ITK-workshop: Digiajan oppimispolkuja ohjaamassa

Poluttamo on mukana Hämeenlinnassa 11.-13.4.2018 järjestettävässä ITK2018 – Interaktiivinen Tekniikka Koulutuksessa -konferenssissa.

Interaktiivinen Tekniikka Koulutuksessa -konferenssi – 11.-13.4.2018, Hämeenlinna

Digiajan oppimispolkuja ohjaamassa -workshop

Aika: 11.4.2018 klo 10-17

Koe ja oivalla uusia tapoja hyödyntää teknologiaa osaamisen kasvattamisessa ja näkyväksi tekemisessä. Tule mukaan osallistumaan ja keskustelemaan pedagogiikan ja ohjauksen tulevaisuudesta. Fasilitaattorit ovat itse olleet kehittämässä ja pilotoimassa menetelmiä aidoissa tilanteissa omien opiskelijoidensa kanssa. Lisäksi pääset kokeilemaan Vive-VR-maaliruiskusimulaattoria. Päivästä saat osaamismerkin.

Työpaja on tarkoitettu opetushenkilöstölle, opoille, suunnittelijoille sekä oppilaitosjohdolle.

Kukin osallistuja voi valita kolme työpajaa kuudesta. Työpajoja on käynnissä aina kaksi rinnakkain.

  1. Multimodaalisuudesta oppimisessa ja portfolioissa
  2. Merkityksellistä osaamista osaamismerkeillä
  3. Vertaisvalmennuksella suuntia tulevaisuuteen
  4. Tee tutkinnon osaa monimuotoisesti ViLLEssä ja tutustu analytiikkaan
  5. Kylmää kyytiä -escape room – tiedonhallintataidot kuntoon
  6. Opintojen visualisoinnilla ryhtiä opiskeluun

Lisätiedot ja ilmoittautuminen ITK-konferenssin sivuilla >>>

Tervetuloa mukaan!


Poluttamo mukana SeOppi 2/2017 -lehdessä

Poluttamo-hankkeen etenemisestä SeOppi-lehdessä:

Learning analytics helping study advisors

Article first published on SeOppi 2/2017.

Text: Maija Kerkola, HAMK University of Applied Sciences

I remember how I, a study advisor, walked the hallways of my university of applied sciences when the semester break approached and looked for certain students, my lost sheep. The tools with which I could have found the possible drop-outs were not many. In practice, I was relying on my eyesight, looking for and hoping to encounter students whom I did not think I had seen at school recently. I mingled and asked teachers and students if they had seen this or that other student. Universities of applied sciences do not enforce compulsory attendance, and it was only that I was worried about certain students and did not think everything was in order, fearing that they might be at risk of dropping out. There is a holistic model underlying this sort of a caring counselling culture. It means that we are genuinely interested in every single student. I find it particularly important that we detect potential drop-outs as early as possible.

Study advisors’ work at universities of applied sciences

Study advisors monitor the progress of students’ studies. In earlier times, students, teachers and advisors met face to face in classrooms and hallways, but now that teaching takes place online, advisory work takes place online as well, and learning analytics is the advisors’ new tool.

The learning analytics system collects data and is able to provide the study advisors with weekly reports concerning students who did not log in or logged in only worryingly few times to the Moodle learning platform. We know that goal-oriented studies require several logins per week. Therefore, alarm bells ring weekly, and the study advisors are notified of the possibility that certain students may be in danger of dropping out. In this way, the study advisors have the chance to act pre-emptively.

Research has shown that study advisors’ guidance work produces long-range outcomes (Helander and Kemppi 2006, 24–25). The importance of guidance is also championed in the writings of Raimo Vuorinen and Maarit Virolainen of the Finnish Institute for Educational Research at the University of Jyväskylä. They refer to recent research and note that guidance reduces drop-out rates and accelerates students’ studies. In addition, in their view, guidance is one of the indicators of the efficiency of a school system. Guidance increases students’ commitment to their studies and helps them clarify their personal study paths. (Vuorinen and Virolainen 2017, 7.)

Now that guidance has gone online, study advisors’ tools include e.g. email, Skype, WebEx, chat, WhatsApp and Snapchat. They are what the advisor will use to reach a certain student. A study advisor’s work involves a great deal of counselling and passing on sufficient and correct information. They introduce various options and assess the impacts of these options on the current points of interest. The idea is for such guidance to help students in decision making; however, study advisors are not providers of services intended to solve problems on behalf of the students themselves (Onnismaa 2007, 23-25).


