Blogi – Page 3

Muutama TAMKin APOA‐tiimiläinen on viime syksyn ja tämän kevään aikana perehtynyt opintojen keskeytyksiin ja niiden ennakointiin. Lisäksi on selvitetty, millaista ja missä muodossa olevaa dataa opiskelijat toivovat saavansa oppimisestaan ja edistymisestään. Tarkasteluja on tehty kahdessa TAMKin tekniikan alan koulutuksessa.

Tiimi on hyödyntänyt opintojen keskeytyksiin liittyvässä työskentelyssään mm. Moodlen lokitietoja. Tarkempaan tarkasteluun on otettu matematiikan opintojaksot, joissa on käytössä jatkuvan arvioinnin periaate. Alustavien tulosten perusteella näyttäisi siltä, että opiskelijan Moodle‐aktiivisuuden perusteella olisi ollut ennakoitavissa opintojen keskeytys joissain tapauksissa jopa kuukausia ennen opintojen keskeyttämistä. Tiimi on tulosten perusteella luottavainen, että vastaavan datan automaattinen hyödyntäminen palvelisi ennakoinnin tukena ja mahdollistaisi opintojen keskeyttämisen riskin tunnistamisen.

Alustavien tulosten perusteella näyttäisi siltä, että opiskelijan Moodle‐aktiivisuuden perusteella olisi ollut ennakoitavissa opintojen keskeytys joissain tapauksissa jopa kuukausia ennen opintojen keskeyttämistä.

Tällä hetkellä työ etenee siten, että dataa on kerätty myös muilta opintojaksoilta ja sitä ollaan analysoimassa. Lisäksi kevään aikana kehitämme visuaalista mallia, jolla opiskelija voi halutessaan seurata opintojakson aikaista edistymistään. Malli on tarkoitettu yksilön oppimisen tueksi ja ohjaamaan häntä aktiiviseksi oppijaksi.

———–

Kirjoittajat Hanna Kinnari‐Korpela, Kirsi-Maria Rinneheimo ja Sami Suhonen työskentelevät TAMKissa opetus- ja esimiestehtävissä, ja ovat APOAssa aktiivisesti oppimisanalytiikan kehittämisessä ja testauksessa mukana. Lisää heidän tekemisistään mm. TAMK Journalista otsikolla “Oppimisanalytiikka opetuksen ja oppimisen tukena“.

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

Toimintaympäristöjen voimakas muutos haastaa ammattikorkeakoulujen toiminnan. Uudistuva ammattikorkeakoulupedagogiikka vie oppimistoiminnan yhä voimakkaammin ulos oppilaitoksesta aitoihin oppimisympäristöihin. Erilaisissa oppimisympäristöissä työskentelevä opiskelija katoaa opettajan ulottumattomiin ja hän näyttäytyykin usein opettajalle verkko-opiskelijana. Tällöin opettajan tärkeimmiksi tehtäviksi nousevat ohjaus ja palautteen antaminen.

Saman aikaisesti ammattikorkeakoulupedagogiikassa korostuvat opiskelijalähtöisyys, yksilölliset ja joustavat opinpolut. Ammattikorkeakouluopiskelu näkyy opiskelijalle henkilökohtaisina valintoina ja toteutuksina niin tutkinto kuin opintojaksotasolla. Tällöin vastuu opiskelusta ja osaamisen kehittymisestä siirtyy opiskelijalle.

Vastuun siirtyminen opiskelijalle korostaa opiskelijan itseohjautuvuutta.

Hän suunnittelee, toteuttaa ja reflektoi oppimistaan. Itseohjautuvalla opiskelutaidolla (self-direction) tarkoitetaan opiskelija-aloitteista, vastuullista, suunnitelmallista ja tehokasta toimintaa erilaisissa opiskelutehtävissä ja -tilanteissa. Opiskelutaito on osaamista, joka kehittyy elämänkokemuksen ja koulutuksen tuoman harjaantumisen myötä. Näiden taitojen karttuminen edellyttää ohjausta ja palautetta. Miten voisin tukea opiskelijan itseohjautuvuutta ja oppimisprosessin omistajuutta kasvattamatta kuitenkaan omaa työpanostani?

Voisiko oppimisanalytiikka vastata opiskelijan kasvavaan palautteen janoon?

