論文の概要: The DataSquad Experiment: Lessons for Preparing Data and Computer Scientists for Work
- arxiv url: http://arxiv.org/abs/2511.19688v1
- Date: Mon, 24 Nov 2025 20:49:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.15431
- Title: The DataSquad Experiment: Lessons for Preparing Data and Computer Scientists for Work
- Title（参考訳）: DataSquadの実験:仕事のためのデータとコンピュータサイエンティストの準備の教訓
- Authors: Paula Lackie, Elliot Pickens, Dashiell Coyier,
- Abstract要約: カールトン大学のDataSquadは、構造化されたピアメンターシップと実際のクライアントプロジェクトを通じて、学部生を訓練する。
本稿では、カールトン大学におけるプログラムの実装について述べ、構造化されたピアメンターシップが制度データサービスをどのように同時に改善できるかを考察する。
- 参考スコア（独自算出の注目度）: 0.746464933382582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The DataSquad at Carleton College addresses a common problem at small liberal arts colleges: limited capacity for data services and few opportunities for students to gain practical experience with data and software development. Academic Technologist Paula Lackie designed the program as a work-study position that trains undergraduates through structured peer mentorship and real client projects. Students tackle data problems of increasing complexity-from basic data analysis to software development-while learning FAIR data principles and open science practices. The model's core components (peer mentorship structure, project-based learning, and communication training) make it adaptable to other institutions. UCLA and other colleges have adopted the model using openly shared materials through "DataSquad International." This paper describes the program's implementation at Carleton College and examines how structured peer mentorship can simultaneously improve institutional data services and provide students with professional skills and confidence.
- Abstract（参考訳）: カールトン大学のDataSquadは、データサービスの限られた能力と、学生がデータとソフトウェア開発で実践的な経験を得られる機会が少ないという、小さなリベラルアーツ大学の一般的な問題に対処している。
学術技術学者のパウラ・ラッキー(Paula Lackie)は、このプログラムを、構造化されたピアメンターシップと実際のクライアントプロジェクトを通じて、学部生を訓練するワークスタディとして設計した。
学生は、基礎データ分析からソフトウェア開発まで、複雑さを増すというデータ問題に取り組み、FAIRデータ原則とオープンサイエンスの実践を学習する。
モデルのコアコンポーネント(ピアメンターシップ構造、プロジェクトベースの学習、コミュニケーショントレーニング)は、他の機関に適応できるようにします。
UCLAや他の大学は「DataSquad International」を通じてオープンに共有された資料を用いてこのモデルを採用している。
本稿では、カールトン大学におけるプログラムの実装について述べ、構造化されたピアメンターシップが制度データサービスをどのように改善し、学生に専門的スキルと自信を与えるかを検討する。
関連論文リスト
- Compressive Meta-Learning [49.300635370079874]
圧縮学習(Compressive learning)は、ランダムで非線形な特徴を用いることで効率的な処理を可能にするフレームワークである。
圧縮学習手法の符号化段階と復号段階の両方をメタラーニングするフレームワークを提案する。
ニューラルネットワークベースの圧縮PCA、圧縮リッジ回帰、圧縮k平均、オートエンコーダなど、複数のアプリケーションについて検討する。
論文 参考訳（メタデータ） (2025-08-14T22:08:06Z) - A collaborative digital twin built on FAIR data and compute infrastructure [41.94295877935867]
本研究は,nanoHUBサービス上に構築された分散SDL実装をオンラインシミュレーションとFAIRデータ管理のために提案する。
研究者と学生は、独自の実験をセットアップし、協力者とデータを共有し、FAIRデータ、予測MLモデル、シーケンシャルな最適化の組み合わせを探索することができる。
論文 参考訳（メタデータ） (2025-06-24T18:13:52Z) - LLM-itation is the Sincerest Form of Data: Generating Synthetic Buggy Code Submissions for Computing Education [5.421088637597145]
大規模言語モデル(LLM)は、大規模でプライバシを保存する合成データを作成するための有望なアプローチを提供する。
本研究は,GPT-4oを用いた導入プログラミング演習のための合成バグギーコード生成について検討する。
合成データと実生データ間のテストケース故障の分布を比較し,実生データを模倣した合成データの精度を解析した。
論文 参考訳（メタデータ） (2024-11-01T00:24:59Z) - Integrating HCI Datasets in Project-Based Machine Learning Courses: A College-Level Review and Case Study [0.7499722271664147]
本研究では,HCI(Human-Computer Interface)データセットを用いた実世界の機械学習プロジェクトの統合について検討する。
論文 参考訳（メタデータ） (2024-08-06T23:05:15Z) - AI Competitions and Benchmarks: Dataset Development [42.164845505628506]
本章では,我々の実践経験に富んだ,確立した方法論ツールの概要について概観する。
データセット開発に関わるタスクを開発し、その効果的な管理に関する洞察を提供する。
次に、データ収集、変換、品質評価を含む実装プロセスの詳細について述べる。
論文 参考訳（メタデータ） (2024-04-15T12:01:42Z) - Practical Vertical Federated Learning with Unsupervised Representation
Learning [47.77625754666018]
フェデレートされた学習は、複数のパーティが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。
我々はFedOnceという,一対一のコミュニケーションしか必要としない新しいコミュニケーション効率の縦型学習アルゴリズムを提案する。
私たちのプライバシー保護技術は、同じプライバシー予算の下で最先端のアプローチを著しく上回ります。
論文 参考訳（メタデータ） (2022-08-13T08:41:32Z) - CateCom: a practical data-centric approach to categorization of
computational models [77.34726150561087]
本稿では,物理モデルとデータ駆動型計算モデルのランドスケープを整理する取り組みについて述べる。
オブジェクト指向設計の概念を適用し、オープンソース協調フレームワークの基礎を概説する。
論文 参考訳（メタデータ） (2021-09-28T02:59:40Z) - Distributed Deep Learning in Open Collaborations [49.240611132653456]
協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。
現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T16:23:13Z) - Enabling collaborative data science development with the Ballet
framework [9.424574945499844]
本稿では,データサイエンスのコラボレーションをスケールするための新しい概念的フレームワークとmlプログラミングモデルを提案する。
Balletはオープンソースのデータサイエンスを共同で行うための軽量ソフトウェアフレームワークです。
論文 参考訳（メタデータ） (2020-12-14T18:51:23Z) - Computational Skills by Stealth in Secondary School Data Science [16.960800464621993]
本稿では,学生によるデータサイエンスへの最初の露出における計算スキルのステルス開発について論じる。
このアプローチの目的は、データ駆動学習者になる際に、興味やコーディングの自己効力によらず、学生を支援することである。
論文 参考訳（メタデータ） (2020-10-08T09:11:51Z)
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。