• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Ольга Подольская о Data Culture в медиа образовании

Руководитель проекта Data Culture Высшей школы экономики, член Академического совета программы «Медиакоммуникации» рассказывает, что ждет Медиаком с точки зрения обучения цифровым навыкам.

Ольга Подольская о Data Culture в медиа образовании


Ольга Подольская — руководитель проекта Data Сulture Высшей школы экономики, который поменяет представление об учебе в современном вузе и фундаментальных предметах для адаптации в цифровой среде XXI века. Ольга также входит в состав академического совета образовательной программы «Медиакоммуникации». Этот коллективный орган определяет, как и чему будут учить бакалавров этого нового направления. О своем видении развития программы она рассказала Владу Николаенко. 

 

Ольга, скажите, какие навыки работы с данными необходимы тем, кто изучает медиакоммуникации? И какие предметы из блока Data Culture ждать уже в ближайшем будущем на ФКМД? 

 

Как и на большинстве образовательных программ, для «Медиакоммуникаций» задумано несколько курсов в линейке Data Culture. Расскажу подробно про первый обязательный блок, который стартует в апреле этого года. Это модуль по анализу данных, встроенный в проектный семинар второкурсников. В данном модуле мы планируем охватить две основных темы: рассказать про обработку данных, основы статистики и проверку гипотез, и дать основы машинного обучения, поработать с текстовыми данными и выполнить небольшие самостоятельные проекты. Однако, так как курс новый и постоянно разрабатывается и дополняется, окончательный план может претерпеть некоторые изменения в итоге.  

 

Начнём с азов статистики. Звучит, возможно, страшно, но основная задача, которую мы ставим — показать, что статистика — это про жизнь, а отсутствие грамотного анализа из-за незнания её основ часто приводит к неблагоприятным последствиям. Преподаватели будут на примерах объяснять, как статистика помогает медиа более прозрачно и достоверно рассказывать о разных событиях, разбирать анализ статистики на прикладных отраслевых задачах — например, анализировать распределение доходов телезрителей.  

 

Обязательно поговорят со студентами про искажение статистических данных и основные приемы манипулирования данными — о том, как, например, распознать недобросовестность источника по некорректной визуализации данных. Заключительным в этой теме будет блок про проверку гипотез, где студенты среди прочего сами потренируются оценивать значимость изменений с помощью программных средств. 

 

В части про основы машинного обучения преподаватели планируют рассказать про основные понятия и инструменты машинного обучения — как они работают в медиа, используются СМИ и развлекательным сектором, также рассмотрят возможности применения машинного обучения в прикладных отраслевых задачах на примере рекомендательных систем: как, допустим, работают рекомендации в социальных сетях, у Netflix или Яндекс.Музыки. 

 

Это будет вводный курс, который должен дать общее представление о том, что такое data science и какую роль эта область играет в медиа-бизнесе. Однако, соблюдая законы проектного семинара, мы обязательно уделим время практике и самостоятельным небольшим проектам. Мы хотим, чтобы после этого курса студенты могли грамотно ставить задачу профессионалам и понимать терминологию, а чтобы всё это усвоить, необходимо поделать что-то с данными своими руками. 

 

Что касается остальных курсов из линейки Data Culture, то они будут нацелены на расширение технических навыков таких как, например, работа с базами данных с помощью SQL, программирование на Python, а также на более глубокое погружение в работу с данными, которые дают обычно ключевую информацию в современном журналистском исследовании. Важно также поговорить о том, что такое открытые данные и как добывать данные из Интернета, научить понимать, какие инструменты для работы с данными стоит использовать, и обязательно уделить внимание способам визуализации и представлению результатов исследований в медиа.

  

Вы упомянули про язык программирования Python, который среди студентов уже стал своеобразным “мемом”. В связи с этим я не могу не задать вам вопрос, который волнует очень многих: зачем гуманитарию уметь программировать? 

 

Когда задумывался проект Data Culture, то в Вышке исходили из того, что умение работать с данными — это обязательный навык хорошо образованного современного человека. Университет от ПТУ отличает то, что в первом учащиеся получают разностороннее, комплексное образование, а не “затачиваются” под конкретную профессию. Слово ‘culture’ не случайно появилось в названии проекта: мы считаем, что цифровизация плотно интегрируется в окружающую нас культуру, и в скором времени мало какие задачи будут решаться без написания кода, при этом рынок профессиональных программистов ограничен — так навык программирования становится обязательным для других профессий.

Речь не идёт о том, чтобы сделать из гуманитария программиста, который разрабатывает программное обеспечение, придумывает его архитектуру — речь лишь об автоматизации рутинных задач и умении заставить машину работать на вас, быть более эффективными, не делать вручную то, что компьютер может сделать за вас, если написать ему несколько строчек кода.

