• Über WordPress
    • WordPress.org
    • Dokumentation
    • Support
    • Feedback
  • Anmelden
  • Unsere Angebote

    Online-Kurse

    • BFP Begleitkurs Digital
    • Big Data Literacy
    • Digital gegen Antisemitismus
    • eTeaching Expert
    • EOP Begleitkurs Digital
    • Facharbeit schreiben
    • Praxissemester Digital
    • Veränderung in der Schule bewirken
    • Visionsentwicklung

    Lernmodule

    • Bildungschancen
    • Coaching und Beratung
    • Digitale Lernmaterialien
    • Diversität
    • Sonderpäd. Materialien
    • Methoden
    Teaser für die Fortbildung eTeaching Expert

    eTeaching Expert

    Das Schul­netz­werk im ZfL hat eine kos­ten­freie Fort­bil­dung zum eTea­ching Expert kon­zi­piert, die einen Online-Kurs und einen Blog mit eTea­ching ‑Impu­len beinhaltet.

    Weiterlesen

  • Zum ZfL
Digitale Lehre
  • Unsere Angebote

    Online-Kurse

    • BFP Begleitkurs Digital
    • Big Data Literacy
    • Digital gegen Antisemitismus
    • eTeaching Expert
    • EOP Begleitkurs Digital
    • Facharbeit schreiben
    • Praxissemester Digital
    • Veränderung in der Schule bewirken
    • Visionsentwicklung

    Lernmodule

    • Bildungschancen
    • Coaching und Beratung
    • Digitale Lernmaterialien
    • Diversität
    • Sonderpäd. Materialien
    • Methoden
    Teaser für die Fortbildung eTeaching Expert

    eTeaching Expert

    Das Schul­netz­werk im ZfL hat eine kos­ten­freie Fort­bil­dung zum eTea­ching Expert kon­zi­piert, die einen Online-Kurs und einen Blog mit eTea­ching ‑Impu­len beinhaltet.

    Weiterlesen

  • Zum ZfL

Literaturliste und weiterführende Hinweise

Startseite » Big Data Literacy » Literaturliste und weiterführende Hinweise

Literaturliste und weiterführende Hinweise

Literaturliste

 

Aly, G., Roth, K.-H. (1984): Die rest­lo­se Erfas­sung. Volks­zäh­len, Iden­ti­fi­zie­ren, Aus­son­dern im Natio­nal­so­zia­lis­mus. Ber­lin.

Ander­son, C. (2013). Das Ende der Theo­rie. Die Daten­schwem­me macht wis­sen­schaft­li­che Metho­den obso­let. In H. Gei­sel­ber­ger, T. Moor­stedt (Hrsg.), Big Data. Das neue Ver­spre­chen der All­wis­sen­heit (S. 124–130). Ber­lin: Suhrkamp.

Azu­car, A., Maren­go, D. & Set­t­an­ni, M. (2018). Pre­dic­ting the Big 5 per­so­na­li­ty traits from digi­tal foot­prints on social media: A meta-ana­ly­sis. Per­so­na­li­ty and Indi­vi­du­al Dif­fe­ren­ces, 124, 150–159.

Bernd, M., Brandt, S., Bur­chardt, A., Duf­en­tes­ter, C., Etsi­wa, B., Glo­er­feld, C., Kra­včík, M., Mah, D., Pink­wart, N., Ram­pelt, F., Renz, A., Schwaet­zer, E., de Witt, C., Wre­de, S. (2020). Künst­li­che Intel­li­genz in der Hoch­schul­bil­dung. White­pa­per. Fern­Uni­ver­si­tät in Hagen, Stif­ter­ver­band für die Deut­sche Wis­sen­schaft e.V., DFKI (Deut­sches For­schungs­zen­trum für Künst­li­che Intel­li­genz GmbH). https://ki-campus.org/sites/default/files/2020–10/Whitepaper_KI_in_der_Hochschulbildung.pdf

Bieli­cki, J. (2022, 14. Janu­ar). Kla­gen gegen Aus­län­der­re­gis­ter. Akti­vis­ten kri­ti­sie­ren die Spei­che­rung teils sen­si­bler Daten. Süd­deut­sche Zei­tung, Nr. 10, S. 6.

