datenquellen, Datenqualität, Analyseverfahren und daraus resultierende
Interpretationen zu beurteilen. Dies umfasst die Prüfung von Validität und Reliabilität,
das Erkennen von Mustern und Anomalien sowie das Verstehen von Modellen und
ihrer Anwendbarkeit – insbesondere im Hinblick auf KI. Ziel ist es, Risiken zu
erkennen, Unsicherheiten verantwortungsvoll zu begegnen und mögliche
Verzerrungen in datenbasierten Prozessen zu identifizieren.
Handeln bezieht sich auf die Fähigkeit, auf Grundlage bewerteter Daten fundierte,
wertorientierte Entscheidungen zu treffen. Dies beinhaltet das Abwägen von
Alternativen, die Antizipation von Konsequenzen, die Berücksichtigung von
Unsicherheiten und das Abwägen gesellschaftlicher Risiken. Zentrale Elemente sind
Ethik und gesellschaftliche Verantwortung.
Kommunikation und Kooperation
Kommunikation umfasst die strukturierte Darstellung von datenbezogenen Aktivitäten
und Ergebnissen – schriftlich wie mündlich, analog wie digital, in einfacher wie in
fachsprachlich komplexer Form. Dazu gehören situationsgerechte Argumentation,
37
Präsentation, Diskussion sowie das aktive Verstehen durch Zuhören oder Lesen –
auch unter Einsatz von Fachsprache und technischen Hilfsmitteln.
Kooperation spielt insbesondere in datenbezogenen Projekten und Teamarbeiten eine
zentrale Rolle. Gemeinsame Ziele werden Gemeinsame Ziele werden definiert,
Aufgaben verteilt, Verantwortung geklärt und Zeitpläne erstellt. Kooperationsfähigkeit
zeigt sich in der Übernahme von Verantwortung, der Einhaltung von Absprachen,
gegenseitiger Unterstützung und konstruktiver Zusammenarbeit. Auch digitale Tools
zur Zusammenarbeit kommen zum Einsatz – dabei werden deren Potenziale,
Chancen und Risiken reflektiert.
Begründung der Prozessstandards
Die vorgestellten Prozessstandards wurden deduktiv aus existierenden Standards
entwickelt – unabhängig von der Literaturanalyse. Zur Validierung wurden die im
Modell enthaltenen Konzepte mit Formulierungen aus der Literaturübersicht
abgeglichen, um sicherzustellen, dass keine systematischen Fehler enthalten sind
(siehe Abbildung 5).
Dabei konnten zahlreiche Übereinstimmungen identifiziert werden. Besonders
deutlich wurden Verbindungen bei den Konzepten Problemlösung, Realweltbezug,
38
Darstellung und Interpretation, Strukturierung, Analyse, Bewertung und Handeln. So
ist das Thema „Strukturierung“ z. B. in der Literatur oft als „Datenorganisation“
präsent. Die Bereiche „Bewerten“ und „Handeln“ umfassen dabei Aspekte wie
datenbasierte Entscheidungen und das Handeln auf Grundlage von Informationen.
Auch Kommunikation und Kooperation werden in vielen Arbeiten als essenzielle
Fähigkeiten der Datenbildung genannt.
Abbildung 5 Vorläufige Validierung
In der Summe lässt sich sagen, dass die deduktiv entwickelten Prozessstandards
inhaltlich durch zahlreiche Konzepte in der Literatur gestützt werden – und somit eine
valide Grundlage für die Weiterentwicklung von Datenbildung bieten.
2.2.3.3 Inhaltsbezogene Kompetenzen
Basierend auf der beschriebenen Methodik werden im Folgenden die Inhaltsstandards
der Datenbildung vorgestellt. Sie gliedern sich entlang von drei Leitprinzipien:
1. Daten-bezogene ELSA (Ethical, Legal and Social Aspects),
2. Daten und Projekte,
3. Daten Gebäude.
Die hier fokussierten ELSA-Inhalte werden entlang von Kategorien, Themen und
Unterthemen systematisch strukturiert und mit relevanten Quellen belegt.
Leitprinzip: Daten-bezogene ELSA – Ethische, rechtliche und soziale Aspekte
C1: Ethische Überlegungen im Umgang mit Daten und Datenprodukten
Die erste Inhaltskategorie umfasst grundlegende ethische Prinzipien. Aufbauend auf
dem Rahmenwerk von Atenas et al. (Atenas et al. 2023) wird ein Modell mit drei
Dimensionen vorgeschlagen: (i) Schutz individueller Interessen (z. B. Autonomie,
Privatsphäre), (ii) Gerechtigkeit und Anti-Diskriminierung, (iii) kollektives Wohlergehen
(z. B. Fairness, Machtkritik). Die fünf zentralen Subthemen sind:
o C1.1.1 Autonomie
(z. B. in Bezug auf informierte Entscheidungen und Selbstbestimmung;
vgl. (Oliver et al. 2023))
39
o C1.1.2 Privatsphäre
wird breit thematisiert, als Mindestanforderung gilt die „Wertschätzung
von Datenschutz und -sicherheit“ (Schüller 2022; Clegg et al. 2023;
Fotopoulou 2021)
o C1.1.3 Transparenz
ist verbunden mit offenen Datenpraktiken, institutioneller
Nachvollziehbarkeit und Problematiken wie „Black Box“-Systemen
(Fotopoulou 2021; Claes und Philippette 2020)
o C1.1.4 Vertrauen
betrifft das Vertrauen in Datenquellen, Medien und datenproduzierende
Institutionen (Schüller 2022; Hannigan et al. 2023)
o C1.1.5 Diversität, Nicht-Diskriminierung und Fairness
fordert die Auseinandersetzung mit struktureller Ungleichheit und
algorithmischer Diskriminierung (z. B. Rassismus, Sexismus; (Atenas
et al. 2023; Gebre 2022).
C2: Rechtliche Aspekte im Umgang mit Daten
Diese Kategorie wird in zwei Themen unterteilt:
• C2.1 Schutz von Daten
umfasst Datenschutz (C2.1.1) und Datensicherheit (C2.1.2).
Datenschutz ist eng an die DSGVO gekoppelt (Papamitsiou et al. 2021) und
beinhaltet das Bewusstsein für Risiken und Rechte (Cui et al. 2023), inklusive
Techniken wie De-Identifikation (Kim et al. 2023).
• C2.2 Rechtsrahmen im Umgang mit Daten
bezieht sich auf regulatorische Maßnahmen wie die DSGVO, aber auch auf
neue gesetzliche Entwicklungen (z. B. EU AI Act, Data Governance Act)
(McCosker 2022; Oliver et al. 2023).
C3: Praktiken und Standards im Umgang mit Daten
Zwei Hauptthemen strukturieren diese Kategorie:
• C3.1 Datenursprung und -herkunft
o C3.1.1 Urheberschaft und Eigentum
behandelt Aspekte wie Rechte an Datensätzen und ethisches
Datensammeln (Oliver et al. 2023; Papamitsiou et al. 2021).
o C3.1.2 Data Trails / Daten-Spuren
thematisiert die allgegenwärtige Datenerfassung durch digitale
Technologien sowie personalisierte Datennutzung, Profiling und
Überwachung (Pangrazio & Selwyn 2019; Raffaghelli & Stewart 2020).
• C3.2 Datenverarbeitung
40
o C3.2.1 Data Governance
als Regelwerk für verantwortlichen Umgang mit Daten (Atenas et al.
2023; Papamitsiou et al. 2021). Es umfasst Zugang,
Verantwortlichkeiten, Compliance und Datenkultur (Oliver et al. 2023).
o C3.2.2 Missbrauch & Manipulation
verweist auf Machtasymmetrien, Deepfakes, algorithmische Gewalt
und Notwendigkeit ethischer Reflexion im Unterricht (McCosker 2022;
Claes & Philippette 2020).
C4: Daten und Gesellschaft
• C4.1 Leben in der Datenwelt
o C4.1.1 Entstehungsgeschichte von Daten
betont die historische Entwicklung von Daten- und
Informationsgesellschaft (Gebre 2022; Schüller 2022).
o C4.1.2 Daten, Macht und Gerechtigkeit
thematisiert Datenungleichheit, In-/Sichtbarkeit in Datensätzen,
strukturelle Machtverhältnisse (Atenas et al. 2023; Clegg et al. 2023).
o C4.1.3 Daten und Medien
verweist auf datengetriebene Medienproduktion und deren Einfluss auf
unser Weltbild (Fotopoulou 2021; Claes & Philippette 2020).
o C4.1.4 Datenkultur
wird als kollektives Werte- und Normensystem im Umgang mit Daten
beschrieben – von organisationaler bis algorithmischer Kultur (Oliver et
al. 2023; Claes & Philippette 2020; Schüller 2022).
• C4.2 Bewertung von Daten
o C4.2.1 Daten und Ökonomie
behandelt Daten als wirtschaftliches Gut (Condon & Pothier 2022),
etwa im Kontext von „surveillance capitalism“ (Atenas et al. 2023).
o C4.2.2 Gesellschaftlicher und individueller Wert von Daten
thematisiert die gesellschaftliche Relevanz von Datenprodukten und
ihren Einfluss auf Teilhabe, Repräsentation und Gerechtigkeit (Atenas
et al. 2023; Schüller 2022).
Leitprinzip: Daten und Projekte (Data and Projects)
Das zweite Leitprinzip im Bereich der Datenbildung ist das Themenfeld „Daten und
Projekte“, das klassische Inhalte der Datenkompetenz vermittelt. Es gliedert sich in
zwei Hauptbereiche:
C5: Daten (Data)
• C5.1 Daten lesen und verstehen
41
o C5.1.1 Was sind Daten?
▪ Grundverständnis von Datenarten und -formaten ist zentral
(Ridsdale et al., 2015; Calzada Prado & Marzal, 2013).
▪ Wichtig: Unterscheidung von Daten, Information, Wissen und
Handlungsfähigkeit (Koltay, 2015; Ghodoosi et al., 2023a).
o C5.1.2 Beziehung von Daten – Information – Wissen
o Digitale Literalität (DL) bedeutet, Daten in Wissen und Handeln zu
transformieren.
• C5.2 Datenerhebung (Data Gathering)
o C5.2.1 Datenquellen
▪ Kenntnisse über Datenquellen (z.B. Open Data, Sensoren) sind
wesentlich (Condon & Pothier, 2022; Oliver et al., 2023; Clegg
et al., 2023).
o C5.2.2 Datenbeschaffung
▪ Prozesse umfassen Identifikation (Kim et al., 2023), Abruf
(Fotopoulou, 2021), Extraktion (Cui et al., 2023) und
Sekundärdaten (Oliver et al., 2023).
▪ Auch Methoden wie Scraping (Fotopoulou, 2021) gehören
dazu.
o C5.2.3 Datenspeicherung
▪ Speicherung ist verbunden mit Datenorganisation und Teil des
Datenmanagements (Ghodoosi et al., 2023b; Condon &
Pothier, 2022; Schüller, 2022).
C6: Datenbasierte Projekte (Data-Based Projects)
• C6.1 Projektinitiierung
o C6.1.1 Fragestellung, Problemerkennung und Hypothesenbildung
▪ Wissenschaftliches Arbeiten beginnt mit einer Frage (Schüller,
2022; Condon & Pothier, 2022).
▪ Hypothesen entwickeln und problemorientiertes Denken wird
betont (Atenas et al., 2023).
o C6.1.2 Messbarkeit und Variablen
▪ Messbarkeit wird thematisiert: Können Phänomene durch
Daten adäquat abgebildet werden? (Schüller, 2022; McDowall
et al., 2021).
• C6.2 Projektmanagement
o C6.2.1 Datenqualität
42
▪ Reflexion über Qualität, Herkunft, Struktur und Relevanz der
Daten (Atenas et al., 2023; McDowall et al., 2021).
▪ Konzepte wie das 5-Sterne-Modell offener Daten (Fotopoulou,
2021).
o C6.2.2 Metadaten und Zitierung
▪ Verständnis für Standards von Metadaten (Koltay, 2017a) und
Zitierpraktiken (Ghodoosi et al., 2023b).
o C6.2.3 Datenbereinigung
▪ Standardisierung, Entfernung von Duplikaten und
Formatkorrekturen (Perrelli, 2022; Kim et al., 2023; McCosker,
2022).
o C6.2.4 Management und Infrastruktur
▪ Datenorganisation, -aufbewahrung, Sicherheit und
technologische Infrastruktur (Grillenberger, 2019; Burress et
al., 2020; Condon & Pothier, 2022).
o C6.2.5 Wiederverwendung
▪ Wiederverwendung von Daten wird als nachhaltiger
Kompetenzbereich thematisiert.
• C6.3 Werkzeuge für Daten (Tools for Data)
o C6.3.1 Überblick über Datenwerkzeuge
▪ Datenlebenszyklus erfordert ein breites Spektrum an
Werkzeugen (Schüller, 2022; Fotopoulou, 2021).
o C6.3.2 Werkzeuge für Datenbanken
▪ Fokus auf Speichertechnologien und -systeme (Ghodoosi et
al., 2023b).
o C6.3.3 Datenverarbeitung, Analyse & Business Intelligence
▪ Integration von BI-Lösungen und Analyse-Tools (McCosker,
2022; Oliver et al., 2023).
o C6.3.4 Datenvisualisierung
▪ Darstellung und Kommunikation von Daten (Raffaghelli &
Stewart, 2020).
o C6.3.5 Maschinelles Lernen & KI
▪ Einsatz von ML/AI zur Analyse komplexer Daten (Schüller,
2022; Perrelli, 2022).
• C6.4 Datenanalyse
43
o C6.4.1 Datenmorphologie
▪ Transformationsprozesse und Datenstrukturen verstehen
(Schüller, 2022; Kim & Yu, 2023).
o C6.4.2 Algorithmen
▪ Entwicklung und Anwendung effizienter Algorithmen (NCTM,
2000).
o C6.4.3 Statistische Analyse
▪ Auswahl und Anwendung geeigneter statistischer Methoden
(NCTM, 2000).
Leitprinzip: Data Constructions – Daten als Konstruktionen
Daten sind nicht nur Rohstoffe, sondern auch Infrastruktur für den Aufbau von
Wissens- und Entscheidungsprozessen. Dieses Leitprinzip hat zwei zentrale
Dimensionen:
1. Die Fähigkeit, Datenrepräsentationen zu erstellen und zu interpretieren (C7)
2. Das Verstehen und Reflektieren von datenbasierten Konstruktionen und
Produkten (C8)
C7: Datenrepräsentation (Data Representation)
• C7.1 Datenvisualisierung
o C7.1.1 Grundlagen der Datenpräsentation
▪ Daten können in vielen Formaten repräsentiert werden – von
einfachen Tabellen (Kim et al., 2023) bis hin zu farblichen und
strukturellen Visualisierungen (Gebre, 2022).
▪ Diese Darstellungen zeigen Muster, Alltäglichkeit (Gebre,
2022) oder Verzerrungen auf (Werning, 2020).
o C7.1.2 Visualisierungsmethoden
▪ Werkzeuge wie Tableau (Perrelli, 2022), Graphen, Zeitleisten
oder Distanzdiagramme (Raffaghelli & Stewart, 2020) sind
gängig.
▪ Starke Verbindungen zur statistischen Analyse (vgl. C6.4.3).
• C7.2 Daten und Kommunikation
• Datenprodukte müssen kommuniziert werden – schriftlich wie mündlich
(Clegg et al., 2023).
44
• Data Storytelling (C7.2.1) fördert „Bedeutung mit und ber Daten“ (McCosker,
2022) – kontext- und adressatengerecht (Kim et al., 2023; Atenas et al.,
2023).
• Berichtswesen und Dokumentation (C7.2.2) sind ebenfalls zentrale Aspekte
(Hannigan et al., 2023; Perrelli, 2022).
C8: Datenkonstruktionen (Data Constructions)
Dieser Bereich behandelt die Produkte und Kontexte, die aus Daten entstehen – und
wie wir sie verstehen, reflektieren und nutzen können.
• C8.1 Herkunft und Kontexte von Daten
o C8.1.1 Rekonstruktion von Datenprodukten
▪ Woher kommen Daten? Wer hat sie generiert, zu welchem
Zweck? (Fotopoulou, 2021; Claes & Philippette, 2020).
▪ Kritisches Hinterfragen von Blackbox-Systemen wie KI
(McCosker, 2022).
o C8.1.2 Datenverarbeitung im Kontext
▪ Datenprozesse sind nicht neutral: Sie sind politisch, kulturell,
wirtschaftlich geprägt („data biographies“, „decoding the politics
of data“).
• C8.2 Datenprodukte
o C8.2.1 Künstliche Intelligenz (AI)
▪ Datenprodukte wie KI-Systeme müssen verstanden,
interpretiert und kritisch reflektiert werden (Atenas et al., 2023;
Schüller, 2022).
▪ Auch Plattformlogiken wie Filterblasen (C8.3.2) hängen damit
zusammen.
o C8.2.2 Statistik als Produkt
▪ Hier geht es nicht um Analyse (vgl. C6.4.3), sondern um die
Interpretation statistischer Ergebnisse als Datenprodukte (z. B.
Jahresberichte, Umfragen).
▪ Datenanzeigeformate („data displays“) mssen verstanden
werden (Cui et al., 2023).
o C8.3 Die dateninformierte Welt (Data-Informed World)
▪ C8.3.1 Wissen und Handeln
▪ Datenbasierte Entscheidungsfindung – ethisch, fachspezifisch
oder gesellschaftlich (Atenas et al., 2023; Perrelli, 2022).
45
▪ Es geht um die Transformation von Daten in kontextsensibles
Handlungswissen (Kim & Yu, 2023; Claes & Philippette, 2020).
▪ Beispiele, Fallstudien und Best-Practice zeigen: Daten allein
reichen nicht – Kontextverständnis ist essenziell.
o C8.3.2 Soziale Medien und technologische Steuerung
▪ Passive datenbasierte Technologien beeinflussen unser
Verhalten, Denken und unsere Identität (Claes & Philippette,
2020; Gebre, 2022).
▪ Kritische Reflexion über Filter, Algorithmen und Desinformation
ist unverzichtbar (McCosker, 2022; Raffaghelli & Stewart,
2020).
Bislang findet Datenbildung vor allem in der Hochschulbildung und im Bereich des
lebenslangen Lernens statt (National Science Board 2005), z. B. in Data-Science-
oder Data-Literacy-Kursen (Schmidt et al. 2021), in der breiten Gesellschaft
(Brinkmöller und Scheidig 2024) sowie in der Industrie, etwa im Rahmen von
Qualifizierungsangeboten zur Stärkung von Datenkompetenzen (Leon-Urrutia et al.
2022).
Aus unserer Sicht bildet die bisherige Literatur die theoretische Grundlage für eine
dringend notwendige didaktische Transformation und Konsolidierung von Inhalten für
den Unterricht, z. B. bei Bhargava et al. ( (Bhargava et al. 2016) im Hinblick auf Inhalte,
bei Cui et al. (Cui et al. 2023) hinsichtlich Assessments sowie bei Ghodoosi et al.
(Ghodoosi et al. 2023) in Bezug auf grundlegende didaktische Prinzipien.
Deutlich unterentwickelt ist jedoch die Forschung zu den Lernumgebungen für
Datenbildung. Nur vereinzelt findet sich konzeptionelle Arbeit zu digitalen
Umgebungen (Hilger et al. 2023) oder zur Qualitätssicherung. Hier sehen wir
erhebliche Forschungslücken – insbesondere:
• Die Rolle der Lehrkräfte ist kaum untersucht.
• Es fehlt an einer professionellen Vision sowie einem systematischen Aufbau
didaktischen Inhaltswissens.
• Das Verständnis von Lernenden, ihren Vorstellungen und der Entwicklung
ihres Inhaltsverständnisses ist bislang fragmentarisch.
Es besteht entsprechend Forschungsbedarf zur besonderen Rolle von Datenbildung
in Lernarrangements – inklusive der genutzten Materialien, der Datenkultur in
46
Lerngemeinschaften, der Interaktion zwischen Lehrenden und Lernenden, sowie zur
Frage, wie Lehrkräfte und Inhaltsanbieter Lernprozesse didaktisch planen, steuern
und differenzieren, inklusive Diagnostik und individueller Lernverläufe. Außerdem
besteht nach wie vor eine Lücke zwischen Data Literacy (DL) und AI Literacy. Wie
Olari (Olari 2023; Olari und Romeike 2021) ausführt, kann DL als Grundlage für KI-
Kompetenzen verstanden werden – mit teils erheblichen Überschneidungen (Long
und Magerko 2020), insbesondere im Bereich der kritischen Reflexion (Hanegan
2023), also im Sinne eines Prozessstandards. Was dies jedoch konkret für Inhalte und
Kompetenzen bedeutet, bleibt bislang unklar und befindet sich noch in der
Entwicklung.
2.2.4 Kompetenzstufen
Zur systematischen Beschreibung von Kompetenzerwerb im digitalen und
datenbezogenen Bildungsbereich existieren mehrere
Kompetenzstufenmodelle,jedoch immer mit spezieller Ausrichtung, ohne dass diese
direkt anschlussfähig sind oder einfach integriert werden können. Drei davon werden
im Folgenden sehr kurz eingeführt: das DigCompEdu-Modell (Redecker und Punie
2017), die revidierte Bloom’sche Taxonomie (Anderson 2001) sowie die „Bildung in
der digitalen Welt“ (Klingenberg 2017) bzw. die Anforderungsbereich des
Bildungsstandards der Mathematik der Kultusministerkonferenz (KMK) (KMK 2022;
National Council of Teachers of Mathematics 2000).
Das DigCompEdu-Modell („Digital Competence Framework for Educators“) (Redecker
und Punie 2017) beschreibt ein sechs-stufiges Kompetenzmodell für Lehrende
(Professionalisierung). Die Stufen reichen von A1 (Newcomer), das den Einstieg und
erste digitale Routinen beschreibt, über A2 (Explorer), wo erste digitale Werkzeuge
ausprobiert werden, hin zu B1 (Integrator), das eine systematische Integration digitaler
Mittel im Unterricht kennzeichnet. In den fortgeschrittenen Stufen B2 (Expert) und C1
(Leader) werden digitale Werkzeuge zunehmend kontextsensibel, kritisch und
pädagogisch fundiert eingesetzt. Die höchste Stufe, C2 (Pioneer), beschreibt
Akteur:innen, die innovative Ansätze gestalten, weiterentwickeln und in neue Kontexte
übertragen. Diese Stufen geben erste Hinweise wie ein Stufenmodell für die
Datenkompetenz aussehen könnten (Redecker und Punie 2017).
47
Ergänzend dazu bietet die revidierte Bloom’sche Taxonomie ein Stufenmodell zur
Klassifikation von Lernzielen (Anderson 2001). Sie unterteilt den Erwerb
Kompetenzen in sechs hierarchische Ebenen: Erinnern, also das Abrufen von
Informationen; Verstehen, das Erklären und Deuten von Zusammenhängen;
Anwenden, das Umsetzen von Wissen in konkreten Situationen; Analysieren, bei dem
komplexe Inhalte in ihre Bestandteile zerlegt und strukturell betrachtet werden;
Evaluieren, das begründete Urteilen über Inhalte oder Prozesse; sowie Erzeugen
(auch: Kreieren), das sich auf die eigenständige Entwicklung neuer Ideen, Produkte
oder Konzepte bezieht. Hierbei handelt es sich, um einen universellen Ansatz und
wird als Lernzieltaxonomie verwendet (Anderson 2001).
Der Kompetenzrahmen „Bildung in der digitalen Welt“
9
der Kultusministerkonferenz
(KMK) (Klingenberg 2017) wiederum beschreibt sechs thematische
Kompetenzbereiche digitaler Bildung, darunter etwa „Suchen, Verarbeiten und
Aufbewahren“, „Produzieren und Präsentieren“ oder „Analysieren und Reflektieren“
(Klingenberg 2017). Im Gegensatz zu DigCompEdu und revidierter Bloom enthält der
KMK-Rahmen kein explizites Stufenmodell, sondern formuliert Kompetenzen eher als
Gleichrangige innerhalb eines Bereichs. Für eine stufenförmige Beschreibung können
jedoch die Bildungsstandards der KMK für Mathematik herangezogen (KMK 2022),
die mit drei Anforderungsbereichen arbeiten:
• Anforderungsbereich I „Reproduzieren“,
• Anforderungsbereich II „Zusammenhänge herstellen“
• Anforderungsbereich III „Verallgemeinern und Reflektieren“
Dies ist wiederrum sehr spezifisch auf Mathematik zugeschnitten, kann jedoch genutzt
werden, um dies für die Datenkompetenz zu spezifizieren.
Ergänzend dazu schlägt Schüller et al. (2022, 2023) vor die Stufen auf Basis von
verschiedenen Rollen zu gestalten, mit insb. drei Rollen, den informed Prosumer, den
Skilled User und den Experten, mit den jeweiligen Anforderungsbereichen, des
Verstehen, Konsomuierend und Anbieten für den Prosumer, dem Sammel, managen
und Analysieren von Daten und Datenprodukten auf der Ebene des Skilled Users
9
https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2016/2016_12_08-Bildung-
in-der-digitalen-Welt.pdf
48
sowie den Experten, welche selbst KI Lösungen schaffen können (Schüller et al. 2023;
Schüller 2022).
Die Kompetenzmodelle zur digitalen Bildung – wie DigCompEdu, die revidierte
Bloom’sche Taxonomie und der Kompetenzrahmen der Kultusministerkonferenz
(KMK) – liefern wertvolle Orientierung zur Beschreibung von Kompetenzerwerb,
zeigen jedoch jeweils eine spezifische Fokussierung und sind nur begrenzt
miteinander kompatibel. Das hier vorgeschlagene Rahmenkonzept für
Datenkompetenz greift zentrale Elemente dieser Modelle auf. Die inhaltliche Struktur
des Modells orientiert sich an drei Leitprinzipien: Daten und Projekte, Data
Constructions und Daten-bezogene ELSA. Gleichzeitig orientieren wir uns auch an
einem drei-stufigen Modell
Grundlegende Datenkompetenz
Lernende erwerben grundlegendes Wissen über Daten, Datenformate, Datenquellen
und einfache Visualisierungsformen (C5.1, C6.3.4, C7.1.1) sowie komplexeren
Datenprodukten. Sie kennen die Unterscheidung zwischen Daten, Information und
Wissen (C5.1.2) und sind in der Lage, einfache Daten mit digitalen Werkzeugen zu
erfassen, darzustellen und zu kommunizieren (C6.3.1, C7.2.1). Gleichzeitig wird auf
dieser Stufe ein erstes Verständnis für Datenschutz, Privatsphäre, Transparenz und
Vertrauen aufgebaut (C1.1.1–C1.1.4, C2.1.1). Lernende reflektieren, wie Daten und
Datenprodukte im Alltag verwendet und potenziell manipuliert werden können (C3.2.2,
C8.2.2), z. B. durch problematische Darstellungen in sozialen Medien (C8.3.2).
Anwendungsorientierte Datenkompetenz
Auf dieser Stufe stehen der selbstständige Umgang mit Daten und Datenprodukten
sowie die Umsetzung eigener datenbasierter Projekte im Mittelpunkt. Lernende
formulieren Fragestellungen (C6.1.1), sammeln Daten aus verschiedenen Quellen
(C5.2.1–C5.2.3), analysieren sie mit grundlegenden statistischen Methoden (C6.4.3)
und nutzen geeignete Anwendungen zur Auswertung und Darstellung (C6.3.1,
C6.3.4). Dabei reflektieren sie auch Aspekte wie Datenqualität (C6.2.1), Metadaten
(C6.2.2) und Wiederverwendung (C6.2.5). Ethische und rechtliche Aspekte werden
dabei zunehmend kontextualisiert: z. B. durch das Verständnis von Urheberrechten
49
(C3.1.1), regulatorischen Rahmenbedingungen (C2.2) oder durch kritische
Auseinandersetzung mit diskriminierenden Algorithmen (C1.1.5).
Reflexive Datenkompetenz
Lernende auf dieser Stufe sind in der Lage, komplexe Datenprodukte zu analysieren,
kritisch zu hinterfragen und eigenständig neue datenbasierte Anwendungen oder
Visualisierungen zu entwickeln (C7.2.2, C8.2.1). Sie verstehen die gesellschaftlichen,
ökonomischen und politischen Dimensionen datengetriebener Systeme (C4.2.1,
C8.3.1) und beziehen diese in ihr Handeln ein. Dies umfasst etwa die Dekonstruktion
von Blackbox-Systemen (C8.1.1), die Analyse von Plattformlogiken (C8.3.2) oder das
Hinterfragen algorithmischer Entscheidungssysteme. Die reflektierte Anwendung und
Bewertung von KI, Big Data oder automatisierter Entscheidungsunterstützung wird
hier zu einem integralen Bestandteil datenethischer Kompetenz (C6.3.5, C8.2.1).
Lernende übernehmen Verantwortung für den Umgang mit Daten und gestalten
datenbasierte Prozesse aktiv mit – im Sinne des kollektiven Wohlergehens, der
Fairness und der Nachhaltigkeit (C1.1.5, C4.1.4).
Diese Kompetenzstufen greifen bestehende Modelle auf, und spezifizieren diese in
einem neuen Kontext, indem sie inhaltlich konkrete Datenpraktiken mit ethischen und
gesellschaftlichen Reflexionen verbinden. Sie ermöglichen so eine strukturierte,
stufenübergreifende Beschreibung datenbezogener Bildung
2.2.5 Zielgruppen und Personas
Mit den drei großen Zielgruppen Wirtschaft, Hochschule und Gesellschaft ist die
Ausrichtung der Plattform sehr breit angelegt. Daraus ergab sich die große
Herausforderung, auf der Plattform einerseits klare, übersichtliche und intuitiv
verständliche Strukturen zu schaffen (z.B. die Navigation im Kurskatalog zur Auswahl
eines Lernangebots) und andererseits Nutzende aus unterschiedlichen Zielgruppen
möglichst differenziert anzusprechen und ihnen an ihre sehr verschiedenen
Lernbedarfe angepasste Lernangebote vorzuschlagen.
Durch die initiale Anforderungserhebung (siehe 2.2.1) und weitere Gruppeninterviews
(im Rahmen der Netzwerktreffen, siehe 2.5.1.2) mit Expert:innen aus allen drei
Zielgruppen, sowie die Customer Journey (siehe 2.6.2) mit Nutzenden-Personas
wiederum aus allen drei Zielgruppen konnte eine Grundlage geschaffen werden, um
50
die Diversität dieser Gruppen und ihre spezifischen Bedarfe genauer zu analysieren.
Eine zentrale Herausforderung war es, den Nutzenden das Auffinden von für sie
relevanten Lernmaterialien zu erleichtern.
Ein Ansatz hierfür war es, der Diversität der drei Zielgruppen durch die Konstruktion
von Personas gerecht zu werden. Der Vorteil dieser Herangehensweise liegt darin,
dass Personas den Nutzenden im Idealfall eine leichte Identifikation der für sie
relevanten Inhalte erlauben. In verschiedenen Workshops wurden daher mit
Vertreter:innen unterschiedlicher Zielgruppen Personas entwickelt, welchen dann die
für sie relevanten Kompetenzbereiche aus dem Datenkompetenzrahmen zugeordnet
wurden. Während diese Vorgehensweise auf großes Interesse bei den Expert:innen
gestoßen ist, hat sich die Umsetzung aufgrund der sehr großen Diversität auch
innerhalb der Zielgruppen als nicht realistisch innerhalb der Projektlaufzeit erwiesen.
Darüber hinaus bliebe zu untersuchen, ob eine Vorgabe von Personas in einer
Bandbreite, die diese Diversität realistisch widerspiegelt, überhaupt zielführend wäre.
Wenngleich die Übersetzungsleistung abstrakter Kompetenzen in alltagsnahe
Beschreibungen auch in dem Fall gegeben wäre, würde eine zu große Anzahl an
Personas den zweiten großen Vorteil dieser Strategie, die für eine kognitive
Entlastung ebenfalls notwendige Komplexitätsreduktion, unterlaufen.
Eine andere Möglichkeit, die im Rahmen des Gamifizierungs-Ansatzes (siehe 2.3.4)
verfolgt werden könnte, besteht darin, dass sich die Nutzenden selbst eine Persona
„bauen“, einen „Daten-Avatar“, für den sie sowohl inhaltliche Interessen und Lernziele
auswählen als auch Präferenzen für bestimmte Lernformate festlegen können.
Weitere Ansätze, die zur leichteren Auffindung von relevanten Lernmaterialien
entwickelt wurden: Filterkategorien (auf Basis des Kompetenzrahmens) und
Lernpfade (siehe 2.3.2) und ein Einstiegsassessment (siehe 2.3.3).
2.3 Design
2.3.1 Konzept zur Modularisierung von Lerninhalten
Mit dem Ziel Lernangebote für bestimmte Zielgruppen und sogar an individuelle
Lernbedarfe anpassbar zu machen und dabei Datenkompetenz mit all ihren Bereichen
abzudecken, wurde ein Konzept zur Modularisierung von Lerninhalten entwickelt.
Damit wird erreicht, dass bestehende, qualitativ hochwertige Lerninhalte
51
wiederverwertbar werden (optimales Kosten-Nutzen-Verhältnis). Zudem wird das
selbstgesteuerte individuelle Lernen erleichtert, da Lernende ihren Lernpfad
eigenständig und nach Schwerpunkten, Vorkenntnissen, Kompetenzniveau und
persönlichem Interesse zusammenstellen können.
Als erstes Beispiel wurde ein modularisiertes Lehr-Lernszenario zum Thema „Topic
Modelling” entworfen (und auch erste Lernmaterialien – in Form eines Jupyter
Notebooks – dazu spezifiziert).
10
Das Modularisierungskonzept wurde als
wissenschaftliches Papier ausgearbeitet, aufgrund von Personalfluktuation kam es
aber nicht zur Publikation. Grundidee der Modularisierung war es Lerneinheiten auf
Basis ihrer Lernziele zu zerlegen, um damit verschiedene individuelle Lernpfade zu
ermöglichen. Die Verknüpfung der Lerninhalte kann hierbei über die Pfade
geschehen, oder über eine logische Voraussetzung. So sind bspw. Grundkenntnisse
des Programmierens wichtig, um Topic Modelling zu Anwendung zu bringen
(Abbildung 6).
Abbildung 6. Beispiel für Lerngraph Topic Modelling
Im Laufe des Kurationsprozesses wurde deutlich, dass das Konzept für die
Modularisierung nur mit sehr hohem Aufwand auf bestehende Lerninhalte angewandt
werden kann. Ein Hauptgrund dafür liegt bei den fehlenden oder nicht einheitlichen
Lernzielen (fehlender Kompetenzstandard). Aufbauend auf diesen Überlegungen
10
Das Thema „Topic Modelling”, welches umfangreiche Vorkenntnisse erfordert und sich daher nur auf
Expertenniveau vermitteln lässt, wurde später zugunsten des leichter zugänglichen Themas „Fake
News“ aufgegeben.
52
wurden zum Themenbereich KI für drei unterschiedliche Zielgruppen (generalisierte
Personas) Lernpfade entwickelt, die das Modularisierungskonzept zumindest
teilweise umsetzen.
2.3.2 Lernpfade und Filterkategorien
Eine wichtige Anforderung, die auch in den Expert:innen-Interviews mehrfach genannt
wurde, ist die Zielgruppenorientierung der Plattform und der Lernangebote. Die Frage,
wie unterschiedliche Zielgruppen adressiert und integriert werden können
11
war
deshalb in mehreren Bereichen grundlegend für das Projekt. So etwa bei der
Entwicklung von geeigneten Filterkategorien, für die Gestaltung von Lernpfaden und
die Konzeption von Anreizsystemen (siehe 2.3.4). In der ersten Iteration wurden
Filterkriterien ad-hoc auf Basis der Inhalte und der Erfahrungswerte aus den
Expert:innen-Gesprächen entwickelt. Im weiteren Verlauf des Projektes wurden diese
immer wieder durch Feedback geschärft. Mit der ersten Validierung des
Kompetenzrahmens wurden folgende Filterkategorien entwickelt: Datenethik,
Datenrecht und persönliche Daten, Datenkultur, Datenentstehung, Datenprojekte,
Datenwerkzeuge, Datenanalyse, Datenvisualisierung und Storytelling sowie
Datenprodukte.
Für den Bereich der Datenethik wurde untersucht, wie ein Lernpfad strukturiert sein
und welche Inhalte er abdecken sollte, um den Besonderheiten der
Auseinandersetzung mit ethischen Fragen gerecht zu werden und das Thema
möglichst umfassend abzudecken. Die Ergebnisse dieser Studie wurden in einer
Publikation veröffentlicht (Gersbach, 2024). Für den Bereich der Künstlichen
Intelligenz wurden schließlich drei Lernpfade für die Bereiche Schule, Freizeit und
Beruf entwickelt, welche die Nutzer:innen dabei unterstützen sollen, in dem schnell
wachsenden Katalog von Lernangeboten das für die eigenen Bedarfe passende zu
finden.
Lernpfad: KI in der Schule:
https://beta.toolboxdatenkompetenz.de/en/catalogue/lernpfad-ki-in-der-schule
11
in dem Sinne, dass sie sich schnell auf der Plattform zurechtfinden und geeignete Lernangebote
finden
53
Lernpfad: KI in der privaten Nutzung
https://beta.toolboxdatenkompetenz.de/en/catalogue/lernpfad-ki-private-nutzung
Lernpfad: KI im Beruf
https://beta.toolboxdatenkompetenz.de/en/catalogue/lernpfad-ki-im-beruf
2.3.3 Einstiegsassessment
Im Rahmen des Projekts wurde eine Assessment-Strategie entwickelt, mit deren Hilfe
es möglich sein sollte, Nutzer:innen bedürfnis- und interessengeleitet Lernangebote
zu empfehlen. Ziel der Strategie ist es, einer drohenden Choice Overload (und dem
frühzeitigen Verlassen der TBDK) angesichts der großen Anzahl an Kursangeboten
entgegenzuwirken. Dabei wird das für Recommender Systeme übliche User Cold Start
Problem
12
mit der Erstellung von Lernendenprofilen gelöst. Das Neuartige an der
Strategie ist die Einbindung der Nutzendenmotivation bei gleichzeitiger Kombination
von Selbsteinschätzungsitems und Testfragen. Letztere sollen mögliche
Verzerrungen durch den Dunning-Kruger-Effect korrigieren, der besagt, dass vor
allem Personen mit gering ausgeprägten Kompetenzen dazu neigen, ihre Fähigkeiten
und ihr Wissen zu überschätzen. Die Strategie setzt eine hierarchische Struktur des
zugrundeliegenden Kompetenzrahmens voraus, beginnt mit der Befragung auf
oberster Ebene und verzichtet auf Nachfragen zu den darunterliegenden Ebenen,
sofern kein Interesse und/oder keine Kompetenz seitens der Nutzenden bzgl. Themen
besteht. Auf diese Weise fällt die Befragung in vielen Fällen sehr kurz aus. Auf den
tiefer liegenden Ebenen folgt indessen auf eine positive Kompetenz-
Selbsteinschätzung zur Überprüfung eine Testfrage.
Die Strategie wurde sowohl am Beispiel des im Projekt entwickelten
Datenkompetenzrahmens als auch anhand des KI-Audits der DHBW und des
DigCompSAT (DigCompSat. A self-reflection tool for the European digital framework
for citizens) überprüft. Simulationen ergaben, dass die Zahl der Frage-Items in allen
drei Fällen mit abnehmender Kompetenz der Befragten – wie angestrebt – stark
12
Das Cold Start Problem bezeichnet, dass Problem Nutzenden Vorschläge für Inhalte zu machen,
ohne große Informationen über deren Präferenzen und Nutzungsverhalten.
54
zurückgeht (siehe Abbildung 7) und damit die Motivation der Lernenden potentiell
hoch bleibt.
Abbildung 7: Simulation der Assessment-Strategie für das TBDK-Datenkompetenz-Framework, das KI-Audit der
DHBW sowie das DigCompSAT
Das Konzept wurde in einem Vortrag (BWP-Jahrestagung 2024, Dresden) sowie im
Rahmen zweier Paper (Barth und Zinke-Wehlmann, 2025) vorgestellt.
