[論文レビュー] Interleaving Computational and Inferential Thinking: Data Science for Undergraduates at Berkeley

Ani Adhikari, John DeNero+1 more|arXiv (Cornell University)|Feb 13, 2021

Statistics Education and Methodologies参考文献 13被引用数 9

ひとこと要約

本論文は、UCバークリーで開発された画期的な学部データサイエンスカリキュラムを提案しており、5つのコアコースを通じて計算的思考と推論的思考を統合的に組み合わせ、現実世界の問題解決を重視している。このアプローチにより、学生の参加が活発化し、データサイエンスマajor/minorプログラムの参加者が急増し、21世紀のリベラルアーツ教育の新しいモデルが提示された。

ABSTRACT

The undergraduate data science curriculum at the University of California, Berkeley is anchored in five new courses that emphasize computational thinking, inferential thinking, and working on real-world problems. We believe that interleaving these elements within our core courses is essential to preparing students to engage in data-driven inquiry at the scale that contemporary scientific and industrial applications demand. This new curriculum is already reshaping the undergraduate experience at Berkeley, where these courses have become some of the most popular on campus and have led to a surging interest in a new undergraduate major and minor program in data science.

研究の動機と目的

• 学部学生向けに、計算的思考と推論的思考を統合した一貫性のある、多様な分野にまたがるデータサイエンスカリキュラムを構築すること。
• コンピュータサイエンスと統計学の核となる概念を現実世界の文脈で統合することで、カリキュラムの断片化という課題に対処すること。
• モデリング、不確実性、フィードバック、倫理的含意を重視することで、大規模なデータ駆動型調査に備えた学生の準備をすること。
• プロジェクトベースの学習と多様な分野の問題領域への接触を通じて、学生の知的成熟を促すこと。
• 20世紀の計算と推論分野のパイオニアたちの基礎的業績に根ざした、現代的なリベラルアーツ教育としてのデータサイエンスの位置付けをすること。

提案手法

• 計算的思考（抽象化、モularity、効率性）と推論的思考（標本抽出、因果関係、ベイズの定理、頑健性）を交互に組み合わせた5つのコアコースの設計。
• 科学、工学、社会科学、産業分野からの現実世界のデータ問題を学習の中心的文脈として活用。
• コンピュータサイエンスの「構築者」のマインドセットと統計学の「協働者」のマインドセットを統合し、学生の問題解決アプローチを形作ること。
• 可視化、解釈可能性、批判的思考、倫理的配慮を重視することで、現実世界の影響を分析に組み込む。
• トゥーキー、グレイ、ブラックウェル、シャノンらの歴史的基盤を活用し、教育的設計とカリキュラム構造に影響を与える。
• 基礎的でありながらも柔軟性を備えたカリキュラムを構築し、学生がコアなアイデアを基盤に据えつつ、伝統的なコンピュータサイエンスや統計学の範囲を超えた新たな課題に取り組めるようにすること。

実験結果

リサーチクエスチョン

• RQ1 学部データサイエンスカリキュラムにおいて、計算的思考と推論的思考を効果的に交互に統合することで、学習や問題解決の質を向上させることは可能か？
• RQ2 現実世界の問題文脈が、計算的思考と推論的思考の概念統合にどのように寄与し、学生の関与と理解を促進するのか？
• RQ3 20世紀の計算と統計分野の基礎的業績に根ざしたデータサイエンスカリキュラムは、21世紀のリベラルアーツ教育として実現可能なのか？
• RQ4 計算的思考と推論的思考を交互に統合するアプローチは、コンピュータサイエンスと統計学の従来の断片的なカリキュラムと比較して、学生の成果や関心にどのような差をもたらすのか？
• RQ5 一部の古典的分野（例：CSにおける論理的抽象化、統計学における分散分析）への接触が少ないにもかかわらず、データサイエンスカリキュラムが、産業界および大学院研究への準備をどの程度効果的に行えるのか？

主な発見

• UCバークリーの新しいデータサイエンスカリキュラムは、キャンパス内で最も人気のあるカリキュラムの一つとなり、学生の強い需要と関与が裏付けられている。
• このカリキュラムは、学部のデータサイエンスマajor/minorプログラムへの参加者数の急増を引き起こし、教育機関および学生レベルでの採用を示している。
• 本プログラムに参加する学生は、不確実性と現実世界の結果を意識したコード作成が可能な二重のマインドセットを発達させ、確率的かつデータ豊富な環境で効果的に活動できるようになっている。
• 抽象化、標本抽出、モデリングといった、コンピュータサイエンスと統計学の核となる数学的・概念的アイデアが、統合的かつ応用的なフレームワーク内に効果的に統合されている。
• 論理的抽象化や分散分析といった一部の古典的分野への接触が減少しているにもかかわらず、データサイエンスの学生は、学術界および産業界で伝統的に訓練された同世代と比べて、競争力を持って対応できるようになっている。
• 本カリキュラムはさらなる学習の基盤を提供しており、博士号プログラムを含む高度な研究に向けた知的素養を学生が獲得している。