Kompetenzrahmen

Fachübergreifend umgesetzter Kompetenzrahmen

Die Sichtung der bildungspolitischen und bildungswissenschaftlichen Ansätze wurde in einem fachübergreifenden Kompetenzrahmen zusammengeführt, der insbesondere die Vorschläge von Carretero et al. [2017, 13ff.] und Miao and Cukurova [2024, 21 ff.] aufgreift. Für jede digitale Kompetenz werden generisch

1. die Komplexität der Aufgabe,

2. der notwendige Autonomiegrad und

3. der kognitive Anforderungsbereich beschrieben.

Dimension	Fortschrittskriterien
	kennen lernen (Foundation)	erwerben (Intermediate)	vertiefen (Advanced)	gestalten (Highly-specialised)
AI Literacy	einfache Aufgaben mit Anleitung wissen und verstehen	begrenzte Aufgaben und Probleme, Routineaufgabe selbständig, bedarfsorientiert anwenden	verschiedene Aufgaben und Probleme andere anleitend bewerten, transferieren	komplexe, vernetzte Aufgaben neue Ideen einbringen modellieren
Data Literacy
Digital Literacy

Wie dieser Kompetenzrahmen inhaltlich umgesetzt werden kann, zeigt das nachfolgende Beispiel. Als überfachlicher Gegenstand wurde das Thema Datenstrukturen gewählt, das in allen drei Literacies eine anders gewichtete Rolle spielt.

Beispiel: Datenstrukturen	kennen lernen (unerfahren)	erwerben (fortgeschritten)	vertiefen (erfahren)	gestalten (hochspezialisiert)
AI Literacy: Social Network Analysis	Kanten und Knoten verstehen	Maße anwenden: Relation, Distribution, Segmentierung	Visualisierungen interpretieren	Daten für SNA modellieren
Data Literacy: Graph	Datenstrukturoptionen kennen	geeignete Datenstrukturen verwenden	Datenstrukturen anpassen	eigene Datenstrukturen entwickeln
Digital Literacy: Ordner	Unterschied Ordner und Datei; Dateien in Ordnern gruppieren	Ordner strukturieren, Suche gezielt einsetzen	Ordnerstrukturen nach Zielstellung anlegen oder optimieren	automatisierte Erstellung und Zugriff auf Ablagestrukturen

Fachspezifisch umgesetzter Kompetenzrahmen

Auf der Basis eines konkreten Anwendungsfalls aus der klassisch-philologischen Literaturwissenschaft wurde der entwickelte Kompetenzrahmen weiter verfeinert. Die zugrundeliegende Forschungsfrage latet:

Wie findet man Informationen in einem Korpus verschiedener antiker Historiker, die nicht explizit erwähnt werden?

In einem ersten Schritt werden aus historiographischen Texten der lateinischen und griechischen Antike alle Personen und Orte automatisch extrahiert (Named Entity Recognition, NER), um anschließend Textstellen für weitere Analysen (z. B. Sentiment) auswählen zu können.

Fall: Erwähnung hist. Ereignisse	kennen lernen (unerfahren)	erwerben (fortgeschritten)	vertiefen (erfahren)	gestalten (hochspezialisiert)
AI Literacy: NER	NER-Konzept & sprachspezifisches Tagging verstehen	NER-Ergebnisse vergleichen	NER-Fehler systematisch evaluieren	NER-Tagger durch Feedback verbessern
Data Literacy: Tagger & Annotationen	Annotationen (was?) & Attribute (wie?) verstehen	Annotationen interpretieren	über Annotationen reflektieren	Annotationen in HTML manipulieren
Digital Literacy: Datenformate	zwischen DOCX & TXT unterscheiden	DOCX nach TXT konvertieren	Problematische Stellen in TXT identifizieren	TXT nach Bedarf modifizieren

Auch wenn die vorgestellten Kompetenzrahmen zweigestuft erscheinen, d.h. von Digital Literacy nach AI Literacy sowie von unerfahren bis hochspezialisiert, ist dies nur der übersichtlichen Beschreibung in Form eines Kompetenzrasters geschuldet. Die eigentliche Modellierung operiert mit drei Kategorien und jeweils vier Kompetenzausprägungen.