Journal of the Korean Society of Earth Science Education (대한지구과학교육학회지)

The Korean Society of Earth Science Education (대한지구과학교육학회)
권호 표지
DOI QR코드

DOI QR Code

Exploration of Types and Context of Errors in the Weather Data Analysis Process

기상 데이터 분석 과정에서 나타나는 오류의 유형과 맥락 탐색

  • Seok-Young Hong (Affiliated High school to Korea National University of Education)
  • 홍석영 (한국교원대학교부설고등학교)
  • Received : 2024.06.28
  • Accepted : 2024.08.14
  • Published : 2024.08.30
Download PDF
⟨ Previous Next ⟩

Abstract

This study explored the errors and context occurred during high school students' data analysis processes. For the study, 222 data inquiry reports produced by 74 students from 'A' High School were collected and explored the detailed error types in the data analysis processes such as data collection and preprocessing, data representation, and data interpretation. The results of study found that in the data interpretation process, students had a somewhat insufficient understanding of seasonal variations and periodic patterns about weather elements. And, various types of errors were identified in the data representation process, such as basic unit in graphs, legend settings, trend lines. The causes of these errors are the feature of authoring tools, misconceptions related to weather elements, and cognitive biases, etc. Based on the study's results, educational implications for big data education, a significant topic in future science education, were derived. And related follow-up studies were suggested.

본 연구에서는 고등학생들의 기상 데이터 분석 과정에서 나타나는 오류와 오류의 발생적 맥락에 대해 탐색하였다. 연구를 위해 A 고등학교 74명의 학생들이 제작한 222개의 기상 데이터 탐구 활동 내용을 수집하고, 데이터 수집 및 해석, 데이터 표현, 데이터 해석 과정에서 나타난 세부 오류 유형을 탐색하였다. 연구의 결과로 데이터 해석 과정에서는 학생들이 기상요소의 계절적 변동과 주기적 패턴에 대한 이해가 다소 미흡하다는 것을 확인하였다. 또한, 데이터 표현 과정에서는 그래프의 단위 표현, 범례 설정, 추세선 활용 등에서 다양한 유형의 오류가 있음을 확인하였다. 오류가 발생하는 원인으로는 저작 도구의 특징, 오개념과 인지적 편향 등이 있었다. 연구 결과를 바탕으로 미래 사회 과학 교육의 중요한 화두인 빅데이터 활용 교육에 대한 교육적 시사점을 도출하였다. 그리고 이와 관련한 후속 연구를 제언하였다.

