Kecerdasan buatan, pembelajaran mesin, jaring saraf, blockchain, ChatGPT.
Apa kesamaan semua alat dan teknologi baru ini? Mereka berjalan dengan bahan bakar yang sama: data, dan banyak lagi.
Algoritme pembelajaran mesin Netflix, misalnya, memanfaatkan data pengguna yang kaya tidak hanya untuk merekomendasikan film, tetapi untuk memutuskan film baru mana yang akan dibuat. Perangkat lunak pengenal wajah menyebarkan jaring saraf untuk memanfaatkan data piksel dari jutaan gambar. Blockchain pada dasarnya adalah database besar, terdesentralisasi di antara banyak pengguna. Algoritme AI generatif, seperti yang digunakan untuk membuat ChatGPT, melatih kumpulan data bahasa yang besar.
Mendapatkan data untuk mendorong teknologi ini segera menimbulkan tantangan dengan bias, akurasi, privasi, dan hak kekayaan intelektual. Setidaknya sejak tahun 2006, para pemimpin teknologi dan ahli matematika berpendapat bahwa data adalah minyak baru. Mirip dengan bagaimana minyak bumi adalah sumber daya utama untuk produk fisik dari kain hingga sampo, data adalah sumber daya vital untuk kehidupan digital kita dan juga bagian yang meningkat dari kehidupan di luar layar kita.
Di sekolah K-12, siswa menghadapi serbuan teknologi baru — perkembangan baru tiba dari hari ke hari — namun kami masih mengajar banyak mata pelajaran sekolah inti kami seolah-olah kehidupan sehari-hari kami tidak berubah oleh alat ini.
Sejak 2011, nilai tes matematika nasional dari National Assessment of Educational Progress, atau NAEP, turun 17 poin untuk siswa kelas delapan dan 10 poin untuk siswa kelas empat dalam analisis data, statistik, dan probabilitas.
Yang lebih memprihatinkan, literasi data kolektif kita sebenarnya telah menurun selama dekade terakhir. Sejak 2011, nilai tes matematika nasional dari National Assessment of Educational Progress, atau NAEP, turun 17 poin untuk siswa kelas delapan dan 10 poin untuk siswa kelas empat dalam analisis data. , statistik dan probabilitas. Efek pandemi hanyalah salah satu faktor yang berkontribusi, dan penurunan ini melampaui penurunan di area konten lainnya.
Hasil pencapaian juga sangat tidak proporsional di antara ras dan pendapatan, dengan siswa kulit hitam di belakang siswa kulit putih dengan lebih dari 30 poin dalam analisis data dasar. Untuk konteksnya, beberapa peneliti percaya bahwa selisih hanya 10 poin sama dengan satu tahun penuh pembelajaran.
Terkait: Bagaimana ed tech dapat memperburuk ketidaksetaraan rasial
Ada banyak alasan untuk tantangan ini, termasuk kombinasi dari standar negara yang sudah ketinggalan zaman dan ujian yang memberi insentif kepada guru untuk mendorong konten terkait data ke bagian bawah daftar rencana pelajaran mereka.
Bisa ditebak, kurangnya prioritas ini muncul dalam penekanan konten yang dilaporkan sendiri dari para pendidik secara nasional, yang menunjukkan bahwa rencana pelajaran yang didedikasikan untuk analisis data dan statistik secara konsisten mendapatkan hasil terpendek dalam matematika dan mata pelajaran sekolah lainnya. Ini bukan kesalahan guru, melainkan sistem dan pilihan sistemik yang telah kami buat hingga saat ini yang sangat membatasi waktu kelas.
Hasilnya adalah prestasi siswa bergerak berlawanan arah dengan teknologi modern. Kita perlu membalikkan tren ini, dengan cepat.
Sejumlah sekolah dan negara bagian di seluruh negeri telah bereksperimen dengan cara terbaik untuk membuat dan mengintegrasikan program sains data untuk siswa K-12. Kursus matematika setahun penuh yang berfokus pada ilmu data sedang diujicobakan di Ohio, Virginia, dan Utah; urutan pendidikan karir dan teknis untuk ilmu data telah ditambahkan di Arkansas dan Nebraska; pilihan ilmu data memperluas yayasan ilmu komputer di Georgia; rencana pelajaran yang disematkan data di seluruh mata pelajaran sekolah dan tingkat kelas muncul di ruang kelas dari pantai ke jantung.
