我是一名社会科学家，受邀为美国政府的在职专业人士举办 90 分钟的数据素养研讨会。

我一直在努力制定数据素养的简明定义，但已确定它由四个基石组成：1)统计素养，2)编程知识（Python、R 等），3)领域/实质性知识，以及 4)可视化/交流。

在我演讲的后半部分，我想提供一个数据素养专业人士提出的 10-12 个关键问题的列表，包括：

1. 数据来自哪里以及如何收集？数据有多可靠或“嘈杂”（例如测量误差、缺失等）？
2. 我们从样本中推断出的更大的人口是多少？
3. 数据的上下文是什么？什么是合适的参考框架或比较点？
4. 用于解释这些数据的方法的内在权衡（例如偏差与方差）是什么？
5. 给定模型的预测（例如标准误差、置信区间等）的不确定性水平如何？我如何知道我的推论何时错误？
6. 这个数据样本是否能帮助我回答我真正感兴趣的问题、谜题或问题？
7. 你的发现被复制了吗？如果没有，您是否拥有数据和编程脚本，以便其他数据科学家可以尝试复制您的发现？

对此框架或特定问题的任何建议、评论或批评将不胜感激！为专业人士提供有关数据素养的良好资源（视频、在线、书籍）的建议也会有所帮助！