論文の概要: Motivation, inclusivity, and realism should drive data science education
- arxiv url: http://arxiv.org/abs/2305.06213v1
- Date: Tue, 9 May 2023 17:46:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 12:32:08.929079
- Title: Motivation, inclusivity, and realism should drive data science education
- Title（参考訳）: モチベーション、傾き、リアリズムはデータサイエンス教育を推進すべきである
- Authors: Candace Savonen, Carrie Wright, Ava M. Hoffman, Elizabeth M.
Humphries, Katherine E. L. Cox, Frederick J. Tan, Jeffrey T. Leek
- Abstract要約: データサイエンス教育は大きな機会を提供するが、多くのコミュニティにはアクセスできない。
データサイエンスのコミュニティへのアクセシビリティの向上は、データサイエンスに参加する個人に利益をもたらすだけでなく、この分野全体の革新と潜在的な影響も増大させる。
私たちのグループは、プロの科学者から高校生、レイオーディエンスまで、さまざまなオーディエンスのための教育活動をリードしてきました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data science education provides tremendous opportunities but remains
inaccessible to many communities. Increasing the accessibility of data science
to these communities not only benefits the individuals entering data science,
but also increases the field's innovation and potential impact as a whole.
Education is the most scalable solution to meet these needs, but many data
science educators lack formal training in education. Our group has led
education efforts for a variety of audiences: from professional scientists to
high school students to lay audiences. These experiences have helped form our
teaching philosophy which we have summarized into three main ideals: 1)
motivation, 2) inclusivity, and 3) realism. To put these ideals better into
practice, we also aim to iteratively update our teaching approaches and
curriculum as we find ways to better reach these ideals. In this manuscript we
discuss these ideals as well practical ideas for how to implement these
philosophies in the classroom.
- Abstract（参考訳）: データサイエンス教育は大きな機会を提供するが、多くのコミュニティにはアクセスできない。
データサイエンスのコミュニティへのアクセシビリティの向上は、データサイエンスに参加する個人に利益をもたらすだけでなく、この分野全体の革新と潜在的な影響も増大させる。
教育はこれらのニーズを満たすための最もスケーラブルなソリューションであるが、多くのデータサイエンス教育者は教育の正式な訓練を欠いている。
私たちのグループは、プロの科学者から高校生、レイオーディエンスまで、さまざまなオーディエンスのための教育活動をリードしてきました。
これらの経験は、私たちが3つの主要な理想にまとめる教育哲学を形成するのに役立ちました。
1)モチベーション
2)排他性,及び
3)リアリズム。
これらの理想をよりよく実践するために、私たちはまた、これらの理想によりよい到達方法を見つけるために、教育アプローチとカリキュラムを反復的に更新することを目指しています。
本稿では,これらの理念と,これらの哲学を教室で実践するための実践的アイデアについて論じる。
関連論文リスト
- Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。
AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。
本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文 参考訳（メタデータ） (2024-05-07T17:05:27Z) - Data Science Education in Undergraduate Physics: Lessons Learned from a Community of Practice [0.6597195879147557]
我々は,データサイエンス教育実践コミュニティ(DSECOP)の知見と経験を紹介する。
DSECOPは、さまざまな機関の大学院生と物理学教育者を集めて、データサイエンスを学部の物理学教育に統合することから学んだベストプラクティスと教訓を共有する。
私たちのゴールは、データサイエンスを教育に統合し、次世代の物理学者をデータ駆動の世界に向けて準備する教育者へのガイダンスとインスピレーションを提供することです。
論文 参考訳（メタデータ） (2024-03-01T20:21:42Z) - Bringing Generative AI to Adaptive Learning in Education [58.690250000579496]
我々は、生成AIと適応学習の交差研究に光を当てた。
我々は、この連合が教育における次の段階の学習形式の発展に大きく貢献するだろうと論じている。
論文 参考訳（メタデータ） (2024-02-02T23:54:51Z) - Character comes from practice: longitudinal practice-based ethics
training in data science [0.5439020425818999]
RCRトレーニングの目的は、ある道徳的能力の育成を促進することである。
理想は美徳の育成であるが、RCRモジュールによって許される限られた空間は、表面能力の育成を促進できるだけである。
第3に、日々のデータサイエンス活動の技術的・社会的タスクを通じて、(プロト-)仮想的な買収が発生することを強調して、我々のアプローチを運用する。
論文 参考訳（メタデータ） (2024-01-09T09:37:44Z) - Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。
本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
論文 参考訳（メタデータ） (2023-12-27T14:37:32Z) - Getting aligned on representational alignment [93.08284685325674]
本研究では,認知科学,神経科学,機械学習における表現的アライメントの研究を行う。
重複する関心にもかかわらず、これらの分野の間には知識の伝達が限られている。
本稿では,表現アライメント研究のための共通言語として機能する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-18T17:47:58Z) - What Should Data Science Education Do with Large Language Models? [35.94265894727157]
ChatGPTのような大規模言語モデル(LLM)の急速な進歩は、データサイエンスと統計学に革命をもたらしている。
LLMはデータサイエンティストの責務を転換し、手作業によるコーディング、データラングリング、標準分析から、これらの自動化AIによる分析の評価と管理へと焦点を移している、と私たちは主張する。
本稿では,これら各方向性に対する機会,資源,オープンな課題について論じる。
論文 参考訳（メタデータ） (2023-07-06T06:07:29Z) - A Comprehensive Survey of Continual Learning: Theory, Method and
Application [64.23253420555989]
本稿では,基礎的設定,理論的基礎,代表的方法,実践的応用を橋渡しする継続的学習に関する包括的調査を行う。
連続学習の一般的な目的は、資源効率の文脈において、適切な安定性と塑性のトレードオフと適切なタスク内/タスク内一般化性を保証することであると要約する。
論文 参考訳（メタデータ） (2023-01-31T11:34:56Z) - Motivating Data Science Students to Participate and Learn [0.0]
データサイエンス教育は、人間の主題やプライバシー、倫理、公正といった社会的問題にますます関与している。
本稿では,学生が社会的文脈に関する資料に深く取り組む動機となるように,データサイエンスの授業を構成する方法に関する洞察を提供する。
本稿では,学生の自主性,自己反映,学習コミュニティの構築を促進するフレームワークによって動機付けられた,参加ポートフォリオと呼ばれる新しいアセスメントツールについて述べる。
論文 参考訳（メタデータ） (2022-04-28T01:26:16Z) - Opinionated practices for teaching reproducibility: motivation, guided
instruction and practice [0.0]
予測モデリングは、しばしばデータサイエンスの初心者にとって最も興味深いトピックの1つである。
学生は本質的にこのトピックを学ぶ動機がなく、学ぶのは容易ではない。
余分なモチベーション、指導、多くのプラクティスを提供することが、このトピックを効果的に教える鍵となります。
論文 参考訳（メタデータ） (2021-09-17T19:15:41Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。