Computational Competencies
Algorithmische Modellierung, Datenanalyse und Simulation – "Computational Competencies" – sind mittlerweile eine dritte S?ule der meisten Studieng?nge an der ETH. Die Computational Competencies Initiative hilft Dozierenden und Studieng?ngen dabei, diese Kompetenzen sinnvoll und koh?rent in das fachliche Lernen zu integrieren. Dabei geht es nicht darum, mehr Inhalte hinzuzufügen, sondern bestehende Inhalte anders zu vermitteln: Computational Competencies werden im Fachkontext angewandt.
Projektübersicht und Ziele
Die Initiative ?Computational Competencies (Comp2)“ ist ein strategisches Projekt der ETH Zürich mit dem Ziel algorithmische Modellierung, Datenanalyse, Simulation und Programmierung in allen Bachelor- und Masterstudieng?nge zu integrieren und zu verankern. Die Initiative etabliert ?Lernspuren“, die grundlegende Methoden der Informatik und Mathematik mit spezifischen Anwendungen in verschiedenen wissenschaftlichen Disziplinen verbinden.
Die strategischen Ziele der Initiative sind:
- Integration in die Curricula: Alle Studieng?nge identifizieren ma?geschneiderte und koh?rente Lernspuren für Computational Competencies.
- Die Grundlagen werden frühzeitig und systematisch eingeführt und in disziplin?ren Kontexten angewendet und vertieft.
- Computatioinal Competencies werden nicht als Zusatz angesehen, sondern sind integraler Bestandteil des Fachunterrichts.
- St?rkung im Unterricht: Koordination mit Servicelehre, explizite Verknüpfung von Comp2 in Fachvorlesungen, Einsatz interaktiver JupyterNotebooks und projektbasiertes Lernen.
- Unterstützung der Dozierenden durch didaktische Beratung, Infrastruktur und Vernetzung/Erfahrungsautausch.
- Aufbau koh?renter Strukturen: gemeinsamer Kompetenzkatalog als Referenz, technische und didaktische Unterstützung sowie nachhaltige Prozesse.
Deshalb machen Computational Competencies in der Lehre einen Unterschied
Für studierende
- Mit Daten, Modellen und Simulationen Theorie praktisch anwenden
- Urteilsverm?gen hinsichtlich Annahmen, Grenzen und Unsicherheiten entwickeln
- Computergestützte Methoden als fachspezifisches Werkzeug erleben – nicht als blo?es Zusatzmodul
Für Dozierende & Studieng?nge
- Abstrakte Konzepte konkret und überprüfbar machen
- Redundanzen und Lücken zwischen Lehrveranstaltungen abbauen
- Die Lehre an der Forschungspraxis und der beruflichen Realit?t ausrichten
Das bedeutet konkret: Studierende erwerben praktische Kompetenzen in den Bereichen Modellierung & Simulation, Statistik & Inferenz, maschinelles Lernen und Programmierung – zusammen mit einer Reflexion über gesellschaftliche, rechtliche und ethische Implikationen. All dies geschieht in enger Verknüpfung mit ihrem jeweiligen Fachbereich und wird direkt dort angewendet.
ETH Kompetenz Raster & Computational Competencies
ETH Computational Competencies Katalog (v0.42)
Der Katalog definiert vier Bereiche mit 13 Kompetenzen. Er ist detailliert genug, um Entwicklungspfade und Lücken aufzuzeigen, überl?sst jedoch die Festlegung der Lernergebnisse auf Studiengangsebene sowie die fachliche Tiefe den einzelnen 皇冠体育,皇冠体育appn. Generative KI wird nicht als separate Kompetenz aufgelistet; ihre Anwendung wird methodisch über die Bereiche ML, Modellierung, Datenmanagement und Programmierung abgedeckt, w?hrend Ethik und Recht im Rahmen der Auswirkungen adressiert werden.
ETH Kompetenzraster & Computational Competencies
Computational Competencies lassen sich auf das ETH-Kompetenzraster abbilden. W?hrend die meisten Kompetenzen im Bereich der fachspezifischen Kompetenzen zu finden sind, sind Comp2-Kompetenzen in allen Bereichen des ETH-Kompetenzrasters vertreten, wie die Farben zeigen:
Generative KI, Computational Competencies und Programmieren
Generative KI hat die Art und Weise, wie wir Code erstellen,
revolutioniert, und tut dies auch weiterhin. F?higkeiten wie kritisches Denken,
konzeptionelles Denken, Testen und Bewerten werden damit wichtiger denn je.
