Blogi

Menneitä ja tulevia askeleita

AnalytiikkaÄlyn hankekautta on jäljellä nyt vajaa vuosi. Kokoonnuimme hanketoimijoiden kanssa tammikuun lopuksi Turkuun katsastamaan hankkeen ajankohtaisia kysymyksiä. 

Tähän mennessä hankkeen puolentoista vuoden toimintakauden aikana on ehtinyt tapahtua jo paljon. Työ alkoi syksyllä 2018 opiskelijoiden ja henkilökunnan käyttäjätarpeita kartoittavilla työpajoilla, joita järjestettiin hankeyliopistoissa pitkin maata. Työpajoja seurasi keväällä 2019 kysely, jolla edelleen täydennettiin tietoja analytiikan tarpeista.  

Kerätyn tiedon pohjalta on alettu tuottamaan hankkeen omaa AnalytiikkaÄly-sovellusta sekä analytiikkatyökaluja Oulun yliopiston omaopettajille. Lisäksi analytiikan käyttöä varten on tehty selvitystyötä analytiikan juridisista kysymyksistä, yliopistotason policy-työstä, riskien tunnistamisesta sekä analytiikan käytöstä ennustamisessa

Turun tapaamisessa fokus oli seuraavissa askeleissa, joissa painottuu erityisesti käynnissä oleva sovelluskehittäminen ja sen pilotointi. Alkaneen vuoden aikana pääsemme tosissaan pilotoimaan hankkeen sovellusta. Keväällä aloitamme sovelluksen opiskelijanäkymästä ja syksyn puolelle pilotoitavaksi saadaan ohjaajien ja johdon näkymät. Pilotointeihin haetaan testaajia eri korkeakouluista ja niistä tiedotetaan kohderyhmiä, kun ne tulevat ajankohtaisiksi. 

Haluamme myös jakaa hankkeen tuloksia laajemmalle yleisölle ja yhtenä kanavana tähän tulemme toteuttamaan vuoden 2020 aikana kolme webinaaria. Aiheet sekä ajankohdat näet alta ja tarkempia linkkejä kannattaa odotella näiltä sivuilta sekä hankkeen somekanavilta. 

  • Tietosuojaperiaatteet, riskiarvio ja vaikutustenarviointi, 21.4.2020 klo 14-15 
  • AnalytiikkaÄly-sovellus, Student Dashboard, 27.5.2020 klo 13-14 
  • Opintopolku palvelupolkuna – analytiikan näkökulmia, 18.8.2020 klo 13-14 

Lisäksi Oulun Pedaforumin yhteydessä 19.8.2020 järjestetään avoin oppimisanalytiikan verkostotapaaminen. Tervetuloa mukaan! 

Janne Mikkola 

Turun yliopisto 

Blogi

Oppimisanalytiikan riskien tunnistaminen

Oppimisanalytiikalle on tyypillistä, että sen avulla kerätään monin eri tavoin ja hyödynnetään eri yhteyksissä opiskelijan toiminnasta syntyvää tietoa ilman, että opiskelijan tarvitsee joka vaiheessa tietoisesti ja aktiivisesti sitä tuottaa. Yliopiston on henkilötietoja käsittelevänä rekisterinpitäjänä arvioitava oppimisanalytiikan tietojen käsittelyyn liittyviä riskejä niiden hallitsemiseksi sekä henkilötietojen asianmukaisen käsittelyn varmistamiseksi.

AnalytiikkaÄly-hankkeen osana toteutetussa selvityksessä Oppimisanalytiikka ja opiskelijatietojen käsittely yliopistossa (Ouli, J. & Voutilainen, T. 2019) on tarkasteltu monipuolisesti eri oikeudellisia kysymyksiä oppimisanalytiikan käytöstä yliopistokoulutuksessa erityisesti yliopisto-opiskelijan näkökulmasta. Raportin liitteenä on myös oppimisanalytiikan näkökulmasta muokattu yksinkertaistettu riskiarviomalli tietojen käsittelyn riskien arviointiin erilaisille oppimisanalytiikan käyttötapauksille. Olemme valmistelleet tämän mallin pohjalta erillistä työvälinettä riskiarvion toteuttamiseksi, joka on tarkoitus julkaista ohjeistuksineen verkossa avoimesti käytettäväksi. Julkaistavan työvälineen muotoa hiotaan vielä. Valmistelun haasteellisuutta on lisännyt se, että uudenlaisen teknologian ohella asiaan liittyvä lainsäädäntö on osittain suhteellisen tuoretta. Tästä johtuen ohjeistuksia tai käyttötapauksia asiaan on melko vähän löydettävissä.

Oppimisanalytiikan riskien arvioinnissa omat haasteensa luovat myös painotuksiltaan erilaiset riskitekijät. Esimerkiksi yksi merkittävä riskitekijä on se, mikäli analytiikan käytön yhteydessä tehdään opiskelijaa koskevia automaattisia päätöksiä. Nimittäin Oulin ja Voutilaisen selvityksen perusteella ei ole olemassa lainsäädäntöä, joka mahdollistaisi automaattisen päätöksenteon hyödyntämisen oppimisanalytiikan käyttötapauksissa. Samankaltaisia asioita on noussut julkiseen keskusteluun myös koskien Kelan ja verottajan automaattisia päätöksiä.

Hankkeessa valmisteltava riskiarvion työväline ei automaattisesti vastaa siihen kysymykseen, onko rekisterinpitäjän toteutettava tietosuoja-asetuksen mukainen vaikutuksenarviointi. Se kuitenkin antaa oppimisanalytiikan erityiskysymyksiin sovelletun pohjan ja nostaa esille keskeiset pohdittavat riskit ja näkökulmat, joita joka tapauksessa on tietosuoja-asetuksen riskiperusteisen näkökulman mukaan arvioitava.

