Data Mastery: Vom digitalen Messwert zum Machine Learning

Die Lehrpersonenweiterbildung für digitale Datenanalyse, Maschinelles Lernen und digitale Messwerterfassung richtet sich an Lehrpersonen der natur- und technikwissenschaftlichen Fächer NwT und weiteren Naturwissenschaften. Übergeordnetes Ziel ist es, dass die Teilnehmenden ihre Kompetenzen im Bereich der Datenerfassung und -verarbeitung (Data Literacy) sowie im Bereich Maschinellen Lernens an praktischen Anwendungsbeispielen erweitern und vertiefen. Ergänzend dazu wird erprobtes Unterrichtsmaterial für die Lehrpersonen bereitgestellt. Weiterhin wurde der Aufbau hinsichtlich vergleichbarer Kurse im Kontext von Data Literacy (s. z.B. Grillenberger & Romeike, 2018) auf den domänenspezifischen Kontext der oben aufgeführten Fächer ausgerichtet. Der Moodle-Kurs beinhaltet multimediale Lernbausteine und ermöglicht individuelle Lernpfade nach dem Vorwissensstand der Teilnehmenden. Die Weiterbildung besteht aus drei Modulen, die jeweils einen Schwerpunkt auf einen bestimmten Aspekt der digitalen Datenverarbeitung legen. Die Inhalte der drei Module werden nachfolgend kurz erläutert: Basismodul - Digitale Messwerterfassung (z. B. mit Mikrocontrollern) und statistische Grundlagen zur Auswertung technischer bzw. naturwissenschaftlicher Experimente: In diesem Modul lernen Sie, wie Sie digitale Werkzeuge zur Messwerterfassung mit Mikrocontrollern nutzen können, wie z.B. Arduino oder Raspberry Pi. Sie lernen auch die Funktionsweise und den Einsatz von verschiedenen Sensoren und Aktoren kennen und anwenden. Zudem lernen Sie die statistischen Grundlagen zur Auswertung von Messdaten kennen und anwenden, wie z.B. Mittelwert, Standardabweichung, Korrelation, Regression, Hypothesentest. Sie lernen auch, wie Sie die Qualität und Validität von Messdaten beurteilen und verbessern können. Aufbaumodul I - Digitale Datenanalyse: In diesem Modul lernen Sie, wie Sie digitale Werkzeuge zur Analyse von Daten aus verschiedenen Quellen und in verschiedenen Formaten nutzen können, von einfachen Workflows in Orange3 bis hin zur eigenen Programmierung mit Python (optional). Sie lernen auch die Grundlagen der statistischen Inferenz und der Datenvisualisierung kennen und anwenden. Zudem reflektieren und bewerten Sie die ethischen, rechtlichen und gesellschaftlichen Aspekte digitaler Datensammlung (u. a. Big Data). Aufbaumodul II - Maschinelles Lernen im Kontext natur- und technikwissenschaftlicher Experimente: In diesem Modul lernen Sie, wie Sie die Grundkonzepte und Anwendungen des maschinellen Lernens in natur- und technikwissenschaftlichen Experimenten erkennen und erklären können. Sie lernen auch, wie Sie digitale Werkzeuge zur Durchführung und Bewertung von maschinellen Lernverfahren nutzen können, wie z.B. Online-Plattformen oder Python-Bibliotheken. Zudem diskutieren und hinterfragen Sie die Möglichkeiten und Grenzen des maschinellen Lernens sowie die ethischen, rechtlichen und gesellschaftlichen Herausforderungen. Als Grundlage für den logischen Aufbau der einzelnen Lehr-Lerngelegenheiten dient der Data Lifecycle (Olari & Romeike, 2024a, 2024b). Die Weiterbildung orientiert sich an dem Kompetenzmodell DiKoLAN (Thoms et al., 2022), das fünf Kompetenzbereiche im Kontext der digitalen Datenverarbeitung definiert: Datenverarbeitung (DV), Simulation & Modellierung (SM), Messwert- & Datenerfassung (MD), Dokumentation (DO), Recherche & Bewertung (RB). Literaturverzeichnis: Grillenberger, A. & Romeike, R. (2017). Key concepts of data management. In C. S. Montero (ed.), Proceedings of the 17th Koli Calling International Conference on Computing Education