2.3.4 Anreizsysteme: Gamification
Sich allein fortzubilden, erfordert ein hohes Maß an Motivation. Gamification, die
Verwendung von Spielelementen und -mechanismen in nicht-spielerischen
Kontexten, kann dabei helfen, Motivation zu steigern (Friedrich et al. 2020). Daher
wurden vor dem Hintergrund aktueller wissenschaftlicher Erkenntnisse und unter
Einbezug der Analyse vergleichbarer Plattformen und deren Gamification-Ansätzen
konzeptionelle Überlegungen angestellt, wie dieses Potenzial für die TBDK genutzt
werden könnte.
Mit Gamification versucht man idealerweise, das bedürfnisbefriedigende Potenzial
von Spielen auf monotone oder – wie im Fall von Lehr-Lernsituationen – besonders
beschwerliche Tätigkeiten zu übertragen. Gerne werden dabei aber belohnende
Elemente wie Punkte oder Abzeichen (Badges) verwendet. Allerdings häufig so, dass
sie bloß extrinsisch motivieren: D.h. sie stehen als Folge außerhalb der gamifizierten
Lernhandlung, anstatt integraler Bestandteil von dieser zu sein. Dabei weisen
Forschungsergebnisse darauf hin, dass solche extrinsischen Motivatoren mehr
schaden als nützen, indem sie einerseits nicht nachhaltig wirken und andererseits die
intrinsische Motivation verringern (Deci et al. 1999). Entsprechend stark ist die Kritik
an Formen der Gamification, die sich dieser Strategien bedienen. Dies sowie die
besondere Zielgruppe erwachsener Lernender gilt es bei der Auswahl der
Spielelemente und der Art ihrer Verwendung zu berücksichtigen. So richtet sich die
55
Toolbox Datenkompetenz zwar nicht ausschließlich, aber zu großen Teilen an
Erwachsene. Daher ist es auch bei Überlegungen rund um eine mögliche Gamification
wichtig, die besonderen Bedürfnisse dieser Zielgruppe sowie die Bedingungen des
Nutzungskontextes zu berücksichtigen.
So weisen Studienergebnisse darauf hin, dass Erwachsene in Kontexten, die für sie
eine gewisse Ernsthaftigkeit aufweisen, spielerischen Zugängen eher skeptisch
gegenüberstehen (Ganguin 2010). Solche ernsten Kontexte können beispielsweise
die Erwerbsarbeit oder auch Fortbildungen darstellen, wenn sie als obligatorisch
wahrgenommen werden und/oder mit für die Personen besonders relevanten
Konsequenzen oder Zielen verbunden sind. Zum Beispiel dürfte es subjektiv einen
großen Unterschied machen, ob man sich mit Duolingo, einer Sprachlern-App, die
ebenfalls Gamification nutzt, für den nächsten Erholungsurlaub ein paar Grundlagen
der Landessprache des Zielortes aneignen möchte, oder ob man eine betriebliche
Fortbildung absolvieren muss, von der der weitere Weg im Unternehmen abhängt. In
beiden Fällen geht es darum, sich Wissen und ggf. praktische Fähigkeiten
anzueignen, nur unterscheiden sie sich gravierend hinsichtlich der Schwere der
Folgen, wenn die jeweiligen Lernziele nicht erreicht werden. Es liegt also nahe,
Gamification in ernsten Kontexten verdeckt, statt offen spielerisch, einzubinden; d.h.
die zum Einsatz kommenden Elemente und Mechanismen sollten nicht offen als
spielerisch kommuniziert und stattdessen organisch in die Lernumgebung integriert
werden. Die Erkenntnisse der konzeptionellen Arbeiten wurden in einem Paper (Barth
2024) veröffentlicht.
2.3.5 Design der Plattformarchitektur
Im Rahmen des Projekts wird eine skalierbare, modulare Plattformarchitektur
konzipiert, die den zentralen technologischen Rahmen für eine digitale Lern- und
Trainingsumgebung bildet. Grundlage dieses Architekturmodells ist die nahtlose
Integration datenbasierter Werkzeuge sowie didaktisch fundierter Lehr- und
Lernprozesse in einer Cloud-basierten Infrastruktur. Im Fokus steht dabei die
Schaffung eines adaptiven, benutzerzentrierten Systems, das sowohl den hohen
Anforderungen einer datengestützten Kompetenzvermittlung als auch der technischen
Interoperabilität mit bestehenden Systemen gerecht wird.
56
Die Plattform ist horizontal in mehrere funktionale Bereiche untergliedert, die
essenzielle Domänen wie Kommunikation, Lernprozesse, Content-Management,
Benutzerverwaltung sowie Infrastruktur- und Systembetrieb abbilden, welche sich auf
unterschiedliche Komponenten verteilen. (siehe Abbildung 8)
Abbildung 8: Plattform Architektur Komponenten
Diese strukturierte Trennung nach Funktionseinheiten ermöglicht eine zielgerichtete
Entwicklung einzelner Module sowie eine klare Verantwortlichkeitsverteilung innerhalb
des Projektteams. Gleichzeitig erlaubt dieses Architekturprinzip ein hohes Maß an
Flexibilität hinsichtlich Erweiterbarkeit, Wiederverwendbarkeit und systemischer
Kopplungsfähigkeit – essenzielle Voraussetzungen für einen langfristigen,
nachhaltigen Betrieb der Plattform.
Ein zentrales Ziel ist es, eine technische Brücke zwischen klassischen
Lernmanagementsystemen und modernen Datenwerkzeugen zu schlagen. Die
Plattform soll nicht nur statische Inhalte bereitstellen, sondern auch interaktive,
datengetriebene Lernprozesse ermöglichen.
Zur technologiegestützten Umsetzung werden aktuelle Prinzipien aus den Bereichen
DevOps und Softwarequalität herangezogen. Die Plattformarchitektur ist darauf
57
ausgelegt, iterative Entwicklungsprozesse zu unterstützen – unter anderem durch den
Einsatz von Continuous Integration, Delivery und Deployment. Dies erlaubt eine
kontinuierliche Weiterentwicklung, während gleichzeitig die Betriebssicherheit und
Systemstabilität gewährleistet bleibt. Ein begleitendes Qualitätsmanagement sorgt
darüber hinaus für die Erhebung und Auswertung substantieller KPIs, die ein
datenbasiertes Controlling sowie die kontinuierliche Optimierung aller
Systemkomponenten ermöglichen.
Die Architektur wird in enger Abstimmung mit den didaktisch-pädagogischen
Anforderungen der Lehr/Lerninhalte gestaltet. Durch die enge Verzahnung von
inhaltlicher Konzeption und technischer Umsetzung wird sichergestellt, dass die
Plattform nicht nur technologisch leistungsfähig, sondern auch inhaltlich wirksam ist.
Datenschutz und IT-Sicherheit werden dabei von Beginn an durch ein integratives
Konzept nach dem Ansatz „Privacy by Design“ bercksichtigt. Insgesamt entsteht so
ein technologisches Fundament, das langfristig tragfähig ist und die Grundlage für
eine deutschlandweit skalierbare Infrastruktur im Bereich digitaler Datenkompetenz
schafft.
2.3.6 UX/UI Design
Die Gestaltung der Benutzeroberflächen innerhalb des Projekts folgte einem
forschungsbasierten Designansatz, der nutzerzentrierte Prinzipien mit methodischer
Systematik verband. Ziel war es, eine möglichst intuitive, zugängliche und positive
Nutzungserfahrung zu schaffen, die den funktionalen Anforderungen der Plattform
ebenso gerecht wurde wie den vielfältigen Bedürfnissen der Nutzergruppen. Dabei
stand die enge Verzahnung von User Experience (UX) und User Interface (UI) im
Fokus: Während UX Design auf die gesamtheitliche Interaktion mit dem System, die
Nutzerbedürfnisse sowie die Zielerreichung aus Nutzersicht ausgerichtet war, schuf
das UI Design die visuellen und interaktiven Schnittstellen, über die diese Erfahrungen
vermittelt wurden.
Im Zentrum des Designprozesses stand ein Research-Based Design-Ansatz, der auf
systematischer Nutzerforschung basierte. Bereits in den frühen Projektphasen kamen
qualitative und quantitative Methoden wie Interviews, Kontextanalysen, Umfragen und
Usability-Tests zum Einsatz, um ein tiefes Verständnis für das Nutzungskontextumfeld
zu erlangen. Diese Erkenntnisse wurden in Form von Personas, Szenarien und User
58
Journeys dokumentiert und in iterative Gestaltungsprozesse überführt. Die
Validierung von Prototypen erfolgte regelmäßig durch fortlaufende Tests mit
repräsentativen Nutzergruppen. Auf Basis dieser Rückmeldungen wurden die
Interfaces schrittweise optimiert. Damit wurde sichergestellt, dass nicht nur funktionale
Anforderungen erfüllt, sondern auch emotionale, kognitive und soziale Aspekte des
Nutzererlebnisses gezielt adressiert werden konnten.
Ein zentraler Leitgedanke der Interface-Gestaltung war die konsequente Ausrichtung
auf Barrierefreiheit. Digitale Zugänglichkeit wurde von Beginn an umfassend
berücksichtigt, unter anderem unter Berücksichtigung der WCAG-Richtlinien. Dazu
gehörten die Unterstützung von Screenreadern durch semantisch korrekte HTML-
Strukturen, die Sicherstellung ausreichender Kontraste, die Tastaturnavigation sowie
die Reduktion visueller Komplexität. Barrierefreiheit wurde dabei nicht als
Zusatzmerkmal verstanden, sondern als integrativer Bestandteil eines inklusiven
Designs, das insgesamt zu einer besseren Nutzerfreundlichkeit für alle beitrug.
Die visuelle Gestaltung folgte einem kohärenten Designsystem, das auf
Wiedererkennbarkeit, Klarheit und Konsistenz ausgelegt war. Modularisierte UI-
Komponenten erlaubten eine einheitliche Gestaltung über unterschiedliche
Anwendungsbereiche hinweg und gewährleisteten gleichzeitig eine hohe
Wiederverwendbarkeit. Auch hier kamen Prinzipien des Atomic Designs zum Einsatz,
die eine flexible Skalierbarkeit ermöglichten und den Wartungsaufwand langfristig
reduzierten. Farbgebung, Typografie, Ikonografie und Interaktionsmuster waren dabei
aufeinander abgestimmt und vermittelten zugleich eine moderne Ästhetik und hohe
funktionale Orientierung.
Ein weiteres zentrales Merkmal des UX/UI-Designs war die responsive,
nutzungsadaptive Ausgestaltung der Oberfläche: Die Benutzeroberfläche passte sich
dynamisch unterschiedlichen Endgeräten, Bildschirmgrößen und Nutzungssituationen
an. Ob Desktop-Anwendung, Tablet oder Smartphone – die Plattform blieb in jeder
Situation vollständig funktionsfähig und komfortabel bedienbar. Dieser Aspekt war
insbesondere vor dem Hintergrund der zunehmenden mobilen Nutzung sowie der
flexiblen Lernerlebnisse von großer Bedeutung.
Darüber hinaus wurde das Interface so gestaltet, dass es unterschiedliche
Nutzungskompetenzen und Vorerfahrungen berücksichtigte. Eine reduzierte
59
Komplexität, selbsterklärende Navigationselemente und eine klare inhaltliche
Gliederung sorgten dafür, dass auch technisch weniger versierte Nutzer sicher durch
die Plattform geführt wurden.
Abschließend lässt sich festhalten, dass das UX/UI-Design der Plattform einen
entscheidenden Beitrag zur Akzeptanz und Wirksamkeit des Gesamtsystems leistete.
Es schuf die Grundlage für eine positive Nutzererfahrung, unterstützte inklusives und
selbstbestimmtes Lernen und bildete die Brücke zwischen technologischer
Funktionalität und menschlicher Interaktion.
2.4 Development
2.4.1 Entwicklung digitaler Lernwelten
Ein Schwerpunkt des Projektes war die Konzeption, Entwicklung und didaktische
Umsetzung digitaler Lernwelten zur Förderung von Datenkompetenz zum
Schwerpunkt. Im Zentrum stand die Transformation der identifizierten
Kompetenzanforderungen unter Nutzung der Arbeiten aus dem Design in konkrete,
digitale Lernangebote, die sowohl eigenständig als auch als Bausteine innerhalb der
Toolbox-Plattform genutzt werden können. Dabei wurden unterschiedliche didaktische
Szenarien, Lernformate und Interaktionsformen berücksichtigt, um vielfältige Zugänge
zur Thematik zu ermöglichen und auf individuelle Lernbedarfe einzugehen.
2.4.1.1 Didaktisch-konzeptionelle Grundlage
Die Entwicklung der digitalen Lernwelten basierte auf einem eigens im Projekt
entwickelten Kompetenzmodell für Datenkompetenz. Neben dem Kompetenzmodell
wurde ein mediendidaktisches Gesamtkonzept erarbeitet, das unter anderem
folgende Prinzipien berücksichtigt:
• Modularität: Lernmaterialien sollen in verschiedenen Konfigurationen
kombinierbar und unabhängig voneinander nutzbar sein („Lernbaustein-
Prinzip“).
• Multimodalität: Einsatz unterschiedlicher Medienformate (Video, interaktive
Grafiken, Text, Coding-Umgebungen, Reflexionsaufgaben) zur Ansprache
verschiedener Lernpräferenzen.
60
• Aktivierung: Förderung von Anwendung, Reflexion sowie (peer-gestütztem)
Austausch.
2.4.1.2 Entwickelte Lernformate
Im Laufe des Projekts wurde ein umfangreiches und vielseitiges Lernangebot auf der
Plattform etabliert, welches die interaktiven und praxisnahe Lernmöglichkeiten mit
innovativen Vermittlungsansätzen kombiniert. Zum Projektende stehen insgesamt
mehr als 170 Kurse zur Verfügung, die entweder eigenständig entwickelt oder von
externen Partnern integriert wurden. Um ein interaktives und praxisnahes Lernen zu
ermöglichen, setzen die Kurse verschiedene Medienformate ein, darunter Videos,
Texte, Coding-Übungen (mit Jupyter Notebooks) und interaktive Quizzes. Das
Angebot deckt ein breites Themenspektrum ab, richtet sich an unterschiedliche
Kenntnisstufen – von Einsteiger:innen bis zu Expert:innen – und variiert in der Dauer
von 30-minütigen Einheiten bis hin zu mehrtägigen Schulungen.
Zur praktischen Anwendung der erlernten Inhalte wurden neun Datensätze in die
Plattform eingebunden, die es den Nutzenden ermöglichen, ihr Wissen direkt in der
integrierten Jupyter-Umgebung des Workspaces zu vertiefen und reale Daten zu
analysieren. Darüber hinaus wurden im Rahmen des Projekts vier Data Challenges
durchgeführt, davon drei in Kooperation mit Partnern aus dem Bildungswesen. Diese
Wettbewerbe stießen auf große Resonanz und verzeichneten insgesamt mehr als 430
Teilnahmen.
2.4.1.3 Kuration von Lernangeboten
Die Lernformate wurden begleitet von einem Kurationsprozess. Das Ziel des
Kurationsprozesses war es, frei verfügbare Lerninhalte (OER) für die Toolbox zu
finden, die u.a. die gesamte Breite der Datenkompetenz abdecken, die verschiedenen
Zielgruppen und Kompetenzstufen adressieren, qualitativ hochwertig sind und
verschiedene Lernformate abdecken.
Eine systematische Suche auf verschiedenen OER-Plattformen zu den Suchbegriffen
„Datenkompetenz“ und „Data Literacy“ ergab 345 Treffer, wovon nach einer ersten
Sichtung (von Titel und Kurzbeschreibung) 123 als relevant eingestuft wurden. Für
den darauffolgenden Kurationsprozess wurden didaktische und weitere
Qualitätskriterien (wie etwa Aktualität) aufgestellt. Parallel dazu wurde ein neuer
61
Kompetenzrahmen entwickelt, der jedoch für den Kurationsprozess noch nicht
verwendet werden konnte. In einem zweistufigen Prozess wurden die gefundenen
Kurse anhand der entwickelten Kriterien evaluiert: In einer ersten Stufe wurden nach
einer groben Sichtung Kurse priorisiert, die sowohl thematisch hoch relevant als auch
didaktisch gut gestaltet sind, eine breite Zielgruppe ansprechen und zunächst vor
allem für Anfänger:innen geeignet sind. Diese wurden dann in einem zweiten
Durchgang sorgfältig ausgewertet, wobei die notwendigen Metadaten für die Toolbox
insb. der Kursübersichtsseite, die Kurssuche, die Navigation und die Entwicklung
eines Empfehlungssystems erhoben und analysiert wurden.
Auch hier erwies sich der Aufwand der Evaluation der gefundenen Kursangebote als
sehr hoch, u.a. weil nicht immer alle Metadaten (etwa zu Dauer, Kompetenzstufe,
Lernzielen, Lernformat) von den Anbietern bereitgestellt wurden und somit selbst
hätten ermittelt werden müssen. Um der Öffentlichkeit möglichst schnell einen MVP
(Minimal Viable Product) zugänglich machen zu können, wurde gemeinsam mit dem
Konsortialpartner entschieden, den Prozess zu vereinfachen.
2.4.1.4 Entwicklung von Lernmaterialien
Neben dem Aufbau einer qualitativ hochwertigen Datenbank von Lernangeboten im
Bereich Daten- und KI Kompetenz wurden auch eigene Lernmaterialen entwickelt.
Das Ziel bei der Entwicklung von Lernangeboten war es, an bestehende Angebote
anzuknüpfen, gleichzeitig aktuelle Herausforderungen im Bereich der
Datenkompetenz zu adressieren und diese ansprechend sowie leicht zugänglich zu
gestalten.
Basierend auf den ermittelten Bedarfen aus der Anforderungs-Analyse und der
Expertise im TBDK-Forschungsteam wurden Kurse konzipiert und ausgearbeitet.
Dabei wurde auf Zugänglichkeit geachtet, die Aktualität der Inhalte berücksichtigt und
ein praxisnaher Bezug sowie eine wissenschaftliche Fundierung sichergestellt.
Während der Projektlaufzeit konnten die Lerninhalte sowohl in
Präsenzveranstaltungen als auch in Onlineworkshops vermittelt und dabei Feedback
dazu eingeholt werden.
Insgesamt konnten 11 Lernangebote erstellt werden, von denen drei aus Workshops
hervorgegangen sind. Im Folgenden stellen wir die ersten fünf Angebote kurz vor.
Während “Fake News” und das “Critical Data Literacy Quiz” Daten sowie Knstliche
62
Intelligenz im Alltag in den Vordergrund stellen, führen die drei weiteren Kurse
“Schnee an Weihnachten”, “Arbeiten mit (Fahrrad-)Daten aus Seoul” und das Training
“Datenprojekt (Umwelt-)Karten erstellen” in die Erstellung von Datenprodukten mit
Python-Code ein. In Letzteren wurde aufgezeigt, welche Fragen an Datensätze
gestellt werden können, welcher Erkenntnisgehalt in ihnen steckt und welche
Datenprodukte auf deren Basis erstellt werden können. Die Kurse vermitteln
außerdem einen Eindruck davon, wie kleine oder auch umfangreiche Datenprojekte
aussehen können.
Einführungskurs Fake News
“Fake News” sind ein fester Bestandteil unserer datafizierten Welt und entsprechend
gehört es wesentlich zur Datenkompetenz, Strategien zur Identifikation von Fake
News und einen reflektierten Umgang mit Quellen zu erlernen. Das etwa zweistündige
Training kann über folgenden Link aufgerufen werden:
https://beta.toolboxdatenkompetenz.de/catalogue/fake-news
Schnee an Weihnachten
Im Kurs „Schnee an Weihnachten“ gehen Lernende anhand von Wetterdaten der
Frage nach, ob es früher an Weihnachten mehr Schnee gab. Der Kurs wurde als
Jupyter Notebook konzipiert, was eine erste Heranführung an die Auswertung von
Daten mittels Python erlaubt und es den Lernenden ermöglicht selbstständig einfache
Programmierschritte auszuführen.
Der Kurs wurde im Rahmen des Markts der digitalen Möglichkeiten während des
Digitalgipfels im November 2023 in einem öffentlichen Workshop durchgeführt und
danach in regelmäßigen Abständen mit anderen Zielgruppen (Angestellten,
Studierenden) durchgeführt, insb. 2 mal in der Telekom LEX Reihe (Aufgrund der
hohen Nachfrage).
