데이터과학은 스몰데이터 분석에서 출발하여, 빅데이터 분석을 위한 머신러닝, 딥러닝까지 포함하고 있다. 데이터과학은 인공지능 기술의 핵심 영역이고, 학교 교육과정에 체계적으로 반영해야 할 내용이다. 데이터과학 교육을 위해, 엔트리에서도 초등교육용 데이터 분석 도구를 제공하고 있다. 빅데이터 분석에서는 데이터 표본을 추출하여, 통계학적인 추측과 판단을 통해 분석결과를 해석한다. 본 논문에서는 통계학적인 지식을 필요로 하는 빅데이터 분석 영역을 초등영역에서 제외하기로 하고, 초등영역에 초점을 맞춘 데이터과학 교육 사례를 제안하였다. 이를 위해서, 일반적인 데이터과학 교육 단계를 먼저 설명하고, 초등 데이터과학 교육 단계를 새롭게 제안하였다. 그리고 엔트리에서 제공하는 공공 스몰 데이터를 사용한 데이터 변수 값 비교 사례와 데이터 변수 간 상관관계 분석 사례를 초등 데이터과학 교육 단계에 따라 제안하였다. 본 논문에서 제안된 엔트리 데이터분석 사례들을 활용하면, 여러 교과에서 발생하는 데이터를 사용한 초등 데이터과학 융합 교육이 가능하다. 또한, 엔트리를 사용하여 텍스트, 음성 및 영상인식 AI 도구와 결합한 데이터과학 교육 자료도 개발 가능하다.
데이터과학은 스몰데이터 분석에서 출발하여, 빅데이터 분석을 위한 머신러닝, 딥러닝까지 포함하고 있다. 데이터과학은 인공지능 기술의 핵심 영역이고, 학교 교육과정에 체계적으로 반영해야 할 내용이다. 데이터과학 교육을 위해, 엔트리에서도 초등교육용 데이터 분석 도구를 제공하고 있다. 빅데이터 분석에서는 데이터 표본을 추출하여, 통계학적인 추측과 판단을 통해 분석결과를 해석한다. 본 논문에서는 통계학적인 지식을 필요로 하는 빅데이터 분석 영역을 초등영역에서 제외하기로 하고, 초등영역에 초점을 맞춘 데이터과학 교육 사례를 제안하였다. 이를 위해서, 일반적인 데이터과학 교육 단계를 먼저 설명하고, 초등 데이터과학 교육 단계를 새롭게 제안하였다. 그리고 엔트리에서 제공하는 공공 스몰 데이터를 사용한 데이터 변수 값 비교 사례와 데이터 변수 간 상관관계 분석 사례를 초등 데이터과학 교육 단계에 따라 제안하였다. 본 논문에서 제안된 엔트리 데이터분석 사례들을 활용하면, 여러 교과에서 발생하는 데이터를 사용한 초등 데이터과학 융합 교육이 가능하다. 또한, 엔트리를 사용하여 텍스트, 음성 및 영상인식 AI 도구와 결합한 데이터과학 교육 자료도 개발 가능하다.
Data science starts with small data analysis and includes machine learning and deep learning for big data analysis. Data science is a core area of artificial intelligence technology and should be systematically reflected in the school curriculum. For data science education, The Entry also provides a...
Data science starts with small data analysis and includes machine learning and deep learning for big data analysis. Data science is a core area of artificial intelligence technology and should be systematically reflected in the school curriculum. For data science education, The Entry also provides a data analysis tool for elementary education. In a big data analysis, data samples are extracted and analysis results are interpreted through statistical guesses and judgments. In this paper, the big data analysis area that requires statistical knowledge is excluded from the elementary area, and data science education examples focusing on the elementary area are proposed. To this end, the general data science education stage was explained first, and the elementary data science education stage was newly proposed. After that, an example of comparing values of data variables and an example of analyzing correlations between data variables were proposed with public small data provided by Entry, according to the elementary data science education stage. By using these Entry data-analysis examples proposed in this paper, it is possible to provide data science convergence education in elementary school, with given data generated from various subjects. In addition, data science educational materials combined with text, audio and video recognition AI tools can be developed by using the Entry.
Data science starts with small data analysis and includes machine learning and deep learning for big data analysis. Data science is a core area of artificial intelligence technology and should be systematically reflected in the school curriculum. For data science education, The Entry also provides a data analysis tool for elementary education. In a big data analysis, data samples are extracted and analysis results are interpreted through statistical guesses and judgments. In this paper, the big data analysis area that requires statistical knowledge is excluded from the elementary area, and data science education examples focusing on the elementary area are proposed. To this end, the general data science education stage was explained first, and the elementary data science education stage was newly proposed. After that, an example of comparing values of data variables and an example of analyzing correlations between data variables were proposed with public small data provided by Entry, according to the elementary data science education stage. By using these Entry data-analysis examples proposed in this paper, it is possible to provide data science convergence education in elementary school, with given data generated from various subjects. In addition, data science educational materials combined with text, audio and video recognition AI tools can be developed by using the Entry.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 초등 데이터 과학교육단계를 새롭게제안하였다. 그리고 엔트리에서 제공하는 스몰 데이터크기의공공데이터를사용한데이터변수값비교사 례와데이터변수간상관관계분석사례를초등데이 터과학교육단계에 따라 제안하였다.
빅데이터분석에서는데이터표본을추출 하여, 통계학적인추측과판단을통해분석결과를해석한다.본논문에서는통계학적인지식을필요로하는빅 데이터분석영역을초등영역에서제외하기로하고, 초등영역에 초점을 맞춘 데이터 과학 교육 사례를 제안하였다. 이를 위해, 일반적인 데이터 과학 교육 단계를 우선 설명하고, 초등데이터과학교육단계를새롭게제안하였다.
데이터변수간상관관계분석사례는, 해당데이터변수들에대한데이터들을가공하여수집한후, 차트생성을통한데이터시각화를통해, 일반적인 비례 및 반비례개념에 대한 해석이 가능한예제로서, 통계학적지식이필요없는기초적인내용으로판단하였다.이 에본논문에서제안하는사례로추가하였다.
가설 설정
실행결과를보면, 막대그래프와분산형산포도차트두가지를볼 수 있다.1단계에서설 정한 가설은 ‘2010년도부터 2018년도까지 측정된 연도별 전국평균기온과 전국평균 미세먼지농도는 서로 비례하는 상관관계를 갖는다.’이었다.
2.2 절에서 제안한 초등 데이터 과학 교육 단계에 따라, 본 장에서는 데 이 터 변수 간 상관관계분석사례를제안하였다.데이터변수간상관관계분석사례는, 해당데이터변수들에대한데이터들을가공하여수집한후, 차트생성을통한데이터시각화를통해, 일반적인 비례 및 반비례개념에 대한 해석이 가능한예제로서, 통계학적지식이필요없는기초적인내용으로판단하였다.
2.2 절에서 제안한 초등 데이터 과학 교육 단계에 따라, 본장에서는데이터변수값비교사례를 제안하였다. [Table 1]에 제시된 가설에 대해, [Table 2]에서엔트리에서검증하고자‘월평균미세먼지농도’공공데이 터를테이블에추가하였다.
2 절에서 제안한 초등 데이터 과학 교육 단계에 따라, 본장에서는데이터변수값비교사례를 제안하였다. [Table 1]에 제시된 가설에 대해, [Table 2]에서엔트리에서검증하고자‘월평균미세먼지농도’공공데이 터를테이블에추가하였다.그리고[Table3]에서데이 터시각화를위한분석을위해, ‘5년단위미세먼지농도’라는이름의테이블을엔트리에서직접만들어추가하고, 차트생성을위한가로축과세로축, 표현값을미리설정하였다.
그리고 엔트리에서 제공하는 스몰 데이터크기의공공데이터를사용한데이터변수값비교사 례와데이터변수간상관관계분석사례를초등데이 터과학교육단계에 따라 제안하였다. 이를 통해, 초등데이터 과학 교육 단계가 실제로 실행 가능하다는 것을 나타내었다.
이러한선행연구와달리, 본 논문에서는스몰데이터크기의한국공공데이터가제공되고, 데이터수집, 가공 및 시각화에 사용되는 교육용 프로그래밍 활동이 가능한 엔트리를 선택하여, 초등데이터과학교육단계를새롭게제안하였다.그리고엔트리데이터분석프로 그램교육사례들을초등데이터과학교육단계에따라 제시하였다.
이를 위해, 일반적인 데이터 과학 교육 단계를 우선 설명하고, 초등데이터과학교육단계를새롭게제안하였다.그리고엔트리에서제공하는공공스몰데이터 를사용한데이터변수값비교사례와데이터변수간 상관관계분석사례를초등데이터과학교육단계에따 라제안하였다.본논문에서제안된엔트리데이터분석 사례들을 활용하면, 여러 교과에서 발생하는 데이터를 사용한 초등 데이터 과학 융합 교육이가능하다.
