Didaktik#

In einem akademischen Lernarrangement ist es nicht nur möglich, sondern immer auch erforderlich, die Sach-Inhalte einer Veranstaltung aus Lehrbüchern zu erlernen.

  • Der Lehrstoff wird vorwiegend durch unsere Lehrbücher definiert.

  • In der “Vorlesung” trägt JB den Stoff nicht selbst vor, sondern bespricht den durch die Lehrbücher definierten Lehrstoff.

  • In der Übung setzen wir ausgewählte Inhalte der Lehrbücher in Form von Aufgaben und einem Mini-Datenprojekt exemplarisch praktisch um.

Eine wesentliche Aufgabe sieht der Dozent in der Kuratierung der Lehrbücher, der Modularisierung des Stoffes, der Rhythmisierung des Lernens, dem Arrangement von gemeinsamen synchronen Lernen einer Gruppe von Lernenden, und vor allem die Herstellung von Aufgaben und vorbereiteten Lernumgebungen.

Kurz: Die Theorie ist in den Lehrbüchern enthalten. Die “Vorlesung” besucht man, um sich im Dschungel zu orientieren. Und die Übungen besucht man natürlich wegen der Praxis.

Kompetenzorientierung#

Die Veranstaltung will kompetenzorientierte Lernformen ermöglichen. Was das konkret heißt bedarf ausführlicherer Ausführungen, aber hier wenigens ein paar Gedanken dazu.

Wir bewegen uns in einem Ökosystem, das durch folgenden Technologie-Stack charakterisiert ist:

  • Codieren: Python, Jupyter Notebook, scikit-learn

  • Dokumentation und Publikatioen: Jupyterbook, Zotero, Diataxis

  • Mindmap: Freeplane

  • Plattform: XUbuntu

Kenntnisse (Wortfeld: Wissen, theoretisch, meist sprachlich verfasst, propositionala)#

  • Ausgewählte Inhalte aus ausgewählten externen Wissens-Expositionen (konventionelle Bücher, Online-Tutorials, HowTos aus Stackexchange) kennen und erläutern können

  • Die Zusammenhänge unseres Technologie-Stacks kennen

Fertigkeiten (Wortfeld: Können, praktisch, ausführen, Übung, Erfahrung, Kunstfertigkeit)#

Mit unserem spezifischen Technologie-Stack (s.u.) die folgenden Standard-Tätigkeiten routinierte ausführen können:

  • Die externen Wissens-Expositionen zusammenfassen und in ein eigenes Skript überführen (das dann als Hilfsmittel in der Klausuer zugelassen ist.)

Kompetenzen#

Was versteht J.Busse unter Kompetenz? Versuche, den Begriff nicht zu definieren, aber anschaulich zu machen:

  • Einheit von Kenntnisse plus Fertigkeiten plus Norm/Verantwortung

  • Bestimmte Aufgaben, Handlungsbereiche und auch konkrete Handlungen ausführen können und dürfen, und dafür maßgeblich die Verantwortung übernehmen

  • Kompetenz beinhaltet neben Kenntnissen und Fertigkeiten auch die Erlaubnis, über Ressourcen zu verfügen (und auch darüber Verantwortung abzulegen).

Pointiert:

  • Kenntnisse: Was weiß jemand über X?

  • Fertigkeit: Kann jemand Y?

  • Kompetenz: Was kann jemand, der X weiß und Y kann, verantworten?

Kompetenzen in dsci-101: Sie können mit unserem Technologie-Stack (konkret: im dsci-lab)

  • für einen einfachen Datensatz eine einfache explorative Datenanalyse (EDA) durchführen sowie ein einfaches Machine-Learning (ML) Modell generieren

  • die EDA und das ML-Modell mit Jupyterbook und Zotero wissenschaftlich dokumentieren

Fächerverbindender Unterricht#

Dieser Abschnitt:

  • Erläuterung für Kollegen

  • aber auch Transparenz für die Studierenden, insbesondere aus dsci-101

  • des Unterrichtes dsci-101, 2022-12-09

Versuch: Gut dokumentierter Fächerverbindender Unterricht, zur Abstimmung mit den beteiligten Kollegen.

beteiligte Fächer:

  • dsci-101

  • Python 1

  • dsci-txt

  • Ethik der KI

Lernauftrag an die Studierenden:

  • “Stellen Sie die wesentlichen Inhalte des Textes in Form einer Mindmap dar!”

Lernziele dsci-101:

  • in Bezug auf den Textinhalt: Erläutern können der wesentlichen Inhalte und Argumentationen

    • kognitive Dimension: Verstehen (Stufe 2 aus Anderson & Krathwohl 2001)

    • Wissensdimension: Faktenwissen und begriffliches Wissen

  • in Bezug auf die Lernmethode “Als Mindmap darstellen”:

    • kognitive Dimension: Anwenden (Stufe 3 aus Anderson & Krathwohl 2001)

    • Wissensdimension: Prozedural

  • In Bezug auf “Wissenschaftliches Arbeiten”: Es liegt Fließtext vor, der bereits sehr gut allerdings schon analytisch durchdacht und strukturiert ist. Dieser Text soll in einer höher strukturierten, semi-formalen Wissensrepräsentation “auf einer Seite” dargestellt werden. Mindmaps sind hierzu geeignet und auch expliziter Unterrichtsinhalt* Constructive Alignment: Die Studierenden dürfen die Mindmap als erlaubtes Hifsmittel mit in die Klausur mitnehmen. In der Klausur sind entsprechend Fragen auf Stufe 2 “Verständnis” zu erwarten.

Lernziele Python 1:

  • JB stellt ein Jupyter Notebook bereit, mit dem die XML-Struktur einer freeplane-Mindmap eingelesen und in verschiedene einfache Datenstrukturen (insbes. Listen, Dictionaries) abgelegt wird. Dieses muss passiv-lesend ungefähr verstanden werden.

  • Die Studierenden können die Programmier-Fertigkeiten aus Python 1 anwenden, um das Notebook zu erweitern, insbesondere verschiedene einfache Summaries der Mindmap-Inhalte erstellen.

Lernziele dsci-txt: Basierend auf dem Jupyter Notebook aus Python 1 erarbeiten wir Konzepte, wie man Ähnlichkeiten zwischen Mindmaps erkennen kann. Elemente:

  • Metadaten auslesen

  • mit einfachen, aber industrial strength NLP-Biblilotheken (insbesondere mit spaCy) Knotentexte analysieren

  • mit Bag of Words-Techniken nach Ähnlichkeiten in Mindmaps suchen

Lernziele etki:

  • Inhalte analysieren und bewerten können. Grundlage ist Textverständnis auf Stufe 1: Erinnern und Stufe 2: Vertsehen.