Die Fähigkeit, Daten zu verstehen und aktiv und konstruktiv zu nutzen, wie sie besonders im Zusammenhang mit digitalen Umgebungen und dem Internet notwendig wird.

Dieser Artikel verweist auf folgende weitere Beiträge:

Algorithmisches Entscheiden (Rechtswissenschaft), Big Data (Medienwissenschaft), Creative Data Literacy (Medienbildung), Data Infrastructure Literacy (Medienbildung), Daten (Medienwissenschaft), Datenschutz (Rechtswissenschaft), Digitale Kompetenz (Medienbildung), Digitale Resilienz (Medienbildung), Digitalisierung (Medienwissenschaft), Informationelle Selbstbestimmung (Medienwissenschaft), Informationelle Selbstbestimmung (Rechtswissenschaft), Informationskompetenz (Medienbildung), Medienkompetenz (Medienbildung), Netzwerk (Medienwissenschaft), Personenbezogene Daten (Rechtswissenschaft)

Was bezeichnet dieser Begriff?

Data Literacy bezeichnet die Fähigkeit, Daten zu verstehen und zu nutzen, insbesondere im Kontext des Internets.^[1] Individuen sollen so in der Lage sein, sich mithilfe von Daten aktiv und konstruktiv an einer digitalisierten Gesellschaft zu beteiligen.^[2] Data Literacy kann als Teilkompetenz einer grundsätzlichen Digitalkompetenz verstanden werden und weist somit auch Parallelen zu dem Überbegriff der Medienkompetenz auf.

Catherine D'Ignazio, Assistant Professor of Urban Science and Planning am Massachusetts Institute of Technology (MIT) und Rahul Bhargavas, Research Scientist am MIT Center for Civic Media, definieren Data Literacy in vier Schritten: "data literacy includes the ability to read, work with, analyze and argue with data."^[3] Sie spezifizieren jeden einzelnen Schritt durch detaillierte Bestimmungen: "Analyzing data" beinhaltet beispielsweise "filtering, sorting, aggregating, comparing" und weitere analytische Tätigkeiten.^[4] Dieser mehrteilige Ansatz zeigt die Bandbreite der Fertigkeiten, die Data Literacy umfasst. Es handelt sich nicht allein um technologische Fähigkeiten der Datenverarbeitung, wie sie in Programmierkursen vermittelt werden, sondern beispielsweise auch um das gezielte Auswerten, Vergleichen und Kommunizieren gesammelter Daten. Nach David Crusoe gehört zu Data Literacy ebenfalls das Wissen über spezifische Wirkungsbereiche von Daten. Er nennt beispielsweise das Bewusstsein, dass jegliche digitale Handlungen in numerischer Form als Daten gespeichert werden können, sowohl individuell als auch kumuliert (siehe auch Big Data (Medienwissenschaft)). Diese können von Individuen oder Institutionen offen oder im Verborgenen ausgewertet und verwendet werden. Data Literacy bezeichnet dann die Fähigkeit, darauf basierend informierte Entscheidungen treffen zu können.^[5]

Crusoe betont in diesem Zusammenhang das notwendige individuelle Verständnis, dass das gezielte Teilen und Verbreiten von Daten wichtig sein kann, da diese oft nicht nur für die Erstellenden von Bedeutung sind, sondern insbesondere durch die Verknüpfung mit anderen Datensätzen gesellschaftlichen Mehrwert erzeugen können.^[6] Der Umgang mit Daten ist daher stets aus unterschiedlichen Perspektiven zu bewerten: Während sorgfältig aufbereitete Daten beispielsweise in politischen Entscheidungsprozessen zu wichtigen Erkenntnissen führen können, kann die vermeintlich unfehlbare Logik mathematisch dargestellter Daten ein falsches Gefühl von Objektivität vermitteln. So werden Daten häufig als 'roh' und daher als eindeutig eingeschätzt, wobei die sehr spezifischen und möglicherweise fehlerhaften Methoden der Sammlung und Auswertung der Daten nicht mehr weiter überprüft werden. Insbesondere im Zusammenhang mit ausschließlich datenbasiertem Entscheiden wie beispielsweise beim algorithmischen Entscheiden, können Daten zu diskriminierenden Praktiken führen, wenn Kontexte der Datensammlung nicht berücksichtigt werden.^[7]

Data Literacy erfordert deshalb Bildungsprojekte, die nicht nur das Bewusstsein dafür fördern, was Daten sind und welche Auswirkungen sie haben oder wie sie kodiert und gespeichert werden, sondern auch, wie sie kritisch zu bewerten sind: sogenannte 'Datenkritik'.^[8]. Das Hinterfragen von Forschungsaufbau oder Interessenslage der datenveröffentlichenden Institution ist notwendig, um Machthierarchien und Auschließungsmechanismen zu erkennen. So müssen Daten stets als in spezifische Kontexte eingebunden aufgefasst werden, die die Bewertung und Vermittlung von Daten prägen.^[9]