Siswa akan membawa keterampilan hidup dasar ini dalam karier apa pun, situasi kehidupan apa pun, dan segala bentuk partisipasi sipil untuk jangka panjang.
Semua upaya ini berupaya menggabungkan analisis data dan teknologi komputasi ke dalam mata pelajaran inti sekolah, dengan fokus pada matematika, sains, dan studi sosial. Yang penting, mereka melengkapi tetapi berbeda dari pendekatan komunitas ilmu komputer K-12, yang secara historis berfokus pada pembuatan mata pelajaran sekolah yang berdiri sendiri. Banyak dari program baru ini meningkatkan apa yang sudah diketahui dan dapat diungkapkan oleh seorang guru tentang disiplin mereka sendiri, menambahkan kumpulan data dan teknologi sebagai cara untuk memperdalam pemahaman.
Terlepas dari upaya ini, program dalam ilmu data di tingkat K-12 tetap sedikit dan jarang. Dalam analisis program negara bagian baru-baru ini, hanya sembilan negara bagian yang memperoleh nilai “A” atau “B” untuk pengajaran ilmu data. Mayoritas negara bagian menerima “D” atau “F.”
Negara kita harus lebih baik. Tujuan utama kami di K-12 adalah untuk menciptakan fondasi yang kuat dalam literasi data untuk setiap siswa sebelum mereka lulus SMA. Siswa harus dilengkapi dengan kemampuan untuk menafsirkan, bekerja dengan, menganalisis dan mengkomunikasikan data secara efektif. Siswa akan membawa keterampilan hidup dasar tersebut dalam karir apa pun, situasi kehidupan apa pun, dan segala bentuk partisipasi sipil untuk jangka panjang.
Tujuannya bukan untuk menciptakan pasukan ilmuwan data profesional langsung dari sekolah menengah. Sebaliknya, ini untuk memberi siswa paparan yang diperlukan ke dasar-dasar data, dan memicu inspirasi bagi mereka untuk mengejar gelar dua tahun, empat tahun, atau pascasarjana di bidang ini jika mereka mau. Kursus harus menantang tetapi dapat diakses – “lantai rendah, langit-langit tinggi”. 51 persen siswa yang tidak akan menyelesaikan gelar sarjana apa pun dalam waktu dekat harus tetap mempelajari dasar-dasarnya dan terinspirasi untuk mengeksplorasi peluang pelatihan digital berbiaya rendah untuk mempelajari keterampilan teknis dan mendapatkan pekerjaan yang bermanfaat.
Yang penting, siswa telah melaporkan benar-benar menikmati kursus ilmu data. KTT National Academy of Sciences baru-baru ini mengatalogkan keragaman pendekatan kurikulum yang berkembang di lapangan, dengan tema yang konsisten bahwa keterlibatan siswa tidak masuk akal.
Seorang guru matematika memberi tahu kami bahwa selama lebih dari 20 tahun mengajar, dia belum pernah meminta seorang siswa untuk magang terkait dengan kursusnya — sampai dia mengajar ilmu data.
Siswa berhenti bertanya “Mengapa saya harus mempelajari ini?” dan alih-alih bertanya, “Apa selanjutnya?” Beberapa guru bahkan melaporkan siswa bergerak melalui materi lebih cepat dari yang diperkirakan.
Kita perlu bertindak cepat untuk memberikan kesempatan ini kepada setiap siswa dan mendukung pengajar dengan sumber daya yang tepat untuk mengajarkan literasi data dan sains dengan baik. Siswa kami mengandalkan kami untuk membantu mereka mempersiapkan masa depan yang sudah ada di sini.
Zarek Drozda adalah direktur Data Science 4 Everyone, sebuah inisiatif nasional yang berbasis di University of Chicago.
Kisah tentang pengajaran ilmu data ini diproduksi oleh The Hechinger Report, sebuah organisasi berita independen nirlaba yang berfokus pada ketidaksetaraan dan inovasi dalam pendidikan. Mendaftar untuk buletin Hechinger.
Artikel terkait
Laporan Hechinger memberikan laporan pendidikan yang mendalam, berdasarkan fakta, dan tidak memihak, gratis untuk semua pembaca. Tapi itu tidak berarti bebas untuk diproduksi. Pekerjaan kami membuat pendidik dan publik mendapat informasi tentang masalah mendesak di sekolah dan kampus di seluruh negeri. Kami menceritakan keseluruhan cerita, bahkan ketika detailnya tidak nyaman. Bantu kami terus melakukannya.
Bergabunglah dengan kami hari ini.