Helander, J. & Kemppi, J. 2006. Jos meijät on istutettu tänne jotaki tarkotusta varte: puheenvuoroja hämeenlinnalaisten nuorten osallisuudesta ja hyvästä [If we’ve been made to sit in here for some purpose: contributions to a discussion concerning the possibilities for participation and good life for Hämeenlinna youth]. HAMK University of Applied Sciences.

Onnismaa, J. 2007. Ohjaus- ja neuvontatyö: aikaa, huomiota ja kunnioitusta [Counselling and guidance work: time, attention and respect]. Gaudeamus.

Vuorinen, R. & Virolainen, M. 2017. Editorial. Opinto- ja HOPS-ohjauksesta urasuunnittelutaitojen vahvistamiseen ja ohjauspalveluiden laadun arviointiin [From advising about studies and study planning to improving career planning skills and assessing the quality of counselling services]. Journal of Professional and Vocational Education. 19 (2), 7.

Challenges for learning analytics

Article first published on SeOppi 2/2017.

Text: Lasse Seppänen, Häme University of Applied Sciences (HAMK)

Learning analytics is becoming very popular in student administration. Study performance and students in danger of dropping out can be monitored. If a student’s activity level decreases at some point during the school year, the monitoring of only grades and courses passed would reveal this, in the worst case, as late as the following year.

Our study monitored weekly logins to the learning platform. In the fall of 2016, the Adaptable Learning Paths project at HAMK University of Applied Sciences constructed a system that monitors students’ weekly logins and sends the study advisor weekly messages about students with reduced login rates. The target group was initially the students of computer sciences, but other students were included later.

In computer studies, if a student is to drop out, it most often takes place during the first year, or, alternatively, the student is not able to complete his or her final thesis at the end of the studies. The early detection of the potential drop-outs among first-year students is very important. The thesis process was modified in 2017 to structure it so that it would not be easy to leave it incomplete.

In computer sciences, the learning platform Moodle is in active use. Moodle is in frequent use in all studies during the first two years, and in practice, students must log in daily or almost daily. The algorithms we developed are based on this fact.

The standard working day at HAMK consists of two parts separated by the lunch break. It is natural to think that students would log in to Moodle at least twice each day, achieving a minimum of 10 logins per week. However, students are required to complete a great deal of group work and one group member may submit the work of all others as well. This may lower the login frequency of group members even if they are active in their studies.

Monitoring weekly logins, we first put the threshold at four logins. We thought it a logical conclusion that if a student logs in to Moodle only 0 – 3 times a week, all cannot be well. Later, we tentatively raised the threshold to eight logins and noticed we obtained a great deal of data concerning students who were doing just fine. We then lowered the threshold to six. That gave us a smaller quantity of data in emails, which was easier to manage. It is likely that we will study further the appropriateness of this threshold as well.

We applied the same threshold in our monitoring of the activity of online evening students and observed that the same value does not function properly. For example, we set the threshold at six for the last week of September, and the system generated alarms concerning 24 students. Of these students, only five had zero logins and eleven had 3 – 5 logins. We saw a clear difference between evening students and daytime students: evening students do more during one online session.

Challenges due to the upcoming Data Protection Regulation

The upcoming Data Protection Regulation will bring challenges to the use of learning analytics. Any list containing names of students can be classified as a personal data register – and this is in essence what the weekly email from the learning analytics system entails. The view has been proposed that analytics could be used if they do not impact any single student. However, the whole point of this analytics is that the study advisor be able to contact a single student and to do this easily. In addition, the system profiles students. We must give thought to how we make the system work in compliance with the regulation so that we may continue to support students who are encountering difficulties.


Oppimisanalytiikan keskus [Learning Analytics Centre]. Mitä on Oppimisanalytiikka? [What is learning analytics?]

Seppänen, L. Learning analytics call out for action, SeOppi 02/2016

Oppimisanalytiikka opon apuna

Artikkeli julkaistu SeOppi 2/2017 -lehdessä.

