Njia ya miaka mitatu ya elimu ya Sayansi ya Data (Data Science track) ni muundo wa mtaala wenye zana nyingi uliowekwa ndani ya programu ya shahada ya kwanza ya usimamizi; huanza na misingi ya hisabati na takwimu na kuendelea hatua kwa hatua kuelekea upangaji programu, usimamizi wa hifadhidata, uchimbaji wa data, takwimu tumizi, uonyeshaji wa data, akili bandia, maadili ya data na matumizi yanayotegemea miradi. Utafiti huu unatathmini njia hiyo ya elimu kwa kutumia kwa pamoja utendaji wa kitaaluma wa kila mwaka wa kohorti mbili huru za wanafunzi pamoja na mitazamo ya wahitimu kuhusu sayansi ya data, ubadilifu wa kazi, mitazamo kuhusu kozi na maoni ya maswali ya wazi.

Katika utafiti, kohorti ya kwanza ina wanafunzi 18 na kohorti ya pili ina wanafunzi 30. Utendaji wa kitaaluma ulifuatiliwa kwa kohorti zote mbili kwa miaka mitatu ya masomo; dodoso nusu-muundo lililotolewa baada ya kuhitimu lilitumika kwa wanafunzi 18 wa kohorti ya kwanza waliokamilisha programu. Katika kohorti ya kwanza, wastani wa alama za kila mwaka uliripotiwa kuwa 84,86, 87,14 na 85,60 mtawalia; katika kohorti ya pili, 76,39, 78,74 na 79,25. Hata hivyo, tabia ya usambazaji si sawa katika kohorti hizo mbili: katika kohorti ya kwanza, mkengeuko sanifu ulipungua kwa mfululizo kutoka 6,64 hadi 5,26 na 4,29, ilhali katika kohorti ya pili ulipungua kutoka 6,42 hadi 5,52 kisha ukaongezeka hadi 7,22 katika mwaka wa tatu.

Alama hizi za kitaaluma si alama zilizopatikana kutoka kozi za Sayansi ya Data pekee. Ni wastani wa jumla wa kila mwaka wa kozi zote ambazo kila mwanafunzi alichukua katika programu ya shahada ya kwanza ya usimamizi katika mwaka husika wa masomo. Kwa hiyo, mifumo ya kitaaluma iliyoonekana haiwezi kutumiwa kama ushahidi wa moja kwa moja wa kisababishi kwamba mtaala wa Sayansi ya Data uliinua alama za wanafunzi au ulipunguza utofauti wa utendaji.

Katika kipimo cha Mitazamo ya Wanafunzi kuhusu Sayansi ya Data (SOMADS), wastani wa thamani ya manufaa inayotambuliwa ni 4,31, shauku kwa sayansi ya data ni 4,07, ufanisi binafsi ni 3,87 na kipimo cha wasiwasi-gharama ni 2,69. Katika matokeo ya Career Adapt-Abilities Scale (CAAS), mwelekeo wa siku zijazo una wastani wa 4,32, udhibiti 4,36, udadisi 4,14 na kujiamini 4,34. Kwa kuwa makala kuu haitoi mipaka kamili ya chini na juu ya alama za vipimo vya aina ya Likert katika matini kuu, alama hizi hazijatafsiriwa upya kwa kudhania kiwango cha kipimo ambacho hakipo katika chanzo.

Maoni ya maswali ya wazi yalionyesha mada kuu nne: maendeleo ya uwezo wa uchanganuzi na matumizi, mazingira ya kujifunzia yenye usaidizi, mvutano kati ya upana wa mada na kina cha kiufundi, na changamoto za mzigo wa kazi/ufundishaji/maandalizi ya kitaaluma. Wanafunzi waliona miradi inayotumia data halisi au inayofanana na hali halisi, kozi za vitendo, kukutana na zana nyingi za uchanganuzi na usaidizi binafsi kuwa muhimu; wakati huo huo walieleza matarajio ya kina zaidi katika maeneo fulani ya kiufundi kama Python, SQL, Power BI, hisabati, takwimu na upangaji programu, pamoja na maandalizi ya vitendo yenye nguvu zaidi kwa kazi za ngazi ya kuanzia.

Ujumbe mkuu wa utafiti ni kwamba kuongeza tu programu au teknolojia zaidi katika ufundishaji wa sayansi ya data kwa wanafunzi wa usimamizi huenda isiwe ya kutosha. Kulingana na mjadala wa mwandishi, thamani ya kielimu ya mtaala wenye zana nyingi inaweza kutegemea zaidi mpangilio ambao zana zinatambulishwa, jinsi uwezo uliopatikana awali unavyotumika tena, jinsi unavyounganishwa na data na miradi halisi, na jinsi usaidizi wa ufundishaji unaoendelea unavyotolewa kwa wanafunzi wanaopata changamoto za kiufundi, kuliko idadi ya zana zenyewe. Hata hivyo, kwa sababu utafiti ni wa uchunguzi na wa maelezo, hauonyeshi kwa uthibitisho kwamba sifa hizi za mtaala ndizo zilisababisha matokeo.

