Data science leren door te doen
Het doel van DataCamp is om het beste leerplatform voor data science te bouwen. Onze filosofie is dat je data science leert door te doen: onze hoogwaardige video’s, coderen in de browser en gamification bieden leerlingen een boeiende leerervaring in hun browser. Tegelijk willen we een datagedreven aanpak hanteren voor ons product en inzichten over het leren van data science met de wereld delen. Deze post geeft een blik achter de schermen bij DataCamp en deelt enkele inzichten in het leerproces van data science.
Kwalitatieve cursuscreatie & -onderhoud
Cursusthema’s
Het DataCamp-team is altijd op zoek naar de meest interessante onderwerpen om cursussen over te maken, en met zoveel nieuwe ontwikkelingen en spannende thema’s is het meestal niet eenvoudig om te kiezen! Daarom proberen we dit proces zo datagedreven mogelijk te maken: naast het bekijken van de nieuwste trends in datascience-onderwerpen en programmeertalen waar in de industrie het meest vraag naar is, benadert DataCamp ook zijn netwerk van instructeurs, bestaande uit industrie-experts en academici, om hun mening te vragen over wat er als volgende in het curriculum moet komen en hoe zo’n cursus eruit zou zien.
Maar uiteindelijk staat de learner centraal bij DataCamp en daarom betrekken we onze gebruikers ook actief bij de keuze van cursusthema’s: we voeren interviews met onze gebruikers en vragen hen enquêtes in te vullen om de behoeften van onze learners te ontdekken. Deze gegevens worden vervolgens samengebracht met de mening van experts om niet alleen het onderwerp van de cursus te bepalen, maar ook wat de cursus zal behandelen: zo wordt alle voor de learner relevante stof in de cursus opgenomen.
Daarnaast verzamelen we ook de termen die gebruikers invullen in de zoekbalken van de site. Met behulp van R worden deze termen intern geanalyseerd, gerangschikt en gevisualiseerd, zodat het cursusteam van DataCamp dit kan gebruiken als startpunt om het curriculum voor de komende maanden uit te stippelen.
Bekijk de volledige cursusbibliotheek van DataCamp hier.
Moeilijkheden van learners & continue cursusverbeteringen
Bèta testen
Voordat een cursus live gaat, stuurt DataCamp cursussen eerst naar een kleinere groep gebruikers en vraagt hen aantekeningen te maken en feedback te geven via een enquête met veel open vragen. Dit stelt ons in staat om nog wat laatste finetuning aan de cursus te doen voordat we onze volledige gebruikersbestand laten weten dat er een nieuwe cursus is gelanceerd.
Hints & oplossingen
Het bepalen van cursusthema’s en het laten bèta testen door een kleine groep is één ding, maar zodra de cursus live staat, let DataCamp ook op waar de learner mogelijk moeilijkheden ondervindt binnen de cursus.
Wist je bijvoorbeeld dat telkens wanneer je om een hint of een oplossing vraagt, deze gegevens door DataCamp worden verzameld om te bepalen hoe vaak gebruikers om hints of oplossingen voor oefeningen vragen? Deze data en de inzichten die we eruit halen, worden gebruikt om onze cursussen te verbeteren!
We kijken naar de cijfers om te zien waar onze cursussen beter kunnen: wanneer er te vaak hints of oplossingen worden gevraagd, kunnen we het probleem gemakkelijk lokaliseren en ervoor zorgen dat de oefeningen worden verbeterd. Hoe die oefeningen worden verbeterd, gebeurt met de feedback die we van onze gebruikers krijgen: zo was er een oefening in de Kaggle-cursus die voor veel gebruikers lastig was, waarin van gebruikers werd verwacht dat ze een beslissingsboom met R bouwden. In eerste instantie bevatten de instructies slechts een heel algemeen voorbeeld van hoe de beslissingsboom moest worden opgebouwd, wat resulteerde in een hoog percentage hints en oplossingen voor de oefening. Samen met de feedback van de gebruikers breidde het DataCamp-team de instructielijst uit en voegde drie extra sub-bullets toe om uit te leggen hoe elke parameter moest worden gedefinieerd. Hierdoor werd de taak die van de gebruikers werd verwacht duidelijker en praktischer, waardoor het hintpercentage daalde naar 15%, wat veel redelijker is gezien het moeilijkheidsniveau. Dergelijke ervaringen en verbeteringen helpen ons natuurlijk bij het bouwen van toekomstige cursussen die in DataCamps data science-curriculum zullen verschijnen.
