Analytiikkakuvioita ja graafeja

Oppimisanalytiikka ja ”sitä saat mitä mittaat”

Kulunut syksy on laajentanut omaa ymmärrystäni monesta asiasta. Olen itseopiskellut muutamaa verkkokurssia ja tutustunut Dare to Learnissa oppimisen emootioihin. Eräänä lokakuisena torstaina sain puolestaan mahdollisuuden osallistua oppimisanalytiikka-aiheiseen työpajaan Tampereella. Pajan järjesti 6Aika: Tulevaisuuden älykkäät oppimisympäristöt -hanke, johon tutustuin jo toukokuussa ketterien hankkeiden julkistustilaisuudessa.

Mistä oppimisen analytiikassa oikein on kyse?

Osittainhan asia ei ole mitään ihan uutta. Kaikki sähköiset oppimisalustat niin oppilaitoksissa kuin yrityksissäkin keräävät jonkin tasoista dataa ja lokeja käyttäjistään sekä käyttäjien suorituksista ja osaamisesta.

Jollain tasolla tiedetään kuinka moni teki tentin X, kuka jätti kurssin Y kesken, kuka oli aktiivisin verkkokeskustelija kurssilla W, keneltä on perehdytysmateriaalin viimeinen osa lukematta, kuinka monen ensiapukortti vanhenee ensi kuussa ja niin edelleen.

Tätä alustat ja organisaatiot ovat tehneet jo pitkään ilman, että ainakaan oman kokemukseni mukaan oltaisiin puhuttu nimenomaisesti oppimisanalytiikasta. Yritysten ja oppilaitosten yhteisissä keskusteluissa tulikin esiin se, että oppimisanalytiikka on aiheena vielä niin uutta, ettei täysin vielä tiedetä mistä on edes kyse.

Suoritustiedon keräämisestä datan hyödyntämiseen

Kun asiaa lähestyy analytiikka-termin alla, päästään kiinni määritelmiin ja soveltamiskohteisiin. Määritelmän mukaan tarkoitus on ”hyödyntää opiskelijoista tallennetua tietoa opetuksen ja oppimisen kehittämiseen. Tiedon analysoinnissa hyödynnetään koneoppimisen menetelmiä ja tiedon visualisointia”.

Näin lähestyttynä kyseessä on nouseva ala, jonka eteen jo tehdään käytännön sovelluksia oppilaitoksissa, kuten Tampereen AMK:lla mekaniikan ja fyysiikan opintojaksoilla sekä Turun yliopistossa tutkimusprojektien voimin.

Oppimisanalytiikan alla voidaan oppimista mitata sekä digitaalisesti tapahtuvissa suoritteissa yksityiskohtaisemmalla tasolla kuin aiemmin, mutta myös fyysisen ympäristön kautta. Opiskelutiloissa voi olla antureita, jotka seuraavat käyttöastetta, tai oppimista seurataan VR-lasien välityksellä ja saadaan dataa esim. katseen suunnasta ja katseen kestosta.

Yleisesti ottaen kenttä on vielä varsin hajanainen, eikä oppimisanalytiikan polulle lähteminen ole ihan itsestäänselvää. Kuten monessa muussakin asiassa, ennen aloittamista kannattaa miettiä miksi ja mitä tavoittelee.

Oppimisanalytiikka-työpajan ovikyltti Tredulla lokakuu 2018
Oppimisanalytiikka-työpaja Tampereella 11.10.2018. Kuva: Marjaana Jokinen

Datan keräämisestä oppimisen personointiin

Tyypillinen esimerkki analyytikan soveltamisesta on, kuinka kurssin keskenjättäneiden eli drop-outtien määrään voidaan vaikuttaa tutkimalla kertynyttä dataa ja sitä, mitä kurssilla tai sen sisällöissä on juuri sitä ennen tapahtunut. Tämän tiedon myötä opettaja/kouluttaja voi tehdä perusteltuja korjausliikkeitä – tai ainakin iteroiden kokeilla muuttaa vaikkapa kurssin sisältömodulien läpikäynnin järjestystä ja katsoa kuinka kävi.

Oppimisanalytiikan käyttöönotossa olisikin tärkeää se, että opettaja/kouluttaja kokee pitävänsä langat käsissään. Näin hän voi oikeasti käyttää saamaansa dataa koulutuksen kehittämiseen.

Itse hieman yllätyin työpajan aikana siitä, että monesti oppijat itse ovatkin niitä, jotka ovat eniten innoissaan mahdollisuudesta saada objektiivista dataa oppimisestaan ja kehittymisestään. Tätä asiaa ei siis koeta ”kyttäämisenä”.

Lisäksi Clanedin kaltaiset analytiikkaa ja tekoälyä hyödyntävät oppimisalustat voivat tuoda oppimiseen uusia ulottuvuuksia. Oppijan aiempien suoritusten analysointi voi johtaa oppimisen parempaan personointiin (“mitä sisältöjä sinun kannattaa tehdä seuraavaksi”, “kuka toinen olisi kiinnostunut samasta kuin sinä”), millä voi olla motivaation kannalta suuri vaikutus.

Mitä ei mittaa, siihen ei pääse kiinni

Itselleni päällimmäiseksi työpaja-iltapäivän jälkeen jäikin pohdinta, kuinka osata kysyä ne oikeat kysymykset oppimisanalytiikkaan liittyen. Miten miettiä tavoitteet? Entä ne mittaristot: mitä ylipäätään halutaan mitata ja mihin sitä halutaan käyttää?

Kun vaikkapa useammasta oppimisjärjestelmästä saatavaa tietoa JA eri paikoissa tapahtuvaa oppimista JA erilaisia oppimistapoja sullotaan samaan muottiin, saatetaan tulla pian sen eteen, että data ei ole vertailukelpoista.

Hyvä esimerkki on sellaisen yhteisen sanaston puuttuminen, jolla oppimistapahtumia kuvataan Experience API (xAPI) -rajapinnassa. Yhdessä järjestelmässä videon katsomista kuvataan näin: MatthewT played content ABC, toisessa sama tekeminen voikin olla: Learner started video ABC. Onneksi systemaattisen sanaston luomiseen on menetelmiä ja kun asia on huomioitu jo alusta lähtien, ollaan ainakin tehty yritys edetä oikeaan suuntaan.

Ja liikkeelle ei ainakaan pääse, jos ei ota ensimmäistä askelta! Parhaat tulokset saa vain kokeilemalla ja testaamalla.

Lue lisää

Tampere3-korkeakouluyhteisö on avannut datansa julkiseen käyttöön: https://avoindata.tuni.fi/