Das etwa einstündige Training lässt sich über folgenden Link abrufen:
https://beta.toolboxdatenkompetenz.de/catalogue/snow-on-christmas
Critical Data Literacy Quiz
Das Quiz ist ursprnglich fr die Veranstaltung „re:publica“ in Berlin 2024 in
Zusammenarbeit von SF und InfAI entwickelt worden und kann über folgenden Link
63
abgerufen werden: https://beta.toolboxdatenkompetenz.de/catalogue/critical-data-
literacy-quiz
Arbeiten mit (Fahrrad-)Daten aus Seoul
Dieser Kurs wurde auf Basis eines Datensatzes aus dem Bereich „Datasets“ der
Plattform entwickelt, um den Lernenden exemplarisch aufzuzeigen, wie man mit
einem Datensatz in einem Jupyter Notebook arbeiten kann.
Das zweistündige Training befasst sich mit einem Datensatz zu öffentlichen
Fahrradverleihzahlen der südkoreanischen Stadt Seoul. Es wird thematisiert, wie man
in einem Jupyter Notebook vorgehen muss, um einen Datensatz aufzurufen, und
welche Fragen mithilfe der Daten beantwortet werden können. Darüber hinaus führt
der Kurs in die dafür notwendigen Grundlagen des Programmierens ein.
Der Kurs kann über folgenden Link abgerufen werden:
https://beta.toolboxdatenkompetenz.de/catalogue/fahrrad-in-seoul
Das Training wurde in einem Workshop für Promovierende zum Tag der Promotion
2024 an der Graduiertenakademie Leipzig vorgestellt.
Datenprojekt (Umwelt-)Karten erstellen
Dieser Kurs ist auf der Grundlage des Workshops "Mit Daten Stadt gestalten – Smart
City" im Rahmen der Data Week 2024 in Leipzig entstanden.
Das dreistündige Training zeigt mit einer einfachen Aufgabenstellung viele
Möglichkeiten auf, ein Datenprojekt durchzuführen. Dabei geht der Kurs folgenden
Fragen nach: Woher kommen Luftverschmutzungsdaten? Was bedeuten die Daten?
Wie kann man Daten in eine Karte überführen? Schritt für Schritt wird aufgezeigt, wie
die umfangreichen und leistungsstarken Bibliotheken und Funktionen in Python die
Beantwortung dieser Fragen erleichtern können. Dabei wird gezeigt, wie man von
einem „manuellen“ Ansatz beim Arbeiten mit Daten zunehmend auf automatisierte
Verfahren umsteigen kann.
Dieser Kurs kann über folgenden Link abgerufen werden:
https://beta.toolboxdatenkompetenz.de/catalogue/datenprojekt-karten
Weitere, eigens erstellte Lernangebote auf der Toolbox finden sich in der Übersicht im
Folgenden.
64
• „Die Datenschutz-Grundverordnung“
Link: https://beta.toolboxdatenkompetenz.de/catalogue/dsgvo
• „Die KI-Verordnung (EU AI Act)“
Link: https://beta.toolboxdatenkompetenz.de/catalogue/kivo
• „Excel Basics“
Link: https://beta.toolboxdatenkompetenz.de/catalogue/excel-basics
• “LLM Driven Development for Machine Learning”
Link: https://beta.toolboxdatenkompetenz.de/catalogue/llm-driven-
development-for-machine-learning
• “Quickstart Deep Learning”
Link: https://beta.toolboxdatenkompetenz.de/catalogue/qsdlde
• “Bildklassifikation mit Convolutional Neural Networks”
Link: https://beta.toolboxdatenkompetenz.de/catalogue/cnn-ic
Mit der fortlaufenden Entwicklung neuer Lerninhalte wurde der Meilenstein M4 im
Juni 2023 erfolgreich abgeschlossen. Vor und nach der Veröffentlichung der
Lernangebote wurden diese stetig verbessert und anhand von Nutzerfeedback
weiterentwickelt.
2.4.2 Aufbau der Toolbox-Plattform
Zeitgleich stellt das Arbeitspaket 2 (AP2) die zentrale technische Entwicklungsarbeit
zur Realisierung der digitalen Plattform dar und bildete somit ein Herzstück des
Gesamtprojekts. Ziel dieses Arbeitspakets war die Konzeption, Implementierung und
kontinuierliche Weiterentwicklung einer skalierbaren, interaktiven und
benutzerzentrierten Lern- und Anwendungs-Plattform zur Förderung von
Datenkompetenz.
2.4.2.1 IT Projektmanagement
Bereits zu Beginn des Arbeitspakets 2 wurden geeignete Maßnahmen ergriffen, um
eine strukturierte Koordination, kontinuierliche Bearbeitung sowie flexible Reaktion auf
sich entwickelnde Anforderungen sicherzustellen. Hierzu wurden organisatorische
und technische Prozesse etabliert, die eine enge Abstimmung und effektive
Zusammenarbeit zwischen den beteiligten Partnern ermöglichen.
65
Ein zentrales Element stellt dabei das regelmäßig stattfindende, zweiwöchentliche
Abstimmungsmeeting zwischen den Entwicklungsteams des InfAI und StackFuel, in
der der technische Fortschritt des Projekts gemeinsam reflektiert und weiter geplant
wird. Zur Umsetzung des Design-Based-Research-Ansatzes kommt darüber hinaus
die agile Entwicklungsmethodik SCRUM zum Einsatz. In einem Rhythmus von
zweiwöchigen Sprints wird so eine modulare, iterative Entwicklung realisiert, die den
kontinuierlichen Austausch zwischen den Teams sowie einen nachhaltigen
Wissenstransfer unterstützt.
Parallel dazu wurden DevOps-Praktiken wie Continuous Integration, Delivery und
Deployment initial konzipiert und implementiert. Diese Strukturen wurden
kontinuierlich weiterentwickelt, um die Effizienz der Entwicklungsprozesse und die
Stabilität der technischen Plattform zu erhöhen. Um eine leistungsfähige Umsetzung
des Arbeitspakets zu gewährleisten, wurden zudem entsprechende personelle
Ressourcen zur Verfügung gestellt.
2.4.2.2 Konzeption und technologische Grundlagen
Die Entwicklung der Toolbox-Plattform basierte auf einem iterativen und
nutzerzentrierten Vorgehen. In einem ersten Schritt wurde ein umfassendes
technisches Grobkonzept entwickelt, welches die Architekturdimensionen (Frontend,
Backend, Datenhaltung und Schnittstellen) ebenso adressierte wie Fragen der
Skalierbarkeit, Sicherheit und Modularität der Plattform. Dabei wurde auf moderne,
webbasierte Open-Source-Technologien gesetzt, die eine langfristige
Weiterentwicklung und Wartbarkeit ermöglichen. Insbesondere kamen zum Einsatz:
• Ein komponentenbasiertes Frontend-Framework für eine flexible und
responsive Benutzeroberfläche,
• Microservices und REST-APIs zur Entkopplung einzelner Funktionsbereiche
und zur Förderung der Wiederverwendbarkeit,
• Container-basierte Deployment-Strategien, um eine skalierbare Infrastruktur
aufbauen zu können,
• Eine datenschutzkonforme Nutzerverwaltung basierend auf etablierten
Authentifizierungsverfahren
66
Die technische Plattform wurde auf Grundlage eines CI/CD-Prozesses kontinuierlich
weiterentwickelt. Hierbei wurde besonderer Wert auf die Automatisierung von Tests
und Deployments gelegt, um eine hohe Zuverlässigkeit und Qualitätssicherung im
Entwicklungsprozess zu erreichen.
Mit der Erreichung von Meilenstein 2 wurde die Grundlage für die operative
Umsetzung der Workspaces (Data Space) und darauf basierender Anwendungsfälle
legte. Die Bereitstellung einer skalierbaren Cloud-Infrastruktur markiert einen
zentralen technologischen Entwicklungsschritt im Rahmen der TBDK. Die Umsetzung
erfolgte auf Basis von Docker Container und JupyterHub Technologie auf skalierbar
aufgesetzten, in Deutschland gehosteten Servern – unter Berücksichtigung aller
Anforderungen an Datenschutz, Nutzermanagement, Cloud-Deployment sowie
Ressourcenskalierung. Der Fokus lag dabei auf einem nutzerfreundlichen, individuell
erweiterbaren Arbeitsumfeld.
2.4.2.3 Entwicklung erster Prototypen
In Q3 2023 wurde auf Grundlage der ermittelten funktionalen und nicht-funktionalen
Anforderungen eine lauffähige erste Version der Plattform entwickelt und verprobt.
Dieser umfasste grundlegende Funktionalitäten wie:
• Registrierung und Login,
• Zugriff auf grundlegende Lernmodule innerhalb der neu gestalteten Lernwelt
• sowie eine einfache Feedback-Funktion.
Der erste MVP (minimum viable product) wurde in internen Testreihen und in
ausgewählten Pilotanwendungen mit ersten Nutzergruppen erprobt, um
Schwachstellen aufzudecken und Usability-Probleme frühzeitig zu beheben.
Im Zuge dieser ersten Veröffentlichung wurde die Erfüllung der Meilensteine 4 und 3
getauscht. Diese Umplanung wurde projektintern eng abgestimmt und dem
Projektträger kommuniziert, um einen Vorsprung auf wichtiges Userfeedback zu
erhalten und so die nächsten Module besser auf deren Bedürfnisse abstimmen zu
können.
67
2.4.2.4 Erweiterung zu einer modularen Plattformlösung
Im weiteren Projektverlauf wurde die Plattform sukzessive um zusätzliche Module und
Funktionalitäten erweitert. Maßgeblich hierfür waren die Ergebnisse aus AP1
(Anforderungsanalyse) sowie das im Projektverlauf entwickelte Kompetenzmodell.
Hieraus leitete sich unter anderem die Notwendigkeit ab, verschiedene didaktische
Formate technisch zu untersttzen, wie z. B.:
• interaktive Coding-Übungen (Jupyter Notebooks),
• eingebettete Data Challenges auf realitätsnahen Fallstudien,
• freizugängliche Data Sets zur praktischen Anwendung,
• kollaborative Lernformate (z. B. Forenfunktion, GIT Funktionen im eigenen
Workspace).
Die Plattformarchitektur wurde so gestaltet, dass neue Module mit geringem
Integrationsaufwand eingebunden werden können. Dies wurde durch eine
serviceorientierte Architektur und transparente API-Strukturen ermöglicht.
2.4.2.5 Workspaces und Data Challenges
Das Herzstück der Toolbox sind neben den Lernwelten (siehe AP3) die Workspaces
(Data Space), in denen die Nutzenden nicht nur während der Praxisinhalte der
einzelnen Kurse arbeiten und ihr Gelerntes anwenden, sondern diese auch für
persönliche Projekte frei nutzen können. Ziel der Toolbox war es u.a. allen Nutzenden
eine Infrastrukturplattform zu bieten, welche für Datenprojekte und ohne Installationen
sofort verfügbar ist. Die im Förderantrag vorgesehenen Ergebnisse für dieses
Teilvorhaben sahen wie oben beschrieben unter anderem den Aufbau einer
skalierbaren, modular erweiterbaren Cloud-Infrastruktur sowie eines prototypischen
Datenlabors (Workspace) vor. Ziel war es, mit Hilfe dieser Infrastruktur interaktive,
niedrigschwellig zugängliche Lern- und Experimentierumgebungen für
unterschiedliche Zielgruppen bereitzustellen. Die Workspaces sollten sowohl in die
Lernwelt der TBDK integriert als auch unabhängig davon nutzbar sein – etwa für Data
Challenges, Tutorials mit praktischer Datenverarbeitung oder als Grundlage für
weiterführende Bildungsformate.
68
Die Data Challenges wurden als methodisch-didaktisches Element vorgesehen, das
den offenen und partizipativen Charakter der TBDK unterstreicht. Im Gegensatz zu
klassischen Lehrformaten erlauben Data Challenges eine lösungsorientierte
Auseinandersetzung mit konkreten Problemstellungen aus Wissenschaft,
Gesellschaft, Wirtschaft oder Verwaltung. Dazu wurde eine digitale Umgebung
angestrebt, in der Datensätze bereitgestellt und Bearbeitungsaufträge konkret und
strukturiert formuliert werden können. Im Projektverlauf wurden insgesamt vier Data
Challenges mit verschiedenen Partnern initiiert und durchgeführt. Dabei haben über
430 Nutzende teilgenommen.
2.4.3 Zertifizierung
Im Bereich Zertifizierung wurde ein Konzept zur Standardisierung von
Datenkompetenz entwickelt. Ziel war es, eine Grundlage für die Anerkennung von
erworbenen Qualifikationen zu schaffen. Die Ergebnisse aus der Entwicklung des
Kompetenzmodells und den Lerninhalten der Toolbox flossen in die Erarbeitung einer
Zertifizierungsstruktur, welche aus mehreren Stufen besteht.
Ein bedeutender Meilenstein in diesem Zusammenhang war die Entwicklung des
ersten von mehreren Datenkompetenz-Zertifikaten. Das „KI- und Datenkompetenz
Level 1" (KiDaKo) Zertifikat wurde geschaffen, um den wachsenden Anforderungen
im Bereich Künstliche Intelligenz und Datenverarbeitung gerecht zu werden. Ein
zentraler Impuls für diese Initiative war der EU AI Act, der Unternehmen verpflichtet,
ihre Mitarbeitenden im sicheren Umgang mit KI-Technologien zu schulen.
Die KiDaKo-Zertifikats-Reihe soll eine standardisierte Möglichkeit für
Arbeitnehmende, Privatpersonen sowie Unternehmen bieten, grundlegende und mit
steigendem Level auch fortgeschrittene Kenntnisse in den Bereichen Datenanalyse,
Datenvisualisierung, Datenqualität und KI-Kompetenz nachzuweisen. Für
Interessierte ohne Vorkenntnisse stellt die Plattform eine Vielzahl relevanter Kurse
bereit, die es ermöglichen, sich das erforderliche Wissen anzueignen und praktische
Erfahrungen im Umgang mit Daten zu sammeln.
Der Zertifizierungsprozess des Level 1 erfolgt über ein ca. 40-minütiges Quiz, das die
genannten Kompetenzbereiche abdeckt. Nach erfolgreichem Abschluss erhalten die
Teilnehmenden das Zertifikat "KI- und Datenkompetenzen Level 1", das ihre
69
erworbenen Fähigkeiten offiziell bestätigt. Damit wurde eine niederschwellige,
praxisorientierte Möglichkeit geschaffen, die eigene Datenkompetenz nachzuweisen
und auf dem Arbeitsmarkt sichtbar zu machen. Im derzeitigen Projektumfang wurde
an dieser Stelle mit dem „KI- und Datenkompetenz Level 1“ der Grundstein fr eine
ausgedehnte Zertifizierungskette erbaut. In weiterführenden Zielsetzungen ist der
Ausbau dieser Qualifikationskette geplant. So ist das Ziel eine deutschlandweit
anerkannte Zertifizierungs-Reihe aufzubauen, welche grundlegende und
Fortgeschrittene KI- und Datenkompetenzfähigkeiten qualitativ zertifizieren und
lehren.
2.5 Implementation
2.5.1 Implementierung in Netzwerke & Veranstaltungen
2.5.1.1 Netzwerk
Im Verlauf des Projekts wurde ein umfangreiches Netzwerk aufgebaut, das
verschiedene Akteure aus Wirtschaft, Wissenschaft und Bildungseinrichtungen
miteinander verband. Ein signifikanter Erfolg war der Aufbau einer aktiven Community
auf LinkedIn, die bis zum Projektende über 1.000 Mitglieder zählte. Diese Plattform
diente dem fachlichen Austausch, der Diskussion aktueller Entwicklungen im Bereich
Datenkompetenz und der Vernetzung von Expertinnen und Experten.
Der Beirat
13
wurde mit zehn Mitgliedern aus Wissenschaft, Wirtschaft und
Gesellschaft besetzt und diente als strategisches Beratungsgremium. Er kam erstmals
2023 zusammen und tagte seitdem regelmäßig halbjährlich. Durch den Austausch mit
dem Beirat konnten wertvolle Impulse für die Gestaltung der Toolbox gewonnen
werden, insbesondere in Bezug auf die wissenschaftliche Fundierung und die
Praxisrelevanz der Inhalte.
Ein wesentlicher Bestandteil der Öffentlichkeitsarbeit war die Organisation eigener
Veranstaltungen und Netzwerktreffen. In der Projektlaufzeit fanden halbjährlich
Sitzungen des zehnköpfigen Beirats statt, während insgesamt sieben Netzwerktreffen
mit jeweils 20 bis 30 Teilnehmenden den Austausch zwischen Akteuren aus
Wirtschaft, Wissenschaft und Bildung förderten.
13
Funktion und Mitglieder siehe https://projekt.toolboxdatenkompetenz.de/beteiligte/beirat/.
70
Beiratssitzungen:
• 18.04.2023
• 29.11.2023
• 14.06.2024
2.5.1.2 Netzwerktreffen
Teil des Projekts war es, ein Expert:innen-Netzwerk aufzubauen, das die Entwicklung
der Plattform mit Fachwissen und Erfahrung unterstützt und begleitet. Dabei wollten
wir (über die Einzelinterviews bei der initialen Anforderungserhebung hinaus) den
Mehrwert einer dynamischen Interaktion der Expert:innen untereinander zu mehreren
Zeitpunkten und unterschiedlichen Themenschwerpunkten nutzen, um weiterführende
Erkenntnisse zu gewinnen.
In regelmäßigen Treffen zu wechselnden Themen wurden vom Forschungsteam
vorbereitete Fragenstellungen des Projekts in Expert:innen-Kleingruppen diskutiert
und gemeinsam bearbeitet. Die Zahl der Teilnehmenden lag meist bei 20-30
Die folgenden Schwerpunktthemen konnten bei den Fachgruppentreffen behandelt
werden:
• Sammlung von Best Practices zu Datenkompetenzbildung
• Inhalte & Lernziele
• Qualitätssicherung
• Operationalisierung des im Projekt entwickelten Datenkompetenzrahmens
Die dabei erfassten Hinweise und Anregungen konnten wiederum in die weitere
Forschungs- und Entwicklungsarbeit einfließen und einerseits zur Verbesserung der
Toolboxbeitragen sowie andererseits den Forschungsprozess voranbringen.
Im Rahmen der Projektlaufzeit wurden sieben Netzwerktreffen durchgeführt. Die
Ergebnisse wurden in internen Protokollen zusammengefasst und flossen in die
Projektarbeit ein.
Datum
Thema/Fragestellung
23.03.2023
Data Literacy Use Cases und Anreizmechanismen
71
Was sind gängige Data Literacy Use-cases in Ihrem Fachbereich?
21.06.2023
Lernen & Qualität, Inhalte & Kompetenzen, Data Challenges
07.12.2023
Vielfalt von Data Literacy – für welche Zielgruppe sind welche
Schlüsselkompetenzen relevant?
Eine Auswertung der Ergebnisse des Treffens finden sich in Anlage
3 (Nachbereitung Netzwerktreffen 20231207).
20.3.2024
Mehrwert und Aktivierung der Toolbox in der Hochschullandschaft &
Gesellschaft / Toolbox in der Wirtschaft
8.5.2024
Operationalisierung des im Projekt entwickelten
Datenkompetenzrahmens
12.9.2024
Erstellung zielgruppenbasierter Personas zur Identifikation
relevanter Kompetenzbereiche und Entwicklung
maßgeschneiderter Lernpfade für eine Toolbox-Plattform
10.03.2025
Projektrückblick: die wichtigsten Forschungsergebnisse der Toolbox
Datenkompetenz
Zudem wurden zahlreiche strategische Partnerschaften
14
mit Unternehmen und
Institutionen geschlossen, mit denen zusammen an der Entwicklung der Kursinhalte
und Data Challenges für die Plattform gearbeitet wurde.
2.5.1.3 Veranstaltungen
Die Toolbox war außerdem auf einer Vielzahl externer Konferenzen und
Branchenevents vertreten, darunter die Learntec, Europas größte Veranstaltung für
digitale Bildung für Schule, Hochschule und Beruf, der Digital-Gipfel der
Bundesregierung, sowie die re:publica, eine Konferenz für die digitale Gesellschaft.
Eine vollständige Liste der Teilnahmen auf allen Veranstaltungen findet sich im
Anhang (Anlage 4 „Veranstaltungsbersicht“). StackFuel und das InfAI präsentierten
Projekt und Plattform auf Messen, hielten Vorträge und beteiligten sich aktiv an
Diskussionen zur Förderung von Datenkompetenz. Durch diese breit gefächerte
14
Siehe https://projekt.toolboxdatenkompetenz.de/kooperationen/.