Kasvavan ohjaustarpeen tueksi opettajat kehittävät digitalisoituja opiskeluprosesseja. Oppimisalustalle laaditun prosessin tulisi ohjata opiskelijaa tarjoamalla palautetta etenemisestä ja oppimisesta. Jotta oppimisalusta voisi tuottaa automatisoitua palautetta, täytyy prosessin liittää suunnitteluvaiheessa arviointi-, palaute- ja ohjauspisteitä. Tässä yhteydessä arviointipiste voidaan määritellä digitaaliseksi jalanjäljeksi, joka toimii niin automatisoidun kuin opettajan palautteen ja ohjauksen tukena.

Luettuani artikkelin Ohjaaminen arvioinnin funktiona, havahduin tarkastelemaan ammattikorkeakoulupedagogiikan haasteita ohjaavan arvioinnin kautta. Ohjaava arviointi vastaa kolmeen eri tyyppiseen kysymykseen:

mihin opiskelija on menossa,
missä hän on nyt ja
mitä hänen pitäisi seuraavaksi tehdä.

Ohjaava arviointi kohdistuu opiskeluprosessin eri tasoille: tehtävä-, prosessi-, itsesäätely- sekä henkilötasoille. Tehtävätasolla palautteella otetaan kantaa jonkin tehtävän onnistumiseen tai johonkin tuotokseen. Prosessitason palaute kohdistuu siihen toimintaan, jolla tuotos tai lopputulos on saatu aikaiseksi. Itsesäätelytason palaute kohdistuu opiskelijan toiminnan itsearviointiin ja itseohjaukseen. Henkilötason palauteet taas sisältävät tavallisesti opiskelijan persoonaan kohdistuvia huomioita. Arjessa ohjaavan arvioinnin eri tasot ovat usein integroituneena palautteeseen ja harvemmin esiintyvät erillisinä.

Kun ohjaavan arvioinnin palautetyyppejä ja tarkastelutasoja sekä oppimisanalytiikalle asetettuja toiveita tarkastellaan rinnan, havaitaan, että olemme samojen tutkimuksellisten kysymysten äärellä. Tarkasteluun nousevat teemat, jotka liittyvät opiskelijoiden tukemiseen ja heidän oppimisprosesseihinsa: itseohjautuvuuden tuki, opiskelijoiden omien kykyjen ja kehityksen tuki, yksilöllisten vaikeuksien ja puollonkaulojen tunnistaminen, keskeytysten hallinta, tuki-interventioiden ajoitus, verkosto ja vuorovaikutus, vaihtoehtoiset oppimisresurssit, palaute ja oppimiskokemus. (Auvinen 2017)

Heräsin pohtimaan omaa arkeani ja toimintaani verkko-opettajana:

mihin havaintoihin tällä hetkellä nojaan omat tulkintani toteuttaessani ohjaavaa arviointia?
Millaisia digitaalisia jalanjälkiä hyödynnän toimintani tukena?
Millaisia digitaalisia jalanjälkiä opiskelijan toiminnasta tulisi jäädä?

Ohjaavan arvioinnin tarkastelu herätti monenlaisia ajatuksia. Auttaisiko ohjaavan arvioinnin tarkastelukulma yksinkertaistamaan ja määrittelemään datan keräämistä?

Entä, jos oppimisanalytiikka tuottaisi ohjaavan palautteen perustana olevan visualisoidun datan opiskelijalle itselleen?

Minkä ohjaavan arvioinnin kysymyksen tai tason tueksi riittäisikin pelkästään datan visualisointi ja mikä osa ohjaavasta arvioinnista jäisi opettajalle?

Näitä ajatuksia pyöriteltyäni koen, että ainakin osan opiskelijan palautteen janosta saisi tyydytettyä oppimisanalytiikalla – entä sinä?

Lähteitä

Auvinen, A-M. 2017. Oppimisanalytiikka tulee – oletko valmis?. Suomen eOppimiskeskus ry. http://poluttamo.fi/2017/08/02/oppimisanalytiikka-tulee-oletko-valmis/

Keurulainen, H, Siitari M-L ja Ylitervo, R. (toim.). 2018. Kokemuksia ja näkemyksiä uudistuvasta ammatillisesta oppimisesta: Ohjaaminen arvioinnin funktiona (s. 89 – 97). Jyväskylän ammattikorkeakoulu. http://urn.fi/URN:ISBN:978-951-830-517-3

———–

Kirjoittaja Satu Aksovaara työskentelee JAMKissa opettajankouluttajana.

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

Centria-ammattikorkeakoulun lehtori Riina Kleimola esitteli APOA-hanketta ja siihen liittyvää tutkimustaan AACE:n järjestämässä SITE Society for Technology in Teacher Education -konferenssissa, joka järjestettiin Las Vegasissa 18.-22.3.2019.