2 절에서 제안한 초등 데이터 과학 교육 단계에 따라, 본 장에서는 데 이 터 변수 간 상관관계분석사례를제안하였다.데이터변수간상관관계분석사례는, 해당데이터변수들에대한데이터들을가공하여수집한후, 차트생성을통한데이터시각화를통해, 일반적인 비례 및 반비례개념에 대한 해석이 가능한예제로서, 통계학적지식이필요없는기초적인내용으로판단하였다.이 에본논문에서제안하는사례로추가하였다.
또한, 제안한 엑셀 스프레드시트 데이터 과학 교육 프로그램을 수업에 적용하면, 컴퓨팅사고력 향상에 효과적이라고 분석하였다[11].이러한선행연구와달리, 본 논문에서는스몰데이터크기의한국공공데이터가제공되고, 데이터수집, 가공 및 시각화에 사용되는 교육용 프로그래밍 활동이 가능한 엔트리를 선택하여, 초등데이터과학교육단계를새롭게제안하였다.그리고엔트리데이터분석프로 그램교육사례들을초등데이터과학교육단계에따라 제시하였다.
본논문에서는통계학적인지식을필요로하는빅 데이터분석영역을초등영역에서제외하기로하고, 초등영역에 초점을 맞춘 데이터 과학 교육 사례를 제안하였다. 이를 위해, 일반적인 데이터 과학 교육 단계를 우선 설명하고, 초등데이터과학교육단계를새롭게제안하였다.그리고엔트리에서제공하는공공스몰데이터 를사용한데이터변수값비교사례와데이터변수간 상관관계분석사례를초등데이터과학교육단계에따 라제안하였다.
데이터과학교 육에 대한 선행 연구를 살펴보면, 장영재(2017)은 ‘4차산업혁명시대데이터과학교육방향성모색’연구를통 해, 데이터 과학교육의 필요성을 주장하였다[8].이를위해, 데이터과학교육을통해갖추어야할5가지소양을제시하였다.박윤수및이수진(2020)은보편적빅데이터 를교육하기위해서, 중점적으로 교육해야 할 지식영역을 산출하였다[9].
미세먼지행번호변수를생성한다.이미세먼지행변수값을1부터12 까지변화시키면서, 2010년1월부터2010년12월까지12 개 월간 전국평균 미세먼지 값들을 연평균미세먼지농도변수에더하고저장한다.그리고12로나누어평균값을 구한 것을 연평균 미세먼지농도 변수 공간에 다시 저장한다.
산포도는 엔트리에서 생성된 테이블에서 차트를 추가할 때, 분산형을 선택하면 산포도 결과를 생성할 수 있다[5, 14-15]. 전국평균 기온과평균기온과 전국평균 미세먼지농도 간의 상관관계를, 2010년부터 2018년까지 연도별산포도로시각화하여분석하는 것이다.
대상 데이터
입력하였다. 2015년도부터 2019년도 데이터 중 2019년도 12월 데이터는 존재하지않아, 해당기간은 59개월에걸친반복연산이SW에설정되었다.
성능/효과
1가지 통계 데이터의 특성을 해석하려면, 원그래프, 막대그래프, 꺽은선그래프가편리하지만, 동시에 2가지 통계 데이터의 특성을 분석할 때에는 산포도가 효과적이다. 산포도는 엔트리에서 생성된 테이블에서 차트를 추가할 때, 분산형을 선택하면 산포도 결과를 생성할 수 있다[5, 14-15].
그리고, 김용민 및 김종훈(2017)에서는 엑셀스프레드시트를 이용한 42차시 데이터 과학 교육 프로그램의 내용으로, 엑셀의기본기능익히기와스스로데이터를수집하여안전한생활을위해노력해야할점을 실천하기, 바람직한 학습 방법에 대해 생각해보기, 독서가 창의력 신장에 도움을 주는지 알아보기, 개선하고자하는문제주제를정하고스스로데이터를수집하여이 를 해결해 보기’ 등을 제안하였다[11]. 또한, 제안한 엑셀 스프레드시트 데이터 과학 교육 프로그램을 수업에 적용하면, 컴퓨팅사고력 향상에 효과적이라고 분석하였다[11].이러한선행연구와달리, 본 논문에서는스몰데이터크기의한국공공데이터가제공되고, 데이터수집, 가공 및 시각화에 사용되는 교육용 프로그래밍 활동이 가능한 엔트리를 선택하여, 초등데이터과학교육단계를새롭게제안하였다.
