Warum sollten wir das In-Beziehungen-Denken neu lernen?

Image by Gordon Johnson from Pixabay

Ein gutes Beispiel dafür, was in komplexen Systemen passiert ist das Gehirn, da es das das komplexeste und leistungsfähigste Organ ist, das wir kennen.

Und diese Leistungsfähigkeit liegt – nach allem, was wir bislang aus der Hirnforschung wissen – nicht zuletzt daran, dass die Verknüpfungen wichtiger als die Teile sind. Das Gehirn funktioniert, weil etwas zwischen den Neuronen passiert – elektrische und chemische, möglicherweise auch rhythmische Verbindungen, Vernetzungen, Beziehungen. Es existiert keine zentrale Instanz, (…) (Mutius 2004:27).

Es erscheint also in komplexen Systemen wie Gesellschaften, Märkten und Organisationen wichtig zu sein, auf „Muster, die verbinden“ (Gregory Bateson) zu achten. Neu zu lernen wäre also das In-Beziehungen-Denken (Mutius 2004:17), was uns nicht leicht fällt, da wir es seit dem 18. Jahrhindert gewohnt sind, von stetigem Fortschritt, Beherrschbarkeit der Natur usw. auszugehen (Einfache Modernisierung). Dieses Mindset zu ändern ist in der heutigen Reflexiven Modernisierung die Aufgabe in allen Bereichen unserer Gesellschaft.

Diese soziologisch seit Jahren gut beschriebene Situation mit ihren Auswirkungen der Kontingenz, der Entgrenzungen, der stärkeren Selbstorganisation usw. usw. wird von betriebswirtschaftlich ausgerichteten Marktteilnehmern oft genutzt, um Geschäfte zu machen. Dabei wird allerdings kaum – oder gar nicht – auf die vielfältigen Vorarbeiten aus der Soziologie eingegangen. Auch hier wäre ein In-Beziehungen-denken angebracht.

Schwarmintelligenz: Die Weisheit der vielen und das Wissen der Eliten

Image by Gerd Altmann from Pixabay

Ende des 18. Jahrhunderts schließen sich Intellektuelle zusammen um das Wissen der Zeit zu sammeln. In Enzyklopädien wird erfasst, was wir heute immer noch oft unter “Wissen” verstehen. Die neuen technologischen Möglichkeiten zeigen nun, dass es auch andere Formen gibt, Wissen zu generieren und anderen zur Verfügung zu stellen. Das Projekt Wikipedia zeigt in kurzer Zeit, dass die Wissen nicht alleine von Experten sondern auch von vielen Amateuren generiert (produziert) werden kann. Insofern wandelt sich der Wissensbegriff über die Zeit.

Der Wissensbegriff allerdings, für den Wikipedia steht, hat mit dem Wissensbegriff, den wir alle als Kinder der wissenschaftlichen Neuzeit und der Aufklärung gelernt haben, wenig zu tun. Wenn der durch die veränderte Mediennutzung angeregte Trend stabil bleibt – und es spricht derzeit alles dafür und nichts dagegen -, dann stellen wir unsere Wissensfragen in Zukunft eben zunehmend weniger, wenn überhaupt, an die enzyklopädischen Elitemedien der Buchdruckkultur, sondern überantworten sie vielmehr der Schwarmintelligenz der digitalen Netzkultur und ihrer Effekte. Unser Begriff des Wissens aber ist dann nicht länger durch den Bezug auf eine relativ kleine Klasse von ausgewiesenen Experten geprägt; Wissen ist dann vielmehr zu verstehen als Resultat der vernetzten Kollaboration eines zunehmend großen Kreis von engagierten Amateuren, deren weitgehende Anonymität jegliche Rückschlüsse auf ihre Kompetenz verbietet. Der amerikanische Soziologe und Journalist James Surowiecki hat das Prinzip der kollektiven Intelligenz auf die Formel „Weisheit der vielen“ gebracht. Wer zwischen der kollaborativen Wissensproduktion im Netz und dem Expertenwissen der Bücher einen klaren Gegensatz sieht, für den gilt: Die Weisheit der vielen triumphiert im Web 2.0 über das Wissen der Eliten (Münker 2009:98-101).

