Training Data: How can we best prepare instructors to teach data science in undergraduate biology and environmental science courses?
Notice bibliographique
Résumé
Abstract There is a clear and concrete need for greater quantitative literacy in the biological and environmental sciences. Data science training for students in higher education necessitates well-equipped and confident instructors across curricula. However, not all instructors are versed in data science skills or research-based teaching practices. Our study sought to survey the state of data science education across institutions of higher learning, identify instructor needs, and illuminate barriers to teaching data science in the classroom. We distributed a survey to instructors around the world, focused on the United States, and received 106 complete responses. Our results indicate that instructors across institutions use, teach, and view data management, analysis, and visualization as important for students to learn. Code, modeling, and reproducibility were less valued by instructors, although there were differences by institution type (doctoral, masters, or baccalaureate), and career stage (time since terminal degree). While there were a variety of barriers highlighted by respondents, instructor background, student background, and space in the curriculum were the greatest barriers of note. Interestingly, instructors were most interested in receiving training for how to teach code and data analysis in the undergraduate classroom. Our study provides an important window into how data science is taught in higher education as well as suggestions for how we can best move forward with empowering instructors across disciplines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».