QUADRIGA Jahrestagung 2026
Datenkompetenz ist mehr als Toolwissen
Am Montag war ich bei der QUADRIGA-Jahrestagung 2026 im Weizenbaum-Institut in Berlin. Unter dem Titel „Von Fachkulturen lernen, in der Breite verankern, Verantwortung stärken“ ging es einen Tag lang um Datenkompetenzen in der Wissenschaft, um Open Educational Resources, Tutorials, digitale Infrastrukturen und die Frage, wie digitale Methoden eigentlich so vermittelt werden können, dass sie nicht nur theoretisch vorhanden sind, sondern in den Fächern auch wirklich ankommen.
Die Veranstaltung hat sehr viel Spaß gemacht. Das lag nicht nur an den Themen, sondern auch daran, dass viele Beiträge sehr offen mit Schwierigkeiten umgingen. Es ging eben nicht nur darum, fertige Projekte vorzustellen, sondern auch darum, welche Entscheidungen, Irrwege und strukturellen Probleme hinter solchen Projekten stehen. Genau dadurch wurde die Jahrestagung für mich besonders interessant.
Denn wenn über Datenkompetenz gesprochen wird, klingt das manchmal sehr technisch. Man denkt an Statistik, Programmiersprachen, Datenbanken, Visualisierungen oder bestimmte Tools. All das gehört dazu. Aber der Tag hat sehr deutlich gezeigt, dass Datenkompetenz mehr ist als die Fähigkeit, ein Programm zu bedienen. Es geht auch um Urteilskraft, um Verantwortung, um Fachkulturen, um Nachhaltigkeit und um die Frage, wie Wissenschaft mit digitalen Veränderungen umgehen kann, ohne sie einfach nur als technische Neuerung zu behandeln.
forTEXT und die Frage der Nachhaltigkeit
Nach der Begrüßung stellte Jan Horstmann das Projekt forTEXT vor. forTEXT ist ein Portal für digitale Textanalyse und bietet unter anderem Methodenbeschreibungen, Ressourcen, Tools, Lerneinheiten und Lehrmaterialien. Besonders spannend fand ich dabei weniger die reine Vorstellung des Angebots, sondern die Reflexion darüber, was bei einem solchen Projekt von Anfang an mitgedacht werden muss.
Denn digitale Lehr- und Lernmaterialien entstehen nicht im luftleeren Raum. Sie müssen gepflegt, aktualisiert, auffindbar und verständlich bleiben. Tools verändern sich, Links veralten, technische Umgebungen entwickeln sich weiter und auch die Anforderungen der Zielgruppen bleiben nicht konstant. Wenn Nachhaltigkeit erst am Ende eines Projekts als Zusatzfrage auftaucht, ist es eigentlich schon zu spät.
Gerade dieser Punkt blieb bei mir hängen. Digitale Projekte können nicht nur danach geplant werden, wie man Inhalte erstellt und veröffentlicht. Man muss auch fragen, wer sie langfristig pflegt, wie modular sie aufgebaut sind, wie stark sie an einzelne Tools gebunden werden und wie sie nach Projektende weiter nutzbar bleiben. Nachhaltigkeit ist hier keine hübsche Ergänzung, sondern eine Grundbedingung dafür, dass digitale Wissenschaftskommunikation funktioniert.
Das macht solche Projekte zugleich schwierig. Denn viele wissenschaftliche Förderlogiken sind zeitlich begrenzt. Ein Projekt kann für einige Jahre Material entwickeln, aber die eigentliche Herausforderung beginnt oft danach: Was passiert, wenn die Förderung endet? Wer übernimmt Verantwortung für Aktualisierung, technische Wartung und inhaltliche Weiterentwicklung? Gerade bei Angeboten, die für Lehre und Selbststudium gedacht sind, ist das entscheidend. Veraltete Tutorials sind nicht einfach nur unpraktisch, sie können auch falsche Sicherheit erzeugen.
Tutorials zwischen Anleitung und Fachkultur
Die Vormittagssession stand unter dem Titel „Show Me How. Tutorials für die digitale Wissenschaft“. Der Titel trifft ein zentrales Problem sehr gut. Digitale Methoden werden häufig abstrakt beschrieben. In der Praxis scheitert der Einstieg aber oft nicht an der großen Theorie, sondern an scheinbar kleinen Fragen: Wie beginne ich? Welche Schritte muss ich ausführen? Was muss ich vorbereiten? Welche Entscheidungen treffe ich unterwegs? Und woran erkenne ich, ob mein Ergebnis überhaupt sinnvoll ist?
