Data Literacy: neue Autoritäten

Daten als Machtinstrument.

“Wir haben Daten … “, “Ich habe mir Zahlen besorgt … “, “Die Rohdaten sagen …” – der Verweis auf Zahlen und Daten ist eine neue Geste der Wissenden, mit denen sie sich von Spekulanten unterscheiden möchten. Oft steht der Verweis auf Daten auch für besseres Wissen oder gar für Geheimwissen, für einen Informationsvorsprung, den die anderen nicht haben, für echtes Wissen, dass sich beweisen lässt, manchmal auch für anderes Wissen, das den Vermutungen, dem ersten Eindruck entgegensteht.

Zahlen, Daten, Analysen – die feinen Unterschiede

Der Verweis auf Zahlen funktioniert als Distinktionsmove auf Twitter (“Ich weiß etwas, das ihr nicht wisst”), als Autoritätsgeste in Regierungspressekonferenzen (“Natürlich wissen wir mehr als ihr und werden es auch nicht verraten”), als Seriositätsnachweis in Medien und Kommunikation. Und er funktioniert für alle Seiten in jeder Diskussion – irgendwelche Zahlen gibt es für jede Behauptung.

Wie lassen sich dann plausible Zahlen und Daten von irgendwelchen Daten unterscheiden? Mit welchen Analysemethoden lässt sich Zahlen und Daten am effizientesten auf den Zahn fühlen? Wie lässt sich überhaupt erkennen, was ein Berg Zahlen eigentlich tatsächlich sagen könnte? Wir kennen media literacy, computer literacy und eine Reihe weiterer technisch-analytischer Kompetenzen, die in einer komplexen Gegenwart Orientierung liefern sollen. data literacy gesellt sich dazu. Die data literacy charta des deutschen Hochschulforum Digitalisierung etwa fordert unter anderem die lebenslange Vermittlung von data literacy in allen Bildungsbereichen; data literacy solle allen Menschen zugänglich sein.

Data Literacy – jenseits von Technik

Wer dabei an statistische Verfahren und mathematische Detailskills denkt, liegt allerdings grundfalsch. Daten und ihre Interpretation sind vielmehr eine taktische als eine mathematische Angelegenheit. Der dänische Medizinsoziologe Klaus Hoeyer etwa entwickelte am Beispiel personalisierter Medizin das Konzept der promissory data – Daten als Versprechen.

Daten als Versprechen sind dann im Spiel, wenn EntscheiderInnen Evidenz verlangen und versprechen. Sie können jetzt keine Entscheidungen treffen, weil zu wenig gesicherte Daten vorliegen. Deshalb treffen sie die Entscheidung, Daten zu sammeln, um Evidenz und damit eine Entscheidungsgrundlage zu schaffen. Das hat den Vorteil, das später auch keine Enscheidungen getroffen werden müssen. Denn Daten, so das Verständnis dieser datenidealisierenden Sichtweise, würden dann klar sagen, was zu tun ist. Für EntscheiderInnen ist das eine sehr bequeme und auch sozial akzeptierte Verhaltensweise.

Allerdings ist das darin vermittelte Datenbild grundfalsch. Daten beantworten allenfalls wissenschaftliche Fragen, wenn diese ausreichend konkretisiert sind. Sie beantworten allerdings keine politischen oder sozialen Fragen (die über Umfrageergebnisse hinausgehen) – dazu sind breitere Perspektiven notwendig, die Ziele, Werte und andere über Daten hinausgehende Faktoren einbeziehen. Evidenz hat allerdings auch noch eine andere Schattenseite. In großen Datenmengen offengelegte Daten sind schließlich auch das beste Versteck für sensible Daten. Die entscheidenden Aspekte sind in der schieren Menge schwer zu finden, Offenheit lässt nicht vermuten, dass hier besonderes zu holen wäre, und im Zweifelsfall, wenn tatsächlich auf anderen Kanälen Unerwünschtes publik werden sollte, dann kann man immer noch darauf verweisen, dass ohnehin schon lange alles offengelegt war. {Ein Beispiel für ein solches öffentliches Versteck potenziell interessanter Daten ist etwas das Lobbying- und Transparenzregister der EU: 12000 Zeilen nahezu unstrukturierter Daten erfordern einen durchaus langen Atem, um darin relevante Information zu finden.)

Datenpolitik

Diese beiden Aspekte lassen erkennen, welche Einstellung gegenüber Zahlen und Daten durchaus relevanter ist als technisches und mathematisches Knowhow: Das Augenmerk auf praktisch-politische Dimensionen von Daten, Interpretationsknowhow, Wissen um Zusammenhänge und die Fähigkeit zur praktischen Einordnung machen Daten erst tatsächlich wertvoll. Allerdings sind grundlegend sachlich-technische Kenntnisse umgekehrt auch wichtige Voraussetzungen, um die weiteren Fähigkeiten überhaupt erst sinnvoll einsetzen zu können.