Konferenssi järjestetään tänä vuonna 30. kerran, ja siihen osallistuu lähes tuhat opettajaa, tutkijaa ja asiantuntijaa 39 eri maasta. Konferenssissa käsitellään laajasti opetuksen kehittämiseen ja opetusteknologan hyödyntämiseen liittyviä teemoja.

Kleimolan konferenssissa esittelemä tutkimuspaperi ”Developing Teaching Practices through the Utilization of Learning Analytics” käsittelee opetuksesta nousevia kehittämistarpeita ja oppimisanalytiikan mahdollisuuksia vastata näihin haasteisiin.

Centriasta konferenssiin osallistui myös APOA-hankkeessakin mukana oleva yliopettaja Irja Leppisaari, joka esitteli eAMK-hankkeen puitteissa tehtyä eRyhmämentorointiin liittyvää tutkimustaan.

Kun koulutusorganisaatiossa mietitään oppimisanalytiikan hyödyntämistä, polveilee keskustelu monenlaisten teemojen äärellä. Tätä pohdintaa helpottamaan on Euroopan komission tukemassa LACE-projektissa (The Learning Analytics Community Exchange, http://www.laceproject.eu/) laadittu vuonna 2016 ns. DELICATE-tarkistuslista.

Tarkistuslista koostuu kahdeksasta kohdasta, jotka englanniksi muodostavat sanan DELICATE – siitä tarkistuslistan nimi siis. Näitä kahdeksaa kohtaa koulutusorganisaation tulisi huolellisesti pohtia, kun oppimisanalytiikan käyttöönottoa suunnitellaan.

Tarkistuslistan teemat ja niihin liittyvät kysymykset ja huomioitavat asiat vähän mukaillen ja vapaasti suomennettuna ovat:

1. Määrittely (Determination)

Miksi oppimisanalytiikkaa halutaan hyödyntää? Mikä on siitä saatava lisäarvo? Millaiset oikeudet opiskelijalla on kerättävään dataan?

2. Tiedottaminen (Explain)

Tiedota avoimesti oppimisanalytiikan käyttötarkoituksesta ja päämäärästä. Mitä dataa kerätään ja mihin tarkoitukseen sitä käytetään? Kauanko dataa säilytetään? Kenellä on pääsy dataan?

3. Perusteleminen (Legitimate)

Miksi organisaatiolla on oikeus dataan? Mitä datalähteitä on jo käytössä? Riittävätkö ne? Pitääkö dataa kerätä lisää? Miksi?

4. Osallistaminen (Involve)

Ota mukaan kaikki osapuolet, datan hyödyntäjät ja opiskelijoiden edustajat. Keskustele avoimesti yksityisyyteen ja tietosuojaan liittyvistä kysymyksistä ja varmista opiskelijan oikeus omaan dataansa.

5. Suostumukset (Concent)

Pyydä opiskelijoilta suostumus dataan keräämiseen ja käsittelyyn ennen kuin aloitat. Laadi helposti ymmärrettävä suostumus, johon opiskelijat vastaavat Kyllä-/Ei-vaihtoehdoilla. Tarjoa mahdollisuus jättäytyä pois datan keruusta ilman seuraamuksia.

6. Anonymisointi (Anonymise)

Anonymisoi data aina kun mahdollista, niin että yksilön tunnistaminen on mahdotonta.

7. Käytänteet (Technical)

Millaiset käytännöt varmistavat tietosuojan? Seuraa säännöllisesti, kenellä on pääsy dataan. Jos jokin datan keräämiseen tai hyödyntämiseen liittyvä yksityiskohta muuttuu, päivitä tietosuojaan liittyvä ohjeistus ja opiskelijoiden hyväksymä suostumus.

8. Ulkoiset toimijat (External)

Jos työskentelet ulkoisten toimijoiden kanssa, varmista että myös he täyttävät kansalliset ja organisaatiokohtaiset vaatimukset. Laadi sopimus, jossa on selkeästi määritelty tietosuojaan liittyvät vastuut. Dataa saa hyödyntää vain siihen määriteltyyn käyttötarkoitukseen.

