какие уровни освоения цифровых компетенций применяются в проекте dataculture

Уровни проекта

Сегодня в паспорте каждого направления подготовки бакалавриата Вышки определен минимально необходимый уровень цифровых компетенций. Каждый студент осваивает этот уровень в течение всего срока обучения за счет обязательных дисциплин учебного плана. Студенты могут строить индивидуальные образовательные траектории, расширяя и углубляя навыки сверх минимума.

Выделяется пять уровней освоения цифровых компетенций. Каждый следующий уровень является развитием предыдущего: студенты получают больший объем навыков и могут решать задачи из более широкого спектра.

0. Цифровая грамотность

1. Начальный уровень

Знания и навыки по блоку Программирование:

Знания и навыки по блоку Анализ данных:

2. Базовый уровень

Знания и навыки по блоку Программирование:

Знания и навыки по блоку Анализ данных:

3. Продвинутый уровень

Знания и навыки по блоку Программирование:

Знания и навыки по блоку Анализ данных:

* 4. Профессиональный уровень

* Уровень достигается только в рамках отдельных специализаций или индивидуальной образовательной траектории.

* 5. Экспертный уровень

* Уровень достигается только в рамках отдельных специализаций или индивидуальной образовательной траектории.

Совокупный уровень компетенций

Совокупный уровень освоения цифровых компетенций определяется как минимальное значение из уровня освоения Программирования и уровня освоения Анализа данных. Цифровая грамотность является обязательной для любого уровня.

Пример формирования начального уровня цифровых компетенций:

Источник

Data Culture

Что такое Data Culture?

Data Culture — это общеуниверситетский проект в НИУ ВШЭ, который ставит перед собой задачу обучить студентов необходимым компетенциям по работе в цифровой среде и с цифровыми продуктами, включая активность по созданию и сбору данных, их обработке и анализу, а также по автоматизации процессов с помощью компьютерных технологий. Проект реализуется в Вышке с 2017 года и охватывает все без исключения образовательные программы бакалавриата.

Про развитие цифровых компетенций (с 2020 года набора)

Как прокачать свои цифровые навыки во время учебы в НИУ ВШЭ?

Согласно Концепции развития цифровых компетенций студентов НИУ ВШЭ, каждый студент во время обучения в бакалавриате должен освоить минимально необходимый уровень цифровых компетенций. Этот уровень закреплен в паспорте направления подготовки образовательного стандарта НИУ ВШЭ.

В структуре учебного плана элементы образовательных программ, ориентированные на достижение цифровых компетенций, могут быть представлены как обязательными дисциплинами, так и дисциплинами по выбору, а также элементами проектной и практической работы.

Достижение студентами минимально необходимого уровня цифровых компетенций для их образовательной программы проводится независимо от кастомизации дисциплин, предусмотренной на образовательной программе.

Какие цифровые компетенции обязательно осваивают студенты?

Вышка выделяет три сквозных компетенции, которые считает необходимыми для освоения каждым высококвалифицированным специалистом:

Для компетенций по программированию и анализу данных выделены три основных уровня*: начальный/базовый/продвинутый.

По цифровой грамотности уровень единый: навыки цифровой грамотности должны быть сформированы у всех студентов.

Помимо сквозных компетенций, в учебные планы включаются также курсы из профессионального ядра направления, одновременно нацеленные на формирование предметно-ориентированных цифровых компетенций. Например, по работе с программным обеспечением для редактирования видео, изображений и звука, анализу социальных сетей, обработке данных физических экспериментов и т.д.

*Есть ещё профессиональный и экспертный уровни, но они осваиваются в рамках отдельных треков специализированных программ, магистратуре и аспирантских школах.

Как и когда Вышка проверяет цифровые навыки студентов?

Для студентов набора 2021/2022 года введено независимое измерение ключевого образовательного результата по освоению цифровых навыков. Все студенты, поступающие в 2021 году и позже, во время обучения должны будут подтвердить, что освоили три сквозные цифровые компетенции на требуемый уровень.