In diesem Absatz kommen allerdings sehr viele Begriffe vor, die nicht eindeutig bestimmt sind. Neben “Wissen” sind das auch noch “Intelligenz” und “Weisheit”. Bei dem Konstrukt “Intelligenz” ist es hier wichtig zu klären, ob es sich um die Intelligenz im Sinne des Intelligenz-Quotienten (IQ), oder eher um eine diversifizierte Intelligenz im Sinne der Theorie der Multiplen Intelligenzen handelt.

Growth Mindset, Agilität und Multiple Intelligenzen

Image by Free-Photos from Pixabay

Im Zusammenhang mit der Transformation/Transitionen von traditionellen Organisationen zu Agilen Organisationen wird immer wieder das “Agile Mindset” hervorgehoben. Hans-Gerd Serevatius hat 2018 dazu Wege zu einem agilen Mindset beschrieben. Darin definiert er das agile Mindset als “bewegliche Denkweise eines Menschen, die auch sein Verhalten prägt.”. Diese Denkweise kann als relativ stabil oder als veränderbar angenommen werden.

Carol Dweck (2006) beschreibt diese Zusammenhänge als Fixed Mindset oder Growth Mindset. Ein Fixed Mindset geht davon aus, dass Kreativität, Intelligenz und Talent unveränderbar sind.

Wie wichtig es ist, dass die an der Förderung des Lernens Beteiligten nicht an die Konstanz, sondern stattdessen an die Veränderbarkeit der Intelligenz glaubten, hat Carol Dweck (1986, 1990) in zahlreichen Untersuchungen überzeugend belegt (Mietzel 2003:253).

Gerade in einem VUCA-Umfeld ist es wichtig, von einem Growth Mindset auszugehen, bei dem Kreativität, Intelligenz und Talent veränderbar sind. Interessant ist in diesem Zusammehnag, dass In dem Artikel Bokas, A.; Rock, R. (2016): Changing the Mindset of Education: Every Learner is Unique wird ein Zusammenhang hergestellt, zwischen dem Growth Mindset und der Theorie der Multiplen Intelligenzen von Howard Gardner.

Emotionale Intelligenz: Ursprung und der Bezug zu Multiplen Intelligenzen

Image by StockSnap from Pixabay

Wenn es um Emotionale Intelligenz geht, wird häufig Daniel Goleman genannt, der dieses Konstrukt bekannt gemacht hat. Dabei geht leider oft verloren, dass es John D. Mayer und Peter Salovey waren, die schon 1990 beschrieben haben, was sie unter Emotionaler Intelligenz verstehen.

“Emotional intelligence is a type of sociali ntelligence that involves the ability to monitor one’s own and others’ emotions to discriminate among them, and to use the information to guide one’s thinking and actions (Salovey & Mayer 1990)”, zitiert in Mayer/Salovay 1993, p. 433.

Interessant dabei ist, dass beide Autoren erwähnen, dass sie statt Emotional Intelligence auch Emotional Competence hätten wählen können, doch haben sie sich bewusst für Emotional Intelligence entschiedenen, da sich Emotional Intelligence “overlaps with Gardner´s (1983) ´(intra) personal intelligence´ (ebd. p. 433).

The core capacity at work here is access to one’s own feeling life – one’s range of affects or emotions; the capacity instantly to effect discriminations amongt these feelings and eventually, to label them, to enmesh them in symbolic codes, to draw upon them as a means of undentanding and guiding one’s behavior. In its most primitive form, the intrapenonal intelligence amounts to little more than the capacity to distinguish a feeling of pleasure from one of pain (…). At its most advanced level, intrapersonal knowledge allows one to detect and to symbolize complex and highly differentiated set of feelings (…) to attain a deep knowledge of (…) feeling life (ebd. p. 239).

Die Anlehnung an Gardner´s Theorie der Multiplen Intelligenzen ist bemerkenswert, und auch der Bezug zum Begriff “Competence”. Beide Perspektiven habe ich in meinem Buch Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe und Organisation weiter analysiert und in ein Gesamtkonzept überführt.

