यह लेख Richie Cotton द्वारा लिखा गया है, जिसमें Ramnath Vaidyanathan, Dieter De Mesmaeker, और Martijn Theuwissen के योगदान शामिल हैं।
ऑनलाइन शिक्षा आजकल एक रोमांचक क्षेत्र है, क्योंकि इसमें लगातार नवाचार हो रहा है। इस क्षेत्र की हर कंपनी, DataCamp सहित, अभी भी यह समझने की कोशिश कर रही है कि लोगों को सीखने में सबसे अच्छी तरह कैसे मदद की जाए। DataCamp की उत्पाद और इंजीनियरिंग टीमें डेटा साइंस को और अधिक प्रभावी ढंग से सिखाने के लिए लगातार नए टूल विकसित कर रही हैं, जिन्हें हमारी कंटेंट टीमें हमारे मौजूदा और भावी कंटेंट में समाहित करती हैं।
हाल ही में चार DataCamp प्रशिक्षकों—Ben Baumer, Andrew Bray, Mine Çetinkaya-Rundel, और Jo Hardin—ने Journal of Statistical Education में DataCamp पर कोर्स बनाने के अपने अनुभव और लाइव तथा ऑनलाइन लर्निंग के बीच के अंतर पर अपने विचारों पर एक पेपर प्रकाशित किया। ये सभी प्रशिक्षक DataCamp के शुरुआती समर्थक रहे हैं, और हम उनके अनुभवों को स्पष्ट रूप से सामने लाने के लिए उनकी सराहना करते हैं।
इस पोस्ट में, हम उनके फीडबैक पर चर्चा करना चाहते हैं, DataCamp में शिक्षाशास्त्र के बारे में बात करना चाहते हैं, यह दिखाना चाहते हैं कि लेखकों द्वारा अपने DataCamp कोर्स बनाने के बाद से हमने क्या-क्या सुधार किए हैं, और पेपर में की गई कुछ टिप्पणियों पर अपनी स्थिति स्पष्ट करना चाहते हैं।
कोर्स
प्रशिक्षकों ने 2016 और 2018 के बीच आठ कोर्स बनाए। सबसे पहले वर्णनात्मक सांख्यिकी पर चार कोर्स की शृंखला आई: Introduction to Data in R, Exploratory Data Analysis in R, Correlation and Regression in R, और Multiple and Logistic Regression in R, जिन्हें Statistics Fundamentals with R स्किल ट्रैक में शामिल किया गया है। इसके बाद निष्कर्षणात्मक सांख्यिकी पर चार कोर्स आए: Foundations of Inference, Inference for Categorical Data, Inference for Numerical Data, और Inference for Linear Regression, जो मिलकर Statistical Inference with R स्किल ट्रैक बनाते हैं।
कुल मिलाकर, ये कोर्स 94,000 से अधिक छात्रों तक पहुँचे। सबसे अधिक रेटिंग वाले कोर्स की रेटिंग 4.55 (5 में से) और सबसे कम रेटिंग 4.33 रही। हमारे उच्च-वॉल्यूम कोर्स में से होने के नाते, अपने जीवनकाल में इन कोर्सों ने चारों प्रशिक्षकों को रॉयल्टी भुगतान के रूप में अब तक $475,000 कमाए हैं।
DataCamp के लाभ
पेपर में DataCamp की कई ताकतों पर प्रकाश डाला गया है। शुरुआत में ही, चारों अकादमिक विशेषज्ञों ने नोट किया कि विश्वविद्यालय महंगे होते हैं।
हमारे संस्थानों [...] में उपस्थिति की औसत वार्षिक लागत $71,156.25 है
यह हर साल एक लग्ज़री कार की कीमत के बराबर है, जो निश्चित रूप से इस बात को उजागर करता है कि न्यूयॉर्क सबवे पास की कीमत के एक-चौथाई में DataCamp कितना शानदार मूल्य प्रदान करता है। जबकि यह सच है कि हम एक लाभकारी इकाई हैं, हम अपने निःशुल्क DataCamp for the Classroom कार्यक्रम को रेखांकित करना चाहेंगे जो शिक्षकों और छात्रों को हमारी पूरी कोर्स लाइब्रेरी तक असीमित पहुँच प्रदान करता है। अपनी शुरुआत से अब तक, 200,000 से अधिक छात्र इस कार्यक्रम में भाग ले चुके हैं। यह हमें निजी कॉलेजों और विश्वविद्यालयों की उच्च ट्यूशन फीस से अलग करता है, और हमें इस पर गर्व है।
