Megan Tengan es estudiante de último año en la Universidad de Hawai'i en Mānoa en Honolulu, donde está cursando una doble especialización en ciencias políticas y filosofía. Como tesorera y secretaria de la Asociación Pre-Derecho de Mānoa, Megan planea asistir a la facultad de derecho después de graduarse en diciembre de 2022.
Actualmente trabaja como pasante en el Congreso en la oficina de la senadora estadounidense Mazie K. Hirono en Washington, DC.Durante el semestre de otoño de 2021, Megan se desempeñó como asistente docente para el curso de ciencias políticas de nivel 300 del Dr. Lawrence Nitz, Investigación y análisis político. Juntos, desarrollaron una serie de planes de lecciones y tareas basadas en preguntas de investigación que podrían explorarse utilizando conjuntos de datos abiertos.
Megan también apoya la investigación independiente realizada por Nitz, que investiga en qué medida los tweets relacionados con Covid en Hawai'i están impulsados por fluctuaciones en la tasa de nuevas infecciones y noticias y informes de opinión locales.Hablé con Megan para preguntarle sobre su experiencia aprendiendo y trabajando con JMP en un entorno de ciencias sociales.
Megan Tengan, undergraduate student at the University of Hawaiʻi at MānoaMegan Tengan, undergraduate student at the University of Hawaiʻi at MānoaMegan Tengan, undergraduate student at the University of Hawaiʻi at MānoaMegan Tengan, undergraduate student at the University of Hawaiʻi at MānoaMegan Tengan, estudiante de pregrado de la Universidad de Hawai en Mānoa
Megan: Entonces dime, Megan, ¿cómo llegaste a interesarte por las estadísticas? Los enfoques cuantitativos siempre han sido una rama importante de los métodos de investigación en ciencias políticas, pero muchos estudiantes de ciencias políticas (¡incluido yo mismo!) – No tenga mucha exposición universitaria a las estadísticas.
Megan: Nunca había trabajado con números en ciencias políticas [antes de ser asistente técnico para profesor nitz ], ¡así que las estadísticas eran nuevas para mí! Aprendí junto a mis alumnos. Dicho esto, fue una experiencia realmente genial jugar con los números y el análisis de texto, porque analizamos muchas estadísticas sociales como datos de raza y salud y, por supuesto, también analizamos a Covid.[Tener experiencia con estadísticas] es una gran herramienta para crear currículums porque creo que el futuro es el análisis de datos. Siempre existirá la necesidad de una investigación cuantitativa.
Megan: ¿Hubo un punto de inflexión para usted en el que se dio cuenta de lo importantes que serían las habilidades de análisis de datos? ¿O cuando vio la importancia de los datos tal como se desarrollaron en un caso de uso de ciencias sociales?
Megan: En clase, analizamos tweets sobre la teoría crítica de la raza y utilizamos análisis de texto para analizar la opinión popular. Obviamente, los movimientos modernos por los derechos civiles han estado ganando impulso recientemente y, como miembro de la Generación Z, eso es algo que aparece mucho en mi línea de tiempo en las redes sociales.No sabía que se podía analizar texto como lo hacíamos en clase, y JMP nos dio los medios para analizar no sólo palabras y frases comunes, sino también el tono del texto. Supongo que simplemente no me di cuenta de que existía una tecnología que podía hacer eso: que podía buscar en los datos de las redes sociales.
Megan: Ahora que las personas viven sus vidas en línea, existe una increíble cantidad de datos abiertos a los que cualquiera puede acceder libremente. Y me imagino que los científicos sociales están sólo en la punta del iceberg cuando se trata de utilizar esos datos para la investigación. ¿Cómo hiciste para crear una biblioteca de tareas de cursos en torno a datos de Twitter y qué tipo de habilidades querías que los estudiantes aprendieran?
Megan: El profesor Nitz recopiló tweets relacionados con el estado de Hawai'i y temas de actualidad como Covid o la teoría crítica de la raza. Luego les preparábamos a los estudiantes algunos artículos sobre el tema: qué es y cuál [es la controversia]. Luego les daríamos el conjunto de datos.La tarea era utilizar tablas y gráficos en JMP analizar y comprender [tendencias de datos] y luego aplicar lo que ve al mundo real. Lo hicimos análisis de texto y cambié algunas de las configuraciones para eliminar [el ruido]. Por ejemplo, en Twitter, ves muchos “http”, que es sólo un hipervínculo y no lo necesitas. Aprendimos mucho sobre cómo descartar datos que son simplemente irrelevantes y nublan su análisis.Una vez que habíamos eliminado todo el texto que no necesitábamos, hacíamos preguntas como: "¿Son similares el grupo de palabras principales?" o "¿Los dos cuerpos de texto se unen de la misma manera?" Los estudiantes mirarían dos conjuntos separados de tweets y compararían. [Al preparar los conjuntos de datos] intentamos que uno fuera un poco más apasionado (por ejemplo, claramente indignado por la teoría crítica de la raza), mientras que el otro usaba palabras positivas pero en un tono irónico o sarcástico.
Queríamos desconcertar un poco a los estudiantes porque JMP podía tomar la ironía como un sentimiento positivo cuando en realidad no lo es. Tuvieron que aprender a leer el gráfico de una manera diferente... y ejecutar un análisis de los sentimientos : ¿Son los [dos conjuntos de datos] similares en cuanto a contenido de sentimiento positivo y negativo?Enfatizamos la importancia de limpiar los términos designados como palabras vacías y pedimos a los estudiantes que explicaran las diferencias entre los grupos que estaban observando. JMP agruparía diferentes temas: uno sería sobre educación, otro sobre políticos, otro sobre racismo, otro sobre discriminación, etc. JMP categorizó los datos de esta manera y mis alumnos pudieron decirme lo que vieron en cada grupo.
Megan: ¡Twitter es un verdadero campo minado para el sarcasmo! ¿Cómo determina una herramienta estadística la intención?
Megan: Bien. Así que alguien podría tuitear algo como: “El hecho de que el racismo todavía prevalezca en Estados Unidos es sencillamente asombroso”, aunque no quieran decir que sea fantástico; quieren decir que es sorprendente o impactante que el racismo siga siendo un problema.Y hay que considerar el contexto alrededor de una palabra, aunque obviamente no vas a leer cada palabra de los miles de tweets que extrajimos. Por ejemplo, se podría pensar que la gente dice que la teoría crítica de la raza es asombrosa o sorprendente, aunque eso no es lo que realmente quieren decir las personas que tuitean. Entonces les pedimos a los estudiantes que usaran JMP para observar cómo se dispersaba el sentimiento y separar el tono irónico del literal.
Megan: Nadie podría argumentar que esto no es interesante... pero ¿cuál es la aplicación? ¿Que estas aprendiendo?
Megan: Bueno, dos cosas. Para los estudiantes, Investigación y Análisis Político es una clase obligatoria y creo que, en última instancia, el análisis de datos es una buena habilidad para aprender. De hecho, uno de nuestros oradores invitados ofreció a algunas personas trabajos como pasantes de análisis estadístico al final del semestre. Cuanto más versado estaba en JMP (y cuanto más tiempo le dedicaba), mayor era su salario. Así que hicimos que un par de estudiantes lo probaran y espero que hayan aprovechado la experiencia. Y en segundo lugar, mi profesor y yo estamos considerando presentar nuestra investigación sobre tweets de Covid en la conferencia JMP de este año.
Megan: ¡Espero que lo hagas! Este tema sería un gran Cumbre de descubrimiento ¡hablar! Entonces dígame, ¿cuáles son algunos de los mayores desafíos de datos que enfrenta cuando se trata de utilizar datos abiertos para explorar la opinión pública?
Megan: Por un lado, JMP en sí es muy fácil de usar. Me gusta la interfaz de usuario. Pero eso conlleva la responsabilidad de leer los datos correctamente. Creo que es cuestión de prueba y error encontrar lo que quieres, y necesitas tener una buena comprensión de lo que estás aprendiendo para poder ver patrones cuando crees que no los hay. Incluso si el patrón es que no hay un patrón, ¡eso es un patrón! Esto puede resultar difícil de entender al principio.JMP te brinda tanta información, que puede ser como un arma de doble filo porque es genial [poder acceder a tantos datos], pero también hay que distinguir lo que estás buscando. Por ejemplo, puedo aplicar ese enigma a nuestro proyecto actual porque hasta ahora no hemos encontrado la relación causal que esperábamos entre el aumento de infecciones por Covid y los tweets relacionados, es decir, tweets relacionados con los temas de Hawai'i, Covid. y nuestro gobernador, David Ige.
Megan: ¿Qué esperas encontrar?
Megan: Nuestras principales preguntas fueron: ¿Estos tweets sobre Covid en Hawai'i están impulsados por las recientes tasas de infección? En otras palabras, una vez que el estado informa que tenemos 700 casos nuevos, ¿eso hace que más personas tuiteen sobre Covid?Y segundo, ¿cuál es el contenido de sus tweets? ¿El contenido de un tweet está relacionado con las noticias que se transmiten sobre Covid en Hawai'i? Al principio fue como “esta enfermedad mortal”, y luego se convirtió en “¿Deberíamos vacunarnos?” Y luego “¿Deberíamos recibir el refuerzo?” Ahora son mandatos, no mandatos, levantamiento de mandatos, etc. Las noticias pueden decidir sobre qué informan, y queremos saber si eso afecta lo que los ciudadanos promedio eligen para tuitear.De nuevo hay que destacar el sarcasmo. La gente podría decir algo como: "Genial, este turista contrajo Covid" o "Es sorprendente cuando quienes hacen cumplir las reglas se niegan a seguirlas". Por supuesto, en realidad no dicen esas declaraciones literalmente.