Was sind eigentlich mögliche Aufgabengebiete der Künstlichen Intelligenz?

Group of people with devices in hands working together as symbol of networking and communication

Die Geburtsstunde von “Künstlicher Intelligenz” geht auf einen Konferenzbeitrag von McCarthy im Jahr 1955 zurück. In der Zwischenzeit gibt es durch die vielen neuen technischen Möglichkeiten zwar immer wieder Definitionsversuche, doch immer noch keine einheitliche und anerkannte Definition. Was allerdings klar erscheint sind die verschiedenen Aufgabengebiete, die für eine Künstliche Intelligenz geeignet erscheinen. Russell und Norvig unterscheiden hier acht Aufgabengebiete (vgl. Russell und Norvig 2012; Peissner et al. 2019), zitiert in Fraunhofer IAO 2020:11-12):

  • Lernen
  • Problemlösung durch Suchen
  • Planen
  • Robotik
  • Entscheidung
  • Wissensrepräsentation
  • Wahrnehmung
  • Spracherkennung

Anhand dieser Auflistung wird deutlich, dass Künstliche Intelligenz viele Tätigkeiten in unserem gesellschaftlichen und wirtschaftlichen Leben beeinflussen kann. Es geht hier allerdings nicht immer um komplette Jobs, die infrage gestellt werden, sondern auch um Tätigkeitsportfolios, die in einzelnen Jobs oder in Prozessketten von KI profitieren können. Hier ein Beispiel:

Populär wurden in jüngster Zeit Anwendungen wie beispielsweise KI-gestützte »Chatbots«. Dies sind Programme, die eine Konversation mit Nutzern führen können. Social Chatbots agieren in sozialen Netzwerken wie Facebook und Twitter (vgl. Edwards 2016). Anwendungsgebiete sind u.a. Bestellungen (z.B. Pizza-Service), Antworten auf Kundenanfragen zu Prozessen (Paketdienste) und Bearbeitung von Beschwerden (Fraunhofer IAO 2020:13).

Intelligente Organisation oder Organisationale Intelligenz? Was soll das sein?

Image by Gerd Altmann from Pixabay

Wenn wir über Intelligenz oder Dummheit sprechen, geht es oft einerseits um intelligente Menschen und anderseits um intelligente maschinelle Systeme wie maschinelles Lernen oder Künstliche Intelligenz. In Unternehmen/Organisationen oder weiter gefasst, in Systemen geht es allerdings auch darum, die verschiedenen Facetten der Intelligenz zu fördern und für Werte zu nutzen. Bei Organisationen kommen die beiden Perspektiven “Intelligent Organization” und “Organizational Intelligence” ins Spiel.

Within this field two major research communities can be found. The first on has been established around the annual Hawai International Conference on System Sciences (HICSS), starting from a tutorial on “Intelligent Organizations” presented by G. P. Huber in 1987. The second has its roots in Japan, where T. Matsuda is developing towards a holistic approach of what he calls “Organizational Intelligence” (…). In contrast of others he [Matsuda 1988, 1991, 1992] stresses that machine learning is an integral part of the intelligence of an organization (vgl. Kirn 1996:141).

Die Organisationale Intelligence nach Matsuda integriert menschliche Intelligenz und (heute) Künstliche Intelligenz. Ich würde dabei noch ergänzen, dass dies nicht nur auf der organisationalen Ebene, sondern auch auf der individuellen Ebene, bei Teams und in Netzwerken außerhalb der Organisation eine Rolle spielt. In Meinem Buch Freund, R. (2011): das Konzept der Multiplen Kompetenz auf den Ebenen Individuum, Gruppe, Organisation und Netzwerk habe ich diesen Ansatz auch mit Hilfe der Theorie der Multiplen Intelligenzen beschrieben.

