داده‌ها و تجزیه و تحلیل
سامانه‌های رایانشی عمدتاً برای پردازش داده‌ها به وجود آمده‌اند. میزان داده‌های دیجیتال تولید شده در جهان به سرعت در حال گسترش است، بنابراین نیاز به پردازش مؤثر داده‌ها به طور فزاینده‌ای اهمیت می‌یابد. داده‌ها جمع‌آوری و ذخیره می‌شوند تا بتوان آن‌ها را برای درک بهتر جهان و پیش‌بینی‌های دقیق‌تر تجزیه و تحلیل کرد.
جمع‌آوری داده‌ها
(Data Collection)
داده‌ها با ابزارها و فرآیندهای رایانشی و غیررایانشی جمع‌آوری می‌شوند. در مراحل اولیه، دانش‌آموزان می‌آموزند که چگونه داده‌های مربوط به خود و دنیای اطراف‌شان جمع‌آوری و استفاده می‌شود. در مسیر پیشرفت‌شان، دانش‌آموزان اثرات جمع‌آوری داده‌ها با ابزارهای رایانشی و خودکار را یاد می‌گیرند.
ذخیره‌سازی داده‌ها
(Data Storage)
ذخیره، نمایش و بازیابی داده‌ها از کارکردهای اصلی رایانه‌ها محسوب می‌شود. در مراحل اولیه، دانش‌آموزان یاد می‌گیرند که چگونه داده‌ها در رایانه‌ها ذخیره می‌شوند. در مسیر پیشرفت‌شان، دانش‌آموزان می‌آموزند که چگونه روش‌های مختلف ذخیره‌سازی، از جمله مصالحه‌های (بده بستان‌های) مرتبط با آن روش‌ها را ارزیابی کنند.
تجسم و تبدیل داده‌ها
(Data Visualization and Transformation)
داده‌ها در طول فرآیند جمع‌آوری، نمایش دیجیتال و تجزیه و تحلیل تغییر می‌کنند. در مراحل اولیه، دانش‌آموزان می‌آموزند که چگونه می‌توان از تبدیل‌ها برای ساده‌سازی داده‌ها استفاده کرد. در مسیر پیشرفت‌شان، دانش‌آموزان انجام عملیات پیچیده‌تر برای کشف الگوها و روندها و همچنین، انتقال آن‌ها به دیگران را می‌آموزند.
استنتاج و مدل‌ها
(Inference and Models)
علمِ داده[1] نمونه‌ای است که در آن علوم رایانه در بسیاری از زمینه‌ها مورد استفاده قرار می‌گیرد. در حوزه‌ی علم و همچنین علوم رایانه از داده‌ها برای استنباط، نظریه‌پردازی یا پیش‌بینی بر اساس داده‌های جمع‌آوری شده از کاربران یا شبیه‌سازی‌ها استفاده می‌شود. در مراحل اولیه، دانش‌آموزان می‌آموزند که از داده‌ها برای پیش‌بینی‌های ساده استفاده کنند. در مسیر پیشرفت‌شان، دانش‌آموزان یاد می‌گیرند که چگونه می‌توان از مدل‌ها و شبیه‌سازی‌ها برای بررسی نظریه‌ها و درک سامانه‌ها استفاده کرد و چگونه پیش‌بینی‌ها و استنتاج‌ها تحت تأثیر مجموعه داده‌های پیچیده‌تر و بزرگ‌تر قرار می‌گیرد.
[1] Data Science