Data literacy education requires methods that engage and

motivate students, as well as encourage task commitment. Best practices for teaching data literacy

education include collaboration between educators, organizations, and institutions to ensure goals

are being met by all stakeholders; diverse and creative teaching approaches and environment

including the effective use of technology; successive/iterative learning with complementary skills

integrated (e.g. project-based learning); emphasizing mechanics in addition to concepts (i.e.

practical, hands on learning); and increasing engagement with the content by using real world data.

Courses built on this model will connect learning with contributing to society or personal interests,

and encourages both in-school and lifelong learning. We have also identified gaps in our collective

understanding of data literacy education, which will require further research.

DATA LITERACY COMPETENCIES: We have synthesized a set of skills and abilities that together

comprise various levels of data literacy, which we present in a data literacy competencies matrix,

organized by the five core aspects of our data literacy definition (data, collection, management,
evaluation, application). This matrix is intended to form the basis of ongoing conversations about

standards for assessing and evaluating levels of data literacy, and to inform the creation of learning

outcomes in data literacy education.

CONCLUSION: For the benefit of students, employers, and society, data literacy must be

recognized as a necessary civic skill (Swan et al., 2009). This recognition should come from all levels

of government, and from post-secondary institutions. There needs to be agreement on what

elements of data literacy are necessary in an undergraduate core curriculum, in order to provide a

consistent foundational education for those entering an increasingly data-dependent workforce.2

Pendidikan literasi data membutuhkan metode yang melibatkan dan memotivasi siswa, serta mendorong
komitmen tugas. Praktik terbaik untuk mengajar literasi data pendidikan termasuk kolaborasi antara
pendidik, organisasi, dan lembaga untuk memastikan tujuan dipenuhi oleh semua pemangku
kepentingan; pendekatan pengajaran dan lingkungan yang beragam dan kreatif termasuk penggunaan
teknologi yang efektif; berurutan / pembelajaran berulang dengan keterampilan yang saling melengkapi
terintegrasi (misalnya pembelajaran berbasis proyek); menekankan mekanika selain konsep (yaitu
praktis, belajar langsung); dan meningkatkan keterlibatan dengan konten dengan menggunakan data
dunia nyata. Kursus yang dibangun pada model ini akan menghubungkan pembelajaran dengan
kontribusi kepada masyarakat atau kepentingan pribadi, dan mendorong pembelajaran di sekolah dan
seumur hidup. Kami juga mengidentifikasi celah dalam kelompok kami pemahaman tentang pendidikan
literasi data, yang akan membutuhkan penelitian lebih lanjut. KOMPETENSI LITERASI DATA: Kami telah
mensintesis satu set keterampilan dan kemampuan yang bersama-sama terdiri dari berbagai tingkat
literasi data, yang kami sajikan dalam matriks kemampuan literasi data, diselenggarakan oleh lima aspek
inti dari definisi literasi data kami (data, koleksi, manajemen, evaluasi, aplikasi). Matriks ini dimaksudkan
untuk membentuk dasar percakapan yang sedang berlangsung tentang standar untuk menilai dan
mengevaluasi tingkat literasi data, dan untuk menginformasikan penciptaan pembelajaran hasil dalam
pendidikan literasi data. KESIMPULAN: Untuk kepentingan siswa, pengusaha, dan masyarakat, literasi
data harus diakui sebagai keterampilan sipil yang diperlukan (Swan et al., 2009). Pengakuan ini harus
datang dari semua tingkatan pemerintah, dan dari institusi pasca sekolah menengah. Perlu ada
kesepakatan tentang apa elemen literasi data diperlukan dalam kurikulum inti sarjana, dalam rangka
menyediakan pendidikan dasar yang konsisten bagi mereka yang memasuki angkatan kerja yang semakin
bergantung pada data.

We addressed this question by examining existing strategies and best practices for teaching data

literacy, synthesizing documented explicit knowledge (from both formal and informal literature)

using a narrative-synthesis methodology. When necessary, we used our team's expertise to aid in

synthesizing and summarizing; this expertise spans multiple disciplines, including Science,

Computer Science, Business, Information Management, Arts and Social Sciences, and Education.

We begin by establishing the skills that comprise data literacy. Data literacy is the ability to collect,

manage, evaluate, and apply data, in a critical manner. We define the core skills and competencies

that comprise data literacy, using a thematic analysis of the elements of data literacy described in

peer-reviewed literature. These competencies (23 in total) and their skills, knowledge, and expected

tasks (64 in total) are organized under the top-level elements of the definition (data, collect, manage,
evaluate, apply) and are categorized as conceptual competencies, core competencies, and advanced

competencies. This view of data literacy is central to our synthesis, which includes two primary

sections: the context and strategic value of data literacy education, and best practices for teaching

data literacy across disciplines. There also remains much we do not know, and further steps that

need to be taken, to understand data literacy instructions. 4

Kami membahas pertanyaan ini dengan memeriksa strategi yang ada dan praktik terbaik untuk mengajar
data keaksaraan, mensintesiskan pengetahuan eksplisit yang terdokumentasi (baik dari literatur formal
maupun informal) menggunakan metodologi naratif-sintesis. Bila perlu, kami menggunakan keahlian tim
kami untuk membantu mensintesis dan meringkas; keahlian ini mencakup banyak disiplin ilmu, termasuk
Sains, Ilmu Komputer, Bisnis, Manajemen Informasi, Seni dan Ilmu Sosial, dan Pendidikan. Kami mulai
dengan membangun keterampilan yang terdiri dari literasi data. Literasi data adalah kemampuan untuk
mengumpulkan, mengelola, mengevaluasi, dan menerapkan data, dengan cara yang kritis. Kami
mendefinisikan keterampilan dan kompetensi inti yang terdiri dari literasi data, menggunakan analisis
tematik dari elemen literasi data yang dijelaskan dalam literatur peer-review. Kompetensi ini (total 23)
dan keterampilan mereka, pengetahuan, dan yang diharapkan tugas (64 total) diatur di bawah elemen
tingkat teratas dari definisi (data, mengumpulkan, mengelola, mengevaluasi, menerapkan) dan
dikategorikan sebagai kompetensi konseptual, kompetensi inti, dan lanjutan kompetensi. Pandangan
literasi data ini penting bagi sintesis kami, yang mencakup dua primer bagian: konteks dan nilai strategis
pendidikan literasi data, dan praktik terbaik untuk mengajar literasi data di seluruh disiplin ilmu. Masih
banyak yang tidak kita ketahui, dan langkah selanjutnya perlu diambil, untuk memahami instruksi literasi
data.

Twenty-first century citizens must harness twenty-first century skills to be successful in the

knowledge-based economy. Information is in abundance, and information is derived from data.

Data comes from innumerable producers, through an increasing number of outlets, in diverse
formats. The information/data atmosphere in society requires individuals to employ higher-order

thinking, which can be challenging to teach, and often involves non-traditional instruction. Twentyfirst
century skills include critical thinking, problem solving, and computational thinking. These

skills are difficult to hone when not built into curricula with intentionality. Critical thinking is a

foundational skill for 21st century thinking and data literacy. Working with data requires the ability

to ask the right questions and critically evaluate outcomes. Problem solving requires navigating

difficult situations thoughtfully. Computational thinking incorporates a level of both critical

thinking and problem solving; Wing describes the fundamental concepts as solving problems,

designing systems, and understanding human behavior (2008).

A consistent level of data literacy education across the workforce would have a positive impact on

employers, addressing the skills gap and the variance in data-related skills with which students

enter the workforce. Acquiring data skills informally can be very difficult, and results in

inconsistencies in practice and skill. The level of on-the-job training required would decrease,
allowing employers to focus on domain-specific training, or elements of data skill where employees

require mastery or fluency. As there is currently not a great deal of information about the specific

expectations of employers in various industries and sectors, it is important to consult broadly when

designing data literacy courses. The feedback available to date suggests that graduates are expected

to be adaptive, with skills that have transferrable application in data, technologies, and methods.

There is also a focus on data management, and the related information and knowledge management

skills. Data must be findable and usable for subsequent analysis and synthesis; data not effectively

managed from the point of collection becomes progressively more expensive to manage. One major

gap in existing literature is how to train current members of the workforce in data literacy.

An important societal and student expectation of post-secondary institutions is that they produce

globally competitive graduates. Data literacy, and the set of learning outcomes that align with data

literacy, is being recognized internationally as a necessary skill in the twenty-first century. While not

discussed in the literature, we have the sense that nationally we are behind but getting there; our
data literacy competencies matrix is a starting point for discussing national standards. Teaching data

literacy early develops foundational knowledge, which provides a basis on which to build

disciplinary or domain specific skills and abilities. It also encourages cross-disciplinary thinking and

applications, which can help students break out of academic silos, and enable creative and critical

thinking. Post-secondary institutions must consider data literacy in its national context, identify how

and where elements of data literacy are being taught in their existing courses and programs,

systematically identify and fill gaps in this teaching (finding room in their academic timetables as

necessary), and help students recognize data literacy (and/or its constituent elements) as a

transferable skill. 7

Warga abad dua puluh satu harus memanfaatkan keterampilan abad kedua puluh satu untuk menjadi
sukses di ekonomi berbasis pengetahuan. Informasi dalam kelimpahan, dan informasi berasal dari data.
Data berasal dari produsen yang tak terhitung banyaknya, melalui peningkatan jumlah outlet, dalam
beragam format. Suasana informasi / data dalam masyarakat menuntut individu untuk menggunakan
orde yang lebih tinggi berpikir, yang bisa menantang untuk mengajar, dan sering melibatkan pengajaran
non-tradisional. Dua puluh ??? keterampilan abad pertama termasuk berpikir kritis, pemecahan
masalah, dan pemikiran komputasional. Ini keterampilan sulit untuk mengasah ketika tidak dibangun ke
dalam kurikulum dengan intensionalitas. Berpikir kritis adalah a keterampilan dasar untuk pemikiran
abad ke-21 dan melek data. Bekerja dengan data membutuhkan kemampuan untuk mengajukan
pertanyaan yang tepat dan mengevaluasi hasil secara kritis. Pemecahan masalah membutuhkan navigasi
situasi sulit dengan serius. Pemikiran komputasional menggabungkan level keduanya kritis berpikir dan
memecahkan masalah; Wing menggambarkan konsep dasar sebagai pemecahan masalah, merancang
sistem, dan memahami perilaku manusia (2008). Tingkat pendidikan literasi data yang konsisten di
seluruh angkatan kerja akan berdampak positif pada pengusaha, mengatasi kesenjangan keterampilan
dan varians dalam keterampilan yang berhubungan dengan data dengan siswa masukkan tenaga kerja.
Mendapatkan keterampilan data secara informal bisa sangat sulit, dan menghasilkan inkonsistensi dalam
praktik dan keterampilan. Tingkat pelatihan di tempat kerja yang dibutuhkan akan menurun,
memungkinkan pengusaha untuk fokus pada pelatihan spesifik domain, atau elemen keterampilan data
di mana karyawan membutuhkan penguasaan atau kelancaran. Karena saat ini tidak ada banyak
informasi tentang spesifik harapan pengusaha di berbagai industri dan sektor, penting untuk
berkonsultasi secara luas kapan merancang program literasi data. Umpan balik yang tersedia sampai saat
ini menunjukkan bahwa lulusan diharapkan menjadi adaptif, dengan keterampilan yang memiliki aplikasi
yang dapat ditransfer dalam data, teknologi, dan metode. Ada juga fokus pada manajemen data, dan
informasi terkait dan manajemen pengetahuan keterampilan. Data harus dapat ditemukan dan
digunakan untuk analisis dan sintesis selanjutnya; data tidak efektif dikelola dari titik koleksi menjadi
semakin lebih mahal untuk dikelola. Satu mayor kesenjangan dalam literatur yang ada adalah bagaimana
melatih para anggota angkatan kerja saat ini dalam literasi data. Harapan masyarakat dan siswa yang
penting dari institusi pasca sekolah menengah adalah yang mereka hasilkan lulusan yang kompetitif
secara global. Literasi data, dan himpunan hasil pembelajaran yang selaras dengan data keaksaraan,
sedang diakui secara internasional sebagai keterampilan yang diperlukan di abad ke dua puluh satu.
Meskipun tidak dibahas dalam literatur, kami memiliki pengertian bahwa secara nasional kami berada di
belakang tetapi sampai di sana; kami matriks kompetensi literasi data adalah titik awal untuk membahas
standar nasional. Mengajar data keaksaraan awal mengembangkan pengetahuan dasar, yang
memberikan dasar untuk membangun keterampilan dan kemampuan khusus disiplin atau domain. Ini
juga mendorong pemikiran lintas disiplin dan aplikasi, yang dapat membantu siswa keluar dari silo
akademik, dan memungkinkan kreatif dan kritis berpikir. Lembaga pasca-sekolah menengah harus
mempertimbangkan literasi data dalam konteks nasionalnya, mengidentifikasi bagaimana dan di mana
elemen literasi data diajarkan di program dan program mereka yang sudah ada, secara sistematis
mengidentifikasi dan mengisi kekosongan dalam pengajaran ini (menemukan ruang dalam jadwal
akademik mereka sebagai diperlukan), dan membantu siswa mengenali literasi data (dan / atau elemen
penyusunnya) sebagai a keterampilan dialihkan.

Best Practices for Data Literacy Education

We identified several best practices for teaching data literacy in the literature, some of which differ

from "traditional" strategies but would be consistent with teaching practices already in use in
postsecondary institutions.
In any data literacy teaching scenario, the benefits of data, and data skills, must be clearly stated

from the beginning. This is particularly true for mid-career learners, who will be more willing to

invest their limited time and effort if they see the opportunity to help their community, industry,

family, or others.

Hands-on learning in workshops and labs provides students with the necessary practical experience

needed to fully understand a technical skill; students need the chance to figure out processes and

methods on their own and make mistakes to readjust their own understanding. Mechanics are very

important in data literacy; practice is required. Making mistakes can be frustrating, but will

encourage critical thinking and problem solving.

Module-based learning allows students to achieve learning outcomes in stages, in a systematic way.

Successive, or iterative, learning allows students to build upon previously learned skills,

encouraging process over memorization or following rigid instructions, and ultimately making

learning an unfamiliar concept more manageable. Beginning small and working up to the more
complicated tasks allows students to have confidence in their abilities.

