Come DataCamp crea il miglior curriculum di data science
In DataCamp, siamo orgogliosi di avere la migliore piattaforma e il miglior curriculum per imparare la data science. Per questo mettiamo molto impegno nell'assicurarci che ogni esercizio sia efficace nell'insegnare e piacevole da svolgere. Dopo il lancio di un corso, non lo consideriamo concluso: il lancio è solo l'inizio della raccolta dati. Ogni volta che uno studente prova un esercizio in un corso, registriamo dati come il numero di tentativi necessari per risolverlo e se ha avuto bisogno di assistenza chiedendo un suggerimento o la soluzione. Aggregando questi dati su tutti i nostri studenti, possiamo farci un'idea di quanto sia difficile un esercizio. Inoltre, gli studenti possono valutare gli esercizi da una a cinque stelle e inviarci feedback per farci sapere quanto è piaciuto un esercizio.
Il nostro team Content Quality lavora con i docenti per agire su questi dati e migliorare i corsi. Questo assume diverse forme, perché molte cose possono andare storte in un esercizio.
1. Correggere dati mancanti
A volte, piccole cose possono irritare molti studenti. In Data Science Toolbox (Parte 1), gli studenti imparano a scrivere funzioni lambda in Python usando un dataset basato sulla Compagnia dell'Anello di J.R.R. Tolkien, dalla trilogia de Il Signore degli Anelli. Purtroppo, nel dataset mancavano Gandalf e Pipino. I nostri studenti si sono giustamente lamentati, così li abbiamo ascoltati e abbiamo risolto il problema.
2. Evitare fraintendimenti e confusioni per chi impara su DataCamp
Analizzare i feedback su molti esercizi può rivelare schemi di idee sbagliate che gli studenti hanno. Molte analisi dei dati mantengono i dati in forma rettangolare, dove ogni riga è un record e ogni colonna è un valore appartenente a quel record. Ad esempio, ogni riga potrebbe corrispondere a una persona, e le colonne potrebbero essere il suo nome, la sua altezza e il suo colore preferito.
Una pratica molto comune di manipolazione dei dati è filtrare le righe di quel dato rettangolare. Un docente potrebbe scrivere un'istruzione come:
Filtra il dataset per rimuovere le righe in cui le persone sono più basse di 170 cm.
Va bene, ma la maggior parte dei software statistici, inclusi il pacchetto dplyr di R e il pacchetto Pandas di Python, ti fanno filtrare i dataset specificando le cose che vuoi mantenere. Se l'istruzione viene riscritta in questo modo:
Filtra il dataset per mantenere le righe in cui le persone sono più alte di 170 cm.
allora l'istruzione corrisponde al modo in cui funziona il codice ed evita un punto di confusione per gli studenti. Nei corsi avanzati, dove ci si aspetta che gli studenti conoscano la manipolazione dei dati, questa formulazione sarebbe meno problematica. Nel nostro corso Pandas Foundations, abbiamo notato che molti studenti faticavano con questo aspetto e abbiamo cambiato il linguaggio.
3. Creare un percorso di apprendimento sereno con feedback più completi e granulari
Tutti gli esercizi di DataCamp sono valutati automaticamente tramite software sviluppato dal nostro team di Content Engineering. Questo consente un feedback intelligente e immediato per gli studenti se sbagliano una risposta. È forse la caratteristica migliore della nostra piattaforma. Una delle parti più difficili è prevedere gli errori che gli studenti potrebbero commettere, così da dare loro buoni consigli su cosa fare diversamente la volta successiva. Questo significa che occasionalmente una soluzione corretta viene segnata come errata. Quando succede, gli studenti lo odiano. In un caso, uno studente si è lamentato:
Nel nostro corso Cluster Analysis in R, molti studenti avevano notato che, sebbene la soluzione suggerita per un esercizio usasse la nota funzione min() per calcolare un valore minimo, esisteva una soluzione più semplice ed elegante usando la meno nota funzione di minimo parallelo pmin().
In origine, l'esercizio accettava una sola soluzione ma, sulla base dell'idea ingegnosa degli studenti, ora entrambe le soluzioni sono accettate. Uno degli obiettivi del team di Content Engineering nello sviluppo del sistema di feedback di DataCamp è migliorare la flessibilità della valutazione, permettendo agli studenti di risolvere i problemi a modo loro.
Un'altra frustrazione che gli studenti possono incontrare con il nostro feedback automatico è vedere ripetutamente lo stesso messaggio di feedback durante un esercizio. Il principio è mostrato nel diagramma qui sotto, dove a uno studente viene chiesto di creare un array Python con tre elementi.
Fornendo un feedback più granulare, che affronta problemi specifici nella risposta di uno studente, possiamo offrire un'esperienza di apprendimento più positiva. I risultati del miglioramento del feedback sono incoraggianti. In un esercizio del nostro corso Intermediate Python for Data Science, il passaggio a un feedback granulare ha fatto scendere la percentuale di studenti che vedevano lo stesso messaggio di feedback più di una volta da circa il 65% a meno del 10%.
La percentuale di utenti che vedono lo stesso messaggio di feedback più di una volta è una metrica che monitoriamo per tutti gli esercizi e i corsi. In combinazione con la popolarità dei corsi, abbiamo creato un modo data-driven per continuare a migliorare l'esperienza di apprendimento nel modo più efficace.
Conclusione
Il nostro obiettivo per la fine dell'anno è che, per la metà dei corsi più popolari, la media della percentuale di feedback ripetuti su tutti gli esercizi sia inferiore al 30% per ciascun corso.
Continueremo ad aggiungere questi miglioramenti in tutte le tecnologie che gli studenti possono imparare su DataCamp. Internamente miglioriamo anche gli strumenti che usiamo per creare il feedback e analizzare le consegne degli studenti, per assicurarci di continuare a migliorare l'esperienza di apprendimento per tutti i contenuti attuali e futuri.
Ci sono molte altre cose che possono andare storte in un esercizio, ma spero che questo ti incoraggi a sapere che DataCamp ascolta il feedback degli studenti e lavora continuamente per migliorare la soddisfazione degli studenti con i nostri corsi.
