Blogi, featured

Analytiikka ohjauksen tukena

Oulun yliopistossa omaopettajat (HOPS-opettajat, opettajatuutorit) toimivat opiskelijan opintojen etenemisen tukijoina ja opintopolkujen ohjaajina. Omaopettaja on opiskelijalle tärkeä lähikontakti yliopisto-opintoihin ja hänen tehtäviinsä kuuluvat esimerkiksi opiskelijan tukeminen henkilökohtaisen opintosuunnitelman laatimisessa, opintojen etenemisen seuranta sekä opiskelijan ohjaus opintojen etenemiseen ja uravalintoihin liittyvissä asioissa. Omaopettajat ovat tyypillisesti saman tieteenalan lehtoreita, yliopisto-opettajia tai tutkijoita ja hoitavat omaopettajan tehtäviä oman työnsä ohella. 

Osana AnalytiikkaÄly -hanketta Oulun yliopistossa on kehitteillä  omaopettajille analytiikkatyökaluja, jotka helpottavat omaopettajan yksittäisen opiskelijan opintojen etenemisen seurantaa reaaliajassa. Kehitteillä olevien visualisointien tavoitteena on antaa omaopettajalle selkeä käsitys opiskelijan edistymisestä suhteessa opiskelijan omiin suunnitelmiin. Työkaluja voidaan hyödyntää esimerkiksi ohjaustilanteeseen valmistautumisessa, ohjaustilanteen aikana sekä yleisemmin opintojen seurannassa. Samalla kun kehitämme uusia oppimisanalytiikan työkaluja, tutkimme ja kehitämme myös käytäntöjä, joissa tietoa voidaan hyödyntää. Pelkkien työkalujen olemassaolon lisäksi tarvitsemme ymmärrystä siitä, kuka työkaluja käyttää, millaisiin tarkoituksiin ja missä tilanteissa.

Oulussa testataan seuraavaksi opintojen etenemistä visualisoivan työkalun toimivuutta toisen vuoden opiskelijan ja omaopettajan välisessä ohjauksessa. Tarkoituksena on selvittää, miten kehitetty työkalu toimii tietoa välittävässä ja keskustelua pohjustavassa roolissa, kun tavoitteena on miettiä yhdessä opiskelijan kanssa opintojen etenemistä ja opiskelijan omia tavoitteita opintojen suhteen. Yksi pilottitutkimuksen olennainen osa on luoda molemmille käyttäjäryhmille ohjeita ja opastusta uusien työkalujen käyttöön ohjauksen tukena. Samalla kun keräämme palautetta näkymien ymmärrettävyydestä ja mielekkyydestä, saamme tietoa erilaisten käyttäjien kokemuksista työkalun parissa. Jotta teknologian käyttöönotto olisi pysyvää, on sen käyttöympäristön ymmärtäminen olennaista.

Opiskelijan näkökulmasta on tärkeää kehittää työkaluja, jotka osana ohjaus- ja opiskelukäytäntöjä tukevat heitä opiskeluun ja sen suunnitteluun liittyvien valintojen tekemisessä. Opiskelijan ja omaopettajan yhteisiä ohjaustapaamisia ajatellen on tärkeää, että kehitettävät visualisoinnit ja työkalut edistävät laadukkaan vuorovaikutuksen muodostumista opiskelijan ja ohjaajan välille, teknisen tarkastelun tai tiedon kaivamisen sijasta. Tällöin kehitetyt työkalut auttavat merkityksellisten kohtaamisten syntymistä aidoissa vuorovaikutustilanteissa. 

Tekstin kirjoittivat

Anni Silvola ja Riku Hietaniemi, Oulun yliopisto

Blogi, featured

Opintojen etenemisen ennustaminen muuttuvassa osaamistavoitteiden ympäristössä

Kenelle ennustamme

Aika usein olemme nähneet ”ennustemalleja”, jotka kykenevät kuvaamaan tapahtumia vuosia, jopa vuosikymmeniä taaksepäin. Tiedämme varsin tarkkaan opiskelijajoukon tai vuosikurssin valmistuttua, kauanko valmistumiseen vaadittavat opinnot kestivät, mikä oli suoritettujen opintojen keskiarvo tai kyseisen vuosikurssin drop-out –rate. Kun tällaista dataa on tarpeiksi paljon, muodostamme keskiarvojen keskiarvoja, joita käyttäen kuvittelemme voivamme ennustaa tulevien opiskelijoiden etenemistä, johtamaan koulutusohjelmia tai tukemaan opintojen ohjausta. Todellisuudessa olemme kuitenkin hukanneet yksilön, jonka etenemistä meidän tulisi tarkastella ja samalla unohtaneet, että todellisessa ennustemallissa tulisi käsitellä opintojaan aloittavia uusia yksilöitä.

