Bài viết này do Richie Cotton chắp bút, với đóng góp từ Ramnath Vaidyanathan, Dieter De Mesmaeker và Martijn Theuwissen.
Giáo dục trực tuyến hiện là một lĩnh vực đầy hứng khởi nhờ đổi mới không ngừng. Mọi công ty trong lĩnh vực này, bao gồm DataCamp, vẫn đang tìm ra cách tốt nhất để giúp mọi người học tập. Các đội ngũ sản phẩm và kỹ thuật của DataCamp liên tục phát triển công cụ mới để dạy khoa học dữ liệu hiệu quả hơn, và đội ngũ nội dung của chúng tôi tích hợp chúng vào nội dung hiện có và sắp tới.
Bốn giảng viên của DataCamp—Ben Baumer, Andrew Bray, Mine Çetinkaya-Rundel và Jo Hardin—gần đây đã công bố một bài báo trên Journal of Statistical Education về trải nghiệm xây dựng khóa học tại DataCamp, cùng quan điểm của họ về khác biệt giữa học trực tiếp và học trực tuyến. Họ đều là những người ủng hộ DataCamp từ sớm, và chúng tôi trân trọng việc họ đã diễn đạt lại trải nghiệm của mình.
Trong bài viết này, chúng tôi muốn điểm lại phản hồi của họ, trao đổi về phương pháp sư phạm tại DataCamp, giới thiệu một số cải tiến chúng tôi đã thực hiện kể từ khi các tác giả xây dựng khóa học, và làm rõ lập trường của chúng tôi về một số nhận định trong bài báo.
Các khóa học
Các giảng viên đã tạo tám khóa học trong giai đoạn 2016–2018. Đầu tiên là bộ bốn khóa về thống kê mô tả: Introduction to Data in R, Exploratory Data Analysis in R, Correlation and Regression in R, và Multiple and Logistic Regression in R, nằm trong lộ trình kỹ năng Statistics Fundamentals with R. Tiếp theo là bốn khóa về thống kê suy luận: Foundations of Inference, Inference for Categorical Data, Inference for Numerical Data và Inference for Linear Regression, tạo thành lộ trình kỹ năng Statistical Inference with R.
Tổng cộng, các khóa học này đã tiếp cận hơn 94.000 học viên. Khóa học được đánh giá cao nhất đạt 4,55 (trên 5) và thấp nhất 4,33. Là một số khóa có lưu lượng lớn, đến nay chúng đã mang về 475.000 đô la tiền bản quyền cho bốn giảng viên.
Lợi ích của DataCamp
Bài báo nêu bật nhiều điểm mạnh của DataCamp. Trước hết, bốn học giả lưu ý rằng học phí đại học rất đắt.
các cơ sở của chúng tôi [...] có chi phí trung bình hàng năm là 71.156,25 đô la
Đó là giá một chiếc xe hạng sang mỗi năm, cho thấy rõ giá trị vượt trội của DataCamp so với chỉ bằng một phần tư giá vé tàu điện ngầm New York. Dù đúng là chúng tôi hoạt động vì lợi nhuận, chúng tôi muốn nhấn mạnh chương trình miễn phí DataCamp for the Classroom cung cấp cho giáo viên và học sinh quyền truy cập không giới hạn vào toàn bộ thư viện khóa học của chúng tôi. Kể từ khi ra mắt, đã có hơn 200.000 sinh viên tham gia chương trình này. Điều này giúp chúng tôi khác biệt so với mức học phí cao ở các trường cao đẳng và đại học tư, và chúng tôi tự hào về điều đó.
Đối với người học, họ ghi nhận việc sử dụng video có lợi thế quan trọng so với dạy trực tiếp ở chỗ giúp kiểm soát tốc độ tiếp thu.
Trước hết, có video thay vì giảng viên trực tiếp đồng nghĩa sinh viên có thể dừng, làm chậm và/hoặc tua lại video. Tức là, mỗi sinh viên có thể tiếp nhận ý tưởng theo tốc độ riêng. Ngoài ra, khác với lớp học chuẩn, sinh viên có thể tạm dừng video để tra cứu định nghĩa hoặc đặt ví dụ vào ngữ cảnh.