DELICATE-sana kääntyy suomeksi kauniisti oppimisanalytiikan teemaan sopivaksi: hienotunteisesta, herkästä tai vaativasta asiasta oppimisanalytiikassa on tosiaan kyse. Suomenkielisten termien kanssa täytynee tehdä vielä vähän töitä: lyhenne MTPOSAKU jää vähän hämäräksi, eivätkä anagrammikoneen (https://www.arrak.fi/fi/ag) ehdotuksetkaan teemaa kovin osuvasti avaa. Vai mitä sanotte näistä:

paksu tom puska tom upm oksat maku post kamu post upm sakot

kumota ps upm katso muka post upm katos potku sam musta kop

Lähteet:

Drachsler, H. & Geller, W. 2016. Privacy and analytics – it’s a DELICATE issue. A checklist to establish trusted Learning Analytics. Saatavissa: http://www.laceproject.eu/blog/ethics-privacy-in-learning-analytics-a-delicate-issue/. Viitattu 28.2.2019.

———–

Kirjoittaja Anna Pulkkinen työskentelee Centria-ammattikorkeakoulussa Averko eOppimiskeskuksessa eOppimisen kehittämispäällikkönä.

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

Oppimisanalytiikan tarkoitus on opiskelijoiden koulupolun ongelmakohtien löytäminen ja niiden poistaminen. Koulupolku itsessään on prosessi, jossa on tuntematon määrä toisiinsa vaikuttavia asioita. Koulupolkuun vaikuttavia seikkoja ovat mm. oppilaitosten fyysiset tilat, tilassa olevat ihmiset, oppiaineet, työelämän vaatimukset ja erityisesti opiskelijoiden omat toiveet sekä odotukset. Vaikuttavia tekijöitä on lukemattomia muitakin, mutta oleellista on, että tekijöiden yhteisvaikutukset saattavat hankaloittaa joidenkin opiskelijoiden opiskelua tarpeettoman paljon. Näitä yhteisvaikutuksia voidaan kutsua vaikkapa ”sekoittaviksi tekijöiksi”.

Opiskelijat reagoivat sekoittaviin tekijöihin kukin omalla tavallaan. Useimmat heistä pystyvät hallitsemaan tilannetta ja suoriutuvat koulupolustaan ilman suurempia hankaluuksia. Toisaalta on myös sellaisia opiskelijoita, jotka saattavat kokea jonkin asian ylipääsemättömän vaikeana ja pahimmassa tapauksessa he lopettavat opintonsa kokonaan.

Karkeasti ajatellen voisi sanoa, että useimmilla opiskelijoilla on voimakas sisäinen motivaatio, jonka avulla he kulkevat koulupolkunsa läpi. Osa opiskelijoista on kuitenkin sellaisia, joilta tämä sisäinen motivaatio puuttuu ja he opiskelevat enemmänkin ulkoa tulevan motivoinnin varassa. Ulkoa tuleva motivointi ei usein ole riittävän ”laadukasta” ja se ei ehkä riitä viemään koulupolkua loppuun saakka.

Ajattelenkin nyt, että oppimisanalytiikkaa kannattaisi lähestyä erityyppisten motivaatioiden suunnalta. Sisäisen motivaation kannalta oppimisanalytiikka voisi pyrkiä motivaation ylläpitoon. Ulkoa tulevan motivoinnin tilanteessa voitaisiin tarkastella sitä, miten se voisi muuttua sisäiseksi motivaatioksi. Tämä voisi olla mahdollista jonkinlaisen mallittamisen (toiminnallinen esimerkki) kautta. Lisäksi tässä olisi tärkeää löytää nopeasti häiritsevät ulkoiset tekijät, pyrkiä vähentämään niitä sekä ottaa käyttöön opiskelijoille sopivimmat pedagogiset menetelmät.

———–

Kirjoittaja Jyrki Rasku työskentelee Tampereen ammattikorkeakoulussa projektiasiantuntijana, erityisesti data-analytiikon roolissa. Hän tarkastelee APOAssa mm. sitä millaista analyysia opintosuoritusten perusteella voidaan tehdä, ja miten sitä voidaan käyttää tukemaan opiskelijoiden opintopolun rakentumista.

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

ExCel London -konferenssikeskus.

BETT 2019 (British Educational Training and Technology Show, https://www.bettshow.com/) on vuosittain Lontoossa pidettävä koulutuksen ja opetusteknologian tapahtuma, jossa vierailevat kymmenet tuhannet koulutusalan ammattilaiset. Näytteilleasettajia löytyy heitäkin useita satoja.

Robotiikkaa BETTissä.

