Open Data - Baden-Württemberg
Open Data - Baden-Württemberg
Open Data - Baden-Württemberg
Öffentliche Daten finden, prüfen und visualisieren – dieser aiMOOC führt Dich von der Recherche über die Qualitäts- und Lizenzprüfung bis zur eigenen Datenanalyse. Das Niveau ist für die gymnasiale Oberstufe, Ausbildung und einführende Hochschulveranstaltungen in Informatik, Data Science, Geoinformatik und Medienbildung geeignet.
.svg)
Einleitung
Open Data sind Daten, die so bereitgestellt werden, dass sie möglichst frei zugänglich, nutzbar, weiterverarbeitbar und weiterverbreitbar sind. Bei Open Government Data geht es speziell um Daten aus Staat und öffentlicher Verwaltung. Dazu können zum Beispiel Verkehrs-, Umwelt-, Statistik-, Geo-, Haushalts- oder Infrastrukturdaten gehören. Nicht jeder veröffentlichte Datensatz darf jedoch automatisch für jeden Zweck verwendet werden: Entscheidend sind unter anderem Lizenz, Format, Quelle, Aktualität und mögliche rechtliche Einschränkungen.
Für Baden-Württemberg ist daten.bw der zentrale Einstiegspunkt für Verwaltungsdaten des Landes. Das Portal beschreibt Datensätze mit Metadaten und verweist auf die jeweiligen Datenressourcen. Der Metadatenkatalog wird mit CKAN verwaltet und kann auch über eine API ausgelesen werden. Für Metadaten spielt der Standard DCAT-AP.de eine wichtige Rolle. Zusätzlich findest Du spezialisierte Angebote, etwa das Open GeoData Portal des Landesamts für Geoinformation und Landentwicklung oder MobiData BW für Mobilitätsdaten.
Die Karte zeigt die Stadt- und Landkreise Baden-Württembergs. Gerade bei regionalen Datensätzen ist der Raumbezug wichtig: Ein Wert kann sich auf das gesamte Land, einen Landkreis, eine Gemeinde, eine Messstation oder sogar einen einzelnen Geopunkt beziehen.
Lernziele
Nach diesem aiMOOC kannst Du einen öffentlichen Datensatz systematisch recherchieren, seine Nutzbarkeit kritisch prüfen, geeignete Dateiformate unterscheiden, Metadaten lesen, einfache Qualitätsprobleme erkennen und Daten nachvollziehbar visualisieren. Außerdem kannst Du erklären, warum eine technisch gelungene Grafik trotzdem irreführend sein kann und warum Datenschutz und Lizenzbedingungen auch bei frei zugänglichen Daten geprüft werden müssen.
Open Data verstehen
Offen bedeutet mehr als „im Internet sichtbar“. Ein Datensatz ist für eine datenwissenschaftliche Weiterverwendung besonders geeignet, wenn er strukturiert, maschinenverarbeitbar, dokumentiert, möglichst aktuell und unter klaren Nutzungsbedingungen verfügbar ist. Eine eingescannte Tabelle in einem PDF kann zwar öffentlich zugänglich sein, lässt sich aber deutlich schlechter automatisiert verarbeiten als dieselbe Tabelle als CSV.
Das bekannte Fünf-Sterne-Modell für Open Data verdeutlicht eine technische Entwicklung von frei zugänglichen Daten hin zu strukturierten, offenen und verknüpfbaren Daten. Für Deine Arbeit ist dabei besonders wichtig: Zugänglichkeit, Maschinenlesbarkeit und rechtliche Offenheit sind unterschiedliche Eigenschaften. Prüfe sie getrennt.
Open Data und Open Government Data
Open Data kann aus Verwaltung, Wissenschaft, Unternehmen, Vereinen oder anderen Bereichen stammen. Open Government Data bezeichnet dagegen offene Daten des öffentlichen Sektors. Personenbezogene, geheimhaltungsbedürftige oder sicherheitskritische Informationen sind nicht einfach deshalb veröffentlichbar, weil eine Analyse interessant wäre. Auch eine spätere Verknüpfung mehrerer an sich unkritischer Datensätze kann neue Datenschutzrisiken erzeugen.
Rohdaten, Metadaten und Information
Rohdaten sind möglichst wenig interpretierte Ausgangsdaten. Metadaten beschreiben einen Datensatz, zum Beispiel Titel, Herausgeber, Zeitraum, räumliche Abdeckung, Aktualisierungsrhythmus, Lizenz, Format und Downloadadresse. Erst durch Auswahl, Bereinigung, Analyse und Interpretation werden aus Daten für eine konkrete Fragestellung aussagekräftige Informationen.
