Im SEVA-Projekt konzentrierten wir uns auf zwei Anwendungsszenarien für die Entwicklung unserer Proof-of-Concept-Prototypen: Datenjournalismus und biomedizinische Forschung. Für den ersten Bereich – Datenjournalismus – begannen wir unseren Forschungsprozess mit Interviews mit Datenjournalisten (Trainern), um ihre Probleme bei der Datenanalyse und -visualisierung zu analysieren. Unsere Forschung führte zu zwei Veröffentlichungen, die auf der STS-Konferenz Graz 2023 „Kritische Themen in Wissenschafts-, Technologie- und Gesellschaftsstudien“ (8. bis 10. Mai 2023) präsentiert und veröffentlicht wurden.

In den letzten Jahren konnte eine zunehmende Verwendung von Daten im Journalismus beobachtet werden, die mit der allgemeinen Datenerfassung der Gesellschaft und der digitalen Transformation des Journalismus verbunden ist. Insbesondere während der COVID-19-Pandemie haben die Kompetenzen zur erfolgreichen Verarbeitung, Interpretation und Bewertung komplexer Daten und Datenvisualisierungen an Bedeutung gewonnen. Dieses gesellschaftliche Bedürfnis, eine Pandemie journalistisch in großem Maßstab anzugehen, hat zu einer verstärkten Nutzung von Daten-Storys geführt. Trotz des wachsenden Bedarfs an Fähigkeiten im Bereich Datenjournalismus fehlt es dem Feld an standardisierter Ausbildung oder einem definierten Fähigkeitssatz. Schulungsprogramme entstehen, und dieser Artikel konzentriert sich speziell auf die Herausforderungen, die bei der Schaffung solcher neuen Angebote auftreten.

Wir führten 10 Interviews mit Datenjournalismus-Trainern in Österreich, Deutschland und der Schweiz durch (Herbst 2020 bis Frühjahr 2021). Die Ergebnisse deuten darauf hin, dass unter den Trainern die Arbeit mit Daten als anspruchsvoller angesehen wird als das Entwerfen und Interpretieren von Visualisierungen. Die meisten Herausforderungen entstehen ganz zu Beginn. Zum Beispiel ist es anspruchsvoll für die Teilnehmer, in einem Datensatz eine Geschichte zu verstehen und zu finden oder Daten zu bereinigen und zu verarbeiten. Darüber hinaus bringen Visualisierungen ihre eigenen Herausforderungen mit sich: Sie werden oft unterschätzt, da Journalisten schnelle Lösungen erwarten, während die Realität viel komplexer und umfassender ist.

Insgesamt sehen wir eine große Vielfalt an Bedürfnissen und Zielen im Bereich der Datenjournalismus-Ausbildung, von einfachen Herausforderungen bis hin zu komplexen Aufgaben. Diese sind stark abhängig von der Verwendung bestimmter Analysemethoden und Visualisierungstypen. Daher ist im Schulungskontext Sensibilität erforderlich, um einen relevanten Beitrag zu diesem Bereich zu leisten.

Während frühere Forschung oft auf Workflows, Praktiken und Routinen im Datenjournalismus fokussiert hat, untersucht dieser Artikel, wie sich Datenjournalisten im Feld positionieren. Basierend auf Material aus zehn Interviews mit Datenjournalisten im deutschsprachigen Raum haben wir Wissensformen, Ideale und Fähigkeiten identifiziert, die die Interviewpartner für entscheidend halten, um ein "guter" Datenjournalist zu werden. Datenjournalismus wird oft mit dem Ideal einer wissenschaftlichen Art des Journalismus in Verbindung gebracht, mit einem investigativen und emanzipatorischen Potenzial. Gleichzeitig deuten die Interviewpartner darauf hin, dass die Arbeit von Datenjournalisten durch die wirtschaftlichen Zwänge der Medienbranche eingeschränkt ist.

Wie die Interviewpartner angeben, erfordert die Navigation in diesen Spannungsfeldern bestimmte Fähigkeiten: Neben allgemeinen journalistischen Fähigkeiten betonen die Interviewpartner die Bedeutung von Fähigkeiten im Zusammenhang mit der Generierung und Auswahl numerischer (roher) Daten, die auf Beobachtungen der sozialen Realität basieren. In einem zweiten Schritt müssen die Daten aufbereitet und bereinigt werden, damit sie in statistischen Operationen verwendet werden können. Drittens betonen die Interviewpartner die Bedeutung analytischer Kompetenzen bei der Umwandlung von Daten in verarbeitete Informationen. Viertens werden digitale Fähigkeiten in Präsentation, Visualisierung und Design als wesentlich angesehen, um technische Informationen in Wissen zu transformieren, das von allgemeinen Zielgruppen verstanden und journalistisch verbreitet werden kann, um Vorstellungen von sozialer Realität zurückzumelden. Basierend darauf haben wir ein idealtypisches 'Zyklusmodell' der Datenjournalismuspraxis rekonstruiert, bei dem jeder Schritt sein eigenes Fähigkeiten-Set erfordert.

Obwohl individuelle Spezialisierungen auftreten, gibt es unter den Interviewpartnern einen gemeinsamen Schwerpunkt auf angewandtem technischem Wissen: Pragmatische Problemlösungskompetenzen bei der computerunterstützten Manipulation, Analyse und Präsentation von Daten stehen im Zentrum des geschickten Datenjournalismus. Um in einer wettbewerbsintensiven Umgebung effizient arbeiten zu können, werden solche Fähigkeiten autodidaktisch durch Lernen durch Handeln in einer kontinuierlichen Abfolge von Interaktionen mit digitalen Werkzeugen erworben. Onboarding-Tools und Schulungsprogramme können grundsätzlich an allen Punkten des Zyklusmodells eingesetzt werden, um Lernprozesse zu unterstützen. Allerdings sind insbesondere die Punkte (2) bis (4) mit besonderen Herausforderungen verbunden, wie im oben genannten Artikel dargestellt wird.

Nachfolgend können Sie die Folien zum "Data Analytics Onboarding Course" herunterladen. Sie enthalten weitere Informationen zum Thema.