Datakompetente studerende – erfaringer og anbefalinger

Af Christina Søgaard Jensen

Dette er et uddrag fra bogen: Forsøg med uddannelsesdigitalisering og uddannelsesformater - du kan læse hele bogen her.

"Alle taler om vejret, men ingen gør noget ved det", skulle Storm P. en gang have sagt. Det samme kan man ikke længere sige om digitalisering af uddannelser. Fra mange sider appelleres der til uddannelsessektoren om  at bygge digitale kompetencer ind i uddannelserne, og det skal helst gå stærkt. Uddannelsessektoren har kastet  sig over opgaven med eksperimenter og nytænkning, helt nye uddannelser og revidering af de gamle.

Således også Erhvervsakademi Aarhus, der i 2017-2019 har gennemført forskningsprojektet Datakompetente  studerende med det formål at løfte og integrere dataaspektet i erhvervsakademiets uddannelser. De spørgsmål,  som man med projektet ønskede at besvare, var:

Hvordan kan Erhvervsakademi Aarhus skabe ensartet undervisning i basal datakompetence? 

Herunder:

Hvad er basal datakompetence?

Hvilke forudsætninger skal være på plads, for at man kan lykkes med at bygge basal datakompetence bredt ind  i uddannelserne?

Teori

Første skridt var at komme nærmere en definition. Internationalt bruges begrebet data literacy om det at være  "data-litterat", og datakompetence kan ses som en oversættelse af dette. Men hvad ligger der i begrebet? I  forskningslitteraturen gives mange definitioner, som dels overlapper hinanden, dels fokuserer på forskellige  aspekter.

Fællesnævneren for definitionerne er en opfattelse af, at det datakompetente menneske kan "læse" numeriske  data på linje med skriftsprog og i tilknytning hertil er i stand til at analysere og fortolke det. Det ses f.eks. i  disse definitioner (Zubiaga et al. 2016:139), hvor data literacy beskrives som henholdsvis

• "the ability to interpret, evaluate and communicate statistical information" og
• "the ability to access, assess, manipulate, summarize, and present data"

De to definitioner trækker hver især på en lang række fagdiscipliner. Datakompetence består altså ikke af én  men mange grundlæggende fagligheder: At kunne læse numeriske data forudsætter viden om dataformater og  statistisk talbehandling og fordrer en evne til at bruge et digitalt værktøj til opgaven. Kvalificeret analyse og  fortolkning af data kræver en forståelse af den faglige kontekst, som data indgår i, og som bidrager til datas  endelige betydning. At tage kvalificerede beslutninger baseret på data kræver en metodisk tilgang til  videnskabelse og problemløsning. Endelig trækkes der på kompetencer inden for design og formidling, når  den opnåede viden skal videreformidles, f.eks. gennem datavisualiseringer. Kompleksiteten slutter dog ikke  her. Andre teoretikere inkluderer tekst og billeder i databegrebet (Zubiaga et al. 2016), nogle lægger vægt på  individets inklusion og muligheder i et gennemdataficeret samfund, og atter andre vægter evnen til selv at  skabe valide data lige så højt som evnen til at udnytte eksisterende (Matthews 2016).

Der er således ikke én eller bare få definitioner at holde sig til, når man som uddannelse skal i gang med at  omsætte diffuse diskussioner af behovet for datakompetence til konkrete elementer i undervisningen. For at  skabe en vej frem skabte Erhvervsakademi Aarhus derfor et overblik over, hvilke fagligheder, der kommer i  spil på akademiets uddannelser i omgangen med data (se figur 1), jf. (Jensen 2019).

Konkluderende kan man sige, at datakompetence er tværfaglig og sammensat af mange grundlæggende  fagligheder, hvorfor den er svær at definere entydigt. Det er derfor nødvendigt, at den enkelte uddannelse eller  uddannelsesinstitution forholder sig til, hvordan den vil nå frem til sin egen forståelse og toning af  datakompetencen.

Figur 1. Datakompetence set som kobling af flere fagligheder.

Fraværet af entydige definitioner på datakompetence førte forskningsprojektet mod en intern proces, hvor  repræsentanter fra flere uddannelser og kompetencecentre satte sig sammen for at søge efter fællesnævnere.  Selvom Erhvervsakademi Aarhus' mangeartede uddannelser skal i forskellige retninger, var tesen, at de kan - og bør - mødes metodisk på det basale niveau for datakompetence. Et basalt niveau, der lægger fundamentet  for de mere avancerede og branchespecifikke tilgange, som de enkelte uddannelser bygger ovenpå.

Projektgruppen formulerede en række kriterier, der skulle sikre, at alle studerende uanset forudsætninger kom  med ombord: Blandt andet skulle materialet være renset for matematiske formler, øvelser skulle kunne begribes gennem logisk tænkning, og introducerende eksempler skulle være generelle, ikke fagspecifikke. Målet var at skabe et "low entry point" for studerende, som møder dataaspektet for første gang (D'Ignazio &  Bhargava 2016), og hvor den pædagogiske udfordring består i at give de studerende en oplevelse af mestring  og udbytte, så de får lyst til at tilegne sig mere.

