Измерить счастье

На «Кампусе» сложилось 39 команд, каждая из которых работала над своим проектом. Инженерные темы выбрали 36% участников, гуманитарные — 64%, но из десяти лучших по качеству реализации проектов оказалось всего два аналитических и целых восемь технических (в основном связанных с обработкой изображений).

Мы видим, что технические темы проектов у школьников «идут» легче. Они, возможно, сложнее гуманитарных в плане обработки данных и создания моделей, но концептуально проще. Условно говоря, «есть пять тысяч фотографий фруктов, пять тысяч фото овощей, и мы научим нейросеть отличать одно от другого». Сюда относятся задачи, связанные с техникой и инженерией, например с компьютерным зрением, или с областями, в которых студенты имеют хотя бы потребительский опыт. Например, они чувствуют себя экспертами в сфере мобильных приложений, музыки, соцсетей.

В отношении социально-экономических тем дела обстоят сложнее. Студенты не очень сильны в этих областях. Они проходили что-то в школе по экономике и обществознанию, но не в состоянии актуализировать эти знания под задачу — придумать исследовательский проект, где объектом или предметом является социокультурный или политико-экономический конструкт, например «бедность», «регион» или «счастье». Уже на этапе формулировки гипотез учащиеся сталкиваются с тем, что для такого объекта трудно сформулировать определение, выделить существенные признаки и их корреляты из разных дисциплинарных областей и подобрать соответствующие данные.

Как измеряется «счастье» или «регион»? Каковы его количественные признаки? Сколько нужно переменных, чтобы адекватно представить эти объекты? Какие переменные при этом важнее других? Сложно. Видно, что у студентов просто нет опыта работы с такими объектами. Больше половины участников берутся за них, но выдают очень слабый результат с точки зрения стандартов гуманитарного знания. А «инженеры», которые работают с концептуально гораздо более простыми задачами, быстрее приходят к результату. И мы показываем, как можно работать с многомерными социально-экономическими объектами, анализировать значимость признаков, конструировать их, строить предсказания.

Когда речь заходит о преподавании школьникам искусственного интеллекта, машинного обучения, наук о данных, можно услышать: «Да это так сложно! Они не знают математику. Как без матстатистики этим можно заниматься?!» Можно — на определенном уровне. Дело в том, что мы за общую дата-грамотность, а не за то, чтобы из всех делать профессиональных дата-аналитиков. Дело вообще не в математике и точно не в программировании. Там программирования не очень много, и код можно написать по образцу. Можно создать и настроить модель машинного обучения, имея самое поверхностное представление о математических основаниях алгоритма, стоящего за нею. Это, конечно, будет, так сказать, репродуктивный навык: я подсмотрел и воспроизвел, далее перебором установлю такие параметры модели, чтобы она выдавала приемлемое качество. Или даже почитаю что-то об этом в интернете и применю лайфхак. Я даже могу перебрать несколько моделей с разными алгоритмами и взять в качестве решения ту, которая дает наилучший результат. Но в данном случае мы, скорее, имеем дело с хорошими репродуктивными навыками, а не с продуктивной деятельностью.

Продуктивная деятельность проявляет себя именно на начальном этапе разработки проекта, включающего в себя «понимание» задачи или ее постановку, «начальное изучение данных», их поиск и «подготовку» под задачу. Это как раз способность рассмотреть сложный объект и увидеть, в каких измерениях он существует: в общественном, экономическом, культурном, физическом, политическом, финансовом. Наш опыт показывает, что именно здесь старшеклассники испытывают наибольшие сложности. И здесь очень важно, что с ребятами у нас работают профессионалы из индустрии. Они являются ролевыми моделями, которые демонстрируют определенную культуру мышления. А инструментальные навыки подтянутся.

Для эффективного обучения данные и результаты работы с ними должны быть релевантными интересам студентов. Когда учащиеся не представляют, как данные, с которыми им предложили работать, связаны с реальной жизнью, учебные задачи и действия могут представляться им затруднительными или бессмысленными. Поэтому темы проектов у нас всегда идут от студентов, от команд. Сначала многие проектные идеи выглядят завиральными, и с ними приходится много работать наставникам, но в итоге этот подход оправдывает себя. Образовательная программа должна предусматривать решение таких образовательных задач, которые имеют статус «настоящих» для всех ее участников.