Современный мировой ландшафт онлайн-обучения наукам о данных
https://doi.org/10.31992/0869-3617-2022-31-4-129-147
Аннотация
Науки о данных (data science) показывают высокую динамику в качестве новой отрасли прикладного знания, а также новой области обучения. Кроме того, активно развивается соответствующая сфера образовательных исследований. Вместе с тем бóльшая часть научных публикаций направлена на изучение конкретных вопросов, связанных с содержательным наполнением программ и их методическим обеспечением. Более широкий и особенно международный контекст остаётся без необходимого внимания исследователей.
В этой связи целью нашего исследования явилось обобщение и систематизация сведений о программах обучения в области наук о данных, представленных на онлайн-платформах основных макрорегионов: Америки, Европы и Азии. Для этого мы выяснили, из каких элементов состоит корпус программ обучения наукам о данных, как на образовательных платформах распределены курсы по странам и организациям, предоставляющим курсы (провайдерам), как курсы распределены по уровню образования и продолжительности обучения. На основе полученных данных мы провели сравнительное межрегиональное исследование образовательных программ, представленных на онлайн-платформах.
Полученные данные позволили сделать выводы о специфике мирового ландшафта онлайнобучения наукам о данных, а также определить специфику российского сегмента и сформулировать рекомендации для решения значимых задач отечественной экономики с помощью онлайн-обучения наукам о данных.
Об авторах
В. С. Никольский
Московский государственный политехнический университет
Россия
Россия
Никольский Владимир Святославович – д-р филос. наук, проф., гл. редактор журнала «Высшее образование в России»
SPIN-code: 7196-8065
107023, г. Москва, ул. Б. Семёновская, 38
М. А. Лукашенко
Московский финансово-промышленный университет «Синергия»
Россия
Россия
Лукашенко Марианна Анатольевна – д-р экон. наук, проф., зав. кафедрой «Корпоративная культура»
SPIN-code: 1393-2243
105318, г. Москва, Измайловский вал, 2
Е. А. Шарова
Российский институт стратегических исследований
Россия
Россия
Шарова Екатерина Андреевна – канд. экон. наук, зам. руководителя Центра координации исследований
SPIN-code: 8611-5298
125413, г. Москва, ул. Флотская, 15Б
Список литературы
1. Song I.-Y., Zhu Y. Big Data and Data Science: What Should We Teach? // Expert Systems, 2016. Vol. 33. Issue 4. P. 364–373. DOI: 10.1111/exsy.12130
2. Власов Д.А., Карасев П.А., Синчуков A.B. Возможности новой содержательно-методической линии «Анализ больших данных» для модернизации системы профессиональной подготовки будущего экономиста // Статистика и Экономика. 2021. Т. 18. № 5. С. 60–70. DOI: https://doi.org/10.21686/2500-3925-2021-5-60-70
3. Пыркина О.Е. Методология формирования системного мышления у студентов в процессе изучения курсов data science // Современная математика и концепции инновационного математического образования. 2020. Т. 7. № 1. С. 442–446. URL: https://elibrary.ru/item.asp?id=43009266 (дата обращения: 26.03.2022).
4. Williamson B. Governing methods: Policy innovation labs, design and data science in the digital governance of education // Journal of Educational Administration and History. 2015. Vol. 47. Issue 3. P. 251–271. DOI: 10.1080/00220620.2015.1038693
5. Schwab-McCoy A., Baker C., Gasper R. Data Science in 2020: Computing, Curricula, and Challenges for the Next 10 Years // Journal of Statistics and Data Science Education. 2021. Vol. 29. Issue sup1: Computing in the Statistics and Data Science Curriculum. P. S40–S50. DOI: 10.1080/10691898.2020.1851159
6. Irizarry R.A. The role of academia in data science education // Harvard Data Science Review. 2020. Issue 2.1. DOI: 10.1162/99608f92.dd363929
7. Demchenko Y., Belloum A., Wiktorski T. Edison Data Science Frame-work: Part 1. Data Science Competence Framework (CF-DS), Release 1 // Zenodo. 2016. Oct 10. DOI: 10.5281/zenodo.167585
8. Kross S., Peng R.D., Caffo B.S., Gooding I., Leek J.T. The Democratization of Data Science Education // American Statistician. 2020. Vol. 74. Issue 1. P. 1–7. DOI: 10.1080/00031305.2019.1668849
9. Hardin J., Hoerl R., Horton N.J., Nolan D., Baumer B., Hall-Holt O., Murrell P., Peng R., Roback P., Temple Lang D., Ward M.D. Data Science in Statistics Curricula: Preparing Students to Think with Data // The American Statistician. 2015. Vol. 69. Issue 4. DOI: 10.1080/00031305.2015.1077729
10. Emery N.C., Crispo E., Supp S.R., Farrell K.J., Kerkhoff A.J., Bledsoe E.K., O’Donnell K.L., McCall A.C., Aiello-Lammens M.E. Data Science in Undergraduate Life Science Education: A Need for Instructor Skills Training // BioScience. 2021. Vol. 71. Issue 12. P. 1274–1287. DOI: 10.1093/biosci/biab107
11. Hicks S.C., Irizarry R.A. A Guide to Teaching Data Science // American Statistician. 2018. Vol. 72. Issue 4. P. 382–391. DOI: 10.1080/00031305.2017.1356747
12. Asamoah В., Doran В., Schiller S. (2020) Interdisciplinarity in Data Science Pedagogy: A Foundational Design // Journal of Computer Information Systems. 2020. Vol. 60. Issue 4. P. 370–377. DOI: 10.1080/08874417.2018.1496803
13. West J. Teaching data science: An objective approach to curriculum validation // Computer Science Education. 2018. Vol. 28. Issue 2. P. 136–157. DOI: 10.1080/08993408.2018.1486120
14. Yan D., Davis G.) A First Course in Data Science // Journal of Statistics Education. 2019. Vol. 27. Issue 2. P. 99–109. DOI: 10.1080/10691898.2019.1623136
15. Tang R., Sae-Lim W. Data Science Programs in U.S. Higher Education: An Exploratory Content Analysis of Program Description, Curriculum Structure, and Course Focus // Education for Information. 2016. Vol. 32. No. 3. P. 269–290. DOI: 10.3233/EFI-160977
16. Vance E. Using Team-Based Learning to Teach Data Science // Journal of Statistics and Data Science Education. 2021. Vol. 29. Issue 3. P. 277–296. DOI: 10.1080/26939169.2021.1971587
17. Дерябин А.А., Попов А.А. Обучение дата-грамотности: содержание и конкурентные преимущества образовательной программы // Информационное общество. 2021. № 1. С. 21–29. DOI: 10.52605/16059921_2021_01_21
18. Захарова И.Г. Big Data и управление образовательным процессом // Вестник Тюменского государственного университета. Гуманитарные исследования. Humanitates. 2017. Т. 3. № 1. С. 210–219. DOI: 10.21684/2411-197X-2017-3-1-210-219
19. Белов М.А., Гришко С.И., Лишилин М.В., Осипов П.А., Черемисина Е.Н. Стратегия подготовки ит-специалистов с применением инновационного учебного дата-центра “Виртуальная компьютерная лаборатория” для эффективного решения задач цифровой трансформации и акселерации цифровой экономики // Современные информационные технологии и ИТ-образование. 2021. Т. 17. № 1. С. 134–144. DOI: 10.25559/SITITO.17.202101.703
20. Наумов В.Н. Анализ результатов опроса Kaggle о состоянии науки о данных и машинном обучении в России // Научные труды Северо-Западного института управления РАНХиГС. 2020. Т. 11. № 4 (46). С. 172–184. URL: https://spb.ranepa.ru/wp-content/uploads/2021/03/nt_11_4.pdf (дата обращения: 26.03.2022).
21. Anuva S. Analytical Study of SWAYAM // IJRAR – International Journal of Research and Analytical Reviews. 2018. Vol. 5. Issue 3. URL: http://ijrar.com/upload_issue/ijrar_issue_1471.pdf (дата обращения: 26.03.2022).
Рецензия
Просмотров:
538
Послать статью по эл. почте 