Project-based learning is a helpful way to implement the successive learning approach. Projects that

include a wide range of investigation and have real-world applicability will solidify the connection

between process/theory and practice. The project will allow evaluators the chance to assess skills

practically, instead of formally.

Projects should include real-world data, relevant to the students' interests and in an engaging

context, not just data for the sake of data. Increased engagement in working with data can foster

innovation, improve learning, and increase the likelihood of lifelong learning. Projects should offer

students the opportunity to go further than you expect.

Integrating data literacy teaching into existing subjects that make use of some element of data

literacy is a way to integrate the systematic and formal teaching of data literacy into already-full

curricula.
Research Gaps and Further Work

There are aspects of data literacy, and data literacy education, which are not addressed sufficiently

by existing work. These include geospatial data literacy and GIS; sector-specific and industry-driven

data literacy requirements with input from outside of academic institutions; no standard for

assessing or evaluating data literacy levels; data security training for students without a computer

science background; the ethics of data and data-driven decision-making; and how to provide data

literacy training to the existing workforce in addition to new graduates. Our team will continue

work in this area; we are developing a data literacy assessment tool, we have applied for academic

innovation funding to produce course materials based on the results of this synthesis, and we will

share the knowledge we've synthesized in appropriate venues. This report and other resources

intended to assist in data literacy education will be posted to dataliteracy.ca.11

Praktik Terbaik untuk Pendidikan Literasi Data Kami mengidentifikasi beberapa praktik terbaik untuk
mengajar literasi data dalam literatur, beberapa di antaranya berbeda dari strategi "tradisional" tetapi
akan konsisten dengan praktik pengajaran yang sudah digunakan di lembaga sekunder pasca. Dalam
setiap skenario pengajaran literasi data, manfaat data, dan keterampilan data, harus dinyatakan dengan
jelas dari awal. Hal ini terutama berlaku untuk pelajar yang memiliki karier menengah, yang akan lebih
bersedia menginvestasikan waktu dan usaha mereka yang terbatas jika mereka melihat peluang untuk
membantu komunitas, industri, keluarga, atau yang lain. Pembelajaran langsung di bengkel dan
laboratorium memberi siswa pengalaman praktis yang diperlukan diperlukan untuk sepenuhnya
memahami keterampilan teknis; siswa membutuhkan kesempatan untuk mencari tahu proses dan
metode sendiri dan membuat kesalahan untuk menyesuaikan kembali pemahaman mereka sendiri.
Mekanika sangat penting dalam literasi data; latihan diperlukan. Membuat kesalahan bisa membuat
frustrasi, tetapi akan mendorong pemikiran kritis dan pemecahan masalah. Pembelajaran berbasis
modul memungkinkan siswa untuk mencapai hasil pembelajaran secara bertahap, dengan cara yang
sistematis. Pembelajaran yang berurutan, atau berulang, memungkinkan siswa untuk membangun
keterampilan yang telah dipelajari sebelumnya, mendorong proses melalui penghafalan atau mengikuti
instruksi yang kaku, dan akhirnya membuat belajar konsep yang tidak biasa lebih mudah dikelola.
Memulai dari yang kecil dan bekerja lebih keras tugas yang rumit memungkinkan siswa untuk memiliki
keyakinan pada kemampuan mereka. Pembelajaran berbasis proyek adalah cara yang bermanfaat untuk
menerapkan pendekatan pembelajaran yang berurutan. Proyek itu termasuk berbagai penyelidikan dan
penerapan di dunia nyata akan memperkuat sambungan antara proses / teori dan praktik. Proyek akan
memungkinkan evaluator kesempatan untuk menilai keterampilan praktis, bukan secara formal. Proyek
harus memasukkan data dunia nyata, yang relevan dengan minat siswa dan dalam keterlibatan konteks,
bukan hanya data demi data. Keterlibatan yang meningkat dalam bekerja dengan data dapat mendorong
inovasi, meningkatkan pembelajaran, dan meningkatkan kemungkinan pembelajaran sepanjang hayat.
Proyek harus menawarkan siswa kesempatan untuk melangkah lebih jauh dari yang Anda harapkan.
Mengintegrasikan pengajaran literasi data ke dalam mata pelajaran yang ada yang memanfaatkan
beberapa elemen data keaksaraan adalah cara untuk mengintegrasikan pengajaran literasi data secara
sistematis dan formal ke dalam yang sudah penuh kurikula. Kesenjangan Penelitian dan Pekerjaan Lebih
Lanjut Ada aspek literasi data, dan pendidikan literasi data, yang tidak ditangani secara memadai oleh
pekerjaan yang ada. Ini termasuk literasi data geospasial dan GIS; sektor-spesifik dan didorong industri
persyaratan literasi data dengan masukan dari luar lembaga akademik; tidak ada standar untuk menilai
atau mengevaluasi tingkat literasi data; pelatihan keamanan data untuk siswa tanpa komputer latar
belakang ilmu; etika data dan pengambilan keputusan berdasarkan data; dan bagaimana cara
menyediakan data pelatihan keaksaraan untuk tenaga kerja yang ada di samping lulusan baru. Tim kami
akan terus berlanjut bekerja di bidang ini; kami sedang mengembangkan alat penilaian literasi data, kami
telah mengajukan permohonan untuk akademik pendanaan inovasi untuk memproduksi materi kursus
berdasarkan hasil sintesis ini, dan kami akan berbagi pengetahuan yang telah kami kembangkan di
tempat yang tepat. Laporan ini dan sumber daya lainnya dimaksudkan untuk membantu dalam
pendidikan literasi data akan diposting ke dataliteracy.ca.

