Wie Big Data & Datafizierung unsere Gesellschaft verändern

Hintergrund: 

Das Seminar „Wie Big Data & Datafizierung unsere Gesellschaft verändern“ wurde im Wintertrimester 2024 (12 Wochen) an der Helmut-Schmidt-Universität Hamburg im BA-Studiengang Bildungs- und Erziehungswissenschaft, Modul „Gesellschaftliche, politische und ökonomische Grundlagen von Erziehung, Bildung und Sozialisation“ (2. Trimester) durchgeführt. Es nahmen 20 Teilnehmende teil und die Sitzungen umfassten 90 Minuten pro Woche (mit einer fünfwöchigen Arbeitsphase ohne gemeinsame Sitzungen, siehe Ablaufplan).

Seminarziel: 

Die Studierenden sollen in diesem Seminar an das Themenfeld Datafizierung bzw. das Forschungsfeld ‚Critical Data Studies‘ herangeführt werden. Dabei wird insbesondere Bezug zum Bereich der Bildung genommen: Wie ist das Bildungswesen von Datafizierung betroffen? Wie kann Bildung über Datentechnologien helfen, um Risiken rund um Datentechnologien zu begegnen?

Prüfungsform: 

Neben einer Teilnahmeleistung – erbracht durch Anwesenheit, aktive Teilnahme und eine Projektarbeit mit anschließender Präsentation und Peer Review – konnten die Studierenden eine Prüfungsleistung in Form einer Hausarbeit ablegen. Diese basierte inhaltlich auf einem mehrwöchigen Rechercheprojekt, welches die Studierenden im Rahmen des Seminars eigenständig durchführten. In der Hausarbeit sollten die Studierenden a) in einem Essay ihr Recherchethema anhand von wissenschaftlicher Literatur und entlang von drei Leitfragen schriftlich ausarbeiten, und b) in einem kurzen Reflexionstext ausführen, was sie im Seminar Neues gelernt haben, wie Themen rund um Big Data sie selbst betreffen und wie eine bessere datafizierte Zukunft aussehen kann.

Lernplattform: 

Als Plattformen wurden die von der Universität vorgegebenen Lernplattformen Ilias und MS Teams sowie Mentimeter für zwei Umfragen genutzt. Ilias wurde ausschließlich zum Informations- und Dateiaustausch genutzt. Hier wurden vorbereitende Literatur für die Sitzungen, weiterführende Links und Informationen zum Seminar und der Prüfungsleistung bereitgestellt. Zudem konnten die Studierenden über Ilias Hausaufgaben einreichen und die bereitgestellten Funktionen – bei Bedarf – für Ihre Projektpräsentationen nutzen. MS Teams wurde lediglich für den Austausch in Form von Videoanrufen genutzt (siehe Sitzung 7 und 9).

Autorinnen: 

Das Seminarkonzept wurde von der Dozentin Dr. Ina Sander erarbeitet und bisher im Wintertrimester 2021, 2022 und 2024 durchgeführt – jeweils mit leichten Anpassungen auf Basis des Feedbacks der Studierenden bzw. den Bedingungen (Online-, Hybrid- oder Präsenzlehre).

Sitzung 1:

Ort: Seminarraum

Kennenlernen, Seminarplan & inhaltliche Konzepte

In der ersten Sitzung wird zunächst das Ziel des Seminars – eine Einführung in das Themenfeld Datafizierung bzw. Critical Data Studies mit besonderem Bezug auf den Bereich der Bildung – dargestellt und organisatorische Fragen rund um den Seminarplan, Teilnahme- und Prüfungsleistung besprochen. Zudem wird ein Kennenlernquiz zum thematischen Einstieg durchgeführt, Kernbegriffe geklärt und ein erster Überblick über die Nutzung von Datentechnologien im Alltag geboten.

Ablauf der Sitzung

Einstieg

Nach einer kurzen Vorstellung der Dozentin startet die erste Sitzung mit einem Kennenlernquiz (via Mentimeter, kann aber auch anders umgesetzt werden). Zum gegenseitigen Kennenlernen und ersten Einstieg ins Thema wird hier gefragt:

  • Warum haben Sie das Seminar gewählt? (offene Antwort)
  • Was studieren Sie? (offene Antwort, Wortwolke)
  • Was war Ihr erstes soziales Netzwerk? (offene Antwort, Wortwolke)
  • Wie viel haben Sie sich bisher mit Big Data / Datafizierung beschäftigt? (Skala von 1-5)
  • Wie gut können Sie die folgenden Begriffe erklären? Algorithmus; Big Data; Datafizierung (Skala von „Überhaupt nicht“ bis „Kein Problem“)
  • Welches Thema rund um Big Data / Datafizierung interessiert Sie besonders? (offene Antwort, Wortwolke)

Das Quiz hat sich zum Einstieg in das Seminar bewährt, da es die Studierenden direkt einbindet, sie sich untereinander etwas kennenlernen können und die Dozentin eine Idee zum bestehenden Wissen des Kurses bekommt.

Organisatorisches

Anschließend werden organisatorische Fragen rund um den Seminarplan, Teilnahme- und Prüfungsleistung besprochen. Hier wird auch bereits einmal das Konzept für die Rechercheprojekte in Sitzungen 7-10 durchgesprochen, damit die Studierenden wissen, was Sie im Laufe des Seminars erwartet. Der Seminarplan wurde vorab zusätzlich auf Ilias hochgeladen.

Inhaltliche Einführung

Anschließend findet ein inhaltlicher Einstieg ins Thema statt. Kernbegriffe wie Daten, Metadaten, Algorithmus und Big Data werden durch Einbindung der Studierenden, Zitate (z.B. Prietl und Houben 2018) und Erklärvideos (z.B. dieses zum Begriff Algorithmus) definiert. Es wird unter anderem erläutert, dass es Daten schon immer gibt, sich ihre Bedeutung jedoch stark gewandelt hat, sowie warum Daten lediglich ein selektives Abbild der Wirklichkeit sind.

Zum Begriff Metadaten kann zudem diese Übung durchgeführt werden:

Übung zum Begriff Metadaten

Schritt 1: Finden Sie sich in Paaren (ggf. 3er-Gruppen zusammen). Öffnen Sie das letzte (akzeptable) Foto auf Ihren Handy und zeigen Sie es den jeweils anderen.

Schritt 2: Öffnen Sie die Informationen über das Foto (iPhone: hochscrollen, Android: drei Punkte – Details). Was können Sie daraus über die andere Person lernen?

Anschließende Auflösung: Dozentin zeigt eigene Fotos sowie Screenshots der Metadaten auf der Folie.

  • Erstes Beispiel: Foto mit starken Datenschutz-Einstellungen – hier stehen in den Metadaten Informationen wie: welches Handy, welche Kamera, Datum und Zeit der Aufnahme, Bildwerte wie ISO etc. Nun kann besprochen werden, was man anhand dieser Informationen über eine Person lernen kann.
  • Zweites Beispiel: Foto mit schwachen Datenschutz-Einstellungen – hier stehen in den Metadaten zusätzliche Informationen wie der exakte Ort, an dem das Foto aufgenommen wurde.

Anschließend wird besprochen, dass diese Metadaten datenschutzrechtlich im Vergleich zu persönlichen Daten kaum geschützt sind, und zum Beispiel beim Upload von Fotos in soziale Netzwerke in der Regel mit hochgeladen werden. Auch andere Beispiele für Metadaten werden genannt.

Um den Begriff der „Datafizierung“ einzuführen, wird nun aufgezeigt, welche Rolle Daten und Datentechnologien bereits in unserem Alltag spielen. Das kann stattfinden durch: Nennung der Größe der jährlich generierten Datenmenge (z.B. Tenzer 2024); Zeigen von Screenshots zu Zeitungsartikeln, die große Hoffnungen oder Risiken mit dem Einsatz von Datensystemen verbinden; oder gemeinsames Sammeln oder Nennen von Lebensbereichen, in denen bereits Datensysteme eingesetzt werden (z.B. Stadtmanagement, Polizeiarbeit, vor Gericht, Wahlkampf, Kreditwesen, Sozialwesen, Versicherungen etc.) – jeweils mit konkreten Beispielen. Anschließend wird der Begriff der Datafizierung anhand von Zitaten aus wissenschaftlichen Texten geklärt (z.B. Hintz et al. 2018, S.2f oder Prietl & Houben 2018, S.7).