Tatizo la utafiti na pengo katika fasihi

Elimu ya sayansi ya data si mada ya maeneo ya jadi ya STEM kama sayansi ya kompyuta, hisabati au uhandisi pekee tena. Katika maeneo kama usimamizi na sayansi za jamii pia, uwezo wa wanafunzi kuandaa, kuchanganua, kuonyesha, kufasiri na kutumia data katika michakato ya kufanya maamuzi unazidi kuwa muhimu.

Hata hivyo, wanafunzi wa usimamizi hawana historia sawa katika hisabati, takwimu na upangaji programu. Baadhi wanaweza kuwa wamewahi kusoma kozi za kiufundi, huku wengine wakianza upangaji programu kwa mara ya kwanza chuoni. Wakati huohuo, sayansi ya data ya kisasa haitaji tu maarifa ya msingi ya takwimu; inahitaji pia uwezo wa kufanya kazi kati ya mifumo ya hifadhidata, mazingira ya upangaji programu, uchimbaji wa data, akili ya biashara, uonyeshaji wa data na zana za akili bandia.

Kwa hiyo, katika kubuni mtaala kunatokea mvutano kati ya malengo mawili: programu lazima iwe ya kiwango cha kutosha kitaalamu, lakini isiwe isiyofikika kwa wanafunzi walio na msingi mdogo wa kiufundi. Hapo ndipo pengo la fasihi lililotambuliwa na chanzo linapoonekana. Ingawa tafiti za awali zimechunguza kozi moja moja za sayansi ya data, teknolojia maalum au maelezo ya programu, ushahidi wa kimajaribio katika kiwango cha programu unaotathmini kwa pamoja maendeleo ya kitaaluma, mitazamo na uzoefu wa wanafunzi katika programu jumuishi yenye kozi nyingi ni mdogo zaidi.

Maswali ya utafiti

1. Ni mifumo gani ya maendeleo ya kitaaluma inayoonekana katika miaka mfululizo ya njia ya elimu ya Sayansi ya Data, na mifumo hiyo ina uthabiti kwa kiwango gani katika kohorti mbili huru?
2. Mitazamo ya wanafunzi waliokamilisha programu kuhusu sayansi ya data na viwango vyao vya ubadilifu wa kazi vikoje?
3. Wahitimu wanatathminije uzoefu wao wa kujifunza katika njia ya elimu ya Sayansi ya Data, nguvu na changamoto za programu, na umuhimu wake kwa maendeleo yao ya kitaaluma ya baadaye?

Mtaala wa Sayansi ya Data wenye Zana Nyingi Ulioboreshwa kwa Teknolojia ni Nini?

Katika utafiti huu, mtaala wa sayansi ya data wenye zana nyingi ulioboreshwa kwa teknolojia ni mfumo wa elimu katika kiwango cha programu unaotumia hisabati, takwimu, uchakataji wa data, upangaji programu, uchimbaji wa data, uonyeshaji wa data, akili bandia na kazi za miradi ndani ya mfuatano unaohusiana wa kujifunza kwa miaka mitatu badala ya kufundisha programu moja tu; teknolojia hapa si zana ya ziada iliyotenganishwa, bali ni sehemu ya moja kwa moja ya kazi za uchanganuzi na shughuli za kujifunza katika kozi tofauti.

Dhana ya Technology-Enhanced Learning

Chanzo hakifafanui mbinu ya Technology-Enhanced Learning (TEL) kama mfumo wa programu uliobinafsishwa au unaojirekebisha. TEL hapa inachukuliwa katika kiwango cha mtaala. Shughuli za kozi, zana za uchanganuzi, kazi zinazofanana na hali halisi, miradi na mifumo ya maoni huunganishwa ili mwanafunzi aweze kuchukua majukumu yanayozidi kuwa magumu katika kipindi cha miaka mitatu.

Tofauti hii ni muhimu. Mbinu ya TEL katika utafiti haimaanishi “mfumo unaompatia mwanafunzi somo lililobinafsishwa kwa algoriti”. Inamaanisha kuunganisha teknolojia na muundo wa somo na mtiririko wa mtaala.

Kwa nini kujifunza kwa zana nyingi ni sehemu kuu?

Moja ya kanuni kuu za muundo wa programu ni kwamba mwanafunzi atumie zana tofauti katika kazi tofauti badala ya kuwa mtaalamu wa jukwaa moja tu la uchanganuzi. Chanzo kinafananisha mbinu hii na mtiririko halisi wa kitaaluma wa uchanganuzi wa data; kwa sababu mchambuzi wa kitaaluma anaweza kutumia kwa pamoja hifadhidata, upangaji programu, uchanganuzi wa takwimu, akili ya biashara, uonyeshaji wa data na zana za akili bandia katika mradi mmoja.

