Umeå universitets logga

Inom de flesta utbildningar förväntas studenter lära sig behärska såväl akademiskt som yrkesmässigt skrivande, så även inom Programmet i statistik och data science, 180 hp. Som lärare på detta program har vi upplevt att många studenter har svårt med alla former av skrivande. Vår egen kunskap om skrivande baseras enbart på erfarenheter från vårt eget skrivande i ämnet, både inom utbildning och forskning. Vi har därför i vissa avseenden känt oss begränsade i vårt arbete kopplat till studenters skrivande. Under våren 2023 deltog vi därför i projektet SKRIVUM vid Umeå universitet. SKRIVUM har som syfte att stärka universitetslärares skrivdidaktiska ämneskompetens genom att utforska och utveckla det ämnesintegrerade skrivandet inom programmen, med akademisk litteracitet (Wingate, 2018) som teoretisk utgångspunkt.  

Under åtta verkstäder arbetade vi kollegialt med kartläggning av akademiskt och yrkesmässigt skrivande inom Programmet i statistik och data science. Vi fokuserade på kursernas förväntade studieresultat (lärandemål), examinationsuppgifter samt stöd och stöttning kopplade till skrivande. Med kartläggningen som utgångspunkt identifierade vi två mål för vårt fortsatta arbete. Det primära målet är att utveckla och implementera konkreta ”verktyg” som stödjer studenternas akademiska och yrkesmässiga skrivande. Det sekundära målet är att öka samsynen inom kollegiet kring hur vi kan och bör arbeta med detta. De förändringar vi föreslår ska i huvudsak rymmas inom ramen för verksamhetens befintliga resurstilldelning. 

Ett första konkret ”verktyg” för att stödja studenterna har redan utvecklats och implementerats. Verktyget är en modelltext för dataanalysrapporter. Modelltexten användes av studenter för första gången höstterminen 2023 som en förebild för deras rapportskrivande. Modelltexten introducerades till studenterna genom en verkstad där vi tillsammans identifierade modelltextens struktur, stil, innehåll samt dess ämnesspecifika kännetecken. En reviderad modelltext baserad på både lärarnas och studenternas utvärdering av modelltexten planeras att användas under vårterminen 2024.  

För att uppnå samsyn inom kollegiet planeras en studiecirkel kring boken Communicating with data: The art of writing for data science (Nolan och Stoudt, 2021) under vårterminen 2024. Dessutom presenteras och tillgängliggörs de ”verktyg” som utarbetas, så att de kan användas av hela kollegiet.  

Vi kommer att delge våra erfarenheter från tiden efter SKRIVUM, med huvudfokus på det kollegiala arbetet med modelltexten samt hur den har implementerats och använts för att stödja studenternas akademiska och yrkesmässiga skrivande.  

Referenser: 

Nolan, D., & Stoudt, S. (2021). Communicating with data: The art of writing for data science. Oxford University Press.  

Wingate, U. (2018). Academic literacy across the curriculum: Towards a collaborative instructional approach. Language Teaching, 51(3), 349-364.  

Vi berättar om kursen Statistisk kommunikation (7.5 hp) som sedan tre år ges på Statistikerprogrammets andra termin. Vi tror att stora delar av kursens innehåll och upplägg kan överföras till andra discipliner än statistik och vill därför sprida våra erfarenheter av att ge denna kurs. Vår pedagogiska tanke bakom kursen är att kommunikationsförmåga kräver övning och mängdträning. Det är inte en förmåga man endast läser sig till.

Kursen har få träffar med hög grad av deltagaraktivitet. Vi lägger större delen av lärartiden på att ge studenterna individuell feedback på texter och muntliga presentationer. I kursutvecklingsstadiet ägnades mycket tid till att komma på och utveckla övningar och examinationsuppgifter som tränar kommunikation generellt men samtidigt är tydligt kopplade till vårt ämne. En ansträngning gjordes också för att formulera bedömningskriterier till examinationsuppgifter.

Mellan träffarna aktiveras studenterna med litteratur, filmer samt egna övningar. Det innebär att lärplattformens struktur och utformning är central för kursen. Kurslitteraturen utgörs av Klepke och Rydell (2014) och Lindstedt (2015) samt kompletterande artiklar inom ämnet statistik. Studenterna hänvisas också till universitetsbibliotekets onlineresurser. Därutöver använder vi oss exempelvis av Umeå universitets pressmeddelanden om doktorsavhandlingar i statistik.

Examinationen på kursen består av fyra examinationsuppgifter som studenterna arbetar med löpande under kursen. Två av examinationsuppgifterna görs i små grupper/par, en enskilt och en i grupp om 4-5 personer. Även de examinationsuppgifterna som görs i grupp har individuella inslag. Kursens examinerar bl.a. studenternas muntliga och skriftliga kommunikationsförmåga, både av akademisk och populärvetenskaplig karaktär inom ämnet, samarbetsförmåga, förmåga att ge och ta feedback samt förmåga till visualisering av data. Det senare är, för en statistiker, en viktig aspekt av kommunikation.

