Oppimisanalytiikka

Esimerkkejä oppimisanalytiikassa käytetyistä tietomassoista

Opinto­rekisterit

Esim. OPSU, Primus, Wilma

Suoritus­merkinnät, arvo­sanat, luku­järjes­tykset

Oppimis­järjestelmät

Esim. ViLLE, Moodle, Opentunti

Kirjau­tumis­tiedot, tehtävä­palau­tukset, kurssi-ilmot­tautu­miset, läsnä­olot

Erillis­aineistot

Esim. Tilastokeskus, avoin data, kyselyt

Taustatiedot, tutkimusaineistot

Kuva nuolista, jotka johtavat opintorekisteristä, oppimisjärjestelmistä ja erillisaineistoista alla olevaan Tietomassa ja analytiikka -laatikkoon

Tietomassa & analytiikka

Oppimisanalytiikan päämääränä on tyypillisesti tarjota keinoja, välineitä ja metodeja opintojen etenemisen seurantaan ja mahdollisten vaikeuksien ennakointiin. Erityiskiinnostuksena oppimisanalytiikassa on opintojen ohjaus ja oppimisen ja opetuksen avustuksen automatisointi. Keinojen avulla tavoitellaan testattuja, perusteltuja ja eettisesti kestäviä vaikutuksia oppimis-, opetus-, ohjaus- ja hallintoprosesseihin.

Esimerkki 1: Opintosuunnitelman tavoitteiden toteutuminen vuosikurssilla Esimerkki 2: Opiskelutottumusten analysointi Esimerkki 3: Kurssin suoritusten ennakointi Esimerkki 4: Automaattinen oppimisanalytiikka Oppimisanalytiikan tietosuoja ja etiikka

Esimerkki 1:
Opintosuunnitelman tavoitteiden toteutuminen vuosikurssilla

Oppimisanalytiikassa on tyypillistä mallien muodostaminen olemassa olevasta datasta. Esimerkiksi tarkastelemalla vuosittaista opintopisteiden kertymistä riittävän suuresta datamassasta voidaan mahdollisesti ennakoida tulevina vuosina opiskelijoiden koko lukuvuoden opintopistekertymää jo hyvissä ajoin. Tällainen malli mahdollistaa aikaisen reagoinnin ja tilanteen mahdollisen korjaamisen silloin, kun korjauksia on vielä mahdollista tehdä.

Esimerkki 2:
Opiskelutottumusten analysointi

Kyselyt voivat olla tehokkaita työkalujan oppimisanalytiikan vaatiman datan keräämisessä, erityisesti mikäli kyselydata voidaan yhdistää muilla keinoin kerättyyn dataan (esimerkiksi oppimisjärjestelmistä tai sensoreista automaattisesti kerätty data).

Pelkkien kyselyiden avullakin voidaan kuitenkin saavuttaa tärkeitä tuloksia. Oheisessa kuvaajassa on yhdistetty kaksi opiskelijoiden opiskelutottumuksia mittavasta kyselystä poimittua kysymystä.

Niin kuin kuvasta nähdään, ne opiskelijat, joilla on ystäviä, joiden kanssa tehdä tehtäviä, ilmoittavat selvästi harvemmin tuntevansa itsensä henkisesti tai fyysisesti väsyneeksi. Kuvan perusteella opiskelijoiden ryhmäytymisen edistämiseen kannattaa siis panostaa.

Esimerkki 3:
Kurssin suoritusten ennakointi

Jatkuva arviointi ja kurssin suoritusten kokonaisvaltainen kerääminen mahdollistaa kurssisuorituksia ennustavan mallin rakentamisen. Oheisessa kuvassa on esitetty kahdeksan viikon mittaisen kurssin tilanne toisella viikolla.

Kuvassa olevat pallot kuvaavat jokainen yhtä kurssin opiskelijaa. Pallot on värikoodattu opiskelijoiden kurssilla saavuttaman arvosanan mukaisesti. Huomionarvoista on, että jo toisella viikolla voidaan mallin avulla tunnistaa 80 % niistä opiskelijoista, jotka eivät tule läpäisemään kurssia.

Esimerkki 4:
Automaattinen oppimisanalytiikka

ViLLE tunnistaa automaattisesti oppilaiden oppimisvaikeuksia matematiikan eri osa-alueissa perustuen heidän suorituksistaan kerättyihin tietoihin.

Tutkimuksen mukaan ViLLEn käyttämät algoritmit tunnistavat oppimisvaikeuksia yhtä tehokkaasti kuin MAKEKO-testi. Automaattinen analytiikka mahdollistaa kuitenkin reaaliaikaisen tiedon esittämisen opettajalle koska tahansa ilman erillistä testausta.

Oppimisanalytiikan tietosuoja ja etiikka

Koska oppimisanalytiikan avulla käsitellään oppilaista kerättyjä tietoja, pitää analytiikan tietosuojaan suhtautua vakavasti. Oppimisanalytiikan keskus on alusta asti noudattanut toiminnassaan lakia ja eettisesti kestäviä periaatteita:

  1. Tietosuoja: Oppimisanalytiikan keskus noudattaa kaikessa analytiikkatiedon käsittelyssä ja säilytyksessä EU:n tietosuoja-asetusta. Myös ViLLEn tiedon käsittely on GDPR:n mukainen.
  2. Tutkimusluvat: Oppimisanalytiikan keskus kerää aina tutkimusluvat, mikäli automaattisesti tai muuten kerättyä tietoa käytetään osana tutkimusta. ViLLE kerää automaattisesti yli 2 miljoonaa palautusta joka kuukausi, mutta yhtään palautusta ei käytetä osana tutkimustuloksia ilman erillistä, kirjallisesti kerättyä lupaa tutkimukseen osallistuvalta tai tämän huoltajalta.
  3. Läpinäkyvyys: Oppimisanalytiikan ei näkemyksemme mukaan pidä olla salatiedettä, jota opettajat tai hallinto tekevät kammioissaan salaa oppijoilta. Sen sijaan oppimisanalytiikassa on tärkeää pitää prosessi mahdollisimman läpinäkyvänä alusta loppuun ja tarjota mahdollisuuksien mukaan myös oppijoille näkymä analysoinnin tuloksiin silloin, kun se on mahdollista.