==Einleitung==

Die '''[https://zenodo.org/doi/10.5281/zenodo.7034477 Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards]''' fasst für das FDM relevante Vermittlungsinhalte sowie zugehörige Lernziele auf den genannten Qualifikationsstufen aus einer Reihe von nationalen wie internationalen Projekten und Fortbildungskonzepten in einheitlicher Form zusammen (dokumentiert im Absatz Quellen- und Literaturverzeichnis) . Durch den generischen Ansatz der Matrix ist eine Fach- und Organisationsgrenzen übergreifende Anwendung möglich. So gehören zu den Adressierten der Matrix neben FDM-Personal (z. B. Data Stewards oder Data Librarians) sowohl Hochschullehrende als auch Verantwortliche für Curricula und Personen aus dem Fort- und Weiterbildungsbereich, die bei der Gestaltung von strukturierten Ausbildungen bzw. Fortbildungsprogrammen für die vier in der Matrix aufgeführten Zielgruppen mitwirken. Darüber hinaus bietet die Matrix Nachnutzenden eine Orientierungshilfe für die Identifikation von relevanten Inhaltsaspekten sowie eine Arbeitsgrundlage, etwa für eine erweiterte fach- oder veranstaltungsspezifische Ausgestaltung.

Die erste Version der Lernzielmatrix wurde in mehreren Iterationsschritten durch Hochschullehrende und Studierende der CAU Kiel sowie durch Mitglieder der [[UAG Schulungen/Fortbildungen]] der DINI/nestor AG Forschungsdaten (kurz: UAG Schulungen/Fortbildungen) bearbeitet, ergänzt und 2022 veröffentlicht. Für die zweite Version von 2023 gab es keine inhaltlichen, sondern nur redaktionelle Anpassungen. Zusätzlich wurde eine Übersetzung der Inhalte ins Englische vorgenommen und das Layout der Matrix entsprechend angepasst. Mitglieder von NFDI4Health haben bei der englischsprachigen Übersetzung der zweiten Version mitgewirkt. Die Veröffentlichung einer dritten Version der Lernzielmatrix ist in Planung (siehe Absatz Neuigkeiten).

== Vision und Mission==

Die Matrix ist als erweiterbare und kontinuierlich zu verbessernde Orientierungshilfe angelegt und soll der Community als Diskussionsgrundlage für die weitere Ausarbeitung der im Themenbereich FDM zu vermittelnden Inhalte dienen. Bezüglich der hier als relevant dargestellten generischen bzw. fachübergreifenden Aspekte aus dem Bereich FDM erhebt die Matrix daher keinen Anspruch auf Vollständigkeit und ist als „work in progress“ zu verstehen. Für Hinweise auf mögliche inhaltliche Erweiterungen ist das Redaktionsteam dankbar. Darüber hinaus besteht die Erwartung, dass die Matrix durch fachspezifische Auseinandersetzungen (z. B. im Rahmen der NFDI) erweitert bzw. mittels zusätzlicher Übersichten ergänzt wird. Langfristig ist die Pflege und Aktualisierung der Inhalte und Lernziele durch die Community sicherzustellen. Die [[UAG Schulungen/Fortbildungen]] wird dazu Community-Events initiieren, um Anpassungsvorschläge und Adaptionen zu diskutieren und diese in Form von neuen Versionen zusammenzuführen.

==Erläuterung der Matrix==
Struktur und Aufbau der Lernzielmatrix:
Die Lernzielmatrix ist so strukturiert, dass sie menschen- und auch maschinenlesbar ist. Die Tabelle umfasst sechs Themencluster (1. Grundlegende und übergreifende Konzepte, 2. Arbeiten mit Daten, 3. Dokumentation und Metadaten, 4. Archivierung, Publikation, Nachnutzung, 5. Recht und Ethik, 6. Unterstützungsstrukturen), die zur Orientierung dienen und die selbst in Themen unterteilt sind, denen wiederum Inhalte zugeordnet sind. Zu den jeweiligen Inhalten lassen sich dann ein oder mehrere Lernziele finden, die von ihrer sprachlichen Struktur möglichst einheitlich aufgebaut sind und immer mit: “Lernende können…” beginnen. Die Lernziele sind in der ersten Spalte mit einer Nummer gekennzeichnet. Zum besseren Verständnis ist in den daran anschließenden vier Spalten jeweils vermerkt, um welche Stufe der Bloomschen Taxonomie es sich handelt sowie um eine Zuordnung, welche der vier Zielgruppen (Bachelorstudierende, Masterstudierende, PhDs oder Data Stewards) das jeweilige Lernziel erreichen sollten.