На мой взгляд, не столько важны конкретные инструменты, сколько общее понимание их принципов работы и ограничений методов, которые применяются для анализа. Инструменты меняются очень быстро, среди них есть более универсальные вроде языков программирования, а есть специфичные, которые принято применять в конкретной индустрии.  

 

Среди языков программирования сейчас язык Python является де-факто стандартным инструментом для анализа данных. Он достаточно простой для изучения, поэтому его часто изучают как первый язык программирования. Его популярность для решения задач анализа данных вызвана тем, что в нём есть и средства для удобного извлечения данных из Интернета, и средства для обработки данных: визуализации, работы табличными данными, а также различные библиотеки для современных методов анализа данных, включая методы машинного обучения — от простейших моделей до современных нейронных сетей.  

 

Обрабатывать данные машины умеют лучше. А что останется людям? Могут ли нас полностью заменить машины? 

 

Уметь обрабатывать данные — это полезный навык, но сам по себе он не несёт большой ценности, ведь основная цель использования данных — это на их основе принимать какие-то решения, понимать, что эти данные хотят сказать. И вот эти вопросы по интерпретации полученных численных результатов являются решающими и, как правило, не отдаются на откуп технологиям.  

 

В бизнесе всё чаще используется data-driven подход, когда основным критерием для принятия решений являются результаты измеримого эксперимента. Этот подход хорошо работает, например, для задач оптимизации, но бывают задачи, для которых этот подход не годится и выбор нужно делать в сторону data-informed подхода, при котором  данные рассматриваются как один из факторов для принятия решений, а наряду с ним учитываются и другие не менее важных факторы такие, например, как бизнес-цели, инсайты из общения с пользователями и так далее.  

 

Поэтому важно сочетать два умения: обрабатывать данные и правильно интерпретировать полученные результаты, знать различные подходы и понимать, какой применять в каждой конкретной ситуации — вот тогда есть шанс, что тебя не заменит машина. 

 

Как, на ваш взгляд, будет выглядеть отрасль медиакоммуникаций в будущем? 

 

Область медиакоммуникаций сочетает в себе три поля: драматургическое, технологическое и менеджериальное. Учитывая, какими бешеными темпами развивается сейчас второе, я думаю, как минимум это значительно повлияет на всю отрасль в целом и разовьёт её в цифровой плоскости: чат-боты, автоматическая генерация нейросетями разнообразного контента, AR/VR-технологии — всё это уже сейчас занимает всё больше места в медиа и трансформирует область.  

 

Что вы сделаете в первую очередь в Академическом совете? 

 

Поскольку в Академическом совете я “представляю интересы” цифровых технологий и обучения навыкам работы с данными, то я вижу свою задачу в том, чтобы привлекать на программу опытных специалистов, которые понимают, как работают данные в медиа и какие навыки необходимы выпускникам. Это сложная задача, поскольку нам нужны такие мифические единороги, которые с одной стороны, знают всё про данные, а с другой — имеют экспертизу и опыт в медиа. А ещё, конечно, хотят преподавать в университете и делают это хорошо и с любовью. Но именно таких людей мы ставим себе целью привлекать в проект Data Culture, и я верю, что вместе с коллегами из Академического совета мы сможем достичь правильного баланса коммуникативных, технологических и творческих навыков, которые нужны выпускникам программы “Медиакоммуникации”. 

 

Об Ольге Подольской  

Ольга Подольская — кандидат физико-математических наук, область научных интересов — теория сложности вычислений в дискретной математике. С 2015 года работает на факультете компьютерных наук ВШЭ, занимается цифровизацией образования: проектами факультета в области онлайн-образования и общеуниверситетским проектом Data Culture, базой для которого и стал ФКН. 

О проекте Data Culture  

С 2017 года в бакалавриате НИУ ВШЭ развивается проект Data Culture. Его цель — обогащение учебных планов образовательных программ курсами, нацеленными на формирование навыков работы с данными. Команда проекта базируется на Факультете компьютерных наук. На факультетах для каждой программы отдельно разрабатываются целые линейки курсов по тематике Data Culture. Среди них есть как обязательные курсы, так и курсы по выбору, могут быть и факультативы, научно-исследовательские и проектные семинары, а также майнор “Интеллектуальный анализ данных” как опция для всех студентов бакалавриата. Среди других курсов, организуемых в рамках Data Culture: “Искусственный интеллект и большие данные”, “Цифровая грамотность”, “Основы анализа данных в международных отношениях”.