Fallstudienkurs Controlling Analytics Challenge
Studierende werden in die Programmiersprache R eingeführt und lernen anhand von Lernvideos und praktischen Übungen in einer Cloud-Umgebung Grundlagen und vertiefende Inhalte von Data Analytics mit Controlling-Bezug, etwa zur Regression oder Klassifikation. Die selbstständige Bearbeitung praxisnaher Fallstudien wird durch Online-Coachings begleitet. Ein entweder studentisches oder KI-gestütztes Peer Review ermöglicht den Studierenden eine Qualitätsverbesserung und simuliert zugleich den Begutachtungsprozess wissenschaftlicher Veröffentlichungen. Abschließend erstellen die Studierenden Präsentationen zu ihren Fallstudien und reichen diese als Video ein. Eine Jury aus Kursbetreuern und Unternehmensvertretern als Kooperationspartner wählen daraus die drei besten Teams aus, die in einer Abschlussveranstaltung in einem Wettbewerbsformat ihre Lösungen vorstellen und verteidigen. Die Jury zeichnet daraus unter Einbezug eines Studierenden-Votings die überzeugendste Lösung mit einem Preis aus.
Kategorien
Beschreibung
Herausforderung
Die auf dem Arbeitsmarkt geforderten Fertigkeiten haben sich drastisch gewandelt und erfordern zunehmend Kenntnisse in der selbstständigen, IT- bzw. KI-gestützten Datenanalyse und deren Anwendung zur Managementunterstützung. Der Aufbau dieser Fertigkeiten und eines tieferen Analyseverständnisses erfordert handlungsorientierte Lehrkonzepte, die den Schritt vom Kennen fachlicher Methoden und Lösungswege zum Umsetzungs-Können unterstützen und auf berufliches Handeln kompetenzorientiert vorbereiten.
Herangehensweise
Praxisnahe Fallstudien ermöglichen die direkte Anwendung der Lehrveranstaltungsinhalte mit Dekontextualisierung.
Modulare Lernvideos auf einer interaktiven Lernplattform vermitteln Statistik- und Programmierkenntnisse – Studierende lernen im eigenen Tempo.
LLMs können bei der Datenanalyse unterstützen. Das ursprünglich studentische Peer-Review-Element wurde zum KI-Review adaptiert, um gleichzeitig den kritischen Umgang mit KI zu vermitteln.
Während der Blended-Learning-Phase und der Fallstudienbearbeitung wurde subsidiäres Coaching angeboten, um Überforderung und Fehlprozesse zu vermeiden.
Studentische Video-Fallstudienpräsentationen wurden von einer Jury bewertet. Die besten Präsentationen nahmen am Fallstudienwettbewerb mit Studierenden-Voting teil: Stärken und Schwächen der Lösungen werden so im Plenum diskutiert und gleichzeitig herausragende Beispiele verdeutlicht.
Der Master-Prototyp-Kurs wurde komplexitätsreduziert für Bachelor-Studiengänge adaptiert und implementiert.
Zusammenhang
Das Projekt fokussierte zunächst auf den Master-Bereich und wurde nach einer komplexitätsreduzierenden Anpassung der Fallstudien und der Didaktik auch für Bachelor-Studiengänge umgesetzt.
Die Einschätzungen von Praxisvertretern und Studierenden wurden zur Anpassung auf Bachelorniveau genutzt. Eine detaillierte Befragung der Bachelor-Studierenden rundete die Erprobung der Maßnahme ab.