Öffentliche Daten in Baden-Württemberg finden
Für eine gute Recherche solltest Du nicht nur mit einer allgemeinen Suchmaschine arbeiten, sondern gezielt Datenportale und fachliche Plattformen nutzen.
- daten.bw: Zentraler Katalog für Verwaltungsdaten aus Baden-Württemberg; besonders wichtig sind Datensatzbeschreibung, Datenbereitsteller, Lizenz, Format und Aktualität.
- GovData: Deutsches Datenportal, das Daten aus Bund, Ländern und Kommunen auffindbar macht und damit auch für Vergleiche über Baden-Württemberg hinaus nützlich ist.
- Geodaten: Das Open GeoData Portal des LGL bietet freie Geobasisdaten, zum Beispiel amtliche Karten, Orthophotos und weitere Geodatenprodukte.
- Mobilitätsdaten: MobiData BW bündelt unter anderem Daten zu ÖPNV, Radverkehr, Sharing, Parken und Ladeinfrastruktur.
- Amtliche Statistik: Das Statistische Landesamt Baden-Württemberg veröffentlicht statistische Daten, Tabellen und regionale Informationen.
Eine sinnvolle Suchstrategie
Beginne nicht mit dem Dateiformat, sondern mit einer präzisen Forschungsfrage. Aus „Verkehr in Baden-Württemberg“ wird zum Beispiel: „Wie verändert sich die Zahl der gezählten Fahrräder an ausgewählten Zählstellen im Jahresverlauf?“ Anschließend leitest Du Suchbegriffe, Raumbezug, Zeitraum und benötigte Variablen ab. Erst danach entscheidest Du, ob Du beispielsweise CSV, JSON, GeoJSON oder einen Webdienst benötigst.
Eine gute Recherche dokumentiert auch erfolglose Wege. Notiere deshalb Portal, Suchbegriffe, Filter, Datum des Zugriffs und ausgewählten Datensatz. Das macht Deine Arbeit reproduzierbarer.
Beispiel: Mobilitätsdaten
MobiData BW stellt verschiedene Mobilitätsdaten und Schnittstellen bereit. Dazu gehören beispielsweise gebündelte Fahrradzähldaten, Fahrplandaten, Parkdaten und Sharing-Daten. Solche Datensätze eignen sich gut, um Fragen zu Zeitreihen, räumlichen Unterschieden und Datenaktualität zu untersuchen.
Daten prüfen: Ist ein Datensatz wirklich brauchbar?
Ein Download ist erst der Anfang. Vor einer Analyse solltest Du den Datensatz systematisch prüfen.
| Prüfkriterium | Leitfrage | Typische Warnzeichen |
|---|---|---|
| Quelle | Wer veröffentlicht die Daten, und ist die zuständige Stelle erkennbar? | Unklare Herkunft, fehlende Kontaktangaben |
| Lizenz | Darfst Du die Daten speichern, verändern, kombinieren und veröffentlichen? | Keine Lizenz, widersprüchliche Bedingungen |
| Aktualität | Wann wurden Daten und Metadaten zuletzt aktualisiert? | Alter Datenstand ohne Erklärung |
| Vollständigkeit | Fehlen Zeiträume, Orte oder wichtige Variablen? | Viele leere Felder, Lücken in der Zeitreihe |
| Konsistenz | Sind Einheiten, Datentypen und Kategorien einheitlich? | Wechsel zwischen km und m, unterschiedliche Schreibweisen |
| Plausibilität | Liegen Werte in einem realistischen Bereich? | Negative Zählwerte, unmögliche Koordinaten |
| Granularität | Passt die räumliche und zeitliche Auflösung zur Forschungsfrage? | Nur Jahreswerte bei einer Frage nach Tagesverläufen |
| Dokumentation | Sind Spalten, Codes, Messmethoden und Abkürzungen erklärt? | Kryptische Variablennamen ohne Datenwörterbuch |
Wichtig: Ein Datensatz kann auf einem Datenportal auffindbar sein und trotzdem nicht alle Anforderungen an wirklich offene, gut maschinenverarbeitbare Daten erfüllen. Deshalb prüfst Du jeden Datensatz einzeln.