Boyd, D., & Craw­ford, K. (2013). Big Data als kul­tu­rel­les, tech­no­lo­gi­sches und wis­sen­schaft­li­ches Phä­no­men. Sechs Pro­vo­ka­tio­nen. In H. Gei­sel­ber­ger & T. Moor­stedt (Hrsg.), Big Data. Das neue Ver­spre­chen der All­wis­sen­heit (S. 187–218). Ber­lin: Suhrkamp.

Craw­ford, K., Dob­be, R., Dry­er, T., Fried, G., Green, B., Kazi­u­nas, E., Kak, A., Mathur, V., McEl­roy, E., Nill Sán­chez, A., Raji, D., Ran­kin, J. L., Richard­son, R., Schultz, J., Myers West, S., & Whit­taker, M. (2019). ​AI Now 2019 Report​. New York: AI Now Insti­tu­te. https://​aino​w​in​sti​tu​te​.org/​A​I​_​N​o​w​_​2​0​1​9​_​R​e​p​o​r​t​.​pdf

Deut­scher Ethik­rat (2017, 30. Novem­ber). Big Data und Gesund­heit – Daten­sou­ve­rä­ni­tät als infor­ma­tio­nel­le Frei­heits­ge­stal­tung [Stel­lung­nah­me].
https://​www​.ethik​rat​.org/​f​i​l​e​a​d​m​i​n​/​P​u​b​l​i​k​a​t​i​o​n​e​n​/​S​t​e​l​l​u​n​g​n​a​h​m​e​n​/​d​e​u​t​s​c​h​/​s​t​e​l​l​u​n​g​n​a​h​m​e​-​b​i​g​-​d​a​t​a​-​u​n​d​-​g​e​s​u​n​d​h​e​i​t​.​pdf

Ditt­mann, A. (o.D.). Mit Lear­ning Ana­ly­tics zu mehr Qua­li­tät in der Hoch­schul­leh­re. White­pa­per. Hoch­schul­fo­rum Digi­ta­li­sie­rung. Abge­ru­fen am 17. Mai 2022, von https://​hoch​schul​for​um​di​gi​ta​li​sie​rung​.de/​e​n​/​n​o​d​e​/​781

Ebert, F., Mun­zin­ger, H., Wormer, V. (2019, 13. Dezem­ber). So hat die SZ das Smart­pho­ne durch­leuch­tet. Süd­deut­sche Zei­tung. Abge­ru­fen am 17. Mai 2022, von https://www.sueddeutsche.de/digital/daten-tracking-recherche‑1.4719095

e‑teaching.org (2018, 20. März). Lear­ning Ana­ly­tics. Abge­ru­fen am 17. Mai 2022, von https://www.e‑teaching.org/didaktik/qualitaet/learning_analytics

e‑teaching.org (o.D.). Posi­tio­nen zu Lear­ning Ana­ly­tics. Abge­ru­fen am 17. Mai 2022, von
https://www.e‑teaching.org/community/meinung/positionen-zu-learning-analytics 

Evans, D. (2011, April). Das Inter­net der Din­ge. So verändert die nächste Dimen­si­on des Inter­net die Welt. White­pa­per. Cis­co Inter­net Busi­ness Solu­ti­ons Group.
http://​www​.cis​co​.com/​w​e​b​/​D​E​/​a​s​s​e​t​s​/​e​x​e​c​u​t​i​v​e​s​/​p​d​f​/​I​n​t​e​r​n​e​t​_​o​f​_​T​h​i​n​g​s​_​I​o​T​_​I​B​S​G​_​0​4​1​1​F​I​N​A​L​.​pdf

Fok­ken, S. (2022, 25. Janu­ar). Leh­rer­man­gel an Schu­len – Bil­dungs­for­scher hält Berech­nun­gen der Kul­tus­mi­nis­ter teil­wei­se für »unse­ri­ös«. Spie­gel Pan­ora­ma. Abge­ru­fen am 17. Mai 2022, von https://www.spiegel.de/panorama/bildung/lehrermangel-an-schulen-bildungsforscher-haelt-kmk-berechnungen-teilweise-fuer-unserioes-a-27193b0a-7537–46ee-b06b-be6bb6094c4d