सीखने वालों के लिए, उन्होंने noted किया कि वीडियो का उपयोग लाइव टीचिंग की तुलना में एक महत्वपूर्ण लाभ देता है—गति पर अधिक नियंत्रण।
पहला, इन-पर्सन प्रशिक्षक की जगह वीडियो होने का मतलब है कि छात्र वीडियो को रोक सकता है, उसकी गति धीमी कर सकता है, और/या वापस जाकर वीडियो दोहरा सकता है। यानी, हर छात्र अपनी गति से विचारों को आत्मसात कर सकता है। इसके अलावा, एक मानक कक्षा के विपरीत, छात्र किसी परिभाषा को खोजने या किसी उदाहरण को संदर्भित करने के लिए वीडियो को रोक सकता है।
हमारे कोडिंग अभ्यासों में स्वचालित परीक्षण के माध्यम से दिए गए त्वरित फीडबैक का भी सकारात्मक उल्लेख किया गया।
छात्रों को DataCamp के कोडिंग अभ्यासों पर तुरंत फीडबैक मिलता है। इससे उनकी हताशा कम होती है और साथ ही प्रशिक्षक को छात्रों से आने वाले घबराए हुए ईमेल का जवाब देने से मुक्ति मिलती है।
लेक्चरर, लर्निंग और डेवलपमेंट मैनेजर, और अन्य शिक्षकों के लिए, DataCamp की स्केलेबिलिटी को एक महत्वपूर्ण फीचर के रूप में नोट किया गया। हमारा प्लेटफ़ॉर्म शिक्षकों को असाइनमेंट की ग्रेडिंग के दबाव और एकरसता से मुक्त करता है।
आपकी कक्षा में हर अतिरिक्त छात्र को उनके असाइनमेंट की ग्रेडिंग, ऑफिस ऑवर में उनसे मिलने, कक्षा में उनके लिए जगह बनाने, आदि के लिए आपका अतिरिक्त समय और प्रयास चाहिए। इसके विपरीत, DataCamp असिंक्रोनस रूप से असीमित संख्या में छात्रों तक कंटेंट पहुँचा सकता है।
क्या नया है?
2016 से, DataCamp ने कई सुधारों में निवेश किया है।
Assess-Learn-Practice-Apply लूप
2016 में, DataCamp के पास एक ही उत्पाद था: हमारे कोर्स, जो सीखने वालों को नई स्किल्स हासिल करने में मदद करने के लिए डिज़ाइन किए गए थे। समय के साथ, DataCamp की शिक्षाशास्त्रीय दृष्टि आपकी वर्तमान क्षमताओं का आकलन करने, नई स्किल्स सीखने, उन स्किल्स का अभ्यास करने, नई संदर्भों में स्किल्स को लागू करने, और फिर यह देखने के लिए आकलन पर लौटने के चक्र के इर्द-गिर्द सुस्पष्ट हुई कि आपने कितना सुधार किया है। नीचे दी गई छवि assess-learn-practice-apply लूप को दिखाती है।
चित्र 1: Assess-Learn-Practice-Apply चक्र जो DataCamp के शिक्षाशास्त्रीय दर्शन का आधार बनता है।
सीखने वालों को यह लूप पूरा करने में मदद करने के लिए, हमने तीन नए उत्पाद जोड़े।
Practice
2017 में, हमने DataCamp Practice जोड़ा, जिसमें छोटे-छोटे कोडिंग चैलेंज होते हैं जो सीखने को सुदृढ़ करने के लिए कोर्स की सामग्रियों से क़रीबी मेल खाते हैं। नीचे दिया गया उदाहरण Introduction to the Tidyverse कोर्स में सीखी गई स्किल्स का परीक्षण करने वाला एक बहुविकल्पीय प्रश्न दिखाता है।
चित्र 2: DataCamp Practice का एक अभ्यास जो डेटा विज़ुअलाइज़ेशन स्किल्स का परीक्षण करता है।
Projects
उसी वर्ष DataCamp Projects भी लॉन्च हुआ, जो छात्रों को सबसे लोकप्रिय डेटा साइंस परिवेशों में से एक—Jupyter Notebooks—का उपयोग करके अपनी स्किल्स को नए, वास्तविक दुनिया की समस्याओं पर लागू करने की सुविधा देता है।