Monesti opintojen ennustemalleja suunnataan työkaluiksi opintojen ohjaamiseen, koulutusohjelmien johtamiseen tai yliopistotasoisen rahoitusmallin työkaluksi. Hieman yllättäen saattaa unohtua asiakkaan eli yksilöllisen opiskelijan tarvitseman ennustemallin tuottama tuki ja vielä useammin unohtuu ennustemallin hyödyntäminen loppukäyttäjän näkökulmasta: ennustemallin tulisi kyetä tuottamaan luotettavaa tietoa koulutustuotteiden kehittämiseksi siten, että valmistuvia opiskelijoita tarvitseva teollisuus saisi oikealla ja ajantasaisella osaamisprofiililla varustettuja asiantuntijoita käyttöönsä. Kun nykyisin ennustamme opintojen etenemistä, keskitymme ehkä liikaa tuotettuihin opintopisteisiin, valmistuvien määriin, opiskelun kestoon tai aiheutuneisiin opetuksen kustannuksiin. Hyvä ennustemalli kykenisi nostamaan näiden lisäksi esille osaamisprofiilin tarvitsemia muutoksia ja se huomioisi myös loppukäyttäjän. Aivan uuden haasteen luovat yleistyneet monimuoto- ja etäohjelmat, joissa opiskelijat etenevät digitaalisissa ympäristöissä oman aikataulunsa mukaisesti ja joiden sisältöjä voidaan päivittää reaaliaikaisesti missä kohtaa kalenterivuotta tahansa. Riippumatta oppimisympäristöstä ennustemallin tulisi kyetä ottamaan huomioon, että joku tarvitsee nämä valmistuvat opiskelijat!

Tukeeko järjestelmä toimintaamme vai ohjaako järjestelmä tekemistämme

Varsin klassinen kysymys tietojärjestelmiä kehitettäessä on, kuinka paljon joustavuutta järjestelmässä tulisi olla, jotta se soveltuisi erilaisten käyttäjien tarpeisiin? Puhtaasti analytiikan ja tilastollisen tarkastelun näkökulmasta tiukasti sääntöpohjainen ja lukittu järjestelmä olisi helpoin, mutta opintojen etenemistä kuvaavan ennustemallin kohdalla on ainakin kaksi isoa muuttujaa, jotka vaativat järjestelmältä joustavuutta. Ensinnäkin opiskelija taustoineen ja elämäntilanteineen on yksilö, joka joka tapauksessa etenee omia polkujaan. Toiseksi ennustemallin runkona olevat tutkintorakenteet ja niihin sisältyvät opintojaksot ainakin toivottavasti kehittyvät edellä mainitun loppukäyttäjän tarpeiden mukaisesti. Tämän vuoksi ennustemallin taustalla oleva järjestelmän tulee sallia ja tunnistaa monenlaista joustavuutta, joka koskee yksilön tekemiä valintoja, tutkintorakenteiden muutoksia ja päivityksiä, muuttuvalaajuksisia opintojaksoja sekä alun perin erimittaisiksi suunniteltuja opintopolkuja. Olisi kenkkua, jos järjestelmä olisi niin jäykkä, että opiskelijat pakotettaisiin johonkin tiettyyn muottiin tai että joustavuus opintojen toteutuksessa estettäisiin ”järjestelmäohjatusti”. Epäilemättä joustavuuden salliminen vaikeuttaa ennustemallin algoritmien muodostamista, mutta vain sallimalla joustavuus voidaan tuottaa ennustetietoa, joka palvelee koko ketjua asiakkaasta loppukäyttäjään saakka.

Jotta kuvatut tarpeet voitaisiin täyttää, olemme AnalytiikkaÄly-hankkeen kuvauksessa määritelleet mm. seuraavaa: ”Hankkeen viimeisessä vaiheessa koostetaan järjestämäriippumattomat ja geneeriset määrittelyt yhteisille toiminnanohjauksen kannalta keskeiselle tietosisällölle sekä eHopsia hyödyntävälle ennustemallille”.

