データサイエンス基礎力育成?認定プログラム
鸿运国际_鸿运国际app_中国竞彩网重点推荐の運営母体である学校法人鸿运国际_鸿运国际app_中国竞彩网重点推荐は、2017年に創立100周年を迎えましたが、この2017年の100周年に向け、鸿运国际_鸿运国际app_中国竞彩网重点推荐では「国際教育」「理数系教育」「情操?教養教育」を教育改革の「３つの柱」として推進する計画、「第二世紀プラン」を策定しました。
この計画策定を受けて、本学（鸿运国际_鸿运国际app_中国竞彩网重点推荐）でも理数的教養を通じて論理的な思考力を強化することを目的とした「理数系教育」の推進を図ることとなりました。こうした経緯から、各学部?学科の専門知識に加えて、文系大学においても数理科学のリテラシーを持ち、データサイエンスの視点を兼ね備えた、次世代の社会を担う人材を育成すべく、2015年度に全学共通教育科目にデータサイエンス科目群が設置されました。この科目群の設置は、日本IBM東京基礎研究所の協力を得て実現したもので、全国の文系大学の中では先駆けとなるものでした。以降、本学はデータサイエンス科目を年次進行と共に順次開講し、データサイエンス教育に精力的に取り組んできました。
データサイエンス科目群は共通教育研究センターの管轄下に置かれておりましたが、2019年に本学のデータサイエンス教育と研究を担うべく「データサイエンス教育研究センター（以下、「センター」という）が開設され、科目群の管轄はセンターに移管されました。
2019年11月にはセンター開設記念シンポジウム「人文?社会科学系大学におけるデータサイエンス教育」を開催し、2020年10月には世田谷プラットフォーム後援によりFD講演会「全学共通教育科目としてのデータサイエンス教育」を開催しました。
2021年1月にセンターは新校舎大学9号館に移転しました。同年4月から本格稼働した新校舎には、アクティブラーニングも可能なデータサイエンス科目群専用教室と専用教室に隣接してデータサイエンス担当教員研究室を備えました。また、高性能ノートPCや汎用コンピュータ等も導入され、綿密な学生指導等を行う環境が整いました。
2021年6月には、「数理?データサイエンス教育強化拠点コンソーシアム」に関東?首都圏ブロックの連携校として加盟しました。
2021年度から学内向け「データサイエンス?コンテスト」と「データサイエンス?ワークショップ」を開催しております。毎年、ブラッシュアップしながら開催していく予定です。本学では今後も、センターを中心にデータサイエンス教育と研究を推し進めていきます。
１．教育プログラムの名称
鸿运国际_鸿运国际app_中国竞彩网重点推荐では、データサイエンス科目群開設当初から「データサイエンス基礎力育成?認定プログラム（以下、「プログラム」という）を実施してきました。本プログラムを文部科学省「数理?データサイエンス?AIプログラム認定制度（リテラシーレベル）」に対応したプログラムとして認定申請し、2021年8月4日付で認定されました。
２．プログラムの実施体制
| 役割 | 委員会等 |
|---|---|
| プログラム運営責任者 | データサイエンス教育研究センター長 |
| プログラムを改善?進化させるための体制 | データサイエンス教育研究センター委員会 |
| プログラムの自己点検?評価を行う体制 | データサイエンス教育研究センター自己点検?評価委員会 |
３．プログラムを構成する授業科目と修了要件
本プログラムを構成する授業科目は以下の通りで、所定の単位を修得すると「ディプロマ」を認定し、修了証及びオープンバッジを発行します。なお、これらの科目は全学部?全学年に等しく開講されており、各学生が履修したい年次?学期に履修することが出来ます。
４．プログラムにおいて身に付けることの出来る能力
本プログラムは、データサイエンスの視点を持った文系人材を育成することを目的とし、プログラムの学修成果として、受講学生たちはデータドリブンな思考（データを起点とした論理的?科学的な思考）を身につけることが出来ます。具体的には以下の通りです。
①ビッグデータ等の多種多様な情報を効果的に活用するための知識と技能を習得することが出来る。
②代表的な統計学の解析手法や、数値化されていないデータを加工する手法等、データサイエンスを支える統計について、実践的な知識を習得することが出来る。
③卒業後どのような分野に進んでも活かせるデータ分析力を身につけることが出来る。
④問題を発見し、データサイエンスを通じて解決する能力を高めることが出来る。
５．プログラムを構成する授業科目の方法及び内容（2023年度開講科目）
各授業科目の方法及び内容は、以下の授業科目名をクリックすると、シラバスが表示されます。
６．モデルカリキュラムとの対応（リテラシ－レベル）
「数理?データサイエンス教育強化拠点コンソーシアム」のモデルカリキュラム（リテラシーレベル）と本プログラムとの対応表は以下の通りです。
| モデルカリキュラム | 学修内容 | 実施科目 |
|---|---|---|
| 1.社会におけるデータ?AI利活用 | ||
| 1-1. 社会で起きている変化 | 社会で起きている変化を知り、数理?データサイエンス?AIを学ぶことの意義を理解するAIを活用した新しいビジネス/サービスを知る | データサイエンス概論 |
