Bagaimana DataCamp menciptakan kurikulum data science terbaik
Di DataCamp, kami bangga memiliki platform dan kurikulum terbaik untuk mempelajari data science. Untuk itu, kami mengerahkan banyak upaya agar setiap latihan efektif untuk mengajar sekaligus menyenangkan. Setelah sebuah kursus diluncurkan, kami tidak menganggapnya selesai: peluncuran hanyalah awal dari pengumpulan data. Setiap kali seorang siswa mencoba sebuah latihan dalam kursus, kami menangkap data seperti berapa banyak percobaan yang dibutuhkan untuk menyelesaikan latihan, dan apakah mereka memerlukan bantuan dengan meminta petunjuk atau solusi. Dengan mengagregasikan data ini dari semua siswa, kami dapat memperoleh gambaran tentang tingkat kesulitan sebuah latihan. Selain itu, siswa dapat menilai latihan dari satu hingga lima bintang, dan memberikan umpan balik kepada kami, memberi tahu seberapa disukai sebuah latihan.
Tim Konten Berkualitas kami bekerja sama dengan para instruktur untuk menindaklanjuti data ini guna meningkatkan kursus. Bentuknya beragam karena banyak hal yang bisa keliru pada sebuah latihan.
1. Memperbaiki data yang hilang
Terkadang, hal kecil dapat membuat banyak siswa kecewa. Dalam Data Science Toolbox (Bagian 1), siswa mempelajari cara menulis fungsi lambda Python menggunakan dataset berdasarkan Fellowship of the Ring karya J.R.R. Tolkien, dari trilogi buku The Lord of the Rings. Sayangnya, dataset tersebut tidak memuat Gandalf dan Pippin. Para siswa kami dengan tepat mengeluhkan hal ini, jadi kami mendengarkan dan memperbaiki masalahnya.
2. Menghindari kesalahpahaman dan kebingungan bagi pembelajar DataCamp
Menganalisis umpan balik dari banyak latihan dapat mengungkap pola kesalahpahaman yang dimiliki siswa. Banyak analisis data menyimpan data mereka dalam bentuk persegi panjang di mana setiap baris adalah sebuah rekaman, dan setiap kolom adalah nilai yang dimiliki rekaman tersebut. Misalnya, setiap baris dapat mewakili seorang individu, dan kolom-kolomnya berisi nama, tinggi badan, dan warna favoritnya.
Praktik manipulasi data yang sangat umum adalah memfilter baris dari data persegi panjang tersebut. Seorang instruktur mungkin menulis instruksi seperti:
Filter dataset untuk menghapus baris di mana orang lebih pendek dari 170 cm.
Ini tidak salah, tetapi sebagian besar perangkat lunak statistik, termasuk paket dplyr di R dan paket Pandas di Python, mengharuskan Anda memfilter dataset dengan menetapkan hal-hal yang ingin Anda pertahankan. Jika instruksinya ditulis ulang sebagai berikut:
Filter dataset untuk mempertahankan baris di mana orang lebih tinggi dari 170 cm.
Maka instruksinya selaras dengan cara kerja kode, dan menghindari titik kebingungan bagi siswa. Untuk kursus tingkat lanjut di mana siswa diharapkan sudah akrab dengan manipulasi data, perumusan ini akan kurang menjadi masalah. Dalam kursus Pandas Foundations kami, kami melihat banyak siswa kesulitan dengan masalah ini, dan kami mengubah bahasanya.
3. Menciptakan jalur belajar yang menyenangkan dengan umpan balik yang lebih komprehensif dan terperinci
Semua latihan DataCamp dinilai secara otomatis menggunakan perangkat lunak yang dibangun oleh tim Content Engineering kami. Ini memungkinkan umpan balik cerdas secara instan bagi siswa jika mereka salah menjawab. Ini mungkin fitur terbaik dari platform kami. Salah satu bagian tersulit adalah mengantisipasi apa yang akan salah dilakukan siswa agar dapat memberi saran yang baik tentang apa yang harus dilakukan berbeda pada percobaan berikutnya. Artinya, sesekali solusi yang benar ditandai sebagai salah. Ketika ini terjadi, siswa sangat tidak menyukainya. Dalam satu kasus, seorang siswa mengeluh:
Dalam kursus Cluster Analysis in R, banyak siswa melihat bahwa meskipun solusi yang disarankan untuk sebuah latihan menggunakan fungsi min() yang terkenal untuk menghitung nilai minimum, ada solusi yang lebih sederhana dan elegan menggunakan fungsi minimum paralel yang kurang dikenal, pmin().
Awalnya, latihan tersebut hanya mengizinkan satu solusi, tetapi berdasarkan ide cemerlang para siswa, kini kedua solusi diterima. Salah satu tujuan tim Content Engineering dalam mengembangkan sistem umpan balik DataCamp adalah meningkatkan fleksibilitas penilaian, memungkinkan siswa memecahkan masalah dengan cara mereka sendiri.
Frustrasi lain yang dapat dialami siswa dengan umpan balik otomatis kami adalah melihat potongan umpan balik yang sama berulang kali saat mengerjakan sebuah latihan. Prinsipnya ditunjukkan pada diagram di bawah ini, di mana seorang siswa diminta membuat array Python dengan tiga elemen.
Dengan memberikan umpan balik yang lebih terperinci untuk mengatasi masalah spesifik pada jawaban siswa, kami dapat memberikan pengalaman belajar yang lebih positif. Hasil dari peningkatan umpan balik ini menggembirakan. Dalam sebuah latihan dari kursus Intermediate Python for Data Science, beralih ke umpan balik terperinci membuat persentase siswa yang melihat pesan umpan balik yang sama lebih dari sekali turun dari sekitar 65% menjadi di bawah 10%.
Persentase pengguna yang melihat pesan umpan balik yang sama lebih dari sekali adalah metrik yang kami pantau untuk semua latihan dan kursus. Dipadukan dengan tingkat popularitas kursus, kami menciptakan cara berbasis data untuk terus meningkatkan pengalaman belajar dengan cara yang paling berdampak.
Kesimpulan
Tujuan kami pada akhir tahun adalah untuk separuh kursus yang paling populer, rata-rata persentase umpan balik berulang di semua latihan berada di bawah 30% untuk setiap kursus.
Kami akan terus menambahkan peningkatan ini di semua teknologi yang dapat dipelajari siswa di DataCamp. Secara internal kami juga meningkatkan alat yang kami gunakan untuk membuat umpan balik dan menganalisis pengumpulan jawaban siswa untuk memastikan kami terus meningkatkan pengalaman belajar untuk semua konten saat ini dan di masa depan.
Masih banyak hal lain yang bisa keliru dalam sebuah latihan, tetapi kami harap ini memberi Anda dorongan bahwa DataCamp mendengarkan umpan balik siswa, dan terus bekerja untuk meningkatkan kepuasan siswa terhadap kursus kami.
