A Tutorial on Teaching Data Analytics with Generative AI

📄 arXiv: 2411.07244v1 📥 PDF

作者: Robert L. Bray

分类: cs.CY, cs.AI

发布日期: 2024-10-25

💡 一句话要点

利用生成式AI革新数据分析教学方法，提升学生实践能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式AI 数据分析教学 大型语言模型 定制GPT 英语编程

📋 核心要点

  1. 传统数据分析教学方法难以有效利用新兴AI技术，限制了学生实践能力的提升。
  2. 该教程提出利用定制GPT进行并行教学、AI辅导作业和跨班级AI助手等方法，提升教学效率。
  3. 提倡“英语编程”范式，学生用自然语言描述数据转换，AI生成代码，简化数据处理流程。

📝 摘要（中文）

本教程旨在探讨如何将大型语言模型（LLMs），如ChatGPT，融入数据分析课程中。它详细介绍了AI赋能的课堂内外教学新技巧。例如，教师可以通过让学生与不同的定制GPT交互，并行学习分析的不同部分，然后互相教授从AI中学到的知识。又如，教师可以将问题集转化为AI辅导课程，定制GPT引导学生解决问题，学生上传聊天记录作为作业提交。再如，可以将不同的实验分配给不同的班级，让每个班级创建AI助手来帮助其他班级完成实验。本教程提倡“英语编程”范式，即学生用文字表达所需的数据转换，然后使用AI生成相应的代码。学生通过英语编程比在Excel中操作更能有效地处理数据。然而，一些学生会比其他学生更擅长英语编程，因此至少在当前的LLM下，仍然可以获得稳健的成绩分布。

🔬 方法详解

问题定义：传统数据分析课程在教授编程技能时，学生往往需要花费大量时间学习编程语法，而忽略了数据分析本身。此外，教师难以针对每个学生的学习进度和问题进行个性化指导。现有方法难以有效利用大型语言模型（LLMs）来提升教学效率和学生的实践能力。

核心思路：本教程的核心思路是利用生成式AI，特别是大型语言模型（LLMs），来辅助数据分析教学。通过定制GPT，教师可以实现并行教学、个性化辅导和跨班级协作，从而提高教学效率和学生的学习效果。同时，提倡“英语编程”范式，降低编程门槛，使学生更专注于数据分析的逻辑和方法。

技术框架：该方法主要包含以下几个模块：1) 定制GPT创建：教师根据不同的教学目标和内容，创建不同的定制GPT，例如用于讲解特定分析方法、辅导作业或辅助实验。2) 并行教学：将学生分成小组，每个小组与不同的定制GPT交互，学习分析的不同部分。然后，小组之间互相教授所学知识。3) AI辅导：将问题集转化为AI辅导课程，定制GPT引导学生解决问题，并提供个性化反馈。4) 跨班级协作：不同班级创建AI助手，互相帮助完成实验。5) 英语编程：学生用自然语言描述数据转换，AI生成相应的代码。

关键创新：该方法最重要的创新点在于将生成式AI融入数据分析教学的各个环节，实现了教学模式的转变。与传统方法相比，该方法更加个性化、互动性更强，能够更好地激发学生的学习兴趣和提高学习效果。此外，“英语编程”范式降低了编程门槛，使学生更专注于数据分析本身。

关键设计：定制GPT的设计需要考虑以下几个关键因素：1) 知识库：GPT需要具备数据分析相关的知识，包括常用算法、工具和方法。2) 教学策略：GPT需要能够根据学生的学习进度和问题，提供个性化的指导和反馈。3) 交互方式：GPT需要能够与学生进行自然、流畅的对话，并提供清晰、易懂的解释。4) 评估机制：需要设计合理的评估机制，评估学生通过GPT学习的效果。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该教程强调了利用定制GPT进行个性化教学和辅导的潜力，并提出了“英语编程”范式，降低了编程门槛。虽然没有提供具体的性能数据，但强调了即使使用当前的LLM，也能保证成绩的稳健分布，表明该方法在实际教学中具有可行性。

🎯 应用场景

该研究成果可广泛应用于数据科学、商业分析等相关专业的教学中，帮助教师更有效地教授数据分析技能，提升学生的实践能力和创新能力。此外，该方法也可以应用于企业内部的数据分析培训，帮助员工快速掌握数据分析技能，提高工作效率。

📄 摘要（原文）

This tutorial addresses the challenge of incorporating large language models (LLMs), such as ChatGPT, in a data analytics class. It details several new in-class and out-of-class teaching techniques enabled by AI. For example, instructors can parallelize instruction by having students interact with different custom-made GPTs to learn different parts of an analysis and then teach each other what they learned from their AIs. For another example, instructors can turn problem sets into AI tutoring sessions, whereby a custom-made GPT guides a student through the problems, and the student uploads the chatlog for their homework submission. For a third example, you can assign different labs to each section of your class and have each section create AI assistants to help the other sections work through their labs. This tutorial advocates the programming in the English paradigm, in which students express the desired data transformations in prose and then use AI to generate the corresponding code. Students can wrangle data more effectively by programming in English than by manipulating in Excel. However, some students will program in English better than others, so you will still derive a robust grade distribution (at least with current LLMs).