Hausaufgabe

Als Hausaufgabe sollen die Studierenden einen Einführungstext lesen und zu diesem Leitfragen beantworten sowie zwei Webseiten anschauen. Als leicht verständlicher Einstiegstext hat sich z.B. dieser Text bewährt:

Prietl, B. and Houben, D. 2018. Einführung. Soziologische Perspektiven auf die Datafizierung der Gesellschaft. In: Houben, D. and Prietl, B. (Hrsg.). Datengesellschaft. Einsichten in die Datafizierung des Sozialen. Bielefeld: Transcript, S. 7–20.

Zudem sollen die Studierenden Folge 5 der interaktiven Web-Serie „Do Not Track“ schauen sowie die interaktive Webseite „How normal am I?“ testen. Beide haben sich als Einstieg in das Thema bewährt. Insbesondere die How normal am I-Webseite zeigt eindrücklich auf, was künstliche Intelligenz bereits leisten kann bzw. wie fehlerhaft solche Systeme auch sein können. Die Seite wird häufig von Studierenden lange im Kopf behalten und am Ende des Seminars noch erinnert und positiv bewertet. So erwähnten mehrere Studierende die Webseiten in ihrer abschließenden Reflexion des Seminars, zum Beispiel:

„Mein Interesse wurde in dem Moment geweckt, als wir zu Beginn des Seminars die Website „How normal am I“ testen sollten und die Künstliche Intelligenz auf Grundlage von „erlernten“ und vorgefertigten Schemata unsere Gesichter analysierte. Hier wurde verdeutlicht, dass Künstliche Intelligenz im Bezug auf Gesichtserkennung einige, noch zu behebende Schwachstellen aufweist. Ich testete die Website mehrfach, wobei mir auffiel, dass die Ergebnisse, die mit von der KI präsentiert wurden, von Mal zu Mal variierten.“

Reflexion einer Studierenden

Zum Text und den Webseiten sollen folgende Fragen beantwortet und auf Ilias hochgeladen werden:

  1. Wie haben sich der Umgang mit bzw. die Bedeutung von Daten in den letzten Jahren geändert? (siehe Prietl & Houben Text sowie Do Not Track Folge)
  2. Welche Herausforderungen oder Probleme rund um Big Data konnten Sie in der Do Not Track Folge identifizieren?
  3. Welche Herausforderungen oder Probleme in Bezug auf Gesichtserkennung durch KI (Künstliche Intelligenz) konnten Sie in ‚How normal am I?‘ erkennen?

Sitzung 2:

Ort: Seminarraum

Datensammlung & Digitaler Fingerabdruck

Die zweite Sitzung zielt darauf ab, den Studierenden einen umfassenden Einblick in die Nutzung von Datensystemen in ihrem Alltag und verschiedenen gesellschaftlichen Bereichen zu geben sowie Risiken rund um Privatsphäre, Überwachung und Mikrotargeting zu diskutieren.

Ablauf der Sitzung

Die Datengesellschaft

Die Sitzung startet mit einer gemeinsamen Diskussion. Im Plenum wird gesammelt, was die Studierenden in der Hausaufgabe über unsere „Datengesellschaft“ gelernt haben. Dafür können z.B. diese Leitfragen auf der Folie gezeigt werden:

  • Wie wirkt sich die ‚Datafizierung‘ auf unseren Alltag aus?
  • Was haben Sie Neues gelernt?
  • Was nehmen Sie aus ‚How normal am I?‘ mit?

Anschließend testen die Studierenden Ihre eigene Einstellung zum Thema Datenschutz, z.B. durch den „Privat-o-Mat“. Ggf. kann dieser Test am Ende des Seminars wiederholt werden.

Digitaler Fingerabdruck, Privatsphäre, Überwachung

Danach folgt ein inhaltlicher Input der Dozentin, in dem zunächst einmal Datensammlung im Internet (bewusst und unbewusst, z.B. durch Cookies oder Metadaten) und das Konzept des Digitalen Fingerabdrucks als Abbild (≠Wirklichkeit) unseres Lebens im Digitalen eingeführt wird. Hier kann z.B. auch aufgezeigt werden, wie NutzerInnen Ihr digitales Abbild einsehen können (z.B. gemessene Werbeinteressen in sozialen Medien). Anschließend wird Privatsphäre und seine rechtliche Verankerung, das Konzept des Panopticons als Metapher für moderne Überwachungsgesellschaft (Foucault), Risiken von verstärkter Überwachung („chilling effect“, z.B. Büchi et al. 2022) und die Snowden-Enthüllungen (kurzes Erklärvideo) besprochen. Weiteres Material zu diesen Themen kann u.a. hier gefunden werden.

Auf diesen Input folgt eine Diskussion in Kleingruppen anhand der Fragen:

  • Wie stehen Sie (jetzt) zu dem Argument „Ich habe nichts zu verbergen“?
  • Haben Sie selbst schon einmal einen „chilling effect“ in Ihrem Verhalten bemerkt?
  • Wie viel wussten Sie vorher schon zu Snowden und wie stehen Sie zur von Snowden enthüllten Überwachung durch Staaten?

Algorithmen als Black Box & Microtargeting

Anschließend werden weitere Aspekte der Datensammlung besprochen, insbesondere der „Black Box“-Charakter von Datentechnologien, die Effekte der Personalisierung im Internet sowie der Prozess des Mikrotargetings (vgl. Pasquale 2015; Kitchin 2017). Hier empfiehlt es sich, auf konkrete Beispiele aus dem realen Leben, wie z.B. den Cambridge Analytica-Fall einzugehen. Zur multimedialen Untermauerung kann zum Beispiel ein Werbevideo der Firma und – im Kontrast dazu – der Trailer der Dokumentation „The Great Hack“ gezeigt werden. Ein weiteres spannendes Beispiel für Mikrotargeting ist diese Kampagne des Messenger-Dienstes Signal, die Mikrotargeting bewusst aufgezeigt hat.

Zum Abschluss der Sitzung wird im Plenum besprochen, wie die Studierenden zu den neuen Informationen aus dieser Sitzung stehen, beispielsweise anhand dieser Diskussionsfragen:

  • Welche Vorteile von Personalisierung und Mikrotargeting sehen Sie? (auf gesellschaftlicher Ebene, für Firmen, individuell, …)
  • Wo liegen Risiken? Welche problematischen gesellschaftlichen Folgen könnte es geben?
  • Abschließend: Welche Seite überwiegt insgesamt für Sie? Finden Sie Mikrotargeting als Nutzer/in in Ordnung? Würden Sie es als Firma o.ä. nutzen?

Hausaufgabe

Als Vorbereitung für die nächste Sitzung schauen sich die Studierenden die interaktive Dokumentation „Made to Measure“ (Dauer ca. eine Stunde) an und machen sich Notizen zu Ihren Eindrücken, was Sie überrascht hat und was Sie aus dem Experiment mitnehmen. Diese müssen nicht unbedingt eingereicht werden, sondern sollen vor allem in der nächsten Sitzung besprochen werden. Ggf. kann auf diese Triggerwarnung der Doku aufmerksam gemacht werden und als Alternative Folge 2 und 4 von „Do Not Track“ geschaut werden. Jedoch ist die Doku Made to measure durchaus beliebt bei Studierenden und wurde in mehreren Reflexionen der Studierenden zu Ende des Seminars positiv hervorgehoben:

„Für mich war die Dokumentation „Made to Measure“ besonders interessant, die zeigt, wie anhand von Google Suchanfragen das Leben einer fremden Person realitätsgetreu nachgestellt werden konnte. Dies hat verdeutlicht, wie Konzerne wie Google umfassende Informationen von uns erhalten, welche wir teils unbewusst preisgeben.“

Reflexion eines Studierenden

„Die besprochenen Beispiele wie die Dokumentation „made to measure“ haben gezeigt, dass simple Google-Anfragen ohne Bilder und bestimmten Kontext die Lebensgeschichte eines Individuums nahezu perfekt rekonstruieren können. Was werden wohl Messenger-Dienste wie WhatsApp oder Social-Media-Plattformen mit meinen persönlicheren Daten anstellen können?“

Reflexion einer Studierenden

Sitzung 3:

Ort: Seminarraum

Gesellschaftliche Auswirkungen von Big Data & Datafizierung

In dieser Sitzung bewegen sich die Themen von den vorrangig individuellen Auswirkungen von Datentechnologien aus der letzten Sitzung (Digitaler Fingerabdruck, Privatsphäre etc.) auf ein abstrakteres Level. Ziel der Sitzung ist, die gesellschaftlichen Veränderungen, die mit der Datafizierung einhergehen (können), aufzuzeigen. Besprochen werden Themen wie die Datenökonomie, Scoring-Systeme sowie Bias und Diskriminierung durch Datentechnologien. Eine hilfreiche vorbereitende Lektüre für die/den DozentIn kann z.B. Hepp et al. (2022) und Dencik et al. (2022) sein. Ggf. können auch Potenziale und konkrete Verbesserungen durch Datentechnologien angesprochen werden. Meist sind diese den Studierenden jedoch durch ihren Medienkonsum bereits sehr geläufig, während kritischere Aspekte unklar bleiben.