Kwa mfano, SQL au Excel hutumiwa kwa maandalizi ya data, SPSS au Python kwa uchanganuzi wa takwimu, WEKA kwa uchimbaji wa data, Power BI kwa usaidizi wa maamuzi na uonyeshaji wa data, Python kwa uchakataji wa data wa hali ya juu na ujifunzaji wa mashine, na zana mbalimbali za akili bandia zalishi kwa uchunguzi wa data au kazi saidizi. Utafiti hautaji tu majina ya zana hizi bali pia unaeleza jukumu la kujifunza linalobebwa na kila moja katika kozi tofauti.

Project-Based Learning ni nini?

Project-Based Learning (PBL; Kujifunza kwa Kutegemea Miradi) ni mbinu ya kujifunza ambapo wanafunzi hujenga maarifa kwa kufanya kazi kwa muda mrefu katika matatizo yenye maana na mara nyingi yanayowakilisha maisha halisi badala ya kusikiliza maelezo ya kinadharia pekee. Katika njia ya elimu ya Sayansi ya Data iliyochunguzwa, wanafunzi hufanya kazi na seti za data halisi au zinazofanana na hali halisi; hufafanua tatizo la uchanganuzi, huandaa data, huchagua mbinu na zana ya kiteknolojia inayofaa, hufanya uchanganuzi, hufasiri matokeo na kuyawasilisha.

Miradi huwa jumuishi zaidi kadiri programu inavyoendelea. Kozi za practicum na seminar za mwaka wa tatu zimeundwa ili kuunganisha ujuzi wa takwimu, uchimbaji wa data, uchakataji wa data, upangaji programu na uonyeshaji wa data uliopatikana katika kozi zilizotangulia ndani ya kazi moja pana ya uchanganuzi.

Mantiki ya kujifunza ya miaka mitatu

Mwaka wa kwanza hutoa misingi ya hisabati, takwimu na usimamizi. Katika Kielelezo 1 cha chanzo, kozi kama Basic Math, Statistics 1, Math na Excel zinaonyeshwa kama vipengele vya kuanzia vinavyounda msingi wa kozi za baadaye za sayansi ya data.

Mwaka wa pili unasisitiza kina cha kimetodolojia na matumizi ya zana. Kozi kama Data Mining, Statistics 2, Database Management and Data Processing, Applied Statistics, Python na Knowledge Management and Decision-Making zipo katika hatua hii.

Mwaka wa tatu unaelekea kwenye ujumuishaji na matumizi. Data Applications in the Public Sector, Artificial Intelligence Applications in Analytics, Selected Topics in Data Science, Legal and Ethical Aspects of Data Science, Visualization for Business Analytics, Practicum na Seminar zinalenga kuhamisha ujuzi uliopatikana awali kwenda katika mazingira ya maisha halisi na taaluma.

Kozi, zana na majukumu ya kujifunza

Orodha za zana katika jedwali hili zinawakilisha mtaala wa chanzo katika kipindi ambacho utafiti ulifanyika. Verianla haizitafsiri upya kama mapendekezo ya zana za sasa au orodha ya teknolojia zinazopaswa kutumika kwa lazima leo.

Washiriki walikuwa nani?

Utafiti una kohorti mbili huru. Kohorti 1 ilikuwa na wanafunzi 18 waliokamilisha programu na kushiriki katika dodoso la baada ya kuhitimu. Kohorti 2 ilikuwa na wanafunzi 30 waliokuwa katika hatua ya kukamilisha programu na ilitumika kuchunguza utendaji wa kitaaluma na njia za kujifunza.

Katika Kohorti 1 kulikuwa na wanafunzi wanawake 10 (%55,6) na wanafunzi wanaume 8 (%44,4). Umri wa wastani ulikuwa 25,11 na mkengeuko sanifu 3,07. %77,8 ya wanafunzi hawakuwa na uzoefu wa awali wa masomo ya juu ya kitaaluma; waliobaki walikuwa na baadhi ya uzoefu wa kitaaluma lakini hawakuwa wamekamilisha shahada. Chanzo pia kinaeleza kuwa historia yao ya hisabati ilikuwa tofauti.

Utendaji wa kitaaluma ulipimwaje?

Kwa kila mwanafunzi, wastani wa jumla wa alama za mwaka kwa kila mwaka wa masomo uliokamilishwa ulitumika. Wastani huu unajumuisha kozi zote zilizochukuliwa katika mwaka huo. Chanzo hakielezi katika matini kuu kama hesabu hii ilikuwa na uzani wa mikopo au ilitumia mfumo mwingine wa uzani wa taasisi; kwa hiyo Verianla haitengenezi fomula mpya ya uzani.

Matokeo yalifupishwa kwa wastani, mkengeuko sanifu, minimum na maximum; violin graphs zilitumiwa kuchunguza usambazaji, na grafu za mistari za mtu mmoja mmoja zilitumiwa kuonyesha mabadiliko ya kila mwanafunzi kwa miaka.

Wastani na mkengeuko sanifu hueleza nini?

