{"id":508,"date":"2021-02-28T15:57:56","date_gmt":"2021-02-28T15:57:56","guid":{"rendered":"https:\/\/gigers.com\/blog\/?p=508"},"modified":"2024-06-24T17:33:33","modified_gmt":"2024-06-24T17:33:33","slug":"deskriptive-auswertung-von-daten-mit-snap","status":"publish","type":"post","link":"https:\/\/gigers.com\/blog\/deskriptive-auswertung-von-daten-mit-snap\/","title":{"rendered":"Deskriptive Auswertung von Daten mit Snap!"},"content":{"rendered":"

Die Auswertung von Daten geh\u00f6rt zu den Kernkompetenzen einer Gesellschaft, welche wissensbasiert handeln will. Deshalb erkl\u00e4rt auch der Lehrplan der Deutschschweiz das Auswerten von Daten aus der Umwelt<\/a> der Sch\u00fclerinnen und Sch\u00fcler als eines der \u00fcbergeordneten Ziele des Informatikunterrichts. Darauf hat unter anderem auch das Statistische Amt des Kantons Z\u00fcrich reagiert und eine Webseite zum Thema Daten- & Statistikkompetenz<\/a> aufgeschaltet, welche sich an Lernende wendet. Nebst theoretischen \u00dcberlegungen zur Wissenspyramide<\/a> stellt das Amt auch einen Datensatz mit CO2-Daten<\/a> zu Verf\u00fcgung, der von den Lernenden analysiert werden kann. Diese Daten sollen dann mit der Statistiksoftware R<\/a> und einem Beispielskript<\/a> ausgewertet werden.<\/p>\n

R f\u00fcr die Sekundarstufe I?<\/h2>\n

R ist ein sehr m\u00e4chtiges, frei erh\u00e4ltliches und quelloffenes Statistikwerkzeug, welches durch zahlreiche Erweiterungen sich an die individuellen Bed\u00fcrfnisse von Statistikerinnen und Statistikern anpassen l\u00e4sst. Da es ausserdem \u00fcber eine Skriptsprache gesteuert wird, lassen sich mit R durchgef\u00fchrte statistische Analysen auch leicht nachvollziehen – vorausgesetzt, man kennt sich mit dem Werkzeug aus.<\/p>\n

Diese Steuerung der Software \u00fcber Textelemente f\u00fchrt aber auch dazu, dass viele Menschen sich mit R schwertun, da die Lernkurve ziemlich steil sein kann. Auf der Sekundarstufe I kommt hinzu, dass man nicht zwingend davon ausgehen kann, dass die Lernenden \u00fcber gen\u00fcgende Fertigkeiten in Bezug auf das Tastaturschreiben verf\u00fcgen, was die H\u00fcrde zus\u00e4tzlich erh\u00f6hen kann. Nun ist es durchaus machbar, mit Sch\u00fclerinnen und Sch\u00fclern dieses Alters R zu verwenden, in der Regel bedarf dies aber viel Unterst\u00fctzung durch die Lehrperson oder dann beschr\u00e4nkt sich die Auseinandersetzung auf eine relativ triviale Abarbeitung eines vorgefertigten Skripts mit geringer Wahrscheinlichkeit auf einen sp\u00e4teren Transfer. Ausserdem steht der Unterricht auf der Sekundarstufe I auch unter einem hohen Druck, die Lernenden dazu zu bef\u00e4higen, die vielf\u00e4ltigen Kompetenzen des Lehrplans zu meistern und der Umgang von Daten ist nur einer von sieben Teilen im Bereich Medien und Informatik.<\/p>\n

Rettung durch die Tabellenkalkulation?<\/h2>\n

W\u00e4re es da nicht sinnvoll, auf eine bei den Sch\u00fclerinnen und Sch\u00fclern bekanntere und einfacher zu bedienende Software wie eine Tabellenkalkulation umzusteigen? Um eine Antwort auf diese Frage zu erhalten, m\u00fcssen verschiedene Aspekte ber\u00fccksichtigt werden:<\/p>\n