Einbetten von Computational Competencies in den Fachunterricht
Viele wirkungsvolle Beitr?ge sind kleine, gut
platzierte ?nderungen an bestehenden Kursen. Typische Einstiegspunkte:
Einfache Integration
- Kurze Jupyter-basierte ?bungen in Vorlesungen oder ?bungen
- Visualisierung von Modellen oder Daten, anstatt sie nur zu diskutieren
- Automatisierted Feedback für Programmieraufgaben
St?rkung eines Kurses
- Datengetriebene oder simulationsbasierte Aufgaben
- Explizite Diskussion von Annahmen und Grenzen der Modelle
- Evaluieren von Erkl?rungen und Interpretation
Sie müssen keinen Programmierkurs unterrichten um Computational Competencies in Ihren Unterricht einzubinden. Einzelne Elemente k?nnen in jeder Disziplin das konzeptuelle Verst?ndnis bereichern.
Lernspuren auf Studiengangsebene identifizieren
Um eine nachhaltige Wirkung zu erzielen, sollten
Kompetenzen nicht isoliert in einzelnen Kursen bleiben Studieng?nge definieren Lernspuren über mehrere Semester hinweg:
- Grundlagen frühzeitig einführen (oft in Servicekursen).
- diese werden in disziplin?rem Kontext aufgegriffen, angewendet und vertieft
- Sicher stellen, dass sp?tere Kurse auf gemeinsamen Wekzeugen und Annahmen aufbauen k?nnen
Das Curriculum Information Tool (CIT) stellt visuell dar, wo Kompetenzen vermittelt und bewertet werden - und hilft so, Lücken und Redundanzen aufzudecken. Erfahren Sie mehr!
Typische Herausforderungen
? Lange Lücken ohne Anwendungen
? ?berm?ssige Abh?ngigkeit von einzelnen Kursen oder Personen
? Keine/wenig Abstimmung zwischen Service- und Fachkurzen
Tools, Unterstützung & Finanzierung
Wir unterstützen Dozierende mit didaktischer Beratung,
Communities of practice, Tools und Finanzmitteln für innovative
Unterrichtsprojekte.
JupyterHub für die Lehre (bereitgestellt EduIT & UTL): Browserbasierte
JupyterNotebooks für Code, Daten und Text – keine lokale Installation für Studierende erforderlich.
- Massgeschneiderte Programmierumgebung, zug?nglich über Moodle
- Moodle-Integration für Verteilung, Einreichung und Benotung von Aufgaben
- Automatisiertes Feedback über OtterGrader m?glich
- Git-Synchronisierung mit nbgitpuller; optionales NFS für grosse Datenmengen
- Zusammenarbeit in Echtzeit in Notebooks durch gemeinsames Bearbeiten m?glich
CodeExpert (bereitgestellt von D-INFK)
- Programmierunterricht skalierbar für grosse Kohorten
- Prüfungsumgebung
- Optional GPU?f?higes Hosting für spezialisierte Kurse
- Automatisiertes Feedback m?glich
- Standardisierter und skalierbarer Programmierunterricht
Wir unterstützen Dozierende und Studiengansverantwortliche bei der Planung und Umsetzung
- Didaktische Beratung zur Einbettung von Computational Competencies
- Technischer Support JupyterHub (EduIT/UTL) und CodeExpert (D-INFK)
- Communities of practice (Nutzertreffen, booster workshops)
-> Kontaktieren Sie uns via
Finanzierunge für innovative Lehrprojekte kann über Innovedum beantragt werden.
Egal ob Sie einzelne Elemente in Ihren Unterricht einbinden m?chten, einen ganzen Kurz neu gestalten oder Lernspuren im Curriculum identifizieren und st?rken m?chten – wir unterstützen Sie gerne.
- Einbinden einzelner Computational Competenci s-Elemente
- Einen Studiengang oder ein Curriculum überarbeiten
- Beispiele und Inspiration von Kollegen auch aus anderen 皇冠体育,皇冠体育appn
Kontaktieren SIe uns via um zusammen herauszufinden, wie wir mit Computational Competencies Ihre Lehre unterstützen k?nnen - in didaktischen, technischen oder curricul?ren Aspekten.
Projektbeispiele
?bersicht der Projekte zum Thema Compuational Competencies, finanziert via
- Innovedum Projekte zum Thema Computational Competencies
Kontakt
ETH
UTL