72
Öffentlichkeitsarbeit konnte das Projekt eine hohe Sichtbarkeit erreichen, den
Wissenstransfer fördern und ein nachhaltiges Netzwerk etablieren, das über das
Projektende hinaus Bestand haben wird.
2.5.1.4 Workshops
Zusätzlich konnten in der Projektlaufzeit zehn Workshops durchgeführt werden
(Übersicht siehe Anlage 4). Vor unterschiedlichen Zielgruppen (Hochschule und
Unternehmen) konnte der Workshop „Schnee an Weihnachten“ insgesamt fnfmal
durchgeführt werden, immer mit dem Ziel Datenkompetenz zu vermitteln (konkret:
erste Schritte eines Datenprojekts wie Datenquellen finden, Daten beschaffen, Fragen
an Datensatz stellen und mit einfachen, ersten Python-Codes beantworten durch die
Auswertung der Daten), den Teilnehmenden am Workshop die Toolbox vorzustellen
und Feedback zu sammeln für die Verbesserung des Lernangebots. Der Kurs
„Arbeiten mit (Fahrrad-)Daten aus Seoul“ konnte einmal als Workshop fr angehende
Promovierende durchgeführt werden.
Ein weiterer Workshop der zum Thema „Mit Daten Stadt gestalten – Smart City“ im
Rahmen der Data Week 2023 in Leipzig durchgeführt wurde, diente später teilweise
als Grundlage fr den Kurs „Datenprojekt (Umwelt-)Karten erstellen“.
Zwei weitere Workshops wurden zum Thema Datenkompetenz-Personas
durchgeführt (siehe 1.2).
2.5.1.5 TBDK-Podcast und Fachkonferenz
Im Jahr 2024 entstanden in Zusammenarbeit mit Beiratsmitglied Jonas Rashedi und
seinem Podcast „MY DATA IS BETTER THAN YOURS“ fnf Spezialfolgen zur
Toolbox Datenkompetenz. Jonas Rashedi moderierte die Gespräche und diskutierte
mit Expertinnen und Experten aus Wirtschaft, Bildung und Forschung über den
praktischen Umgang mit Daten, Herausforderungen und Best Practices.
Gäste der Spezialfolgen waren Julia Freudenberg (HackerSchool), Damian Beldicky
(Telefónica), Laura-Luisa Velikonja (ZEISS), Dr. Sven Erik Willrich und Daniel Krupka
(GI). Die Gespräche boten praxisnahe Einblicke in datengetriebene
Entscheidungsprozesse, den Bildungsbereich und ethische Fragestellungen.
Die Podcast-Folgen wurden über die Netzwerke der Toolbox Datenkompetenz sowie
der beteiligten Gäste verbreitet. Die Zusammenarbeit mit Jonas Rashedi trug dazu
73
bei, zentrale Themen der Datenkompetenz einem breiten Publikum zugänglich zu
machen und die Sichtbarkeit des Projekts zu erhöhen.
Ein weiterer Meilenstein war die Durchführung von zwei zielgruppenübergreifenden
Fachkonferenzen. Diese Veranstaltung diente dem Austausch zwischen
Wissenschaft, Bildung und Wirtschaft und wurde zur zentralen Plattform für die
Diskussion über zukünftige Entwicklungen im Bereich Datenkompetenz. Die
Konferenzen fanden am 07.11.2023 und am 18.02.2025 statt und wurde von
Fachleuten aus verschiedenen Disziplinen besucht.
Die erste Konferenz – der Data Literacy Day 2023 – fand am 7. November 2023 in
Berlin statt und brachte Expert:innen, Entscheidungsträger:innen und
dateninteressierte Bürger:innen zusammen. In einem abwechslungsreichen
Programm aus Keynotes, Podiumsdiskussionen und Roundtable-Gesprächen mit
Mitgliedern des TBDK-Beirats, Netzwerkmitgliedern sowie Projektmitgliedern wurde
über die Rolle von Datenkompetenz in Bildung, Wirtschaft und Gesellschaft diskutiert.
Themen waren unter anderem die internationale Einordnung Deutschlands in Sachen
Data Literacy, der Beitrag von Initiativen wie TBDK zur Förderung datenkompetenter
Bürger:innen sowie konkrete Ansätze zur Verankerung von Datenkompetenz in
Organisationen. Besonders hervorgehoben wurde die Relevanz von Data Literacy als
Zukunftskompetenz in einer zunehmend datengetriebenen Welt. Moderiert wurde die
Veranstaltung von TBDK-Beiratsmitglied Jonas Rashedi.
Die zweite Konferenz – das Data Dinner: Berlin Edition – fand am 18. Februar 2025
statt und widmete sich dem Austausch zwischen Wirtschaft,
Technologieverantwortlichen und Datenexpert:innen aus der TBDK-Community in
einem bewusst informellen Format. Nach einer einführenden Keynote zur Daten- und
KI-Strategie im Digital Commerce folgten drei moderierte Tischrunden im „World
Café“-Format. Dort wurden strategische, technologische und menschzentrierte
Perspektiven auf den erfolgreichen Einsatz von Daten und KI diskutiert – von der
Anbindung der Datenstrategie an die Unternehmensziele über Herausforderungen im
IT-Management bis hin zur Bedeutung von Kommunikation, Beteiligung und Vertrauen
beim Aufbau datenkompetenter Organisationen. Die Veranstaltung setzte bewusst auf
dialogische Formate und schaffte Raum für offenen, praxisorientierten Austausch.
74
2.5.1.6 Wissenschaftliche Veröffentlichungen und Transfer
Die Projektergebnisse wurden über Fachpublikationen und wissenschaftliche
Konferenzen verbreitet. Insgesamt entstanden sieben Veröffentlichungen in
internationalen Fachzeitschriften und Konferenzbänden. Die gewonnenen
Erkenntnisse aus der Plattformentwicklung wurden dabei in Netzwerktreffen in die
Community zurückgespielt, insbesondere in den Bereichen Kompetenzmodellierung,
digitale Bildungsangebote und datengetriebene Lernumgebungen.
Dabei wurde auch der wechselseitige Wissenstransfer zwischen Wissenschaft und
Praxis gefördert. Der Austausch mit Unternehmen, Hochschulen und öffentlichen
Institutionen trug dazu bei, dass die Erkenntnisse aus der Toolbox nicht nur in
Forschungsarbeiten, sondern auch in praxisnahe Anwendungsfälle einflossen.
2.5.2 Datenschutz und Nutzungs-Tracking
Die Plattform wurde konsequent unter Beachtung datenschutzrechtlicher Vorgaben
gemäß DSGVO entwickelt. Dies umfasste u. a.:
• Einwilligungsmanagement bei der Datenerhebung,
• Datenminimierung bei der Nutzerregistrierung,
• Anonymisiertes Tracking zur Lernstandsanalyse und Nutzungsstatistik.
Die so gewonnenen Daten wurden projektintern genutzt, um die Weiterentwicklung
der Plattform evidenzbasiert zu steuern und Erkenntnisse für die didaktische
Optimierung zu gewinnen. Dies bezog sich insbesondere auf die Ausrichtung der
Trainingsinhalte, sowie der Nutzungsintensität einzelner Komponenten
2.6 Evaluation
2.6.1 Evaluation und kontinuierliche Verbesserung
Die technische Entwicklung wurde über alle Phasen hinweg durch formative
Evaluation begleitet. Dies beinhaltete u. a.:
• regelmäßige Nutzertests mit Teilnehmenden aus der Zielgruppe,
• Feedbackschleifen mit Projektpartnern und Entwicklern,
75
• strukturierte Erhebungen zu Nutzung, Zufriedenheit und technischen Barrieren.
Die gewonnenen Erkenntnisse wurden direkt in den agilen Entwicklungsprozess
rückgespiegelt. Darüber hinaus wurden Lessons Learned aus vorangegangenen
Plattformprojekten (u. a. aus dem Hochschulbereich und der beruflichen
Weiterbildung) systematisch einbezogen.
2.6.2 Customer Journeys
In einer Customer Journey wird die Nutzenden-Perspektive auf ein Produkt (in diesem
Fall die TBDK) in mehreren Schritten erfasst, um Motive, Fragen, Unklarheiten und
Bedürfnisse (nach weiteren Funktionen) bei der Nutzung besser zu verstehen.
Das Ziel der Customer Journeys war die Erhebung des Verbesserungspotenzials der
ersten Version der TBDK durch die Analyse unterschiedlicher Perspektiven
verschiedener Zielgruppen hinsichtlich ihrer spezifischen Anforderungen an die
Lernumgebung sowie der Nutzerfreundlichkeit der Plattform.
Nach dem Launch der Beta-Version der Toolbox wurden fünf Customer Journeys
durchgeführt, die in fünf Phasen gegliedert waren: Entice, Enter, Engage, Exit und
Extend. Dabei hat die interviewte Person durch die Brille einer Persona die Plattform
besucht, die verschiedenen Bereich erkundet und dabei ihre Eindrücke und
Überlegungen geschildert. Gezielte Nachfragen dienten der Klärung und Präzisierung
des Gesagten. Für relevante Kategorien wurde sowohl positives als auch negatives
Feedback dokumentiert. Zu den identifizierten Schwachstellen wurden
Lösungsvorschläge erarbeitet, um ein zielgruppenadäquates Plattformerlebnis zu
ermöglichen.
Die relevanten Kritikpunkte sowie die diesbezüglich erarbeiteten Lösungsvorschläge
wurden gemeinsam im Konsortium besprochen. Die detaillierten Ergebnisse der
Customer Journeys dienten der Erweiterung des Anforderungskatalogs und können
im Anhang (Anlage 5 „Anforderungen aus Customer Journeys“) eingesehen werden.
2.6.3 Nutzer:innen-Feedback
Zur Evaluation der Lernplattform TBDK wurden 2024 zunächst 13 leitfadengestützte
Interviews durchgeführt: je fünf mit Personen aus Wirtschaft und Wissenschaft sowie
drei mit Vertreter:innen der Zivilgesellschaft/Verwaltung. Die Interviews umfassten 16
76
Fragen zu Design, Inhalt und Struktur der Plattform. Anschließend erfolgte eine
qualitative Inhaltsanalyse, auf deren Basis ein Fragebogen für eine Online-Befragung
entwickelt wurde. Diese wurde im Dezember veröffentlicht und bis Anfang 2025
durchgeführt.
2.6.3.1 Teilnehmende und Nutzungsverhalten
Insgesamt nahmen 63 Personen teil, wovon 62 Datensätze ausgewertet wurden. 43,5
% nutzten die Plattform beruflich wie privat zur Weiterbildung; 6,5 % für
Schule/Hochschule. 4,8 % schauten sich nur um. 11,1 % gaben an, dass die berufliche
Weiterbildung vom Arbeitgeber gefordert war. Über die Hälfte der Befragten (51,6 %)
bezeichneten ihre Vorkenntnisse in Datenkompetenz als fortgeschritten; 25,8 %
hatten erste Kenntnisse, 19,4 % umfangreiche, und nur 3,2 % keine.
2.6.3.2 Benutzerfreundlichkeit und Design
Die Mehrheit der Nutzer:innen (56,5 %) fand sich sofort gut auf der Plattform zurecht.
Weitere 32,3 % benötigten eine kurze Einarbeitungszeit. Nur 4,8 % hatten große
Schwierigkeiten mit dem Aufbau. Die Registrierung wurde als weitgehend
unkompliziert bewertet (87,1 % Zustimmung), ebenso wurde die Plattform als
vertrauenswürdig empfunden (91,9 %). Beim Wunsch nach einer Einführung in den
Begriff „Datenkompetenz“ zeigten sich geteilte Meinungen.
Das Design der Plattform wurde mit durchschnittlich 4,82 von 6 Sternen bewertet.
Piktogramme, Farbgestaltung, Kursbilder, Menüleiste und Überschriften wurden als
überwiegend hilfreich bewertet (über 60 % positive Bewertungen). Sechs Personen
äußerten Kritik, u. a. zur kleinen Schriftgröße, Problemen mit dem Smartphone-Layout
sowie unübersichtlichen Prüfungen.
2.6.3.3 Struktur, Inhalte und Kursangebote
88,7 % empfanden die Plattform als übersichtlich, 82,3 % fanden die
Kursbeschreibungen aussagekräftig. Inhalte wurden als gut strukturiert
wahrgenommen. Knapp die Hälfte wünschte sich mehr Anregungen für
datenbezogene Fragestellungen oder eine prominentere Darstellung des
Projektbereichs.
77
Bei der Suche nach interessanten Kursen gaben 53,2 % eine Bewertung von 8 bis 10
(auf einer Skala bis 10). Die meisten schätzten das Kursangebot als aktuell und
vielfältig (69,3 %), angemessen im Niveau (54,8 %) und ausgewogen zwischen
Theorie und Praxis (41,9 %). 17,7 % wünschten sich mehr englischsprachige Inhalte.
14,5 % fanden die Kursvielfalt überfordernd.
61,3 % fanden die Kurse in ihrer Schwierigkeit „gerade richtig“, 9,7 % als zu leicht, 1,6
% als zu schwer. Fast 28 % hatten noch keinen Kurs begonnen.
2.6.3.4 Weiterleitung zu Drittanbietern
Die Meinungen über externe Kursanbieter waren gemischt: 38,7 % fanden die
Weiterleitungen verwirrend, 35,5 % unproblematisch. Ein Großteil wünschte sich
jedoch bessere Transparenz (59,7 % Zustimmung) und Vorabinformationen zu
Registrierungspflichten (79 %) sowie die Integration von Lernfortschritten externer
Kurse (69,3 %).
2.6.3.5 Such- und Filterfunktionen
Die meistgenannte gewünschte Verbesserung war eine Freitext-Suchleiste (72,6 %).
Zudem wünschten sich viele erklärende Mouse-Over-Texte zu englischen
Fachbegriffen. Auch zusätzliche Filteroptionen nach Zielgruppe (54,8 %), Lernformat
(51,6 %), Anbieter, Unterrichtsmaterialien und thematischer Tiefe wurden vielfach
genannt.
2.6.3.6 Lernfunktionen und Motivation
Visuelles Feedback zum Lernfortschritt (z. B. Fortschrittsbalken) war den meisten
wichtig (über 75 %). Zwei Drittel möchten nach Unterbrechungen nahtlos weiterlernen;
etwa gleich viele wünschen sich Wiederholbarkeit abgeschlossener Kapitel.
Erinnerungsfunktionen an begonnene Kurse fanden 43,5 % hilfreich.
Zertifikate wurden als stärkster Motivator bewertet (91,9 % Zustimmung). Auch
Empfehlungen für Kurse oder Lernpfade (über 80 %) und Gamification-Elemente wie
Punkte, digitale Belohnungen oder Wettbewerbe motivieren viele Nutzer:innen.
Soziale Funktionen wie Lernleistungsvergleich mit Freund:innen fanden jedoch nur
78
30,7 % motivierend; 61,3 % lehnten Benachrichtigungen über Lernerfolge anderer
sogar ab.
2.6.3.7 Barrierefreiheit und Präsentationsformen
Transkripte zu Videos wünschten sich 75,8 %; Audio-Versionen von Texten wurden
mehrheitlich als unwichtig bewertet. In freien Antworten wurden auch leichte Sprache,
interaktive Grafiken, menschliche Erklärvideos und eine übersichtliche
Themenlandkarte vorgeschlagen.
2.6.3.8 Forschungsinteresse und Soziodemografie
80,6 % zeigten Interesse an Informationen zum begleitenden Forschungsprojekt. Von
diesen fanden 14 die Infos leicht, 8 schwer zugänglich; 28 hatten nicht danach
gesucht.
Die Befragten waren überwiegend zwischen 36 und 55 Jahre alt (über 54 %), 17,7 %
waren über 55 Jahre alt. 22 Teilnehmende identifizierten sich als weiblich, 28 als
männlich, eine Person als divers, eine gab keine Angabe. 58,1 % hatten einen
Master/Diplom oder eine Promotion, 16,1 % einen Bachelor, 11,3 % eine
Berufsausbildung.
2.6.3.9 Limitationen der quantitativen Evaluation
Trotz der quantitativen Erhebungen im Rahmen des Projekts bestehen mehrere
Einschränkungen, die bei der Interpretation der Ergebnisse berücksichtigt werden
müssen. Ein zentrales Limit stellt die begrenzte Stichprobengröße dar. Insbesondere
in der frühen Beta-Phase der Plattform waren nur ausgewählte Nutzer:innen aus dem
Netzwerk aktiv, was zu einer insgesamt geringen Anzahl an verwertbaren
Datensätzen führte. Dies wirkt sich unmittelbar auf die statistische Aussagekraft der
Ergebnisse aus und erschwert differenzierte Subgruppenanalysen – etwa im Hinblick
auf Personas, Lernpfade oder Kompetenzstufen.
Auch der Status der Plattform zum Zeitpunkt der Evaluation begrenzt die Aussagekraft
vieler Metriken. Zahlreiche Features – etwa Zertifikate, Gamification-Elemente oder
tiefergehende Filteroptionen – waren noch nicht oder nur in reduziertem Umfang
verfügbar, wodurch sich Nutzungsmuster nicht ohne Weiteres auf eine produktive
79
Plattformphase übertragen lassen. Ein weiterer methodischer Engpass ergibt sich
durch die Selbstselektion bei Feedback-Erhebungen, was zu Verzerrungen führen
kann. Besonders aktive oder besonders kritische Nutzer:innen nehmen
überdurchschnittlich häufig an freiwilligen Umfragen teil, wodurch ein Bias im
Antwortverhalten entsteht. Hinzu kommt, dass datenschutzbedingte Einschränkungen
eine direkte Verknüpfung von soziodemografischen Merkmalen mit
Nutzungsverhalten oder Lernerfolg verhindern, was die Tiefe der Analyse begrenzt.
Darüber hinaus ist bislang keine isolierte Wirkungsanalyse einzelner Plattform-
Features möglich. Zwar wurden verschiedene didaktische und technische
Gestaltungselemente eingeführt – etwa adaptive Lernpfade, Assessments oder
Challenges – deren jeweilige Wirkung auf Motivation, Kompetenzerwerb oder
Verweildauer lässt sich jedoch mangels kontrollierter Vergleichsgruppen oder
experimenteller Designs derzeit nicht belastbar bestimmen. Nicht zuletzt fehlen
längsschnittliche Nutzungsdaten, da die Evaluation in einem begrenzten Zeitraum
erfolgte. Aussagen zur nachhaltigen Nutzung, Wiederkehrraten oder zur langfristigen
Kompetenzentwicklung können daher noch nicht getroffen werden. Diese Limitationen
unterstreichen die Notwendigkeit, die quantitative Evaluation in einer anschließenden
Betriebsphase der Plattform zu vertiefen – idealerweise mit breiterer
Nutzer:innenbasis, längerer Erhebungsdauer sowie methodisch ergänzenden
qualitativen Verfahren.
2.6.4 Auswertungen zum Kurskatalog
Während der Projektlaufzeit wurden zahlreiche Lernangebote auf die Plattform
gestellt, wodurch ein Kurskatalog mit über 170 Angeboten entstand. Dieser wurde auf
der Basis der bisher verwendeten Metadaten der Plattform ausgewertet. Ergänzend
sollen die Angebote im Hinblick auf den entwickelten Datenkompetenz-Rahmen
eingeschätzt werden.
Zunächst wurde eine Datengrundlage geschaffen, die aus den auf der Plattform
„Toolbox Datenkompetenz“ verfgbaren Metadaten besteht. Diese Daten ermöglichen
es, einen Überblick über die Häufigkeit der Lernangebote in den Filterkategorien (wie
„Data Basics“ oder „Data and AI Ethics“), nach Sprache, Anbieter und Zeitaufwand zu
erhalten. Zusätzlich wurden die Lernangebote (bis zum Stand von Ende Oktober
80
2024) in den neuen Kompetenzrahmen eingeordnet, indem die Relevanz eines Kurses
für jeden Kompetenzbereich auf einer Skala von 1 bis 10 eingeschätzt wurde.
Eine ausführliche Darstellung der Kursauswertung nach den verfügbaren Metadaten
sowie die Einordnung in den Kompetenzrahmen sind dem Anhang zu entnehmen
(siehe Anlage 6 „Kursauswertung).