चित्र 3: एक प्रोजेक्ट जो सीखने वालों को SQL में अपनी स्किल्स लागू करने देता है।
Assessments
लूप का अंतिम चरण 2019 में DataCamp Signal के लॉन्च के साथ आया, हमारा स्किल असेसमेंट उत्पाद जो सीखने वालों को यह मापने देता है कि उन्होंने कितना सीखा है। स्किल असेसमेंट वैचारिक रूप से प्रैक्टिस मोड जैसे होते हैं, परंतु परीक्षा की शर्तों के साथ: सीखने वालों का परीक्षण संबंधित कोर्स की सामग्री से जुड़े प्रश्नों पर किया जाता है, लेकिन हर प्रश्न का एक समय-सीमा होती है, और सीखने वालों को उनके द्वारा सही उत्तर दिए गए प्रश्नों की संख्या और उनकी कठिनाई के आधार पर स्कोर दिया जाता है। आप Signal के अनुकूली परीक्षण और मनोमिति के उपयोग के बारे में यहाँ और पढ़ सकते हैं।
चित्र 4: समय-सीमा के दबाव में Python मशीन लर्निंग क्षमता का परीक्षण करता हुआ एक Signal स्किल असेसमेंट प्रश्न।
कोर्सों में सुधार
तीन नए उत्पादों की शुरुआत के साथ-साथ, DataCamp ने कई नए अभ्यास प्रकार जोड़कर हमारे कोर्सों में भी सुधार किया है। JSE पेपर में एक क्षेत्र विशेष रूप से सूझ-बूझ भरा था—DataCamp को ग्राफिकल "पॉइंट एंड क्लिक" अभ्यासों के समर्थन की आवश्यकता थी।
कुछ शिक्षण रणनीतियाँ DataCamp प्लेटफ़ॉर्म का उपयोग करके संभव नहीं थीं, लेकिन हम देख सकते थे कि जैसे-जैसे प्लेटफ़ॉर्म अधिक परिष्कृत प्रस्तुति क्षमताएँ विकसित करेगा, वह ऐसे तरीकों को समाहित करने के लिए विस्तृत होगा। विशेष रूप से, किसी विशेष अवधारणा को समझाने के लिए किसी ऐपलेट का उपयोग करते हुए वॉकथ्रू करना DataCamp प्लेटफ़ॉर्म पर संभव नहीं था।
Explorable exercises
2019 में, DataCamp ने एक नया अभ्यास प्रकार तैयार किया जिसे हम "explorable exercise" कहते हैं। ये डैशबोर्ड, इंटरैक्टिव विज़ुअलाइज़ेशन, और यहाँ तक कि वेब-आधारित सॉफ्टवेयर को भी अभ्यासों में शामिल करने की अनुमति देते हैं। इन अभ्यासों को बनाने का एक तरीका Shiny नामक एक टूल का उपयोग करता है—जो पेपर में संदर्भित Java applets का एक अधिक आधुनिक संस्करण है। (जो सीखने वाले अपने खुद के बनाना चाहते हैं, उनके लिए हमारे पास Shiny का उपयोग करने पर कोर्सों की एक शृंखला भी है।)
Explorable exercises का अच्छा उपयोग DataCamp की "For Everyone" कोर्स शृंखला में किया गया है, जो उन लोगों के लिए डिज़ाइन किए गए हैं जिन्हें डेटा को समझने की आवश्यकता है लेकिन जिनका डेटा साइंस या एनालिटिक्स बैकग्राउंड नहीं है। विशेष रूप से Data Visualization For Everyone कोर्स डैशबोर्ड का बेहतरीन उपयोग करता है ताकि सीखने वाले यह खोज सकें कि प्लॉट में किए गए बदलाव उनके बारे में सवालों के उत्तर देने की क्षमता को कैसे प्रभावित करते हैं।
नीचे दिए गए उदाहरण में, सीखने वाले यह खोज सकते हैं कि किसी प्लॉट में रंग बदलने से सर्वेक्षण प्रतिक्रियाओं की उनकी व्याख्या पर क्या असर पड़ता है।
चित्र 5: एक explorable exercise जिसमें डैशबोर्ड फीचर है ताकि सीखने वाले स्टैक्ड बार प्लॉट में रंग विकल्पों के प्रभावों का पता लगा सकें।
प्रारंभिक दिनों में DataCamp को एक क्षेत्र में आलोचना मिली थी कि यद्यपि हमारे कोडिंग अभ्यास कोड के टुकड़े लिखना सिखाने में उत्कृष्ट हैं, सीखने वालों के लिए उनके आपस में संयोजन का तरीका समझे बिना विवरणों में उलझ जाना आसान था। जबकि DataCamp हमेशा वर्कफ़्लो सिखाने के मूल्य को समझता रहा है और प्रशिक्षकों को वीडियो में उन्हें वर्णित करने के लिए प्रोत्साहित करता रहा है, हमें एक अधिक शक्तिशाली टूल की ज़रूरत थी। पिछले वर्ष, हमने ठीक ऐसा करने के लिए एक और नया अभ्यास प्रकार लागू किया। ड्रैग-एंड-ड्रॉप अभ्यास सीखने वालों को स्क्रीन पर आइटम इधर-उधर ले जाकर अभ्यास हल करने देते हैं। इसके कई प्रकार हैं, लेकिन वर्कफ़्लो सिखाने के लिए सबसे महत्वपूर्ण प्रकार को "ordering exercise" कहा जाता है।
नीचे दिए गए उदाहरण में, जो Introduction to Writing Functions in R से लिया गया है, सीखने वालों से कहा जाता है कि वे किसी स्क्रिप्ट को एक पुन: प्रयोज्य फ़ंक्शन में बदलने के वर्कफ़्लो के चरणों को फिर से क्रमबद्ध करें। सीखने वालों से कोड लिखवाने से हटकर, वे अवधारणा पर ध्यान केंद्रित कर पाते हैं।
चित्र 6: चरणों के क्रम निर्धारण के माध्यम से वर्कफ़्लो सिखाने के लिए एक ड्रैग-एंड-ड्रॉप अभ्यास।
Explorable exercise और ड्रैग-एंड-ड्रॉप अभ्यासों के अलावा, हमने और भी कई अभ्यास प्रकार और कंटेंट मोडैलिटी जोड़ी हैं। कुछ सबसे उल्लेखनीय हैं:
IDE exercises
IDE अभ्यास सबसे लोकप्रिय कोड संपादकों में से एक Visual Studio Code का उपयोग करता है। यह अभ्यास प्रकार हमारे अधिक उन्नत डेटा इंजीनियरिंग कंटेंट में उपयोग किया जाता है।
चित्र 7: Visual Studio Code डेवलपमेंट एनवायरनमेंट का उपयोग कर कोड डिप्लॉय करने की "devops" स्किल्स का परीक्षण करता हुआ एक IDE अभ्यास।
VM exercises
और हाल ही में, हमने VM अभ्यास बनाया, जो विशिष्ट सॉफ्टवेयर के साथ पूर्व-इंस्टॉल्ड Windows Virtual Machine चलाता है। इनका अधिकतर उपयोग हमारे Tableau कंटेंट में होता है।
चित्र 8: Tableau बिज़नेस इंटेलिजेंस टूल में डेटा को कैसे संशोधित किया जाए, यह सिखाता हुआ एक VM अभ्यास।
पेपर में दिए गए कुछ सुझावों को DataCamp जैसे ऑनलाइन प्लेटफ़ॉर्म के लिए लागू करना कठिन है, जैसे कि निम्नलिखित:
ईंट-गारे की कक्षा में, हम छात्रों को टीमों में बाँटते हैं और हर टीम को 20 कागज़ के टुकड़ों वाला एक बैग मिलता है, जिनमें से प्रत्येक पर एक सैंपल किए गए अपार्टमेंट का किराया छपा होता है। फिर, हर टीम से कहा जाता है कि वे अपने बैग से 20 अपार्टमेंट्स का बूटस्ट्रैप सैंपल लें, माध्यिका की गणना करें, और डॉटप्लॉट पर एक डॉट लगाकर बोर्ड पर इसे रिकॉर्ड करें। यह प्रक्रिया छात्रों को प्रतिस्थापन के साथ सैंपलिंग का व्यक्तिगत अनुभव प्रदान करती है ताकि सैंपल माध्यिकाओं का बूटस्ट्रैप वितरण बनाया जा सके।
हालाँकि हमारे प्लेटफ़ॉर्म पर प्रशिक्षक सीखने वालों के साथ सीधे इंटरैक्ट नहीं कर सकते, हम निश्चित रूप से सहमत हैं कि मजेदार खेल लाइव टीचिंग का एक महत्वपूर्ण घटक हैं। इसलिए, हमारे नवीनतम हैकाथॉन में, हमारी एक इंजीनियरिंग टीम ने DataCamp VR बनाने की खोज की। यद्यपि इसमें कुछ वर्ष लग सकते हैं, हम नवाचार को अपनी कंपनी का एक महत्वपूर्ण हिस्सा मानते हैं (और हमें इसमें बहुत मज़ा आया!).
