# Kompetenzmodell Neben den sichtbaren zwei Dimensionen des entwickelten Kompetenzrahmens entsteht eine dritte Dimension, wenn man für jeden Anwendungsfall die Anforderungen der jeweiligen Kompetenzstufe beschreiben will. Dies ist sowohl für die Lehre als auch für die Forschung sehr relevant. In beiden Fällen geht es um die Bestimmung der minimalen, mittleren und gehobenen Anforderung, die die Bewältigung einer Aufgabe mit sich bringt. Dabei ergibt sich die minimal notwendige Kompetenzausprägung zur Zielerreichung z. B. aus dem Forschungsvorhaben und den vorhandenen Unterstützungsstrukturen, die die Nutzung und die Adaption von _Named Entity Recognition_ ohne Programmierkenntnisse ermöglichen. Die weiteren Ausprägungen folgen variabel den Rahmenbedingungen, so dass in diesem Modell das klassische Bottom-up-Prinzip – zuerst alle Grundstufen, dann die Mittelstufen etc. – sowie der Anspruch auf Vollständigkeit vernachlässigt werden. ## Anforderungen Die **Minimalanforderung** für das ausgewählte Beispiel "Erwähnung historischer Ereignisse" liegt schwerpunktmäßig im Bereich der Data Literacy. Um sich überhaupt kompetent mit den Ergebnissen der Methode NER auseinander setzen und sie gewinnbringend in der eigenen Forschung einsetzen zu können, braucht es also v.a. vertiefte Datenkompetenzen.
Minimalanforderung kennen lernen (unerfahren) erwerben (fortgeschritten) vertiefen (erfahren) gestalten (hochspezialisiert)
AI Literacy: NER NER-Konzept & sprachspezifisches Tagging verstehen ---- ---- ----
Data Literacy: Tagger & Annotationen Annotationen (was?) & Attribute (wie?) verstehen Annotationen interpretieren über Annotationen reflektieren ----
Digital Literacy: Datenformate ---- ---- ---- ----

Man kann diese **Kompetenzausprägungen** auch nummerisch ausdrücken: 3 Aspekte Data Literacy + 1 Aspekt AI Literacy für die Beschreibung der Minimalanforderung. Die dadurch entstehenden Graphiken - mittel: 2 DL, 3 Data L, 1 AL; gehoben: 3 DL, 3 Data L, 2 AL - veranschaulichen, dass die Stufen _unerfahren_, _fortgeschritten_ und _erfahren_ im konkreten Anwendungsfall anders beschrieben werden müssen, als wenn man linear dem Bottom-up-Prinzip folgen würde. Die Stufe _hochspezialisiert_ wird bei dieser Darstellung ausgelassen, da sie i.d.R. mit der maximalen Anforderung, d.h. dem Erfüllen aller Aspekte, gleichzusetzen ist. ````{tab-set} ```{tab-item} Minimalanforderung
gefülltes Netzdiagramm der Literacies: Werte = 0 Digital Literacy, 3 Data Literacy, 1 AI Literacy
``` ```{tab-item} Mittlere Anforderung
gefülltes Netzdiagramm der Literacies: Werte = 2 Digital Literacy, 3 Data Literacy, 1 AI Literacy
``` ```{tab-item} Gehobene Anforderung
gefülltes Netzdiagramm der Literacies: Werte = 3 Digital Literacy, 3 Data Literacy, 2 AI Literacy
``` ```` Selbstverständlich könnten das Modell und der Kompetenzrahmen auch auf die Lehre angewendet werden. Die Festlegung der Ziele von Aufgaben, Kursen oder Lehrplänen würde erleichtert werden, wenn die erforderlichen Kompetenzen explizit definiert werden. Die Bereitstellung einer Vielzahl von Kompetenzrastern für verschiedene Anwendungsfälle in der lateinischen und altgriechischen Philologie könnte es traditionell ausgebildeten Wissenschaftlerinnen und Wissenschaftlern erleichtern, sich ein Bild davon zu machen, welche **Ausprägung von Digital Literacies** jeweils erforderlich ist, um digitale Forschungsmethoden anzuwenden. Folglich wäre es möglich, Lerneinheiten mit authentischen Forschungsfragen zu erstellen, um die digitalen Kompetenzen in den klassischen Sprachen zu verbessern und damit den Teufelskreis mangelnder digitaler Kompetenz zu durchbrechen.