Pourquoi les ensembles de données libres sont essentiels pour la science des données des écoles secondaires

Les éducateurs des écoles secondaires en sciences et en statistiques des données sont confrontés à un obstacle commun : trouver des données intéressantes, adaptées à l'âge, qui donnent vie à des concepts abstraits. Sans données de qualité, les leçons restent théoriques et les élèves manquent l'occasion cruciale de développer des raisonnements analytiques, des tests d'hypothèses et des compétences en littératie des données.

En intégrant ces ressources dans la classe, les enseignants non seulement répondent aux normes du programme, mais aussi stimulent la curiosité et favorisent une croissance d'esprit. Les sections suivantes détaillent les meilleures sources, les idées pratiques de projets et les stratégies pour utiliser les données efficacement avec les apprenants du secondaire.

Ressources principales pour les jeux de données gratuits

L'internet est riche en dépôts de données, mais tous ne sont pas adaptés aux classes secondaires. Ci-dessous sont des plateformes curées qui offrent des ensembles de données propres et bien documentées sur une large gamme de sujets, avec des niveaux de complexité variables.

Le cagoulier

Ensembles de données de Kaggle La plupart des ensembles de données comprennent des fichiers CSV, des métadonnées et des discussions communautaires. L'onglet Kaggle -Datasets - permet de filtrer par la taille des fichiers, les balises et la popularité, ce qui facilite la recherche de matériel approprié par les enseignants. Certains ensembles de données sont munis de cahiers intégrés qui démontrent l'analyse exploratoire, qui peuvent servir d'échafaudage pour les étudiants débutants.

Data.gov (Données ouvertes du gouvernement américain)

Données.gov Les enseignants peuvent explorer des sujets tels que les indices de qualité de l'air, les mesures de rendement scolaire, la consommation d'énergie et les modes de transport. La catégorie -Education contient à elle seule des centaines de ensembles de données qui concernent les projets en classe, par exemple les taux de défaut de prêt des étudiants, les chiffres d'inscription dans les collèges et les données démographiques des districts scolaires.

Cinq-Trente-Huit

Dépôt de données de cinqThirtyEight Les ensembles de données sont volontairement petits, bien documentés et liés à des histoires convaincantes, idéales pour la discussion. Les ensembles de données populaires comprennent des sondages sur l'approbation présidentielle, des graphiques historiques NBA, des notes de films et la représentation des sexes dans STEM.

Banque mondiale Données ouvertes

Banque mondiale Données ouvertes Les enseignants peuvent accéder au PIB par habitant, aux taux d'alphabétisation, à l'espérance de vie, à l'utilisation d'Internet, etc. Les données sont structurées en panel (année-pays), excellentes pour l'enseignement de l'analyse longitudinale et des études comparatives. L'API de la Banque mondiale permet également de poser des questions automatiques, bien que l'option de téléchargement du CSV soit plus simple pour les niveaux d'études secondaires.

Dépôt de l'UCI pour l'apprentissage automatique

Dépôt de l'UCI pour l'apprentissage automatique Bien que de nombreux ensembles de données soient de niveau de recherche, plusieurs sont accessibles et engageants pour les élèves du secondaire, comme l'ensemble -Wine Quality, fleurs -Iris, prédiction d'âge -Abalone et -Auto MPG. - Ces ensembles sont petits, ont des attributs clairs et sont souvent utilisés dans les tutoriels d'introduction à la machine. Ils sont excellents pour les projets qui impliquent la construction d'arbres de décision ou de modèles voisins k-nearest.

Gapminder et notre monde en données

Dépanneuse offre des données sur le développement mondial, en mettant l'accent sur la santé, la richesse et la population. Notre monde en données Les deux sont riches en images et profondément contextualisées, ce qui les rend parfaits pour enseigner les statistiques par le biais de la narration et de la visualisation des données.

Mardi

Les Mardi Le projet publie chaque semaine (en général le mardi) un nouvel ensemble de données pour la pratique avec nettoyage, visualisation et analyse de données en R ou Python. Bien que conçu pour un public plus large, de nombreux ensembles de données sont parfaitement dimensionnés pour l'usage au lycée – comme -cheap mange - les cotes de restaurant, prix de citrouille, ou observations de biodiversité.

