acm-header
登录

ACM通信

贡献的文章

你的数据分析专家应该具备哪些能力?


用手触摸平板电脑时的数据图表

来源:盖蒂图片社

在知识社会中,分析数据对于在教育、就业和其他活动领域取得成功至关重要。尽管有几个框架描述了满足当前和未来挑战所需的能力和技能,但没有一个数据分析能力框架描述了成功完成数据分析任务所需特定技能的重要性。在本文中,我们通过应用德尔菲技术和探索数据分析专家的意见来探索有效的数据分析所需要的能力。

回到顶部

关键的见解

ins01.gif

我们的研究结果列出了一系列的认知能力、个人能力和人际能力,这些能力是由该领域的专家小组一致投票得出的。专注于三类基本能力将有助于学生和员工更好地为现有和未来的公民、员工、管理者、父母和志愿者角色做好准备。我们敦促政策制定者、学术机构和教育工作者制定计划,重新评估现有课程和材料,以支持这些基本能力的发展。

回到顶部

数据分析的发展领域

分析数据已经成为做出成功决策和完成任务的必修课,不仅在工作场所,而且在与健康、教育、休闲、公民身份等相关的许多背景下都是如此。28快速发展的数据分析领域对专业人员的需求不断上升。222因此,识别、评估和教授数据分析能力是每个部门的学术机构和组织的一个重要目标。然而,我们必须了解这些能力是什么,以及组织如何识别和度量候选人的能力,因为他们与数据分析有关。对文献的回顾揭示了数据分析所需技能和能力的当代概念化之间的差异。29

数据的重要性。技术的发展,以及智能设备的普及,导致了以前所未有的速度生成的大量数据。数据的格式和人类与之交互的方式正在迅速变化,这要求人们成为“数据通”。他们需要成为活跃的数据探索者,能够计划、获取、管理、分析并从数据中推断见解。10与此同时,技术的发展也使组织能够有效地管理庞大的数据集并长期存储它们。因此,数据成为个人和组织成功的关键因素。“大数据”一词是由O'Reilly Media公司的罗杰·马古拉斯在2005年首创的。它指的是使用传统数据管理工具几乎不可能管理和处理的范围广泛的大型数据集——由于它们的复杂性和规模。13数据可以以文档、电子邮件、文本消息、音频、图像、视频、图形数据等形式存在。1230.

数据分析是检查数据以得出结论并做出更好决策的过程。2629因此,组织使用数据分析技术来做出更好的组织决策。例如,这个过程可以通过增加收入、提高运营效率或优化营销活动来提高业务绩效。集成数据不仅可以支持学术研究和组织决策,还可以支持政府本身的分析需求。政府机构收集并用于运行其项目的数据为政策制定者提供了新的事实来源,以确定目标的基准,并衡量现有和未来项目的成功和不足。15

数据分析专业。在过去,数据分析任务是由数量有限的专业人员执行的:科学家、研究人员、经济学家等。在过去的十年中,随着科学和技术的发展已广泛应用于经济的各个部门,雇主对数据分析专业知识的需求上升,往往导致新的职业的定义。23组织中处理数据的分析人员是成功完成决策支持数据管理任务的关键。36数据科学家和其他擅长处理大量数据的专业人员是成功使用大数据的关键。24因此,对能够支持这项工作的专业人员的需求不断上升。11122职业信息网络(ONET)的职业描述数据库是由美国劳工部赞助的一个项目。23ONET-SOC 2019分类法,其中包括最新的ONET列出了1016个职业,涵盖了整个美国经济。许多新的数据职业——例如,数据科学家和数字取证分析师——是最近才加入分类的,也就是在2018年和2019年,32进一步证明了该领域的动态性和不确定性。

数据分析过程包括许多任务,20.通常都是由专家来完成的。提取、转换和加载(ETL)过程首先从许多来源收集数据,并将它们组合起来,将不同类型的数据转换为通用格式。下一个阶段是清理数据。在此过程中,删除重复的和不相关的记录,填充缺失的值,并检查数据的错误。当数据准备好进行分析时,它就被上传到分析系统中,在那里它可以作为一个模型的基础,可以通过训练来预测未来的信息。数据还可以在数据可视化系统中显示,如仪表板、图形和图表。

