Üçillik Data Elmi təhsil istiqaməti (Data Science track), bakalavr səviyyəli idarəetmə proqramına yerləşdirilmiş; riyaziyyat və statistika əsaslarından başlayaraq proqramlaşdırma, verilənlər bazasının idarə edilməsi, məlumatların çıxarılması, tətbiqi statistika, vizuallaşdırma, süni intellekt, məlumat etikası və layihə əsaslı tətbiqlərə doğru mərhələli şəkildə irəliləyən çoxalətli kurikulum strukturudur. Bu tədqiqat həmin təhsil istiqamətini iki müstəqil tələbə kohortunun illik akademik göstəriciləri ilə məzunların data elminə münasibəti, karyera uyğunlaşma qabiliyyəti, dərs qavrayışları və açıq uclu rəylərini birlikdə istifadə etməklə qiymətləndirir.

Tədqiqatda birinci kohort 18, ikinci kohort 30 tələbədən ibarətdir. Akademik göstəricilər hər iki kohort üçün üç akademik il ərzində araşdırılmış; məzuniyyətdən sonra yarımstrukturlaşdırılmış sorğu isə proqramı tamamlayan birinci kohortun 18 tələbəsinə tətbiq edilmişdir. Birinci kohortda illik orta qiymətlər müvafiq olaraq 84,86, 87,14 və 85,60; ikinci kohortda 76,39, 78,74 və 79,25 olaraq bildirilmişdir. Lakin iki kohortun paylanma davranışı eyni deyil: birinci kohortda standart sapma 6,64-dən 5,26-ya və 4,29-a doğru ardıcıl azalarkən, ikinci kohortda 6,42-dən 5,52-yə düşdükdən sonra üçüncü ildə 7,22-yə yüksəlmişdir.

Bu akademik qiymətlər yalnız Data Elmi dərslərindən əldə edilmiş qiymətlər deyil. Onlar hər tələbənin müvafiq akademik ildə bakalavr idarəetmə proqramında aldığı bütün dərslərin illik ümumi ortalamasıdır. Buna görə müşahidə olunan akademik nümunələr Data Elmi kurikulumunun tələbələrin qiymətlərini artırdığı və ya performans dəyişkənliyini azaltdığına dair birbaşa səbəb-nəticə sübutu kimi istifadə edilə bilməz.

Məzunların Data Elminə Münasibətləri üzrə Tələbə Ölçəyində (SOMADS) qavranılan fayda dəyərinin ortalaması 4,31, data elminə maraq 4,07, özünəinamlı səriştə 3,87 və narahatlıq-xərc ölçüsü 2,69-dur. Karyera Uyğunlaşma Qabiliyyətləri Ölçəyinin (CAAS) nəticələrində gələcəyə yönəlmə 4,32, nəzarət 4,36, maraq 4,14 və inam 4,34 ortalamasına malikdir. Əsas məqalə istifadə olunan Likert tipli şkalaların dəqiq aşağı və yuxarı bal sərhədlərini əsas mətndə vermədiyi üçün bu ballar mənbədə olmayan şkala diapazonu fərz edilərək yenidən şərh edilməmişdir.

Açıq uclu rəylər dörd əsas mövzu göstərmişdir: analitik və tətbiqi səriştələrin inkişafı, dəstəkləyici öyrənmə mühiti, geniş mövzu spektri ilə texniki dərinlik arasındakı gərginlik və iş yükü/tədris/peşəyə hazırlıq problemləri. Tələbələr real və ya realistik məlumatlarla aparılan layihələri, tətbiqi dərsləri, çoxsaylı analitik alətlərlə tanışlığı və fərdi dəstəyi dəyərli hesab etsələr də; Python, SQL, Power BI, riyaziyyat, statistika və proqramlaşdırma kimi bəzi texniki sahələrdə daha çox dərinlik və başlanğıc səviyyəli işlərə daha güclü praktik hazırlıq gözləntilərini də bildirmişlər.

Tədqiqatın əsas mesajı budur ki, idarəetmə tələbələrinə data elminin tədrisində sadəcə daha çox proqram təminatı və ya texnologiya əlavə etmək kifayət etməyə bilər. Müəllifin müzakirəsinə görə, çoxalətli kurikulumun təhsil dəyəri alətlərin sayından çox, alətlərin hansı ardıcıllıqla təqdim edilməsinə, əvvəl öyrənilmiş səriştələrin necə yenidən istifadə edilməsinə, real məlumat və layihələrlə necə inteqrasiya olunmasına və texniki çətinlik yaşayan tələbələrə davamlı tədris dəstəyinin necə göstərilməsinə bağlı ola bilər. Bununla belə, tədqiqat müşahidəvi və təsviri xarakter daşıdığı üçün bu kurikulum xüsusiyyətlərinin nəticələri səbəb olaraq yaratdığını sübut etmir.

