CC BY
31
Scientific journal ISSN 2413-158X (online)
PHYSICAL AND MATHEMATICAL EDUCATION ISSN 2413 1571 (Print)
Has been issued since 2013.
Науковий журнал
Ф1ЗИКО-МАТЕМАТИЧНА ОСВ1ТА
Видаеться з 2013.
http://fmo-journal.fizmatsspu.sumy.ua/
Павленко Л.В., Павленко М. П., Хоменко В. Г., Хоменко С.В., Скурська М.М. lнновацiйнi nidxodu до вивчення статистики майбутнми 1Т-фах'1вцями на основi використання мови програмування R. Ф'зико-математична освта. 2020. Випуск 1(23). С. 97-105.
Pavlenko L., Pavlenko M., Khomenko V., Khomenko S., Skurska M. Innovative approaches to the study of statistics by future IT-specialists based on the use of the programming language R. Physical and Mathematical Education. 2020. Issue 1(23). Р. 97-105.
DOI 10.31110/2413-1571-2020-023-1-016 УДК 378.016:311:004.43
Л.В. Павленко1, М.П. Павленко2, В.Г. Хоменко3, С.В. Хоменко4, М.М. Скурська5
Бердянський державний педагогiчний унiверситет, Украна
1liliya.pavlenko @meta.ua ORCID: 0000-0001-7823-7399 2pavlenko.2277@gm ail.com ORCID: 0000-0003-0091-696X 3v_g_homenko@ukr.net ORCID: 0000-0002-7361-2169 4s_v_homenko@ukr.net ORCID: 0000-0002-9958-7272 5mariyka09@ukr. net ORCID: 0000-0003-4572-6019
1ННОВАЦ1ЙН1 П1ДХОДИ ДО ВИВЧЕННЯ СТАТИСТИКИ МАЙБУТН1МИ 1Т-ФАХ1ВЦЯМИ НА ОСНОВ1 ВИКОРИСТАННЯ МОВИ ПРОГРАМУВАННЯ R
АНОТАЦ1Я
Формулювання проблеми. У час «iнформацiйного вибуху» е проблема в статистичнiй oceimi сусп':льства. Вивчення статистики е важливим компонентом осв'тн'к програм пдготовки фахiвцiв у галузi IT. Кожного дня в свт генеруються велик обсяги р'вномаштних даних, що пост'шно збльшуються. Тому попит на ринку прац на аналimикiв даних, досл'днишв даних пост'шно зростае. Удосконалення навчання студент'в статистики потребуе переходу в'д теоретичних метод'в навчання до практичного розв'язання завдань прикладного характеру та перемщення акценту з процесу статистичних розрахуншв на анал'в та iнmерпреmацiю одержаних результат'в. Метою статт'1 е теоретично обфунтувати впровадження /нновац/'йних тдход 'ю до вивчення статистики студентами на основi використання мови програмування R.
Матер/'али i методи. Контент аналiз науково) й методично)' лтератури, узагальнення й систематизац'я. Анкетування студент'ю, первинна статистична обробка й узагальнення отриманих даних.
Результати. В роботi прoаналiзoванi програмн засоби проведення статистичного аналiзу даних, визначен особливостi )х використання у навчальному прoцеci, запропоновано використовувати спец'юл'зовану мову програмування R у якocmi головного засобу навчання та програмт пакети MS Excel та Statistica у якocmi допом 'жних заcoбiв. Удосконалення курсу статистики для фахiвцiв в галуз'1 IT полягае, по-перше, в тому, що володння математичною мовою i математичним моделюванням дозволить студенту краще oрiенmуваmиcя в прoгнoзуваннi економ'мних, соц'шльних, техшчних та iнших процесв; по-друге, в тому, що статистика за своею внуmрiшньoю природою мае багат'1 можливостi для формування алгоритм'много мислення студент 'ю.
Висновки. Проведене досл'дження дозволило встановити, що навчання статистики мае фунтуватися на реальних даних, якi одержанi в результатi статистичних досл/'джень. Розробка практичних та лабораторних робт для майбуттх IT-фахiвцiв мае включати завдання, якi будуть мстити реальнi данi для аналiзу. У ходi досл'дження теоретично обфунтовано впровадження 1'нновац1'йних п 'дход 'в до вивчення статистики. Визначено, що у якocmi головного методу навчання статистики виступае метод практичного навчання на основi програмування. Запропоновано використовувати мову та середовище програмування R, у якocmi головного засобу навчання.
КЛЮЧОВ1 СЛОВА: мова прoграмyвання, п'дготовка IT-фаxiвцiв, аналiз даниx, iннoвацiйнi пiдxoди до навчання.
ВСТУП
Постановка проблеми. У час «Ыформацмного вибуху» е проблема в статистичый освт сусптьства. Вивчення статистики е важливим компонентом ocbîthîx програм тдготовки фахiвцiв у галузi 1Т. Пщ час викладання курав 3i
статистики викладачi стикаються 3i значною кiлькiстю проблем, а саме: рiзний piBeHb знань, низький piBeHb вмотивованосп, вiдсутнiсть розумiння студентами необхщност вивчення статистики для використання в майбутый професп (Zieffler, A., Garfield J., Alt S., Dupuis D., Holleque K., and Chang B, 2008).
Протягом останнього часу виникае серйозне занепокоення щодо майбутнього статистики, як навчально!' дисциплiни. Cox (1997), Moore (1997), Smith, Staetsky (2007) пщымають багато питань, щодо необхщност удосконалення цтей, змiсту, методiв та форм навчання курсу статистики.
Аналiз актуальних дослiджень. Багатьма вченими проводилися дослщження, у яких вивчалися проблеми навчання статистики. Рекомендацп щодо викладання статистики в навчальних закладах рiзного типу наведенi в працях Shaughnessy (1992); Shaughnessy, Garfield, and Greer (1996); Ben-Zvi and Garfield (2004); Shaughnessy (2007); Garfield & Ben Zvi (2008); Langrall, Makar, Nilsson, & Shaughnessy (2017); Biehler, Frischmeier, Reading & Shaughnessy (2018). У дослщженнях Garfield & Ben-Zvi (2008) та Watson, Fitzallen & Carter (2013) було запропоновано використовувати перехщ в^д теоретичного навчання до застосування статистичних методiв у практичнiй дiяльностi п^д час навчання.
