Questo articolo è stato scritto da Richie Cotton, con contributi di Ramnath Vaidyanathan, Dieter De Mesmaeker e Martijn Theuwissen.
L'educazione online è un campo entusiasmante in questo momento perché è in continua innovazione. Ogni azienda in questo spazio, compresa DataCamp, sta ancora cercando di capire il modo migliore per aiutare le persone a imparare. I team di prodotto e di ingegneria di DataCamp sviluppano costantemente nuovi strumenti per insegnare la data science in modo più efficace, che i nostri team di contenuti integrano nei materiali esistenti e futuri.
Quattro istruttori di DataCamp—Ben Baumer, Andrew Bray, Mine Çetinkaya-Rundel e Jo Hardin—hanno recentemente pubblicato un articolo sul Journal of Statistical Education sulla loro esperienza nella creazione di corsi su DataCamp e sulle loro riflessioni sulle differenze tra apprendimento in presenza e online. Questi istruttori sono stati tra i primi sostenitori di DataCamp e apprezziamo che abbiano raccontato le loro esperienze.
In questo post vogliamo riprendere i loro feedback, parlare della pedagogia in DataCamp, mostrare alcuni dei miglioramenti apportati da quando gli autori hanno creato i loro corsi su DataCamp e chiarire la nostra posizione su alcune osservazioni fatte nell'articolo.
I corsi
Gli istruttori hanno creato otto corsi tra il 2016 e il 2018. Per primi sono arrivati quattro corsi di statistica descrittiva: Introduction to Data in R, Exploratory Data Analysis in R, Correlation and Regression in R e Multiple and Logistic Regression in R, inclusi nello skill track Statistics Fundamentals with R. Sono stati poi seguiti da quattro corsi di statistica inferenziale: Foundations of Inference, Inference for Categorical Data, Inference for Numerical Data e Inference for Linear Regression, che compongono lo skill track Statistical Inference with R.
In totale, questi corsi hanno raggiunto oltre 94.000 studenti. Il corso con il punteggio più alto ha una valutazione di 4,55 (su 5) e quello con il punteggio più basso di 4,33. Essendo tra i nostri corsi con volumi più alti, finora hanno generato $475.000 in royalty per i quattro istruttori nel corso della loro vita.
I vantaggi di DataCamp
L'articolo mette in evidenza molti dei punti di forza di DataCamp. Per cominciare, i quattro accademici osservano che le università sono costose.
le nostre istituzioni [...] hanno un costo medio annuo di frequenza di $71.156,25
È il prezzo di un'auto di lusso ogni anno, il che evidenzia certamente l'ottimo rapporto qualità-prezzo di DataCamp a un quarto del costo di un abbonamento alla metropolitana di New York. Anche se è vero che siamo un'azienda a scopo di lucro, vorremmo sottolineare il nostro programma gratuito DataCamp for the Classroom che offre a docenti e studenti accesso illimitato all'intera libreria di corsi. Dalla sua nascita, più di 200.000 studenti hanno partecipato a questo programma. Questo ci distingue dalle elevate rette dei college e delle università private, e ne siamo orgogliosi.
Per chi impara, hanno notato che l'uso del video ha un vantaggio importante rispetto all'insegnamento in presenza perché offre maggiore controllo sul ritmo.
Innanzitutto, avere dei video invece di un docente in presenza significa che lo studente può fermare il video, rallentarlo e/o tornare indietro e rivederlo. Cioè, ogni studente può assimilare le idee al proprio ritmo. Inoltre, a differenza di una classe tradizionale, uno studente può mettere in pausa il video per cercare una definizione o contestualizzare un esempio.
Anche il feedback immediato fornito dai test automatici nei nostri esercizi di coding è stato citato favorevolmente.
Gli studenti ricevono un feedback istantaneo sugli esercizi di coding di DataCamp. Questo allevia parte della loro frustrazione e libera anche l'istruttore dal dover rispondere a alcune e-mail frenetiche degli studenti.
Per docenti universitari, responsabili L&D e altri insegnanti, la scalabilità di DataCamp è stata indicata come una caratteristica importante. La nostra piattaforma libera gli educatori dalla pressione e dalla monotonia della correzione degli elaborati.
Ogni studente aggiuntivo nella tua classe richiede tempo ed energie extra da parte tua per valutare i compiti, incontrarlo durante l'orario di ricevimento, fargli posto in aula, ecc. Al contrario, DataCamp erogherà contenuti a un numero illimitato di studenti in modo asincrono.