Teksti: Maija Kerkola, HAMK

Oppimisanalytiikka opon apuna - kuva SeOppi-lehden artikkelisivustaMuistan, kuinka vielä muutama vuosi sitten ammattikorkeakoulun opinto-ohjaajana, opona, kiertelin syysloman lähestyessä pitkin koulun käytäviä ja etsin ”kadonneita lampaita”. Välineet, joilla olisin voinut tunnistaa opinnoista mahdollisesti pudonneet opiskelijat, olivat vähissä. Käytännössä minä omiin näköhavaintoihin perustuen etsin opiskelijoita, joita en ollut koululla mielestäni nähnyt viime viikkoina. Kiertelin kyselemässä opettajilta ja muilta opiskelijoilta, onkohan tätä ja tätä opiskelijaa näkynyt. Läsnäolopakkoa kun ei ammattikorkeakoulussa tunneta. Minulla oli vain huoli, että joku on nyt pielessä, ja riski opiskelijan opintojen keskeyttämiseen kasvaa. Tällaisen välittävän ohjauskulttuurin takana on holistinen malli. Se tarkoittaa, että ollaan aidosti kiinnostuneita jokaisesta opiskelijasta. Erityisen tärkeäksi koen, että putoamassa olevat opiskelijat tunnistetaan mahdollisimman varhaisessa vaiheessa.

Opinto-ohjaus ammattikorkeakoulussa

Opiskelijan opintojen edistymisen seuranta on opon työtä. Ennen opiskelijat, opettajat ja ohjaajat tapasivat kasvotusten luokkahuoneissa ja koulujen käytävillä, mutta opetuksen siirryttyä verkkoon, on myös ohjaus siirtynyt verkkoon, ja oppimisanalytiikka on opon uusi työkalu.

Kertyvän datan ansiosta opo saa joka viikko sähköpostiinsa raportin opiskelijoista, jotka eivät ole kirjautuneet, tai ovat kirjautuneet vain huolestuttavan vähän Moodle-oppimisalustalle. Tavoitteellinen opiskelu kun edellyttää useita kirjautumisia viikossa. Viikoittain siis ”kellot alkavat soida”, opossa herää huoli, että jollakin opiskelijalla on riski
pudota. Näin ohjauksessa on päästy ennaltaehkäiseviin toimiin.

Onkin tutkittu, että opiskelijoiden ohjauksella on kauaskantoisia seurauksia (Helander ja Kemppi 2006, 24–25). Ohjauksen tärkeyden puolesta kirjoittavat myös Jyväskylän yliopiston Koulutuksen tutkimuslaitoksen Raimo Vuorinen ja Maarit Virolainen. He viittaavat tehtyihin tutkimuksiin ja toteavat, että ohjaus vähentää opiskelijoiden keskeyttämisiä ja nopeuttaa valmistumisaikoja. Lisäksi heidän näkemyksen mukaan ohjaus on yksi tehokkaan koulutusjärjestelmän indikaattori. Ohjauksella vahvistetaan opiskeluun sitoutumista ja selkeytetään henkilökohtaisia opintopolkuja. (Vuorinen ja Virolainen 2017, 7.)

Ohjauksen siirryttyä digiaikaan opon työkaluja ovat mm. sähköposti, Skype, WebEx, chat, WhatsApp ja Snapchat. Niiden avulla hän ryhtyy tavoittamaan opiskelijaa. Opon työ sisältää paljon tiedottamista ja neuvontaa. Hän antaa opiskelijalle oikeata tietoa ja riittävästi. Opo myös esittelee erilaisia vaihtoehtoja ja arvioi eri vaihtoehtojen vaikutuksia käsillä olevaan asiaan liittyen. Tavoite on, että neuvonta auttaa opiskelijaa päätöksien tekemisessä. Opo ei kuitenkaan koskaan ole sellaisen palvelun tarjoaja, joka ratkaisee ongelman opiskelijan puolesta (Onnismaa 2007, 23–25).


Helander, J. & Kemppi, J. 2006. Jos meijät on istutettu tänne jotaki tarkotusta varte: puheenvuoroja hämeenlinnalaisten nuorten osallisuudesta ja hyvästä. Hämeen ammattikorkeakoulu.

Onnismaa, J. 2007. Ohjaus- ja neuvontatyö: aikaa, huomiota ja kunnioitusta. Gaudeamus.

Vuorinen, R. & Virolainen, M. 2017. Pääkirjoitus. Opinto- ja HOPS-ohjauksesta urasuunnittelutaitojen vahvistamiseen ja ohjauspalveluiden laadun arviointiin. Ammattikasvatuksen aikakausikirja. 19 (2), 7.

Oppimisanalytiikan haasteita

Artikkeli julkaistu SeOppi 2/2017 -lehdessä.

Teksti: Lasse Seppänen, HAMK

Oppimisanalytiikan haasteita - SeOppi-lehden artikkelisiviOppimisanalytiikasta on tulossa suosittu toiminto opiskelijahallinnon saralla. Opintosuorituksia tai keskeyttämisvaarassa olevia opiskelijoita voidaan seurata. Jos opiskelijan aktiivisuus laskee kesken opintojen, pelkkiä opintosuorituksia seuraamalla tämä havaittaisiin pahimmassa tapauksessa vasta seuraavana vuonna.

Tässä tutkimuksessa pyrittiin seuraamaan viikoittaisia sisäänkirjautumisia oppimisalustalle. Syksyllä 2016 rakennettiin Poluttamo-hankkeessa HAMKissa järjestelmä, joka seuraa sisäänkirjautumisia ja lähettää opolle viikoittaisen viestin alentuneen sisäänkirjautumismäärän opiskelijoista. Kohderyhmänä olivat aluksi tietojenkäsittelyn opiskelijat, mutta myös muiden koulutusten opiskelijoita on sittemmin otettu mukaan.

Tietojenkäsittelyssä keskeyttämiset tapahtuvat useimmiten ensimmäisen vuoden aikana tai lopussa opinnäytetyö jää roikkumaan. On tärkeä havaita ensimmäisen vuoden opiskelijoista aikaisin keskeyttämisvaarassa olevat. Opinnäytetyöprosessia on muutettu vuonna 2017 siten, että se ei helposti jää kesken.

Tietojenkäsittelyssä Moodle-oppimisalusta on paljon käytössä. Moodlea käytetään hyvin paljon kahden ensimmäisen vuoden aikana jokaisella opinnolla, ja opiskelijoiden on käytännössä käytettävä sitä päivittäin tai lähes päivittäin. Tähän perustuvat kehitetyt algoritmit.

HAMKin työpäivämallin päivä on jaettu lounastauolla kahteen osaan. On luonnollista ajatella, että opiskelijat kirjautuisivat Moodleen ainakin kahdesti päivässä, jolloin viikossa tulisi ainakin 10 sisäänkirjautumista. Mutta opiskelijat tekevät paljon ryhmätöitä, joten yksi ryhmäläinen tekee palautukset kaikkien puolesta. Tämä voi laskea ryhmäläisten sisäänkirjautumisfrekvenssiä, vaikka he muuten opiskelisivatkin aktiivisesti.

Tutkimuksessa valittiin kynnysarvoksi viikoittaisten sisäänkirjautumisten seuraamisessa aluksi neljä. Looginen päätelmä oli, että jos opiskelija kirjautuu vain 0-3 kertaa sisään Moodleen, kaikki ei voi olla kunnossa. Jatkossa kynnysarvo nostettiin koeluontoisesti kahdeksaan, jolloin todettiin tulevan paljon myös hyvin pärjäävien opiskelijoiden tietoja. Määrä laskettiin kuuteen. Näin päästiin sähköposteissa pienempään ja helpommin hallittavaan tietomäärään. Todennäköisesti tätäkin kynnysarvoa vielä tarkastellaan.

Verkkotutkinnon iltaopiskelijoiden aktiivisuutta alettiin seurata samoin kynnysarvoin. Todettiin, että sama kynnysarvo ei toimi kunnolla. Esimerkiksi kynnysarvolla kuusi viikolla 39 järjestelmä hälyttää 24:stä opiskelijasta. Näistä nolla kertaa on vain viidellä opiskelijalla, 3-5 kertaa 11 opiskelijalla. Tästä huomataan selvä käyttäytymisero päiväpuolen opiskelijoihin nähden eli opiskelijat tekevät enemmän yhden kirjautumiskerran aikana.

Tietosuoja-asetus tuo haasteita

Uusi tietosuoja-asetus tuo haasteita oppimisanalytiikan käyttämiseen. Henkilörekisteriksi voidaan tulkita jokainen opiskelijoiden nimiä sisältävä lista, jollainen viikoittainen analytiikan tuottama sähköposti on. Käytössä on myös tulkinta, että analytiikkaa voisi käyttää, jos sillä ei ole vaikutusta yksittäiseen opiskelijaan. Tämän analytiikan tarkoituksena taasen on, että opo voisi nimenomaan kontaktoida yksittäistä opiskelijaa helposti. Lisäksi tämä analytiikka profiloi opiskelijoita. Pitää miettiä miten saadaan analytiikka jatkossa toimimaan asetuksen mukaisesti, jotta voimme tukea vaikeuksissa olevia opiskelijoita.


Oppimisanalytiikan keskus. Mitä on Oppimisanalytiikka?

Seppänen, L. Learning analytics call out for action, SeOppi 02/2016

Oppimisanalytiikka tulee – oletko valmis?

Oppimisanalytiikka tulee – oletko valmis? -selvitys luo käytännönläheisen katsauksen oppimisanalytiikkaan ja sen avaamiin mahdollisuuksiin. Selvitys keskittyy neljään pääteemaan eli

  • tiiviiseen johdatukseen oppimisanalytiikkaan eli mitä oppimisanalytiikka on?
  • mitä hyötyjä oppimisanalytiikasta voisi olla eli miksi oppimisanalytiikkaa?
  • keitä oppimisanalytiikan käyttö voisi hyödyttää eli kenelle oppimisanalytiikkaa?
  • mitä oppimisanalytiikan käyttö edellyttää eli miten oppimisanalytiikkaa?

Oppimisanalytiikka on tutkimuksen ja kehittämisen alueena varsin nuori. Ala kehittyy nopeasti ja olemme liittäneet mukaan selvitykseen myös laajahkon kirjallisuusluettelon, josta saa hyvää taustatukea syvemmälle tiedonhankinnalle.

Oppijan digitaalinen jalanjälki – suositukset oppilaitoksille

Mitä oppilaitosten tulee huomioida käsitellessään opiskelijoiden henkilötietoja? Mitä oppimisanalytiikan työkalujen käyttöönottoa harkittaessa tulee huomioida?
Oppijan digitaalinen jalanjälki – suositukset oppilaitoksille

Apua sieppareille ruispellossa − oppimisanalytiikka opintojen ja opetuksen tukena

Artikkeli julkaistu SeOppi 1/2017 -lehdessä

Teksti: Rolf Lindén & Mikko-Jussi Laakso, Turun yliopisto
Kuvat: ViLLE-team

SeOppi 1-2017 sivu 8J. D. Salingerin vuoden 1951 klassikko Sieppari ruispellossa kuvailee 16-vuotiaan Holden Caulfieldin elämää ja ajatusten kulkua, kun hänet erotetaan huonojen arvosanojensa takia viidennen kerran koulusta. Elämää sävyttävät aiemmat tragediat, vaikea suhde vanhempiin ja eteerinen haaveilu merkityksellisyydestä, jota kuvastaa hyvin kirjan nimeksikin valikoitunut haaveammatti siepparista, joka estää leikkiviä lapsia näkymättömiltä vaaroilta.

Vaikka ajatus viidesti koulusta erotetusta pojasta tuntuu nyky-Suomessa kärjistetyltä, kirja kuvailee hyvin hapuilevaa nuorta, joka ei saa tarvitsemaansa tukea eikä löydä etsimäänsä suuntaa elämälleen. Holden tekee saman valinnan monen nykyaikaisen vertaisensa kanssa eikä hae tarvitsemaansa tukea heiltä, jotka voivat häntä auttaa.

Nykynuorten etuna Salingerin aikakauden nuoriin on, että apua on mahdollista saada jo ennen kuin sitä pyytää, ja huonosti menestyviä pyritään erottamisten sijaan auttamaan. Sähköiset oppimisjärjestelmät keräävät systemaattisesti tietoa opiskelijan toiminnasta järjestelmässä, ja sisään- ja uloskirjautumisten ja tehtäväpalautusten ohella tietoa kertyy muun muassa vastausten oikeellisuudesta, tehtävien avaamisista ja sulkemisista sekä eri toimenpiteisiin käytetystä ajasta. Kun tietoa kerätään samanaikaisesti riittävän suurelta määrältä opiskelijoita, kerätystä datasta voidaan tiedonlouhinnan ja tilastollisten menetelmien avulla havaita toimintaa kuvaavia säännön alaisuuksia. Eräs esimerkki tällaisten säännön alaisuuksien tunnistamisesta on Lasse Seppäsen SeOppi-lehden numerossa 02/2016 kuvailema keskeyttämisriskin alaisten opiskelijoiden tunnistaminen opiskelijoiden kirjautumiskäyttäytymisen avulla. Taustalla vaikuttava ajatus on selvä – motivoituneet opiskelijat tekevät tehtäviä ja hyödyntävät tarjottua kurssimateriaalia, ja samalla kirjautuvat säännöllisesti kurssijärjestelmään.

Opettaja näkee luokkansa tuen tarpeen aihealueittain yhdellä silmäyksellä ja voi kohdentaa aikansa eniten apua tarvitseviin oppilaisiin.

Opettaja näkee luokkansa tuen tarpeen aihealueittain yhdellä silmäyksellä ja voi kohdentaa aikansa eniten apua tarvitseviin oppilaisiin.

Silloin, kun oppimisjärjestelmää käytetään tehtäväpalautusten ohella myös itse tehtävien tekoon, kertyvästä datasta paljastuu tietoa myös opiskelijoiden opiskelutottumuksista ja ajanhallinnasta. Osalla opiskelijoista on taipumuksia tehdä saamiaan tehtäviä öisin, jolloin säännöllinen unirytmi kärsii ja opiskelija menestyy opinnoissaan huonommin. Kun tehtävät tehdään suoraan oppimisjärjestelmään, huono toimintamalli voidaan tunnistaa ja siihen vaikuttavat ylläpitävät tekijät voidaan selvittää yhdessä opiskelijan kanssa. Ajatus on siis sama kuin Seppäsen esimerkissä, mutta erityyppinen data tarjoaa vaihtoehtoisia käyttötarkoituksia.

Esimerkki eräältä Turun yliopiston kurssilta, kun kurssin alkamisesta on kulunut pari viikkoa. Kurssilta myöhemmin putoavat opiskelijat (0) alkavat erottua muista opiskelijoista.

Esimerkki eräältä Turun yliopiston kurssilta, kun kurssin alkamisesta on kulunut pari viikkoa. Kurssilta myöhemmin putoavat opiskelijat (0) alkavat erottua muista opiskelijoista.

Huonot opiskelutottumukset ja heikentynyt motivaatio heijastuvat useille kursseille samanaikaisesti, mutta opiskelijalla voi vastaavasti olla ongelmia myös yksittäisten kurssien kanssa. Tarkasteltava ajanjakso on tällöin paljon lyhyempi — olennaista tietoa opiskelijan opintomenestyksestä on yleensä tarjolla vain muutamalta viikolta kurssin alusta. Erityisesti suurilla kursseilla opettaja ei ehdi saada riittävän tarkkaa kuvaa yksittäisten opiskelijoiden taidoista, eikä opiskelija aina osaa Holdenin tavoin itse arvioida oman osaamisensa riittävyyttä. Toistuvasti luennoitavilla suurilla kursseilla voidaan kuitenkin hyödyntää aiemmilta vuosikursseilta kertynyttä dataa, jonka avulla voidaan ennustaa opiskelijan opintomenestystä meneillään olevalla kurssilla. Keskeisenä ajatuksena on, että vaikka yksittäiset opiskelijat vaihtuvatkin vuosittain, eri vuosikurssit ovat silti keskenään melko samanlaisia. Kun opiskelija lähtee kulkemaan kurssilla polkua, jollainen on jo usein aiemmin johtanut huonoon lopputulokseen, hänelle voidaan tarjota apua kurssin suorittamisessa. Tämänhetkisten tutkimustulosten perusteella kolme neljäsosaa seitsemänviikkoisen korkeakoulukurssin pudokkaista voidaan tunnistaa pelkästään tehtäväpalautusten ja saavutettujen pistemäärien perusteella luotettavasti jo muutaman viikon jälkeen, vaikka iso osa kurssin sisällöstä on edelleen opettamatta. Ennakoivia tekijöitä täydentämällä tunnistus voidaan tehdä vielä tätäkin aikaisemmin.

Yhdistämällä erilaisia analytiikalla avustettuja tukitoimia arvioimme saavuttavamme keskimääräiselle opiskelijalle noin kymmenen opintopisteen parannuksen vuositasolla. Holdenin kaltaisille nuorille on siis mahdollista saada apua ajoissa, mutta miten pidetään huolta siitä, että kiireellisesti apua tarvitsevia nuoria on alun alkujaankin mahdollisimman vähän?

Oppimisjärjestelmän päätehtävä on helpottaa opettajan arkea ja vapauttaa hänet rutiininomaisista tehtävistä oppilaiden tueksi. Turun yliopistossa kehittämämme ViLLE-oppimisjärjestelmä on rakennettu tämän ajatuksen pohjalta. Valtaosa sen tehtävistä on satunnaisesti generoituja ja automaattisesti arvioituja eli oppilas voi harjoitella opeteltavaa asiaa saman tehtävän avulla useita kertoja ilman, että tehtävä toistaa itseään. Satunnaisuus ja automaattinen arviointi mahdollistavat myös välittömän palautteen, jolloin oppilas näkee tehtävän malliratkaisun sekä tehdyn ratkaisun kannalta hyödyllistä tietoa.

Onnistumisen kokemuksia ViLLE:n opintopolun parissa alakoulussa.

Onnistumisen kokemuksia ViLLE:n opintopolun parissa alakoulussa.

Alakoulussa sähköisiä tehtäviä voidaan hyödyntää monipuolistamaan opetusta ja opettamaan lapsille huomaamattomasti laitteiden käyttöä. Parhaimmillaan sähköiset tehtävät helpottavat eriyttämistä ja tarjoavat monipuolista tietoa oppilaiden osaamisesta. ViLLE:n matematiikan ja ohjelmoinnin sähköisen opintopolun avulla opettajalla on monta tapaa eriyttää oppilaitaan. Oppilaalle asetettua vaatimustasoa voidaan eriyttää ylöspäin, tarjota alaspäin mukautettuja perustehtäviä, tai luoda oppilaalle kokonaan yksilöllistetty matematiikan oppimateriaali, joka tukee hänen erityistarpeitaan. Toisto ja järjestelmän tarjoama palautesykli vahvistavat oppilaan osaamista ja tarjoavat mahdollisuuden kerrata yhdessä opittua sisältöä.

Oppimisjärjestelmän tarjoaman automaattisen palautesyklin ohella on tärkeää, että tieto oppilaan osaamisesta kulkee myös opettajan kautta. Analytiikan ansiosta opettajalle jää tarkka tieto oikeista ja vääristä vastauksista ja jopa tieto kotitehtäviin käytetystä ajasta. Oppilaiden laskemista matematiikan tehtävistä analysoidaan ViLLE:ssä tyypillisimmät solmukohdat, eli haastavimmat aihealueet matematiikan oppimisessa. Oppilaiden laskiessa tehtäviä opettaja näkee, ketkä oppilaista tarvitsevat lisää tukea, ja millä osa-alueilla tuen tarpeet ilmenevät. Näin oppimisanalytiikkaa voidaan hyödyntää kohdentamaan opettajan niukkoja resursseja paremmin sinne, missä niistä on eniten
apua. Automaattisesti arvioidut ja välitöntä palautetta antavat tehtävät auttavat vapauttamaan opettajan resursseja myös muilla tavoilla, sillä iso osa oppilaista pystyy etenemään välittömän palautteen avulla itsenäisesti, jolloin tarve opettajan antamalle avulle pienenee. Opettaja pystyy tällöin keskittymään sellaisten oppilaiden auttamiseen, jotka eivät selviä tehtävistä itsenäisesti.

Oppimisanalytiikka ja oppimisjärjestelmät tarjoavat yhdessä opettajalle työkalut pudokkaiden tunnistamiseen ja oppimisvaikeuksien synnyn ennaltaehkäisyyn, ja omalta osaltaan auttavat ennaltaehkäisemään Holdenin kaltaisten tapausten syntyä nykyisessä koulutusjärjestelmässä. On vaikeaa kuvitella tulevaisuutta, jossa nykyinen koulutusjärjestelmämme olisi kehittynyt yhtä paljon nykyisestä, kuin nykyjärjestelmämme on kehittynyt Salingerin aikaisesta verrokistaan ilman oppimisanalytiikan ja oppimisjärjestelmien tarjoamaa yhteistä ja johdonmukaista tukea.

Turun yliopisto on pioneeri oppimisanalytiikan ja sähköisen arvioinnin tutkimuksen saralla ja yliopistoon perustettiin syksyllä 2016 Oppimisanalytiikan keskus. Keskuksen tavoitteena on luoda tutkimuspohjainen ja oppimisanalytiikkaa hyödyntävä opetuksen kehittämisen malli taaperosta tohtoriin. Tätä varten keskus on mukana luomassa oppimisanalytiikan verkostoa, johon tarvitaan mukaan kaikki opetuskentän toimijat. Tämä verkosto kokoontuu seuraavan kerran ITK-päivillä huhtikuussa 2017 – Tervetuloa mukaan!

Tietosuojavaatimukset ulottuvat myös oppimisanalytiikkaan

Artikkeli julkaistu SeOppi 1/2017 -lehdessä

Teksti ja kuva: Henriikka Hannula

Muistilista oppimisanalytiikan käyttämiseksi oppilaitoksissaTietosuoja on osa yksityisyyden suojaa, ja jokaisen – myös opiskelijan – perusoikeus. Kaikki tiedot, jotka voidaan suoraan tai välillisesti yhdistää opiskelijaan, ovat henkilötietoja, joiden käsittelyssä noudatetaan henkilötietolakia. Yhteystiedot ovat kiistatta henkilötietoja, mutta niin ovat myös tiedot, joita kerätään opiskelijan käyttäytymisestä niin luokkahuoneessa kuin sähköisessä oppimisympäristössäkin. Oppimisanalytiikka kehittyy alana kovaa vauhtia, mutta vaikeaselkoinen tietosuoja jää helposti nopean kehityksen jalkoihin.