Ein gutes Tutorial ist deshalb mehr als eine Schritt-für-Schritt-Anleitung. Es vermittelt nicht nur, welche Knöpfe gedrückt werden müssen, sondern auch, warum bestimmte Schritte nötig sind. Es macht Arbeitsprozesse nachvollziehbar. Es zeigt Entscheidungen, Annahmen und Grenzen. Gerade in den Geisteswissenschaften ist das wichtig, weil digitale Methoden selten Selbstzweck sind. Sie sollen helfen, neue Fragen an Quellen, Texte, Bilder, Filme, Metadaten oder historische Überlieferungen zu stellen.
Besonders anschaulich wurde das im Vortrag zu fachspezifischen Open Educational Resources in der Filmwissenschaft. Ausgangspunkt war eine Situation, die vermutlich viele kennen: Man möchte eine Seminarsitzung vorbereiten, ein digitales Verfahren erklären oder Studierende an ein Tool heranführen. Eigentlich müsste es dafür bereits Material geben. In der Praxis findet man aber oft entweder nichts Passendes oder Angebote, die zwar technisch brauchbar sind, aber nicht zur eigenen Fachfrage passen.
Das führt zu einer wichtigen Frage: Braucht es wirklich noch ein weiteres Tutorial? Oder wird dadurch nur ein weiterer Baum in einen ohnehin schon unübersichtlichen OER-Wald gepflanzt?
Die Antwort war nicht einfach ein pauschales Ja. Aber der Vortrag zeigte sehr überzeugend, warum fachspezifische Materialien gerade für den Einstieg wichtig sein können. Ein allgemeines Tutorial kann technisch korrekt sein und trotzdem an einer Zielgruppe vorbeigehen. Der Grund liegt nicht unbedingt im Tool, sondern im Beispiel. Wer Filmwissenschaft studiert, arbeitet mit anderen Materialien, Fragen und Denkweisen als jemand, der betriebswirtschaftliche Verkaufszahlen auswertet. Wenn ein Tutorial aber nur mit Produktlisten, Umsätzen oder Unternehmensdaten arbeitet, ist der Transfer auf filmwissenschaftliche Fragestellungen nicht selbstverständlich.
Excel ist nicht das Problem – der fehlende Kontext ist es
Das wurde am Beispiel von Excel besonders deutlich. Excel-Tutorials gibt es in kaum überschaubarer Menge. Microsoft bietet eigene Einführungen an, YouTube ist voll von Erklärvideos und auf Social Media kursieren zahllose Tipps. Trotzdem erreichen diese Angebote viele geisteswissenschaftliche Studierende nur begrenzt.
Das liegt nicht unbedingt daran, dass Studierende Excel grundsätzlich nicht kennen. Viele haben das Programm schon einmal geöffnet oder nutzen es sogar in Nebenjobs, Praktika oder studentischen Hilfskraftstellen. Aber zwischen einer oberflächlichen Bekanntheit und einem reflektierten Einsatz als Forschungswerkzeug liegt ein großer Unterschied.
Spannend fand ich hier die Beobachtung, dass die Hürde oft nicht im Programm selbst liegt, sondern in der fehlenden fachlichen Übersetzung. Wer nicht sieht, wie Tabellenarbeit mit eigenen Materialien zusammenhängt, wird auch in einem noch so guten allgemeinen Tutorial keinen unmittelbaren Nutzen erkennen. Wenn aber an konkreten Beispielen gezeigt wird, wie etwa Filmkataloge, Metadaten, Genres, Preise, Fassungen oder Rezeptionsdaten miteinander verknüpft werden können, verändert sich der Blick auf das Tool.
Dann wird Excel nicht plötzlich zum idealen Forschungsinstrument für alles. Aber es wird als möglicher Einstieg sichtbar. Und genau dieser Einstieg ist nicht zu unterschätzen. Nicht jede digitale Methode beginnt mit Python, R oder komplexen Datenbanken. Manchmal beginnt sie mit der Einsicht, dass auch eine Tabelle bereits eine Form der Modellierung ist.
Dieser Gedanke lässt sich problemlos auf Public History und Digital History übertragen. Auch hier arbeiten wir häufig mit Werkzeugen, die nicht spezifisch historisch sind: Tabellenkalkulationen, Datenbanken, OpenRefine, Visualisierungstools, Transkriptionssoftware, Geoinformationssysteme oder Programmiersprachen. Historisch relevant werden sie erst durch die Fragen, Materialien und Kontexte, auf die sie angewendet werden.