On myös huomattava, että vaikka tietojen käsittely riskiarvion näkökulmasta olisi oppimisanalytiikan käytössä hyvällä mallilla, on erikseen tarkasteltava myös sitä, toteutetaanko sitä eettisesti kestävin käytännöin ja perustein ja minkälaiset periaatteet analytiikan käyttöön hyväksytään ja miten eri tahojen vastuut toiminnassa määritellään. Lisäksi on huomattava Oulin ja Voutilaisen selvityksen perusteella se, että oppimisanalytiikkaa ei voida kehittää yliopistoissa pelkästään tietosuojalainsäädännön näkökulmasta, koska toimintaan vaikuttaa kansallisen liikkumavaran puitteissa yleishallinto-oikeudellinen sääntely, joista keskeisimpiä ovat hallintolaki, julkisuuslaki ja tiedonhallintalaki sekä erityislakina yliopistolaki.

Erikoissuunnittelija Tommi Haapaniemi, Opintopalvelut
Projektitutkija Meri Sariola, Oikeustieteiden laitos

Itä-Suomen yliopisto

Blogi

Läpinäkyvää analytiikkaa eri käyttäjäryhmille

Analytiikkaälyn käyttäjätarvekyselyissä lähdettiin liikkeelle arkihavainnosta, että oppimisanalytiikka ja sen käyttäminen ei ole termeinä tuttu opiskelijoille tai edes henkilökunnalle. Vastaajille oli toki selvää, että erilaisissa rekistereissä on tietoa opiskelijoista, opinnoista ja koulutuksista, mutta varsinaisesti oppimisanalytiikka ei ole käsitteenä erityisen tuttu. Esimerkiksi Tampereen yliopistossa ei ole toimintoa “oppimisanalytiikka”. 

Hankkeessa toteutettiin käyttäjätarvekyselyitä keväällä 2019 kuudessa partneriyliopistossa. Kyselyitä oli yhteensä viisi ja ne oli kohdistettu eri käyttäjäryhmille: opiskelijoille, opettajille, tutoropettajille/omaopettajille, opintokoordinaattoreille sekä koulutuksesta vastaaville. Kyselyyn vastasi 183 opiskelijaa ja 170 henkilökuntaan kuuluvaa henkilöä. Eri käyttäjäryhmille suunnatuilla kyselyillä saatiin selville, minkälaisia opiskeluun liittyvän analyyttisen tiedon hyödyntämisen tarpeita eri käyttäjäryhmillä on. Rikasta aineistoa saatiin erityisesti avoimista kysymyksistä, joissa selvitettiin, miten yliopiston tulisi hyödyntää rekisteridataa sekä minkälaisia eettisiä kysymyksiä liittyy rekisteridatan hyödyntämiseen. Avoimia vastauksia kertyi hyvin, sillä noin puolet vastaajista vastasi myös näihin avoimiin kysymyksiin. 

Sekä opiskelijat että henkilökunta olivat erityisen yksimielisiä opiskeludatan hyödyntämisestä yliopistossa. Reilu puolet vastaajista kertoi avoimissa vastauksissa toivovan yliopiston hyödyntävän rekisteridataa opetuksen suunnitteluun ja kehittämiseen. Eettisiä kysymyksiä käsittelevissä vastauksissa sen sijaan nousi esiin erilaisia näkemyksiä eri käyttäjäryhmillä. Opiskelijat pitivät mm. ohjeistusta, läpinäkyvyyttä, tietojen vaikutusta ja väärinkäyttöä sekä arkaluonteisen tiedon käyttöä suurimpina eettisinä ongelmina. Henkilökunta piti pitkälti näitä samoja asioita eettisinä ongelmina, mutta henkilökunnan joukossa oli yllättävän monta henkilöä (13,8 % kysymykseen vastanneista), joiden mielestä rekisteritiedon hyödyntämiseen ei liity lainkaan eettisiä ongelmia. Tämä oli mielenkiintoinen tutkimustulos, sillä kysymykseen ei oltu annettu valmiita vastausvaihtoehtoja vaan jokainen vastaaja sai kirjoittaa omia näkemyksiään siitä, mitä eettisiä kysymyksiä rekisteritiedon hyödyntämiseen liittyisi. 

Opiskelijoiden ja henkilökunnan poikkeaviin näkemyksiin lienee selityksenä asian lähestyminen eri näkökulmista. Opiskelijat eivät välttämättä ole täysin sisäistäneet analytiikan tarjoamia mahdollisuuksia heidän opintojensa tai yleisen yliopistonhallinnon vinkkelistä. Henkilökunnalla saattaa taas olla hyvin välineellinen suhtautuminen oppimisanalytiikan hyödyntämiseen. Opiskelijalle oman datan luovuttaminen on myös henkilökohtainen asia, henkilökunta näkee opiskelijat kuitenkin osittain myös kasvottomana massana. Mitään varsinaista ristiriitaa asiassa ei kuitenkaan ole, vaan ne edustavat analytiikan eri puolia esimerkiksi yksityisyyttä ja tuottavuutta. Tärkeintä lienee se, että eri toiminnallisuudet ja niiden merkitys on tarkkaan mietitty, eettisesti perusteltu ja kaikkien osapuolten hyväksyttävissä. Tulosten perusteella oppimisanalytiikassa riittää vielä runsaasti tehtävää. Käyttäjille tulee tarjota koulutusta yleisesti analytiikasta sekä erityisesti erilaisten palvelujen ja sovellusten käyttöön. Tähän yhteyteen tulisi liittää myös keskustelu analytiikan eettisestä käyttämisestä ja analytiikan pelisäännöistä. 

Hanna Lindsten

Jussi Okkonen

Tampereen yliopisto

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.