Des Nicholls (2001) зазначае, що за останн 50 рокiв теоретичний змiст навчання статистики зазнав значного розвитку, але цей процес вщбувався не керовано, шляхом введення в змкт нових понять. Як наслщок змкт навчання статистики, як дисциплЫи забезпечив викладачiв великою кiлькiстю теоретичних понять, спрямованих на вдосконалення теоретично! пщготовки студенев. Усе це, не сприяе розвитку мотивацп та зацiкавленостi студентiв до вивчення статистики. Rumsey D. (2002), Gal I. та Garfield J. (1997) звертають увагу на проблеми навчання статистики, та пропонують змшити парадигму навчання, i спрямувати його орiентацiю на практичну галузь, ще п^д час навчання у ЗВО.
1нвестицп в освiту розглядаються, як швестицп у виробництво, де створюеться людський капiтал. За прогнозами Всесвтнього Економiчного Форуму протягом наступних п'яти ро^в у свiтi буде спостер^атися збiльшення попиту майже в шлсть разiв на фахiвцiв у галузi статистичного аналiзу даних.
Вiдповiдно до опитування Modis (New STEM IQ survey: Americans view STEM as top-paying field, yet only 35% pursuing STEM jobs, 2018) 97,44 % респондент (представники банюв та промисловосп) розглядають аналiз даних, як перспективу устшного розвитку в галузi продажiв та маркетингу. Проте, Ытерес до iнтерпретацií даних вище, ыж до проведення розрахункiв. 42 % опитаних скаржаться на вщсутысть квалiфiкованих фахiвцiв, якi володiють методами статичного аналiзу даних на ринку працк 55 % респондентiв зазначають, що складно знайти фахiвцiв, якi вм^ть проводити розрахунки та iнтерпретацiю отриманих результат.
Кожного дня у свт генеруються великi обсяги рiзноманiтних даних, як постiйно збiльшуються. Тому попит на ринку прац на аналти^в даних, дослiдникiв даних постiйно зростае. Економкт Hal Varian R. (2017) зазначае, що у 2020 роц аналiтик даних стане найбiльш популярною профеаею
Отже, удосконалення навчання студенев статистики потребуе переходу вiд теоретичних методiв навчання до практичного розв'язування прикладних завдань та перемщення акценту з процесу статистичних розрахунюв на аналiз та iнтерпретацiю одержаних результат.
Щоб почати готувати iнтелектуально-активного, збагаченого знаннями i вмiннями фахiвця, освта мае перейти вiд репродуктивного до Ыновацмного навчання. lнновацiйне навчання - це творче поеднання традицмних i нових методiв навчання, íхнiй вибiр щодо кожно! навчально!' дисциплiни, виходячи з ''!' теоретичного змiсту i практично! спрямованостi (Камiнська, 2014). Водночас, варто враховувати, що пщ час викладання навчального матерiалу в студенев важливо формувати не тiльки певн професiйнi компетентностi, а i скорегувувати !х на сучаснi вимоги сьогодення. Маеться на увазi, що майбутнш фахiвець повинен вмiти висловлювати сво! думки й концепцп словами, розумти мову символiв, знакiв, схем. Це вже не просто здатысть до творчого мислення, а i здатысть до прийняття неординарних рiшень i дiй.
Для органiзацií iнновацiйного навчання статистики вщповщно до сучасних вимог сьогодення доцтьно застосовувати спецiальнi программ засоби для проведення статистичного аналiзу даних. Однак, сьогоднi е спецiалiзованi мови програмування та середовища, за допомогою яких, можливо, швидко та яюсно провести аналiз даних, виконати штерпретащю результатiв та пiдготувати висновки й звiти у рiзних форматах.
Отже, кнуе суперечнiсть мiж традицшними пiдходами до навчання статистики та вимогами сусптьства до рiвня пщготовки сучасного 1Т фахiвця в галузi статистичного аналiзу даних, а також мiж теоретичною спрямованiстю змiсту навчання статистики та необхщыстю пiдготовки фахiвця, який володiе прикладними засобами та методами статистичного аналiзу даних.
Метою статт е теоретично обГрунтувати впровадження iнновацiйних пiдходiв до вивчення статистики студентами на основi використання мови програмування R.
МЕТОДИ ДОСЛ1ДЖЕННЯ
У процесi дослiдження були використанi такi основнi методи: контент аналiз науково!' й методично! лiтератури, узагальнення й систематизащя, для з'ясування стану розробленост проблеми; анкетування здобувачiв вищо! освти й первинна статистична обробка отриманих результат для уточнення поточного стану дослщжувано!' проблеми; узагальнення теоретичних i практичних даних для обГрунтування впровадження Ыновацмних пiдходiв до вивчення статистики студентами на основi використання мови програмування R.
РЕЗУЛЬТАТИ ДОСЛ1ДЖЕННЯ
Процес навчання студент статистики пов'язаний iз певними труднощами: навчальний матерiал з цього курсу мктить велику кшьшсть означень та формул. Водночас студентам необхщно не просто вiдтворювати !'х, а й розумiти сенс i вмiти застосовувати на практицi. Однак, за традицмно!' органiзацií навчального процесу практичн завдання вiдiрванi вiд реальних економiчних, соцiальних та iнших процеав, якi вiдбуваються в реальному житп. Данi, якi аналiзуються, е узагальненими та не дозволяють повною мiрою сформувати розумшня студентами необхiдностi та доцтьност вивчення дано!' дисциплiни та можливост реалiзувати набутi компетентностi у сво'й подальшiй професiйнiй дiяльностi.
Тому бтьшлсть студентiв засвоюють статистику фрагментарно, а отже, не формуються системы знання. KpiM того, переважно вербальна подача шформацп пiдвищуe стомлюваысть, у результатi знижуеться продуктивнiсть навчального процесу (Фщула, 2000).