Niedrigschwellig heißt nicht anspruchslos
Ein weiterer Punkt, der sich durch die Veranstaltung zog, war die Bedeutung niedrigschwelliger Zugänge. Das klingt manchmal so, als ginge es darum, Inhalte zu vereinfachen. Genau das ist aber nicht gemeint. Niedrigschwelligkeit bedeutet nicht, dass eine Methode anspruchslos wird. Sie bedeutet, dass Menschen überhaupt in die Lage versetzt werden, sinnvoll mit ihr anzufangen.
Gerade in den Geisteswissenschaften wird häufig vorausgesetzt, dass Studierende und Forschende „digital“ seien, weil sie alltäglich digitale Geräte benutzen. Aber digitale Alltagskompetenz ist nicht dasselbe wie Datenkompetenz. Ein Smartphone bedienen zu können, bedeutet nicht automatisch, Daten kritisch zu erfassen, Metadaten zu beurteilen, eine Tabelle sinnvoll zu strukturieren oder eine Analyse reproduzierbar zu dokumentieren.
Diese Unterscheidung halte ich für zentral. Wer digitale Methoden vermitteln möchte, muss nicht nur ein Tool erklären. Es muss auch deutlich werden, welche Denkweise dahintersteht. Was ist ein Datensatz? Was wird bei der Erfassung entschieden? Welche Kategorien werden gebildet? Was bleibt unsichtbar? Welche Fehler können entstehen? Und wie verändert die technische Strukturierung den Blick auf das Material?
Gerade für Public History ist das wichtig, weil digitale Angebote oft zwischen Forschung, Vermittlung und Öffentlichkeit stehen. Datenkompetenz bedeutet hier nicht nur, dass man Daten auswerten kann. Sie bedeutet auch, dass man erklären kann, wie diese Daten entstanden sind, welche Grenzen sie haben und welche Aussagen sie überhaupt zulassen.
Datenkompetenz als Urteilskraft
Am Nachmittag verschob sich der Fokus stärker auf die grundlegende Frage, was Datenkompetenz eigentlich ist. Besonders interessant fand ich den Impuls von Peer Trilcke, der Datenkompetenz nicht nur als Toolbeherrschung verstand, sondern als Urteilskraft. Das ist ein wichtiger Unterschied.
Es geht eben nicht nur darum, ein bestimmtes Programm bedienen zu können. Entscheidend ist vielmehr, beurteilen zu können, wann welche Methode angemessen ist, welche Praktiken verantwortbar sind und welche Konsequenzen bestimmte Entscheidungen haben. Datenkompetenz bedeutet dann nicht nur Wissen, sondern die Fähigkeit, zwischen allgemeinem Wissen und konkreten Anwendungssituationen zu vermitteln.
Dieser Gedanke passt sehr gut zu den Geisteswissenschaften. Denn eigentlich sind geisteswissenschaftliche Praktiken schon lange mit Formen von Datenkompetenz verbunden. Bibliografien, Fußnoten, Editionen, Quellenkritik, Metadaten, Autorschaft, Zuschreibung und Nachvollziehbarkeit sind keine völlig neuen Fragen. Sie erscheinen nur in digitalen Kontexten in veränderter Form.
Besonders deutlich wurde das beim Thema generative KI. Wenn Texte zunehmend mit KI-Systemen erstellt, überarbeitet oder zusammengefasst werden, geraten grundlegende wissenschaftliche Kategorien unter Druck. Autorschaft, Nachweisbarkeit, Verantwortung und Bewertung werden schwieriger. Die einfache Frage „Mensch oder Maschine?“ reicht dabei nicht aus. Wahrscheinlich werden wir es immer häufiger mit hybriden Texten und Arbeitsprozessen zu tun haben, bei denen die entscheidende Frage nicht mehr nur lautet, ob KI beteiligt war, sondern wie diese Beteiligung dokumentiert, reflektiert und bewertet wird.
Das ist keine rein technische Herausforderung. Es ist eine wissenschaftliche und ethische. Wer digitale Werkzeuge nutzt, muss Rechenschaft darüber ablegen können, wie Ergebnisse entstanden sind. Gerade deshalb reicht es nicht, Datenkompetenz nur als Zusatzqualifikation zu verstehen. Sie betrifft die Grundlagen wissenschaftlichen Arbeitens.
Daten sind nicht einfach da
Katharina Schüller machte in ihrem Impuls sehr deutlich, dass Daten nie einfach neutral vorhanden sind. Sie entstehen in bestimmten Situationen, unter bestimmten Bedingungen und mit bestimmten Anreizen. Das klingt selbstverständlich, wird aber in der Praxis leicht übersehen.