गंभीरता से कहें तो, यह एक गलतफहमी है कि ऑनलाइन शिक्षा और लाइव इंस्ट्रक्शन एक-दूसरे के प्रतिस्पर्धी हैं। DataCamp में, हम निश्चित रूप से उन्हें पूरक मानते हैं। इसलिए DataCamp ने लाइव कोडिंग वेबिनारों की एक शृंखला लॉन्च की है, जहाँ सीखने वाले प्रशिक्षक के साथ अधिक निकटता से इंटरैक्ट कर सकते हैं। हमारे आगामी वेबिनार और लाइव ट्रेनिंग्स यहाँ पाएं।
निरंतर सुधार
टेक्स्टबुक जैसे अन्य शिक्षा माध्यमों के विपरीत, जिन्हें प्रकाशित होने पर प्रभावी रूप से पूर्ण माना जाता है, DataCamp पर सीखने की सामग्रियों का विकास किसी कोर्स के लॉन्च होने पर रुकता नहीं है। प्रशिक्षकों को अपने कोर्स को बेहतर अनुभव देने के लिए सक्रिय रूप से सुधार करने के लिए प्रोत्साहित किया जाता है—अस्पष्ट निर्देशों को फिर से लिखकर, अस्पष्ट अवधारणाओं को स्पष्ट करके, और तेज़ी से बदलती डेटा साइंस की दुनिया में सामग्री को अद्यतन रखते हुए।
दिलचस्प बात यह है कि पेपर के लेखकों द्वारा बनाए गए निष्कर्षणात्मक सांख्यिकी कोर्सों की शृंखला DataCamp द्वारा किए गए कुछ तकनीकी और प्रक्रियात्मक सुधारों के लिए एक प्रमुख प्रेरक कारक थी। हालाँकि कोर्स निस्संदेह लोकप्रिय थे, कोर्स रेटिंग और पूर्णता दर जैसे मात्रात्मक डेटा ने हमें यह समझने में मदद की कि सुधार की पर्याप्त गुंजाइश थी। बड़ी समस्या यह है कि निष्कर्षणात्मक सांख्यिकी वैचारिक रूप से कठिन है और उन अवधारणाओं को प्रदर्शित करने के लिए मध्यम रूप से उन्नत प्रोग्रामिंग कौशल की आवश्यकता होती है।
स्थिति में सुधार के लिए, DataCamp की कंटेंट क्वालिटी टीम ने प्रशिक्षकों के साथ मिलकर इन चार कोर्सों को पूरी तरह से दोबारा लिखा। कंटेंट क्वालिटी विश्लेषकों ने गति में बदलाव कर नया कोड अधिक क्रमिक रूप से प्रस्तुत करने में मदद की, निर्देशों को फिर से लिखा, और कोड को सरल बनाया ताकि सीखने वाले वैचारिक पहलुओं पर ध्यान केंद्रित कर सकें। परिणामस्वरूप, अब ये चार बेहतरीन कोर्स हैं—उन्नत सीखने वालों के लिए।
निरंतर सुधार की भावना में, DataCamp की कंटेंट टीम के लिए आने वाली चुनौती यह समझना है कि निष्कर्षणात्मक सांख्यिकी को बिल्कुल शुरुआती लोगों को कैसे सिखाया जाए। देखते रहिए!
