[论文解读] Data Science as a Route to AI for Middle- and High-School Students
本文提出了Bootstrap:Data Science（bs:ds）——一项面向K-12教育阶段的课程，旨在为初中和高中生提供数据科学教育，作为通往人工智能的基石路径。通过将数据分析、编程与统计推理相结合，使用学生自主选择的数据集，并采用注重公平性的设计，bs:ds培养了学生必备的数据素养，为未来深入学习人工智能做好准备，同时解决了早期计算机科学教育中面临的教学法、认知与后勤障碍问题。
The Bootstrap Project's Data Science curriculum has trained about 100 teachers who are using it around the country. It is specifically designed to aid adoption at a wide range of institutions. It emphasizes valuable curricular goals by drawing on both the education literature and on prior experience with other computing outreach projects. It embraces "three P's" of data-oriented thinking: the promise, pitfalls, and perils. This paper briefly describes the curriculum's design, content, and outcomes, and explains its value on the road to AI curricula.
研究动机与目标
- 解决初中和高中生在数据科学教育方面缺乏可及性、严谨性与公平性的问题。
- 开发一门课程，培养学生掌握未来人工智能学习所必需的基础数据科学技能。
- 克服人工智能教育中的障碍，如学生自我选择偏差、教师支持不足以及STEM准备不充分等问题。
- 通过包容性设计与通用访问，确保所有学习者（包括视障学生）的可及性。
- 作为K-12教育中未来人工智能课程的可扩展、符合课程标准的前置课程。
提出的方法
- 将bs:ds课程整合进现有的必修数学课程中，以确保广泛的可及性与公平性。
- 学生学习编写代码进行数据处理，应用统计技术进行数据总结与推断，并通过数据分析回答现实世界的问题。
- 课程强调“三大支柱”——希望、陷阱与危险——以促进学生对数据导向思维的批判性参与。
- 采用支架式教学与积极挣扎策略，基于维果茨基的最近发展区理论与布鲁纳的认知支架理论。
- 使用精心筛选并预先清洗的数据集，避免学生因数据清洗的复杂性而感到不知所措。
- 通过学生自主选择的数据集（如体育、宝可梦、健康数据等）实现个性化学习，提升参与度与主人翁意识。
实验结果
研究问题
- RQ1如何有效且公平地向初中和高中生引入数据科学教育，以帮助他们为人工智能学习做好准备？
- RQ2哪些教学策略能使数据科学对多样化学习者（包括视障学生）更具可及性与吸引力？
- RQ3数据科学课程如何在K-12教育环境中成为未来人工智能教育的可行前置课程？
- RQ4学生个性化在提升数据科学学习中的参与度与主人翁意识方面发挥什么作用？
- RQ5课程如何应对在资源匮乏学校中引入人工智能等高级主题时面临的后勤与认知挑战？
主要发现
- bs:ds课程已在美国六个州被约100名教师采用，并获得国际关注，证明了其可扩展性与实际部署能力。
- 通过将数据科学嵌入必修数学课程，课程实现了公平的可及性，其性别与多样性比例与所在学校整体一致。
- 使用学生自主选择的数据集显著提升了学生的参与度与主人翁意识，这一结论在Bootstrap:Algebra的前期研究中已得到证实，并可合理推断适用于bs:ds。
- 课程通过使用可访问的集成开发环境（IDE）与编程语言，成功解决了视障学生的可及性问题，确保了包容性。
- bs:ds填补了K-12课程标准中的关键空白，强调系统性软件构建、测试数据设计与验证——这些实践对负责任的人工智能至关重要。
- 课程设计为可发展为全年课程，未来计划扩展至统计学、有效性威胁分析以及高级编程概念（如高阶函数）等领域。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。