Et andet fokusområde handlede om toningen og retningen for den basale datakompetence. Hvilken form for  dataanalyse var egentlig målet?

Knaflic skelner mellem en undersøgende og en forklarende dataanalyse – "exploratory versus explanatory  analysis" (Knaflic 2015:19):

• Undersøgende dataanalyse: Det at forstå data, f.eks. ved at lede efter mønstre og hidtil uopdagede  sammenhænge, teste forskellige hypoteser og anlægge forskellige blik på data
• Forklarende dataanalyse: Her ligger den overordnede tolkning af data allerede fast, og det handler om  at dokumentere og formidle bestemte pointer eller sammenhænge

Der findes mere avancerede analyseformer, for eksempel prædiktiv og præskriptiv dataanalyse. Disse kræver  dog brug af mere avancerede statistiske metoder og falder derfor uden for rammen for basal datakompetence.  Projektgruppen besluttede at have den undersøgende dataanalyse som pejlemærke, idet den kan ses både som  en direkte konkretisering af evnen til at "læse" data og tillige er en metodik til netop det. Indhold og progression  i den basale datakompetence fremgår af figur 2, se også (Jensen 2019).

Figur 2: Indhold og progression i den basale datakompetence.

I figur 2 ses de temaer, der tilsammen muliggør den undersøgende tilgang. Explorative Analytics er målet,  men kendskab til eksempelvis dataformater og taltyper er nødvendige trin på vejen derhen.

Metode og data

Den tværfaglige projektgruppe skabte en kontekstuel definition på datakompetence, der herefter blev omsat til  indholdsmæssige temaer i en sammenhængende progression. Til at matche temaerne er der udviklet digitale  læringsmaterialer. Der blev produceret 29 videoer og udvalgt omtrent lige så mange eksternt producerede.  Herudover er der skabt øvelser, quizzer, sammenhængende forløb og workshops samt en opbygning i moduler  i akademiets LMS-system.

Udvalgte øvelser og en uddybning af pædagogikken bag kan findes i (Jensen 2019).

Som det fremgår af figur 2, præsenteres emnerne i en sammenhængende progression. Herfra er det meningen,  at den enkelte underviser kan plukke i de relevante emner og indpasse dem i egen undervisning. Materialet er  blevet tilbudt til erhvervsakademiets undervisere og i efteråret 2018 brugt i mange forskellige sammenhænge:

• Markedsføringsøkonom: Som intro til Excel og statistik i faget Økonomi
• Finansbachelor: Datavisualisering med fokus på diagramdesign i faget Advanced Excel
• Jordbrugsteknolog: Som understøttelse af statistik-elementet i øvrige fag
• Multimediedesigner: Undersøgende dataanalyse og datavisualisering som led i tværfaglige projekter
• Professionsbachelor i international handel og markedsføring: Som selvstændigt e-modul før  undervisning i kvantitativ metode i faget Videnskabsteori og metode
• Professionsbachelor i innovation og entrepreneurship: Som selvstændigt e-modul før undervisning i  kvantitativ metode i faget Videnskabsteori og metode
• Professionsbachelor i økonomi og IT: Som selvstændigt e-modul før undervisning i faget Statistik
• Akademifaget Visuel kommunikation: Øvelser i datavisualisering og storytelling med data

Underviserne plukkede frit emner ud og integrerede dem på forskellig vis i egne fag: Som e-moduler før  fagstart, som en online ressource, der kunne konsulteres efter behov, bygget ind i workshops og øvelser, i  blendede forløb og som elementer i projekter. Undervejs blev der efterspurgt flere emner, bl.a. omkring  søgning og udtræk fra databaser, ligesom undervisere blev inspireret til at fremstille egne videoer, der dannede  bro mellem de generiske læringsmaterialer og deres egen fagspecifikke undervisning.

Efter brugen er der gennemført kvalitative interviews med undervisere om deres oplevelser af udbytte og  udfordringer ved at integrere materialet i deres fag. Desuden er udvalgte forløb evalueret både gennem  undervisernes egen evaluering men også gennem en fokusgruppe og surveys til studerende på holdene.

Diskussion og analyse

Af erfaringsopsamlingen fremgik det bl.a., at underviserne generelt var glade for at få materiale stillet til  rådighed, og at de fandt fokus på basal datakompetence fuldt berettiget i deres fag, også selvom slutmålet hos  nogle var dataanalyse af mere avanceret karaktér. Desuden efterspurgte flere undervisere mere samskabelse af  læringsmaterialer, især ved nytilkomne fagligheder.

Om de studerendes perspektiv på datafeltet blev det bl.a. synligt, hvad der for dem kan motivere i arbejdet med  data. Flere studerende betonede, at det at have en kritisk sans over for data – at kunne gennemskue andres  bevidste manipulationer og selv undgå at fejltolke data – optog dem. Datakompetencen blev af disse studerende  italesat som en personlig kompetence, de gerne ville besidde. Erfaringsopsamlingen skabte også klarhed over  nogle forudsætninger af strukturel karakter, som bør være på plads og understøtte undervisningen i  datakompetence.

