In Kürze:
Entwurfsmuster interdisziplinäres, Datenkompetenzen vermittelndes Lehrlabor.

Pitch Input:
Hier der Zugang zu den Pitch-Folien für einen besseren Eindruck: TURN-D3InnovationLab-Pitch

Pitch Output:
Ein kleiner Ausschnitt unseres mitgebrachten Pitches und einige der, aus der gemeinsamen Diskussion entsprungenen, Überlegungen und Lösungsansätze für die von uns mitgebrachten Fragestellungen:

Zielsetzung:
Ziel der geplanten interdisziplinären Projektveranstaltung für Masterstudierende aller Fachrichtungen ist es, Datenkompetenzen zu vermitteln und die Durchführung von datengetriebenen Projekten zu ermöglichen. Vorbereitend für die Veranstaltung soll ein Labor gestaltet und aufgebaut werden, indem die Termine stattfinden. Im Rahmen der Projekte sollen Studierende den Datenlebenszyklus praktisch durchlaufen, um folgende übergeordnete Datenkompetenzen zu erwerben:

• A) Planung datengetriebener Projekte
• B) Erhebung und Aufbereitung von Daten
• C) Auswertung und Visualisierung von Daten
• D) Interpretation von Daten
• E) Ableitung von Handlungen (insb. zur Artefaktentwicklung)
• F) Dokumentation, Archivierung und Nachnutzung von Daten

Die Veranstaltung soll die Zusammenarbeit und Interaktion von Studierenden verschiedener Fachrichtungen fördern und ihnen mit dem unterstützenden Labor einen Raum bereitstellen, um verschiedene Datenpraktiken zu erlernen, zu reflektieren und praktisch anzuwenden. Hierfür werden physische und virtuelle Ressourcen wie Computer, Software, Whiteboards und ein Wiki mit Lernmaterialien sowie Quellen für Open Data zur Verfügung gestellt. Die entwickelten Ansätze sollen auf andere Einrichtungen übertragbar sein.

Lehrkonzept:
Die Lehrveranstaltung „Data-driven Digital Innovation Lab“ (D³ Innovation Lab) steht Masterstudierenden aller Fachrichtungen offen. Das Konzept stützt sich didaktisch auf Blended Learning und dem Flipped-Classroom-Ansatz, indem Lernmaterialien (Skripte und Lehrvideos) über ein begleitendes Wiki bereitgestellt und in gemeinsamen Terminen besprochen werden. Die Inhalte der Lernmaterialien umfassen Grundlagen der Datenanalyse, Statistik, Programmierung mit Python/R, Datenbanken sowie Big Data und Datenvisualisierung und sind auf Anfängerniveau ausgerichtet. Der Entwurf des Ablaufs der Projektveranstaltung gliedert sich in vier Phasen:

1. Initiationsphase (Fokus auf Datenkompetenz A):
   Studierende haben drei Möglichkeiten ein Projektthema zu erhalten: (1) sie wählen ihr Projektthema aus von Lehrpersonen vorbereiteten Themen, (2) bringen eigene (fachbezogene) Themen ein oder (3) entwickeln diese in einem angebotenen Kreativworkshop (Design Thinking). Im Falle von (1) werden Gruppen durch die Themenwahl gebildet. Bei (2) erfolgt dies vorab durch die Studierenden selbst oder im Laufe des Workshops über (3). Neben der Projektidee sind auch dessen Ziele wie die datengetriebene Entwicklung eines Artefakts3 zu definieren. Die Lehrpersonen sollen sicherstellen, dass die Bearbeitung der Projektthemen hinsichtlich dem nötigen Kompetenzniveau der Kleingruppen und dem Umfang umsetzbar sind. Mit einer Präsentation (Meilenstein 1) stellen die gebildeten Kleingruppen ihr Projektthema und -ziel vor und schließen die Initiationsphase ab.
2. Konzeptionsphase (Fokus auf Datenkompetenzen B und C):
   Die Kleingruppen erhalten regelmäßige Betreuung von Lehrpersonen und Peer-Feedback von anderen Studierenden im Rahmen der Termine, womit ein transformativer (wissenschaftlicher) Diskurs angeregt werden soll. Die Lernmaterialien und Betreuung stellen die Grundlage für die Vermittlung der nötigen Datenkompetenzen zur Anwendung der Methoden und Umsetzung des Projekts dar. Mit Meilenstein 2 wird das Artefaktkonzept zur Erfüllung der Projektziele präsentiert und abgenommen.
3. Umsetzungsphase (Fokus auf Datenkompetenzen D und E):
   In dieser Phase entwickeln die Kleingruppen das Artefakt auf Basis bereits erhobener oder noch zu erhebender Daten. Das Artefakts soll eine ausreichende Reife aufweisen, damit es mit anderen Studierenden oder in einem praktischen Umfeld evaluiert werden kann. Für diese Phase soll die längste Bearbeitungszeit mit regelmäßigen und bedarfsorientierten Betreuungsterminen eingeplant werden. In diesen Terminen achten die Lehrpersonen darauf, dass die Kleingruppen Fortschritte erzielen und können entsprechend Freiheiten einräumen oder intensiver betreuen, um die Erreichung der Projektziele zu unterstützen.
4. Diffusionsphase (Fokus auf Datenkompetenz F):
   Zum Projektabschluss erarbeiten die Kleingruppen zur Leistungsbeurteilung einen Projektbericht und präsentieren die Ergebnisse mit dem entwickelten Artefakt vor den Lehrpersonen und anderen Kleingruppen (Meilenstein 3). Dabei soll auch eine Reflexion erfolgen, welche (Daten-)Kompetenzen die Studierenden erworben haben und wie ihre Selbsteinschätzung aussieht. Geplant ist, die Ergebnisse anschließend digital über das Wiki zu veröffentlichen, z. B. als Fallstudien für künftige Wiederholungen der Projektveranstaltung. Abschließend erhalten Studierende bei Bedarf Unterstützung in der Weiterführung ihrer Projekte, z. B. durch das Angebot von tiefergehenden Abschlussarbeiten.

Umsetzungsansatz:
Für die Planung der Projektveranstaltung und die Gestaltung des unterstützenden Labors wird gegenwärtig eine Umfrage unter Studierenden durchgeführt, um ihre Erwartungen und Wünsche zu berücksichtigen. Insbesondere das Feedback zur Raumgestaltung wird verwendet, um ein attraktives Labor zu schaffen. Zusätzlich ist geplant, dass Studierende Geräte aus dem Hardwarekontingent des Labors ausleihen können, um auch außerhalb an ihren Projekten arbeiten zu können. Didaktisch sind das Flipped-Classroom-Konzept und Blended Learning als Lernmodelle vorgesehen, wobei Lernmaterialien über ein Wiki bereitgestellt und im Rahmen der Termine in Bezug auf die Projekte der Kleingruppen besprochen werden. Das erwähnte Wiki wird aktuell technisch und inhaltlich entwickelt. Die Veranstaltung soll über das universitätsweit genutzte Campus-Management-System im freien Wahlbereich allen Masterstudierenden kommuniziert und angeboten werden.