# Kompetenzrahmen

## Fachübergreifend umgesetzter Kompetenzrahmen

Die Sichtung der bildungspolitischen und bildungswissenschaftlichen Ansätze wurde in einem fachübergreifenden Kompetenzrahmen zusammengeführt, der insbesondere die Vorschläge von {cite:t}`carretero_digcomp_2017{13ff.}` und {cite:t}`unesco_ai_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.

<table style="width:90%; border: 1px solid #ddd">
  <tr>
    <th rowspan="2" style="border-bottom: 1px solid #ddd; border-right: 1px solid #ddd">Dimension</th>
    <th colspan="4" style="text-align: center; border-bottom: 1px solid #ddd">Fortschrittskriterien</th>
  </tr>
  <tr style="border-bottom: 1px solid #ddd">
    <td style="text-align: center; border-right: 1px solid #ddd; background-color: #fff2cc;">kennen lernen (Foundation)</td>
    <td style="text-align: center; border-right: 1px solid #ddd; background-color: #fff2cc;">erwerben (Intermediate)</td>
    <td style="text-align: center; border-right: 1px solid #ddd; background-color: #fff2cc;">vertiefen (Advanced)</td>
    <td style="text-align: center; border-right: 1px solid #ddd; background-color: #fff2cc;">gestalten (Highly-specialised)</td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border-right: 1px solid #ddd; border-bottom: 1px solid #ddd"><b>AI Literacy</b></td>
    <td style="border-right: 1px solid #ddd" rowspan="3">
    <ul>
        <li>einfache Aufgaben</li>
        <li>mit Anleitung</li>
        <li>wissen und verstehen</li>
    </ul>
    </td>
    <td style="border-right: 1px solid #ddd" rowspan="3">
    <ul>
        <li>begrenzte Aufgaben und Probleme, Routineaufgabe</li>
        <li>selbständig, bedarfsorientiert</li>
        <li>anwenden</li>
    </ul>
    </td>
    <td style="border-right: 1px solid #ddd" rowspan="3">
    <ul>
        <li>verschiedene Aufgaben und Probleme</li>
        <li>andere anleitend</li>
        <li>bewerten, transferieren</li>
    </ul>
    </td>
    <td style="border-right: 1px solid #ddd" rowspan="3">
    <ul>
        <li>komplexe, vernetzte Aufgaben</li>
        <li>neue Ideen einbringen</li>
        <li>modellieren</li>
    </ul>
    </td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border-right: 1px solid #ddd; border-bottom: 1px solid #ddd"><b>Data Literacy</b></td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border-right: 1px solid #ddd;"><b>Digital Literacy</b></td>
  </tr>
</table>

<br>

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.   


<table style="width:90%; border: 1px solid #ddd">
  <tr>
    <td style="border: 1px solid #ddd">Beispiel: <i>Datenstrukturen</i></td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">kennen lernen (unerfahren)</td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">erwerben (fortgeschritten)</td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">vertiefen (erfahren)</td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">gestalten (hochspezialisiert)</td>
  </tr>
  <tr style="width:90%; border: 1px solid #ddd">
    <td style="background-color: #9fc5e8; border: 1px solid #ddd">AI Literacy: <b>Social Network Analysis</b></td>
    <td style="text-align: center; border: 1px solid #ddd">Kanten und Knoten verstehen</td>
    <td style="text-align: center; border: 1px solid #ddd">Maße anwenden: Relation, Distribution, Segmentierung</td>
    <td style="text-align: center; border: 1px solid #ddd">Visualisierungen interpretieren</td>
    <td style="text-align: center; border: 1px solid #ddd">Daten für SNA modellieren</td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border: 1px solid #ddd">Data Literacy: <b>Graph</b></td>
    <td style="text-align: center; border: 1px solid #ddd">Datenstrukturoptionen kennen</td>
    <td style="text-align: center; border: 1px solid #ddd">geeignete Datenstrukturen verwenden</td>
    <td style="text-align: center; border: 1px solid #ddd">Datenstrukturen anpassen</td>
    <td style="text-align: center; border: 1px solid #ddd">eigene Datenstrukturen entwickeln</td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border: 1px solid #ddd">Digital Literacy: <b>Ordner</b></td>
    <td style="text-align: center; border: 1px solid #ddd">Unterschied Ordner und Datei; Dateien in Ordnern gruppieren</td>
    <td style="text-align: center; border: 1px solid #ddd">Ordner strukturieren, Suche gezielt einsetzen</td>
    <td style="text-align: center; border: 1px solid #ddd">Ordnerstrukturen nach Zielstellung anlegen oder optimieren</td>
    <td style="text-align: center; border: 1px solid #ddd">automatisierte Erstellung und Zugriff auf Ablagestrukturen</td>
  </tr>
</table>


## 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. 

<table style="width:90%; border: 1px solid #ddd">
  <tr>
    <td style="border: 1px solid #ddd">Fall: <i>Erwähnung hist. Ereignisse</i></td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">kennen lernen (unerfahren)</td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">erwerben (fortgeschritten)</td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">vertiefen (erfahren)</td>
    <td style="text-align: center; background-color: #fff2cc; border: 1px solid #ddd">gestalten (hochspezialisiert)</td>
  </tr>
  <tr style="width:90%; border: 1px solid #ddd">
    <td style="background-color: #9fc5e8; border: 1px solid #ddd">AI Literacy: <b>NER</b></td>
    <td style="text-align: center; border: 1px solid #ddd">NER-Konzept & sprachspezifisches Tagging verstehen</td>
    <td style="text-align: center; border: 1px solid #ddd">NER-Ergebnisse vergleichen</td>
    <td style="text-align: center; border: 1px solid #ddd">NER-Fehler systematisch evaluieren</td>
    <td style="text-align: center; border: 1px solid #ddd">NER-Tagger durch Feedback verbessern</td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border: 1px solid #ddd">Data Literacy: <b>Tagger & Annotationen</b></td>
    <td style="text-align: center; border: 1px solid #ddd">Annotationen (was?) & Attribute (wie?) verstehen</td>
    <td style="text-align: center; border: 1px solid #ddd">Annotationen interpretieren</td>
    <td style="text-align: center; border: 1px solid #ddd">über Annotationen reflektieren</td>
    <td style="text-align: center; border: 1px solid #ddd">Annotationen in HTML manipulieren</td>
  </tr>
  <tr>
    <td style="background-color: #9fc5e8; border: 1px solid #ddd">Digital Literacy: <b>Datenformate</b></td>
    <td style="text-align: center; border: 1px solid #ddd">zwischen DOCX & TXT unterscheiden</td>
    <td style="text-align: center; border: 1px solid #ddd">DOCX nach TXT konvertieren</td>
    <td style="text-align: center; border: 1px solid #ddd">Problematische Stellen in TXT identifizieren</td>
    <td style="text-align: center; border: 1px solid #ddd">TXT nach Bedarf modifizieren</td>
  </tr>
</table>
<br>

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.