Pidetään tämä mielessä, kun viemme hanketta yhdessä eteenpäin.

Kirjoittajat

Harri Eskelinen & Terho Lassila

Lappeenrannan-Lahden teknillinen yliopisto LUT

Blogi, featured

Oppimisanalytiikka arviointityökaluna – tietosuoja, oikeusturva ja virkavastuu

Tekoälysovellusten hyödyntäminen opiskelijoiden oppimisen tukena, opiskelijan ohjauksessa, oppimisen arvioinnissa sekä tiedolla johtamisessa voivat muuttaa yliopistoissa opetuksen antamiseen liittyviä menettelyjä ja käytäntöjä. Juridisesti tekoälyn käyttöön opiskelijan ohjauksessa ja oppimisen arvioinnissa liittyy useita ongelmakohtia, joihin ei ole vielä lainsäädännössä olemassa ratkaisuja.

Tietosuoja-asetuksessa on säädetty niistä edellytyksistä, joilla henkilötietoja voidaan käsitellä sekä niistä rajoitteista, jotka liittyvät rekisteröidyn profilointiin ja automatisoituun päätöksentekoon. Henkilötietojen käsittelyllä on oltava tietosuoja-asetuksen mukainen oikeusperuste. Esimerkiksi silloin kun tietojen käsittely on tarpeen yliopiston lakisääteinen velvoitteen noudattamiseksi, henkilötietojen käsittelyllä on olemassa asianmukainen oikeusperuste. Yliopistoille on asetettu lakisääteisiä velvoitteita muun muassa yliopistolaissa, jonka mukaan yliopistojen tehtävänä on esimerkiksi antaa tutkimukseen perustuvaa ylintä opetusta sekä järjestää opetus ja opintojen ohjaus siten, että tutkinnot on mahdollista suorittaa päätoimisesti opiskellen säädetyssä tavoitteellisessa suorittamisajassa. Oppimisanalytiikan käyttö yliopistoissa näiden velvoitteiden noudattamiseksi on oikeusperusteen näkökulmasta sallittua.

Oppimisanalytiikkaa hyödynnettäessä opiskelijoita joudutaan käytännössä profiloimaan heistä kertyneiden tietojen perusteella. Tietosuoja-asetuksen mukaan profiloinnilla tarkoitetaan mitä tahansa henkilötietojen automaattista käsittelyä, jossa henkilötietoja käyttämällä arvioidaan luonnollisen henkilön tiettyjä henkilökohtaisia ominaisuuksia. Opiskelijan oppimisen analysointi on tietosuoja-asetuksessa tarkoitettua profilointia, sillä opiskelijan kyky oppia on henkilökohtainen ominaisuus, jota oppimisanalytiikassa arvioidaan. Profilointia ei ole tietosuoja-asetuksessa kategorisesti kielletty, mutta sillä on oltava tietosuoja-asetuksessa säädetyt henkilötietojen käsittelyperusteet, joissa on huomioitava käyttötarkoitussidonnaisuus, tietojen minimointivaatimus ja tarpeellisuus, käsittelyn läpinäkyvyys ja rekisteröidyn oikeuksien toteuttamisen huomioiminen. Rekisteröidyllä on useissa tilanteissa oikeus vastustaa profilointia, mutta tällaista oikeutta ei ole, jos käsittely perustuu rekisterinpitäjän lakisääteisen velvollisuuden toteuttamiseen, kuten yliopistolaissa säädettyjen opetuksen antamisen ja ohjauksen toteuttamiseen.

Oppimisanalytiikkaa voidaan myös hyödyntää opiskelijoiden opintosuoritusten arvioinnissa. Tällainen oppimisanalytiikan käyttö voi olla tietosuoja-asetuksessa tarkoitettua automatisoitua päätöksentekoa, joka on lähtökohtaisesti kielletty. Yliopistoissa oppimisanalytiikkaa voidaan hyödyntää opiskelijoiden arvioinnissa ainoastaan, jos arviointiin liittyy opettajan tosiasiallinen kontrolli arvioinnin lopullisista tuloksista tai automatisoidusta arvioinnista säädetään erikseen laissa.

