Free Data Sets for Teaching Data Science and Statistics in High School
Table of Contents
Warum kostenlose Datensätze für High School Data Science unerlässlich sind
Highschool-Pädagogen in Datenwissenschaft und Statistik stehen vor einer gemeinsamen Hürde: Sie finden ansprechende, altersgerechte Daten, die abstrakte Konzepte zum Leben erwecken. Ohne hochwertige Daten bleibt der Unterricht theoretisch, und die Schüler verpassen die entscheidende Gelegenheit, analytisches Denken, Hypothesentests und Datenkompetenz zu entwickeln. Kostenlose, öffentlich verfügbare Datensätze lösen dieses Problem, indem sie reales Material anbieten, das sowohl zugänglich als auch zuordenbar ist. Wenn Schüler mit Daten über Themen arbeiten, die ihnen wichtig sind - Sport, Musik, Social Media Trends, Klimawandel oder öffentliche Gesundheit - werden sie aktive Teilnehmer an ihrem Lernen, nicht passive Empfänger von Formeln.
Darüber hinaus bereitet die Verwendung von freien Datensätzen die Schüler auf College und Karriere vor. Die Fähigkeit, Daten zu finden, zu bereinigen, zu erforschen und zu interpretieren, ist eine grundlegende Fähigkeit in fast jedem Bereich, von Biologie und Wirtschaft bis hin zu Marketing und Journalismus. Durch die Integration dieser Ressourcen in den Unterricht erfüllen Lehrer nicht nur die Lehrplanstandards, sondern regen auch Neugier an und fördern eine Wachstumsmentalität. Die folgenden Abschnitte beschreiben die besten Quellen, praktischen Projektideen und Strategien, um Daten effektiv mit Schülern zu nutzen.
Top-Ressourcen für freie Datensätze
Das Internet ist reich an Datenrepositorien, aber nicht alle sind für Klassenzimmer geeignet. Nachfolgend finden Sie kuratierte Plattformen, die saubere, gut dokumentierte Datensätze für ein breites Spektrum von Themen mit unterschiedlichen Komplexitätsstufen anbieten.
Kaggle
Kaggle-Datensätze ist eine der größten und vielfältigsten Sammlungen, die alles abdeckt, vom Verkauf von Videospielen und Netflix-Titeln bis hin zu COVID-19-Fallzahlen und Wirtschaftsindikatoren. Die meisten Datensätze enthalten CSV-Dateien, Metadaten und Community-Diskussionen. Kaggles Registerkarte "Datasets" ermöglicht es, nach Dateigröße, Tags und Beliebtheit zu filtern, was es Lehrern erleichtert, geeignetes Material zu finden. Einige Datensätze sind mit eingebauten Notizbüchern ausgestattet, die explorative Analysen demonstrieren, die als Gerüst für Anfänger dienen können.
Data.gov (Open Data der US-Regierung)
Data.gov Die Lehrer können Themen wie Luftqualitätsindizes, Leistungskennzahlen, Energieverbrauch und Transportmuster untersuchen. Allein die Kategorie „Bildung enthält Hunderte von Datensätzen, die für Klassenprojekte relevant sind, z. B. Ausfallraten von Studentendarlehen, Zahlen für die Einschreibung von Hochschulen und Demografie des Schulbezirks. Die Daten werden regelmäßig aktualisiert und sind kostenlos zu verwenden, obwohl einige Dateien vor der Nutzung des Klassenzimmers gereinigt werden müssen.
FünfdreißigAcht
FiveThirtyEights Daten-Repository Auf GitHub sind die Daten und der Code hinter den Nachrichtenartikeln der Publikation enthalten. Die Datensätze sind absichtlich klein, gut dokumentiert und an überzeugende Geschichten gebunden – ideal für die Diskussion. Beliebte Sets sind Umfragen zur Genehmigung des Präsidenten, historische NBA-Schussdiagramme, Filmbewertungen und Geschlechterrepräsentation in STEM. Da FiveThirtyEight häufig statistische Methoden wie Regression und Signifikanztests verwendet, sind diese Datensätze perfekt für Lektionen, die statistische Theorie mit realem Journalismus verbinden.
Weltbank Open Data
Weltbank Open Data Die Lehrer haben Zugriff auf das Pro-Kopf-BIP, Alphabetisierungsraten, Lebenserwartung, Internetnutzung und mehr. Die Daten sind im Panelformat (Landjahr) strukturiert und eignen sich hervorragend für den Unterricht von Längsschnittanalysen und vergleichenden Studien. Die Weltbank-API ermöglicht auch die automatische Abfrage, obwohl die CSV-Download-Option für Highschool-Niveaus einfacher ist.
