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.

Mistä oppimisanalytiikassa keskustellaan?

Artikkeli julkaistu SeOppi 1/2017 -lehdessä

Teksti: Ari-Matti Auvinen

SeOppi 1/2017 - sivu 6Oppimisanalytiikka on nopeasti kehittyvä ala. Oppimisanalytiikalla ymmärretään yleisesti oppijoista kertyvien tietojen keräämistä, analysointia ja raportointia siten, että voidaan ymmärtää ja optimoida oppimista ja oppimisen ympäristöjä. Oppimisanalytiikalla on valtavasti mahdollisuuksia oppimisen prosessien tukemisessa ja alalla tehdään monimuotoista tutkimus- ja selvitystyötä, mutta mistä kaikesta oppimisanalytiikan tutkimuksessa tällä hetkellä keskustellaan?

Mikä luo perustan oppimisanalytiikalle?

Oppimisanalytiikka perustuu laajalle määrälle dataa, joka syntyy oppijoiden toiminnasta erilaisissa digitaalisissa ympäristöissä. Tätä valtavaa datamäärää pystytään nykyisin keräämään ja analysoimaan entistä tehokkaammin, ja oppimisanalytiikka onkin paljon velkaa erilaisille business intelligence -sovelluksille sekä jatkuvasti kehittyville muille data-analytiikan muodoille ja toimintatavoille. Kaikkea kertyvää dataa ei tarvitse analysoida ja samalla on huolehdittava siitä, että vain sellaista dataa kerrytetään, jolla on todellista oppimista tukevaa käyttöä.

Kun analysoitavaa dataa on huikeita määriä, etenkin oppimisanalytiikan haasteena on tuoda analysoinnin perusteella tehtäväraportointi niin oppijoille kuin oppimisen tukena toimiville henkilöille ymmärrettävään muotoon. Tässä työssä etenkin visualisointi (esimerkiksi visuaaliset hopsit) ovat avainasemassa.

Erilaiset oppimisen ja toiminnan ympäristöt

Monimuotoistuva oppiminen muuttaa tiedonkeräämistä oppijoista ja heidän toiminnastaan. Oppimista tapahtuu sekä suljetuissa (esimerkiksi oppilaitosten omissa) oppimisen ympäristöissä kuin myös avoimissa oppimisen ympäristöissä (esimerkiksi MOOC-kursseilla). Toinen tärkeä jaottelu on formaalin oppimisen ja non-formaalin oppimisen jako, kun non-formaalin oppimisen merkitys on jatkuvasti kasvamassa. Kolmas jaottelu koskee erilaisia oppimisen tapoja, joista jää hyvin erilaisia digitaalisia jälkiä. Tämä oppimisen moninaisuus sekä kaiken yhdestä oppijasta erilaisissa ympäristöissä ja konteksteissa kertyvän datan määrä ja laatu ovat oppimisanalytiikan keskustelun merkittäviä teemoja ja haasteita. Samalla tämä keskustelu on BigData-MyData-keskustelun aivan ytimessä, kun joudutaan hahmottamaan kaiken eri tavoilla kertyvän datan omistajuutta ja oikeuksia.

Erilaiset oppimisanalytiikan keskustelujen teemat

Oppimisanalytiikan tänäisestä tutkimuksesta voidaan tunnistaa muutamia keskeisiä temaattisia kokonaisuuksia. Käsittelen tässä sellaisia tutkimuksellisia teemoja, jotka liittyvät etenkin oppijoiden tukemiseen ja heidän oppimisprosesseihinsa. Oppimisanalytiikalla tuotetaan paljon tietoa myös oppilaitosten tarpeisiin ja luodaan mahdollisuuksia esimerkiksi oppilaitosten keskinäisiin ja oppilaitosten sisäisiin vertailuihin, mutta en seuraavassa käsittele niitä.

