ГРАМОТНІСТЬ У ГАЛУЗІ ДАНИХ: ВИЗНАЧЕННЯ, ПІДХОДИ, НАПРЯМИ ФОРМУВАННЯ
Notice bibliographique
Résumé
The article reveals the issues related to the formation of student’s data literacy. Definitions of statistical literacy and their development over time, approaches and ways of literacy formation, as well as the methods of teaching relevant courses are analyzed.Based on the analysis of the UN experts’ definition of data literacy, the content of the European Digital Competence Framework for citizens, the UNESCO Teachers’ ICT Competency Standards and the National Statistics Development Program of Ukraine until 2023, it is found that data literacy is considered one of the important 21st century skills. It is shown that the content of competence in the data field differs depending on what is taken as the basis: focus on working with scientific data, emphasis on education of citizens in the field of data, employers’ requirements for employees, requirements for teachers, students, analysts, etc. Understanding of adults’ data literacy develops over time. Currently, it is not enough to prepare only critical consumers of statistical information, the emphasis is on an effective approach, the ability to produce data, as well as understand the properties of big data, algorithms for processing and presentation to consumers, ethical implications and data privacy issues.An analysis of the experience of the developed countries (Australia, Canada, United Kingdom) on approaches to generating statistical literacy indicates the prospect of isolating different consumer segments and developing several levels of statistical literacy, from basic to advanced; society as a whole must be at a basic level and students, thought’s leaders and decision makers should be at an advanced level.New forms of student’s activity related to data analysis introduced by academics and practitioners are discussed: building art objects and storytelling based on data; shared data collection by citizens through mobile devices, “play with data” using modern data visualization services. Paths of updating statistical literacy courses for Ukrainian sociology students are outlined, based on a synthetic approach and taking into account the barriers that arise during studying quantitative methods courses
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,008 |
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 ».