UCI Machine Learning Repository
UCI Machine Learning Repository Es ist eine klassische Ressource für Klassifizierungs- und Regressionsprobleme. Während viele Datensätze auf Forschungsniveau sind, sind einige für Schüler zugänglich und ansprechend, wie das Set "Weinqualität", "Iris" Blumen, "Abalone" Altersvorhersage und "Auto MPG." Diese Sets sind klein, haben klare Attribute und werden oft in einführenden maschinellen Lernprogrammen verwendet. Sie eignen sich hervorragend für Projekte, bei denen es um das Erstellen von Entscheidungsbäumen oder um Modelle von k-nächsten Nachbarn geht.
Gapminder und unsere Welt in Daten
Versender bietet kuratierte globale Entwicklungsdaten mit Schwerpunkt auf Gesundheit, Wohlstand und Bevölkerung. Unsere Welt in Daten bietet umfangreiche Metadaten und Visualisierungen zu Themen wie CO2-Emissionen, Impfstoffabdeckung und Bildungsergebnisse. Beide sind visuell reichhaltig und tief kontextualisiert, so dass sie sich perfekt für den Unterricht von Statistiken durch Storytelling und Datenvisualisierung eignen.
TidyTuesday
Die TidyTuesday Das Projekt veröffentlicht jede Woche (normalerweise dienstags) einen neuen Datensatz für die Praxis mit Datenbereinigung, Visualisierung und Analyse in R oder Python. Obwohl für ein breiteres Publikum konzipiert, sind viele Datensätze perfekt für den Einsatz in Highschool-Studios geeignet - wie z. B. "Billig isst" Restaurantbewertungen, Kürbispreise oder Beobachtungen zur Biodiversität. Der begleitende Code und die Beiträge der Gemeinschaft dienen als hervorragende Unterrichtsmodelle.
Wie man den richtigen Datensatz für Ihre Klasse auswählt
Nicht jeder freie Datensatz funktioniert gut in einem Gymnasium. Lehrer sollten potenzielle Datensätze anhand mehrerer Kriterien bewerten:
- Relevanz für den Lehrplan: Stimmt der Datensatz mit den statistischen Konzepten überein, die Sie lehren (z. B. Mittelwert und Median, Korrelation, Wahrscheinlichkeit, Hypothesenprüfung, Regression)?
- Studenteninteresse: Daten über Videospielverkäufe, Nutzung sozialer Medien, populäre Musik oder Sport erzeugen tendenziell mehr Begeisterung als abstrakte Wirtschaftsindikatoren. Wenn immer möglich, lassen Sie die Schüler aus einer kuratierten Auswahl von Themen wählen.
- Variablentypen: Stellen Sie sicher, dass der Datensatz eine Mischung aus kategorischen und numerischen Variablen enthält, damit die Schüler verschiedene Arten von Analysen und Visualisierungen üben können.
- Größe und Komplexität: Für Anfänger ist ein Datensatz mit weniger als 500 Zeilen und weniger als 20 Spalten überschaubar.Vermeiden Sie Datensätze mit vielen fehlenden Werten oder komplexen verschachtelten Strukturen, bis die Schüler grundlegende Datenbereinigungsfähigkeiten haben.
- Dokumentation: Suchen Sie nach Datensätzen, die mit einem Datenwörterbuch, Quellinformationen und klaren Definitionen von Variablen geliefert werden. Dies fördert eine verantwortungsvolle Datenbeschaffung und hilft den Schülern, den Kontext hinter den Zahlen zu verstehen.
- Ethische Erwägungen: Seien Sie vorsichtig mit Datensätzen, die persönlich identifizierbare Informationen oder sensible demografische Attribute enthalten. Wählen Sie öffentliche, anonymisierte Daten, um die Privatsphäre der Schüler zu schützen und Diskussionen über den Rahmen der Klasse hinaus zu vermeiden.
Ideen für Klassenzimmerprojekte mit kostenlosen Datensätzen
Im Folgenden finden Sie detaillierte Projektideen, die die oben genannten Ressourcen nutzen und jeweils spezifische statistische und datenwissenschaftliche Fähigkeiten stärken.
Projekt 1: Untersuchung des Gapminder-Datensatzes „Lebenserwartung vs. BIP
Ziel: Erkunden Sie die Beziehung zwischen dem Wohlstand eines Landes (BIP pro Kopf) und den Gesundheitsergebnissen (Lebenserwartung) im Laufe der Zeit.
Fähigkeiten: Datenvisualisierung (Streudiagramme, Trendlinien), Korrelation, logarithmische Transformation und internationale Vergleiche.