Ensimmäinen tutkimuksen tärkeä teema-alue on oppimisanalytiikan tuki oppijoiden itseohjautuvuudelle sekä oppijoiden omien kykyjen ja kehityksen tukemiselle. Tämä teema on myös esillä monissa alan kokeiluissa ja kehittämishankkeissa. Toinen teema on oppimisanalytiikalla oppimisen erilaisten yksilöllisten vaikeuksien ja pullonkaulojen tunnistaminen. Tämä teema liittyy myös oppimisen keskeyttämisen hallintaan, joka etenkin oppimisen monimuotoistuessa on entistä suurempi haaste. Kun oppijat toimivat monissa eri oppimisen ympäristöissä ja konteksteissa, ei oppiminen kaikissa ympäristöissä ole yhtä helppoa tai luontevaa. Kolmas teema liittyy edelliseen ja koskee oppimiseen kohdentuvien erilaisten tuki-interventioiden tyyliä ja ajoitusta – milloin ja millä tavoilla oppijat mahdollisesti tarvitsevat tukea ja minkälainen tuki toimii.

Neljäs teema liittyy oppijoiden verkostoihin – minkälaisissa verkostoissa oppijat toimivat, mitä tukea oppimisen prosessille voivat vertaiset antaa ja miten (esimerkiksi verkostoanalyysin keinoin) voidaan tukea näitä oppimiselle tärkeitä verkostoja ja niiden kautta syntyviä suhteita. Kun oppiminen on tulevaisuudessa entistä yhteisöllisempää toimintaa, niin tämän aiheen merkitys tulee jatkuvasti kasvamaan. Viides teema liittyy oppijoiden reitittämiseen erilaisiin vaihtoehtoisiin oppimisen resursseihin eli miten havaittuja oppimisen hankaluuksia tai kapeikkoja – tai liian vaatimatonta ponnistelua vaativia kokonaisuuksia – voitaisiin korvata vaihtoehtoisilla oppimisen resursseilla. Ja kuudes teema liittyy oppijoille annettavaan ja oppijoiden saamaan palautteeseen – miten oppimisanalytiikan avulla luotavaa palautetta voidaan jatkuvasti parantaa ja siten myös oppimisenkokemusta tukevoittaa.

Näiden sisällöllisten teemojen ohella erityisen tärkeiksi tutkimuksen ja keskustelun teemoiksi ovat nousseet eettiset ja tietoturvaan liittyvät kysymykset. Kun oppijoista kerätään jatkuvasti eri ympäristöissä paljon tietoja, niin onko oikein ja hyväksyttävää niitä käyttää ja yhdistellä? Kenellä pitäisi olla oikeudet niihin ja kenen luvalla tietoja saisi käyttää? Tietoturva on luontevasti myös olennainen aihe. Jos erilaisten rajapintojen avulla voidaan tietoja helposti yhdistellä, niin mitä tietoturvahaasteita tähän liittyy? Oppimisen erilaiset ympäristöt poikkeavat vahvasti toisistaan tietoturvan järjestämisen osalta.

Oppimisanalytiikan haasteet

Oppimisanalytiikan keskusteluissa ja tutkimuksissa nousee esille myös monia haasteita. Ensimmäinen suuri haaste liittyy kerättävän datan heterogeenisyyteen, ja myös siihen seikkaan, että painopiste on ollut vahvasti kvantitatiivisen datan keräämisessä ja analysoimisessa. Toinen haaste onkin oppijoiden oppimisen kokemuksen ymmärtäminen ja siitä olennaisen tiedon kerääminen ja analysointi. Kolmas haaste liittyy datan määrään ja sen liki hallitsemattomaan kasvuun – hukummeko dataan ymmärtämättä siitä riittävästi? Ja merkittävin haaste on muuntaa saatava kerätty data raportoidusta tiedosta toiminnaksi saakka – ei riitä, että tiedämme oppijan olevan opintojen keskeyttämisen vaarassa vaan meidän täytyy pystyä tarjoamaan myös ratkaisuja havaittuihin ongelmiin (esimerkiksi reitittämällä oppijaa toisenlaisiin oppimisen resursseihin tai vaihtoehtoisiin suoritustapoihin).