Tədqiqat problemi və ədəbiyyatdakı boşluq

Data elmi təhsili artıq yalnız kompüter elmləri, riyaziyyat və ya mühəndislik kimi ənənəvi STEM sahələrinin mövzusu deyil. İdarəetmə və sosial elmlər kimi sahələrdə də tələbələrin məlumatları hazırlaya, təhlil edə, vizuallaşdıra, şərh edə və qərarvermə proseslərində istifadə edə bilməsi getdikcə daha vacib olur.

Lakin idarəetmə tələbələrinin riyaziyyat, statistika və proqramlaşdırma keçmişləri eyni deyil. Bəzi tələbələr daha əvvəl texniki dərslər keçmiş ola bilər, bəziləri isə proqramlaşdırmaya ilk dəfə universitetdə başlaya bilər. Bununla yanaşı, müasir data elmi yalnız əsas statistika biliyini deyil, verilənlər bazası sistemləri, proqramlaşdırma mühitləri, məlumatların çıxarılması, biznes analitikası, vizuallaşdırma və süni intellekt alətləri arasında keçid edə bilməyi tələb edir.

Buna görə kurikulum dizaynında iki məqsəd arasında gərginlik yaranır: proqram texniki baxımdan kifayət qədər ciddi olmalı, lakin texniki keçmişi daha məhdud tələbələr üçün əlçatmaz hala gəlməməlidir. Mənbənin müəyyən etdiyi ədəbiyyat boşluğu da burada ortaya çıxır. Əvvəlki tədqiqatlar ayrı-ayrı data elmi dərslərini, müəyyən texnologiyaları və ya proqram təsvirlərini araşdırsa da, çoxsaylı dərslərdən ibarət inteqrasiya olunmuş proqram boyunca tələbələrin akademik inkişafını, münasibətlərini və təcrübələrini birlikdə qiymətləndirən proqram səviyyəli empirik sübutlar daha məhduddur.

Tədqiqat sualları

1. Data Elmi təhsil istiqamətinin ardıcıl illərində hansı akademik inkişaf nümunələri müşahidə olunur və bu nümunələr iki müstəqil kohortda nə dərəcədə ardıcıldır?
2. Proqramı tamamlayan tələbələrin data elminə münasibətləri və karyera uyğunlaşma qabiliyyəti səviyyələri necədir?
3. Məzunlar Data Elmi təhsil istiqamətindəki öyrənmə təcrübələrini, proqramın güclü və çətin tərəflərini və gələcək peşəkar inkişafları baxımından əhəmiyyətini necə qiymətləndirirlər?

Texnologiya ilə Zənginləşdirilmiş Çoxalətli Data Elmi Kurikulumu Nədir?

Bu tədqiqatda texnologiya ilə zənginləşdirilmiş çoxalətli data elmi kurikulumu, yalnız bir proqram təminatını öyrətmək əvəzinə riyaziyyat, statistika, məlumat emalı, proqramlaşdırma, məlumatların çıxarılması, vizuallaşdırma, süni intellekt və layihə işlərini üç il ərzində bir-biri ilə əlaqəli öyrənmə ardıcıllığında istifadə edən proqram səviyyəli təhsil ekosistemidir; texnologiya burada ayrıca əlavə alət deyil, müxtəlif dərslərdəki analitik tapşırıqların və öyrənmə fəaliyyətlərinin birbaşa hissəsidir.

Texnologiya ilə Zənginləşdirilmiş Öyrənmə anlayışı

Mənbə, Technology-Enhanced Learning (TEL) yanaşmasını fərdiləşdirilmiş və ya adaptiv proqram təminatı sistemi kimi müəyyən etmir. TEL burada kurikulum səviyyəsində nəzərdən keçirilir. Dərs fəaliyyətləri, analitik alətlər, realistik tapşırıqlar, layihə işləri və geribildirim mexanizmləri bir-biri ilə əlaqələndirilərək tələbənin üç il ərzində daha mürəkkəb tapşırıqları üzərinə götürməsi hədəflənir.

Bu fərq vacibdir. Tədqiqatın TEL yanaşması “tələbəyə alqoritmik olaraq fərdiləşdirilmiş dərs verən sistem” mənasına gəlmir. O, texnologiyanın dərs dizaynı və kurikulum axını ilə inteqrasiyası deməkdir.

Çoxalətli öyrənmə niyə mərkəzdədir?

Proqramın əsas dizayn prinsiplərindən biri tələbənin yalnız bir analitik platformada ixtisaslaşması əvəzinə müxtəlif tapşırıqlarda müxtəlif alətlərdən istifadə etməsidir. Mənbə bu yanaşmanı real peşəkar məlumat analizi iş axınlarına bənzədir; çünki peşəkar analitik eyni layihədə verilənlər bazası, proqramlaşdırma, statistik təhlil, biznes analitikası, vizuallaşdırma və süni intellekt alətlərindən birlikdə istifadə edə bilər.

