Artikel ini ditulis oleh Richie Cotton, dengan kontribusi dari Ramnath Vaidyanathan, Dieter De Mesmaeker, dan Martijn Theuwissen.
Pendidikan daring adalah bidang yang menarik saat ini karena inovasi terjadi terus-menerus. Setiap perusahaan di ranah ini, termasuk DataCamp, masih berupaya menemukan cara terbaik untuk membantu orang belajar. Tim produk dan rekayasa DataCamp terus mengembangkan alat baru untuk mengajarkan ilmu data secara lebih efektif, yang kemudian diintegrasikan oleh tim konten kami ke dalam materi yang ada dan yang akan datang.
Empat instruktur DataCamp—Ben Baumer, Andrew Bray, Mine Çetinkaya-Rundel, dan Jo Hardin—baru-baru ini menerbitkan sebuah makalah di Journal of Statistical Education tentang pengalaman mereka membuat kursus di DataCamp, serta pandangan mereka mengenai perbedaan antara pembelajaran tatap muka dan daring. Para instruktur ini adalah pendukung awal DataCamp, dan kami menghargai cara mereka mengartikulasikan pengalaman mereka.
Pada tulisan ini, kami ingin membahas umpan balik mereka, berbicara tentang pedagogi di DataCamp, menampilkan beberapa perbaikan yang telah kami lakukan sejak para penulis membuat kursus DataCamp mereka, dan memperjelas posisi kami atas beberapa komentar dalam makalah tersebut.
Kursus-kursus
Para instruktur membuat delapan kursus antara 2016 dan 2018. Pertama hadir rangkaian empat kursus tentang statistika deskriptif: Introduction to Data in R, Exploratory Data Analysis in R, Correlation and Regression in R, dan Multiple and Logistic Regression in R, yang termasuk dalam jalur keterampilan Statistics Fundamentals with R. Ini kemudian diikuti empat kursus statistik inferensial: Foundations of Inference, Inference for Categorical Data, Inference for Numerical Data, dan Inference for Linear Regression, yang membentuk jalur keterampilan Statistical Inference with R.
Secara total, kursus-kursus ini menjangkau lebih dari 94.000 pelajar. Kursus dengan penilaian tertinggi memiliki rating 4,55 (dari 5) dan yang terendah 4,33. Menjadi beberapa kursus dengan volume tinggi, kursus-kursus ini sejauh ini menghasilkan pembayaran royalti sebesar $475.000 kepada keempat instruktur selama masa tayangnya.
Manfaat DataCamp
Makalah tersebut menyoroti banyak kekuatan DataCamp. Sebagai awal, keempat akademisi mencatat bahwa biaya universitas mahal.
lembaga kami [...] memiliki biaya kehadiran tahunan rata-rata sebesar $71.156,25
Itu adalah harga sebuah mobil mewah tiap tahun, yang jelas menegaskan nilai DataCamp yang luar biasa—bahkan seperempat dari harga kartu langganan subway New York. Meski benar kami adalah entitas yang berorientasi laba, kami ingin menyoroti program DataCamp for the Classroom kami yang gratis dan memberi guru serta siswa akses tanpa batas ke seluruh pustaka kursus kami. Sejak dimulai, lebih dari 200.000 siswa telah mengikuti program ini. Hal ini membedakan kami dari biaya kuliah tinggi di perguruan tinggi dan universitas swasta, dan kami bangga akan hal tersebut.
Bagi pelajar, mereka mencatat bahwa penggunaan video memiliki manfaat penting dibandingkan pengajaran langsung karena memberikan lebih banyak kendali atas tempo belajar.
Pertama, memiliki video alih-alih instruktur tatap muka berarti siswa dapat menghentikan video, memperlambatnya, dan/atau kembali dan mengulang video. Artinya, setiap siswa dapat menyerap gagasan sesuai kecepatan mereka sendiri. Selain itu, tidak seperti di kelas konvensional, siswa dapat menghentikan video untuk mencari definisi atau mengontekstualisasikan suatu contoh.
Umpan balik instan yang diberikan melalui pengujian otomatis dalam latihan pengkodean kami juga disebutkan secara positif.
Siswa menerima umpan balik instan pada latihan pengkodean DataCamp. Ini mengurangi sebagian frustrasi mereka dan juga membebaskan instruktur dari keharusan menjawab email panik dari siswa.
Bagi dosen, manajer pembelajaran dan pengembangan, serta pendidik lainnya, skalabilitas DataCamp dicatat sebagai fitur penting. Platform kami membebaskan pendidik dari tekanan dan monoton dalam memeriksa tugas.
Setiap siswa tambahan di kelas Anda memerlukan waktu dan upaya ekstra dari Anda untuk menilai tugas mereka, bertemu saat jam konsultasi, menyediakan ruang di kelas, dll. Sebaliknya, DataCamp akan menyajikan konten kepada jumlah siswa tak terbatas secara asinkron.
Apa yang baru?
Sejak 2016, DataCamp telah berinvestasi pada banyak perbaikan.
Siklus assess-learn-practice-apply
Pada 2016, DataCamp memiliki satu produk: kursus kami, yang dirancang untuk membantu pelajar memperoleh keterampilan baru. Seiring waktu, visi pedagogis DataCamp berfokus pada siklus menilai kemampuan saat ini, mempelajari keterampilan baru, melatih keterampilan tersebut, menerapkan keterampilan dalam konteks baru, lalu kembali ke penilaian untuk melihat seberapa besar peningkatan Anda. Gambar di bawah menunjukkan siklus assess-learn-practice-apply.
Gambar 1: Siklus assess-learn-practice-apply yang menjadi dasar filosofi pedagogis DataCamp.
Untuk membantu pelajar menyelesaikan siklus ini, kami menambahkan tiga produk baru.
Practice
Pada 2017, kami menambahkan DataCamp Practice, yang berisi tantangan pengkodean singkat yang sangat sesuai dengan isi kursus untuk memperkuat pembelajaran. Contoh di bawah menunjukkan pertanyaan pilihan ganda yang menguji keterampilan yang dipelajari di kursus Introduction to the Tidyverse.
Gambar 2: Latihan dari DataCamp Practice yang menguji keterampilan visualisasi data.
Projects
Pada tahun yang sama, kami meluncurkan DataCamp Projects, yang memungkinkan pelajar menerapkan keterampilannya pada permasalahan baru di dunia nyata menggunakan salah satu lingkungan ilmu data paling populer: Jupyter Notebooks.
Gambar 3: Proyek yang memungkinkan pelajar menerapkan keterampilannya dalam SQL.
Assessments
Langkah terakhir dalam siklus ini hadir pada 2019 dengan peluncuran DataCamp Signal, produk asesmen keterampilan kami yang memungkinkan pelajar mengukur seberapa banyak yang telah mereka pelajari. Asesmen keterampilan secara konseptual mirip mode latihan tetapi di bawah kondisi ujian: pelajar diuji pada konten terkait kursus yang bersesuaian, namun setiap pertanyaan memiliki batas waktu, dan pelajar diberi skor berdasarkan jumlah pertanyaan yang dijawab dengan benar serta tingkat kesulitannya. Anda dapat membaca lebih lanjut tentang penggunaan pengujian adaptif dan psikometri oleh Signal di sini.
Gambar 4: Pertanyaan asesmen keterampilan Signal yang menguji kemampuan machine learning Python, di bawah tekanan waktu.
Peningkatan dalam kursus
Selain memperkenalkan tiga produk baru, DataCamp telah melakukan perbaikan pada kursus kami dengan menambahkan beberapa jenis latihan baru. Satu area di mana makalah JSE sangat visioner adalah bahwa DataCamp memerlukan dukungan untuk latihan grafis "point and click".
Beberapa strategi pengajaran tidak mungkin dilakukan menggunakan platform DataCamp, namun kami dapat melihat platform ini berkembang untuk memasukkan metode seperti itu seiring kemampuannya dalam penyajian menjadi lebih canggih. Khususnya, tidak memungkinkan menggunakan platform DataCamp untuk menelusuri penggunaan applet guna menjelaskan konsep tertentu.
Latihan eksploratif
Pada 2019, DataCamp merancang jenis latihan baru yang kami sebut "latihan eksploratif." Ini memungkinkan dasbor, visualisasi interaktif, dan bahkan perangkat lunak berbasis web disertakan dalam latihan. Salah satu cara membuat latihan ini menggunakan alat bernama Shiny—versi yang lebih modern dari applet Java yang dirujuk dalam makalah tersebut. (Kami juga memiliki rangkaian kursus tentang penggunaan Shiny bagi pelajar yang tertarik membuatnya sendiri.)
Latihan eksploratif telah dimanfaatkan dengan baik dalam rangkaian kursus DataCamp "For Everyone", yang dirancang untuk mereka yang perlu memahami data namun tidak memiliki latar belakang ilmu data atau analitik. Kursus Data Visualization For Everyone khususnya memanfaatkan dasbor untuk membantu pelajar mengeksplorasi bagaimana perubahan pada plot memengaruhi kemampuan mereka menjawab pertanyaan tentangnya.
Pada contoh di bawah, pelajar dapat mengeksplorasi bagaimana mengubah warna dalam plot memengaruhi interpretasi mereka terhadap respons survei.
Gambar 5: Latihan eksploratif dengan dasbor yang memungkinkan pelajar mengeksplorasi dampak pilihan warna pada stacked bar plot.
Salah satu area di mana DataCamp mendapat kritik pada masa awal adalah meskipun latihan pengkodean kami sangat baik untuk mengajarkan cara menulis potongan kode, pelajar mudah tersesat pada detail tanpa mengetahui cara menggabungkannya. Sementara DataCamp selalu memahami nilai mengajarkan alur kerja dan mendorong instruktur menjelaskannya dalam video, kami memerlukan alat yang lebih kuat. Tahun lalu, kami menerapkan jenis latihan baru lainnya untuk melakukan hal tersebut. Latihan seret-dan-lepas memungkinkan pelajar menyelesaikan latihan dengan memindahkan item di layar. Ada beberapa variannya, tetapi yang terpenting untuk mengajarkan alur kerja disebut "latihan pengurutan."
Pada contoh di bawah yang diambil dari Introduction to Writing Functions in R, pelajar diminta mengurutkan ulang langkah-langkah dalam alur kerja untuk mengonversi skrip menjadi fungsi yang dapat digunakan ulang. Dengan menjauh sejenak dari permintaan menulis kode, mereka dapat fokus pada konsep.
Gambar 6: Latihan seret-dan-lepas untuk mengajarkan alur kerja dengan mengurutkan langkah-langkah.
Selain latihan eksploratif dan latihan seret-dan-lepas, kami menambahkan lebih banyak jenis latihan dan modalitas konten. Beberapa yang paling menonjol adalah:
Latihan IDE
Latihan IDE menggunakan salah satu editor kode paling populer bernama Visual Studio Code. Jenis latihan ini digunakan dalam konten rekayasa data tingkat lanjut kami.
Gambar 7: Latihan IDE, menguji keterampilan "devops" untuk menerapkan kode menggunakan lingkungan pengembangan Visual Studio Code.
Latihan VM
Dan yang terbaru, kami membuat latihan VM, yang menjalankan Virtual Machine Windows dengan perangkat lunak tertentu yang sudah terpasang. Ini terutama digunakan dalam konten Tableau kami.
Gambar 8: Latihan VM yang mengajarkan cara memanipulasi data di alat business intelligence Tableau.
Beberapa saran dalam makalah tersebut sulit diterapkan untuk platform daring seperti DataCamp, misalnya berikut ini:
Di kelas luring, kami membagi siswa menjadi tim dan setiap tim menerima kantong berisi 20 kertas, masing-masing dengan nilai sewa sebuah apartemen sampel tercetak di atasnya. Lalu, setiap tim diminta mengambil sampel bootstrap dari 20 apartemen dari kantong mereka, menghitung median, dan mencatatnya di papan dengan menempatkan titik pada dotplot. Proses ini memberi siswa pengalaman langsung melakukan sampling dengan pengembalian untuk membangun distribusi bootstrap dari median sampel.
