原文：
www.kdnuggets.com/2019/06/data-literacy-socratic-method.html
评论
由 Aarzoo Sidhu，The Data Thinker
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析能力
3. Google IT 支持专业证书 - 支持你的组织的 IT
数据作为商业资产的增长价值是不容置疑的。它被描述为“新黄金”和“新石油”。全球范围内的组织，无论行业和规模，都在大量投资数据基础设施，以获取这一商品。
与黄金和石油因稀缺而珍贵不同，数据是无处不在的。因此，数据本身并不珍贵——它无处不在。价值在于组织能够有意义地与数据互动并从中提取商业洞察。而这其中正是存在着差距。
大多数非数据科学专家（或相关领域的专家）并不知道在面对数据时如何进行批判性思考。
数字中蕴含恐怖。亨普提·邓普蒂对爱丽丝说他掌控了自己使用的词语的信心，很多人不会将其扩展到数字上。
- Darrel Huff, 如何用统计数据说谎
Gartner 支持这种观点，并描绘了一个相当暗淡的未来：
到2020年，50%的组织将缺乏足够的人工智能和数据素养技能来实现业务价值。
如果数据没有提供商业价值，那么它就是无用的。它从新黄金变成了新垃圾（非常昂贵的垃圾）。因此，除了投资数据基础设施外，组织还需要优先考虑数据素养。
在文献中，关于什么构成数据素养以及它如何与信息素养不同存在许多不同的观点。为了简化当前讨论，我喜欢麻省理工学院的定义：
数据素养包括读取、处理、分析和用数据进行论证的能力*。* - R. Bhargava 和 C. D’Ignazio，设计数据素养学习者的工具和活动
与其采用基于课程或主题的方法来定义数据素养，这种基于技能的定义更具适应性和可扩展性。
现在我们有了定义，接下来我们来谈谈如何操作。
组织如何促进数据素养？在不同教育背景和经历的员工中，培养这些技能的最佳方法是什么？如何在职业发展中融入数据素养，而不仅仅是在正式教育系统中？
我不能教任何人任何东西。我只能让他们思考。
- 苏格拉底
关键是认识到，数据素养技能的核心是批判性思维技能。而且，好问题是发展批判性思维的关键。没有人比苏格拉底更了解这一点。他相信：
有纪律的提问练习使学者/学生能够审视观点并确定这些观点的有效性。
这种刺激高层次思维的方法被称为苏格拉底式提问（或苏格拉底研讨会）。
关键词“有纪律的”和“深思熟虑的”使苏格拉底式提问区别于一般的提问行为。组织和有目的的提问不仅有助于检查面前的信息，还能帮助反思对这些信息的思考（元认知）。这种反思性思维有助于追踪从信息到结论的路径，并揭示过程中做出的任何假设。
在他们的论文《苏格拉底式提问》中，Paul 和 Binker 这样描绘了苏格拉底式提问与批判性思维之间的联系：
使用苏格拉底式提问需要以下几点前提：所有的思考都有假设；做出主张或创造意义；有影响和后果；关注某些事物而忽略其他事物；使用某些概念或思想而非其他；由目的、问题或难题定义；使用或解释某些事实而非其他；相对清晰或模糊；相对深刻或肤浅；相对独白或多元对话。批判性思维是在有效、自我监控的意识下进行的思考。
- Richard Paul & A. J.A. Binker，批判性思维手册系列
此外，批判性思维基金会的 Linda Elder 和 Richard Paul 确定了以下六种刺激高层次思维的苏格拉底式问题。
-
澄清问题。
-
挑战假设的问题。
-
检查证据或理由的问题。
-
关于观点和视角的问题。
-
探索影响和后果的问题。
-
关于问题的问题。
这种方法在全国的法学院中被用来教导如何揭露论证中的逻辑谬误。这个框架的美妙之处在于它可以适应任何感兴趣的主题。在我们的案例中，就是数据！
当个人用这种方法自己探讨信息时，它可以增强他们对数据的理解，揭示逻辑陷阱，并提供洞察。
苏格拉底式提问的一个更有效的应用是激发数据项目利益相关者之间的指导性讨论。通过一起检查数据并一起推理，团队可以为数据提供更多的背景，并构建更强的统计叙事，同时提高他们的数据素养技能。既然苏格拉底研讨会的目标是更好地思考，还有谁比数据思考者更适合领导讨论呢？
苏格拉底研讨会还可以帮助识别个人知识中的空白，促进好奇心，并培养智力谦逊。在讨论中发现的知识空白和数据素养主题，可以通过更传统的讲座和教程来加以补充。
以下是每个类别的示例问题。并非每个示例问题都适用于所有情况，有些问题可能属于多个类别。主要目标应该是从所有六个类别中提问。
-
我想用这个统计数据回答什么问题？
-
这个统计数据意味着什么？
-
单位是什么？
-
这个统计数据的基础数据是什么？
-
典型的数据点是什么样的？极端值是什么样的？
-
时间范围是什么？
-
图表显示了什么？x 轴和 y 轴是如何标记的？标题/图例是否合适？
-
更高还是更低的值更好？
-
这是否符合我的预期？
-
我正在做哪些假设？
-
分析师做了什么假设？这些假设是否经过测试？
-
是否存在抽样偏差？期望偏差？选择偏差？幸存者偏差？确认偏差？预测偏差？轶事偏差？
-
证据有多强？
-
统计显著性与商业相关性有何区别？
-
有什么缺失的？有缺失的数据吗？缺失的变异度测量吗？缺失的不确定性测量吗？
-
相关性有多强？如何探索因果关系？
-
什么会让我对这项分析更有/更少的信心？
-
还有哪些额外的统计数据会有帮助？
-
如果统计数据支持对立观点，那它会是什么样的？
-
哪些冲突的观点有更多的证据？
-
如果这些数据都不可用，我会做出什么决定？
-
这个统计数据在我的竞争对手那里是什么样的？
-
我希望这个统计数据是什么？
-
这一统计发现的意义是什么？对业务的影响？
-
其他统计数据是否支持这一发现？相反的统计数据会是什么样的？
-
我可以对这一发现采取行动吗？
-
它是否影响了当前的任何行动？
-
它是否影响了过去做出的任何决策？
-
如果存在不确定性，我应该如何在这种不确定性下行动？
-
这是否支持/反驳了我对这个问题已有的认识？
-
它如何与其他数据项目的相关发现联系起来？
-
最难回答的问题是什么？
-
是什么让这个问题变得难以回答？
-
是否有一个问题多次出现？
-
这个对话如何总结？
简介：Aarzoo Sidhu，具有生物统计学的正式教育背景和 8 年的数据管理与分析经验，《数据思考者》的作者，现在致力于超越数据科学，探索从数据到洞察的多条路径。
相关：