数据科学带教

本板块的其他每一页，都是从一个学过该主题的人的座位上写的。这一页是从另一个座位上写的——那个你得让别人理解它的座位。我通过墨尔本大学的同伴带教项目和澳国立的 Analytics Plus 项目带教数据科学的学生，而这改变了我看待整个领域的方式。

教学最大的意外，是它教会你多少。你无法解释你只懂一半的东西——你自己知识里的缺口，会在一个学生问「可是为什么？」的那一刻浮现。这一页是本板块其余部分的反思性对应物：不是一个我学过的主题，而是「学着去教这些主题」教会了我的东西。

从书桌的另一边

带教数据科学不同于辅导单一科目，因为这个领域太广，而学习者来自四面八方——怕代码的数学人、怕统计的程序员、对两者都陌生的领域专家。这份工作不是灌输事实；而是帮一个人建起一个他们能自行扩展的心智模型。一个好的带教者，会把自己做到失业。

这重新框定了下面的一切。一次辅导的目标不是回答你面前的那个问题——而是让学生在没有你的情况下，对下一个问题更有能力一点。独立，而非依赖，才是衡量标准。

学习者在哪里卡住

辅导得足够多之后，你会一次次看到同样的墙，而它们几乎没有一个是关于智力的：

数学焦虑之墙——一个深信自己「不是数学的料」的学习者，在一个公式前僵住，而那公式若先用文字拆解开来，他们本是能懂的。这道阻碍，在成为技术性之前，先是情绪性的。
工具执念——纠结于用哪个库、哪个模型，而不去问他们究竟想回答什么问题。他们要的是先「怎么做」、后「做什么」，这是反的（问题优先的教训）。
照着教程走却不理解——他们能把一个笔记本从头跑到尾、感觉很有成效，但改动一处它就垮了，因为他们跟着的是步骤，而非抓住了那些步骤为什么奏效。

认出某人撞的是哪道墙，比懂材料更要紧，因为应对方式完全不同。数学焦虑的学习者需要安抚与直觉；工具执念的学习者需要被拉回到问题上；照教程走的人需要被要求在运行之前先预测。

把难的东西讲简单

带教的核心手艺，是把难的东西讲简单、又不讲错。几个技巧承担了大部分工作：

直觉先于形式——先给画面，再给公式。「梯度下降是在雾中下山」比方程更先落地，然后方程才有处可附着。
类比——把新想法连到他们已经知道的东西上。整个知识板块都建立在这之上：一张模型卡、一片有雾的山坡、桌面上的一道影子。
「讲回来」测试——理解的真正检验不是他们点不点头；而是他们能否用自己的话把它讲给你听。如果讲不出，缺口正好就在他们的讲解断掉之处。

带教者的策略手册

几条吃过苦头才学到的、能让一次辅导奏效的原则：

在他们所在之处与他们相会——对准他们的实际水平，而非你希望他们所在的水平。讲得太高，会让他们掉队；讲得太低，会让他们无聊。
有益的挣扎——别把答案直接递过去。学习发生在搏斗之中，所以用问题引导，让他们自己抵达。感觉最慷慨的帮助（直接告诉他们）教得最少。
调试思维，而非代码——当某处坏了，错误通常在心智模型里，而非语法里。修好误解，代码自会修好；只修代码，误解下周还会回来。

带教的循环。学习者尝试、卡住，而带教者的工作是问出那个能疏通其思维的问题——而非把答案递过去——好让他们自己抵达，并能在下一次再做一遍。

真实、杂乱的数据

教科书用干净的数据集教学；世界递给你的是一团乱。一个带教者能做的最有价值的事情之一，是尽早把学习者从整洁的玩具问题挪到真实、杂乱的数据上——因为真正的技能就活在那里。与缺失值、古怪的格式、含糊的问题搏斗，教会的是任何干净教程都教不了的：大部分工作就是数据，而判断力比背下来的步骤更要紧。

它也建立起与「卡住」之间正确的关系。在真实数据上，人人时时刻刻都卡着；把这件事正常化—— 「这就是工作本身，不是你失败的迹象」——便是让一个学习者坚持下去的一半。

教学让学习更深

这个现象有个名字——门徒效应：当你为教某材料、并把它讲给别人而做准备时，你会学得更深。教学逼着你整理自己的知识、找出缺口，并构建那种只有你真正理解后才存在的干净解释。我从带教数据科学中学到的，比坐在某些课堂里学到的还多。

坦白说，这正是这个知识板块存在的全部理由。从零写每一页，是规模化的教学——而不得不把嵌入、自助法、或 CAP 定理讲清楚这件事本身，正是让我自己的理解保持锋利的东西。这个板块就是门徒效应，施加于我自己。

没人考的技能

带教让一样课程从不评分的东西浮出水面：在真实的数据科学里，沟通与判断力与数学同等要紧。初学者系统性地低估这一点——他们以为工作是算法，而工作其实是框定正确的问题、与人协作、并把结果讲清楚以让它被用起来（沟通页）。我能为一个学员做的最好的事，是拓宽他们对「技能」的定义，把没有考试衡量的那些部分也纳进来。

通往我工作的贯穿线

60 秒回顾

反映了当前关于讲授数据科学与统计的文章（数据科学教育类文章、学徒/带教模型），以及亲身的带教经验。