۱. مقدمه

برنامه‌های آموزشی علوم داده در حال سر برآوردن هرچه بیشتر در فضاهای آنلاین و دانشگاه‌ها هستند. این برنامه‌های درسی معمولا از موضوعاتی مانند آمار، علوم کامپیوتر و دیگر مباحث فنی علوم داده اشباع شده‌اند. اما در کنار این عناوین، موضوعات دیگری نیز به صورت فزاینده‌ای اهمیت پیدا کرده است. همکاران ما در دانشگاه برکلی در کالیفرنیا با تعبیر «توجه به زمینه‌های اجتماعی، فرهنگی و اخلاقی مسائلی که متخصصان علوم داده برای حل آن‌ها تلاش می‌کنند» از آن یاد کرده‌اند[2]. به عبارت دیگر، رویکردهای آموزشی ما باید دانشجویان را تشویق کند تا با همان حساسیتی با داده‌های مرتبط با انسان رفتار کنند که در تحقیقات مرتبط با موضوعات انسانی در سایر رشته‌ها انتظار می‌رود.         

به بیان دقیق‌تر، متخصصان علوم داده برای فهم چالش‌های موجود در جامعه نیز به آموزش‌ نیاز دارند. این آموزش به آن‌ها کمک می‌کند تا با دقت به نیازهای اعضای جوامعی که داده‌ها را از آن دریافت کرده‌اند گوش کنند، فرضیات یکدیگر را با نگاه انتقادی مورد ارزیابی قرار دهند و ایده‌های خود را نه تنها با سادگی و وضوح بلکه با احترام و خیرخواهی نسبت به همان افراد بیان کنند[3]. متفکران بسیاری در سال‌های اخیر درباره اهمیت این مجموعه از مهارت‌ها نوشته‌اند و به درستی این موارد را به ما یادآور شده‌اند[4]. به عنوان نمونه دیوید مدیگان اخیرا نوشته «گسترۀ وسیع تاثیرات علوم داده بر زندگی روزمره ما باعث بروز پرسش‌هایی چالش‌برانگیز درباره حریم خصوصی، اخلاق و عدالت شده است»[5]. بامر نیز بر لزوم آموزش اخلاق علوم داده تاکید می‌کند و درباره روش‌هایی بحث می‌کند که بتوان تفکر اخلاقی را به صورت ساختاریافته و کارآمد وارد برنامه‌های آموزشی علوم داده در موسسات مختلف کرد[6].   

ما بر این باوریم که تاثیر علوم داده بر جامعه همچنان گسترش خواهد یافت. به همین دلیل، باید پیوسته دنبال شیوه‌هایی برای تربیت بهتر نسل بعدی متخصصان علوم داده باشیم، مخصوصا در مورادی که پاسخ درست به پرسش‌های اساسی وجود ندارد و ناگزیر باید به پاسخ‌های قابل دفاع‌تر بسنده کرد. با این حساب، آیا مهارت‌های فنی که به صورت کارآمدی در کلاس به دانشجویان آموزش می‌دهیم، می‌تواند مهارت‌های غیرفنی مورد نیاز آن‌ها را در آینده فعال کند؟ می‌دانیم که این مهارت‌های غیرفنی همان مواردی هستند که دانشجویان برای موفقیت آتی در کارهای فنی به شدت به آن‌ها نیاز خواهند داشت. محتوای آموزشی ما چگونه می‌تواند آن‌ها را متفکرانِ انتقادیِ قوی‌تری بار بیاورد تا پیچیدگی‌های انسانیِ اجتناب‌ناپذیر پروژه‌های علوم داده را به خوبی درک کنند؟

این تنها پرسشی درباره گنجاندن محتوای آموزشی در برنامه‌های تحصیلی نیست، بلکه دعوتی است برای توجه به انگیزه‌های درونی و بیرونی که در محیط کلاس و هنگام انجام تمرین‌ها نقش بازی می‌کنند. دانشجویان در فراگیری تفکر انتقادی معمولا بیش از اندازه به نمره توجه می‌کنند (نمونه‌ای کلاسیک از انگیزه‌های بیرونی در کتابهای درسی). با این حال، آنچه در قلب تفکر انتقادی وجود دارد – اعم از مهارت‌های ذهنیتی و شخصیتی – با بیدار شدن انگیزه‌های درونی بهتر توسعه می‌یابد.

به عنوان نمونه، ما همیشه هنگام کار کردن دیدگاه شخصی، تجربیات منحصر به فرد و سوگیری‌های مخصوص خودمان را همراه خود داریم. اما از آنجا که ابزارهای فنی علوم داده قابلیت به کارگیری در گسترۀ وسیعی از مسائل اجتماعی را دارد[7]، اغلب به راحتی دچار این تصور می‌شویم که نظرات شخصی ما تمام آنچه در مسائل علوم داده مورد نیاز است را پوشش می‌دهد. در درس‌هایی مانند «داده 104: زمینه‌های انسانی و اخلاق داده» در دانشگاه برکلی[8] و «پردازش کاربردی 221: تفکر انتقادی در علوم داده» که خودمان در دانشگاه هاروارد ارائه می‌دهیم، دانشجویان در خلال مواجهه با مجموعه‌ای از ارائه‌، درسنامه و تمرین با دیدگاه‌های متفاوت آشنا می‌شوند. اما پرسش مهم‌تر این است که چگونه می‌توانیم آن‌ها را به مرحله‌ای برسانیم که به شکافتن پوسته پیش‌فرض‌های خود و رویارویی با سوگیری‌های ضمنی‌شان عادت کنند؟ چگونه می‌توانیم برنامه آموزشی را به گونه‌ای تنظیم کنیم تا دانشجویان ارتباطی عمیق با محتوای آموزش برقرار کنند و آموزش به گفتگوهای روزمره و بیان‌های شخصی افراد راه یابد و تاثیراتی معنادار و پایدار بر شیوه فکر کردن آن‌ها داشته باشد؟

