Blog

Blog

AnalytiikkaÄly-Etäohjaus

AnalytiikkaÄly-hankkeen työ jatkuu opetus- ja kulttuuriministeriön erityisavustuksella AnalytiikkaÄly-Etäohjaus-hankkeena vuoden 2022 toukokuuhun asti. Kehittämis- ja tutkimustyötä tehdään edelleen seitsemän yliopiston voimin Oulun yliopiston koordinoimana.

Edelliset puolitoista vuotta ovat asettaneet korkeakoulut uuden haasteen eteen. Etäopetus on ollut uutta usealle opiskelijalle ja opettajalle. Opetuksen lisäksi ohjaus, neuvonta ja muu yhteydenpito on toteutettu pääsääntöisesti etänä. Olemassa olevien työkalujen ja toimintamallien avulla on pidetty yhteyttä ja toteutettu opetusta. Uuden lukuvuoden alkaessa etä- ja hybridimuotoinen yhteydenpito asettaa jälleen uudet raamit vuorovaikutukselle korkeakoulukontekstissa. Sekä työkalut että toimintamallit ovat jo muotoutuneet osaksi opiskelijoiden ja opettajien arkea. On tärkeää kokeilla ja arvioida, miten oppimisanalytiikka voi myös tukea opiskelijoiden ja ohjaajien yhteistä työskentelyä. AnalytiikkaÄly-Etäohjaus-hankkeen tavoitteena on tukimallien ja analytiikkatyökalujen kehittäminen opiskelijoiden itseohjautuvien valmiuksien sekä etäohjauksen ja vuorovaikutuksen tueksi.

AnalytiikkaÄly-hankkeessa kehitettyjä työpöytiä ja käytäntöjä hyödynnetään nykyisen hankkeen kehittämis- ja tutkimustyössä. Pilotoinnit, simulaatiot ja työkalujen testaus jatkuu partneriyliopistoissa. Lisäksi työ eettisten kysymysten ja lainsäädännön osalta jatkuu osana oppimisanalytiikan hyödyntämistä etäohjauksessa. AnalytiikkaÄly-Etäohjaus-hankkeen työnä on myös ohjausprosessit. Etä- ja hybridiohjauksen analytiikkatietoa käyttävän tukimallin ja analytiikkatyövälineiden kokeilut tuottavat tietoa korkeakoulukentän käyttöön.

Jenni Kunnari, Oulun yliopisto

Uncategorized

Analytiikkaa opintojen ohjauksen tueksi

Tommi Haapaniemi, Itä-Suomen yliopisto

AnalytiikkaÄly-hankkeen kehittämistyön keskiössä on ollut alusta lähtien analytiikka, jonka datalähteenä on opiskelijarekistereissä oleva tieto opiskelijoiden toiminnasta ja opiskelun tuloksista.

Opiskelijoiden suoritustiedot kertovat menneestä

Opintorekisterissä olevat suoritustiedot ovat luonteeltaan historiallisia. Opintorekisterin tiedoissa viive on siinä mielessä merkittävä, että suoritukseen johtanut opiskeluprosessi on tyypillisesti suorituksen kirjaamisvaiheessa jo ohi. Analytiikan hyödyntämisen näkökulmasta opiskelijan tai opiskelijaryhmän opiskelussa on voinut tapahtua muutoksia ja tilanne saattaa olla tarkasteluhetkellä jo hyvinkin erilainen. Menneestä kertovan tiedon avulla on joissakin tapauksissa mahdollista arvioida ja ennustaa opiskelijoiden opintojen suuntaa hyödyntämällä tunnistettuja indikaattoreita. Haasteena kuitenkin on, että näiden indikaattoritietojen tunnistaminen on hankalaa, eivätkä niistä tehtävät päätelmät esimerkiksi yksittäisten opiskelijoiden kohdalla välttämättä pidä paikkaansa.

HOPSista suuntaa tulevaan

Yksi keskeisimmistä työvälineistä opiskelijan tavoitteiden ja suunnitelmien yhdistämiseksi analytiikkaa hyödyntävään opintopolun ohjaukseen näyttäisi olevan opiskelijan henkilökohtainen opintosuunnitelma eli HOPS. HOPSit otettiin opiskelijan ohjauksen välineenä käyttöön yliopistoissa laajasti 2006 tutkinnonuudistuksen yhteydessä (ks. esim. Ansela, Haapaniemi & Pirttimäki, 2005).