Frye, B., Sau­ter, A., Har­dy, A., Frank, D., Ber­nards, M., Fol­kerts, I., Fre­richs, K., Jas­pers, U. (2020, 25. März). „Ver­hal­tens­ko­dex für Trus­ted Lear­ning Ana­ly­tics“: Ver­ant­wor­tungs­vol­ler Umgang mit Lern­da­ten von Stu­die­ren­den. Goe­the-Uni­ver­si­tät Frank­furt am Main. Abge­ru­fen am 17. Mai 2022, von https://​aktu​el​les​.uni​-frank​furt​.de/​s​t​u​d​i​u​m​/​v​e​r​h​a​l​t​e​n​s​k​o​d​e​x​-​f​u​e​r​-​t​r​u​s​t​e​d​-​l​e​a​r​n​i​n​g​-​a​n​a​l​y​t​i​c​s​-​v​e​r​a​n​t​w​o​r​t​u​n​g​s​v​o​l​l​e​r​-​u​m​g​a​n​g​-​m​i​t​-​l​e​r​n​d​a​t​e​n​-​v​o​n​-​s​t​u​d​i​e​r​e​n​d​en/

Gap­ski H. (2020). Digi­ta­le Trans­for­ma­ti­on: Data­fi­zie­rung und Algo­rith­mi­sie­rung von Lebens- und Arbeits­wel­ten. In N. Kut­scher, T. Ley, U. Seel­mey­er, F. Sil­ler, A. Till­mann und I. Zorn (Hrsg): Hand­buch Sozia­le Arbeit und Digi­ta­li­sie­rung. Beltz Juven­ta: Wein­heim Basel. S. 156–166.

Gap­ski H. (2021). Dis­kus­si­ons­fel­der der Medi­en­päd­ago­gik: Data­fi­zier­te Lebens­wel­ten und Daten­schutz. In U. San­der, F. von Gross, K.-U. Hug­ger (Hrsg.), Hand­buch Medi­en­päd­ago­gik. Sprin­ger VS, Wies­ba­den. https://doi.org/10.1007/978–3‑658–25090–4_82‑1

Gei­sel­ber­ger H. & Moor­stedt T. (Hrsg.). (2013). Big Data. Das neue Ver­spre­chen der All­wis­sen­heit. Ber­lin: Suhrkamp.

Gewin­ne, Gewin­ne, Gewin­ne. Goog­le und Micro­soft pro­fi­tie­ren vom Online-Boom, ste­hen aber unter Beob­ach­tung. (2021, 28. Okto­ber). Süd­deut­sche Zei­tung, Nr. 250, S. 19.

Gross, S. (2021, 10. Dezem­ber). So geht Aus­beu­tung heu­te. Süd­deut­sche Zei­tung, Nr. 286, S. 4.

Gur­ley, L. K. (2021, 20. Sep­tem­ber). Amazon’s AI Came­ras Are Punis­hing Dri­vers for Mista­kes They Didn’t Make. Vice. Abge­ru­fen am 17. Mai 2022, von https://​www​.vice​.com/​e​n​/​a​r​t​i​c​l​e​/​8​8​n​p​j​v​/​a​m​a​z​o​n​s​-​a​i​-​c​a​m​e​r​a​s​-​a​r​e​-​p​u​n​i​s​h​i​n​g​-​d​r​i​v​e​r​s​-​f​o​r​-​m​i​s​t​a​k​e​s​-​t​h​e​y​-​d​i​d​n​t​-​m​ake

Han­sen, J., Ren­sing, C., Herr­mann, O., Drachs­ler, H. (2020). Ver­hal­tens­ko­dex für Trus­ted Lear­ning Ana­ly­tics. Ver­si­on 1.0. Ent­wurf für die hes­si­schen Hoch­schu­len. Frank­furt am Main: Inno­va­ti­ons­fo­rum Trus­ted Lear­ning Ana­ly­tics. https://​doi​.org/​1​0​.​2​5​6​5​7​/​0​2​:​1​8​903

Hagen­dorff, T. (2017). Das Ende der Infor­ma­ti­ons­kon­trol­le. Bie­le­feld: transcript.

