Full text
Bottom-up-Ansatz: Themenanalyse Clustering nach Themenfeld “Ontologie” Extraktion relevanter Lernzielinhalte durch Identifikation fehlender oder unterrepräsentierter Lernzielinhalte Induktives Mapping auf “FAIR” und “LOD” Häufigkeitsanalyse gruppiert nach Blooms Taxonomie [4] Leitfragen: Wie ist die Verteilung und der Übergang von Basis- (Bloom 13) und Fortgeschrittenenkompetenzen (Bloom 4-6)? Welche Bezüge zu Tools, Infrastruktur und Workflows gibt es? Interessengemeinschaft für semantische Datenverarbeitung e.V. Verbundpartner Förderung Canan Hastik Gudrun Schwenk https://sammlungen.io Kritische und weiterführende Perspektiven auf die Lernzielmatrix (LZM) zum Forschungsdatenmanagement (FDM) LZM als Fundament datenwissenschaftlicher Kompetenz? Digitale Werkzeuge, Infrastrukturen und neue Formen der Kollaboration verändern die Forschungspraxis grundlegend (Digital Science) [1]. Gleichzeitig eröffnet Data Science neue Wege der Wissensgewinnung aus Daten - von Erhebung und Aufbereitung bis zu Analyse, Modellierung und Kommunikation [2]. Diese Entwicklungen stellen Forschende aller Disziplinen, die mit digitalen und datenintensiven Methoden arbeiten, vor neue Kompetenzanforderungen. Die LZM zum FDM [3] bietet dafür bereits ein zentrales Fundament. Doch decken ihre Cluster, Themen und Lernziele wirklich alle grundlegenden Kenntnisse und Fähigkeiten ab - und spiegelt ihre innere Logik, ihre hierarchische Struktur und Semantik die neuen Anforderungen angemessen wider? Prinzipien wie FAIR und Konzepte wie Linked Open Data (LOD) machen zusätzliche Kompetenzen im Semantic Web unverzichtbar - insbesondere auch im Umgang mit Ontologien. Dieses Poster zeigt methodische Ansätze, um inhaltliche Lücken sowie strukturelle und semantische Mängel der LZM zu identifizieren und systematisch zu schließen. Methodische Überlegungen zur Identifikation und zum Füllen der Lücken Identifikation relevanter Themen in der LZM mit Bezug zum Themenfeld “Ontologie” Referenzkategorien “FAIR” und “LOD” Deduktives Mapping auf Cluster und Themen der Lernzielmatrix Lückenanalyse bezogen auf Bloomsche Kategorien Leitfragen: Welche Lernzielinhalte verweisen explizit oder implizit auf die Referenzkategorien “FAIR” und “LOD” Top-down-Ansatz: Konzeptanalyse Bottom-up: analytische Brille ⟶ vorhandene Lernzielinhalte in Bezug auf FAIR/LOD deuten Top-down: normative Brille ⟶ Abdeckung von FAIR/LOD in der LZM Cluster “Dokumentation und Metadaten” & “Arbeiten mit Daten” 21 Lernziele mit dem Begriff FAIR sind in folgenden Clustern/Themen der LZM enthalten: Cluster 1: Grundlegende und übergreifende Konzepte: FAIR als Teil der grundlegenden Prinzipien von FDM Cluster 3: Dokumentation & Metadaten FAIR im Kontext von Metadatenstandards und Datenbeschreibung Cluster 4: Publikation & Nachnutzung FAIR für Datenpublikation, Repositorien, Lizenzen, Nachnutzung FAIR (explizit) 163 Lernziele mit Bezug auf URIs, Identifikatoren, Ontologien, Vokabulare, Standards, Verknüpfungen verteilen sich auf: Cluster 2: Arbeiten mit Daten Themen wie Dateiformate, Dateiintegration, Datenqualität Cluster 3: Dokumentation & Metadaten Ontologien, Taxonomien, Vokabulare, Metadatenstandards, Persistente Identifikatoren Cluster 4: Publikation & Nachnutzung Lernziele zu Standards, Interoperabilität, Identifikatoren im Kontext von Repositorien und Datenfreigabe LOD (implizit, über 5-Sterne-Bezug) Ergebnisse und Impulse Starke Betonung der Basiskompetenzen, wenige Übergänge zu fortgeschrittener Praxis Lernzielinhalte fokussieren explizit Basiskompetenzen zu “FAIR” “LOD” wird nur implizit und fragmentiert adressiert Fehlender Anwendungsbezug entlang des Forschungsdatenlebenszyklus “FAIR” und “LOD” sind systematisch nicht integriert oder praxisnah ausdifferenziert Zielgruppenspezifische Lernpfade fehlen Themenund Clusterübergreifende Vernetzung (z. B. FAIR, LOD, Ontologie) von in Bezug stehenden Lernzielinhalten innerhalb der LZM z. B. durch Tagging herstellen Praxisnahe Lernpfade vom Einstieg bis zur Anwendung mit Hilfe von Anwendungsfällen entwickeln Praxisbezug von Themen zu konkreten Tools, Workflows und Dateninfrastrukturen herstellen Community einbeziehen, um fehlende Kompetenzen (LOD, Ontologie, u. a. zu ergänzen Nutzung von Visualisierungen zum besseren Einstieg und Verständnis der Nutzenden [1] Nikitin, I. (2024). Open science, digital science, open science infrastructure as digital science laboratory approaches. Scientific Collection “InterConf”, (190), 26–31. https://doi.org/10.51582/interconf.2024.190 [2] Donoho, D. L. (2017). 50 Years of Data Science. Journal of Computational and Graphical Statistics, 26(4), 745–766. https:// doi.org/10.1080/10618600.2017.1384734 [3] Petersen, B. et al. (2025, 24. März). Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) (Version 3) [Arbeitsdokument]. Zenodo. https://doi.org/10.5281/zenodo.15025246 [4] Anwendung der Lernziel-Taxonomie nach Bloom in der LZM beschrieben in der Readme-Datei zur LZM: siehe [3] GAP-Analyse Kombination beider Ansätze Anzahl “FAIR” (explizit) Anzahl “LOD” (implizit) Bloom (Stufen)
