Suche

Explorative Datenanalyse - Interaktiv lernen



Explorative Datenanalyse - Interaktiv lernen

  • Die explorative Datenanalyse findet ein immer größeres Anwendungsfeld in allen Bereichen der Wissenschaft. Die Auswertung empirischer Daten ist eine Schlüsselqualifikation die Mathematiker, Naturwissenschaftler, Ingenieure, Sozial- und Wirtschaftswissenschaftler während ihres Studiums oder bei den ersten Forschungsprojekten mühevoll erlernen müssen.
  • Statistische Fragestellungen werden oft als unübersichtlich und schwierig empfunden. Für viele ist die Analyse von Daten ein abstrakter Vorgang, der nach festgefügten Regeln ohne konstruktive und explorative Elemente verläuft. Statistische Verfahren werden rein mechanisch angewandt, ohne jeden intuitiven Zugang zum Sachverhalt. Dies führt dazu dass die Datenanalyse kein kreatives Konstruieren ist, an dessen Ende interpretierbare sachgerechte und aussagekräftige statistische Modelle stehen.
  • Moderne mathematische Zugänge zur Datenanalyse, wie z.B. die interaktive statistische Grafik werden kaum verwendet. So fehlen vielen Wissenschaftlern die zentralen Werkzeuge, um ihre Datensätze qualitativ beurteilen zu können. Unterstützt von sachlogischen Überlegungen ist es durch die explorative Datenanalyse möglich auch unbekannte Zusammenhänge in den Daten zu finden und auf Probleme bei der Datenerhebung und der Qualität der Daten aufmerksam zu werden. Durch das mechanische Vorgehen bei der Auswertung von Daten kommt es oft zu groben Fehlinterpretationen, da dem Nutzer die Übersetzungsregeln aus der Wirklichkeit in den Datensatz – und damit in die Sprache der Mathematik – nicht bewusst sind. Die Interpretation einer statistischen Auswertung ist nichts anderes, als die Rückübersetzung aus der Sprache der Mathematik in die Wirklichkeit. Diese kann also nur korrekt sein, wenn die Übersetzungsregeln von Anfang an klar und bewusst sind.
  • Beim Erlernen der explorativen Datenanalyse hat sich als zentral herausgestellt, dass es für den Lernenden ungemein wichtig ist, selbst mit den Werkzeugen der Datenanalyse und mit realen Datensätzen umzugehen und diese in ihrem realen Umfeld zu interpretieren. Didaktisch aufgearbeitete Datensätze, denen ein Bezug zu einem realen Problem fehlt, sind nicht geeignet um die Prinzipien der explorativen Datenanalyse schlüssig darzustellen und zu einem wirklichen Verstehen beim Lernenden zu führen. Um reale Datensätze bearbeiten zu können ist es unabdingbar, interaktive statistische Grafik auf reale Datensätze anzuwenden. In diesem Zusammenhang bedeutet Interaktivität nicht nur eine menügesteuerte Nutzerführung, sondern eine unmittelbare Abhängigkeit (dynamische Verknüpfung) zwischen den einzelnen Anwendungsfenstern. Das heißt eine Veränderung in einem Fenster hat direkte Auswirkungen auf die anderen Fenster. Vorhandene Handbücher, Tutorials, Hilfefunktionen der Programme oder statischer Frontalunterricht können diese Interaktivität für den Lernenden nur schwer und unzureichend darstellen und erklären.
  • Da das Hauptarbeitsmedium bei der explorativen Datenanalyse der Rechner und interaktive Software sind, liegt es nahe kongruente E-Learning- Konzepte bei der Vermittlung der Datenanalyse zu verwenden. Bei der Interpretation schwieriger Datensätze hat sich gezeigt, dass kooperatives Arbeiten mit anderen Mathematikern wichtig ist, um Datensätze vollständig auszuwerten und interpretieren zu können. Daher erscheint es naheliegend auch im Bereich des Lernens kooperative didaktische Konzepte zum Erlernen der Datenanalyse zu verwenden. Auch für diesen Aspekt erscheint E-Learning geeignet zu sein, da es möglich ist sich über Foren, Wikis, Videokonferenz usw. auszutauschen und kooperativ an einem Problem zu arbeiten. In der praktischen Arbeit mit Lernenden tritt oft das Problem auf, dass die Vorstellungen, die aus der Schulmathematik mitgebracht werden ungeeignet sind das Gerüst für neue Lerninhalte zu bilden. Um das Lerngerüst neu zu justieren könnte das Verwenden von Analogien nützlich sein. Auch hier bietet E-Learning Perspektiven analoge Strukturen, Elementen aus der Datenanalyse klar zuzuordnen und so einen Mehrwert für den Lernenden zu schaffen.
  • Aus den vorgenannten Punkten entstand die Idee eine E-Learning/ Blended-Learning-Plattform zum Erlernen der explorativen Datenanalyse zu erstellen, die sich an Novizen (Studenten, Anfänger) und Experten (Wissenschaftler) wendet.

Projektbeteiligte