Phản hồi tức thì thông qua kiểm thử tự động trong các bài tập lập trình của chúng tôi cũng được đánh giá tích cực.
Sinh viên nhận phản hồi ngay lập tức về các bài tập mã hóa trên DataCamp. Điều này giúp giảm bớt bức bối của họ và cũng giải phóng giảng viên khỏi việc phải trả lời một số email hoảng hốt từ sinh viên.
Đối với giảng viên, quản lý học tập và phát triển, cùng các giáo viên khác, khả năng mở rộng của DataCamp được nhấn mạnh là một tính năng quan trọng. Nền tảng của chúng tôi giúp giáo dục viên thoát khỏi áp lực và sự đơn điệu của việc chấm bài.
Mỗi sinh viên bổ sung trong lớp của bạn đòi hỏi thêm thời gian và công sức để chấm bài, gặp trong giờ hành chính, sắp xếp chỗ trong lớp, v.v. Ngược lại, DataCamp sẽ cung cấp nội dung cho số lượng sinh viên không giới hạn theo phương thức không đồng bộ.
Có gì mới?
Kể từ năm 2016, DataCamp đã đầu tư vào rất nhiều cải tiến.
Vòng lặp đánh giá - học - luyện tập - áp dụng
Năm 2016, DataCamp có một sản phẩm: các khóa học, được thiết kế để giúp người học tiếp thu kỹ năng mới. Theo thời gian, tầm nhìn sư phạm của DataCamp đã kết tinh quanh chu trình đánh giá năng lực hiện tại, học kỹ năng mới, luyện tập những kỹ năng đó, áp dụng kỹ năng trong bối cảnh mới, rồi quay lại đánh giá để xem bạn đã tiến bộ bao nhiêu. Hình dưới minh họa vòng lặp đánh giá - học - luyện tập - áp dụng.
Hình 1: Chu trình đánh giá - học - luyện tập - áp dụng tạo nền tảng cho triết lý sư phạm của DataCamp.
Để giúp người học hoàn thành vòng lặp này, chúng tôi đã bổ sung ba sản phẩm mới.
Luyện tập
Năm 2017, chúng tôi bổ sung DataCamp Practice, gồm các thử thách mã hóa ngắn bám sát nội dung khóa học để củng cố kiến thức. Ví dụ dưới đây là câu hỏi trắc nghiệm kiểm tra kỹ năng học trong khóa Introduction to the Tidyverse.
Hình 2: Bài luyện tập trong DataCamp Practice kiểm tra kỹ năng trực quan hóa dữ liệu.
Dự án
Cũng trong năm đó, chúng tôi ra mắt DataCamp Projects, cho phép học viên áp dụng kỹ năng vào các bài toán mới, thực tế bằng một trong những môi trường khoa học dữ liệu phổ biến nhất: Jupyter Notebooks.
Hình 3: Một Dự án cho phép người học áp dụng kỹ năng SQL.
Đánh giá
Bước cuối của vòng lặp đến vào năm 2019 với việc ra mắt DataCamp Signal, sản phẩm đánh giá kỹ năng giúp người học đo lường mức độ đã học được. Về mặt khái niệm, bài đánh giá kỹ năng giống chế độ luyện tập nhưng trong điều kiện “thi”: người học được kiểm tra nội dung liên quan đến các khóa tương ứng, mỗi câu có giới hạn thời gian, và người học nhận điểm dựa trên số câu trả lời đúng và độ khó. Bạn có thể đọc thêm về cách Signal sử dụng kiểm tra thích ứng và đo lường tâm trắc tại đây.
Hình 4: Câu hỏi đánh giá kỹ năng của Signal kiểm tra năng lực machine learning bằng Python dưới áp lực thời gian.
Cải tiến trong các khóa học
Bên cạnh việc giới thiệu ba sản phẩm mới, DataCamp đã cải tiến các khóa học bằng cách bổ sung nhiều loại bài tập mới. Một điểm mà bài báo trên JSE dự báo rất đúng là DataCamp cần hỗ trợ các bài tập đồ họa theo kiểu “trỏ và nhấp”.
