CASE STUDIES IN DATA LITERACY

Question 1

ما أهمية معرفة البيانات؟ وبعبارة أخرى، لماذا ينبغي لأي شخص أن يسعى إلى أن يكون ملماً بالبيانات؟
Why is data literacy important? In other words, why should anyone aim to be data literate?

Answer 1

تساعدنا معرفة البيانات أيضًا على إنتاج أعمال قابلة للقراءة لأشخاص آخرين. وكما سنرى، حتى في حالة وجود بيانات جيدة، فإن عدم القدرة على سرد قصة واضحة يمكن أن يكون له عواقب وخيمة.
Data literacy also helps us to produce readable work for other people. As we’ll see, even when good data is there, the inability to tell a clear story can have dire consequences.
ليس سراً أن البيانات أداة قوية بشكل لا يصدق. مع كل ما هو على المحك، فليس من المفاجئ أيضًا أن يكون فهم الاستنتاج المبني على البيانات أمرًا مرهقًا في بعض الأحيان - سواء كعضو في الجمهور أو كمحلل. بغض النظر عن الجانب الذي نجد أنفسنا فيه، فإن معرفة البيانات تتعلق بمدى جودة قراءتنا للبيانات وتفسيرها والتواصل معها.
It’s no secret that data is an incredibly powerful tool. With all that’s at stake, it’s also not a surprise that understanding a data-driven conclusion can feel overwhelming sometimes – both as an audience member and as an analyst. No matter which side we find ourselves on, data literacy is about how well we read, interpret, and communicate with data.

Question 2

القمامة في الداخل، القمامة في الخارج
Garbage in, garbage out

Answer 2

هي عبارة في عالم البيانات تعني أن “استنتاجاتنا المستندة إلى البيانات تكون قوية ومدعومة جيدًا مثل البيانات التي تقف وراءها
is a data-world phrase that means “our data-driven conclusions are only as strong, robust, and well-supported as the data behind them

Question 3

جزء من فهم البيانات والتواصل معها يعني طرح الأسئلة الصحيحة حتى نصل في النهاية إلى بيانات مفيدة وذات صلة.
How does data literacy factor in? Part of understanding and communicating with data means asking the right questions so that we end up with useful, relevant data.

Answer 3

1- هل لدينا بيانات كافية للإجابة على السؤال المطروح؟
Do we have sufficient data to answer the question at hand?
2- هل يمكن لبياناتي أن تجيب على سؤالي بالضبط؟
Can my data answer my exact question?
3- من شارك في البيانات؟
Who participated in the data?
4- من الذي تم استبعاده؟
Who is left out?
5- من الذي صنع البيانات؟
Who made the data?

Question 4

مثال لما تعنيه عبارة “القمامة للداخل والقمامة للخارج”
an example of what “garbage in, garbage out”

Answer 4

عندما يتعلق الأمر بـ “تغذية” النموذج. حتى لو كان لدينا نموذج رياضي ممتاز لموقف ما، فإنه لا يمكن أن يقدم سوى تنبؤات جيدة مثل البيانات التي تدخل فيه. ستؤدي البيانات المهملة إلى تنبؤات غير مرغوب فيها، بغض النظر عن مدى جودة النموذج.
means when it comes to “feeding” a model. Even if we have an excellent mathematical model of a situation, it can only make predictions as good as the data that goes into it. Garbage data will make garbage predictions, no matter how good the model is.
Imagine having a model that can accurately predict the weather in Rio de Janeiro 90% of the time, but then using data from only United States weather stations as the input values. Or using temperature data that was collected only at noon each day. Or using wind speed data collected only by estimating with a licked finger held up in the breeze. No matter how good the model is, it will need precise and accurate data from Brazil to give a helpful output.

Question 5

Statistics الإحصائية

Answer 5

Statistics helps us test the likelihood of an event happening by random chance versus systematically.
For example, you’re more likely to see more cars on the road at 8am on Wednesday than at 8am on Sunday. This isn’t a random occurrence – the increase in cars is systematically explainable by the existence of rush hour due to standard business hours. It is statistically more likely to see many cars during rush hour than at other times.
تساعدنا الإحصائيات على اختبار احتمالية وقوع حدث ما عن طريق الصدفة العشوائية مقابل احتمال حدوثه بشكل منهجي.
على سبيل المثال، من المرجح أن ترى المزيد من السيارات على الطريق في الساعة 8 صباحًا يوم الأربعاء مقارنة بالساعة 8 صباحًا يوم الأحد. وهذا ليس حدثًا عشوائيًا - فالزيادة في عدد السيارات يمكن تفسيرها بشكل منهجي من خلال وجود ساعة الذروة بسبب ساعات العمل القياسية. من المرجح إحصائيًا رؤية العديد من السيارات خلال ساعة الذروة مقارنة بالأوقات الأخرى.