Sie sind Statistikerin, aber in der Initiative „Digital Humanities RUHR“ engagiert. Wie passt das zusammen und worum geht es dabei eigentlich?

Auch in den Geistes- und Kulturwissenschaften sind digitale Methoden nicht mehr wegzudenken, etwa um große Datenmengen zu analysieren. Die drei UA Ruhr-Universitäten haben sich deshalb im Projekt „Digital Humanities RUHR“ zusammengeschlossen und ein gemeinsames Zertifikatsprogramm entwickelt, um auch Studierenden aus eher datenfernen Studiengängen wichtige Schlüsselkompetenzen für wissenschaftliches Arbeiten und ihre spätere Berufstätigkeit zu vermitteln. Die Stiftung Innovation in der Hochschullehre hat das Projekt, das ich vonseiten der TU Dortmund koordiniere, bis Ende Juni für gut zwei Jahre gefördert, und Anfang des Jahres konnten wir bereits die ersten Zertifikate überreichen. Um das Zertifikat zu erwerben, müssen die Studierenden Einführungs- und Vertiefungsmodule belegen und in einem abschließenden Kolloquium eigene Projekte vorstellen. 

Jede Uni bringt einen Schwerpunkt in das Projekt ein; von uns an der TU Dortmund ist das Algorithmic Accountability. Dabei geht es unter anderem um die Frage, wer eigentlich die Verantwortung für Entscheidungen trägt, die durch die Anwendung von Algorithmen beeinflusst worden sind. An dem überfachlichen Seminar, das wir zu dieser Thematik entwickelt haben, sind die Bereiche Statistik, Data Science, Journalistik und Informatik beteiligt. Dort haben Studierende in interdisziplinären Kleingruppen journalistische Produkte, etwa einen Artikel, entwickelt und sich dabei beispielsweise mit der Auswertung statistischer Modelle oder der Funktionsweise von Algorithmen beschäftigt. Zudem haben wir im Rahmen von „Digital Humanities RUHR“ neue Lernmaterialien entwickelt und Lehrformate erprobt.

Welche Bedarfe sehen Sie denn derzeit rund um Datenkompetenz und Forschungsdatenmanagement?

Vielleicht sage ich das auch, weil ich Statistikerin bin, aber für mich sind statistische Grundkompetenzen zentral. Alles steht und fällt mit der Datenqualität – und das gilt genauso für KI-Anwendungen. Eine saubere Datenerhebung ist entscheidend. Gleichzeitig muss man transparent darlegen, wenn Daten nicht ideal erhoben werden konnten. Auch mit solchen Daten kann man arbeiten, aber man muss die vorhandenen Unsicherheiten klar benennen und deutlich machen, wenn Ergebnisse eher Hinweise als belastbare Befunde sind. Hier fehlt oft noch Grundwissen: Wie gut müssen Daten sein, um auf ihrer Basis bestimmte Aussagen treffen zu können? Welche Schlüsse sind je nach Studiendesign überhaupt möglich? Viele dieser Fragen gehören eigentlich zur Statistik, werden aber häufig nicht damit in Verbindung gebracht. Deshalb fanden wir den Begriff Data Literacy auch hilfreich – er umfasst vieles davon, ohne die oft negative Wahrnehmung von Statistik.

Ein verbreiteter Irrtum ist die Vorstellung, dass man nur genug Daten braucht und sich der Rest dann von selbst ergibt. Tatsächlich bilden Daten die Realität immer nur unvollständig ab, und Unsicherheiten gehören immer dazu. Diese müssen klar kommuniziert werden. Der Satz „Die Daten sprechen für sich“ stimmt in der Praxis nie. Ein weiterer wichtiger Punkt ist der gesamte Prozess rund um Daten: von der Fragestellung über die Operationalisierung und Datenerhebung bis hin zur Dokumentation und Auswertung. Man muss klären, wofür Daten ursprünglich erhoben worden sind, welche Qualität sie haben und ob sie für die eigene Fragestellung überhaupt geeignet sind. Erst danach beginnt die eigentliche Analyse. Datenkompetenz bedeutet daher auch, grundlegende Dinge zu verstehen – etwa wann ein Durchschnitt sinnvoll ist und wann zum Beispiel ein Median besser passt. Gerade bei komplexeren Modellen oder KI-Systemen wird es noch schwieriger nachzuvollziehen, wie Ergebnisse zustande kommen. Deshalb brauchen wir vor allem mehr gemeinsame Verständigung: Nicht jede*r muss Data Scientist werden, aber Fachleute müssen miteinander über Daten sprechen können. Dazu gehören auch kritisches Denken und ethische Fragen – also was man mit Daten tun kann, darf und sollte. In manchen Fällen kann es sogar problematisch sein, Daten oder KI nicht zu nutzen, etwa wenn sie bei Röntgenbildern nachweislich bessere Analysen ermöglichen.

Welche Potenziale sehen Sie durch eine stärkere Digitalisierung für die geistes- und kulturwissenschaftliche Forschung?

Der Begriff Digital Humanities – also die Anwendung digitaler Technologien und Methoden in den Geistes- und Kulturwissenschaften – ist durchaus umstritten. Manche sagen, gute geisteswissenschaftliche Forschung werde ohnehin zunehmend digital, sodass man das nicht extra betonen müsse. Andere empfinden es gerade deshalb als etwas Besonderes, weil in vielen dieser Fachrichtungen traditionell bislang wenig mit Daten, Datenerhebungen oder statistischen Methoden gearbeitet wurde. Digitale Methoden wie Text Mining eröffnen hier neue Möglichkeiten, weil Computer große Textmengen viel schneller auswerten können. Ich sehe darin großes Potenzial, gleichzeitig aber auch viele offene Fragen. Eben weil digitale Werkzeuge die Arbeit mit deutlich größeren Datenmengen ermöglichen, muss man sich stärker mit Fragen der richtigen Anwendung, der Unsicherheit und der Interpretation beschäftigen. Unser Projekt hat daher genau hier in der Lehre angesetzt: Wie bringt man Studierenden in den Geisteswissenschaften, die in der Regel keine großen Berührungspunkte mit Statistik haben, grundlegende Datenkompetenzen näher? An der Universität Duisburg-Essen wurde beispielsweise eine Einführungsveranstaltung so umgebaut, dass man bestimmte Studiengänge nicht mehr studieren kann, ohne zumindest einmal mit Datensätzen und digitalen Methoden gearbeitet zu haben.

Gleichzeitig zeigt sich, dass es teilweise schon an sehr grundlegenden Computerkenntnissen hapert. An der Ruhr-Universität Bochum wurden deshalb auch Basiskurse entwickelt, die einfache digitale Kompetenzen vermitteln. Langfristig geht es darum, moderne Methoden sinnvoll nutzen zu können und gleichzeitig ihre Grenzen zu verstehen – insbesondere auch bei KI-Systemen, die oft noch wie eine Black Box wirken. Dazu gehören auch ethische Fragen, die vielfach noch ungeklärt sind. Gerade in Hinblick auf journalistische Berichterstattung kann bessere Datenkompetenz langfristig auch vorteilhafte gesellschaftliche Auswirkungen haben, etwa indem Bürger*innen Informationen kritischer einordnen und nicht jede Darstellung in sozialen Medien ungeprüft glauben.