2.7 Wissenschaftskommunikation und Transfer
Das Arbeitspaket 5 hatte das Ziel, die Projektergebnisse gezielt zu verbreiten, eine
nachhaltige Vernetzung mit relevanten Akteuren zu schaffen und den langfristigen
Wissenstransfer sicherzustellen. Durch eine Kombination aus Fachveranstaltungen,
digitalen Disseminationsmaßnahmen, wissenschaftlicher Publikationstätigkeit und
strategischen Partnerschaften wurde die Toolbox Datenkompetenz als Plattform zur
Förderung von Datenkompetenz in Deutschland etabliert.
Die Arbeit innerhalb von AP 5 wurde in mehrere Unterarbeitspakete unterteilt, die
spezifische Aspekte der Wissenschaftskommunikation und des Transfers abdeckten.
Diese Maßnahmen waren darauf ausgerichtet, die Toolbox Datenkompetenz nicht nur
als technisches Produkt zu etablieren, sondern sie langfristig in wissenschaftliche,
wirtschaftliche und bildungspolitische Strukturen einzubinden. Der breite Ansatz der
Wissenschaftskommunikation und des Transfers trug dazu bei, das Projekt nachhaltig
zu verankern und die Förderung von Datenkompetenz über die Projektlaufzeit hinaus
sicherzustellen.
2.7.1 Wissenschaftliche Publikationen
Die wissenschaftlichen Publikationen werden vom Forschungsteam am InfAI e. V.
erarbeitet, auf Fachtagungen vorgestellt und zur Publikation vorbereitet. Der
Verbundpartner StackFuel steht beratend zur Seite.
• Hilger, K., Gamböck-Strätz, J. & Biedermann, C. (2023). Getting data literacy
education ready for the future. In L. M. Camarinha-Matos, X. Boucher & A. Ortiz
(Eds.), Collaborative networks in digitalization and Society 5.0. PRO-VE 2023.
IFIP advances in information and communication technology (Vol. 688).
Springer. https://doi.org/10.1007/978-3-031-42622-3_34
81
• Barth, R. (2024). Stealth gamification in der selbstgesteuerten non-formalen
Erwachsenenbildung: Argumente für ein verdecktes Vorgehen im Sinne einer
altersadäquaten Implementation. MedienPädagogik, 58(JFMH2023), 117–132.
https://doi.org/10.21240/mpaed/58/2024.07.01.X
• Richter, M. & Kirschenbaum, A. (2024). Our recommendation: Surprisal. A
recommender system with information theory for e-learning. Proceedings of
DELFI Workshops 2024. Gesellschaft für Informatik e.V.
https://doi.org/10.18420/delfi2024-ws-31
• Lechner, M., Zinke-Wehlmann, C. (2025). Shapes of Data Literacy in
Germany’s Higher Educational Landscape. In: Leahy, M., Reffay, C. (eds)
Digitally Transformed Education: Are We There Yet?. OCCE 2024. IFIP
Advances in Information and Communication Technology, vol 734. Springer,
Cham. https://doi.org/10.1007/978-3-031-88744-4_1
• Gersbach, R. (2024). A learning path for data ethics. In: ICERI2024
Proceedings. https://doi.org/10.21125/iceri.2024
• Barth, R. & Zinke-Wehlmann, C. (2025a). Digitale Kompetenz-Assessments für
Empfehlungssysteme im Spannungsfeld zwischen Normativität, Validität und
Komplexitätsminimierung. In Jahrbuch der Sektion Betriebs- und
Wirtschaftspädagogik der DGfE 2025. [Accepted].
• Zinke-Wehlmann, C. & Wehlmann, F. (in review). Review on data literacy
frameworks – An initial contribution to the standardization of data education.
2.7.2 Weitere Wissenschaftskommunikation
Neben den bereits oben benannten Maßnahmen wurden Projektziele, -inhalte und -
ergebnisse auch über verschiedene analoge und digitale Medien und Materialien an
die allgemeine Öffentlichkeit kommuniziert. Dazu gehören:
• Einrichtung und Pflege der Projektwebseite:
https://projekt.toolboxdatenkompetenz.de
• Pressemitteilungen und weitere Erwähnungen der TBDK in den Medien:
https://projekt.toolboxdatenkompetenz.de/tbdk-in-den-medien/
• (analoge und digitale) Flyer und Broschüren zur Projektvorstellung
• Messestand-Materialien, wie z. B. Rollups
• Wissenschaftliche Poster
82
• PowerPoint Präsentationen
Im Verlauf des Projekts Toolbox Datenkompetenz spielte das Arbeitspaket 0 eine
zentrale Rolle bei der Steuerung und Koordination aller Projektaktivitäten. Durch eine
strukturierte und agile Vorgehensweise wurde sichergestellt, dass das Projekt effizient
umgesetzt und an die Rahmenbedingungen angepasst werden konnte.
2.8 Projektkoordination und Steuerung
Die Projektsteuerung erfolgte über regelmäßige Planungstreffen, Konsortialtreffen
und Lenkungskreissitzungen, die einen engen Austausch zwischen den
Projektpartnern und den Förderinstitutionen ermöglichten. Die wichtigsten Schritte
waren:
• Zweiwöchentliche Planungstreffen zwischen InfAI und StackFuel zur
Abstimmung über den Projektfortschritt und zur Identifikation möglicher
Herausforderungen.
• Halbjährliche Lenkungskreissitzungen mit Vertreter:innen des
Bundesministeriums für Bildung und Forschung (BMBF), des Projektträgers
VDI/VDE Innovation + Technik sowie den Konsortialpartnern, um den
Fortschritt des Projekts zu bewerten und strategische Entscheidungen zu
treffen. Die Sitzungen fanden an folgenden Terminen statt:
o 23.06.2022
o 14.11.2022
o 27.06.2023
o 30.11.2023
o 26.02.2024
o 24.05.2024
o 04.12.2024
• Jährliche Konsortialtreffen, in denen übergreifende strategische
Weichenstellungen für das Projekt getroffen wurden. Die Treffen fanden zu
folgenden Terminen statt:
o 20.01.2022 (Kick-Off)
o 04.11.2022
o 16.06.2023
o 04.12.2023
83
o 28.03.2025 (Abschlusstreffen)
Diese Abstimmungsmechanismen trugen dazu bei, die interdisziplinäre
Zusammenarbeit zwischen den Partnern zu stärken und eine transparente
Kommunikation sicherzustellen.
3 Wichtigste Positionen des zahlenmäßigen Nachweises
3.1 InfAI
Die Ausgabenplanung wurde im Projektverlauf entsprechend der Mittelbereitstellung
im Zuwendungsbescheid vom 10.12.2021 und den folgenden Änderungsbescheiden
eingehalten. Die Personalausgaben mit einem Anteil von ca. 80% am Gesamtbudget
ergaben die größte Ausgabenposition. Die daraus erzielten Arbeitsergebnisse sind
vorangehend dargestellt. Hinzu kamen ca. 9% für Sonstige allgemeine
Verwaltungsausgaben inkl. Budget für die Plattformaktivierung, 5% für die Vergabe
von Aufträgen, 4% für die Miete und Serverkosten, sowie jeweils 1% für Reisekosten
und Gegenstände. Mit der bewilligten Mittelumwidmung vom 18.07.2024 konnten
Mittel insbesondere für den Zweck der Aktivierung der Plattform umgewidmet werden.
Details zum Ausgabenplan sind dem zahlenmäßigen Verwendungsnachweis InfAI zu
entnehmen.
3.2 StackFuel:
Die Ausgabenplanung wurde im Projektverlauf entsprechend der Mittelbereitstellung
im Zuwendungsbescheid vom 10.12.2021 und den folgenden Änderungsbescheiden
eingehalten. Die Personalausgaben mit einem Anteil von ca. 92% am Gesamtbudget
ergaben die größte Ausgabenposition. Die daraus erzielten Arbeitsergebnisse sind
vorangehend dargestellt. Hinzu kamen ca. 6,4% für Sonstige allgemeine
Verwaltungsausgaben sowie die Vergabe von Aufträgen (Außendarstellung,
Plattformaktivierung Recruiting-Gebühren, E-Learning-Formate), 1,2% für Material
(Software, Lernwerkzeuge), sowie jeweils 0,2% für Reisekosten. Mit der bewilligten
Mittelumwidmung vom 18.07.2024 konnten Mittel insbesondere für den Zweck der
Aktivierung der Plattform umgewidmet werden. StackFuel hat für die Umsetzung des
Projekts nur rund 84% der Gesamtmittel aufwenden müssen, im Projektverlauf hat
84
sich herausgestellt, dass 16% der zugesagten Mittel für die Zielerreichung eingespart
werden konnten.
Details zum Ausgabenplan sind der Anlage Zahlenmäßiger Verwendungsnachweis
StackFuel zu entnehmen.
3.3 Notwendigkeit und Angemessenheit der geleisteten Arbeit
Die Arbeiten der Projektpartner im Verbundvorhaben richteten sich nach den
technischen Arbeitszielen und den dafür notwendigen F&E-Aktivitäten laut der
Vorhabensbeschreibung. Mehr als 90% der Projektkosten sind auf Personalkosten
zurückzuführen. Die durchgeführten Arbeiten waren notwendig und angemessen. Die
Projektziele und Meilensteine wurden im Projekt wurden wie beschrieben
vollumfänglich und zufriedenstellend erreicht. Die geleistete Arbeit im Projekt war
notwendig zur Erreichung der in der Vorhabensbeschreibung formulierten Zielstellung.
Die beschriebenen Leistungen im Rahmen des Vorhabens konnten von InfAI und von
StackFuel nur dank der hierfür eingeworbenen Drittmittel erbracht werden. Die
StackFuel GmbH hat über den gesamten Projektlauf nur ca. 84% der bereitgestellten
Fördermittel aufgewendet, um die notwendigen Projektziele zu erreichen.
3.4 Kostenneutrale Verlängerung
Im Verlauf der Projektbearbeitung zeichnete sich ab, dass eine Verlängerung des
ursprünglich bis Ende 2024 geplanten Projektzeitraums notwendig werden würde, um
sämtliche Arbeitspakete in der vorgesehenen Qualität und Tiefe umsetzen zu können.
In enger Abstimmung mit dem gesamten Projektverbund wurde daher eine
kostenneutrale Verlängerung des Projekts "Toolbox Datenkompetenz (TBDK)" bis
zum 31. März 2025 beantragt.
Grundlage für diesen Antrag war eine Verzögerung von insgesamt rund 3,5 Monaten,
die sich insbesondere durch die herausfordernde Personalsituation in der
Softwareentwicklung ergeben hatte. Die schwierigen Rahmenbedingungen des
Arbeitsmarktes sowie wirtschaftliche und globale Entwicklungen der vergangenen
Jahre führten dazu, dass offene Stellen teilweise verzögert besetzt werden konnten.
Dies hatte unmittelbaren Einfluss auf zentrale Entwicklungsbereiche der Plattform.
85
Die Verlängerung wurde darüber hinaus notwendig, um wichtige verbleibende
Arbeiten in mehreren Arbeitspaketen zielgerichtet abschließen zu können – unter
anderem in der Entwicklung und Optimierung der digitalen Lernplattform (AP 3), in der
Konzeption und Bereitstellung von Webinar- und Podcastformaten zur Verbreitung
von Datenkompetenz (AP 5.4), sowie in den Bereichen Evaluation (AP 4),
Zertifizierung (AP 5.3), Anreizsysteme (AP 2.7) und Dissemination (AP 5.8 und AP
5.9). Diese Maßnahmen sind wesentlich, um die Plattform nachhaltig in der
Gesellschaft zu etablieren und die Wirksamkeit der Angebote über das Projektende
hinaus abzusichern.
Die Verlängerung ermöglichte es darüber hinaus, das Plattformökosystem
ganzheitlich zu demonstrieren und eine wesentliche, datengestützte Evaluation auf
breiter Nutzerbasis durchzuführen. Ohne diesen zusätzlichen Zeitraum wäre eine
fundierte Bewertung der Nutzung und Wirkung der Toolbox nur eingeschränkt möglich
gewesen.
Insgesamt hat die kostenneutrale Verlängerung den Projekterfolg wesentlich
unterstützt, indem sie die Qualitätssicherung, Nutzbarkeitsprüfung und Festigung der
Zielgruppenerreichung im Realbetrieb unter authentischen Bedingungen ermöglichte.
4 Voraussichtlicher Nutzen und Verwertbarkeit der Ergebnisse
4.1 Wissenschaftliche Erfolgsaussichten
Die wissenschaftliche Anschlussfähigkeit der Toolbox Datenkompetenz wurde im Jahr
2024 weiter gestärkt. Die aufgebaute Expertise ermöglichte eine kontinuierliche
Weiterentwicklung der inhaltlichen und didaktischen Konzepte, bspw. in der IEEE
Gruppe zu Daten und KI-Kompetenzen vertreten durch Dr. Christian Zinke-
Wehlmann. Insbesondere die Arbeiten zur Standardisierung von Datenkompetenz
sowie die entwickelten Lehr- und Lernformate bieten Anknüpfungspunkte für
zukünftige Forschungsprojekte.
Die wissenschaftlichen Publikationen und Vorträge im Rahmen von Fachkonferenzen
haben die Sichtbarkeit der Forschungsergebnisse erhöht und den Austausch mit
relevanten Disziplinen intensiviert. Dabei wurde besonderes Augenmerk auf die
Weiterentwicklung von Kompetenzmodellen, die Evaluation digitaler
Lernumgebungen und den Transfer wissenschaftlicher Erkenntnisse in praxisnahe
86
Bildungsangebote gelegt. Rückmeldungen aus der internationalen
Forschungscommunity legen nahe, dass der Bedarf nach niedrigschwelligen und an
das individuellen Kompetenzniveau von Nutzenden angepassten
Weiterbildungsformaten, insbesondere im Bereich der Hochschulbildung, auch im
gesamteuropäischen Raum hoch ist und das Vorhaben Anschlussfähigkeit bietet.
Durch die Kooperation mit bestehenden Netzwerken und Forschungsinitiativen
bestehen weitere Möglichkeiten zur Integration der Toolbox in zukünftige
wissenschaftliche Projekte. Insbesondere die Schnittstellen zu Bildungsforschung,
Künstlicher Intelligenz in der Lehre und digitalen Plattformökosystemen bieten
Potenzial für eine langfristige wissenschaftliche Weiterentwicklung der
Projektergebnisse.
Die entwickelten Instrumente – etwa das Einstiegsassessment, die Filterlogik auf
Basis didaktischer Metadaten oder die eingebundenen Data Challenges – bieten
sowohl methodisch als auch inhaltlich Anknüpfungspunkte für die empirische
Bildungsforschung, insbesondere im Bereich der Wirkung und Akzeptanz digitaler
Lernangebote bei heterogenen Zielgruppen. Die Plattform kann so mittelfristig als
Reallabor für explorative und kontrollierte Studien genutzt werden.
4.2 Wirtschaftliche Erfolgsaussichten
Die Toolbox für Datenkompetenz (TBDK) ist als offene, skalierbare und qualitativ
hochwertige Bildungsplattform konzipiert, die den breiten Zugang zu Datenkompetenz
in Deutschland dauerhaft sichern soll. Um dieses Ziel über den Förderzeitraum hinaus
zu verwirklichen, wurde im Rahmen des Verstetigungs-Konzepts ein Spektrum
potenzieller Geschäftsmodelle entwickelt, das sowohl die Gemeinwohlorientierung
des Projekts als auch pragmatische betriebswirtschaftliche Überlegungen
berücksichtigt. Grundlage dafür ist die im Projekt gebildete breite Zielgruppenstruktur
sowie die technologische und didaktische Flexibilität der Plattform. Die Vielfalt der
Nutzergruppen – von Bürger:innen über Hochschulen bis hin zu Unternehmen – öffnet
den Raum für differenzierte und kombinierbare Monetarisierungsansätze. Dabei
wurde besonderer Wert auf die Vereinbarkeit mit den Grundprinzipien Offenheit,
Qualitätssicherung, niedrigschwelliger Zugang und Anschlussfähigkeit gelegt.
87
Im Folgenden werden vier Geschäftsmodelle vorgestellt, die als Bausteine für eine
tragfähige Verstetigung der TBDK dienen können. Sie adressieren verschiedene
Marktsegmente, Nutzungsarten und Partnerstrukturen und können einzeln oder
komplementär zum Einsatz kommen.
4.2.1 Ausrichten von Data Challenges
Das Format der Data Challenges bietet eine wirkungsvolle Möglichkeit, praxisnahe
datenbezogene Aufgabenstellungen in Form von Wettbewerben in die Plattform zu
integrieren. Sie schaffen attraktiven Mehrwert für Teilnehmende aus Wissenschaft,
Bildung sowie der Privatwirtschaft und fördern das kompetenzorientierte Lernen durch
datenpraktische Anwendungen.
Die Durchführung solcher Challenges erfolgt in enger Zusammenarbeit mit
Partnerunternehmen, Behörden oder Forschungseinrichtungen, die authentische
Datensätze und Problemstellungen bereitstellen. Die TBDK stellt die technische
Infrastruktur bereit, kuratiert und moderiert die Challenges und erhebt dafür eine
Betriebs- bzw. Teilnahmegebühr. Zur zusätzlichen Attraktivität werden Preisgelder
ausgelobt.
Vorteile:
• Validierte Anwendungsfälle mit hohem Praxisbezug
• Starker Netzwerkeffekt durch Gamification und Wettbewerbscharakter
• Geringer operativer Aufwand im Vergleich zu komplexen Bildungsprodukten
• Bereits in anderen Praxisfeldern (z. B. USA) erfolgreich etabliert
Risiken/Nachteile:
• Markt bereits durch ähnliche Anbieter gesättigt, insbesondere im
englischsprachigen Raum
• Potenzieller Widerstand beim Zugang zu praxisnahen Unternehmensdaten
aufgrund datenschutzrechtlicher und strategischer Bedenken
• Langsame interne Entscheidungswege bei Unternehmenspartnern können
Planung verzögern
88
4.2.2 Freemium-Modell für die Nutzung der Recheninfrastruktur
Ein weiteres Modell bezieht sich auf die technische Nutzung der Plattforminfrastruktur.
Die TBDK bietet browserbasierte Datenarbeitsräume (Workspaces) auf Basis von
JupyterHub und weiterer Open-Source-Tools. Diese Infrastruktur lässt sich als
Freemium-Angebot konzipieren: Während eine grundlegende Nutzung öffentlich und
kostenfrei zugänglich bleibt, müssen zusätzliche Leistungen – beispielsweise
erweiterte Rechenkapazität, zeitlich unlimitierter Zugang oder dedizierte
Projektumgebungen – gebucht und bezahlt werden.
Zudem wird unterschieden zwischen öffentlichen Workspaces sowie gesicherten,
privaten Instanzen, welche vor allem für Unternehmen und Einrichtungen interessant
sind.
Vorteile:
• Hohe Skalierbarkeit und breiter Zugang durch kostenfreien Einstieg
• Niedrige Einstiegshürden für Start-ups, KMUs und Bildungseinrichtungen
• Leichter Marktzugang durch niedrigschwellige Nutzung
• Potenzial zur Integration in Hochschulbetrieb über spezielle Business-Pakete
Risiken/Nachteile:
• Hohe Fixkosten zu Beginn, z. B. fr Cloud-Ressourcen und Systemsicherheit
• Betriebskosten steigen bei intensiver Nutzung proportional – schwer planbare
Skalierung
• Lizenz- und Datenschutzfragen bei Integration zusätzlicher Tools müssen
individuell geklärt werden
4.2.3 Marktplatz für Lernangebote
Die TBDK kann sich sukzessive zu einem qualitätsgesicherten Marktplatz für externe
Lernangebote weiterentwickeln. Bildungsanbieter, sowohl institutionelle als auch
kommerzielle, können auf der Plattform gelistet werden, sofern sie den kuratorischen
Qualitätsstandards der TBDK genügen. Lernende erhalten durch dieses Modell
Zugang zu einer kuratierten Auswahl an Bildungsinhalten, während Anbieter von
Sichtbarkeit und Traffic profitieren.
89
Das Geschäftsmodell basiert in diesem Fall auf einem Lead-Generierungsansatz: Für
jeden erfolgreichen Verweis von der Plattform auf ein kostenpflichtiges Lernangebot
wird eine Provision oder Listing-Gebühr (Affiliate-Modell) erhoben.
