Opening the „Digital Causality Lab“ – Kausale Inferenz für Alle!

• Veranstaltungstyp: Massive Open Online Course
• Einrichtung: Fakultät für Betriebswirtschaftslehre
• Förderzeitraum: 01.04.2023 bis 31.03.2024
• Kurztitel: Kausale Inferenz für Alle!

Auszug aus dem Förder-Antrag: "Ein fundiertes Wissen über Kausalität in der Gesamtbreite der Gesellschaft dient der Stärkung und Zukunftsfähigkeit der Demokratie, da viele Entscheidungen nur so fundiert verstanden werden, kritisch geprüft und wichtige Abwägungen getroffen werden können."

Das Digital Causality Lab

Ziel des Projekts war es, Data Literacy Skills mithilfe des Themas Kausalität zu transportieren. Die Fähigkeit Daten zu verarbeiten, Daten- und Code-intensive Projekte durchzuführen und mithilfe von Daten Wissen zu generieren, sind nicht nur in der akademischen, sondern auch in der Berufswelt elementar. Insbesondere für uns als Lehrstuhl für Statistik, ist es von großer Bedeutung, attraktive Lernangebote in den quantitativen und empirischen Fächern zu schaffen. Nach erfolgreichem Abschluss der ersten, fachspezifischen Förderphase, konnte das Projekt nun für eine breitere Zuhörerschaft im Rahmen des Studium Generale geöffnet und das Interesse für Daten und deren (kausale) Auswertung geweckt werden.

Bach / UHH

Rückblick und Ergebnisse

Es wurde eine moderne und attraktive Lehrveranstaltung im Fach Kausale Inferenz geschaffen, die neueste Lehrbücher, innovative Materialien (Vorlesungsfolien, Lernapps, Notebooks) und hochqualitative Lehrvideos nutzt. Ein MOOC wird ab SoSe 2024 im „Studium Generale“ sowie im neuen Studiengang Liberal Arts angeboten.

Die Veranstaltung ist fest im Wahlbereich „Statistik und Data Science“ des B.Sc. BWL verankert und wird langfristig für weitere Studiengänge geöffnet. Kausale Inferenz dient als methodisches Querschnittsthema für die interdisziplinäre Lehre, indem es fachspezifische Expertise zur Beurteilung kausaler Zusammenhänge nutzt. Dies stärkt die interdisziplinäre Lehre an der Uni Hamburg nachhaltig.

Die Veranstaltung fördert die Data Literacy und behandelt unter anderem Themen aus Statistik, Computer Science sowie sozial-, geisteswissenschaftlichen und medizinischen Disziplinen. Der digitale MOOC wird auch hybrid angeboten, und die Übung als interaktives Lab vermittelt praktische Data Literacy Skills – Programmierung in R, Statistikgrundlagen, Schätzung kausaler Effekte, Versionskontrolle mit Git/GitHub sowie Management datenintensiver Projekte, Case Studies und Data Products. Die Studierenden erhalten praxisnahe Einblicke und wenden ihre Skills in eigenständigen Fallstudien an.

Tipps von Lehrenden für Lehrende

Die Lehrmaterialien des Projekts setzen einerseits auf zahlreiche Fallbeispiele und andererseits auf eine vielschichtige Präsentation der Konzepte: Es wird versucht die Intuition zu vermitteln und anschließend auf die formale, mathematische zu verweisen. Studierende sollen neugierig gemacht werden, wie man aus Daten kausale Schlüsse ziehen kann, um einen in der Forschung und Industriepraxis verwendeten Rahmen zu liefern. Als Endergbnis des Lehrprojektes steht ein vielseitiges und abwechslungsreiches Lehrangebot, das sich einerseits aus Vorlesungsfolien und -videos und andererseits aus interaktiven Elementen wie Quizzes und interaktiven Lernapps zusammensetzt.

Ein weiterer Mehrwert des Lehrprojektes für Lehrende bezieht sich auf forschendes Lernen. Im Rahmen der Übung (bereits 1. Förderphase), wurde bereits erfolgreich auf diesen eigenständigen Lernansatz gesetzt. Viele Studierende haben überzeugende Projekte durchgeführt und präsentiert. Es ergaben sich außerdem wichtige Erfahrungen im Hinblick auf die Herausforderung alle Studierenden abzuholen. So wurde in diesem Semester beispielsweise auf eine stärkere Struktur, insbesondere zu Beginn der Veranstaltung gesetzt. Abschließend sind natürlich die Erfahrungen bei der Umsetzung professioneller digitaler Lehre im Zuge der Produktion eines MOOC zu nennen.

Beteiligte Personen

Dr. Philipp Bach

Wissenschaftlicher Mitarbeiter

Schwerpunkte:

• Estimation of causal effects and inference in high dimensionsal settings with machine learning methods
• Machine Learning and Deep Learning
• Applications in labor, health and financial economics

Kontakt

Prof. Dr. Martin Spindler

Professur für Statistik mit Anwendung in der Betriebswirtschaftslehre

Schwerpunkte:

• Statistics, Econometrics
• Causal Inference
• Machine Learning / AI, in particular Causal Machine Learning
• Fields of Application: Health Economics, Insurance

Kontakt