[논문 리뷰] Statistics Educational Challenge in the 21st Century

Subhadeep Mukhopadhyay|arXiv (Cornell University)|2017. 08. 14.

Statistics Education and Methodologies참고 문헌 3인용 수 3

한 줄 요약

이 논문은 21세기 통계 교육을 위한 전환적 프레임워크를 제안하며, 오래된 커리큘럼과 현대의 데이터 과학 수요 사이의 격차를 메우기 위해 세 가지 核심 원칙—배제 원칙, 포함 원칙, 단순성 원칙—을 주장한다. 최소한의 기초 도구를 사용하여 통합적이고 확장 가능한 방식으로 통계 방법을 가르침으로써, 알고리즘에 의존하는 'DataRobots'가 아닌 다재다능한 데이터 과학자를 양성하고자 한다.

ABSTRACT

What do we teach and what should we teach? An honest answer to this question is painful, very painful--what we teach lags decades behind what we practice. How can we reduce this `gap' to prepare a data science workforce of trained next-generation statisticians? This is a challenging open problem that requires many well-thought-out experiments before finding the secret sauce. My goal in this article is to lay out some basic principles and guidelines (rather than creating a pseudo-curriculum based on cherry-picked topics) to expedite this process for finding an `objective' solution.

연구 동기 및 목표

• 21세기 노동력 수요에 부응하기 위해 통계 교육을 현대화하여 점점 커지는 '데이터 과학 전문가 격차'를 해소한다.
• 데이터 과학 커리큘럼에서 '너무 많은 주제, 너무 적은 시간'의 딜레마를 해결한다.
• 기계적인 알고리즘 학습을 피하고 깊이 있고 창의적인 통계 사고를 기르기 위해 'DataRobots'의 생성을 방지한다.
• 간단한 데이터 방법에서 고차원 데이터 응용까지 연결되는 통합적이고 확장 가능한 커리큘럼을 개발한다.
• 커리큘럼의 비효율적 팽창을 방지하기 위해 데이터 복잡도 수준을 넘어선다 fundamental tools 및 표기법을 우선시한다.

제안 방법

• 고립된, 요리책 스타일의 알고리즘 수업을 피하기 위해 '배제 원칙'을 적용한다.
• 일관되고 현대적인 표기법을 사용하여 단순한 데이터에서 고차원 데이터로의 일반화가 가능한 방식으로 통계 방법을 가르친다.
• 총체적인 통계 모델링을 위해 필요한 핵심 도구, 개념, 표기법의 수를 최소화하기 위해 '단순성 원칙'을 채택한다.
• 유한에서 무한차원 확장(예: 힐버트 공간)에 영감을 받은 통합 수학 언어를 사용하여 다양한 데이터 척도 간의 개념적 연속성을 유지한다.
• 데이비드 도노호의 '더 큰 데이터 과학'(GDS) 프레임워크를 기반으로 커리큘럼을 구성하며, 여섯 가지 핵심 영역—데이터 탐색, 표현, 계산, 모델링, 시각화, 데이터 과학에 대한 과학—을 포함한다.
• 장기적인 적응력을 높이기 위해 도구 중심 또는 언어 중심 교육(예: R 대비 Python)보다 개념적 일관성과 확장성을 우선시한다.

실험 결과

연구 질문

• RQ1 어떻게 우리는 필수적인 데이터 과학 영역을 커버하면서도 서로 연결되지 않은 알고리즘 수업의 수형으로 전락하지 않는 통계 커리큘럼을 설계할 수 있는가?
• RQ2 어떤 핵심 원칙이 단순한 데이터 방법과 고차원 데이터 모델링을 확장 가능하고 개념적으로 일관된 방식으로 통합할 수 있는가?
• RQ3 데이터 과학 교육의 광범위성이나 깊이를 훼손하지 않으면서도 커리큘럼의 비효율적 팽창을 어떻게 줄일 수 있는가?
• RQ4 총체적이고 미래지향적인 통계 교육을 뒷받침할 수 있는 최소한의 기본 도구와 표기법의 집합은 무엇인가?
• RQ5 학생들이 기계적인 알고리즘 적용이 아닌 깊이 있고 창의적인 통계 사고를 기를 수 있도록 보장하기 위해선 어떻게 해야 하는가?

주요 결과

• 제안된 프레임워크는 알고리즘 중심의 요리책 스타일 커리큘럼을 기각함으로써 'DataRobot'의 함정을 피하고 통합적이며 개념적으로 기반을 다진 접근법을 취한다.
• 포함 원칙은 일관된 표기법을 사용하여 단순한 데이터에서 고차원 데이터로의 통계 방법 확장을 원활하게 해주며, 다양한 데이터 척도에 대한 별도의 교육이 필요 없게 한다.
• 단순성 원칙은 기초 도구의 수를 최소화함으로써 커리큘럼의 복잡성을 줄여 학습 효율성과 유지력을 높인다.
• 이 프레임워크는 단일이고 통합된 커리큘럼 내에서 '더 큰 데이터 과학'(GDS)의 여섯 영역을 모두 커버할 수 있어 '너무 많은 주제, 너무 적은 시간' 문제를 해결한다.
• 이 접근법은 통계 이론의 정당성을 유지하면서도 실제 응용에 실용적인 현대 데이터 과학 교육을 위한 확장 가능한 길을 제공한다.
• 이 모델은 분절적이고 도구 중심이거나 주제가 과도하게 과부하된 커리큘럼에 대한 실질적이고 객관적인 대안을 제공하며, 전 세계적으로 통계 교육을 통합하고 강화할 잠재력을 지닌다.