Зменшуеться кшьшсть статистично освiчених людей, потенцiйним роботодавцям важко найти фахiвця, який зможе виконувати статистичн обчислення без попереднього навчання та пояснення. Тому постае необхщысть в удосконалеш змiсту навчання ц^е'| дисциплiни завдяки впровадження завдань практичного характеру.
Удосконалення змкту навчання курсу статистики потребуе впровадження змш у методи та засоби ÏÏ навчання використовуючи iнновацiйнi технологи.
Науковi iнновацiï, якi просувають уперед науковий прогрес, охоплюють усi галузi знань. Розрiзняють со^ально-економiчнi, органiзацiйно-управлiнськi, технто-технолопчы iнновацiï. Однiею з рiзновидiв со^альних iнновацiй е педагогiчнi iнновацiï.
Педагопчна iнновацiя - це нововведення в галузi педагогiки, цiлеспрямованi прогресивнi змЫи, що вносять в освiтне середовище стабiльнi елементи (нововведення), що полтшують характеристики, як окремих ÏÏ компонент, так i само!' освiтньоï системи в цтому (Рапацевич, £. С., 2006).
Педагопчы iнновацiï можуть здшснюватися, як iз використанням власних ресурав освiтньоï системи (iнтенсивний шлях розвитку), так i з залученням додаткових потужностей (Ывестицш) - нових засобiв, обладнання, технологш, капiтальних вкладень i т. ш. (екстенсивний шлях розвитку).
Казакова В. (2006) зазначае, що поеднання штенсивного й екстенсивного шляхiв розвитку педагогiчних систем дозволяе здшснювати так званi мiнтегрованi iнновацiïм, ям будуються на стику рiзнопланових, рiзнорiвневих педагогiчних пiдсистем та Ух компонент.
Основними шляхами й об'ектами шновацмних перетворень у навчаннi статистики е:
- розробка концепцм i стратегш розвитку статистично!' освiти (Tishkovskaya, S., & Lancaster, G. A., 2012);
- оновлення змкту навчання статистики; змша й розробка нових технологш навчання;
- полтшення пiдготовки 1Т фахiвцiв в галузi проведення статистичного аналiзу даних;
- проектування нових моделей освiтнього процесу для навчання статистики;
- удосконалення моыторингу освтього процесу та навчання студентiв;
- розробка електронних засобiв навчання нового поколшня.
1нновацп можуть здiйснюватися на рiзних рiвнях. До вищого рiвня належать iнновацiï, якi впливають на всю педагопчну систему.
Kулiненко Л. (2013) зазначае, що при оргаызацп Ыновацмно!' дiяльностi слiд враховувати, що:
- шновацшы iдеï повиннi бути чгткими, переконливими й адекватними реальним освп>лм потребам людини й сусптьства, вони повиннi бути трансформованi в конкретн цiлi, завдання та технологи;
- шновацшна дiяльнiсть повинна морально й матерiально стимулюватися, необхiдно правове забезпечення шновацшно!' дiяльностi;
- у педагопчшй дiяльностi важливi не ттьки результати, а i способи, засоби, методи !'х досягнення.
Актуальнi проблеми викладання статистики в сучасному ЗВО полягають у переглядi досвiду, пов'язаного з активiзацiею навчання. Одне з головних завдання викладача - навчити студент здобувати потрiбну iнформацiю самоспйно, навчити Ух усвiдомлено опрацьовувати отриману Ыформацю Для того, щоби вони могли самостшно вивчати навчальнi матерiали, потрiбно, щоби вони були розроблен насамперед для студентiв, а не для викладачiв.
Можливостi дисциплiни «Статистика» для фахiвцiв у галузi 1Т, полягае, по-перше, у тому, що володЫня математичною мовою й математичним моделюванням дозволить студенту краще орiентуватися в прогнозуваннi економiчних, соцiальних, техычних та iнших процесiв; по-друге, у тому, що статистика за своею внутршньою природою мае багат можливост для формування алгоритмiчного мислення студент.
Майбутн 1Т фахiвцi повиннi не лише знати теоретичн основи, але i вмiти застосовувати засоби автоматизацп проведення статистичного аналiзу. До таких засобiв належать спецiалiзованi статистичнi пакети програм та мови програмування.
Статистичн пакети за ознаками функцюнальносп можуть бути роздтеы на 3 основы групи.
1. Ушверсальш статистичнi пакети Statistica, SPSS, Statgraphics, STATA, Stadia, SYSTAT, S-PLUS, MS Excel. Дан пакети не орiентованi на специфiчну предметну галузь i можуть застосовуватися для аналiзу даних iз рiзних галузей дiяльностi. Як правило, вони пропонують широкий дiапазон статистичних методiв i мають порiвняно простий Ытерфейс. З такими пакетами рекомендуеться працювати користувачам-почат^вцям, якi володiють лише базовими знаннями в галузi статистики, а також досвщченим користувачам на початкових етапах роботи з даними, коли ще чп^ко не визначен статистичн методи, якi будуть застосовуватися для виршення того чи iншого питання. Багатопрофтьысть унiверсального пакета дозволяе провести пробний аналiз рiзних типiв даних iз використанням широкого дiапазону статистичних методiв. Переважна бiльшiсть iснуючих уыверсальних пакетiв мають багато спiльних функцюнальних можливостей та схожi за складом вбудованих статистичних процедур.
2. Професшы статистичы пакети, такi, як SAS або BMDP. Профеайы пакети на вщмшу вiд унiверсальних дозволяють працювати з надвеликими обсягами даних, застосовувати вузькоспецiалiзованi методи аналiзу, створювати власну систему обробки даних. Як правило, подiбнi пакети склады i Ух не варто використовувати в навчальному процеа.
3. Спецiалiзованi статистичы пакети BioStat, Datastream, Datascope та Ы. призначенi для статистичного аналiзу в специфiчних галузях дiяльностi, у яких застосовуються особливi методи статистичного аналiзу, як правило, не представленi в уыверсальних пакетах.
Спецiалiзованi пакети дозволяють проводити аналiз iз використанням обмеженоУ кiлькостi спецiалiзованих статистичних методiв або застосовуються у спецiалiзованiй предметнiй галузГ Як правило, з подiбними статистичними пакетами працюють фахiвцi, добре знайомi з методами аналiзу даних в тм галузi, на яку орiентований пакет. Наприклад, статистичний пакет BioStat створений для аналiзу даних в галузi бiологiï i медицини.