Overigens zien we dat sommige cursussen, zoals “Introduction to R”, duidelijk minder problemen opleveren voor gebruikers dan statistiekcursussen zoals “Intro to Statistics with R: Multiple Regression”, omdat er minder om hints en oplossingen wordt gevraagd. Dit komt deels doordat het instapmateriaal zeer uitgebreid is, terwijl de meer gevorderde cursussen je nog meer vrijheid geven om de stof zelf te verkennen: leren door te doen wordt nog duidelijker wanneer je DataCamps cursussen doorloopt! In het cursusverbeteringsproces moeten we zeker de balans bewaren tussen leren door te doen en de ondersteuning bieden die de learner nodig heeft.
Gepersonaliseerde feedback
Naar aanleiding van de hints en oplossingen las je al kort over de gepersonaliseerde feedbackfunctie die DataCamp aanbiedt bij de codeeruitdagingen van al zijn cursussen. De feedback is zo opgebouwd dat je eerst om hints kunt vragen en als laatste redmiddel voor de oplossing kunt gaan. Deze laatste optie wordt ontmoedigd, omdat dit effect heeft op de XP die gebruikers krijgen wanneer ze voor de oplossing gaan. Dit dwingt studenten om zelf aan de slag te gaan en een intuïtie te ontwikkelen voor wat er gecodeerd moet worden om de taak van de codeeruitdaging te volbrengen. Als extra voordeel zijn de feedbackberichten zo opgebouwd dat gebruikers meteen een idee moeten krijgen van wat er mis is met de code, in plaats van te moeten kijken naar foutmeldingen die in eerste instantie misschien niet duidelijk zijn. Dit is ook een manier om onze studenten te stimuleren begrip te ontwikkelen voor de code, maar vooral voor wat ze fout doen. Dit versterkt uiteindelijk het leerproces in data science.
Het leveren van deze gepersonaliseerde feedback was niet eenvoudig: toen DataCamp begon, stond het feedbacksysteem nog in de kinderschoenen, waardoor de feedback te generiek was. In de loop der jaren is duidelijk geworden dat onze gebruikers met verschillende achtergronden en doelstellingen naar DataCamp komen, wat een gepersonaliseerde aanpak vereist. Als gevolg daarvan is het feedbacksysteem al enorm verbeterd en blijft het verbeteren dankzij de input die we van onze gebruikers krijgen: alle issues die gebruikers ervaren tijdens het doorlopen van de cursus worden gelogd en gebruikt in de continue verbetering van onze cursussen en het feedbacksysteem.
Tijd besteed aan oefening
Naast het bijhouden van het aantal hints en oplossingen per cursus, volgt DataCamp ook op een gedetailleerder niveau hoe learners door de oefeningen gaan: de tijd die onze studenten aan een bepaalde oefening besteden, wordt bijgehouden en geanalyseerd om problemen in de leerervaring op het platform te ontdekken. Omdat DataCamp wil zorgen dat learners in een gezond tempo door de inhoud heen gaan, wordt deze informatie ook meegenomen om de kwaliteit van DataCamps cursussen continu te verbeteren.
Cursusbeoordelingen
Naast het volgen van de moeilijkheidsgraad van oefeningen en de tijd die gebruikers aan oefeningen besteden en die informatie gebruiken om ons cursuscreatieproces te verbeteren, houdt DataCamp ook bij welke cursussen onze gebruikers leuk vinden, zodat we nieuwe cursussen kunnen maken die hen blijven interesseren. Onderwerpen die over het algemeen minder populair zijn bij onze gebruikers zijn statistiek, datamanipulatie en datavisualisatie, terwijl inleidende programmeercursussen, machine learning en projecten/casestudy’s het daarentegen goed doen bij DataCamp-gebruikers.
Deze beoordelingen, samen met het aantal hints of oplossingen dat door onze gebruikers wordt gevraagd, geven ons een heel goed idee van welke cursussen wat extra aandacht nodig hebben.
Structuur
Als professional of als iemand die net zijn carrière start, is tijd schaars en kostbaar. Daarom vermelden onze cursussen de voorkennis die learners idealiter hebben wanneer ze overwegen een specifieke cursus te volgen. Neem bijvoorbeeld DataCamps Python Data Science Toolbox-cursus:
De vereisten worden duidelijk vermeld, zodat gebruikers weten welke kennis en vaardigheden van hen worden verwacht voordat ze aan een cursus beginnen.