लर्निंग और डेवलपमेंट मैनेजरों के लिए सुधार
JSE पेपर ने DataCamp पर पढ़ाने के फायदे और नुकसान को उजागर करने का बेहतरीन काम किया, लेकिन इसमें यह कहते हुए एक हल्की अशुद्धि रही कि
DataCamp के कोर्स असिंक्रोनस और स्व-गति वाले हैं, इसलिए छात्र को समय-सीमाओं की चिंता नहीं करनी पड़ती।
यह अधिकांश सीखने वालों के लिए सही है। यदि आप DataCamp की व्यक्तिगत सदस्यता लेते हैं, तो आप अपनी गति से सीख सकते हैं और अपने जीवनशैली के अनुरूप तरीके से कंटेंट का उपभोग कर सकते हैं। हालाँकि, हमारे व्यावसायिक और शैक्षणिक ग्राहकों के लिए, DataCamp ने प्रशासकों और प्रशिक्षकों को यह ट्रैक रखने में मदद करने के लिए एक सेट प्रशासनिक टूल विकसित किए हैं कि उनके कर्मचारी और छात्र कैसे प्रगति कर रहे हैं:
- असाइनमेंट: हम प्रशिक्षकों और एडमिन्स को डेडलाइन के साथ कोर्स या XP असाइनमेंट सेट करने में सपोर्ट करते हैं। डेडलाइन बीत जाने के बाद समूह एडमिन को संबंधित डेटा का निर्यात स्वचालित रूप से प्राप्त होगा।
- रिपोर्टिंग: जबसे हमने व्यावसायिक और शैक्षणिक ग्राहकों के लिए DataCamp लॉन्च किया है, हमने अपनी रिपोर्टिंग क्षमताओं में बहुत वृद्धि की है, और एप्लिकेशन के भीतर समूह की एंगेजमेंट, अपनाने, कंटेंट उपयोग, असेसमेंट उपयोग, आदि पर स्वचालित अंतर्दृष्टि प्रदान की है।
- लो-लेवल डेटा: एडमिन अपने समूहों और कक्षाओं से लो-लेवल डेटा निर्यात कर सकते हैं ताकि चाहें तो वे स्थानीय रूप से अपने स्वयं के डैशबोर्ड बना सकें।
- LMS इंटिग्रेशन और SSO: 2019 में, हमने अपने लर्निंग मैनेजमेंट सिस्टम (LMS) इंटिग्रेशन को SAP SuccessFactors और Degreed जैसे अन्य प्रदाताओं तक बढ़ाया, और बढ़ी हुई सुरक्षा के लिए सिंगल साइन-ऑन (SSO) जोड़ा।
प्रशिक्षकों के लिए सुधार
जब DataCamp पहली बार लॉन्च हुआ, तो हमने जितने अधिक से अधिक कोर्स बनाए जा सकें, उनकी ओर दौड़ लगाई, क्योंकि बिना किसी कोर्स के हमारे पास सीखने वाले नहीं होते। जैसे-जैसे हमारी कोर्स लाइब्रेरी बढ़ी और हमारा यूज़र बेस अधिक विविध हुआ, पाठ्यक्रम के अंतराल भरने की दौड़ अन्य बातों की तुलना में कम महत्वपूर्ण हो गई, जैसे कि "यह कोर्स हमारे अन्य कोर्सों के सापेक्ष कहाँ फिट बैठता है?" और "कौन इस कोर्स को लेने में रुचि रखेगा?"