Stufen: Die Schüler erstellen Streuplots für ein ausgewähltes Jahr (z. B. 2019) mit BIP pro Kopf auf der x-Achse und Lebenserwartung auf der y-Achse. Sie farblich nach Kontinent. Bitten Sie die Schüler, die Form der Beziehung zu beschreiben, Ausreißer zu identifizieren (z. B. Länder mit hoher Lebenserwartung, aber niedrigem BIP) und Korrelationskoeffizienten zu berechnen. Fortgeschrittene Schüler können Trendlinien mit linearen, logarithmischen oder polynomialen Modellen überlagern und besprechen, welche am besten passen.
Projekt 2: Klimawandeldaten aus unserer Welt in Daten
Ziel: Analysieren Sie globale Temperaturanomalien oder CO2-Emissionen pro Kopf und prognostizieren Sie zukünftige Trends.
Fähigkeiten: Zeitreihenanalyse, gleitende Durchschnitte, Linienplots und einfache lineare Regression.
Stufen: Die Schüler filtern nach einigen wenigen großen Emittenten (USA, China, Indien, EU) und zeichnen die jährlichen Emissionen von 1950 bis 2020 aus. Sie berechnen gleitende 5-Jahres-Durchschnitte, um Schwankungen zu glätten. Dann projizieren die Schüler mit einer einfachen linearen Regression die Emissionen für 2030 und 2050. Diskutieren Sie Faktoren, die diese Projektion ungenau machen könnten (Politikänderungen, wirtschaftliche Verschiebungen). Bitten Sie die Schüler, die Pro-Kopf-Emissionen mit den Gesamtemissionen zu vergleichen und die Auswirkungen der Bevölkerungsgröße zu diskutieren.
Projekt 3: Sportanalyse mit FiveThirtyEight NBA Shots
Ziel: Bestimmen Sie, ob der "Hot Hand" -Effekt im Basketball existiert, indem Sie Schuss-für-Schuss-Daten analysieren.
Fähigkeiten: Diskrete Wahrscheinlichkeit, bedingte Wahrscheinlichkeit, Chi-Quadrat-Test der Unabhängigkeit.
Stufen: Wenn man die Daten des FiveThirtyEight NBA-Schussprotokolls verwendet, berechnen die Schüler die Wahrscheinlichkeit, dass ein Schuss nach dem vorherigen Schuss gemacht wird, im Vergleich zu dem, wenn man den vorherigen Schuss verpasst hat. Sie erstellen eine 2x2-Tabelle für den Fall, dass ein Schuss gemacht wurde/verpasst wurde, und führen einen Chi-Quadrat-Test für Unabhängigkeit durch. Dieses Projekt verbindet Sport-Intuition mit strengen statistischen Tests, die oft zu lebhaften Debatten über Streakiness führen.
Projekt 4: Wirtschaftliche Mobilität und Bildung von Data.gov
Ziel: Untersuchen Sie, wie sich Schulausgaben oder Lehrerqualifikationen auf die Ergebnisse der Schüler auf staatlicher Ebene beziehen.
Fähigkeiten: Datenfusion (Zusammenführung von zwei Datensätzen in einem gemeinsamen Schlüssel), Korrelation, Streudiagramme und Regressionsanalyse.
Stufen: Laden Sie zwei Datensätze von Data.gov herunter: (1) Ausgaben auf Landesebene pro Schüler (vom National Center for Education Statistics) und (2) durchschnittliche SAT-Werte auf Landesebene oder Abschlussquoten. Die Schüler verschmelzen die Datensätze nach Bundesstaaten, erstellen eine Streuung mit Ausgaben für x-Achse und Testergebnisse auf y-Achse und berechnen Pearsons R. Sie sollten diskutieren, ob die beobachtete Korrelation eine Ursache impliziert und welche verwirrenden Variablen existieren könnten (z. B. Armut, elterliche Bildung). Fortgeschrittene Schüler können eine dritte Variable einführen - wie das mittlere Haushaltseinkommen - und eine multiple Regression durchführen.
Projekt 5: Filmbewertungen und Genretrends mit Kaggle
Ziel: Bestimmen Sie, ob sich die Filmbewertungen im Laufe der Zeit geändert haben und ob bestimmte Genres mit höheren Zuschauerzahlen verbunden sind.
Fähigkeiten: Boxplots, t-Tests (zwei Stichproben), ANOVA, Datenvisualisierung mit Histogrammen.