본 논문에서 제안된 데이터분석 예제들을 확장하면, 여러교과교육강좌에서활용할수있는데이터를바 탕으로데이터과학융합교육이가능하다.본논문에서 제시한두가지예제도과학또는환경교육과융합가 능한소재로판단된다.
실행된 모습이나타나 있다.실행결과를보면, 1단계에서 설정된 가설과 달리, 2010년~2014년 5년간 전국평균미세먼지농도값이48.73, 2015년~2019년5년간전국평균미세먼지농도값이44.57로가설이기각된결과가나타났다.이 결과로부터, 4단계 ‘교과데이터 분석 결과 해석을 통한 가설 검증’이실시되어야한다.
그리고 엔트리에서 제공하는 스몰 데이터크기의공공데이터를사용한데이터변수값비교사 례와데이터변수간상관관계분석사례를초등데이 터과학교육단계에 따라 제안하였다. 이를 통해, 초등데이터 과학 교육 단계가 실제로 실행 가능하다는 것을 나타내었다.
후속연구
본논문에서 제시한두가지예제도과학또는환경교육과융합가 능한소재로판단된다.더나아가, 여러 교과 수업 내에서 발생하는 스몰 데이터들을 축적하고 엔트리 프로그램에 직접 추가하여, 데이터분석 활동을 실행할 수 있다. 분석하고자 하는 데이터 속성들을 정의하고, 정의한 데이터를 SW를 통해 가공하여 수집하는 것은 진정한 SW교육이라고할 수 있다.
이에첫번째후속연구과제로컴퓨 팅사고기반SW교육과데이터과학융합교육이결합된 연구를진행할 수 있다.두번째후속연구과제로는엔 트리또는다양한AI플랫폼에서제공하는 텍스트, 음성 및 영상인식 AI 도구를사용하여발생되는데이터들을수집하고 분석하는데이터과학 교육 프로그램 개발 및 효과분석연구도 가능하다고 판단된다.
그리고엔트리에서제공하는공공스몰데이터 를사용한데이터변수값비교사례와데이터변수간 상관관계분석사례를초등데이터과학교육단계에따 라제안하였다.본논문에서제안된엔트리데이터분석 사례들을 활용하면, 여러 교과에서 발생하는 데이터를 사용한 초등 데이터 과학 융합 교육이가능하다.
즉, 교과 및 공공데이터를 활용한 데이터 과학 융합교육을 통해 컴퓨팅 사고 기반 SW교육이활성화될 수 있다.이에첫번째후속연구과제로컴퓨 팅사고기반SW교육과데이터과학융합교육이결합된 연구를진행할 수 있다.두번째후속연구과제로는엔 트리또는다양한AI플랫폼에서제공하는 텍스트, 음성 및 영상인식 AI 도구를사용하여발생되는데이터들을수집하고 분석하는데이터과학 교육 프로그램 개발 및 효과분석연구도 가능하다고 판단된다.
참고문헌 (15)
Ministry of Science and ICT(2017), The 4th Industrial Revolution in History, R&D KIOSK, 40.
Ministry of Science and ICT(2017), The Various Aspects of the Fourth Industrial Revolution, the Realized Future, R&D KIOSK, 41.
Kim, J.Y.(2016). Hello Data Science, Seoul : Hanbit Media.
Kwon, J.K.(2020). Learning data science, Seoul : Jpub.
Ichiro, U., Hiroaki, N., Masami, A. and Eichi, M.(2020). Learning Data science with Excel, Seoul : Hanbit Media.
Ministry of Science and ICT(2019). Beyond an IT powerhouse to an AI powerhouse. Report Material, 2019. Dec.17.
Joint ministries(2019). Artificial intelligence national strategy, Report Material, 2019.
Jang, Y.J.(2017). Searching for the direction of data science education in the era of the 4th industrial revolution. Integrated Humanities Research, 9(10), 155-180.
Park Y.S. and Lee, S.J.(2020). Study on the Direction of Universal Big Data and Big Data Education-Based on the Survey of Big Data Experts, Journal of The Korean Association of Information Education, 24(2), 201-214.
Kim, Y.M.(2018). A data science education program to improve computing thinking and creativity, Jeju National University of Education, Ph.D thesis.
Kim, Y.M. and Kim, J.H.(2017). Effect of data science education program using spreadsheet on improvement of elementary school computational thinking, Journal of The Korean Association of Information Education, 21(2), 219-230.
Wing, J. M(2008). Computational thinking and thinking about computing, Philosophical transactions of the royal society of London A: mathematical, physical and engineering sciences, 366(1881), 3717-3725.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.