Kirjoituksessa keskeisenä lähteenä on käytetty Papamitsiou, Z – Economides, A (2014): Learning ​Analytics​ and ​Educational​ Data​ Mining​in Practice: A Systematic Literature Review of Empirical​ Evidence.​ Educational ​Technology ​& ​Society, 17(4), 49-64

Pysäyttäkää Tamagotchit

Teemaseminaarissamme ITK:ssa Aulangolla 7.4.2017 oli loistava tunnelma, sillä yleisö osallistui keskusteluun todella innokkaasti.

Aihe oli VOPS – tolkkua omaan osaamispolkuun visuaalisella HOPSilla. Kari A. Hintikka ja Saara Kotkaranta ansaitsevat isot aplodit hankkeen ammatillisia kehittäjiäkin inspiroineesta työstään ja esityksestään Otavan opiston lukiokoulutuksen ja sen jatkopolkujen VOPS:in tiimoilta. Tässä postauksessa keskitymme seminaarin ammatillista koulutusta koskevaan vahvassa kehitysvaiheessa olevaan osaan.

Ammatillisessa koulutuksessa ollaan reformin myötä viimein siirtymässä henkilökohtaisiin polkuihin. Tämä on loistavaa, sillä hyvin moninainen opiskelijajoukko ei hyödy rintamaopetuksesta. Valtiovaltakaan ei halua tukea turhaa koulussa lusimista, mutta toisaalta haluaa antaa aikaa hitaammin oppiville veronmaksukyvyn saavuttamiseen. Käytännössä opiskelijat tekevät eri asioita samaan aikaan ja heidän oppimistaan pitää pystyä tukemaan ja seuraamaan.

Oppilaitoksissa on viime vuosina purettu ahkerasti tutkinnon perusteiden ammattitaitovaatimuksia työtehtävätasolle ja viety listauksia opiskelijahallintojärjestemiin. Tämä helpottaa erilaisissa oppimisympäristöissä hankittavan osaamisen kohdentamista ja kirjan pitämistä siitä, mitä opiskelija jo osaa ja mitä hänen vielä on opittava päästäkseen osoittamaan osaamisensa näytössä.

Omissa hankkeissamme painotus on ollut opiskelijan ja opettajan arjen näkökulmassa: miten käytännön työn oppimista voidaan tukea tehtävin ja raportointiohjeistuksin digitaalisessa oppimisympäristössä. Kun opiskelija tekee käytännön työtä oppimistarkoituksessa, hän kuvaa materiaaleja, välineitä ja työvaiheita omalla mobiililaitteellaan ja lataa kuvat ja tiiviit selosteet ammattisanastoa käyttäen omaan sähköiseen portfolioonsa, esim. blogiin. Samalla hänelle kertyy tulevaisuuden työnhaussa käyttökelpoista materiaalia. Lisäksi digitaalisessa oppimisympäristössä on esim. ammattisanaston ja teoriatiedon oppimista tukevia itse itsensä tarkistavia tehtäviä. Opettajan ja opiskelijan näkökulmaa yksilöllisen polun tukemiseen digivälinen esitteli ITK:n teemaseminaarissa lehtori Jari Välkkynen Ammattiopisto Tavastian Pintakillasta. Hänen pilotoimassaan Turun yliopiston tarjoamassa ViLLE-oppimisjärjestelmässä opiskelija ja opettaja pystyvät seuraamaan tutkinnon osien sisällä etenevää oppimista samalla vaivalla, kun opettaja antaa palautetta oppimisen etenemisestä. Etenemismittarit ovat järjestelmässä valmiina ja aina opiskelijan  etusivulla näkyvissä.

Ville eteneminen

Mistäpä ITK-yleisömme niin innostui? Siitä, että moni oppilaitos on linjannut, että opiskelijan polkua seurataan opiskelijahallinto-ohjelman puolella, koska esim. Kela tarvitsee varmuuden opintorahan nostajien etenemisestä oppimisessaan. Toinen syy lienee se, että digitaalisia oppimisympäristöjä hyödynnetään vasta vähän ja havaitsemaamme pulmaan törmätään vasta tulevina vuosina. Haluamme tuoda omat kokemuksemme säästämään kaikilta aikaa ja rahaa: Nyt tarvitaan joko hyvät rajapinnat eri tehtäviä hoitavien järjestelmien välille tai sopimista siitä, mitä seurantaa missäkin järjestelmässä tehdään siten, että kaikkien osapuolten klikkausten määrä on minimoitu.  

Autoalan lehtori Heikki Nurmela Omniasta puolestaan esitteli hyvin simppeliä GoogleDrive-taulukkoa, jossa liikennevaloväreillä kaikki osapuolet näkevät, millaisista työtehtävistä oppia on jo riittävästi ja millaisia vielä pitää saada tehdä ennen näyttöä. Päivitysoikeus on työpaikkaohjaajalla ja opettajalla. Olennaista on se, että opiskelijan opinnot etenevät, koska seurantajärjestelmä on helposti saavutettava. Tällaiseen ajattelisimme isojen ohjelmistotalojenkin panostavan.

Omnia esimerkki GD värit

Mihin viittaa otsikon tamagotchi? Lounaalla erään oppilaitoksen kollegat kertoivat, että heidän pitää henkilökohtaistaessa liittää opiskelijat opintoihin opiskelijahallintojärjestelmässä. 20 opiskelijan saapumiserän saattamiseksi opiskeluiden aloittamiskuntoon vaatii tuhansia klikkauksia. Toivon kuulleeni ruokasalin hälyssä väärin. Jos tämän lisäksi pitää pitää kaksinkertaista kirjanpitoa siten, että joka tapauksessa digitaalisessa oppimisjärjestelmässä opetus- ja ohjaustyön lomassa itsekseen syntyvä data pitää kliksutella vielä erikseen opiskelijahallintojärjestelmään, voidaan varmaan työterveyshuoltoon ennakkovaroittaa hiirisormen ylirasitustiloista. Vai käyttäisimmekö digitaalisuutta renkinä ja kohdentaisimme opettajan työajan ohjaamiseen ja opettamiseen?

Onneksi yleisön joukossa syntyi into viedä asiaa eteen päin opiskelijahallinto-ohjemien toimittajille. Pidetään osaamisen hankkiminen keskiössä ja kaivetaan 90-luvun tamagotchi-lelut vain vapaa-ajalla ruokittaviksi.

Lisää Tamagotcheista: http://www.hs.fi/talous/art-2000005169020.html

Webinaaritallenne: Oppijan digitaalinen jalanjälki

Oppijan digitaalinen jalanjälki
Webinaaritallenne 7.3.2017
Miten oppilaitosten järjestelmiin kerätty data – oppijan digitaalinen jalanjälki – ja siihen pohjautuva analytiikka saataisiin hyödyttämään oppijaa? Miltä osin oppimisdata voisi olla oppijan itsensä hallinnassa? Minkälaisia oikeudellisia näkökulmia MyDataan liittyy?

Esittelyssä kaksi Poluttamo-hankkeessa tuotettua selvitystä.

Tutustu myös muihin Poluttamo-webinaareihin >>>


VINKKI: Saat tiedon tulevista Poluttamo-webinaareista tilaamalla Poluttamon blogipäivitykset sähköpostiisi:

Syötä sähköpostiosoitteesi, niin voit seurata tätä blogia ja saat ilmoituksia uusista julkaisuista sähköpostitse.


