Utdrag av lærestoff jeg har utviklet i 2020-2021 - Jon Olav Vik

Fra STIN100 biologisk data-analyse

Oversikt over typer av læremidler og deres funksjon (sakset fra utviklingsdokument fra i sommer)

1-2 MOTIVASJONSFILM à 10-15 minutter på YouTube, f.eks. om overordna læringsmål, visualisering, lesbar programmering

1-3 VERKTØYFILM à 10-15 minutter, f.eks. om ggplot, tidyverse, datastrukturer, parprogrammering

1-2 SCREENCAST for å KOMME I GANG og kanskje LØSNINGSFORSLAG for utvalgte oppgaver

Tekst med PEKERE TIL spesifikke deler av EKSTERNT LÆRESTOFF så som HOPR, R4DS, ggplot-bok og Wilke om datagrafikk.

Overordnet oversikt over LÆRINGSMÅL for kurset + per modul med MÅ-BØR-KAN i Google Sheets, eksempel

TERPEOPPGAVER for kunnskapsstoff (hvordan taste spesialtegn, hva heter ulike deler av RStudio) og delferdigheter (hvilken dplyr-funksjon gjør hva, slå opp i hjelpetekster). Automatisering av grunnferdigheter, overlæring.

MENGDETRENING på DELFERDIGHETER så som ggplot-sparring, shiny eller quiz. Øving på å hente fram kunnskaper og ferdigheter der og når de er relevante, slik at dette fungerer også når oppgavene blir mer sammensatte. "Få det i fingrene." Få øye på rutineproblemstillinger selv når de opptrer i ny språkdrakt eller annen datastruktur, jf ggplot. Erfaring mer enn overlæring.

SAMMENSATTE OPPGAVER med RUBRIC til egen-/par-evaluering eller INNLEVERING og hjelpelærer-evaluering.

SJEKKPUNKTQUIZ: Har du lært det du skal? Er du klar for neste uke? Feedback til hvert spørsmål kan ha pekere til tidligere lærestoff, eksterne ressurser eller ekstra mengdetrening. Klargjør hva som forutsettes kjent (ideelt sett…) før neste uke.

TILBAKEMELDINGER FRA HJELPELÆRERE med støtte i RUBRICS og pekere som beskrevet under sjekkpunktquiz

Autogenerert variasjon i eksamensoppgaver i STAT100

Her er to studenters realiseringer av et spørsmål fra prøveeksamen i STAT100. Teksten, tallene og figurene er tilfeldig generert med et hjemmeskrevet dataprogram. Det oppgis seks påstander, og spørsmålet er hvilken som ikke har støtte i dataene. Det simulerte scenariet til venstre viser "signifikant" forskjell mellom to bilmerker, og konklusjonene som kan trekkes, blir dermed annerledes enn for den andre studenten. Videre spørres ikke studentene om nøyaktig de samme aspektene ved datasettet.

En bilkjøper prøver å orientere seg om bilpriser og gjør et søk på finn.no etter ganske store stasjonsvogner (årsmodell 2017) av merkene BMW, Kia, Skoda og Volvo. Bilkjøperen ønsker å finne ut om det er forskjell på de forventede bilprisene for disse bilmerkene. Bilkjøperen velger et signifikansnivå α=0.05 og kjører en variansanalyse av prisene fra de 15 første treffene av hvert bilmerke:

I ANOVA-tabellen nedenfor er tallene fjernet fra kolonnene Sum Sq og Mean Sq.

##           Df  Sum Sq  Mean Sq  F value  Pr(>F)
## bilmerke   3                     4.641    0.00574 **
## Residuals 56
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Her får du 6 påstander om denne analysen. Fem av påstandene er riktige.

Du skal krysse av for den som er feil.

  • Minst ett av bilmerkene skiller seg prismessig fra de andre.
  • Mean sq for bilmerke forteller oss hvilket gjennomsnitt som eventuelt avviker fra de andre.
  • Sum sq for Residuals kan ikke beregnes ut i fra F value og Df.
  • Variasjonen i gjennomsnittlig bilpris for de fire bilmerkene er større enn variasjonen i pris innen hvert bilmerke.
  • Sannsynligheten for å observere minst like høye verdier av testobservatoren som det vi har gjort er 0.006.
  • p-verdien forteller oss ikke at BMW er signifikant dyrere enn Skoda eller at Skoda er signifikant dyrere enn Kia.

En bilkjøper prøver å orientere seg om bilpriser og gjør et søk på finn.no etter ganske store stasjonsvogner (årsmodell 2017) av merkene Audi, Kia, Skoda og VW. Bilkjøperen ønsker å finne ut om det er forskjell på de forventede bilprisene for disse bilmerkene. Bilkjøperen velger et signifikansnivå α=0.05 og kjører en variansanalyse av prisene fra de 15 første treffene av hvert bilmerke:

I ANOVA-tabellen nedenfor er tallene fjernet fra kolonnene Sum Sq og Mean Sq.

##           Df  Sum Sq  Mean Sq  F value  Pr(>F)
## bilmerke   3                     1.472      0.232
## Residuals 56

Her får du 6 påstander om denne analysen. Fem av påstandene er riktige.

Du skal krysse av for den som er feil.

  • Sannsynligheten for å observere minst like høye verdier av testobservatoren som det vi har gjort er 0.232.
  • p-verdien forteller oss ikke at Audi er signifikant dyrere enn Kia eller at Kia er signifikant dyrere enn Skoda.
  • Variasjonen i pris innen hvert bilmerke er større enn variasjonen i gjennomsnittlig bilpris for de fire bilmerkene.
  • Sum sq for Residuals kan beregnes ut i fra F value og Df.
  • Ingen av bilmerkene skiller seg prismessig fra de andre.
  • Mean sq for bilmerke forteller oss ikke hvilket gjennomsnitt som eventuelt avviker fra de andre.

"Lavt golv, høyt tak": Tilrettelegging for sprikende forkunnskaper i STIN300 Statistisk programmering i R

Spørsmål i oppstartsquiz som engasjerer studentene i læringsmålene og informerer meg om studentmassen:

The final assignment for the course, which you should work towards throughout the course, is to generate an R report about your own data. Most course participants are MSc or PhD students and thus have chosen a research topic. Use your actual data if you can, or else ask your supervisor for an illustrative sample of similar data.

Please write a couple of paragraphs about your data: What real-world phenomenon do they reflect, what measurements do the numbers represent, and name one or two research questions you would ask of the data. If you haven't chosen a research topic yet, write about something you would like to eventually work with. For the final assignment you may borrow someone else's data, or fall back on the previous years' final assignment.

Vurderingsmatriser:

Eksempler på hjelpesider: