Niin korkeakouluissa kuin muissakin organisaatioissa erilaisiin sähköisiin järjestelmiin jää jatkuvasti käyttäjistä sähköisiä jälkiä, eli dataa. Kun opiskelija tekee sähköisen tentin, rekisteröityy tieto, kuinka kauan hän käytti aikaa vastaamiseen ja montako sanaa hän kirjoitti. Oppimisympäristöt tallentavat tietoa esimerkiksi opiskelijan tehtäväpalautuksista ja kirjautumiskerroista. Opintorekisteriin kertyy taas kurssisuorituksia ja arvosanoja.
Ihmisestä kertyvä data voidaan jaotella aktiiviseen tai passiiviseen jalanjälkeen. Aktiivinen jalanjälki syntyy, kun ihminen esimerkiksi kirjoittaa viestejä tai jättää palautetta. Passiivinen jälki taas jää kaikesta mistä käyttäjä ei ole itse tietoinen, esimerkiksi ajankäytöstä ja klikkauksista.1
Laajasti käytetyn määritelmän mukaan oppimisanalytiikalla tarkoitetaan oppijasta kertyvien tietojen keräämistä, mittaamista, analysointia ja raportointia tarkoituksenaan ymmärtää sekä optimoida oppimista ja oppimisympäristöjä.2 Oppimisanalytiikassa siis haetaan lisäarvoa tiedoista, joita on ollut liian työlästä käsitellä ennen analytiikkaa, palvelemaan eri käyttäjäryhmiä: opiskelijoita, opettajia, ohjaajia sekä hallintoa ja johtoa.
Analytiikan hyödyntämisen mahdollisuudet riippuvat siitä millaisia sovellutuksia sen ympärille rakennetaan. Digitaalinen oppimisalusta kerää dataa luonnostaan ja useissa oppimisympäristöissä onkin analytiikkaominaisuuksia. Analytiikan piiriin voidaan halutessa kuitenkin ulottaa myös esimerkiksi kirjastokortilla tehtävät lainat tai jopa luento-osallistuminen lisäämällä sähköinen rekisteröityminen oppitunneille, vaikkapa mobiilisovelluksen kautta. Tietoja voidaan teoriassa kerätä loputtomasti, joten olennaista on tunnistaa minkä tiedon kerääminen ja käyttäminen on oikeasti hyödyllistä oppimisprosessien kehittämiselle.
Oppimisanalytiikkaa voidaan hyödyntää monin eri tavoin palvelemaan käyttäjien tarpeita. Analytiikka voi olla suoraan kuvailevaa, jolloin esimerkiksi opiskelija näkee reaaliaikaista tietoa opintojensa kokonaistilanteesta tai opettaja kurssinsa opiskelijoiden opintosuorituksista. Kuvailevaa tietoa voidaan hyödyntää vertailuun. Tällöin opiskelija voi nähdä miten on edennyt suhteessa muihin opiskelijoihin tai opettaja voi tarkastella miten kurssitoteutus suhteutuu saman kurssin aiempiin kierroksiin. Analytiikka mahdollistaa myös ennakointia. Pitemmältä aikaväliltä kerätty data voi ennustaa, että tietyt kriteerit täyttävä opiskelija on putoamisvaarassa kurssilta, jolloin opiskelijalle voidaan tarjota tilanteenmukaista tukea. Lisäksi tekoäly voi automaattisesti tarjota opiskelijalle palautetta tai tämän taitotasoa vastaavia harjoituksia. Listaa esimerkeistä voisi jatkaa pitkään.
Oppimisanalytiikan onnistuneen hyödyntämisen kannalta on lopuksi keskeistä se, kuinka data esitetään käyttäjille erilaisina tuloksina ja raportteina.3 Visualisoinnin tavoitteena on oppimisanalytiikan raportoinnissa käsiteltävän tiedon ja suositusten mahdollisimman selkeä esittäminen käyttäjille.4, 5 Alle on luonnosteltu kaksi esimerkkiä oppimisanalytiikan esittämisestä kuvaajin.
Oppimisanalytiikasta huhtikuussa kirjoitti
Janne Mikkola,
Turun yliopisto
Lähteet:
1 Madden, M. – Fox, S. – Smith, A. – Vitak, J. (2007). Digital Footprints – Online identity management and search in the age of transparency. https://www.pewinternet.org/2007/12/16/digital-footprints/
2 Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400.
3 Auvinen, A. (2017). Oppimisanalytiikka tulee – Oletko valmis? Suomen eOppimiskeskus Ry. https://poluttamo.fi/2017/08/02/oppimisanalytiikka-tulee-oletko-valmis/
4 Brown, M. (2012). Learning analytics: Moving from concept to practice. EDUCAUSE Learning Initiative, 1-5.
5 Reyes, J. A. (2015). The skinny on big data in education: Learning analytics simplified. TechTrends, 59(2), 75-80.
