DataCamp xây dựng chương trình học khoa học dữ liệu tốt nhất như thế nào
Tại DataCamp, chúng tôi tự hào có nền tảng và chương trình học tốt nhất để học khoa học dữ liệu. Vì vậy, chúng tôi đầu tư rất nhiều công sức để đảm bảo mỗi bài tập vừa hiệu quả về mặt giáo dục, vừa thú vị. Sau khi một khóa học ra mắt, chúng tôi không coi đó là hoàn tất: việc ra mắt chỉ là điểm khởi đầu cho quá trình thu thập dữ liệu. Mỗi khi học viên làm một bài tập trong khóa học, chúng tôi ghi nhận các dữ liệu như số lần thử cần thiết để giải bài và liệu họ có cần trợ giúp bằng cách yêu cầu gợi ý hoặc lời giải hay không. Bằng cách tổng hợp dữ liệu này trên toàn bộ học viên, chúng tôi có thể hình dung mức độ khó của một bài tập. Ngoài ra, học viên có thể chấm điểm bài tập từ một đến năm sao và gửi phản hồi cho chúng tôi, cho biết mức độ yêu thích của họ đối với bài tập đó.
Nhóm Chất lượng Nội dung của chúng tôi phối hợp cùng giảng viên để hành động dựa trên dữ liệu này nhằm cải thiện các khóa học. Điều này có nhiều hình thức vì có rất nhiều điều có thể xảy ra sai sót với một bài tập.
1. Sửa dữ liệu bị thiếu
Đôi khi, những chi tiết nhỏ cũng có thể khiến rất nhiều học viên khó chịu. Trong Data Science Toolbox (Phần 1), học viên học cách viết hàm lambda trong Python bằng một tập dữ liệu dựa trên Nhóm bạn của chiếc Nhẫn (Fellowship of the Ring) của J.R.R. Tolkien, thuộc bộ tiểu thuyết Chúa tể của những chiếc nhẫn. Thật không may, tập dữ liệu lại thiếu Gandalf và Pippin. Học viên đã phàn nàn rất đúng, vì vậy chúng tôi lắng nghe và khắc phục vấn đề.
2. Tránh hiểu lầm và nhầm lẫn cho người học DataCamp
Phân tích phản hồi trên nhiều bài tập có thể hé lộ các mô thức hiểu sai mà học viên thường gặp. Nhiều phân tích dữ liệu lưu dữ liệu ở dạng hình chữ nhật, trong đó mỗi hàng là một bản ghi, và mỗi cột là một giá trị thuộc về bản ghi đó. Chẳng hạn, mỗi hàng có thể tương ứng với một người, còn các cột là tên, chiều cao và màu yêu thích của họ.
Một thực hành thao tác dữ liệu rất phổ biến là lọc các hàng của dữ liệu dạng hình chữ nhật đó. Giảng viên có thể viết một chỉ dẫn như:
Lọc tập dữ liệu để loại bỏ các hàng mà người có chiều cao dưới 170 cm.
Điều này không sai, nhưng hầu hết phần mềm thống kê, bao gồm gói dplyr của R và gói Pandas của Python, đều yêu cầu bạn lọc dữ liệu bằng cách chỉ định những gì muốn giữ lại. Nếu chỉ dẫn được viết lại theo cách sau:
Lọc tập dữ liệu để giữ lại các hàng mà người có chiều cao trên 170 cm.
Thì chỉ dẫn sẽ khớp với cách mã hoạt động và tránh một điểm gây nhầm lẫn cho học viên. Với các khóa học nâng cao nơi học viên đã quen với thao tác dữ liệu, cách diễn đạt này sẽ ít gây vấn đề hơn. Trong khóa học Pandas Foundations của chúng tôi, chúng tôi nhận thấy nhiều học viên gặp khó khăn với vấn đề này và đã thay đổi ngôn ngữ chỉ dẫn.