Một số chiến lược giảng dạy không thể thực hiện trên nền tảng DataCamp, nhưng chúng tôi có thể thấy nền tảng sẽ mở rộng để tích hợp các phương pháp như vậy khi phát triển năng lực trình bày tinh vi hơn. Cụ thể, không thể dùng nền tảng DataCamp để hướng dẫn sử dụng một applet nhằm giải thích một khái niệm nhất định.
Bài tập khám phá
Năm 2019, DataCamp phát triển một loại bài tập mới gọi là “bài tập khám phá”. Chúng cho phép đưa bảng điều khiển, đồ thị tương tác và thậm chí phần mềm web vào bài tập. Một cách để tạo các bài này là dùng công cụ Shiny—một phiên bản hiện đại hơn của các applet Java mà bài báo đề cập. (Chúng tôi cũng có loạt khóa học về Shiny dành cho người học muốn tự xây dựng.)
Bài tập khám phá được sử dụng rất hiệu quả trong chuỗi khóa học “For Everyone” của DataCamp, được thiết kế cho những người cần hiểu dữ liệu nhưng không có nền tảng khoa học dữ liệu hay phân tích. Đặc biệt, khóa Data Visualization For Everyone tận dụng tốt bảng điều khiển để giúp người học khám phá cách thay đổi biểu đồ ảnh hưởng đến khả năng trả lời câu hỏi về chúng.
Trong ví dụ dưới đây, người học có thể khám phá cách thay đổi màu sắc trong biểu đồ ảnh hưởng đến cách họ diễn giải phản hồi khảo sát.
Hình 5: Bài tập khám phá với bảng điều khiển cho phép người học tìm hiểu tác động của lựa chọn màu sắc trong biểu đồ cột xếp chồng.
Một lĩnh vực nơi DataCamp từng nhận phê bình thời kỳ đầu là dù bài tập mã hóa của chúng tôi rất hiệu quả trong việc dạy cách viết các đoạn mã, người học dễ lạc vào tiểu tiết mà không biết cách ghép chúng lại. Dù DataCamp luôn hiểu giá trị của việc dạy quy trình làm việc và khuyến khích giảng viên mô tả trong video, chúng tôi cần một công cụ mạnh mẽ hơn. Năm ngoái, chúng tôi triển khai một loại bài tập mới để làm điều đó. Bài tập kéo-thả cho phép người học giải bài bằng cách di chuyển các mục trên màn hình. Có vài biến thể, nhưng quan trọng nhất để dạy quy trình là “bài tập sắp xếp”.
Trong ví dụ dưới đây lấy từ Introduction to Writing Functions in R, người học được yêu cầu sắp xếp lại các bước trong quy trình chuyển một script thành hàm có thể tái sử dụng. Bằng cách tạm rời việc viết mã, họ có thể tập trung vào khái niệm.
Hình 6: Bài tập kéo-thả để dạy quy trình bằng cách sắp xếp các bước.
Ngoài bài tập khám phá và kéo-thả, chúng tôi bổ sung nhiều loại bài tập và hình thức nội dung khác. Một số đáng chú ý gồm:
Bài tập IDE
Bài tập IDE sử dụng một trong những trình soạn thảo mã phổ biến nhất là Visual Studio Code. Loại bài tập này được dùng trong nội dung kỹ thuật dữ liệu nâng cao.
Hình 7: Bài tập IDE, kiểm tra kỹ năng “devops” để triển khai mã bằng môi trường phát triển Visual Studio Code.
Bài tập VM
Gần đây nhất, chúng tôi tạo bài tập VM, chạy Máy ảo Windows với phần mềm cài sẵn. Chúng chủ yếu được dùng trong nội dung Tableau.
Hình 8: Bài tập VM hướng dẫn người học thao tác dữ liệu trong công cụ BI Tableau.
Một số đề xuất trong bài báo khá khó triển khai với nền tảng trực tuyến như DataCamp, chẳng hạn như sau:
Trong lớp học truyền thống, chúng tôi chia sinh viên thành các nhóm và mỗi nhóm nhận một túi gồm 20 mảnh giấy, mỗi mảnh in tiền thuê của một căn hộ được lấy mẫu. Sau đó, mỗi nhóm được yêu cầu lấy mẫu bootstrap gồm 20 căn từ túi, tính trung vị, và ghi lại trên bảng bằng cách đặt một dấu trên dotplot. Quy trình này giúp sinh viên có trải nghiệm cá nhân về lấy mẫu có hoàn lại để xây dựng phân phối bootstrap của các trung vị mẫu.