Gedanken zum Kommunikationsbegriff in sozialen Systemen

Image by Susanne Jutzeler, suju-foto from Pixabay

Immer wieder wird in Interaktionen deutlich, dass der Kommunikation eine wichtige Rolle zukommt. Doch was verstehen wir unter Kommunikation? Eine Sichtweise kann aus der Systemtheorie abgeleitet werden. Luhmanns Systemtheorie “begreift Kommunikationen als Operationen sozialer Systeme und Erwartungen als Strukturen, die kommunikative Ereignisse miteinander verknüpfen. Erwartungen werden dabei als Verdichtungen von Sinn bestimmt” (Schneider 2008:129). Dabei ist Sinn definiert “durch die Unterscheidung von Aktualität und Möglichkeit” (ebd. S. 141). Weiterhin ist interessant, dass der Kommunikationsbegriff über die Entscheidung mit Konsens und Konflikt zusammenhängt.

Über die drei Selektionen Mitteilungen, Information und Verstehen hinaus, die zusammen den Kommunikationsbegriff definieren, ist eine vierte Selektion für den weiteren Verlauf der Kommunikation von zentraler Bedeutung, die mit jeder Anschlußäußerung aufgerufen ist: die Entscheidung zwischen der Annahme und der Ablehnung der vorausgehenden Mitteilung. Diese Entscheidung markiert einen Verzweigungspunkt in Richtung Konsens und Konflikt (Schneider 2008:138).

Was sind eigentlich Multi-Kontext-Probleme?

Image by Gerd Altmann from Pixabay

Der Begriff “Problem” kommt in unserer Gesellschaft häufig vor, dabei gibt es oft keine einheitliche Meinung darüber, was ein “Problem” eigentlich ist. Es gibt einfache Probleme mit dem dazugehörenden simple problem solving, und komplexe Probleme mit ihrem complex problem solving. In solchen Multi-Kontext-Problemen kommt es darauf an, Entscheidungen unter Unsicherheit zu treffen – was nicht so einfach ist…

Strategische Probleme werden als wenig strukturierte bzw. schwer strukturierbare Probleme betrachtet. Für solche „innovativen Probleme“ bestehen wenig eindeutige Lösungsverfahren (Bamberger & Wrona, 2000). Analog hierzu spricht Dörner (1979) von dialektischen Problemen, bei denen zwar die Ausgangslage bekannt ist, aber nicht der Zielzustand und auch nicht die möglichen Mittel diesen Zielzustand zu erreichen. „Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sog. Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden“ (Bamberger & Wrona, 2000, S. 6). Probleme werden demnach jeweils im Sinne eigener Werte Normen, Interessen und Sichtweisen der Realität betrachtet und interpretiert. Mit diesen unterschiedlichen Realitätskonstruktionen ist stets die Möglichkeit von Konflikten und das Erfordernis sie zu lösen verbunden (Bamberger & Wrona, 2000) (vgl. Grote, S.; Kauffeld, S.; Hering, V. & Tappe, D. 2009:15, Hervorhebung durch den Autor des Blogbetrags).

Complex Problem Solving ist anders als das einfache, Simple Problem Solving. Die Bewältigung solcher Multi-Kontext-Probleme ist allerdings für die Zukunft entscheidend. Manche Systeme der Künstlichen Intelligenz (KI/AI) können in der Zwischenzeit durchaus schon komplexe Problemsettings lösen, was zu Veränderungen auf dem Arbeitsmarkt führt, und in Zukunft noch stärker führen wird. Entscheidend für Menschen ist immer noch, die Bewältigung komplexer Problemlösungssituationen, die uns (noch) von Algorithmen der Künstlichen Intelligenz unterscheidet.

In meinem Vortrag (Special Keynote) auf der MCPC 2015 (Weltkonferenz zu Mass Customitation, Personalization and Co-Creation) in Montreal habe ich diese Zusammenhänge für Open Innovation dargestell (Konferenzen). Es freut mich sehr, dass mein damaligen Paper bei Researchgate heute immer noch intensiv gelesen und genutzt wird. Mein Paper Cognitive Computing and Managing Complexity in Open Innovation Model zur Weltkonferenz MCPC 2015 ist bei Springer veröffentlicht worden. Bitte sprechen Sie mich an, wenn Sie dazu Fragen haben.

Warum gibt es kein deutsches Verb für Kompetenz?