HOPSien käyttö on saanut niiden käyttöönoton jälkeen monia muotoja. Joissain tapauksissa niiden käyttö on voinut jäädä enemmän tai vähemmän teknisluontoiseksi. On myös voinut käydä niin, että HOPSit eri muotoineen ovat muodostuneet keskeiseksi osaksi opiskelijan ohjausta, mutta käytettävissä oleva teknologia ei ole tukenut kaikilta osin laajempaa soveltamista. Teknologian kehittyminen puolestaan luo sekä paineita, että mahdollisuuksia HOPSin ohjauksen ja opintohallinnollisten prosessien muutoksille.

Olemme UEFissa siirtymässä uuden opintotietojärjestelmän käyttöön. Sen myötä myötä saamme myös opiskelijoiden opintojen suunnittelun tueksi uusia työvälineitä. AnalytiikkaÄly-hankkeessa tehty kehitystyö on osoittanut, että HOPS voi saada oppimisanalytiikan näkökulmasta uusia merkityksiä. Kehittämisen mahdollisuudet ja reunaehdot ovat tällä hetkellä vielä osin avoimia, mutta olemme tunnistaneet hankkeen myötä sen, että opintopolun ohjauksen tueksi kehitettävässä analytiikassa tietoja tarvitaan sekä opiskelijan suunnitelmista, että toteutuneesta toiminnasta. Yliopisto-opiskelijoiden HOPSien merkitys ei siten ole vähenemässä, sillä oppimisanalytiikan monipuolinen hyödyntäminen itseohjautuvan opiskelijan ohjauksen tukena edellyttää HOPSiltakin uudenlaista dynaamisuutta.

Itseohjautuvan opiskelijan tukeminen analytiikkaa hyödyntävällä ohjauksella

Tähän mennessä olemme UEFissa kehittäneet suoritustietoihin ja palautteeseen pohjautuvaa analytiikkaa erityisesti yliopiston opetuksen johtamisen tarpeisiin. Seuraavissa vaiheissa tarkoituksena on siirtyä opiskelijoiden, opettajien ja ohjaajien oppimisanalytiikan välineiden kehittämiseen. Tavoitteena on luoda muun muassa välineitä ja toimintamalleja opiskelijoiden lisääntyneen etäopiskelun ja sen edellyttämän itseohjautuvuuden tuen tarpeisiin.

Itseohjautuvassa opiskelussa opiskelijan oman toiminnan suunnittelun ja sen arvioinnin merkitys korostuu. Knowlesin (1975) mukaan itseohjautuvuus on prosessi, jossa oppija on aloitteellinen. Itseohjautuva opiskelija toimii itsenäisesti tai toisten avulla oppimistarpeidensa havaitsemisessa, oppimistavoitteidensa määrittelyssä, tarvittavien oppimisresurssien hankkimisessa, itselleen sopivien oppimisstrategioiden valinnassa ja toteuttamisessa sekä oppimistulostensa arvioinnissa.

Itseohjautuva ei siis tarkoita yksinäistä oppimista. Siinä pyritään opiskelijan aloitteellisuuteen, mutta itseohjautuvaa opiskelua voidaan tukea ohjauksella ja tukemalla oman toiminnan arviointia esimerkiksi analytiikan tuottamalla tiedolla. Ohjauksen kohdentaminen sitä tarvitseville ja ajoittaminen opiskeluprosessin kannalta oikea-aikaisesti on haasteellista, mutta keskeistä ohjauksen onnistumiseksi. Kohdentamisen ja ajoittamisen kannalta keskeinen kysymys on se, minkälaista tietoa opiskelijan suunnitelmista, tavoitteista ja opintojen toteutumisesta ohjauksessa on käytettävissä.

Oppimisanalytiikan kytkeminen opiskelijan opintopolun ohjaukseen on vielä suurelta osin tuntematonta aluetta. Lisääntynyt etäopiskelu on teknistänyt opiskelua. Ja kun samaan aikaan yliopiston opintotietojärjestelmät uudistuvat, on hyvä pitää mielessä, että opiskelussa onnistumisessa ja merkityksellisessä oppimisessa ei ole kyse vain tekniikasta, suorittamisesta tai mitattavien asioiden toistojen määristä. Henkilökohtaiset kokemukset, kohtaamiset henkilökunnan kanssa ja opinnoille annettu merkitys ovat tärkeitä opiskelijoiden oppimiselle. Analytiikka voi tukea myös opettajan ja ohjaajan kehittymistä ja oman toiminnan reflektiota.

