Dieser Beitrag thematisiert die Bedeutung der Einstellungen zur Statistik bei Studieren-den. Positive Einstellungen zur Statistik werden als förderlich für das Lernverhalten und den Lernerfolg angesehen. In diesem Kontext werden empirische Befunde aus der Befragung von Studierenden der Wirtschaftspsychologie und der Betriebswirtschafts-lehre an der Hochschule Bonn-Rhein-Sieg im Semesterverlauf dargestellt.

Um den Einfluss der Einstellungen gegenüber Statistik auf das Lernverhalten und den Lernerfolg zu analysieren, werden zwei Sachverhalte untersucht: Zum einen die Zusammenhänge zwischen den individuellen Voraussetzungen der Studierenden und ihren Einstellungen zur Statistik, zum anderen aber auch die Veränderungen dieser Einstellungen im Verlauf eines Semesters.

Dabei werden die Einstellungen zur Statistik als multidimensionales Konstrukt ver-standen, das sich aus affektiven, kognitiven und verhaltensbezogenen Komponenten zusammensetzt. Diese wiederum beeinflussen jeweils das Lernen und die Anwendung statistischen Wissens.

Darüber hinaus wird das multidimensionale Konstrukt in sechs Einstellungsdimensionen differenziert: Wert, Affekt, Anstrengung, kognitive Kompetenz, Schwierigkeit und Interesse. Diese Dimensionen werden hinsichtlich ihres Einflusses betrachtet.

Die Datenerhebung erfolgte im Rahmen einer Panelstudie mittels Online-Fragebogen, wobei Daten von 144 Studierenden vorliegen. Die Auswertung erfolgte mittels Korrelationstests und t-Tests für abhängige Stichproben.

Die Ergebnisse zeigen überwiegend neutrale bis leicht positive Einstellungen der Studierenden gegenüber der Statistik. Ein positiver Zusammenhang resultiert auch aus guten mathematischen Vorkenntnissen und dem Vertrauen in die eigenen Fähigkeiten. Statistisch signifikante Veränderungen im Semesterverlauf zeigten sich in den Dimensionen Schwierigkeit, kognitive Kompetenz und Anstrengung, während Affekt, Interesse und Wert zeitlich konstant blieben.

Insgesamt bilden die neutralen bis leicht positiven Einstellungen eine wichtige Grundlage für die zukünftige Anwendung statistischen Wissens und eine nachhaltig positive Einstellung zur Statistik. Die Ergebnisse verdeutlichen das Interesse an weiterer Forschung, um Studierende gezielt hinsichtlich ihrer Einstellung und Kompetenzentwicklung unterstützen zu können.

Angesichts der wachsenden Bedeutung von Künstlicher Intelligenz (KI), Data Science und Programmierung in der Arbeitswelt ist eine intensivere Einbindung dieser Themen in die Hochschullehre unverzichtbar. Zwar bringen viele Studierende bereits Interesse an diesen Bereichen mit, doch fehlen ihnen häufig fundierte praktische Erfahrungen und theoretische Vorkenntnisse, um den steigenden beruflichen Anforderungen gerecht zu werden.

Um diesem Bedarf zu begegnen, wird in diesem Beitrag das Konzept eines neu entworfenen adaptiven digitalen Selbstlernkurses vorgestellt, der bereits erfolgreich für das selbstständige Lernen von Mathematik eingesetzt wird. Der Kurs hat das Potenzial um Inhalte aus den Bereichen KI, Data Science, Programmierung und Statistik erweitert zu werden und so Studierenden essenzielle Kompetenzen in diesen zunehmend geforderten Fachgebieten zu vermitteln. Durch automatisch generierte Übungsaufgaben und auf Fehlerquellen basierend personalisiertes Feedback schafft das System eine interaktive und flexible Lernumgebung, die Studierende gezielt in ihren individuellen Lernprozessen unterstützt. Die in den letzten Jahren entwickelte technische Infrastruktur zur dynamischen Aufgaben- und Feedbackgenerierung des Kurses orientiert sich dabei an erprobten didaktischen Konzepten der adaptiven Lernförderung sowie neuen Erkenntnissen der Neurowissenschaften und nutzt neue Softwarelösungen zum Auslesen und Verarbeiten algebraischer Ausdrücke, um diese Konzepte umzusetzen.

