Tant sur le plan académique que professionnel, davantage de cours sont proposés et développés pour que davantage de personnes se sentent à l'aise avec les données, l'analyse et l'évaluation des risques. Cela nécessite une certaine utilisation des statistiques et les logiciels sont un outil du commerce. Les logiciels, qu'ils soient nouveaux, améliorés, commerciaux ou open source, sont de plus en plus accessibles à un public plus vaste et en constante évolution.
Pour les cours quantitatifs que j'ai suivis au collège, j'ai dû apprendre quelques langages de codage pour utiliser SAS, SPSS et SHAZAM. Au départ, je n’étais pas un partisan de l’apprentissage de JCL et d’autres langages de programmation et j’ai découvert que l’apprentissage de la syntaxe des langages était un obstacle à la compréhension des concepts statistiques.
Sur le plan positif, même mes compétences limitées en matière de codage ont par la suite été utiles pour ma carrière, mais l’exposition de nombreux camarades de classe au codage a découragé leur enthousiasme, tant pour la programmation que pour les statistiques. Une fois, j’ai été exposé à l’expérience hautement visuelle et interactive que JMP fournit dans l’exploration et l’analyse des données, je me suis demandé si j’aurais compris les concepts statistiques plus rapidement et si d’autres camarades de classe auraient eu un plus grand enthousiasme pour les statistiques si nous avions utilisé JMP.
Plus de cours d'introduction aux statistiques sont proposés en tant que MOOC. De nombreuses universités adaptent actuellement leurs programmes d’études à l’analyse d’analyses d’entreprise et à d’autres cours afin de faire participer davantage de personnes à la réflexion statistique. Sur le plan professionnel, des cours plus élémentaires d’analyse de données sont également proposés. À la lumière de tout cela, il est intéressant de voir quel logiciel est utilisé: tableurs, logiciels visuels interactifs tels que JMP, certaines interfaces SAS, interfaces pour R, Minitab, etc., ainsi que des approches basées sur le langage, telles que R, SAS, Python et Windows. autres.
Quels facteurs affectent le logiciel utilisé dans les cours?
Je me demandais si j'aurais compris plus rapidement les concepts statistiques si j'avais eu accès à JMP au collège.
Ayant écrit un billet de blog à propos de l'enseignement des statistiques avec JMP et, tout en continuant de discuter avec les universitaires de la manière dont ils enseignent les concepts statistiques, je suis curieux de savoir les facteurs qui ont motivé le choix d'un logiciel destiné à être utilisé par des étudiants présentant des niveaux de calcul aussi variés. Souvent, le facteur déterminant est le coût. Le logiciel open source est disponible gratuitement. Excel est tellement omniprésent qu'il est essentiellement perçu comme gratuit (mais beaucoup reconnaissent les limites des feuilles de calcul).
Un autre facteur de motivation de certains cours d'initiation peut être de laisser aux étudiants des compétences plus vendables, et connaître un langage de programmation populaire est certainement une telle compétence (en plus de connaître l'analyse de données, bien sûr).
Une autre considération pourrait être que le logiciel est déjà là, ce qu’il a été et ce que l’instructeur sait déjà.
Apprendre à penser statistiquement
Mais au-delà de ces facteurs, de nombreux enseignants souhaitent véritablement inciter davantage d’élèves à voir et à ressentir le pouvoir des données, à faire l'expérience de «penser statistiquement». Ils reconnaissent que de nombreuses personnes apprécieront la compréhension des concepts statistiques, mais ne pourront jamais continuer à apprendre tous les langages de programmation. Ils peuvent être capables de penser en statistiques sans savoir programmer. Les exemples les plus évidents sont les médecins et les juges, dont les recommandations et les décisions peuvent avoir un impact puissant sur la vie des gens.
J'ai récemment fini de lire Risque Savvy: Comment prendre de bonnes décisions par Gerd Gigerenzer . Pour de nombreuses décisions importantes concernant notre santé, nos finances et plus encore, il partage des recherches bien fondées sur la manière dont nous pouvons mieux évaluer les risques et prendre de meilleures décisions. Par exemple, il a beaucoup travaillé avec les médecins pour mieux communiquer les probabilités à leurs patients (bref, il conseille de traduire les probabilités en fréquences naturelles). Pour plus dans ce sens, David Spiegelhalter , qui a beaucoup fait pour éduquer les masses sur comprendre l'incertitude et les nombreux éléments à prendre en compte lors de la présentation des risques aux décideurs, a rédigé un excellent article de blog avec des graphiques interactifs sur 2845 façons de réduire les risques .
