Forschungsnahe Lehre in Computational and Data Science mit bwJupyter

 
Im Workshop wurde der bwJupyter-Landesdienst als zentrale, webbasierte Entwicklungsumgebung für Baden-Württemberg vorgestellt, die Data Science und Computational Science in der Lehre zugänglicher macht. Die Sprecher:innen präsentierten praxisnahe Nutzungsszenarien, innovative Features sowie Rückmeldungen aus der Teilnehmendenrunde. Besonderes Augenmerk lag auf der Integration neuer Funktionen wie KI-Assistent und Grader-System sowie der anstehenden Einführung eines Umlagemodells.

Im Rahmen des Workshops wurde bwJupyter als zentrale, webbasierte Plattform eingeführt, die sowohl für Dozierende als auch Studierende die Arbeit mit Jupyter Notebooks vereinfacht. Die Plattform bietet über konfigurierbare Profile die Möglichkeit, Lehr- und Lernmaterialien effizient zu teilen, einzusammeln und automatisiert zu bewerten. Die Plattform fungiert dabei als vielseitiges Werkzeug: Lehrende können darin Notebooks zur Demonstration und Simulation in Vorlesungen erstellen sowie digitale Übungsblätter und weiteres Lernmaterial mit Studierende teilen. Diese Übungsblätter lassen sich direkt auf der Plattformbearbeiten und abgeben. Darüber hinaus ermöglicht  die Plattform das kollaborative Programmieren in Gruppenprojekten . Der Zugang erfolgt unkompliziert über das Hochschulkonto, wodurch flexibles Arbeiten unabhängig vom Enderät möglich ist. Besonders wertvoll ist der Zugang zu leistungsstarken Rechenressourcen, wie Grafikkarten und zusätzlichem Arbeitsspeicher, die lokal nicht zur Verfügung stehen.

Der Workshop thematisierte erweiterte Features von bwJupyter. Genannt wurden der KI-Assistent für programmierunterstützende Aufgaben, ein integriertes Grader-System zur automatisierten Korrektur von Notebooks sowie die Möglichkeit, Open Educational Resources (OER) direkt zu nutzen. Für gängige Programmiersprachen wie Python, Julia und R und Tools wie RStudio und MATLAB sind bereits Profile angelegt, zusätzlich können Dozierende individuelle Profile über Docker-Images einrichten. Ebenfalls in Arbeit ist die Funktion, kollaborativ an Notebooks zu arbeiten. Die Teilnehmerinnen und Teilnehmer zeigten besonderes Interesse am KI-Assistenten und äußerten Vorschläge zur weiteren Feature-Optimierung.

Im Workshop wurde das anstehende Umlagemodell diskutiert: Bis Ende des laufenden Kalenderjahres ist der Dienst finanziert, anschließend erfolgt die Finanzierung nach einem neuen Modell das die teilnehmenden Hochschulen beteiligt. Die Feedback-Runde fokussierte sich sowohl auf inhaltliche Wünsche als auch auf organisationsbezogene Fragestellungen. Konsens war, dass ein zentraler JupyterHub Ressourcen spart und zur modernen digitalen Hochschullehre beiträgt.