Oppimisanalytiikkatiedon tuella toteutettavia interventioita suunniteltaessa on tärkeää, että suhtaudumme kriittisesti perusoletuksiin, joita meillä on analytiikan käytöstä ja pohdimme kriittisesti ne tavat, joilla integroimme analytiikkatiedon käytön osaksi opiskelun arviointia ja ohjausta (Archer & Prinsloo, 2020). Tarvitsemme vielä lisää kokemusta ja tietoa analytiikan hyödyntämisestä opiskelijan opintopolun ohjauksessa.

References:

Archer, E. & Prinsloo, P. (2020) Speaking the unspoken in learning analytics: troubling the defaults, Assessment & Evaluation in Higher Education, 45:6, 888-900

Ansela, M., Haapaniemi, T. & Pirttimäki, S. (2005). Yliopisto-opiskelijan hops: Ohjaajan opas. Kuopion yliopisto, Oppimiskeskus.

Knowles, M. (1975). Self-directed learning. A guide for learners and teachers. Cambridge: Adult education.

Uncategorized

Askelmerkkejä oppimisanalytiikan eettisessä kehittämisessä ja käytössä

Kirjoittajat:

Jiri Lallimo, Aalto yliopisto

Anni Silvola, Oulun yliopisto

Oppimisanalytiikka voi tarjota monipuolista tukea opiskelijoille, ohjaajille, opettajille ja koulutuksen johtajille. Samalla se herättää uudenlaisia eettisiä kysymyksiä tiedon hyödyntämisestä osana koulutusinstituution käytänteitä. Oppimisanalytiikan etiikalla tarkoitetaan yleisesti oppimisanalytiikka käyttöön liittyvien arvojen tarkastelua eri käyttäjien näkökulmista, jotka yhdistyvät oppimisen ja opetuksen toivottuihin tai epäsuotuisiin toteutuksiin. Tyypillisesti keskustelu kohdistuu siihen,  millaiset asiat herättävät eri toimijoille kysymyksiä tai huolta esimerkiksi oppimisanalytiikan käyttötarkoituksesta, datan käsittelystä, oikeuksista dataan ja tuloksiin tai millaisia toimia analytiikan tuloksista tulisi seurata opiskelijan hyväksi. Tässä kirjoituksessa käymme lyhyesti läpi, millaisia oppimisanalytiikan eettisiä periaatteita korkeakouluissa on tunnistettu tähän mennessä tärkeiksi ja millaisia suuntaviivoja tutkimuskirjallisuus tarjoaa aiheeseen. Kun kirjoituksessa viittaamme yleisesti etiikkaan, tarkoitamme oppimisanalytiikan eettisiä kysymyksiä.

Eettisiin kysymyksiin liittyvä lainsäädäntö ja erityisesti vuonna 2018 voimaan tullut EU:n tietosuoja-asetus (GDPR, General Data Protection Regulation) sekä siihen liittyvät kansalliset tulkinnat ja ohjeistus datan käsittelystä vaikuttavat käytännön toteutuksiin. Tulkinnat ovat tällä hetkellä edelleen tarkentuvia. Koska oppimisanalytiikka on suhteellisen uusi elementti oppimisen ja opetuksen tukemiseksi, on aluksi tärkeää tunnistaa oppimisanalytiikan kehittämistä ja käyttöä ohjaavia eettisiä periaatteita. Periaatteiden taustalla vaikuttavat aiempi tutkimuskirjallisuus (esim. Slade & Prinsloo, 2013; Sclater, 2016), muissa Euroopan maissa toteutetut eettisen toiminnan linjaukset (esim. SURF ja JISC) sekä omat huomiomme. Keskeisiä periaatteita ovat:

  • Oikeus vaikuttaa omien henkilötietojen käsittelyyn
  • Oppimisanalytiikan tavoitteiden ja käytäntöjen läpinäkyvyys
  • Yliopiston julkistetut arvot, strategia ja toimintaperiaatteet oppimisanalytiikan kehittämisen pohjana
  • Tasapuolisuus eli erilaisten opiskelijoiden ja ryhmien omien tarpeiden tukeminen
  • Toiminnan laadun parantaminen eri toimijoiden omista näkökulmista
  • Positiivisen ja aktiivisen opiskelukokemuksen vahvistaminen
  • Henkilökohtaisen tuen ja palautteen tarjoaminen
  • Oppimisanalytiikka osana opettajan ja ohjaajan tarjoamaa tukea
  • Datan ja algoritmien kriittinen tarkastelu
  • Käyttäjäkeskeisyys oppimisanalytiikan kehittämisessä

