| Раздел 1. Обработка данных как компонент современного содержания информатики | Роль данных в современной информатике и цифровом образовании. Обработка данных как предмет обучения, инструмент педагогического исследования и компонент цифровой образовательной среды. Жизненный цикл данных. Источники данных: открытые наборы, учебные данные, образовательные платформы, результаты тестирования, электронные таблицы, анкеты, журналы событий. Типы и форматы данных: CSV, XLSX, JSON, XML, Parquet. Табличные, реляционные и полуструктурированные данные. Понятие набора данных, единицы наблюдения, признака, показателя и метаданных. Качество, происхождение и ограничения данных. Ответственное использование образовательных данных. Место тематики обработки данных в школьной информатике, профильных классах, проектной и исследовательской деятельности.Практическое занятие 1. Проектирование учебно-исследовательской задачи обработки данных. Выбор образовательной, социальной, естественно-научной или цифровой предметной области; формулирование учебной и прикладной задачи; определение источников данных, форматов, пользователей результата, ограничений и критериев успешности; подготовка паспорта задачи обработки данных.Самостоятельная работа: анализ примеров учебных и открытых наборов данных; подготовка описания выбранного набора данных и вариантов его применения в преподавании информатики. | 24 | 2 | 6 | 16 |
| Раздел 2. Подготовка и преобразование данных средствами Python и SQL | Структура табличного набора данных. Загрузка данных из CSV, XLSX и JSON. Проверка типов, размерности и состава полей. Обработка пропусков, дубликатов, некорректных значений и ошибок формата. Преобразование типов. Кодирование категориальных признаков. Объединение таблиц. Фильтрация, сортировка, группировка и агрегирование данных средствами pandas. Использование базовых SQL-запросов для выборки, соединения и агрегирования данных. Различие между обработкой в электронных таблицах, pandas и реляционной базе данных. Документирование преобразований. Подготовка воспроизводимого сценария обработки. Практическое занятие 2. Разработка воспроизводимого сценария подготовки данных. Получение данных из нескольких источников; очистка и унификация форматов; объединение таблиц; выполнение базовых SQL- и Python-операций; сохранение подготовленного набора; оформление журнала преобразований и инструкции по повторному запуску обработки. Самостоятельная работа: доработка программных скриптов; подготовка комментариев к коду; описание ошибок исходных данных и решений по их обработке; оформление промежуточного технического отчёта. | 28 | 0 | 8 | 20 |
| Раздел 3. Контроль качества, интерпретация и представление результатов обработки данных | Показатели качества данных: полнота, корректность, согласованность, уникальность, актуальность и целостность. Простые правила автоматизированной проверки качества. Сравнение исходных и подготовленных данных. Выявление выбросов и аномальных значений на уровне предварительной проверки данных. Подготовка данных для последующей визуализации, статистического анализа, машинного обучения или учебного проекта. Границы интерпретации результатов обработки данных. Отличие технической обработки данных от доказательного педагогического исследования. Простые способы представления результатов: сводные таблицы, текстовые отчёты, базовые графики. Документирование структуры данных: словарь данных, паспорт набора, описание источников и ограничений. Требования к обезличиванию и безопасному представлению образовательных данных. Практическое занятие 3. Проверка качества и подготовка отчёта о наборе данных. Разработка правил проверки качества; выполнение автоматизированных проверок; фиксация проблемных записей; подготовка словаря данных, паспорта набора и краткого отчёта о результатах обработки; формирование базовых сводных представлений без перехода к глубокому статистическому анализу. Самостоятельная работа: подготовка словаря данных и паспорта набора; описание ограничений данных; оформление отчёта о качестве и пригодности набора для дальнейшего использования. | 28 | 2 | 8 | 18 |
| Раздел 4. Методическое проектирование заданий и цифровых ресурсов по обработке данных | Обработка данных как содержание школьного и вузовского курса информатики. Проектирование заданий разного уровня сложности: базовые операции с таблицами, обработка открытых данных, анализ цифрового следа, подготовка данных для визуализации, работа с простыми API и JSON. Междисциплинарные проекты по обработке данных. Связь с подготовкой к ОГЭ и ЕГЭ через работу с таблицами, информационными моделями, алгоритмами и анализом данных, без сведения дисциплины к экзаменационному тренингу. Методика объяснения очистки, объединения и проверки данных. Разработка цифрового образовательного ресурса или учебного практикума. Критерии оценивания заданий по обработке данных. Типичные ошибки обучающихся. Использование ИИ-инструментов при объяснении кода и проверке решений: возможности, ограничения и необходимость экспертной проверки. Практическое занятие 4. Разработка учебного практикума по обработке данных. Создание комплекта заданий для школьников, студентов СПО, бакалавров или слушателей дополнительного образования. Практикум должен включать набор данных, инструкцию, задания на подготовку и проверку данных, критерии оценивания, методические рекомендации для преподавателя и описание ожидаемых результатов. Самостоятельная работа: завершение итогового учебного практикума; подготовка методических материалов, критериев оценивания, инструкции для обучающихся и презентации проекта. | 28 | 0 | 8 | 20 |