专业能力。技能和能力的区别是什么?技能是一种特定的、可学习的能力,人们需要它来做好一份给定的工作。27能力不仅仅是知识和技能。它涉及通过利用和调动社会心理资源,包括在特定背景下的技能和态度,来满足复杂需求的能力。27在这项研究中,我们使用了“能力”而不是“技能”来反映我们的观点,即技能和知识是相互交织的,正如佩莱格里诺和希尔顿所暗示的那样,28根据经合组织的术语。27


识别、评估和教授数据分析能力是每个部门的学术机构和组织的一个重要目标。


专业能力是指在专业角色中有效执行的能力的技能、知识和属性。它们通常是求职者在求职面试中必须展现的能力。然而,在今天的经济环境下,工人们在解决问题的技巧上必须更具协作性和创造性。虽然与编程相关的“硬”技术技能——例如,编程语言和数据库——仍然是新员工的先决条件,但该行业也希望员工能够展示一系列所谓的“软”技能,以及在一系列任务中工作的弹性和灵活性。因此,与数据分析专业相关的现有STEM教育差距,不仅代表了与科学和工程相关的硬认知技能的不足,也代表了与有效沟通、协作和适应能力相关的软人际和个人技能的不足。4

现有的能力框架。能力框架由一组具体的能力组成,这些能力以一种综合方法结合在一起。27能力模型是一种描述性的工具,它确定了在组织中有效执行某个角色所需的技能、知识、个人特征和行为。21由于没有具体的数据分析能力框架,政策制定者和教育工作者经常提到其他技能集,如“21”“深入学习技能”或“高阶思维技能”。能力框架用于雇用新员工,培训他们,评估他们的表现,提升他们,发展他们的职业生涯,以及支持组织的变化。5

数据分析能力是个人的个人特征,可能会影响该个人如何完成数据分析任务以及如何获得与数据相关的知识和技能。虽然有几个框架被用来描述儿童和成人需要的能力和技能,以应对世界当前和未来的复杂挑战,但据我们所知,没有具体的数据分析能力框架存在。在本研究中,我们通过围绕数据分析从业者所需的能力编制专家共识,向缩小这一差距又迈进了一步。该研究基于一个与职业相关的框架,34教育和其他与生活环境相关的框架。1028通过理解组织使用能力框架的方式,高等教育机构可以开发课程来促进学生的发展。21

AIS IS 2010课程指南。34信息系统是复杂的系统,在设计、开发和管理方面需要技术和组织方面的专门知识。课程模型的可用性使地方学术单位能够维持与地区、国家或全球就业需求一致的学术课程,并与信息系统领域的共同知识体系一致。该课程旨在教育和准备毕业生进入劳动力大军,通过装备他们的知识和技能,具体分为三类:is特定的知识和技能,基础知识和技能,和领域基础知识。

“IS 2010”报告是由计算机协会(ACM)和信息系统协会(AIS)合作完成的,是上世纪70年代初开始的信息系统模范课程工作的最新成果。它基于行业的预期需求,代表了雇佣毕业生的组织的观点,并得到了其他is相关组织的支持。该报告确定了所有学生在基本个人生产力软件(文字处理、电子邮件、网页浏览、电子表格建模等)中所需的先决技能,并列出了信息系统专业人员必须具备的技能(批判性思维、协作、有效沟通、毅力、灵活性、好奇心、创造力等)。

国家研究委员会(NRC)的报告:生活和工作教育:在21世纪发展可转移的知识和技能世纪。28国家研究委员会(NRC)是国家科学院和国家工程院的主要运营机构,为政府、公众以及科学和工程界提供服务。该委员会将广泛的科学和技术界与学院促进知识的目的联系起来。

委员会在其报告中讨论了“21”一词的问题以及“更深层次的学习”,以及它们对教育和社会的影响。该委员会审查了在教育、工作、健康和其他生活环境中成功的各种类型能力的重要性的证据,并借鉴了认知、发展、教育、组织和社会心理学和经济学的大量研究基础。

组织21的各种术语为了为进一步研究这些技能的意义和价值提供一个起点,委员会确定了三个广泛的能力领域——认知能力、人际能力和个人能力——它们代表了人类思维的不同方面。的认知领域包括推理和记忆,还包括分析、解决问题、科学素养和创造力等能力。的内心的域指的是管理一个人的行为和情绪以实现自己目标的能力。它包括毅力、适应性、灵活性、自我导向和应对不确定性的能力等能力。的人际关系领域包括能力,如沟通和协作,28它们被用来向他人表达信息,解释他人的信息(包括口头的和非口头的),并做出适当的回应。它包括表达想法,解释和回应来自他人的信息。

创新教育报告。10本报告是有关教、学、评等创新的系列年度报告中的第六份。虽然它不是最新的报告,但它与当前的研究最相关,因为它介绍了10种教学法,要么已经影响了教育实践,要么为未来提供了机会。该报告是英国开放大学教育技术研究所和以色列卓越研究中心(I-CORE)合作的结果。

2017年的报告列出了成为熟练学习者和公民所需的关键技能:解决问题、证据评估和理解来自各种来源的复杂信息。该报告还强调了可以开发这些技能的STEM主题,并解决了当前各工作部门对STEM技能员工的需求。因此,对于需要为数据驱动的社会做好准备的今天的学生来说,其中一个建议就是学会用数据工作和思考。

回到顶部

德尔菲技术

消除知识差距的方法之一是询问专家对当前技术变化的未来影响的意见、预测和估计。德尔菲(Delphi)技术是一种已知的结构化过程,它使用一系列基于问卷的迭代,从他们专业领域内选定的应答者小组中收集信息,直到达成小组共识。8这种技术适用于目标设定、政策调查和预测未来事件。16因此,德尔菲法被用于获取教育中新领域的知识,6工作,18和健康14信息系统,35以及其他生活环境——例如,鲍默等人。3.在当前的研究中,该技术被用于识别哪些能力对迎接大数据时代的未来挑战至关重要——即数据分析能力。

映射的能力。德尔菲研究的第一阶段是对当代技能的文献综述。我们将在描述的文献中发现的能力进行了映射,并将列表进行了组合(参见Delphi研究的示意图、高级视图)图1).接下来,我们将该列表与2018年1月至2018年6月在职业导向的领英网站上发布的数据分析相关职位招聘信息中的能力列表进行了整合。我们分析的招聘信息包含诸如“数据分析”、“数据分析师”、“数据科学家”、“数据工程师”和“数据挖掘”等短语。

f1.jpg
图1。Delphi的研究。

分析按日期迭代执行,直到没有发现新的能力。然后,我们手动将生成的能力列表分为五类:认知能力、个人能力、人际能力、教育能力和技术能力。我们将这个新列表与基于描述的文献准备的原始能力列表进行比较,并将在LinkedIn招聘信息中发现的任何新能力添加到原始列表中。综合名单包括65项能力(见附录)https://dl.acm.org/doi/10.1145/3467018).

开展能力调查。研究的第二阶段是调查的发展,其中包括综合清单和我们的三个能力类别:认知能力、个人能力和人际能力。调查中的每一项能力都有一个基于几种资源的定义牛津英语词典,梅里亚姆-韦伯斯特字典,维基百科。这些定义也在在线附录中给出。该调查要求参与者对数据分析工作中每种能力的重要性进行分类,并给出以下可能的回答:“基本能力”、“重要能力”、“不那么重要的能力”、“不是重要能力”、“我不知道重要性”和“我不理解这个项目”。这些项目之后是公开的文本问题,专家们可以详细说明他们的回答,并补充他们的意见和建议。

寻找共识。随着调查的发展,200名来自世界各地的业界、政府和非政府组织和学术界的专家被邀请参与研究。他们是根据预先确定的标准挑选出来的表1),以确保他们在数据分析方面的专业知识。根据CRISP-DM模型阶段,标准包括他们工作的雇主类型、他们的工作领域、他们工作的国际性质、性别、教育水平、专业经验、领域专长和他们的数据分析专长领域。31专家们有一个六周的间隔,然后有两个三周的间隔来完成每次调查迭代。每个调查时间间隔为三周,这样研究团队就可以分析结果并创建下一个调查。这类研究的典型特点是,随着时间的推移,参与要求增加,流失率也增加。65名专家接受邀请并对第一次调查作出答复,35名专家最终完成了第三次调查。

t1.jpg
表1德尔菲研究的专家标准和特征。

在对第一次调查的回复进行分析后,根据相对严格的75%的回复水平,我们采用四分位区间(interquartile range, IQR)方法来设定共识水平。1619由于参与者对中期发现的反馈是德尔菲法最重要的特征之一,35第二次调查的主要目标是反映第一次调查中确定的意见,并允许专家对这些初步发现作出回应。因此,第二次调查是在第一次调查的共识基础上发展起来的。它包括两个部分。在第一个调查中,我们提出了第一个调查中不明确的两个更新的能力定义,以及一个包含32个没有达到共识水平的能力列表。在第一次调查中,至少15%的参与者不清楚“执行功能”、“自我调节类型1”和“自我调节类型2”的定义。经过考虑,我们将这三个能力替换为“自我调节”,并添加了一个新的能力:“感知自我效能”。除了32项没有达成共识的能力外,我们请专家们重新考虑这两项能力的重要性。参与者被要求对从事数据分析工作的能力的重要性进行分类,可能的回答与第一次调查相同。

在调查的第二部分,我们向专家展示了30个达到共识水平的能力,定义为超过75%的专家同意某个能力对数据分析很重要,或者超过75%的专家认为不重要。然后我们为专家们提供了一个分享他们的想法和建议的机会。43位专家对第二次调查作出了回应,其中许多人对第一次调查的结果和调查结果的相关性表示满意表2).在专家评论的帮助下,我们能够确保他们遵循指示,并在数据分析的背景下对问卷做出回应。在第二次调查之后,这一共识计算再次进行。另外两项能力达成了一致意见,导致对调查结果进行了微小的调整,并创建了第三次调查,该调查描述了达成一致意见的最终能力清单,并再次询问专家对该清单的意见。

t2.jpg
表2。迭代#2专家意见(选定)。

回到顶部

结果——你的数据分析专家应该具备的最重要的能力

第一次和第二次调查的结果显示,34项胜任能力达到了至少75%的共识。在第一次迭代中,专家们一致认为28种能力是重要的表3)和四个不是(见表4).第二次调查反映了第一次调查所揭示的意见。它说明了已达成协商一致意见的能力,并请专家们重新考虑未达成协商一致意见的能力清单。在第一次调查的基础上,第二次调查的另外两个能力达成了共识表3:口头交流,77%;积极主动,81%)。

t3.jpg
表3。数据分析的重要能力。

t4.jpg
表4。非重要的数据分析能力。

而数据分析的非重要能力列表(见表4)只包含了18个(22%)个人能力中的4个,数据分析的重要能力列表(见表3)包括19个中的10个(53%)认知能力,18个中的12个(67%)个人能力和18个中的8个(44%)人际能力。专家们大多认为认知能力对数据分析很重要。

研究团队希望达成共识的能力清单能够包括所有属于该研究所基于的多个框架的能力。令人惊讶的是,这份清单没有包括“同理心”或“谈判”能力,而这两个能力是所有三个框架的一部分。这两项都没有在LinkedIn上被提及,这或许可以解释为什么他们没有出现在最重要的能力列表中。这个列表也没有包括存在于两个框架中的许多能力,如“创造力”和“灵活性”。这些能力不仅存在于两个框架中,而且还在LinkedIn上列出了。专家的预期和实际调查结果之间的差距强调了这个主题上意见的多样性,以及需要一个特定的数据分析能力框架来确保焦点是正确的。

这项研究最令人惊讶的发现之一是,数据分析专家没有选择“道德”作为最重要的能力之一。然而,结果确实包括了“诚信”能力。在新的工业、教育和政府数据科学和人工智能(AI)项目中,伦理问题不断被提出,25虽然最后的名单中只包括诚信,但强调可能更全面的道德能力的重要性是有道理的。研究人员和机构正面临着新的挑战,这些挑战往往超出了他们的培训和舒适区。37此外,我们的结果反映了现有和过去的学术课程的后果,在这些课程中,伦理课程不如编程等课程重要。7最后,它们还揭示了该行业对道德问题的态度,这在谷歌解雇Timnit Gebru等事件中得到了反映。Timnit Gebru是谷歌的前道德工程师,他与人合著了一篇论文,提出了对该公司的道德和隐私担忧。17

为了解释这些发现,并探究某些能力在最终榜单中缺失的原因,研究团队根据参与者所属的单位对三次调查的结果进行了分析。从属关系的考虑基于各种特征:国家从属关系(工作地点和研究领域)、工作领域、性别、专业知识水平、专业知识年限、管理经验、专业知识领域和数据分析工作的特征(CRISP-DM模型阶段)(表1).采用聚类分析和因子分析方法分析组间差异。进行了Mann-Whitney U检验没有修正因多次比较而导致的家族错误率,以确定两组之间的能力重要性分数是否存在差异。

在对多次比较导致的家族错误率进行校正后,分析没有显示出任何统计学上的显著差异,可能是由于比较数量较多,而参与者数量相对较少。然而,所检测到的差异(呈现在表5)很有趣,也为未来的定量研究指明了方向。这些结果表明,在学术界工作的专家可能认为“批判性思维”、“解释”、“社会责任”和“道德”等能力比在业内工作的专家更重要。在行业内工作的专家可能比在学术界工作的专家更看重“职业导向”和“处理多重任务”等能力。与男性专家相比,女性专家可能认为“信息素养”和“精通学习”能力更重要。有国际经验的专家可能会发现“科学素养”比没有国际经验的专家更重要,而没有管理经验的专家可能会发现“毅力”比有管理经验的专家更重要。

t5.jpg
表5所示。迭代#1:组之间的差异。

综上所述,对于大多数能力,能力重要性分数的分布是相似的。因此,对于大多数能力,不同组之间没有显著差异。

回到顶部

结论及未来工作

本研究的起点是几个框架,列出了重要的一般性“21世纪的能力。”该研究的结果是在数据分析专家之间仔细确认的共识基础上,列出了成功完成数据分析任务的最重要能力。这一共识是强烈的,在不同专家群体的分类之间没有发现统计学上的显著差异。

有趣的是,专家们并没有就“道德”是数据分析任务中最重要的能力之一达成共识。初步迹象表明,学术界和产业界对这一问题的看法不同,建议进一步探讨这一问题。学者、资助者和监管机构应该寻求合作、整合和创新方法的机会,以确保科学和工业中的大数据分析能够响应基本的伦理关切。25我们还建议更密切地关注在多个框架中代表但专家之间仍未达成共识的能力。

随着数据科学、人工智能、机器学习、深度学习、分布式和量子计算等概念逐渐进入主流,原本主要专注于技术和编程的知识工作者将需要更强的能力,并对与这些概念相关的挑战有更深的理解。33确定基本的数据分析能力是克服这一挑战的重要一步。然而,正如专家12 (表2),“这是一个很好的愿望清单。”此外,正如专家#42所建议的,要培养一支具备这些能力的劳动力队伍,还有大量工作要做。表2):“……这份清单的问题在于,许多能力是不太容易训练的。许多人受基因和早期生活经历的影响。通过依赖这些能力,你选择的是中上阶层、社交良好的人,从定义上来说,他们属于主导文化的一部分,而主导文化定义了这些能力。”扩大这一群体以外的劳动力是教育系统、学术界和工业界面临的一个关键挑战。

这个可培训性的问题应该是未来工作的重点,但假设这些技能中有许多是可培训的,我们敦促政策制定者、学术机构和教育工作者建立项目,并重新评估现有的课程和材料,以支持学生和员工获得这些基本能力。培训计划应该促进认知能力、个人能力和人际能力的系统发展、实施和评估。关注所有这三类基本能力将帮助机构更好地为学生和员工现有和未来的公民、员工、管理者和教育者角色做好准备。

回到顶部

致谢

这项工作得到了以色列开放大学开放媒体和信息实验室(资助号20184)和两个奖学金的支持:一个是以色列科技部(学术和产业合作奖学金,2020年),一个是以色列总统办公室(科学卓越和创新奖学金,2020年)。

回到顶部

参考文献

1.LinkedIn 8月劳动力报告:各行各业对数据科学技能的需求都很高。LinkedIn (2018),https://news.linkedin.com/2018/8/linkedin-workforce-report-august-2018

2.分析加速进入主流,《福布斯》的见解(2017),https://i.forbesimg.com/forbesinsights/d&b_enterprise_analytics/Analytics_Accelerates_Into_Mainstream.pdf

3.Baumer, E.P, Xu, X., Chu, C., Guha, S.和Gay, G.K.当受试者解释数据时:社交媒体不使用作为德尔菲法适用于CSCW的一个案例。在2017年计算机支持的协作工作和社会计算ACM会议论文集, 1527 - 1543。

4.伯克,Q.和贝利,C.S.成为“适应性”专家。ACM的通信, 9(2020), 56-64。

5.Campion, m.a., Fink, a.a.a, Ruggeberg, b.j., Carr, L., Phillips, g.m., Odman, R.B.《做好胜任力:胜任力建模的最佳实践》。64年人事心理学, 1(2011), 225-262。

6.Cateté, V.和Barnes, T. Delphi方法在计算机科学原理规则创建中的应用。在2017年ACM计算机科学教育创新与技术会议论文集, 164 - 169。

7.为什么计算机属于社会科学。ACM的通信, 8(2020), 54-59。

8.德尔菲法在专家使用中的实验应用。管理科学9, 3(1963), 458-467。

9.数字素养:数字时代生存技能的概念框架。13 .《教育多媒体与超媒体, 1(2004), 93-107。

10.弗格森,R., Barzilai, S., Ben-Zvi, D., Chinn, C.A., Herodotou, C., Hod, Y., Kali, Y., kukulka - hulme, A., Kupermintz, H., McAndrews, P., Rienties, B., Sagy, O., Scanlon, E., Sharples, M., Weller, M.,和Whitelock, D.创新教学。开放大学(2017),https://www.learntechlib.org/p/182004

11.数据科学家:高薪的热门工作。Indeed Hiring Lab(2019年1月17日),https://www.hiringlab.org/2019/01/17/data-scientist-job-outlook

12.Furht, B.和Villanustre, F.大数据介绍。在“大数据技术与应用”、施普林格可汗。(2016), 3-11。

13.Halevi, G.和Moed, H.大数据作为一个研究和科学主题的演变:文献综述。研究趋势30, 1(2012), 3-6。

14.哈森,F.,基尼,S.和麦肯纳,H.德尔菲调查技术的研究指南。高级护理学j, 4(2000), 1008-1015。

15.Hastings, j.s., Howison, M., Lawless, T., Ucles, J.和White, P.解锁数据以改善公共政策。ACM的通信, 10(2019), 48-53。

16.Hsu C.C.和Sandford文学士德尔福技巧:理解共识。实践评估、研究和评价, 10(2007), 1-8。

17.Jo, E.S.和Gebru, T.档案的教训:机器学习中收集社会文化数据的策略。在2020年公平、问责和透明度大会论文集, 306 - 316。

18.琼斯,W.,卡普拉,R., Diekema ., Teevan, J., Pérez-Quiñones, M., Dinneen, J. d .和Hemminger, B.。“告诉”现在:使用德尔菲法了解个人信息管理实践。在第33届计算机系统中的人为因素年会论文集(2015), 3513 - 3522。

19.Keeney, S, Hasson, F,和McKenna, H.咨询神谕:在护理研究中使用德尔菲技术的十个教训。高级护理学J. 53, 2(2006), 205-212。

20.2018年Gartner市场分析调查的主要发现。高德纳(2018年5月16日)https://www.gartner.com/en/marketing/insights/articles/key-findings-from-gartner-marketing-analytics-survey-2018

21.ad .露西亚和R.莱普辛格素质模型的艺术与科学台中县/菲佛。加州旧金山(1999)

22.Marr, B. 2018年6大数据工作。《福布斯》杂志(2018),https://www.forbes.com/sites/bernardmarr/2018/05/09/the-6-top-data-jobs-in-2018/#2ce81210430d

23.科学技术发展如何影响就业和教育。在美国国家科学院院刊, 50(2018), 12624-12629。

24.迈克菲,A.,布林约尔松,达文波特,t.h.,帕蒂尔,d.j.和巴顿,D.。哈佛商业评论90, 10(2012), 60-68。

25.梅特卡夫J.,凯勒E.F.,博伊德d.大数据、伦理和社会的观点。大数据、伦理与社会委员会(2020),https://bdes.datasociety.net/council-output/perspectives-on-big-data-ethics-and-society/

26.NIST大数据公共互操作性框架:卷1,定义。国家标准与技术研究院(2015)。

27.关键能力的定义和选择:执行摘要。经济合作与发展组织;http://www.oecd.org/pisa/35070367.pdf

28.佩莱格里诺,J.W.和希尔顿,M.L.生活和工作教育:在21世纪发展可转移的知识和技能。国家研究理事会行为和社会科学与教育司。华盛顿特区(2012)。

29.Radovilsky, Z., Hegde, V., Acharya, A.和Uma, U.商业数据分析和数据科学工作的技能要求:一个比较分析。供应链与运营管理, 1(2018), 82。

30.TDWI最佳实践报告:大数据分析。TDWI(2011)。

31.CRISP-DM模型:数据挖掘的新蓝图。5 .《数据仓库》, 4(2000), 13-22。

32.ONET-SOC分类法。ONET资源中心(2019),https://www.onetcenter.org/research.html?c=Taxonomy

33.Tissenbaum, M.和Ottenbreit-Leftwich, A. 2030年K-12计算机科学教育的愿景。ACM的通信, 5(2020), 42-44。

34.Topi, H., Valacich, J.S, Wright, R.T, Kaiser, K., Nunamaker Jr., J.F, Sipior, J.C, de Vreede, G.J. IS 2010:信息系统本科学位课程指南。信息系统协会通信, 1(2010), 18。https://eduglopedia.org/ais-global-is-education-report-2018-syllabus

35.Turoff, m(1972)。Delphi及其对信息系统的潜在影响。在1971年秋季联合计算机会议记录, 317 - 326。

36.教程:大数据分析:概念、技术和应用。信息系统协会通信, 1(2014), 65。

37.Zook, M., Barocas, S., Boyd, D., Crawford, K., Keller, E., Gangadharan, S.P, Goodman, A., Hollander, R., Koenig, B.A., Metcalf, J., Narayanan, A., Nelson,和Pasquale, F.负责任的大数据研究的十条简单规则。PLoS计算生物学133(2017)。

回到顶部

作者

奥瑞丽魏瑟orli.weiser@gmail.com)是以色列内盖夫本-古里安大学工业工程与管理系的博士研究生。

推断m·卡尔曼是以色列开放大学管理与经济系的副教授。

迦密肯特是英国教育风险投资公司教育数据科学部门的负责人

吉拉德Ravid是以色列内盖夫本-古里安大学工业工程与管理系的副教授。

回到顶部

脚注

更多在线信息:这篇文章的在线附录可以在这里找到https://dl.acm.org/doi/10.1145/3467018


版权由作者/所有者持有。授权ACM出版权利。
请求发布的权限permissions@acm.org

数字图书馆是由计算机协会出版的。版权所有©2022 ACM, Inc.


没有发现记录

Baidu
map