Ablauf der Sitzung

Zu Beginn der Sitzung wird zunächst die Dokumentation „Made to Measure“ ausführlich diskutiert. Erfahrungsgemäß wird diese als sehr eindrucksvoll und teils auch erschütternd empfunden. Als Einstieg in die Diskussion kann zum Beispiel einmal abgefragt werden, was die Studierenden vor der Doku gedacht hätten: Ist es möglich, das Leben eines Menschen allein anhand von Google Suchanfragen zu rekonstruieren oder nicht? Anschließend können z.B. diese Fragen diskutiert werden:

  • Was haben Sie aus dem Doku-Experiment mitgenommen? 
  • Was hat Sie erstaunt, was haben Sie vielleicht schon erwartet/gewusst?
  • Hat die Doku ihre Einstellung zu Daten oder Privatsphäre geändert? Meinen Sie, Ihr Privat-o-Mat ‚Datenschutz-Typ‘ hat sich verändert?

Datenökonomie

Als erster Themenblock geht es dann um das Thema ‚Datenökonomie‘. Nach einer Erläuterung, was unter diesem Begriff verstanden wird, und welche Rolle Data Broker spielen, wird das Konzept des „Surveillance Capitalism“ eingeführt (Zuboff 2019). Hier kann z.B. auch dieses Erklärvideo eingesetzt werden. Anschließend sollen die Studierenden zwei Webseiten mit Beispielen zum Thema Überwachungskapitalismus anschauen und sich mit ihren SitznachbarInnen über die Seiten austauschen:

  1. Der „Simulator Plattformdynamiken“ zeigt, wie Empfehlungsalgorithmen in sozialen Medien funktionieren und welche Rolle die Werbetreibenden dabei spielen.
  2. Das Rechercheprojekt „Überwacht und Verkauft“ der Süddeutschen Zeitung zeigt, welche Daten unser Smartphone von uns preisgibt.

(Damit nicht umständlich Links abgetippt werden müssen, empfiehlt es sich, für beide Links QR-Codes zu generieren und diese auf einer Folie zu zeigen.)

Scoring Systeme

Anschließend wird besprochen, wofür all die gesammelten Daten überhaupt verwendet werden – nämlich unter anderem, um Scores zu vergeben. Es werden Beispiele für Scoring Systeme aufgezeigt (Schufa, Jameda, AirBnB, …) und das Konzept der Scoring Society besprochen. Hier kann auf fiktive Beispiele wie die Serie „Black Mirror“ (Folge „Nosedive“) oder den Roman „Qualityland“ sowie auf reale Beispiele, wie das Social Credit System in China eingegangen werden. Zu letzterem gibt es zahlreiche Dokumentationen, z.B. diese Kurzreportage der Tagesschau.

Diskriminierung durch Algorithmen

Als Einstieg in den nächsten Themenblock werden die Studierenden zunächst einmal ohne vorbereitende Informationen nach ihrer Einschätzung gefragt:

  • Was glauben Sie: Können Algorithmen diskriminieren?
  • Wenn ja: wie könnte das zustande kommen?

Anschließend wird geklärt, wie diskriminierende Algorithmen bzw. Datentechnologien zustande kommen (u.a. Daten als selektives Abbild der Realität; teils veraltete Trainingsdaten; Bias / Verzerrungen in den Daten; menschengemachte Algorithmen; etc. Literaturtipps: Noble 2018; Prietl 2019; Zweig 2019; Redden 2022). Hier bietet es sich an, ein konkretes Beispiel zu nennen:

Warum sind Algorithmen nicht neutral? 

Algorithmen sind zwar „nur“ Rechenprozesse, aber auch hier werden Entscheidungen getroffen und Regeln vorgegeben – was soll mit den Daten gemacht werden? Welche Faktoren werden wie stark gewichtet?

Schauen wir uns als Beispiel einmal einen Kreditalgorithmus, wie z.B. von der SCHUFA, genauer an. Hinter diesem Algorithmus liegen menschliche Entscheidungen zu Fragen wie:

  • Wie stark fällt es negativ ins Gewicht, wenn jemand bereits einen Kredit hat?
  • Wie stark fällt es negativ ins Gewicht, wenn schon mal nicht in der Lage war, einen Kredit zurückzuzahlen?
  • Macht die Höhe des Kredits etwas aus?
  • Spielt das Einkommen eine Rolle bei der Kreditwürdigkeit? Ab welcher Höhe gilt man als kreditwürdiger?
  • Spielt der Wohnort, das Viertel eine Rolle? Welche werden negativ, welche positiv besetzt? Leben hier v.a. Menschen einer bestimmten Kultur?
  • U.v.m.

Das Risko des „Bias in – Bias out“ lässt sich zum Beispiel durch eine solche Grafik verdeutlichen:

In diesem Zusammenhang bietet es sich auch an, den Begriff der automatisierten Entscheidungssysteme (Automated Decision Making Systems, ADM) zu klären. Auch kann der Trailer der Dokumentation „Coded Bias“ hier eingebaut werden. Passende Literaturempfehlungen sind zudem der ProPublica-Artikel „Machine Bias“ sowie der „Data Harm Record“ des Data Justice Labs.

Abschließend werden die neuen Inhalte in Kleingruppen anhand folgender Fragen reflektiert und diskutiert:

  • Was meinen Sie: Ist surveillance capitalism „a form of tyranny“ und „a profoundly antidemocratic social force“ (Zuboff, 2019, S.513)? Oder einfach eine legitime neue Geschäftsform?
  • Glauben Sie, ein Social Credit System (o.ä.) könnte in Deutschland eingeführt werden? Würden Sie an einem Pilotprojekt teilnehmen?
  • In Anbetracht von Bias und Diskriminierungsrisiken: Sollten wir automatisierte Entscheidungssysteme nutzen?
  • Wenn ja: in welchen Lebensbereichen sollten wir sie einsetzen? Wo vielleicht besser nicht?

Hausaufgabe

Als Vorbereitung für die nächste Sitzung lesen die Studierenden diesen Text:

Hartong (2019) „Learning Analytics und Big Data in der Bildung: Zur notwendigen Entwicklung eines datenpolitischen Alternativprogramms“, S. 7-22. https://www.hsu-hh.de/ggb/wp-content/uploads/sites/679/2019/11/2019Hartong_Learning-analytics_GEW.pdf

Sowie beantworten beim Lesen folgende Leitfragen und reichen die Antworten via Ilias ein:

  1. Was sind Learning Analytics?
  2. Nennen Sie ein Beispiel für ein Learning Analytics-Tool oder System und beschreiben Sie dieses kurz.
  3. Welche Risiken oder Herausforderungen von Big Data und Datafizierung im Bildungsbereich können Sie identifizieren?
  4. Benennen Sie die Vorteile sowie Risiken von Nudging und Gamification.
  5. Nachdem Sie den Text gelesen haben: Wie stehen Sie zur Nutzung digitaler Datentechnologien im Bildungsbereich? Welche Vor- und Nachteile sehen Sie?

(Da die vorbereitende Hausaufgabe für Sitzungen 5 und 6 etwas ausführlicher ausfällt, kann ggf. bereits hier auf diese hingewiesen werden.)

Sitzung 4:

Ort: Seminarraum

Datafizierte Bildung – die Rolle von Big Data im Bildungswesen

Die vierte Sitzung beschäftigt sich mit den Auswirkungen der Datafizierung auf einen bestimmten gesellschaftlichen Bereich: das Bildungswesen. Es werden Hoffnungen sowie Risiken, die mit der Verwendung digitaler Technologien im Bildungswesen verbunden werden, besprochen. Außerdem werden verschiedene Anwendungsgebiete von Datentechnologien im Bildungswesen aufgezeigt: von Digital Education Governance bis Learning Analytics.