Məsələn, məlumat hazırlamaq üçün SQL və ya Excel, statistik təhlil üçün SPSS və ya Python, məlumatların çıxarılması üçün WEKA, qərar dəstəyi və vizuallaşdırma üçün Power BI, qabaqcıl məlumat emalı və maşın öyrənməsi üçün Python, məlumat kəşfi və ya köməkçi tapşırıqlar üçün müxtəlif generativ süni intellekt alətlərindən istifadə olunur. Tədqiqat bu alətlərin yalnız adlarını vermir, həm də müxtəlif dərslərdə hansı öyrənmə rolunu daşıdıqlarını təsvir edir.

Layihə Əsaslı Öyrənmə nədir?

Project-Based Learning (PBL; Layihə Əsaslı Öyrənmə), tələbələrin yalnız nəzəri izahı dinləmək əvəzinə mənalı və çox vaxt real həyatı təmsil edən problemlər üzərində uzunmüddətli işləyərək bilik inkişaf etdirdiyi öyrənmə yanaşmasıdır. Araşdırılan Data Elmi təhsil istiqamətində tələbələr real və ya realistik məlumat dəstləri ilə işləyir; analitik problemi müəyyənləşdirir, məlumatları hazırlayır, uyğun metodu və texnoloji aləti seçir, təhlili aparır, nəticələri şərh edir və təqdim edirlər.

Layihələr proqram irəlilədikcə daha inteqrasiya olunmuş hala gəlir. Üçüncü ilin practicum və seminar dərsləri əvvəlki dərslərdə öyrənilmiş statistika, məlumatların çıxarılması, məlumat emalı, proqramlaşdırma və vizuallaşdırma bacarıqlarını vahid əhatəli analitik tapşırıqda birləşdirmək üçün hazırlanmışdır.

Üçillik öyrənmə məntiqi

Birinci il riyaziyyat, statistika və idarəetmə əsaslarını təmin edir. Mənbə Şəkil 1-də Basic Math, Statistics 1, Math və Excel kimi dərsləri sonrakı data elmi dərslərinin əsasını təşkil edən başlanğıc komponentləri kimi göstərir.

İkinci il metodoloji dərinliyə və alət istifadəsinə üstünlük verir. Data Mining, Statistics 2, Database Management and Data Processing, Applied Statistics, Python və Knowledge Management and Decision-Making kimi dərslər bu mərhələdə yer alır.

Üçüncü il inteqrasiya və tətbiq mərhələsinə keçir. 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 və Seminar dərsləri daha əvvəl qazanılmış bacarıqları real həyat və peşəkar kontekstlərə daşımağı hədəfləyir.

Dərslər, alətlər və öyrənmə rolları

Bu cədvəldəki alət siyahıları tədqiqatın aparıldığı dövrdəki mənbə kurikulumunu təmsil edir. Verianla bunları aktual alət tövsiyəsi və ya bu gün məcburi istifadə edilməli texnologiyalar siyahısı kimi yenidən şərh etmir.

İştirakçılar kimlər idi?

Tədqiqatda iki müstəqil kohort vardır. Kohort 1 proqramı tamamlayan və məzuniyyətdən sonrakı sorğuda iştirak edən 18 tələbədən ibarət olmuşdur. Kohort 2 proqramı tamamlama mərhələsində olan 30 tələbədən ibarət olmuş və akademik performansla öyrənmə trayektoriyalarının araşdırılmasında istifadə edilmişdir.

Kohort 1-də 10 qadın tələbə (%55,6) və 8 kişi tələbə (%44,4) vardır. Orta yaş 25,11, standart sapma isə 3,07-dir. Tələbələrin %77,8-i əvvəllər akademik ali təhsil təcrübəsinə malik olmayıb; qalanların daha əvvəl müəyyən akademik təcrübələri olsa da, tamamlanmış dərəcələri yoxdur. Mənbə tələbələrin riyaziyyat keçmişlərinin də heterogen olduğunu bildirir.

Akademik performans necə ölçüldü?

Hər tələbə üçün tamamlanmış hər akademik ilin illik ümumi qiymət ortalaması istifadə edilmişdir. Bu orta həmin ildə alınan bütün dərsləri əhatə edir. Mənbə bu hesablamanın kredit çəkili olub-olmadığını və ya başqa institusional çəkiləndirmə ilə aparılıb-aparılmadığını əsas mətndə ayrıca izah etmir; buna görə Verianla yeni çəkiləndirmə formulu yaratmır.

Nəticələr orta, standart sapma, minimum və maksimumla xülasələnmiş; paylanmaları araşdırmaq üçün violin qrafikləri, tələbələrin illər üzrə fərdi dəyişikliklərini göstərmək üçün fərdi xətt qrafikləri istifadə edilmişdir.