Dokezo la kufundishia: Milinganyo ifuatayo si fomula asilia za kisayansi za makala; ni ufafanuzi wa kawaida wa kihisabati wa wastani na mkengeuko sanifu wa sampuli uliotumika katika chanzo.

\[ \bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i \]

\(\bar{x}\) inawakilisha wastani wa kundi, \(x_i\) kipimo husika cha kila mwanafunzi, na \(n\) idadi ya wanafunzi. Wastani hufupisha kiwango cha kati cha kundi kwa namba moja.

\[ s=\sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}} \]

\(s\) ni mkengeuko sanifu wa sampuli. Unaonyesha jinsi thamani za wanafunzi zinavyosambaa kuzunguka wastani wa kundi. Kati ya makundi mawili yenye wastani sawa, kundi lenye mkengeuko sanifu mdogo lina vipimo vilivyokusanyika kwa karibu zaidi kuzunguka wastani. Hata hivyo, kupungua kwa mkengeuko sanifu pekee hakuthibitishi kuwa elimu iliboresha wanafunzi; kunaonyesha tu kuwa usambazaji umekuwa mwembamba zaidi.

Violin graph ni nini?

Violin graph ni grafu ya usambazaji inayoonyesha si wastani tu bali pia maeneo ambayo thamani zimejikusanya zaidi kupitia upana wa umbo. Kielelezo 2 cha chanzo kinaonyesha usambazaji wa alama wa kohorti mbili katika miaka mitatu kwa violin graphs.

Kwa kuwa chanzo hakichapishi usambazaji ghafi wa alama za mtu mmoja mmoja katika jedwali, Verianla haitengenezi upya jiometri kamili ya violin. Kwa ulinganisho sahihi, muhtasari wa namba katika Jedwali 3 la chanzo unatumiwa kama msingi.

SOMADS hupima nini?

SOMADS ilitumika katika utafiti kutathmini vipengele vinne vya mitazamo ya wanafunzi kuhusu sayansi ya data:

• Interest in data science: shauku kwa sayansi ya data,
• Utility value: kiwango ambacho mwanafunzi anaona sayansi ya data kuwa yenye manufaa/thamani,
• Self-efficacy: mtazamo wa mwanafunzi kuhusu uwezo wake wa kutekeleza kazi husika,
• Anxiety-Cost: kipengele kinachohusiana na wasiwasi na gharama inayotambuliwa katika kipimo.

Alama ya kila kipengele ilihesabiwa kwa kuchukua wastani wa vipengee vinavyohusiana na kipengele hicho. Chanzo kinaeleza kuwa vipengee ni vya aina ya Likert lakini hakitoi katika makala kuu chaguo sahihi za chini na juu za majibu ya kipimo.

Uandishi wa wazi wa kihisabati wa hesabu ya alama ya kipengele iliyoelezwa katika chanzo ni:

\[ S_d=\frac{1}{k}\sum_{j=1}^{k}x_j \]

\(S_d\) ni alama ya mchanganyiko ya kipengele husika; \(k\) ni idadi ya vipengee katika kipengele hicho; \(x_j\) ni alama ambayo mwanafunzi alitoa kwa kipengee husika. Mlinganyo huu haujaorodheshwa katika chanzo kama fomula asilia yenye namba; ni usemi wa kihisabati wa mbinu ya “kuchukua wastani wa vipengee”.

CAAS hupima nini?

Career Adapt-Abilities Scale (CAAS) katika utafiti huu hutazama ubadilifu wa kazi katika vipengele vinne:

• Concern: mwelekeo wa siku zijazo,
• Control: nidhamu binafsi na hisia ya udhibiti juu ya kazi,
• Curiosity: kuchunguza uwezekano,
• Confidence: kujiamini katika kutekeleza majukumu ya kazi.

Alama za vipengele vya CAAS pia zilihesabiwa kwa kuchukua wastani wa vipengee husika. Inaelezwa kuwa alama ya juu inaonyesha kipengele husika cha ubadilifu wa kazi kimeungwa mkono kwa nguvu zaidi.

Cronbach Alpha Inaonyesha Nini katika Utafiti Huu?

Cronbach alpha ni mgawo wa uthabiti wa ndani unaotathmini kiwango ambacho vipengee vilivyowekwa pamoja ili kuunda kipengele kimoja cha kipimo vinatembea kwa pamoja katika majibu; katika utafiti huu ilihesabiwa tofauti kwa kila kipengele kidogo cha SOMADS na CAAS, lakini thamani ya alpha haikutumiwa pekee kama uthibitisho kwamba kipimo ni halali au kwamba sifa iliyopimwa ilisababishwa na programu.

