Blogi

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

Blogi

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

Lappeenrannan-Lahden teknillinen yliopisto LUT

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

Mitä oppimisanalytiikka on?

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.

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