इसका मतलब है कि कोर्स विकास की शुरुआत में, हम प्रशिक्षक के साथ लक्षित श्रोताओं पर पर्याप्त समय चर्चा में लगाते हैं। उदाहरण के लिए, मशीन लर्निंग विशेषज्ञों की ऑडियंस को अवधारणाएँ समझाने का दृष्टिकोण डेटा वैज्ञानिकों के मैनेजरों को अवधारणाएँ समझाने के दृष्टिकोण से बहुत अलग होता है—जो कम तकनीकी हो सकते हैं लेकिन किसी विश्लेषण के परिणामों पर महत्वपूर्ण फीडबैक देना होता है।
यह भी स्पष्ट हो गया है कि हमारे कई सीखने वाले हमारे career tracks और skill tracks के माध्यम से कोर्सों के क्रम को लेना पसंद करते हैं। इसका अर्थ विकास के दौरान हम बहुत से प्रश्न पूछते हैं—सीखने वालों से कोर्स शुरू करने से पहले क्या जानने की अपेक्षा है, उन्हें पहले कौन से अन्य कोर्स लेने चाहिए, कोर्स पूरा होने तक उनसे क्या सीखने की अपेक्षा है, और यह किन अन्य कोर्सों की ओर ले जा सकता है। कोर्स लेना अलग-थलग किया जाने वाला काम नहीं है—यह अधिक डेटा-प्रवीण बनने की यात्रा है।
एक बार कोर्स का दायरा तय हो जाने पर, हमें सुनिश्चित करना होता है कि सीखने वाले वास्तव में कुछ सीखें! DataCamp अपने प्रशिक्षकों के साथ मिलकर Bloom’s taxonomy—किसी कार्य पर प्रवीणता के स्तर का वर्णन करने के लिए एक ढाँचा—का उपयोग करते हुए कोर्स के लिए सीखने के उद्देश्यों का एक सेट निर्धारित करता है। ये सीखने के उद्देश्य DataCamp Signal स्किल असेसमेंट में फ़ीड होते हैं।
बेशक, यह सब नए प्रशिक्षकों के लिए बहुत कुछ हो सकता है। इसलिए DataCamp कोर्स निर्माण प्रक्रिया के दौरान बहुत सहायता प्रदान करता है। प्रत्येक प्रशिक्षक को आम तौर पर DataCamp कर्मचारियों—जो सभी पेशेवर डेटा वैज्ञानिक और शिक्षक हैं—से 80 घंटे से अधिक का मार्गदर्शन मिलता है कि कोर्स को एक अच्छी कथा देने के लिए कैसे संरचित किया जाए, अच्छे अभ्यास कैसे लिखे जाएँ, और उनकी सामग्री पर तकनीकी सहकर्मी समीक्षाएँ प्रदान की जाएँ। इसके अतिरिक्त, हमारे पास DataCamp कोर्स कैसे बनाएँ पर एक मेटा-कोर्स है, और विस्तृत प्रलेखन है जो अन्य बातों के अलावा रोचक डेटा सेट कैसे ढूँढें और उच्च गुणवत्ता वाली ऑडियो कैसे रिकॉर्ड करें, इस पर मार्गदर्शन प्रदान करता है।
कोर्स लॉन्च होने के बाद, DataCamp लाइव इंस्ट्रक्शन पर एक और लाभ प्रदान करता है: प्रशिक्षकों को उनके कोर्स के प्रदर्शन पर मात्रात्मक फीडबैक मिलता है। प्रत्येक अभ्यास के कठिनाई स्तर का आकलन संकेत और समाधान माँगने वाले सीखने वालों के अनुपात के माध्यम से किया जाता है, जिससे प्रशिक्षकों को पता चलता है कि सीखने वाले कहाँ अटकते हैं। ग़लत उत्तर भी दर्ज किए जाते हैं, ताकि प्रशिक्षक यह निर्धारित कर सकें कि सीखने वाले किस प्रकार की गलतियाँ कर रहे हैं और स्पष्टता के लिए अभ्यासों को अपडेट कर सकें। DataCamp के कोर्स गुणवत्ता में सुधार के दृष्टिकोण के बारे में इस ब्लॉग पोस्ट में और जानें।
कुछ मामलों में, हमने पाया है कि DataCamp के अभ्यास कठिन इसलिए होते हैं क्योंकि जो अंतर्निहित कोड हम सिखाना चाहते हैं, उसका उपयोग करना ही मुश्किल होता है। वास्तव में, JSE पेपर में उल्लिखित निष्कर्षणात्मक सांख्यिकी कोर्स infer नामक एक R पैकेज पर आधारित थे, और कई DataCamp कर्मचारियों ने उस पैकेज को अधिक आसान बनाने के लिए उसके विकास में मदद की। DataCamp में, हमें शिक्षण से प्रेरित विकास के इस फीडबैक लूप पर बहुत गर्व है। जटिल कोड भागों की पहचान करना और डेवलपर्स को समस्याओं को ठीक करने में मदद करना सॉफ्टवेयर को सभी के लिए उपयोग में आसान बनाता है।
निष्कर्ष
हमें खुशी है कि हमारे प्रशिक्षकों ने DataCamp के लिए कंटेंट बनाने के अपने अनुभव को स्पष्ट रूप से सामने लाने के लिए समय निकाला। अब तक दो सौ छिहत्तर लोग इन्स्ट्रक्शन प्रक्रिया से गुजर चुके हैं, जिन्होंने डेटा साइंस का लोकतंत्रीकरण करने के हमारे मिशन में योगदान दिया है।
ऑनलाइन शिक्षा इस समय अत्यंत प्रासंगिक है, क्योंकि बहुत से लोग घर पर हैं। व्यक्तियों और कंपनियों के लिए डेटा साक्षरता का लोकतंत्रीकरण करने के अपने मिशन में, हमारी उत्पाद, कंटेंट, और इंजीनियरिंग टीमें लगातार यह सुधारने की कोशिश कर रही हैं कि हम डेटा स्किल्स कैसे सिखाते हैं। आगे के विकास पर नज़र रखें!
