Những điều chúng tôi học được từ việc dạy khoa học dữ liệu cho 1 triệu người

Học khoa học dữ liệu bằng thực hành

Mục tiêu của DataCamp là xây dựng nền tảng học tập tốt nhất cho khoa học dữ liệu. Triết lý của chúng tôi là bạn học khoa học dữ liệu bằng cách làm: các video chất lượng cao, môi trường lập trình ngay trên trình duyệt và cơ chế trò chơi hóa mang lại cho người học trải nghiệm hấp dẫn ngay trong trình duyệt của họ. Đồng thời, chúng tôi muốn tiếp cận sản phẩm theo hướng dữ liệu và chia sẻ những hiểu biết về việc học khoa học dữ liệu với cộng đồng. Bài viết này sẽ đưa bạn nhìn vào hậu trường của DataCamp và chia sẻ một số hiểu biết về quá trình học khoa học dữ liệu. 

Thiết kế và duy trì khóa học một cách định tính

Chủ đề khóa học

Đội ngũ DataCamp luôn tìm kiếm những chủ đề thú vị nhất để xây dựng khóa học, và thường không dễ để quyết định khi có quá nhiều tiến bộ mới và chủ đề hấp dẫn ngoài kia! Đó là lý do chúng tôi cố gắng khiến quy trình này dựa trên dữ liệu tối đa: bên cạnh việc theo dõi các xu hướng mới nhất trong chủ đề khoa học dữ liệu và ngôn ngữ lập trình đang được ngành công nghiệp ưa chuộng, DataCamp cũng liên hệ với mạng lưới giảng viên là các chuyên gia trong ngành và giới học thuật để lắng nghe ý kiến của họ về những gì nên có trong chương trình học tiếp theo và một khóa học như vậy sẽ trông như thế nào.

Nhưng cuối cùng, người học vẫn là trung tâm của DataCamp, vì vậy chúng tôi cũng chủ động mời người dùng tham gia vào quy trình chọn chủ đề khóa học: chúng tôi phỏng vấn và đề nghị họ điền khảo sát để khám phá nhu cầu của người học. Dữ liệu này sau đó được tổng hợp với ý kiến của chuyên gia để không chỉ xác định chủ đề khóa học mà còn xác định nội dung khóa học sẽ bao gồm những gì: theo cách này, tất cả tài liệu phù hợp với người học sẽ được đưa vào khóa học.

Ngoài ra, chúng tôi cũng thu thập các từ khóa mà người dùng nhập vào thanh tìm kiếm trên trang. Với sự trợ giúp của R, các từ này được phân tích, xếp hạng và trực quan hóa nội bộ để đội phát triển khóa học của DataCamp có thể dùng làm điểm khởi đầu để xây dựng chương trình giảng dạy cho những tháng tới.

Xem toàn bộ thư viện khóa học của DataCamp tại đây.

Khó khăn của người học & Cải tiến khóa học liên tục

Kiểm thử beta

Trước khi một khóa học được phát hành, DataCamp trước tiên gửi khóa học đến một nhóm người dùng nhỏ và yêu cầu họ ghi chú, phản hồi dưới dạng một khảo sát với nhiều câu hỏi mở. Điều này cho phép chúng tôi tinh chỉnh lần cuối trước khi thông báo cho toàn bộ người dùng rằng một khóa học mới đã ra mắt.

Gợi ý & Lời giải

Xác định chủ đề khóa học và mời một nhóm nhỏ kiểm thử beta các khóa sắp ra mắt là một chuyện, nhưng khi khóa học đã trực tuyến, DataCamp cũng chú ý đến những nơi người học có thể gặp khó khăn trong khóa học.

Chẳng hạn, bạn có biết rằng mỗi khi bạn yêu cầu gợi ý hoặc lời giải, DataCamp sẽ thu thập dữ liệu này để xác định số lần người dùng yêu cầu gợi ý hoặc lời giải cho các bài tập không? Dữ liệu và những hiểu biết thu được từ đó được sử dụng để cải thiện các khóa học của chúng tôi!

Chúng tôi xem xét các con số để xác định nơi khóa học có thể được cải thiện: bất cứ khi nào có quá nhiều yêu cầu gợi ý hoặc lời giải, chúng tôi có thể dễ dàng xác định vấn đề và đảm bảo các bài tập được cải thiện. Cách cải thiện các bài tập dựa trên phản hồi từ người dùng: ví dụ, một bài tập gây khó khăn cho nhiều người dùng là trong khóa Kaggle, nơi người học được kỳ vọng xây dựng cây quyết định bằng R. Ban đầu, hướng dẫn của bài tập chỉ có một ví dụ rất chung chung về cách xây dựng cây quyết định, dẫn đến tỷ lệ yêu cầu gợi ý và lời giải cao. Cùng với phản hồi của người dùng, đội ngũ DataCamp đã mở rộng danh sách hướng dẫn và bổ sung ba gạch đầu dòng phụ để giải thích cách xác định từng tham số. Nhờ vậy, nhiệm vụ đặt ra cho người học rõ ràng và thực tiễn hơn, giúp giảm tỷ lệ yêu cầu gợi ý xuống còn 15%, hợp lý hơn nhiều so với mức độ khó. Những trải nghiệm và cải tiến như thế này, dĩ nhiên, giúp chúng tôi xây dựng các khóa học tương lai trong chương trình khoa học dữ liệu của DataCamp.