Har­tong, S. (2019, Novem­ber). Lear­ning Ana­ly­tics und Big Data in der Bil­dung. Zur not­wen­di­gen Ent­wick­lung eines daten­po­li­ti­schen Alter­na­tiv­pro­gramms. Gewerk­schaft Erzie­hung und Wis­sen­schaft. Abge­ru­fen am 17. Mai 2022, von https://​www​.gew​.de/​i​n​d​e​x​.​p​h​p​?​e​I​D​=​d​u​m​p​F​i​l​e​&​t​=​f​&​f​=​9​1​7​9​1​&​t​o​k​e​n​=​7​0​2​e​c​8​d​5​f​9​7​7​0​2​0​6​a​4​a​a​8​a​1​0​7​9​7​5​0​e​c​9​0​2​1​b​9​0​b​f​&​s​d​o​w​n​l​oad

Hepp, A. (2021). Auf dem Weg zur digi­ta­len Gesell­schaft. Über die tief­grei­fen­de Media­ti­sie­rung der sozia­len Welt. Köln: Halem.

Hil­bert, M. & López, P. (2011). The World’s Tech­no­lo­gi­cal Capa­ci­ty to Store, Com­mu­ni­ca­te, and Com­pu­te Infor­ma­ti­on. Sci­ence, 332(6025), 60–65. https://​doi​.org/​1​0​.​1​1​2​6​/​s​c​i​e​n​c​e​.​1​2​0​0​970

Ioni­ca, L. (2016, 4. Mai). Lear­ning Ana­ly­tics in der Hoch­schul­leh­re. Hoch­schul­fo­rum Digi­ta­li­sie­rung. Abge­ru­fen am 17. Mai 2022, von https://​hoch​schul​for​um​di​gi​ta​li​sie​rung​.de/​d​e​/​b​l​o​g​/​l​e​a​r​n​i​n​g​-​a​n​a​l​y​t​i​c​s​-​h​o​c​h​s​c​h​u​l​l​e​hre

Isi­tor, E. & Sta­nier, C. (2016). Defi­ning Big Data. In D. E. Bou­biche, H. Ham­dan & A. Boun­ceur (Hrsg.), BDAW 2016. Pro­cee­dings of the Inter­na­tio­nal Con­fe­rence on Big Data and Advan­ced Wire­less Tech­no­lo­gies. New York: ACM, 5. https://​doi​.org/​1​0​.​1​1​4​5​/​3​0​1​0​0​8​9​.​3​0​1​0​090

Jar­ren, O. & Klin­ger, U. (2017, 09. Okto­ber). Öffent­lich­keit und Medi­en im digi­ta­len Zeit­al­ter: zwi­schen Dif­fe­ren­zie­rung und Neu-Insti­tu­tio­na­li­sie­rung. bpb. https://​www​.bpb​.de/​m​e​d​i​e​n​/​2​5​7​9​5​2​/​1​_​1​_​J​a​r​r​e​n​_​O​e​f​f​e​n​t​l​i​c​h​k​e​i​t​_​u​n​d​_​M​e​d​i​e​n​_​b​a​.​pdf

Klein, D., Tran-Gia, P.  & Hart­mann M. (2013, 1. Juli). Big Data. Abge­ru­fen am 17. Mai 2022, von https://​gi​.de/​i​n​f​o​r​m​a​t​i​k​l​e​x​i​k​o​n​/​b​i​g​-​d​a​ta/

Köch­ling, A. & Kai­ser, H. (o.D.). Lear­ning Ana­ly­tics: Die digi­ta­le Zukunft des Ler­nens. Netz­werk Digi­ta­le Bil­dung #Zukunft­Ler­nen. Abge­ru­fen am 17. Mai 2022, von https://​www​.netz​werk​-digi​ta​le​-bil​dung​.de/​l​e​a​r​n​i​n​g​-​a​n​a​l​y​t​i​c​s​-​d​i​e​-​d​i​g​i​t​a​l​e​-​z​u​k​u​n​f​t​-​d​e​s​-​l​e​r​n​e​ns/

Küm­pel, A. S. & Rie­ger, D. (2019). Wan­del der Sprach- und Debat­ten­kul­tur in sozia­len Online-Medi­en: Ein Lite­ra­tur­über­blick zu Ursa­chen und Wir­kun­gen von inzi­vi­ler Kom­mu­ni­ka­ti­on. Ber­lin: Konrad-Adenauer-Stiftung.