Opiskelijoiden oppimisen automaattiseen arviointiin liittyy myös muita kuin henkilötietojen suojaa koskevia kysymyksiä. Opiskelijan hyväksi on yliopistolaissa säädetty opintosuoritusten arviointiin liittyviä oikeusturvakeinoja. Oppimisanalytiikkaa hyödynnettäessä näistä oikeusturvakeinoista ei voida tinkiä. Oppimisen arviointi on myös julkisen vallan käyttöä, johon liittyy virkavastuun tosiasiallinen toteuttaminen. Virkavastuuta ei voida nykyisen lainsäädännön perusteella ulkoistaa automatiikalle, vaan virkavastuun kantaa viime kädessä arvioinnista vastannut opettaja.

Oppimisanalytiikan kehittämiselle on olemassa teknologisia edellytyksiä, mutta toiminnalliset ja oikeudelliset edellytykset hakevat vielä sijaa tekoälyn kehittämisessä. Juridiset haasteet eivät välttämättä muodosta nykyäänkään estettä oppimisanalytiikan hyödyntämiselle opiskelijoiden ohjaamisessa ja arvioinnissa, mutta kehitystyö edellyttää huolellisuutta toimintaprosesseja kehitettäessä opiskelijoiden henkilötietojen suojan ja oikeusturvan varmistamiseksi unohtamatta myöskään opettajan omaa oikeusturvaa.

Kirjoittajat

Tomi Voutilainen ja Juuso Ouli

Itä-Suomen yliopisto

Blogi

Oppimisanalytiikka ja sitä tukevat käytänteet

AnalytiikkaÄly -hankkeessa kehitetään oppimisanalytiikkaa ja sitä tukevia käytäntöjä, joiden avulla korkeakouluissa tuetaan sujuvaa opiskelua opintojen eri vaiheissa. Syksyn 2018 kuluessa olemme kartoittaneet käyttäjätarpeita opiskelijoilta, omaopettajilta, sekä tiedekuntien ja yliopiston hallinnon edustajilta. Keväällä ja kesällä 2019 siirrymme kohti sovellusten kehitystä, joita pilotoidaan syksystä 2019 alkaen.

Oppimisanalytiikka tarkoittaa oppimisesta ja opiskelusta kertyvän datan hyödyntämistä analysoituna palautteena eri käyttäjäryhmille. Analytiikkaa on hyödynnetty monilla eri aloilla jo pitkään, mutta koulutuksen ja oppimisen optimointiin analytiikkaa on sovellettu vasta noin kymmenen vuoden ajan ja erityisesti aivan viime vuosina. Koska oppimisanalytiikka perustuu opiskelijoista kertyviin digitaalisiin jälkiin, on analytiikkatiedon hyödyntäminen tiiviisti yhteydessä koulutuksen digitalisaatioon, eli niiden tietojärjestelmien ja digitaalisten toimintaympäristöjen käyttöön joita korkeakouluissa tällä hetkellä kasvavasti hyödynnetään.

Hankkeessamme keskitytään erityisesti opiskelun ohjauksen, opintojen suunnittelun, etenemisen seurannan ja tukemisen sekä johtamisen näkökulmiin. Tällä hetkellä  suurin osa oppimisanalytiikkaa hyödyntävistä työkaluista on kehitetty opintojaksoilla tapahtuvan oppimisen ja opiskelun optimoinnin tueksi. AnalytiikkaÄly-hankkeessa keskitymme opintojen kokonaispolun tukemiseen pidemmällä aikavälillä.

Olennainen osa oppimisanalytiikkan käytölle ovat siihen liittyvät juridiset kysymykset, kuten tietosuoja, sekä eettiset näkökulmat, esimerkiksi kenelle opiskelijan tiedot näkyvät oppilaitoksessa ja mitä näytämme opiskelijalle itselleen. Pohjautuen eri käyttäjäryhmien tarpeisiin sekä kokemuksiin luomme toimintamalleja oppimisanalytiikan soveltamiselle. Oppimisanalytiikan käytössä erityisesti opiskelijoiden yksityisyys, tiedon keräämisen ja käyttötarkoitusten vastuullisuus ja läpinäkyvyys, sekä tiedon tallentaminen ja erilaiset analyysimenetelmät ovat nousseet esille tärkeinä näkökulmina.

Oppimisanalytiikasta maaliskuussa kirjoitti

Anni Silvola,

Oulun yliopisto