Besonders eindrücklich war ihr Beispiel aus einem Forschungsprojekt zur Daten- und Risikokompetenz im Zoll. Dort ging es um Daten, die im Zusammenhang mit Kontrollen erhoben werden, und um die Frage, ob sich daraus KI-gestützte Empfehlungen ableiten lassen. Auf den ersten Blick klingt das nach einem klassischen Datenprojekt: Daten erfassen, auswerten, Muster erkennen, Entscheidungen verbessern.
Aber gerade hier zeigte sich, wie problematisch dieser Blick sein kann. Denn Datenqualität hängt nicht nur davon ab, ob Felder korrekt ausgefüllt werden. Sie hängt auch davon ab, warum Daten erhoben werden, wer sie erhebt, unter welchem Druck dies geschieht und welche Anreize mit bestimmten Kennzahlen verbunden sind. Wenn Menschen wissen, dass bestimmte Zahlen für Bewertung, Personalplanung oder Erfolgsmessung relevant sind, verändern diese Zahlen ihren Charakter.
Das erinnert an ein Grundproblem vieler quantitativer Auswertungen: Eine Kennzahl ist nicht automatisch ein Abbild der Realität. Sie ist Teil eines Systems, in dem Menschen handeln. Sobald Kennzahlen zur Steuerung verwendet werden, können sie Verhalten beeinflussen. Dann misst man nicht mehr nur Realität, sondern auch Reaktionen auf das Messsystem.
Für historische Forschung ist das ebenfalls relevant. Auch historische Daten sind nie einfach Rohmaterial. Sie sind Ergebnisse von Verwaltung, Überlieferung, Auswahl, Ordnung, Kategorisierung und manchmal auch von Zufall. Wer mit ihnen arbeitet, muss deshalb nicht nur fragen, was in den Daten steht, sondern auch, warum es dort steht und was fehlt.
Systemische Datenkompetenz
Aus dem Zoll-Beispiel ergab sich ein weiterer wichtiger Punkt: Datenkompetenz kann nicht nur individuell gedacht werden. Es reicht nicht, wenn einzelne Personen wissen, wie man Daten auswertet. Auch Organisationen brauchen eine Form von systemischer Datenkompetenz.
Diejenigen, die Daten erfassen, müssen verstehen können, was mit diesen Daten passiert. Und diejenigen, die Daten auswerten, müssen verstehen, wie diese Daten entstanden sind. Wenn diese beiden Ebenen voneinander getrennt werden, entstehen leicht Fehlinterpretationen. Dann werden Zahlen analysiert, deren Entstehungskontext nicht verstanden wird. Oder Daten werden erhoben, ohne dass den Beteiligten klar ist, wofür sie später verwendet werden.
Gerade dieser Gedanke ist für digitale Forschungsinfrastrukturen zentral. Datenkompetenz betrifft nicht nur die Forschenden am Ende einer Analyse. Sie betrifft auch die Menschen, die Daten erzeugen, bereinigen, dokumentieren, bereitstellen, archivieren und technisch zugänglich machen. Wenn diese Rollen nicht miteinander sprechen, entstehen Brüche.
Das gilt auch für die Wissenschaft. Viele Projekte arbeiten mit Daten, die an anderer Stelle erzeugt wurden. Viele Infrastrukturen werden von Menschen gebaut, die nicht identisch sind mit den späteren Nutzerinnen und Nutzern. Viele Lehrmaterialien werden für Zielgruppen entwickelt, deren konkrete Arbeitsweisen nur teilweise bekannt sind. Datenkompetenz bedeutet deshalb auch Übersetzungsarbeit.
Infrastruktur als Kommunikationsproblem
Diesen Aspekt griff Philipp Wieder aus der Perspektive wissenschaftlicher Dateninfrastrukturen auf. Besonders interessant fand ich dabei die Beobachtung, dass technische Entwicklung allein nicht ausreicht. Es kann ein funktionierender Prototyp gebaut werden, mit Metadaten, Schnittstellen, Standards und persistenten Identifikatoren – und trotzdem bleibt die Frage offen, ob dieser Prototyp im größeren wissenschaftlichen Ökosystem sinnvoll eingebettet ist.
Das klingt zunächst nach einem sehr speziellen Infrastrukturproblem. Tatsächlich steckt darin aber eine allgemeine Herausforderung digitaler Wissenschaft. Projekte bauen Plattformen, Repositorien, Datenkataloge, Tools oder Services. Gleichzeitig existieren bereits andere Projekte, nationale Forschungsdateninfrastrukturen, europäische Initiativen und fachliche Standards. Wer hier etwas Neues entwickelt, muss nicht nur technisch kompetent sein, sondern auch die Landschaft kennen, in der diese Entwicklung stattfindet.