Data Literacy wird im bildungspolitischen Kontext besonders unter der Frage nach Teilhabe an Daten diskutiert. Diese ist zu einem großen Teil abhängig von technischen und infrastrukturellen Barrieren, welche den Zugang zu digitalen Medien an sich verhindern können. Politische Entscheidungsträger_innen sind daher in der Verantwortung, die Möglichkeiten der Teilhabe zu verstärken und Hindernisse abzubauen. Auf das nötige gesellschaftliche Bewusstsein um solche Barrieren soll der Begriff der Data Infrastructure Literacy hinweisen. Ebenso können auch Personen oder Institutionen, die gesellschaftsrelevant mit Daten umgehen, den Zugang zu ihnen erleichtern, indem sie sparsam Daten erheben und vorhandene Daten verständlich darstellen. Sie tragen so zu einer zugänglicheren Kommunikation von Daten bei, die geringere Anforderungen an Individuen stellt.^[10]

Woher kommt der Begriff?

Der Begriff Data Literacy stammt aus bildungspolitischen Diskursen über pädagogische Lehrkonzepte im Zuge der beginnenden Digitalisierung. Mit der zunehmenden Verankerung von Daten in digitalen Umgebungen wurde von der Notwendigkeit gesprochen, in Schulen und Universitäten Kompetenzen zu vermitteln, mit digitalen Daten umgehen zu können.

Der Begriff Literacy bezieht sich dabei auf die im englischsprachigen Diskurs vorherrschende Verbindung aus der grundsätzlichen Fähigkeit des Lesens und Schreibens mit breiter gefassten Persönlichkeitsmerkmalen wie eigene Identität, Kommunikations- oder Gestaltungskompetenz innerhalb einer Gesellschaft.^[11] Camir et al. weisen darauf hin, dass Literacy insbesondere in der Kulturwissenschaft als ideologisch aufgeladenes Konzept aufgefasst wird. Während in Schulkontexten beispielsweise Wert auf das Schreiben von Aufsätzen gelegt werde, verlagere sich dies in Arbeitskontexten in andere, spezifische Anwendungsfälle. Insbesondere unter arbeitsökonomischen Gesichtspunkten werde Literacy daher häufig als Kompetenz zur Verbesserung von Arbeitsprozessen angesehen.^[12]

Data Literacy verknüpft die Kompetenzen der Alphabetisierung mit digitalen Datensätzen. Neben dem Begriff Data Literacy wurden zunächst auch die Begriffe Statistical Literacy und Information Literacy verwendet. Der breitere Begriff der Information Literacy wird vorrangig in Recherchekontexten verwendet und bezeichnet unter anderem Kompetenzen zur zielgerichteten Nutzung von Bibliotheken oder anderen Recherchetools.^[13] Statistical Literacy wird als Teilkompetenz zur Auswertung von Daten angesehen. Diese Unterscheidungen werden allerdings keineswegs konsistent verwendet. Khan et al. sprechen beispielsweise von einer synonymen Verwendung der Begriffe Statistical Literacy und Data Literacy zu Beginn des 21. Jahrhunderts.^[14] Milo Shield sprach sich im Jahr 2004 dafür aus, diese ohnehin eng beieinander liegenden Begriffe auch in der Lehre stärker zu verzahnen. So solle Information Literacy nicht allein den sinnvollen Umgang mit allgemeinen Informationen (im Gegensatz zu digital erzeugten und verarbeiteten Daten) lehren, sondern auch solche Informationen berücksichtigen, die mit statistischen Methoden erhoben wurden. Data Literacy wiederum solle nicht allein die Verarbeitung von digitalen Daten beinhalten, sondern auch das Verständnis solcher Statistiken.^[15]

Der Begriff Data Literacy überschneidet sich daher vielfach mit benachbarten Begriffen wie der allgemeinen pädagogischen Medienkompetenz, der Datenkompetenz oder der spezifischeren digitalen Kompetenz und Creative Data Literacy. Wolff et al. legen hier einen umfassenden Überblick und eine einordnende Analyse bestehender Definitionen vor. Sie kritisieren insbesondere die häufig zu kurz gefasste Behandlung von notwendigen Lehrkonzepten zur Data Literacy und schlagen eine erweiterte Definition vor, die die Anpassung des Lernprozesses an individuelle Bedürfnisse betont.^[16]

Wonach muss ich fragen?