Indledningsvis kan den enkelte uddannelse eller uddannelsesinstitution med fordel igangsætte en intern proces  til at udarbejde og kvalificere sin egen kontekstuelle definition af datakompetence. Den undersøgende tilgang  og definition, som projektgruppen på Erhvervsakademi Aarhus fandt frem til, vil ikke automatisk være den  rigtige toning for andre.

På institutionsniveau bør der være opmærksomhed på snitflader og fælles behov på tværs af uddannelser, så  man kan skelne mellem basalt og avanceret kompetenceniveau og mellem almene og uddannelsesspecifikke  fagelementer. Dels af praktiske hensyn men også, så der på tværs af uddannelser kan skabes en fælles  bevidsthed om det (for nogle) nye fagområde og dets koblinger til eksisterende fagligheder.

Der bør på et overordnet niveau sikres adgang til passende og relevant data, så den enkelte underviser ikke  overlades med ansvaret for selv at fremskaffe det. Egnede data er en knap ressource, da virksomheder ikke  kan forventes at dele deres ofte forretningskritiske data. Uddannelserne kan derfor overveje selv at generere  relevante data, som de studerende får adgang til. Det kan være en til formålet permanent opstillet sensor, en  selvskabt Facebook-side, eller et løbende survey, som stadig flere hold besvarer og får adgang til i  statistikmodulet.

Konkrete færdigheder i at bruge de digitale værktøjer, som man skal bruge til at håndtere data, bør også  opprioriteres, ikke bare hos studerende men også hos undervisere. Dette peger igen på overordnede  beslutninger omkring valg af værktøjer, indkøb af licenser m.m., så undervisere kan sikres en målrettet  opkvalificering.

Et argument imod underviseres opkvalificering i brugen af konkrete værktøjer synes at være, at disse værktøjer  risikerer at være irrelevante efter kort tid, hvorefter investeringen vurderes som spildt. Men  erfaringsopsamlingen peger entydigt på, at undervisere skal beherske datahåndtering på et vist niveau, før de  kan samtænke den naturligt med deres øvrige faglighed.

Datafeltet er et område, der fremover vil være i stadig bevægelse; nye datatyper, teknologier og datadrevne  processer vil komme til, og disse vil også skulle indarbejdes i uddannelserne. Alt i alt vil den digitale  opgradering af pensum i de kommende år tvinge mange undervisere ind i en ny rolle som permanent digitalt  medlærende. Mange vil skulle inddrage internt eller eksternt producerede digitale forløb i egen undervisning  og leve med, at de kun besidder de kompetencer, som de selv kan opnå ved at bruge materialerne.

Det peger på vigtigheden af, at man på uddannelser, i faggrupper og i kollegiale fællesskaber aktivt arbejder  med at redefinere denne del af underviserrollen og finde frem til et nyt ståsted – for eksempel mod en opfattelse  af underviseren som læringsdesigner i stedet for en faglig ekspert, der forventes at vide alt.

Konklusion

Forskningsprojektet Datakompetente studerende udsprang af et erkendt behov for at få dataaspektet bygget  bredt ind i Erhvervsakademi Aarhus' uddannelser. Der blev udviklet en fælles forståelse af basal  datakompetence og skabt læringsmaterialer, som en lang række undervisere har taget i brug, testet og sammen  med studerende givet feedback på.

I processen blev der skabt viden om fælles datafaglige snitflader på tværs af uddannelserne samt undervisere  og studerendes behov og motivationsfaktorer. Det blev også synliggjort, at de åbenlyst positive gevinster ved  at arbejde tværfagligt som institution om at udvikle og forankre et i mange henseender nyt digitalt fagfelt, kun  realiseres ved at sikre de nødvendige forudsætninger af både strukturel, organisatorisk og praktisk karaktér.

Lige fra centralt sikret adgang til data og værktøjer til målrettet opkvalificering og gentænkning af  underviserrollen.

Litteratur

Caviglia, Francesco, Alex Young Pedersen (2018): Data-literacy som en sammensat kompetence, Tidsskriftet  Læring Og Medier (LOM), 11(19), 35

D'Ignazio, Catherine, Rahul Bhargava (2016): Data Basics: Design Principles, Tools and Activities for Data Literacy Learners, The Journal of Community Informatics 12(3), 83-107

Jensen, Christina Søgaard (2019): Sæt datakompetence på skemaet – erfaringer og anbefalinger fra forskningsprojektet Datakompetente studerende (Erhvervsakademi Aarhus 2019)

Knaflic, Cole Nussbaumer (2015): Storytelling with data – a data visualization guide for business professionals (Wiley)

Matthews, Paul (2016): Data literacy conceptions, community capabilities, The Journal of Community  Informatics 12(3), 47-56

Zubiaga, Arkaitz, Brian Mac Namee, (2016): Graphical Perception of Value Distributions: An Evaluation of Non-Expert Viewers' Data Literacy, Journal of Community Informatics 12(3), 138-159.