讲师们在 2016 至 2018 年间创建了八门课程。首先是一组关于描述性统计的四门课程：Introduction to Data in R、Exploratory Data Analysis in R、Correlation and Regression in R，以及 Multiple and Logistic Regression in R，这些课程包含在 Statistics Fundamentals with R 技能路径中。随后是四门关于推断统计的课程：Foundations of Inference、Inference for Categorical Data、Inference for Numerical Data 和 Inference for Linear Regression，组成了 Statistical Inference with R 技能路径。
our institutions [...] have an average annual cost of attendance of $71,156.25
这几乎是每年一辆豪华车的价格，更凸显了 DataCamp 的高性价比——甚至只相当于纽约地铁月票花费的四分之一。虽然我们确实是营利性机构，但我们想强调我们的免费 DataCamp for the Classroom 项目，为教师和学生提供对我们完整课程库的无限访问权限。自项目启动以来，已有超过 200,000 名学生参与。这与私立高校和大学的高学费形成鲜明对比，我们对此深感自豪。
对学习者而言，他们指出视频相较于现场教学的一个重要优势在于能更好地控制学习节奏。
First, having videos instead of an in-person instructor means that the student can stop the video, slow it down, and/or go back and repeat the video. That is, each student can take the ideas in at their own pace. Additionally, unlike in a standard classroom, a student can pause the video to look up a definition or contextualize an example.
我们的编程练习通过自动化测试提供的即时反馈也获得了积极评价。
Students receive instant feedback on the DataCamp coding exercises. This relieves some of their frustration and also frees the instructor from having to answer some of the frantic emails from students.
Each additional student in your class requires extra time and effort from you to grade their assignments, meet with them during office hours, make room for them in the classroom, etc. Conversely, DataCamp will deliver content to an unlimited number of students asynchronously.
Some teaching strategies were not possible using the DataCamp platform, but we could see the platform expanding to incorporate such methods as it develops more sophisticated presentation capabilities. In particular, it was not possible to use the DataCamp platform to walk through using an applet to explain a particular concept.
可探索练习
2019 年，DataCamp 设计了我们称为“可探索练习”的新练习类型。这类练习允许在题目中嵌入仪表板、交互式可视化，甚至基于 Web 的软件。创建这些练习的一个方式是使用 Shiny——这是一种比论文中提到的 Java 小程序更现代的工具。（对制作此类内容感兴趣的学习者可参考我们的Shiny 系列课程。）
可探索练习已在 DataCamp 的“For Everyone”课程系列中得到充分运用，这些课程专为需要理解数据但没有数据科学或分析背景的人士设计。尤其是 Data Visualization For Everyone 课程，充分利用仪表板帮助学习者探索图形变更如何影响他们对图表的解读。
图 7：一项 IDE 练习，在 Visual Studio Code 开发环境中测试用于部署代码的 “devops” 技能。
VM 练习
最近我们还创建了 VM 练习，可运行预装特定软件的 Windows 虚拟机。此类练习主要用于我们的 Tableau 内容。
图 8：一项 VM 练习，教授学习者如何在 Tableau 商业智能工具中处理数据。
论文中的一些建议对于像 DataCamp 这样的在线平台来说实施起来颇具挑战，例如：
In the brick-and-mortar classroom, we divide students into teams and each team receives a bag with 20 pieces of paper, each with the rent of a sampled apartment printed on it. Then, each team is asked to take a bootstrap sample of 20 apartments from their bag, calculate the median, and record it on the board by placing a dot on the dotplot. The process provides students with personal experience sampling with replacement in order to build a bootstrap distribution of sample medians.