Dù giảng viên không thể tương tác trực tiếp với người học trên nền tảng của chúng tôi, chúng tôi hoàn toàn đồng ý rằng trò chơi vui là một thành tố quan trọng của dạy trực tiếp. Đó là lý do trong Hackathon gần đây, một đội kỹ sư của chúng tôi đã thử nghiệm tạo DataCamp VR. Mặc dù có thể còn vài năm nữa, chúng tôi coi đổi mới là phần cốt lõi của công ty (và chúng tôi đã rất vui!).
Nghiêm túc hơn, quan niệm cho rằng giáo dục trực tuyến và dạy trực tiếp cạnh tranh nhau là không đúng. Tại DataCamp, chúng tôi xem chúng bổ trợ cho nhau. Đó là lý do DataCamp đã ra mắt chuỗi hội thảo mã hóa trực tiếp, nơi người học có thể tương tác gần gũi hơn với giảng viên. Tìm các webinar và buổi đào tạo trực tiếp sắp diễn ra tại đây.
Cải tiến liên tục
Khác với các phương tiện giáo dục như giáo trình, vốn được xem là hoàn thiện khi xuất bản, trên DataCamp, việc phát triển học liệu không dừng lại khi khóa học được ra mắt. Giảng viên được khuyến khích chủ động cải thiện khóa học để mang lại trải nghiệm tốt hơn bằng cách viết lại hướng dẫn chưa rõ, làm sáng tỏ khái niệm mơ hồ, và cập nhật nội dung theo nhịp độ phát triển nhanh của khoa học dữ liệu.
Thú vị là, bộ khóa học thống kê suy luận do các tác giả bài báo xây dựng là động lực lớn cho một số cải tiến kỹ thuật và quy trình của DataCamp. Dù các khóa học này rất phổ biến, dữ liệu định lượng như đánh giá khóa và tỷ lệ hoàn thành cho thấy còn nhiều dư địa cải thiện. Vấn đề lớn là thống kê suy luận vừa khó về khái niệm, vừa đòi hỏi kỹ năng lập trình ở mức trung bình để minh họa các khái niệm đó.
Để khắc phục, đội Chất lượng Nội dung của DataCamp đã làm việc với giảng viên để viết lại toàn bộ bốn khóa. Các Chuyên viên Phân tích Chất lượng Nội dung hỗ trợ điều chỉnh nhịp độ để giới thiệu mã mới dần dần hơn, viết lại hướng dẫn, và đơn giản hóa mã để giúp người học tập trung vào phần khái niệm. Kết quả là giờ đây đây là bốn khóa học tuyệt vời—cho người học nâng cao.
Với tinh thần cải tiến liên tục, thách thức sắp tới cho đội Nội dung của DataCamp là tìm ra cách dạy thống kê suy luận cho người mới bắt đầu hoàn toàn. Hãy đón xem!
Cải tiến cho Quản lý Học tập và Phát triển
Bài báo JSE đã làm tốt việc nêu bật ưu nhược điểm của việc dạy trên DataCamp, nhưng có một điểm chưa chính xác khi cho rằng
Các khóa học DataCamp là không đồng bộ và tự quyết tiến độ, nên [không có] hạn nộp mà sinh viên phải lo lắng.
Điều này đúng với phần lớn người học. Nếu bạn mua gói đăng ký cá nhân của DataCamp, bạn có thể học theo tốc độ riêng và tiếp thu nội dung phù hợp lối sống. Tuy nhiên, với khách hàng doanh nghiệp và học thuật, DataCamp đã phát triển bộ công cụ quản trị giúp quản trị viên và giảng viên theo dõi tiến độ của nhân viên và sinh viên:
- Giao bài: Chúng tôi hỗ trợ giảng viên và quản trị viên đặt bài tập khóa học hoặc XP với hạn chót. Quản trị nhóm sẽ tự động nhận xuất dữ liệu liên quan sau khi hạn chót qua.