Lizenzprüfung
Auf daten.bw werden Nutzungsbedingungen bei den einzelnen Datensätzen ausgewiesen. Häufig begegnet Dir die Datenlizenz Deutschland – Namensnennung – Version 2.0. Sie erlaubt eine weitgehende Nutzung, verlangt aber die geforderte Namensnennung. Daneben existiert die Variante Datenlizenz Deutschland – Zero – Version 2.0, bei der keine Namensnennung als Nutzungsbedingung verlangt wird.
Beim Open GeoData Portal des LGL gilt für die dort angebotenen Geobasisdaten, soweit nicht anders gekennzeichnet, die Datenlizenz Deutschland – Namensnennung – Version 2.0. Deshalb gehört die Quellenangabe bei einer daraus erstellten Karte oder Analyse zum Arbeitsprozess.
Eine Lizenzprüfung beantwortet mindestens drei Fragen: Was darf ich? Welche Bedingungen muss ich erfüllen? Gilt die Lizenz wirklich für genau die von mir verwendete Ressource?
Datenschutz und Datenethik
„Offen“ bedeutet nicht „unbedenklich“. Du solltest prüfen, ob Personen direkt oder indirekt identifizierbar werden können. Besonders kritisch ist die Verknüpfung mehrerer Datensätze: Einzelne Tabellen können anonym wirken, gemeinsam aber Rückschlüsse auf Personen oder kleine Gruppen ermöglichen.
Auch ohne Datenschutzverletzung kann eine Analyse unfair oder irreführend sein. Beispiele sind Rankings mit sehr kleinen Fallzahlen, Karten ohne angemessene Bezugsgröße oder eine Auswahl von Zeiträumen, die nur einen gewünschten Trend zeigt. Gute Datenarbeit dokumentiert daher nicht nur technische Schritte, sondern auch Unsicherheiten und Grenzen.
Dateiformate, Schnittstellen und Metadaten
CSV eignet sich besonders für tabellarische Daten. Das Format ist einfach, textbasiert und von vielen Programmen lesbar. Achte auf Trennzeichen, Zeichencodierung, Dezimalzeichen, Datumsformat und fehlende Werte.
JSON stellt Daten hierarchisch als Schlüssel-Wert-Strukturen und Listen dar. Es wird häufig bei Web-APIs verwendet. Für Geodaten begegnet Dir außerdem GeoJSON, das geometrische Objekte und ihre Eigenschaften speichern kann.
Bei räumlichen Daten sind zusätzlich Formate und Dienste wie GeoPackage, Shapefile, GeoTIFF, WMS und WFS relevant. WMS liefert typischerweise eine kartografische Darstellung als Webdienst; WFS ermöglicht den Zugriff auf Geometrien und Sachdaten von Geoobjekten.
APIs und CKAN
Eine API ermöglicht einen strukturierten Zugriff durch Programme. Das ist besonders nützlich, wenn Daten häufig aktualisiert werden oder automatisiert verarbeitet werden sollen. Bei daten.bw ist der Metadatenkatalog über eine API erreichbar. Das bedeutet nicht automatisch, dass jeder dort beschriebene Datensatz selbst über dieselbe API geliefert wird: Die Metadaten können auf unterschiedliche Downloads und Fachdienste verweisen.
Das Portal verwendet CKAN zur Verwaltung von Metadaten. Für standardisierte Beschreibungen ist DCAT-AP.de relevant. Dadurch können Datensätze über unterschiedliche Portale hinweg besser beschrieben und ausgetauscht werden.
Daten mit Python prüfen
Für tabellarische Daten kannst Du Python und die Bibliothek pandas einsetzen. Der folgende Code versucht das Trennzeichen einer CSV-Datei automatisch zu erkennen und zeigt zentrale Qualitätsinformationen an.
import pandas as pd
df = pd.read_csv("daten.csv", sep=None, engine="python")
print("Zeilen und Spalten:", df.shape)
print("Spaltennamen:", df.columns.tolist())
print("Datentypen:")
print(df.dtypes)
print("Fehlende Werte:")
print(df.isna().sum())
print("Doppelte Zeilen:", df.duplicated().sum())
print("Statistische Übersicht:")
print(df.describe(include="all"))Das Ergebnis ist keine automatische Qualitätsbewertung. Du musst interpretieren, warum Werte fehlen, ob Dubletten tatsächlich Fehler sind und ob Datentypen fachlich sinnvoll sind. Eine Postleitzahl kann zum Beispiel wie eine Zahl aussehen, wird aber meist besser als Text behandelt.
