Oppimisanalytiikka kiinnostaa yhä vahvemmin koulutusorganisaatioiden toimijoita niin Suomessa kuin maailmalla. Oppilaitokset pyrkivät löytämään uusia mahdollisuuksia opiskelijoista kertyvien digitaalisten jälkien ja valtavien tietomäärien analysoimiseksi sekä opetuksen, ohjauksen ja oppimisen kehittämiseksi. Opiskelijoille halutaan tarjota entistä yksilöllisempiä oppimispolkuja ja mukautuvampia oppimisympäristöjä, jotka huomioivat yksilöllisen oppijan tarpeet. Opettajille toivotaan puolestaan monipuolisia työkaluja oppimisen tukemiseen ja oikea-aikaiseen ohjaukseen. Koulutusorganisaatioiden johdolle oppimisanalytiikka näyttäytyy muun muassa mahdollisuutena kehittää koulutusta, parantaa opinnoissa edistymistä ja ehkäistä opintojen keskeyttämisiä.

Kehitys tällä saralla on siirtymässä yhä lisääntyvissä määrin ennustavan analytiikan suuntaan. Analysoimalla kertynyttä dataa ja hyödyntämällä tiettyihin indikaattoreihin perustuvia algoritmejä on mahdollista ennustaa esimerkiksi opiskelijoiden opintomenestystä ja opinnoissa edistymistä sekä tavoiteajassa valmistumista ja mahdollista keskeyttämistä. Mutta millaisia eettisiä haasteita ennustavien mallien käyttämiseen liittyy? Voivatko ennusteet leimata tietyn opiskelijan tai opiskelijaryhmän jo etukäteen? Millaisia vaikutuksia ennusteilla voi olla motivaatioon tai opiskelijoiden ja opettajien toimintaan? Pystytäänkö ennusteessa huomioimaan tarpeeksi laajasti yksilölliseen oppijaan ja oppimiseen vaikuttavia seikkoja? Kuinka luotettavina ennusteita voidaan pitää? Voiko ennusteista tulla itseään toteuttavia?

Ennustavan analytiikan ja algoritmien haasteita on pohdittu mm. osana Erasmus+-rahoitteista STELA-projektia (ks. stela-project.org), jossa tutkittiin oppimisanalytiikan mahdollisuuksia tukea opiskelijaa korkeakouluun siirtymisessä. Projektin tulosten perusteella laadittiin suosituksia mm. ennustavan analytiikan hyödyntämiseen (ks. van Staalduinen ym. 2018).

Raportin mukaan ennustavia algoritmejä tulisi hyödyntää osana oppimisanalytiikkaa hyvin varovasti ja tietyt reunaehdot huomioiden. On muistettava, että ennustavat mallit perustuvat vain saatavilla olevaan dataan (mm. taustatiedot, oppimisjäljet). Tämä data on usein hyvin rajallinen mittari ja indikaattori sille, millainen opiskelija oikeasti on, miten hän toimii ja millaiset asiat hänen elämäänsä kulloinkin vaikuttavat. Ennusteet eivät siis lähtökohtaisesti pysty tarjoamaan kokonaiskuvaa opiskelijasta eivätkä kaikista opiskelijaan liittyvistä yksilöllisistä tekijöistä ja vaikuttimista. Opiskelijan suoriutumista ennustavien mallien taustalla on aina vain senhetkinen käytettävissä oleva data, eivätkä ennusteet jalostu kyseistä dataa ”paremmaksi” missään vaiheessa. On myös huomioitava, että ennusteet ovat etenkin yksilön näkökulmasta usein varsin epävarmoja eikä niiden pohjalta voida tehdä kovin kauaskantoisia, yksilölliseen oppijaan liittyviä johtopäätöksiä. (van Staalduinen ym. 2018.)

Ennustavalla analytiikalla on erilaisten haasteiden ohella kuitenkin myös monia mahdollisuuksia etenkin koulutuksen, opetuksen ja ohjauksen kehittämisen näkökulmasta. Ennustavan analytiikan potentiaali saadaan parhaiten hyödynnettyä huomioimalla edellä mainitut eettiset haasteet ja näkökulmat jo oppimisanalytiikan käyttöä suunniteltaessa. Erityisen tärkeää on pohtia, mitä ennustavien mallien käytöllä tavoitellaan ja mihin tarkoitukseen niitä hyödynnetään. Miten ennusteet tulevat tukemaan opiskelijoita ja heidän tarpeitaan opintojen eri vaiheissa? Millaisia toimenpiteitä ennusteiden jälkeen tehdään? Mahdollistavatko ennusteet esimerkiksi näkymät opinnoissa menestymisen kannalta tärkeäisiin ja merkityksellisiin asioihin, joiden perusteella koulutusta voidaan kehittää ja oppimista edistää? Tarjoavatko ne mahdollisuuden toimia ja tehdä tarvittavia ohjauksellisia interventioita saadun palautteen perusteella?

Ennustavan analytiikan on katsottu olevan hyödyllistä erityisesti silloin, kun se tarjoaa mahdollisimman luotettavasti tulkittavia näkymiä (interpretable insights) tehtyihin ennusteisiin. Tulkintojen tekijöiden tulisi olla riittävän tietoisia kerätyn datan kontekstista ja tulkintaan vaikuttavista muista tekijöistä. Heillä tulisi olla myös riittävästi asiantuntemusta tarvittavien ohjauksellisten interventioiden valintaan, ajoitukseen ja toteutukseen liittyen. Raportissa todetaan, että muun muassa monipuolisten visualisointien avulla on mahdollista tukea ennustavien mallien tulkintaa korostamalla niitä muuttujia, jotka ovat vaikuttaneet tulkintojen tekemiseen. (van Staalduinen ym. 2018.)

Oppimisanalytiikan kehitys on viime vuosina ollut huimaa, ja pilotteja on käynnistetty lukuisissa eri koulutusorganisaatiossa. Kehitystyön huumassa on kuitenkin hyvä muistaa, että oppimisanalytiikkaan liittyviä toimenpiteitä tulisi aina pyrkiä toteuttamaan eettiset näkökulmat huomioiden. Olennaista on pohtia perusteellisesti jo etukäteen, millaisella tiedolla ja analytiikalla on todellista oppimista tukevaa merkitystä (Auvinen 2017) ja miten niitä hyödynnetään oppimisen tukemisessa ja edistämisessä.

Lähteet

Auvinen, A-M. 2017. Oppimisanalytiikka tulee – oletko valmis? Suomen eOppimiskeskus ry.

van Staalduinen, J-P., De Laet, T., Broos, T., Leitner, P., Ebner, M., Siddle, R. & Foster, E. 2018. Summarizing report learning analytics supporting the transition to higher education. STELA (Successful Transition from secondary to higher Education using Learning Analytics) Erasmus+ project. Saatavilla: https://stela-project.org/wp-content/uploads/2018/11/STELA____O19___Summarizing_report_on_learning_analytics_for_the_transition_of_SE_to_HE.pdf Viitattu 10.5.2019.

———–

Kirjoittaja Riina Kleimola toimii lehtorina ja projektipäällikkönä Centria-ammattikorkeakoulussa.

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes:

<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

This site uses Akismet to reduce spam. Learn how your comment data is processed.