Advertisement

Anforderungen an eine Statistik-Ausbildung im 21. Jahrhundert vor dem Hintergrund von Statistical (Il‑)Literacy

  • Björn ChristensenEmail author
Originalveröffentlichung
  • 26 Downloads

Zusammenfassung

Im vorliegenden Beitrag wird anhand von exemplarischen Beispielen aufgeführt, welche Anforderungen an den kompetenzorientierten Umgang mit Statistik gestellt werden sollten und wie sich diese Anforderungen vor dem Hintergrund zunehmender Datenverfügbarkeit mit unterschiedlicher Strukturierungsform (Big Data) verändern. Insbesondere in Fächern, in denen die Statistikausbildung nicht zum Kerninhalt gehört, sollte vorrangig das „Denken in Daten(modellen)“ sowie die Interpretation und Bewertung von Ergebnissen statistischer Berechnungen gelehrt werden.

Schlüsselwörter

Statistical Literacy Data Literacy Big Data Statistik-Ausbildung 

Demands placed on statistics training in the 21st century against the backdrop of statistical (il)literacy

JEL-Klassifizierung

C10 

Notes

Literatur

  1. Bauer T, Gigerenzer G, Krämer W (2014) Warum dick nicht doof macht und Genmais nicht tötet – Über Risiken und Nebenwirkungen der Unstatistik. Campus, Frankfurt a.M.Google Scholar
  2. Christensen B, Christensen S (2015) Achtung: Statistik – 150 Kolumnen zum Nachdenken und Schmunzeln. Springer, Berlin, Heidelberg.CrossRefGoogle Scholar
  3. Christensen B, Christensen S (2018) Achtung: Mathe und Statistik – 150 neue Kolumnen zum Nachdenken und Schmunzeln. Springer, Berlin, Heidelberg.CrossRefGoogle Scholar
  4. Flint E, Cummins S, Sacker A (2014) Associations between active commuting, body fat, and body mass index: population based, cross sectional study in the United Kingdom. Bmj 349:g4887CrossRefGoogle Scholar
  5. Fraunhofer Heinrich Hertz Institute (2017) Pressemitteilung zur CeBIT 2017, CeBIT 2017: Analyse-Software für neuronale Netze - Dem Computer beim Denken zuschauen, 8. Februar 2017Google Scholar
  6. Gigerenzer G (2018) „Erfolgreiche“ Gesichtserkennung mit Hunderttausenden Fehlalarmen, Unstatistik Oktober 2018. http://www.rwi-essen.de/unstatistik/84/. Zugegriffen: 31. Jan. 2019Google Scholar
  7. Quatember A (2015) Statistischer Unsinn – Wenn Medien an der Prozenthürde scheitern. Springer, Berlin, HeidelbergGoogle Scholar
  8. Redelmeier DA, May SC, Thiruchelvam D, Barrett JF (2014) Pregnancy and the risk of a traffic crash. Cmaj 186(10):742–750CrossRefGoogle Scholar
  9. van Rennings L, von Münchhausen C, Honscha W, Ottilie H, Käsbohrer A, Kreienbrock L (2013) Repräsentative Verbrauchsmengenerfassung von Antibiotika in der Nutztierhaltung - Kurzbericht über die Ergebnisse der Studie „VetCAb-Pilot“, VetCAb Fachinformation, Stand: 9. Juli 2013Google Scholar
  10. Spiegel Online (Hrsg) (2015) Datenlese – örtlich betäubt. http://www.spiegel.de/gesundheit/diagnose/landaerzte-datenanalyse-zum-mangel-wo-aerzte-fehlen-a-1013906.html. Zugegriffen: 31. Jan. 2019Google Scholar
  11. Suglia SF, Solnick S, Hemenway D (2013) Soft drinks consumption is associated with behavior problems in 5‑year-olds. J Pediatr 163(5):323–1328CrossRefGoogle Scholar
  12. Umweltbundesamt (2015) Einfluss der Nutzungsdauer von Produkten auf ihre Umweltwirkung: Schaffung einer Informationsgrundlage und Entwicklung von Strategien gegen „Obsoleszenz“ ZWISCHENBERICHT: Analyse der Entwicklung der Lebens‑, Nutzungs- und Verweildauer von ausgewählten Produktgruppen. Texte 10/2015Google Scholar
  13. Unstatistik (2019) http://www.rwi-essen.de/unstatistik/. Zugegriffen: 31. Jan. 2019
  14. Zwick M (2016) Statistikausbildung in Zeiten von Big Data. ASta Wirtsch Sozialstatist Arch 10(2):127–139CrossRefGoogle Scholar

Copyright information

© Springer-Verlag GmbH Germany, part of Springer Nature 2019

Authors and Affiliations

  1. 1.Fachbereich Wirtschaft, Institut für Statistik und Operations ResearchFachhochschule KielKielDeutschland

Personalised recommendations