Voraussetzung
Technische Voraussetzungen
- Zugang zu einer Online-Plattform zur Bereitstellung einer einheitlichen Programmierumgebung für alle Studierenden
- Studierende verfügen über eigene Notebooks
Didaktische Voraussetzungen
- Entwicklung von Lernvideos zu Umsetzung der Blended-Learning-Inhalte
- Entwicklung anforderungsgerechter, praxisnaher und zugleich methodisch generalisierender Fallstudien
- Subsidiäre Coachings zur Unterstützung bei Problemen
Organisatorische Voraussetzung
- Integration des Angebots in das Curriculum einiger Studiengänge
- Personelle Unterstützung durch Assistenten
Eignung
Der Kurs wurde zweiteilig, pseudoanonymisiert evaluiert, um Veränderungen in den Einstellungen zu erfassen. Z. B.: Die flexible Vertiefungsmöglichkeit durch digitale Lernmaterialien wurde mit einer hohen Zustimmung (6,24 von 7 Punkten) bewertet, und die Kombination von Theorie und praktischen Aufgaben wurde als essenziell (6,18) für den Lernerfolg gewertet. Im Vergleich zur geringen Ausgangserfahrung mit R (2,89), fühlten sich die Studierenden nach dem Kurs sicher im Umgang mit R (5,65) und fähig zur selbstständigen Analyse mit R (5,88) bei hoher weiterer Anwendungsmotivation (6,0). Der Kompetenzerwerb wurde als sehr hoch eingeschätzt (6,24). Im Fragebogenfreifeld wurde insb. die hohe Praxisrelevanz sowie die gebotene Flexibilität und die Unterstützung bei der Aneignung der Kursinhalte hervorgehoben.
Das Feedback der Unternehmensvertreter war sehr positiv, ihre Mitwirkung sowie die Preisauslobung unterstreichen die Notwendigkeit eines entsprechenden Angebots.
Vorgehen/Schritte
- Keinesfalls auf Online-Lehre alleine vertrauen, die Lehrveranstaltung muss in Präsenz starten, damit für die späteren Coachings ein persönlicher Kontakt besteht.
- Entwicklung spezifischer Fallstudien in Abhängigkeit des thematischen Schwerpunkts (hier: Controlling)
- Lehrveranstaltung nicht zu stark zeitlich komprimieren, die Fallstudienbearbeitung durch die Studierenden erfordert Zeit.
- Bearbeitung der Fallstudien in abgeschlossen Teileinheiten, Abwechslung von Theorieinput und Fallstudienbearbeitung.
- Videopräsentationen der Studierenden hat sich (auch aus deren Sicht) als besonders wertvoll erwiesen: die Ergebnisse können besser analysiert und verglichen werden, die Studierenden können sich gut auf ihre End-Präsentation vorbereiten.
Hinweise
Effekte
Erwartete Effekte
- rascher Kompetenzaufbau in der Datenanalyse und in der Programmierung mit R im Speziellen
- Wahrnehmung und Wertschätzung der Praxisrelevanz durch die Studierenden
- Positive Resonanz von Praxisvertretern auf den Fallstudienwettbewerb
Unerwartete Effekte
- Rasche Entwicklung der KI; diese konnte jedoch in Form eines KI-Reviews anstelle eines studentischen Peer Reviews durch eine zeitliche Entlastung der Studierenden nutzbringend eingesetzt werden.
- Studierende haben teilweise Methoden, die über den Lehrstoff des Kurses hinausgehen, zur Lösung der Fallstudien eingesetzt.
Learnings
- Die Modularisierung der Fallstudien in kleinere Teile erleichterte die Bearbeitung für die Studierenden deutlich.
- Gerade für Grundlagen in Programmierung und Statistik ist Blended Learning hervorragend geeignet – Studierende können sich Inhalte in ihrem eigenen Tempo aneignen. In einer Präsenz-lehrveranstaltung würde man sich hier nur gegenseitig aufhalten.
- Praxisfallstudien erhöhen die Relevanz der Lehrveranstaltung aus Sicht der Studierenden deutlich
Empfehlung
Für den wirtschaftswissenschaftlichen Bereich ist die Anwendung von R zu empfehlen. Bei der Anwendung in technischen Studiengängen könnte eine Umsetzung des Konzepts mit Python sinnvoll sein.
