Bu makale Richie Cotton tarafından yazılmış, Ramnath Vaidyanathan, Dieter De Mesmaeker ve Martijn Theuwissen’ın katkılarıyla hazırlanmıştır.
Çevrim içi eğitim, sürekli yenilik olduğundan bugünlerde son derece heyecan verici bir alan. Bu alandaki her şirket gibi DataCamp de insanların en iyi nasıl öğrendiğini hâlâ keşfetmeye çalışıyor. DataCamp’in ürün ve mühendislik ekipleri, veri bilimini daha etkili öğretmek için sürekli yeni araçlar geliştiriyor; içerik ekiplerimiz de bunları mevcut ve gelecekteki içeriklerimize entegre ediyor.
Dört DataCamp eğitmeni—Ben Baumer, Andrew Bray, Mine Çetinkaya-Rundel ve Jo Hardin—kısa süre önce DataCamp’te kurs oluşturma deneyimlerini ve yüz yüze eğitimle çevrim içi öğrenme arasındaki farklara dair görüşlerini, Journal of Statistical Education’da yayımlanan bir makalede paylaştı. Bu eğitmenler DataCamp’in ilk destekçileri arasındaydı ve deneyimlerini dillendirdikleri için kendilerine teşekkür ediyoruz.
Bu yazıda, geri bildirimlerini ele almak, DataCamp’te pedagojiye bakışımızı konuşmak, yazarlar DataCamp kurslarını oluşturduktan sonra yaptığımız iyileştirmeleri göstermek ve makaledeki bazı ifadelere ilişkin tutumumuzu netleştirmek istiyoruz.
Kurslar
Eğitmenler 2016 ile 2018 arasında sekiz kurs oluşturdu. İlk olarak betimsel istatistiklere ilişkin dört kurs geldi: Introduction to Data in R, Exploratory Data Analysis in R, Correlation and Regression in R ve Multiple and Logistic Regression in R. Bu kurslar Statistics Fundamentals with R beceri yoluna dahildir. Ardından çıkarımsal istatistiklere ilişkin dört kurs geldi: Foundations of Inference, Inference for Categorical Data, Inference for Numerical Data ve Inference for Linear Regression; bunlar da Statistical Inference with R beceri yolunu oluşturur.
Toplamda bu kurslar 94.000’in üzerinde öğrenciye ulaştı. En yüksek puanlı kurs 5 üzerinden 4,55; en düşük puanlı kurs ise 4,33 aldı. Yüksek hacimli kurslarımız arasında yer alan bu kurslar, bugüne dek dört eğitmene toplam 475.000 $ telif ödemesi kazandırdı.
DataCamp’in sunduğu avantajlar
Makalede DataCamp’in birçok güçlü yönü vurgulanıyor. Öncelikle dört akademisyen, üniversitelerin pahalı olduğuna dikkat çekiyor.
kurumlarımız [...] yıllık ortalama 71.156,25 $ katılım maliyetine sahip
Bu, her yıl bir lüks otomobilin fiyatına denk geliyor; New York metro aboneliğinin dörtte biri fiyatına DataCamp’in sunduğu muazzam değeri ortaya koyuyor. Kâr amacı güden bir kuruluş olduğumuz doğru olsa da, öğretmen ve öğrencilere tüm kurs kütüphanemize sınırsız erişim sağlayan ücretsiz DataCamp for the Classroom programımızı vurgulamak isteriz. Başlangıcından bu yana 200.000’den fazla öğrenci bu programa katıldı. Bu durum, özel kolej ve üniversitelerdeki yüksek öğrenim ücretlerinden ayrışmamızı sağlıyor ve bundan gurur duyuyoruz.
Öğrenenler için, videonun canlı öğretime göre önemli bir avantaj sağlayarak hız kontrolü sunduğu belirtildi.
Öncelikle, sınıfta fiziksel bir eğitmen yerine videoların olması, öğrencinin videoyu durdurmasına, yavaşlatmasına ve/veya geri sarıp tekrar izlemesine olanak tanır. Yani her öğrenci fikirleri kendi hızında alabilir. Ayrıca, standart bir sınıfın aksine, öğrenci videoyu durdurup bir tanımı araştırabilir veya bir örneği bağlamsallaştırabilir.
Kodlama alıştırmalarımızdaki otomatik testler aracılığıyla sağlanan anlık geribildirim de olumlu biçimde anıldı.