Уже на первом курсе все студенты бакалавриата пройдут Независимую оценку компетенции по Цифровой грамотности. Независимые оценки по Программированию и Анализу данных проводятся после того, как на образовательной программе завершены курсы, обеспечивающие формирования целевого уровня.

Независимая оценка цифровых компетенций происходит отдельно от оценивания результатов изучения дисциплин, нацеленных на развитие цифровых компетенций. Отсутствие положительных результатов независимой оценки по одной из цифровых компетенций в установленные сроки влечёт за собой академическую задолженность.

На что влияет оценка по независимым измерениям?

В рамках прохождения обязательных независимых измерений студенты бакалавриата должны подтвердить освоение трех сквозных цифровых компетенций на уровне не ниже минимально установленного для направления подготовки. Также студенты имеют возможность подтвердить более высокий уровень.

Измерения проводятся и оцениваются отдельно от дисциплин, нацеленных на развитие данных компетенций.

По каждой независимой оценке компетенций оценка идет в приложение к диплому студента. Во время вручения диплома студенту выдается Сертификат об освоении цифровых компетенций, в котором отражен интегрированный показатель уровня владения цифровыми компетенциями. Интегрированный показатель определяется как минимальное значение из уровня освоения Программирования и уровня освоения Анализа данных, при условии освоения Цифровой грамотности.

Пример: начальный уровень освоения цифровых компетенций подразумевает наличие компетенций по Цифровой грамотности, а также по Программированию и Анализу данных на начальном уровне или на начальном для одной и на более высоком уровне для другой компетенции.

Отсутствие положительных результатов по одной из независимых оценок в установленные сроки и на уровень, определённый образовательной программой как минимально необходимый, влечёт за собой академическую задолженность, которую необходимо устранить до конца обучения в бакалавриате. На ликвидацию задолженности предусмотрено две попытки.

Источник

Адаптационный семинар для новых преподавателей проекта Data Culture и ФКН

27 августа прошел воркшоп для новых преподавателей факультета компьютерных наук и проекта Data Culture, в котором приняли участие 26 преподавателей.

Лекция 1. Михаил Густокашин. Как выстроить структуру курса и организационные процессы?

Лекция 2. Евгений Соколов. Как быть лучше учебника?

Лекция 3. Филипп Ульянкин. Как сделать курс неправильно, а потом попытаться все исправить

Семинар по развитию преподавательского мастерства для преподавателей Data Culture

С 13 по 14 апреля 2019 прошёл двухдневный интенсив для преподавателей курсов проекта Data Culture, организованный совместно с проектом Teach for HSE.

Интенсив для сотрудников университета

С 14 по 16 февраля 2018 в Высшей школе экономики прошёл трёхдневный интенсив для сотрудников университета, на котором были рассмотрены базовые аспекты применения Data Science в различных областях деятельности.

День 1

Лекция 1. Введение в искусственный интеллект.

Лекция 2. Основы машинного обучения.

День 2

Лекция 3. Машинное обучение в HR.

Лекция 4. Право в эпоху развития цифровых технологий.

День 3

Лекция 5. Data science для оптимизации бизнеса.

Александр Белугин. Data Science для оптимизации бизнеса

Лекция 6. Блокчейн и смарт-контракты.

Выездной семинар «Современное машинное обучение и методика преподавания анализа данных»

С 27 по 29 января 2018 года 45 преподавателей с разных факультетов всех кампусов Вышки участвовали в семинаре «Современное машинное обучение и методика преподавания анализа данных» в учебном центре «Вороново». Программа повышения квалификации разработана в рамках проекта Data Culture.

Подробнее о том, как прошло мероприятие, можно прочитать в специальном материале на портале Вышки.

Материалы семинара

Двухдневный интенсив для преподавателей и сотрудников НИУ ВШЭ

В рамках проекта проводятся открытые вводные интенсивы для преподавателей и сотрудников университета, которые позволяют в целом понять возможности машинного обучения и анализа данных в решении задач, применительно к различным группам наук.

Первый интенсив проходил 14-15 июня 2017. Подробнее о мероприятии можно прочитать в новости.