- Báo cáo: Kể từ khi ra mắt DataCamp cho khách hàng doanh nghiệp và học thuật, chúng tôi đã tăng cường đáng kể năng lực báo cáo, cung cấp thông tin tự động về mức độ tương tác của nhóm, mức độ tiếp nhận, sử dụng nội dung, sử dụng bài đánh giá, v.v. ngay trong ứng dụng.
- Dữ liệu mức thấp: Quản trị có thể xuất dữ liệu mức thấp từ nhóm và lớp để tự xây dashboard nội bộ nếu muốn.
- Tích hợp LMS và SSO: Năm 2019, chúng tôi mở rộng tích hợp hệ thống quản lý học tập (LMS) sang các nhà cung cấp khác như SAP SuccessFactors và Degreed, và bổ sung đăng nhập một lần (SSO) để tăng cường bảo mật.
Cải tiến cho giảng viên
Khi DataCamp mới ra mắt, chúng tôi vội vàng tạo càng nhiều khóa càng tốt vì nếu không có khóa học, chúng tôi sẽ không có người học. Khi thư viện khóa học lớn dần và tập người dùng đa dạng hơn, chạy đua lấp khoảng trống chương trình học trở nên kém quan trọng hơn so với các cân nhắc như “khóa này nằm ở đâu so với các khóa khác?” và “ai sẽ quan tâm học khóa này?”
Điều đó có nghĩa là ở giai đoạn đầu phát triển khóa học, chúng tôi dành nhiều thời gian trao đổi với giảng viên về đối tượng mục tiêu. Ví dụ, cách giải thích khái niệm cho nhóm chuyên gia machine learning rất khác với cách giải thích cho quản lý của các nhà khoa học dữ liệu, những người có thể ít kỹ thuật hơn nhưng phải phản biện kết quả phân tích.
Chúng tôi cũng nhận thấy nhiều người học thích tham gia chuỗi khóa thông qua lộ trình nghề nghiệp và lộ trình kỹ năng. Vì vậy, trong quá trình phát triển, chúng tôi đặt nhiều câu hỏi về những gì người học cần biết trước khi bắt đầu, họ nên học những khóa nào trước đó, họ được kỳ vọng học được gì sau khi hoàn thành, và khóa học này có thể dẫn đến những khóa nào khác. Việc học không diễn ra đơn lẻ—đó là hành trình trở nên thông thạo dữ liệu.
Sau khi xác định phạm vi khóa học, chúng ta cần đảm bảo người học thực sự học được điều gì đó! DataCamp hợp tác với giảng viên để xác định bộ mục tiêu học tập cho khóa học theo thang Bloom—một khung mô tả mức độ thành thạo một nhiệm vụ. Những mục tiêu học tập này là đầu vào cho các bài đánh giá kỹ năng DataCamp Signal.
Dĩ nhiên, tất cả điều này có thể nhiều đối với giảng viên mới. Vì vậy, DataCamp cung cấp nhiều hỗ trợ trong quá trình tạo khóa học. Mỗi giảng viên thường nhận hơn 80 giờ hướng dẫn từ nhân viên DataCamp—đều là các nhà khoa học dữ liệu và nhà giáo chuyên nghiệp—về cách cấu trúc khóa học để có mạch truyện tốt, cách viết bài tập chất lượng, và thực hiện phản biện kỹ thuật cho nội dung. Ngoài ra, chúng tôi có một siêu-khóa về cách tạo khóa học DataCamp, và tài liệu hướng dẫn chi tiết về cách tìm bộ dữ liệu hay và thu âm chất lượng cao, cùng những nội dung khác.
Sau khi khóa học ra mắt, DataCamp mang lại lợi ích khác so với dạy trực tiếp: giảng viên nhận được phản hồi định lượng về hiệu quả khóa học. Mức độ khó của mỗi bài tập được đánh giá qua tỷ lệ người học yêu cầu gợi ý và lời giải, giúp giảng viên xác định nơi người học bị tắc. Câu trả lời sai cũng được ghi nhận, để giảng viên biết người học hay mắc lỗi gì và cập nhật bài tập cho rõ ràng. Tìm hiểu thêm về cách tiếp cận của DataCamp trong việc nâng cao chất lượng khóa học trong bài viết blog này.