Comprendre le risque fait partie de la pensée statistique, une compétence importante dans cette ère riche en données. Pour attirer le plus large public possible et donner à plus de gens une compréhension de base des concepts statistiques importants, il existe de nombreuses preuves que la Les données visualisation joue un rôle important. Grâce aux graphiques dynamiques et interactifs, l'apprentissage devient un jeu.
Observations de professeurs de statistiques
De nombreux professeurs / instructeurs proposent des raisons impérieuses de choisir un chemin visuel (et de choisir JMP) pour introduire davantage de personnes dans la pensée statistique. Par exemple, voici quelques extraits d’un entrevue l'année dernière avec Christian Hildebrand , Professeur assistant en analyse marketing à la Geneva School of Economics and Management:
- “[Les étudiants] ont dit:“ Waouh, je n'ai jamais su que les statistiques pourraient même être amusantes! ” C'est à ce moment-là que j'ai réalisé que le logiciel statistique Ce n’est pas simplement un support, c’est un environnement qui peut réellement aider à mieux comprendre les concepts statistiques. JMP était un gros amplificateur pour ça. "
- "Avec le logiciel qui se concentre tellement sur la visualisation, il est beaucoup plus facile de comprendre vraiment quel est le problème dans les données. Il est essentiel que les étudiants comprennent mieux leurs données en interagissant avec les données dans un environnement logiciel tel que JMP. "
- «Ce que les étudiants ont vraiment aimé avec le logiciel, c’est qu’ils avaient une méthode d’apprentissage très intuitive. Cette intuition est très importante car les statistiques sont très cognitives et vous devez apprendre les bases. Dans le même temps, il est très important de rester créatif et de réfléchir à de nouvelles hypothèses. Très souvent, vous apprenez cela à partir des données. Les fonctionnalités dont vous disposez avec JMP - avec les capacités de visualisation avancées - sont essentielles pour mieux comprendre les concepts statistiques. "
Peter Goos , Professeur titulaire à l’Université d’Anvers au département Environnement, technologie et gestion, et David Meintrup , Professeur de mathématiques et de statistique à l’Université des sciences appliquées d’Ingolstadt, co-auteur, Statistiques avec JMP: Graphes, statistiques descriptives et probabilités . Dans leur préface, ils disent:
"Nous avons choisi JMP comme logiciel de support car il est puissant et facile à utiliser…. Nous pensons que les cours d'introduction aux statistiques et aux probabilités devraient utiliser ce logiciel pour que l'enthousiasme des étudiants ne soit pas étouffé. En effet, nous constatons qu'en raison de la manière dont les étudiants peuvent facilement interagir avec JMP, cela peut réellement susciter de l'enthousiasme pour les statistiques et les probabilités en classe. "
David Meintrup Nous avons également récemment partagé cette histoire: "Je termine toujours la première session sur JMP avec Graph Builder. La première fois que mes étudiants voient comment créer de manière interactive une carte du taux de chômage en Europe sur la période 2000-2015, ils sont époustouflés. Je peux voir comment leurs expressions faciales changent et à partir de ce moment-là, je n'ai plus besoin de m'inquiéter de la motivation. "
Iddo Gal , Maître de conférences et ancien président du département des services sociaux de l'Université de Haïfa, et ancien président de l'Association internationale de l'enseignement de la statistique:
"En 2015, j'ai assisté à l'atelier JMP (trois heures) de notre satellite IASE à Rio et je me souviens d'avoir été particulièrement impressionné par ces outils, qui surpassent de loin les options des autres packages. Pour moi, cela peut aider nos participants à comprendre ce qui les rend uniques. et ne nécessite pas non plus de solides compétences formelles / procédurales. Je me souviens également que les statisticiens locaux (brésiliens) avaient été pris par surprise: ils disaient qu'ils travaillaient si dur pour transmettre les bases techniques [formules, statistiques] de textes multivariés et exécuter des analyses traditionnelles. Quelques minutes après le début de la partie visualisation de l'atelier JMP, ils ont soudainement compris comment leurs étudiants pouvaient voir les choses beaucoup plus facilement, comprendre et voir ce qui sortait. "
Plus tôt cette année dans une interview avec Jason Brinkley , biostatisticien et méthodologiste principal à la recherche aux instituts américains pour la recherche, il a exposé certaines de ses expériences d'enseignement avec JMP dans son article de 2014 sur le sommet Discovery, Utilisation de JMP comme catalyseur pour enseigner la prise de décision axée sur les données aux étudiants du secondaire . Bien que le cours s'adresse aux lycéens doués en mathématiques et en sciences, Jason a expliqué que cette approche pratique avait été bien accueillie, en particulier par les étudiants qui n'avaient pas encore pris la statistique de placement avancé. Ils pouvaient voir et sentir le pouvoir des données, ce qui piquait leur intérêt. Jason a déclaré: «Vous pouvez voir que les étudiants commencent à être passionnés, pas nécessairement à propos de la recherche, mais à propos des données.»