Ablauf der Sitzung

Digitalisierung und Datafizierung in der Bildung

Zunächst werden die verschiedenen Ebenen des Bildungswesens (Klassenraum & Praxis; Schulleitung & -verwaltung; Schulaufsicht & Behörden) aufgezeigt und es werden Beispiele für die Nutzung von datenbasierten Technologien in den verschiedenen Bereichen besprochen. Hier kann z.B. diese Grafik aus Breiter und Lange 2019 gezeigt werden:

Als konkrete Beispiele können zum Beispiel Screenshots von Rankings von Hochschulen, Data Dashboards von Schulbehörden, Auswertung von Pulsdaten durch „Student Pulse“ oder das Dashboard der App „Class Dojo“ gezeigt werden. Weitere Beispiele für die Nutzung von Datentechnologien in den verschiedenen Bereichen von Bildung („Schulaufsicht / -verwaltung / -leitung“ vs. „Klassenzimmer / Lehre / Praxis“) können gemeinsam mit Studierenden zum Beispiel in Form einer Tabelle an der Tafel / Whiteboard / auf der Folie gesammelt werden.

Anschließend wird der steigende Einfluss digitaler Technologien in der Bildung – vor allem seit der Corona-Pandemie – und die damit verbundenen Hoffnungen und Risiken besprochen. Auch hier bietet es sich an, mit Zitaten zu arbeiten und konkrete Beispiele zu nennen, z.B. den erfolglosen Einsatz des A-Level-Algorithmus in Großbritannien. 

Begriffsklärungen: Learning Analytics & Digital Education Governance

Im nächsten Schritt werden zwei Kernbegriffe aus dem Bereich der datafizierten Bildung geklärt. „Learning Analytics“ wird anhand von Zitaten (Hartong 2019; Williamson 2015) und einem Ausschnitt des MOOC „Taccle AI“ (inklusive Interview mit Prof. Dr. Sigrid Hartong) behandelt. Zum Begriff „Digital Education Governance“ bietet sich z.B. ein Zitat von Williamson 2016, S.123, zusammen mit konkreten Beispielen an.

Kritische Perspektiven auf digitale Bildung

Anschließend werden in einer längeren Gruppenarbeitsphase (ca. 45-50 Minuten) Risiken rund um den Einsatz digitaler Technologien im Bildungsbereich herausgearbeitet. Dies geschieht anhand der „Alternativen Checkliste zur Digitalisierung für Bildungseinrichtungen“ der Initiative UNBLACK THE BOX. Sie enthält kritische Fragen und Anregungen für eine (selbst)bewusste Auseinandersetzung mit digitalen Technologien in der Bildung.

12 Perspektiven auf digitale Bildung

Die Studierenden werden zunächst in sechs Gruppen aufgeteilt – am besten orientiert an den Sitzplätzen. Dann liest jede Gruppe zwei Thementexte der Checkliste und bespricht diese.

Themenaufteilung:

  1. Daten & Überwachung
  2. KI & Nudging
  3. Wer steckt dahinter & Modellierung
  4. Bildungspolitische Hintergründe & Wer berät/schult
  5. Gesundheitliche Folgen (körperlich & psychosozial)
  6. Art von Lernen & pädagogische Gestaltbarkeit

Anschließend stellt jede Gruppe ihre zwei Texte dem restlichen Seminar vor. Diese Vorstellung soll kurz und knapp gehalten werden (3-4 Minuten pro Gruppe) und sich auf die folgende Fragen beschränken:

  • Welchen Aspekt von datafizierter Bildung behandelt der Text?
  • Fassen Sie Kernargumente des Textes in 1-2 Sätzen zusammen.

So bekommt der gesamte Kurs einen Einblick in die diversen Perspektiven auf digitale Bildung, die in der Checkliste enthalten sind.

Alternativ kann auch diese neue „Starterübung zur kritischen Auseinandersetzung mit digitalen Bildungstechnologien“ eingesetzt werden, in der zu jedem Thema der Alternativen Checkliste eigenes Wissen und Anekdoten gesammelt werden.

Zum Abschluss der Sitzung werden die besprochenen Themen noch einmal reflektiert und gemeinsam diskutiert. Dafür bieten sich zum Beispiel folgende Diskussionsfragen an:

  • Was haben Sie mitgenommen – welche Aspekte haben Sie überzeugt, welche weniger? Was sehen Sie kritisch?
  • Welche Themen der letzten Sitzungen werden im Bildungsbereich besonders relevant?
  • Hat Ihnen die Checkliste geholfen, die Datafizierung von Bildung besser zu verstehen?
  • Wie stehen Sie jetzt zur Nutzung digitaler Datentechnologien im Bildungsbereich?

Hausaufgabe

In der 5. und 6. Sitzung werden verschiedene Bildungsbegriffe in Kurzpräsentationen von Gruppen vorgestellt. Zur Vorbereitung dazu wird der Kurs in insgesamt fünf Gruppen aufgeteilt. Jede Gruppe liest zwei Texte (jeweils einen wissenschaftlichen Text und einen Hintergrundtext) zu einem dieser fünf Konzepte:

  1. Medienkompetenz
    a. Kapitel 7 aus: Baacke, D. 1997. Medienpädagogik. Tübingen: Niemeyer.
    b. Hintergrund: https://www.bigdataliteracy.net/glossar/?rdp_we_resource=https%3A%2F%2Fwww.ds-glossar.de%2Fwiki%2FMedienkompetenz_%28Medienbildung%29 (Medienbildung)
  2. Data Literacy „klassisch“
    a. Pangrazio, L. and Selwyn, N. 2019. ‘Personal data literacies’: A critical literacies approach to enhancing understandings of personal digital data. New Media & Society 21(2), S. 419–437. (Fokus v.a. auf S.422-426)
    b. Hintergrund: https://www.bigdataliteracy.net/glossar/?rdp_we_resource=https%3A%2F%2Fwww.ds-glossar.de%2Fwiki%2FData_Literacy
  3. Critical Data Literacy
    a. Pangrazio, L. and Selwyn, N. 2019. ‘Personal data literacies’: A critical literacies approach to enhancing understandings of personal digital data. New Media & Society 21(2), S. 419–437. (Fokus v.a. auf S.426-431)
    b. Hintergrund: https://www.bigdataliteracy.net/glossar/?rdp_we_resource=https%3A%2F%2Fwww.ds-glossar.de%2Fwiki%2FCritical_%28Big%29_Data_Literacy_%28Medienbildung%29
  4. Bildung
    a. Vogel, P. 2008. Bildung, Lernen, Erziehung, Sozialisation. In: Coelen, T. & Otto, H.-U. (Hg.) Grundbegriffe Ganztagsbildung. Wiesbaden: VS Verlag für Sozialwissenschaften, S. 118–127.
    b. Hintergrund: https://www.bpb.de/themen/bildung/dossier-bildung/146201/bildung-zwischen-ideal-und-wirklichkeit/
  5. Politische Bildung
    a. Kapitel ‚Einführung‘ und Kapitel 1 aus: Autorengruppe Fachdidaktik. 2016. Was ist gute politische Bildung? Leitfaden für den sozialwissenschaftlichen Unterricht. 2nd ed. Schwalbach/Ts: Wochenschau Verlag.
    b. Hintergrund: https://www.bpb.de/kurz-knapp/lexika/handwoerterbuch-politisches-system/202092/politische-bildung/

In der 5. Sitzung werden die Konzepte 1-3 vorgestellt, in der 6. Sitzung die Konzepte 4-5. Die Studierenden haben also für eine der beiden Sitzungen eine aufwändige Vorbereitungsleistung, müssen allerdings für die andere Sitzung nichts vorbereiten. Die Präsentationen sollten 5 bis maximal 7 Minuten lang sein und sich an diesen Leitfragen orientieren:

  1. Was ist der (historische) Entstehungskontext Ihres Begriffes?
  2. Was beschreibt Ihr Begriff? Definieren Sie den Bildungsbegriff und nennen Sie wichtige Ziele und Charakteristika des Begriffes.
  3. Von welchen anderen Begriffen hebt sich Ihr Begriff ab? Was unterscheidet ihn von diesen?

