Por qué los conjuntos de datos gratuitos son esenciales para la ciencia de datos de la secundaria

Los educadores de secundaria en ciencias de datos y estadísticas se enfrentan a un obstáculo común: encontrar datos atractivos y apropiados para la edad que lleven a la vida conceptos abstractos. Sin datos de calidad, las lecciones siguen siendo teóricas, y los estudiantes pierden la oportunidad crucial de desarrollar razonamientos analíticos, pruebas de hipótesis y conocimientos de alfabetización de datos.Los datos gratuitos y disponibles en público resuelven este problema ofreciendo material real que sea accesible y relatable.

Además, el uso de conjuntos de datos gratuitos prepara a los estudiantes para la universidad y las carreras. La capacidad de encontrar, limpiar, explorar e interpretar los datos es una habilidad fundamental en casi todos los campos, desde la biología y la economía hasta el marketing y el periodismo. Integrando estos recursos en el aula, los maestros no sólo cumplen con los estándares de los planes de estudios, sino que también suavizan la curiosidad y fomentan un conjunto de crecimiento.

Recursos para conjuntos de datos gratis

Internet es rico con repositorios de datos, pero no todos son adecuados para las aulas de secundaria. A continuación se encuentran plataformas curadas que ofrecen conjuntos de datos limpios y bien documentados en una amplia gama de temas, con niveles de complejidad variables.

Kaggle

Kaggle Datasets es una de las colecciones más grandes y diversas, cubriendo todo desde las ventas de videojuegos y los títulos Netflix a los conteos de casos COVID-19 e indicadores económicos. La mayoría de los conjuntos de datos incluyen archivos CSV, metadatos y discusiones comunitarias. La pestaña "Datasets" de Kaggle permite filtrar por tamaño de archivo, etiquetas y popularidad, facilitando que los maestros encuentren material adecuado.

Data.gov (U.S. Government Open Data)

Data.gov Los profesores pueden explorar temas como índices de calidad del aire, métricas de rendimiento escolar, consumo de energía y patrones de transporte. La categoría de “Educación” por sí sola contiene cientos de conjuntos de datos relevantes para proyectos de aula, por ejemplo, tasas predeterminadas de préstamos estudiantiles, cifras de inscripción universitaria y datos demográficos de distrito escolar. Los datos son actualizados y gratuitos para usar, aunque los datos son actualizados y gratuitos.

Cinco Tres, ocho.

Repositorio de datos de FiveThirtyEight en GitHub contiene los datos y el código detrás de los artículos de la publicación. Los conjuntos de datos son intencionalmente pequeños, bien documentados y vinculados a historias convincentes — ideal para la discusión chispadora. Los juegos populares incluyen encuestas sobre aprobación presidencial, gráficos históricos de NBA, calificaciones de películas y representación de género en STEM. Debido a FiveThirtyEight utiliza con frecuencia métodos estadísticos como regresión y pruebas de significado, estos conjuntos de noticias son perfectas

Datos abiertos del Banco Mundial

Datos abiertos del Banco Mundial Ofrece datos de la serie de tiempo sobre indicadores económicos, sociales y ambientales en 200 países. Los maestros pueden acceder al PIB per cápita, tasas de alfabetización, esperanza de vida, uso de Internet y más. Los datos se estructuran en formato panel (país-año), excelente para enseñar análisis longitudinales y estudios comparativos. La API del Banco Mundial también permite la consulta automática, aunque la opción de descarga CSV es más simple para los niveles de secundaria.

Repositorio de aprendizaje automático de UCI

Repositorio de aprendizaje automático de UCI es un recurso clásico para problemas de clasificación y regresión. Aunque muchos conjuntos de datos son de nivel de investigación, varios son accesibles e atractivos para estudiantes de secundaria, como el conjunto “Wine Quality”, “Iris” flores, “Abalone” predicción de edad, y “Auto MPG”. Estos conjuntos son pequeños, tienen atributos claros, y a menudo se utilizan en los tutoriales de aprendizaje de máquina introductoria.

Gapminder y Nuestro Mundo en Datos

Gapminder ofrece datos curados de desarrollo global con énfasis en salud, riqueza y población. Nuestro Mundo en Datos proporciona metadatos extensos y visualizaciones sobre temas como emisiones de CO2, cobertura de vacunas y resultados educativos. Ambos son visualmente ricos y profundamente contextualizados, haciéndolos perfectos para enseñar estadísticas a través de narración y visualización de datos.