Megan: Puede parecer una pregunta sencilla, pero ¿cuál es el valor de establecer estas correlaciones y relaciones? ¿Para medir el sentimiento público? ¿Para informar la política?
Megan: Creo que lo dijiste perfectamente, evaluando el sentimiento público, eso es realmente lo que estamos haciendo con estas asignaciones. Queremos entender cómo cambia la opinión pública.Creo que la novedad de una pandemia en este siglo moderno es lo que hizo que la investigación fuera tan interesante, porque esto no había sucedido en cien años. No teníamos JMP ni nada parecido en ese entonces, ¿verdad? Y especialmente ahora con las redes sociales –y Twitter en particular– tenemos una plataforma sin precedentes donde el público puede expresar sus inquietudes y opiniones. ¡Tenemos más material que nunca para analizar en JMP!
Megan: Como asistente de enseñanza, ¿qué enfoques pedagógicos ha observado que funcionan mejor cuando se trata de enseñar estadística a estudiantes universitarios que no se especializan en estadística?
Megan: Creo que lo importante es poder establecer relaciones dentro de los conjuntos de datos que elegimos brindar a los estudiantes. Pasamos un par de semanas cubriendo la probabilidad de las relaciones (la gamma o lo que sea) y eso fue un poco difícil, tal vez, para todos entenderlo, especialmente si hubiéramos elegido factores diferentes a los que elegimos en las demostraciones.Pero creo que la verdadera parte matemática fue la sorpresa, porque tienes razón: estos estudiantes no están estudiando matemáticas. Mi nivel más alto de matemáticas era como precálculo, ¡y lo odiaba!
Una vez que nos demos cuenta de que obviamente no todo el mundo está interesado o particularmente dotado en el aspecto matemático, podemos centrarnos más en sacar relaciones. Por ejemplo, hicimos una encuesta sobre hasta qué punto los ciudadanos de un estado confían en los políticos de su estado de origen versus el presidente, y exploramos si lo local impulsa a lo nacional o viceversa. O podríamos preguntar: ¿Tener un título superior (o que tus padres tengan un título superior) tiene algo que ver con la cantidad de deuda que tienes?
Megan: Comprender la aplicación y las relaciones entre los factores ayudó a las personas a mantenerse involucradas en el aprendizaje de métodos estadísticos.
Megan: Definitivamente. ¡Y especialmente como estudiantes de ciencias sociales! Siempre queremos saber el por qué, incluso en la política cotidiana. ¿Por qué esta política no logra aprobarse? ¿Por qué esta gente está en contra? Siempre se trata de lo que se esconde detrás del argumento, por lo que fue casi intuitivo para mis alumnos descubrir si había un por qué.Y JMP realmente les ayudó a visualizar eso, porque podían ver tendencias e incluso observar los números, incluso si no querían, y luego ver si había una relación entre los factores que estábamos analizando.
Megan: ¿Entonces tienes la facultad de derecho en tu futuro, Megan? ¿Crees que podrás poner en práctica estas habilidades cuantitativas?
Megan: Creo que, dependiendo del campo del derecho en el que me dedique, podría utilizar y aplicar estas habilidades cuantitativas que aprendí a través de JMP. Por ejemplo, tal vez si me convierto en abogado ambientalista y analizo las emisiones de GEI que impulsan el calentamiento global o todo eso. Pero incluso si la ciencia de datos no está en el centro de mi carrera, fue, y sigue siendo, un proyecto interesante para tener a un lado. Y como dije antes, los datos impulsan la conversación. Obviamente me gusta tener una opinión basada en evidencia y eso es lo que JMP puede brindarme.
Megan: Entonces mi última pregunta es: ¿Qué consejo les daría a los estudiantes o a los usuarios novatos de JMP en general?
Megan: Definitivamente usa el Recursos que JMP tiene para ofrecer para principiantes. . Incluso si vienes con habilidades avanzadas, también puedes aprender a través de los videos. Aprendí mucho de lo que sabía a través de esas guías para principiantes. Si desea hacer algo específico, lo más probable es que JMP tenga una manera de hacerlo.Y recomiendo usar el conjuntos de muestras que tiene JMP . Fueron realmente útiles porque no siempre es posible encontrar una hoja de cálculo perfectamente formateada para usar en JMP. Esa oferta fue realmente genial.Y por último, explorar. Haga clic en todos los botones y descubra qué hace cada cosa. Haga clic en todos los menús desplegables. ¡Definitivamente así fue como me familiaricé un poco mejor con lo que estaba haciendo!
