ایجاد مهارت های جدید و ارتباطات جدید با کارگاه آموزشی روش های کمی MIT | اخبار MIT

با شروع روز سال نو، زمانی که بسیاری از مردم همچنان به شادی تعطیلات می‌پرداختند، ده‌ها دانشجو و استاد از حدود دوازده دانشگاه شریک در عوض لپ‌تاپ‌های خود را به روی MIT باز کردند. کارگاه آموزشی روشهای کمی، مقدمه ای پرجمعیت و یک هفته ای در مورد اینکه چگونه تکنیک های محاسباتی و ریاضی را می توان در علوم اعصاب و تحقیقات بیولوژیکی به کار برد. اما QMW را به عنوان یک “کورس تصادف” در نظر نگیرید. در عوض، هدف این برنامه کمک به ارتقای چشم انداز علمی هر شرکت کننده، هم از طریق مهارت ها و مفاهیمی است که ارائه می دهد و هم از طریق جامعه ای که ایجاد می کند.

می گوید: “این افق دید آنها را گسترده می کند، کاربردهای مهمی را به آنها نشان می دهد که هرگز به آنها فکر نکرده اند، و آنها را به افرادی معرفی می کند که به عنوان محقق، آنها را می شناسند و شاید روزی با آنها همکاری کنند.” سوزان ال. اپستاین، استاد علوم کامپیوتر در کالج هانتر و هماهنگ کننده آموزشی مرکز MIT برای مغزها، ذهن ها و ماشین ها، که میزبان این برنامه با بخش های زیست شناسی و مغز و علوم شناختی و موسسه یادگیری و حافظه Picower است. این یک مدل بورسیه بین رشته ای است.

سازمان‌دهنده می‌گوید امسال، 83 دانشجو و عضو هیئت علمی از مؤسساتی که عمدتاً به گروه‌هایی که در زمینه‌های STEM کمتر نمایندگی دارند، در QMW شرکت کردند. ماندانا ساسانفر، مدرس ارشد و مدیر تنوع و مشارکت علمی در چهار سازمان میزبان MIT. از زمان راه اندازی این کارگاه در سال 2010، بیش از 1000 شرکت کننده را درگیر کرده است که بیش از 170 نفر از آنها در برنامه های تحقیقاتی تابستانی MIT (مانند MSRP-BIO) و 39 نفر برای تحصیلات تکمیلی به MIT آمدند.

اهداف فردی، تجربه مشترک

دانشجویان و اساتید در رشته های مختلف STEM اغلب به QMW می آیند تا تخصص خود را در تجزیه و تحلیل داده های محاسباتی و ریاضی گسترش دهند. شرکت‌کنندگانی که رشته‌های علوم کامپیوتر و آمار دارند، می‌آیند تا درباره اینکه چگونه تکنیک‌های مشابه را می‌توان در زمینه‌های علوم زیستی به کار برد، بیشتر بیاموزند. در سخنرانی ها؛ در آزمایشگاه‌های عملی که از زبان برنامه‌نویسی رایانه پایتون برای پردازش، تجزیه و تحلیل و تجسم داده‌ها استفاده کردند. و در محیط‌های کمتر رسمی، مانند تورها و ناهار با اعضای هیئت علمی MIT، شرکت‌کنندگان با هم کار کردند و یاد گرفتند و دیدگاه‌های یکدیگر را مطلع کردند.

و صرف نظر از رشته تحصیلی، شرکت کنندگان با یکدیگر و با دانشجویان و اساتید دانشگاه MIT که در طول هفته تدریس می کردند و صحبت می کردند، ارتباط برقرار کردند.

ولاد وستریکوف، دانشجوی سال دوم علوم کامپیوتر کالج هانتر، می‌گوید که اگرچه قبلاً با یادگیری ماشین و سایر مفاهیم برنامه‌نویسی کار کرده بود، اما علاقه داشت با دیدن اینکه چگونه از آنها برای تجزیه و تحلیل مجموعه‌های داده‌های علمی استفاده می‌شوند، «شاخه‌هایی» ایجاد کند. او همچنین از فرصت یادگیری تجربیات دانشجویان تحصیلات تکمیلی که در آزمایشگاه های عملی QMW تدریس می کنند، قدردانی کرد.

وستریکوف می گوید: «این روش خوبی برای کشف زیست شناسی محاسباتی و علوم اعصاب بود. من همچنین از شنیدن صحبت های افرادی که به ما آموزش می دهند بسیار لذت می برم. شنیدن اینکه آنها از کجا می آیند و چه می کنند جالب است.»