Лекция 1: Введение в искусственный интеллект

Как современные методы машинного обучения и искусственного интеллекта меняют подходы во многих научных областях? Почему владение основами этих методов становится частью общей научной культуры исследователя вне зависимости от конкретной предметной области? Ответы на эти и другие вопросы в рамках лекции даёт Дмитрий Ветров, заведующий Международной лабораторией глубинного обучения и байесовских методов.

Лекция 2: Основы машинного обучения

Лекция посвящена основным понятиям и методам машинного обучения. В рамках неё рассмотрены различные типы данных, метрики качества, методология проведения экспериментов, также будут рассмотрены современные инструменты для анализа данных. Евгений Соколов, заместитель руководителя Департамента больших данных и информационного поиска, lead data scientist в Яндексе.

Лекция 3: Анализ текстов

Лекция посвящена постановкам задач анализа текстов, методам формирования признаков и основным моделям, а также тематическому моделированию. Лекцию чистает Надежда Чиркова, стажёр-исследователь Международной лаборатории глубинного обучения и байесовских методов.

Лекция 4: Прикладные задачи анализа данных

Как применить знания в области Data Science в различных гуманитарных, социальных и даже творческих областях? В рамках своей лекции Евгений Соколов наглядно показывает, как решаются современные задачи при помощи анализа данных и машинного обучения.

Источник

Курсы

Специально для проекта Data Culture разрабатываются совершенно новые курсы, учитывающие особенности уже существующих образовательных программ. Вот примеры некоторых курсов, которые с 2017 года включены в учебные планы программ:

Introduction to data culture

Подробнее о курсе

Где читается?

Программа двух дипломов НИУ ВШЭ и Лондонского университета по Международным отношениям

О чём курс?

В рамках этого курса, разработанного специально для англоязычной программы двух дипломов по международным отношениям, будут рассмотрены основные методы сбора и анализа данный, применяемые как в практической, так и в академической среде при изучении международных отношений. Курс покрывает как практические, аналитические, так и этические аспекты работы с данными. Лекции будут сопровождаться практическими задачами по курсу.

Обработка и анализ физических данных

Подробнее о курсе

Где читается?

О чём курс?

В этом курсе особое внимание уделяется применению технологий анализа данных и машинного обучения в физике и астрономии.

Цифровая грамотность

Подробнее о курсе

Где читается?

Философия, филология, история, история искусств, культурология, иностранные языки и межкультурная коммуникация

О чём курс?

Этот курс создан для формирования начальных и базовых компетенций в области работы с данными. В курсе, в основном, рассматриваются общие темы (работа поисковых систем, большие данные, машинное обучение) и специализированные темы, связанные с применением компьютерных технологий для исследования гуманитарных объектов и сохранения культурного наследия. Для разных образовательных траекторий разработан отдельный пул тем, изучаемых студентами. К примеру, на программе «Философия» будут изучаться принципы построения формальных онтологий, а для студентов-историков будет лекция по корпусным приложениям N-gram Viewer, Antconc, word2vec и принципам их работы.

Машинное обучение (экономика)

Подробнее о курсе

Где читается?

Экономика, совместный бакалавриат НИУ ВШЭ и РЭШ

О чём курс?

В данном курсе рассматриваются основные алгоритмы машинного обучения, которые могут быть полезны для обработки данных, в том числе экономических. Рассматриваются более сложные методы классификации, регрессии и анализа взаимосвязей в данных. В настоящее время машинное обучение является очень популярным направлением, так как во многих областях собираются большие объемы данных, которые нужно анализировать. Курс будет сопровождаться примерами практических задач, в решении которых может помочь машинное обучение: кредитный скоринг, маркетинговые исследования рынка или прогноз цен на недвижимость и др.

Анализ больших данных в социальных науках

Подробнее о курсе

Где читается?

О чём курс?

Основную часть курса занимает изучение методов машинного обучения. Обсуждаются как задачи обучения с учителем (регрессия, классификация), так и без учителя (кластеризация, визуализация, обучение представлений). Разбираются основные виды данных и особенности работы с ними, изучаются наиболее популярные виды моделей (линейные модели, решающие деревья и их композиции, затрагиваются нейронные сети). Также в курсе пойдёт речь об особенностях обучения моделей на больших данных и о применениях методов машинного обучения в социальных науках. Изучение всех подходов и методов сопровождается практикой на языке Python.

