DataCamp en iyi veri bilimi müfredatını nasıl oluşturuyor
DataCamp’te, veri bilimi öğrenmek için en iyi platforma ve en iyi müfredata sahip olmaktan gurur duyuyoruz. Bu amaçla, her bir alıştırmanın hem öğretici hem de keyifli olmasını sağlamak için çok çaba harcıyoruz. Bir kurs yayına alındıktan sonra onu tamamlanmış saymıyoruz: yayın, veri toplamaya başlamak için sadece bir adımdır. Bir öğrenci kurstaki bir alıştırmayı her denediğinde, alıştırmayı çözmek için kaç deneme gerektiği ve ipucu ya da çözüm isteyerek yardıma ihtiyaç duyup duymadığı gibi veri noktalarını topluyoruz. Bu verileri tüm öğrencilerimiz arasında birleştirerek, bir alıştırmanın ne kadar zor olduğuna dair bir resim elde edebiliyoruz. Ayrıca öğrenciler, alıştırmaları bir ila beş yıldız arasında derecelendirebilir ve bir alıştırmanın ne kadar beğenildiğini bize bildiren geri bildirimler sağlayabilir.
İçerik Kalitesi ekibimiz, kursları iyileştirmek için bu veriler doğrultusunda eğitmenlerle birlikte çalışır. Bu, pek çok farklı biçimde olabilir; çünkü bir alıştırmada pek çok şey ters gidebilir.
1. Eksik verileri düzeltmek
Bazen küçük şeyler pek çok öğrenciyi rahatsız edebilir. Data Science Toolbox (Bölüm 1) kursunda, öğrenciler J.R.R. Tolkien’in Yüzüklerin Efendisi üçlemesindeki Yüzük Kardeşliği’ne dayanan bir veri kümesini kullanarak Python lambda fonksiyonları yazmayı öğreniyor. Ne yazık ki veri kümesinde Gandalf ve Pippin eksikti. Öğrencilerimiz haklı olarak şikâyet etti, biz de dinleyip sorunu çözdük.
2. DataCamp öğrenenleri için yanlış anlamaları ve kafa karışıklıklarını önlemek
Birçok alıştırma üzerindeki geri bildirimleri analiz etmek, öğrencilerin yaşadığı yanlış anlamalara dair örüntüleri ortaya çıkarabilir. Pek çok veri analizi, verilerini her satırın bir kaydı, her sütunun da o kayda ait bir değer olduğu dikdörtgen bir biçimde tutar. Örneğin, her satır bir kişiye karşılık gelebilir ve sütunlar da kişinin adı, boyu ve en sevdiği rengi olabilir.
Çok yaygın bir veri işleme uygulaması, bu dikdörtgen verinin satırlarını filtrelemektir. Bir eğitmen şu şekilde bir yönerge yazabilir:
Veri kümesini, boyu 170 cm’den kısa olan kişilerin satırlarını kaldıracak şekilde filtreleyin.
Bu kabul edilebilir, ancak R’ın dplyr paketi ve Python’un Pandas paketi dâhil çoğu istatistik yazılımında, veri kümelerini tutmak istediğiniz şeyleri belirterek filtrelersiniz. Yönerge şu şekilde yeniden yazılırsa:
Veri kümesini, boyu 170 cm’den uzun olan kişilerin satırlarını tutacak şekilde filtreleyin.
O zaman yönerge, kodun çalışma biçimiyle eşleşir ve öğrenciler için bir kafa karışıklığı noktasını önler. Öğrencilerin veri işleme konusunda aşina olmasının beklendiği ileri düzey kurslarda bu ifade şekli daha az sorun olur. Pandas Foundations kursumuzda, birçok öğrencinin bu sorunla boğuştuğunu gördük ve dili buna göre değiştirdik.
