我们把数据分析、计算思维融入了体育课中，还培养了学生跨学科学习的

我们一起来看一场棒球比赛的例子。

现在是第九局比赛的最后一场，已经有两人出局，现在全场都很紧张。你方有一个跑垒手在一垒，你需要决定派谁去接垒。目前有一个平均击球率很高的球员，一个可靠的球员和一个承诺可以为你赢得比赛的球员——你选谁？

2002年秋天，奥克兰运动家队（A’s）打破了55年的记录，连续20场比赛获胜。尽管他们在赛季之初失去了三名优秀的球员，但他们还是在缺少明星球员的情况下，达成了目标。

你或许会问，这怎么可能？但确实如此。他们应用丰富的数据分析，使用一种叫作“赛伯计量学”（ Sabermetrics）的方法。

当我们想为中学生设计一场吸引人的比赛时，问一下自己：如何从2002年A’s的比赛中，学到一些宝贵的经验？

简而言之，我们想知道如何将数据分析、计算思维和比赛结合起来，使体育课的内容更个性化、更严谨、更加包容具备各种体育能力的学生。

数据进入健身房

我自认为是个书呆子，对中学踢球的记忆只有被选中参加比赛，担心被人踢到脸上。

作为计算思维课程设计专家，我与体育老师埃里克·墨菲(Eric Murphy)合作，在华盛顿州肯特市Excel公立特许学校(Excel Public Charter School)帮助中学生参与体育锻炼。

我们的服务对象是一群优秀的、多样化的学生，他们的运动能力和社会地位各不相同，我们希望他们每个人都将自己看成一个运动员，一个富有成效的团队成员。

赛斯（Seth）就是很好的例子。他是八年级学生，学习成绩出众，但由于身材矮小，在体育课上常常被忽视。事实上，在第一学期，赛斯只有体育课的成绩没达到A，他不认为自己会是一个成功的运动员。赛斯需要一种方式来展示他对体育课的理解，以及消除同伴对他的偏见，从不同角度理解他对团队的价值。

赛伯计量学就是我们的答案，就像A’s队所做的一样。我们根据电影《点球成金》(Moneyball)，给团队取名为MoneyKickball。

在MoneyKickball比赛时，数据负责人实时捕捉比赛数据。数据是用我自己编写的一个简单的web表单记录的，如下图所示。对于每一场比赛，数据负责人都会记录击球者和投球手、比赛结果、球被击出的方向、任何得分和细节。

用HTML和JavaScript编码的数据捕获Web表单

然后，对不同比赛的数据进行汇总，以创建个人运动员档案，学生们在每场比赛后都会热切地查看这些资料。

与其他核心学术课程一样，我们关注个人成长和目标设定，而不是让学生单纯地记录数据。如果他们每周都在改进，那就是个人的胜利，并为团队的成功做出了贡献。

尽你所能

然而，收集游戏数据不仅仅为了跟踪目标。我们的学生在所有课程中，练习的一项核心的计算思维技能是模式识别，我们称其为分析数据趋势，提供解决方案。

在每堂课开始时，一组新的数据负责人负责使用完全匿名的玩家数据，指导新的团队。仅与朋友一起合作或数“一、二，加油”的日子已经一去不复返了；拥有如此丰富的数据，我们利用一切可能的机会。

事实上，赛斯是第一批被选中的学生之一——在之前的比赛中，他的表现一直很好，而且不断进步，他一直是一个备受瞩目的球员，如果不对数据进行匿名化，他很可能会被忽视。

匿名数据帮助学生选择平衡的团队

挑选球员并不是一件容易的事情——要平衡的统计数据很多，每个学生都至少担任过一次数据负责人，以确保掌握所需的技能。

一个左脚踢球和一个右脚踢球的人组合会是有益的吗？一个高OBP的球员比一个高SLG(打击率)的球员更有价值吗？那么一个可靠的空中球和地滚球的组合呢？没有明显的正确答案，团队不断动态变化，允许学生形成自己的想法。

对方的数据也会在比赛中使用。在确定了对垒的球队之后，这些数据负责人会使用进攻数据来设置阵容、选择投手。当对方球队的一名新主罚球员来到本垒时，数据负责人可以根据对方主罚球员的数据，来相应的布置内野手或外野手。

每一个决定都是由数据驱动的，而不是依靠猜测或不可靠的记忆。通过这种方式，所有的学生都可以帮助团队，无论他们的运动能力如何。作为数据负责人，赛斯尤其擅长把握更换投手的时机，以及利用数据来优化外野手的位置。

数据负责人正在记录信息，以做出决策

埃里克·墨菲告诉我：“理想情况下，体育课应该包括擅长运动的学生和不擅长运动的学生。”然而，事实上，体育课却成了学校里种族隔离最严重的课堂之一，它只凸显了那些天生具有运动天赋的学生，却没有给不擅长运动的学生提供机会。

MoneyKickball团队打破了体育界以前固有的论调，让体育课培养策略能力，从而让不擅长运动的学生获得了认可。事实上，在第三个季度开始MoneyKickball之后，赛斯的体育成绩是99分。

这些学习成果已经超出了体育课的范围。学生们的数据分析能力和计算思维，也被应用到其他课程中。他们在科学课上学习地震知识，在数学课上解释统计数据，或者在社会研究中测算人口增长，同时分析数据的趋势。当学生学习特定的艺术家时，模式识别出现在艺术课上，他们发现一些类型的歌曲与经典歌曲有相似之处。通过在课程中运用这些技能，学生们正在跨学科学习，并增强了各个学科的学习能力。

再回到开头的第九局的最后一场比赛中。赌注很高，时间不等人，大家都在期待着你们的胜利。你的指尖在这些丰富的数据上滑过：OBPs、SLGs、RAs、惯用手和最常见的踢腿方向……即使压力很大，你也会非常地平静。就像2002年A’s的比利·比恩(Billy Beane)一样，因为你知道，这些数据是不会让你或你的球队失望的。

原文链接：

https://www.edsurge.com/news/2018-07-25-how-data-science-adds-computational-thinking-and-fun-to-gym-class

来源：EdSurge

作者：Eli Sheldon

智能观 编译

—完—

亲爱的朋友：

昨天，一个老师讲到，未来是一个智能互链时代，而数据，就是这个时代的生产资料；智能是生产力，区块链是生产关系。

因此，是否会合理使用生产资料，决定了我们能否在自己的领域有所突破。

希望本文对你有所启思。

祝安！                                   

PS:为了方便与读者探讨，特意注册了一个专用号。如果你也是我们的铁杆读者，想探讨交流，可以加微信：znglmym。

智能观  灵米

2018-8-9 于北京中关村

想知道AI加教育领域有哪些最新研究成果？

想要AI领域更多的干货？

想了解更多专家的“智能观”？

请前往：www.智能观.com。

想交流沟通，请加负责人微信：znglmym

声明：

编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。