Eine Postserie über Computational Essays – Teil 3
Zu Teil 1 und Teil 2 der Postserie
In der universitären Lehre etablieren sich zunehmend Lehr-Lern-Formen, die auf Coding in interaktiven Dateiformaten basieren. Hierzu zählen auch Computational Essays. Nach der grundsätzlichen Einführung in das Format in Teil I und der Erörterung der Potenziale von Computational Essays für die gute wissenschaftliche Praxis und ihrer Lehre in Teil II, wird sich der vorliegende dritte Teil der Blog-Serie der praktischen Etablierung von Computational Essays als Lehr- und Prüfungsformat an der Professur für Digital History widmen. Dabei wollen wir insbesondere einige didaktische und infrastrukturelle Aspekte beleuchten, die für die Etablierung von Computational Essays als Lehr- und Prüfungsformat relevant sind.
Computational Essays kombinieren erläuternden Text und ausführbaren Code in einem Dokument. Neben Text und Code können visuelle Elemente verwendet werden, um Argumentationen und Resultate darzustellen. Je nach Ausgestaltung eignen sich Computational Essays damit als neue Form der Hausarbeit im Sinne einer formativen oder summativen Prüfung sowie als Methode, um Wissen in Form von ‚Worked Examples‘ zu vermitteln.
Für eine zielführende und effektive Nutzung der Computational Essays in der Lehre gilt es, didaktische und infrastrukturelle Aspekte zu beachten: beispielsweise die Zielgruppe, bestehende Kompetenzen und Lernziele, ein didaktisches Gesamtkonzept, die zur Verfügung stehende technische Infrastruktur sowie prüfungsrechtliche Aspekte. Auf jeden dieser Aspekte und wie er an der Professur für Digital History umgesetzt wurde, wird in den folgenden Abschnitten eingegangen.
Computational Essays an der Professur für Digital History
Zielgruppe und Voraussetzungen
Die Zielgruppe in unserem Beispiel sind Studierende der Digital History, welche Grundlagen der Geschichte erworben haben und bereits Vorkenntnisse in der Programmiersprache Python mitbringen. Zwei aufeinander aufbauende Grundlagenkurse zu Python sind curricular verankert und schaffen vorab die entsprechende Wissensbasis. Teilweise eignen sich Studierende die Programmierkenntnisse auf anderen Wegen an. Insgesamt beobachten wir dadurch in den Kursen mit bis zu 20 Teilnehmern einen heterogenen Wissensstand im Hinblick auf Python.
Kompetenzen und Lernziele
Die Dynamik hinsichtlich von Digitalität und digitalen Methoden wirkt sich auf die Methoden der Geschichtsforschung aus. Hochschulen sind gefragt, Studierenden Fähigkeiten zur Nutzung und Anwendung neuer digitaler Methoden zu vermitteln. Hierzu zählen beispielsweise Datenkompetenz und AI-Literacy, kritisches Denken und technologische Kompetenz. Die Erweiterung des Kompetenzspektrums ist nicht zuletzt notwendig, um mit den Veränderungen in der Praxis aktueller geschichtswissenschaftlicher Forschung Schritt zu halten (zum Beispiel in Bezug auf Multimodalität, codebasierte Forschung, generative KI). Die Kombination von traditionellen historischen Methoden und digitalen Werkzeugen stellt sicher, dass die Studierenden befähigt werden, den Herausforderungen der heutigen Wissenschafts- und Informationslandschaft zu begegnen.
Dementsprechend müssen Lernziele und Kompetenzen angepasst werden. Für eine methodenkritische und reflektierte Anwendung von KI und maschinellem Lernen in der Digitalen Geschichte sehen wir daher folgende Lernziele und Kompetenzen als Ziel der Kurse:
(1) Algorithmisches Denken
(2) methodische Kompetenz durch
(3) theoretische Grundlagen sowie
(4) die Fähigkeit einer kritischen Reflexion im
historischen Kontext
Neben den oben genannten Lernzielen ermöglichen die Kurse Studierenden forschungsrelevante Konzepte konkret in ihrer eigenen Forschungspraxis zu erleben, wie beispielsweise Reproduzierbarkeit, Transparenz, Nachhaltigkeit und Offenheit.
Didaktisches Konzept
Die Gestaltung der Digital History Kurse orientiert sich am Dreiklang „Theorie, Methode, Praxis“. Dabei finden Computational Essays sowohl bei der Vermittlung von Methoden und Praxisbeispielen Verwendung, z. B. in Form von „Worked Examples“, als auch als Prüfungsformat.
