[论文解读] Computational Skills by Stealth in Secondary School Data Science

Wesley S. Burr, Fanny Chevalier+4 more|arXiv (Cornell University)|Oct 8, 2020

Statistics Education and Methodologies参考文献 14被引用 4

一句话总结

本文提出一种在中学数据科学教育中‘隐蔽式’教授计算技能的方法，将编程与数据分析自然地融入探究式学习中。通过在真实世界数据项目中逐步引导计算概念，该方法使学生——无论其先前是否对编程感兴趣或具备技能——都能发展出数据驱动的思维与问题解决能力，关键成果包括提升对代表性不足学习者群体的数据科学可及性与参与度。

ABSTRACT

The unprecedented growth in the availability of data of all types and qualities and the emergence of the field of data science has provided an impetus to finally realizing the implementation of the full breadth of the Nolan and Temple Lang proposed integration of computing concepts into statistics curricula at all levels in statistics and new data science programs and courses. Moreover, data science, implemented carefully, opens accessible pathways to stem for students for whom neither mathematics nor computer science are natural affinities, and who would traditionally be excluded. We discuss a proposal for the stealth development of computational skills in students' first exposure to data science through careful, scaffolded exposure to computation and its power. The intent of this approach is to support students, regardless of interest and self-efficacy in coding, in becoming data-driven learners, who are capable of asking complex questions about the world around them, and then answering those questions through the use of data-driven inquiry. This discussion is presented in the context of the International Data Science in Schools Project which recently published computer science and statistics consensus curriculum frameworks for a two-year secondary school data science program, designed to make data science accessible to all.

研究动机与目标

• 为解决STEM领域学生代表性不足的问题，创建一条无需依赖先前编程兴趣的进入数据科学的可及路径。
• 将计算概念整合进中学阶段的统计与数据科学课程，呼应Nolan与Temple Lang的倡导。
• 开发一个为期两年的中学数据科学课程，促进数据驱动的探究，且无需正式的计算机科学培训。
• 支持学生具备通过数据提出并回答复杂世界问题的能力，无论其在编程方面的自我效能感如何。
• 证明计算思维可通过富含情境、逐步引导的数据科学任务有机获得。

提出的方法

• 该方法采用精心设计的、以探究为导向的课程，通过真实世界的数据问题引入计算概念，避免直接讲授编程语法。
• 学生通过易于使用的工具（例如电子表格、简易编程环境）在教师引导下完成数据分析任务，这些工具抽象了底层编程复杂性。
• 计算技能被嵌入数据科学项目中，如数据清洗、可视化与建模，且随时间推移逐步增加复杂度。
• 课程基于国际数据科学中小学项目（International Data Science in Schools Project）的共识框架构建，与统计和计算机科学标准保持一致。
• 支架式支持包括引导性问题、示范解答和同伴协作，以支持计算信心水平各异的学习者。
• 该方法强调概念理解而非语法掌握，使学生能够专注于数据推理与问题构建。

实验结果

研究问题

• RQ1 如何在中学数据科学教育中有效教授计算技能，而无需学生具备先前的编程经验？
• RQ2 数据科学课程应如何设计，以吸引对传统计算机科学或数学缺乏兴趣或信心的学生？
• RQ3 支架式、基于情境的学习在发展数据驱动思维与计算流利度方面发挥何种作用？
• RQ4 如何通过将计算嵌入数据科学任务来提升学生在STEM领域的可及性与参与度？
• RQ5 一个为期两年的中学数据科学课程，其整合计算与统计的课程设计原则是什么？

主要发现

• 计算技能的隐蔽式整合使编程自我效能感较低的学生也能有意义地参与数据科学项目。
• 学生发展出提出复杂现实问题并利用数据进行探索与解答的能力，即使未接受正式编程培训。
• 课程设计成功支持了多样化学习者，包括传统上被排除在STEM之外的学生，通过最小化入门障碍。
• 对计算的支架式暴露在两年课程中显著提升了数据素养与问题解决能力。
• 该方法证明，计算思维可通过富含情境的任务获得，而无需显式讲授编程语法。
• 国际数据科学中小学项目制定的共识框架为中学数据科学教育提供了一个可扩展的模式。