Öğrenciler DataCamp kodlama alıştırmalarında anında geribildirim alırlar. Bu, bazı hayal kırıklıklarını giderir ve eğitmeni de öğrencilerden gelen telaşlı e-postalara yanıt verme yükünden kurtarır.
Öğretim üyeleri, öğrenme ve gelişim yöneticileri ile diğer eğitimciler için DataCamp’in ölçeklenebilirliği önemli bir özellik olarak not edildi. Platformumuz, eğitimcileri ödevleri notlandırmanın baskı ve tekdüzeliğinden kurtarır.
Sınıfınızdaki her ek öğrenci; ödevlerini notlandırmak, ofis saatlerinde görüşmek, sınıfta yer açmak vb. için sizden fazladan zaman ve çaba ister. Buna karşılık DataCamp, içeriği sınırsız sayıda öğrenciye eşzamanlı olmayan biçimde sunar.
Neler yeni?
2016’dan bu yana DataCamp çok sayıda iyileştirmeye yatırım yaptı.
Değerlendir-öğren-uygula-pratik yap döngüsü
2016’da DataCamp’in tek ürünü vardı: öğrenenlerin yeni beceriler edinmesine yardımcı olmak için tasarlanan kurslarımız. Zamanla, DataCamp’in pedagojik vizyonu; mevcut yetkinliklerinizi değerlendirmeniz, yeni beceriler öğrenmeniz, bu becerileri pratik etmeniz, uygulamanız ve ardından ne kadar geliştiğinizi görmek için yeniden değerlendirme yapmanız döngüsü etrafında şekillendi. Aşağıdaki görsel bu değerlendir-öğren-pratik yap-uygula döngüsünü gösterir.
Şekil 1: DataCamp’in pedagojik felsefesinin temelini oluşturan değerlendir-öğren-pratik yap-uygula döngüsü.
Öğrenenlerin bu döngüyü tamamlamasına yardımcı olmak için üç yeni ürün ekledik.
Practice
2017’de, öğrenmeyi pekiştirmek için kurs içerikleriyle yakından örtüşen kısa kodlama meydan okumalarından oluşan DataCamp Practice’i ekledik. Aşağıdaki örnek, Introduction to the Tidyverse kursunda öğrenilen becerileri test eden bir çoktan seçmeli soruyu gösterir.
Şekil 2: DataCamp Practice’ten veri görselleştirme becerilerini test eden bir alıştırma.
Projects
Aynı yıl, öğrencilerin becerilerini yeni ve gerçek dünya problemlerine uygulamasını sağlayan ve en popüler veri bilimi ortamlarından birini kullanan DataCamp Projects’i başlattık: Jupyter Notebooks.
Şekil 3: Öğrenenlerin SQL becerilerini uygulamasını sağlayan bir Project.
Assessments
Döngünün son adımı, 2019’da öğrenenlerin ne kadar öğrendiklerini ölçmelerine olanak tanıyan beceri değerlendirme ürünümüz DataCamp Signal’ın lansmanıyla geldi. Becerı değerlendirmeleri; kavramsal olarak, sınav koşullarında uygulanan pratik moduna benzer: Öğrenenler, ilgili kurslara yönelik içeriklerden test edilir; ancak her sorunun bir süre sınırı vardır ve doğru yanıtlanan soru sayısı ile zorluk düzeyine göre bir puan verilir. Signal’ın uyarlanabilir test ve psikometri kullanımına ilişkin daha fazlasını buradan okuyabilirsiniz.
Şekil 4: Zaman baskısı altında Python makine öğrenmesi yetkinliğini test eden bir Signal beceri değerlendirme sorusu.
Kurslardaki iyileştirmeler
Üç yeni ürünün yanı sıra, çeşitli yeni alıştırma türleri ekleyerek kurslarımızı da iyileştirdik. JSE makalesinin isabetli biçimde öngördüğü bir alan, DataCamp’in grafik "tıkla ve seç" türü alıştırmalara ihtiyaç duymasıydı.
Bazı öğretim stratejileri DataCamp platformu kullanılarak mümkün değildi, ancak platform daha gelişmiş sunum yetenekleri kazandıkça bu yöntemleri de kapsayacak şekilde genişleyebileceğini görüyorduk. Özellikle, belirli bir kavramı açıklamak için bir uygulamayı adım adım kullanmak DataCamp platformunda mümkün değildi.
