7. Projektumsetzung#
7.1. Zeitplan#
Bitte stellen Sie (dem Beispiel entsprechend, beginnend mit dem ersten Projektmonat) in der nachstehenden Tabelle dar, wie Sie die zeitliche Umsetzung des Projekts planen.
| Umsetzungsschritt | Apr | Mai | Jun | Aug | Sep | Okt | Nov | Dez | Jan | Feb | Mär |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Inhaltliche Vorbereitung der Lehr-Lern-Ressourcen | Apr | Mai | Jun | Aug | Sep | Okt | Nov | Dez | Jan | ||
| Kontinuierliche Dokumentation und Veröffentlichung aller Lehr-Lern-Ressourcen als OER | Apr | Mai | Jun | Aug | Sep | Okt | Nov | Dez | Jan | ||
| Vorbereitung der Fragen zur Evaluation und Selbstüberprüfung (Quizfragen) in LimeSurvey | Jul | Aug | Sep | ||||||||
| Durchführung der Lehrveranstaltungen | Okt | Nov | Dez | Jan | |||||||
| Durchführung der kontinuierlichen Evaluation und Selbstüberprüfung (Quizfragen) | Okt | Nov | Dez | Jan | |||||||
| Analyse der Daten der Evaluation und Selbstüberprüfung (Quizfragen) | Okt | Nov | Dez | Jan | |||||||
| Betreuung der Studierenden in offenen Sprechstunden und über GitLab | Okt | Nov | Dez | Jan | |||||||
| Abschließende Analyse der kontinuierlichen Lehrevaluationen | Feb | ||||||||||
| Projektevaluation und Erstellung des Ergebnis- und Erfahrungsberichts | Feb | Mär | |||||||||
| Persistente Archivierung aller Open Educational Resources u.a. über Zenodo | Mär |
7.2. Personaleinsatz#
Bitte geben Sie in der nachfolgenden Tabelle (dem Beispiel entsprechend) an,
welche Art von Personal (wissenschaftliche Mitarbeitende mit 50% Stellenanteil, studentische Hilfskräfte, studentische oder akademische Tutor:innen),
in welchem Umfang,
in welchem Zeitraum eingesetzt werden soll,
welches Budget Sie für die Stelle beantragen und
ob Sie die Stelle für eine bestimmte Person beantragen, die bereits an der UHH beschäftigt ist. Machen Sie weiterhin Angaben zu den Aufgaben, die von der betreffenden Person übernommen werden sollen.
Folgende Leistungen sind förderfähig:
Wissenschaftliche Mitarbeiter:innen (TV-L E-13) mit Stellenanteilen von bis zu 50% für maximal ein Jahr.
Studentische und wissenschaftliche Hilfskräfte und/oder studentische sowie akademische Tutor:innen zur Unterstützung der wissenschaftlichen Mitarbeiter:innen und Lehrenden bei der Umsetzung des Projekts.
Show code cell source
import pandas as pd
from IPython.display import display, HTML
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
def get_weeks(d1, d2):
from datetime import datetime, timedelta
d1 = datetime.strptime(d1, '%d.%m.%Y')
d2 = datetime.strptime(d2, '%d.%m.%Y')
monday1 = (d1 - timedelta(days=d1.weekday()))
monday2 = (d2 - timedelta(days=d2.weekday()))
weeks = (monday2 - monday1).days / 7
return weeks
# Wissenschaftliche:r Mitarbeiter:in E-13, Stufe 3 (Entgeltgruppe E 13, Stufe 3)
wimi_pay_month = 2607.86 # euro
wimi_date_start = '01.04.2023'
wimi_date_stop = '31.03.2024'
wimi_months_total = 12
wimi_pay_total = 38305.37 # betrag von carolin scharfenberg / HR-Tool 23 erhalten
# https://www.kus.uni-hamburg.de/themen/personalservice/personaleinstellung-weiterbeschaeftigung/shk-tutoren-studierende-angestellte.html
whk_date_start = '01.06.2023'
whk_date_stop = '31.03.2024'
whk_weeks_total = get_weeks(d1=whk_date_start, d2=whk_date_stop)
whk_months_total = 10
whk_pay_hour = 17.90 # whk pay per hour
whk_hour_week = 8 # how many hours should the whk work per week
whk_hour_month = whk_hour_week * 4
luk = 15.42 # in euro, monatlicher Beitrag für die Landesunfallkasse (LUK)
whk_luk_total = luk * whk_months_total
whk_pay_total = round(whk_pay_hour * whk_hour_week * whk_weeks_total + whk_luk_total, 2)
whk_pay_total = 5956.64
# https://www.kus.uni-hamburg.de/themen/personalservice/personaleinstellung-weiterbeschaeftigung/shk-tutoren-studierende-angestellte.html
# Vorlesungszeitraum: 9. Oktober 2023 bis zum 27. Januar 2024
tutor_date_start = '09.10.2023'
tutor_date_stop = '27.01.2024'