Ở khía cạnh khác, chúng tôi thấy một số khóa học như “Introduction to R” rõ ràng gây ít vấn đề cho người dùng hơn so với các khóa thống kê như “Intro to Statistics with R: Multiple Regression”, vì người dùng yêu cầu gợi ý và lời giải ít hơn. Một phần là do nội dung nhập môn rất đầy đủ, trong khi các khóa nâng cao hơn cho bạn nhiều tự do hơn để tự khám phá tài liệu: học bằng thực hành trở nên rõ ràng hơn khi bạn đi qua các khóa của DataCamp! Quy trình cải thiện khóa học chắc chắn cần giữ cân bằng giữa học qua làm và cung cấp hỗ trợ cần thiết cho người học.

Phản hồi cá nhân hóa

Bên cạnh gợi ý và lời giải, bạn đã đọc lướt qua về tính năng phản hồi cá nhân hóa mà DataCamp cung cấp cùng với các thử thách lập trình trong từng khóa học. Phản hồi được xây dựng theo cách bạn có thể hỏi gợi ý trước và, như biện pháp cuối cùng, xem lời giải. Tùy chọn sau bị hạn chế khuyến khích, vì có ảnh hưởng đến XP mà người dùng nhận được khi chọn lời giải. Điều này buộc học viên phải tự bắt tay vào làm và phát triển trực giác về những gì cần viết mã để hoàn thành nhiệm vụ mà thử thách lập trình đặt ra. Lợi ích bổ sung là các thông điệp phản hồi được xây dựng sao cho người dùng có thể ngay lập tức hình dung điều gì sai trong mã, thay vì phải nhìn vào thông báo lỗi vốn có thể khó hiểu lúc đầu. Đây cũng là cách chúng tôi khuyến khích học viên phát triển hiểu biết về mã, đặc biệt là về những gì họ đang làm sai. Cuối cùng, điều này củng cố quá trình học khoa học dữ liệu.

Triển khai phản hồi cá nhân hóa không hề dễ: khi DataCamp mới bắt đầu, hệ thống phản hồi còn sơ khai, khiến phản hồi quá chung chung. Qua nhiều năm, chúng tôi nhận thấy người dùng đến với DataCamp với lý lịch và mục tiêu khác nhau, đòi hỏi cách tiếp cận cá nhân hóa. Kết quả là hệ thống phản hồi đã được cải thiện vượt bậc và tiếp tục hoàn thiện nhờ vào góp ý từ người dùng: tất cả vấn đề mà người dùng gặp phải khi học đều được ghi nhận và sử dụng để cải tiến liên tục các khóa học và hệ thống phản hồi.

Thời gian dành cho bài tập

Bên cạnh việc theo dõi số lượng gợi ý và lời giải được yêu cầu cho mỗi khóa, DataCamp cũng theo dõi cách người học đi qua các bài tập ở mức độ chi tiết hơn: thời lượng mà học viên dành cho một bài tập cụ thể được ghi nhận và phân tích để phát hiện các vấn đề trong trải nghiệm học tập trên nền tảng. Vì DataCamp muốn đảm bảo người học tiến bộ qua nội dung với nhịp độ lành mạnh, thông tin này cũng được xem xét để liên tục nâng cao chất lượng các khóa học của DataCamp.

Đánh giá khóa học

Ngoài việc theo dõi độ khó của bài tập và thời gian người dùng dành cho chúng để cải thiện quy trình tạo khóa học, DataCamp cũng theo dõi những khóa học mà người dùng yêu thích để có thể xây dựng các khóa mới tiếp tục thu hút họ. Những chủ đề thường kém phổ biến hơn với người dùng của chúng tôi là thống kê, thao tác dữ liệu và trực quan hóa dữ liệu, trong khi các khóa lập trình nhập môn, học máy và dự án/nghiên cứu tình huống lại có kết quả tốt với người dùng DataCamp.

Những đánh giá này, cùng với số lượng gợi ý hoặc lời giải mà người dùng yêu cầu, cho chúng tôi hình dung rất rõ về những khóa học có thể cần được chăm chút thêm.

Cấu trúc

Dù là một chuyên gia hay người mới bắt đầu sự nghiệp, thời gian đều hạn chế và quý giá. Vì vậy, các khóa học của chúng tôi liệt kê rõ các điều kiện tiên quyết mà người học lý tưởng nên đáp ứng khi cân nhắc tham gia một khóa cụ thể. Lấy ví dụ khóa Python Data Science Toolbox của DataCamp:

Các điều kiện tiên quyết được liệt kê rõ ràng để người dùng biết kiến thức và kỹ năng nào được kỳ vọng trước khi bắt đầu khóa học.