Keşfedilebilir alıştırmalar
2019’da DataCamp, "keşfedilebilir alıştırma" adını verdiğimiz yeni bir alıştırma türü geliştirdi. Bunlar, alıştırmalara panolar, etkileşimli görselleştirmeler ve hatta web tabanlı yazılımlar eklenmesine olanak tanır. Bu alıştırmaları oluşturmanın bir yolu, makalenin atıfta bulunduğu Java uygulamalarının daha modern bir versiyonu olan Shiny adlı bir aracı kullanmaktır. (Kendi uygulamalarını yapmak isteyen öğrenenler için Shiny kullanımı üzerine bir dizi kursumuz da var.)
Keşfedilebilir alıştırmalar, veri konusunda anlayış geliştirmesi gereken ancak veri bilimi veya analitiği geçmişi olmayan kişiler için tasarlanan DataCamp’in "For Everyone" kurs serisinde iyi bir kullanım alanı buldu. Özellikle Data Visualization For Everyone kursu, öğrenenlerin grafiklerde yapılan değişikliklerin soruları yanıtlama yeteneklerini nasıl etkilediğini keşfetmesine yardımcı olmak için panolardan etkili biçimde yararlanır.
Aşağıdaki örnekte, öğrenenler bir grafikte renklerin değiştirilmesinin anket yanıtlarını yorumlamalarını nasıl etkilediğini keşfedebilir.
Şekil 5: Yığılmış çubuk grafikte renk seçimlerinin etkilerini keşfetmeye imkân tanıyan bir panoya sahip keşfedilebilir alıştırma.
DataCamp’in erken dönemlerinde eleştiri aldığı alanlardan biri de, kodlama alıştırmalarımız kod parçaları yazmayı öğretmede çok iyi olsa da, öğrenenlerin bunları nasıl birleştireceklerini bilmeden ayrıntılarda kaybolmalarının kolay olmasıydı. DataCamp her zaman iş akışlarını öğretmenin değerini anladı ve eğitmenleri bunları videolarda anlatmaya teşvik etti; fakat daha güçlü bir araca ihtiyacımız vardı. Geçen yıl, tam da bunun için başka bir alıştırma türünü hayata geçirdik. Sürükle-bırak alıştırmalar, öğrenenlerin ekrandaki öğeleri hareket ettirerek çözüm üretmesini sağlar. Birkaç varyantı vardır; ancak iş akışlarını öğretmek için en önemlisi "sıralama alıştırması"dır.
Introduction to Writing Functions in R kursundan alınan aşağıdaki örnekte, öğrenenlerden bir betiği yeniden kullanılabilir bir fonksiyona dönüştürme iş akışındaki adımları yeniden sıralamaları istenir. Kod yazmaktan bir adım uzaklaşarak, kavrama odaklanmaları sağlanır.
Şekil 6: Adımları sıralayarak bir iş akışını öğreten sürükle-bırak alıştırma.
Keşfedilebilir ve sürükle-bırak alıştırmalarına ek olarak, çok daha fazla alıştırma türü ve içerik biçimi ekledik. En dikkat çekenlerden bazıları şunlardır:
IDE alıştırmaları
IDE alıştırması, en popüler kod düzenleyicilerden biri olan Visual Studio Code’u kullanır. Bu alıştırma türü, daha ileri düzey veri mühendisliği içeriklerimizde kullanılır.
Şekil 7: Visual Studio Code geliştirme ortamını kullanarak kod dağıtımı yapan "devops" becerilerini test eden bir IDE alıştırması.
VM alıştırmaları
Ve en son olarak, belirli yazılımların önceden yüklü olduğu bir Windows Sanal Makinesi çalıştıran VM alıştırmasını oluşturduk. Bunlar çoğunlukla Tableau içeriklerimizde kullanılır.
Şekil 8: Tableau iş zekâsı aracında veri manipülasyonunu öğreten bir VM alıştırması.
Makalede yapılan bazı önerileri, DataCamp gibi çevrim içi bir platformun uygulaması zordur; örneğin aşağıdakiler gibi:
Fiziksel sınıfta öğrencileri takımlara ayırıyoruz ve her takıma, içinde örneklenmiş bir dairenin kirasının yazılı olduğu 20 kâğıt parçasının bulunduğu bir torba veriyoruz. Sonra her takımdan torbalarından 20 dairelik bir bootstrap örneklemi almalarını, medyanı hesaplamalarını ve tahtadaki nokta grafiğine bir nokta koyarak bunu kaydetmelerini istiyoruz. Bu süreç, yerine koyarak örnekleme yapmaya kişisel bir deneyim sağlar ve örnek medyanların bootstrap dağılımını oluşturur.
