Cómo crea DataCamp el mejor programa de formación en ciencia de datos
En DataCamp, nos enorgullece contar con la mejor plataforma y el mejor programa de formación para aprender ciencia de datos. Por eso, nos esforzamos para que cada ejercicio sea eficaz a la hora de enseñar y, además, resulte ameno. Tras el lanzamiento de un curso, no lo damos por finalizado: el lanzamiento es solo el inicio de la recogida de datos. Cada vez que un estudiante intenta resolver un ejercicio, registramos indicadores como cuántos intentos necesitó para resolverlo y si tuvo que pedir ayuda solicitando la pista o la solución. Al agregar estos datos de todos nuestros estudiantes, obtenemos una imagen clara de la dificultad de cada ejercicio. Además, los estudiantes pueden valorar los ejercicios de una a cinco estrellas y enviar comentarios para indicarnos cuánto les ha gustado.
Nuestro equipo de Content Quality trabaja con el profesorado para actuar a partir de estos datos y mejorar los cursos. Esto adopta varias formas, porque hay muchas cosas que pueden fallar en un ejercicio.
1. Corregir datos que faltan
A veces, pequeños detalles pueden frustrar a muchos estudiantes. En Data Science Toolbox (Part 1), los estudiantes aprenden a escribir funciones lambda en Python con un conjunto de datos basado en la Comunidad del Anillo de J. R. R. Tolkien, de la trilogía El Señor de los Anillos. Por desgracia, en el dataset faltaban Gandalf y Pippin. Nuestros estudiantes se quejaron con toda la razón, así que escuchamos y solucionamos el problema.
2. Evitar conceptos erróneos y confusiones entre los estudiantes de DataCamp
Analizar los comentarios de muchos ejercicios puede revelar patrones de ideas equivocadas que tienen los estudiantes. Gran parte del análisis de datos se trabaja en formato rectangular, donde cada fila es un registro y cada columna es un valor asociado a ese registro. Por ejemplo, cada fila podría corresponder a una persona y las columnas podrían ser su nombre, su altura y su color favorito.
Una práctica muy común de manipulación de datos es filtrar las filas de ese conjunto de datos rectangular. Un instructor podría escribir una instrucción como:
Filtra el conjunto de datos para eliminar las filas donde las personas miden menos de 170 cm.
Está bien, pero la mayoría del software estadístico, incluidos el paquete dplyr de R y el paquete Pandas de Python, te obliga a filtrar especificando lo que quieres conservar. Si reescribimos la instrucción de la siguiente forma:
Filtra el conjunto de datos para quedarte con las filas donde las personas miden más de 170 cm.
La instrucción coincide con la forma en que funciona el código y se evita un punto de confusión para los estudiantes. En cursos avanzados, donde se espera que los estudiantes ya estén familiarizados con la manipulación de datos, este matiz sería menos problemático. En nuestro curso Pandas Foundations, detectamos que muchos estudiantes tenían dificultades con este tema y cambiamos el lenguaje.
3. Crear una experiencia de aprendizaje fluida con comentarios más completos y granulares
Todos los ejercicios de DataCamp se corrigen automáticamente con software desarrollado por nuestro equipo de Content Engineering. Esto permite ofrecer al instante comentarios inteligentes cuando un estudiante falla una respuesta. Es, probablemente, la mejor función de nuestra plataforma. Una de las partes más difíciles es anticipar qué errores cometerán los estudiantes para poder darles buenos consejos sobre qué hacer de forma diferente la próxima vez. Eso significa que, ocasionalmente, una solución correcta se marca como incorrecta. Cuando ocurre, a los estudiantes les molesta, y con razón. En un caso, un estudiante se quejó:
En nuestro curso Cluster Analysis in R, muchos estudiantes detectaron que, aunque la solución propuesta para un ejercicio usaba la conocida función min() para calcular un valor mínimo, había una alternativa más simple y elegante con la menos conocida función de mínimo en paralelo, pmin().
Originalmente, el ejercicio solo aceptaba una solución, pero gracias a la idea ingeniosa de los estudiantes, ahora se admiten ambas. Uno de los objetivos del equipo de Content Engineering al desarrollar el sistema de feedback de DataCamp es mejorar la flexibilidad de la corrección y permitir que los estudiantes resuelvan los problemas a su manera.
Otra frustración que pueden encontrarse con nuestro feedback automático es ver el mismo mensaje de retroalimentación repetido varias veces durante un ejercicio. El principio se muestra en el siguiente diagrama, donde se pide a un estudiante que cree un array de Python con tres elementos.
Al ofrecer comentarios más granulares, que aborden problemas específicos de la respuesta del estudiante, logramos una experiencia de aprendizaje más positiva. Los resultados de mejorar el feedback son prometedores. En un ejercicio de nuestro curso Intermediate Python for Data Science, al pasar a comentarios granulares, el porcentaje de estudiantes que veían el mismo mensaje de feedback más de una vez cayó de alrededor del 65% a menos del 10%.
El porcentaje de usuarios que ven el mismo mensaje de feedback más de una vez es una métrica que monitorizamos en todos los ejercicios y cursos. Combinada con la popularidad de los cursos, hemos creado una forma basada en datos de seguir mejorando la experiencia de aprendizaje de la manera más impactante.
Conclusión
Nuestro objetivo para final de año es que, en la mitad más popular de todos los cursos, la media del porcentaje de feedback repetido en el conjunto de ejercicios esté por debajo del 30% en cada curso.
Seguiremos incorporando estas mejoras en todas las tecnologías que se pueden aprender en DataCamp. Internamente, también mejoramos las herramientas que usamos para crear el feedback y analizar los envíos de los estudiantes, para asegurarnos de que seguimos optimizando la experiencia de aprendizaje tanto del contenido actual como del futuro.
Hay muchas más cosas que pueden fallar en un ejercicio, pero esperamos que esto te demuestre que en DataCamp escuchamos los comentarios de los estudiantes y trabajamos continuamente para mejorar su satisfacción con nuestros cursos.