tutor_weeks_total = get_weeks(d1=tutor_date_start, d2=tutor_date_stop)
tutor_months_total = 4
tutor_pay_sws = 173.76 # tutor pay per SWS
tutor_sws_week = 2 # how many hours should the tutor work per week (in sws)
tutor_luk_total = luk * tutor_months_total # add monatlicher Beitrag für die Landesunfallkasse (LUK)
tutor_pay_total = round(tutor_pay_sws * tutor_sws_week * tutor_weeks_total + tutor_luk_total, 2)
tutor_pay_total = 5223.29 # betrag von carolin scharfenberg / HR-Tool 23 erhalten
column_names = ['Personalart', 'Stellenanteil', 'Einstellungszeitraum', 'Kosten', 'Person an der UHH beschäftigt?', 'Aufgaben']
events = [
[
'Wissenschaftliche:r Mitarbeiter:in E 13, Stufe 3',
'50 %',
'{} - {}'.format(wimi_date_start, wimi_date_stop),
'%.2f Euro ' % wimi_pay_total,
'Ja [Umsetzung]',
'Erstellung des Lehrkonzepts, Erstellung alle Lehreinheiten, Durchführung der Lehre, Erstellen von Präsentationen und Berichten'
],
[
'Wissenschaftliche Hilfskraft (mit Bachelor-Abschluss)',
'{} Stunden / Woche für {} Wochen ({} Stunden pro Monat)'.format(whk_hour_week, whk_weeks_total, whk_hour_month),
'{} - {}'.format(whk_date_start, whk_date_stop),
'%.2f Euro Gesamt' % whk_pay_total,
'Nein [Neueinstellung]',
'Durchführung, Dokumentation und Auswertung der kontinuierlichen Evaluationen und Überprüfungsfragen, Bereitstellung der Daten als Lehr-Lern-Ressource für die Lehreinheiten, Unterstützung bei Präsentationen, Berichten und der inhaltlichen Vorbereitung der Lehr-Lern-Ressourcen'
],
[
'Studentische Tutor:in',
'{} SWS / Woche für {} Wochen'.format(tutor_sws_week, tutor_weeks_total),
'{} - {}'.format(tutor_date_start, tutor_date_stop),
'%.2f Euro Gesamt' % tutor_pay_total,
'Nein [Neueinstellung]',
'Unterstützung bei den Übungen während der Lehrveranstaltungen, Vorbereitung und Nachbereitung unmittelbar vor und nach der Lehrveranstaltung, Betreuung Studierenden während den Übungen, Hilfestellungen bei technischen Problemen im hybriden Lehr-Lern-Setting'
],
]
df_staff = pd.DataFrame(events, columns=column_names)
display(HTML(df_staff.to_html(index=False)))
| Personalart | Stellenanteil | Einstellungszeitraum | Kosten | Person an der UHH beschäftigt? | Aufgaben |
|---|---|---|---|---|---|
| Wissenschaftliche:r Mitarbeiter:in E 13, Stufe 3 | 50 % | 01.04.2023 - 31.03.2024 | 38305.37 Euro | Ja [Umsetzung] | Erstellung des Lehrkonzepts, Erstellung alle Lehreinheiten, Durchführung der Lehre, Erstellen von Präsentationen und Berichten |
| Wissenschaftliche Hilfskraft (mit Bachelor-Abschluss) | 8 Stunden / Woche für 43.0 Wochen (32 Stunden pro Monat) | 01.06.2023 - 31.03.2024 | 5956.64 Euro Gesamt | Nein [Neueinstellung] | Durchführung, Dokumentation und Auswertung der kontinuierlichen Evaluationen und Überprüfungsfragen, Bereitstellung der Daten als Lehr-Lern-Ressource für die Lehreinheiten, Unterstützung bei Präsentationen, Berichten und der inhaltlichen Vorbereitung der Lehr-Lern-Ressourcen |
| Studentische Tutor:in | 2 SWS / Woche für 15.0 Wochen | 09.10.2023 - 27.01.2024 | 5223.29 Euro Gesamt | Nein [Neueinstellung] | Unterstützung bei den Übungen während der Lehrveranstaltungen, Vorbereitung und Nachbereitung unmittelbar vor und nach der Lehrveranstaltung, Betreuung Studierenden während den Übungen, Hilfestellungen bei technischen Problemen im hybriden Lehr-Lern-Setting |
7.2.1. Wissenschaftliche:r Mitarbeiter:in E 13, Stufe 4#
tba
7.2.2. Wissenschaftliche Hilfskraft (mit Bachelor-Abschluss)#
7.2.2.1. Aufgabenbeschreibung#
Die Wissenschaftliche Hilfskraft betreut die Durchführung, Dokumentation und Auswertung der kontinuierlichen Evaluationen und Fragen zur Selbstüberprüfung (Quizfragen). Zudem sollen die Ergebnisse der Evaluationen und Überprüfungsfragen als Lehr-Lern-Ressourcen kontinuierlich für die Lehrveranstaltungen bereitgestellt werden. Darüber hinaus unterstützt die Wissenschaftliche Hilfskraft die inhaltliche Vorbereitung der Lehr-Lern-Ressourcen und die Erstellung von Präsentationen und Berichten.