Jariatu Kargbo، دانشجوی سال دوم رشته زیست شناسی و شیمی در دانشگاه مریلند، شهرستان بالتیمور، می گوید که وقتی برای اولین بار در مورد QMW یاد گرفت، مطمئن نبود که برای او باشد. به نظر می رسید خیلی روی محاسبات متمرکز شده بود. اما مشاور او، هالی ویلوبی، کارگبو را تشویق کرد تا در این جلسه شرکت کند تا یاد بگیرد که چگونه برنامه‌نویسی می‌تواند در تحقیقات آینده مفید باشد – او در حال حاضر در تحقیقات شبکیه چشم در UMBC مشغول است. علاوه بر این، Kargbo همچنین متوجه شد که این فرصت خوبی برای تماس با MIT قبل از درخواست برای MSRP در تابستان امسال خواهد بود.

کارگبو می‌گوید: «فکر می‌کردم این یک راه عالی برای ملاقات با اساتید و دیدن محیط اینجاست، زیرا قبلاً هرگز به MIT نرفته بودم. همیشه خوب است که با افراد دیگری در حوزه کاری خود آشنا شوید و شبکه خود را توسعه دهید.

QMW فقط برای دانش آموزان نیست. همچنین برای اساتیدشان است که می‌گویند می‌توانند برای تحقیق و تدریس خود آموزش‌های حرفه‌ای ارزشمندی دریافت کنند.

فایوان وناستادیار زیست شناسی در دانشگاه هوارد، با انجام تجزیه و تحلیل ژنتیکی در مقیاس بزرگ کم خونی سلول داسی شکل (SCD) با زیست شناسی محاسباتی غریبه نیست. اما او در درجه اول با زبان برنامه نویسی R کار کرده است و تمرکز QMW روی پایتون است. همانطور که او به پروژه‌هایی نگاه می‌کند که در آن می‌خواهد داده‌های ژنومی را برای کمک به پیش‌بینی پیامدهای بیماری در SCD و HIV تجزیه و تحلیل کند، او می‌گوید جلسه QMW به رهبری دانشجوی زیست‌شناسی هانا جاکوبز به نتیجه رسید.

ون می گوید: «این کارگاه مهارت هایی را دارد که من می خواهم داشته باشم.

علاوه بر این، ون می‌گوید که می‌خواهد یک کلاس یادگیری ماشینی در بخش زیست‌شناسی هاوارد راه‌اندازی کند و از برخی از مواد آموزشی که در QMW با آن‌ها مواجه شد الهام گرفت – برای مثال، ماژول‌های برنامه درسی آنلاین که توسط تیلور باوم، دانشجوی MIT در مهندسی برق و کامپیوتر توسعه داده شده است. Science and the Picower Institute Labs و Paloma Sánchez-Harégui، هماهنگ کننده ای که با ساسانفر کار می کند.

تیزیانا لیگوریو، استاد دکترای علوم کامپیوتر در کالج هانتر که به همراه اپستین در پردیس دانشگاه سیتی نیویورک، یادگیری ماشین عمیق را تدریس می کند، همین احساس را داشت. به جای نیاز به یک سری پیش نیازهایی که ممکن است دانش آموزان را از کلاس دور کند، Ligorio به برنامه درسی فشرده اما مقدماتی QMW به عنوان منبعی برای طراحی روشی فراگیرتر برای آماده کردن دانش آموزان برای کلاس نگاه کرد.

تعاملات یادگیری

هر روز از ساعت 9 صبح تا 5 بعد از ظهر، شامل سخنرانی های صبح و بعد از ظهر و جلسات عملی اجرا می شود. موضوعات کلاس از تجزیه و تحلیل داده های آماری و یادگیری ماشین گرفته تا رابط های مغز و کامپیوتر، تصویربرداری مغز، پردازش سیگنال داده های فعالیت عصبی و میکروسکوپ الکترونی برودتی متغیر بود.

ساسانفر می‌گوید: «این کارگاه بدون مربیان اختصاصی – کارشناسی، فوق دکترا و اساتید – که داوطلبانه برای سخنرانی، طراحی و آموزش آزمایشگاه‌های کامپیوتری عملی و ملاقات با دانشجویان در هفته اول ژانویه داوطلب می‌شوند، امکان‌پذیر نیست.