    \n
  1. Der Datensatz selbst: Bei einfach aufgebauten oder kleinen Datens\u00e4tzen mag eine Tabellenkalkulation die erste Wahl sein. Der CO2-Datensatz enth\u00e4lt aber \u00fcber 2000 Datens\u00e4tze, was einer Bearbeitung in einer Tabellenkalkulation nicht gerade entgegenkommt. Bei solch grossen Datens\u00e4tzen ist es schwierig, den \u00dcberblick zu behalten.<\/li>\n
  2. Das Ziel der Auswertung: Wenn es darum geht, schnell eine Summe zu berechnen oder eine Linien- oder Balkengrafik zu zeichnen, dass ist die Tabellenkalkulation meist die erste Wahl. Wenn aber umfassendere Untersuchungen durchgef\u00fchrt werden sollen, kann es schwierig sein, die einzelnen Schritte im Prozess nachzuvollziehen und auf eine andere Datenlage anzuwenden. Und genau dies soll ja eines der Ziele der Arbeit mit dem CO2-Datensatz sein. Es geht nicht nur darum, Erkenntnisse \u00fcber diesen einzelnen Datensatz zu gewinnen, sondern diese Kenntnisse sp\u00e4ter auch auf andere Daten anzuwenden, bei denen vielleicht eine ganz andere Fragestellung im Fokus steht.<\/li>\n
  3. Die Methodik: In der Mathematik, Informatik und den Naturwissenschaften ist es \u00fcblich, mit Werkzeugen zu arbeiten, bei denen Arbeitsschritte nachvollziehbar sind. Eine Reihe von abzuarbeitenden Befehlen erf\u00fcllt diese Aufgabe in der Regel besser, als wenn man auf eine grafische Oberfl\u00e4che setzt, wie dies bei der typischen Tabellenkalkulation der Fall ist. Die schlechte Nachvollziehbarkeit von Analysen mit Tabellenkalkulationen f\u00fchrt dann auch immer wieder zu Problemen<\/a>.\u00a0 Dass dabei ein Produkt besonders h\u00e4ufig genannt wird, hat weniger mit dessen Qualit\u00e4t als vielmehr dessen grosser Verbreitung zu tun.<\/li>\n<\/ol>\n

    Diese \u00dcberlegungen zeigen, dass anscheinend nur die Wahl zwischen der unzug\u00e4nglichen Arbeit mit einer Skriptsprache wie R oder der in den Naturwissenschaften eher weniger gern gesehenen, weil schlecht reproduzierbaren Arbeit mit einer Tabellenkalkulation bleibt.<\/p>\n

    Zu erreichende Ziele<\/h2>\n

    In ein solches Dilemma verstrickt, lohnt es, sich noch einmal die Zielsetzungen vor Augen zu f\u00fchren. Was sollen die Lernenden aus der Auseinandersetzung mit dem Lernobjekt (hier ein f\u00fcr Schulverh\u00e4ltnisse vergleichsweise grosser Datensatz) mitnehmen?<\/p>\n

      \n
    1. Die Lernenden sollen eine grunds\u00e4tzliche Fertigkeit im Umgang mit gr\u00f6sseren Datenmengen erwerben. Dazu geh\u00f6ren unter anderem:
      \nSich einen \u00dcberblick und die Inhalte des Datensatzes zu verschaffen;
      \neinfache statistische Berechnungen auf den Datensatz anzuwenden;
      \nden Datensatz m\u00f6glicherweise visuell auszuwerten (wird in diesem Beitrag nicht behandelt);<\/li>\n
    2. Die Lernenden sollen dabei Methoden kennenlernen, welche typisch f\u00fcr das entsprechende professionelle Umfeld sind. Dazu geh\u00f6ren:
      \nDie Arbeitsweise mit einer professionellen Statistiksoftware zumindest in Ans\u00e4tzen kennen lernen;
      \nbei der Arbeit mit Daten auf die Reproduzierbarkeit der Berechnungen zu achten;
      \nEinblick in die Funktionsweise statistischer Methoden erlangen.<\/li>\n<\/ol>\n

      Grunds\u00e4tzlich w\u00fcrde R diese Bedingungen erf\u00fcllen, den Anwender wird der Einstieg durch die neu zu erlernenden Konzepte mit der gleichzeitig abverlangten Genauigkeit beim Eingeben der Befehle (Tippfehler) aber erschwert. Eine didaktische Reduzierung auf den eigentlichen Kern, die Nutzung von flexiblen, reproduzierbaren Befehlen zum Umgang mit Daten ist also angesagt.<\/p>\n

      In den folgenden Ausf\u00fchrungen soll nun gezeigt werden, dass eine Sprache wie Snap! aufgrund der blockbasierten Schnittstelle dazu ideale Voraussetzungen bietet und damit den Lernenden einen sp\u00e4teren Umstieg auf ein Statistikprogramm wie R wesentlich erleichtern kann.<\/p>\n

      Umsetzung mit Snap!<\/h1>\n

      Da Snap! es erm\u00f6glicht, eigene Bl\u00f6cke (Funktionen, Befehle, …) zu schreiben, kann die ben\u00f6tigte Funktionalit\u00e4t den Lernenden entweder zu Verf\u00fcgung gestellt werden, oder, falls dies erw\u00fcnscht ist, k\u00f6nnen diese die Erweiterungen selbst schreiben oder zumindest deren Funktionsweise nachvollziehen.<\/p>\n

      W\u00e4hrend Snap! schon von Grund auf viele interessante Bl\u00f6cke enth\u00e4lt und diese durch bereits vorhandene Bibliotheken (z.B. Frequency Distribution Analysis, Variadic reporters) erg\u00e4nzt werden k\u00f6nnen, ist zumindest bei einer ersten Auseinandersetzung mit gr\u00f6sseren Daten sinnvoll, den Lernenden entsprechend zugeschnittene Bl\u00f6cke zu Verf\u00fcgung zu stellen.<\/p>\n

      Deshalb ist es sinnvoll, einmal einen Blick in den entsprechenden Auftrag zum CO2-Datensatz zu werfen (siehe R Skript<\/a>). Die Lernenden sollen …<\/p>\n