Computational Essays als Worked Examples dienen der Unterstützung des Lernprozesses. Sie demonstrieren Schritt für Schritt, wie eine Aufgabe oder ein Problem gelöst wird. Durch die Anschaulichkeit der Lösungsschritte wird die kognitive Belastung der Lernenden verringert. Die Studierenden müssen sich nicht gleichzeitig auf das Verständnis des Lösungswegs und das Lösen der Aufgabe konzentrieren. Worked Examples werden hierbei mit Aufgaben zum selbstständigen Üben kombiniert, damit Lernende das Gezeigte zunehmend eigenständig anwenden. In den Kursen der Digital History werden Computational Essays als Worked Examples sowohl im Sinne des Inverted Classrooms als eine Art Selbststudium eingebunden, als auch in der Präsenzlehre basierend auf didaktischen Methoden des Pair- und Peer-Computing.
Zudem werden Computational Essays als Prüfungsformat im Sinne des Constructive Alignments genutzt. Die Kernidee des Constructive Alignment nach John Biggs11 ist es, Lernziele, Lehr-/Lernaktivitäten und Prüfungsformen systematisch aufeinander abzustimmen. Durch diese enge Verzahnung von Lernzielen, Lernaktivitäten und Prüfungen wird die Lehre für die Studierenden transparenter und zielgerichteter.
In folgenden Kursen wurden Computational Essays bereits implementiert:
• Computer Vision für die Geschichtswissenschaften
• Wer hat es geschrieben? Authorship Attribution als Methode der Digital History
• Der Name der Dinge – Named Entity Recognition und die automatische Erkennung von Orts- und Personennamen in mittelalterlichen und modernenTopic Modeling als hermeneutisches Werkzeug zur Analyse historischer Quellen
Infrastruktur
Um Computational Essays effektiv in die Hochschullehre einzubinden, bedarf es einer entsprechenden IT-Infrastruktur. An der Humboldt-Universität zu Berlin ist diese in Form eines JupyterHubs implementiert, welcher Zugang zu umfangreicher Rechenkapazität bietet. Studierende können auf die Umgebungen inkl. notwendiger Python Bibliotheken per Single Sign-On zugreifen. Aus Perspektive der Lehrenden schont dies zeitliche Ressourcen, die sonst für das Aufsetzen der Umgebung auf den Endgeräten der Studierenden aufgewendet werden müssten.
Im Hinblick auf das didaktische Design war es für uns wesentlich, dass Design-Entscheidungen und Lehre ineinandergreifen, z. B. hinsichtlich Kurs-spezifischer Entwicklungsumgebungen (Basic Images), der Persistenz (Wie lange werden die Daten gespeichert?), der Koordination von Nutzungsspitzen, der Integration in die vorhandene Infrastruktur und kursspezifischen Entwicklungsumgebungen.
Prüfung
Wird ein Computational Essay als Prüfung genutzt, so muss ggf. ein neues Bewertungsschema konzipiert werden, da es sich um ein neuartiges Prüfungsformat handelt. Als solches unterscheidet es sich von traditionellen Hausarbeiten oder Klausuren. So binden Computational Essays explizit Code und Programmierung in den Schreibprozess ein. Daher müssen neben den üblichen Kriterien für Textqualität auch die Qualität und Funktionalität des Codes bewertet werden.
Unsere Prüfungskriterien sind insbesondere darauf ausgerichtet, dass Studierende ihre Argumentationen und Erklärungen durch den Code und dessen Ausgaben stützen. Traditionelle Bewertungsschemata für reine Textproduktion sind für Computational Essays nicht geeignet. Stattdessen wurden hierfür neue Bewertungsansätze konzipiert2, die den hybriden Charakter aus Text und Code angemessen berücksichtigen. Diese neuen Bewertungskriterien sind bereits in einigen Lehrveranstaltungen im Einsatz und werden iterativ angepasst. Darüber hinaus müssen hochschulpolitische Aspekte im Hinblick auf eine prüfungsrechtliche Verankerung von Computational Essays beachtet werden.
Fazit
Die Neudefinition von Lernergebnissen, die sowohl traditionelle als auch digitale Methoden einschließen, stellt sicher, dass die Studierenden mit einem umfassenden Satz von Fähigkeiten abschließen, um den Herausforderungen der heutigen Informationslandschaft zu begegnen. Das Computational Essay bietet sich in diesem Kontext an, um die neuen Kompetenzen und Fähigkeiten zu vermitteln und abzuprüfen. Es bringt jedoch auch hohe Anforderungen an die IT-Infrastruktur, das didaktische Setting und Kompetenzen der Lehrenden mit sich.
1 Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher education, 32(3), 347-364.
2 Eine Veröffentlichung unserer Bewertungsschemas ist geplant, steht aber noch aus.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Digital History Berlin (Redaktion) (29. Mai 2024). Didaktische und infrastrukturelle Umsetzung von Computational Essays an der Professur für Digital History. Digital History Berlin. Abgerufen am 5. November 2024 von https://doi.org/10.58079/11qmu