جلسات پیرامون ناهار دانشجویان با اعضای هیئت علمی MIT است. مثلاً ظهر روز دوم ژانویه، استادیار زیست شناسی بردی وایسبوردمحققی در موسسه Picower، با هفت دانش آموز در یکی از مبل های منحنی ساختمان 46 به سوالاتی در مورد تحقیقات علوم اعصاب خود در چتر دریایی و نحوه استفاده او از تکنیک های کمی به عنوان بخشی از آن کار نشست. او همچنین توصیف کرد که استاد بودن چگونه است و همچنین موضوعات دیگری که برای دانشجویان پیش آمده بود.

سپس همه شرکت‌کنندگان از خیابان واسار به اتاق 152 ساختمان 26 رفتند، جایی که گروه‌های متفاوت اما با اندازه‌های مشابه را برای آزمایشگاه عملی برنامه‌های یادگیری ماشین برای مطالعه مغز که توسط Baum تدریس می‌شد تشکیل دادند. او کلاس را از طریق تمرین‌های پایتون رهبری کرد که شکل‌های «نظارت‌شده» و «بدون نظارت» یادگیری ماشین را نشان می‌داد، از جمله اینکه چگونه می‌توان از روش دوم برای تشخیص آنچه که شخص بر اساس خوانش مغناطیسی فعالیت مغز می‌بیند استفاده کرد.

در حین انجام تمرینات توسط دانش آموزان، شرکت کنندگان با تکمیل دستورالعمل های باوم به یکدیگر کمک کردند. لیگوریو، وستریکوف و کایلا بلینکوبه عنوان مثال، استادیار زیست شناسی در دانشگاه جزایر ویرجین، همه از جا پریدند تا به میزهای خود کمک کنند.

در پایان کلاس، وقتی باوم از دانش‌آموزان پرسید که چه چیزی یاد گرفته‌اند، آن‌ها دانش جدیدی را ارائه کردند. داده‌های نظرسنجی که ساسانفر و سانچز-ژائورگی برای ردیابی ناشناس نتایج QMW استفاده می‌کنند، اعتبارنامه‌های بیشتری را برای ارزش جلسات نشان می‌دهد. یکی از پاسخ‌دهندگان با این سؤال که چگونه می‌توان آموخته‌های خود را به کار برد، نوشت: «یک شغل یا تلاش تحقیقاتی را دنبال کنید که در آن مفاهیم علوم رایانه و علوم اعصاب را با هم به کار ببرم».

اتصالات پایدار

در حالی که برخی از تازه واردان به QMW فقط می توانند حدس بزنند که چگونه مهارت ها و روابط جدید خود را به کار خواهند گرفت، لوئیس میگل د ژسوس آستاسیو می تواند گواهی دهد که چگونه حضور در QMW به عنوان یک دوره کارشناسی در سال 2014 به شغلی تبدیل شده است که او اکنون عضو هیئت علمی در فیزیک در دانشگاه است. پردیس دانشگاه پورتوریکو ریو پیدراس. پس از QMW، او تابستان امسال به عنوان دانشجو در آزمایشگاه عصب شناس و پروفسور پیکوور به MIT بازگشت. سوسومو تونگاوا. او دوباره در سال 2016 به آزمایشگاه فیزیکدان و پروفسور فرانسیس فریدمن بازگشت مهران کردار. آنچه در دهه تجربه می شود رابطه او با ساسانفر است. بنابراین در حالی که او زمانی دانشجوی QMW بود، امسال با گروهی از دانشجویان به عنوان عضو هیئت علمی بازگشت.

مایکل آلداروندو-جفریسمدیر برنامه های توسعه دانشگاهی در دانشگاه فلوریدا مرکزی، ارزش شبکه ای را که در QMW انجام می شود تأیید کرد. او به مدت یک دهه دانشجو آورده است که امسال چهار دانش آموز را شامل می شود. چیزی که او متوجه می‌شود این است که وقتی دانش‌آموزان در محیط‌هایی مانند QMW یا برنامه مک‌نیر UCF گرد هم می‌آیند، که به آماده‌سازی دانش‌آموزان برای تحصیلات تکمیلی کمک می‌کند، به عنوان محقق در مورد آینده‌های بالقوه الهام می‌گیرند.

او می‌گوید: «آنچه برجسته است، فقط جامعه‌ای است که شکل گرفته است. برای بسیاری از دانش‌آموزان، این اولین بار است که در گروهی هستند که می‌دانند به سمت چه چیزی حرکت می‌کنند. آنها مجبور نیستند توضیح دهند که چرا از خواندن روزنامه های جمعه شب هیجان زده هستند.

یا اینکه چرا آنها برای گذراندن یک هفته، از جمله سال نو، در MIT هیجان‌زده هستند که چگونه روش‌های کمی را در داده‌های علوم زیستی به کار ببرند.