БтьшМсть кнуючих статистичних паке™ мають гнучку модульну структуру, яка може поповнюватися i розширюватися завдяки призначеним для користувача модулям, ям додатково закуповуються або перебувають у втьному доступi в мережi 1нтернет. Подiбна гнучкiсть дозволяе адаптувати пакети до потреб конкретного користувача.
Статистичн пакети - це всього лише шструменти для досвщченого фахiвця. Якщо фахiвець не володiе достатнiми знаннями й компетенщями, то, навiть найдосконалший, програмний продукт не дозволить провести ямсний аналiз даних. Проте неправильно пщбраний програмний засiб, який не мктить потрiбний набiр статистичних процедур, здатний ускладнити роботу, навiть досвщченого, фахiвця.
Тому, пiд час тдготовки 1Т фахiвцiв необхiдно знайомити здобувачiв вищоУ освiти з наявними статистичними пакетами та '¡хыми характеристиками, але використання спецiалiзованих мов програмування, е бтьш близьким та зрозумiлими для студенев пiд час проведення статистичного аналiзу даних.
Для проведення статистичного аналiзу даних, можливо та доцтьно використовувати мови програмування R та
Python.
Розглянемо особливост мови програмування R. Мова R - це потужна високорiвнева об'ектно-орiентована мова програмування й середовище для статистичних обчислень i вiзуалiзацiï вихiдних i розрахункових даних, яка дозволяе виршувати багато завдань у галузi обробки даних; це безкоштовна програма з вщкритим кодом (GNU GPL), призначена для роботи пщ управлiнням поширених операцшних систем (Microsoft Windows, Mac OS, Linux i Unix). Для ще'| мови розроблен декiлька десяткiв тисяч спецiалiзованих модулiв та утилiт. Одыею з найважливших особливостей мови програмування R е ефективна реалiзацiя векторних операцй що дозволяе використовувати компактний запис пщ час обробки великого обсягу даних. Усе це робить R ефективним засобом для отримання корисноУ шформацп з великих обсяпв рiзноманiтних статистичних даних, у тому чи^ i з Big Data. Мова R е зручним i ефективним Ыструментом для навчання статистичного аналiзу, обробки i вiзуалiзацiï даних.
В галузi аналiзу даних та Ытерактивних науково-дослiдних розрахункiв iз вiзуалiзацiею результатiв також, можливо, використовувати мову програмування Python. Python - це об'ектно-орiентована мова програмування з вщкритим вихщним кодом. Порiвняно недавня поява полтшених бiблiотек для Python (насамперед, pandas) зробило ÏÏ серйозним конкурентом мови R для проведення статистичного аналiзу даних. У поеднанн з перевагами Python, як уыверсально'|' мови програмування це робить ÏÏ вщмЫним вибором для створення додаткiв обробки даних.
Отже, використання спецiалiзованоï мови програмування, як засобу навчання сприяе розвитку вмЫь проведення статистичного аналiзу даних та розвитку алгоритмiчного мислення майбул-лх 1Т фахiвцiв.
З метою вивчення актуальност проблеми наукового дослщження було проведено анкетування серед студенев 1Т спецiальностей. Були вивченнi питання, ям дозволяють з'ясувати думку здобувачiв вищоУ освiти, щодо проблеми удосконалення методики навчання статистики майбул-лх 1Т фахiвцiв.
Результати дослiдження представленi у вщсотках та вказують кiлькiсть позитивних вщповщей на запитання. Опитування було оргаызовано з використанням Google Forms. В дослщжены приймали участь 83 студенти, майбутнi 1Т фахiвцi, що вивчають статистику.
Заявлений iHTepec студенлв до вивчення курсу статистики
У цьому блоцi було задано студентам два запитання. Результати вщповщей на перше запитання опитування на рис. 1. Аналiз вщповщей дозволяе встановити рiвень обiзнаностi студенев у затребуваност спецiалiстiв на ринку працi, ям вмiють проводити аналiз даних.
Аналiз вiдповiдей студентiв дозволяе зробити висновки, що бтьшлсть з опитаних респондент, 42,17 % вважають, що фахiвець з аналiзу даних затребуваний на ринку працк Це пiдтверджуе актуальысть та необхiднiсть вивчення курсу статистики для фахiвцiв у сферi 1Т.
У другому запитаннi було уточнено, ям саме спецiальностi з аналiзу даних студенти вважають найбiльш актуальними сьогоды. Результати опитування студентiв наведен на рис. 2.
Рис. 1. Результати вщповщей на запитання щодо обiзнаноcтi студенев про попит на фахiвцiв з аналiзу даних на ринку прац
Рис. 2. Результати анкетування щодо обiзнаноcтi cтудентiв у сучасних профеаях з аналiзу даних на ринку прац
Серед студенев, майбутнiх програмiстiв, найбiльш вiдомою е профеая data analysts (65,06 %), на другому мкц перебувае профеая data scientists (51,81 %). Дан професп знають понад 50 % студенев, що говорить про |'хню обiзнанiсть та зацiкавленiсть у данш галузi.
Отже, за результатами вивчення вщповщей на запитання цього блоку, можемо зробити наступний висновок. Навчання статистики майбутых 1Т фахiвцiв е актуальним, адже студенти обiзнанi про кнування професiй у галузi аналiзу даних та вважають, що статистика знадобиться Ум у майбутый профеайый дiяльностi.
Думка студенлв про необхiднiсть наповнення змкту завданнями прикладного характеру.
Студентам було запропоновано вщповкти на запитання вщкритого типу: «Аналiз даних, з яко'|' предметно!' галузi Вам цтаво проводити?». Вiдповiдi студентiв показали, що найбтьш популярними даними для опрацювання, е данi iз соцiологiï, медицини, шженерм, економiки, бiологiï.
Також, було вивчено думку про те, з якими даними студентам цтаво працювати на практичних заняттях. Результати вщповщей на запитання наведем на рис. 3.