Stufen: Die Schüler können Genres gruppieren und Boxplots von Bewertungen zeichnen. Dann führen Sie eine ANOVA durch, um zu testen, ob die mittlere Bewertung zwischen den Genres signifikant unterschiedlich ist. Für einen einfacheren Zwei-Gruppen-Vergleich vergleichen Sie die Bewertungen von Action- und Dramafilmen mit einem unabhängigen t-Test. Die Schüler sollten Annahmen (Normalität, gleiche Varianz) mit Q-Q-Plots oder Levene-Test überprüfen.
Unterrichten Daten Reinigung und Vorbereitung
Vor jeder Analyse müssen die Schüler lernen, Rohdaten zu bereinigen und aufzubereiten. Dieser Schritt ist oft der zeitaufwendigste in der Praxis und er baut wichtige Fähigkeiten auf.
- Fehlende Werte identifizieren: Bringen Sie den Schülern bei, Funktionen wie (R) oder (Python) zu verwenden und Strategien zu diskutieren: Entfernen von Zeilen, Zurechnen von Mittelwert / Median oder Markierung von Fehlstellen als separate Kategorie.
- Art der Prüfdaten: Stellen Sie sicher, dass Zahlen als Zahlen (nicht als Zeichenfolgen) gespeichert werden und dass Daten korrekt analysiert werden.
- Duplikate entfernen: Zeigen Sie, wie Sie doppelte Zeilen erkennen und ablegen.
- Filtern Sie irrelevante Zeilen: Viele Datensätze enthalten zusammenfassende Zeilen oder Metadaten, die ausgeschlossen werden sollten.
- Kategorische Werte standardisieren: Kombinieren Sie Varianten (z. B. "USA", "USA", "Amerika") zu einem konsistenten Label.
- Umbenennen von Spalten und Erstellen neuer Variablen: Zum Beispiel, die Bevölkerung auf Millionen zu skalieren oder eine Rate aus Rohzählungen zu berechnen.
Geben Sie den Schülern ein paar "schmutzige" Datensätze aus Quellen wie Kaggle (wo Benutzer oft ungereinigte Daten hochladen) und lassen Sie sie paarweise arbeiten, um eine saubere Version zu erstellen.
Visualisierungstools für das Klassenzimmer
Während statistische Software wie R oder Python leistungsfähig ist, verwenden viele Highschool-Klassenzimmer Tabellenkalkulationssoftware oder browserbasierte Plattformen.
- Google Sheets / Microsoft Excel: Hervorragend für grundlegende Plots (Balken, Linie, Scatter, Histogramm), verwenden Sie die Funktion "Explore" in Sheets für schnelle Diagrammvorschläge.
- Tableau Public: Eine kostenlose Drag-and-Drop-Visualisierungsplattform, die in einem Webbrowser läuft. Sie verarbeitet problemlos große Datensätze und erzeugt interaktive Dashboards.
- Datenverpacker: Sehr einfach zum Erstellen sauberer, einbettbarer Diagramme, keine Codierung erforderlich.
- CODAP (Common Online Data Analysis Platform): Speziell für den Bildungsbereich entwickelt, ermöglicht CODAP den Schülern, Attribute zu Äxten zu ziehen und interaktiv zu filtern. Es ist kostenlos und läuft vollständig im Browser.
- Jupyter Notebooks mit Python (über Google Colab): Für fortgeschrittenere Klassen bietet Google Colab kostenlose Cloud-basierte Notebooks mit vorinstallierten Bibliotheken (Pandas, Matplotlib, Seaborn).
Bei der Einführung der Visualisierung sollten Sie die Grammatik der Grafiken betonen: Abbildung von Variablen in Ästhetik (x, y, Farbe, Größe), Auswahl geeigneter Diagrammtypen und klare Beschriftung von Achsen. Eine gute Visualisierung erzählt eine Geschichte, ohne dass eine ausführliche Erklärung erforderlich ist.
Bewertung der studentischen Arbeit mit Datenprojekten
Die Bewertung sollte sich sowohl auf den Prozess als auch auf das Endprodukt konzentrieren.
- Datenbeschaffung und -reinigung: Hat der Student die Quelle dokumentiert? Hat er mit fehlenden Daten angemessen umgegangen?
- Analyse und Methodik: Ist das gewählte statistische Instrument relevant? Haben sie die Annahmen überprüft? Haben sie Grenzen identifiziert?
- Visualisierungsqualität: Sind Charts klar, gut beschriftet und frei von Verzerrungen (z. B. Achsenstumpf)?
- Auslegung und Schlussfolgerung: Kann der Student erklären, was die Daten in einfacher Sprache zeigen? Vermeiden sie es, die Ergebnisse zu übertreiben?
