Computational Analytics

Was ist Compuational Analytics

Das Querschnittsthema Computational Analytics umfasst innovative Methoden der computer-gestützten Auswertung von wissenschaftlichen Daten. Dazu gehören statistische Methoden ebenso, wie beispielsweise Machinelles Lernen oder visuelle Analyse-Methoden. Ziel ist die Vernetzung von Wissenschaftler:innen, um Kompetenzen der Universtät Rostock zu bündeln, Lehrveranstaltungen zu vermitteln und neue Ansätze zur Lösung von Forschungsfragen zu generieren.

 

Zusammenfassung der Diskussionsergebnisse

Am 28.06.23 haben wir im Rahmen eines Workshops über Maßnahmen diskutiert, die zu einer Verbreitung von Computational Analytics-Methoden in der Lehre und der Forschung führen. Nachfolgend die Ergebnisse der Diskussion:

Aus- und Weiterbildung

Studierende sind in den notwendigen Analyseverfahren (Statistik, Machine Learning, Programmierung etc.) nicht ausreichend ausgebildet. Die Lehrveranstaltungen fehlen oft ganz, sind nicht bekannt oder können wegen fehlender fachlicher Voraussetzungen nicht belegt werden. Oft sind die Lehrveranstaltungen so abstrakt, dass die praktische Anwendung des Gelernten schwierig erscheint.

Als möglicher Ansatz wurden niederschwellige Angebote diskutiert: Beschränkungen, wie etwa bei der Graduierten-Akademie, sollten abgebaut werden. Spezielle Mitgliedschaften für Studierende in der INF könnten für mehr Aufmerksamkeit und Publikum von interdisziplinären Kursen führen. Um Studierende besser auf das Arbeiten mit Daten vorzubereiten, wurde ein Curriculum für algorithmische Datenanalyse vorgeschlagen. Dezidierte Kurse für Anwender mit geringerem Abstraktionsniveau wären dabei wünschenswert. Außerdem sollte darauf geachtet werden, dass Module auch in den Studienordnungen anrechenbar sind.

Auch die Weiterbildung von Forschenden im Bereich von algorithmischer Datenanalyse wird als notwendig angesehen. Angemerkt wurde, dass nach dem Erlernen technischer bzw. analytischer Fähigkeiten eine "Übersetzungsleistung", also die Anwendung der Methoden zur Wissensgenerierung im eigenen Fachbereich, durch die Forschenden passieren muss. Die Forschenden müssen durch die Weiterbildung in die Lage versetzt werden, die Einschätzung, welche Methoden sinnvoll für ihre Fragestellung ist, selbst vorzunehmen.

Forschung

Für Forschende ist es oft schwer, einen ersten Ansatz zu generieren ("Wir wissen nicht, was wir lernen müssen"). Besonders wichtig erscheint daher eine erste Anlaufstelle für initiale Fragen. Als mögliche Lösungsvorschläge wurden Service-Center und ein Forum (virtuelle Pinnwand) genannt, an das man sich bei solchen Fragen wenden kann.  Um tiefer gehende Forschungsfragen zu diskutieren, wurde eine Landkarte der Universität für Methoden gewünscht. Hilfreich seien auch die Vernetzungsevents wie der CA-Workshop oder der KI-Stammtisch.

Aus Sicht der Naturwissenschaften wurde sich ein größerer Fokus auf die Zeitreihen-Analyse bzw. -Prognose gewünscht, da diese beispielsweise in der Biologie eine große Rolle spielen.

Zudem wurde die Datenerhebung und -verwendung als Problem identifiziert. Oft werden schon bei der Aufnahme von Daten irreparable Fehler gemacht. Dieses Problem ist bisher noch nicht im ausreichenden Maße in den Arbeitsgruppen adressiert. Sind die Daten einmal erhoben, müssen sie auch korrekt abgelegt werden. Eine intensivere Abstimmung / Zusammenarbeit mit dem Team Forschungsdaten wurde explizit gewünscht.