So entwickelt DataCamp das beste Lernprogramm für Data Science
Bei DataCamp sind wir stolz darauf, die beste Plattform und das beste Lernprogramm für Data Science anzubieten. Dafür investieren wir viel Aufwand, damit jede Übung zugleich wirksam und motivierend ist. Ein Kurs ist mit dem Launch nicht abgeschlossen: Er ist der Startpunkt für die Datenerhebung. Jedes Mal, wenn ein Lernender eine Übung bearbeitet, erfassen wir Datenpunkte wie die Anzahl der Versuche bis zur richtigen Lösung und ob Hilfe über Tipp oder Musterlösung benötigt wurde. Durch die Aggregation dieser Daten über alle Lernenden erkennen wir, wie schwierig eine Übung ist. Zusätzlich können Lernende Übungen mit ein bis fünf Sternen bewerten und uns Feedback geben, wie gut eine Aufgabe ankommt.
Unser Content-Quality-Team arbeitet gemeinsam mit den Dozierenden daran, auf Basis dieser Daten die Kurse zu verbessern. Das nimmt unterschiedliche Formen an, denn bei einer Übung kann vieles haken.
1. Fehlende Daten beheben
Manchmal bringen kleine Dinge viele Lernende aus dem Konzept. In Data Science Toolbox (Part 1) üben Lernende Python-Lambda-Funktionen anhand eines Datensatzes zur Gefährtengruppe aus J. R. R. Tolkiens „Die Gefährten“ aus der „Der Herr der Ringe“-Trilogie. Unglücklicherweise fehlten im Datensatz Gandalf und Pippin. Unsere Lernenden haben sich zu Recht beschwert — wir haben zugehört und den Fehler behoben.
2. Missverständnisse und Verwirrung für DataCamp-Lernende vermeiden
Die Auswertung von Feedback über viele Übungen hinweg deckt typische Fehlannahmen auf. Viele Datenanalysen arbeiten mit rechteckigen Daten: Jede Zeile ist ein Datensatz, jede Spalte ein zugehöriger Wert. Zum Beispiel könnte jede Zeile für eine Person stehen, und die Spalten für Name, Körpergröße und Lieblingsfarbe.
Ein sehr häufiger Arbeitsschritt ist das Filtern der Zeilen. Eine Anweisung könnte lauten:
Filtere den Datensatz, sodass Zeilen mit Personen unter 170 cm entfernt werden.
Das ist nicht falsch, aber die meisten Statistik-Tools — darunter Rs dplyr und Pythons Pandas — filtern über die Bedingungen für das, was erhalten bleiben soll. Schreibt man die Anweisung so um:
Filtere den Datensatz, sodass nur Zeilen mit Personen über 170 cm erhalten bleiben.
dann passt die Sprache besser zur Arbeitsweise des Codes und vermeidet Verwirrung. In fortgeschrittenen Kursen, in denen Datenmanipulation vorausgesetzt wird, ist das weniger kritisch. In unserem Kurs Pandas Foundations haben wir gesehen, dass viele Lernende damit ringen — und die Formulierungen entsprechend angepasst.
3. Einen reibungslosen Lernpfad schaffen mit detaillierterem, zielgenauem Feedback
Alle DataCamp-Übungen werden automatisch mit Software unseres Content-Engineering-Teams bewertet. So erhalten Lernende sofort smartes Feedback, wenn etwas nicht passt — vielleicht die stärkste Funktion unserer Plattform. Die größte Herausforderung ist dabei, vorherzusehen, wo typische Fehler passieren, um hilfreiche Tipps für den nächsten Versuch zu geben. Das kann dazu führen, dass gelegentlich eine korrekte Lösung als falsch gewertet wird. Das sorgt verständlicherweise für Frust. In einem Fall beschwerte sich ein Lernender:
Im Kurs Cluster Analysis in R fiel vielen Lernenden auf, dass die vorgeschlagene Lösung zwar die bekannte Funktion min() zur Bestimmung eines Minimalwerts nutzte, es aber eine einfachere und elegantere Alternative mit der weniger bekannten Funktion pmin() gab.
Ursprünglich war nur eine Lösung zugelassen. Dank der cleveren Idee unserer Lernenden akzeptieren wir nun beide. Eines der Ziele des Content-Engineering-Teams beim Ausbau des Feedback-Systems ist es, die Bewertung flexibler zu machen, damit Lernende Aufgaben auf ihre eigene Weise lösen können.
Ein weiterer Frustpunkt beim automatischen Feedback ist, wenn bei einer Übung wiederholt dieselbe Rückmeldung erscheint. Das Prinzip zeigt die Grafik unten: Ein Lernender soll ein Python-Array mit drei Elementen erstellen.
Durch granulareres Feedback, das gezielt auf konkrete Probleme in der Antwort eingeht, schaffen wir ein positiveres Lernerlebnis. Die Ergebnisse sind vielversprechend: In einer Übung aus unserem Kurs Intermediate Python for Data Science sank der Anteil der Lernenden, die dieselbe Feedback-Nachricht mehr als einmal sahen, nach Umstellung auf granulareres Feedback von rund 65% auf unter 10%.
Den Anteil der Nutzerinnen und Nutzer, die dieselbe Feedback-Nachricht mehrfach sehen, überwachen wir als Kennzahl für alle Übungen und Kurse. Zusammen mit der Beliebtheit der Kurse haben wir so einen datenbasierten Ansatz geschaffen, um das Lernerlebnis dort zu verbessern, wo es am meisten bewirkt.
Fazit
Unser Ziel bis Jahresende: Für die beliebteste Hälfte aller Kurse soll der durchschnittliche Anteil wiederholter Feedback-Meldungen über alle Übungen pro Kurs unter 30% liegen.
Wir werden diese Verbesserungen kontinuierlich für alle Technologien ausrollen, die Lernende auf DataCamp nutzen. Gleichzeitig optimieren wir intern die Tools zur Erstellung von Feedback und zur Analyse der Einsendungen, damit wir das Lernerlebnis für alle aktuellen und zukünftigen Inhalte stetig weiter verbessern.
Es gibt viele weitere Dinge, die bei einer Übung schiefgehen können. Wir hoffen, dieser Einblick macht deutlich: DataCamp hört auf das Feedback der Lernenden und arbeitet laufend daran, die Zufriedenheit mit unseren Kursen zu erhöhen.