Jatkuvasti muuttuva maailma asettaa uudenlaisia vaatimuksia osaamiselle. 2000-luvun tai uuden vuosituhannen osaamista on jäsennetty eri puolilla maailmaa (esim. Partnership of 21st Century Skills –hanke, ATC21S,  Oivallus -raportti), ja keskeisiksi osaamisiksi on nostettu mm. luovuus, kriittinen ajattelu ja ongelmanratkaisu, oppiminaan oppiminen, metakognitiiviset taidot, viestintä- ja yhteistyötaidot, informaation ja teknologian lukutaito.

Jatkuva muutos, työelämän uudet vaatimukset ja osaamistarpeet kaikuvat nyt joka puolelta ja asettavat vaatimuksia myös koulutuksen ja opetuksen kehittämiselle. Nämä teemat ovat vahvasti läsnä jo perusopetuksen päivitetyssä opetussuunnitelmassa, ja oppilaitosten perusasteelta korkeakouluihin tulisi opettaa ja tukea tämänkaltaisten osaamisten kehittymistä.

Haaste analytiikalle

Miten oppimisanalytiikka voisi tässä auttaa? Miten ilmaista määrällisesti tällaisia henkilökohtaisia ominaisuuksia ilman, että ne samalla supistuvat merkityksettömäksi statistiikaksi? Miten kerätään dataa erilaisista elämän konteksteista?  Miten teoreettiset rakenteet käännetään luotettavasti algoritmeiksi, joilla arvioidaan käyttäytymistä verkossa?

Journal of Learning Analyticsin vuoden 2016 numerossa 2 esitellään analytiikkakokeiluja 2000-luvun taitojen tueksi. Kun keskitytään tukemaan tulevaisuuden taitoja, oppimisanalytiikan painopistenä on useissa teemanumeron artikkeleissa oppijan saaman palauteen parantaminen, jotta hän voisi kantaa enemmän vastuuta omasta oppimisestaan, keskustella paremmin vertaisoppijoiden ja opettajien kanssa ja tulla tietoiseksi omista henkilökohtaisista ominaisuuksistaan (kuten avoimuus muutokselle, vastoinkäymisten sietokyky, reflektiivinen metakognitio).

Esimerkki: Tekstin tunnistus

Artikkeleissa esiteltiin mm. australialainen kokeellinen tutkimus Towards the Discovery of Learner Metacognition from Reflective Writings, jossa opiskelijoiden tuottamista reflektiivisista kirjoituksista etsittiin viitteitä oppijan metakognitiivisista taidoista avulla. Tuotetun algoritmin avulla tunnistettiin tekstistä esimerkiksi oppijan kuvailemia tunteita, oman toiminnan säätelyä, tavoitteen asettelua ja tiedollista osaamista. Seuraavassa vaiheessa olisi tarkoitus yhdistää tunnistettu tieto palautteeseen eli järjestelmä voisi antaa palautetta esimerkiksi reflektiotekstistä puuttuvista näkökulmista.

Esimerkki: Lokidata + itsearvioinnit

Toisessa artikkelissa Revealing Opportunities for 21st Century Learning: An Approach to Interpreting User Trace Log Dataa tarkasteltiin, miten lokidatan sekä itsearviointien avulla voidaan havaita oppijoiden työskentelystä kaavoja, jotka kuvaavat oppijoiden itseohjautuvuutta, luovuutta ja sosiaalista oppimista verkkoympäristössä. Tässä mallissa aihetta lähestyttiin laajasti ja hyödynnettiin sekä järjestelmästä saatavaa lokidataa, oppijoiden itsearviointia sekä laajempaa haastattelututkimusta. Tarkoituksena oli luoda mahdollisimman syvä ymmärrys käytössä olevasta ympäristöstä ja sen ominaisuuksista, oppijoista ja opettajasta sekä opettajan käyttämästä pedagogiikasta, jotta järjestelmästä saatavaa lokidataa osattaisiin tulkita.

Järjestelmästä kerättiin tietoa toiminnoista ja objektityypeistä. Toimintoja olivat:

  • kirjautuminen
  • lukeminen (sisällön katsominen)
  • luominen (median tai blogimerkinnän postaus)
  • kommentointi (keskusteluun osallistuminen tai töiden kommentointi)
  • arviointi (itse- tai vertaisarviointi)

Objektityyppejä olivat blogipostaus, video, kuva, käyttäjä ja ryhmä.

Seuraavaan taulukkoon on tiivistetty luotu viitekehys, jossa on kuvailtu eri teemat (luovuus, itseohjautuvuus, sosiaalisuus), niihin liittyvät suunnitellut tehtävät ja toiminnot sekä järjestelmän keräämä data toiminnasta.

Vaikka työ on vasta alussa, tulokset ovat rohkaisevia. Lokitiedoista oli havaittavissa kaavoja, jotka vastasivat niitä itseraportoituja taitoja, joita opetus ja alusta oli suunniteltu tukemaan.

Artikkelissa todetaan ”quantitative data begins to tell the story, but to design better environments and practices within those environments, – – we need other strategies to piece together a more complete picture of what is going on.” Tämä on hyvä pitää mielessä myös hankkeemme seuraavissa vaiheissa.

Vielä ollaan vaiheessa

Useissa artikkeleissa todettiin, että tämän tyyppinen oppimisanalytiikka on vielä varhaisessa kehittämisen vaiheessa ja vaatii jatkotutkimusta ja -kehittelyä. Artikkeleiden kirjoittajat olivat yksimielisiä siitä, että analytiikan pitää pohjautua kasvatustieteelliselle tutkimukselle. Jotta digitaalisia jälkiä ja kehittyneitä koneoppimisen menetelmiä voidaan hyödyntää kognitiivisten ja sosiaalisten oppimiseen liittyvien prosessien sekä käyttäytymisen mallintamiseen, täytyy niillä olla kasvatusteoreettinen perusta.

Moni esimerkki myös yhdisti järjestelmästä saatavaa lokidataa oppijan itsetuottamiin arviointeihin. Tämä koettiin erittäin tärkeäksi, jotta ilmiöstä saisi kokonaiskuvan ja järjestelmätason dataa voisi tulkita oikealla tavalla. Tämä muistutti mieleen alla olevan kuvion, jota olemme hankkeessammekin käyttäneet ja joka jäsentää oppimisanalytiikan kokonaiskuvaa mielestäni hyvin.

Jatkoa luvassa

Mielenkiintoista on nähdä, mitä lehden seuraava 2000-luvun taitoja ja analytiikkaa käsittelevä teemanumero tuo tullessaan. Teemanumero julkaistaan 2020 joten hankkeemme näkökulmasta se tulee valitettavasti hieman liian myöhään.

———–

Kirjoittaja Minna Koskinen työskentelee JAMKissa verkkopedagogiikan asiantuntijana.

Blogikirjoitus on laadittu osana APOA – avain parempaan oppimiseen AMKeissa -hanketta.