Cosa c'è di nuovo?
Dal 2016, DataCamp ha investito in molti miglioramenti.
Il ciclo valuta-impara-esercitati-applica
Nel 2016 DataCamp aveva un solo prodotto: i nostri corsi, pensati per aiutare chi impara ad acquisire nuove competenze. Nel tempo, la visione pedagogica di DataCamp si è cristallizzata attorno al ciclo di valutare le proprie capacità attuali, imparare nuove abilità, esercitarsi su tali abilità, applicarle in nuovi contesti, quindi tornare alla valutazione per vedere quanto sei migliorato. L'immagine qui sotto mostra il ciclo valuta-impara-esercitati-applica.
Figura 1: Il ciclo valuta-impara-esercitati-applica che costituisce la base della filosofia pedagogica di DataCamp.
Per aiutare chi impara a completare questo ciclo, abbiamo aggiunto tre nuovi prodotti.
Practice
Nel 2017 abbiamo aggiunto DataCamp Practice, che contiene brevi sfide di coding che rispecchiano da vicino i contenuti dei corsi per rinforzare l'apprendimento. L'esempio sotto mostra una domanda a scelta multipla che verifica le competenze acquisite nel corso Introduction to the Tidyverse.
Figura 2: Un esercizio di DataCamp Practice che mette alla prova competenze di visualizzazione dei dati.
Projects
Nello stesso anno è stato lanciato anche DataCamp Projects, che consente agli studenti di applicare le loro competenze a nuovi problemi reali usando uno degli ambienti più popolari per la data science: i Jupyter Notebooks.
Figura 3: Un Project che permette a chi impara di applicare le proprie competenze in SQL.
Assessments
L'ultima tappa del ciclo è arrivata nel 2019 con il lancio di DataCamp Signal, il nostro prodotto di valutazione delle competenze che consente a chi impara di misurare quanto ha appreso. Le valutazioni delle competenze sono concettualmente simili alla modalità pratica sostenuta in condizioni d'esame: chi impara viene testato su contenuti collegati ai corsi corrispondenti, ma ogni domanda ha un limite di tempo e viene assegnato un punteggio in base al numero di risposte corrette e alla loro difficoltà. Puoi leggere di più sull'uso di test adattivi e psicometria da parte di Signal qui.
Figura 4: Una domanda di valutazione delle competenze di Signal che mette alla prova abilità di machine learning in Python sotto pressione temporale.
Miglioramenti ai corsi
Oltre a introdurre tre nuovi prodotti, DataCamp ha migliorato i nostri corsi aggiungendo diversi nuovi tipi di esercizi. Un'area in cui l'articolo del JSE è stato particolarmente lungimirante è che DataCamp aveva bisogno di supportare esercizi grafici di tipo "punta e clicca".
Alcune strategie didattiche non erano possibili usando la piattaforma DataCamp, ma potevamo vedere la piattaforma espandersi per incorporare tali metodi man mano che sviluppava capacità di presentazione più sofisticate. In particolare, non era possibile utilizzare la piattaforma DataCamp per illustrare l'uso di un applet al fine di spiegare un particolare concetto.
Esercizi esplorabili
Nel 2019 DataCamp ha ideato un nuovo tipo di esercizio che chiamiamo "esercizio esplorabile". Questi permettono di includere dashboard, visualizzazioni interattive e persino software web-based negli esercizi. Un modo per creare questi esercizi usa uno strumento chiamato Shiny—una versione più moderna degli applet Java a cui l'articolo fa riferimento. (Abbiamo anche una serie di corsi su Shiny per chi è interessato a creare i propri.)
Gli esercizi esplorabili sono stati utilizzati con successo nella serie di corsi di DataCamp "For Everyone", pensata per chi ha bisogno di capire i dati ma non ha un background in data science o analytics. Il corso Data Visualization For Everyone, in particolare, fa ampio uso di dashboard per aiutare chi impara a esplorare come le modifiche ai grafici influenzino la capacità di rispondere a domande su di essi.
Nell'esempio seguente, chi impara può esplorare come il cambio dei colori in un grafico influenzi l'interpretazione delle risposte a un sondaggio.
Figura 5: Un esercizio esplorabile con un dashboard che permette di esplorare gli effetti delle scelte di colore in un grafico a barre impilate.