Meskipun instruktur tidak dapat berinteraksi dengan pelajar di platform kami, kami tentu setuju bahwa permainan yang menyenangkan adalah komponen penting dalam pengajaran langsung. Karena itu, dalam Hackathon terbaru kami, salah satu tim rekayasa kami mengeksplorasi pembuatan DataCamp VR. Meski ini mungkin masih beberapa tahun lagi, kami memandang inovasi sebagai bagian penting dari perusahaan kami (dan kami sangat menikmatinya!).
Lebih serius lagi, merupakan kesalahpahaman bahwa pendidikan daring dan pengajaran langsung saling bersaing. Di DataCamp, kami justru melihat keduanya saling melengkapi. Karena itu, DataCamp meluncurkan rangkaian webinar pengkodean langsung, di mana pelajar dapat berinteraksi lebih dekat dengan instruktur. Temukan webinar dan pelatihan langsung kami yang akan datang di sini.
Perbaikan berkelanjutan
Tidak seperti media pendidikan lain seperti buku teks, yang pada dasarnya dianggap selesai saat diterbitkan, di DataCamp pengembangan materi pembelajaran tidak berhenti saat kursus diluncurkan. Instruktur secara aktif didorong untuk meningkatkan kursus mereka demi memberikan pengalaman yang lebih baik kepada pelajar dengan menulis ulang instruksi yang kurang jelas, memperjelas konsep yang samar, dan menjaga konten tetap mutakhir di dunia ilmu data yang bergerak cepat.
Menariknya, rangkaian kursus statistik inferensial yang dibuat para penulis makalah tersebut menjadi pendorong utama bagi beberapa peningkatan teknis dan proses yang dilakukan DataCamp. Walau kursus-kursus itu memang populer, data kuantitatif seperti rating kursus dan tingkat penyelesaian membuat kami memahami bahwa ada ruang signifikan untuk perbaikan. Masalah besarnya adalah bahwa statistik inferensial secara konseptual sulit, dan memerlukan keterampilan pemrograman tingkat menengah untuk mengekspos konsep-konsep tersebut.
Untuk mengatasi hal ini, Tim Kualitas Konten DataCamp bekerja sama dengan para instruktur untuk menulis ulang keempat kursus secara menyeluruh. Analis Kualitas Konten membantu mengubah tempo agar pengenalan kode baru lebih bertahap, menulis ulang instruksi, dan menyederhanakan kode agar pelajar dapat fokus pada aspek konseptual. Hasilnya, kini keempat kursus tersebut menjadi sangat baik—untuk pelajar tingkat lanjut.
Dalam semangat perbaikan berkelanjutan, tantangan berikutnya bagi Tim Konten DataCamp adalah mencari cara mengajarkan statistik inferensial kepada pemula sepenuhnya. Nantikan kabar selanjutnya!
Peningkatan bagi Manajer Pembelajaran dan Pengembangan
Makalah JSE melakukan pekerjaan hebat dalam menyoroti kelebihan dan kekurangan mengajar di DataCamp, namun memiliki sedikit ketidakakuratan saat menyatakan bahwa
Kursus DataCamp bersifat asinkron dan mandiri, sehingga [tidak ada] tenggat waktu yang perlu dikhawatirkan siswa.
Ini benar bagi mayoritas pelajar. Jika Anda mengambil langganan personal ke DataCamp, Anda dapat belajar sesuai tempo sendiri dan mengonsumsi konten dengan cara yang sesuai gaya hidup Anda. Namun, bagi pelanggan bisnis dan akademik kami, DataCamp telah mengembangkan serangkaian alat administratif untuk membantu administrator dan instruktur melacak kemajuan karyawan dan siswa mereka:
- Tugas: Kami mendukung instruktur dan admin untuk menetapkan tugas kursus atau XP dengan tenggat waktu. Admin grup akan otomatis menerima ekspor data terkait setelah tenggat berlalu.