The implications of data literacy education at the postsecondary level are far-reaching. The volume

of data in the world is continuing to grow at an incredible rate. It was estimated in 2012 that 90% of
the world’s data had come into existence within the previous two years (Vesset, et al., 2014). The

society of the 21st century is arguably a data rich one. Any country that does not have a technology

and data-savvy citizenry will ultimately be left behind both socially and economically (Chinien &

Boutin, 2011; Organization for Economic Co-Operation and Development, 2013; Pentland, 2013). 13

Implikasi pendidikan literasi data di tingkat postsecondary jauh jangkauannya. Volume data di dunia
terus tumbuh pada tingkat yang luar biasa. Diperkirakan pada tahun 2012 bahwa 90% dari data dunia
telah muncul dalam dua tahun sebelumnya (Vesset, dkk., 2014). Itu masyarakat abad ke-21 ini bisa
dibilang orang kaya data. Negara manapun yang tidak memiliki teknologi dan warga negara yang paham
data pada akhirnya akan tertinggal secara sosial dan ekonomi (Chinien & Boutin, 2011; Organisasi untuk
Kerjasama dan Pengembangan Ekonomi, 2013; Pentland, 2013).

Barriers and Challenges

Teaching data literacy at the undergraduate level is often left out of curricula for social sciences

completely (Scheitle, 2006). This creates large gaps between educational experiences for students

entering the postgraduate level of study and the workforce (Swan & Brown, 2008).

Data literacy being taught at the commencement of post-secondary education would benefit

students to more easily integrate into their remaining discipline-specific eduation (Shorish,2015; and

Sapp Nelson, Zilinski, & Van Epps, 2014). This early engagement, before they have specialized, will
allow peers to work together on common problems, at similar skill levels (Swan, et al., 2009).

Technical skills are difficult to learn, if the student is inserted into the middle of the lesson; starting

from the beginning is especially important in learning technical skills. Some students may flourish,

but most are likely to feel defeated without prior knowledge to guide them. This is why building a

foundational knowledge of a skill is a very important part of the process (Littlejohn Shinder, 2013).

This review has identified different or synthesized levels of data skills, which can be found in

Appendix 1. This can assist in targeting learning to appropriate levels, or developing standards to

ensure consistent education opportunities.

It is difficult to begin with the basics with a professional audience with varying skill levels, and as

argued above, the earlier the education the better, as cross-disciplinary education maximizes the

impact and applicability to various situations (Gunter, 2007; Erwin, 2015; and Johnson, & Jeffryes,

2014). Data literacy is increasingly necessary in throughout all levels of society and industry, and a
natural extension of this is providing it to social sciences, humanities, and arts and culture

educational curriculum as well as natural science and business (Koltay, 2014; and Maycotte, 2014).

There are barriers to teaching data literacy at an interdisciplinary level, such as lack of depth

(Johnson & Jeffryes, 2014), but the essential skills of data literacy are similar to computational

thinking in some respects, and are more focused on the mental process to solve a problem, which is

a generally useful skill, rather than real technical skills (Czerkawski & Lyman, 2015).

Best Practices for Teaching Data Literacy

In this section, we synthesize documented best practices for data literacy education and instructions,

including the timing and mechanisms of delivering data literacy content. These are all presented in

light of the context and strategies for data literacy education described previously15

