Using Team-Based Learning to Teach Data Science
Using Team-Based Learning to Teach Data Science
复制标题
使用基于团队的学习来教授数据科学
DOI：
10.1080/26939169.2021.1971587
复制
发表时间：
2021
影响因子：
1.7
通讯作者：
Vance, Eric A.
中科院分区：
文献类型：
--
作者：
Vance, Eric A.
数据科学是协作的，它的学生应该学习团队合作和协作。然而，将这些技能的教学融入数据科学课程可能是一个挑战。基于团队的学习（TBL）是一种教学策略，可以帮助教育工作者更好地教授数据科学，通过翻转课堂，采用小组协作学习，让学生积极参与数据科学。这种教学方法的一个结果是帮助学生实现有效沟通，团队合作和协作的劳动力相关的数据科学学习目标。我们描述了TBL的基本要素：问责制结构和反馈机制，以支持学生在永久团队中合作进行精心设计的应用练习，以进行数据科学。我们使用TBL教授现代数据科学入门课程的案例研究结果表明，该课程有效地教授了可重复的数据科学工作流程，开始R编程以及沟通和协作。学生们还报告说，他们在学习统计思维和先进的R概念方面还有很大的改进空间。为了帮助数据科学教育社区采用这种吸引人的教学策略，我们概述了决定使用TBL的步骤，准备和规划它，以及在使用TBL教授数据科学时克服潜在的陷阱。
Data science is collaborative and its students should learn teamwork and collaboration. Yet it can be a challenge to fit the teaching of such skills into the data science curriculum. Team-Based Learning (TBL) is a pedagogical strategy that can help educators teach data science better by flipping the classroom to employ small-group collaborative learning to actively engage students in doing data science. A consequence of this teaching method is helping students achieve the workforce-relevant data science learning goals of effective communication, teamwork, and collaboration. We describe the essential elements of TBL: accountability structures and feedback mechanisms to support students collaborating within permanent teams on well-designed application exercises to do data science. The results of our case study of using TBL to teach a modern, introductory data science course indicate that the course effectively taught reproducible data science workflows, beginning R programming, and communication and collaboration. Students also reported much room for improvement in their learning of statistical thinking and advanced R concepts. To help the data science education community adopt this appealing pedagogical strategy, we outline steps for deciding on using TBL, preparing and planning for it, and overcoming potential pitfalls when using TBL to teach data science.
登录
查看更多内容
统计学导论中的翻转课堂：来自系统回顾和荟萃分析的早期证据
影响因子：
2.2
作者：
Linda Farmus;Robert A. Cribbie;M. Rotondi
通讯作者：
M. Rotondi
翻转统计课结果：一年后比课堂表现更好
DOI：
--
发表时间：
2014
期刊：
影响因子：
--
作者：
J. Winquist;Kieth A. Carlson
通讯作者：
Kieth A. Carlson
R 数据科学：导入、整理、转换、可视化和建模数据
DOI：
--
发表时间：
2014
期刊：
影响因子：
--
作者：
H. Wickham;Garrett Grolemund
通讯作者：
Garrett Grolemund
同行评估中的偏见回顾
DOI：
10.18260/1-2--29510
发表时间：
2018
期刊：
2018 CoNECD - The Collaborative Network for Engineering and Computing Diversity Conference Proceedings
影响因子：
--
作者：
J. Stonewall;M. Dorneich;Cassandra Dorius;Jane M. Rongerude
通讯作者：
Jane M. Rongerude
黑人学生在团队学习课程中的成果
影响因子：
1.1
作者：
Caroline Macke;J. Canfield;Karen Tapp;Vanessa Hunn
通讯作者：
Vanessa Hunn