数据是跨学科的：它不是一个新概念，而是一种基本操作

在我们的新系列“数据是跨学科的”中，我们兴奋地聚焦教育社区中的活跃人士，他们致力于跨各个学科使用数据。

Tableau 教学版的使命是打造一个具备数据素养的世界。在 Tableau，我们感到数据素养是日常生活中的必备能力。我们在所有学科和主题领域使用数据。这在过去被视为一个专业领域，但现在比以往任何时候都明确的是， 数据素养是每个人的必备能力。

在我们的新系列 “数据是跨学科的”中，我们兴奋地聚焦教育社区中的活跃人士，他们致力于跨学科使用数据，例如：

社会科学
人文学科
商业
自然和应用科学
其他学科

我们首先要聚焦的是 Nairanjana “Jan” Dasgupta 博士- 数据分析主任，Boeing 数学和科学教育特聘教授，华盛顿州立大学统计学教授。

您可以分享一下让您有今天的成就的个人数据素养之旅吗？

我从小就几乎同等地热爱两门学科：文学（尤其是诗歌）和数学（尤其是数字）。我是在双语环境中长大的，觉得讲故事非常有吸引力。我还喜欢在数字中找规律。因此，在高中选专业的那几年的痛苦挣扎之后，我在统计学中找到了意义。我在选择统计学作为专业之前从来没有上过相关课程，开始上课之后，我如鱼得水。它使用数学的语法，又兼顾文学的灵活性，并且其主旨就是我最爱做的事：找规律。

获得博士之后（当时的研究课题是建立方法来理解并减少假阳性），我获得了华盛顿州立大学统计学项目的一个职位，该项目当时属于农学院。我职责的一部分是为本学院和其他学院的人提供有关数据的咨询和协作。我从此与数据结下了不解之缘。我一方面应用自己学到的方法，另一方面也发现数据分析并不仅在于严格遵循定理，常识和理解数据中的故事都很重要。我天生的好奇心和对细枝末节的热爱派上了用场。如果是在处理有关非洲捕猎者-采集者的数据集，我就会希望了解背景故事，以便了解问题所在。

我发现的一个规律是，要成为真正高效的数据分析师，就必须拥有对主题的了解、直觉、常识和用简单的语言向听众阐释大局的能力。我发现自己对跨学科研究很感兴趣。因此我在 2014-2016 年带头在 WSU 成立了跨学科统计教育与研究中心，并担任了创始主任。同时，WSU 希望开设数据分析理学士学位。我和当时的计算机科学项目主席共同担任协会主席。

该学位很特别，因为学生会接受数学、统计学、计算机科学和一门自选学科的课程教育。我们的观念还是，数据总是会从实际生活中的各种情况中产生。理解数据所源自领域的细微差别非常重要。自然而然地，只要和数据打交道（无论是分析还是建立方法），就必须以跨学科的方式思考。

在大学工作时，除了采用 Tableau 教学版，您还发起了哪些行动，为什么？

很长时间以来，我一直努力在各个层面推行数据素养。我开设过面向全体研究生和教职工的有关数据素养的专业发展研讨会。我的理念是要解密这门学科，让大家都能理解它所使用的术语。

在大学里改变课程设置不是易事，尤其是跨学科计划的课程。我接任数据分析主任之后，我用的是老办法：看数据，看看对于我们的最终产品学生而言，哪些课程是有效的，哪些无效。我让参与项目的所有学生都能够直接找到我，并和他们聊天，努力了解他们能够从我们的项目中学到什么。我一生都在做定量研究，我可以站出来说，要理解人类问题，我们需要文字也需要数字。

最大的问题之一就是“跨学科”这个词。使用饮食方面的比喻：学术界经常把它解释成自助餐，学生接受不同领域的课程就能获得“跨学科”训练。但是，它真正的含义是“融合菜式”。上了 x 次统计学课和 y 次计算机科学课，对学生也没有帮助，因为他们不能自己融会贯通。我们不能期望他们做到：在缺乏大量信息资源的情况下，他们还没有达到能够融会贯通的成熟度。他们需要教职员工合作开展真正的数据课程，学术界急需了解这一点。

我在项目中的举措之一是尝试降低门槛。我从理学士学位的必修课中删掉了微积分 2。像这样的改变很难，因为这必须是观念的改变，而不是肤浅的口头改变。我还努力减少了项目中的课程数，专注于真正的经验性学习。我努力让我们的项目获得背书，成为职业相关学习项目。我努力确保我们的学生获得与亚马逊、微软和波音这样公司合作的机会，解决有关其能力上限的实际问题。让他们有机会能够进行团队合作，共同承担目前的问题。

现在很少有人在工作时会用到传统的高中数学，但他们却会频繁使用数据。

datascience4everyone.org 调查 | 通过 Freakonomics 分发

在 WSU，我在奠定高度合作的基础，联合多个单位和学科。工程学、数学、统计学、范畴学领域都有一席之地，这些领域都有热心关注这些问题的人，还可以延申到教育、艺术、通信和经济领域。我想有和我一样热心关注这些理念的人，我们要给他们一个论坛。

强调“素养”这个词，我是希望它真的有助于将我们推向“分析”或“科学”的界限之外，挑战我们去思考如何训练非专家以及专家。如果围绕着数据的使用只训练一种类型的专家，我们就永远无法解决生产力的挑战，更别说公民挑战了。