Et vous?
Comment enseignez-vous les concepts statistiques à un large public? Un certain niveau de programmation est-il impliqué dès le début, adoptez-vous une approche plus visuelle ou donnez-vous aux étudiants la possibilité de choisir les outils qu'ils utilisent?
Pour ceux d'entre vous qui étaient / sont des étudiants, comment avez-vous été initié aux statistiques? Avez-vous d'abord dû apprendre un langage de programmation ou avez-vous appris via un outil interactif tel que JMP? Si c'était le cas, pensez-vous que vous auriez compris les concepts plus rapidement si vous aviez eu une introduction plus visuelle? Dans ce dernier cas, avez-vous par la suite investi dans l’apprentissage d’une langue (peut-être JSL?) Parce que cela vous a permis d’en faire plus avec vos données?
Merci de votre intérêt et au plaisir de vous entendre!
Michael Clayton a écrit:
MAIS pour répondre à votre question "programmation en classe":
Beaucoup de mes clients ont trouvé le langage R open source alimenté avec des données structurées par Python, un outil important pour enseigner des cours statistiques plus complexes et des cours de simulation d'ingénierie impliquant des compétences de base en algèbre linéaire (non enseigné dans l'ingénierie des années 1950, à l'exception des EE). Je me rappelle). Edx.org et Coursera.org proposent des cours d'analyse basés sur R et Python, qui supposent que les étudiants peuvent charger R et Python sur leur PC et devenir lentement productifs tout en apprenant l'analyse en même temps. Une décennie plus tôt, JSL avait appris à environ 1 ou 10 utilisateurs JMP à prendre en charge les 9 autres membres de chaque équipe, principalement pour l'exploration de données dans de nombreuses bases de données MES et Eng. Et sur les sites avec un grand groupe d'utilisateurs JMP, nous trouvons quelques utilisateurs de R-augmentors et d'exploration de données Python-SQL. Donc, OUI, ces équipes tirent profit d’une introduction à JSL qu’elles peuvent ensuite recommander à leurs coéquipiers du "data mining" et les amener à rejoindre le groupe d’utilisateurs JMP.
Michael Clayton a écrit:
À 80 ans, vous pouvez être sûr que la programmation était un cauchemar pour nous au collège, dans les années 50 et même 60. Et les calculs d'ingénierie ont été effectués avec une règle à calcul et se concentrent sur l'obtention des unités correctes et l'estimation de la réponse, puis la décomposition des tables LOG et TRIG pour obtenir la précision requise pour certains tests, notamment les tests scientifiques. Mais à cette époque, les premières méthodes statistiques, en particulier tout type de test d’hypothèses, étaient basées sur des échantillons de petite taille. Ainsi, les tristement célèbres valeurs p et finalement les 18 tests d’hypothèses uniques ou plus exigés dans les classes de statistiques basées sur les types de données, la dépendance, nausée. Donc, OUI ... quand les tableurs sont apparus et avant cela, les calculateurs abordables apparus avec le développement du CI, et finalement le JMP, ceux d'entre nous qui détestions les statistiques aimaient tout à coup la visualisation statistique, mais n'aimaient jamais vraiment les tests d'hypothèses complexes en travaillant industries qui étaient maintenant "riches en données".
Ceux qui sont nés quelques années plus tard sont entrés à l'université lorsque les calculatrices programmables Dec Vax et HP ont rendu l'apprentissage de la programmation agréable. Ainsi, ceux d'entre nous de la vieille école ont rejoint des équipes composées de jeunes spécialistes de l'informatique (pas ceux de MIS). .ou IT comme il a été appelé plus tard, mais les types CIM ou "programmeur de poche" qui comprenaient le contexte technique des problèmes. JMP a tout changé, comme le prévoyait John Sall, l’élimination de la programmation en ligne de commande pour le nouveau monde de l’interface utilisateur graphique a capturé les ingénieurs du monde trop occupés pour écrire du code uniquement pour étudier un problème, et la plupart du temps "éclairés" par le diagramme de variabilité, le diagramme de distribution ou les diagrammes SPC et a résolu le problème sans même effectuer de test statistique avant de le demander, ce qui a bien sûr été simplifié. MERCI. JMP a prolongé ma vie utile d’au moins 20 ans et a rendu le «big data» amusant même si nous ne l’appelions pas ainsi.