Hambatan dan Tantangan Pengajaran literasi data di tingkat sarjana sering ditinggalkan dari kurikulum
untuk ilmu sosial sepenuhnya (Scheitle, 2006). Ini menciptakan kesenjangan besar antara pengalaman
pendidikan bagi siswa memasuki tingkat pascasarjana studi dan tenaga kerja (Swan & Brown, 2008).
Literasi data yang diajarkan pada awal pendidikan pasca sekolah menengah akan bermanfaat siswa untuk
lebih mudah berintegrasi ke dalam edukasi khusus mereka yang tersisa (Shorish, 2015; dan Sapp Nelson,
Zilinski, & Van Epps, 2014). Keterlibatan awal ini, sebelum mereka memiliki spesialisasi, kehendak
memungkinkan rekan-rekan untuk bekerja sama dalam masalah umum, pada tingkat keterampilan yang
sama (Swan, et al., 2009). Keterampilan teknis sulit untuk dipelajari, jika siswa dimasukkan ke tengah-
tengah pelajaran; mulai sejak awal sangat penting dalam mempelajari keterampilan teknis. Beberapa
siswa mungkin berkembang, tetapi sebagian besar cenderung merasa kalah tanpa pengetahuan
sebelumnya untuk membimbing mereka. Inilah sebabnya mengapa membangun sebuah pengetahuan
dasar keterampilan adalah bagian yang sangat penting dari proses (Littlejohn Shinder, 2013). Ulasan ini
telah mengidentifikasi tingkat keterampilan data yang berbeda atau disintesis, yang dapat ditemukan di
Lampiran 1. Ini dapat membantu dalam menargetkan pembelajaran ke tingkat yang sesuai, atau
mengembangkan standar untuk memastikan peluang pendidikan yang konsisten. Sulit untuk memulai
dengan dasar-dasar dengan audiens profesional dengan berbagai tingkat keterampilan, dan sebagai
berpendapat di atas, semakin awal pendidikan semakin baik, karena pendidikan lintas disipliner
memaksimalkan dampak dan penerapan untuk berbagai situasi (Gunter, 2007; Erwin, 2015; dan Johnson,
& Jeffryes, 2014). Keaksaraan data semakin diperlukan di seluruh lapisan masyarakat dan industri, dan a
perpanjangan alami dari ini adalah menyediakannya untuk ilmu sosial, humaniora, dan seni dan budaya
kurikulum pendidikan serta ilmu alam dan bisnis (Koltay, 2014; dan Maycotte, 2014). Ada hambatan
untuk mengajar literasi data pada tingkat interdisipliner, seperti kurangnya kedalaman (Johnson &
Jeffryes, 2014), tetapi keterampilan penting dari literasi data mirip dengan komputasi berpikir dalam
beberapa hal, dan lebih fokus pada proses mental untuk memecahkan masalah, yaitu keterampilan yang
umumnya bermanfaat, daripada keterampilan teknis nyata (Czerkawski & Lyman, 2015). Praktik Terbaik
untuk Mengajarkan Literasi Data Di bagian ini, kami mensintesis praktik terbaik yang terdokumentasi
untuk pendidikan dan instruksi literasi data, termasuk waktu dan mekanisme pengiriman konten literasi
data. Ini semua disajikan dalam terang konteks dan strategi untuk pendidikan literasi data yang
dijelaskan sebelumnya

Appropriate Timing of Data Literacy Education

Delivery of data literacy education has been recommended at several educational levels/grades in

the research, and range from elementary school to Master programs. Erwin (2015) and Vahey et al.,

(2012) each recommend beginning with elementary aged students, which offers opportunities to

standardize across grades within existing well-defined curricula. Romani (2009) and the Ontario

Ministry of Education (2008) suggest that secondary education should include data literacy in

complementary subjects and using technology to help students recognize the transferable nature of
this skill. Any approach to data literacy at the post-secondary level will require awareness and

adaptation as standards evolve at earlier levels of education. This synthesis deliberately focuses on

post-secondary education, and does not assume the status quo will change at the elementary and

secondary levels.

Data literacy education is increasingly being offered at the post-graduate levels, providing students

with the skills and tools to deal with the ‘Big Data question’ (ACRL, 2014). However, teaching data

literacy at this level only affects a small number of students, as opposed to the undergraduate level.

Moreover, it is often more difficult to instill foundational knowledge at the post-graduate level. Qin

and D’Ignazio found in their feedback from masters level students that lack of background

knowledge makes data literacy jargon and exercises difficult to master; especially when there are

varying skill levels in the group (2010b). In terms of usability, Womack further argues that the skills

learned at a post-graduate level are very specific and discipline-focused. Additionally, teaching data
literacy education early in undergraduate programs could instill good practices and improve their

general study (2014). The effort institutions are making to include data into the curriculum is in the

right direction, but the mark is too far. Students must be educated in a meaningful way, not simply

to fill a void.

Delivery: From Courses to Workshops

Many authors believe that data literacy education should be effected through a stand-alone class

(Burdette & McLoughlin, 2010; Martin & Leger-Hornby, 2012; Qin & D’Ignazio, 2010b; and Swan, et

al., 2009), generally due to the essential nature of the skill. This solution is not necessarily ideal, as

current curricula are already full with required courses (Teal, et al., 2015; and Swan & Brown, 2008),

and that a one-size-fits-all class may not account for the varying backgrounds and skills students

have in their first few years of university education. Some researchers recommend in-class delivery

be supplemented with workshops to bridge the gaps and provide targeted help (Carlson, Johnson,