Koulutusinstituutiot ovat valmistelemassa itselleen linjauksia, joissa yllä mainittuja periaatteita pyritään konkretisoimaan käytäntöjen näkökulmasta. Tämä on luonnollista, sillä koulutusinstituutiot tarvitsevat juridisen perustan sekä organisaatiokohtaisia määrittelyjä ohjaamaan oppimisanalytiikan kehittämistä ja käyttöä. Siinä yhdistyvät kysymykset organisaation tavoitteista, hallinnollisia linjauksia datan käytön rooleista ja oikeuksista, teknisiä elementtejä datan hallinnasta ja välineiden toteutuksista, sekä tärkeimpänä määrittelyjä käytännön analytiikkatoteutuksista opiskelijan, opettajan, ohjaajan,  palveluhenkilöstön ja johdon työskentelyn tueksi. Vaikka oppimisanalytiikan kokonaisuus on varsin monimuotoinen ja sisältää useita edelleen tarkentuvia elementtejä, erilaisilla linjauksilla ja yhteisillä päätöksillä turvataan, että oppimisanalytiikkaa käytetään yhteisesti sovittuihin tarkoituksiin ja että toimijoiden oikeudet ja tietosuoja toteutuvat.

Kansainvälinen kirjallisuus on painottanut opiskelijoiden ja henkilökunnan näkökulmia eettisiin kysymyksiin omina tarkasteltavina alueinaan, jotta erilaisiin käyttötapauksiin saadaan selkeitä ja käytännönläheisiä ratkaisuja. Opiskelijoiden rooli oppimisanalytiikan kehittämisessä ja käytössä on tunnistettu olennaiseksi, koska heidän toimintansa on pääasiallinen kerättävän tiedon lähde, mutta he ovat myös itse tiedon hyödyntäjiä. Tutkimuskirjallisuus on tunnistanut, että koulutusinstituutioiden oppimisanalytiikan kestävän toimintakulttuurin rakentamisessa on tärkeää osallistaa opiskelijat aktiivisesti oppimisanalytiikan kehittämisprosessin eri vaiheisiin (esim. Slade & Prinsloo, 2013). Opiskelijoiden toimijuuden tukeminen oppimisanalytiikalla on tunnistettu tärkeäksi myös oppimisen tukemisen näkökulmasta (Bennet & Folley, 2018). Koska opiskelijoiden osaaminen sekä identiteetti ovat jatkuvassa muutoksessa opiskelupolun aikana, on tärkeää tarkastella avoimesti ja kriittisesti, millaista tietoa opiskelijoiden toiminnasta on mielekästä kerätä ja millaiset mahdollisuudet opiskelijoilla itsellään on vaikuttaa opinnoista syntyvään digijalanjälkeen, datan käsittelyyn sekä analytiikkaa hyödyntävään tukeen. 

Henkilökunnan näkökulmia oppimisanalytiikan eettisiin kysymyksiin ei ole tutkittu kovin laajasti. On kuitenkin tarkasteltu esimerkiksi sitä, millaiset tekijät vaikuttavat oppimisanalytiikan hyväksymiseen, jotta sitä voitaisiin hyödyntää työkaluna erilaisissa tilanteissa. Klein ja muut (2019) huomasivat tutkimuksessaan, että opettajat eivät aina olleet selvillä siitä, miten heidän odotettiin hyödyntävän tarjolla olevia oppimisanalytiikan työkaluja työssään, ja tukisivatko työkalut opiskelijoita ja heidän hyvinvointiaan opettajien toivomalla tavalla. Lisäksi on tunnistettu, että teknologian käytettävyys ja sujuvuus, sekä opiskelijan tukeminen käyttöönoton päämääränä ovat opettajille ja ohjaajille usein tärkeitä (esim. Howell et al., 2018). Jos työkalujen käytöstä ei ole instituutiossa täyttä selvyyttä ja yksimielisyyttä, voi sen käyttö synnyttää helposti ammattieettisesti ristiriitaisia kokemuksia. 

Oppimisanalytiikan kehittäjät, sisältäen pedagogisen, data-analytiikka- ja teknologiaosaamisen, ovat keskeinen sidosryhmä eettisten työkalujen kehittämisessä. Vuoropuhelu eri ammattiryhmien välillä ja yhdessä loppukäyttäjien kanssa varmistaa eettisten kysymysten sisällyttämisen oppimisanalytiikan kehittämisprosesseihin, joissa  määritellään analytiikan loppukäytön muotoja. 

