Выращивание данных для школьных виртуальных лабораторий

Обложка

Цитировать

Полный текст

Аннотация

Проблема и цель. Рассматривается преподавание школьных дисциплин, связанных с формированием статистической, математической, вычислительной и исследовательской грамотности. Цель состоит в порождении данных в ходе экспериментов, условия которых диктуются учениками. Методология. В исследовании использованы генерация данных в агентных моделях NetLogo и последующая статистическая обработка в средах CODAP и R. Результаты. Показано, что генеративный подход позволяет ученикам работать с данными, которые порождаются агентами-исполнителями, выполняющими указания учащегося. При этом ученик находится в позиции ученого, который планирует собственные эксперименты и анализирует полученные в их процессе данные. Заключение. Предложенный подход генерации данных для их последующего анализа приобщает школьников к современной культуре выращивания и обмена данными и генерирующими их моделями.

Об авторах

Евгений Дмитриевич Патаракин

Национальный исследовательский университет «Высшая школа экономики»

Email: epatarakin@hse.ru
ORCID iD: 0000-0002-1216-5043

доктор педагогических наук, академический руководитель образовательной программы «Цифровая трансформация образования»

Российская Федерация, 101000, Москва, Потаповский пер., д. 16/9

Борис Борисович Ярмахов

Московский городской педагогический университет

Автор, ответственный за переписку.
Email: yarmakhovbb@mgpu.ru
ORCID iD: 0000-0001-6217-0871

кандидат философских наук, научный руководитель Центра анализа данных, Институт цифрового образования