Zur Verdeutlichung hier ein Beispiel:

[[Datei:LZM_Beispiel.png|rahmenlos|800x800px]]

Die beiden exemplarischen Lernziele “Lernende können die FAIR-Prinzipien beschreiben.” und “ Lernende können die FAIR-Prinzipien erläutern” lassen sich im Inhaltsbereich “FAIR und CARE” finden, der wiederum dem Thema “Gute wissenschaftliche Praxis (GWP)” zugeordnet ist, welcher sich im Themencluster “Recht und Ethik” befindet. Die Spalte hinter dem Lernziel “Stufe (Bloom)” gibt an, auf welcher Abstraktionsebene sich das Lernziel befindet und daran anschließend eine Einordnung, für welche Zielgruppe(n) das Lernziel gedacht ist. Dies kann im Kontext verschiedener Fachdisziplinen variieren und soll lediglich der groben Einordnung dienen. Die obere Zeile ist im Excel-Format filterbar, sodass auf verschiedene Weise gesucht werden kann. Sofern Lernziele zu einem bestimmten Inhalt und für eine bestimmte Zielgruppe gesucht werden, können diese über die Filterfunktion eingestellt werden.

===Konkrete Anwendungen / Adaptionen===

In der Praxis wurde die Lernzielmatrix von der Community bisher in verschiedenen Szenarien nachgenutzt. Bei der folgenden Sammlung handelt es sich um eine vorbehaltliche Übersicht, die fortlaufend aktualisiert wird. Um weitere Anwendungsbeispiele hier abzubilden, kann das Redaktionsteam der Matrix über den [mailto:uag-fdm-schulung@dini.de E-Mail-Verteiler der UAG Schulungen/Fortbildungen] kontaktiert werden.

Anwendungsbeispiele:

*Die Lernzielmatrix zur Evaluierung von DMPs in der Hochschullehre (Einrichtung: Universität Potsdam). Zusammenfassung: “Wir verwenden die Inhalte der Lernzielmatrix zur Erstellung eines Bewertungsrasters, mit dem wir die von Studierenden erstellten Datenmanagementpläne als Prüfungsleistung evaluieren.”, Link: https://doi.org/10.5281/zenodo.11388258
*Lernzielmatrix für Biodiversitäts- und Umweltdaten (Einrichtung: Gesellschaft für Biologische Daten e.V.). Zusammenfassung: Die Entwicklung einer Lernzielmatrix für Biodiversitäts- und Umweltdaten soll Lehrenden zukünftig als Orientierungshilfe für Lehrveranstaltungen dienen. Inhaltlich liegt der Fokus vor allem auf der Identifikation relevanter Themen im Umgang mit Biodiversitäts- und Umweltdaten, sowie der Unterscheidung zwischen generischen und disziplinspezifischen Inhalten. Zudem soll die Matrix über die aktuelle Nutzergruppe der Studierenden hinaus erweitert werden. Die Benutzerfreundlichkeit durch unterstützende Materialien wie z.B. Foliensätze steht dabei im Vordergrund, um die Akzeptanz und Nutzung der Lernzielmatrix zu steigern und eine gemeinsame Wissensgrundlage im Forschungsdatenmanagement zu schaffen.
*Eine FDM-Lernzielmatrix für die Sozial-und Wirtschaftswissenschaften, Link: https://doi.org/10.5281/zenodo.11260248
*Lernziele für Studierende im Projekt im Projekt FDM@Studium, Link: https://www.dh.nrw/kooperationen/FDM@Studium.nrw-97
*Data Train Anpassungen im Rahmen von DataNord (U Bremen Research Alliance, Data Nord). Zusammenfassung: Die Lernzielmatrix wird zur Qualitätssicherung und Standardisierung der Datenkompetenzausbildung im Rahmen von Data Train herangezogen., Link: https://doi.org/10.5281/zenodo.13293163
*Nutzung der FDM-Lernzielmatrix in der Entwicklung der [https://education.nfdi4ing.de/startpage.html#/ NFDI4Ing-Selbstlernplattform] zu fachspezifischen FDM-Grundlagen (NFDI4ING)

==Neuigkeiten==
[[Datei:Gruppenfoto FDM-Lernzielmatrix Darmstadt2024.jpg|mini|Gruppenfoto vom Event zur FDM-Lernzielmatrix in Darmstadt 2024, CC BY Canan Hastik]]
Mit dem Ziel, eine dritte Version der Lernzielmatrix gemeinsam mit der deutschsprachigen FDM-Community zu erstellen, fand am 31. Januar und 1. Februar 2024 ein Community-Event in Darmstadt statt. Dieses wurde von der [[UAG Schulungen/Fortbildungen]] in Zusammenarbeit mit der Data Literacy Alliance (DALIA) der NFDI Sektion Training & Education organisiert. Bei diesem Event wurden u. a. die Struktur und Inhalte der Matrix rege diskutiert und Vorschläge zur Überarbeitung formuliert.

Im Nachgang des Events fanden sich Teilnehmende des Events mit dem ursprünglichen Redaktionsteam der Lernzielmatrix zusammen, um einerseits die Vorschläge des Events umzusetzen und andererseits eine öffentliche Kommentierung über einen Call4Comments der neuen Version der Matrix vorzubereiten und zu begleiten. Bis Ende Januar 2025 wurde ein Call4Comments durchgeführt. Die hilfreichen Kommentare aus der Community werden derzeit eingearbeitet.