Comment choisir le bon jeu de données pour votre classe

Les enseignants devraient évaluer les ensembles de données potentiels en fonction de plusieurs critères :

  • Pertinence par rapport au programme d'études: L'ensemble de données est-il conforme aux concepts statistiques que vous enseignez (p. ex., moyenne et médiane, corrélation, probabilité, test d'hypothèse, régression)?
  • Intérêt des étudiants: Les données sur les ventes de jeux vidéo, l'utilisation des médias sociaux, la musique populaire ou le sport ont tendance à générer plus d'enthousiasme que les indicateurs économiques abstraits.
  • Types variables: Assurez-vous que l'ensemble de données comprend un mélange de variables catégorisées et numériques afin que les étudiants puissent pratiquer différents types d'analyse et de visualisation.
  • Taille et complexité: Pour les débutants, un ensemble de données contenant moins de 500 lignes et moins de 20 colonnes est gérable. Évitez les ensembles de données avec de nombreuses valeurs manquantes ou des structures imbriquées complexes jusqu'à ce que les étudiants aient des compétences de nettoyage de données de base.
  • Documentation: Recherchez des ensembles de données qui sont assortis d'un dictionnaire de données, d'informations sources et de définitions claires des variables, ce qui favorise l'obtention de données responsables et aide les étudiants à comprendre le contexte derrière les chiffres.
  • Considérations éthiques : Soyez prudent avec des ensembles de données contenant des informations personnelles identifiables ou des attributs démographiques sensibles. Choisissez des données publiques, anonymisées pour protéger la vie privée des étudiants et éviter de déclencher des discussions au-delà de la portée de la classe.

Idées de projet de classe utilisant des ensembles de données libres

On trouvera ci-dessous des idées de projet détaillées qui tirent parti des ressources ci-dessus, chacune ayant pour but de renforcer les compétences spécifiques en statistique et en science des données.

Projet 1: Exploration du gapminder -Life Expectancy vs. GDP-Dataset

Objectif: Explorer la relation entre la richesse d'un pays (PIB par habitant) et les résultats en matière de santé (espérance de vie) au fil du temps.

Compétences : Visualisation des données (scintriers, lignes de tendance), corrélation, transformation logarithmique et comparaisons internationales.

Étapes : Téléchargez les données Gapminder (fichier csv disponible sur leur site).Les étudiants créent des diagrammes de dispersion pour une année sélectionnée (p. ex. 2019) avec le PIB par habitant sur l'axe des x et l'espérance de vie sur l'axe des y. Ils codent la couleur par continent. Demandez aux étudiants de décrire la forme de la relation, d'identifier les aberrations (p. ex., les pays à espérance de vie élevée mais à faible PIB) et de calculer les coefficients de corrélation.

Projet 2 : Données sur les changements climatiques provenant de notre monde en données

Objectif: Analyser les anomalies de température mondiale ou les émissions de CO2 par habitant et prévoir les tendances futures.

Compétences : Analyse des séries chronologiques, moyennes mobiles, tracés linéaires et régression linéaire simple.

Étapes : Utilisez l'ensemble de données de Notre monde en données sur les émissions de CO2. Les étudiants filtrent pour quelques émetteurs majeurs (USA, Chine, Inde, UE) et tracent les émissions annuelles de 1950 à 2020. Ils calculent des moyennes mobiles de 5 ans pour lisser les fluctuations. Ensuite, en utilisant une régression linéaire simple, les étudiants projettent les émissions pour 2030 et 2050. Discutez des facteurs qui pourraient rendre cette projection inexacte (changements politiques, changements économiques).

Projet 3 : Analyse sportive avec cinq coups de feu de la NBA ThirtyEight

Objectif: Déterminer si l'effet -Hot hand--Hot existe dans le basketball en analysant les données prises par coup.

Compétences : Probabilité discrète, probabilité conditionnelle, test d'indépendance au chi carré.

Étapes : Pour un joueur sélectionné, les élèves calculent la probabilité de faire un tir après avoir fait le tir précédent vs après avoir manqué le tir précédent. Ils créent une table de contingence 2x2 (faite/manquée après faite, faite/manqueuse après manquée) et effectuent un test chi carré pour l'indépendance. Ce projet relie l'intuition sportive à des tests statistiques rigoureux, menant souvent à des débats animés sur la striation.