Orta və standart sapma nəyi göstərir?

Öyrədici qeyd: Aşağıdakı tənliklər məqalənin orijinal elmi formulları deyil; mənbədə istifadə edilən orta və seçmə standart sapması anlayışlarının standart riyazi tərifləridir.

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

\(\bar{x}\) qrup ortalamasını, \(x_i\) hər tələbənin müvafiq ölçümünü, \(n\) isə tələbə sayını təmsil edir. Orta qrupun mərkəzi səviyyəsini bir rəqəmlə xülasə edir.

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

\(s\) seçmə standart sapmasıdır. Tələbə dəyərlərinin qrup ortalaması ətrafında nə qədər yayıldığını göstərir. Eyni ortalamaya malik iki qrupdan standart sapması daha kiçik olan qrupda ölçmələr orta ətrafında daha sıx toplanır. Lakin standart sapmanın azalması təkbaşına təhsilin tələbələri inkişaf etdirdiyini sübut etmir; yalnız paylanmanın daraldığını göstərir.

Violin qrafiki nədir?

Violin qrafiki paylanmanın yalnız ortalamasını deyil, dəyərlərin hansı bölgələrdə daha sıx olduğunu da forma eni ilə göstərən paylanma qrafikidir. Mənbə Şəkil 2-də iki kohortun üç il ərzində qiymət paylanmalarını violin qrafiklərlə göstərir.

Mənbə fərdi xam qiymət paylanmalarını cədvəl şəklində dərc etmədiyi üçün Verianla violinlərin dəqiq geometrisini yenidən yaratmır. Dəqiq müqayisə üçün mənbə Cədvəl 3-dəki rəqəmsal xülasələr əsas götürülür.

SOMADS nəyi ölçür?

SOMADS tədqiqatda tələbələrin data elminə münasibətinin dörd ölçüsünü qiymətləndirmək üçün istifadə edilmişdir:

• Interest in data science: data elminə maraq,
• Utility value: tələbənin data elmini nə dərəcədə faydalı/dəyərli gördüyü,
• Self-efficacy: tələbənin müvafiq tapşırıqları yerinə yetirə bilmə səriştəsinə dair qavrayışı,
• Anxiety-Cost: şkalada narahatlıq və qavranılan xərclə əlaqəli ölçü.

Hər ölçünün balı həmin ölçüyə aid maddələrin ortalaması alınmaqla hesablanmışdır. Mənbə maddələrin Likert tipli olduğunu bildirir, lakin əsas məqalədə şkalanın dəqiq minimum və maksimum cavab variantlarını vermir.

Mənbədə izah olunan ölçü balı hesablamasının riyazi olaraq açıq yazılışı belədir:

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

\(S_d\) müvafiq ölçünün kompozit balı; \(k\) həmin ölçüyə aid maddələrin sayı; \(x_j\) tələbənin müvafiq maddəyə verdiyi baldır. Bu tənlik mənbədə nömrələnmiş orijinal formula kimi yer almır; “maddələrin ortalaması alınır” metodunun riyazi ifadəsidir.

CAAS nəyi ölçür?

Career Adapt-Abilities Scale (CAAS), bu tədqiqatda karyera uyğunlaşma qabiliyyətini dörd ölçüdə nəzərdən keçirir:

• Concern: gələcəyə yönəlmə,
• Control: özünənəzarət və karyera üzərində nəzarət hissi,
• Curiosity: imkanları araşdırma,
• Confidence: karyera tapşırıqlarını yerinə yetirə bilməyə dair inam.

CAAS ölçü balları da müvafiq maddələrin ortalaması alınmaqla hesablanmışdır. Daha yüksək balın müvafiq karyera uyğunlaşma qabiliyyəti ölçüsünün daha güclü dəstəkləndiyini göstərdiyi bildirilir.

Cronbach Alfa Bu Tədqiqatda Nəyi Göstərir?

Cronbach alfa eyni şkala ölçüsünü formalaşdırmaq üçün bir araya gətirilən maddələrin cavablar baxımından nə dərəcədə birlikdə hərəkət etdiyini qiymətləndirən daxili tutarlılıq əmsalıdır; bu tədqiqatda SOMADS və CAAS-ın hər alt ölçüsü üçün ayrıca hesablanmış, lakin alfa dəyəri təkbaşına şkalanın etibarlı olduğunu və ya ölçülən xüsusiyyətin proqram tərəfindən yaradıldığını sübut edən nəticə kimi istifadə edilməmişdir.

