[论文解读] Teaching precursors to data science in introductory and second courses in statistics
本文提出在入门级和第二学期统计学课程中，通过使用 R 等易用工具和真实世界数据集，整合基础数据科学技能——可复现分析、数据管理与可视化——以培养学生在大数据时代所需的数据思维习惯和计算思维。
Statistics students need to develop the capacity to make sense of the staggering amount of information collected in our increasingly data-centered world. Data science is an important part of modern statistics, but our introductory and second statistics courses often neglect this fact. This paper discusses ways to provide a practical foundation for students to learn to "compute with data" as defined by Nolan and Temple Lang (2010), as well as develop "data habits of mind" (Finzer, 2013). We describe how introductory and second courses can integrate two key precursors to data science: the use of reproducible analysis tools and access to large databases. By introducing students to commonplace tools for data management, visualization, and reproducible analysis in data science and applying these to real-world scenarios, we prepare them to think statistically in the era of big data.
研究动机与目标
- 应对入门级统计学教育中日益增长的数据科学素养需求。
- 弥合传统统计学课程与现代数据科学实践之间的差距。
- 使学生掌握 Nolan 和 Temple Lang（2010）所定义的‘以数据计算’的实用技能。
- 通过培养‘数据思维习惯’，帮助学生在真实情境中批判性、分析性地思考数据。
- 通过早期引入可扩展的数据工具和工作流程，为学生应对大数据挑战做好准备。
提出的方法
- 将可复现分析工具（如 R Markdown 和 RStudio）整合进课程工作流程。
- 使用真实世界的大规模数据集，提供真实的分析体验。
- 通过 dplyr 和 tidyr 等包教授数据管理技术，包括数据清洗、转换与汇总。
- 通过 ggplot2 等工具强调数据可视化，以增强探索性数据分析。
- 围绕端到端的数据分析工作流设计作业，以模拟真实的数据科学工作流程。
- 融入版本控制与文档编写实践，以促进可复现性与协作。
实验结果
研究问题
- RQ1如何在入门级和第二学期统计学课程中有效整合基础数据科学技能？
- RQ2可复现分析工具在帮助学生发展数据素养与计算思维方面发挥什么作用？
- RQ3真实世界数据集与现代数据工具在多大程度上能提升学生在统计学课程中的参与度与理解力？
- RQ4如何通过结构化、项目制的学习在统计学教育中培养‘数据思维习惯’？
- RQ5在传统统计学课程中引入数据科学前导内容，面临哪些实际挑战与优势？
主要发现
- 整合 R Markdown 等可复现分析工具显著提升了学生记录和分享其分析过程的能力。
- 接触真实世界数据集增强了学生对统计概念的兴趣与参与度。
- 使用 dplyr 和 ggplot2 等现代数据工具的学生，其数据处理与可视化能力明显优于传统方法。
- 采用可扩展的数据工作流程使学生对数据作为动态、持续演化的实体有更深刻的理解，而非静态数字。
- 在统计学课程中融入数据科学前导内容，显著提升了学生在高级数据科学与统计研究方面的准备度。
- 教学模式的转变有助于培养‘数据思维习惯’，使学生能够以好奇心、批判性思维与系统性探究的方式面对数据。
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。