Metodický portál RVP.CZ prochází změnami. Více informací zde.
logo RVP.CZ
Přihlásit se
Titulka > Modul články > Gymnaziální vzdělávání

Zobrazit na úvodní stránce článků

Titulka > Modul články > Gymnaziální vzdělávání > Datová gramotnost jako přístup ke středoškolské...

Datová gramotnost jako přístup ke středoškolské výuce

Teoretický příspěvek
odborný příspěvek
Článek se zaměřuje na problematiku vymezení datové gramotnosti jako klíčového konceptu pro mezipředmětovou výuku na středních školách. Snaží se ukázat, že nejde jen o téma matematiky či informatiky, ale skutečně o široce využitelný koncept, bez jehož dobrého zvládnutí se středoškoláci pravděpodobně v budoucnosti neobejdou.

Článek vznikl jako součást řešení projektu Platforma pro transfer znalostí: informační gramotnost pro středoškoláky v otevřeném mash-up virtuálním učebním prostředí (TIGUP) podpořeného TA ČR – kód projektu TL02000040. Web: https://kisk.phil.muni.cz/onlife.

Zatímco o informační gramotnosti se v českém prostředí hovoří poměrně hodně a většina z nás má nějaké její intuitivní hodnocení, gramotnost datová zůstává v českém prostředí trochu na okraji zájmu, jakkoli zahraniční literatura s ní pracuje poměrně intenzivně. Toto české specifikum je spojené s tím, že poměrně intenzivně akcentujeme v reformě kurikula něco, co se označuje jako informatické nebo algoritmické myšlení a současně dáváme prostor jak informační gramotnosti, tak třeba v matematice statistice. A právě někde na průsečíků všech těchto témat se nachází datová gramotnost.

To, co jsme na tomto místě načrtli, vypadá možná poněkud nepřehledně, ale to souvisí také s tím, jak je sama datová gramotnost definovaná. Jakkoli totiž existuje sdílené přesvědčení, že je důležitá, a například DigComp o ní hovoří jako o gramotnosti na stejné rovině důležitosti jako o gramotnosti informační, tak její vymezení není jednoznačné:

Schield, M. (2004). Information literacy, statistical literacy and data literacy. IASSIST Quarterly, 28(2-3): 6–11, Available at: http://www.statlit.org/pdf/2005SchieldIASSIST.pdf.

Schield tvrdí, že datová gramotnost závisí na kritickém myšlení. Buduje ji tak jako paralelu k informační gramotnosti, která předpokládá schopnost kriticky uvažovat o pojmech, tvrzeních a argumentech, přičemž jako datově gramotní musíme mít přístup k datům, hodnotit je, manipulovat s nimi, sumarizovat je a prezentovat je.

Mandinach, E. & Gummer, E. (2013) A systemic view of implementing data literacy in educator preparation. Educational Researcher, 42(1): 30–37.

Mandinach a Gummer uvádějí, že datovou gramotnost lze jednoduše definovat jako „schopnost rozumět a efektivně využívat data k informovanému rozhodnutí“. To ale současně znamená specifickou sadu dovedností a znalostí, jako je schopnost formulovat hypotézy, získávat data, identifikovat problémy, získaná data hodnotit a interpretovat atp.

Johnson, C. (2012). The Information Diet: A Case for Conscious Consumption. Sebastopol: O'Reilly Media.

Johnson definoval datovou gramotnost jako schopnost zpracovávat, třídit a filtrovat velké množství informací, což vyžaduje znalost vyhledávání, filtrování a zpracování, tvorby nových informačních zdrojů a jejich syntézy.

V podobném výčtu bychom mohli pokračovat ještě dlouho. Z toho, co je zde uvedeno, ale jednoznačně vyplývá několik důležitých informací. Datová gramotnost je zřejmě těsně spojená s gramotností informační. To, v čem se liší, je pravděpodobně důraz kladený na matematickou rovinu – datová gramotnost explicitně či implicitně počítá s tím, že aby bylo možné o ní vůbec hovořit, musí být člověk schopen rozumět alespoň základním statistickým metodám a přístupům. S tím pak samozřejmě těsně souvisí také schopnost pracovat s nástroji, které tyto statistické metody nebo vizualizační postupy umožní uplatnit.

Je tedy zřejmé, že datová gramotnost bude tématem, které se bude těsně dotýkat matematiky a informatiky. V matematice se někdy hovoří o specifické statistické gramotnosti (u nás známé díky ČSÚ), která ale nebere, na rozdíl od datové, v potaz kontext – je jí vlastně jedno, kde získá data, jak jsou kvalitní a/nebo co znamenají. Snaží se jen najít nejvhodnější nástroje pro její analýzu.