Laney, D. (2001, 6. Febru­ar). 3D Data Manage­ment: Con­trol­ling Data Volu­me, Velo­ci­ty, and Varie­ty. Abge­ru­fen am 17. Mai 2022, von https://​idoc​.pub/​d​o​c​u​m​e​n​t​s​/​3​d​-​d​a​t​a​-​m​a​n​a​g​e​m​e​n​t​-​c​o​n​t​r​o​l​l​i​n​g​-​d​a​t​a​-​v​o​l​u​m​e​-​v​e​l​o​c​i​t​y​-​a​n​d​-​v​a​r​i​e​t​y​-​5​4​6​g​5​m​g​3​y​wn8

Lanier, J. (2014, 24. April). Wer die Daten hat, bestimmt unser Schick­sal. Frank­fur­ter All­ge­mei­ne Zei­tung. Abge­ru­fen am 17. Mai 2022, von https://​www​.faz​.net/​a​k​t​u​e​l​l​/​f​e​u​i​l​l​e​t​o​n​/​d​e​b​a​t​t​e​n​/​g​o​o​g​l​e​s​-​d​a​t​e​n​m​a​c​h​t​-​w​e​r​-​d​i​e​-​d​a​t​e​n​-​h​a​t​-​b​e​s​t​i​m​m​t​-​u​n​s​e​r​-​s​c​h​i​c​k​s​a​l​-​1​2​9​0​7​0​6​5​.​h​t​m​l​?​p​r​i​n​t​P​a​g​e​d​A​r​t​i​c​l​e​=​t​r​u​e​#​p​a​g​e​I​n​d​e​x_6

May­er-Schön­ber­ger, V. (2015). Was ist Big Data? Zur Beschleu­ni­gung des mensch­li­chen Erkennt­nis­pro­zes­ses. Aus Poli­tik und Zeit­ge­schich­te, 65(11–12), 14–19.

Medi​en​kom​pe​tenz​.bil​dung​.hes​sen​.de (o.D.). Think befo­re you post — Umgang mit per­sön­li­chen Daten und Bil­dern im Netz. Abge­ru­fen am 17. Mai 2022, von https://​medi​en​kom​pe​tenz​.bil​dung​.hes​sen​.de/​u​n​t​e​r​r​i​c​h​t​s​b​e​i​s​p​i​e​l​/​t​h​i​n​k​-​b​e​f​o​r​e​-​y​o​u​-​p​o​s​t​-​u​m​g​a​n​g​-​m​i​t​-​p​e​r​s​o​e​n​l​i​c​h​e​n​-​d​a​t​e​n​-​u​n​d​-​b​i​l​d​e​r​n​-​i​m​-​n​e​tz/

Met­zin­ger, T. (2021, 22. April). “Unter­neh­men nut­zen uns als Deko­ra­ti­on“. Der Phi­lo­soph Tho­mas Met­zin­ger rang in einer EU-Exper­ten­grup­pe um den fai­ren Ein­satz von Algo­rith­men und prall­te mit Indus­trie­ver­tre­tern zusam­men. Was er von den EU-Plä­nen zu Gesichts­er­ken­nung und Dee­pfakes hält. Inter­view mit Jan­nis Brühl. Süd­deut­sche Zei­tung, Nr. 92, S. 15.

Moro­zov, E. (2015, 9. März). „Ich habe doch nichts zu ver­ber­gen“. Essay. Aus Poli­tik und Zeit­ge­schich­te, 65(11–12), 3–7.

Mühl­hoff, R. (2020). Prä­dik­ti­ve Pri­vat­heit. War­um wir alle „etwas zu ver­ber­gen haben“. In Inter­dis­zi­pli­nä­re Arbeits­grup­pe Ver­ant­wor­tung: Maschi­nel­les Ler­nen und Künst­li­che Intel­li­genz der Ber­lin-Bran­den­bur­gi­schen Aka­de­mie der Wis­sen­schaf­ten (Hrsg.), KI als Labo­ra­to­ri­um? Ethik als Auf­ga­be (S. 37–44). Ber­lin-Bran­den­bur­gi­sche Aka­de­mie der Wis­sen­schaf­ten. https://www.bbaw.de/files-bbaw/user_upload/publikationen/BBAW_Verantwortung-KI‑3–2020_PDF-A-1b.pdf