Dokezo la kufundishia: Chanzo hakitoi fomula ya Cronbach alpha kama mlinganyo uliochapishwa. Uwakilishi wa kawaida wa kihisabati ni:

\[ \alpha= \frac{k}{k-1} \left( 1-\frac{\sum_{i=1}^{k}\sigma_i^2}{\sigma_T^2} \right) \]

Hapa \(k\) ni idadi ya vipengee, \(\sigma_i^2\) ni variansi ya kila kipengee na \(\sigma_T^2\) ni variansi ya jumla ya alama za vipengee. Mgawo hutoa taarifa kuhusu uthabiti kati ya vipengee; lakini alpha ya juu pekee haithibitishi kuwa kipimo hupima dhana sahihi, mafanikio ya mwanafunzi au athari ya kisababishi ya programu.

Maoni ya maswali ya wazi yalichanganuliwaje?

Wanafunzi waliombwa kutaja mambo matatu chanya na matatu hasi ya programu na kueleza majibu yao kwa angalau sentensi mbili au tatu. Majibu haya yalichunguzwa kwa mbinu ya uchanganuzi wa mada wa kirefleksia.

Katika uchanganuzi wa mada wa kirefleksia, jukumu la mtafiti la kutoa tafsiri huchukuliwa kuwa sehemu ya kawaida ya uchanganuzi. Kwa kuwa usimbaji na ukuzaji wa mada ulifanywa na mtafiti mmoja katika utafiti huu, uaminifu kati ya wasimbaji haukuhesabiwa. Chanzo hakifichi jambo hili kama upungufu wa hesabu; linaelezwa kwa mantiki ya kiepistemolojia ya mbinu ya uchanganuzi wa mada wa kirefleksia iliyotumika.

Mbinu na Matokeo ya Utafiti

Vyanzo vya data vya muundo wa utafiti

Kwa nini mbinu ya takwimu ilikuwa ya maelezo?

Kohorti za utafiti ni ndogo na lengo ni kutathmini programu maalum ya elimu. Kwa hiyo, uchanganuzi haukulenga kufanya makisio kwa idadi kubwa ya watu au kuonyesha athari ya kisababishi kwa majaribio ya nadharia. Wastani, mkengeuko sanifu, mediana, thamani za min–max, marudio na grafu zilitumika.

Chanzo hakiripoti jaribio la kimakisio la ubora kati ya kohorti mbili kwa kutumia p-value, confidence interval au effect size. Kwa hiyo, Verianla haiongezi baadaye jaribio la umuhimu wa kitakwimu kwa matokeo haya.

Matokeo sahihi ya utendaji wa kitaaluma

Wastani wa Kohorti 1 uliongezeka kutoka mwaka wa kwanza hadi wa pili, ukashuka hadi 85,60 katika mwaka wa tatu lakini ukabaki juu ya kiwango cha mwaka wa kwanza. Mkengeuko sanifu ulipungua kwa miaka mitatu katika mfuatano wa 6,64 → 5,26 → 4,29.

Wastani wa Kohorti 2 uliongezeka kwa miaka mitatu katika mfuatano wa 76,39 → 78,74 → 79,25. Kwa upande mwingine, mkengeuko sanifu ulibadilika katika mfuatano wa 6,42 → 5,52 → 7,22; baada ya kubana katika mwaka wa pili, usambazaji ulipanuka katika mwaka wa tatu.

Kwa hiyo, hitimisho la pamoja kwamba “kadiri programu inavyoendelea, utendaji wa wanafunzi wote unakaribiana” halitumiki. Kupungua kwa utofauti kwa mfululizo wa miaka mitatu kunaonekana katika Kohorti 1 pekee.

Njia za wanafunzi mmoja mmoja

Kielelezo 3 cha chanzo kinaonyesha wastani wa jumla wa kila mwanafunzi kwa kila mwaka katika kipindi cha miaka mitatu kwa mistari tofauti. Katika mwaka wa kwanza kuna tofauti dhahiri kati ya wanafunzi. Kwa sehemu kubwa ya wanafunzi walioanza mwaka wa kwanza na wastani wa chini kiasi, wastani wa juu zaidi unaonekana katika miaka iliyofuata, huku wale walioanza na wastani wa juu kwa ujumla wakidumisha viwango vyao vya juu.

Hata hivyo, chanzo hakitoi thamani ghafi za namba za mistari hii ya mtu mmoja mmoja katika jedwali. Kwa kuwa Verianla haitoi alama sahihi za wanafunzi kutoka kwenye pikseli za grafu, Kielelezo 3 hakichorwi upya moja kwa moja.

Matokeo ya SOMADS

Chanzo kinaeleza thamani ya manufaa inayotambuliwa na shauku ya wahitimu kwa sayansi ya data kuwa ya juu. Wastani wa ufanisi binafsi pia ni wa juu kiasi, lakini SD=1,16 inaonyesha utofauti mkubwa zaidi katika majibu. Kipengele cha Wasiwasi-Gharama kina wastani wa chini zaidi kati ya vipengele vinne vya SOMADS.