Pääsin pyörähtämään BETTissä tänä vuonna ensimmäistä kertaa ja nähtävää oli vähintäänkin riittävästi. Robotiikka ja siihen liittyvät ohjelmointisovellukset saivat paljon näkyvyyttä. Yksi erittäin mielenkiintoinen ja minulle uusi tuttavuus oli pi-top 4 (https://www.pi-top.com/products/pi-top-4), joka perustuu Raspberry Pi -tietokoneeseen. Pi-topin avulla opiskelijat pystyvät oppimaan ohjelmointitaitoja ja näkemään käytännössä ohjelmointinsa tuloksia mm. sääpallon, Mars-mönkijän ja dronen kautta.

Tekoälyyn pohjautuvat sovellukset ovat myös nosteessa. Tällä saralla huomioni kiinnittyi oppimisalustaan nimeltään CENTURY (https://www.century.tech/). Alusta koostuu opetuspaketeista, joista oppija voi valita itseään kiinnostavia aiheita. Paketit sisältävät opetusmateriaalia niin video- kuin tekstimuodossa ja monivalintatehtäviä opitun arviointia varten. Opettajat pystyvät myös rakentamaan alustalle omia kokonaisuuksia. Kehittäjien mukaan CENTURY mukautuu oppijan tarpeisiin ja osaa kiinnostusten mukaan ehdottaa sopivia opetusmateriaaleja ja oppimispolkuja.

Oppimisanalytiikan parissa työskentelevien toimijoiden löytäminen oli yllättävän haasteellista. Erilaisia valvontaan ja turvallisuuteen keskittyviä palveluita oli paljon esillä. Turvallisuus tuli vastaan niin tietoturvallisuuden kuin fyysisen turvallisuuden muodossa. Osa esillä olevista palveluista käytti analytiikkaa apuna, kun toiset keskittyivät fyysisempiin palveluihin. Tutustuin näin suomalaiselle vieraalta tuntuvaan apuvälineeseen eli “apunappulaan”, jolla pystyy pyytämään apua hetkessä paikalle luokkaan, jos uhkaava tilanne pääsee yllättämään. Myös opettajan henkilökohtainen kaulassa roikotettava valvontakamera tuli vastaan.

Pääsin vierailemaan Sunborn Yacht -hotellilaivalla itslearning-oppimisalystan kehittäjien vieraana kuuntelemassa ja keskustelemassa itslearningin analytiikkamahdollisuuksista. Oppimisalustan keskeisin analytiikkaratkaisu kulkee nimellä 360-raportit (https://users.itslearning.fi/index.php/fi/2018/08/20/360-raportti-pahkinan-kuoressa/). Raportointinäkymä kuuluu alustan ominaisuuksiin ilman lisämaksua ja se tarjoaa opettajille mahdollisuuden seurata opiskelijoiden edistymistä ja aktiivisuutta kursseilla. Tarjolla on yleisraportteja visualisointeineen, opiskelijakohtaisia raportteja sekä lämpökartta (heatmap) aktiviteeteista.

Sunborn Yacht -hotellilaiva ja itslearning.

Tällä hetkellä raporttien tulkinta itslearningissa on käyttäjän vastuulla, mutta jatkossa erilaiset automaattiset ilmoitukset ja toimintasuositukset saattavat olla mahdollisia. Opiskelijoille ei ainakaan vielä tarjota analytiikkaa omasta edistymisestä tai edistymisestä suhteessa muihin opiskelijoihin, mutta palvelu kehittyy jatkuvasti, joten sellaista saattaa olla luvassa joskus myöhemmin.

Itslearningin yksi suurimmista kilpailijoista Suomessa on Moodle, joka on laajasti käytössä korkeakouluissamme. Moodle tarjoaa monenlaisia analytiikkalisäosia ja erillisen analytiikkamoottorin, joka kulkee nimellä Inspire Analytics, mutta näistä lisää myöhemmin.

———–

Kirjoittaja Jarmo Vihmalaakso työskentelee Tampereen ammattikorkeakoulussa e-oppimisen suunnittelijana.

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

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.

Learning Locker on Learning Record Store (LRS) -järjestelmä, jolle ehkäpä kuvaavin käännös on oppimistapahtumatietueiden tallennuspaikka. Learning Lockerin on kehittänyt HT2 Labs, ja järjestelmä on saatavilla niin avoimena lähdekoodina, kuin maksullisena pilvipalvelunakin. Learning Locker hyödyntää oppimistapahtumien tallentamisessa sähköistä oppimiseen liittyvää ohjelmointirajapintaa. Rajapinnasta käytetään nimitystä xAPI, tai Experience API tai TinCan API. XAPIn tapahtumat esitetään verkkosovellusten usein suosimassa tiedostomuodossa (JSON).