Vorteile:
• Hohe Angebotsdichte durch Einbindung externer Inhalte
• Kombination mit bestehenden Inhalten ermöglicht individuelle Lernpfade
• Geringe Eintrittshürde für Drittanbieter
• Einnahmen können über Partnerprovisionen automatisiert generiert werden
Risiken/Nachteile:
• Hohes Anfangsinvestment nötig, um eine kritische Angebotsmasse zu
erreichen und Plattformattraktivität zu sichern
• Laufende Kuratierung und Qualitätssicherung erzeugen Personalaufwände
• Balance zwischen freien OER-Angeboten und kommerziellen Lerninhalten
muss sensibel gesteuert werden
4.2.4 Hosting von Lernangeboten (inkl. Zertifizierung)
Neben der Aggregation externer Angebote kann die TBDK aktiv eigene oder
beauftragte Lerneinheiten hosten und verwalten. Diese können für öffentliche
Institutionen, Unternehmen oder Bildungsanbieter bereitgestellt werden, die keine
eigene Infrastruktur besitzen. Die Plattform bietet hierfür nicht nur technische Hosting-
Funktionalitäten, sondern auch integrierte didaktische Unterstützung sowie Anbindung
an Zertifizierungsprozesse (Verknüpfung mit Open Badges,
Teilnahmebescheinigungen, u. v. m).
Dies kann sowohl in öffentlicher Verantwortung als auch als kostenpflichtiges Service-
Angebot für institutionelle Partner umgesetzt werden.
Vorteile:
• Hoher Mehrwert für Bildungsanbieter ohne eigene Plattform oder technische
Ressourcen
• Zertifizierbarkeit erhöht die Attraktivität der Lerneinheiten
90
• Möglichkeit zur Angebotsdiversifizierung (z. B. zielgruppenspezifische Kurse,
Onboarding-Angebote)
• Modular kombinierbar mit bestehenden Infrastrukturleistungen der TBDK
Risiken/Nachteile:
• Betreuung und Support für externe Partner kann Bindung interner
Ressourcen erfordern
• Zertifizierungsprozesse müssen einheitlich und rechtssicher gestaltet werden
• Gefahr der Fragmentierung bei zu heterogenen Partnerbeiträgen
Die vier skizzierten Geschäftsmodelle bieten unterschiedliche, sich ergänzende
Monetarisierungsperspektiven für die nachhaltige Fortführung der TBDK. Im Sinne
eines modularen grundfinanzierten Ökosystems lassen sie sich flexibel kombinieren,
sodass sowohl öffentliche Auftraggeber als auch private Bildungsanbieter und
Unternehmen adressierbar bleiben. Dabei ist langfristig eine tragfähige Balance
zwischen Finanzierbarkeit, Qualitätssicherung und Offenheit zentral für den
nachhaltigen Erfolg der Plattform.
4.3 Technische Erfolgsaussichten
• Auch wenn die Initiative Mein Bildungsraum sich nun unter der neuen Leitung
durch die Bundesagentur für Sprunginnovationen SPRIND zunächst auf den
schulischen Sektor in Deutschland fokussiert, ist die Anbindung der Toolbox für
die bessere und einfachere Integration der Plattformangebote in das
entstehende digitale Bildungssystem in Deutschland essenziell.
• Anbindung der Toolbox an allen Datenkompetenzzentren in Deutschland zur
weiteren und breiten Verstetigung von Datenkompetenz in der Wissenschaft
und Wirtschaft.
• (Hoch-) Schulen und Universitäten können stärker die Lerninhalte sowie das
Toolangebot in den eigenen Bildungsunterricht einbeziehen, um von dem
Plattformangebot im Zuge der eigenen Digitalisierung zu profitieren.
• Unternehmen und Firmen können Mitarbeitende Lernzeit bereitstellen, um
relevante Datenkompetenzen zu erlernen.
• Forschungsprojekte können die Forschungsdatensätze in den Datenpools der
Toolbox bereitstellen, damit zum einen die Ergebnisse aus den Projekten nicht
91
verloren gehen und zum anderen im Rahmen der Datenräumen von den
Benutzenden der Toolbox für forschen und lernen herangezogen werden
können.
Die steigende Relevanz von Datenkompetenz in Wissenschaft, Wirtschaft und
Gesellschaft erfordert eine nachhaltige Verankerung entsprechender
Bildungsangebote. Die „Toolbox Datenkompetenz“ hat bereits gezeigt, dass ein
großer Bedarf an praxisnahen, zugänglichen und einsteigerfreundlichen Lernformaten
besteht. Nutzerfeedback bestätigt diese Nachfrage, weshalb 2024 gezielte
Maßnahmen zur langfristigen Aktivierung und Stabilisierung der Plattform umgesetzt
werden sollen.
Ein wichtiger Baustein für diesen Erfolg ist die enge Verzahnung von theoretischem
Wissen und praktischer Anwendung. In den kommenden Projektphasen wird der
Fokus darauf liegen, den Praxisbezug weiter auszubauen. Insbesondere durch
Kooperationen mit Unternehmen und wissenschaftlichen Institutionen sollen reale
Anwendungsfälle integriert werden, um Nutzenden eine direkte Verbindung zwischen
Lerninhalten und beruflicher Praxis zu ermöglichen.
Darüber hinaus spielt der kontinuierliche Ausbau der Lernmaterialien und der
technischen Infrastruktur eine zentrale Rolle. Angesichts der rasanten
technologischen Entwicklung ist es essenziell, die Plattform inhaltlich und technisch
auf dem neuesten Stand zu halten. Dies umfasst sowohl die Erweiterung um
zusätzliche Datenwerkzeuge als auch die gezielte Pflege und Qualitätssicherung
bestehender Lernangebote.
4.4 Wissenschaftliche & wirtschaftliche Vernetzung als
Erfolgsfaktor
Die enge Zusammenarbeit zwischen Industrie und Forschung im Projekt verbessert
die Identifikation neuer Innovations- und Forschungsthemen im Bereich der
Datenkompetenz.
Innerhalb des etablierten Netzwerks führen bereits jetzt Kooperationen zu wertvollen
Synergien, die die systematische Weiterentwicklung von Datenkompetenzen
92
unterstützen. Gleichzeitig trägt das Projekt dazu bei, das Thema Datenkompetenz
stärker innerhalb der Bildungslandschaft zu verankern.
Die Integration der Gesellschaft für Informatik (GI) sowie weiterer Expert:innen und
Stakeholder hat eine tragende Funktion für den langfristigen Aufbau nachhaltiger
Transferstrukturen im Bereich Datenbildung.
Ein strategischer Schwerpunkt der kommenden Weiterentwicklungsphase wird auf der
langfristigen Sicherstellung der Plattformnutzung liegen. Die kontinuierliche
Adaptierung neuer technologischer Trends sowie die Optimierung des wachsenden
Lernangebots sind entscheidend, um die Toolbox langfristig als eine der führenden
Bildungsplattformen im Bereich Datenkompetenz zu etablieren.
4.5 Herausforderungen und Ausblick
Grundsätzlich steht außer Frage, dass innovative digitale Bildungsangebote für
Zukunftskompetenzen wie Datenkompetenz und Künstliche Intelligenz dringend
benötigt werden. Allerdings zeigt sich in der Praxis, dass die Einführung solcher
Plattformen Zeit erfordert – insbesondere, um eine nachhaltige Verankerung im
Bildungsbetrieb und der Gesellschaft zu gewährleisten.
Um langfristigen Erfolg sicherzustellen, ist eine kontinuierliche Abstimmung mit
Akteur:innen aus Wissenschaft, Wirtschaft und Politik notwendig. Die Toolbox hat
bereits bewiesen, dass sie eine vielversprechende Grundlage für digitale
Weiterbildung in Deutschland schafft. Doch um ihre vollständige Wirkung zu entfalten,
sind zusätzliche Investitionen in den Austausch mit relevanten Stakeholdern
erforderlich, um die Akzeptanz weiter zu erhöhen und eine breite Implementierung zu
sichern.
Die StackFuel GmbH hat sich entschieden, die Toolbox-Plattform nach Abschluss der
Förderphase auf eigene Kosten vorerst weiter zu betreiben, um zum einen die
Plattform weiter am Markt zu verankern und zum anderen zeitnah mit neuen
Anschlussprojekte die Plattform und das Angebot weiter auszubauen.
5 Fortschritt auf dem Gebiet des Vorhabens bei anderen Stellen
Das Themenfeld Datenkompetenz hat in den letzten Jahren zunehmend an
Bedeutung gewonnen und ist Gegenstand vielfältiger Initiativen, Projekte und
93
Plattformentwicklungen. Insbesondere auf Bundesebene entstehen derzeit mehrere
Ansätze zur Vermittlung von Future Skills, darunter prominente Beispiele wie der KI-
Campus. Dieser adressiert zentrale Aspekte der Digitalisierung und Künstlichen
Intelligenz und hat mit dem Aufbau eines breiten, überwiegend videobasierten
Kursportfolios sichtbare Impulse gesetzt.
Gleichwohl unterscheidet sich das Projekt TBDK konzeptionell und inhaltlich deutlich
vom KI-Campus. Während dieser auf die Vermittlung von Kompetenzen im Bereich
Künstliche Intelligenz fokussiert ist, versteht sich TBDK als Beitrag zur Förderung
interdisziplinärer Datenkompetenz, die weit über technologische Aspekte hinausgeht.
Das eigens entwickelte Kompetenzmodell umfasst neben Analyse- und Tool-
Kompetenz auch ethische, kommunikative und reflexive Dimensionen
datenbezogenen Handelns – und richtet sich gezielt an nicht-informatische
Studienrichtungen sowie berufliche Weiterbildungskontexte.
Auch in der methodisch-didaktischen Umsetzung geht TBDK eigene Wege: Statt auf
linear strukturierte Videokurse zu setzen, stehen hier modularisierte, frei
kombinierbare Lernobjekte, ein Einstiegsassessment zur Kompetenzbestimmung
sowie realitätsnahe Data Challenges im Zentrum. Die Plattform wurde technisch
eigenständig aufgebaut und verfolgt das Ziel, datenkompetenzfördernde Lernpfade
individuell anpassbar und kontextsensibel bereitzustellen – insbesondere für
Hochschulen, Fachbereiche und Weiterbildungsinstitutionen, die bisher noch keine
systematischen Angebote im Bereich Data Literacy etabliert haben.
Insgesamt versteht sich TBDK nicht als Konkurrenz, sondern als komplementäre
Ergänzung zu bestehenden Angeboten wie dem KI-Campus. Eine inhaltliche oder
technische Verzahnung ist nicht nur denkbar, sondern bereits Realität, durch die
Integration von offenen Inhalten auf der TBDK.
Neben bundesweiten Plattforminitiativen wie dem KI-Campus ist in den vergangenen
Jahren eine zunehmende Zahl an hochschulischen Kompetenzzentren für
Datenkompetenz entstanden. Diese Zentren – häufig gefördert durch Programme wie
„Data Literacy Education“ (Stifterverband/BMBF) oder im Rahmen hochschulinterner
Strategien – leisten einen wichtigen Beitrag zur curriculären Verankerung von
Datenkompetenz in Studium und Lehre.
94
TBDK positioniert sich bewusst nicht als Ersatz oder Konkurrenz zu diesen
hochschulischen Initiativen, sondern als übergreifende, ergänzende Infrastruktur.
Während Kompetenzzentren typischerweise lokal oder institutionell verankert sind
und auf den Ausbau standortspezifischer Studien- und Weiterbildungsangebote
zielen, verfolgt TBDK das Ziel, eine skalierbare, modular aufgebaute Plattformlösung
zu entwickeln, die über einzelne Hochschulen hinaus nutzbar ist – etwa für kleinere
Fachbereiche, Hochschulen ohne eigene Datenkompetenz-Initiative oder die
überregionale Weiterbildung.
TBDK stellt eine systematische, technisch gestützte Ergänzung zu den Angeboten der
Kompetenzzentren dar, bspw. mit:
• einem transferierbaren Kompetenzrahmen zur Orientierung bei der
Curriculumsentwicklung,
• einem offenen Kurskatalog und kuratierten Lernmaterialien, die in bestehende
Lehrveranstaltungen eingebunden werden können
• einer offenen Tool-Landschaft für die praktische Umsetzung
TBDK kann als vernetzende Plattform fungieren, die lokale Initiativen unterstützt,
bündelt und ihre Reichweite erhöht.
Ein besonders praxisnahes Beispiel für datenkompetenzfördernde Weiterbildung
außerhalb des Hochschulkontexts ist die Data4Good bzw. Civic Data Lab von
CorrelAid. Sie bietet Workshops, Schulungen und individuelle Beratungsformate für
zivilgesellschaftliche Organisationen, um datenbasierte Entscheidungsprozesse zu
stärken. Die Inhalte der sind bewusst niedrigschwellig gestaltet und orientieren sich
stark an realen Anwendungsbedarfen. Neben technischen Grundlagen wird
besonderen Wert auf ethische, demokratische und gemeinwohlorientierte
Perspektiven im Umgang mit Daten gelegt – eines der Lücken die wir als TBDK
identifiziert haben. Das Synergiepotential ist deutlich sichtbar.
6 Erfolgte oder geplante Veröffentlichungen
Auflistung von Publikationen unter Mitwirkung am Projekt Toolbox Datenkompetenz
beteiligter Personen im Laufe des Vorhabens:
95
• Hilger, K., Gamböck-Strätz, J. & Biedermann, C. (2023). Getting data literacy
education ready for the future. In L. M. Camarinha-Matos, X. Boucher & A. Ortiz
(Eds.), Collaborative networks in digitalization and Society 5.0. PRO-VE 2023.
IFIP advances in information and communication technology (Vol. 688).
Springer. https://doi.org/10.1007/978-3-031-42622-3_34
• Barth, R. (2024). Stealth gamification in der selbstgesteuerten non-formalen
Erwachsenenbildung: Argumente für ein verdecktes Vorgehen im Sinne einer
altersadäquaten Implementation. MedienPädagogik, 58(JFMH2023), 117–132.
https://doi.org/10.21240/mpaed/58/2024.07.01.X
• Richter, M. & Kirschenbaum, A. (2024). Our recommendation: Surprisal. A
recommender system with information theory for e-learning. Proceedings of
DELFI Workshops 2024. Gesellschaft für Informatik e.V.
https://doi.org/10.18420/delfi2024-ws-31
• Lechner, M., Zinke-Wehlmann, C. (2025). Shapes of Data Literacy in
Germany’s Higher Educational Landscape. In: Leahy, M., Reffay, C. (eds)
Digitally Transformed Education: Are We There Yet?. OCCE 2024. IFIP
Advances in Information and Communication Technology, vol 734. Springer,
Cham. https://doi.org/10.1007/978-3-031-88744-4_1
• Gersbach, R. (2024). A learning path for data ethics. In: ICERI2024
Proceedings. https://doi.org/10.21125/iceri.2024
• Barth, R. & Zinke-Wehlmann, C. (2025a). Digitale Kompetenz-Assessments für
Empfehlungssysteme im Spannungsfeld zwischen Normativität, Validität und
Komplexitätsminimierung. In Jahrbuch der Sektion Betriebs- und
Wirtschaftspädagogik der DGfE 2025. [Accepted].
• Zinke-Wehlmann, C. & Wehlmann, F. (in review). Review on data literacy
frameworks – An initial contribution to the standardization of data education.
Min. eine weitere Publikation zum Kompetenzrahmen ist geplant und in Vorbereitung
(Zinke-Wehlmann).
Min. eine weitere Publikation zum Ausbau des Kompetenz-Assessments ist fest
eingeplant für die ECIS 2026, nach sehr positiver Begutachtung auf der AMCIS 2025
(Barth, R. & Zinke-Wehlmann, C).
96
Min. eine weitere Publikation 2025/26 ist in Arbeit (Standard) im Rahmen der
Zusammenarbeit (Zinke-Wehlmann) mit der IEEE Gruppe um Daten und KI-
Kompetenz
7 Literaturverzeichnis
ALA/ACRL/STS Task Force on Information Literacy for Science and Technology:
Information Literacy Standards for Science and Engineering/Technology. Online
verfügbar unter https://www.ala.org/acrl/standards/infolitscitech, zuletzt geprüft am
06.06.2024.
Alon-Barkat, Saar; Busuioc, Madalina (2023): Human–AI Interactions in Public Sector
Decision Making: “Automation Bias” and “Selective Adherence” to Algorithmic Advice.
In: Journal of Public Administration Research and Theory 33 (1), S. 153–169. DOI:
10.1093/jopart/muac007.
Anderson, Lorin W. (Hg.) (2001): A taxonomy for learning, teaching, and assessing. A
revision of Bloom's taxonomy of educational objectives. Complete ed. New York,
Munich: Longman.
Atenas, Javiera; Havemann, Leo; Timmermann, Cristian (2023): Reframing data ethics
in research methods education: a pathway to critical data literacy. In: International
journal of educational technology in higher education 20 (1), S. 11. DOI:
10.1186/s41239-023-00380-y.
Barth, René (2024): Stealth Gamification in der selbstgesteuerten non-formalen
Erwachsenenbildung. In: MedienPädagogik 58, S. 117–132. DOI:
10.21240/mpaed/58/2024.07.01.X.
Bhargava, Rahul; Chung, Anna; Gaikwad, Neil S.; Hope, Alexis; Jen, Dennis; Rubinovitz,
Jasmin et al. (2019): Gobo. In: Eric Gilbert und Karrie Karahalios (Hg.): Companion
Publication of the 2019 Conference on Computer Supported Cooperative Work and
Social Computing. CSCW '19: Computer Supported Cooperative Work and Social
Computing. Austin TX USA, 09 11 2019 13 11 2019. New York, NY, USA: ACM, S.
151–155.
97
Bhargava, Rahul; D’Ignazio, Catherine (2017): Data sculptures as a playful and low-tech
introduction to working with data.
Bhargava, Rahul; Deahl, Erica; Letouzé, Emmanuel; Noonan, Amanda; Sangokoya,
David; Shoup, Natalie (2015): Beyond data literacy: Reinventing community
engagement and empowerment in the age of data.
Bhargava, Rahul; Kadouaki, Ricardo; Bhargava, Emily; Castro, Guilherme; D'Ignazio,
Catherine (2016): Data Murals: Using the Arts to Build Data Literacy. In: JoCI 12 (3).
DOI: 10.15353/joci.v12i3.3285.
Branch, Robert Maribe (1979): Séminaire de probabilités. Boston, MA: Springer US
(Lecture notes in mathematics, 721).
Brinkmöller, Anna-Lena; Scheidig, Falk (2024): Data Literacy als Gegenstand der
Erwachsenenbildung – eine Programmanalyse. In: ZfW 47 (1), S. 123–144. DOI:
10.1007/s40955-023-00269-3.
Bundesregierung (2023): Fortschritt durch Datennutzung. Strategie für mehr und bessere
Daten für neue, effektive und zukunftsweisende Datennutzung. Hg. v. BMDV, BMWK,
BMI. Online verfügbar unter
https://www.bmi.bund.de/SharedDocs/downloads/DE/veroeffentlichungen/2023/date
nstrategie.html, zuletzt geprüft am 12.06.2025.
Burress, Theresa; Mann, Emily; Neville, Tina (2020): Exploring data literacy via a
librarian-faculty learning community: A case study. In: The Journal of Academic
Librarianship 46 (1), S. 102076. DOI: 10.1016/j.acalib.2019.102076.
Calzada Prado, Javier; Marzal, Miguel Ángel (2013): Incorporating Data Literacy into
Information Literacy Programs: Core Competencies and Contents. In: Libri 63 (2). DOI:
10.1515/libri-2013-0010.
Carmi, Elinor; Yates, Simeon J.; Lockley, Eleanor; Pawluczuk, Alicja (2020): Data
citizenship: rethinking data literacy in the age of disinformation, misinformation, and
malinformation. In: Internet Policy Review 9 (2). DOI: 10.14763/2020.2.1481.
Cho, Hyunyi; Cannon, Julie; Lopez, Rachel; Li, Wenbo (2024): Social media literacy: A
conceptual framework. In: New Media & Society 26 (2), S. 941–960. DOI:
10.1177/14614448211068530.
98
Claes, Arnaud; Philippette, Thibault (2020): Defining a critical data literacy for
recommender systems: A media-grounded approach. In: JMLE 12 (3), S. 17–29. DOI:
10.23860/JMLE-2020-12-3-3.
