Formål

Hvis de studerende ikke selv indsamler deres egne data, skal de finde dem et sted, og der kommes her med nogle forslag til, hvor de kan starte med at kigge. De vil desuden blive præsenteret for eksempler på software og programmeringssprog, de kan bruge i forskellige faser af deres arbejde med data. Der er på ingen måde tale om en komplet liste, men blot eksempler.

Målbeskrivelse

Når de studerende har gennemført lektionen, forventes det, at de:

har tilegnet sig kendskab om, at forskellige typer software kan benyttes i forskellige faser af den empiriske proces.
har tilegnet sig kendskab om, at programmeringssprog giver mulighed for automatisering.
har tilegnet sig kendskab om, hvor de kan finde åbne datasæt.
har tilegnet sig kendskab om, hvilke typer software KU stiller til rådighed.
har tilegnet sig kendskab til, hvilke services KUB Datalab tilbyder.

Hvilke dannelsesspørgsmål behandler denne lektion?

Hvilke digitale værktøjer er eller kan være nyttige for mine datasæt? Hvornår bruger jeg hvad?
Hvilke værktøjer findes der til at analysere store mængde data?
Hvordan kan digitale værktøjer påvirke indsamling eller valg af datasæt?
Hvordan kan jeg analysere og formidle (visualisere) data på en hensigtsmæssig måde?
Hvor (på KU og KUB) kan jeg opsøge viden om og hjælp til værktøjer til dataindsamling og -håndtering?

Indholdsbeskrivelse

I denne lektion præsenteres de studerende for eksempler på software og programmeringssprog, de kan bruge i forskellige faser af deres arbejde med data. Der er på ingen måde tale om en komplet liste, men blot eksempler. Det udvalg af programmer, der præsenteres, tager udgangspunkt i, hvad der er tilgængeligt i Softwarebiblioteket på KUnet i skrivende stund. Udvalget har en generel karakter, og de studerende kan med fordel introduceres til specifikke programmer, der særligt anvendes i det aktuelle fag.

Format og varighed

Lektionen består af information formidlet gennem tekst. Underviseren opfordres til at lave refleksionsopgaver tilpasset til feltet for det konkrete kursus, de studerendes faglige niveau og deres akademiske erfaringer. Tilpasningen kunne eksempelvis omfatte introduktion til fagets egne værktøjer (fagspecifikke programmer) samt introduktion til fagrelevante datakilder.

Lektionen er estimeret til 15 min. varighed, ekskl. evt. tilføjede refleksionsøvelser.

Målgruppe

Bachelorstuderende på hele Københavns Universitet.

Hvornår anbefales denne lektion inddraget i undervisningen?

Lektionen er udviklet, så den kan gennemføres som selvstændig aktivitet, og den vil være særlig relevant at inddrage som optakt til kurser eller lektioner om arbejde med data. Det anbefales dog, at du som underviser først inddrager den på et tidspunkt, hvor de studerende har fået et kvalificeret forhold til, hvilke typer af data og -analyse der arbejdes med i det konkrete fag.

Hvordan anbefales denne lektion inddraget i undervisningen?

Den nyeste forskning om studerendes forberedelsesmønstre peger netop på, at der er større sandsynlighed for, at studerende engagerer sig i de foreslåede forberedelsesaktiviteter, hvis de oplever disse aktiviteter som relevante og kan se tegn på synlig læring. På den baggrund foreslås det, at aktiviteterne i denne lektion rammesættes tydeligt for de studerende, så de kan se formålet med dem i forhold til opnåede kompetencer og i forhold til, hvordan forberedelsesaktiviteten relaterer til, hvad der foregår i undervisningen.

Det anbefales derfor, at de studerende gennemfører lektionen på egen hånd, og at der i undervisningen reflekteres over, hvilke værktøjer til at arbejde med data der er bedst egnede inden for det konkrete fagområde. Underviseren anbefales således at inddrage lektionen i undervisningen og i forbindelse hermed at indlejre lektionen i et fags Absalonrum.

Da arbejdet med data som nævnt er fag- og metodespecifikt, og der i denne lektion kun introduceres til generelle værktøjer, kan det ydermere være relevant for underviser at komme med eksempler på andre mere fagspecifikke værktøjer, ligesom det forventes, at underviser tilpasser indhold og refleksionsopgaver i lektionen efter fag og/eller metode.

Kilde – hvem har produceret indholdet?

Lektionen er produceret af Københavns Universitet som en del af Københavns Universitets læringsressourcer til digital dannelse, 2023.

Fagansvarlige:

Christian B. Knudsen, specialkonsulent, Københavns Universitetsbibliotek (KUB)
Daniel H. Pryn, informationsspecialist, Københavns Universitetsbibliotek (KUB)

Lektionens relation til andre lektioner og/eller forløb, hvis relevant

Lektionen er udviklet til emnet Digital undersøgelse og metode, som ud over denne lektion består af lektionerne:

Lektionerne har en naturlig progression, men kan anvendes uafhængigt af hinanden. Det anbefales dog, at de studerende har en forståelse af, hvad data er inden for det aktuelle fag, før der kigges på datakilder og dataværktøjer.

Det kan desuden anbefales at kigge på lektionen Hvad i al verden er computational thinking? under emnet Teknologisk forståelse.