Innerhalb des DIZH Public Data Labs sind vier Leuchtturmprojekte geplant, die sich geographisch alle auf den Kanton Zürich beziehen. Für die Leuchtturmprojekte 1-3 wird je eine Dissertation ausgeschrieben.
Indikatoren zur Erfassung neuer Formen der prekären Arbeit
Dieses Projekt befasst sich mit neu entstehenden Formen prekärer Arbeit (z.B. Arbeit, die über Plattformen vermittelt wird, oder Arbeit in privaten Haushalten). Diese sollen identifiziert und qualitativ bewertet werden. Zudem sollen Lösungen erarbeitet werden, wie diese Formen in bestehenden Indikatoren und Taxonomien von Arbeit erfasst werden können.
Entwicklung eines Index der multiplen Deprivation
In diesem Projekt geht es um die Erstellung eines räumlichen Index der Mehrfachbenachteiligung. Mögliche Indikatorenbereiche sind Einkommen, Bildung, Gesundheit, Beschäftigung und Lebensumfeld. Dabei sollen das Gewicht der Indikatoren, aber auch angemessene räumliche Einheiten berechnet werden.
Entwicklung von multimodalen Indikatoren des Wohlbefindens in Grünanlagen
In diesem Projekt soll ein räumlich expliziter Index für gesellschaftlich und ökologisch wertvolle Grünflächen entwickelt werden. Mittels Deep Learning sollen Streetview-Bilder, Flugaufnahmen und Satellitenbilder kombiniert mit bestehende Kartendaten analysiert werden. Mögliche Indikatorenbereiche sind Biomasse, Vegetationsdichte und Pflanzenarten.
Künstlerische Verhandlung von Daten(-prozessen) und Indikatoren
Unser Wissen über die Gesellschaft aufgrund von Daten und Indikatoren weist Lücken auf. Das Projekt entwickelt explorative Kunst- und Designpraktiken, die neue Perspektiven auf Indikatoren und deren zugrunde liegende Daten(-prozesse) eröffnen, deren Lücken aneignen und öffentlich verhandeln. In Verbindung mit der Lehre an der ZHdK und UZH finden Künstler:innen-Residenzen im Statistischen Amt sowie Interventionen und Ausstellungen in gesellschaftlichen Lebensräumen statt.
Zusätzlich gibt es assoziierte Projekte. Dazu gehören laufende Dissertationen zu relevanten Themen wie zum Beispiel Wohlbefinden in Landschaften mittels Text zu messen, Vegetationsstrukturen mit Deep Learning aus Satellitenbildern zu extrahieren, Unterbeschäftigung und Arbeit auf Abruf ethnografisch zu untersuchen oder die Verdichtung der Nachbarschaft mittels qualitativen Interviews und visuellen Methoden zu erforschen.