Geodaten mit QGIS untersuchen
QGIS ist ein freies Geoinformationssystem. Du kannst damit Vektor- und Rasterdaten laden, Koordinatensysteme prüfen, Attribute filtern, Daten räumlich verschneiden und Karten erstellen. Für Baden-Württemberg ist QGIS besonders interessant, weil viele öffentliche Datensätze einen Raumbezug besitzen.
Das Video des Landesamts für Geoinformation und Landentwicklung zeigt einen Workflow vom Download freier Geodaten bis zur Nutzung in QGIS.
Daten visualisieren
Eine Visualisierung soll eine Frage beantworten, nicht nur „schön aussehen“. Wähle deshalb den Diagrammtyp nach der Struktur der Daten.
- Balkendiagramm: Geeignet zum Vergleich diskreter Kategorien.
- Liniendiagramm: Besonders geeignet für zeitliche Verläufe.
- Streudiagramm: Hilft, Zusammenhänge zwischen zwei numerischen Variablen zu untersuchen.
- Histogramm: Zeigt die Verteilung einer numerischen Variable.
- Choroplethenkarte: Zeigt regionale Werte durch Flächenfärbung; dafür brauchst Du sinnvolle Bezugsgrößen.
- Punktkarte: Geeignet für konkrete Standorte wie Messstationen oder Haltestellen.
Was eine faire Visualisierung ausmacht
Beschrifte Achsen und Einheiten, gib Quelle und Zeitraum an und erkläre Filter oder Aggregationen. Prüfe, ob eine abgeschnittene Achse Unterschiede übertreibt. Bei Karten solltest Du absolute Werte nicht unkritisch vergleichen: Eine große Stadt hat oft mehr Ereignisse als eine kleine Gemeinde, einfach weil dort mehr Menschen leben. Häufig ist eine Rate pro Einwohnerzahl oder Fläche aussagekräftiger.
Auch fehlende Daten müssen sichtbar oder zumindest dokumentiert werden. „Kein Wert vorhanden“ ist nicht automatisch dasselbe wie Null.
Mini-Projekt: Von der Frage zur Grafik
Nimm beispielsweise einen Datensatz zu Fahrradzählstellen. Formuliere zuerst eine überprüfbare Frage. Dokumentiere danach Quelle, Lizenz, Zeitraum und Datenformat. Prüfe fehlende Werte, Dubletten und Einheiten. Bereinige die Daten nur nachvollziehbar und speichere die Verarbeitungsschritte. Erstelle anschließend eine Visualisierung und schreibe darunter zwei kurze Absätze: Was zeigt die Grafik? und Was kann sie nicht zeigen?
Ein reproduzierbarer Open-Data-Workflow
Ein guter Arbeitsablauf lässt sich als Kette verstehen:
- Fragestellung: Formuliere eine konkrete, überprüfbare Frage.
- Recherche: Suche gezielt in daten.bw und geeigneten Fachportalen.
- Metadaten: Prüfe Herausgeber, Zeit- und Raumbezug, Aktualität, Variablen und Dokumentation.
- Lizenz: Kläre Nutzungsrechte und notwendige Quellenangaben.
- Download und Archivierung: Speichere Originaldatei, Zugriffsdatum und möglichst eine unveränderte Kopie.
- Datenbereinigung: Dokumentiere Änderungen, Filter und Umkodierungen.
- Analyse: Verwende Verfahren, die zur Fragestellung und Datenqualität passen.
- Visualisierung: Zeige Daten verständlich, beschriftet und ohne irreführende Gestaltung.
- Interpretation: Trenne Beobachtung, Schlussfolgerung und Unsicherheit.
- Veröffentlichung: Nenne Datenquelle, Lizenz, Methodik und Grenzen.
Dieser Workflow ist wichtiger als ein bestimmtes Softwarewerkzeug. Du kannst ihn mit Tabellenkalkulation, Python, R, QGIS oder anderen Programmen umsetzen.
Typische Fehler
Zu den häufigsten Fehlern gehören die Verwendung eines Datensatzes ohne Lizenzprüfung, das Übersehen von Einheitenwechseln, das Vermischen verschiedener räumlicher Ebenen, das Gleichsetzen fehlender Werte mit Null, die Auswertung veralteter Daten ohne Hinweis, das nachträgliche Filtern ohne Dokumentation und eine Grafik, deren Achse oder Farbskala einen Effekt stärker erscheinen lässt als er ist.
Ein weiterer Fehler ist die Scheingenauigkeit: Viele Dezimalstellen machen eine Messung nicht automatisch präziser. Entscheidend ist, wie die Daten erhoben wurden und welche Unsicherheit damit verbunden ist.