Kontext

Nechceme na tomto místě zatěžovat teoretický úvod ještě více, ale přesto bychom rádi upozornili na tři důležité věci. Předně současný společenský kontext je takový, že chceme, aby veřejná správa stále více otevírala svá data široké veřejnosti. Zdá se, že aby člověk mohl být dobrým občanem, tak musí právě datovou gramotností nesporně disponovat. Ostatně když se podíváme na diskuse ohledně dat z epidemie covid-19, nejde vlastně o nic moc jiného, než o problém datové gramotnosti – lidé musí na jedné straně vědět, co je to exponenciální funkce, jak funguje reprodukční číslo, ale také musí umět odhadnout, co s daty dělá vysoká pozitivita při testování nebo jak jsou vykazována úmrtí na tuto nemoc. Bez datové gramotnosti můžeme mít buď pocit, že se v současném světě vůbec neorientujeme, nebo – a to je možná ještě horší – že mu rozumíme, ale data interpretujeme zcela chybně.

NetLogo: Model šíření viru v počítačové síti

Druhá rovina je více vědecká nebo odborná – datová gramotnost se někdy spojuje právě se schopností pracovat přímo s vědeckými daty. Faktem ale je, že „evidence based“ přístup, tedy práce založená na tom, že se rozhodujeme dle dat, je v současné době dominantním diskursem v medicíně, ale i třeba pedagogice nebo sociologii. Jinými slovy můžeme říci, že datová gramotnost není jen něčím, co se týká matematiků nebo statistiků, ale skutečně gramotnost, kterou budou studenti potřebovat bez ohledu na to, zda půjdou studovat přírodní, technické nebo společenské vědy. Zdá se, že jedním z klíčových akcentů v gymnaziální výuce by mělo být právě toto – nejen s datovou gramotností pracovat v několika málo předmětech, ale učit se na ní zakládat i třeba hodiny základů společenských věd nebo zeměpisu.

V neposlední řadě je zde důležitý vztah k umělé inteligenci. Obecně platí, že každá neuronová síť je tak dobrá, jak dobrá jsou data, na kterých je trénovaná. Existují situace, ve kterých špatný korpus tréninkových dat vede ke špatným výsledkům, nebo k takovým, které považujeme za eticky problematické.

Příkladem použití takové problematické datové struktury je ImageNet Roulette, který byl trénovaný na sadě obrázkových dat s cílem provádět automatickou kategorizaci obličejů a říci o někom, že vypadá jako spící kráska, nerd atp. Tuto informaci si pak uživatelé mohly dát formou rámečku do svého profilového obrázku. Problémem byla ale trénovací databáze, respektive možná širší úvaha nad tím, s jakými daty vlastně pracujeme. Výsledkem rozpoznávání obličejů a jejich stylů v tomto případě byla ale zaujatost vůči různým menšinám a osobám s nižším společenským postavením. Problém nespočíval v samotném nastavení „inteligence“, ale v tom, jakým způsobem byla člověkem strukturována a roztříděná původní data.

To znamená, že datová gramotnost bude zásadním způsobem modelovat to, jakým způsobem budeme nejen rozumět světu, ale také, jakým způsobem bude fungovat umělá inteligence, která – ať chceme nebo nechceme – bude ovlivňovat stále více procesů kolem nás; od řízení dopravy až po vzdělávání. Rozvinutá datová gramotnost se jeví jako jedna z klíčových cest pro nějakou kritickou reflexi široké aplikace umělé inteligence do různých společenských procesů.

Didaktické impulsy

Na tomto místě se zdá být jasné, že datová gramotnost by do kurikula měla nesporně patřit a hrát v něm podstatnou roli. Velkou výhodou současného světa je, že dat máme téměř k libovolné edukační aktivitě dostatek, takže se nemusíme bát, že bychom v případě školního využití byli nějakým způsobem limitováni.

Nemůžeme samozřejmě nabízet komplexní metodická doporučení, jakým způsobem konkrétně postupovat, ale pokusíme se formulovat spíše krátké teze či impulsy, o které se může pedagog případně opřít:

