Data Science for Social Scientists and Economists

• Veranstaltungstyp: Vorlesung und Übung
• Einrichtung: Fakultät für Wirtschafts- und Sozialwissenschaften
• Förderzeitraum: 01.04.2023 bis 31.03.2024
• Kurztitel: WiSo Data Science

Auszug aus dem Förder-Antrag: "Universitäre Kurse sind dringend nötig. Sie können Studierende in die Lage versetzen, in einer durch Digitalität geprägten Welt, gesellschaftliche und wirtschaftliche Veränderungen zu verstehen und aktiv zu gestalten."

Das Projekt WiSo Data Science

Ziel des Projekts ist, Studierenden der Sozialökonomie Data Science näherzubringen. In einem hybriden Kurs sollen sie theoretisches und praktisches Wissen über Regressions- und Klassifikationsverfahren erlernen. Die hybride Vorlesung wird durch Code-Beispiele ergänzt, sodass bereits hier "hands-on" Wissen vermittelt wird. In der rein digitalen Übung wird das erworbene Wissen durch kleine Übungsaufgaben praktisch angewendet. Die Studierenden arbeiten kollaborativ in Kleingruppen mit JupyterHub und dokumentieren ihre Ergebnisse in Quarto, erlernen Projektdokumentation und erwerben Wissen via Pair-Programming.

Zwei Übungsleiterinnen und fünf Tutor:innen unterstützen die Studierenden. Die Übungsleiterinnen bereiten das Material vor und geben eine Einführung, während die Tutor:innen die Gruppen unterstützen. Lösungen werden im Plenum besprochen.

Ziele des Kurses sind es, Unsicherheiten im Umgang mit Daten abzubauen und das Programmieren mit R anhand fachnaher Beispiele zu vermitteln. Nach Abschluss sollen die Studierenden selbstständig Datenanalysen für eigene Forschungsprojekte durchführen können. Zusätzlich bereitet der Kurs auf kollaboratives Arbeiten vor und ermutigt zur gemeinsamen Problemlösung.

^{Scott Graham / unsplash}

Rückblick und Ergebnisse

Folgende zentrale Ergebnisse wurden erreicht: Eine Einführung in die praktische Bedeutung von Daten, statistischen/machine learning-Methoden und "Big Data" für wirtschafts- und sozialwissenschaftliche Fragen. Darauf folgte eine grundlegende Einführung in die Programmierung mit R, was den Studierenden ermöglicht, eigenständig kleinere Forschungsprojekte zu erstellen und den Code anderer Forschender nachzuvollziehen. Sie erlernten ein Spektrum von Data-Science-Methoden, einschließlich Datentransformationen, Visualisierung und einfachen Methoden des statistischen Lernens, wobei der Fokus auf "supervised learning" lag.

Grundlegende Ideen zu in-sample/out-of-sample Prognose- bzw. Klassifikationsperformance sowie das Problem der Dimensionsreduktion (z.B. bei Lasso- und Ridge-Modellen oder Pruning von Regressionsbäumen) wurden behandelt. Praktische Programmiererfahrung wurde an konkreten Beispielen aus der Sozial- und Wirtschaftswissenschaft vermittelt. Quarto-Präsentationen in der Vorlesung erklärten parallel zu theoretischen Konzepten die Umsetzung mit Code-Snippets, die als Basis für eigene Analysen in den Übungen dienten.

Die Erstellung von Grafiken und das theoretische Wissen über Design-Prinzipien für Datenvisualisierungen wurden praktisch und theoretisch erlernt, wichtig für die Nutzung empirischer Daten in Studien- und Abschlussarbeiten. Studierende wurden zudem für Prinzipien von Open Science und Reproduzierbarkeit sensibilisiert. Zwei Praxisvorträge von Absolvent:innen des Fachbereichs Sozialökonomie boten Einblicke in berufliche Entwicklungsmöglichkeiten im Bereich Data Science und trugen zur Berufsfeldorientierung bei.

Tipps von Lehrenden für Lehrende

Durch die Vorlesung gab es eine verstärkte Nutzung von Quarto (Slides) mit der Einbindung von Code-Snippets und Erfahrungen mit Quarto als didaktischem Tool. Durch das Online-Tutorium ergab sich eine intensivere Auseinandersetzung und didaktische Weiterentwicklung mit den Tools in Zoom (Breakout-Räume, Umfragen). Durch das neue Lehrkonzept mit Kleingruppenarbeit konnten die didaktischen Kompetenzen bei der Unterstützung von Kleingruppen erweitert werden. Darüber hinaus wurden intensiv die Möglichkeiten von OpenOlat und JupyterHub zum kollaborativen Arbeiten erprobt.

Insgesamt konnten alle Lehrpersonen von der Nutzung von Quarto in Lehrveranstaltungen profitieren, insbesondere durch umfassende Code-Dokumentation, die Erstellung von Slides und Klausuren. Darüber hinaus wurden Erfahrungen im Umgang mit und der Einbeziehung von Tutor:innen im digitalen Raum erworben.

Beteiligte Personen

Prof. Dr. Ulrich Fritsche

Professor für VWL, insb. Empirische Wirtschaftsforschung

• Wissenschaftliche Schwerpunkte: Angewandte makroökonomische Forschung, speziell Analyse von Prognosen und Erwartungen, der Erwartungsbildung in makroökonomischen Modellen sowie „computational text analysis“
• Schwerpunkte in der Lehre: Methoden empirischer Wirtschafts- und Sozialforschung, Makroökonomik und Theoriegeschichte

Kontakt

Max Weinig, M. A.

Wissenschaftlicher Mitarbeiter

• Doktorand mit Forschungsschwerpunkt: Inflationserwartungen, Narrative Economics und Text-as-Data
• Lehre: Ökonometrie, Grundlagen der VWL und interdisziplinärer Grundkurs (IGK)

Kontakt

Victoria Hünewaldt, M. Sc.

Wissenschaftliche Mitarbeiterin

• Doktorandin mit Forschungsschwerpunkt: Ungleichheitswahrnehmungen und Verteilungspräferenzen; Narrative Economics
• Lehre: Ökonometrie & Data Science for Socio-Economists

Kontakt

Lisa Marie Wegner, M. A.

Wissenschaftliche Mitarbeiterin

• Doktorandin mit Forschungsschwerpunkt: Ökonomischer Wandel; Narrative Economics
• Lehre: Makroökonomie, Grundkurs Volkswirtschaftslehre und Data Science for Socio-Economists

Kontakt