Eğitmenler platformumuzda öğrenenlerle etkileşime giremese de, eğlenceli oyunların yüz yüze öğretimin önemli bir bileşeni olduğuna kesinlikle katılıyoruz. Bu nedenle, son Hackathon’ımızda mühendislik ekiplerimizden biri DataCamp VR’ın oluşturulmasını araştırdı. Bu birkaç yıl uzakta olsa da, inovasyonu şirketimizin kritik bir parçası olarak görüyoruz (ve çok eğlendik!).
Daha ciddisi, çevrim içi eğitim ile yüz yüze öğretimin rekabet halinde olduğu düşüncesi bir yanlış anlamadır. DataCamp’te biz bunları kesinlikle birbirini tamamlayıcı olarak görüyoruz. Bu yüzden, öğrenenlerin bir eğitmenle daha yakından etkileşime girebileceği bir dizi canlı kodlama web semineri başlattık. Yaklaşan web seminerlerimizi ve canlı eğitimlerimizi buradan bulabilirsiniz.
Sürekli iyileştirme
Ders kitapları gibi diğer eğitim mecralarının aksine, yayımlandıklarında fiilen tamamlanmış sayılırlar; ancak DataCamp’te öğrenme materyallerinin geliştirilmesi bir kurs yayımlandığında sona ermez. Eğitmenler, belirsiz talimatları yeniden yazarak, muğlak kavramları netleştirerek ve içeriği veri biliminin hızlı değişen dünyasında güncel tutarak öğrenenlere daha iyi bir deneyim sunmaları için kurslarını geliştirmeye aktif olarak teşvik edilir.
İlginç biçimde, makale yazarlarının oluşturduğu çıkarımsal istatistik kursları, DataCamp’in bazı teknik ve süreç iyileştirmeleri için önemli bir itici güç oldu. Kurslar kesinlikle popüler olmasına rağmen, kurs puanları ve tamamlama oranları gibi nicel veriler önemli bir iyileştirme payı olduğunu gösterdi. Büyük sorun, çıkarımsal istatistiğin hem kavramsal olarak zor olması hem de bu kavramları ortaya koymak için orta düzeyde ileri programlama becerileri gerektirmesiydi.
Durumu düzeltmek için DataCamp’in İçerik Kalitesi ekibi, dört kursu tamamen yeniden yazmak üzere eğitmenlerle birlikte çalıştı. İçerik Kalitesi Analistleri, yeni kodun daha kademeli tanıtılması için hızı ayarlamaya yardımcı oldu, talimatları yeniden yazdı ve öğrenenlerin kavramsal unsurlara odaklanabilmesi için kodu sadeleştirdi. Sonuç olarak, artık bunlar ileri düzey öğrenenler için dört harika kurs oldu.
Sürekli iyileştirme anlayışıyla, DataCamp’in İçerik ekibi için yaklaşan bir zorluk, çıkarımsal istatistiği sıfırdan başlayanlara nasıl öğreteceğimizi bulmak. Bizi izlemeye devam edin!
Öğrenme ve Gelişim Yöneticileri için iyileştirmeler
JSE makalesi DataCamp’te öğretmenin artılarını ve eksilerini vurgulamakta harika bir iş çıkardı; ancak şu ifadeyi kullanırken küçük bir yanlışlık içeriyor:
DataCamp kursları eşzamanlı değildir ve kendi hızındadır; dolayısıyla öğrencinin endişeleneceği herhangi bir son teslim tarihi yoktur.
Bu, öğrenenlerin çoğu için doğrudur. DataCamp’e kişisel abonelik alırsanız, kendi hızınızda öğrenebilir ve içeriği yaşam tarzınıza uygun şekilde tüketebilirsiniz. Ancak kurumsal ve akademik müşterilerimiz için, yöneticilerin ve eğitmenlerin çalışanlarının ve öğrencilerinin ilerlemesini takip etmesine yardımcı olacak bir dizi yönetim aracı geliştirdik:
- Ödevler: Eğitmenlerin ve yöneticilerin, son teslim tarihli kurs veya XP ödevleri oluşturmasını destekliyoruz. Son tarih geçtikten sonra grup yöneticisine ilgili verilerin dışa aktarımı otomatik olarak iletilir.