Рис. 3. Думка студент щодо походження даних для практичних завдань
Серед опитаних респондент 71,08 % вважають, що найбiльш привабливими для них е данi, ям отриманi в результатi практичного дослщження та мають прикладний характер. Це говорить про необхщысть розробки практичних та лабораторних робгг на основi реальних даних одержаних у результат статистичних дослiджень.
1нтерес студентiв до використання мов програмування та програмних засобiв для статистичного аналiзу даних.
Мета третього блоку запитань полягала у вивченн думки респондент про необхщысть та доцтьысть застосування програмних засобiв та мов програмування щодо проведены статистичного аналiзу даних.
Студентам були поставлен такi запитання: «Чи знаете Ви мови програмування, з допомогою яких, можливо проводити статистичний аналiз даних (впишпъ)?», «1нтерфейс якого програмного продукту для Вас бтьш зручний у використаны?», «Як Вам цтавше проводити аналiз даних використовуючи спецiальнi програмнi засоби чи за допомогою мови програмування?»
Вщповщно до першого запитання думки респондентiв роздтилися таким чином: мову програмування R вказали 55,42 %, мову програмування Python - 28,92 %. Також було вказано там мови програмування, як C++ (9,64 %) та Java (6,02 %) (рис. 4).
Одержан результати дозволяють стверджувати, що мова R е найбтьш вщомою, як зааб проведення статистичного аналiзу даних. Отже, для розв'язування завдань прикладного характеру будемо використовувати саме цю мову програмування.
У виборi зручност Ытерфейсу програмного пакету респонденти вщдали перевагу MS Excel (56,63 %), на другому мкц програмний пакет Statistica (28,92 %), наступний - SPSS (14,46 %) (рис. 5).
ПИШИ
1! !! У
DD lilllll
9,64%
KmbKÏCTb в|дпов|дей студент|в у в|дстоках {%)
■И DD DD lililllllll
1: мм I Iii
I
0% 10% 20% 30% 40% 50% 60%
К|льк|сть в1дпов1дей студентов у вздстокак (%)
Рис. 4. Вiдповiдi респондентiв на запитання про Рис. 5. Вибiр програмних пакелв для статистичного
зручшсть iнтерфейсу програмних пакетiв аналiзу даних
Отже, для проведення практичних розрахунмв студентам буде запропоновано використовувати MS Excel та Statistica. За результатами вщповщей студент на трете запитання цього блоку для оргаызацп навчання статистичного анал1зуданиху якосп головного засобу студентами обрано мову програмування (57,83 %) (рис. 6).
(Û
1- Jj Мова та середовище програмування llHIIIOllIinillllll 57,83 /о
f
.5
^ Програмш засоби ■■■■■■и
10% 20% 30% 40% 50% 60% 70% Киымсть вщповщей студенев у вщстоках {%)
Риа 6. Вщпов^д ре^ондент про вибiр заcобy для розв'язyвання завдань 3Í статистичного аналiзy дани\
Отже, для проведення практичних розрахунмв студентам на заняттях буде запропоновано використовувати мову програмування R, як головний зааб. MS Excel та Statistica будуть використовуватися, як допомiжнi засоби в проведен статистичного аналiзу.
ОБГОВОРЕННЯ
Врахувавши та узагальнивши результати проведеного дослiдження, на нашу думку, доцтьно будувати змкт та структуру курсу з урахування побажань студенев. На практичних заняттях мають бути розглянут завдання, якi носять реальний прикладний характер та фунтуються на реальних статистичних даних. Одним iз головних методiв навчання мае виступати практичний метод навчання на основi програмування. Засобами статистичного аналiзу даних на практичних заняттях можуть виступати, як програмнi засоби аналiзу даних (MS Excel та Statistica), так i мова та середовище програмування R.
Розглянемо приклад для навчання проведення статистичного аналiзу в середовиш^ R. Для проведення аналiзу вiзьмемо данi iз сайту https://abit-poisk.org.ua, а саме дан щодо абп^етчв за 2017 рiк. На даному сайт розташованi великi обсяги даних, для нашого прикладу вiзьмемо лише абiтурiентiв, якi вступали на факультет фiзико-математичноï комп'ютерноУ та технологiчноï освiти Бердянського державного педагогiчного унiверситету на спе^альносп «Професiйна освiта (Комп'ютернi технологи)» та «Професшна освiта (Енергетика)», рiвень «бакалавр». Усього на цi спещальност було подано 31 заяву. Далi проведемо аналiз цих даних, застосовуючи описовi статистики в R та представлення отриманих результат з допомогою найбтьш поширених графiкiв в R при аналiз цих даних.
Крок 1. Задаемо прiзвище, спецiальнiсть, id, загальний бал ЗНО, статус (бюджет/контракт), тсля чого дан заносимо до таблицГ Задавати значення будемо у виглядi векторiв командою <- ф<значення_вектору1, значення_вектору2, ...»). Таблицю з отриманих векторiв будуемо з допомогою команди > studentdata
' 1 ast_nane < - с [ "shvachko ", "Dybi ада", "Kartashov","sytosenko" ,"Fi 1i penko","Kli menko","ver tel ni k","Di akov","sali onov" , 'Bag nuk", Kombarov","Baranovsky","Ki seli ov","sakun","Bova","pota pova","Kobzar","sementsov","cybulka","Teplov","Mi tushki n',"K arti ni k","Gavrylenko", Trotsenko","pancliukov","Kyslynsky ',"s agirov","Korobov"."shatalina"."Tvchovod '."podov"!
■'id <-c(1,2,3,4,5,б,7,Б,9,10,11,12,13,14,15,16,17,Iß,19,20,
> zaglbal <-с(1Бб ДБ4 ДБ0Д79Д73,173,170Д6БД67,166,163,16 2ДбОД56,14В,145,145,142,142,140,140,139,135,131,129,12 3,14
> studentdata data, f rame Cid, last_name, zag_bal, status)
Рис. 7. Команди для створення таблиц з шформащею про абiтурieнтiв
Крок 2. Розрахуемо основы статистичн величини: середне значення, медiана, стандартне квадратичне вщхилення, мш1мальне та максимальне значення
Error ^ м mad(n) : object "х" not found
Рис. 8. Результати розрахунку основних статистичних величин
За результатами проведених розрахунюв отримали TaKi данi: середнiй бал абп^ентв з ЗНО становить - 153, середня рiзниця мiж балами рiзних aбiтурieнтiв складае 22 бали, найбтьш низький результат (значення min) - 123 бали, найкращий результат (значення max) - 186 бaлiв.