Trong một số trường hợp, chúng tôi thấy bài tập trên DataCamp khó đơn giản vì mã nguồn cơ bản mà chúng tôi muốn dạy khó dùng. Thực tế, các khóa thống kê suy luận được nêu trong bài JSE dựa trên gói R tên infer, và một số nhân viên DataCamp đã giúp phát triển gói này để dễ dùng hơn. Tại DataCamp, chúng tôi rất tự hào về vòng phản hồi “giảng dạy truyền cảm hứng cho phát triển”. Xác định những đoạn mã phức tạp và hỗ trợ nhà phát triển khắc phục vấn đề giúp phần mềm dễ dùng hơn cho mọi người.
Kết luận
Chúng tôi vui mừng vì các giảng viên đã dành thời gian diễn đạt trải nghiệm xây dựng nội dung cho DataCamp. Đến nay đã có 276 người trải qua quy trình hướng dẫn, đóng góp cho sứ mệnh dân chủ hóa khoa học dữ liệu của chúng tôi.
Giáo dục trực tuyến đặc biệt phù hợp trong bối cảnh nhiều người ở nhà. Trong sứ mệnh dân chủ hóa năng lực dữ liệu cho cá nhân và doanh nghiệp, các đội ngũ sản phẩm, nội dung và kỹ thuật của chúng tôi không ngừng tìm cách cải thiện phương thức dạy kỹ năng dữ liệu. Hãy đón chờ các phát triển tiếp theo!
Chúc bạn học tốt.
Phụ lục: Làm rõ lập trường của DataCamp về các nhận định trong bài báo
Chúng tôi muốn làm rõ quan điểm về một số điểm được nêu trong bài báo JSE.
- Bài JSE đặt câu hỏi về độ dài tối đa của video DataCamp và đề xuất giảng viên nên có thể “dành 10–20 phút để trình bày chủ đề”. Giới hạn thời lượng video của chúng tôi dựa trên bài viết nghiên cứu của edX về độ dài video tối ưu cho mức độ gắn kết. Chúng tôi có một số nội dung video dạng dài qua bản ghi webinar, nhưng cho rằng video dài sẽ làm hỏng nhịp độ trong các khóa học.
- Tại DataCamp, chúng tôi ủng hộ đóng góp nguồn mở. Cả thành viên cũ và hiện tại của đội DataCamp đã đóng góp cho gói infer trong cả thời gian rảnh và giờ làm: Chester Ismay, Nick Solomon và Richie Cotton (nguồn).
- Mặc dù được nhắc đến trong bài báo, chúng tôi không có hợp đồng độc quyền với giảng viên. Quyền sở hữu trí tuệ thuộc về giảng viên.
- Chúng tôi nhận thức rằng là một tổ chức vì lợi nhuận, chúng tôi ra quyết định theo cách khác, nhưng luôn vì lợi ích tốt nhất của người học. Các động lực của chúng tôi hoàn toàn hướng tới việc tạo ra học liệu chất lượng cao, trực tiếp ảnh hưởng đến giá trị cho khách hàng. Đây là lý do chúng tôi theo dõi các chỉ số chi tiết như đã nêu trong bài báo.
- Tương tự như việc tiết lộ mối quan hệ thương mại với DataCamp, chúng tôi cho rằng cũng phù hợp để tiết lộ mối quan hệ thương mại của một trong các tác giả với RStudio khi tham chiếu LearnR, một gói do đội ngũ tại RStudio tạo ra.
- Về bài viết của BuzzFeed được nhắc đến trong bài báo: DataCamp đã ủy quyền một cuộc rà soát độc lập, của bên thứ ba về sự kiện tháng 10/2017, do Anurima Bhargava, cựu quan chức Bộ Tư pháp trong chính quyền Obama, và Pamela Coukos từ Working IDEAL dẫn dắt. Báo cáo kết quả đã được công bố và chia sẻ trực tuyến qua bài viết blog này. Các thành viên của Hội đồng Cố vấn Giảng viên (“IAB”) (bao gồm một trong các tác giả của bài báo) đã được mời tham gia rà soát, cũng như các bên liên quan khác, gồm các thành viên cộng đồng giảng viên của chúng tôi.