AnalytiikkaÄly-hankkeessa on kartoitettu laajasti käyttötarpeita ja työstetty opettajien, ohjaajien ja opiskelijoiden kanssa oppimisanalytiikan välineistöjä. Meneillään olevissa työpöytien testauksissa saamme tärkeää tietoa niihin liittyvistä käyttökokemuksista erilaisissa tilanteissa, kuten osana ohjausta tai omien opintojen suunnittelua, seurantaa ja ennakointia. Eettiset kysymykset eivät ole irrallista käsitteellistä pohdintaa, vaan saavat konkreetin muodon testauksen käyttökokemuksista uusien eettisten näkökulmien tunnistamiseksi oppimisen ja opettamisen analytiikkatuettujen käytäntöjen rakentamisessa.

References

Bennett, L., & Folley, S. (2019). Four design principles for learner dashboards that support student agency and empowerment. Journal of Applied Research in Higher Education, 12(1), 15-26. doi:http://dx.doi.org/10.1108/JARHE-11-2018-025

Howell, J. A., Roberts, L. D., Seaman, K., & Gibson, D. C. (2018). Are we on our way to becoming a “helicopter university”? academics’ views on learning analytics. Technology, Knowledge and Learning, 23(1), 1-20. doi:http://dx.doi.org/10.1007/s10758-017-9329-9

Klein, C., Lester, J., Rangwala, H., & Johri, A. (2019). Technological barriers and incentives to learning analytics adoption in higher education: Insights from users. Journal of Computing in Higher Education, 31(3), 604-625. doi:http://dx.doi.org/10.1007/s12528-019-09210-5

Sclater, N. (2016). Developing a code of practice for learning analytics. Journal of Learning Analytics, 3(1), 16-42

Slade, S., & Prinsloo, P. (2013). Learning Analytics: Ethical Issues and Dilemmas. American Behavioral Scientist, 57(10), 1510–1529. https://doi.org/10.1177/0002764213479366

Blog

Design and pilot of the learning analytics student tool in the University of Oulu

Holiday season is coming but we are still busy with learning analytics (LA). In this blog post we will update you about what is going in University of Oulu. First about the LA tool we have developed: how it was done and iterated and then about the continuing and planned pilots.

If you have been following our project and previous post, you may already know that one of the main goal in the AnalytiikkaÄly project was to develop learning analytics tools aimed directly for students. This was of high priority for the project and work started already in 2019. We had three guiding principles in our work: Grounding in learning theory, multidisciplinary collaboration, and user cantered design.

Firstly, we based out work on self-regulated learning theory suggesting four important phases for students self-regulated learning: Planning, monitoring, controlling and reflection. Our work aimed to support these phases with LA tool functionalities and we especially focused on the study path level starting from the begging till the end of the studies. As has been shown by previous research, majority of LA tools focus on course level processes with analytics reflecting micro level learning events. Our approach was different as we worked with and visualized macro level learning events such as enrolment and completion of courses, workload and graduation time estimations.

Picture 1. First version of the LA student tool

Secondly, we utilized multidisciplinary experts in the fields of IT and educational psychology, as well as legal specialist to plan, design and pilot the tool as well as to secure individuals’ privacy according to high ethical and legal standards.

Thirdly, the LA tool was designed based on the student needs analysis and improvements were made based on students’ feedback. So far, the tool has two iterations. Below you can see the first version of the tool is presented in the picture 1 and improved second version in the picture 2. Three functionalities were added to support planning of the studies. Additionally, more functionalities were added to help monitor progress of the studies without the focus on grades. 

Picture 2. Second improved version of the LA student tool.

Pilot of the improved version of the tool is organized from September 2020 until 2021 May. This study has a follow up design with pilot and control groups. Pilot groups will be provided with possibility to use the tool for the longer time and report on their experiences regarding perceived support for study planning, monitoring, controlling and reflection from the tool and its functionalities. Control groups will report about their regular experiences using other digital tools currently available in the University of Oulu.

This pilot will provide us an opportunity to gather students feedback about the tool. This information will be used to once again improve the tool as well as to better understand how phases of self-regulation are supported on the study path level. Additionally, we will be able to design recommendations and suggest processes how the LA tool should be best utilized in our university so that as many students as possible could benefit from learning analytics.