Крок 3. Побудуемо пстограму частот для бaлiв ЗНО з допомогою команди > barplot.
> barplot(counts)
> mai n='rDi agrama chastot",
Error: unexpected in 'main="Di agrama cha5tot
> xlab="Ball", ylab="chastota")
123 129 135 139 142 146 148 160 163 167 170 179 184
Рис. 9. Пстограма частот балiв ЗНО
Пстограма частот показуе, що найбтьша кiлькiсть абiтурiентiв мае результат вщ 139 до 142 балiв, а також те, що абсолютна бтьшлсть мае унтальний бал з ЗНО, який бтьше не повторюеться.
Крок 4. Побудуемо пстограми балiв/частот iз нормальною кривою розподiлу. Для цього використаемо команду > box. Будувати будемо: за вксю х - параметр zag_bal, та за вксю y - частота зустрiчi значення балу в таблицк
Histogram with normal curve and box
> boxO
> library(plotrix)
> >: <- studentdataizag_bal
> h <- hist(x, breaks = 12, col = "red", + xl ab = "Ball ZNO",
+ main = "Histogram with normal curve and box")
> xf i t <- seq(min(x), maxCx), length - 40)
> yfit <- dnormCxfit, mean = mean(x), sd = sdCx))
> yf i t <- yfi t * diff (hjnii ds [1: 2] ) ' length(x)
> linesfxfit, /fit, col - "blue", lwd — 2)
> boxO
120 130 140 1 50 160 170 100 1B0
Ball ZNO
Рис. 10. Команди для побудови пстограм частот i3 кривою розподiлу та результат виконання команд.
Пстограма розподту показуе, що дан за балами абiтурiентiв не пщпорядковуються нормальному закону розподiлу. Маемо дуже багато «середых» абiтурiентiв, тобто тих, хто склав ЗНО вщ 135 до 145 балiв, також вирiзняються тi, хто склав на 165 балiв, тобто абiтурiенти з «достатым» рiвнем. Дуже мало тих, хто склав бтьше ыж на 180 балiв. Крок 5. Побудуемо дiаграму ядерно!' оцiнки щiльностi значень для балiв ЗНО за допомогою команди > box.
> view(studerïtdata)
> view(studerïtdata)
> box С)
> par (nrfrow=c (2,1))
> d <- density(studentdataizag_bal) :> plot Cd)
Рис. 11. Команди для побудови дiаграми ядерно! оцiнки щiльностi та результат ïx виконання
Дiаграма ядерно!' оцiнки щтьносп показуе, що найбiльша щiльнiсть спостеркаеться в промiжку в^д 130 до 155 балiв. Тобто в цьому промiжку, виходячи с графiку, значення вiдрiзняються на 25 балiв, тод^ якщо брати повну таблицю, то вони вiдрiзняються на 22 (див. середньоквадратичне вщхилення).
У результатi розв'язування завдань прикладного характеру з використанням теоретичних знань iз рiзних роздЫв статистики студенти оволодiють не лише навичками використання статистичних методiв, а i сформують умiння проведення Ытерпретацп результатiв та здiйснювання прогнозування дослщжуваних процесiв. Необхiдно наголосити, що використання програмування, як практичного методу навчання, дозволить студентам полтшити сво!' знання та умЫня в галузi програмування, використання алгоритмiв та шаблонiв проектування.
Використовуючи реальнi данi для статистичного аналiзу, студенти зможуть зрозумiти необхщысть та доцiльнiсть статистичних дослiджень у повсякденному життi.
Для iнформацiйно-методичного супроводу курсу статистики для студенев програмкт розроблено електронний засiб навчання. Розробка електронного засобу враховуе вiковi особливосп та рiвень пiдготовки студентiв. Розроблений зааб навчання мктить теоретичнi матерiали, завдання до практичного виконання, наочн вiдеоматерiали з прикладами використання мови програмування R, довщник команд мови R та перелт рекомендовано)' лтератури. Електронний навчальний засiб розмiщений у мережi 1нтернет за посиланням - http://rstatistics.000webhostapp.com/.
ВИСНОВКИ ТА ПЕРСПЕКТИВИ ПОДАЛЬШОГО ДОСЛЩЖЕННЯ
Проведене дослщження дозволило встановити, що навчання статистики мае Грунтуватися на реальних даних, як одержан в результат статистичних дослiджень, що е бтьш актуальним для студенев у порiвняннi з синтетичними прикладами. Отже, розробка практичних та лабораторних робп- для майбутых IТ-фахiвцiв мае включати завдання, якi будуть мктити реальнi данi з таких предметних галузей: соцюлопя, медицина, iнженерiя, економта, бiологiя.
У ходi дослiдження теоретично обГрунтовано впровадження iнновацiйних пiдходiв до вивчення статистики. Визначено, що у якосп головного методу навчання статистики виступае метод практичного навчання на основi програмування. Отже, пропонуемо використовувати мову та середовище програмування R, у якосп головного засобу навчання. Програмш пакети MS Excel та Statistica, варто використовувати у якосп допомiжних засобiв навчання.
У подальших дослщженнях плануеться розробити методику впровадження та використання мов програмування R та Python для проведення статистичного аналiзу даних.
Список використаних джерел
1. Казаков В.Г. Новий час - новi технологи професшно!' пщготовки. Профеайна oceima. 2006. №1. С. 12.
