Digitale Visualisierung

Digitale Visualisierung

zur Förderung mathematisch-chemischer Modellkompetenzen

Erfahren Sie mehr und klicken sie hier

Digitale Visualisierung

Einfluss auf das Chemiestudium

Ziel und Umsetzung

Relevanz für die Chemie

Einfluss auf das Chemiestudium

Die zunehmende Digitalisierung wird in den kommenden Jahren einen immer wichtigeren Stellenwert in der chemischen Industrie und Forschung einnehmen. Für Studierende der Chemie wird es daher in Zukunft immer relevanter, neben Fachwissen und -kompetenzen ebenfalls Fähigkeiten im Bereich Data Science , Datenmanagement und weitere digitale Techniken vorweisen zu können. Neben den zentralen Lern- und Verständnisbarrieren beim Übergang vom schulischen zum universitären Lernen werden somit neue und erweiterte Anforderungen im Hinblick auf den Welchsel verschiedener Repräsentationsebenen in der Chemie gestellt.

Visualisierung chemischer Problemstellungen

Mathematisierungen

Programmierungen

übersicht

Data Science

Data Science (Datenwissenschaft) ist ein interdisziplinäres Feld, das mithilfe von Algorithmen und Methoden Daten untersucht, verarbeitet und nutzt, um daraus Wissen, Handlungsempfehlungen, Optimierungen und Prognosen für verschiedenste Bereiche abzuleiten. Das Maschine Learning (Maschinelle Lernen) spielt in Data Science eine wichtige Rolle, um im Zuge der Digitalisierung stetig wachsende Menge an zu analysierenden Daten bewältigen zu können.

Fachwissen

Mathematik

Informatik

übersicht

Zurück

Relevanz für die Chemie

Die Möglichkeiten, digitale Anwendungen und Data Science für die Chemie gewinnbringend einzusetzen, sind vielfältig und werden das Berufsbild von Chemiker*innen nachhaltig verändern.

Effizienzsteigerung, Schonung von Ressourcen

molekulare Modellierungen und Simulationen

Vorhersage von Moleküleigenschaften

digitale Laborjournale, globales Datasharing

Automatisierungen von Produktionsprozessen

Vorhersage von optimalen Synthesewegen

Simulation von Reaktionen und Synthesen (Stichwort: Retrosynthese)

übersicht

Zurück

Ziel und Umsetzung

Inhaltliches Kernziel

Erwerb von Grundlagen im Bereich Data Science

Konzeptentwicklung

Implementierung in die Lehre

Übergeordnetes Ziel

Unterstützung der Entwicklung chemischer Denk- und Arbeitsweisen in problem- und forschungsorientierten Lehr-/Lernsituationen

übersicht

Zurück

Entwicklung spezifischer Konzepte

Veranstaltungsübergreifende Tutorials zur Datenverarbeitung und Visualisierung mit Bezug zu den Laborpraktika (Jupyter Notebook App)

Programmieraufgaben für die Integration von Datenverarbeitung und Visualisierung

Programmierkompetenzen in Python

Nutzung von Modellen zur Theorie-Experiment- Validierung in Laborpraktika

Einbindung von Datenbanken und Data-Sharing Konzepten in die laborpraktische Arbeit

übersicht

Zurück

Implementierung in die Lehre

Das Projekt befindet sich zu großen Teilen noch in der Entwicklung. Die Konzepte sollen langfristig in mehrere Veranstaltungen des Grundstudiums implementiert werden. Im Wintersemester 2020/21 wurde der erste Kurs zur Datenverarbeitung mit Jupyter Notebook in der Veranstaltung "Mathematik für Studierende der Chemie I" erprobt.

Sehen Sie sich hier ein Beispiel an.

übersicht

Zurück

Einblick in die Datenverarbeitung mit Juypter Notebook

In dem Kurs lernen Chemiestudierende unter anderem, Daten von Titrationen graphisch darzustellen sowie Äquivalenz- und Halbäquivalenzpunkte zu ermitteln. Diese Kompetenzen können sie vielfältig in Veranstaltungen der folgenden Semester einsetzen.

Klicken Sie auf das Bild, um es vergrößert ansehen zu können.

übersicht

Zurück

Bei Fragen kontaktieren Sie uns gerne überchemtool@chemie.uni-goettingen.de

Alegra Selchow

Prof. Dr. Ricardo Mata

Nele Milsch

Projektkoordinatorin Dekanat der Fakultät für Chemie Tamannstraße 4 37077 Göttingen

Projektverantwortlicher Institut für Physikalische Chemie Tamannstraße 4 37077 Göttingen

Projektleiterin Dekanat der Fakultät für Chemie Tamannstraße 4 37077 Göttingen

übersicht