Российская Федерация, 129524, Москва, ул. Шереметьевская, д. 28

Список литературы

  1. Ben-Zvi D, Makar K, Garfield J. International handbook of research in statistics education. Cham: Springer International Publishing; 2018.
  2. Erickson T, Finzer B, Reichsman F, Wilkerson M. Data moves: one key to data science at school level. Proceedings of the International Conference on Teaching Statistics (ICOTS-10). 2018;6:1-6.
  3. Fekete A, Kay J, Röhm U. A data-centric computing curriculum for a data science major. Proceedings of the 52nd ACM Technical Symposium on Computer Science Education. New York: Association for Computing Machinery; 2021. p. 865-871. https://doi.org/10.1145/3408877.3432457
  4. Bates M., Usiskin Z. Digital curricula in school mathematics. IAP; 2016.
  5. Wilkerson M, Lanouette K, Shareff R, St Clair N, Bulalacao N, Erickson T, Heller J, Finzer W, Reichsman F. Data transformations: restructuring data for inquiry in a simulation and data analysis environment. In Kay J, Luckin R. (eds.) Rethinking Learning in the Digital Age: Making the Learning Sciences Count: 13th International Conference of the Learning Sciences 2018 (vol. 3). London: International Society of the Learning Sciences; 2018.
  6. Gibson P, Mourad T. The growing importance of data literacy in life science education. American Journal of Botany. 2018;105(12):1953-1956. https://doi.org/10.1002/ajb2.1195
  7. Uzunalioglu H, Cao J, Phadke C, Lehmann G, Akyamac A, He R, Lee J, Able M. Augmented data science: towards industrialization and democratization of data science. 2019. Available from: http://arxiv.org/abs/1909.05682 (accessed: 21.03.2021).
  8. Wilkerson MH. DataSketch: a tool to turn student sketches into data-driven visualizations. Frontiers in Pen and Touch. Springer; 2017. p. 227-234.
  9. Blikstein P. Seymour Papert’s legacy: thinking about learning, and learning about thinking. Seymour Papert Tribute at IDC 2013 (New York, 24-27 June 2013). New York; 2013.
  10. Mokros JR, Tinker RF. The impact of microcomputer-based labs on children’s ability to interpret graphs. Journal of Research in Science Teaching. 1987;24(4):369-383. https://doi.org/10.1002/tea.3660240408
  11. Tinker R, Krajcik JS. Portable technologies: science learning in context. London: Springer; 2002.
  12. Klopfer E. Augmented learning: research and design of mobile educational games. The MIT Press; 2008.
  13. Klopfer E, Sheldon J, Perry J, Chen VH-H. Ubiquitous games for learning (UbiqGames): Weatherlings, a worked example. J. Comp. Assist. Learn. 2012;28(5):465-476. https://doi.org/10.1111/j.1365-2729.2011.00456.x
  14. Patarakin ED. Wikigrams-based social inquiry. Digital Tools and Solutions for Inquiry-Based STEM Learning. 2017;1:112-138.
  15. Vachkova S, Petryaeva E, Patarakin E. Typology of schools operating in the Moscow Electronic School system based on the analysis of network indicators. SHS Web Conf. EDP Sciences. 2021;98:03001. https://doi.org/10.1051/shsconf/20219803001
  16. Bondaryk L, Hsi S, Van Doren S. Probeware for the modern era: IoT dataflow system design for secondary classrooms. IEEE Transactions on Learning Technologies. 2021;14(2):226-237. https://doi.org/10.1109/TLT.2021.3061040
  17. Dixon C, Hardy L, Hsi S, Van Doren S. Computational tinkering in science: designing space for computational participation in high school biology. International Society of the Learning Sciences; 2020.
  18. Tho SW, Yeung YY, Wei R, Chan KW, So WW. A systematic review of remote laboratory work in science education with the support of visualizing its structure through the HistCite and CiteSpace software. Int. J. of Sci. and Math. Educ. 2017;15(7):1217-1236. https://doi.org/10.1007/s10763-016-9740-z
  19. Hossain Z, Bumbacher E, Brauneis A, Diaz M, Saltarelli A, Blikstein P, Riedel-Kruse IH. Design guidelines and empirical case study for scaling authentic inquiry-based science learning via open online courses and interactive biology cloud labs. Int. J. Artif. Intell. Educ. 2018;28(4):478-507. https://doi.org/10.1007/s40593-017-0150-3
  20. De Caux R. An agent-based approach to modelling long-term systemic risk in networks of interacting banks (Doctoral Thesis). University of Southampton; 2017.
  21. Sayama H, Cramer C, Sheetz L, Uzzo S. NetSciEd: network science and education for the interconnected world. 2017. Available from: http://arxiv.org/abs/1706.00115 (accessed: 20.10.2020).
  22. Secchi D, Neumann M. (eds.) Agent-based simulation of organizational behavior. Cham: Springer International Publishing; 2016.
  23. Horne GE, Schwierz K-P. Data farming around the world overview. Proceedings of the 40th Conference on Winter Simulation. Miami; 2008. p. 1442-1447.
  24. Sanchez SM. Data farming: methods for the present, opportunities for the future. ACM Trans. Model. Comput. Simul. 2020;30(4):22:1-22:30. https://doi.org/10.1145/3425398
  25. Sanchez S. Data farming: better data, not just big data. 2018 Winter Simulation Conference. 2018. p. 425-439. https://doi.org/10.1109/WSC.2018.8632383
  26. Lorig F, Timm IJ. Simulation-based data acquisition. In: Arabnia HR, Daimi K, Stahlbock R, Soviany C, Heilig L, Brüssau K. (eds.) Principles of Data Science. Cham: Springer International Publishing; 2020. p. 1-15. https://doi.org/10.1007/978-3-030-43981-1_1
  27. Rakić K, Rosić M, Boljat I. A survey of agent-based modelling and simulation tools for educational purpose. Tehnički Vjesnik. 2020;27(3):1014-1020. https://doi.org/10.17559/TV-20190517110455
  28. Railsback SF, Grimm V. Agent-based and individual-based modeling: a practical introduction. 2nd ed. Princeton University Press; 2019.
  29. Wilensky U, Rand W. An introduction to agent-based modeling: modeling natural, social, and engineered complex systems with NetLogo. MIT Press; 2015.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».