Clegg, Tamara L.; Cleveland, Keaunna; Weight, Erianne; Greene, Daniel; Elmqvist,
Niklas (2023): Data everyday as community‐driven science: Athletes' critical data
literacy practices in collegiate sports contexts. In: J Res Sci Teach 60 (8), S. 1786–
1816. DOI: 10.1002/tea.21842.
Computer Science Teachers Association (2017): K-12 Computer Science Standards.
Online verfügbar unter https://members.csteachers.org/documents/en-us/46916364-
83ab-4f51-85fb-06b3b25b417c/1/, zuletzt geprüft am 04.06.2024.
Condon, Patricia B.; Pothier, Wendy Girven (2022): Advancing data literacy: Mapping
business data literacy competencies to the ACRL framework. In: Journal of Business
& Finance Librarianship 27 (2), S. 104–126. DOI: 10.1080/08963568.2022.2048168.
Cui, Ying; Chen, Fu; Lutsyk, Alina; Leighton, Jacqueline P.; Cutumisu, Maria (2023): Data
literacy assessments: a systematic literature review. In: Assessment in Education:
Principles, Policy & Practice 30 (1), S. 76–96. DOI: 10.1080/0969594X.2023.2182737.
Deci, Edward L.; Koestner, Richard; Ryan, Richard M. (1999): A meta-analytic review of
experiments examining the effects of extrinsic rewards on intrinsic motivation. In:
Psychological Bulletin 125 (6), S. 627–668. DOI: 10.1037/0033-2909.125.6.627.
DigCompSat. A self-reflection tool for the European digital framework for citizens. Online
verfügbar unter https://permalink.obvsg.at/.
D'Ignazio, Catherine (2022): Creative data literacy. In: IDJ, S. 6–18. DOI:
10.1075/idj.23.1.03dig.
D'Ignazio, Catherine; Klein, Lauren F. (2020): Data feminism. First MIT Press paperback
edition. Cambridge, Massachusetts: The MIT Press (<Strong> ideas series).
Echtenbruck, Martina M.; Fühles-Ubach, Simone; Naujoks, Boris; Kaliva, Elisabeth
(2025): A Data Literacy Competence Model for Higher Education and Research.
Online verfügbar unter http://arxiv.org/pdf/2504.15690.
Filderman, Marissa J.; Toste, Jessica R.; Didion, Lisa; Peng, Peng (2022): Data Literacy
Training for K–12 Teachers: A Meta-Analysis of the Effects on Teacher Outcomes. In:
99
Remedial and Special Education 43 (5), S. 328–343. DOI:
10.1177/07419325211054208.
Fotopoulou, Aristea (2021): Conceptualising critical data literacies for civil society
organisations: agency, care, and social responsibility. In: Information, Communication
& Society 24 (11), S. 1640–1657. DOI: 10.1080/1369118X.2020.1716041.
Friedrich, Julia; Becker, Michael; Kramer, Frederik; Wirth, Markus; Schneider, Martin
(2020): Incentive design and gamification for knowledge management. In: Journal of
Business Research 106, S. 341–352. DOI: 10.1016/j.jbusres.2019.02.009.
Ganguin, Sonja (2010): Computerspiele und lebenslanges Lernen. Wiesbaden: VS
Verlag für Sozialwissenschaften.
Gebre, Engida (2022): Conceptions and perspectives of data literacy in secondary
education. In: Brit J Educational Tech 53 (5), S. 1080–1095. DOI: 10.1111/bjet.13246.
Ghodoosi, Bahareh; West, Tracey; Li, Qinyi; Torrisi-Steele, Geraldine; Dey, Sharmistha
(2023): A systematic literature review of data literacy education. In: Journal of
Business & Finance Librarianship 28 (2), S. 112–127. DOI:
10.1080/08963568.2023.2171552.
Grillenberger, Andreas: Von Datenmanagement zu Data Literacy: Informatikdidaktische
Aufarbeitung des Gegenstandsbereichs Daten für den allgemeinbildenden
Schulunterricht. Online verfügbar unter https://refubium.fu-
berlin.de/bitstream/handle/fub188/24160/Grillenberger_Dissertation.pdf?sequence=1
, zuletzt geprüft am 20.04.2022.
Grillenberger, Andreas (2019): Von Datenmanagement zu Data Literacy: Grundlagen
und Entwicklung eines Data-Literacy-Kompetenzmodells. In: TAGUNGSBAND 4, S.
15.
Grillenberger, Andreas; Romeike, Ralf (2018): Developing a theoretically founded data
literacy competency model. In: Andreas Mühling und Quintin Cutts (Hg.): Proceedings
of the 13th Workshop in Primary and Secondary Computing Education. WiPSCE '18:
Workshop in Primary and Secondary Computing Education. Potsdam Germany, 04 10
2018 06 10 2018. New York, NY, USA: ACM, S. 1–10.
Grizzle, Alton; Wilson, Carolyn; Tuazon, Ramon; Cheung, Chi Kim; Lau, Jesus; Fischer,
Rachel et al. (2021): Media and information literate citizens: think critically, click wisely!
100
Gummer, Edith S.; Mandinach, Ellen B. (2015): Building a Conceptual Framework for
Data Literacy. In: Teachers College Record 117 (4), S. 1–22. DOI:
10.1177/016146811511700401.
Hanegan, Kevin (2023): From Data Literacy to AI Literacy. The Evolution of Critical
Thinking in the Digital Age. Online verfügbar unter
https://www.turningdataintowisdom.com/from-data-literacy-to-ai-literacy/.
Hannigan, Ailish; Garry, Fran; Byrne, Conor; Phelan, Helen (2023): The role of the arts
in enhancing data literacy: A scoping review protocol. In: PloS one 18 (2), e0281749.
DOI: 10.1371/journal.pone.0281749.
Hevner; March; Park; Ram (2004): Design Science in Information Systems Research. In:
MIS Quarterly 28 (1), S. 75. DOI: 10.2307/25148625.
Hevner, Alan; Chatterjee, Samir (Hg.) (2010): Design Research in Information Systems.
Boston, MA: Springer US (Integrated Series in Information Systems).
Hilger, Konstantin; Gamböck-Strätz, Juliane; Biedermann, Christian (2023): Getting Data
Literacy Education Ready for the Future. In: Luis M. Camarinha-Matos, Xavier
Boucher und Angel Ortiz (Hg.): Collaborative Networks in Digitalization and Society
5.0, Bd. 688. Cham: Springer Nature Switzerland (IFIP Advances in Information and
Communication Technology), S. 482–494.
Initiative D21 e. V. (Hg.): D21-Digital-Index 2024/25. Jährliches Lagebild zur Digitalen
Gesellschaft. Online verfügbar unter https://initiatived21.de/uploads/03_Studien-
Publikationen/D21-Digital-Index/2024-25/D21_Digital_Index_2024_2025_final.pdf,
zuletzt geprüft am 12.06.2025.
Jaiswal, Akanksha; Arun, C. Joe; Varma, Arup (2022): Rebooting employees: upskilling
for artificial intelligence in multinational corporations. In: The International Journal of
Human Resource Management 33 (6), S. 1179–1208. DOI:
10.1080/09585192.2021.1891114.
Kim; Hong, Lingzi; Evans, Sarah; Oyler‐Rice, Erin; Ali, Irhamni (2023): Development and
Validation of a Data Literacy Assessment Scale. In: Proceedings of the Association
for Information Science and Technology 60 (1), S. 620–624. DOI: 10.1002/pra2.827.
101
Kim, Mi Song; Yu, Fengcaho (2023): ‘Teacher data literacies practice’ meets
‘pedagogical documentation’: A scoping review. In: Review of Education 11 (2), Artikel
e3414. DOI: 10.1002/rev3.3414.
Klingenberg, Andreas (2017): Die Strategie der Kultusministerkonferenz „Bildung in der
digitalen Welt“ und der „Referenzrahmen Informationskompetenz“ des Deutschen
Bibliotheksverbandes. 62-75 Seiten / o-bib. Das offene Bibliotheksjournal /
Herausgeber VDB, Bd. 4 Nr. 1 (2017). DOI: 10.5282/o-bib/2017H1S62-75.
KMK (2022): Bildungsstandards für das Fach Mathematik Primarbereich.
Koltay, Tibor (2011): The media and the literacies: media literacy, information literacy,
digital literacy. In: Media, Culture & Society 33 (2), S. 211–221. DOI:
10.1177/0163443710393382.
Koltay, Tibor (2015): Data literacy: in search of a name and identity. In: Journal of
Documentation 71 (2), S. 401–415. DOI: 10.1108/JD-02-2014-0026.
Koltay, Tibor (2016): Data governance, data literacy and the management of data quality.
In: IFLA Journal 42 (4), S. 303–312. DOI: 10.1177/0340035216672238.
Koltay, Tibor (2017a): Data literacy for researchers and data librarians. In: Journal of
Librarianship and Information Science 49 (1), S. 3–14. DOI:
10.1177/0961000615616450.
Koltay, Tibor (2017b): The bright side of information: ways of mitigating information
overload. In: Journal of Documentation 73 (4), S. 767–775. DOI: 10.1108/JD-09-2016-
0107.
Leon-Urrutia, Manuel; Taibi, Davide; Pospelova, Vera; Splendore, Sergio; Urbsiene,
Laimute; Marjanovic, Ugljesa (2022): Data Literacy: An Essential Skill for the Industry.
In: Bojan Lalic, Danijela Gracanin, Nemanja Tasic und Nenad Simeunović (Hg.):
Proceedings on 18th International Conference on Industrial Systems – IS’20. Cham:
Springer International Publishing (Lecture Notes on Multidisciplinary Industrial
Engineering), S. 326–331.
Long, Duri; Magerko, Brian (2020): What is AI Literacy? Competencies and Design
Considerations. In: Regina Bernhaupt, Florian 'Floyd' Mueller, David Verweij, Josh
Andres, Joanna McGrenere, Andy Cockburn et al. (Hg.): Proceedings of the 2020 CHI
Conference on Human Factors in Computing Systems. CHI '20: CHI Conference on
102
Human Factors in Computing Systems. Honolulu HI USA, 25 04 2020 30 04 2020.
New York, NY, USA: ACM, S. 1–16.
Mandinach, Ellen B. (2008): Data-Driven School Improvement. Linking Data and
Learning. New York, NY: Teachers College Press (Technology, Education—
Connections Series). Online verfügbar unter
https://ebookcentral.proquest.com/lib/kxp/detail.action?docID=4803490.
Mandinach, Ellen B. (2012): A Perfect Time for Data Use: Using Data-Driven Decision
Making to Inform Practice. In: Educational Psychologist 47 (2), S. 71–85. DOI:
10.1080/00461520.2012.667064.
Mandinach, Ellen B.; Gummer, Edith S. (2012): Navigating the Landscape of Data
Literacy: It IS Complex. In: WestEd.
Mandinach, Ellen B.; Gummer, Edith S. (2016a): What does it mean for teachers to be
data literate: Laying out the skills, knowledge, and dispositions. In: Teaching and
Teacher Education 60, S. 366–376. DOI: 10.1016/j.tate.2016.07.011.
Mandinach, Ellen B.; Jimerson, Jo Beth (2022): Data ethics in education: a theoretical,
practical, and policy issue. In: Studia paedagogica 26 (4), S. 9–26. DOI:
10.5817/sp2021-4-1.
Mandinach, Ellen Beth; Gummer, Edith S. (2016b): Data literacy for educators. Making it
count in teacher preparation and practice. New York, NY: Teachers College Press
(Technology, education-connections the TEC series). Online verfügbar unter
https://fid.fachportal-
paedagogik.de/ebscoProxySearch/login.aspx?direct=true&scope=site&db=nlebk&db
=nlabk&AN=1227140.
Mattern, Eleanor; Rapchak, Marcia (2022): Civic Data Education Series: Developing
Civic Data Literacies to Serve Communities. In: Proceedings of the Association for
Information Science and Technology 59 (1), S. 753–755. DOI: 10.1002/pra2.715.
McCosker, Anthony (2022): Making sense of deepfakes: Socializing AI and building data
literacy on GitHub and YouTube. In: New Media & Society, 146144482210939. DOI:
10.1177/14614448221093943.
McDowall, Ailie; Mills, Carmen; Cawte, Katie; Miller, Jodie (2021): Data use as the heart
of data literacy: An exploration of pre-service teachers’ data literacy practices in a
103
teaching performance assessment. In: Asia-Pacific Journal of Teacher Education 49
(5), S. 487–502. DOI: 10.1080/1359866X.2020.1777529.
Misheva, Galina (2021): Digital Competence Framework for Citizens (DigComp). Online
verfügbar unter https://digital-skills-jobs.europa.eu/en/inspiration/resources/digital-
competence-framework-citizens-digcomp, zuletzt geprüft am 26.02.2024.
National Council of Teachers of Mathematics (2000): Principles and standards for school
mathematics. Reston, VA: The National Council of Teachers of Mathematics.
National Science Board (2005): Long-lived digital data collections: Enabling research and
education in the 21st century. In: Technical Report NSB-05-40.
Olari, Viktoriya (2023): Data Literacy as a Fundamental Component of Artificial
Intelligence Education in Schools (Doctoral Consortium). In: Andreas Mühling und
Ilkka Jormanainen (Hg.): Proceedings of the 23rd Koli Calling International Conference
on Computing Education Research. Koli Calling '23: 23rd Koli Calling International
Conference on Computing Education Research. Koli Finland, 13 11 2023 18 11 2023.
New York, NY, USA: ACM, S. 1–2.
Olari, Viktoriya; Romeike, Ralf (2021): Addressing AI and Data Literacy in Teacher
Education: A Review of Existing Educational Frameworks. In: Marc Berges, Andraes
Mühling und Michal Armoni (Hg.): The 16th Workshop in Primary and Secondary
Computing Education. WiPSCE '21: The 16th Workshop in Primary and Secondary
Computing Education. Virtual Event Germany, 18 10 2021 20 10 2021. New York, NY,
USA: ACM, S. 1–2.
Oliver, Gillian; Cranefield, Jocelyn; Lilley, Spencer; Lewellen, Matthew J. (2023):
Understanding data culture/s: Influences, activities, and initiatives: An Annual Review
of Information Science and Technology (ARIST) paper. In: Asso for Info Science &
Tech, Artikel asi.24737. DOI: 10.1002/asi.24737.
Page, Matthew J.; McKenzie, Joanne E.; Bossuyt, Patrick M.; Boutron, Isabelle;
Hoffmann, Tammy C.; Mulrow, Cynthia D. et al. (2021): The PRISMA 2020 statement:
an updated guideline for reporting systematic reviews. In: BMJ (Clinical research ed.)
372, n71. DOI: 10.1136/bmj.n71.
Papamitsiou, Zacharoula; Filippakis, Michail E.; Poulou, Marilena; Sampson, Demetrios;
Ifenthaler, Dirk; Giannakos, Michail (2021): Towards an educational data literacy
104
framework: enhancing the profiles of instructional designers and e-tutors of online and
blended courses with new competences. In: Smart Learn. Environ. 8 (1). DOI:
10.1186/s40561-021-00163-w.
Park, Hyejin; Kim, Han Sung; Park, Han Woo (2021): A Scientometric Study of Digital
Literacy, ICT Literacy, Information Literacy, and Media Literacy. In: Journal of Data
and Information Science 6 (2), S. 116–138. DOI: 10.2478/jdis-2021-0001.
Peffers, Ken; Tuunanen, Tuure; Rothenberger, Marcus A.; Chatterjee, Samir (2007): A
Design Science Research Methodology for Information Systems Research. In: Journal
of Management Information Systems 24 (3), S. 45–77. DOI: 10.2753/MIS0742-
1222240302.
Perrelli, Kristina M. (2022): Essential competencies in technology and data literacy. In:
New Drctns for Student Srvcs 2022 (178-179), S. 53–60. DOI: 10.1002/ss.20428.
Raffaghelli, Juliana E.; Stewart, Bonnie (2020): Centering complexity in ‘educators’ data
literacy’ to support future practices in faculty development: a systematic review of the
literature. In: Teaching in Higher Education 25 (4), S. 435–455. DOI:
10.1080/13562517.2019.1696301.
Redecker, Christine; Punie, Yves (2017): European framework for the digital competence
of educators: Joint Research Centre.
Ridsdale, Chantel; Rothwell, James; Smit, Mike; Bliemel, Michael; Irvine, Dean; Kelley,
Daniel et al. (2015): Strategies and Best Practices for Data Literacy Education
Knowledge Synthesis Report.
Röhner, Gerhard; Brind, Torsten; Denke, Volker; Hellmig, Lutz; Heußer, Theo;
Pasternak, Arno et al. (2016): Bildungsstandards Informatik für die Sekundarstufe II.
In: LOG IN 36” (1), S. 1–88.
Schmidt, Andreas; Neifer, Thomas; Haag, Benedikt (2021): Data Literacy als ein
essenzieller Skill für das 21. Jahrhundert. In: Detlev Frick, Andreas Gadatsch, Jens
Kaufmann, Birgit Lankes, Christoph Quix, Andreas Schmidt und Uwe Schmitz (Hg.):
Data Science. Wiesbaden: Springer Fachmedien Wiesbaden, S. 27–40.
Schraml, Petra (2024): „40 Prozent der Achtklässler*innen in Deutschland haben nur
grundlegende digitale Kompetenzen.“. Pressedossier zur „ICILS 2023“. Hg. v.
Innovationsportal. Online verfügbar unter
105
https://www.bildungsserver.de/innovationsportal/bildungplusartikel.html?artid=1367&
utm_source=chatgpt.com, zuletzt aktualisiert am 12.06.2025.
Schüller, K. (2020): Future Skills: A Framework for Data Literacy. Working Paper No. 53.
Berlin.
Schüller, Katharina (2022): Data and AI literacy for everyone. In: SJI 38 (2), S. 477–490.
DOI: 10.3233/SJI-220941.
Schüller, Katharina; Busch, Paulina (2019): Data Literacy: Ein Systematic Review.
Schüller, Katharina; Busch, Paulina; Hindinger, Carina (2019): Future Skills: Ein
Framework für Data Literacy. Kompetenzrahmen und Forschungsbericht.
Arbeitspapier Nr. 47. Berlin.
Schüller, Katharina; Rampelt, Florian; Koch, Henning; Schleiss, Johannes (2023): Better
ready than just aware: Data and AI Literacy as an enabler for informed decision making
in the data age.
Shields, Milo (2005): Information Literacy, Statistical Literacy, Data Literacy. In: IQ 28 (2),
S. 6. DOI: 10.29173/iq790.
Stephenson, Elizabeth; Schifter Caravello, Patti (2007): Incorporating data literacy into
undergraduate information literacy programs in the social sciences. In: Reference
Services Review 35 (4), S. 525–540. DOI: 10.1108/00907320710838354.
Sternkopf, Helena; Mueller, Roland M. (2018): Doing Good with Data: Development of a
Maturity Model for Data Literacy in Non-governmental Organizations. In: Tung Bui
(Hg.): Proceedings of the 51st Hawaii International Conference on System Sciences.
Hawaii International Conference on System Sciences: Hawaii International
Conference on System Sciences (Proceedings of the Annual Hawaii International
Conference on System Sciences).
Tygel, Alan Freihof; Kirsch, Rosana (2016): Contributions of Paulo Freire for a Critical
Data Literacy: a Popular Education Approach. In: JoCI 12 (3). DOI:
10.15353/joci.v12i3.3279.
Vuorikari Rina, Riina; Kluzer, Stefano; Punie, Yves (2022): DigComp 2.2: The Digital
Competence Framework for Citizens-With new examples of knowledge, skills and
attitudes. Joint Research Centre (Seville site).
106
Wang, Bing; Wu, Chao; Huang, Lang (2019): Data literacy for safety professionals in
safety management: A theoretical perspective on basic questions and answers. In:
Safety Science 117, S. 15–22. DOI: 10.1016/j.ssci.2019.04.002.
Wang, Feng; Hannafin, Michael J. (2005): Design-based research and technology-
enhanced learning environments. In: ETR&D 53 (4), S. 5–23. DOI:
10.1007/BF02504682.
Werning, Stefan (2020): Making data playable: A game co-creation method to promote
creative data literacy. In: JMLE 12 (3), S. 88–101. DOI: 10.23860/JMLE-2020-12-3-8.
Wolff, Annika; Gooch, Daniel; Cavero Montaner, Jose J.; Rashid, Umar; Kortuem, Gerd
(2016): Creating an Understanding of Data Literacy for a Data-driven Society. In: JoCI
12 (3). DOI: 10.15353/joci.v12i3.3275.