Öyrədici qeyd: Mənbə Cronbach alfa formulunu çap edilmiş tənlik kimi vermir. Standart riyazi göstərim:

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

Burada \(k\) maddə sayı, \(\sigma_i^2\) hər bir maddənin dispersiyası və \(\sigma_T^2\) maddələrin ümumi balının dispersiyasıdır. Əmsal maddələrin bir-biri ilə tutarlılığı haqqında məlumat verir; lakin yüksək alfa təkbaşına şkalanın doğru anlayışı ölçdüyünü, tələbə uğurunu və ya proqramın səbəb-nəticə təsirini sübut etmir.

Açıq uclu geribildirim necə təhlil edildi?

Tələbələrdən proqramın üç müsbət və üç mənfi tərəfini göstərmələri və cavablarını ən azı iki-üç cümlə ilə izah etmələri istənilmişdir. Bu cavablar refleksiv tematik təhlil yanaşması ilə araşdırılmışdır.

Refleksiv tematik təhlildə tədqiqatçının şərhedici rolu təhlilin təbii hissəsi kimi qəbul edilir. Tədqiqatda kodlaşdırma və mövzu inkişafı bir tədqiqatçı tərəfindən aparıldığı üçün kodlayıcılararası etibarlılıq hesablanmamışdır. Mənbə bunu hesablama çatışmazlığı kimi gizlətmir, istifadə olunan refleksiv tematik yanaşmanın epistemoloji məntiqi ilə izah edir.

Tədqiqatın Metodu və Nəticələri

Tədqiqat dizaynının məlumat mənbələri

Statistik yanaşma niyə təsviri idi?

Tədqiqatın kohortları kiçikdir və məqsəd müəyyən təhsil proqramını qiymətləndirməkdir. Buna görə təhlil geniş əhaliyə inferensiya aparmağa və ya hipotez testi ilə səbəb-nəticə təsirini göstərməyə yönəlməyib. Orta, standart sapma, median, min–maks dəyərləri, tezliklər və qrafiklər istifadə edilmişdir.

Mənbə hər hansı p-dəyəri, etibar intervalı və ya effekt ölçüsü əsasında iki kohort arasında inferensial üstünlük testi bildirmir. Buna görə Verianla bu nəticələrə sonradan statistik əhəmiyyət testi əlavə etmir.

Akademik performansın dəqiq nəticələri

Kohort 1-in ortalaması birinci ildən ikinci ilə yüksəlmiş, üçüncü ildə 85,60-a enmiş, lakin birinci il səviyyəsindən yuxarı qalmışdır. Standart sapma üç il ərzində 6,64 → 5,26 → 4,29 şəklində azalmışdır.

Kohort 2-nin ortalaması üç il ərzində 76,39 → 78,74 → 79,25 şəklində yüksəlmişdir. Bunun əksinə olaraq standart sapma 6,42 → 5,52 → 7,22 şəklində dəyişmiş; ikinci ildəki daralmadan sonra üçüncü ildə paylanma genişlənmişdir.

Buna görə “proqram irəlilədikcə bütün tələbələrin performansı bir-birinə yaxınlaşdı” şəklində ümumi nəticə dəstəklənmir. Yalnız Kohort 1-də üçillik ardıcıl variasiya daralması müşahidə olunur.

Fərdi tələbələrin trayektoriyaları

Mənbə Şəkil 3 hər tələbənin illik ümumi ortalamasını üç il ərzində ayrı xətlərlə göstərir. Birinci ildə tələbələr arasında nəzərəçarpan fərq vardır. Birinci ili nisbətən aşağı ortalama ilə başlayan tələbələrin əhəmiyyətli hissəsində sonrakı illərdə daha yüksək ortalamalar müşahidə olunur, başlanğıcda yüksək ortalamaya malik tələbələr isə ümumilikdə yüksək səviyyələrini qoruyurlar.

Lakin mənbə bu fərdi xətlərin xam rəqəmsal dəyərlərini cədvəl şəklində vermir. Verianla qrafikin piksellərindən dəqiq tələbə qiyməti çıxarmadığı üçün Şəkil 3-ü piksel-piksel yenidən çəkmir.

SOMADS nəticələri

Mənbə məzunların qavranılan fayda dəyərini və data elminə marağını yüksək kimi təsvir edir. Özünəinamlı səriştə ortalaması da nisbətən yüksək olmaqla yanaşı SD=1,16 ilə cavablar arasında daha çox dəyişkənlik göstərir. Narahatlıq-Xərc ölçüsü dörd SOMADS ölçüsü içində ən aşağı ortalamaya malikdir.

Burada “aşağı narahatlıq” kimi daha irəli şərh edilərkən şkalanın istiqaməti və əsas məqalədə verilməyən cavab sərhədləri nəzərə alınmalıdır. Mənbə bu ölçünü Anxiety-Cost adı ilə bildirir və daha yüksək balın müvafiq konstruktun daha güclü qəbulunu göstərdiyini deyir; Verianla bundan daha irəli psixometrik məna çıxarmır.

CAAS nəticələri

Dörd CAAS ölçüsünün ortalamaları bir-birinə yaxındır və mənbə bunları nisbətən yüksək karyera uyğunlaşma qabiliyyəti kimi şərh edir. Daxili tutarlılıq əmsalları isə eyni deyil: ən yüksək alfa Concern ölçüsündə 0,93, ən aşağı dəyər Curiosity ölçüsündə 0,64-dür. Verianla 0,64 dəyərini mənbədə olmayan sabit “uğurlu/uğursuz” həddə görə təsnif etmir; yalnız digər ölçülərdən aşağı olduğunu bildirir.

Tələbələr hansı dərsləri vacib və maraqlı hesab etdilər?

Applied Statistics həm vaciblik, həm də maraq baxımından ən çox seçim alan dərsdir. Practicum xüsusilə vaciblik kateqoriyasında yüksək tezliyə malikdir. Python dərsi səkkiz tələbə tərəfindən vacib hesab edilsə də, yalnız iki tələbə tərəfindən ən maraqlı dərslər arasında seçilmişdir. Mənbə vacibliklə marağın əlaqəli, lakin eyni anlayışlar olmadığını xüsusi vurğulayır.

Açıq uclu rəydə Mövzu 1: analitik və tətbiqi səriştələr

Tələbələr proqramın analitik düşünmə, problem həlli və məlumatlarla işləmə bacarıqlarına töhfə verdiyini bildirmişlər. Proqramlaşdırma dilləri, analitik alətlər, süni intellekt, maşın öyrənməsi və real məlumatlarla qarşılaşmaq müsbət təcrübələr arasında yer alır. Layihələrin real iş tapşırıqlarına bənzəməsi də tələbələrin dəyər verdiyi elementlərdəndir.

Mövzu 2: dəstəkləyici öyrənmə mühiti

Fərdi rəhbərlik, kiçik qrup mühiti, proqram rəhbərinin tələbələri izləməsi və müəllimlərin tələbə uğuru ilə maraqlanması müsbət cəhətlər kimi bildirilmişdir. Bununla yanaşı, bütün tədris təcrübələri müsbət deyil. Bəzi tələbələr müəyyən tədris formalarının anlayış boşluqları yaratdığını və mürəkkəb mövzuların hər zaman kifayət qədər aydın izah edilmədiyini bildirmişlər.

Mövzu 3: genişliklə texniki dərinlik arasındakı gərginlik

Tələbələr çoxsaylı data elmi sahələrini görməyi dəyərli hesab etsələr də, eyni genişliyi məhdudiyyət kimi də qiymətləndirmişlər. Rəylərdə SQL, Python, Power BI, riyaziyyat, statistika və proqramlaşdırma kimi sahələrdə daha çox dərinlik gözləntisi vardır.

Bu tapıntı kurikulum dizaynında “daha çox texnologiya = daha yaxşı proqram” şəklində xətti məntiqin kifayət etmədiyini göstərir. Müəllifin müzakirəsində də texnologiyaların sayından çox hansı alətlərin əsas kimi seçildiyi, neçə dəfə yenidən istifadə edildiyi və mürəkkəbliyinin necə mərhələləndirildiyi vurğulanır.

Mövzu 4: iş yükü, tədris çətinlikləri və məşğulluğa hazırlıq

Riyaziyyat, statistika, proqramlaşdırma, informasiya sistemləri və idarəetmə dərslərinin eyni proqramda birləşdirilməsi bəzi tələbələr tərəfindən intensiv və çətin hesab edilmişdir. Xüsusilə proqramlaşdırmanın bəzi tələbələr üçün çətinlik yaratdığı bildirilmişdir.

Tələbələr həmçinin daha güclü peşəkar tətbiq əlaqəsi istəmişlər. Real məlumatlarla və aktual alətlərlə daha çox işləmək, başlanğıc səviyyəli işlərin tapşırıqlarına daha yaxın tətbiqlər və nəzəriyyə ilə peşə praktikasının əlaqəsinin gücləndirilməsi təklifləri önə çıxmışdır.

Bu Tədqiqat Data Elmi Kurikulumunun Effektiv Olduğunu Sübut Edirmi?

Xeyr. Tədqiqat kurikulumun dizaynına uyğun müsbət tələbə qavrayışları, müəyyən akademik inkişaf nümunələri və güclü görünən layihə/tətbiq komponentləri bildirir; lakin müşahidəvi dizayn, kiçik kohortlar, müqayisə qrupunun olmaması, proqramdan əvvəl münasibət ölçmələrinin olmaması və illik qiymətlərin bütün bakalavr dərslərini əhatə etməsi səbəbindən bu nəticələr Data Elmi kurikulumunun təsirini səbəb-nəticə baxımından sübut etmir.