Quellen und Datenportale
- daten.bw – Open Data für Baden-Württemberg
- daten.bw – FAQ zu Portal, Formaten, API und Nutzungsbedingungen
- GovData – Das Datenportal für Deutschland
- LGL – Open GeoData Portal
- MobiData BW – offene Mobilitätsdaten
- Statistisches Landesamt Baden-Württemberg
- Wikipedia – Open Data
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was solltest Du vor der Nutzung eines öffentlichen Datensatzes zuerst mitprüfen? (Quelle und Lizenz) (!Nur die Dateigröße) (!Nur die Farbe des Portals) (!Nur den Dateinamen)
Welches Format ist typischerweise gut für einfache tabellarische Rohdaten geeignet? (CSV) (!PNG) (!JPEG) (!MP3)
Was beschreiben Metadaten? (Eigenschaften und Kontext eines Datensatzes) (!Nur die Farben einer Grafik) (!Nur den Programmcode einer Website) (!Nur die Anzahl der Dateien auf einem Computer)
Warum ist ein PDF mit einer eingescannten Tabelle für Datenanalysen oft ungünstig? (Die Werte sind nicht direkt maschinenverarbeitbar) (!PDF-Dateien dürfen grundsätzlich nie geöffnet werden) (!Ein PDF enthält immer personenbezogene Daten) (!Ein PDF hat keine Seiten)
Welche Aussage zu fehlenden Werten ist richtig? (Ein fehlender Wert ist nicht automatisch Null) (!Jeder fehlende Wert muss durch Null ersetzt werden) (!Fehlende Werte beweisen einen Messfehler) (!Fehlende Werte dürfen immer gelöscht werden)
Wofür wird JSON häufig verwendet? (Für strukturierte Daten in Webschnittstellen) (!Für analoge Landkarten) (!Für Audiodateien) (!Für gedruckte Bücher)
Welche Aufgabe erfüllt eine API? (Sie ermöglicht strukturierten Zugriff durch Programme) (!Sie ersetzt jede Lizenzprüfung) (!Sie garantiert fehlerfreie Daten) (!Sie macht automatisch jede Datei anonym)
Welche Visualisierung passt besonders gut zu einem zeitlichen Verlauf? (Liniendiagramm) (!Kreisdiagramm für jeden Messpunkt) (!Unbeschriftete Punktwolke) (!Foto ohne Datenwerte)
Warum sollte bei einer Karte manchmal eine Rate statt einer absoluten Zahl verwendet werden? (Weil Regionen unterschiedlich groß oder bevölkerungsreich sein können) (!Weil absolute Zahlen immer falsch sind) (!Weil Karten keine Zahlen darstellen können) (!Weil Raten keine Einheit benötigen)
Was gehört zu einem reproduzierbaren Datenprojekt? (Dokumentierte Datenquelle und Verarbeitungsschritte) (!Nur die fertige Grafik) (!Nur eine mündliche Erklärung) (!Das Löschen der Originaldatei)
Memory
| Metadaten | Beschreibung eines Datensatzes |
| Rohdaten | möglichst wenig bearbeitete Ausgangsdaten |
| CSV | textbasiertes Tabellenformat |
| JSON | hierarchisches Austauschformat |
| API | programmierbare Schnittstelle |
| QGIS | freies Geoinformationssystem |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Recherche | Passenden Datensatz finden |
| Lizenzprüfung | Nutzungsrechte klären |
| Bereinigung | Fehler und Inkonsistenzen nachvollziehbar bearbeiten |
| Visualisierung | Daten grafisch darstellen |
| Interpretation | Aussage und Grenzen erläutern |
Kreuzworträtsel
| Metadaten | Wie heißen Informationen über Quelle, Zeitraum, Lizenz und Struktur eines Datensatzes? |
| Rohdaten | Wie nennt man möglichst wenig bearbeitete Ausgangsdaten? |
| Geodaten | Wie heißen Daten mit einem räumlichen Bezug? |
| Lizenz | Was regelt die Bedingungen der Nutzung eines Datensatzes? |
| Diagramm | Wie nennt man eine grafische Darstellung von Daten? |
| Schnittstelle | Wie heißt ein definierter Zugang zwischen Programmen oder Diensten? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Datensuche: Suche auf daten.bw drei Datensätze zu unterschiedlichen Themen und notiere jeweils Datenbereitsteller, Format, Zeitraum und Lizenz.
- Metadaten: Wähle einen Datensatz und erkläre fünf Metadatenfelder in eigenen Worten.