OECD (2014, 21. März). Sum­ma­ry of the OECD Pri­va­cy Expert Round­ta­ble „Pro­tec­ting Pri­va­cy in a Data-dri­ven Eco­no­my: Taking Stock of Cur­rent Thin­king”. DSTI/ICCP/REG(2014)3. http://​www​.oecd​.org/​o​f​f​i​c​i​a​l​d​o​c​u​m​e​n​t​s​/​p​u​b​l​i​c​d​i​s​p​l​a​y​d​o​c​u​m​e​n​t​p​d​f​/​?​c​o​t​e​=​d​s​t​i​/​i​c​c​p​/​r​e​g​(​2​0​1​4​)​3​&​d​o​c​l​a​n​g​u​a​g​e​=en

Och­i­ga­me, R. (2019, 20. Dezem­ber). The Inven­ti­on of “Ethi­cal AI”. How Big Tech Mani­pu­la­tes Aca­de­mia to Avoid Regu­la­ti­on. The Inter­cept. Abge­ru­fen am 17. Mai 2022, von https://​the​in​ter​cept​.com/​2​0​1​9​/​1​2​/​2​0​/​m​i​t​-​e​t​h​i​c​a​l​-​a​i​-​a​r​t​i​f​i​c​i​a​l​-​i​n​t​e​l​l​i​g​e​n​ce/

Orwat, C. (2019). Dis­kri­mi­nie­rungs­ri­si­ken durch Ver­wen­dung von Algo­rith­men: Eine Stu­die, erstellt mit einer Zuwen­dung der Anti­dis­kri­mi­nie­rungs­stel­le des Bun­des (1. Auf­la­ge, bro­chi­ert). Anti­dis­kri­mi­nie­rungs­stel­le des Bun­des (Hrsg.). Baden-Baden: Nomos Ver­lags­ge­sell­schaft. https://​www​.anti​dis​kri​mi​nie​rungs​stel​le​.de/​S​h​a​r​e​d​D​o​c​s​/​d​o​w​n​l​o​a​d​s​/​D​E​/​p​u​b​l​i​k​a​t​i​o​n​e​n​/​E​x​p​e​r​t​i​s​e​n​/​s​t​u​d​i​e​_​d​i​s​k​r​i​m​i​n​i​e​r​u​n​g​s​r​i​s​i​k​e​n​_​d​u​r​c​h​_​v​e​r​w​e​n​d​u​n​g​_​v​o​n​_​a​l​g​o​r​i​t​h​m​e​n​.​p​d​f​?​_​_​b​l​o​b​=​p​u​b​l​i​c​a​t​i​o​n​F​i​l​e​&​v=3

Peters, R. & Boven­schul­te, M. (2020). Lear­ning Ana­ly­tics – Poten­zi­al von KI-Sys­te­men für Leh­ren­de und Ler­nen­de. The­men­kurz­pro­fil Nr. 42. Büro für Tech­nik­fol­gen-Abschät­zung beim Deut­schen Bun­des­tag (TAB).
https://​www​.bun​des​tag​.de/​r​e​s​o​u​r​c​e​/​b​l​o​b​/​8​4​5​9​2​6​/​d​5​a​0​5​5​4​d​d​0​4​0​9​7​c​1​2​8​8​7​7​6​f​1​0​f​c​8​5​e​0​0​/​T​h​e​m​e​n​k​u​r​z​p​r​o​f​i​l​-​0​4​2​-​d​a​t​a​.​pdf

Pietsch, W., Werne­cke, J. (2017). Einführung: Zehn The­sen zu Big Data und Bere­chen­bar­keit. In W. Pietsch, J. Werne­cke, M. Ott (Hrsg.), Bere­chen­bar­keit der Welt? Phi­lo­so­phie und Wis­sen­schaft im Zeit­al­ter von Big Data (S. 13–36). Wies­ba­den: Springer.

Reinsel, D., Gantz, J., Ryd­ning, J. (2018, Novem­ber). The Digi­tiz­a­ti­on of the World – From Edge to Core. ICD White Paper – #US44413318. IDC. https://​www​.sea​gate​.com/​f​i​l​e​s​/​w​w​w​-​c​o​n​t​e​n​t​/​o​u​r​-​s​t​o​r​y​/​t​r​e​n​d​s​/​f​i​l​e​s​/​i​d​c​-​s​e​a​g​a​t​e​-​d​a​t​a​a​g​e​-​w​h​i​t​e​p​a​p​e​r​.​pdf

Rit­schel, G., Mül­ler, T. (2016). Big Data als Theo­rie­er­satz? Ber­li­ner Debat­te Initi­al, 27 (4), 4–11.