Daarnaast heeft DataCamp zijn cursussen opgedeeld in kleinere hoofdstukken en nog kleinere blokken waarin video’s en interactieve codeeruitdagingen met feedback elkaar afwisselen. Zo’n structuur blijkt goed te werken voor learners die data science leren: niet alleen omdat er variatie in het curriculum zit, maar ook omdat learners snel en in een gezond tempo vooruitgang moeten boeken, wat een van de beste manieren is om studenten gemotiveerd en betrokken te houden bij de inhoud: ze haken minder snel af en zijn meer geneigd om door te gaan met de cursussen.
Interface
De interface is een van de belangrijkste componenten bij het lesgeven in data science aan data science-learners: vanaf het begin heeft DataCamp een interface gemaakt die ervoor zorgt dat studenten kunnen coderen in het comfort van hun eigen browser, zonder vooraf RStudio of Python lokaal te installeren. Dit, samen met de video’s en de gepersonaliseerde feedback, verlaagt de drempel voor beginners aanzienlijk en maakt de leerervaring veel succesvoller.
Toch zijn er in de loop der jaren enkele wijzigingen in de interface doorgevoerd om deze veel interactiever te maken dan aanvankelijk: in de huidige interface kunnen learners makkelijker door de cursus navigeren, support contacteren wanneer ze technische issues met de cursus vinden en is het duidelijker hoeveel XP ze kunnen verdienen door een bepaalde oefening te voltooien.
Tracks
Alle data science-learners en -docenten weten dat het een uitdaging kan zijn om een data science-(reeks) cursus(sen) te vinden die past bij je behoeften qua kwaliteit, betrokkenheid, leerstijl, … In al dat zoeken raak je je oorspronkelijke doel en leerdoel makkelijk uit het oog. Concreter: de meeste learners zijn professionals die de overstap naar de data science-industrie willen maken en daarom specifieke carrièredoelen hebben. Of ze werken al in de data science-industrie, maar zoeken een manier om vaardiger te worden in een bepaald onderwerp of een bepaalde skill binnen data science.
Daarom heeft DataCamp onlangs tracks gemaakt, die een gestructureerde aanpak bieden voor de DataCamp-cursussen die je misschien al kent: op die manier focus je je op een gestructureerde manier op het versterken van je data science-skills of werk je toe naar dat carrièredoel waar je altijd al van hebt gedroomd.
Aansluitend op wat je eerder las over ons cursuscreatieproces en de DataCamp-gebruikers zelf, zie je dat deze tracks data science-learners ook helpen om de onderwerpen die zij moeilijk vinden gerichter aan te pakken, zodat ze snel kunnen verbeteren en de leercurve kunnen bedwingen.
Bekijk alle DataCamp-tracks hier.
Dagelijkse oefening
De leercurve aanpakken met kwalitatieve cursussen en tracks die onze gebruikers gefocust houden is één ding, maar data science leren blijft een uitdaging. Bij DataCamp willen we ervoor zorgen dat onze gebruikers elke dag kunnen leren en, laten we eerlijk zijn, je moet elke dag met data science bezig zijn (al is het maar een beetje!). Het enige probleem waar learners vaak tegenaan lopen, is dat het lastig kan zijn om alle kennis die je opbouwt bij te houden. Daarom biedt DataCamp een functie voor dagelijkse oefening om je te helpen bij te houden wat je al goed kent en welke skills je misschien wilt opfrissen.
Het systeem is vrij eenvoudig: wanneer je de oefenmodus ingaat, krijg je challenges die je helpen om de stof te oefenen die je hebt gezien in de cursussen die je hebt voltooid. Deze challenges zijn eigenlijk vijf oefeningen in verschillende vormen (meerkeuze, invulvragen, …) die je helpen de cursusinhoud te memoriseren, zodat je beter onthoudt wat je hebt geleerd. Als je deze vijf challenges correct beantwoordt, verdien je 250 exp. Uiteraard krijg je elke dag een andere reeks oefeningen. Je vindt de dagelijkse oefenmodus gewoon op je dashboard!
Conclusie
DataCamp is het leren en toetsen van data science aan het heruitvinden, en dit is slechts een van de vele manieren waarop we onderzoek naar data science-onderwijs combineren met de nieuwste technologieën en data science zelf om de state-of-the-art te verleggen.
Als je geïnteresseerd bent in data science-onderwijs, sluit je dan bij ons aan om de beste plek te bouwen om data science te leren! Bekijk onze vacatures.