Sitzung 5:

Ort: Seminarraum

Fehlendes Wissen über Daten & Bildungskonzepte

In der fünften Sitzung wird eine Metaperspektive angestrebt und die Verbindung zum Thema „Bildung über Daten“ hergestellt. Die Studierenden reflektieren zunächst das bisher Gelernte in Bezug auf Probleme, Risiken und Verbesserungspotenziale. Darauf folgt der Einstieg in das Thema ‚Bildung über Datentechnologien‘ samt Kurz-Vorstellungen der Studierenden zu drei Bildungsbegriffen.

Ablauf der Sitzung

Probleme rund um Datentechnologien und Lösungsansätze

Die Sitzung startet mit einer Sammlung von Risiken und Problemen rund um Datentechnologien. Dabei sollen die Studierenden reflektieren, welche Aspekte rund um Big Data und Datafizierung, die sie im Laufe des Seminars kennengelernt haben, sie persönlich als ein Problem oder Risiko ansehen. Für diese Sammlung bietet sich eine digitale Wortwolke an (z.B. mit https://answergarden.ch/ ), in der die Studierenden bereits genannten Einträgen zustimmen können, indem sie den gleichen Begriff noch einmal einsenden. So ergibt sich eine Sammlung mit gleichzeitiger Wertung.

Anschließend wird – während die Wortwolke weiter gezeigt wird – in der gesamten Gruppe besprochen, wie die einzelnen Risiken und Problemfelder angegangen werden können. Häufig genannte Ansätze sind zum Beispiel bessere Gesetze, mehr Transparenz und mehr Aufklärung, doch die Studierenden haben oft auch weitere, kreative und durchdachte Ideen als Lösungsansätze.

Fehlendes Wissen

Dieser gemeinsamen Diskussion folgt ein kurzer Input der Dozentin, in dem aktuelle Studienergebnisse zum (fehlenden) Wissen der Bevölkerung und Einstellungen zu Datensammlung im Internet aufgezeigt werden (z.B. Miller et al 2018; Grzymek & Puntschuh 2019; Müller-Peters 2019; Miller et al 2020; Akman 2022) sowie der Effekt der „Digitalen Resignation“ (Turow et al. 2015; Hargittai & Marwick 2016; Dencik & Cable 2017) besprochen wird. Zudem können auch Studienergebnisse, die darauf hinweisen, dass mehr Bildung über Daten zu einem mündigeren Umgang mit Datentechnologien führt, gezeigt werden (z.B. Marreiros et al. 2017; Worledge & Bamford 2019; Sander 2020).

Kurz-Vorstellungen der Bildungskonzepte

Anschließend geht es um die Frage, was für eine Bildung über Datentechnologien es braucht und wie diese konkret aussehen könnte. Einerseits gibt es zahlreiche neue Datenkompetenz- und -bildungsbegriffe wie „Data Literacy“, „Critical Data Literacy“ u.v.m.; andererseits können jedoch auch etabliertere Begriffe wie „Medienkompetenz“, der Begriff der „Bildung“ selbst oder auch das Feld der „politischen Bildung“ hilfreiche Perspektiven für Bildung über Datentechnologien bieten (für eine Diskussion dieser Begriffe und ihrem Verhältnis zu Datenbildung, siehe Sander 2024). Daher folgen nun die Kurz-Vorstellungen der Studierenden zu den ersten drei Begriffen. In diesem Zuge können auch offen gebliebene Fragen der Studierenden zu diesen Bildungskonzepten oder Missverständnisse geklärt werden.

Zum Abschluss dieser Sitzung bietet es sich an, die Studierenden zu erinnern, dass am Ende der nächsten Sitzung die Themen- und Gruppenwahl für die Rechercheprojekte stattfindet. Es können auch bereits erste Themenvorschläge zur Inspiration gezeigt werden.

Als Hausaufgabe ist lediglich die Vorbereitung der verbleibenden zwei Kurz-Vorstellungen geplant.

Sitzung 6:

Ort: Seminarraum

(Politische) Bildung über Datafizierung & Rechercheprojekte

Die sechste Sitzung hat zwei Schwerpunkte: Zunächst geht es noch einmal um Bildung über Datentechnologien. Die letzten zwei Kurz-Vorstellungen werden gehalten und die Verknüpfung der Bildungskonzepte zum Thema Big Data und Datafizierung hergestellt. Danach folgen ausführliche Informationen sowie die Gruppen- und Themeneinteilung für die Rechercheprojekte, die von Woche 7-10 stattfinden.

Ablauf der Sitzung

Bildung über Datafizierung: Konzepte und praktische Umsetzung

Die Sitzung startet mit den verbleibenden zwei Kurz-Vorstellungen zu den Konzepten „Bildung“ und „politische Bildung“. Wie in der letzten Sitzung können im Rahmen der Präsentationen auch offen gebliebene Fragen der Studierenden zu diesen Bildungskonzepten oder Missverständnisse geklärt werden.

Danach wird die Verbindung zwischen den vorgestellten Bildungskonzepten und dem Themenkomplex Big Data und Datafizierung hergestellt. In der Seminargruppe wird die Frage „(Wie) Können uns diese Konzepte bei den Problemen rund um Datafizierung weiterhelfen?“ diskutiert. Dazu können u.a. folgende Unterfragen besprochen werden:

  • Sind Bildungsansätze allgemein sinnvolle Lösungen für die Herausforderungen und Probleme rund um Datensysteme, die wir im Seminar identifiziert haben?
  • Hilft uns Data Literacy weiter? Finden Sie, dass Data Skills (Fähigkeit mit Daten umzugehen, diese zu analysieren etc.) in Bildung über Datafizierung enthalten sein sollten?
  • Was kann eine kritische Bildung über Datafizierung von Medienkompetenz / Bildung / politischer Bildung lernen?
  • In welchem Kontext und von wem könnte Critical Data Literacy gefördert werden?
  • Fällt eine kritische Bildung über Datafizierung in den Aufgabenbereich der (politischen) Bildung?

Anschließend wendet sich die Diskussion der Frage zu, wie Bildung über Datentechnologien praktisch umgesetzt werden könnte. Als ein Weg wird hier auf Online-Bildungsressourcen über Datafizierung verwiesen. Gemeint sind damit Webseiten wie „Do Not Track“, „How Normal am I?“, „Privat-o-Mat“, „Simulator Plattformdynamiken“ oder „Überwacht und Verkauft“ der Süddeutschen Zeitung, die alle bereits im Laufe des Seminars von den Studierenden genutzt wurden. Die Studierenden besprechen in Kleingruppen:

  • Was halten Sie von solchen Online-Bildungsressourcen?
  • Können diese eine kritische Datenbildung fördern?
  • Welche Ansätze von den vorgestellten Bildungskonzepten finden Sie hier?
  • Warum funktionieren Webseiten, Videos, interaktive Tools etc. ggf. besser als Texte oder Vorträge?

Informationen zu den Rechercheprojekten

Von dieser Diskussion aus lässt sich gut zum zweiten Block der Sitzung überleiten: den Rechercheprojekten. Denn in diesen sollen die Studierenden recherchieren, wie sich die Datafizierung auf einen gesellschaftlichen Teilbereich auswirkt, und anschließend ihre Rechercheergebnisse in kreativer Form (z.B. Webseite, Video, Podcast, interaktiver Workshop, Planspiel etc. – weitere kreative Ideen z.B. hier) vorstellen. Für die Vorstellung der Ergebnisse keine Powerpoint-Präsentationen (o.ä.) zu erlauben, sondern die Studierenden zu ermutigen, kreative Formate zu nutzen, hat sich bewährt und kommt bei den Studierenden trotz des zusätzlichen Aufwands außerordentlich gut an, wie zum Beispiel dieses Zitat aus der Seminarevaluation zeigt:

„Die Gruppenarbeiten mit anschließender Präsentation sind ein sehr gutes Mittel, um Studierende zu motivieren. Außerdem ist das „Verbot“ von klassischen Vorträgen oder PowerPoints super, um die Kreativität der Studierenden zu fördern. Auch die Hybriden Termine gaben genug Zeit und Freiheiten, um sinnvolle Konzepte für die Präsentationen auszuarbeiten.“

Aus dem Evaluationsbogen einer/s Studierenden

Die Themen für die Recherche sollten vorab abgesprochen werden, damit sie zu den gestellten Leitfragen (s.u.) passen. Es können auch Beispiele genannt werden:

Themenvorschläge Rechercheprojekte

  • Stellensuche (Stellenanzeigen, Recruiting, Bewerbungsprozess etc.)
  • Sozialwesen
    • Z.B. Vergabe von Sozialhilfe wie Arbeitslosengeld, Zuschüsse zu Pflege usw.
    • ODER: Vorhersagesysteme, z.B. Vorhersage von Kindeswohlgefährdung
  • Versicherungen (eine Branche wählen, z.B. Kranken- oder Kfz-Versicherung)
  • Wahlkampf & Wahlwerbung
  • Journalismus
    • Z.B. KI-Systeme wie ChatGPT usw.
  • Polizeiarbeit (einen Bereich wählen)
    • Z.B. smarte Kameras (Body Cam / CCTV) mit Gesichtserkennung
    • ODER: Vorhersage von Einbrüchen
    • ODER: Extremismus-Bekämpfung
  • Bildungswesen (spezifischen Bereich wählen!)
    • Z.B. digitale Lerntools in Kindergarten/Grundschule
    • ODER: Scoring Systeme im Klassenzimmer
  • Kunst
    • Z.B. Umgang mit AI Image Generators

Leitfragen für die Recherche

In ihren Rechercheprojekten sollen die Studierenden folgende Leitfragen beantworten:

  1. Wie wirkt sich die Datafizierung auf diesen Bereich aus?
  2. Welche konkreten Risiken sind damit verbunden? Inwiefern könnte die Nutzung von Datensystemen in diesem Bereich problematisch sein/werden?
  3. Was ließe sich gegen diese Risiken tun? Wie könnte man in diesem Bereich über Datafizierung bilden/aufklären? Wer? Warum?

Zur Beantwortung sollen sie eine eigenständige Recherche auf Basis von wissenschaftlicher Literatur, „grauer Literatur“ sowie realen Fallbeispielen durchführen. Anschließend sollen die Rechercheergebnisse in einer kreativen Präsentationsform (s.o.) aufbereitet werden. Das Ziel ist hierbei, dem restlichen Kurs in Bezug auf den gewählten gesellschaftlichen Teilbereich die Antworten auf die drei Leitfragen zu vermitteln und dadurch die kritische Datenbildung der anderen Studierenden zu fördern. Für die Präsentationen zu Ende des Seminars müssen Beispiele aus dem realen Leben genannt und interaktive Komponenten (Einbindung der Zuhörenden) eingebaut werden. Für ein produktives Arbeiten hat sich eine optimale Gruppengröße von 3-4 Personen bewährt.

Um den Studierenden innerhalb der insgesamt fünfwöchigen Arbeitsphase Orientierung zu bieten, ist es außerdem hilfreich, Wochenziele festzulegen:

Ablauf der eigenständigen Arbeitsphase

Woche 1:

Wochenziel: Erste Recherche nach Literatur und konkreten Fallbeispielen aus dem jeweiligen gesellschaftlichen Teilbereich. Notizen zu vorgegebenen Fragen machen.

Sitzung 7: Zeit-Slots für Bericht zur Recherche, Klärung von Fragen usw.

Woche 2:

Wochenziel: Zweiwöchige Literaturrecherche ist abgeschlossen, Notizen zu Erkenntnissen wurden gemacht, reale Fallbeispiele wurden gesammelt. Erste Überlegungen zum Format der Vorstellung werden angestellt.

Sitzung 8: freie Arbeit (Fragen via Mail oder Teams-Anruf)

Woche 3:

Wochenziel: Ergebnisse der Gruppenmitglieder werden zusammengeführt und Auswirkungen (Frage 1) und Risiken und Probleme (Frage 2) gesammelt und strukturiert. Frage 3 wird diskutiert und passende Ansätze für den jeweiligen gesellschaftlichen Teilbereich werden gesammelt. Ein erster Plan zur Entwicklung der Vorstellung wird besprochen.

Sitzung 9: Zeit-Slots für Kurz-Bericht zu Rechercheergebnissen, Plan für Vorstellung sowie Raum für Fragen zum Format.

Woche 4:

Wochenziel: Die Vorstellung der Ergebnisse in den Sitzungen 11 und 12 wird entwickelt, d.h. ein Plan für einen Workshop geschrieben / ein Podcast aufgenommen / ein Video geschnitten / ein Planspiel entwickelt etc.

Sitzung 10: freie Arbeit (Fragen via Mail)

Woche 5:

Wochenziel: Finale Entwicklung der Projektvorstellungen.

Abgabe der Ergebnisse der Rechercheprojekte (z.B. Video/Podcast/Workshop-Plan usw.) bis zu Abgabedatum (vor 11. Sitzung)

Sitzung 11 und 12: Vorstellungen der Rechercheprojekte

Wie dem Ablaufplan zu entnehmen ist, finden in der fünfwöchigen Recherchephase zwei kurze Besprechungen der einzelnen Gruppen mit der Dozentin statt. Die anderen beiden Sitzungen (8 und 10) entfallen für freie Arbeit. Jedoch ist die Dozentin für die gesamte Arbeitsphase per Mail und nach Absprache auch per Teams-Anruf oder Präsenztreffen für Fragen erreichbar. Den Abschluss der Arbeitsphase bilden die Projektvorstellungen in den Sitzungen 11 und 12. Hier werden zudem von den nicht präsentierenden Studierenden unbenotete Peer Reviews für die vorstellenden Gruppen geschrieben (ein Peer Review pro Person). Dies motiviert nicht nur die vorstellenden Gruppen, gute Projektvorstellungen zu konzipieren, sondern sorgt auch für gute Anwesenheit und ist eine sinnvolle Übung für konstruktives Kritisieren. Die Reviews werden anhand von Vorlagen geschrieben und an die Dozentin gesendet, die diese bündelt und in anonymisierter Form an die Projektgruppen sendet.

Sitzung 7:

Ort: Online

Zeit-Slots für Besprechung Rechercheprojekte

In dieser Sitzung trifft die Dozentin jede der Projektgruppen individuell in einem 10-15minütigen Zeitslot. Dies kann online oder in Präsenz geschehen. Dabei berichten die Gruppen von ihrer ersten Recherche auf dem Weg zum ersten Wochenziel. Mögliche Probleme und Fragen werden geklärt, ggf. Tipps zur weiteren Recherche gegeben.

Sitzung 8:

Ort: Asynchron

Freie Arbeit

Die Studierenden arbeiten selbstständig weiter an ihren Rechercheprojekten und bearbeiten das vorgegebene Wochenziel (siehe Ablaufplan Sitzung 6).

Sitzung 9:

Ort: Online

Zeit-Slots für Besprechung Rechercheprojekt

Ein zweites Mal trifft die Dozentin jede der Projektgruppen individuell in einem 10-15minütigen Zeitslot (online oder in Präsenz). Dieses Mal berichten die Gruppen zu ihren konkreten Rechercheergebnissen und ihren Ideen für die Vorstellung. Zudem gibt es Raum für Fragen, u.a. zum Format der Projektvorstellungen.

Sitzung 10:

Ort: Asynchron

Freie Arbeit

Die Studierenden arbeiten selbstständig weiter an ihren Rechercheprojekten und bearbeiten das vorgegebene Wochenziel (siehe Ablaufplan Sitzung 6).

Sitzung 11:

Ort: Seminarraum

Vorstellung der Rechercheprojekte

In der 11. Sitzung stellen die Gruppen die Ergebnisse ihrer Recherchearbeit vor. Dafür hat jede Gruppe einen Input vorbereitet sowie interaktive Teile (z.B. Diskussionsfragen oder Aufgaben), mit denen der restliche Kurs eingebunden wird. Einige Beispiele für Ergebnisse der Projektarbeit, wie ein Podcast, ein Hörspiel und ein Workshop, sind unten aufgeführt. Während der Projektvorstellungen machen sich die Studierenden, die von der Dozentin der entsprechenden Gruppe zugeordnet wurden, bereits Notizen für ihre Peer Reviews. Die vollständigen Peer Reviews werden nach der Sitzung eingereicht und von der Dozentin anonymisiert und gebündelt an die Gruppen weitergeleitet.

Ablauf der Sitzung

Anhand von drei Beispielen soll hier aufgezeigt werden, wie die Projektvorstellungen der Studierenden gestaltet werden können. Alle drei Gruppen sind einverstanden, dass ihre Ergebnisse auf dieser Seite veröffentlicht werden. Diese Inhalte (Podcast, Workshop und Hörbuch) dürfen jedoch nicht in einem anderen Kontext verwendet werden, d.h. sind von der CC-Lizenz ausgeschlossen und hier lediglich als Anschauungsmaterial aufgeführt.

