Tutkin lukuvuoden 2014-2015 tietojenkäsittelyn opiskelijoiden ensimmäisen vuoden ryhmän TRTKNU14A3 login-tietoja Moodlesta. Tiedot oli opiskelijakohtaisesti järjestetty siten, että jokaisen opiskelijan viikon aikana tekemät Moodle-aktiviteetit oli summattu yhteen. Tiedot toimitti HAMKin tietohallinto. Lisäsin näihin tietoihin ns. nollarivit eli jos opiskelija ei ollut viikon aikana lainkaan käynyt Moodlessa, hänestä ei jäänyt mitään jälkeä. Käsittelin näistä tiedoista ainoastaan Moodleen sisäänkirjautumista.

Aluksi käytin Power BI –työkaluohjelmistoa. Sillä tarkastelin opo Maija Kerkolan kanssa ryhmän NU14 käyttäytymistä.

Silmämääräisesti huomasimme, että joillakin opiskelijoilla toisen periodin aikainen käyttäytyminen poikkesi valtavirrasta huonompana aktiivisuutena. Näillä opiskelijoilla opinnot käytännössä keskeytyivät. Osa heistä on vielä kirjoilla, mutta käytännössä he eivät opiskele lainkaan.

Kirjoitin sen jälkeen 80-rivisen ohjelman perl-ohjelmointikielellä. Siinä tutkin erilaisia algoritmeja. Algoritmi, joka olisi paljastanut keskeyttäneistä kaikki muut paitsi yhden yliopistoon siirtyneen:

If (logins[viikko46] < 4 or logins[viikko47] < 4 or logins[viikko48] < 4 or logins[viikko7] = 0 or logins[viikko11] = 0)

{

Keskeytys();

}

Tätä algoritmia voi ajaa viikosta 47 alkaen viikottain, kun viikon 46 data on jo tallessa.

Algoritmi on niin tarkka, että se tuotti vain yhden hudin opiskelijasta, joka oli viikon marraskuussa matkoilla. Hänen opintonsa jatkuvat edelleen mallikkaasti.

Algoritmia voisi vielä tarkentaa siten, että se huomaisi viikoilla 46-48 laskevan login-aktivisuuden, mutta tämäkin näyttää varsin hyvin toimivan.

Tämä on siis yhden vuoden lukujen perusteella. Voi olla, että vuodet ovat erilaiset keskenään, opetus voi olla erilaista eri aikoihin sijoitettua jne.

Samaa algoritmia tuskin voi soveltaa ihan suoraan muihin koulutusohjelmiin, mutta yleisesti ottaen tätä menetelmää kannattaa kyllä kokeilla.

Seuraavaksi on tarkoitus tutkia tätä vuoden 2015-2016 datalla.

Teksti: Lasse Seppänen