Westra & Nichols, 2013; and Swan & Brown, 2008). Others suggest supplementing in-class education
with online courses, providing specific assistance when needed (Gray, 2004, Hattwig, et al., 2013), or

to prepare students before entering an in-class course (MacMillan, 2010), but this idea did not

receive broad acknowledgement or validation19

Tepat Waktu Pendidikan Literasi Data Penyampaian pendidikan keaksaraan data telah direkomendasikan
pada beberapa tingkat / tingkat pendidikan di Indonesia penelitian, dan mulai dari sekolah dasar hingga
program Master. Erwin (2015) dan Vahey dkk., (2012) masing-masing merekomendasikan dimulai
dengan siswa usia dasar, yang menawarkan kesempatan untuk standarisasi di semua tingkatan dalam
kurikulum yang sudah didefinisikan dengan baik. Romani (2009) dan Ontario Departemen Pendidikan
(2008) menyarankan bahwa pendidikan menengah harus mencakup literasi data di Indonesia mata
pelajaran pelengkap dan menggunakan teknologi untuk membantu siswa mengenali sifat yang dapat
dipindahtangankan keterampilan ini. Setiap pendekatan untuk melek data di tingkat pasca-sekolah
menengah akan membutuhkan kesadaran dan adaptasi sebagai standar berevolusi pada tingkat
pendidikan sebelumnya. Sintesis ini sengaja berfokus pada pendidikan pasca sekolah menengah, dan
tidak menganggap status quo akan berubah pada tingkat dasar dan tingkat menengah. Pendidikan
literasi data semakin banyak ditawarkan di tingkat pasca sarjana, menyediakan siswa dengan
keterampilan dan alat untuk menghadapi 'pertanyaan Big Data' (ACRL, 2014). Namun, mengajar data
Keaksaraan pada tingkat ini hanya mempengaruhi sejumlah kecil siswa, dibandingkan dengan tingkat
sarjana. Selain itu, seringkali lebih sulit untuk menanamkan pengetahuan dasar di tingkat pascasarjana.
Qin dan D’Ignazio menemukan umpan balik dari siswa tingkat master yang kurang latar belakang
pengetahuan membuat jargon literasi data dan latihan sulit untuk dikuasai; terutama ketika ada berbagai
tingkat keterampilan dalam kelompok (2010b). Dalam hal kegunaan, Womack lebih lanjut berpendapat
bahwa keterampilan belajar di tingkat pascasarjana sangat spesifik dan berfokus pada disiplin. Selain itu,
mengajar data pendidikan keaksaraan pada awal program sarjana dapat menanamkan praktik-praktik
yang baik dan meningkatkannya studi umum (2014). Upaya yang dilakukan oleh lembaga untuk
memasukkan data ke dalam kurikulum ada di dalam arah yang benar, tetapi tandanya terlalu jauh. Siswa
harus dididik dengan cara yang berarti, bukan hanya untuk mengisi kekosongan. Pengiriman: Dari Kursus
ke Lokakarya Banyak penulis percaya bahwa pendidikan literasi data harus dilakukan melalui kelas yang
berdiri sendiri (Burdette & McLoughlin, 2010; Martin & Leger-Hornby, 2012; Qin & D’Ignazio, 2010b; dan
Swan, et al., 2009), umumnya karena sifat hakiki dari keterampilan. Solusi ini belum tentu ideal, seperti
Kurikulum saat ini sudah penuh dengan kursus yang diperlukan (Teal, et al., 2015; dan Swan & Brown,
2008), dan bahwa satu ukuran untuk semua kelas mungkin tidak memperhitungkan berbagai latar
belakang dan keterampilan siswa dalam beberapa tahun pertama pendidikan universitas. Beberapa
peneliti merekomendasikan pengiriman dalam kelas dilengkapi dengan lokakarya untuk menjembatani
kesenjangan dan memberikan bantuan yang ditargetkan (Carlson, Johnson, Westra & Nichols, 2013; dan
Swan & Brown, 2008). Yang lain menyarankan untuk melengkapi pendidikan dalam kelas dengan kursus
online, memberikan bantuan khusus bila diperlukan (Gray, 2004, Hattwig, et al., 2013), atau untuk
mempersiapkan siswa sebelum memasuki kursus di kelas (MacMillan, 2010), tetapi ide ini tidak
menerima pengakuan luas atau validasi

Data literacy competencies have overlapping skills with other practices,

and can be integrated into complementary subjects allowing students to build on strengths and

experiences of different disciplines (Swan & Brown, 2008)20

Kompetensi literasi data memiliki keterampilan yang tumpang tindih dengan praktik lain, dan dapat
diintegrasikan ke dalam mata pelajaran pelengkap yang memungkinkan siswa membangun kekuatan dan
pengalaman disiplin ilmu yang berbeda (Swan & Brown, 2008)

Assessment and Evaluation (A&E) occurs in two dimensions: A&E of data literacy education itself,

and A&E of students engaged in data literacy learning.

