Data Literacy

Die Präsentation gliedert sich in eine Einleitung und vier Abschnitte. Die Einleitung soll ein intuitives Verständnis vermitteln sowohl für die große Bedeutung von Daten in der Gegenwart als auch für ihre Fehlbarkeit und Uneindeutigkeit sowie die Ambivalenz datenbasierter Produkte wie Visualisierungen. In den anschließenden Kapiteln werden (1) grundlegende Modelle der Data Literacy vorgestellt, (2) das Verhältnis von Daten und Wirklichkeit anhand der Bundesdeutschen Waldinventur problematisiert, (3) zentrale Herausforderungen im alltäglichen – insbesondere visuellen – Umgang mit Daten diskutiert und schließlich (4) einige praktische Handreichungen für die universitäre Lehre gegeben. Die folgenden kurzen Erläuterungen zu den vier Abschnitten sind in der Hoffnung formuliert, dass sie eine gewinnbringende Nutzung der Folien auch ohne begleitenden mündlichen Vortrag ermöglichen.

Der erste Abschnitt stellt Modelle vor, die Bedeutung und Reichweite von Data Literacy bestimmen. Die Modelle setzen unterschiedliche Schwerpunkte, namentlich thematisiert nur eines der Modelle explizit das Verhältnis von Daten und Wirklichkeit und benennt den Prozess, durch den beide miteinander vermittelt werden – die Kodierung und Dekodierung. Die übrigen Modelle fassen Data Literacy primär als Bestandteil individueller Entscheidungs- oder Aneignungsprozesse und setzen damit als Maßstab die gelungene Entscheidung oder Aneignung bzw. das Individuum mit seinen Zielen und Zwecken. Wem es auf Grundlage von Biodaten gelingt, das Gewicht zu reduzieren; wer Daten über Preisbewegungen nutzt, um sein Vermögen zu mehren; wer Wetter- und Klimadaten verwendet, um den Standort eines katastrophensicheren Bunkers zu bestimmen – der oder die verfügt, diesen Modellen zufolge, über Data Literacy. Ungeklärt bleibt dabei, wie sich die Daten selbst zur von ihnen repräsentierten Wirklichkeit verhalten. Dieses zentrale Problem, das Verhältnis von Daten und Wirklichkeit, das nur in einem der Modelle überhaupt auftaucht, wird im folgenden Abschnitt anhand eines anschaulichen Beispiels weiterverfolgt.

Der zweite Abschnitt thematisiert am Gegensatz zwischen den in der Waldinventur erhobenen Daten und dem realen Wald, den sie beschreiben, die prinzipielle Perspektivität von Daten. Der Wald könnte mithilfe von Daten auch ganz anders beschrieben werden. Die Bundeswaldinventur erfasst ihn jedoch primär im Hinblick auf seine agrar- und forstwirtschaftliche Nutzbarkeit. Diese praktische Zielsetzung bestimmt den Blick auf das Stück Wirklichkeit “Wald”, das nach Holzarten, Zuwachs, Nutzung, Abgang und weiteren Kriterien geordnet und klassifiziert wird. Das macht die Daten nicht falsch oder trügerisch. Es verdeutlicht vielmehr, dass jeder ordnende Zugriff auf die Welt in einer bestimmten Perspektive erfolgt, die ihre potenziell unendliche Vielfalt zweckgerichtet reduziert, sodass im vorliegenden Fall ein Forstwirt das Wesentliche über den Wald in den Daten der Bundeswaldinventur abgebildet findet, während eine Ornithologin das Wesentliche vermisst. Diesen Prozess der interessengeleiteten Zusammenfassung bezeichnet der Vortrag im Einklang mit dem oben genannten Modell als Kodierung – ein Begriff, der Daten zugleich als Produkt menschlichen Handelns markiert.

Der dritte Abschnitt widmet sich dem Prozess der Kodierung am Beispiel von Visualisierungen. Visualisierungen sind abgeleitete Datenprodukte, in denen Daten visuell zusammengefasst werden und zugleich die häufigste Form, in der uns Daten im Alltag begegnen. Aus dieser bildlichen Form von Daten ergeben sich spezifische Probleme. Zum einen betreffen sie die visuellen Voraussetzungen unserer Wahrnehmung, die biologisch bedingt ist und je nach Kontext unterschiedlich gut funktioniert. Zum anderen transportiert jede Visualisierung (implizite) Aussagen über die Wirklichkeit, deren Angemessenheit sich nicht allein anhand formaler oder technischer Kriterien beurteilen lässt. Anhand verschiedener Beispiele – von historischen Darstellungen des Russlandfeldzugs von Napoleon bis zu zeitgenössischen Diagnosen einer vermeintlichen Demokratiemüdigkeit – thematisiert der Abschnitt das Problem der Angemessenheit von Daten und Visualisierungen. Dieses Problem lässt sich nicht durch einfache Regeln oder technische Standards lösen. Erforderlich ist vielmehr eine vertiefte Kenntnis sowohl der zugrundeliegenden Wirklichkeit als auch der verwendeten Daten, um die in Visualisierungen (und Daten) oft implizit enthaltenen Urteile kritisch hinterfragen zu können. Zugleich zeigt sich, dass es durchaus “bessere” und “schlechtere”, der Wirklichkeit angemessenere und weniger angemessene Daten und Darstellungen gibt. Ein kritisches Verständnis von Data Literacy liefert daher keine letztgültigen Antworten, versetzt uns aber in die Lage, die richtigen Fragen zu stellen.

Der vierte Abschnitt versammelt schließlich einige knappe praktische Handreichungen, die sich aus der Lehrpraxis als hilfreich für die Förderung einer kritisch verstandenen Data Literacy erwiesen haben.