- Datenformat: Vergleiche CSV, JSON und PDF hinsichtlich Maschinenlesbarkeit und Weiterverarbeitung.
- Visualisierung: Suche eine öffentliche Datengrafik und beschreibe, welche Frage sie beantwortet und welche Informationen fehlen.
Standard
- Datenqualität: Lade einen tabellarischen Datensatz herunter und untersuche fehlende Werte, Dubletten, Datentypen und auffällige Werte.
- Lizenz: Vergleiche zwei Datensätze mit unterschiedlichen Nutzungsbedingungen und erkläre, welche Pflichten sich für eine Veröffentlichung Deiner Ergebnisse ergeben.
- Geoinformatik: Lade einen frei verfügbaren Geodatensatz des LGL in QGIS und erstelle eine Karte mit Legende, Maßstab und Quellenangabe.
- Mobilitätsdaten: Entwickle aus einem Datensatz von MobiData BW eine Forschungsfrage und erstelle eine passende Visualisierung.
Schwer
- Reproduzierbare Forschung: Erstelle ein kleines Analyseprojekt mit Originaldaten, Bereinigungsskript, Ergebnisdatei, Grafik und kurzer Methodendokumentation.
- Datenintegration: Kombiniere zwei öffentliche Datensätze über eine gemeinsame räumliche oder zeitliche Dimension und diskutiere Probleme der Vergleichbarkeit.
- API: Untersuche eine öffentliche Programmierschnittstelle, dokumentiere Endpunkte und Antwortformat und entwickle ein kleines Programm zum automatisierten Abruf.
- Datenethik: Analysiere ein Szenario, in dem mehrere offene Datensätze gemeinsam Rückschlüsse auf kleine Personengruppen erlauben könnten, und entwickle Schutzmaßnahmen.
|
|
Lernkontrolle
- Forschungsdesign: Formuliere eine Fragestellung zu Baden-Württemberg, wähle einen passenden öffentlichen Datensatz und begründe, warum seine räumliche und zeitliche Granularität zur Frage passt.
- Datenkritik: Ein Datensatz ist aktuell und als CSV verfügbar, besitzt aber keine klare Lizenz. Bewerte, ob Du ihn in einem öffentlich veröffentlichten Projekt verwenden solltest, und begründe Deine Entscheidung.
- Fehleranalyse: Eine Zeitreihe enthält für mehrere Monate keine Werte. Entwickle mindestens drei mögliche Erklärungen und beschreibe, wie Du sie überprüfen würdest.
- Visualisierungskritik: Eine Grafik beginnt ihre y-Achse knapp unter dem kleinsten Messwert. Erkläre, wie dies die Wahrnehmung beeinflussen kann und wann eine solche Darstellung vertretbar sein könnte.
- Datenverknüpfung: Erläutere, warum die Kombination zweier anonymer Datensätze neue Datenschutzrisiken erzeugen kann, und nenne technische oder organisatorische Gegenmaßnahmen.
- Transfer: Entwirf einen vollständigen Workflow für ein kommunales Open-Data-Projekt vom Datenfund bis zur Veröffentlichung einer interaktiven Karte.
Lernnachweis
Für einen Lernnachweis solltest Du zeigen, dass Du nicht nur Begriffe kennst, sondern einen Datensatz selbstständig und kritisch bearbeiten kannst.
- Recherchekompetenz: Du findest einen passenden Datensatz in einem öffentlichen Portal und dokumentierst Deinen Suchweg.
- Metadatenkompetenz: Du kannst Quelle, Zeitraum, Raumbezug, Variablen, Aktualität und Dokumentation beurteilen.
- Rechtskompetenz: Du prüfst Lizenz und notwendige Quellenangaben vor der Weiterverwendung.
- Datenqualität: Du erkennst fehlende Werte, Inkonsistenzen, Dubletten und mögliche Ausreißer.
- Datenanalyse: Du wählst eine zur Fragestellung passende Methode und begründest Deine Entscheidung.
- Visualisierungskompetenz: Du erstellst eine verständliche, korrekt beschriftete und nicht irreführende Darstellung.
- Reflexion: Du benennst Grenzen, Unsicherheiten und mögliche ethische Risiken Deiner Analyse.
- Reproduzierbarkeit: Du dokumentierst Datenquelle, Bearbeitungsschritte und verwendete Werkzeuge so, dass andere Deinen Weg nachvollziehen können.
OERs zum Thema
Verknüpfte Lernbereiche