[论文解读] Integrating computing in the statistics and data science curriculum: Creative structures, novel skills and habits, and ways to teach computational thinking

Nicholas J. Horton, Johanna Hardin|arXiv (Cornell University)|Dec 22, 2020

Statistics Education and Methodologies参考文献 23被引用 23

一句话总结

本文提倡通过推广富有创意的课程结构、新颖的技术技能（如可重现的工作流程和网络爬取）以及计算思维，将计算深度融入统计学与数据科学教育。文章认为，通过调试、迭代和算法推理等方式培养学生计算思维，能比传统的‘速成课程’方法更有效且可持续地帮助学生解决现实世界的数据问题。

ABSTRACT

Nolan and Temple Lang (2010) argued for the fundamental role of computing in the statistics curriculum. In the intervening decade the statistics education community has acknowledged that computational skills are as important to statistics and data science practice as mathematics. There remains a notable gap, however, between our intentions and our actions. In this special issue of the *Journal of Statistics and Data Science Education* we have assembled a collection of papers that (1) suggest creative structures to integrate computing, (2) describe novel data science skills and habits, and (3) propose ways to teach computational thinking. We believe that it is critical for the community to redouble our efforts to embrace sophisticated computing in the statistics and data science curriculum. We hope that these papers provide useful guidance for the community to move these efforts forward.

研究动机与目标

• 解决统计学与数据科学课程中教学计算的意图与实践之间长期存在的差距。
• 回应Nolan与Temple Lang在2010年对浅显、临时性编程教学的批判，提出更稳健、更整合的模型。
• 突出创新的课程结构、技术技能以及计算思维框架，以推动统计学教育的现代化。
• 支持学生在处理复杂计算挑战时建立信心与能力。
• 培养一种思维模式，使统计思维与计算思维无缝融合，以实现高效的统计探究。

提出的方法

• 整理并分析《统计与数据科学教育杂志》特刊中涵盖的多样化教学创新。
• 将贡献内容划分为三个类别：富有创意的课程结构、新颖的技术技能、计算思维教学。
• 借助阿默斯特学院、波莫纳学院等机构的案例研究，展示可扩展且真实的实施范例。
• 强调版本控制（如Git）、可重现工作流程以及迭代项目周期作为核心教学要素。
• 结合认知科学与教育研究中关于学生如何学习计算思维与调试的见解。
• 利用Nolan与Temple Lang（2021年）的回顾性评论，勾勒过去十年间计算在统计学教育中的演变。

实验结果

研究问题

• RQ1 如何在超越浅显语法训练的基础上，有意义且可持续地将计算整合进统计学与数据科学课程？
• RQ2 哪些新颖的技术技能与习惯——如可重现工作流程、网络爬取和版本控制——是现代数据科学实践所必需的？
• RQ3 如何有效教授计算思维，以帮助学生同时具备统计思维与算法思维？
• RQ4 哪些最有效的课程结构与教学模式可用于在统计学教育中嵌入计算？
• RQ5 当学生接受计算思维框架教学时，其认知过程与问题解决行为会发生怎样的变化？

主要发现

• 在统计学课程中采用传统的‘速成课程’方式教授编程是不足的，往往导致不良习惯与误解。
• 通过结构化、迭代性且可重现的工作流程学习计算思维的学生，在数据分析任务中表现出更高的自信与可靠性。
• 引入版本控制（如Git）与可重现研究实践，显著提升了学生管理与记录复杂数据项目的能力。
• 将调试与迭代作为课程核心组成部分，可有效提升学生在计算任务中的韧性与问题解决能力。
• 将统计推断与计算技能相结合的课程（如Çetinkaya-Rundel与Ellison，2021年；Donoghue等，2021年所述）能培养出更投入且更高效的学习者。
• 越来越多共识认为，计算思维不仅是一项技术技能，更是一种基础性思维模式，能从根本上改变统计学家处理数据问题的方式。