ITK2018: Analytiikka monimuotoisen oppimisen tukena

Koko päivän Poluttamo-workshopimme ITK:ssa jakautui kolmeen eri settiin, joissa jokaisessa oli tarjolla kaksi eri teemaa. Osallistujat poluttivat itse itsensä kiinnostaviin teemoihin ja saivat hakea kustakin teemasta osaamismerkkiä kertomalla merkkihakemuksessaan, miten hyödyntävät ko. oppia omassa työssään.

Jari Välkkynen esittelee workshopin analytiikkadataa.

Jari Välkkynen esittelee workshopin analytiikkadataa.

Iltapäivän pajassa Anu Konkarikoski ja Jari Välkkynen keskusteluttivat osallistujia opiskelijan yksilöllisen polun seurannasta ja monimuotoisen oppimisen digituesta. Kaikki pääsivät kirjautumaan esimerkkikurssille ViLLE-oppimisjärjestelmään ja tekemään erilaisia käytännön oppimisen tukena toimivia Pintakäsittelyalan tehtäviä. Valkokankaalla oli samalla auki opettajan maisema ryhmän analytiikkadataan, joka perustuu tehtävistä kertyneisiin pisteisiin. Näin analytiikasta saatiin osallistujille omakohtainen kokemus.

Kilpailuhenkisimpiä suhde muiden opiskelijoiden kerryttämiin pisteisiin motivoi hakkaamaan tehtäviä entistä innokkaammin. Heille olisi mahdollisesti hyötyä pistetaulukoista muutenkin, mutta tietenkään normaalitilanteessa opiskelijat eivät voi nähdä toistensa saavutuksia opettajan tavoin.

Poluttamo-workshop ITK-konferenssissa

Moni tarttui myös ViLLEn opiskelijakäyttöliittymän epäloogisuuksiin. Lean-johtajat olisivat olleet tyytyväisiä, jos ensi kertaa käyttävien kokemukset olisi saatu kirjattua ylös parantamaan seuraavan käytettävyyden parantamiskierroksen tuloksia.

Eniten keskusteltiin lopulta siitä, millä tavoin digiä kannattaa käyttää autenttisen, tekemällä oppimisen lomassa, sillä eihän useimpien ammattien oppiminen tapahdu tietokonetta renkkaamalla. Poluttamosta on luvassa kevään aikana mallinnus siitä, mitä asioita pitää huomoida, kun analytiikkaa hyödyntävää digiympäristöä rakennetaan monimuotoisen oppimisen osaseksi.

Vive-virtuaalilasien testausta Poluttamo-workshopissa 11.4.2018

Ammattiopisto Tavastiasta oli myös kokeilussa Vive-virtuaalilaseille rakenteilla oleva ruiskumaalisimulaattori. Tällainen kevytversio simulaattorista maksaa alle 10 000 €, laitteisto vain muutamia tuhansia euroja ja sillä on mahdollista säästää materiaalikuluissa. Pitkän tähtäimen tavoitteena on saada simulaattorit ja niiden tuottama tieto osaamisen kehittymisen vaiheesta osaksi opiskelijan yksilöllistä oppimispolkua. Simulaattorihuumassa on myös hyvä pitää jäitä hatussa: simulaattorit ovat parhaimmillaan toistoa vaativien ja harvinaisten tilanteiden harjoittelussa. Kannattaa myös miettiä, onko tarpeen järjestää opiskelijalle lasit päähän, vai saavutetaanko sama tulos esim. omalle mobiililaitteelle tehdyn pelin tai simuloinnin avulla.

Teksti ja kuvat: Anu Konkarikoski

Mainokset

Miten oppimisanalytiikkaa hyödynnetään nyt oppilaitoksissa

 Artikkeli julkaistu SeOppi 1/2018 -lehdessä.

Teksti: Leena Vainio

Oppimisanalytiikka on noussut opetuksen kehittämisessä yhdeksi tärkeäksi kehittämisen kohteeksi vajaa kymmenen vuotta sitten. Vuosittainen EDUCAUSE:n (Learning Initiative and the New Media Consortium) julkaisema Horizon Report korkeakouluille listasi vuonna 2011 oppimisanalytiikan yhdeksi kuudesta teknologisesta trendistä. Silloin ennustettiin, että analytiikka olisi laajasti käytössä neljän-viiden vuoden päästä. Sama trendi on näkynyt jokaisessa uudessa Horizon raportissa myös K-12 opetuksen yhteydessä. Viisi vuotta ei riittänyt analytiikan käytön levittämiseen kaikkiin oppilaitoksiin. Edelleenkin se on enemmän pilotoinnin kohde kuin vakiintunutta toimintaa.

Oppimisen analyysia on tehty jo vuosituhansia. Tietoa on kerätty henkilökohtaisiin muistiinpanoihin, arviointikirjoihin ja myöhemmin tietokoneelle. Oppimisympäristöjen digitalisointi on nyt mahdollistanut systemaattisen oppijan “jalanjälkien” keräämisen ja myös opettajien opetussisältöjen ja -menetelmien tallentamisen. Ongelmana analytiikan hyödyntämiselle on esimerkiksi seuraavia asioita:

  • oppilaitoksissa ei ole systemaattisesti mietitty, mitä dataa opetuksesta ja oppimisesta kerätään
  • ei ole päätöksiä, millä työkaluilla kerääminen tehdään (kerätäänkö esim. vain verkko-opetuksesta vai myös kontaktiopetuksesta, projekteista ja muista oppimisen aktiviteeteista)
  • miten tietoa analysoidaan ja missä muodossa tuloksia jaetaan
  • kuka analyysitietoa saa hyödyntää
  • miten analyysitietoa käytetään kehittämisessä.

Tänä päivänä teknologia antaa useita hyviä työkaluja analyysien tekemiseen. Oppijan tarpeet ovat analytiikan lähtökohtana, pelkät arvosanat tai tehtäviin kulutettu aika eivät vielä riitä kuvaamaan oppimisprosessin laatua. Analyysin pitäisi pystyä pureutumaan myös motivaatioon, oppimisen iloon, innovatiivisiin oppimisen tapoihin ja tavoitteiden saavuttamisen tasoon.

Oppimisympäristöissä voidaan koota tietoa myös sosiaalisista suhteista ja oppijoiden ja opettajan välisestä vuorovaikutuksesta ja tätä kautta voidaan kerätä tietoa eri interventioiden laadusta ja vaikutuksesta oppimisprosessiin. Oppimateriaalien ja tehtävien relevanttiutta voidaan arvioida suhteessa oppimistuloksiin ja oppimiseen käytettyyn aikaan.

Mistä dataa kerätään ja mihin analytiikka kohdentuu?

Oppimisanalytiikan käytön yksi ongelma on se, että onko opetuksen tapahduttava kokonaan verkossa, jotta saadaan analyysitietoa. Miten kontaktiopetuksen, projektien, työssäoppimisen ja informaalin oppimisen tulokset saadaan kytkettyä analyysitietoon? Vai antaako muutama verkkokurssi jo riittävän hyvän kuvan opiskelijan oppimisesta ja pystytäänkö hänen oppimistaan tukemaan saatujen tietojen avulla? Tarvitaanko oppilaitokseen useampia työkaluja riittävän tiedon saamiseksi?

Millaista oppimisanalytiikkakonseptia rakennetaan, riippuu pitkälti siitä, ketä toimijaa analytiikalla aiotaan palvella. Analytiikalla voidaan tukea oppijaa, opiskelijaryhmiä, opettajia, koulutusohjelmia, rehtoria, vanhempia, työelämän edustajia tai muita koulutukseen liittyviä sidosryhmiä.

Mitä tietoa oppijalle

Kuva 1. Esimerkkejä, mitä tietoa oppimisympäristöistä ja analytiikkaohjelmista saa opiskelijoille, opettajille ja hallinnolle.

Kuva 1. Esimerkkejä, mitä tietoa oppimisympäristöistä ja analytiikkaohjelmista saa opiskelijoille, opettajille ja hallinnolle.

Sekä yleissivistävän että ammatillisen koulutuksen uudet opetussuunnitelmat suuntaavat opetusta entistä henkilökohtaisempaan suuntaan. Jokaiselle pitäisi pystyä rakentamaan yksilöllinen pedagogisesti vaikuttava ja omia taitoja tukeva oppimisen polku. Millaisilla opetusmenetelmillä ja teknologisilla ratkaisuilla tuo polku rakennetaan?

Nyt jo monet ohjelmat tarjoavat oppijalle tietoa hänen aktiivisuudestaan:

  • mitä tehtäviä hän on tehnyt,
  • missä vaiheessa hän on menossa kurssilla,
  • miten hän on suoriutunut suhteessa muihin opiskelijoihin,
  • kuinka paljon hän on käyttänyt aikaa oppimiseen ja miten se on vaikuttanut oppimismenestykseen.

Ohjelmissa voidaan seurata myös opiskelijoiden sosiaalista aktiivisuutta, verkostoitumista ja ryhmässä toimimisen taitoja. Näiden seuranta on tehtävä usein manuaalisesti, vain muutama ohjelma antaa visuaalisessa muodossa yhteenvetoja verkostoitumisesta.

Mitä tietoa opettajalle

Kaikkien nyt tarjolla olevien ohjelmien avulla opettaja saa hyvin tietoa opiskelijoiden etenemisestä. Opettaja voi tämän tiedon perusteella suunnata ohjausta niille opiskelijoille, jotka ohjausta eniten tarvitsevat. Hän voi miettiä, tarvitaanko lisäaikaa tehtävien tekemiseen tai tarvitaanko lisämateriaalia oppimisen tueksi. Useimmat ohjelmat myös antavat tietoa oppimateriaalista ja tehtävistä. Opettaja näkee, miten paljon aikaa oppijat ovat käyttäneet oppimateriaaliin ja miten he ovat tehtävät ratkaisseet. Tästä voi tehdä johtopäätöksiä, onko oppimateriaali tai tehtävät liian helppoja tai vaikeita ja mihin suuntaan niitä tulisi kehittää.

Millaista tietoa hallinnolle

Oppilaitoksen johdolle analytiikkaohjelmista saa koottua tietoa opetuksen kokonaistilanteesta: opiskelijoiden suoriutumisesta, arvosanoista, oppimistavoitteiden saavuttamisesta, opetusmenetelmistä, oppimateriaaleista jne. Näiden tietojen pohjalta rehtori saa tietoa onnistumisista ja pullonkauloista ja voi resurssoida kehittämisvoimavaroja oikeisiin kohteisiin.

Vakiintuneeseen käyttöön on vielä matkaa

Analytiikassa keskitytään pääasiassa sellaisten opiskelijoiden yksilöimiseen, joilla on oppimisvaikeuksia tai jotka voivat pudota kokonaan pois opinnoista. Vähemmän kiinnitetään huomiota innovatiivisiin pedagogisiin ratkaisuihin.

Useimmissa työvälineissä analytiikka on kuvailevaa ja diagnostista: kuvataan sitä,
mitä on tapahtunut, mitä on tehty ja miksi tietty asia tapahtui. Edistyneissä ohjelmissa päästään jo ennustavaan ja ohjaavaan analytiikkaan: mitä tapahtuu seuraavaksi, miten oppija tulee etenemään ja mitä pitäisi tehdä seuraavaksi. Kaksi jälkimmäistä vaatii tekoälyä taakseen ja tätä on vasta muutamissa oppimisympäristöissä käytössä. Kehittämisen trendi on selvästi tekoälyn soveltamisessa analytiikassa.


Suomen eOppimiskeskuksen Poluttamo-hankkeessa selvitetään oppimisanalytiikan mahdollisuuksia oppimisen tukemisessa. Tavoitteena on selvittää:

  • miten oppimisanalytiikkaa hyödynnetään yleissivistävässä ja ammatillisessa koulutuksessa
  • mistä lähtökohdista oppimisanalytiikkaa kehitetään
  • millaisia työkaluja eri tekniset oppimisympäristöt ja erilliset oppimisanalytiikkaohjelmat tarjoavat analytiikan tekemiseen
  • mitä haasteita liittyy työkaluihin ja niiden käyttöönottoon ja kehittämiseen

Raportti julkaistaan huhtikuun lopussa osoitteessa www.poluttamo.fi.

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
Ilmoittautuminen

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.

Työpajat
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).

Sources

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.

Sources

Oppimisanalytiikan keskus [Learning Analytics Centre]. Mitä on Oppimisanalytiikka? [What is learning analytics?] www.learninganalytics.fi/fi/oppimisanalytiikka

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).

Lähteet

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.

Lähteet

Oppimisanalytiikan keskus. Mitä on Oppimisanalytiikka? http://www.learninganalytics.fi/fi/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