Un'area in cui DataCamp ha ricevuto critiche nei primi tempi era che, sebbene i nostri esercizi di coding siano eccellenti per insegnare a scrivere porzioni di codice, era facile per chi impara perdersi nei dettagli senza sapere come combinarle insieme. Sebbene DataCamp abbia sempre compreso il valore dell'insegnamento dei workflow e incoraggiato gli istruttori a descriverli nei video, avevamo bisogno di uno strumento più potente. L'anno scorso abbiamo implementato un altro nuovo tipo di esercizio proprio per questo. Gli esercizi drag-and-drop permettono di risolvere attività spostando elementi sullo schermo. Ne esistono diverse varianti, ma la più importante per insegnare i workflow si chiama "esercizio di ordinamento".
Nell'esempio seguente, tratto da Introduction to Writing Functions in R, viene chiesto di riordinare i passaggi di un workflow per convertire uno script in una funzione riutilizzabile. Allontanandosi dalla richiesta di scrivere codice, si può concentrare l'attenzione sul concetto.
Figura 6: Un esercizio drag-and-drop per insegnare un workflow ordinando i passaggi.
Oltre agli esercizi esplorabili e agli esercizi drag-and-drop, abbiamo aggiunto molti altri tipi di esercizi e modalità di contenuto. Tra i più rilevanti ci sono:
Esercizi IDE
L'esercizio IDE utilizza uno degli editor di codice più popolari, Visual Studio Code. Questo tipo di esercizio è usato nei nostri contenuti più avanzati di data engineering.
Figura 7: Un esercizio IDE che mette alla prova competenze "devops" per distribuire codice usando l'ambiente di sviluppo Visual Studio Code.
Esercizi VM
Più recentemente abbiamo creato l'esercizio VM, che esegue una macchina virtuale Windows con software specifico preinstallato. Sono usati soprattutto nei nostri contenuti su Tableau.
Figura 8: Un esercizio VM che insegna a manipolare i dati nello strumento di business intelligence Tableau.
Alcuni suggerimenti fatti nell'articolo sono complessi da implementare per una piattaforma online come DataCamp, come il seguente:
Nella classe in presenza, dividiamo gli studenti in squadre e ogni squadra riceve un sacchetto con 20 foglietti, ognuno con l'affitto di un appartamento campionato stampato sopra. Poi, a ogni squadra viene chiesto di prendere un campione bootstrap di 20 appartamenti dal proprio sacchetto, calcolare la mediana e registrarla sulla lavagna mettendo un punto sul dotplot. Il processo fornisce agli studenti un'esperienza personale di campionamento con reinserimento per costruire una distribuzione bootstrap delle mediane campionarie.
Anche se gli istruttori non possono interagire con chi impara sulla nostra piattaforma, concordiamo pienamente che i giochi divertenti siano una componente importante dell'insegnamento in presenza. Per questo, nel nostro ultimo hackathon, uno dei nostri team di ingegneri ha esplorato la creazione di DataCamp VR. Anche se potrebbe volerci qualche anno, vediamo l'innovazione come una parte fondamentale della nostra azienda (e ci siamo divertiti un sacco!).
Più seriamente, è un malinteso pensare che l'educazione online e l'istruzione in presenza siano in competizione. In DataCamp le consideriamo certamente complementari. Ecco perché DataCamp ha lanciato una serie di webinar di live coding, in cui chi impara può interagire più da vicino con un istruttore. Trovi i nostri prossimi webinar e training live qui.
Miglioramento continuo
A differenza di altri media educativi come i libri di testo, che sono sostanzialmente considerati completi quando vengono pubblicati, su DataCamp lo sviluppo dei materiali didattici non si ferma al lancio di un corso. Gli istruttori sono attivamente incoraggiati a migliorare i loro corsi per offrire un'esperienza migliore a chi impara, riscrivendo istruzioni poco chiare, chiarendo concetti difficili e mantenendo i contenuti aggiornati nel mondo in rapida evoluzione della data science.
Curiosamente, la serie di corsi di statistica inferenziale creata dagli autori dell'articolo è stata un fattore di forte motivazione per alcuni dei miglioramenti tecnici e di processo apportati da DataCamp. Sebbene i corsi fossero certamente popolari, dati quantitativi come valutazioni dei corsi e tassi di completamento ci hanno fatto capire che c'era un notevole margine di miglioramento. Il grande problema è che la statistica inferenziale è sia concettualmente difficile, sia richiede competenze di programmazione di livello medio per esporre quei concetti.