Es wird angestrebt, die dritte Version der Lernzielmatrix im ersten Quartal 2025 über Zenodo zu publizieren.

==Kontakt==

Das Redaktionsteam der Lernzielmatrix kann über den [mailto:uag-fdm-schulung@dini.de E-Mail-Verteiler der UAG Schulungen/Fortbildungen] kontaktiert werden: uag-fdm-schulung@dini.de

==Aktuelle Version der Lernzielmatrix==
Die "Lernzielmatrix zum Themenbereich Forschungsdatenmanagement (FDM) für die Zielgruppen Studierende, PhDs und Data Stewards" ist aktuell in der Version 2 bei Zenodo über die folgende DOI verfügbar: https://doi.org/10.5281/zenodo.8010617

==Quellen- und Literaturverzeichnis==

Anderson, L.W.; Krathwohl, D. (2001). A Taxonomy for Learning, Teaching, and Assessing. A Revision of Bloom’s Taxonomy of Educational Objectives. Addison Wesley 2001.

Arbeitskreis Deutscher Qualifikationsrahmen (AK DQR) (2011): Deutscher Qualifikationsrahmen für lebenslanges Lernen. Online unter: https://www.fibaa.org/fileadmin/redakteur/pdf/ZERT/Der_Deutsche_Qualifikationsrahmen_fue_lebenslanges_Lernen.pdf

Biernacka, K. et al. (2023). Train-the-Trainer-Konzept zum Thema Forschungsdatenmanagement (Version 5). https://doi.org/10.5281/zenodo.10122153

Bloom, B. S. et al. (Hrsg.). (1956). Taxonomy of Educational Objectives. The Classification of Educational Goals, Handbook I: Cognitive Domain. David McKay Company, Inc.

Blümm, M. et al. (2021). Der Zertifikatskurs Forschungsdatenmanagement als adaptierbares Aus- und Weiterbildungsangebot, in: Heuveline, Vincent und Bisheh, Nina (Hrsg.): E-Science-Tage 2021: Share Your Research Data, Heidelberg: heiBOOKS, 2022, S. 414-420. https://doi.org/10.11588/heibooks.979.c13758

Christian-Albrechts-Universität zu Kiel (o. D.). Projekt “eLearning Building Blocks for Research Data Management Basics” (eLBB4RDM). unter: https://www.fdm.uni-kiel.de/de/aktivitaeten/projekte/Projekt%20eLBB4RDM

Cursio, M.; Jahn, D. (2013): Leitfaden zur Formulierung kompetenzorientierter Lernziele auf Modulebene. Fortbildungszentrum Hochschullehre FAU. https://www.med.fau.de/files/2015/09/31072014_leitfaeden_fbzhl_1_2013_lernziele.pdf

Engelhardt, C. et al. (2022). How to be FAIR with your data. https://doi.org/10.17875/gup2022-1915

Hörner, T. et al. (2021). „Disziplinübergreifendes Modell zur Ausbildung von Forschungsdatenmanagement und Data Science Kompetenzen: ‚Data Train – Training in Research Data Management and Data Science‘“. Bausteine Forschungsdatenmanagement, Nr. 3 (Dezember). S. 56-69. https://doi.org/10.17192/bfdm.2021.3.8343

Krathwohl, D. R. (2002). A Revision of Bloom's Taxonomy. An Overview. Theory Into Practice 41(4). S. 212-218; https://doi.org/10.1207/s15430421tip4104_2

Murcia Serra, J. (2024): Eine FDM-Lernzielmatrix für die Sozial- und Wirtschaftswissenschaften. https://doi.org/10.5281/zenodo.11260248

Riedel, C. et al. (2024): Die Lernzielmatrix zur Evaluierung von DMPs in der Hochschullehre. https://doi.org/10.5281/zenodo.11388258

RWTH Aachen University (o. D.). Projekt „data.RWTH – Datenkultur an der RWTH“. unter: https://dataliteracy.rwth-aachen.de

Slowig, B. et al. (2022). Der Zertifikatskurs Forschungsdatenmanagement in NRW: Eine modular aufgebaute Weiterqualifikation für das professionelle Datenmanagement. O-Bib. Das Offene Bibliotheksjournal Herausgeber VDB, 9(3), S. 1-10. https://doi.org/10.5282/o-bib/5833

TH Köln (o. D.). Zertifikatskurs Forschungsdatenmanagement. https://www.th-koeln.de/weiterbildung/zertifikatskurs-forschungsdatenmanagement_82048.php

TU Graz (Projektleitung) (o. D.). Projekt FAIR Data Austria. Online unter: https://forschungsdaten.at/fda

Universität Bielefeld (o. D.). Modul „Research Data Management“ der Uni Bielefeld. https://ekvv.uni-bielefeld.de/sinfo/publ/modul/79251504

U Bremen Research Alliance (o. D.). Data Train–Training in Research Data Management and Data Science. https://bremen-research.de/data-train