| 1-2. 社会で活用されているデータ | どんなデータが集められ、どう活用されているかを知る | データサイエンス概論 |
| 1-3. データ?AIの活用領域 | さまざまな領域でデータ?AIが活用されていることを知る | データサイエンス概論 |
| 1-4. データ?AI利活用のための技術 | データ?AIを活用するために使われている技術の概要を知る | データサイエンス概論 |
| 1-5. データ?AI利活用の現場 | データ?AIを活用することによって、どのような価値が生まれているかを知る | データサイエンス概論 |
| 1-6. データ?AI利活用の最新動向 | データ?AI利活用における最新動向（ビジネスモデル、テクノロジー）を知る | データサイエンス概論 |
| 2.データリテラシー | ||
| 2-1. データを読む | データを適切に読み解く力を養う | データサイエンス概論 データサイエンス基礎 |
| 2-2. データを説明する | データを適切に説明する力を養う | データサイエンス概論 データサイエンス基礎 |
| 2-3. データを扱う | データを扱うための力を養う | データサイエンス概論 データサイエンス基礎 |
| 3.データ?AI利活用における留意事項 | ||
| 3-1.データ?AIを扱う上での留意事項 | データ?AIを利活用する上で知っておくべきこと | データサイエンス概論 |
| 3-2.データを守る上での留意事項 | データを守る上で知っておくべきこと | データサイエンス概論 |
| 4. オプション（選択） | ||
| 4-1. 統計および数理基礎 | 数学基礎および統計基礎を学ぶ | データサイエンス基礎 |
| 4-2. アルゴリズム基礎 | アルゴリズム基礎を学ぶ | データサイエンス基礎 |
| 4-3. データ構造とプログラミング基礎 | データ構造とプログラミング基礎を学ぶ | データサイエンス概論 データサイエンス基礎 |
| 4-4. 時系列データ解析 | 時系列データ解析の概要を知る | データサイエンス基礎 |
| 4-5. テキスト解析 | 自然言語処理の概要を知る | データサイエンス概論 データサイエンス基礎 |
| 4-6. 画像解析 | 画像解析の概要を知る | データサイエンス概論 データサイエンス基礎 |
| 4-7. データハンドリング | 大規模データをハンドリングする力を養う | データサイエンス基礎 |
| 4-8. データ活用実践（教師あり学習） | データ利活用プロセス（教師あり学習）を体験し、データを使って考える力を養う | データサイエンス概論 |
７．モデルカリキュラムとの対応（応用基礎レベル）
「数理?データサイエンス教育強化拠点コンソーシアム」のモデルカリキュラム（応用基礎レベル）と本プログラムとの対応表は以下の通りです。
| モデルカリキュラム | 学修内容 | 実施科目 |
|---|---|---|
| （１）データサイエンスとして、統計学を始め様々なデータ処理に関する知識である「数学基礎（統計数理、線形代数、微分積分）」に加え、ＡＩを実現するための手段として「アルゴリズム」、「データ表現」、「プログラミング基礎」の概念や知識の習得を目指す。 | ||
| 1-6. 数学基礎 | データアナリティクス基礎 | |
| 1-7. アルゴリズム | データアナリティクス基礎 機械学習基礎 |
|
| 2-2. データ表現 | データアナリティクス基礎 機械学習基礎 |
|
| 2-7. プログラミング基礎 | データアナリティクス基礎 機械学習基礎 |
|
| （２）ＡＩの歴史から多岐に渡る技術種類や応用分野、更には研究やビジネスの現場において実際にＡＩを活用する際の構築から運用までの一連の流れを知識として習得するＡＩ基礎的なものに加え、「データサイエンス基礎」、「機械学習の基礎と展望」、及び「深層学習の基礎と展望」から構成される。 | ||
| 1-1. データ駆動型社会とデータサイエンス | データアナリティクス基礎 機械学習基礎 |
|
| 1-2. 分析設計 | データアナリティクス基礎 | |
| 2-1. ビッグデータとデータエンジニアリング | データアナリティクス基礎 機械学習基礎 |
|
| 3-1. AIの歴史と応?分野 | 機械学習基礎 | |
| 3-2. AIと社会 | 機械学習基礎 | |
| 3-3. 機械学習の基礎と展望 | データアナリティクス基礎 機械学習基礎 |
|
| 3-4. 深層学習の基礎と展望 | 機械学習基礎 | |
| 3-9. AIの構築と運? | 機械学習基礎 | |
| （３）「データを人や社会にかかわる課題の解決に活用できる人材」に関する理解や認識の向上に資する実践の場を通じた学習体験を行う学修項目群。応用基礎コアのなかでも特に重要な学修項目群であり、「データエンジニアリング基礎」、及び「データ?ＡＩ活用 企画?実施?評価」から構成される。 | ||
| Ⅰ |
|
データアナリティクス基礎 機械学習基礎 |
| Ⅱ |
|
データアナリティクス基礎 機械学習基礎 |
8．内部評価