TidyTuesday

El TidyTuesday proyecto publica un nuevo conjunto de datos cada semana (típicamente los martes) para la práctica con la limpieza de datos, visualización y análisis en R o Python. Aunque diseñado para un público más amplio, muchos conjuntos de datos son perfectamente tamaño para el uso de la escuela secundaria, como “cheap comes” clasificaciones de restaurantes, precios de calabaza o observaciones de biodiversidad.

Cómo elegir el conjunto de datos correctos para su clase

No todos los conjuntos de datos gratuitos funcionarán bien en un aula de secundaria. Los maestros deben evaluar los posibles conjuntos de datos basados en varios criterios:

  • Relevancia al plan de estudios: ¿Se alinea el conjunto de datos con los conceptos estadísticos que está enseñando (por ejemplo, mediana y mediana, correlación, probabilidad, pruebas de hipótesis, regresión)?
  • Interés estudiantil: Los datos sobre ventas de videojuegos, uso de redes sociales, música popular o deportes tienden a generar más entusiasmo que los indicadores económicos abstractos. Siempre que sea posible, deje que los estudiantes elijan de una selección curada de temas.
  • Tipos variables: Asegurar que el conjunto de datos incluye una combinación de variables categóricas y numéricas para que los estudiantes puedan practicar diferentes tipos de análisis y visualización.
  • Tamaño y complejidad: Para principiantes, se puede administrar un conjunto de datos con menos de 500 filas y menos de 20 columnas. Evite conjuntos de datos con muchos valores perdidos o estructuras complejas anidadas hasta que los estudiantes tengan habilidades básicas de limpieza de datos.
  • Documentación: Busque conjuntos de datos que vienen con un diccionario de datos, información de origen y definiciones claras de variables. Esto promueve la obtención de datos responsables y ayuda a los estudiantes a entender el contexto detrás de los números.
  • Consideraciones éticas: Tenga cuidado con conjuntos de datos que contienen información personal identificable o atributos demográficos sensibles. Elija datos públicos y anónimos para proteger la privacidad de los estudiantes y evitar que se inicien discusiones más allá del alcance de la clase.

Ideas de proyecto de aulas utilizando conjuntos de datos libres

A continuación se presentan ideas detalladas de proyectos que aprovechan los recursos anteriores, cada una diseñada para reforzar las habilidades estadísticas y de ciencia de datos específicas.

Proyecto 1: Explotación del conjunto de datos de “Life Expectancy vs. GDP”

Objetivo: Explore la relación entre la riqueza de un país (PIB per cápita) y los resultados de salud (esperanza de vida) con el tiempo.

Habilidades: Visualización de datos (conjuntos de estampillas, líneas de tendencia), correlación, transformación logarítmica y comparaciones internacionales.

Pasos: Descarga los datos de Gapminder (archivos csv disponibles en su sitio). Los estudiantes crean parcelas de dispersión por un año seleccionado (por ejemplo, 2019) con PIB per cápita en el eje x y esperanza de vida en el eje y. Ellos código de color por continente. Pidan a los estudiantes que describan la forma de la relación, identifiquen los outliers (por ejemplo, países con alta esperanza de vida pero bajo PIB), y calcular las líneas de correlación.

Proyecto 2: Datos sobre el Cambio Climático de Nuestro Mundo en Datos

Objetivo: Analizar anomalías de temperatura global o emisiones de CO2 per cápita y predecir tendencias futuras.

Habilidades: Análisis de series temporales, promedios móviles, tramas de línea y simple regresión lineal.

Pasos: Utilizar el conjunto de datos “emisiones de CO2” de Nuestro Mundo de Datos. Los estudiantes filtran para unos cuantos emisores principales (USA, China, India, UE) y trazan emisiones anuales de 1950 a 2020. Calculan promedios de rodadura de 5 años para fluctuaciones suaves. Luego, utilizando una simple regresión lineal, los estudiantes proyectan emisiones para 2030 y 2050.

Proyecto 3: Análisis deportivo con cincoTreceo y ocho disparos de la NBA

Objetivo: Determinar si el efecto “mano caliente” existe en el baloncesto analizando datos de disparos por disparo.

Habilidades: Discreta probabilidad, probabilidad condicional, prueba de independencia de la qui-squared.

Pasos: Usa el conjunto de datos de los registros de disparos FiveThirtyEight NBA. Para un jugador seleccionado, los estudiantes calculan la probabilidad de hacer un disparo después de haber perdido el disparo anterior vs. después de perder el tiro anterior. Crean una tabla de contingencia 2x2 (hecha / fallecida después de haber sido hecho, hecho/misido después de faltar) y realizan una prueba de chi-square para la independencia.