Learning Locker mahdollistaa erilaisista ulkoisista järjestelmistä koostetun tiedon yhdistämisen samaan tietovarastoon jatkokäsittelyä varten, sekä tarjoaa muutamia erilaisia visualisointityökaluja datan käsittelyyn. Maksullisessa versiossa visualisointityökaluja on tarjolla kattavammin. Learning Lockerin dokumentaation (2018) mukaan se on integroitavissa laajennosten avulla erilaisiin ulkoisiin oppimisalustoihin, kuten Moodleen, Blackboard Learniin ja ehkäpä Suomessa vähemmän tunnettuun Articulateen. Lisäksi tarjolla on Yammer-laajennos.

Miksi Learning Locker?

Learning Lockerin valintaan vaikuttivat erityisesti avoin lähdekoodi, ilmaisuus ja mahdollisuus asentaa se paikallisesti omille palvelimille – erityisesti EU-GDPR:n asettamien vaatimusten osalta pilvipalveluiden käyttäminen ei ole enää niin suoraviivaista. Myös Weissin (2017) mukaan Learning Locker on sijoittunut vuonna 2017 neljänneksi yhdeksän vertaillun LRS-järjestelmän kesken.

Learning Lockerin ominaisuuksista sai vaikutelman kattavasta ratkaisusta, jolla olisi mahdollista tallentaa oppimisanalytiikkadata sekä visualisoida se helposti. Lisäksi xAPIn avulla tapahtuva tiedon siirtäminen eri organisaatioiden LRS-järjestelmien kesken olisi helpompaa. Tästä olisi erityisesti hyötyä ristiinopiskelussa, sillä opiskelijoille esitettävän oppimisanalytiikkadatan on katettava kaikki hänen suorituksensa – riippumatta siitä, missä oppilaitoksissa hän opiskelee.

Learning Lockerin tietovarasto on toteutettu MongoDB:n avulla, joten sen sisältämää tietoa on mahdollista käyttää ulkoisissa visualisointityökaluissa kohtalaisen helposti – olettaen toki, että hallussa on ohjelmointiosaamista.

Kokemukset

Ensimmäiset kokemukset Learning Lockerista ovat varsin myönteisiä; sinällään järjestelmän käyttöönotto ja hyödyntäminen on varsin suoraviivaista. Hankalinta on ehkä saada järjestelmään merkityksellistä dataa järjestelmään sisälle. Kuten tulikin jo mainittua, Moodle-oppimisympäristöön on saatavilla erillinen laajennos, jonka voi konfiguroida lähettämään Moodlen keräämät tapahtumat Learning Locker-palvelimelle. Tämä vaatii myös palvelimen näkyviin julkisesti verkkoon, joten jätin tämän vaiheen pois ja rakensin erillisen työkalun, joka koostaa xAPI-tapahtumat Moodlen lokitiedostojen perusteella ja lähettää ne halutulle Learning Locker –palvelimelle, jota voi ajaa vaikkapa paikallisesti virtuaalikoneessa.

Pilotoinnin perusteella Learning Lockerin visualisointityökalut ovat erinomaisia nopeita testejä sekä yksinkertaisia visualisointeja varten, joissa dataa ei tarvitse yhdistellä tai käsitellä erityisesti – näkyvää saa aikaan muutamassa minuutissa, kuten esimerkiksi alla olevan aktiivisuutta esittävän kaavioyhdistelmän. Mikäli tarvetta on monimutkaisemmille kyselyille, on syytä käyttää muita työkaluja visualisoinnin tukena.

Tietojen siirrettävyys saa apuja Learning Lockerin käytöstä; minkä tahansa kyselyn tiedot voi siirtää CSV-muodossa olevaan tekstitiedostoon. Tekstitiedosto sisältää JSON-muodossa kunkin kyselyn palauttaman xAPI-tapahtuman, joten se on pienellä vaivalla mahdollista lukea ohjelmallisesti sekä siirtää toiseen xAPI-rajapinnan toteuttavaan järjestelmään.

Miten tästä eteenpäin?

Learning Lockeria on kokeiltu Karelia-ammattikorkeakoulun tietojenkäsittelyn sekä kielten opintojen verkkokurssien datan avulla. Vuonna 2018 olemme hyödyntäneet Learning Lockeria ja xAPIa visualisointiin liittyvissä piloteissa, ja oppimisanalytiikkadatan hallinnassa järjestelmä on osoittautunut varsin toimivaksi.