Beispiel 1: Podcast zu „Big Data und Datafizierung in der Politik“

Diese Gruppe hat ihre Rechercheergebnisse in einen 24-minütigen Podcast verarbeitet, der im Rahmen ihrer Projektvorstellung abgespielt wurde. Im Podcast unterhalten sich fünf SprecherInnen in Form eines Stammtisches darüber, wie sich Datafizierung auf Politik und das politische Meinungsbild auswirkt. Dabei werden einerseits Informationen vermittelt und andererseits verschiedene Perspektiven und Deutungsweisen zum Thema dargestellt. An drei Stellen wird der Podcast pausiert und es werden Fragen an den Kurs gestellt, wie zum Beispiel: „Habt ihr Microtargeting oder Dark Ads schon einmal selbst erlebt?“.

Beispiel 2: Workshop zum Thema „Digitale Lernspiele in der Grundschule“

Diese Gruppe hat sich für einen anderen Ansatz entschieden und einen Workshop entwickelt. Eingereicht wurden ein Skript für den Workshop sowie ein Handout. Wie dem Skript zu entnehmen ist, beginnt die Gruppe ihre Vorstellung mit einer kurzen inhaltlichen Einleitung und einem Handout für den Kurs. Danach wird der Kurs in Gruppen eingeteilt, die sich verschiedene Lernwelten zum Thema Digitalisierung in Minecraft Education anschauen. Bereits vor der Sitzung wurde eine Anleitung versandt, die erklärt, wie die Uni-internen Lizenzen für Minecraft Education genutzt werden können. Nachdem die Studierenden die Lernwelten „Die Ermittler“, „Netzwerkhelden“, „Digitale Gesellschaft“ und „Datenschutz-Wunderkind“ erkundet haben, moderiert die vorstellende Projektgruppe eine Plenumsdiskussion zu den Lernwelten, in der zudem Rechercheergebnisse der Gruppe beigetragen werden. Anschließend wird das Tool „Antolin“ als eine andere Form von digitalem Lernen vorgestellt und diskutiert, und es werden offene Fragen geklärt.

Beispiel 3: Hörspiel zu „Bodycams in der Polizeiarbeit“

Die dritte Gruppe hat ihre Rechercheergebnisse in ein 15-minütiges Hörspiel verwandelt, welches in einer fiktiven Hamburger Kneipe stattfindet. Eine Polizistin mit BodyCam wird zu einem Streit in die Kneipe gerufen. Dabei repräsentieren die beiden Streitparteien sowie der Barbesitzer (der zuvor Jura studiert hat) verschiedene Positionen in Hinblick auf Datenschutzfragen, welche offen diskutiert werden. Durch die Gespräche werden sowohl die geltende deutsche Gesetzgebung in Bezug auf die Nutzung von Körperkameras in der Polizei als auch Vorteile, Nachteile und mögliche zukünftige Entwicklungen verdeutlicht. Neben dem Abspielen des Hörbuchs hat die vorstellende Gruppe Fragen in Form eines Mini-Handouts vorbereitet, die zu Beginn der Sitzung ausgeteilt werden. Diese Fragen werden vom Kurs zunächst in Gruppen und anschließend im Plenum diskutiert (siehe auch Ablaufplan). Hier werden zudem Fallbeispiele aus der realen Polizeiarbeit diskutiert, die die Projektgruppe durch ein Interview mit einem Polizisten in Erfahrung gebracht hat.

Sitzung 12:

Ort: Seminarraum

Vorstellung der Rechercheprojekte & Abschlussbesprechung, Fragen, Feedback

Die erste Hälfte der 12. Sitzung verläuft wie die 11. Sitzung: die restlichen Gruppen stellen ihre Projektergebnisse vor und die Zuhörenden schreiben (sofern nicht bereits in der letzten Sitzung geschehen) ihre Peer Reviews. In der zweiten Hälfte folgt eine Abschlussbesprechung, es gibt die Möglichkeit für Feedback sowie eine Evaluation des Seminars, und die Prüfungsleistung in Form einer Hausarbeit wird besprochen.

Ablauf der Sitzung

Abschlussbesprechung

Nachdem alle Projektvorstellungen abgeschlossen sind, beginnt die Abschlussbesprechung des Seminars. Zunächst wird der universitätsinterne Evaluationsbogen für das Seminar durch die Studierenden ausgefüllt. Anschließend werden die besprochenen Themen noch einmal reflektiert und – in Anschluss an die Mentimeter-Umfrage in der ersten Sitzung – eine Abschlussumfrage durchgeführt. Diese fragt, was die Studierenden aus dem Seminar mitnehmen, wie sie nun zu Datensystemen eingestellt sind, ob sich ihre Einstellung geändert hat und ob sie ihren Freunden oder Familie von ihren neuen Erkenntnissen zu Datensystemen erzählen werden. Diese einfachen Fragen zeigen häufig, dass die Studierenden ein großes Interesse am Thema Datentechnologien haben und – hoffentlich – einiges aus dem Seminar mitgenommen haben:

Hausarbeit

Abschließend wird noch die Prüfungsform des Seminars – eine Hausarbeit – genauer besprochen. Diese besteht aus zwei Teilen: einem Essay von 7-9 Seiten und einer schriftlichen Reflexion des neu Gelernten von 3-4 Seiten (Gesamt: mindestens 3.500 Wörter, maximal 7.000 Wörter).

Der Essay knüpft direkt an das Rechercheprojekt an: hier sollen die Rechercheergebnisse schriftlich und anhand von wissenschaftlicher Literatur aufgearbeitet werden. Es dürfen gerne weiterhin reale Praxisbeispiele aufgezählt werden, doch muss die Argumentation nun klar wissenschaftlich fundiert sein und entsprechende wissenschaftliche Quellen müssen angeführt werden. Inhaltlich orientiert sich der Essay an den gleichen Leitfragen wie das Rechercheprojekt (siehe Seminarplan).

Der zweite, deutlich kürzere, Teil besteht aus einer schriftlichen Reflexion des neu erlangten Wissens über Datentechnologien. In einem ausformulierten Fließtext mit durchgängigem roten Faden sollen die folgenden Leitfragen aus persönlicher Perspektive (hier ist keine Verwendung von Quellen nötig) beantwortet werden:

  1. Was habe ich Neues gelernt?
  2. Wie betrifft Datafizierung mich persönlich? Was fand ich besonders interessant?
  3. Hat sich meine Sichtweise geändert? Plane ich mein Verhalten zu ändern?
  4. Wie könnte eine bessere (datafizierte) Zukunft aussehen? Wie können wir diese erreichen?

Alternativ wäre es auch möglich, die Reflexion auszulassen und die Studierenden stattdessen einen ausführlicheren Essay oder andere Form von wissenschaftlicher Ausarbeitung ihrer Rechercheergebnisse schreiben zu lassen. Das Ziel ist, die Studierenden im wissenschaftlichen Arbeiten zu stärken sowie sie an die kritische Forschung zu Datentechnologien (z.B. im Feld der Critical Data Studies) heranzuführen. Alle formalen und inhaltlichen Vorgaben für die Hausarbeit werden in dieser letzten Sitzung ausführlich besprochen und offene Fragen geklärt.

Anhang:

Vorlagen:

Seminarplan & Prüfungsleistung WT 24Herunterladen
Peer Review VorlageHerunterladen
Digitale Lerntools in der Grundschule (Skript)Herunterladen
Digitale Lerntools in der Grundschule (Handout)Herunterladen
Ablauf Bodycam ReferatHerunterladen
Literatur

Akman, P. 2022. A Web Of Paradoxes: Empirical Evidence On Online Platform Users And Implications For Competition And Regulation In Digital Markets. Virginia Law & Business Review 16(2), S. 217–292. doi: 10.2139/ssrn.3835280.

Angwin, J., Larson, J., Mattu, S. und Kirchner, L. 2016. Machine Bias. Verfügbar unter: https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing.

Autorengruppe Fachdidaktik. 2016. Was ist gute politische Bildung? Leitfaden für den sozialwissenschaftlichen Unterricht. 2nd ed. Schwalbach/Ts: Wochenschau Verlag. (Kapitel ‚Einführung‘ und Kapitel 1)

Baacke, D. 1997. Medienpädagogik. Tübingen: Niemeyer. (Kapitel 7)

Breiter, A., und Lange, A. 2019. „Die digitale Schule und Schulverwaltung“. In: Lühr, H.-H., Jabkowski, R. und Smentek, S. Handbuch Digitale Verwaltung. 1. Auflage, 330-342. Wiesbaden: Kommunal- und Schul-Verlag Wiesbaden.

