[论文解读] 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 9

一句话总结

本文提出了一种加州大学伯克利分校全新的本科数据科学课程体系，通过五门核心课程将计算思维与推断思维有机结合，强调解决现实世界问题。该方法已带来高学生选课率，推动数据科学本科专业/辅修项目的激增，并为21世纪的通识教育树立了新范式。

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.

研究动机与目标

• 开发一个连贯的、跨学科的数据科学课程体系，将计算思维与推断思维整合于本科教育之中。
• 通过在现实世界情境中统一计算机科学与统计学的核心思想，解决课程碎片化的问题。
• 通过强调建模、不确定性、反馈机制以及伦理影响，培养学生开展大规模数据驱动探究的能力。
• 通过项目式学习和接触跨学科问题领域，促进学生的智力成熟。
• 将数据科学定位为一种现代通识教育，其根基源于20世纪计算与推断领域先驱的奠基性工作。

提出的方法

• 设计五门核心课程，交替融入计算思维（抽象、模块化、效率）与推断思维（抽样、因果关系、贝叶斯定理、稳健性）。
• 以现实世界的数据问题作为学习的核心情境，涵盖科学、工程、社会科学和产业等多个领域。
• 将计算机科学的“构建者”思维与统计学的“合作者”思维相结合，塑造学生的问题解决方式。
• 通过强调可视化、可解释性、批判性思维以及伦理考量，融入现实世界的影响。
• 借鉴图基、格雷、布洛克威尔和香农等人物的历史基础，指导教学设计与课程架构。
• 构建一个既具基础性又具灵活性的课程体系，使学生既能建立在核心理念之上，又能应对传统计算机科学与统计学之外的新兴挑战。

实验结果

研究问题

• RQ1 如何在本科数据科学课程中有效交错计算思维与推断思维，以提升学习效果与问题解决能力？
• RQ2 现实世界问题情境在整合计算与推断概念方面，对提升学生参与度与理解力起到何种作用？
• RQ3 能否以20世纪计算与统计学奠基性工作为基础的数据科学课程，成为21世纪通识教育的可行模式？
• RQ4 与传统上计算机科学与统计学课程分离的模式相比，交错思维模式在学生学习成果与兴趣激发方面表现如何？
• RQ5 在对经典子领域（如密码学或方差分析）接触较少的情况下，数据科学课程在多大程度上能为学生在产业界与研究生阶段做好准备？

主要发现

• 加州大学伯克利分校的新数据科学课程已成为校园内最受欢迎的课程之一，表明学生有强烈的需求与高度参与。
• 该课程推动了本科数据科学专业与辅修项目的选课人数激增，反映出机构与学生层面的广泛采纳。
• 该课程使学生发展出双重思维模式——既能编写代码，又能意识到不确定性与现实后果，从而在随机性强、数据丰富的环境中高效运作。
• 课程成功地将在计算机科学与统计学中的核心数学与概念思想（如抽象、抽样、建模）整合进统一的应用框架中。
• 尽管在某些经典子领域（如计算机科学中的基于逻辑的抽象、统计学中的方差分析）的接触减少，数据科学学生仍能与传统训练背景的同龄人竞争，无论在学术界还是产业界。
• 该课程为后续深造提供了坚实基础，学生获得了开展高级研究的智力种子，包括攻读博士学位。