本文由 Richie Cotton 撰写，Ramnath Vaidyanathan、Dieter De Mesmaeker 和 Martijn Theuwissen 提供了补充。
线上教育如今令人振奋，因为创新从未停歇。这个领域的每家公司（包括 DataCamp）仍在探索帮助人们学习的最佳方式。DataCamp 的产品与工程团队不断开发更有效教授数据科学的新工具，我们的内容团队也会将这些工具融入现有和未来的内容中。
四位 DataCamp 讲师——Ben Baumer、Andrew Bray、Mine Çetinkaya-Rundel 和 Jo Hardin——近日在《统计教育期刊》（Journal of Statistical Education）发表了一篇论文，分享了他们在 DataCamp 上创建课程的经历，并谈及线下与线上学习的差异。这些讲师都是 DataCamp 的早期支持者，我们感谢他们清晰表达了自己的体验。
在本文中，我们将回顾他们的反馈，探讨 DataCamp 的教学法，展示自论文作者创建其 DataCamp 课程以来我们所做的改进，并就文中某些观点阐明我们的立场。
课程概览
讲师们在 2016 至 2018 年间创建了八门课程。首先是一组关于描述性统计的四门课程：Introduction to Data in R、Exploratory Data Analysis in R、Correlation and Regression in R，以及 Multiple and Logistic Regression in R，这些课程包含在 Statistics Fundamentals with R 技能路径中。随后是四门关于推断统计的课程：Foundations of Inference、Inference for Categorical Data、Inference for Numerical Data 和 Inference for Linear Regression，组成了 Statistical Inference with R 技能路径。
这些课程累计覆盖逾 94,000 名学员。评分最高的课程为 4.55（满分 5 分），最低为 4.33。作为我们高访问量课程之一，这些课程迄今已为四位讲师累计带来 475,000 美元的版税收入。
DataCamp 的优势
论文强调了 DataCamp 的诸多长处。首先，四位学者指出大学的费用很高。
这几乎是每年一辆豪华车的价格，更凸显了 DataCamp 的高性价比——甚至只相当于纽约地铁月票花费的四分之一。虽然我们确实是营利性机构，但我们想强调我们的免费 DataCamp for the Classroom 项目，为教师和学生提供对我们完整课程库的无限访问权限。自项目启动以来，已有超过 200,000 名学生参与。这与私立高校和大学的高学费形成鲜明对比，我们对此深感自豪。
对学习者而言，他们指出视频相较于现场教学的一个重要优势在于能更好地控制学习节奏。
我们的编程练习通过自动化测试提供的即时反馈也获得了积极评价。
对于授课教师、学习与发展经理和其他教师而言，DataCamp 的可扩展性被视为一项重要特性。我们的平台使教育者从批改作业的压力与重复劳动中解放出来。
有哪些新变化？
自 2016 年以来，DataCamp 在诸多方面进行了投入与改进。
评估—学习—练习—应用循环
2016 年，DataCamp 只有一个产品：课程，旨在帮助学习者掌握新技能。随着时间推移，DataCamp 的教学愿景逐渐凝练为一个循环：评估当前能力，学习新技能，练习这些技能，在新情境中应用技能，然后回到评估环节，检验自己的提升。下图展示了这一评估—学习—练习—应用循环。
图 1：构成 DataCamp 教学理念基础的评估—学习—练习—应用循环。
为帮助学习者完成这一循环，我们新增了三类产品。
Practice
2017 年，我们上线了 DataCamp Practice，提供与课程内容高度匹配的短小编程挑战，以巩固学习。下例展示了一道多选题，用于检验在 Introduction to the Tidyverse 课程中学到的技能。
图 2：来自 DataCamp Practice 的一道练习，测试数据可视化技能。