Katika kutoa tafsiri ya ziada kama “wasiwasi mdogo”, mwelekeo wa kipimo na mipaka ya majibu ambayo haikutolewa katika makala kuu lazima izingatiwe. Chanzo kinaripoti kipengele hiki kwa jina Anxiety-Cost na kusema kwamba alama ya juu inaonyesha ukubalifu mkubwa zaidi wa muundo husika; Verianla haitoi maana ya ziada ya saikometria kutoka hapo.

Matokeo ya CAAS

Wastani wa vipengele vinne vya CAAS uko karibu na mmoja mwingine na chanzo kinatafsiri viwango hivyo kama ubadilifu wa kazi wa juu kiasi. Hata hivyo, migawo ya uthabiti wa ndani si sawa: alpha ya juu zaidi ni 0,93 katika Concern na thamani ya chini zaidi ni 0,64 katika Curiosity. Verianla haiainishi 0,64 kwa kutumia kizingiti kisichopo katika chanzo cha “imefaulu/haijafaulu”; inaeleza tu kuwa ni ya chini kuliko vipengele vingine.

Ni kozi zipi wanafunzi waliona kuwa muhimu na za kuvutia?

Applied Statistics ndiyo kozi iliyochaguliwa mara nyingi zaidi kwa umuhimu na kwa kuvutia. Practicum ina marudio ya juu hasa katika kundi la umuhimu. Kozi ya Python ilionekana kuwa muhimu kwa wanafunzi wanane, lakini ni wanafunzi wawili tu walioichagua miongoni mwa kozi zinazovutia zaidi. Chanzo kinasisitiza kuwa umuhimu na kuvutia vina uhusiano lakini si dhana ileile.

Mada ya 1 katika maoni ya wazi: uwezo wa uchanganuzi na matumizi

Wanafunzi waliripoti kuwa programu ilichangia katika fikra za uchanganuzi, utatuzi wa matatizo na ujuzi wa kufanya kazi na data. Lugha za upangaji programu, zana za uchanganuzi, akili bandia, ujifunzaji wa mashine na kufanya kazi na data halisi zilitajwa miongoni mwa uzoefu chanya. Miradi kufanana na kazi halisi za kikazi pia ilikuwa mojawapo ya vipengele walivyothamini.

Mada ya 2: mazingira ya kujifunzia yenye usaidizi

Uongozi binafsi, mazingira ya kikundi kidogo, ufuatiliaji wa wanafunzi na meneja wa programu na kujali kwa walimu mafanikio ya wanafunzi viliripotiwa kama vipengele chanya. Hata hivyo, si uzoefu wote wa ufundishaji ulikuwa chanya. Baadhi ya wanafunzi walisema kwamba mbinu fulani za ufundishaji zilisababisha mapengo ya uelewa na kwamba mada ngumu hazikuelezwa kila wakati kwa uwazi wa kutosha.

Mada ya 3: mvutano kati ya upana na kina cha kiufundi

Wanafunzi waliona kuwa kuonyeshwa maeneo mengi ya sayansi ya data kulikuwa na thamani, lakini pia waliona upana huohuo kama kikwazo. Maoni yalieleza matarajio ya kina zaidi katika maeneo kama SQL, Python, Power BI, hisabati, takwimu na upangaji programu.

Matokeo haya yanaonyesha kuwa mantiki ya mstari ya “teknolojia zaidi = programu bora” haitoshi katika kubuni mtaala. Katika mjadala wa mwandishi pia, badala ya idadi ya teknolojia, mkazo unawekwa zaidi juu ya ni zana zipi zichaguliwe kuwa za msingi, zitumike tena mara ngapi na ugumu wake upandishwe hatua kwa hatua kwa namna gani.

Mada ya 4: mzigo wa kazi, changamoto za ufundishaji na maandalizi ya ajira

Kuunganisha hisabati, takwimu, upangaji programu, mifumo ya taarifa na kozi za usimamizi katika programu moja kulionekana kuwa na mzigo mkubwa na changamoto kwa baadhi ya wanafunzi. Hasa, upangaji programu uliripotiwa kuwa mgumu kwa baadhi yao.

Wanafunzi pia walitaka uhusiano wenye nguvu zaidi na matumizi ya kitaaluma. Mapendekezo yalihusisha kufanya kazi zaidi na data halisi na zana za sasa, matumizi yanayokaribia zaidi majukumu ya kazi za ngazi ya kuanzia, na kuimarisha uhusiano kati ya nadharia na mazoezi ya kitaaluma.

Je, Utafiti Huu Unathibitisha Kwamba Mtaala wa Sayansi ya Data ni Wenye Ufanisi?

Hapana. Utafiti unaripoti mitazamo chanya ya wanafunzi inayoendana na muundo wa mtaala, mifumo fulani ya maendeleo ya kitaaluma na vipengele vya mradi/matumizi vinavyoonekana kuwa imara; lakini kutokana na muundo wa uchunguzi, kohorti ndogo, kutokuwepo kwa kundi la kulinganisha, kutokuwepo kwa vipimo vya mitazamo kabla ya programu na ukweli kwamba alama za kila mwaka zinajumuisha kozi zote za shahada ya kwanza, matokeo haya hayathibitishi athari ya mtaala wa Sayansi ya Data kwa njia ya kisababishi.