- Pelaporan: Sejak pertama kali meluncurkan DataCamp untuk pelanggan bisnis dan akademik, kami sangat meningkatkan kapabilitas pelaporan, dan menawarkan wawasan otomatis tentang keterlibatan grup, adopsi, penggunaan konten, penggunaan asesmen, dll. dalam aplikasi.
- Data level-rendah: Admin dapat mengekspor data level-rendah dari grup dan kelas mereka sehingga mereka dapat membuat dasbor sendiri secara lokal jika diinginkan.
- Integrasi LMS dan SSO: Pada 2019, kami memperluas integrasi learning management system (LMS) ke penyedia lain seperti SAP SuccessFactors dan Degreed, serta menambahkan single sign-on (SSO) untuk peningkatan keamanan.
Peningkatan bagi instruktur
Saat DataCamp pertama kali diluncurkan, kami berpacu membuat sebanyak mungkin kursus karena tanpa kursus, kami tidak memiliki pelajar. Seiring pustaka kursus kami tumbuh dan basis pengguna kami menjadi lebih beragam, berlari mengisi celah kurikulum menjadi kurang penting dibanding pertimbangan lain seperti "di mana kursus ini cocok relatif terhadap kursus kami yang lain?" dan "siapa yang akan tertarik mengambil kursus ini?"
Artinya, pada awal pengembangan kursus, kami menghabiskan waktu yang cukup untuk membahas target audiens bersama instruktur. Misalnya, pendekatan menjelaskan konsep kepada audiens pakar machine learning sangat berbeda dengan pendekatan kepada manajer ilmuwan data, yang mungkin kurang teknis namun harus memberikan umpan balik kritis pada hasil analisis.
Juga menjadi jelas bahwa banyak pelajar kami lebih suka mengambil rangkaian kursus melalui jalur karier dan jalur keterampilan. Itu berarti selama pengembangan, kami banyak bertanya tentang apa yang diharapkan diketahui pelajar sebelum memulai kursus, kursus mana yang sebaiknya telah mereka ambil sebelumnya, apa yang diharapkan mereka pelajari saat menyelesaikan kursus, dan kursus mana yang mungkin menjadi lanjutan. Mengambil kursus tidak dilakukan secara terisolasi—ini adalah perjalanan menuju melek data yang lebih baik.
Setelah ruang lingkup kursus ditentukan, kami perlu memastikan bahwa pelajar benar-benar mempelajari sesuatu! DataCamp bekerja sama dengan instruktur untuk menentukan serangkaian tujuan pembelajaran bagi kursus menggunakan taksonomi Bloom—kerangka kerja untuk menggambarkan tingkat kemahiran pada suatu tugas. Tujuan pembelajaran ini mengalir ke asesmen keterampilan DataCamp Signal.
Tentu, semua ini bisa banyak untuk diserap oleh instruktur baru. Karena itu, DataCamp menyediakan banyak dukungan selama proses pembuatan kursus. Setiap instruktur umumnya menerima lebih dari 80 jam bimbingan dari karyawan DataCamp—semuanya profesional ilmu data dan pendidik—tentang cara menyusun kursus agar memiliki alur cerita yang baik, cara menulis latihan yang berkualitas, dan memberikan tinjauan sejawat teknis pada konten mereka. Selain itu, kami memiliki meta-kursus tentang cara membuat kursus DataCamp, dan dokumentasi ekstensif yang memberikan panduan tentang cara menemukan dataset menarik dan cara merekam audio berkualitas tinggi, dan lain-lain.
Setelah kursus diluncurkan, DataCamp memberikan manfaat lain dibanding pengajaran langsung: instruktur mendapatkan umpan balik kuantitatif tentang kinerja kursus mereka. Tingkat kesulitan setiap latihan dinilai melalui proporsi pelajar yang meminta petunjuk dan solusi, memungkinkan instruktur menentukan di mana pelajar tersendat. Jawaban salah juga dicatat, sehingga instruktur dapat menentukan jenis kesalahan yang dibuat pelajar dan memperbarui latihan agar lebih jelas. Pelajari lebih lanjut pendekatan DataCamp untuk meningkatkan kualitas kursus di blog ini.