Per rimediare, il team di Content Quality di DataCamp ha lavorato con gli istruttori per riscrivere completamente i quattro corsi. I Content Quality Analyst hanno aiutato a modificare il ritmo per introdurre il nuovo codice più gradualmente, hanno riscritto le istruzioni e semplificato il codice per aiutare chi impara a concentrarsi sugli aspetti concettuali. Il risultato è che ora sono quattro ottimi corsi—per chi è già avanzato.
Nello spirito del miglioramento continuo, una prossima sfida per il team Content di DataCamp è capire come insegnare la statistica inferenziale ai principianti assoluti. Restate sintonizzati!
Miglioramenti per i responsabili L&D
L'articolo del JSE ha fatto un ottimo lavoro nell'evidenziare pro e contro dell'insegnamento su DataCamp, ma contiene una lieve imprecisione quando afferma che
I corsi DataCamp sono asincroni e self-paced, quindi [non ci sono] scadenze di cui lo studente debba preoccuparsi.
Questo è vero per la maggior parte di chi impara. Se sottoscrivi un abbonamento personale a DataCamp, puoi imparare al tuo ritmo e fruire i contenuti in un modo adatto al tuo stile di vita. Tuttavia, per i nostri clienti business e accademici, DataCamp ha sviluppato un insieme di strumenti amministrativi per aiutare amministratori e istruttori a tenere traccia dei progressi di dipendenti e studenti:
- Assignments: Supportiamo istruttori e admin nell'impostare assignment di corsi o XP con una scadenza. L'admin del gruppo riceverà automaticamente un export dei dati pertinenti una volta superata la scadenza.
- Reporting: Da quando abbiamo lanciato DataCamp per clienti business e accademici, abbiamo aumentato notevolmente le nostre capacità di reporting, offrendo insight automatizzati su engagement del gruppo, adozione, utilizzo dei contenuti, utilizzo delle valutazioni, ecc. all'interno dell'applicazione.
- Dati di basso livello: Gli admin possono esportare dati di basso livello dai loro gruppi e classi così da poter creare dashboard locali se preferiscono.
- Integrazioni LMS e SSO: Nel 2019 abbiamo esteso le integrazioni con i learning management system (LMS) ad altri provider come SAP SuccessFactors e Degreed, e abbiamo aggiunto il single sign-on (SSO) per una maggiore sicurezza.
Miglioramenti per gli istruttori
Quando DataCamp è stata lanciata, ci siamo affrettati a creare il maggior numero possibile di corsi perché senza corsi non avevamo chi imparava. Man mano che la nostra libreria si è ampliata e la nostra base utenti è diventata più diversificata, correre per colmare le lacune del curriculum è diventato meno importante rispetto ad altre considerazioni come "dove si colloca questo corso rispetto agli altri?" e "chi sarà interessato a seguire questo corso?"
Questo significa che all'inizio dello sviluppo del corso dedichiamo molto tempo a discutere con l'istruttore il pubblico target. Ad esempio, l'approccio per spiegare concetti a un pubblico di esperti di machine learning è molto diverso da quello per spiegare concetti a manager di data scientist, che possono essere meno tecnici ma devono dare feedback critici sui risultati di un'analisi.
È anche diventato chiaro che molti dei nostri utenti preferiscono seguire sequenze di corsi tramite i nostri career track e skill track. Ciò significa che durante lo sviluppo poniamo molte domande su cosa ci si aspetta che chi impara sappia prima di iniziare il corso, quali altri corsi dovrebbe aver seguito prima, cosa ci si aspetta che impari al termine del corso e a quali altri corsi potrebbe portare. Seguire corsi non avviene in isolamento—è un percorso verso una maggiore alfabetizzazione ai dati.
Una volta definito l'ambito del corso, dobbiamo assicurarci che chi impara acquisisca davvero qualcosa! DataCamp lavora con i nostri istruttori per determinare un set di obiettivi di apprendimento per il corso utilizzando la tassonomia di Bloom—un framework per descrivere il livello di padronanza in un determinato compito. Questi obiettivi di apprendimento confluiscono nelle valutazioni delle competenze di DataCamp Signal.
Ovviamente, tutto questo può essere tanto da assimilare per i nuovi istruttori. Ecco perché DataCamp fornisce molto supporto durante il processo di creazione del corso. Ogni istruttore riceve in genere oltre 80 ore di guida da parte dei dipendenti di DataCamp—tutti data scientist ed educatori professionisti—su come strutturare il corso per fornire una buona narrazione, come scrivere buoni esercizi e per fornire revisioni tecniche tra pari sui loro contenuti. Inoltre, abbiamo un meta-corso su come creare corsi su DataCamp e un'ampia documentazione con indicazioni su come trovare dataset interessanti e come registrare audio di alta qualità, tra le altre cose.
