Henrike Weinert
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Henrike Weinert has a total of 22 co-authors. Here are the top co-authors by number of shared publications:
- Katja Ickstadt
Technische Universität Dortmund
3 shared publications - Claus Weihs
TU Dortmund, Fakultät Statistik, Dortmund, Deutschland
2 shared publications - Florian Ertz
Universität Trier, Wirtschafts- und Sozialstatistik, Trier, Deutschland
2 shared publications - Karsten Lübke
FOM University of Applied Sciences
2 shared publications - Katharina Schüller
STAT-UP GmbH, München, Deutschland
2 shared publications - Ralf Münnich
Economic and Social Statistics, Trier University, Trier, Germany
2 shared publications
Latest Publications
- Open Access
- 22 May 2026
- Published by Springer Nature in AStA Wirtschafts- und Sozialstatistisches Archiv
- Vol. 20 (2) , 1-20
Daten, Künstliche Intelligenz und Evidenz – neue Anforderungen an die Statistikausbildung an Hochschulen
Zusammenfassung: Das Positionspapier formuliert neun Thesen zur Weiterentwicklung der Statistikausbildung im Kontext von Data Science und Künstlicher Intelligenz. Im Zentrum stehen Data & Statistical Literacy, Datenqualität und -ethik, die Verbindung von Statistik und Machine Learning sowie die Stärkung einer eigenständigen Statistikdidaktik. Die Diskussionsbeiträge erweitern diese Perspektiven: Christina Elmer betont Wissenschaftskommunikation und AI Literacy, Helmut Küchenhoff projektbasiertes Lernen und Datenschutz, Christoph Weisser die industrielle Praxis und organisationsweite Datenkompetenz, Göran Kauermann die Verzahnung von Statistik und Data Science, und Rolf Biehler sowie Karin Binder die didaktische und institutionelle Weiterentwicklung. Die Replik greift diese Impulse auf und unterstreicht die interdisziplinäre Verantwortung für eine zukunftsfähige Statistikausbildung.
- 22 May 2026
- Published by Springer Nature in AStA Wirtschafts- und Sozialstatistisches Archiv
- Vol. 20 (2) , 1-20
Open AccessDaten, Künstliche Intelligenz und Evidenz – neue Anforderungen an die Statistikausbildung an Hochschulen
Zusammenfassung: Das Positionspapier formuliert neun Thesen zur Weiterentwicklung der Statistikausbildung im Kontext von Data Science und Künstlicher Intelligenz. Im Zentrum stehen Data & Statistical Literacy, Datenqualität und -ethik, die Verbindung von Statistik und Machine Learning sowie die Stärkung einer eigenständigen Statistikdidaktik. Die Diskussionsbeiträge erweitern diese Perspektiven: Christina Elmer betont Wissenschaftskommunikation und AI Literacy, Helmut Küchenhoff projektbasiertes Lernen und Datenschutz, Christoph Weisser die industrielle Praxis und organisationsweite Datenkompetenz, Göran Kauermann die Verzahnung von Statistik und Data Science, und Rolf Biehler sowie Karin Binder die didaktische und institutionelle Weiterentwicklung. Die Replik greift diese Impulse auf und unterstreicht die interdisziplinäre Verantwortung für eine zukunftsfähige Statistikausbildung.
- Open Access
- 8 January 2026
- Published by Springer Nature in AStA Wirtschafts- und Sozialstatistisches Archiv
- Vol. 20 (2) , 1-13
Daten, Künstliche Intelligenz und Evidenz – neue Anforderungen an die Statistikausbildung an Hochschulen
Zusammenfassung: Im Zeitalter von Big Data, Digital Data Generation, Data Science, Machine Learning und KI werden neue Kompetenzen bei der Verwendung und Analyse von Daten zur Evidenzgenerierung benötigt. Es stellt sich die Frage, ob die statistische Ausbildung deutscher Hochschulen für diese neuen Herausforderungen gerüstet ist, oder inwieweit sie neu ausgerichtet werden muss. Empirische Entscheidungsfindung gewinnt zunehmend an Bedeutung und so setzen sich immer mehr Disziplinen mit Daten und den Erkenntnissen, die sich aus ihnen gewinnen lassen, auseinander. Dies erfordert die Fähigkeiten, mit diesen Daten verantwortungsbewusst umzugehen, ihre Herkunft und Qualität zu verstehen, mit geeigneten statistischen Methoden aus ihnen zu lernen sowie Resultate und Limitationen transparent und fair zu kommunizieren. Daher ist es notwendig, dass diese Kompetenzen in die Hochschulausbildung der jeweiligen Disziplin integriert werden und sie im Sinne einer modernen Datenwissenschaft vermittelt werden. Dieser Beitrag formuliert Thesen zur Gestaltung einer zeitgemäßen Statistikausbildung. Im Mittelpunkt stehen die Vermittlung von Data & Statistical Literacy als unverzichtbare Grundlage für AI Literacy, Qualität von Daten und Analysen sowie methodischer und technischer Kompetenzen. Hierbei wird die zentrale Rolle der Statistik als Wissenschaftsdisziplin aufgezeigt, deren Ausbildung den neuen Anforderungen Rechnung tragen muss.
