資料是跨學科要素：不是新概念而是基本實務

在我們全新的「資料是跨學科要素」系列中，我們很高興能夠關注教育界致力於跨學科使用資料的使用者。

Tableau 教學方案致力於創造所有人都有資料素養的世界。Tableau 認為資料素養對於日常生活極為重要。我們使用所有學科和主題領域的資料。以往被認為是專業領域，現在比以往更淺顯 資料素養是每個人的必備條件。

在我們全新的 「資料是跨學科要素」系列中，我們很高興能夠關注教育界致力於跨學科使用資料的使用者，例如：

社會科學
人文科學
商業
自然科學和應用科學
等等

我們的第一個關注的焦點是 Nairanjana “Jan” Dasgupta 博士— Data Analytics 總監、Boeing 的 Math and Science Ed. 名譽教授、華盛頓州立大學統計學教授。

您能否分享您在資料素養方面到目前為止的個人歷程？

從小開始，對於文學（特別是詩歌）和數學（特別是數字）這兩個學科，我幾乎同樣喜愛。我在雙語環境中成長，而且受到說故事所吸引。我也喜歡尋找數字的模式。因此，在我就讀高中選擇主修專業的幾年艱難生涯之後，我選擇了統計學。在我選擇主修專業之前，我從未上過統計學課程，我開始上課之後，我意識到這就是我真正想要的主修專業。這其中有數學的理路，不過也有文學的流暢性，這完全是我最喜歡的調性：尋找模式。

在獲得博士學位後（研究開發瞭解和減少誤判的方法），我在華盛頓州立大學獲得統計專業的工作，我當時在農學院。我的一部分職務是與農學院和其他學院的人針對這些人的資料進行諮詢/協同作業。從此我開始愛上資料。運用我曾經接受訓練的方法，同時也意識到資料分析不僅需要嚴格遵守定理，而且需要遵循常識，瞭解資料的故事很重要。我天生的好奇心和對瑣事的熱愛逐漸浮現。如果我處理有關非洲狩獵採集者的資料集，我會想要知道背景故事，我才能瞭解問題癥結。

我意識到的一件事是，成為真正有效的資料分析師必須具備學科知識、直覺、常識，以及藉由淺顯易懂的語言向受眾說明全貌的能力。我發現自己被跨學科研究所吸引。因此，在 2014 至 2016 年，我在 WSU 創辦了跨學科統計教育與研究中心並成為創會理事。在此同時，WSU 正在考慮設立資料分析學士學位。我與當時的電腦科學計畫主席共同擔任委員會的主席。

這個學位相當獨一無二，因為學生可以學習數學、統計學、電腦科學和自己選修的學科。另一方面，資料總是來自現實生活中的某些情況。瞭解資料來源領域的細微差別相當重要。依據定義，任何處理資料的人（無論是分析還是開發方法）都必須以跨學科的方式思考。

除了採用 Tableau 教學方案之外，您在大學也採取哪些計畫？為什麼？

長久以來，我持續致力於在各個層面引入資料素養。我為所有研究生和教職員舉辦資料素養的專業發展研討會。這個想法是為了揭開這個領域的神秘面紗並破譯這個領域的術語。

改變大學的課程（特別是跨學科計畫）並不容易。自從我接任資料分析總監以來，我的方法是使用平鋪直敘的語言、檢視資料、瞭解哪些做法對於最終對象有效和無效：我們的學生。計畫中的所有學生都可以接觸到我，我也開始與這些學生交談，嘗試釐清這些學生可以從我們的計畫中學到什麼。身為定量研究的終身研究員，我會挺身而出表示，若要瞭解人類問題，文字和數字都很重要。

其中的一個最大問題是「跨學科」這個詞。用烹飪做比喻：學術界就像自助餐，如果學生在不同領域上課，接受「跨學科」訓練，這就是真正的「無國界融合菜餚」。上 x 節統計課和 y 節電腦科學課對學生毫無助益，因為這些學生無法自行建立關聯。我們不能指望這些學生建立關聯：缺少這麼多塊拼圖時，這些學生沒有足夠的成熟度建立關聯。這些學生需要教職員共同為他們研擬真正的資料課程，學術界確實需要瞭解這一點。

我在我們的計畫中所做的一些事情是嘗試降低進入門檻。我剛剛退選了學士學位必修課程的微積分 2。如此的改變很困難，因為這必須是思維方式的改變，而不是表面上的口頭改變。我也致力於減少計畫中的課程堂數，並專注於真正的體驗式學習。我努力讓我們的計畫被認可為職涯銜接學習計畫。我一直努力確保我們的學生有機會與 Amazon、Microsoft 和 Boeing 等公司合作，為這些學生解決關鍵的實際問題。讓這些學生有機會在團隊中工作並共同解決面臨的問題。

現在的員工只有一小部分的人使用傳統的高中數學，不過這些人確實經常使用資料。

datascience4everyone.org 調查 | 透過 Freakonomics 發佈

在 WSU，我正在打造高度協作並匯集多個單位和學科的基礎。工程、數學、統計學和業界都可以發揮作用，讓人對這些問題充滿熱情，這其中也涉及教育、藝術、傳播和經濟。我的構想是有像我這樣的人對於這些想法充滿熱情 — 給這些人論壇。

透過強調「素養」這個詞，我希望這能真正協助我們超越「分析」或「科學」的侷限，並促使我們思考如何訓練非專家和專家。如果我們只訓練特定類型的專家，我們將永遠無法針對資料的使用解決我們員工的挑戰 — 更不用說我們公民的挑戰。