本学のデータサイエンス副専攻の取り組みが、文部科学省が推進する数理・データサイエンス・AI教育プログラム認定制度(リテラシーレベル)に認定されました(認定の有効期限:令和8年3月31日まで)。

1. 文部科学省 「数理・データサイエンス・AI教育プログラム認定制度」(リテラシーレベル)

 学生の数理・データサイエンス・AIへの関心を高め、かつ、数理・データサイエンス・AIを適切に理解し、それを活用する基礎的な能力を育成することを目的として、数理・データサイエンス・AIに関する知識及び技術について体系的な教育を行うものを文部科学大臣が認定及び選定して奨励する制度です。6月30日に発表された第1回認定では国公私立大学を含む11校が選定、東京都内では唯一、本学が認定されました。

文部科学省「数理・データサイエンス・AI教育プログラム認定制度(リテラシーレベル)」

創価大学の認定内容

 

2. 創価大学 「データサイエンス副専攻」

 本学で実施するデータサイエンス副専攻とは、所属する学部学科のカリキュラムを学ぶ主専攻に加えて、データサイエンスに関する専門分野を学ぶことができる制度です。例えば、経済学部の学生が経済学部で設置する専門科目を学ぶかたわら、データサイエンス副専攻の科目を学び、その上で認定要件(単位数・通算 GPA)を満たしていれば、「主専攻:経済学」「副専攻:データサイエンス」として成績証明書及び卒業証明書に記載されます(2019年度生より導入)。

 

3.「データサイエンス入門」の全学必修化

 2022年度生より、リテラシーレベルの内容については、共通科目「データサイエンス入門」(2単位)として、全学部の学生が必修科目として1年次に学びます。

 その準備として、2021年度生より「データサイエンス入門」を日本語と英語で開講しています。また2020年度以前に入学した学生については、データサイエンス副専攻の必修科目「データ・サイエンス」(4単位)のなかで、リテラシーレベルの内容を学ぶことができます。なお全学必修化にともない、2022年度より「データ・サイエンス」は、「データサイエンス入門」の履修を前提とした科目へと授業内容を変更していきます。

 

4.本学のデータサイエンス教育の特色

 本学では、文系の学生であっても主体的にデータサイエンスを学べるように、学修ステップを明示し、学生の希望やレベルに応じた教育プログラムを用意しています。

 

  ステップ0:全学リテラシー教育

     全学必修科目「データサイエンス入門」(2021年度試験開講、2022年度生から1年次必修化)

  ステップ1:データサイエンス基礎教育

       「データサイエンス基礎科目」(データサイエンスの基礎になる科目群8~10単位)

  ステップ2:自らの専門における課題解決

        データサイエンス副専攻

  ステップ3:AIを活用して課題解決

    理工学部情報システム工学科生を対象としたデータサイエンス教育

5.実施体制

委員会等

役割

データサイエンス教育推進センター長

運営責任者

データサイエンス教育推進センター
学士課程教育機構運営委員会

プログラムの改善・進化、自己点検・評価

6.授業内容

①社会変化(第4次産業革命、Society 5.0、データ駆動型社会等)に深く寄与しているものであり、生活と密接に結びついていること

 Society 5.0の概念を学び、高度情報化社会を超えて、さまざまな分野でデータ・AIの利活用が始まっていることを理解する。具体的には(i) IoTやクラウドによるビッグデータの収集と蓄積、(ii) 計算機の処理能力の飛躍的向上、(iii)特化型の人工知の発達、(iv) 画像処理や自動運転またビジネスにおける応用、(v)データサイエンティストが果たす役割を学ぶ。

 データ利活用の最新動向として、ベイズ統計学、機械学習、深層学習の発展について概観する。また具体例として、マルコフ連鎖モンテカルロ法、サポートベクターマシーン、自然言語処理など、それぞれの分野で今後学んでいくべき領域を認識する。さらにデータサイエンティストに求められる役割を踏まえて、ビジネス、データサイエンス、データエンジニアのなかで自身がどこに主軸をおくのか考える。最後にデータサイエンティストが修得しておくべきスキルを確認する。

 

②数理・データサイエンス・AIは、日常生活や社会の課題を解決する有用なツールになり得ること

 社会で活用されているデータを知るために、教育⽤標準データセット(SSDSE)、教育⽤データ提供システム(北海道⼤学)、政府のeStatおよびIMFのHPにアクセスする。また上記のサイトのデータを利用して、調査データや観測データなどの違いを理解する。また市区町村のデータを使って構造化データの特徴を理解する。自身の関心のあるテーマについて実証分析を行うために、上記のサイトなどから利用可能なデータを探す。

 データ活用領域については、非常に広範囲であり、問題解決に役立つものであることを学ぶ。具体的に、研究開発、マーケティング、製造と物流、活動代替、新規生成などでの利活用について学ぶ。特に、マーケティングにおけるデータ活用として、POSデータの利用やAmazonのリコメンドシステムなどについて理解する。

 

③様々なデータ利活用の事例、適用領域の知見を組み合わせることでの価値創出

 データ・AI利活用の技術を俯瞰するための準備として、データの可視化について復習し、3次元プロット、地図データやネットワークの可視化、リアルタイム可視化など、これまで授業で扱ってこなかった可視化の方法を理解する。利活用の技術として、予測、グルーピング、パターン認識、最適化、シミュレーションなどの概念を理解する。

 データ・AI利活用の現場では、どのようなサイクルで仕事をしているのか知るために、データサイエンスのサイクル(課題抽出と定式化、データの取得・管理・加工、探索的データ解析、データ解析と推論、結果の共有・伝達、課題解決に向けた提案)を理解する。またデータ・AI利活用の事例として、キューピーの食品工場での不良検知やヘルスケアでの取り組みについて学ぶ。

 

④データの活用に関する様々な留意事項への理解

 データを利活⽤する際に求められるモラルや倫理について理解する。また捏造・改ざん・盗用などのリスクだけでなく、個人情報やプライバシーの保護について学ぶ。また匿名化や暗号化などデータを守る方法について理解する。特に、ハッキング、クラッキング、コンピュータウイルス、AIなどの技術や脅威について確認し、AI時代のELSIについて学ぶ。

 

⑤「データを読む、説明する、扱う」といった数理・データサイエンス・AIの活用法 

 統計学の基礎レベルの授業全体を通して、データを適切に読み解く力、データを適切に説明する力、データを適切に扱うための力を養う。さらに推定や仮説検定など統計分析の手法を理解し、現実のデータへ適切に応用する力を養う。

 また必修科目「データ・サイエンス」では、教育⽤標準データセット(SSDSE)、教育⽤データ提供システム(北海道⼤学)、政府のeStatおよびIMFのHPなどからデータを入手し、各人の関心をもとに仮説検証を行い、それをレポートにまとめる。なお、統計処理にはEXCELまたはコンピュータ言語を用いる。

TOPICS

More topics

EVENTS