Egle Gedrimiene

University of Oulu

Blog

Oppimisanalytiikka etäopiskelijoiden ohjauksen työkaluna

LUT-yliopistolla on jo useamman vuoden ajan toteutettu etämaisteriohjelmia, joissa opiskelijat ovat taustaltaan joko ammattikorkeakoulusta valmistuneita insinöörejä tai tekniikan kandidaatteja. Tavoitteena heillä on valmistua diplomi-insinööreiksi joustavasti työn ohessa opiskellen, ja pääosa opinnoista suoritetaan etäopetusmateriaaleja ja etäyhteyksiä hyödyntäen.

Etäopiskeluohjelmissa opiskelevien opiskelijoiden taustat voivat olla hyvinkin erilaisia, osalla heistä edellisistä opinnoista on kulunut jo useita vuosia, kun taas osa saattaa jatkaa DI-opintoja suoraan insinööriopintojensa jatkeeksi, eli katkosta opiskelujen väliin ei tule. Lisäksi suurin osa etäopiskelijoista käy päivätöissä samanaikaisesti opintojensa kanssa, mikä luo ajankäytöllisiä haasteita opiskeluun, vaikka toki ohjelma onkin niin suunniteltu, että työnteko opintojen kanssa yhtä aikaa on mahdollista.

Edellä mainitut seikat ja opiskelijoiden erilaiset taustat asettavat haasteita opiskelijoiden ohjaukseen ja osaltaan myös opintojaksojen suunnitteluun, sillä taustatiedot eivät luonnollisesti ole opettajien eikä ohjaajien tiedossa, vaan tarvitaan oikeudet näiden tietojen käyttöön ennustuksia tehdessä. Eräänlaiseksi haasteeksi voi muodostua myös se, että etäohjelmiin osallistujat suunnittelevat usein tutkintonsa suoritusajan eripituiseksi verrattuna kampuksella läsnäoleviin opiskelijoihin. Tämän seurauksena HOPS saattaa sisältää samat opintojaksot esimerkiksi kahdelle, kolmelle tai jopa neljälle vuodelle rytmitettyinä, mutta silti kyseessä on opiskelijan näkökulmasta ihannetoteutusmalli. Opiskelijakohtaisten valintojen tunnistaminen opintojen viivästymisestä onkin siten yksi AnalytiikkaÄly-sovellukselta vaadittavista lisäominaisuuksista.

Ymmärrettävää toki on, että opiskelijoiden tarkemmat taustatiedot ja esimerkiksi tieto aikaisemmin hankitusta osaamisesta eivät ole yleisesti saatavilla, ja niiden tietojen käyttöön tarvitaan oikeudet. Näin etäopiskelijoiden opintojen ohjaustyöhän osallistuvina toivoisimme näkevämme joskus, jo mahdollisesti lähitulevaisuudessa, esimerkiksi jonkinlaisen ennustemallin/-ratkaisun, joka edesauttaisi opettajia ja ohjaajia ymmärtämään opiskelijoiden etenemistä perustuen heidän erilaisiin taustoihinsa ja ennakko-osaamiseensa.

Aikaisemmin opitun hyödyntäminen tutkinnossa (AHOT) vaatii AnalytiikkaÄly-sovelluksilta erityispiirteitä, jotka tulisi voida rakentaa opintojaksokohtaisesti siten, että opiskelijakohtaisesti voidaan tunnistaa AHOT-prosessiin sopiva osaaminen ja siirtää tieto ennustemalliin. Jos/kun AHOT-mahdollisuuden tunnistaminen on nykyisinkin suhteellisen vaativa prosessi, on se sitä varmasti pyrittäessä hyödyntämään AHOT-tunnistustoimintoja osana ennustemallia. Haasteita siis riittää, mutta toivottavasti näihin kuitenkin löytyy jonkinlaisia ratkaisuja, jos ei nyt vielä AnalytiikkaÄly-hankkeessa, niin mahdollisissa jatkoyhteistyökuvioissa lähitulevaisuudessa.

Toinen tärkeä seikka nyky-yliopistossa yliopiston näkökulmasta on yritysmaailman osaajatarpeiden ymmärtäminen ja sinne tarvittavan tulevaisuuden työvoiman tuottaminen. Olisi tärkeää osata yhdistää koulutustuotteiden sisällöt näihin osaajatarpeiden täyttämisiin, tämä voisi olla mahdollista esimerkiksi tuottamalla oikeanlaisia sivuopintokokonaisuuksia. Tässä onkin yksi suurista haasteista analytiikan näkökulmasta, kuinka osataan ennustaa esimerkiksi viiden vuoden päähän tätä tarvetta?

Katriina Mielonen ja Harri Eskelinen

Lappeenranta-Lahti University of Technology LUT