学部・大学院
TOP 学部・大学院数理・データサイエンス・AI教育プログラム
数理・データサイエンス・AI教育プログラム
【背景】
- 学修者本位の大学教育の実現に向けた論点の一つである、「文理横断・文理融合教育」の意義において、専攻分野を問わず、新たなリテラシーとして、数理・データサイエンス・AIに関する教育の推進が求められています。
- 数理・データサイエンス・AI教育プログラム(以下、MDASHと略す)認定制度とは、数理・データサイエンス・AIに関する大学・高等専門学校の正規課程の教育プログラムのうち、一定の要件を満たした優れた教育プログラムを文部科学大臣が認定・選定することによって、多くの大学・高専が数理・データサイエンス・AI教育に取り組むことを後押しする制度です。
- 本制度におけるレベルは、2つに分かれています。
1）リテラシーレベル：数理・データサイエンス・AIへの関心を高め、適切に理解し活用する基礎的な能力を育成
2）応用基礎レベル：数理データサイエンス・AIを活用して課題を解決するための実践的な能力を育成
【方針】
多摩大学では、2024年度より「数理・データサイエンス・AI 教育プログラム」を開始します。また、その実績をもって、2025年度にMDASH認定制度に申請します。
【教育プログラムの目的】
- 「文系・理系の枠を超えた知識・教養」「数理・データサイエンス・AIに関する専門知識」を身につけた学生を輩出し、多摩大学の教育目標である、「多摩グローカル人材の育成」を達成する一助とします。
- 「数理・データサイエンス・AI教育」への取り組み、学部間交流、及び教育のDX化をさらに推進します。
【実施の体制】
- プログラムの準備：両学部教務委員会
- プログラムの自己点検・評価を行う体制：教育・研究推進センター運営委員会
- プログラムを改善・進化させるための体制：両学部教務委員会、及び教学マネジメント会議
- 申請準備、及び申請：両学部教務課
- 学内広報：両学部教務委員会等
【取組概要】
MDASH取組概要（PDF 388KB）
【プログラムの概要】
1.リテラシーレベル
【経営情報学部】：2科目4単位の修得を修了要件とする。
| モデルカリキュラム 対応項目 |
科目① AIの活用基礎 |
科目② ICTコミュニケーション入門 |
|---|---|---|
| 1-1社会で起きている変化 | ○ | |
| 1-2社会で活用されているデータ | ○ | |
| 1-3データ・AIの活用領域 | ○ | |
| 1-4データ・AI利活用のための技術 | ○ | |
| 1-5データ・AI利活用の現場 | ○ | |
| 1-6データ・AI利活用の最新動向 | ○ | |
| 2-1データを読む | ○ | |
| 2-2データを説明する | ○ | |
| 2-3データを扱う | ○ | |
| 3-1データ・AIを扱う上での留意事項 | ○ | |
| 3-2データを守る上での留意事項 | ○ |
【グローバルスタディーズ学部】：2科目8単位の修得を修了要件とする。
| モデルカリキュラム 対応項目 |
科目① AI・ゲームデジタル産業 |
科目② 調査法入門：量的 |
|---|---|---|
| 1-1社会で起きている変化 | ○ | ○ |
| 1-2社会で活用されているデータ | ○ | ○ |
| 1-3データ・AIの活用領域 | ○ | ○ |
| 1-4データ・AI利活用のための技術 | ○ | |
| 1-5データ・AI利活用の現場 | ○ | |
| 1-6データ・AI利活用の最新動向 | ○ | |
| 2-1データを読む | ○ | |
| 2-2データを説明する | ○ | |
| 2-3データを扱う | ○ | |
| 3-1データ・AIを扱う上での留意事項 | ○ | |
| 3-2データを守る上での留意事項 | ○ |
2. 応用基礎レベル
【経営情報学部のみ】：必修6科目12単位の修得を修了要件とする。
| No. | 科目名 | 区分 | 備考 |
|---|---|---|---|
| ① | AIの活用基礎 | 必修 | 3つの基本的要素「III」対応 |
| ② | マーケティング・データ分析 | 必修 | ― |
| ③ | マーケティング・データ分析実践 | 必修 | 3つの基本的要素「III」対応 |
| ④ | IT活用法 | 必修 | ― |
| ⑤ | 先端情報技術概論 | 必修 | ― |
| ⑥ | データベースI(Access) | 必修 | ― |
| ⑦ | データサイエンスI(データ利活用の基礎スキル) | 選択(推奨) | ― |
| モデルカリキュラム 対応項目 | 科目 | ||||||
|---|---|---|---|---|---|---|---|
| ① | ② | ③ | ④ | ⑤ | ⑥ | ⑦ | |
| 1-1データ駆動型社会とデータサイエンス（☆） | ○ | ○ | ○ | ||||
| 1-2分析設計（☆） | ○ | ○ | ○ | ○ | |||
| 1-3データ観察 | ○ | ○ | ○ | ○ | |||
| 1-4データ分析 | ○ | ○ | |||||
| 1-5データ可視化 | ○ | ○ | ○ | ○ | |||
| 1-6数学基礎(※) | ○ | ○ | ○ | ||||
| 1-7アルゴリズム(※) | 〇 | ||||||
| 2-1ビッグデータとデータエンジニアリング（☆） | ○ | ||||||
| 2-2データ表現（☆） | ○ | ||||||
| 2-3データ収集 | 〇 | ○ | |||||
| 2-4データベース | ○ | ||||||
| 2-5データ加工 | ○ | ||||||
| 2-6 ITセキュリティ | ○ | ||||||
| 2-7プログラミング基礎（※） | ○ | ||||||
| 3-1AIの歴史と応⽤分野（☆） | ○ | ||||||
| 3-2AIと社会（☆） | ○ | ||||||
| 3-3機械学習の基礎と展望（☆） | ○ | ||||||
| 3-4深層学習の基礎と展望（☆） | ○ | ||||||
| 3-5認識 | ○ | ||||||
| 3-6予測・判断 | ○ | ||||||
| 3-7言語・知識 | ○ | ||||||
| 3-8身体・運動 | ○ | ||||||
| 3-9AIの構築と運⽤（☆） | ○ | ||||||
☆：コア学修項⽬ ※：数理・データサイエンス・AIを学ぶ上で基盤となる学修項⽬
コア学修項目以外は、各大学の教育目的、分野の特性に応じて、適切に選択することが求められる。