Una volta lanciati i corsi, DataCamp offre un altro vantaggio rispetto all'istruzione in presenza: gli istruttori ottengono feedback quantitativi sulle performance dei loro corsi. Il livello di difficoltà di ciascun esercizio è valutato tramite la proporzione di chi chiede suggerimenti e soluzioni, permettendo agli istruttori di capire dove ci si blocca. Anche le risposte sbagliate vengono registrate, così gli istruttori possono capire che tipo di errori si fanno e aggiornare gli esercizi per maggiore chiarezza. Scopri di più sull'approccio di DataCamp al miglioramento della qualità dei corsi in questo post del blog.
In alcuni casi, abbiamo riscontrato che gli esercizi di DataCamp sono difficili semplicemente perché il codice sottostante che vogliamo insegnare è difficile da usare. In effetti, i corsi di statistica inferenziale menzionati nell'articolo del JSE si basavano su un package R chiamato infer, e diversi dipendenti di DataCamp hanno contribuito a sviluppare quel package per renderlo più facile da usare. In DataCamp siamo molto orgogliosi di questo circolo virtuoso in cui l'insegnamento ispira lo sviluppo. Identificare parti di codice complesse e aiutare gli sviluppatori a risolvere i problemi rende il software più facile da usare per tutti.
Conclusione
Siamo felici che i nostri istruttori abbiano trovato il tempo per raccontare la loro esperienza nella creazione di contenuti per DataCamp. Ad oggi, 276 persone hanno seguito il processo da istruttore, contribuendo alla nostra missione di democratizzare la data science.
L'educazione online è estremamente rilevante in questo momento, dato che molte persone sono a casa. Nella nostra missione di democratizzare la data literacy per individui e aziende, i nostri team di prodotto, contenuti e ingegneria cercano costantemente di migliorare il modo in cui insegniamo le competenze sui dati. Resta in attesa di ulteriori sviluppi!
Buono studio.
Appendice: chiarimento della posizione di DataCamp su alcune osservazioni dell'articolo
Vorremmo chiarire la nostra posizione su alcuni dei punti presentati nell'articolo del JSE.
- L'articolo del JSE ha messo in discussione la durata massima dei video di DataCamp e ha proposto che gli istruttori dovrebbero poter "dedicare 10-20 min a parlare degli argomenti". Il limite di tempo che imponiamo ai video si basa su un post di ricerca di edX sulla durata ottimale dei video per il coinvolgimento degli studenti. Abbiamo alcuni contenuti video in formato lungo tramite le registrazioni dei webinar, ma riteniamo che video più lunghi rovinerebbero il flusso dei corsi.
- In DataCamp sosteniamo i contributi open source. Sia ex membri che membri attuali del team DataCamp hanno contribuito al package infer sia nel loro tempo libero che lavorativo: Chester Ismay, Nick Solomon e Richie Cotton (fonte).
- Riconosciamo che, in quanto entità a scopo di lucro, prendiamo decisioni in modo diverso, ma sempre nel migliore interesse di chi impara. I nostri incentivi sono pienamente allineati alla creazione di materiali didattici di alta qualità, che influenzano direttamente il valore per i nostri clienti. Per questo teniamo traccia di metriche così dettagliate come menzionato nell'articolo.
- Analogamente a come è stata divulgata la relazione commerciale con DataCamp, riteniamo che sarebbe stato opportuno divulgare la relazione commerciale di uno degli autori con RStudio quando si fa riferimento a LearnR, un package creato dal team di RStudio.
- Per quanto riguarda l'articolo di BuzzFeed citato nell'articolo: DataCamp ha commissionato una revisione indipendente e di terze parti degli eventi dell'ottobre 2017, guidata da Anurima Bhargava, ex funzionario del Dipartimento di Giustizia nell'amministrazione Obama, e da Pamela Coukos di Working IDEAL. Il rapporto risultante è stato reso pubblico e condiviso online tramite questo post del blog. I membri dell'Instructor Advisory Board (lo "IAB") (incluso uno degli autori dell'articolo) sono stati invitati a partecipare alla revisione, così come altre parti interessate, tra cui membri della nostra community di istruttori.