2. Камшська А.В. Формування готовносп майбутых викладачiв до Ыновацшно!' дiяльностi у вищому навчальному закладГ Науковий eicHUK Донбасу, 2011. №1. URL: http://nvd.luguniv.edu.ua/archiv/NN13/11kavvnz.pdf (Дата звернення 15.02.2020).
density .default(x = studentdataSzag_bal)
100 120 140 150 1S0 200
N - 31 Bandwidth = 3.166
3. КулЫенко Л.Б. Технологи шновацмного освтнього середовища. Науковий часопис На^онального педагoгiчнoгo унiверcиmеmу '¡мен М.ПДрагоманова. Серiя 7. Рел'1г'1взнаестео. Культуроло^я. Фiлocoфiя. Кж'в, Видавництвово НПУ iMeHi М. П. Драгоманова, 2013. Вип. 29 (41). C. 189-196
4. Психолого-педагогический словарь / сост. Е. С. Рапацевич. Минск: Современное слово, 2006. 928 с.
5. Фщула М.М. Педагогка : навч. поаб. для студентв пед. навч. закладiв. Кж'в, 2000. 542 с.
6. Ben-Zvi D. Garfield, J. The Challenge of Developing Statistical Literacy, Reasoning, and Thinking. Springer, 2004. 423 p.
7. Biehler R., Frischmeier D., Reading C., Shaughnessy, J. M. Reasoning about data. International Handbook of Research in Statistics Education. Cham, Switzerland: Springer International. 2018. Pp. 139-192.
8. Cox D. R. The Current Position of Statistics: a Personal View. International Statistical Review. 1979. 65(3). Pp. 262-276.
9. Gal I., Garfield J. Curricular Goals and Assessment Challenges in Statistics Education. In The Assessment Challenge in Statistics Education. Amsterdam, The Netherlands, The International Statistical Institute, 1997. Рр. 1-13.
10. Garfield J., Ben-Zvi D. Developing Students' Statistical Reasoning: Connecting Research and Teaching Practice. Springer Science & Business Media, 2008. 572 p.
11. Hal Varian R. Nel 2020 il data analyst sara la professione piu ricercata. URL: https://www.giornaledibrescia.it/rubriche/impresa-4-0/nel-2020-il-data-analyst-sar%C3%A0-la-professione-pi%C3%B9-ricercata-1.3182021. (Дата звернення 15.02.2020).
12. Langrall C. W., Makar K., Nilsson P., Shaughnessy J. M. Teaching and learning probability and statistics: An integrated perspective. Compendium for Research in Mathematics Education. Reston, VA: NCTM, 2017. Pp. 490-525.
13. Moore, D. S. New Pedagogy and New Content: The Case of Statistics, International Statistical Review, 65(2), Pp. 123-165.
14. New STEM IQ survey: Americans view STEM as top-paying field, yet only 35% pursuing STEM jobs. URL: https://www.modis.com/en-us/resources/employers/stem-iq-survey-2018/. (Дата звернення 15.02.2020).
15. Nicholls D.F. Future Directions for the Teaching and Learning of Statistics at the Tertiary Level. International Statistical Review, 2001. 69(1). Рр. 11-15.
16. Rumsey D. Statistical Literacy as a Goal for Introductory Statistics Courses, Journal of Statistics Education, 2002. 10(3). URL: www.amstat.org/publications/jse/v10n3/rumsey2.html. (Дата звернення 15.02.2020).
17. Shaughnessy J. M. Research in probability and statistics: Reflections and directions. Handbook of Research on Mathematics Teaching and Learning, Macmillan Publishing Co, Inc, 1992. Pp. 465-494.
18. Shaughnessy J. M. Research on statistics learning and reasoning. Second Handbook of Research on Mathematics Teaching and Learning. Reston, VA: NCTM, 2007. Pp.957-1009.
19. Shaughnessy J.M., Garfield J., Greer B. Data Handling. International Handbook of Mathematics Education. Kluwer International Handbooks of Education, 1996. Vol 4. Springer, Dordrecht, Pp. 205-237.
20. Smith T. M. F., Staetsky L. The Teaching of Statistics in UK Universities. Journal of the Royal Statistical Society, 2007. Series A, 170, Pp.581-622. DOI: 10.1111/j.1467-985x.2007.00482.x.
21. Tishkovskaya S., Lancaster G. A. Statistical education in the 21st century: A review of challenges, teaching innovations and strategies for reform. Journal of Statistics Education, 20(2). 56 p. DOI: 10.1080/10691898.2012.11889641.
22. Watson J. M., Fitzallen N., Carter P. Top Drawer Teachers: Statistics. Adelaide, Australia: Australian Association of Mathematics Teachers and Services Australia. 2013. URL: http://topdrawer.aamt.edu.au/Statistics. (Дата звернення 15.02.2020).
23. Zieffler A., Garfield J., Alt S., Dupuis D., Holleque K., Chang B. What Does Research Suggest about the Teaching and Learning of Introductory Statistics at the College Level? A Review of the Literature, Journal of Statistics Education, 2008.16(2). http://www.amstat.org/publications/jse/v16n2/zieffler.html. (Дата звернення 15.02.2020). DOI: 10.1080/10691898.2008.11889566
References
1. Kazakov, V.H. (2006). Novyi chas - novi tekhnolohii profesiinoi pidhotovky [New time - new technologies of vocational training]. Profesiina osvita - Professional education, №1, 12 [in Ukrainian].
2. Kaminska, A. V. (2011). Formuvannia hotovnosti maibutnikh vykladachiv do innovatsiinoi diialnosti u vyshchomu navchalnomu zakladi [Formation of future teachers' readiness for innovation in higher education]. Naukovyi visnyk Donbasu - Scientific Bulletin of Donbass, (1). Retrieved from: http://nvd.luguniv.ed u.ua/archiv/NN13/11kavvnz.pdf/ [in Ukrainian].
3. Kulinenko, L.B. (2013). Tekhnolohii innovatsiinoho osvitnoho seredovyshcha [Technologies of innovative educational space]. Naukovyi chasopys Natsionalnoho pedahohichnoho universytetu imeni M.P.Drahomanova - Scientific journal of M.P.Dragomanov National Pedagogical University. Vol 29 (41). - 189-196 [in Ukrainian].
4. Rapatsevych, E. S. (Ed.) (2006). Psykholoho-pedahohycheskyi slovar [Psychological-pedagogical dictionary]. Minsk: Sovremennoe slovo [in Russian].
5. Fitsula, M.M. (2000). Pedahohika navchalnyi posibnyk dlia studentiv pedahohichnykh navchalnykh zakladiv [Pedagogy educational guide for students of pedagogical institutions]. Kyiv [in Ukrainian].
