**Ontwerp van een ervaringsgerichte leeractiviteit: "Datawetenschap in de Praktijk: Realistische Scenario's"** **Doelstellingen:** - Studenten kennismaken met echte data-uitdagingen uit het veld van Datawetenschap. - Vaardigheden ontwikkelen in het verzamelen, analyseren en interpreteren van data. - Probleemoplossend vermogen en kritisch denken bevorderen. - Reflecteren op de ethische en maatschappelijke implicaties van data-analyse. - Samenwerking en communicatievaardigheden versterken. **Benodigde materialen:** - Vooraf verzamelde datasets uit diverse domeinen (bijvoorbeeld gezondheidszorg, marketing, milieubeheer). - Laptops met relevante software (bijv. Python, R, Excel). - Documentatie en handleidingen voor dataverwerking en analyse. - Casestudy's en realistische probleemstellingen. - Reflectieformulieren of digitale platforms voor feedback. - Facilitator/coach voor begeleiding. **Uitvoering van de activiteit:** 1. **Introductie en briefing (20 minuten):** - Presentatie van de context en het scenario. - Uitleg over de data, doelstellingen en verwachte uitkomsten. - Verdeling van studenten in kleine teams. 2. **Verkenning en data-analyse (2-3 uur):** - Teams verkennen de datasets en formuleren hypothesen. - Data schoonmaken, visualiseren en analyseren volgens de gegeven scenario's. - Documentatie van hun proces en bevindingen. 3. **Presentatie en discussie (1 uur):** - Teams presenteren hun aanpak en resultaten. - Discussie over de gekozen methoden, uitdagingen en ethische overwegingen. 4. **Reflectie (30 minuten):** - Individuele en groepsreflectie via geschreven formulieren of digitale platforms. - Vragen zoals: Wat heb je geleerd? Welke uitdagingen kwam je tegen? Hoe zou je dit in de praktijk toepassen? Wat zijn de ethische overwegingen? **Beoordelingsmethoden:** - **Participatie en betrokkenheid:** observatie tijdens de analyse en presentaties. - **Kwaliteit van de analyse:** beoordeling van de dataverwerking, methoden en interpretaties. - **Reflectieverslagen:** inhoudelijke diepgang en zelfreflectie. - **Samenwerking:** evaluatie van teamwerk en communicatie. - **Presentatievaardigheden:** duidelijkheid, structuur en overtuigingskracht. **Tips voor effectieve begeleiding:** - Zorg voor een goede voorbereiding met relevante datasets en scenario's. - Moedig samenwerking en discussie aan, geef duidelijke richtlijnen. - Wees flexibel en bied ondersteuning bij technische of inhoudelijke vragen. - Stimuleer kritisch denken over ethische en maatschappelijke aspecten. - Gebruik tussentijdse feedback om de activiteit te sturen en te verbeteren. - Creëer een veilige omgeving waarin studenten durven te experimenteren en fouten maken. Door deze ervaringsgerichte activiteit krijgen studenten een praktische en diepgaande kennismaking met de complexiteit en uitdagingen van Datawetenschap, waardoor ze beter voorbereid zijn op realistische professionele situaties.

### Ervaringsgerichte Leeractiviteit: "Data Science Scenario Challenge" #### **Doelstellingen van de activiteit:** - Studenten in staat stellen praktische data-uitdagingen te analyseren en op te lossen in realistische contexten. - Kritisch denken, teamwork en datageletterdheid ontwikkelen via scenario-gebaseerde problemen. - Reflectie bevorderen op de toepassing van datawetenschappelijke methoden en ethische overwegingen. - Leerresultaten meten aan de hand van zowel technische vaardigheden als collaboratieve prestaties. --- #### **Benodigde Materialen:** 1. **Scenario-dossiers**: Gedetailleerde beschrijvingen van realistische casussen (bijv. voorspellen van klantuitval, optimaliseren van voorraadbeheer, of analyseren van gezondheidsdata). 2. **Datasets**: Echtheid benaderende datasets (bijv. via Kaggle of openbare bronnen zoals CBS), eventueel aangevuld met ruis of ontbrekende waarden. 3. **Technologische hulpmiddelen**: Laptops met software zoals Python/R, Jupyter Notebooks, en bibliotheken (pandas, scikit-learn). 4. **Collaboratieve platform**: Tools zoals Slack, Trello of Miro voor teamcommunicatie en voortgangsbewaking. 5. **Handleidingen**: Kort overzicht van datawetenschappelijke stappen (data cleaning, modelselectie, evaluatie) en ethische richtlijnen. --- #### **Beschrijving van de Activiteit:** 1. **Introductie (30 minuten)**: - Introduceer het scenario (bijv.: "Een ziekenhuis wil patiëntuitkomsten voorspellen met historische data"). - Verdeel studenten in kleine teams (3-4 personen) en deel de materialen uit. 2. **Uitvoering (2-3 uur)**: - Teams doorlopen de datawetenschappelijke cyclus: data verkennen, modelleren, resultaten interpreteren. - Laat studenten keuzes maken over methoden en omgaan met beperkingen (bijv. ontbrekende data of ethische dilemma's). 3. **Presentaties (45 minuten)**: - Elk team presenteert hun aanpak, resultaten en aanbevelingen in een korte pitch. 4. **Reflectie (30 minuten)**: - Gebruik gestructureerde vragen zoals: - "Hoe hebben jullie omgegaan met onverwachte uitdagingen in de data?" - "Welke ethische afwegingen speelden een rol bij jullie analyse?" - Laat studenten een reflectieverslag schrijven of een groepsdiscussie voeren. --- #### **Beoordelingsmethoden:** - **Betrokkenheid**: - Observatie van teaminteracties en gebruik van collaboratieve tools. - Peer-evaluatie: Teamleden beoordelen elkaars bijdragen anoniem. - **Leerresultaten**: - **Rubric-based beoordeling**: Gebaseerd op: - Technische nauwkeurigheid (50%): Kwaliteit van data cleaning, modelkeuze, en resultaten. - Communicatie en samenwerking (30%): Helderheid van presentatie en teamdynamiek. - Reflectie en ethisch besef (20%): Diepgang in reflectieverslag of discussie. - **Zelfevaluatie**: Studenten beoordelen hun eigen groei aan de hand van leerdoelen. --- #### **Tips voor Effectieve Facilitering:** 1. **Scaffolding**: Bied ondersteuning via korte, gefocuste instructies ("just-in-time teaching") tijdens de activiteit. 2. **Realisme benadrukken**: Koos scenario's met maatschappelijke relevantie (bijv. klimaatdata of economische voorspellingen). 3. **Fouten omarmen**: Moedig experimenteren aan en besprijf "falen" als leermoment. 4. **Diversiteit in teams**: Zorg voor verschillende achtergronden (bijv. technische en niet-technische studenten) om multidisciplinaire inzichten te stimuleren. 5. **Tijdmanagement**: Houd de tijd strak en voorzie duidelijke deadlines voor elke fase. 6. **Feedbackrondes**: Plan tussentijdse feedbacksessies om studenten bij te sturen. Deze activiteit combineert praktische data-ervaring met diepgaande reflectie, zodat studenten niet alleen technische vaardigheden opdoen, maar ook inzicht krijgen in de complexiteit en verantwoordelijkheid van datawetenschap.