Der Begriff “Kompetenz” ist sehr vielschichtig und verfügt wegen seiner geschichtlichen Entwicklung über viele Facetten. Eine davon ist, Kompetenz als Selbstorganisationsdisposition zu verstehen, die sich von Persönlichkeitseigenschaften und -fertigkeiten unterscheidet.

Ein weiterer, wichtiger Begriff ist in dem Zusammenhang ist “Qualifikation”. Qualifikationen sind hier Fertigkeiten, Fähigkeiten und Kenntnisse, die vermittelt und geprüft werden können. Qualifikationen sind eher für die Bewältigung überschaubarer Aufgaben geeignet. Daran schließen sich bereichsübergreifende Schlüsselqualifikationen an. In eher unsicheren/unübersichtlichen Problemlösungssettings reichen Qualifikationen zu deren Bewältigung nicht mehr aus. Da es in der heute stark vernetzten Welt immer mehr um komplexes Problemlösen geht, ist es nicht verwunderlich, dass die Kompetenzentwicklung auf pädagogischer Ebene und auf Unternehmensebene in den Mittelpunkt rückt.

Der ethisches Aspekt bedingt, dass dass Kompetenz nicht gelehrt und vermittelt, sondern nur angebahnt werden kann. Der sich Bildende ist bei der Entwicklung dieser umfassenden Fähigkeiten als Akteur gefragt (Heil 2007:72). Als einen Hinweis darauf, dass Kompetenz sich entwickelt und nicht vermittelt werde kann, kann die Tatsache gesehen werden, dass es kein deutsches Verb für Kompetenz gibt. Einen Menschen kann man qualifizieren aber nicht “kompetenzieren” (ebd. S. 75, in Heffels/Streffer/Häusler (2007).

Siehe dazu auch Freund, R. (2011): Das Konzept der Multiplen Kompetenz auf den Analyseebenen Individuum, Gruppe, Organisation und Netzwerk.

Ist emotionale Intelligenz messbar?

emotion

In unserem Blog habe ich schon des öfteren über die Messbarkeit, bzw. über das Messbarmachen von allem geschrieben. Siehe dazu beispielhaft Die Messbarmachung der Intelligenz: Ein Phänomen der Industriealisierung?, oder If You Can Not Measure it, You Can Not Manage it – Stimmt das denn?. Doch diese Auffassung ist nicht totzukriegen.

“Sogar wenn es um emotionale Intelligenz geht, herrscht noch die Ansicht vor, man könne sie messen, indem man Fragen stellt, die das deklarative Wissen betreffen. Beispielsweise forderte man die Befragten auf, sich in Bezug auf die Aussage »Ich weiß, warum meine Gefühle sich verändern« selbst einzustufen (siehe Matthews et al. 2004). Dem liegt die Überzeugung zugrunde, dass Menschen in der Lage und bereit sind mitzuteilen, wie ihre Intelligenz funktioniert. Im Gegensatz dazu zeigten die einflussreichen Untersuchungen von Nisbett und Wilson (1977), dass wir häufig keinen introspektiven Zugriff auf die Gründe unserer Urteile und Gefühle haben. Die Forschung zum impliziten Lernen beschäftigt sich mit Lernvorgängen, die unabsichtlich und unbewusst stattfinden (Lieberman 2000; Shanks 2005)” (zitiert in Gigerenzer 2007:244).

Dazu passt auch die von Ryle beschriebene intellektualistische Legende.

Die Industrialisierung nimmt im Vergleich zu den vorherigen gesellschaftlichen und wirtschaftlichen Phasen eine sehr kleine Zeitspanne ein, doch halten wir diese Phase für diejenige, die auch in Zukunft mit ihrem Mindset die anstehenden komplexen Problemlösungen bestimmt.

Dabei kommt es heute und in Zukunft zu neuen Fragen, die allerdings oft mit alten Ansätzen beantwortet werden. Wir sollten uns langsam aber sicher von dem industriellen Mindset verabschieden und die Chancen der Reflexiven Modernisierung nutzen. Dieser Strukturbruch zwischen einfacher und reflexiver Modernisierung zeigt die erforderlichen Handlungsweisen auf.