Auch hier geht es also um Datenkompetenz in einem erweiterten Sinn. Nicht jede Person muss jede Infrastruktur im Detail kennen. Aber es braucht Strukturen, in denen technische, fachliche und organisatorische Perspektiven früh genug miteinander ins Gespräch kommen. Sonst entstehen Lösungen, die für sich genommen plausibel sind, aber an anderer Stelle nicht anschlussfähig werden.
Das Problem liegt dabei nicht nur bei einzelnen Entwicklerinnen oder Entwicklern. Es ist auch ein Strukturproblem. Wissenschaftliche Projekte sind zeitlich begrenzt, oft arbeitsteilig organisiert und müssen unter knappen Ressourcen Ergebnisse liefern. Unter solchen Bedingungen ist es schwierig, dauerhaft Überblick über Standards, Infrastrukturen, Anforderungen und Anschlussmöglichkeiten zu behalten.
Demo-Session: vom Framework bis zur Fallstudie
Am Ende der Veranstaltung gab es eine Demo-Session, in der verschiedene QUADRIGA-Angebote vorgestellt wurden. Dazu gehörten unter anderem ein Jupyter-Book-Template für OER, das Datenkompetenzframework, der QUADRIGA Navigator und mehrere Fallstudien zu unterschiedlichen Datentypen. Gerade dieser praktische Teil war ein sinnvoller Abschluss, weil er die zuvor diskutierten Fragen wieder auf konkrete Materialien zurückführte.
Solche Demo-Formate finde ich grundsätzlich hilfreich. Sie zeigen nicht nur fertige Ergebnisse, sondern machen sichtbar, wie unterschiedlich Datenkompetenz praktisch vermittelt werden kann. Ein Framework bietet Orientierung. Ein Navigator hilft beim Auffinden passender Angebote. Fallstudien zeigen konkrete Anwendungssituationen. Und Templates können dazu beitragen, dass Materialien nicht jedes Mal neu von Grund auf entwickelt werden müssen.
Gleichzeitig wurde auch hier deutlich, dass kein einzelnes Angebot alle Probleme lösen kann. Die Herausforderung liegt nicht nur darin, Material zu erstellen. Es muss gefunden, verstanden, angepasst und in konkrete Lehr- oder Forschungskontexte integriert werden. Gerade deshalb ist die Verbindung von Frameworks, Fallstudien und Austauschformaten sinnvoll.
Für mich war die QUADRIGA-Jahrestagung vor allem deshalb interessant, weil sie Datenkompetenz nicht auf Technik reduziert hat. Natürlich ging es um Tools, Tutorials, Standards, Datenkataloge und Infrastrukturen. Aber immer wieder wurde deutlich, dass die eigentlichen Fragen tiefer liegen.
Wie entstehen Daten? Wer entscheidet, was erfasst wird? Welche Fehler und Verzerrungen sind in Daten eingeschrieben? Wie können Lernmaterialien so gestaltet werden, dass sie in unterschiedlichen Fachkulturen funktionieren? Wie nachhaltig sind digitale Projekte nach dem Ende ihrer Förderung? Welche Verantwortung entsteht durch generative KI? Und wie können Wissenschaftseinrichtungen Strukturen schaffen, die Datenkompetenz nicht nur punktuell vermitteln, sondern dauerhaft verankern?
Gerade die Verbindung von Vormittag und Nachmittag fand ich stark. Am Vormittag ging es um Tutorials, OER und konkrete Vermittlungsformate. Am Nachmittag wurde deutlich, dass diese Formate Teil größerer wissenschaftlicher und gesellschaftlicher Fragen sind. Ein gutes Tutorial ist wichtig. Aber es kann nur dann wirken, wenn es in eine Kultur eingebettet ist, die Reflexion, Nachnutzung und Verantwortung ernst nimmt.
Datenkompetenz ist deshalb für mich nach dieser Veranstaltung noch weniger ein einzelnes Skillset als vorher. Sie ist eine Praxis. Sie umfasst technisches Wissen, fachliche Übersetzung, kritische Reflexion, ethische Verantwortung und organisatorische Strukturen. Und vielleicht ist genau das die eigentliche Herausforderung: Datenkompetenz lässt sich nicht einfach in einem Projekt herstellen und danach abhaken. Sie muss immer wieder neu eingeübt, verhandelt und an konkrete Fachkulturen angepasst werden.