Proyecto 4: Movilidad económica y educación de Data.gov

Objetivo: Investigar cómo el gasto escolar o la calificación docente se relacionan con los resultados de los estudiantes a nivel estatal.

Habilidades: Datos fusionados (juntando dos conjuntos de datos sobre una clave común), correlación, tramas de dispersión y análisis de regresión.

Pasos: Descargar dos conjuntos de datos de Data.gov: (1) gasto estatal por alumno (del Centro Nacional de Estadísticas de Educación) y (2) puntuación media media estatal de los exámenes de detección o tasas de graduación. Los estudiantes fusionan los conjuntos de datos por estado, crean un diagrama de dispersión con el gasto en x-axis y test en el eje y, y computan Pearson. Deben discutir si la correlación observada implica causación y qué variables de ingresos padres pueden existir.

Proyecto 5: Calificaciones de películas y tendencias de género con Kaggle

Objetivo: Determinar si las calificaciones de películas han cambiado con el tiempo y si ciertos géneros están asociados con puntuaciones de audiencia más altas.

Habilidades: Parcelas de caja, pruebas t (dos muestreos), ANOVA, visualización de datos con histogramas.

Pasos: Usar un conjunto de datos de Kaggle como “imdb films” o “TMDB 5000 Movie Dataset”. Los estudiantes extraen el año de lanzamiento, género (utiliza el género primario), y calificación de los usuarios. Pueden agrupar géneros y gráficos de boxplotplots of ratings. Luego, realizar un ANOVA para probar si la calificación media difiere significativamente entre géneros. Para una comparación de dos grupos más simple, comparar las clasificaciones de películas de trama de dramaturgia.

Enseñanza de la limpieza y preparación de datos

Antes de cualquier análisis, los estudiantes deben aprender a limpiar y preparar datos crudos. Este paso es a menudo el más largo tiempo en la práctica, y construye habilidades importantes.

  • Identificar valores perdidos: Enséñale a los estudiantes a usar funciones como (R) o ] (Python) y discuta estrategias: eliminación de filas, imputing mean/median, o flagging missingness as a separate category.
  • Compruebe los tipos de datos: Asegurar que los números se almacenan como números (no cadenas) y las fechas se analizan correctamente.
  • Eliminar duplicados: Mostrar cómo detectar y soltar filas duplicadas.
  • Filtrar filas irrelevantes: Muchos conjuntos de datos contienen filas sumarias o metadatos que deben ser excluidos.
  • Normalizar los valores categóricos: Combina variantes (por ejemplo, “USA”, “Estados Unidos”, “América”) en una etiqueta consistente.
  • Renombrar columnas y crear nuevas variables: Por ejemplo, escalar la población a millones o calcular una tasa de los conteos brutos.

Proporcionar a los estudiantes unos pocos conjuntos de datos “suciosos” de fuentes como Kaggle (donde los usuarios a menudo suben datos inmundos) y dejarles trabajar en pares para producir una versión limpia.

Herramientas de visualización para el aula

Mientras que el software estadístico como R o Python es poderoso, muchas aulas de la escuela secundaria utilizan software de hoja de cálculo o plataformas basadas en el navegador.

  • Hojas de Google / Microsoft Excel: Excelente para tramas básicas (bar, línea, dispersión, histograma). Utilice la función “Explore” en hojas para sugerencias de gráficos rápidos.
  • Tableau Public: Una plataforma de visualización gratuita de arrastrar y soltar que funciona en un navegador web. Maneja conjuntos de datos grandes fácilmente y produce tableros de datos interactivos.
  • Datawrapper: Extremadamente fácil para crear gráficos limpios y embedibles. No se requiere codificación.
  • CODAP (Common Online Data Analysis Platform): Desarrollado específicamente para la educación, CODAP permite a los estudiantes arrastrar atributos a ejes y filtrar de forma interactiva. Es gratis y funciona completamente en el navegador.
  • Jupyter Notebooks con Python (via Google Colab): Para clases más avanzadas, Google Colab ofrece librerías basadas en la nube con bibliotecas preinstaladas (pandas, matplotlib, marino).

Al introducir la visualización, enfatiza la gramática de gráficos: variables de asignación a la estética (x, y, color, tamaño), eligiendo tipos de gráficos apropiados, y etiquetando ejes claramente. Una buena visualización cuenta una historia sin necesidad de explicación pesada.