- Reproduzierbarkeit: Haben sie Code oder Schritt-für-Schritt-Anweisungen enthalten, damit jemand anderes ihre Arbeit replizieren konnte?
Ermutigen Sie die Schüler, ihre Ergebnisse der Klasse zu präsentieren - dies schafft Kommunikationsfähigkeiten und ermöglicht Peer-Feedback. Erwägen Sie die Schaffung einer "Datenmesse", bei der Gruppen ihre Projekte demonstrieren, ähnlich einer Wissenschaftsmesse.
Ethische Überlegungen bei der Verwendung öffentlicher Daten
Die Arbeit mit realen Daten lädt zu wichtigen ethischen Diskussionen ein.
- Privatsphäre und Anonymität: Erklären Sie, warum bestimmte Daten (persönliche Gesundheitsakten, Sozialversicherungsnummern) niemals in der Klasse verwendet werden sollten.
- Bias bei der Datenerhebung: Besprechen Sie, wie sich Stichprobenverzerrungen, Umfrageformulierungen oder fehlende Daten auf Schlussfolgerungen auswirken können, beispielsweise ältere Internetumfragen, die bestimmte demografische Merkmale unterrepräsentieren.
- Irreführende Visualisierungen: Zeigen Sie Beispiele von Diagrammen mit manipulierten Skalen oder kirschig ausgewählten Daten und bitten Sie die Schüler, sie zu kritisieren.
- Verantwortung für die Berichterstattung: Bringen Sie den Schülern bei, Unsicherheiten, Konfidenzintervalle und Effektgrößen anstelle von p-Werten darzustellen.
Diese Diskussionen bauen nicht nur die statistische Reife auf, sondern stimmen auch mit den Zielen der digitalen Bürgerschaft überein.
Integrieren von freien Datensätzen in einen vollständigen Lehrplan
Kostenlose Datensätze können während eines Semesters gefädelt werden, nicht nur für isolierte Projekte, wie zum Beispiel:
- Woche 1-2: Beschreibende Statistiken Verwenden Sie kleine Datensätze (Iris, Auto-MPG), um Mittelwert, Median, Standardabweichung zu berechnen und Histogramme zu erstellen.
- Woche 3-4: Datenvisualisierung Lassen Sie die Schüler ein „Datenporträt von sich selbst erstellen, indem sie einen Umfragedatensatz (z. B. Klassenumfrage zu Hobbys) mit Balkendiagrammen und Tortendiagrammen verwenden.
- Woche 5-6: Wahrscheinlichkeit Verwenden Sie die FiveThirtyEight-Umfragedaten, um Wahlergebnisse oder Münzflip-Experimente zu simulieren.
- Woche 7-9: Inferenz (Hypothese-Tests) T-Tests auf Gapminder-Daten (z. B. Lebenserwartung zwischen Kontinenten vergleichen) oder Chi-Quadrat-Tests auf Filmbewertungen durchführen.
- Woche 10-12: Korrelation und Regression - Erkunden Sie die Beziehungen in der Our World in Data CO2 versus GDP-Datensatz.
- Woche 13-15: Abschlussprojekt - Die Studierenden wählen einen Datensatz aus einer der oben genannten Ressourcen aus und führen eine vollständige Analyse durch, die in einer Präsentation oder einem Bericht gipfelt.
Am Ende des Kurses werden die Schüler ein Portfolio von Datenprojekten aufgebaut haben, die reale Fähigkeiten demonstrieren. Die in diesem Artikel hervorgehobenen kostenlosen Ressourcen ermöglichen es jeder Schule - unabhängig vom Budget -, ein strenges, engagiertes Data Science- und Statistikprogramm anzubieten.
Schlussfolgerung
Kostenlose Datensätze sind nicht nur Kostenersparnis, sie sind eine pädagogische Goldmine. Sie ermöglichen es den Schülern, sich mit authentischen, unordentlichen und aussagekräftigen Daten auseinanderzusetzen, die widerspiegeln, was Datenwissenschaftler in der realen Welt erleben. Durch die Nutzung von Plattformen wie Kaggle, Data.gov, FiveThirtyEight, World Bank Open Data, UCI, Gapminder und Our World in Data können Lehrer Unterrichtsstunden erstellen, die mit den Interessen der Schüler in Einklang stehen und Bildungsziele erfüllen. Der Schlüssel ist, Datensätze auszuwählen, die altersgerecht, gut dokumentiert und reich an Variablen sind, und dann den Analyseprozess von der Reinigung über die Visualisierung bis hin zur Inferenz zu konstruieren. Mit diesen Ressourcen und Projektideen kann jeder Gymnasiast ein Data Science Lab werden.