  • Klíčem pro dobrou práci s datovou gramotností je dobrá znalost statistiky. Pokud tímto přístupem chcete postupovat, tak se snažte výuku přeskládat tak, aby se statistika dostala do kurikula matematiky v co nejnižším ročníku.
  • Je více než žádoucí učit statistiku tak, že při práci s ní využíváme reálná data a počítač, pokud je to jen trochu možné. I znalost poměrně jednoduchých principů a postupů může být velice užitečná. Nebojme se zařadit také některé náročnější statistické nástroje, které (na rozdíl od průměrů a mediánů) neumíme vypočítat sami na papíře. O to více je ale třeba věnovat pozornosti při různých příkladech a modelování jevů.
  • Podporujme heuristický přístup – tady jsou data a zkuste říci, co by mohlo být zajímavé z nich vyčíst. Klíčem k datové gramotnosti totiž není jen dobrá znalost statistiky a nějakého programu, ale právě umění dívat se na data a položit si ve vztahu k nim vhodnou výzkumnou otázku nebo dokázat zformulovat hypotézu.
  • Podstatný je mezipředmětový přístup, takže v ideálním případě jsou studenti schopni používat metody osvojené v matematice a informatice, například v zeměpise, fyzice, základech společenských věd nebo v estetice. Obecně asi platí, že čím komplexnější přístup, tím rozvinutější bude datová gramotnost.
  • Je třeba klást velký důraz na kritické myšlení – od analýzy studovaného souboru a jeho vymezení až třeba po manipulaci s grafy, jako je podseknutí nebo nepopsaní osy, využití 3D grafů atp. Právě kritické myšlení je klíčem k tomu, aby datová gramotnost byla skutečně funkční. Nestačí mít schopnost věci spočítat, ale porozumět jim, přistupovat k nim obezřetně a s respektem, je důležité.
  • Je třeba vnímat jako důležitý rozměr tvořivosti – datová gramotnost nepředpokládá jen konzumaci dat a jejich zpracování, ale i schopnost je určitým způsobem prezentovat a interpretovat. Výborně v tomto ohledu mohou sloužit různé posterové aktivity, seminární práce, kritické diskuse atp.
  • Naučte studenty pracovat se softwarem – asi nejlepší pro datovou gramotnost je dovednost pracovat s jazykem R a případně programovat v Pythonu. Opět zde jde o školní přístup. Pokud škola chce datovou gramotnost rozvíjet, pak práce v R naučí základy algoritmického myšlení při dobré komunikaci s učiteli matematiky znamenitě. Velice užitečné jsou ale i nástroje na tvorbu grafů a jednodušší analýzy, jako je uživatelsky příjemný SciDAVis, případně i Excel a Google tabulky.
  • S tím souvisí poslední bod – část programování je možné zaměřit právě na práci s daty, jako je automatická sklizeň, čištění, filtrování, analýza, převedení do potřebných formátů, hromadné úpravy atp. Na tom všem lze elegantně naučit podmínky, cykly, procedury, funkce, regulární výrazy, aniž by student měl pocit, že „jako sociolog“ dělá něco, co je k ničemu, čím se bude život pár programátorů odborníků.

Závěrem

Pokud máte prostor, určitě doporučujeme vyzkoušet nástroj NetLogo – ten slouží pro velice jednoduché modelování systémů, takže si můžete snadno vyzkoušet, co se šířením nemocí udělá větší mobilita, hustota obyvatel, drobná změna R nebo jeho vztah k počáteční nakažené populaci, stejně jako ale třeba chování plynů nebo změny v sociálních strukturách ve společnosti. K dispozici je velké množství nachystaných modelů (samozřejmě lze vytvářet vlastní). Velkou výhodu systému je pěkná vizualizace a podrobné popisy toho, co vlastně je modelováno. Pokud se tedy o problematice tvorby nějakých modelů chcete se studenty začít bavit, je NetLogo určitě zajímavou cestou, ale i prostorem pro to, naučit se modelovat jednoduché problémy kolem nás.

NetLogo: Model šíření viru v populaci

Domníváme se, že datová gramotnost bude v budoucnosti představovat jeden ze zcela zásadních konceptů vzdělávání, kterému bychom měli věnovat náležitý prostor. Tak jako v případě informační gramotnosti zde totiž platí, že jde o něco, co lze dobře začít budovat ve škole (a bez základů se v této oblasti postupuje těžko), ale současně nesmíme nikdy ustrnout.

Na závěr si dovolíme ještě jedno literární doporučení – kniha Faktomluva od Hanse Roslinga je publikací, ke které je možné mít z hlediska exaktních postupů jistě mnoho připomínek, ale přesto je napsaná chytře, vtipně, zajímavě a k tématu se skvěle hodí. Ukazuje totiž, jak data a kontext spolu těsně souvisejí. Dle našeho soudu by právě tato kniha měla být povinnou četbou každého učitele, který se rozhodne datové gramotnosti věnovat.

V případě pochybností o aktuálnosti či funkčnosti příspěvku využijte tlačítko „Napište nám“.
Napište nám
Celkové hodnocení článku
Přidat komentář Citovat článek