Sporo czasu spędziłem ostatnio w National Institute of Education (NIE) in Singapore gdzie kształci się nauczycieli na każdym poziomie nauczania. Gdy patrzeć na wyniki Singapuru przez pryzmat badania PISA, to trudno uwierzyć, że żyją tu ludzie a nie roboty. Wyniki badania z 2015 roku plasują Singapur na 1 miejscu w praktycznie każdym kryterium (czytanie, matematyka, przyroda) i to z taką przewagą, że od drugiego miejsca dzieli ich przepaść.
Poruszając się po tym mieście-państwie widać w każdym miejscu olbrzymi nacisk położony na edukację, od ogrodu botanicznego (z masą edukacyjnych elementów), przez telewizję (z długimi programami na tematy naukowe i ekonomiczne) po metro.
Singapur ma też bardzo wysoki współczynniki nierówności Giniego, łatwo wyobrazić sobie prosty mechanizm w którym nacisk na edukacje wynika z chęci pozyskania lepszej pracy, wyższych zarobków itp.
W rozmowach z ludźmi z NIE ciekawiło mnie w jaki sposób teraz starają się kształtować zasady nauczania, co traktują za największe wyzwanie.
I tutaj ciekawa historia. Część z nich narzeka na bardzo transakcyjne podejście uczniów do edukacji. Podejście w którym za określony wysiłek czeka określona nagroda. Ale nie ma czasu na zwykłą ciekawość, zerkanie w bok, schodzenie ze szlaku. W artykułach o wysokich wynikach z PISA pojawia się pytanie: a gdzie innowacje?
Jak ta historia ma się do tytułowego kształcenia w Data Science? Hype wokół Data Science spowodował, że wiele osób traktuje ten zawód jako prosty sposób znaczącego podbicia sobie pensji po opanowaniu kilku konkretnych technik. Skupiając się na słówku Data zamiast na Science.
Tymczasem w dużej części do innowacji prowadzą nowe, pomysłowe zastosowania danych, a nie bezmyślne stosowania maszynek do młócenia danych. Aby znaleźć pomysłowe zastosowanie trzeba myśleć kreatywnie, ryzykować, schodzić ze szlaku. Próbować, upadać i próbować dalej aż się uda.
Hipoteza: programy studiów nie są na to gotowe. Często zaliczanie oparte jest o punkty, które można uzyskać za różne, niewielkie, bezpieczne zadania. Im bardziej pynkty są za bardzo konkretną aktywność, tym bardziej mamy transakcyjne/zamknięte podejście do nauczania.
Zamiast szukać smakołyków w danych, studenci mogą czuć pokusę by szukać punktów potrzebny do zaliczenia.
Nie jest to zreszta wina studentów, ponieważ zazwyczaj programy nauczania i kryteria określają nauczyciele akademiccy. Punkty wydają się być sprawiedliwym rozwiązaniem.
Moim zdaniem takie podejście jest jednak szkodliwe w tej mistycznej dyscyplinie jaką jest Data Science.
Jak nie transakcje to transformacje. Przedmiot (taki jak warsztaty badawcze) powinien zmieniać uczestnika (a uczestnikiem przedmiotu jest i uczeń i nauczyciel), wystawiać go poza strefę komfortu, generować nowe doświadczenia i rozwijać ciekawość do eksperymentowania.
Nauczyciel musi przyporządkować studentów do jednej kategorii (na studiach: nz, 3.0, 3.5, 4.0, 4.5, 5.0). To czasami bardzo trudne (kiedy student powinien trafić do grupy 4.0, a kiedy już zasługuje na 4.5?).
Uczeń z kolei powinien wiedzieć, czego się od niego oczekuje i w jaki sposób będą oceniane jego starania (czy nie?).
Żeby to było możliwe, podejście (jak to określasz) „transakcyjne” (być może częściowo) jest niezbędne. To „mistyczne” (khe, khe…) Data Science ma w końcu „science” w nazwie.
Ale myślę, że wiem co masz na myśli. Tylko nie uważam, żeby to była wina programów studiów (nie zgadzam się z hipotezą). Prędzej zasad rządzących wszechświatem 😉
Patrząc na to z innej strony, kursy są po to by się czegoś nauczyć. Dobre oceny łechcą ego i przydają się do stypendium, ale poza tym?
Jest cała masa świetnych materiałów edukacyjnych takich jak Coursera, z których można wiele się nauczyć choć nie ma ocen.
A nawet zaryzykuję silniejsze stwierdzenie, część osób preferuje takie kursy nad uczelnianymi, ponieważ mogą się skupić na uczeniu a nie kryteriach oceniania.
Całkowita eliminacja ocen pewnie nie jest możliwa ani potrzebna, ale w kryteriach ocen można osłabiać znaczenie punktów za to czy tamto. Wśród akademików wiele osób narzeka na punktozę serwowaną przez ministerstwo w ocenie jednostek a później serwuje punktozę studentom 😉
Ale Coursera to też punktoza! Wiem, bo byłem i mam stos certyfikatów „with distinction”. I to nie było trudne. Ale nie krytykuję tego, bo materiał dydaktyczny był znacznie bogatszy niż weryfikacja, i potem (niekoniecznie w trakcie kursu) się przydał.
Wypuszczamy uczniów (studentów) w świat, nie będąc tak naprawdę pewni, co im się przyda, ani jak z tego skorzystają. I czasami oceniając ich niewłaściwie. Niektórych to mobilizuje do większego wysiłku (super!). Inni myślą, że już są genialni (a kto jest?). Nie mamy na to większego wpływu (hipoteza 😉 ).
Chciałem napisać, że formuła Kaggle jest najbardziej zbliżona do ideału. Ale to też przecież przykład skrajnej punktozy. Choć może trochę bardziej przemyślanej, niż to serwowane nam przez MNiSW 😉
Kaggle to skrajna punktoza, która zmieniła postrzeganie Data Science. Są tam dobrze określone zadania, precyzyjne kryteria oceny i wcale się zdziwię gdy kolejne AI (po DeepBlue, Watson i AlphaGO) pokona pozostałych graczy na Kagglu (osobiście kibicuję MLJar-owi).
Zresztą nie zdziwię się jeżeli kolejne AI będą sobie radziły świetnie z każdym dobrze zdefiniowanym zadaniem w którym wiadomo co optymalizować.
Mnie na Kaggle brakuje frajdy wynikającej z definiowania zadań, szukania problemów i innych ciekawych elementów pracy z danymi.
Podoba mi się filozofia Kena Robinsona w której na punkty nie ma za wiele miejsca. Ale ludzie są różni i oczekują różnych rzeczy, edukacja powinna jakąś różnorodność form zapewnić by różne talenty mogły się w niej odnaleźć. Wszystkich nie da się uszczęśliwić, większości nie da się zmienić, ale jeżeli choć kilka osób odnajdzie się w innej formule to już coś.