ACM通信

在2020年7月的一篇题为数据科学教育的十大挑战，我们提出数据科学教育的挑战。现在，我们希望强调数据科学带来的六个令人兴奋的新机遇:

• 在现实环境中教授STEM(科学、技术、工程和数学)

• 使用真实的数据来教授STEM

• 弥合STEM教育中的性别差距

• 教授21世纪技能

• 跨学科的教育学

• 教师专业发展

正如下面对这六个机会的描述所揭示的那样，这些机会在很大程度上是基于和衍生于数据科学的跨学科性。

1. 在真实环境中教授STEM。由于数据科学对应用领域(即现实环境)有很大的重要性，因此它提供了一个将这个视角扩展到其他STEM学科的机会。虽然已经尝试在不同的主题中实施这种方法(例如Asamoah等人，2015)，特别是在数据科学组件的学科教育背景下(即数学教育、统计教育和计算机科学教育)，但这种方法并不常见，因为它们对教师和学习者来说都不容易实施。然而，在数据科学教育的背景下，由于应用领域本身是集成的，在应用领域所代表的现实环境中教授数学、统计和计算机科学不仅是自然的，而且是必要的和不可避免的。

1. 使用真实的数据来教授STEM。在现实环境中教授STEM的一种方法(参见机会一)是使用现实世界的数据来教授它。事实上，使用真实数据进行数据科学教育和统计教育是一种常见的做法。尽管如此，尽管研究告诉我们，使用真实数据学习计算机科学可以激励学生并支持他们的学习过程(例如Anderson等人，2015;Burlinson等人，2016;Tartaro and Chosed, 2015)，最近关于计算机科学教育趋势的综合文献综述显示，使用真实世界的数据教授计算机科学仍然不常见(Becker and Quille, 2019;Luxton-Reilly等人，2018)。据我们所知，数学教育也是如此(Edelen等人，2020;马修斯,2018)。跨学科课程开发和教学的复杂性可以解释这类课程的缺乏(Way and Whidden, 2014)。 Courses teaching mathematics and computer science in the context of data science, therefore, provide opportunities to teach these subjects using real-world data. For example, we designed an interdisciplinary Introduction to Computer Science course for psychology graduate students in which the students not only use real-world data, but also gather these data in experiments that they design and execute (Mike and Hazzan, 2022).

1. 弥合STEM教育中的性别差距。数据显示，在K-12、学术界和工业界，女性在STEM学科中的比例偏低。例如，美国教育部(教育统计摘要2018- 2019年获得的学士学位中，女性只获得了21%的计算机科学学位。由于数据科学是一门新兴学科，Berman和Bourne(2015)提出，数据科学具有缩小STEM学科性别差距的潜力。例如，我们在2020年为社会科学和数字人文研究人员举办了两场数据科学研讨会，其中绝大多数参与者都认为自己是女性(54,83%中的44人)，尽管以色列社会科学和人文毕业生中女性的基本比例约为66% (Mike, Hartal和Hazzan, 2021年)。这种性别比例与STEM研究中普遍存在的性别比例相反，这让我们从性别的角度来考察研讨会。我们的发现表明，参加数据科学研讨会的女性认为这是获得研究工具而不是编程工具的机会。换句话说，将研讨会框架为一个研究研讨会，而不是一个编程研讨会，降低了STEM领域普遍存在的性别障碍，鼓励大多数女性研究人员参与。因此，继Berman和Bourne(2015)之后，我们建议将数据科学作为一个独立的领域(而不是作为计算机科学的一个分支领域)，并将数据科学技能作为专业和研究技能而不是编程技能引入是非常重要的(Mike, Hartal, and Hazzan, 2021)。这样的数据科学和数据科学技能框架不仅促进了数据科学中的性别平等，而且在更大的范围内促进了STEM教育中的性别平等。

1. 教授21世纪的技能。数据科学是21世纪的一项重要能力，包括许多认知技能(如数据思维(Mike et al.， 2022)、计算思维和统计思维)、社交技能(如团队合作和讲故事)和组织技能(如跨团队协作)。数据科学还促进了数据素养，这被认为是21世纪的基本技能。人们普遍认为，技能应该在特定的环境中教授和实践，而不是孤立地进行，因此，数据科学教育是一个机会，可以将这些技能作为数据科学学习过程的一部分，在真实世界的环境中推广。

1. 跨学科的教育学。研究人员确定了两个或多个不同学科之间的几个层次的整合，其中两个是多学科性和跨学科性(Alvargonzález, 2011)。多学科性是最低层次的融合，要求学习者分别获得各个学科的知识和理解。另一方面，跨学科性代表着更高层次的整合。跨学科项目是在学习者分别掌握各学科的基础知识和理解后实施的，学习者要掌握各学科之间的相互联系，运用各学科的知识和方法解决需要他们解决的问题。

“跨学科教育学”一词在文献中大多是作为跨学科教育的同义词来讨论的;例如，参见Cargill(2005)和Penny(2009)。其他学者将跨学科教学法定义为一种基于不同学科教学法的综合教学法(Chesley等人，2018)。然而，本着跨学科教育的精神，我们提出了跨学科教育学的新定义:在整合不同学科的教学方法的基础上，解决跨学科教育中的教学挑战。

基于这一定义，我们建议数据科学教育利用一个机会来实施跨学科教学。这种跨学科教学法的一个例子是应用数学教育的教学原则来教授机器学习(Mike and Hazzan, 2022b)。数据科学为进一步发展这种教学法提供了机会，最近由于世界面临的各种问题，这种教学法受到了极大的关注。

1. 教师专业发展。由于数据科学与各种学科相关，包括数学、统计学、计算机科学和许多其他应用领域，因此数据科学教育与来自同样广泛的各种学科的教育工作者相关。它为熟悉数据科学学科和数据科学教学方法的教育工作者提供了专业发展的机会。在这样的专业发展过程中，鼓励教育者使用来自他们专业领域(如历史、社会学或心理学)或教育领域的数据来实践数据科学是很重要的。因此，教育者不仅将学习数据科学，而且还将提高他们对所教授的应用领域的理解，并丰富他们的教学方法库。

结论

在本博客中，我们提出了数据科学教育中的六个新机会。我们的研究表明，在我们的博客中提出的挑战。”数据科学教育的十大挑战在数学教育、统计教育、计算机科学教育和应用领域教育方面的个人背景下，这个博客所呈现的机会不能被(分别)减轻或利用。这放大了一门新学科——数据科学教育的必要性，该学科专注于数据科学教育、教学和研究。随着这一领域得到越来越多的关注，很明显，一个新的学科正在诞生:数据科学教育。