این مقاله در حقیقت روش مواجهه ما با این پرسش‌ها را در درس «تفکر انتقادی در علوم داده»[9] توضیح می‌دهد. ابتدا شیوه اولیه خود در سازماندهی کلاس‌هایمان را توضیح تشریح خواهیم کرد. سپس خواهیم دید که یادگیری غیرحضوری در دوران کرونا چگونه رویکردمان در آموزش را در بوته نقد قرار داد و مجبورمان کرد تا سوگیری‌های خود در تعلیم و تربیت را زیر سوال ببریم و نقاط کورمان را در ارائۀ دروسی ازین دست پیدا کنیم. نتیجه این فرایند، رسیدن به رویکردی جدید درباره «مشارکت و ارزیابی مشارکت»[10] بود. در این مطالعه نشان داده‌ایم که این شیوه جدید توانسته در کلاس‌های ما به عاملی اساسی در پرورش تفکر انتقادی دانشجویانِ علوم داده و توانایی مواجهه ایشان با پیچیدگی‌های ناشی از ابعاد انسانی موضوع بدل شود.

رویکردی که در «مشارکت و ارزیابی مشارکت» اتخاذ کردیم بر چهارچوبی کلی که از آن با عنوان ARC یاد می‌کنیم استوار است. در این چهارچوب رویکردهای مبتنی بر خودگردانی، درون‌نگری و اجتماع[11] در عمل با یکدیگر تلفیق شده‌اند. تجربه ما نشان می‌دهد که این تلفیق، ارتباط دانشجویان با مواد درسی را در مقایسه با قبل بیشتر می‌کند و به آن عمق می‌بخشد. این رویکرد بستری فراهم می‌کند تا نه تنها از کادر آموزشی بلکه از یکدیگر نیز بازخورد دریافت کنند. در مجموع، این شیوه کمک کرد تا اجتماعی از علاقه‌مندان به یادگیری شکل بگیرد که بیش از آنکه برای رقابت با یکدیگر انگیزه داشته باشند برای همکاری اعلام آمادگی کنند. اگرچه ما این رویکرد را برای طراحی درسی با بحث و مشارکت زیاد مانند «تفکر انتقادی در علوم داده» به کار گرفتیم، بر این باوریم که ویژگی‌های چهارچوب ARC به راحتی از چنین درس‌هایی فراتر می‌رود و در گستره بزرگ‌تری از دروس کاربرد دارد. به همین دلیل مشغول به‌کارگیری آن برای تهیه مجموعه‌ای از تمرین‌ها و ایجاد اجتماعات یادگیرنده در دروس مقدماتی برنامه‌نویسی نیز هستیم.

بعد از این مقدمه، مقاله به صورت زیر ادامه خواهد یافت: بخش 2 به توصیف اهداف درس «تفکر انتقادی در علوم داده» و ساختار اولیه آن اختصاص دارد. در این بخش آنچه در تحقیقات پیشین به عنوان بهترین رویکرد برای مشارکت‌گرفتن از دانشجویان به کار می‌رفته مرور خواهد شد. این بخش با برآمدن کرونا و بازگو کردن تاثیرات ناگهانی آن بر نقل مکان کامل آموزش به فضاهای آموزشی آنلاین پایان می‌یابد. این همان اتفاقی است که موجب شد درباره رویکردمان نسبت به مشارکت دانشجویان و ارزشیابی آن بازاندیشی کنیم. بخش 3 رویکرد اصلاح‌شده ما را عرضه می‌کند. بخش 4 بر چهارچوب تربیتی رویکرد جدید در پرورش انگیزه دانشجویان تمرکز دارد. واکاوی این چهارچوب کمک می‌کند تا دلایل موفقیت رویکرد جدید را توضیح دهیم، چراکه آن‌ها را الگوی مناسبی برای طراحی موفق در بسیاری از درس‌های دیگر نیز می‌دانیم. بخش 5 تصویری کلی از روش‌ تحقیقی ارائه می‌کند که در آن فرضیۀ بهبودِ انگیزۀ دانشجویان در بهار 2021 را مورد آزمایش قرار دادیم. بخش 6 نتایج نهایی را گزارش می‌کند، سال‌های قبل و بعد از مداخله را مورد مقایسه قرار می‌دهد و شاخص‌های موفقیت و بهبود را بر می‌شمرد. بخش 7 آموخته‌ها را جمع‌بندی می‌کند و در نهایت با نگاهی به آینده بحث را به پایان می‌رساند.     

ادامه دارد …

————————————————-

 متن اصلی:

Motivating Data Science Students to Participate and Learn
Harvard Data Science Review, Deniz Marti and Michael D. Smith, 2023

پاورقی و ارجاع

[1] participation portfolio

[2] ادهیکاری 2021

[3] آکادمی‌های ملی علوم، مهندسی و پزشکی (NASEM) 2018

[4] ادهیکاری 2021 چایز 2021 هاس 2019 ایرزاری 2020 لو 2019 وینگ 2020

[5] دوید مدیگان 2021

[6] بامر 2021

[7] بامر 2019 آکادمی‌های ملی علوم، مهندسی و پزشکی (NASEM) 2018 ریجوی 2016

[8] ادهیکاری 2021

[9] Critical Thinking in Data Science (AC221)

[10] Participation and participating grading

[11] Autonomy, Reflection, Community (ARC)