Projet 4: Mobilité économique et éducation à partir de Data.gov

Objectif: Étudier comment les dépenses scolaires ou les qualifications des enseignants se rapportent aux résultats des élèves au niveau de l'État.

Compétences : Fusion des données (en intégrant deux ensembles de données sur une clé commune), corrélation, diagrammes de dispersion et analyse de régression.

Étapes : Télécharger deux ensembles de données de Data.gov: (1) les dépenses par élève au niveau de l'État (du Centre national de statistiques de l'éducation) et (2) les scores SAT moyens ou les taux de graduation au niveau de l'État. Les étudiants fusionnent les ensembles de données par État, créent un graphique scatter avec les dépenses en axe x et testent les scores en axe y, et calculent Pearson.

Projet 5: Notes et tendances du genre avec Kaggle

Objectif: Déterminer si les cotes des films ont changé au fil du temps et si certains genres sont associés à des scores d'audience plus élevés.

Compétences : Les diagrammes de boîte, les tests en t (deux échantillons), ANOVA, visualisation des données avec des histogrammes.

Étapes : Utilisez un jeu de données Kaggle comme -IMDb films - ou -TMDB 5000 Movie Dataset , les étudiants extraient l'année de sortie, le genre (utiliser le genre primaire), et la cote utilisateur. Ils peuvent grouper les genres et les boxplots de notations. Ensuite, exécutez un test ANOVA pour tester si la cote moyenne diffère significativement entre les genres.

Enseignement du nettoyage et de la préparation des données

Avant toute analyse, les élèves doivent apprendre à nettoyer et à préparer des données brutes, ce qui est souvent le plus long dans la pratique et qui leur permet de développer des compétences importantes.

  • Identifier les valeurs manquantes: Apprenez aux élèves à utiliser des fonctions comme (R) ou (Python) et discutez des stratégies : supprimer les lignes, imputer la moyenne/médiane ou afficher la disparition comme une catégorie distincte.
  • Vérifier les types de données: Assurez-vous que les numéros sont stockés comme des numéros (pas des chaînes) et que les dates sont analysées correctement.
  • Supprimer les duplicata & #160;: Afficher comment détecter et déposer les lignes dupliquées.
  • Filtrer les lignes non pertinentes & #160;: De nombreux ensembles de données contiennent des lignes ou des métadonnées de synthèse qui devraient être exclues.
  • Normaliser les valeurs catégoriques : Combiner des variantes (par exemple, -USA, -USA, -USA) en une étiquette cohérente.
  • Renommer les colonnes et créer de nouvelles variables : Par exemple, il faut passer de la population à des millions ou calculer un taux à partir de chiffres bruts.

Fournir aux élèves quelques ensembles de données --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Outils de visualisation pour la salle de classe

Bien que les logiciels statistiques comme R ou Python soient puissants, de nombreuses classes du secondaire utilisent des tableurs ou des plateformes basées sur le navigateur.

  • Feuilles Google / Microsoft Excel: Excellent pour les parcelles de base (bar, ligne, dispers, histogramme). Utilisez la fonction -Explore-de-la-Fiche pour des suggestions de graphiques rapides.
  • Tableau Public: Une plate-forme de visualisation gratuite qui fonctionne dans un navigateur Web. Il gère les gros ensembles de données facilement et produit des tableaux de bord interactifs.
  • Coffret de données : Extrêmement facile pour créer des graphiques propres et intégrables. Aucun codage requis.
  • CODAP (plateforme commune d'analyse des données en ligne): Développé spécifiquement pour l'éducation, CODAP permet aux étudiants de glisser des attributs vers les axes et filtrent de manière interactive. Il est gratuit et fonctionne entièrement dans le navigateur.
  • Jupyter Notebooks avec Python (via Google Colab): Pour les cours plus avancés, Google Colab fournit gratuitement des cahiers basés sur le cloud avec des bibliothèques préinstallées (pandas, matplotlib, seaborn).

Lors de l'introduction de la visualisation, mettre l'accent sur la grammaire des graphiques : cartographier les variables à l'esthétique (x, y, couleur, taille), choisir les types de graphiques appropriés, et les axes d'étiquetage clairement.

Évaluation du travail des étudiants avec les projets de données

L'évaluation devrait porter autant sur le processus que sur le produit final.

