Datakundskab (data literacy) — en nøglekompetence i det 21. århundrede
15/10/2019
Kommentarer
En følge af digitaliseringen er, at der løbende produceres enorme mængder af data. Det har været udgangspunktet for flere indlæg i denne blog, hvor fokus har været på de muligheder og problemer, udviklingen medfører for den officielle statistik. Men naturligvis er der andre end de officielle statistikbureauer, der har øje for de de store datamængder, og som er indstillet på at udnytte dem. Før der træffes beslutninger af bare lidt mere end rutinemæssig karakter, vil beslutningstagerne i stigende grad spørge om der findes data, der kan belyse problemet, før en beslutning træffes. Da det vil gælde alle områder og niveauer i samfundet, bliver kendskab til data — hvordan de skabes, hvordan de bearbejdes og hvordan de anvendes — en vigtig kompetence for stort set alle. Det betyder naturligvis ikke, at alle skal være eksperter på området, men en grundlæggende viden vil være nødvendig i stort set alle professioner. Og der bliver naturligvis også behov for eksperter.
I praksis betyder det, at datakundskab (data literacy) må forventes af blive et vigtigt fag både i grundskolerne og på de sekundære og videregående uddannelser. Det giver igen anledning til at overveje, hvad faget datakundskab skal indeholde. Til støtte for udviklingen af kurser i datakundkab har Hochschulforum Digitalisierung — en tænketank oprettet af Stifterverband für die Deutsche Wissenschaft — udgivet et arbejdspapir, der opstiller en såkaldt kompetenceramme for faget datakundkab. En kompetenceramme defineres i papiret som en model til beskrivelse af effektiv adfærd i en given opgavesammenhæng. Rammen definerer 21 kompetencer fordelt på seks kompetencefelter. En oversigt er vist herunder.
| Kompetencefelt | Kompetence |
| Fastlægge problemet | Identificere dataanvendelse Specificere dataanvendelse Koordinere dataanvendelse |
| Klargøre data | Modellere dataanvendelse Overholde databeskyttelse og -sikkerhed Identificere datakilder Integrere data Verificere data Dataproces |
| Evaluere data | Analysere data Visualisere data Verbalisere data |
| Fortolke dataprodukter | Fortolke dataanalyser Fortolke datavisualiseringer Fortolke dataverbaliseringer |
| Fortolke data | Dekryptere standardisering Spore dataindsamling Rekonstruere datakoncepter |
| Udlede handling | Identificere handlingsmuligheder Datastyret handling Vurdere virkning |
For hver af de 21 kompetencer giver kompetencerammen en nærmere beskrivelse af kompetencen og opstiller en række mere konkrete eksempler på krav til hhv. viden, færdigheder og holdninger — de tre kompetencedimensioner. Nedenfor er som eksempel vist rammens indhold for kompetencen Fortolke dataverbaliseringer under kompetencefeltet Fortolke dataprodukter.
| Kompetencefelt | Fortolke dataprodukter | |
| Kompetence | Fortolke dataverbaliseringer | |
| Beskrivelse | Fortolke statistiske egenskaber og modeller således at konklusioner kan drages eller prognoser opstilles på grundlag af de bagvedliggende data og sammenhænge. | |
| Kompetence-dimension | Viden | Kendskab til grundlæggende statistiske metoder |
| Færdigheder | Forstå en beskrevet analyseproces og kritisk granske den
Læse og forstå en statistisk tekst |
|
| Holdninger | Forholde sig kritisk til beskrivelser og konklusioner
Søge implicit information i teksten Forholde sig kritisk men være åben over for nye konklusioner og ny indsigter, også hvis de modsiger den nuværende situation |
|
Rammen skelner for hver kompetence mellem tre kompetenceniveauer, og giver eksempler på kravene på de forskellige niveauer. For kompetencen Fortolke dataverbaliseringer er eksemplerne:
| Laveste niveau | Kan forstå enkle forklaringer af statistiske metoder |
| Mellemste niveau | Kan forstå mundtlige og skriftlige forklaringer af mere komplekse analyseprocesser |
| Højeste niveau | Kan forstå og granske mundtlige og skriftlige forklaringer af mere komplekse analyseprocesser |
Rammen kan således anvendes for alle uddannelsesniveauer.
Referencer:
Katharina Schüller, Paulina Busch & Carina Hindinger: “Future Skills: Ein Framework für Data Literacy Kompetenzrahmen und Forschungsbericht”, Hochschulforum Digitalisierung Nr 47/august 2019 (link)