Evaluación del trabajo estudiantil con proyectos de datos

La evaluación debe centrarse en el proceso tanto como el producto final. Use rúbricas que evalúen:

  • Data sourcing y limpieza: ¿El estudiante documentó la fuente? ¿Se ocuparon adecuadamente de los datos perdidos?
  • Análisis y metodología: ¿Es relevante la herramienta estadística elegida? ¿Comprobaron las suposiciones? ¿Identificaron las limitaciones?
  • Calidad de visualización: ¿Son los gráficos claros, bien etiquetados y libres de distorsiones (por ejemplo, ejes truncados)?
  • Interpretación y conclusión: ¿Puede el estudiante explicar lo que los datos muestran en lenguaje claro? ¿Evitan los hallazgos de sobreestimación?
  • Reproducibilidad: ¿Incluían instrucciones de código o paso a paso para que alguien más pudiera replicar su trabajo?

Alentar a los estudiantes a presentar sus hallazgos a la clase, esto crea habilidades de comunicación y permite la retroalimentación de los compañeros. Considere la posibilidad de crear una “sala de datos” donde los grupos demuestren sus proyectos, similar a una feria científica.

Consideraciones éticas al utilizar datos públicos

Trabajar con datos reales invita a importantes discusiones éticas. Cubrir los siguientes temas con los estudiantes:

  • Privacidad y anonimato: Explicar por qué ciertos datos (números de salud personal, números de seguridad social) nunca deben utilizarse en clase. Destacar la diferencia entre datos agregados y datos de nivel individual.
  • Bias en la recopilación de datos: Discuta cómo el muestreo de sesgos, la redacción de encuestas o datos perdidos pueden afectar las conclusiones. Por ejemplo, las encuestas de Internet más antiguas subrepresentan ciertas demografías.
  • Visualizaciones engañosas: Mostrar ejemplos de gráficos con escalas manipuladas o datos de cereza, y pedir a los estudiantes que los criticaran.
  • Responsabilidad en la presentación de informes: Enséñale a los estudiantes a presentar incertidumbres, intervalos de confianza y tamaños de efecto en lugar de valores de p.

Estas discusiones no sólo construyen madurez estadística sino que también se alinean con los objetivos de ciudadanía digital.

Integrando los conjuntos de datos libres en un ciclo completo

Los conjuntos de datos libres pueden ser roscados a lo largo de un semestre, no solo utilizados para proyectos aislados. Por ejemplo:

  • Semana 1-2: Estadísticas descriptivas — Usa pequeños conjuntos de datos (Iris, auto MPG) para calcular media, mediana, desviación estándar y crear histogramas.
  • Semana 3-4: Visualización de datos — Haga que los estudiantes creen un “retrato de datos” de sí mismos utilizando un conjunto de datos de encuesta (por ejemplo, encuesta de clase sobre hobbies) con gráficos de barras y gráficos de tartas.
  • Semana 5-6: Probabilidad — Use los datos de las encuestas de CincoTierra información para simular los resultados electorales o experimentos de monedas.
  • Semana 7-9: Inferencia (pruebas de hipótesis) — Realizar pruebas t sobre datos de Gapminder (por ejemplo, comparar la esperanza de vida entre continentes) o pruebas de chi-squared sobre las calificaciones de películas.
  • Semana 10-12: Correlación y regresión — Explore las relaciones en el conjunto de datos de datos de nuestro mundo en datos CO2 versus PIB.
  • Semana 13-15: Proyecto final — Los estudiantes eligen un conjunto de datos de cualquiera de los recursos anteriores y realizan un análisis completo, culminando en una presentación o un informe.

Al final del curso, los estudiantes habrán construido una cartera de proyectos de datos que demuestren habilidades reales. Los recursos gratuitos destacados en este artículo permiten que cualquier escuela, sin tener en cuenta el presupuesto, ofrezca un programa riguroso y participativo de ciencia y estadísticas de datos.

Conclusión

Los conjuntos de datos gratuitos no son sólo un ahorro de costos; son una mina pedagógica de oro. Permiten a los estudiantes involucrarse con datos auténticos, mezquinos y significativos que reflejen lo que los científicos de datos encuentran en el mundo real. Al aprovechar plataformas como Kaggle, Data.gov, FiveThirtyEight, World Bank Open Data, UCI, Gapminder y Our World in Data, los maestros pueden construir lecciones que se adapten a los intereses educativos.