Die Entwicklungen der künstlichen Intelligenz sollten bei zukünftigen Anwendungen mitberücksichtigt werden.
Tipps
- Da die Lehrinhalte stark von Entwicklungsstand der Software abhängen, sollten Lehrmodule möglichst in sich abgeschlossene, kleine Einheiten sein, damit spätere Anpassungen ohne Komplettüberarbeitung des ganzen Kurses auch auf kleineren Einheiten möglich sind.
- Die zahlreichen und didaktisch vielfältigen Lehrmethoden (Online, Präsenz, Coaching, Fallstudienbearbeitung, Wettbewerb, KI-Review) erfordern eine detaillierte organisatorische Vorberei-tung und Planung, verbunden mit einer guten Kommunikation mit den Studierenden.
Methoden
Empfohlen
Kontakt
Das könnte Sie auch interessieren
Umfassende Data Literacy Education am College
Ziel des Projekts ist der Ausbau einer umfassenden Data Literacy Education für Erstsemesterstudierende, indem über die technischen Fähigkeiten zur Datenanalyse hinaus die philosophischen, gesellschaftlichen und politischen Aspekte der Digitalisierung adressiert werden. Ein neues Lehrangebot für einen aufklärerischen und kritisch-reflexiven Umgang mit Daten wird an der Leuphana fächer- und fakultätsübergreifend langfristig verankert und realisiert ein Best-Practice-Beispiel für andere mittelgroße Hochschulen. Während der einjährigen Förderdauer wird auf drei Ebenen ein tragfähiger breiter Ansatz entwickelt, der dem übergeordneten Ziel und gleichzeitig der Situation der Erstsemesterstudierenden in ihrer Studieneingangsphase Rechnung trägt. A) Forschungsbasierte Grundlagen: Erarbeitung eines Verständnisses der philosophischen, gesellschaftlichen und politischen Aspekte der digitalen Transformation auf dem aktuellen Stand der Forschung und Formulieren von für die Studieneingangsphase angemessenen Lernzielen. B) Curriculumsentwicklung: Identifikation derjenigen curricularen Bestandteile, in denen einzelne Aspekte der Data Literacy Education umgesetzt werden können und sollen sowie Entwicklung entsprechender Lehrformate. C) Dialog von Studierenden und Lehrenden: Drittens wird explizit der Dialog von Studierenden und Lehrenden über Data Literacy gestärkt durch die Entwicklung und Durchführung spezifischer Beteiligungsformate für Studierende.
Projekt anzeigen
Aufbau und Gestaltung von Good Practice Prüfungen
Die Maßnahme beschreibt einen strukturierten Prozess zur Gewinnung und Begleitung von Lehrenden bei der Entwicklung digitaler, kompetenzorientierter Prüfungen im Projekt. Geeignete Lehrende werden über fakultätsweite Ausschreibungen, Informationsveranstaltungen und persönliche Ansprache akquiriert und teilweise durch Freikäufe entlastet. Nach einem Informationsgespräch und einer Good-Practice-Abfrage werden gemeinsam prüfungsdidaktische Ziele, rechtliche Rahmenbedingungen sowie die technische Umsetzbarkeit geklärt. Anschließend entwickeln Lehrende mit didaktischer und technischer Unterstützung digitale Prüfungen, wobei der Fokus auf Kompetenzorientierung, praxisnahen Aufgaben und dem sinnvollen Einsatz digitaler Prüfungssysteme liegt. Die Prüfungen werden semesterweise erprobt, evaluiert und iterativ weiterentwickelt. Die entstandenen Good Practices werden dokumentiert, veröffentlicht und durch Peer Reviews gesichert, um sie einer breiten Fachöffentlichkeit zugänglich zu machen.
Maßnahme anzeigen
Planungs- und Entscheidungshilfe zum Einsatz von E-Portfolios in der Lehre
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen