📊 1. Was ist Data Literacy?

Data Literacy bezeichnet die Fähigkeit, Daten zu lesen, zu verstehen, zu interpretieren und kritisch zu bewerten. In einer Welt, die von Daten geprägt ist, ist Data Literacy eine zentrale Kompetenz – egal, ob in der Schule, im Beruf oder im Alltag.

Warum ist Data Literacy wichtig?

• Daten beeinflussen Entscheidungen in Politik, Wirtschaft, Wissenschaft und Medien.
• Wer Daten versteht, kann Fake News und irreführende Statistiken entlarven.
• Data Literacy hilft, fundierte Entscheidungen zu treffen, sei es beim Klimawandel, in der Finanzwelt oder bei Gesundheitsfragen.

2. Verstehen von Datensätzen, Diagrammen und Statistiken

📈 2.1 Datensätze verstehen

Ein Datensatz ist eine strukturierte Sammlung von Daten, die in Tabellen, Datenbanken oder Listen organisiert ist.

🔑 Bestandteile eines Datensatzes:

• Datenpunkte: Einzelne Werte (z.B. 25°C, 5000 Klicks, 1,75 m)
• Variablen: Beschreiben eine Eigenschaft (z.B. Alter, Temperatur, Einkommen)
• Datensätze (Records): Eine Sammlung von Datenpunkten zu einem Objekt oder Ereignis

Beispiel: Schüler-Datensatz

• Variablen: Name, Alter, Notendurchschnitt, Lieblingsfach
• Datenpunkte: „Anna“, „16“, „1,8“ etc.

📊 2.2 Diagramme und Grafiken interpretieren

Diagramme helfen, komplexe Daten visuell darzustellen. Wichtige Diagrammtypen sind:

📊 1. Säulendiagramm (Balkendiagramm)

• Verwendung: Vergleicht Werte zwischen Gruppen
• Beispiel: Anzahl der verkauften Smartphones in verschiedenen Jahren

📈 2. Liniendiagramm

• Verwendung: Zeigt Entwicklungen und Trends über die Zeit
• Beispiel: Temperaturverlauf im Jahresverlauf

🍰 3. Kreisdiagramm (Tortendiagramm)

• Verwendung: Stellt Anteile von einem Ganzen dar (Prozentwerte)
• Beispiel: Marktanteile von Smartphone-Herstellern

📉 4. Streudiagramm

• Verwendung: Zeigt Zusammenhänge zwischen zwei Variablen
• Beispiel: Zusammenhang zwischen Lernzeit und Noten

📊 2.3 Statistiken richtig lesen

Statistiken liefern zusammengefasste Informationen aus Datensätzen. Hier sind wichtige Begriffe:

• Mittelwert (Durchschnitt): Summe aller Werte geteilt durch die Anzahl der Werte
  Beispiel: (10 + 15 + 20) ÷ 3 = 15

• Median: Der mittlere Wert in einer sortierten Liste
  Beispiel: 1, 3, 5, 7, 9 → Median = 5

• Modus: Der häufigste Wert in einer Datenreihe
  Beispiel: 2, 4, 4, 6, 8 → Modus = 4

• Standardabweichung: Gibt an, wie stark die Werte vom Durchschnitt abweichen (zeigt Streuung der Daten).

⚠️ Achtung: Statistik-Fallen!

• Korrelation ≠ Kausalität: Nur weil zwei Dinge gleichzeitig auftreten, heißt das nicht, dass eines das andere verursacht.
• Skalierungseffekt: Diagramme können manipulativ wirken, wenn Achsen „gestreckt“ werden.
• Auswahl der Daten: Daten können selektiv präsentiert werden, um bestimmte Aussagen zu stützen.

🌍 3. Open Data und der verantwortungsvolle Umgang mit großen Datenmengen

📂 3.1 Was ist Open Data?

Open Data sind Daten, die frei zugänglich, nutzbar und teilbar sind – ohne rechtliche oder finanzielle Hürden.

✅ Merkmale von Open Data:

• Offenheit: Jeder kann darauf zugreifen.
• Maschinenlesbar: Daten sind in Formaten verfügbar, die von Computern verarbeitet werden können (CSV, JSON, XML).
• Lizenzfreiheit: Nutzung ohne rechtliche Einschränkungen (z.B. Creative Commons-Lizenzen).

📊 Beispiele für Open Data:

• Statistisches Bundesamt (destatis.de): Bevölkerungsdaten, Wirtschaftsdaten
• EU Open Data Portal: Daten zu Umwelt, Energie, Gesundheit
• COVID-19-Datenbanken: Verbreitung von Infektionsraten weltweit

🤔 3.2 Der verantwortungsvolle Umgang mit großen Datenmengen (Big Data)

Mit der Digitalisierung entstehen riesige Datenmengen. Der Umgang mit Big Data erfordert Verantwortung, da Datenmissbrauch zu Datenschutzverletzungen führen kann.

⚖️ Ethische Grundsätze im Umgang mit Daten:

1. Transparenz: Offenlegen, woher Daten stammen und wie sie verwendet werden.
2. Datenschutz: Schutz personenbezogener Daten (DSGVO beachten).
3. Fairness: Daten nicht manipulativ einsetzen (z.B. bei Werbung oder Wahlen).
4. Nachvollziehbarkeit: Ergebnisse von Datenanalysen müssen verständlich erklärt werden können.

🚨 Risiken von Big Data:

• Filterblasen: Algorithmen zeigen nur noch Inhalte, die zu bisherigen Ansichten passen.
• Überwachung: Missbrauch von Daten durch Regierungen oder Unternehmen.
• Diskriminierung: Verzerrte Daten können Vorurteile in KI-Systemen verstärken.

📝 4. Praktische Übungen

✅ Übung 1: Diagramm-Analyse

• Finde ein Diagramm in einer Online-Zeitung (z.B. über den Klimawandel).
• Beantworte folgende Fragen:
  1. Welche Art von Diagramm ist es?
  2. Welche Daten werden dargestellt?
  3. Gibt es Anzeichen für eine manipulative Darstellung?

📊 Übung 2: Statistische Berechnungen

• Berechne den Mittelwert, Median und Modus der folgenden Zahlen:
  12, 15, 15, 18, 22, 25, 28

🌐 Übung 3: Open Data erkunden

• Besuche https://data.europa.eu/de
• Wähle ein Datenset (z.B. „Umweltdaten“).
• Analysiere, welche Informationen du daraus gewinnen kannst.

🚀 5. Zusammenfassung

• Data Literacy bedeutet, Daten zu verstehen, zu interpretieren und kritisch zu bewerten.
• Diagramme und Statistiken helfen, komplexe Informationen visuell darzustellen.
• Open Data ermöglicht freien Zugang zu Daten, erfordert aber einen verantwortungsvollen Umgang.
• Kritisches Denken ist der Schlüssel im Umgang mit großen Datenmengen.

💡 6. Reflexionsfragen

1. Wann hast du das letzte Mal eine Statistik gesehen, die dich beeinflusst hat?
2. Glaubst du, dass Daten immer neutral sind? Warum (nicht)?
3. Wie würdest du Open Data in der Schule oder im Alltag nutzen?