Matokeo yanayoungwa mkono na utafiti

• Programu ya miaka mitatu inaunganisha takwimu, upangaji programu, usimamizi wa data, uchimbaji wa data, uonyeshaji wa data, akili bandia, maadili na miradi katika muundo wa hatua kwa hatua.
• Mifumo ya maendeleo ya kitaaluma ya kohorti mbili si sawa.
• Katika Kohorti 1, usambazaji wa alama za mwaka ulipungua kwa upana katika miaka mitatu; katika Kohorti 2 ulipanuka tena katika mwaka wa tatu.
• Katika kohorti zote mbili, wastani wa jumla wa utendaji baada ya mwaka wa kwanza ni thabiti kiasi au juu zaidi kuliko kiwango cha mwaka wa kwanza.
• Wahitimu waliripoti tathmini chanya kuhusu manufaa ya sayansi ya data na shauku yao kwake.
• Vipengele vya ubadilifu wa kazi vimeripotiwa na chanzo kuwa vya juu kiasi.
• Applied Statistics na Practicum ni miongoni mwa kozi ambazo wanafunzi waliona kuwa muhimu hasa.
• Miradi, data halisi, kazi ya zana nyingi na usaidizi wa ufundishaji ni miongoni mwa mada chanya.
• Kina cha kiufundi, upangaji programu, mzigo wa kazi, uwazi wa ufundishaji na maandalizi ya taaluma yaliibuka kama maeneo yanayohitaji kuboreshwa.

Matokeo yasiyoungwa mkono na utafiti

• Haijaonyeshwa kisababishi kwamba programu iliongeza alama za kitaaluma.
• Haijaonyeshwa kwamba programu ilisababisha alama za juu za ubadilifu wa kazi.
• Hakuna ubora ulioonyeshwa dhidi ya kundi la udhibiti ambalo halikuchukua programu.
• Mabadiliko ya mitazamo ya wanafunzi kabla na baada ya programu hayakupimwa.
• Matokeo ya kohorti mbili ndogo hayawezi kujumlishwa kwa wanafunzi wote wa usimamizi.
• Kukutana na zana nyingi hakumaanishi kwamba wanafunzi wote wamekuwa mahiri katika kila zana.
• Shauku kubwa au manufaa yanayotambuliwa si kipimo cha utendaji wa lengo la uwezo wa kiufundi.

Maana kwa muundo wa mtaala

Chanzo kinatoa maana nne kuu kwa muundo wa programu. Kwanza, maendeleo ya wanafunzi hayapaswi kudhaniwa kuwa ya aina moja na yanapaswa kufuatiliwa katika kohorti tofauti. Pili, usawa unapaswa kuundwa kati ya kuonyeshwa teknolojia nyingi na kina cha kiufundi. Mwandishi hasa anapendekeza kubainisha teknolojia msingi ambazo wanafunzi watakutana nazo mara kwa mara badala ya kuendelea tu kuongeza zana mpya.

Tatu, “kujifunza kwa vitendo” na “kuwa tayari kwa kazi” si kitu kimoja. Ingawa wanafunzi waliona miradi na kazi na data halisi kuwa na thamani, baadhi yao bado waliripoti hitaji la maandalizi yaliyo wazi zaidi kwa kazi za ngazi ya kuanzia.

Nne, maendeleo ya kitaaluma hayahakikishi kiwango sawa cha ufanisi binafsi katika maeneo yote ya kiufundi. Usaidizi wa ufundishaji unaoendelea unahitajika katika upangaji programu na teknolojia ngumu.

Vikwazo vikuu

Sampuli ndogo kutoka taasisi moja: Kohorti mbili ndogo na taasisi moja tu zilichunguzwa; uwezo wa kujumlisha ni mdogo.

Muundo wa uchunguzi: Haiwezekani kuanzisha uhusiano wa kisababishi kati ya sifa za mtaala na matokeo ya wanafunzi.

Hakuna kundi la udhibiti: Hakuna kundi la kulinganisha la wanafunzi katika programu hiyo hiyo ya usimamizi ambao hawakuchukua njia ya Sayansi ya Data.

Hakuna kipimo cha mitazamo kabla ya programu: Kwa kuwa kiwango cha alama za SOMADS au CAAS za wanafunzi kabla ya kuanza programu hakijulikani, mabadiliko hayawezi kuhesabiwa.

Dodoso lilitumika kwa kohorti ya kwanza pekee: Matokeo ya mitazamo na maoni ya ubora hayawakilishi kohorti ya pili.

Data za kujiripoti: Maoni ya wahitimu yanaweza kuathiriwa na kumbukumbu na mielekeo ya majibu.

Uchanganuzi wa ubora ulifanywa na mtafiti mmoja: Utafiti haukuhesabu uaminifu kati ya wasimbaji kwa sababu ya mbinu ya uchanganuzi wa mada wa kirefleksia.