Studenterna har generellt varit nöjda med kursen och i synnerhet lyft fram omfattningen av den feedback de fått. De har också uppskattat att vi har ställt tydliga krav på deras texter, att de måste uppfylla de kriterier som vi satt upp för att bli godkända. Studenterna uttrycker att de tidigare, trots uttalade krav, oftast kommit undan med sämre kvalitet bara de "gjort statistiken rätt". De har, under kursens gång, även lyft fram att de uppskattar att få öva (t.ex. muntlig presentation) utan att bli examinerade.

Kursen gavs först på halvfart men det senaste gången som helfartskurs. De två första åren hade vi problem med närvaron på lektionerna. Det skapade problem då de planerade lektionsaktiviteterna blev av sämre kvalitet för de studenter som närvarade. Att ge kursen på helfart verkar delvis ha löst detta problem.

Flipped classroom teaching means, in short, to change/flip where students and teachers do things. Instead of students (passively) listening to a teacher's lecture in the classroom and then going home to solve problems on their own, the idea is that students first watch video lectures at home and then come to the classroom to (actively) solve problems together with other students and the teacher.

As part of an ongoing pedagogical project, we have used a special learning management system (LMS) called Scalable Learning, which facilitates teaching with flipped classroom techniques. The Scalable Learning LMS allows the teacher to make the video lectures interactive by adding quizzes and surveys to the videos (as is very common in Massive Open Online Courses (MOOCs), thereby helping the students to be more active while watching the videos. Moreover, there are different tools implemented in the LMS so that students e.g., can ask questions in direct connection to the videos. The student supplied questions and their answers to the quizzes can then, together with other data from the LMS, be used by the teacher to prepare classroom activities customized to the students' needs.

We present our experiences of teaching a course in statistics using this LMS; there are both pros and cons from a teacher's point of view. Also, we present the students’ opinions with the LMS and with the flipped classroom teaching that they were exposed to during the course. Most of them were very satisfied with the concept but they also provided us with several interesting ideas on how to improve the course. The pedagogical project mentioned above is a so called PUNKTUM-project funded by Umeå university during 2017-2018. The project title is Aktivt lärande på webben och i klassrummet med särskild programvara för att kombinera det bästa av Flipped classroom och MOOCs.

Flipped classroom teaching means, in short, to change/flip where students and teachers dothings. Instead of students (passively) listening to a teacher’s lecture in the classroom andthen going home to solve problems on their own, the idea is that students first watch video lectures at home and then come to the classroom to (actively) solve problems together with other students and the teacher.

As part of a pedagogical project, we have used special learning management system (LMS)called “Scalable Learning”, which facilitates teaching with flipped classroom techniques. The Scalable Learning LMS allows the teacher to make the video lectures interactive by adding quizzes and surveys to the videos (as is very common in Massive Open Online Courses (MOOCs)), thereby helping the students to be more active while watching the videos. Moreover, there are different tools implemented in the LMS so that students e.g., can ask questions in direct connection to the videos. The student supplied questions and their answers to the quizzes can then, together with other data from the LMS, be used by theteacher to prepare classroom activities customized to the students’ needs.

We present our experiences of teaching a course in statistics using this LMS; there are both pros and cons from a teachers’ point of view. Also, we present the students’ opinions with the LMS and with the flipped classroom teaching that they were exposed to during the course. Most of them were very satisfied with the concept but they also provided us with several interesting ideas on how to improve the course.

Evaluation studies aim to provide answers to important questions like: How does this program or policy intervention affect the outcome variables of interest? In order to answer such questions, using the traditional statistical evaluation (or causal inference) methods, some conditions must be satised. One requirement is that the outcomes of individuals are not affected by the treatment given to other individuals, i.e., that the no-interference assumption is satisfied. This assumption might, in many situations, not be plausible. However, recent progress in the research field has provided us with statistical methods for causal inference even under interference. In this paper, we review some of themost important contributions made. We also discuss how we think these methods can or cannot be used within the field of policy evaluation and if there are some measures to be taken when planning an evaluation study in order to be able to use a particular method. In addition, we give examples on how interference has been dealt within some evaluation applications including, but not limited to, labor market evaluations, in the recent past.

For a linear regression model subject to left-truncation and right-censoring where the truncation and censoring points are known constants (or always observed if random), Karlsson and Laitila (Stat Probab Lett 78:2567–2571,2008) proposed a semiparametric estimator which deals with left-truncation by trimming and right-censoring by ‘winsorizing’. The estimator was motivated by a zero moment condition where a transformed error term appears with trimmed and winsorized tails. This paper takes the semiparametric estimator further by deriving the asymptotic distribution that was not shown in Karlsson and Laitila (Stat Probab Lett 78:2567–2571,2008) and discusses its implementation aspects in practice, albeit brief.