3. Tạo lộ trình học tập tích cực với phản hồi toàn diện và chi tiết hơn
Tất cả bài tập trên DataCamp đều được chấm tự động bằng phần mềm do nhóm Kỹ thuật Nội dung của chúng tôi xây dựng. Điều này cho phép phản hồi thông minh tức thì cho học viên khi họ trả lời sai. Có lẽ đây là tính năng tuyệt vời nhất của nền tảng. Một trong những phần khó nhất là dự đoán học viên sẽ sai ở đâu để đưa ra lời khuyên hữu ích về việc cần làm khác đi lần sau. Điều đó có nghĩa là đôi khi một lời giải đúng lại bị chấm là sai. Khi điều này xảy ra, học viên rất khó chịu. Có trường hợp, một học viên đã phàn nàn:
Trong khóa học Phân cụm trong R, nhiều học viên nhận ra rằng tuy lời giải gợi ý cho một bài tập dùng hàm min() nổi tiếng để tính giá trị nhỏ nhất, vẫn có một lời giải đơn giản và tinh gọn hơn dùng hàm pmin() ít người biết đến, là hàm tính min theo từng phần tử song song.
Ban đầu, bài tập chỉ chấp nhận một lời giải, nhưng dựa trên ý tưởng sáng tạo của học viên, giờ đây cả hai lời giải đều được chấp nhận. Một trong các mục tiêu của nhóm Kỹ thuật Nội dung khi phát triển hệ thống phản hồi của DataCamp là cải thiện tính linh hoạt của việc chấm điểm, cho phép học viên giải quyết vấn đề theo cách của riêng họ.
Một bức xúc khác mà học viên có thể gặp với phản hồi tự động của chúng tôi là phải thấy đi thấy lại cùng một thông điệp phản hồi khi làm bài tập. Nguyên lý được minh họa trong sơ đồ dưới đây, nơi học viên được yêu cầu tạo một mảng Python với ba phần tử.
Bằng cách cung cấp phản hồi chi tiết hơn, nhắm vào các vấn đề cụ thể trong câu trả lời của học viên, chúng tôi có thể mang lại trải nghiệm học tập tích cực hơn. Kết quả của phản hồi được cải thiện rất đáng khích lệ. Trong một bài tập thuộc khóa học Intermediate Python for Data Science, việc chuyển sang phản hồi chi tiết đã giúp tỷ lệ học viên nhìn thấy cùng một thông điệp phản hồi hơn một lần giảm từ khoảng 65% xuống dưới 10%.
Tỷ lệ người dùng nhìn thấy cùng một thông điệp phản hồi hơn một lần là một chỉ số mà chúng tôi theo dõi cho tất cả bài tập và khóa học. Kết hợp với mức độ phổ biến của khóa học, chúng tôi đã xây dựng một cách tiếp cận dựa trên dữ liệu để liên tục cải thiện trải nghiệm học tập theo cách tạo tác động lớn nhất.
Kết luận
Mục tiêu của chúng tôi cho cuối năm là: đối với nửa số khóa học phổ biến nhất, trung bình tỷ lệ phản hồi lặp lại trên tất cả bài tập trong mỗi khóa học dưới 30%.
Chúng tôi sẽ tiếp tục bổ sung những cải tiến này trên tất cả các công nghệ mà học viên có thể học trên DataCamp. Nội bộ, chúng tôi cũng cải tiến các công cụ dùng để tạo phản hồi và phân tích bài nộp của học viên nhằm đảm bảo tiếp tục nâng cao trải nghiệm học tập cho toàn bộ nội dung hiện tại và tương lai.
Còn rất nhiều điều có thể xảy ra sai với một bài tập, nhưng hy vọng điều này giúp bạn yên tâm rằng DataCamp lắng nghe phản hồi của học viên và không ngừng nỗ lực cải thiện mức độ hài lòng của học viên với các khóa học của chúng tôi.