Ziel des Vortrags ist es, ein skalierbares Konzept für ein digitales Selbstlernangebot zu präsentieren, mit dem Hochschulen ihre Studierenden praxisnah und zukunftsorientiert auf die aktuellen Herausforderungen der datengetriebenen Arbeitswelt vorbereiten können.

Data Literacy - der bewusste und kritische Umgang mit Daten - umfasst nicht nur Statistikkompetenz oder ein mathematisches Grundverständnis, sondern auch Fertigkeiten wie Digital- und Medienkompetenz. Entsprechende Kompetenzen sollten bereits im Kindes- und Jugendalter in der Schule gebildet werden. So ist es in Zeiten von Fake News und Populismus im Interesse der amtlichen Statistik, dass ihre Ergebnisse und ihre Rolle als zuverlässige Quelle in den Curricula stärker abgebildet werden.

Durch das breite Spektrum an Daten der amtlichen Statistik gibt es Ansatzpunkte zu verschiedenen Fächern. Große fachliche Überschneidungen konnten mit Curriculumsinhalten des Geographieunterrichts identifiziert werden. Beispielsweise lassen sich die Kartenmaterialien aufgrund unterschiedlichster sozioökonomischer und teils ökologischer Indikatoren den Bereichen der Bevölkerungsentwicklung, Stadt- und Raumplanung, Migration, Standortentscheidungen und weiteren, für den Geographieunterricht relevanten Themengebieten zuordnen.

In Zusammenarbeit mit dem Lehrstuhl für Geographiedidaktik der Universität zu Köln hat Information und Technik Nordrhein-Westfalen (IT.NRW) als Statistisches Landesamt Aufgaben für den Geographieunterricht verschiedener Klassenstufen konzipiert und veröffentlicht, die auf Grundlage der Kartendienste von IT.NRW zu bearbeiten sind. Geschaffen wurde so ein breites Angebot an Aufgaben für verschiedene Klassenstufen, die auf Daten zu unterschiedlichen humangeographischen Themen rekurrieren. Die Aufgaben wurden mit Lehramtsstudierenden in Seminaren entwickelt und in Gruppendiskussionen getestet und verbessert.

Den Aufgaben liegt dabei das Konzept der kartenbasierten Argumentation zugrunde. Dessen Ziel ist, zu kontroversen, geographischen Fragestellungen eine fachliche Argumentation zu entwickeln, deren Belege sich auf Karten des Statistischen Landesamts NRW stützen. Neben der Fähigkeit der kartenbasierten Argumentation wird gleichzeitig die Medienkompetenz durch den Einsatz digitaler Karten, die zunehmend an Bedeutung gewinnen, gefördert. Die digitalen Kartenangebote des Statistischen Landesamts NRW eignen sich daher besonders für den Einsatz im Unterricht.

Im Vortrag werden die Zusammenarbeit von Wissenschaft und amtlicher Statistik, das Themenspektrum, der Ansatz der kartenbasierten Argumentation, das erstellte Angebot an Aufgaben und Ergebnisse der Diskussionen mit Lehramtsstudierenden und der ersten Feedbacks vorgestellt.

The Statistical Practicum is an interdisciplinary seminar designed for mathematics students with a background in statistics. The course focuses on developing statistical literacy, data competence, and communication skills for working across disciplines. While formal proofs and analytical methods are commonly taught in standard lectures, courses like this one are essential for building practical skills that enable students to apply theoretical knowledge in real-world contexts.

Each semester, the practicum collaborates with a research group from the natural or life sciences to address a specific research question. Over the course of the seminar, students explore a range of statistical techniques of varying complexity and apply them to an empirical dataset.

In a series of carefully prepared presentations, each student examines the potential and limitations of their chosen method. These presentations emphasize (1) the rigorous formal explanation of the method, (2) an intuitive illustration of how it works, (3) a critical discussion of its suitability for the specific dataset, (4) the careful application of the method, (5) clear and accessible communication of the method to researchers from other disciplines, and (6) appropriate and effective graphical presentation of the results.

The course concludes with a final session featuring concise presentations prepared for the partnering research group. An accompanying website showcases illustrated abstracts — see www.math.uni-frankfurt.de/~schneide/StatistischesPraktikum.html

We also discuss feedback, career benefits, and the teaching resources required for the course.