Büchi, M., Festic, N. und Latzer, M. 2022. The Chilling Effects of Digital Dataveillance: A Theoretical Model and an Empirical Research Agenda. Big Data & Society 9(1), S. 1–14. doi: 10.1177/20539517211065368.

Dencik, L. und Cable, J. 2017. The Advent of Surveillance Realism: Public Opinion and Activist Responses to the Snowden Leaks. International Journal of Communication 11, S. 763–781.

Dencik, L., Hintz, A., Redden, J. und Treré, E. 2022. Data Justice. London; Thousand Oaks; New Delhi; Singapore: SAGE Publications.

Glossar Digitale Souveränität. 2021. „Critical Big Data Literacy (Medienbildung).“ https://www.bigdataliteracy.net/glossar/. 

Glossar Digitale Souveränität. 2021. „Data Literacy (Medienbildung).“ https://www.bigdataliteracy.net/glossar/.

Glossar Digitale Souveränität. 2021. „Medienkompetenz (Medienbildung).“ https://www.bigdataliteracy.net/glossar/.

Grzymek, V. und Puntschuh, M. 2019. Was Europa über Algorithmen weiß und denkt. Ergebnisse einer repräsentativen Bevölkerungsumfrage. Gütersloh: Bertelsmann Stiftung. https://doi.org/10.11586/2019006.

Hargittai, E. und Marwick, A. 2016. “What Can I Really Do?” Explaining the Privacy Paradox with Online Apathy. International Journal of Communication 10, S. 3737–3757.

Hartong, S. 2019. „Learning Analytics und Big Data in der Bildung: Zur notwendigen Entwicklung eines datenpolitischen Alternativprogramms“, S. 7-22. https://www.hsu-hh.de/ggb/wp-content/uploads/sites/679/2019/11/2019Hartong_Learning-analytics_GEW.pdf

Hepp, A., Jarke, J. und Kramp, L. 2022. New Perspectives in Critical Data Studies: The Ambivalences of Data Power – An Introduction. In: Hepp, A., Jarke, J., und Kramp, L. Hrsg. New Perspectives in Critical Data Studies: The Ambivalences of Data Power. Transforming Communications – Studies in Cross-Media Research. Cham: Palgrave MacMillan, S. 1–23.

Hintz, A., Dencik, L. und Wahl-Jorgensen, K. 2019. Digital citizenship in a datafied society. Medford, MA: Polity Press.

Kitchin, R. 2017. Thinking critically about and researching algorithms. Information, Communication & Society 20(1), S. 14–29. doi: 10.1080/1369118X.2016.1154087.

Marreiros, H., Tonin, M., Vlassopoulos, M. und Schraefel, M.C. 2017. “Now that you mention it”: A survey experiment on information, inattention and online privacy. Journal of Economic Behavior & Organization 140, S. 1–17. doi: 10.1016/j.jebo.2017.03.024.

Massing, P. (kein Datum). Politische Bildung. https://www.bpb.de/kurz-knapp/lexika/handwoerterbuch-politisches-system/202092/politische-bildung/.

Miller, C., Coldicutt, R. und Kitcher, H. 2018. People, Power and Technology: The 2018 Digital Understanding Report.London: Doteveryone. Verfügbar unter: http://understanding.doteveryone.org.uk/.

Miller, C., Kitcher, H., Perera, K. und Abiola, A. 2020. People, Power and Technology: The 2020 Digital Attitudes Report. London: Doteveryone. https://doteveryone.org.uk/report/peoplepowertech2020.

Müller-Peters, H. 2020. Big Data: Chancen und Risiken aus Sicht der Bürger. In: Knorre, S., Müller-Peters, H., und Wagner, F. Hrsg. Daten‐Souveränität in digitalen Lebenswelten. Berlin: Springer, S. 124–153.

Noble, S.U. 2018. Algorithms of oppression. How search engines reinforce racism. New York: New York University Press.

Pangrazio, L. and Selwyn, N. 2019. ‘Personal data literacies’: A critical literacies approach to enhancing understandings of personal digital data. New Media & Society 21(2), S. 419–437. 

Pasquale, F. 2015. The Black Box Society: The Secret Algorithms That Control Money and Information. Harvard University Press. http://www.jstor.org/stable/j.ctt13x0hch.

Prietl, B. und Houben, D. 2018. Einführung. Soziologische Perspektiven auf die Datafizierung der Gesellschaft. In: Houben, D. und Prietl, B. Hrsg. Datengesellschaft. Einsichten in die Datafizierung des Sozialen. Bielefeld: Transcript, S. 7–20.

Prietl, B. 2019. Big Data: Inequality by Design? In: Proceedings of the Weizenbaum Conference 2019 „Challenges of Digital Inequality – Digital Education, Digital Work, Digital Life“. Berlin: WI – Weizenbaum Institute for the Networked Society, S. 1–10. https://www.ssoar.info/ssoar/handle/document/62586.

Redden, J. und Brand, J. 2020. Data Harm Record. Cardiff: Data Justice Lab, Cardiff University. https://datajusticelab.org/data-harm-record/.

Redden, J. 2022. Data harms. In: Dencik, L., Hintz, A., Redden, J., und Treré, E. Hrsg. Data Justice. London; Thousand Oaks; New Delhi; Singapore: SAGE Publications, S. 59–72.

Sander, I. 2020. What is critical big data literacy and how can it be implemented? Internet Policy Review 9(2). doi: 10.14763/2020.2.1479.

Sander, I. 2024. Critical datafication literacy – a framework for educating about datafication. Information and Learning Sciences 125(3/4), S. 270–292. doi: 10.1108/ILS-06-2023-0064.

Tenorth, H.-E. 2013. Bildung – zwischen Ideal und Wirklichkeit. Ein Essay. https://www.bpb.de/themen/bildung/dossier-bildung/146201/bildung-zwischen-ideal-und-wirklichkeit/.

Tenzer, F. 2024. Volumen der jährlich generierten/replizierten digitalen Datenmenge weltweit von 2010 bis 2022 und Prognose bis 2027. Veröffentlicht auf Statista: https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/.

Turow, J., Hennessy, M. und Draper, N.A. 2015. The tradeoff fallacy: How marketers are misrepresenting American consumers and opening them up to exploitation. Philadelphia: University of Pennsylvania. https://dx.doi.org/10.2139/ssrn.2820060.

Vogel, P. 2008. Bildung, Lernen, Erziehung, Sozialisation. In: Coelen, T. & Otto, H.-U. (Hg.) Grundbegriffe Ganztagsbildung. Wiesbaden: VS Verlag für Sozialwissenschaften, S. 118–127.

Williamson, B. 2015. Governing software: networks, databases and algorithmic power in the digital governance of public education. Learning, Media and Technology 40(1), S. 83–105. doi: 10.1080/17439884.2014.924527.

Williamson, B. 2016. Digital education governance: data visualization, predictive analytics, and ‘real-time’ policy instruments. Journal of Education Policy 31(2), S. 123–141. doi: 10.1080/02680939.2015.1035758.

Worledge, M. und Bamford, M. 2019. Adtech Market Research Report. London; Cheshire: Ofcom; International Commissioner’s Office.

Zweig, K.A. 2019. Algorithmische Entscheidungen: Transparenz und Kontrolle. Analysen & Argumente. Digitale Gesellschaft (338), S. 1–16.

Bei Fragen zu diesem Lehrkonzept wenden Sie sich gerne an die Autorin des Lehrkonzepts: Dr. Ina Sander

Das Lehrkonzept steht unter einer Creative Commons-Lizenz (CC BY NC SA 4.0). Das heißt, Sie dürfen die Inhalte nutzen sowie verändern und weitergeben, solange Sie angemessene Urheberangaben machen und das Material unter der gleichen Lizenz verbreiten. Eine kommerzielle Nutzung ist im Allgemeinen nicht erlaubt, kann jedoch in Einzelfällen (z.B. selbstständige MedienpädagogInnen, freiberufliche FortbilderInnen etc.) genehmigt werden. In diesem Fall bitte einfach eine kurze Mail an Ina Sander. Eine Nutzung im Rahmen von Bildungsinstitutionen ist immer erlaubt.