Jos oppimisanalytiikan käytön kohteena on yksittäinen opiskelija, tullaan väistämättä käsitelleeksi henkilötietoja. Henkilötietolaki asettaa tällöin seuraavat vaatimukset:

  • käsittelylle on määriteltävä oppilaitoksen lakisääteisten tehtävien – eli toisin sanoen opetuksen järjestämisen – mukainen tarkoitus,
  • tietojen on oltava virheettömiä ja käyttötarkoitukseensa tarpeellisia,
  • opiskelijalle on kerrottava tietojen käytöstä ja sen tarkoituksesta ennen käsittelyn aloittamista,
  • opiskelijalle on annettava mahdollisuus kieltää käsittely, ja
  • hänelle tulee kertoa henkilötietolain mukaisista oikeuksista, kuten oikeudesta nähdä hänestä kerätyt tiedot sekä mahdollisuudesta saada tiedot oikaistuiksi.

Näiden ehtojen täyttyminen ei yksin riitä, sillä käsittelylle on vielä oltava henkilötietolain mukainen peruste. Oppilaitosten kohdalla mahdollisia perusteita on oikeastaan vain kaksi: asiayhteys opiskelijan ja oppilaitoksen välillä tai opiskelijan antama suostumus. Suostumuksen merkitys korostuu erityisesti silloin, kun tietoja luovutetaan kolmannen tahon käsiteltäväksi tai kun käsittely saattaa johtaa opiskelijahuollon tukitoimiin.

Oppimisanalytiikan käyttöön liittyy kuitenkin ongelma: oppilaitokset saavat kerätä vain sellaisia opiskelijaa koskevia tietoja, joiden tarpeellisuus opetuksen järjestämisen kannalta pystytään perustelemaan. Oppimisanalytiikka on niin uusi konsepti, että sen käsitteellinen sovittaminen välttämättömäksi osaksi opetuksen järjestämistä voi olla haasteellista. Tämä taas tarkoittaa sitä, että oppimisanalytiikan käyttöön kannattaa varmuuden vuoksi hankkia suostumus opiskelijoilta tai heidän huoltajiltaan. Jotta suostumus olisi pätevä, tulee oppilaitoksen pystyä selittämään tarkalleen, mitä tiedoilla aiotaan tehdä ja miksi.

Entistä mutkikkaammaksi asian tekee se, että toukokuussa 2018 aletaan soveltaa EU:n tietosuoja-asetusta, joka tuo mukanaan sekä tiukempia edellytyksiä tietojen käsittelylle että laiminlyöntejä koskevan ankaran seuraamusmaksujärjestelmän. Suostumuksen tulee asetuksen aikakaudella olla todistettavasti annettu, vapaaehtoinen, tietoinen, yksilöity ja yksiselitteinen tahdonilmaisu, jonka antaja on tietoinen tietojen kaikista sen kattamista käyttötarkoituksista sekä niitä varten toteutettavista toimenpiteistä. Se voidaan myös perua milloin tahansa. Oppimisanalytiikan kontekstissa muutokset ovat kiperiä, ja ne voivat pahimmassa tapauksessa estää sekä oppilaitoksia että opiskelijoita hyötymästä oppimisanalytiikasta täysmääräisesti.

Oppilaitosten ja oppimisanalytiikan kehittäjien kannattaa varmistaa käytäntöjensä lainmukaisuus niin nykyisen lainsäädännön kuin tulevan asetuksenkin näkökulmasta. Tietosuoja-asioissa kannattaa mieluummin pelata varman päälle kuin ottaa turhia riskejä: onhan hyvin hoidettu tietosuoja samalla luottamusta nostattava tekijä.

Muistilista oppimisanalytiikan käyttämiseksi oppilaitoksissa

  1. Varmista, että kaikessa oppimisanalytiikan käytössä noudatetaan henkilötietolainsäädäntöä: laiminlyönnit voivat johtaa rikosoikeudelliseen vastuuseen.
  2. Älä koskaan käytä oppimisanalytiikkaa ilman, että opiskelijat tietävät sen käytöstä ja tarkoituksista.
  3. Muista, että oppimisanalytiikan perusteella ei esimerkiksi saa ryhtyä opiskelijahuollon toimenpiteisiin ilman opiskelijan erillistä suostumusta oppimisanalytiikan käytöstä tähän tarkoitukseen.
  4. Älä ota riskejä: selvitä toiminnan lainmukaisuus aina etukäteen.