Tədqiqatın dəstəklədiyi nəticələr

• Üçillik proqram statistika, proqramlaşdırma, məlumat idarəetməsi, məlumatların çıxarılması, vizuallaşdırma, süni intellekt, etika və layihələri mərhələli strukturda birləşdirir.
• İki kohortun akademik inkişaf nümunələri eyni deyil.
• Kohort 1-də illik qiymət paylanması üç ildə daralmış; Kohort 2-də isə üçüncü ildə yenidən genişlənmişdir.
• Hər iki kohortda birinci ildən sonrakı orta ümumi uğur birinci il səviyyəsinə nisbətən sabit və ya daha yüksəkdir.
• Məzunlar data elminin faydalılığı və data elminə maraqları barədə müsbət qiymətləndirmələr bildirmişlər.
• Karyera uyğunlaşma qabiliyyəti ölçüləri mənbə tərəfindən nisbətən yüksək kimi bildirilmişdir.
• Applied Statistics və Practicum tələbələrin xüsusilə vacib hesab etdiyi dərslər sırasındadır.
• Layihələr, real məlumat, çoxalətli iş və tədris dəstəyi müsbət mövzular arasındadır.
• Texniki dərinlik, proqramlaşdırma, iş yükü, tədris aydınlığı və peşəyə hazırlıq təkmilləşdirilməli sahələr kimi ortaya çıxmışdır.

Tədqiqatın dəstəkləmədiyi nəticələr

• Proqramın akademik qiymətləri artırdığı səbəb-nəticə baxımından göstərilməmişdir.
• Proqramın yüksək karyera uyğunlaşma qabiliyyəti ballarını yaratdığı göstərilməmişdir.
• Proqramı almayan nəzarət qrupuna nisbətən üstünlük göstərilməmişdir.
• Tələbələrin proqramdan əvvəl və proqramdan sonra münasibət dəyişiklikləri ölçülməmişdir.
• İki kiçik kohortun nəticələri bütün idarəetmə tələbələrinə ümumiləşdirilə bilməz.
• Çoxsaylı alətlərlə tanışlıq bütün tələbələrin hər alətdə ustalıq qazandığı demək deyil.
• Yüksək maraq və ya qavranılan fayda texniki səriştənin obyektiv performans ölçümü deyil.

Kurikulum dizaynı üçün nəticələr

Mənbə dörd əsas proqram dizaynı nəticəsi təqdim edir. Birincisi, tələbələrin irəliləyişi vahid tip kimi qəbul edilməməli və müxtəlif kohortlar boyunca izlənməlidir. İkincisi, geniş texnologiya ilə tanışlıqla texniki dərinlik arasında tarazlıq qurulmalıdır. Müəllif xüsusilə yalnız yeni alətlər əlavə etməyə davam etmək əvəzinə tələbələrin təkrar-təkrar qarşılaşacağı əsas texnologiyaların müəyyənləşdirilməsini tövsiyə edir.

Üçüncüsü, “tətbiqi öyrənmə” ilə “işə hazır olma” eyni şey deyil. Tələbələr layihələri və real məlumat çalışmalarını dəyərli hesab etsələr də, bəziləri yenə də başlanğıc səviyyəli işlər üçün daha aydın hazırlıq ehtiyacı bildirmişdir.

Dördüncüsü, akademik irəliləyiş bütün texniki sahələrdə eyni özünəinamlı səriştəyə zəmanət vermir. Proqramlaşdırma və mürəkkəb texnologiyalarda davamlı tədris dəstəyi tələb olunur.

Əsas məhdudiyyətlər

Kiçik və bir müəssisəyə aid nümunə: Yalnız iki kiçik kohort və bir müəssisə araşdırılmışdır; ümumiləşdiriləbilərlik məhduddur.

Müşahidəvi dizayn: Kurikulum xüsusiyyətləri ilə tələbə nəticələri arasında səbəb-nəticə əlaqəsi qurula bilməz.

Nəzarət qrupu yoxdur: Eyni idarəetmə proqramında Data Elmi istiqamətini almayan müqayisəli tələbə qrupu yoxdur.

Proqramdan əvvəl münasibət ölçümü yoxdur: Tələbələrin SOMADS və ya CAAS ballarının proqrama başlamazdan əvvəlki səviyyəsi məlum olmadığından dəyişiklik hesablana bilməz.

Sorğu yalnız birinci kohortda tətbiq edilmişdir: Münasibət və keyfiyyət rəyi nəticələri ikinci kohortu təmsil etmir.

Özbildirişə əsaslanan məlumatlar: Məzun fikirləri yaddaş və cavab meyllərindən təsirlənə bilər.

Keyfiyyət təhlili bir tədqiqatçı tərəfindən aparılmışdır: Tədqiqat refleksiv tematik təhlil yanaşmasına görə kodlayıcılararası etibarlılıq hesablamamışdır.

