MARC

 008250123s2024        us                              c    eng  d
■001000017161594
■00520250211151418
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382777528
■035    ▼a(MiAaPQ)AAI31293727
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a370
■1001  ▼aKlugman,  Emma  Mary.▼0(orcid)0000-0003-2016-6350
■24510▼aEssays  on  Statistics  and  Data  Science  Education
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a146  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Ho,  Andrew.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aStatistics  &  data  science  are  growing,  rapidly  evolving,  and  increasingly  important  for  an  informed  citizenry  in  a  data-saturated  world.  In  this  dissertation,  I  address  two  central  questions:  (1)  who  is  taking  statistics?  and  (2)  what  are  statistics  courses  teaching?I  estimate  that  920,000  US  students  take  statistics  in  high  school  each  year,  but  this  population  has  not  yet  been  well  studied.  Using  a  rich  set  of  survey  responses  describing  15,727  students'  demographics,  career  interests  and  values,  STEM  identity,  grades,  and  test  scores,  my  first  study  compares  four  groups  of  high-school  course-takers:  those  who  take  statistics,  calculus,  both,  and  neither.  I  then  employ  latent  profile  analysis  to  shed  light  on  who  these  students  are,  showing  that  students  with  different  profiles  take  statistics  at  surprisingly  similar  rates:  statistics  is  as  an  important  part  of  the  academic  pathway  for  a  wide  range  of  students  and  serves  a  demographically  diverse  population.In  my  second  study,  I  build  upon  tools  from  natural  language  processing  and  psychometric  measurement  to  develop  a  human-in-the-loop  methodology  for  measuring  latent  constructs  in  large  text  corpora,  and  present  a  framework  for  doing  so.  I  construct  a  lexicon-based  instrument  to  measure  the  extent  to  which  syllabi  from  college  statistics  and  data  science  courses  align  with  a  vision  for  modernizing  instruction  set  forth  in  the  Guidelines  for  Assessment  and  Instruction  in  Statistics  Education  (GAISE)  project  and  across  145  journal  articles  spanning  almost  a  century.  In  so  doing,  I  illustrate  an  approach  that  researchers  can  take  in  bringing  measurement  questions  to  text  data,  a  method  that  I  believe  strikes  a  useful  balance  between  interpretability,  communicability,  validity,  and  scalability.My  final  study  applies  these  instruments  to  32,483  syllabi  from  US  statistics  and  data  science  courses  taught  between  2010  and  2018.  I  find  a  modest  overall  increase  in  modern  approaches  over  this  decade.  Finally,  I  explore  differences  between  institution  types  using  multilevel  models,  finding  that  private  and  four-year  institutions,  as  well  as  those  with  higher  admissions  rates  and  Pell-recipient  populations,  have  more  modern  syllabi,  though  two-year  institutions  and  schools  serving  fewer  Pell  recipients  seem  to  be  gaining  ground.
■590    ▼aSchool  code:  0084.
■650  4▼aEducation
■650  4▼aStatistics
■650  4▼aEducational  tests  &  measurements
■650  4▼aScience  education
■653    ▼aData  science
■653    ▼aData  science  education
■653    ▼aMeasurement
■653    ▼aPsychometrics
■653    ▼aStatistics  education
■653    ▼aText  analysis
■690    ▼a0515
■690    ▼a0463
■690    ▼a0288
■690    ▼a0714
■71020▼aHarvard  University▼bEducation.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161594▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서