Schmidt, J.-H. (2012). Per­sön­li­che Öffent­lich­kei­ten und infor­ma­tio­nel­le Selbst­be­stim­mung im Social Web. In J.-H. Schmidt & T. Wei­chert (Hrsg.), Daten­schutz (S. 215–225). Bonn: bpb.

Schmid, U., Blanc, B., Toe­pel, M., Pink­wart, N., Drachs­ler, H. (2021). KI@Bildung: Leh­ren und Ler­nen in der Schu­le mit Werk­zeu­gen Künst­li­cher Intel­li­genz. Schluss­be­richt im Auf­trag der Tele­kom Stif­tung. Ber­lin, Essen, Bonn: mmb Insti­tut GmbH. https://www.telekom-stiftung.de/sites/default/files/files/media/publications/KI%20Bildung%20Schlussbericht.pdf

Schnei­er, B. (2006, 19. Mai): The Value of Pri­va­cy. Schnei­er. Abge­ru­fen am 17. Mai 2022, von https://​www​.schnei​er​.com/​b​l​o​g​/​a​r​c​h​i​v​e​s​/​2​0​0​6​/​0​5​/​t​h​e​_​v​a​l​u​e​_​o​f​_​p​r​.​h​tml

Snow­den, E. (2019). Per­ma­nent Record. Mei­ne Geschich­te. Frank­furt am Main: Fischer Verlage.

Tate, R. (2009, 12. April). Goog­le CEO: Secrets Are for Fil­thy Peop­le. Gaw­ker. Abge­ru­fen am 17. Mai 2022, von https://​www​.gaw​ker​.com/​5​4​1​9​2​7​1​/​g​o​o​g​l​e​-​c​e​o​-​s​e​c​r​e​t​s​-​a​r​e​-​f​o​r​-​f​i​l​t​h​y​-​p​e​o​ple

Ward, J. S. & Bar­ker, A. (2013, 20 Sep­tem­ber). Unde­fi­ned By Data: A Sur­vey of Big Data Defi­ni­ti­ons. Abge­ru­fen am 17. Mai 2022, von https://​arxiv​.org/​a​b​s​/​1​3​0​9​.​5​821

Wed­de, Peter (2021, 11. Juni). Lau­da­tio anläss­lich der Ver­lei­hung des Big­Bro­the­rA­wards 2021 an Proc­to­rio GmbH in Mün­chen-Unter­föh­ring [Tran­skript]. Big­Bro­the­rA­wards. Abge­ru­fen am 17. Mai 2022, von https://​big​bro​the​ra​wards​.de/​2​0​2​1​/​b​i​l​d​u​n​g​-​p​r​o​c​t​o​r​i​o​#​s​d​f​o​o​t​n​o​t​e​6​sym

Wei­gend, A. (2017). Data for the Peop­le. Wie wir die Macht über unse­re Daten zurück­er­obern. Ham­burg: Mur­mann Publishers.

Zub­off, S. (2018). Das Zeit­al­ter des Über­wa­chungs­ka­pi­ta­lis­mus. Frankfurt/New York: Campus.

Zub­off, S. (2019, 07. Juni). Sur­veil­lan­ce Capi­ta­lism – Über­wa­chungs­ka­pi­ta­lis­mus. Essay. Aus Poli­tik und Zeit­ge­schich­te, 69(24–26).

Übersicht:

  • Big Data Literacy
    • Über diesen Kurs
    • Fachlicher Hintergrund
      • Leben in der Datengesellschaft
      • Wechselwirkungen zwischen Mensch, Digitaltechnologie und sozialer Welt
      • Was ist “Big Data”?
      • Datenrationalität, Glaube und Diskriminierung
      • Big Data und der „Überwachungskapitalismus“
      • Was bedeutet “Big Data Literacy”?
    • Stories für die Schule
      • Warum ich etwas zu verbergen habe?
      • Wie kann ich selbst mit Daten forschen?
      • Was sagen Daten über das Lernen aus?
      • Was kann ich tun?
    • Literaturliste und weiterführende Hinweise

Fragen oder Probleme?
zfl-digitalelehre@uni-koeln.de


Impressum
Datenschutzvereinbarung

Login

Login with your site account

Lost your password?

Zum Ändern Ihrer Datenschutzeinstellung, z.B. Erteilung oder Widerruf von Einwilligungen, klicken Sie hier: Einstellungen