Akademik performansın əhatəsi: İstifadə olunan illik qiymətlər yalnız Data Elmi dərslərinə deyil, bütün bakalavr dərslərinə aiddir; buna görə Data Elmi təhsil istiqamətinin birbaşa akademik təsirini təcrid etmir.

Mənbə və Metod Qeydi

Orijinal başlıq: Curriculum Design and Evaluation of Data Science Track for Management Students

Müəllif: Anna Khalemsky.

Müəllif sırası: Tək müəllifli tədqiqatdır.

Bərabər töhfə: Tətbiq olunmur; bir müəllif vardır.

Məsul müəllif: Mənbə ayrıca corresponding-author işarəsi göstərmir; başlıq səhifəsində tək müəllif Anna Khalemsky üçün e-poçt və telefon əlaqə məlumatları verilib.

Başlıq səhifəsindəki qurum: Management Department, Jerusalem Multidisciplinary College, Jerusalem 91010, Israel.

Etika bölməsində qurumun yazılışı: Jerusalem Multidisciplinary Academic College. PDF iki bölmədə bu iki ingiliscə qurum formasını istifadə edir; Verianla onlardan birini səssizcə digərinin yerinə qoymur.

Jurnal: Education Sciences.

Nəşriyyatçı: MDPI.

Nəşr məlumatı: 2026, Volume 16, Article 1676.

DOI: 10.3390/educsci16101676.

Rəsmi DOI keçidi: https://doi.org/10.3390/educsci16101676

Təqdim: 28 Avqust 2026.

Reviziya: 4 Oktyabr 2026.

Qəbul: 5 Oktyabr 2026.

Nəşr: 9 Oktyabr 2026.

Mənbə növü: Article / tədqiqat məqaləsi. Tədqiqat iki müstəqil kohortun akademik məlumatlarını, standartlaşdırılmış münasibət/karyera şkalalarını və açıq uclu keyfiyyət rəyini birləşdirən çoxmetodlu proqram qiymətləndirməsidir.

Rəyçilik statusu: Education Sciences jurnalında dərc olunmuş rəyli elmi məqalədir.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Xarici maliyyələşdirmə alınmayıb.

Etika komitəsi: Jerusalem Multidisciplinary Academic College Ethics Committee for Research on Human Subjects tərəfindən təsdiqlənmişdir; Referans No. 749, 6 Avqust 2026.

Məlumatlandırılmış razılıq: Məzuniyyətdən sonrakı sorğuda iştirak edən bütün iştirakçılardan elektron məlumatlandırılmış razılıq alınmışdır. İştirak könüllüdür.

Məlumat məxfiliyi: Sorğu cavabları şəxsi müəyyən edən məlumat olmadan, akademik performans məlumatları isə şəxsiyyətsizləşdirilmiş şəkildə təhlil edilmişdir.

Məlumat əlçatanlığı: İki kohortun şəxsiyyətsizləşdirilmiş akademik performans məlumatları və məlumat dəsti təsviri Open Science Framework-də yayımlanmışdır: https://osf.io/5m7en/overview?view_only=ad3a85b182f346e0ac1fc32d12cf48eb

Əlavə materiallar: Table S1 SOMADS və CAAS nəticələrini, Table S2 tələbələrin müsbət/mənfi rəylərini, Table S3 isə Data Mining dərsindəki tətbiqi layihənin mərhələlərini və qiymətləndirmə komponentlərini ehtiva edir.

Süni intellekt istifadəsi bəyanatı: Müəllif generativ süni intellekt alətlərinin məqalə hazırlanarkən dil redaktəsi, ifadə aydınlığı və mətnin təşkili üçün dəstək məqsədilə istifadə edildiyini; orijinal elmi məzmunun yaradılmasında, məlumat analizində, nəticələrin şərhində və ya nəticə cümlələrinin formalaşdırılmasında istifadə edilmədiyini bildirir. Tədqiqat dizaynı, məlumat toplama, təhlil, şərh və yekun məsuliyyət müəllifə aiddir.

Maraq toqquşması: Müəllif maraq toqquşması bildirməmişdir.

Müəllif töhfələri: PDF-də ayrıca CRediT/Author Contributions bölməsi yoxdur. Tədqiqatın tək müəllifli olması məlumatından başqa mənbədə olmayan töhfə rolları Verianla tərəfindən əlavə edilməmişdir.

Əsas metodoloji sərhəd: Təhlil əsasən təsviri xarakter daşıyır. İki kiçik kohort, bir müəssisə, nəzarət qrupunun olmaması, proqramdan əvvəl münasibət məlumatlarının olmaması və illik qiymətlərin bütün bakalavr dərslərini əhatə etməsi səbəb-nəticə şərhlərini məhdudlaşdırır.