Oppijan digitaalinen jalanjälki – oppimisen arjessa kertyvät henkilötiedot sekä oikeus ja mahdollisuudet niiden käyttämiseen

Poluttamo-hankkeessa tuotetussa Oppijan digitaalinen jalanjälki -selvityksessä kuvataan niitä seikkoja ja toimenpiteitä, jotka oppilaitosten tulee huomioida ja toteuttaa, jotta oppimisdataa ja siihen pohjautuvaa oppimisanalytiikkaa voitaisiin hyödyntää. Tavoitteena on esitellä yleisluontoisesti ne oikeudelliset seikat, jotka oppilaitosten tulee ottaa huomioon oppimisanalytiikan käyttöönotossa sekä antaa suunta-antavia neuvoja henkilötietojen käsittelemiseen erityisesti oppimisanalytiikan tarkoituksen näkökulmasta.

Selvitystä esitellään Poluttamo-webinaarissa 7.3. klo 15.

OEB16: Oppimisanalytiikka hälyttää toimimaan

Artikkeli julkaistu SeOppi 2/2016 -lehdessä

Teksti: Lasse Seppänen, Hämeen ammattikorkeakoulu

Oppimisanalytiikasta on tulossa suosittu toiminto opiskelijahallinnon saralla. Sen avulla voidaan esimerkiksi seurata opiskelijoiden opintojen etenemistä, opintosuoritusten karttumista tai etsiä keskeyttämisvaarassa olevia opiskelijoita.

Tämä tutkimus suoritetaan Hämeen ammattikorkeakoulussa (HAMK) Lasse Seppäsen ja Ville Hämäläisen toimesta ja osana Poluttamo-hanketta. Myöhemmin mukaan tulee opo Maija Kerkola. Kohderyhmänä ovat tietojenkäsittelyn ensimmäisen vuoden opiskelijat. Vuosittain opiskelijoita otetaan useita kymmeniä niin päivä- kuin verkko-opintoihin. Keskeyttämiset tapahtuvat useimmiten ensimmäisen vuoden aikana tai lopussa opinnäytetyö jää roikkumaan. Olisi tärkeä havaita ensimmäisen vuoden opiskelijoista aikaisin ne, jotka ovat keskeyttämisvaarassa.

Tietojenkäsittelyssä Moodle-oppimisalusta on paljon käytössä. Tämä antaa taustan niille algoritmeille, jotka tutkimuksessa on kehitetty. Moodlea käytetään hyvin paljon kahden ensimmäisen vuoden aikana jokaisella opinnolla, ja opiskelijoiden on käytännössä käytettävä sitä päivittäin.

HAMKin lukuvuosi jakaantuu neljään kahdeksan viikon periodiin. Yksittäinen päivä on jaettu kahteen osaan: 8.45-12.00 ja 12.45-16.00. Välissä on lounastauko. On luonnollista ajatella, että opiskelijat kirjautuisivat Moodleen ainakin kahdesti päivässä, jolloin viikossa tulisi ainakin 10 sisäänkirjautumista. Opiskelijat tekevät kuitenkin paljon ryhmätöitä, joten joidenkin opiskelijoiden on mahdollista myös seurata ryhmäläisiään Moodlen suhteen. On tavallista, että yksi ryhmäläinen tekee palautukset kaikkien puolesta. Tämä voi laskea ryhmäläisten sisäänkirjautumisfrekvenssiä, vaikka he muuten ottaisivat aktiivisesti osaa opetukseen.

Tässä tutkimuksessa valittiin kynnysarvoksi viikoittaisten sisäänkirjautumisten seuraamisessa neljä kappaletta. Looginen päätelmä on, että jos opiskelija kirjautuu vain 0-3 kertaa sisään Moodleen, kaikki ei voi olla kunnossa. Tällöin hän kirjautuisi sisään vain alle 30 % ajasta.

