ДАТА-ГРАМОТНОСТЬ Модная тема или необходимость?
Аннотация
В статье рассматривается понятие дата-грамотности. Исследуется содержание и состав такого вида грамотности, обосновывается ее актуальность как образовательного результата, сообразного трендам цифровизации. Разделяются подходы к углубленному и общему изучению науки о данных. Дается описание различных типов задач, поставленных на разном учебном материале и направленных на развитие дата-грамотности у учащихся. Рассматриваются способы разворачивания программ, направленных на освоение учащимися науки о данных без необходимости оформления
ее в отдельную дисциплину.
Об авторах
Павел Павлович ГЛУХОВРоссия
Научный сотрудник научно-исследовательского
сектора «Открытое образование» научно-исследовательского центра социализации и персонализации образования детей Федерального института развития образования, эксперт лаборатории
компетентностных практик образования
Андрей Александрович ДЕРЯБИН
Россия
научный сотрудник научноисследовательского центра социализации и персонализации образования детей
Александр Анатольевич ПОПОВ
Россия
Д. филос. н., доцент, зав. научно-исследовательским
сектором «Открытое образование» научно-исследовательского центра социализации и персонализации образования детей
Зав. лабораторией
компетентностных практик образования Института
системных проектов
Профессор кафедры социологии и массовых коммуникаций гуманитарного
факультета
Список литературы
1. Anderson, P. et al. An undergraduate degree in data science: Curriculum
2. and a decade of implementation experience // SIGCSE 2014 — Proceedings
3. of the 45th ACM Technical Symposium on Computer Science Education. 2014. P. 145–150.
4. Baumer, B. S. A data science course for undergraduates: Thinking with
5. data // The American Statistician. 2015. No. 69. P. 334–342.
6. Bryant, C. et al. A middle-school camp emphasizing data science and
7. computing for social good // SIGCSE 2019 — Proceedings of the 50th ACM
8. Technical Symposium on Computer Science Education. 2019. P. 358–364. DOI: 10.1145/3287324.3287510.
9. Bonaventura, M., Ciotti, V. et al. Predicting success in the worldwide startup network. 2019.
10. Cirillo, P., Taleb, N. The Decline of Violent Conflicts: What Do The Data Really Say? SSRN Electronic Journal. 2016. DOI: 10.2139/ssrn.2876315.
11. Cirillo, P., Taleb, N. What are the chances of a third world
12. war? Real World Risk Institute Working Paper Series. 2016.DOI: 10.1111/j.1740-9713.2016.00903.x.
13. Datta, S., Nagabandi, V. Integrating data science and R programming
14. at an early stage // IEEE 4th International Conference on Soft
15. Computing and Machine Intelligence, ISCMI 2017. 2018. P. 1–5.
16. DOI: 10.1109/ISCMI.2017.8279587.
17. De Veaux, R., Curriculum guidelines for undergraduate programs in data
18. science // Annual Review of Statistics and Its Application. 2017. Vol. 4.
19. No 1. P. 15–30.
20. Dryer, A., Walia, N., Chattopadhyay, A. A middle-school module for
21. introducing data-mining, big data, ethics and privacy using rapidminer
22. and a Hollywood theme // SIGCSE 2018 — Proceedings of the 49th ACM
23. Technical Symposium on Computer Science Education. 2018. P. 753–758.
24. DOI: 10.1145/3159450.3159553.
25. Finzer, W. The data science education dilemma // Technology Innovations
26. in Statistics Education. 2013. Vol. 7. No. 2.
27. Gibson, J. P., Mourad T. The growing importance of data literacy in
28. life science education // American Journal of Botany. 2018. Vol. 105.
29. No 12. P. 1–4.
30. Heinemann, B. et al. Drafting a data science curriculum for secondary
31. schools // ACM International Conference Proceeding Series. 2018. P. 1–5. DOI: 10.1145/3279720.3279737
32. Janosov, M., Muscioto, F. et al. Elites, communities and the
33. limited benefits of mentorship in electronic music. 2019.DOI: https://doi.org/10.1038/s41598-020-60055-w.
34. Mariescu-Istodor, R., Jormanainen, I. Machine Learning Exercises for
35. High School Students // Proceedings of the 19th Koli Calling International
36. Conference on Computing Education Research. 2019.
37. Navarro, H., Miritello, G., Canales, A. et al. Temporal patterns behind
38. the strength of persistent ties. EPJ Data Sci. 2017. Vol. 6. No 31.
39. DOI: https://doi.org/10.1140/epjds/s13688-017-0127-3.
40. Schield, M. Information literacy, statistical literacy and data literacy //
41. IASSIST Quarterly. 2018. Vol. 28. No 2. P. 6–11.
42. Srikant, S., & Aggarwal, V. (2017). Introducing data science to school kids
43. // Proceedings of the Conference on Integrating Technology into Computer
44. Science Education, ITiCSE. P. 561–566. DOI: 10.1145/3017680.3017717.
45. Pangrazio, L., Sefton-Green, J. The social utility of data literacy // Learning,
46. Media and Technology, 2019. DOI: 10.1080/17439884.2020.1707223.
47. Wolff, A., Wermelinger, M., Petre, M. Exploring design principles for data
48. literacy activities to support children’s inquiries from complex data //
49. International Journal of Human Computer Studies. 2019. No 129 (March).
50. P. 41–54. DOI: 10.1016/j.ijhcs.2019.03.006.
Рецензия
Для цитирования:
ГЛУХОВ П.П., ДЕРЯБИН А.А., ПОПОВ А.А. ДАТА-ГРАМОТНОСТЬ Модная тема или необходимость? Образовательная политика. 2020;(3 (83)):74-82.
For citation:
GLUKHOV P.P., DERYABIN A.A., DATA LITERACY A popular topic or a necessity? Educational Policy. 2020;(3 (83)):74-82.
JATS XML