7.2.2.2. Anforderungsprofil#
Die Evaluationen und Überprüfungsfragen werden in LimeSurvey 1 (siehe Lehrkonzept) realisiert. Die Analyse der Daten der Evaluationen und Überprüfungsfragen soll in den Programmiersprachen R oder Python durchgeführt werden. Die Daten und Ergebnisse der Evaluationen und Überprüfungsfragen sollen mithilfe von DataLad 2 für die Lehrveranstaltungen zugänglich gemacht werden. Kenntnis der genannten Software (LimeSurvey, R, Python, DataLad) wird nicht vorausgesetzt, jedoch werden grundlegende Erfahrungen mit Programmierung benötigt.
7.2.3. Akademische Tutor:in#
tba
7.3. Sachmitteleinsatz#
Bitte geben Sie in der nachfolgenden Tabelle (dem Beispiel entsprechend) an,
um welche Art Sachmittel es sich handelt,
welche Kosten hierdurch entstehen und
wozu die die Sachmittel jeweils verwendet werden sollen (Einsatz im Projekt).
Folgende Leistungen sind förderfähig:
Für die Anschaffung von (kleinen) technischen Geräten bzw. Programmlizenzen und Büromaterialien, welche in unmittelbarem Zusammenhang mit dem beantragten Lehrprojekt stehen.
Für die Vergabe von Werkverträgen (beispielweise an Grafiker:innen, o.ä.).
Für die Vergabe von Lehraufträgen.
Für Reise- und Exkursionskosten.
Show code cell source
import pandas as pd
from IPython.display import display, HTML
costs_train = 100
costs_accommodation = 150
costs_meals = 100
costs_total = costs_train + costs_accommodation + costs_meals
column_names = ['Sachmittelart', 'Kosten', 'Einsatz im Projekt']
events = [
[
'Einladung Referentin Frau MSc. Adina Wagner (Reisekosten, Übernachtung, Verpflegung)',
'%.2f Euro' % costs_total,
'Referentin für Einführung in DataLad (für Details, siehe unten)',
],
]
df_expenses = pd.DataFrame(events, columns=column_names)
display(HTML(df_expenses.to_html(index=False)))
total_costs = wimi_pay_total + whk_pay_total + tutor_pay_total + costs_total
print('Gesamtkosten: %.2f Euro ' % total_costs)
| Sachmittelart | Kosten | Einsatz im Projekt |
|---|---|---|
| Einladung Referentin Frau MSc. Adina Wagner (Reisekosten, Übernachtung, Verpflegung) | 350.00 Euro | Referentin für Einführung in DataLad (für Details, siehe unten) |
Gesamtkosten: 49835.30 Euro
Für die Einführung in die Software DataLad soll Frau MSc. Adina Wagner 3 als Referentin mit einem Lehrauftrag eingeladen werden. Frau Wagner ist studierte Psychologin und Doktorandin in der Forschungsgruppe “Psychoinformatik” am Institut für Neurowissenschaften und Medizin (INM), Abteilung Gehirn und Verhalten (INM-7), des Forschungszentrums Jülich. Sie ist maßgeblich an der Entwicklung von DataLad beteiligt und Erstautorin des DataLad Handbooks 4, welches eine zentrale Lernressource für DataLad ist. Zudem hat Frau Wagner in zahlreichen Präsentationen, Tutorials und Workshops zu DataLad referiert 5. Ihre Expertise ermöglicht den Studierenden wertvolle Einblicke in die Hintergründe und Entwicklung von DataLad, die über das Wissen der Lehrenden hinausgeht. Bei DataLad handelt es sich um eine nicht-kommerzielle open-source Software, die primär zur kostenlosen Anwendung in der Forschung und Lehre entwickelt wird. Die Anwendung von DataLad ist zentraler Lerninhalt des vorliegenden Lehrprojekts.