Projects
同年还推出了 DataCamp Projects，让学生在最受欢迎的数据科学环境之一 Jupyter Notebooks 中，将所学技能应用于全新的真实问题。
图 3：一项项目，帮助学习者在 SQL 中应用所学技能。
Assessments
循环中的最后一步于 2019 年实现，我们推出了 DataCamp Signal，我们的技能评估产品，帮助学习者衡量自己的学习收获。技能评估在理念上类似考试条件下的练习模式：学习者会被测试与相应课程相关的内容，但每道题都有时间限制，并根据答对题目的数量及难度获得分数。您可以在此处了解更多关于 Signal 采用自适应测试与心理测量的方法。
图 4：一题 Signal 技能评估题目，在时间压力下测试 Python 机器学习能力。
课程层面的改进
除了推出三类新产品，DataCamp 还通过新增多种练习类型来改进课程。JSE 论文精准指出的一个方面是，DataCamp 需要支持图形化的“点按式”练习。
可探索练习
2019 年，DataCamp 设计了我们称为“可探索练习”的新练习类型。这类练习允许在题目中嵌入仪表板、交互式可视化，甚至基于 Web 的软件。创建这些练习的一个方式是使用 Shiny——这是一种比论文中提到的 Java 小程序更现代的工具。（对制作此类内容感兴趣的学习者可参考我们的Shiny 系列课程。）
可探索练习已在 DataCamp 的“For Everyone”课程系列中得到充分运用，这些课程专为需要理解数据但没有数据科学或分析背景的人士设计。尤其是 Data Visualization For Everyone 课程，充分利用仪表板帮助学习者探索图形变更如何影响他们对图表的解读。
在下例中，学习者可以探索更改图表配色如何影响他们对调查结果的理解。
图 5：一项可探索练习，配有仪表板，供学习者探索堆叠条形图中色彩选择的影响。
DataCamp 在早期曾因这样一个问题受到批评：尽管我们的编程练习非常擅长教授如何编写代码片段，但学习者容易陷入细节，不知如何将其组合起来。虽然 DataCamp 一直重视教授工作流并鼓励讲师在视频中阐述，但我们需要一个更有力的工具。去年，我们实现了另一种新练习类型来解决这一点。拖放练习允许学习者通过在屏幕上移动项目来解题。此类练习有多个变体，其中最有助于教授工作流的是“排序练习”。
下例摘自 Introduction to Writing Functions in R，学习者需对将脚本转换为可复用函数的工作流步骤进行重新排序。通过暂时不要求学习者写代码，他们可以更专注于概念本身。
图 6：一项拖放练习，通过排列步骤教授工作流。
除了可探索练习和拖放练习，我们还新增了多种练习类型与内容形式。其中较为重要的有：
IDE 练习
IDE 练习使用了最受欢迎的代码编辑器之一 Visual Studio Code。该类型主要用于我们更高级的数据工程内容。
图 7：一项 IDE 练习，在 Visual Studio Code 开发环境中测试用于部署代码的 “devops” 技能。
VM 练习
最近我们还创建了 VM 练习，可运行预装特定软件的 Windows 虚拟机。此类练习主要用于我们的 Tableau 内容。
图 8：一项 VM 练习，教授学习者如何在 Tableau 商业智能工具中处理数据。
论文中的一些建议对于像 DataCamp 这样的在线平台来说实施起来颇具挑战，例如：
虽然讲师无法在我们的平台上与学习者进行此类互动，但我们完全认同有趣的游戏是现场教学的重要组成部分。因此，在我们最近一次黑客松中，一支工程团队探索了 DataCamp VR 的可能性。尽管这或许还需要数年时间，但我们认为创新是公司的关键驱动力（而且这个过程也很有趣！）。
更严肃地说，将在线教育与线下授课视为竞争关系是一种误解。在 DataCamp，我们认为两者是互补的。这也是为什么 DataCamp 推出了系列在线直播编程研讨会，让学习者能与讲师更紧密互动。您可在此处查看即将到来的网络研讨会与直播培训。
持续改进
不同于教材等其他教育媒介，教材出版后通常被视为定稿，而在 DataCamp，学习材料的开发并不会在课程上线后就停止。我们积极鼓励讲师改进课程，通过重写不清晰的指引、澄清模糊的概念，并在飞速发展的数据科学领域中保持内容的时效性，从而为学习者提供更佳体验。