Информационные технологии в деятельности юриста

Подробнее о курсе

Где читается?

О чём курс?

В курсе будут рассмотрены такие разделы, как: юридическое обслуживание новых технических изменений, технические инструменты (в том числе, работа с данными, в юриспруденции с разбором кейсов из криминологии, криминалистики), основы legal tech, способы постановки задач программистам, аналитикам, специалистам по работе с данными; ограничения современных методов анализа данных и искусственного интеллекта.

Введение в Data Science

Подробнее о курсе

Где читается?

Маркетинг и рыночная аналитика, Управление бизнесом

О чём курс?

В курсе речь пойдет о проектах, в основе которых лежит машинное обучение. В то время как построение хорошей модели является важной задачей, не менее важно сформулировать задачу, научиться оценивать результат, управлять затратами на проект.

Мы расскажем о том, как оценить задачу, выбрать правильную метрику, найти связь с экономическим эффектом, честно и эффективно проводить офлайн и онлайн тестирование моделей. Кроме того, мы затронем темы планирования реализации и внедрения моделей, расставления приоритетов при выборе задач, управления жизненным циклом моделей.

Практическая отработка материала пройдет на семинарах с использованием IBM SPSS и других продуктов, не требует навыков программирования.

искусственный интеллект и большие данные

Подробнее о курсе

Где читается?

О чём курс?

Последние десятилетия во многих областях науки и индустрии, включая творческие, стали накапливаться большие объёмы данных, а также стали развиваться методы машинного обучения, позволяющие извлекать из этих данных знания и экономическую пользу. Сегодня методы анализа данных позволяют решать настолько сложные задачи, что в применении к ним всё чаще используют термин «искусственный интеллект».

Данный курс является вводным и ставит перед собой цель обрисовать текущее состояние методов искусственного интеллекта. В нем пойдет речь про большие данные и то, как их использование может поменять бизнес; будут разбираться современные постановки задач в машинном обучении, особое внимание будет уделено задачам понимания естественного языка (natural language understanding) и компьютерного зрения (которое в последнее время называют визуальным интеллектом); также будут обсуждаться методы визуализации сложных данных. В ходе курса будут анализироваться применения искусственного интеллекта в дизайне: автоматический подбор одежды и рекомендации по стилю, синтез изображений и сцен, оптимизация визуального оформления и выбор лучшего контента в веб-дизайне, виртуальная реальность, перенос стилей и генерация видео и т.д.

Основы анализа данных в международных отношениях

Подробнее о курсе

Где читается?

О чём курс?

Активное развитие машинного обучения, накопление больших объёмов данных и появление простых инструментов анализа данных привели к тому, что методы искусственного интеллекта стали применяться во многих предметных областях: экономике, социологии, финансах, маркетинге, политологии. Методы анализа больших данных могут применяться для оптимизации политических кампаний, для выявления закономерностей в новостных источниках и т.д.

Данный курс направлен на знакомство с современными кейсами применения анализа данных в международных отношениях. Рассматриваются основные постановки задач и модели в машинном обучении, методологии проведения экспериментов и оценивания качества. Разбираются некоторые кейсы анализа текстов и анализа социальных сетей в применении к международным отношениям. Обсуждаются вопросы анонимизации данных и работы с персональными данными. Также затрагиваются вопросы криптовалют и технологии блокчейн.

Источник

Линейки курсов

На каждой образовательной программе зафиксирован минимальный уровень цифровых компетенций, достижение которого обеспечивается обязательными дисциплинами.

В структуре учебного плана есть разные модули: профессиональный, практический, дополнительный модуль — майнор, а также модуль Data Culture и другие. Образовательная программа выбирает, в каких модулях размещаются дисциплины по цифровым навыкам: например, на некоторых программах часть курсов, помимо модуля Data Culture, помещена в профессиональный модуль, а часть реализуется в рамках практики. Некоторые курсы Data Culture предлагаются в том числе в качестве вариативных.