- Raporlama: İş ve akademik müşteriler için DataCamp’i ilk kez başlattığımızdan bu yana raporlama yeteneklerimizi büyük ölçüde artırdık ve uygulama içinde grubun etkileşimi, benimsemesi, içerik kullanımı, değerlendirme kullanımı vb. konularda otomatik içgörüler sunuyoruz.
- Düşük seviyeli veriler: Yöneticiler, tercih ederlerse kendi panolarını yerelde oluşturabilmeleri için gruplarından ve sınıflarından düşük seviyeli verileri dışa aktarabilir.
- LMS entegrasyonları ve SSO: 2019’da öğrenme yönetim sistemi (LMS) entegrasyonlarımızı SAP SuccessFactors ve Degreed gibi diğer sağlayıcılara genişlettik ve güvenliği artırmak için tek oturum açma (SSO) ekledik.
Eğitmenler için iyileştirmeler
DataCamp ilk kurulduğunda, mümkün olduğunca çok kurs oluşturmak için acele ettik; çünkü kurs olmadan öğrenenimiz de yoktu. Kurs kütüphanemiz büyüdükçe ve kullanıcı tabanımız çeşitlendikçe, müfredat boşluklarını hızla doldurmak; "bu kurs diğer kurslarımıza göre nereye oturuyor?" ve "bu kursu kim almak isteyecek?" gibi diğer hususların gerisinde kaldı.
Bu, kurs geliştirme sürecinin başında eğitmenle hedef kitleyi ayrıntılı biçimde tartıştığımız anlamına geliyor. Örneğin, kavramları makine öğrenmesi uzmanlarından oluşan bir kitleye açıklama yaklaşımı, verisi bilimcilerinin yöneticilerine açıklama yaklaşımından oldukça farklıdır; zira yöneticiler daha az teknik olabilir, ancak bir analizin sonuçlarına kritik geribildirim vermeleri gerekir.
Ayrıca, birçok öğrenenimizin kursları kariyer yolları ve beceri yolları aracılığıyla ardışık olarak almayı tercih ettiği de netleşti. Bu nedenle geliştirme sırasında, öğrenenlerin kursa başlamadan önce neleri bildiği varsayılıyor, daha önce hangi kursları almış olmaları gerekiyor, kursu tamamladıklarında neleri öğrenmiş olmaları bekleniyor ve bunun hangi diğer kurslara kapı aralayacağı gibi pek çok soru soruyoruz. Kurslar tek başına alınmıyor—bu, daha veri okuryazarı olmaya giden bir yolculuk.
Kursun kapsamı belirlendikten sonra, öğrenenlerin gerçekten bir şeyler öğrendiğinden emin olmamız gerekir! DataCamp, eğitmenlerimizle birlikte, verilen bir görevdeki yetkinlik düzeyini tanımlamak için kullanılan bir çerçeve olan Bloom taksonomisini kullanarak kurs için bir dizi öğrenme hedefi belirler. Bu öğrenme hedefleri, DataCamp Signal beceri değerlendirmelerine girdi sağlar.
Elbette tüm bunlar yeni eğitmenler için oldukça yoğun olabilir. Bu nedenle DataCamp, kurs oluşturma süreci boyunca kapsamlı destek sağlar. Her eğitmen, kursa iyi bir anlatı kazandırma, iyi alıştırmalar yazma ve içerikleri üzerinde teknik akran değerlendirmeleri yapma konularında—tamamı profesyonel veri bilimciler ve eğitimciler olan—DataCamp çalışanlarından genellikle 80 saatin üzerinde rehberlik alır. Ayrıca, DataCamp kurslarının nasıl oluşturulacağına dair bir meta-kursumuz ve ilginç veri setleri bulma ile yüksek kaliteli ses kaydetme gibi konularda rehberlik sunan kapsamlı dokümantasyonumuz vardır.
Kurslar yayımlandıktan sonra DataCamp, yüz yüze öğretime kıyasla başka bir avantaj daha sunar: Eğitmenler, kurslarının nasıl performans gösterdiğine dair nicel geribildirim alır. Her alıştırmanın zorluk düzeyi, ipucu ve çözüm isteyen öğrenenlerin oranına göre değerlendirilir; bu da eğitmenlerin öğrenenlerin nerede takıldığını belirlemesini sağlar. Yanlış yanıtlar da kaydedilir; böylece eğitmenler, öğrenenlerin ne tür hatalar yaptığını saptayabilir ve alıştırmaları netlik için güncelleyebilir. DataCamp’in kurs kalitesini iyileştirmeye yaklaşımı hakkında daha fazlasını bu blog yazısında öğrenin.