सीखते रहिए, शुभकामनाएँ।
परिशिष्ट: पेपर में की गई टिप्पणियों पर DataCamp की स्थिति स्पष्ट करना
हम JSE पेपर में प्रस्तुत कुछ बिंदुओं पर अपना रुख स्पष्ट करना चाहेंगे।
- JSE पेपर ने DataCamp वीडियो की अधिकतम लंबाई पर प्रश्न उठाया और प्रस्तावित किया कि प्रशिक्षकों को "विषयों पर 10–20 मिनट बात करने" में सक्षम होना चाहिए। वीडियो पर लागू हमारी समय-सीमा edX के छात्र संलग्नता के लिए इष्टतम वीडियो लंबाई पर शोध पोस्ट पर आधारित है। हमारे पास वेबिनार रिकॉर्डिंग के माध्यम से कुछ लंबी-फॉर्म वीडियो सामग्री है, लेकिन हमें लगता है कि लंबे वीडियो कोर्स के फ्लो को बिगाड़ देंगे।
- DataCamp में, हम ओपन सोर्स योगदानों का समर्थन करते हैं। पूर्व और वर्तमान दोनों DataCamp टीम सदस्यों—Chester Ismay, Nick Solomon, और Richie Cotton—ने infer पैकेज में अपने खाली और कार्य समय दोनों में योगदान दिया है (स्रोत)।
- हालाँकि पेपर में उल्लेख किया गया है, हमारे पास प्रशिक्षकों के साथ कोई भी अनन्य अनुबंध मौजूद नहीं है। बौद्धिक संपदा प्रशिक्षक के पास ही रहती है।
- हम मानते हैं कि एक लाभकारी इकाई के रूप में हम निर्णय अलग तरह से लेते हैं, लेकिन हमेशा सीखने वाले के सर्वोत्तम हित में। हमारे प्रोत्साहन उच्च गुणवत्ता वाली सीखने की सामग्री बनाने की ओर पूर्णतः संरेखित हैं, जो सीधे हमारे ग्राहकों के लिए मूल्य को प्रभावित करती है। यही कारण है कि हम पेपर में उल्लिखित इतने विस्तृत मेट्रिक्स को ट्रैक रखते हैं।
- जिस तरह DataCamp के साथ वाणिज्यिक संबंध का प्रकटीकरण किया गया था, उसी तरह जब LearnR—जो RStudio की टीम द्वारा बनाया गया एक पैकेज है—का संदर्भ दिया गया, तो हमें लगता है कि लेखकों में से एक के RStudio के साथ वाणिज्यिक संबंध का प्रकटीकरण उपयुक्त होता।
- पेपर में संदर्भित BuzzFeed लेख के संबंध में: DataCamp ने अक्टूबर 2017 की घटनाओं की एक स्वतंत्र, तृतीय-पक्ष समीक्षा कराई, जिसका नेतृत्व Anurima Bhargava—जो ओबामा प्रशासन में न्याय विभाग की पूर्व अधिकारी रही हैं—और Working IDEAL की Pamela Coukos ने किया। परिणामी रिपोर्ट सार्वजनिक की गई और इस ब्लॉग पोस्ट के माध्यम से ऑनलाइन साझा की गई। Instructor Advisory Board ("IAB") के सदस्यों (जिसमें पेपर के लेखकों में से एक भी शामिल है) को, साथ ही अन्य हितधारकों, जिनमें हमारे प्रशिक्षक समुदाय के सदस्य भी शामिल हैं, समीक्षा में भाग लेने के लिए आमंत्रित किया गया।