- 8 January 2026
- Published by Springer Nature in AStA Wirtschafts- und Sozialstatistisches Archiv
- Vol. 20 (2) , 1-13
Open AccessDaten, Künstliche Intelligenz und Evidenz – neue Anforderungen an die Statistikausbildung an Hochschulen
Zusammenfassung: Im Zeitalter von Big Data, Digital Data Generation, Data Science, Machine Learning und KI werden neue Kompetenzen bei der Verwendung und Analyse von Daten zur Evidenzgenerierung benötigt. Es stellt sich die Frage, ob die statistische Ausbildung deutscher Hochschulen für diese neuen Herausforderungen gerüstet ist, oder inwieweit sie neu ausgerichtet werden muss. Empirische Entscheidungsfindung gewinnt zunehmend an Bedeutung und so setzen sich immer mehr Disziplinen mit Daten und den Erkenntnissen, die sich aus ihnen gewinnen lassen, auseinander. Dies erfordert die Fähigkeiten, mit diesen Daten verantwortungsbewusst umzugehen, ihre Herkunft und Qualität zu verstehen, mit geeigneten statistischen Methoden aus ihnen zu lernen sowie Resultate und Limitationen transparent und fair zu kommunizieren. Daher ist es notwendig, dass diese Kompetenzen in die Hochschulausbildung der jeweiligen Disziplin integriert werden und sie im Sinne einer modernen Datenwissenschaft vermittelt werden. Dieser Beitrag formuliert Thesen zur Gestaltung einer zeitgemäßen Statistikausbildung. Im Mittelpunkt stehen die Vermittlung von Data & Statistical Literacy als unverzichtbare Grundlage für AI Literacy, Qualität von Daten und Analysen sowie methodischer und technischer Kompetenzen. Hierbei wird die zentrale Rolle der Statistik als Wissenschaftsdisziplin aufgezeigt, deren Ausbildung den neuen Anforderungen Rechnung tragen muss.
- Open Access
- 1 January 2024
- Published by International Association for Statistical Education
Data literacy competencies of students at TU Dortmund University
The Technical University of Dortmund (TU Dortmund) aims to strengthen the data and statistical literacy of all its students. To this end, the Data Competence Network (DaCoNet) programme has been set up to provide a wide range of courses to help students improve their competences in this area. In order to better assess the status of the competences, a questionnaire was developed. It consists of a self-assessment part of the data literacy competences and an associated performance test. We present the developed questionnaire as well as the results of the first survey on data literacy competences of our students using this instrument. We show the influence of background variables such as study programme, study progress or own interest on the results of the self-assessment and the performance test. From the results we derive recommendations for action in statistics and data literacy education.
- 1 January 2024
- Published by International Association for Statistical Education
Open AccessData literacy competencies of students at TU Dortmund University
The Technical University of Dortmund (TU Dortmund) aims to strengthen the data and statistical literacy of all its students. To this end, the Data Competence Network (DaCoNet) programme has been set up to provide a wide range of courses to help students improve their competences in this area. In order to better assess the status of the competences, a questionnaire was developed. It consists of a self-assessment part of the data literacy competences and an associated performance test. We present the developed questionnaire as well as the results of the first survey on data literacy competences of our students using this instrument. We show the influence of background variables such as study programme, study progress or own interest on the results of the self-assessment and the performance test. From the results we derive recommendations for action in statistics and data literacy education.
- 1 July 2022
- Published by National Council of Teachers of Mathematics in Journal for Research in Mathematics Education
- Vol. 53 (4) , 255-276
Only for Multilingual Students at Risk? Cluster-Randomized Trial on Language-Responsive Mathematics Instruction
Empirical evidence exists that enhancing students’ language can promote the mathematics learning of multilingual students at risk, whereas other target groups (e.g., monolingual students, successful students, both with diverse academic language proficiency) have hardly been considered. This cluster-randomized controlled trial (N = 589) investigates differential effects for these extended target groups, comparing two language-responsive interventions (with or without vocabulary work) and a control group. The regression analysis reveals that all students significantly deepened their conceptual understanding in both interventions. Unlike what was anticipated, multilingual students’ growth of conceptual understanding had no significant additional benefit from integrated vocabulary work. These findings call for promoting language-responsive mathematics instruction for all students and for using a discursive rather than a vocabulary focus.
- 1 July 2022
- Published by National Council of Teachers of Mathematics in Journal for Research in Mathematics Education
- Vol. 53 (4) , 255-276
Only for Multilingual Students at Risk? Cluster-Randomized Trial on Language-Responsive Mathematics Instruction
Empirical evidence exists that enhancing students’ language can promote the mathematics learning of multilingual students at risk, whereas other target groups (e.g., monolingual students, successful students, both with diverse academic language proficiency) have hardly been considered. This cluster-randomized controlled trial (N = 589) investigates differential effects for these extended target groups, comparing two language-responsive interventions (with or without vocabulary work) and a control group. The regression analysis reveals that all students significantly deepened their conceptual understanding in both interventions. Unlike what was anticipated, multilingual students’ growth of conceptual understanding had no significant additional benefit from integrated vocabulary work. These findings call for promoting language-responsive mathematics instruction for all students and for using a discursive rather than a vocabulary focus.
- 25 May 2022
- Published by Springer Nature
- p. 29-42
Data Literacy