Bazı durumlarda, DataCamp alıştırmalarının zor olmasının nedeni, öğretmek istediğimiz temel kodun kullanımı zor olmasıdır. Aslında JSE makalesinde bahsedilen çıkarımsal istatistik kursları, infer adlı bir R paketine dayanıyordu ve bu paketin daha kolay kullanılabilmesi için birkaç DataCamp çalışanı paketin geliştirilmesine yardımcı oldu. DataCamp’te öğretimin geliştirmeye ilham verdiği bu geri bildirim döngüsüyle gerçekten gurur duyuyoruz. Karmaşık kod parçalarını tespit etmek ve geliştiricilere sorunları çözmede yardımcı olmak, yazılımı herkes için daha kullanışlı hâle getirir.
Sonuç
Eğitmenlerimizin DataCamp için içerik oluşturma deneyimlerini aktarmaya zaman ayırmalarından memnuniyet duyuyoruz. Bugüne kadar iki yüz yetmiş altı kişi eğitmenlik sürecinden geçti ve veri bilimini demokratikleştirme misyonumuza katkıda bulundu.
Birçok kişinin evde olduğu şu günlerde çevrim içi eğitim son derece güncel. Bireyler ve şirketler için veri okuryazarlığını demokratikleştirme misyonumuz doğrultusunda; ürün, içerik ve mühendislik ekiplerimiz veri becerilerini öğretme biçimimizi iyileştirmenin yollarını sürekli arıyor. Yeni gelişmeler için bizi takip edin!
Keyifli öğrenmeler.
Ek: Makaledeki ifadelere ilişkin DataCamp’in tutumunun netleştirilmesi
JSE makalesinde sunulan bazı noktalara ilişkin duruşumuzu netleştirmek istiyoruz.
- JSE makalesi, DataCamp videolarının azami uzunluğunu sorguladı ve eğitmenlerin "konuları 10–20 dk boyunca anlatmaya" olanak tanıması gerektiğini öne sürdü. Videolara koyduğumuz süre sınırı, edX’in öğrenci etkileşimi için en uygun video uzunluğu üzerine yaptığı bir araştırma yazısına dayanır. web semineri kayıtları aracılığıyla uzun biçimli bazı video içeriklerimiz var; ancak daha uzun videoların kursların akışını bozacağını düşünüyoruz.
- DataCamp’te açık kaynak katkılarını destekliyoruz. Geçmiş ve mevcut DataCamp ekip üyeleri, boş zamanlarında ve çalışma saatlerinde infer paketine katkı sağladı: Chester Ismay, Nick Solomon ve Richie Cotton (kaynak).
- Makalede bahsedilmiş olsa da, eğitmenlerle yaptığımız özel sözleşmeler yoktur. Fikri mülkiyet eğitmende kalır.
- Kâr amacı güden bir kuruluş olarak kararlarımızı farklı şekilde verdiğimizi kabul ediyoruz; ancak her zaman öğrenenin çıkarını gözetiyoruz. Teşviklerimiz, müşterilerimize değerini doğrudan etkileyen yüksek kaliteli öğrenme materyali oluşturmaya tamamen odaklıdır. Bu nedenle, makalede bahsedilen kadar ayrıntılı metrikleri takip ediyoruz.
- DataCamp ile ticari ilişki nasıl açıklanmışsa, RStudio ekibi tarafından oluşturulan LearnR paketine atıfta bulunulurken, yazarlardan birinin RStudio ile ticari ilişkisinin de açıklanmasının uygun olacağını düşünüyoruz.
- Makalede atıf yapılan BuzzFeed yazısı ile ilgili olarak: DataCamp, Ekim 2017’deki olaylara dair bağımsız, üçüncü taraf bir inceleme görevlendirdi; inceleme Obama yönetiminde Adalet Bakanlığı’nda görev yapmış Anurima Bhargava ve Working IDEAL’dan Pamela Coukos tarafından yürütüldü. Ortaya çıkan rapor kamuya açıklandı ve bu blog yazısı aracılığıyla çevrim içi paylaşıldı. Eğitmen Danışma Kurulu ("IAB") üyeleri (makale yazarlarından biri dâhil) ve eğitmen topluluğumuzun üyeleri gibi diğer paydaşlar incelemeye katılmaya davet edildi.