Keywords

References

  1. 교육부(2022). 2022 개정교육과정 총론 과학과 교육과정 (고시번호 2022-33, [별책 9]). 세종: MOE.
  2. 김명신, 조영환, 금선영(2023). 탐구학습에서 가설 생성과 평가를 위한 데이터 시각화의 효과와 난점. 교육정보미디어연구, 29(1), 175-199.
  3. 김봉철, 김재준, 문우종, 서영호, 김정아, 오정철, 김용민, 김종훈(2021). 데이터 과학 교육이 초등학생의 컴퓨팅 사고력에 미치는 효과: 마이크로비트의 센서 기능을 중심으로. 정보교육학회논문지, 25(2), 337-346.
  4. 김소현, 유선아(2023). 데이터 기반 모델링 활동을 통한 과학적 탐구 질문 생성과 과학 개념의 변화. 학습자중심교과교육연구, 23(3), 747-764. 
  5. 김용민, 김종훈(2017). 스프레드시트를 활용한 데이터 과학 교육 프로그램이 초등학생의 컴퓨팅 사고력 향상에 미치는 효과. 정보교육학회논문지, 21(2), 219-230.
  6. 김유정, 최길순, 노태희(2009). 고등학생들의 과학 그래프 작성 및 해석 과정에서 나타난 오류. 한국과학교육학회지, 29(8), 978-989.
  7. 김익균, 이인선, 박종원(2016). 과학영재학교 학생들의 변인간의 관계를 찾는 자료변환과정 분석. 새물리, 66(7), 853-863.
  8. 김익균, 이인선, 박종원(2018). Effects of Students' Background Knowledge and Methodological Belief on the Process of Finding the Relationship between Measured Data. 새물리, 68(4), 387-396.
  9. 김재경, 손의성(2021). 비전공자 대상의 데이터과학 교과목 개발과 컴퓨팅 사고력 효과 분석. 컴퓨터교육학회논문지, 24(3), 23-31.
  10. 김지나, 변영찬(2007). 물리실험에서 선개념과 불일치한 실험 데이터에 대한 학생들의 해석 유형. 한국과학교육학회지, 27(5), 404-411.
  11. 김형욱(2024). 초등학교 과학영재 학생을 대상으로 한 데이터 시각화 학습 프로그램 개발 및 효과: Tableau 프로그램 활용을 중심으로. 초등과학교육, 43(1), 18-34.
  12. 마민영(2018). 그래프 표현과 해석에서 드러나는 두 중학생의 일정한 변화율의 이해에 대한 사례 연구. 중등교육연구, 66(2), 439-466.
  13. 서민주, 서유민, 정혜윤, 이경화(2023). 표집 시뮬레이션을 활용한 비형식적 통계적 추리의 교수-학습: 문화역사적 활동이론의 관점에 따른 분석. 한국학교수학회논문집, 26(1), 21-47.
  14. 송유경, 송석리, 김예지, 임철일(2021). 데이터 리터러시 향상을 위한 데이터 기반 토론 수업 모형 및 교수전략 개발 연구. 교육공학연구, 37(4), 943-982.
  15. 양수진, 장명덕(2012). 초등학생들의 과학 선 그래프 작성 및 해석 과정 분석. 초등과학교육, 31(3), 321-333.
  16. 오영열, 이윤경(2022). 데이터 기반 통계교육을 위한 초등학생의 데이터 관련 오류적 인식 사례 분석. 한국초등교육, 33(4), 91-108.
  17. 정인진, 박경애, 이지은(2023). 중등학교 교과서 기후변화 관련 온실 기체 데이터 시각화 수업 활동 자료 개발. 현장과학교육, 17(4), 416-430.
  18. 정혜윤, 유선아(2023). 복잡한 데이터를 활용한 모델 기반탐구에서 나타난 예비교사의 과학적 상상력 발현 및 인식. 학습자중심교과교육연구, 23(4), 171-187.
  19. 지영명(2020). 비형식적 통계적 추리 지도를 위한 예비초등교사의 통계지식 연구. 서울대학교 대학원 박사학위논문.
  20. 최한나, 이종희(2023). 중학교 수학과 사회, 과학 교과서의 그래프 활동 및 이해 수준 분석. 교과교육학연구, 27(1), 108-125.
  21. Aberg Bengtsson, L., & Ottosson, T. (2006). What lies behind graphicacy? Relating students' results on a test of graphically represented quantitative information to formal academic achievement. Journal of Research in Science Teaching, 43(1), 43-62.
  22. Azzam, T., Evergreen, S., Germuth, A. A., & Kistler, S. J. (2013). Data visualization and evaluation. In T. Azzam & S. Evergreen (Eds.), Data visualization, part 1. New Directions for Evaluation, 139, 7-32.
  23. Binali, T., Chang, C. H., Chang, Y. J., & Chang, H. Y. (2022). High school and college students' graph-interpretation competence in scientific and daily contexts of data visualization. Science & Education, 1-23.
  24. Borner, K., Bueckle, A., & Ginda, M. (2019). Data visualization literacy: Definitions, conceptual frameworks, exercises, and assessments. Proceedings of the National Academy of Sciences, 116(6), 1857-1864.
  25. Chai, C. P. (2020). The importance of data cleaning: Three visualization examples. Chance, 33(1), 4-9.
  26. Chang, H. Y., Chang, Y. J., & Tsai, M. J. (2024). Strategies and difficulties during students' construction of data visualizations. International Journal of STEM Education, 11(11), 1-22.
  27. Farmer, S. (2012). Real graphs from real data: Experiencing the concepts of measurement and uncertainty. School Science Review, 346, 81-84.
  28. Gilbert, J. K. (2005). Visualization: A metacognitive skill in science and science education. In Gilbert, J. K.(Eds.), Visualization in science education. (pp. 9-27). Dordrecht: Springer Netherlands.
  29. Glazer, N. (2011). Challenges with graph interpretation: A review of the literature. Studies in Science Education, 47(2), 183-210.
  30. Gobert, J. D., Moussavi, R., Li, H., Sao Pedro, M., & Dickler, R. (2018). Real-time scaffolding of students' online data interpretation during inquiry with Inq-ITS using educational data mining. Cyber-physical Laboratories in Engineering and Science Education, 191-217.
  31. Hillmayr, D., Ziernwald, L., Reinhold, F., Hofer, S. I., & Reiss, K. M. (2020). The potential of digital tools to enhance mathematics and science learning in secondary schools: A context-specific meta-analysis. Computers & Education, 153, 103897, 1-25.
  32. Maltese, A. V., Harsh, J. A., & Svetina, D. (2015). Data visualization literacy: Investigating data interpretation along the novice-expert continuum. Journal of College Science Teaching, 45(1), 84-90.
  33. Mensan, T., Osman, K., & Majid, N. (2020). Development and validation of unplugged activity of computational thinking in science module to integrate computational thinking in primary science. Education Science Education International 31(2), 142-149.
  34. Pols, C. F. J., Dekkers, P. J. J. M., & De Vries, M. J. (2021). What do they know? Investigating students' ability to analyse experimental data in secondary physics education. International Journal of Science Education, 43(2), 274-297.
  35. Prain, V., & Tytler, R. (2012). Learning through constructing representations in science: A framework of representational construction affordances. International Journal of Science Education, 34(17), 2751-2773.
  36. Rahmatina, D., & Zaid, N. M. (2019). Students' misconceptions in interpreting the mean of the data presented in a bar graph. International Journal of Insights for Mathematics Teaching, 2(1), 57-74.
  37. Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27-42.
  38. Volkwyn, T. S., Airey, J., Gregorcic, B., & Linder, C. (2020). Developing representational competence: Linking real-world motion to physics concepts through graphs. Learning: Research and Practice, 6(1), 88-107.
  39. Wong, V. (2017). Variation in graphing practices between mathematics and science: Implications for science teaching. School Science Review, 98(365), 109-115.
  40. Zagallo, P., Meddleton, S., & Bolger, M. S. (2016). Teaching real data interpretation with models (TRIM): Analysis of student dialogue in a large-enrollment cell and developmental biology course. CBE-Life Sciences Education, 15(2), 1-18.