DS3W – Data Science Kompetenzen für den digitalen Wandel in Wissenschaft und Wirtschaft
Das Projektziel ist die Untersuchung von Data Science-Kompetenzen in wirtschaftlichen Anwendungen und wissenschaftlichen Domänen.
Es wird untersucht, welche Bedeutung der Bereich Data Science in Wirtschaft und Wissenschaft hat, wie er strukturiert werden kann, welche Kompetenzbedarfe vorhanden sind und welche Bildungsangebote praxisorientiert geschaffen werden müssen. Das Ergebnis soll eine Kompetenzlandschaft als Instrument darstellen, das Unternehmen & Individuen für ihre Kompetenzplanung und Risikobewertung nutzen können.
-
Das Berufsfeld des Data Scientists hat in den letzten zehn Jahren einen dramatischen Wandel erlebt. Technologien haben sich weiterentwickelt, das Themenspektrum ist gewachsen und Data Scientists haben sich stärker auf Spezialisierungen konzentriert.
Der Bedarf an Fachkräften ist kontinuierlich gestiegen, während die Ausbildung nicht ausreichend Schritt halten konnte. In Europa herrschte 2023 ein Fachkräftemangel von etwa fünf Prozent. Dies könnte auf den demografischen Wandel sowie hohe Einstiegshürden und mangelnde Standardisierung zurückzuführen sein. Definitionen von "Data Scientist" und erforderlichen Kompetenzen variieren je nach Literatur und berücksichtigen oft nicht den aktuellen Stand der Technologie.
Das Ziel des Projekts ist es, eine Kompetenzlandschaft für Data Science aus Wissenschaft und Wirtschaft abzuleiten, die als Instrument für verschiedene Akteure dienen kann.
- ArbeitnehmerInnen/StudentInnen: Benennen und Einordnen des eigenen Wissens und der Fähigkeiten, Kompetenzerwerbsplanung im Data-Science-Spektrum
- Personalbedarfs-/Projektplanung: Identifikation relevanter Kompetenzen im Domänenkontext, Benennen konkreter Bedarfe
- Bildungseinrichtungen: Bedarfsorientierte und praxisnahe Ausbildung von Data Scientists durch Identifikation relevanter Kernkompetenzen aus der Wirtschaft
- Ermittlung von Technologien: Erkennen und Nutzen von Technologien wie AutoFMs zur Unterstützung von Kompetenzen
Zentrale Forschungsfragen
Zentrale Forschungsfrage: Welche Bedeutung hat Data Science in Wissenschaft und Wirtschaft?
Teilfrage 1: Wie wird die Fachkompetenz „Data Science“ verstanden und strukturiert? (2023)
Teilfrage 2: Welche Kompetenzbedarfe an Data Science Kompetenzen sind vorhanden? (2024)
Methodisches Vorgehen
TF1: Forschungsdesign
1) Ableiten eines ersten Kompetenzframeworks mittels einer systematischen Literaturrecherche mit Literaturanalyse und -synthese nach Webster & Watson (2002)
2) Identifikation erster technischer Unterstützung und Einordnung in ein theoretisches Kompetenzframework (EDISON CF) mittels einer syst. Literaturrecherche nach Webster & Watson (2002) und qualitativen Inhaltsanalyse nach Kuckartz (2022)
3) Kompetenzframework aus Sicht der Wirtschaft durch semistrukturierte Interviews mit anschließender qualitativer IA (Kuckartz 2022) oder Grounded Theory (Glaser& Strauß 1967, 1998) evaluieren
-
... zu den zentralen Forschungsfragen
1. Die Literaturrecherche und -analyse (TF 1.1.) wurde erfolgreich durchgeführt. Alle erforderlichen Inhalte liegen damit zur Ableitung eines theoretischen Kompetenzframeworks vor. Zu sehen sind die ausführlichen Ergebnisse unter: https://www.fernuni-hagen.de/static/competence_landscape/grid/ (Entwurf).
Hierfür wird eine Veröffentlichung (Paper) vorbereitet.
2. Die Identifikation erster Automatisierungsframeworks, welche DS Kompetenzen unterstützen, wurde im Paper „The impact of automation frameworks on today’s data science competencies” vorgestellt. Es wurden unterschiedliche Fähigkeiten von vier AutoFMs untersucht und Data Science Kompetenzen zugeordnet.
... zu Transfer und gesellschaftlicher Relevanz
Die Recherche und Analyse der Literatur (TF 1.1) verdeutlichen das rasante Tempo der digitalen Transformation und die umfassenden Kompetenzanforderungen im Bereich Data Science. Als Konsequenz schlägt sich dies in der Notwendigkeit nieder, die Kompetenzentwicklung agiler zu gestalten.
Es bietet sich an, die Kompetenzentwicklung zum Teil individuell auf die Bedürfnisse jedes Einzelnen zuzuschneiden, um sowohl Schlüsselkompetenzen zu vermitteln als auch spezielle Interessen und Weiterbildungsbedürfnisse der Lernenden zu berücksichtigen.
-
Veröffentlichungen
Potanin, M., Holtkemper, M., Beecks, C. (2023). The impact of automation frameworks on today's data science competencies. In: Tareq Ahram and Redha Taiar (eds) Human Interaction & Emerging Technologies (IHIET 2023): Artificial Intelligence & Future Applications. AHFE (2023) International Conference. AHFE Open Access, vol 0. AHFE International, USA.
Holtkemper, M., Potanin, M., Oberst, A., Beecks, C. (2023). Risk Identification of Data Science Projects: A Literature Review. CEUR Workshop Proceedings (LWDA 2023, Best Paper Award)
Konferenzteilnahmen und Vorträge
Potanin, Maria: “The impact of automation frameworks on today’s data science competencies”, 10th International Conference on Human Interaction and Emerging Technologies IHIET 2023, Nizza, 23.08.2023.
Potanin, Maria: “Risk Identification of Data Science Projects: A Literature Review”, Lernen, Wissen, Daten, Analysen (LWDA), Marburg, 10.10.23.
Potanin, Maria: „Daten-Detektive im Zeitalter des digitalen Goldrauschs“, Poster beim Berliner Symposium (ABD)
Projektbeteiligte
Foto: Hardy Welsch
Prof. Dr. Christian Beecks
Projektleitung
E-Mail: christian.beecks
Telefon: +49 2331 987-2743
Lehrgebiet Data Science, Fakultät für Mathematik und Informatik
Foto: Privat
Maria Potanin
Projektmitarbeiterin
E-Mail: maria.potanin
Lehrgebiet Data Science, Fakultät für Mathematik und Informatik