• Wie kann ich Daten einsetzen, um mein Wissen zu erweitern?
• Welchen Beitrag können Daten leisten, um Probleme zu lösen?
• Wie kann ich Daten abbilden, um Erkenntnisse übersichtlich darzustellen?
• Wie kann ich die Arbeit mit Daten so gestalten, dass ethische Richtlinien (Datenschutz) eingehalten werden?
• Wie kann ich neue Datenquellen identifizieren und erschließen?
• Wie kann ich Daten effizient integrieren und dokumentieren?
• Kann ich vorliegende Daten verifizieren?
• Von wem wurden vorliegende Daten erfasst und aufbereitet?
• Welche Methoden wurden zur Datenerfassung und -aufbereitung verwendet? Sind diese einsehbar?
• Schätze ich die Institution, die die Daten zur Verfügung stellt, als vertrauenswürdig ein?
• Was ist bei der Aufbereitung von Daten zu beachten?
• Wie können Daten zielführend interpretiert werden? Wie werden andere sie interpretieren?
• Welche statistischen Methoden kenne ich, um mit Daten verantwortungsvoll arbeiten und fremde Statistiken richtig lesen zu können?
• Bin ich in der Lage, die Wirkung datenbasierten Handelns nachzuvollziehen?
• Welche Kontexte schließt die vorliegende Methode zur Datenerfassung aus?
• Welche (diskriminierenden) Folgen könnte dieser Ausschluss haben?

Wann ist das wichtig?

Durch die voranschreitende Digitalisierung und die damit verbundene Verarbeitung von immer mehr digitalen Daten wird Data Literacy zum zielführenden und kritischen Umgang mit Daten immer wichtiger. Insbesondere Entscheidungsprozesse in arbeitsökonomischen, aber auch in bildungspolitischen und privaten Kontexten werden immer häufiger auf Grundlage von Datensätzen ausgeführt. Dies macht es insbesondere im Zusammenhang mit statistischen Argumenten sowie mit algorithmischen Entscheidungsfällen notwendig, konkrete Fragen zur Einordnung der zugrundeliegenden Daten formulieren und darauf aufbauend handeln zu können. Erst hierdurch wird es möglich, tendenziösen Umgang mit Daten zu erkennen und gegen diskriminierende Praktiken vorzugehen.

Carmi et al. weisen darauf hin, dass Data Literacy zudem eine Strategie gegen die Verbreitung falscher Informationen über digitale Netzwerke sein kann. Unter dem Begriff data citizenship sprechen sie sich dafür aus, Bürger_innen zu ermächtigen, propagandistische und fehlleitende Methoden auf digitaler Basis zu erkennen und dagegen vorzugehen. Ihre Überlegungen grenzen damit eng an politische Forderungen zur Förderung einer digitalen demokratischen Resilienz zur Vermeidung von propagandistischen Angriffen. Die setzt nicht nur individuelle Kompetenzen voraus, sondern besonders auch systemische Gegebenheiten, die es Individuen beispielsweise ermöglichen, Fehlinformationen als solche zu melden.^[17]

Vor dem spezifischen Umgang mit digitalen Daten ist der grundsätzliche Zugang zu ihnen notwendig. Dies setzt eine digitale Infrastruktur voraus, die es Bürger_innen ermöglicht, an der Erstellung, Erfassung und Verbreitung von Daten teilzuhaben. Hier ist der Staat in der Pflicht, diese Voraussetzungen zu schaffen, um eine grundsätzliche Teilhabe an Daten zu ermöglichen. Ebenso sind davon die individuelle Informationskompetenz und informationelle Selbstbestimmung betroffen. Darüber hinaus ist es für das Individuum entscheidend, sich über die Auswirkung der Erhebung und Verarbeitung von personenbezogenen Daten bewusst zu sein. Auch aus der Perspektive des Datenschutzes ist Data Literacy also eine wichtige Kompetenz. Es sollte verstanden werden, wie Daten, die man weitergibt, verarbeitet, analysiert, aufbereitet und zu welchem Zweck sie verwendet werden.

Wie wird der Begriff erfasst/festgestellt?