Teknisestä näkökulmasta olemme jo hyvin perillä Learning Lockerin ja xAPIn mahdollisuuksista. Jatkamme jo alkaneiden pilottien parissa, sekä jakamaan niistä saatuja tuloksia laajemmin. Toki edessä on vielä selvitystyötä rajanpintojen parissa, kuten esimerkiksi Peppi-järjestelmän sisältämän datan integrointi Learning Lockeriin.

———–

Kirjoittaja Anssi Gröhn työskentelee Karelia-ammattikorkeakoulussa lehtorina, ja APOAn paikallisena projektipäällikkönä. Hänen kiinnostuksen kohteisiin kuuluu mm. oppimisanalytiikan sekä virtuaali- ja jaetun todellisuuden kehitys.

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

Olen muutaman kerran käyttänyt personal trainerin palveluja tukemaan omaa kuntosalitreenini kehittymistä. PT-jakson ollessa käynnissä huomaan käyttäväni treeniin myös enemmän aikaa. Ohjattu tieto ja palaute treenin oikea-aikaisuudesta, oikealla tekniikalla tehdyistä treeniliikkeistä, sarjoista, toistoista, ravinnosta ja palautumisesta on otettavissa kuitenkin haltuun myös muutakin kautta.

Kuitenkin motivaatio syntyy autenttisesta vuoropuhelusta PT:n kanssa. Saan palautetta ja tukea valmennusjakson ajan. Myöskin sosiaalinen paine lisää motivaatiota salakavalasti – kehtaanko mennä seuraavaan ohjattuun treenisessioon ja kertoa jättäneeni ohjeita noudattamatta. Mittaan itseäni myös älykellolla, joka kertoo minulle päivittäin aktiivisuudestani sekä tallentaa liikuntasessioni. Ranteessani oleva älykello muistuttaa ja kannustaa minua aktiivisuuden tärkeydestä, joka intensiivisessä tietotyössä on periaatteessa mahdollista unhoittaa täysin.

Myös koulumaailmassa on yhä enemmän mitattavaa ja arvioitavaa. Mitäpä, jos opiskelija voisikin palkata opiskelunsa oheen oman ”opiskelun PT:n”? Periaatteessahan meillä on jo opettajat ja muu tukipalveluhenkilökunta, jotka toteuttavat uudistuvissa tutkinnon perusteissa jokaisella koulutusasteella yhä enemmän henkilökohtaisen ohjauksen ja opetuksen opiskelijalähtöistä mallia. Tämän on kuitenkin kritisoitu vievän aikaa, mikä varmasti on tottakin, jollei prosesseja kehitetä vastaamaan olemassa olevaa toimintarakennetta ja -arkkitehtuuria.

Näen, että erilaisilla teknologioilla on tässä paljon annettavaa, sillä pelkästään yleisesti käytössä olevien staattisten verkko-oppimisympäristöjen avulla ei voida luoda opiskelijaa tukevaa oppimisprosessia, jossa opiskelija on keskiössä. Opiskelijasta voidaan kerätä tietoa samalla tavalla kuin minä kerään tietoa itsestäni esim. älykellolla. Samalla tavoin voisimme kytkeä datankeräyspisteitä erilaisiin oppimisympäristöihin, kuten oppimispeleihin, luokkatiloihin, verkko-oppimisympäristöihin. Näiden lähteiden kautta on mahdollista koota dataa yhteen järjestelmään ja siten päästä kiinni isoon anonymisoituun dataan. Tästä datasta puolestaan voidaan luoda erilaisia ennustemalleja sekä tukea opiskelijan opintopolkua yhä henkilökohtaisemmin hyödyntäen olemassa olevia data-analytiikkatyökaluja ja –visualisointeja.

APOA – avain parempaan oppimiseen AMKeissa –hankkeessa etsimme ja pilotoimme erilaisia ratkaisuja sekä käytäntöjä tähän teemaan. Hankkeen alkuvaiheessa työn alla on työpajat kaikissa hankeorganisaatioissa. Työpajoissa käymme läpi opettajien ja opiskelijoiden ajatuksia oppimisanalytiikasta. Näistä ajatuksista saamme muodostettua konkreettisia toiveita oppimisanalytiikan käytölle ja sekä pilottiaihioita, joita aletaan ensi keväänä toteuttamaan.