As established earlier, students’ levels of skill at commencement of courses and programs today are

varied and inconsistent. For this reason it is important for pre tests/surveys to be conducted (Swan,

et al., 2009; Jones, Ramanau, Cross, & Healing, 2009), to ensure that the education is understandable

and appropriate for everyone, and allows for individual targeted help, or changes to the pace of the

instruction (Reeves & Honig, 2015; and Qin & D’Ignazio, 2010b). Post test/surveys can then provide
feedback for improvements for future design or application (Qin & D’Ignazio, 2010b; Reeves &

Honig, 2015), ranging from tools, to instruction, to subject matter. A data literacy self assessment

tool, informed by a need-driven competencies matrix like the one in Appendix 1, will help track

success at imparting necessary knowledge and skills to students.

Assessment and evaluation of students is essential in the education process. Without validation, the

instructor cannot know whether the instruction was effective or useful. The challenge arises in the

method of conducting these for data literacy and twenty-first century skills. Swan and Brown argue

that formal skills assessment is not as favored as practical assessment (2008), probably due to data

literacy being a skill, not simply knowledge. Liquete recognizes that assessment must encompass

more than just information, content, and results, but evaluation of the entire process (2012). Hattwig,

Bussert, Medaille, and Burgess argue iterative assessment is the best way to evaluate data literacy

(2013), ensuring that all aspects of the skill are understood, and not just parts of the whole. Chinien

and Boutin recommend qualitative and quantitative analysis be joined through scenario-based
testing, which measures cognitive and technical skills (2011).

There are several resources available for consultation that can be integrated into data literacy

assessment. As mentioned above, Information and Visual literacies have many overlapping

competencies; the ALA’s ACRL Information Literacy Competency Standards for Higher Education (2000)

and ACRL Visual Literacy Competency Standards for Higher Education (2011) include performance

indicators that can be incorporated in data literacy assessment and evaluation. The OECD provides

educators with a description of proficiency levels for task centred assessment, as well as highlights22

Penilaian dan Evaluasi (A & E) terjadi dalam dua dimensi: A & E pendidikan literasi data itu sendiri, dan A
& E siswa yang terlibat dalam pembelajaran literasi data. Seperti yang telah ditetapkan sebelumnya,
tingkat keterampilan siswa pada saat memulai kursus dan program saat ini bervariasi dan tidak
konsisten. Untuk alasan ini penting untuk pre test / survei yang akan dilakukan (Swan, et al., 2009; Jones,
Ramanau, Cross, & Healing, 2009), untuk memastikan bahwa pendidikan dapat dimengerti dan sesuai
untuk semua orang, dan memungkinkan untuk bantuan yang ditargetkan secara individu, atau
perubahan pada kecepatan instruksi (Reeves & Honig, 2015; dan Qin & D’Ignazio, 2010b). Uji pos / survei
kemudian dapat menyediakan umpan balik untuk perbaikan untuk desain atau aplikasi mendatang (Qin
& D’Ignazio, 2010b; Reeves & Honig, 2015), mulai dari alat, instruksi, hingga materi pelajaran. Penilaian
diri literasi data alat, yang diinformasikan oleh matriks kompetensi yang digerakkan oleh kebutuhan
seperti yang ada dalam Appendix 1, akan membantu melacak keberhasilan dalam menanamkan
pengetahuan dan keterampilan yang diperlukan kepada siswa. Penilaian dan evaluasi siswa sangat
penting dalam proses pendidikan. Tanpa validasi, itu instruktur tidak dapat mengetahui apakah instruksi
itu efektif atau berguna. Tantangan muncul di metode melakukan ini untuk melek data dan keterampilan
abad dua puluh satu. Swan dan Brown membantah bahwa penilaian keterampilan formal tidak disukai
seperti penilaian praktis (2008), mungkin karena data keaksaraan sebagai keterampilan, bukan hanya
pengetahuan. Liquete mengakui bahwa penilaian harus mencakup lebih dari sekedar informasi, konten,
dan hasil, tetapi evaluasi seluruh proses (2012). Hattwig, Bussert, Medaille, dan Burgess berpendapat
penilaian berulang adalah cara terbaik untuk mengevaluasi literasi data (2013), memastikan bahwa
semua aspek keterampilan dipahami, dan bukan hanya bagian dari keseluruhan. Chinien dan Boutin
merekomendasikan analisis kualitatif dan kuantitatif digabungkan melalui skenario berbasis pengujian,
yang mengukur keterampilan kognitif dan teknis (2011). Ada beberapa sumber daya yang tersedia untuk
konsultasi yang dapat diintegrasikan ke dalam literasi data penilaian. Seperti disebutkan di atas, literasi
Informasi dan Visual memiliki banyak tumpang tindih kompetensi; Standar Kompetensi Akreditasi
Informasi ACRL ALA untuk Pendidikan Tinggi (2000) dan ACRL Standar Kompetensi Keaksaraan Visual
untuk Pendidikan Tinggi (2011) termasuk kinerja indikator yang dapat dimasukkan dalam penilaian dan
evaluasi literasi data. OECD menyediakan pendidik dengan deskripsi tingkat kemahiran untuk penilaian
yang berpusat pada tugas, serta sorotan