Вы пытаетесь научить массы статистике (то есть науке о данных, машинному обучению)? Поддержите этот пост, чтобы узнать, как выделиться из толпы.
Подкасты, вебинары, онлайн-курсы по статистике и науке о данных есть везде, а конкуренция, наверное, только начинается. В этом посте вы узнаете шесть рекомендаций Американской статистической ассоциации. Ссылки на документ и отчет доступны в разделе литературы. Итак, давайте начнем.
- Учить статистическому мышлению.
- Сосредоточьтесь на концептуальном понимании
- Интегрируйте реальные данные с контекстом и целью
- Способствовать активному обучению
- Используйте технологии для изучения концепций и анализа данных
- Используйте оценки для улучшения и оценки обучения учащихся
1. Научите статистическому мышлению
Статистическое мышление должно быть исследовательским процессом решения проблем и принятия решений.
Попытка выяснить, какие данные показывают, является сложной когнитивной задачей. Формулы и методы, конечно, нужны. Однако, по сути, обучение должно отдавать приоритет применению этих методов. Таким образом, учителям следует посвятить больше времени объяснению того, почему скрипку или диаграммы можно использовать, чтобы помочь нам занижать наши данные.
Учащиеся должны иметь дело с реальным многомерным миром.
Давайте смотреть правде в глаза. Реальность грязная. Почему мы должны обращаться только к смоделированным данным? Возможно, у вас уже был такой опыт, когда вы читали книги или посещали курсы. Что, если у нас есть мультиколлинеарность, предикторы с почти нулевой дисперсией и несбалансированные данные? А как насчет отсутствующих данных и предвзятости при сборе данных? Это нормально и рекомендуется начинать с простого и со временем усложнять, но не забывайте о реальном мире.
2. Концептуальное понимание
Прежде чем вы начнете свое видео или лекцию, уделите некоторое время объяснению, почему метод и статистика полезны. Если возможно, предоставьте реальные приложения. Реальные приложения помогут студентам улучшить свои способности, чтобы построить основу вокруг темы, в то же время осознавая необходимость рассмотрения других курсов.
Возьми меня для примера. Недавно я прошел сертификацию IBM «Профессиональный сертификат инженера искусственного интеллекта». Достаточно ли этой курсовой работы для обеспечения глубоких знаний и мастерства? Неа. Это было отличное начало, но мне нужно еще больше поработать над обработкой естественного языка (NLP), TensorFlow и Pytorch.
3. Контекстуализировать реальные данные с определенной целью
Использование реальных данных имеет несколько преимуществ. Во-первых, студенты могут понять, зачем они учатся. Во-вторых, они, вероятно, перенесут свои знания в новые ситуации. В-третьих, на реальных примерах преподаватели столкнутся с общими проблемами, с которыми сталкиваемся все мы при работе с данными. Напоминайте себе о том, что нужно привести примеры, имеющие отношение к вашей аудитории. Несколько лет назад я работал над некоторыми лабораториями, предоставленными OpenIntro. Лаборатория была основана на бейсбольных данных, не имеющих отношения ко мне и, вероятно, к большинству людей, живущих за пределами США. Я столкнулся с той же проблемой, обучая студентов социальной коммуникации. Как бы вы нацелились на эту аудиторию?
4. Способствуйте активному обучению
Отличное обучение - отличная сделка для обучения. Но обучение — это больше, чем превосходное обучение. Учителя должны вовлекать учащихся в содержательную деятельность, которая дает множество возможностей для работы и размышлений. Это может быть очень сложно, когда ваша единственная форма обучения — чтение лекций. Учащимся потребуется время для работы над задачами, а подходящее время трудно оценить, особенно для опытных инструкторов, которые могут выполнить всю работу за короткое время.
5. Используйте программное обеспечение для анализа данных
Библиотеки и пакеты с открытым исходным кодом широко доступны. В зависимости от вашей аудитории вы можете начать с LibreOffice, Jupyter (Julia, Python и R), Colabs. Есть множество вариантов. Просто напомните себе, что нужно выбирать то, что лучше всего подходит для аудитории. В качестве дружеского напоминания: не всем будет полезно изучать язык программирования.
Если вы собираетесь преподавать программирование, вам могут пригодиться следующие советы Долера и Тейлора (2015):
- Внедряйте код как можно раньше.
- Подчеркните важность программного обеспечения. Вы создаете дерево регрессии вручную? Нет, спасибо.
- Решайте вопросы программирования вместе. Это просто большая часть работы.
- Поощряйте организацию и организацию кода.
6. Оценивайте и повторяйте
Оценки должны быть согласованы с целями обучения. Имейте это в виду. Поэтому, прежде чем создавать оценки, вы должны хорошо понимать, чему вы пытаетесь научить. Можно использовать пересмотренную таксономию Блума (см. Scott, 2003). Кроме того, для оценки предпочтительны ключевые идеи. Вычисление p-значения — это низкий уровень по сравнению с получением достоверных выводов на основе данных с использованием p-значений и признанием их предостережений.
Дальнейшее чтение
Долер, К., и Тейлор, Л. (2015). Включение программного обеспечения на основе кода во вводный курс статистики. Международный журнал математического образования в области науки и технологий, 46(6), 841–852. https://doi.org/10.1080/0020739X.2015.1014942
Руководство по оценке и обучению статистическим образовательным отчетам. (н.д.). Получено 13 июля 2020 г. с https://www.amstat.org/asa/education/Guidelines-for-Assessment-and-Instruction-in-Statistics-Education-Reports.aspx.
Принц, М. (2004). Работает ли активное обучение? Обзор исследования. Журнал инженерного образования, 93(3), 223–231. https://doi.org/10.1002/j.2168-9830.2004.tb00809.x
Скотт, Т. (2003). Таксономия Блума применялась к тестированию на уроках информатики. Journal of Computing Sciences in Colleges, 19(1), 267–274.
Вуд, Б.Л., Мокко, М., Эверсон, М., Хортон, Нью-Джерси, и Веллеман, П. (2017). Обновленные рекомендации, обновленная учебная программа: отчет колледжа GAISE и вводная статистика для современного студента. ArXiv:1705.09530 [стат]. http://arxiv.org/abs/1705.09530