Research (ACM Digital Library, S. 30–39). New York, NY: ACM. Grillenberger, A. & Romeike, R. (2018). Developing a theoretically founded data literacy competency model. In Proceedings of the 13th Workshop in Primary and Secondary Computing Education (S. 1–10). New York, NY: ACM. Olari, V. & Romeike, R. (2024a). Data-related concepts for artificial intelligence education in K-12. Computers and Education Open, 7, 100196. https://doi.org/10.1016/j.caeo.2024.100196. Olari, V. & Romeike, R. (2024b). Data-related practices for creating Artificial Intelligence systems in K-12, 1–10. https://doi.org/10.1145/3677619.3678115. Thoms, L.‑J., Kremser, E., Kotzebue, L. von, Becker, S., Thyssen, C., Huwer, J. et al. (2022). A framework for the digital competencies for teaching in science education – DiKoLAN. Journal of Physics: Conference Series, 2297(1), 12002. https://doi.org/10.1088/1742-6596/2297/1/012002. Lernziele: Digitale Messwerterfassung mit Mikrocontrollern und statistische Grundlagen zur Auswertung technischer bzw. naturwissenschaftlicher Experimente (Basismodul): Die Teilnehmenden können: 1.) digitale Werkzeuge zur Messwerterfassung nutzen (z.B. Arduino oder Raspberry Pi); 2.) die Funktionsweise und den Einsatz von verschiedenen Sensoren (z. B. CO2-Sensor, Abstandssensor, Temperatursensor) verstehen und anwenden; 3.) die statistischen Grundlagen zur Auswertung von Messdaten anwenden (z.B. Mittelwert, Standardabweichung, Korrelation, Regression, Hypothesentest); 4.) die Grundkonzepte des Datenmanagements (nach Grillenberger & Romeike, 2017) anwenden; 5.) die Qualität und Validität von Messdaten anhand von Fehlerbetrachtungen beurteilen und verbessern. Dieses Modul umfasst vor allem den Kompetenzbereich Messwert- & Datenerfassung (MD). Es bezieht sich auch auf die Kompetenzbereiche Datenverarbeitung (DV) und Dokumentation (DO). Digitale Datenanalyse (Aufbaumodul I): Die Teilnehmenden können: 1.) digitale Werkzeuge zur Analyse von Daten aus verschiedenen Quellen und in verschiedenen Formaten nutzen (Tabellenkalkulationen bis hin zu fortgeschrittenen Programmiersprachen wie Python (optional, s. o.)); 2.) die Grundlagen der statistischen Inferenz und der Datenvisualisierung verstehen und anwenden; 3.) die ethischen, rechtlichen und gesellschaftlichen Aspekte der digitalen Datenlage (u. a. Big Data) reflektieren und kritisch bewerten. Dieses Modul deckt vor allem die Kompetenzbereiche Datenverarbeitung (DV) und Simulation & Modellierung (SM) ab. Es berührt auch die Kompetenzbereiche Dokumentation (DO) und Recherche & Bewertung (RB). Maschinelles Lernen im Kontext natur- und technikwissenschaftlicher Anwendungsszenarien (Aufbaumodul II): Die Teilnehmenden können: 1.) die Grundkonzepte und Anwendungen des maschinellen Lernens in natur- und technikwissenschaftlichen Experimenten einsetzen; 2.) digitale Werkzeuge zur Durchführung und Bewertung von maschinellen Lernverfahren nutzen, wie z.B. Online-Plattformen, Orange3 und/oder Python-Bibliotheken.; 3.) Möglichkeiten und Grenzen des maschinellen Lernens sowie die ethischen, rechtlichen und gesellschaftlichen Herausforderungen diskutieren. Dieses Modul fokussiert sich auf den Kompetenzbereich Simulation & Modellierung (SM). Es beinhaltet auch die Kompetenzbereiche Datenverarbeitung (DV) und Recherche & Bewertung (RB). Der zeitliche Umfang dieser Fortbildung liegt bei 18 Stunden (2 Online-Veranstaltungen, 1 Präsenztermin plus asynchrone Lernphase). Die Zeitspanne beträgt 8 Wochen von Kick-off bis Abschluss. Fortbildungsformat: Blended Learning mit festen Präsenz-Gruppenterminen. Digitale Kompetenzen: Förderung der digitalen Kompetenz der Lernenden