Студенты одной и той же программы могут по-разному приходить к одному и тому же уровню цифровых компетенций. Объясним это на примере политологов.

Data Culture на образовательной программе «Политология»

Учебный план предусматривает, что все студенты-политологи освоят цифровые компетенции на базовом уровне. Для этого будет достаточно обязательных дисциплин программы («Цифровая грамотность», «Основы программирования в Python» и пр.).

Допустим, студент хочет более продвинутый уровень цифровых компетенций — и в этом случае уже возможны варианты. С одной стороны, на программе есть специализация «Политический анализ», дополнительные дисциплины которой позволяют достичь продвинутого уровня. С другой стороны, можно выбрать майнор «Интеллектуальный анализ данных» и получить тот же продвинутый уровень компетенций. Разница лишь в том, что знания в рамках специализации будут более предметно сфокусированными, а в рамках майнора — более широкими. Методы студенты изучат одни и те же.

Проект Data Culture выглядит по-своему для каждой из образовательных программ в Вышке. Но если говорить в целом, то есть следующие большие блоки:

1. Цифровая грамотность

Курсы по цифровой грамотности формируют базовые компетенции в области работы с данными, необходимые для безопасного и эффективного использования цифровых технологий и ресурсов интернета в рамках академической деятельности.

В программе дисциплины есть как общие для всех темы (от работы с текстовыми редакторами и библиографическими источниками до компьютерной безопасности и юридических аспектов работы с информацией), так и специализированные — например, корпусные технологии, геоинформационные системы, введение в Digital Humanities, цифровое сохранение культурного наследия и др.

Курс «Цифровая грамотность», как правило, преподается в формате смешанного обучения и для каждой программы собирается, как конструктор. Базовые темы осваивают все студенты, на уровне образовательной программы отбираются модули, ориентированные на освоение релевантных избранной специальности навыков, на уровне индивидуального плана студенты определяют модули, интересующие их персонально.

2. Программирование на языке Python

Язык программирования Python широко используется не только программистами — сегодня это такой же важный инструмент, как Excel или PowerPoint. Его простота и богатый функционал позволяют людям практически любых профессий решать свои прикладные задачи проще и эффективнее с помощью программ на Python.

Как правило, никаких предварительных знаний программирования для прохождения курса не требуется — программы специально создаются для студентов не инженерных специальностей и людей не из мира IT. Курсы помогают освоить основы программирования, достаточные для дальнейшего использования в профессиональной деятельности.

3. Основы анализа данных в различных областях наук

Цель курсов по анализу данных — дать слушателям основные инструменты для того, чтобы уметь критически анализировать результаты исследований, а также уметь описывать, визуализировать и презентовать такую информацию.

Как правило, в курсах начального / базового уровней студенты знакомятся с базовыми понятиями статистики (выборкой, распределением, мерой центральной тенденции и разброса, корреляцией), разбираются, когда и какие выводы можно делать на основании тех или иных данных. Студенты также учатся непосредственно работать с данными: загружать и обрабатывать их, заполнять пропуски, считать описательные статистики и т.д. Часть программы посвящена визуализации данных: тут преподаватели рассказывают, как наш мозг воспринимает визуальную информацию, как делать визуализации более эффективными и избегать искажения информации.

4. Машинное обучение и другие продвинутые методы анализа данных

Курсы посвящены разбору классических алгоритмов машинного обучения: от линейной регрессии до композиций алгоритмов. Также в них обсуждается работа с данными: очистка, нормализация, удаление выбросов. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях по Data Science.

Курсы по машинному обучению, как правило, преподаются на программах, нацеленных на продвинутый уровень цифровых компетенций (или по выбору — для базового уровня). Пререквизитами для таких курсов являются знание основ высшей математики (математический анализ, линейная алгебра, теория вероятностей и основы математической статистики) и владение языком программирования Python на уровне не ниже среднего.

5. Специализированные курсы

В учебные планы образовательных программ включаются также курсы, формирующие предметно-ориентированные цифровые компетенции. Например:

Источник