Piip! Alussa mainitsemani älykello kehottaa minua nousemaan työpisteeltäni ja jaloittelemaan. Ehkäpä jonain päivänä kelloni kannustaa ja tukee myös jatko-opintojani?

———–

Kirjoittaja Henry Paananen työskentelee HAMKin ammatillisen osaamisen tutkimusyksikössä TKI-tehtävissä.

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

2nd Annual Learning & Student Analytics Conference was held during October 22-23 at University of Amsterdam. Some of the APOA-project team members attended to the conference. The conference brought together practitioners, lecturers and researchers to share ongoing practices and research related to learning analytics. Following the most interesting topics and presentations are shortly introduced.

Timothy A. McKay from the University of Michigan kept an interesting key note speech regarding to using LA for probing equity in education. He gave i.e. examples about exploring performance differences in large STEM-courses with LA. They had compared students’ expected performance (based on GPA) and achieved performance in specific physics course and observed that women had performed worse than expected. Based on their investigations, McKay suggested to concentrate from who did well-or-poorly to who did better-or-worse than expected. McKay also told about the tools they use to personalize education. A tool called ECoach allows both to learn more and to experiment with possible interventions.

Here’s also an interesting article from McKay, Architecting for Learning Analytics

Scaling grassroots projects

“Scaling grassroots projects” -session was probably the best parallel session of the conference. This session included three concrete presentations about exploitability of LA. In this session we were presented the implementation of learning analytics at Nottingham Trent University and got insights from STELA & ABLE Erasmus+ projects.

Tom Broos from KU Luven suggested to start building LA from context, not from tools. He also recalled that building systems and tools require local knowledge of practitioners and end-users. This was also highly valued issue by Ed Foster from Nottingham Trent University. He highlighted that “the perfect tool needs perfect understanding of your institution and your systems. No vendor/internal IS specialist has this.”

NTU is already using a student dashboard that gives information to both the students and teaching staff. It presents an overall picture about each student’s engagement with their course. More info is available on their website, it is worth checking out!

The presentation about the STELA and ABLE projects was all about implementing institutional learning analytics. The picture below shows the steps used in ABLE. You can read more about the steps and the challenges behind them from here: https://oflablog.files.wordpress.com/2018/10/lsac-2018-presentation.pdf

Modelling implementing change

The conclusion of this all was that implementation process takes a long time. It requires patience and countless meetings with everyone involved in developing or using LA. Even though it is not easy it is still a thing one should do. There is no turning back.

Further information available at

http://stela-project.eu/

http://www.ableproject.eu/

https://livinglearninganalytics.blog/

Fred Pope from University of Amsterdam presented their research during which they had investigated students study tempo. They had noticed that high-performing first year students under performed in their second year, leading to delayed graduation or even dropping out. They had managed to develop a simple prediction model of students’ study tempo. In their investigations, all students that do not continue their tempo and dip more than 1 period, will delay their graduation more than 1 year.

Overall, it appears that while other nations are struggling with funding issues we have quite an unique and fruitful situation here in Finland. The Ministry of Culture and Education has funded this national project that has a potential to change practices not only locally but also in (inter)national level.

Oppimisanalytiikkaa ennakoinnin ja oppimisen tueksi

Opiskelija kaipaa palautetta – analytiikasta apua palautteen janoon?

Lähteitä

APOA esillä AACE:n SITE-konferenssissa Las Vegasissa

DELICATE – Eli PAKSU TOM?

1. Määrittely (Determination)

2. Tiedottaminen (Explain)

3. Perusteleminen (Legitimate)

4. Osallistaminen (Involve)

5. Suostumukset (Concent)

6. Anonymisointi (Anonymise)

7. Käytänteet (Technical)

8. Ulkoiset toimijat (External)

Lähteet:

Oppimisanalytiikka ja motivaatio

BETT 2019: löytyykö oppimisen analysoimista?

APOAlaisen ääni #3: 2000-luvun taidot ja oppimisanalytiikka

Haaste analytiikalle

Esimerkki: Tekstin tunnistus

Esimerkki: Lokidata + itsearvioinnit

Vielä ollaan vaiheessa

Jatkoa luvassa

APOAlaisen ääni #2: Oppimisanalytiikan kokeiluja eli: kuinka lakkasin olemasta huolissani ja rakastamaan LRS:ää

Miksi Learning Locker?

Kokemukset

Miten tästä eteenpäin?

APOAlaisen ääni #1: Oppimisen oma PT

International perspectives on learning analytics from LSAC2018

Ota yhteyttä

APOA Facebook

APOA Twitter