Jos opiskelijan aktiivisuus laskee kesken opintojen, opintosuorituksia seuraamalla tämä havaittaisiin vasta paljon myöhemmin. Pahimmassa tapauksessa havainto tehtäisiin vasta seuraavan vuoden syksyllä. Tässä tutkimuksessa pyritään seuraamaan viikoittaisia sisäänkirjautumisia heti opintojen alusta asti ensimmäisen opintovuoden ajan päiväopiskelijoilla.

Tutkimus aloitettiin tutkimalla vuonna 2014 sisään tulleiden opiskelijoiden ensimmäisen vuoden dataa. Pystyttiin rakentamaan algoritmi ja toimintatapa, jolla kyettiin luotettavasti havaitsemaan kaikki keskeyttämiseen päätyvät opiskelijat jo marraskuun lopussa. He saattoivat jatkaa opintojaan vielä vuoden vaihteen yli, mutta keskeyttivät kuitenkin. Algoritmi paljasti vain yhden ylimääräisen opiskelijan, jolla oli kerran viikossa alhainen sisäänkirjautumismäärä: hän oli ollut omalla lomalla Kreikassa viikon.

Syksyllä 2016 on rakennettu järjestelmä, joka seuraa sisäänkirjautumisia ja lähettää siitä opolle viikoittaisen koosteen alentuneen sisäänkirjautumismäärän opiskelijoista. Tätä kirjoitettaessa ollaan järjestelmää juuri ottamassa käyttöön, joten käyttökokemuksista tulee myöhemmin lisätietoa.

OEB16: Learning analytics call out for action

Article first published on SeOppi 2/2016

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

Learning analytics is becoming a popular function in learning management. Learning analytics targets a multitude of matters such as tracking course evaluations and students’ progress in their courses as well as even monitoring potential drop-out students. This presentation deals with the monitoring of potential drop-outs. Can we detect them from their LMS data before they actually leave?

The study we report in this presentation is being performed at Häme University of Applied Sciences (HAMK). The target group is the first year students in the Degree Programme in Business Information Technology (Business IT). Annually, the intake is tens of students to both daytime and online studies. We can estimate that about 10 students will leave during or after their first year or later, particularly when they find it difficult to complete their theses. It would be important to learn if there were possibilities for helping the first year students and thus preventing the interruption of their studies.

In Business IT, Moodle LMS is in heavy use. That fact forms the background for the algorithms that we created during this study. The use of Moodle should be constant during the first two years of studies. Moodle is used in every course, and students cannot perform well if they do not use it every day.

An academic year at HAMK is divided into four periods of eight weeks. Each school day is divided into two sections: 8:45-12:00 and 12:45-16:00 with lunch in between. It would be natural to think that the students would log in into Moodle at least twice a day, making the total number of their logins 10 per week per person. But the students do quite a lot of group work and it is possible that they follow their peers’ work in Moodle. It is the school custom that one student returns the group tasks on behalf of the whole group. This could lower the login frequency even if the students are appropriately active in their schoolwork.

For the purposes of this study, we selected a threshold value of four weekly logins. We consider this selection a logical one as we know that if a student logs in into Moodle only 0-3 times a week, there is something wrong. That student would be logging in into Moodle for only 30% of studies or less.

The reduction of a student’s activity level during studies would be detected much later in a traditional environment. In the worst case, a student having dropped out might be detected only the following year when the student failed to enroll for the year. In our study, we monitor the first-year daytime students’ logins into Moodle on a weekly basis.

The study was started by analyzing the data of the first year students in 2014. We were able to construct an algorithm and methods that gave us reliable results: we could pinpoint all students at the end of November who would later interrupt their studies. Some students continued their studies past Christmas, but dropped out eventually. The algorithm also detected a student who had taken an unauthorized one-week holiday in Greece.
We have built a login follow-up system during autumn 2016. It sends weekly reports of students with a low login rate to the student counsellor. The system is being introduced as this article is being written. We will make more information available later.