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

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