Upeo wa utendaji wa kitaaluma: Alama za kila mwaka zilizotumika hazihusu kozi za Sayansi ya Data pekee bali kozi zote za shahada ya kwanza; kwa hiyo hazitenganishi athari ya moja kwa moja ya kitaaluma ya njia ya elimu ya Sayansi ya Data.

Maelezo ya Chanzo na Mbinu

Kichwa asili: Curriculum Design and Evaluation of Data Science Track for Management Students

Mwandishi: Anna Khalemsky.

Mpangilio wa waandishi: Utafiti una mwandishi mmoja.

Mchango sawa: Hautumiki; kuna mwandishi mmoja.

Mwandishi wa mawasiliano: Chanzo hakionyeshi alama tofauti ya corresponding-author; kwenye ukurasa wa kichwa, maelezo ya barua pepe na simu yametolewa kwa mwandishi pekee Anna Khalemsky.

Taasisi kwenye ukurasa wa kichwa: Management Department, Jerusalem Multidisciplinary College, Jerusalem 91010, Israel.

Uandishi wa taasisi katika sehemu ya maadili: Jerusalem Multidisciplinary Academic College. PDF inatumia aina hizi mbili za Kiingereza za jina la taasisi katika sehemu mbili; Verianla haibadilishi kimya kimya moja kwa nyingine.

Jarida: Education Sciences.

Mchapishaji: MDPI.

Taarifa ya uchapishaji: 2026, Volume 16, Article 1676.

DOI: 10.3390/educsci16101676.

Kiungo rasmi cha DOI: https://doi.org/10.3390/educsci16101676

Kuwasilishwa: 28 Agosti 2026.

Marekebisho: 4 Oktoba 2026.

Kukubaliwa: 5 Oktoba 2026.

Kuchapishwa: 9 Oktoba 2026.

Aina ya chanzo: Article / makala ya utafiti. Utafiti ni tathmini ya programu ya mbinu nyingi inayounganisha data za kitaaluma za kohorti mbili huru, vipimo sanifu vya mitazamo/kazi na maoni ya ubora ya maswali ya wazi.

Hali ya mapitio ya kitaalamu: Makala ya kisayansi iliyopitiwa na wataalamu iliyochapishwa katika Education Sciences.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Hakuna ufadhili wa nje uliopokelewa.

Kamati ya maadili: Iliidhinishwa na Jerusalem Multidisciplinary Academic College Ethics Committee for Research on Human Subjects; Referans No. 749, 6 Agosti 2026.

Ridhaa iliyoarifiwa: Ridhaa ya kielektroniki iliyoarifiwa ilipatikana kutoka kwa washiriki wote wa dodoso la baada ya kuhitimu. Ushiriki ulikuwa wa hiari.

Faragha ya data: Majibu ya dodoso yalichanganuliwa bila taarifa zinazomtambulisha mtu, na data za utendaji wa kitaaluma zilichanganuliwa katika hali iliyotolewa utambulisho.

Upatikanaji wa data: Data zilizotolewa utambulisho za utendaji wa kitaaluma wa kohorti mbili na maelezo ya seti ya data zimechapishwa kwenye Open Science Framework: https://osf.io/5m7en/overview?view_only=ad3a85b182f346e0ac1fc32d12cf48eb

Nyenzo za ziada: Table S1 ina matokeo ya SOMADS na CAAS, Table S2 ina maoni chanya/hasi ya wanafunzi, na Table S3 ina hatua na vipengele vya tathmini vya mradi wa vitendo katika kozi ya Data Mining.

Taarifa ya matumizi ya akili bandia: Mwandishi anaeleza kwamba zana za akili bandia zalishi zilitumika wakati wa kuandaa makala kwa madhumuni ya kusaidia uhariri wa lugha, uwazi wa usemi na mpangilio wa matini; hazikutumiwa kutengeneza maudhui asilia ya kisayansi, kuchanganua data, kufasiri matokeo au kuunda sentensi za hitimisho. Muundo wa utafiti, ukusanyaji wa data, uchanganuzi, tafsiri na wajibu wa mwisho ni wa mwandishi.

Mgongano wa maslahi: Mwandishi hakuripoti mgongano wa maslahi.

Michango ya mwandishi: PDF haina sehemu tofauti ya CRediT/Author Contributions. Zaidi ya taarifa kwamba utafiti una mwandishi mmoja, majukumu ya mchango ambayo hayapo katika chanzo hayajaongezwa na Verianla.

Kikomo kikuu cha kimetodolojia: Uchanganuzi ni wa maelezo kwa kiasi kikubwa. Kohorti mbili ndogo, taasisi moja, kutokuwepo kwa kundi la udhibiti, kutokuwepo kwa data za mitazamo kabla ya programu na ukweli kwamba alama za kila mwaka zinajumuisha kozi zote za shahada ya kwanza hupunguza uwezo wa kutoa tafsiri za kisababishi.