Das Hochschulforum Digitalisierung hat im August 2019 einen Kompetenzrahmen vorgestellt, mit dem Data Literacy erfassbar gemacht werden soll.^[18] Das Projekt entstammt dem bildungspoltischen Bestreben, Data Literacy als Kernkompetenz in Curricula unterschiedlicher Bildungseinrichtungen zu etablieren. Die vom Hochschulforum Digitalisierung vorgelegte Studie stellt dabei einen spezifischen Kompetenzrahmen für Hochschulen vor, der sich an Lehrende im höheren Bildungsbereich richtet. Er soll Dozent_innen Hilfestellungen bieten, messbare Leistungen unter ihren Student_innen abzufragen und pädagogische Methoden zu entwickeln, Data Literacy erfolgreich zu vermitteln. Der Kompetenzrahmen bietet dementsprechend nicht allein eine Aufschlüsselung von Teilkompetenzen, die Data Literacy als Gesamtkompetenz ausmachen und das abstrakte Konzept somit spezifischer überprüfbar machen sollen, sondern ebenso ein Modell zur Überprüfung des Lernerfolgs. Dies soll Dozent_innen in die Lage versetzen, die Vermittlung von Data Literacy strukturiert in ihre Lehre einzubauen und die Ergebnisse mittels gezielter Überprüfung vergleichbar zu machen. Data Literacy wird hier in sechs Teilkompetenzen gegliedert, die jeweils auf Prozesse des Kodierens oder des Dekodierens zurückgreifen und weiter in Unterkompetenzen aufgeteilt sind. Auf der Seite des Kodierens nennt der Kompetenzrahmen die Fähigkeiten (A) Datenkultur zu etablieren, (B) Daten bereitzustellen und (C) Daten auszuwerten. Zum Dekodieren werden (D) Ergebnisse interpretieren, (E) Daten interpretieren und (F) Handeln ableiten gezählt.^[19] Die Überprüfung der erzielten Lernerfolge basiert auf einem mehrstufigen Ansatz, der Reaktion, Lernerfolg, Verhalten und Ergebnis im Lernprozess der Student_innen aufschlüsselt. Die Messung soll über unterschiedliche Testverfahren erfolgen, bei denen die Autor_innen auf bereits vorhandene Literatur zur Messung von Literacy hinweisen.^[20]

Solche Messverfahren wurden beispielsweise für der Data Literacy nahestehende Begriffe wie Digital Competence beziehungsweise Digitale Kompetenz entwickelt. Sie verweisen unter anderem auf Teilaspekte, die für Data Literacy wichtig sind. Eine dieser Studien ist beispielsweise die durch das Münchener ifo-Institut im Jahr 2018 veröffentlichte Erfassung der digitalen Kompetenz von Arbeitnehmer_innen.^[21] Hier wurde unter anderem festgehalten, dass sich die digitalen Kompetenzen, zu denen Data Literacy gezählt werden kann, je nach Berufsgruppe und demographischen Vorgaben stark unterscheiden.

Welche Bildungsprojekte gibt es dazu?

• Der Stifterverband fördert mit der Bildungsinitiative Data Literacy Education Hochschulen, die Data Literacy in ihre Lehrkonzepte integrieren. Neben interdisziplinären Vermittlungsprojekten für Studierende soll das Data Literacy Education Netzwerk die Vernetzung von Hochschulen vorantreiben: https://www.stifterverband.org/data-literacy-education.
• Data Literacy ist ein wichtiger Aspekt des Überbegriffs der Digitalen Kompetenz, wozu verschiedenste Bildungsprojekte existieren.
• Des Weiteren existieren Bildungsprojekte, die sich genauer mit dem Umgang mit Daten beschäftigen (vergleiche mit Bildungsprojekten zu Big Data).

Weiterführende Literatur

• Bhargava, Rahul et al. 2015. "Beyond Data Literacy: Reinventing Community Engagement and Empowerment in the Age of Data." Data-Pop Alliance White Paper Series. https://datapopalliance.org/wp-content/uploads/2015/11/Beyond-Data-Literacy-2015.pdf.
• Carmi, Elinor et al. 2020. "Data citizenship: rethinking data literacy in the age of disinformation, misinformation, and malinformation." Internet Policy Review 9 (2). https://policyreview.info/articles/analysis/data-citizenship-rethinking-data-literacy-age-disinformation-misinformation-and.
• Schüller, Katharina; Busch, Paulina und Carina Hindinger. 2019. Future Skills: Ein Framework für Data Literacy – Kompetenzrahmen und Forschungsbericht. Arbeitspapier Nr. 47. Berlin: Hochschulforum Digitalisierung. Aufgerufen am 26.02.2021, https://hochschulforumdigitalisierung.de/sites/default/files/dateien/HFD_AP_Nr_47_DALI_Kompetenzrahmen_WEB.pdf.

Quellenverzeichnis

Die erste Version dieses Beitrags beruht auf studentischen Arbeiten im Rahmen des Projekts "Digitale Souveränität" am Institut für Medienrecht und Kommunikationsrecht und am Institut für Medienkultur und Theater der Universität zu Köln.

Zitiervorschlag: Glossar Digitale Souveränität. 2021. „Data Literacy (Medienbildung).“ https://www.bigdataliteracy.net/glossar/. Zugegriffen am tt.mm.jjjj.