Thêm vào đó, DataCamp đã chia nhỏ các khóa học thành các chương nhỏ và các phần còn nhỏ hơn nữa, trong đó video và thử thách lập trình tương tác kèm phản hồi đan xen nhau. Cấu trúc như vậy đã chứng minh hiệu quả với người học khoa học dữ liệu - không chỉ vì chương trình có sự đa dạng, mà còn vì người học có thể tiến bộ nhanh và với nhịp độ lành mạnh, đây là một trong những cách tốt nhất để giữ động lực và sự gắn kết: họ ít bỏ cuộc hơn và có xu hướng tiếp tục học.

Giao diện

Giao diện là một trong những thành phần quan trọng nhất khi dạy khoa học dữ liệu cho người học: ngay từ đầu, DataCamp đã xây dựng một giao diện đảm bảo học viên có thể viết mã ngay trong trình duyệt của mình, không cần cài đặt RStudio hoặc Python cục bộ. Điều này, cùng với video và phản hồi cá nhân hóa, giúp rào cản cho người mới bắt đầu thấp hơn nhiều và trải nghiệm học tập thành công hơn.

Tuy nhiên, qua nhiều năm, giao diện đã có những thay đổi để trở nên tương tác hơn nhiều so với ban đầu: trong giao diện hiện tại, người học có thể điều hướng qua khóa học dễ dàng hơn, liên hệ hỗ trợ khi gặp vấn đề kỹ thuật với khóa học và biết rõ họ có thể nhận được bao nhiêu XP khi hoàn thành một bài tập nhất định.

Lộ trình

Tất cả người học và người dạy khoa học dữ liệu đều biết rằng việc tìm một (chuỗi) khóa học khoa học dữ liệu phù hợp với nhu cầu về chất lượng, mức độ hấp dẫn, phong cách học, … có thể là một thách thức. Trong tất cả những điều này, bạn rất dễ đánh mất mục tiêu và mục đích học ban đầu. Cụ thể hơn, phần lớn người học là các chuyên gia đang tìm cách chuyển sang lĩnh vực khoa học dữ liệu và do đó có mục tiêu nghề nghiệp cụ thể. Hoặc họ đã làm việc trong ngành nhưng muốn thành thạo hơn ở một chủ đề hay kỹ năng nhất định.

Đó là lý do DataCamp gần đây đã tạo ra các lộ trình, cung cấp một cách tiếp cận có cấu trúc cho các khóa học DataCamp mà bạn có thể đã biết: theo cách này, bạn sẽ tập trung có hệ thống vào việc củng cố kỹ năng khoa học dữ liệu của mình hoặc tiến tới mục tiêu nghề nghiệp mà bạn hằng mơ ước.

Gắn với những gì bạn đã đọc trước đó về quy trình tạo khóa học và chính người dùng DataCamp, bạn sẽ thấy các lộ trình này cũng giúp người học khoa học dữ liệu giải quyết các chủ đề họ thấy khó một cách có mục tiêu hơn, để họ nhanh chóng cải thiện và vượt qua đường cong học tập.

Hãy xem tất cả lộ trình của DataCamp tại đây.

Luyện tập hằng ngày

Vượt qua đường cong học tập bằng cách xây dựng các khóa học chất lượng và thiết kế lộ trình giúp người dùng duy trì tập trung là một chuyện, nhưng học khoa học dữ liệu vẫn là một thách thức. Ở DataCamp, chúng tôi muốn đảm bảo người dùng có thể học mỗi ngày và, thẳng thắn mà nói, bạn cần bận rộn với khoa học dữ liệu hằng ngày (dù chỉ một chút!). Vấn đề mà người học thường gặp là khó theo kịp tất cả kiến thức đang tích lũy. Vì vậy, DataCamp cung cấp tính năng luyện tập hằng ngày để giúp bạn theo dõi những gì mình đã nắm vững và những kỹ năng có thể cần ôn lại.  

Hệ thống khá đơn giản: khi vào chế độ luyện tập, bạn sẽ nhận được các thử thách giúp bạn ôn lại tài liệu đã học trong các khóa đã hoàn thành. Những thử thách này thực chất là năm bài tập dưới nhiều hình thức (trắc nghiệm, điền vào chỗ trống, …) giúp bạn ghi nhớ nội dung khóa học để giữ kiến thức tốt hơn. Khi bạn trả lời đúng cả năm thử thách, bạn nhận 250 exp. Dĩ nhiên, mỗi ngày bạn sẽ nhận một loạt bài tập khác nhau. Bạn có thể tìm chế độ luyện tập hằng ngày ngay trên bảng điều khiển của mình!

Kết luận

DataCamp đang tái định hình việc học và đánh giá khoa học dữ liệu, và đây chỉ là một trong nhiều cách chúng tôi kết hợp nghiên cứu về giáo dục khoa học dữ liệu với công nghệ mới nhất và chính khoa học dữ liệu để thúc đẩy trình độ tiên tiến nhất.

Nếu bạn quan tâm đến giáo dục khoa học dữ liệu, hãy cùng chúng tôi xây dựng nơi tốt nhất để học khoa học dữ liệu! Xem các vị trí tuyển dụng của chúng tôi.