6. Ben-Zvi, D., & Garfield, J. B. (Eds.). (2004). The challenge of developing statistical literacy, reasoning and thinking. Dordrecht, The Netherlands: Kluwer academic publishers [in English].
7. Biehler, R., Frischemeier, D., Reading, C., & Shaughnessy, J. M. (2018). Reasoning about data. In International handbook of research in statistics education. Springer, Cham [in English].
8. Cox, D. R. (1997). The current position of statistics: a personal view. International statistical review, 65(3) [in English].
9. Gal, I. and Garfield, J. (1997). Curricular Goals and Assessment Challenges in Statistics Education. In The Assessment Challenge in Statistics Education. Amsterdam, The Netherlands: The International Statistical Institute [in English].
10. Garfield, J., & Ben-Zvi, D. (2008). Developing students' statistical reasoning: Connecting research and teaching practice. Springer Science & Business Media [in English].
11. Hal Varian, R (2017). Nel 2020 il data analyst sara la professione piu ricercata. Retrieved from: https://www.giornaledibrescia.it/rubriche/impresa-4-0/nel-2020-il-data-analyst-sar%C3%A0-la-professione-pi%C3%B9-ricercata-1.3182021 [in Italian].
12. Langrall, C. W., Makar, K., Nilsson, P., & Shaughnessy, J. M. (2017). Teaching and learning probability and statistics: An integrated perspective. In J. Cai (Ed.), Compendium for Research in Mathematics Education. Reston, VA: NCTM [in English].
13. Moore, D. S. (1997). New Pedagogy and New Content: The Case of Statistics, International Statistical Review, 65(2) [in English].
14. New STEM IQ survey: Americans view STEM as top-paying field, yet only 35% pursuing STEM jobs. Retrieved from: https://www.modis.com/en-us/resources/employers/stem-iq-survey-2018/ [in English].
15. Nicholl, D. F. (2001). Future directions for the teaching and learning of statistics at the tertiary level. International Statistical Review, 69(1), 11-15 [in English].
16. Rumsey, D. (2002). Statistical Literacy as a Goal for Introductory Statistics Courses, Journal of Statistics Education, 10(3). Retrieved from: www.amstat.org/publications/jse/v10n3/rumsey2.html [in English].
17. Shaughnessy, J. M. (1992). Research in probability and statistics: Reflections and directions. In D. Grouws (Ed.). Handbook of Research on Mathematics Teaching and Learning [in English].
18. Shaughnessy, J. M. (2007). Research on statistics learning and reasoning. In F. Lester (Ed.). Second Handbook of Research on Mathematics Teaching and Learning, 957-1009. Reston, VA: NCTM [in English].
19. Shaughnessy J.M., Garfield J., Greer B. (1996) Data Handling. International Handbook of Mathematics Education., vol 4. Springer, Dordrecht [in English].
20. Smith, T. M. F. and Staetsky, L. (2007). The Teaching of Statistics in UK Universities, Journal of the Royal Statistical Society, Series A, 170, DOI: 10.1111/j.1467-985x.2007.00482.x [in English].
21. Tishkovskaya, S., & Lancaster, G. A. (2012). Statistical education in the 21st century: A review of challenges, teaching innovations and strategies for reform. Journal of Statistics Education, 20(2). DOI: 10.1080/10691898.2012.11889641 [in English].
22. Watson, J. M., Fitzallen, N., & Carter, P. (2013). Top Drawer Teachers: Statistics. Adelaide, Australia: Australian Association of Mathematics Teachers and Services Australia. Retrieved from http://topdrawer.aamt.edu.au/Statistics [in English].
23. Zieffler, A., Garfield J., Alt S., Dupuis D., Holleque K., and Chang B. (2008). What Does Research Suggest about the Teaching and Learning of Introductory Statistics at the College Level? A Review of the Literature, Journal of Statistics Education, 16(2). Retrieved from: http://www.amstat.org/publications/jse/v16n2/zieffler.html. DOI: 10.1080/10691898.2008.11889566 [in English].
INNOVATIVE APPROACHES TO THE STUDY OF STATISTICS BY FUTURE IT-SPECIALISTS BASED ON THE USE OF THE PROGRAMMING LANGUAGE R Liliia Pavlenko, Maksym Pavlenko, Vitalii Khomenko, Svitlana Khomenko, Mariia Skurska
Berdiansk State Pedagogical University, Ukraine
Abstract.
Formulation of the problem. Today there is a problem in statistically educated citizens. The study of statistics is an important component of educational programs for training specialists in IT. Every day, large volumes of various data are generated in the world, they are constantly increasing. Therefore, the demand in the labor market for data analysts, data researchers is constantly growing. Improving the training of students in statistics requires a transition from theoretical teaching methods to the practical solution of applied problems. It is necessary to shift the focus from the process of statistical calculations to the analysis of the results and it's interpretation. The purpose of the article is the theoretically and implementation of innovative approaches to the study of statistics by students based on the use of the programming language R.
Materials and methods. Content analysis of scientific and methodological literature, generalization and systematization. Student questionnaire, primary statistical processing and synthesis of the data obtained.
Results. The paper analyzes the software tools for statistical analysis of data, identifies the features of their use in the educational process. It is proposed to use the specialized programming language R as the main learning tool and the MS Excel and Statistica software packages as auxiliary tools.
Improving the statistics course for IT specialists consists, firstly, in that knowledge of the mathematical language and mathematical modeling will allow the student to better navigate the forecasting of economic, social, technical and other processes; secondly, the fact that statistics, by their internal nature, has rich possibilities for the formation of students' algorithmic thinking.
Conclusions. The conducted research has established that training of statistics should be based on real data obtained from statistical surveys. The development of hands-on and lab work for future IT professionals should include tasks that will contain real data. In the course of the research, the introduction of innovative approaches to the study of statistics is theoretically substantiated. It is determined that the main method of teaching statistics is the method of practical training based on programming. It is suggested to use R programming language as the main learning tool.
Keywords: programming language, IT-specialists, data analysis, innovative approaches to learning.