3. Daha kapsamlı ve ayrıntılı geri bildirimlerle mutlu bir öğrenme yolu oluşturmak
Tüm DataCamp alıştırmaları, İçerik Mühendisliği ekibimizin geliştirdiği yazılımla otomatik olarak değerlendirilir. Bu, öğrenciler yanlış cevap verdiğinde anında ve akıllı geri bildirim verilmesini sağlar. Muhtemelen platformumuzun en büyük özelliği budur. Bunun en zor yanlarından biri, öğrencilere bir sonraki sefer farklı ne yapmaları gerektiğine dair iyi tavsiyeler verebilmek için onların neleri yanlış yapacağını öngörmektir. Bu da bazen doğru bir çözümün yanlış olarak işaretlenmesi anlamına gelebilir. Bu olduğunda öğrenciler gerçekten hoşlanmıyor. Bir durumda bir öğrenci şu şekilde şikâyet etti:
R ile Kümeleme Analizi kursumuzda, birçok öğrenci, bir alıştırmanın önerilen çözümünde minimum değeri hesaplamak için iyi bilinen min() fonksiyonu kullanılırken, daha az bilinen paralel minimum fonksiyonu pmin() ile daha basit ve daha zarif bir çözüm olduğunu fark etmişti.
Başlangıçta alıştırma yalnızca tek bir çözüme izin veriyordu; ancak öğrencilerin bu yaratıcı fikrine dayanarak artık her iki çözüm de kabul ediliyor. İçerik Mühendisliği ekibinin DataCamp’in geri bildirim sistemini geliştirirken hedeflerinden biri, değerlendirmeyi daha esnek hâle getirerek öğrencilerin sorunları kendi yöntemleriyle çözmelerine olanak tanımaktır.
Otomatik geri bildirime ilişkin öğrencilerin yaşayabileceği bir başka hayal kırıklığı da bir alıştırmada aynı geri bildirimi tekrar tekrar görmektir. İlke, aşağıdaki diyagramda gösterildiği gibi, bir öğrenciden üç öğeli bir Python dizisi oluşturmasının istendiği bir durumda ortaya çıkar.
Öğrencinin cevabındaki belirli sorunları hedefleyen daha ayrıntılı geri bildirimler sağlayarak daha olumlu bir öğrenme deneyimi sunabiliriz. İyileştirilmiş geri bildirimin sonuçları cesaret verici. Veri Bilimi için Orta Düzey Python kursumuzdaki bir alıştırmada, ayrıntılı geri bildirime geçiş, aynı geri bildirim mesajını birden fazla gören öğrencilerin oranını yaklaşık %65’ten %10’un altına düşürdü.
Aynı geri bildirim mesajını birden fazla kez gören kullanıcıların yüzdesi, tüm alıştırmalar ve kurslar için izlediğimiz bir ölçüttür. Bunu kursların popülerliğiyle birleştirerek, öğrenme deneyimini en etkili biçimde iyileştirmeye devam etmek için veri odaklı bir yol oluşturduk.
Sonuç
Yıl sonu hedefimiz, en popüler kursların yarısı için, her bir kursta tüm alıştırmalar genelinde tekrarlanan geri bildirim yüzdesinin ortalamasının %30’un altında olmasıdır.
Öğrencilerin DataCamp’te öğrenebileceği tüm teknolojilerde bu iyileştirmeleri uygulamaya devam edeceğiz. Kurum içinde ayrıca kullandığımız araçları da geliştirerek, tüm mevcut ve gelecekteki içerikler için öğrenme deneyimini sürekli iyileştirmemizi sağlayacak şekilde geri bildirimleri oluşturmayı ve öğrenci gönderimlerini analiz etmeyi daha iyi hâle getiriyoruz.
Bir alıştırmada daha pek çok şey ters gidebilir; ancak umarım bu yazı, DataCamp’in öğrenci geri bildirimlerini dikkate aldığını ve kurslarımızdan duyulan memnuniyeti artırmak için sürekli çalıştığını görmeniz için bir teşvik olmuştur.