Dalam beberapa kasus, kami menemukan bahwa latihan DataCamp sulit hanya karena kode dasar yang ingin kami ajarkan sulit digunakan. Faktanya, kursus statistik inferensial yang disebutkan dalam makalah JSE didasarkan pada paket R bernama infer, dan beberapa karyawan DataCamp membantu mengembangkan paket tersebut agar lebih mudah digunakan. Di DataCamp, kami sangat bangga dengan siklus umpan balik di mana pengajaran menginspirasi pengembangan. Mengidentifikasi bagian kode yang rumit dan membantu pengembang memperbaiki masalah membuat perangkat lunak lebih mudah digunakan untuk semua orang.
Kesimpulan
Kami senang para instruktur meluangkan waktu untuk mengartikulasikan pengalaman mereka membuat konten untuk DataCamp. Dua ratus tujuh puluh enam orang kini telah melalui proses instruktur, berkontribusi pada misi kami untuk mendemokratisasi ilmu data.
Pendidikan daring sangat relevan saat ini mengingat banyak orang berada di rumah. Dalam misi kami untuk mendemokratisasi literasi data bagi individu dan perusahaan, tim produk, konten, dan rekayasa kami terus mencari cara untuk meningkatkan cara kami mengajarkan keterampilan data. Nantikan perkembangan selanjutnya!
Selamat belajar.
Apendiks: Meluruskan posisi DataCamp atas komentar dalam makalah
Kami ingin memperjelas sikap kami atas beberapa poin yang disajikan dalam makalah JSE.
- Makalah JSE mempertanyakan panjang maksimum video DataCamp dan mengusulkan agar instruktur dapat "mendedikasikan 10–20 menit untuk membahas topik." Batas waktu yang kami tetapkan pada video didasarkan pada tulisan riset oleh edX tentang panjang video optimal untuk keterlibatan siswa. Kami memiliki beberapa konten video bentuk panjang melalui rekaman webinar, namun kami merasa video yang lebih panjang akan mengganggu alur dalam kursus.
- Di DataCamp, kami mendukung kontribusi open source. Baik anggota tim DataCamp terdahulu maupun saat ini berkontribusi pada paket infer baik pada waktu luang maupun waktu kerja mereka: Chester Ismay, Nick Solomon, dan Richie Cotton (sumber).
- Meski disebutkan dalam makalah, kami tidak memiliki kontrak eksklusif dengan instruktur. Kekayaan intelektual tetap menjadi milik instruktur.
- Kami menyadari bahwa sebagai entitas berorientasi laba kami membuat keputusan secara berbeda, namun selalu demi kepentingan terbaik pelajar. Insentif kami sepenuhnya selaras untuk menciptakan materi pembelajaran berkualitas tinggi, yang secara langsung memengaruhi nilai bagi pelanggan kami. Inilah mengapa kami melacak metrik sedetail yang disebutkan dalam makalah.
- Serupa dengan bagaimana hubungan komersial dengan DataCamp diungkapkan, kami yakin akan lebih tepat untuk mengungkapkan hubungan komersial oleh salah satu penulis dengan RStudio saat merujuk LearnR, paket yang dibuat oleh tim di RStudio.
- Terkait artikel BuzzFeed yang dirujuk dalam makalah: DataCamp menugaskan tinjauan independen pihak ketiga atas peristiwa Oktober 2017, dipimpin oleh Anurima Bhargava, mantan pejabat Departemen Kehakiman di pemerintahan Obama, dan Pamela Coukos dari Working IDEAL. Laporan yang dihasilkan dipublikasikan dan dibagikan daring melalui posting blog ini. Anggota Instructor Advisory Board ("IAB") (termasuk salah satu penulis makalah) diundang untuk berpartisipasi dalam tinjauan tersebut, serta para pemangku kepentingan lain, termasuk anggota komunitas instruktur kami.