有趣的是，论文作者创建的推断统计课程系列，成为促成 DataCamp 一些技术与流程改进的重要动因。虽然这些课程相当受欢迎，但课程评分与完成率等量化数据让我们意识到仍有很大提升空间。主要问题在于，推断统计在概念上较难，同时还需要较为进阶的编程技能来呈现这些概念。
为解决这一问题，DataCamp 的内容质量团队与讲师合作，对这四门课程进行了彻底重写。内容质量分析师帮助调整节奏，更循序渐进地引入新代码，重写指引，并简化代码，使学习者得以更专注于概念层面。结果是，这四门课程如今已非常出色——适合进阶学习者。
秉持持续改进的精神，DataCamp 内容团队即将迎来的一个挑战是：探索如何向零基础学习者教授推断统计。敬请期待！
面向学习与发展经理的改进
JSE 论文对在 DataCamp 上教学的优缺点做了出色梳理，但其中有一处小小的不准确之处：
对大多数学习者而言，这句话是正确的。如果您购买了 DataCamp 的个人订阅，您可以按自己的节奏学习，并以适合自身生活方式的方式消费内容。然而，针对我们的企业和学术客户，DataCamp 已开发了一套管理工具，帮助管理员与讲师跟踪员工和学生的学习进度：
面向讲师的改进
DataCamp 刚推出时，我们匆忙创建尽可能多的课程，因为没有课程就没有学习者。随着课程库的扩充与用户群的多样化，填补课程空白的紧迫性不再像以往那么高，取而代之的是其他考量，例如“这门课程相对于我们的其他课程处于什么位置？”以及“谁会对这门课程感兴趣？”
这意味着在课程开发之初，我们会与讲师花较多时间讨论目标受众。例如，向机器学习专家受众解释概念的方法，与向数据科学团队的管理者解释概念的方法截然不同，后者或许技术深度较浅，但需要对分析结果提出关键反馈。
我们也发现，许多学习者更倾向于通过我们的职业路径和技能路径来按序学习课程。这意味着在开发过程中，我们会反复追问：学习者在开始本课程前应掌握哪些知识？他们应先修哪些课程？完成本课程后预计能学到什么？以及本课程之后建议接哪些课程。学习不是孤立的——这是一段提升数据素养的旅程。
在确定课程范围后，我们还需确保学习者确实学有所成！DataCamp 与讲师合作，基于 Bloom 分类法（用于描述某项任务熟练度的框架）确定课程的学习目标。这些学习目标也将反馈到 DataCamp Signal 技能评估中。
当然，这些内容对新讲师来说信息量不小。因此，DataCamp 在课程创建过程中提供了大量支持。每位讲师通常会获得来自 DataCamp 员工超过 80 小时的指导——这些员工均为专业数据科学家与教育工作者——包括如何构建课程叙事、如何编写优质练习，以及对内容进行技术同业评审。此外，我们还提供一门关于如何在 DataCamp 上创建课程的元课程，以及详尽文档，指导如何寻找有趣的数据集、如何录制高质量音频等。
课程上线后，DataCamp 相较线下授课的另一项优势在于：讲师能获得关于课程表现的量化反馈。每道练习的难度会根据请求提示与答案的学习者比例进行评估，帮助讲师识别学习者卡住的地方。错误答案也会被记录，便于讲师了解学习者常犯的错误类型，并据此更新练习以提高清晰度。关于 DataCamp 改进课程质量的方法，详见这篇博文。
在某些情况下，我们发现 DataCamp 的练习之所以困难，是因为我们想教授的底层代码本身就不易使用。事实上，JSE 论文中提到的推断统计课程是基于名为 infer 的 R 包，而多位 DataCamp 员工曾参与该包的开发，以提升其易用性。在 DataCamp，我们为这种“教学反哺开发”的闭环深感自豪。识别复杂代码并帮助开发者修复问题，使得软件对所有人来说都更易用。
结语
我们很高兴讲师们抽出时间，分享他们在 DataCamp 创建内容的经历。至今已有 276 人完成了讲师入职流程，为我们“让数据科学惠及大众”的使命做出贡献。
当下，许多人居家学习，线上教育尤为重要。为实现提升个人与企业数据素养的使命，我们的产品、内容与工程团队始终在探索改进数据技能教学的方法。敬请关注后续进展！
祝学习愉快。
附录：就论文中的部分观点澄清 DataCamp 的立场
我们希望就 JSE 论文中的部分论点阐明我们的看法。