  • Sourcing et nettoyage des données : L'élève a-t-il documenté la source? A-t-il bien géré les données manquantes?
  • Analyse et méthodologie: L'outil statistique choisi est-il pertinent? A-t-il vérifié les hypothèses? A-t-il identifié les limites?
  • Qualité de la visualisation : Les cartes sont-elles claires, bien étiquetées et exemptes de distorsion (p. ex., axes tronqués)?
  • Interprétation et conclusion: L'élève peut-il expliquer ce que les données montrent en langage clair? Évitent-elles les résultats exagérés?
  • Reproductibilité: Y a-t-il des instructions de code ou de pas à pas pour que quelqu'un d'autre puisse reproduire son travail?

Encourager les élèves à présenter leurs résultats à la classe – cela renforce les compétences en communication et permet aux pairs de faire part de leurs commentaires.

Considérations éthiques lors de l'utilisation des données publiques

Travailler avec des données réelles invite à des discussions éthiques importantes.

  • Confidentialité et anonymat : Expliquer pourquoi certaines données (dossiers médicaux personnels, numéros de sécurité sociale) ne devraient jamais être utilisées en classe. Souligner la différence entre les données agrégées et les données individuelles.
  • Bénéfices dans la collecte de données: Discuter de la façon dont le biais d'échantillonnage, le libellé de l'enquête ou les données manquantes peuvent influer sur les conclusions.
  • Visualisations trompeuses : Montrez des exemples de graphiques à échelles manipulées ou à données cueillies au cerisier, et demandez aux élèves de les critiquer.
  • Responsabilité en matière de rapports: Apprenez aux élèves à présenter des incertitudes, des intervalles de confiance et des valeurs d'effet plutôt que des valeurs p.

Ces discussions non seulement établissent la maturité statistique, mais s'alignent aussi sur les objectifs de citoyenneté numérique.

Intégration de données libres dans un programme complet

Les ensembles de données gratuits peuvent être threadés tout au long d'un semestre, pas seulement pour des projets isolés. Par exemple:

  • Semaine 1-2: Statistiques descriptives — Utilisez de petits ensembles de données (Iris, MPG automatique) pour calculer la moyenne, la médiane, l'écart-type et créer des histogrammes.
  • Semaine 3-4 : Visualisation des données — Demandez aux élèves de créer un portrait de données à partir d'un ensemble de données d'enquête (par exemple, enquête en classe sur les passe-temps) avec des diagrammes à barres et des diagrammes à secteurs.
  • Semaine 5-6: Probabilité — Utilisez les données du sondage FiveThirtyEight pour simuler les résultats des élections ou les expériences de basculement.
  • Semaine 7-9: Inférence (tests d'hypothèse) — Effectuer des tests t sur les données Gapminder (par exemple, comparer l'espérance de vie entre les continents) ou des tests chi carrés sur les cotes de cinéma.
  • Semaine 10-12: Corrélation et régression — Explorer les relations dans notre monde en matière de données CO2 par rapport à l'ensemble du PIB.
  • Semaine 13-15: Projet final — Les élèves choisissent un ensemble de données parmi les ressources ci-dessus et effectuent une analyse complète, qui aboutit à une présentation ou à un rapport.

À la fin du cours, les étudiants auront construit un portefeuille de projets de données qui démontrent des compétences réelles. Les ressources gratuites mises en évidence dans cet article permettent à toute école, peu importe le budget, d'offrir un programme rigoureux et engageant en sciences des données et en statistiques.

Conclusion

Les ensembles de données libres ne sont pas seulement un sauveur de coûts; ils sont une mine d'or pédagogique. Ils permettent aux étudiants de s'engager avec des données authentiques, mesquines et significatives qui reflètent ce que les data savants rencontrent dans le monde réel. En tirant parti de plateformes comme Kaggle, Data.gov, FiveThirtyEight, World Bank Open Data, UCI, Gapminder et Our World in Data, les enseignants peuvent construire des leçons qui résonnent avec les intérêts des étudiants et répondent aux objectifs éducatifs. La clé est de choisir des ensembles de données qui sont adaptés à l'âge, bien documentés et riches en variables, puis d'échafauder le processus d'analyse du nettoyage à la visualisation à l'inférence.