Mitä oppimisanalytiikka on?
Oppimisanalytiikka (Learning analytics) on ilmiönä ja terminä suhteellisen uusi. Kuvassa 1 on esitetty hakutermin “Learning Analytics” suhteellinen esiintyvyys Google Trends -haussa kymmenen viime vuoden ajalta (Google Trends 2017). Oppimisanalytiikalle ei ole vielä vakiintunut yhtä, täsmällistä määritelmää, mutta ensimmäisessä alan omassa konferenssissa 2011 esitetty määritelmä on edelleen laajalti käytössä:
“Learning analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs” (Call for Papers… 2011).
Oppimisanalytiikalla tarkoitetaan siis opiskelijoiden oppimistapahtumissa tuottaman datan mittaamista, keräämistä, analysointia ja raportointia. Datan avulla oppimista voidaan tukea, kehittää ja optimoida. Sen avulla on myös mahdollista kehittää käytettävää oppimisympäristöä sekä oppimateriaaleja. Oppimisanalytiikan määritelmä ei sinänsä rajaa sen käyttöä pelkästään verkkokursseihin. Käytännössä kuitenkin datan kerääminen luokkaopetuksesta on huomattavan paljon hankalampaa kuin automaattisesti tapahtuva verkkokurssien lokitietojen tallentaminen.
Kuva 1 Hakutermin “Learning Analytics” suhteellinen esiintyvyys aikavälillä 16.2.2007–16.2.2017
Oppilaitoksissa on mahdollista kerätä paljon moninaista dataa koulutukseen ja oppimiseen liittyvistä prosesseista. Suurista opiskelijajoukoista, opintorekistereistä, oppimisympäristöistä ja opintojaksoilta on mahdollista kerätä suuria määriä erityyppistä dataa mm. oppimistapahtumista, opiskelijoiden taustatiedoista ja opiskelijoiden toimista verkossa (big data). Tätä dataa on mahdollista tutkia (koulutuksellisen)tiedonlouhinnan menetelmin (educational data mining, myöhemmin käytetään termiä tiedonlouhinta) ja edelleen jalostaa sitä koulutuksellisiin tarpeisiin.
Oppimisanalytiikan ja tiedonlouhinnan keskeisenä tavoitteena on tukea ja kehittää koulutusta ja oppimistapahtumia. Näiden avulla pyritään tuottamaan hyödyllistä koulutukseen liittyvää informaatiota eri sidosryhmille. Oppimisanalytiikan ja tiedonlouhinnan välillä on paljon yhtäläisyyksiä mutta myös eroja. Keskeisimpänä erona voidaan pitää sitä, että oppimisanalytiikassa on suurempi painoarvo ihmisen tekemälle tulkinnalle, kun taas tiedonlouhinta käyttää enemmän automatisoituja menetelmiä tiedon tutkimisessa (Siemens & Baker 2012).
Tiedon kerääminen TAMKissa
TAMKissa on käytössä Moodlen toimittama oppimisen hallintajärjestelmä, joka on nimetty Tabulaksi. Tabula tallentaa lokiinsa kaiken sen rakennehierarkian päätasolla tapahtuvan aktiivisuuden. Tämä tarkoittaa käytännössä kellonaikamerkintää jokaisen opiskelijan avaaman materiaalin, linkin ja aktiviteetin osalta. Tabulassa on sisäänrakennettuna oppimisanalytiikkatyökalu, joka tarjoaa muutamia yhteenvetonäkymiä tähän lokidataan. Niiden avulla opiskelijoiden aktiivisuutta ja materiaalien käyttöä voidaan seurata. Analytiikkanäkymät löytyvät yksittäisen kurssin asetuksista kohdasta ”Raportit”.
Tutkimusmielessä Tabulan valmiiksi tarjoamat analytiikkatyökalut eivät ole riittävän kattavia. Sen takia joskus on tarpeen ladata Tabulan koko loki raakadataksi esimerkiksi Exceliin, jossa sitä sitten luokitellaan, jaotellaan ja analysoidaan tilastollisesti taulukkolaskennan keinoin. Raakadata pitää sisällään tuhansia tai jopa useita kymmeniä tuhansia lokitapahtumia, jotka kukin muodostavat oman rivin Excelissä. Siksi datan järkevä käsitteleminen edellyttää jonkin verran taulukkolaskennan perusosaamista laajempaa keinovalikoimaa, vaikka se ei kovin vaikeaa olekaan.
Oppimisanalytiikka mahdollistaa sen, että opiskelijan oppimisen etenemistä voidaan arvioida ja tehostaa.
Tabulan lisäksi oppimisanalytiikkaa on tarjolla myös muissa palveluissa. Esimerkiksi erilaiset videonjakopalvelut tarjoavat analytiikan videoiden käytöstä. YouTube Analytics tarjoaa kattavan määrän dataa ja raportteja YouTube-kanavan liikenteestä videokohtaisesti. YouTuben analytiikan avulla on mahdollista selvittää mm. miten paljon videoita on katsottu yhteensä, mitä videoita on katsottu eniten, missä kohtaa yksittäistä videota on katsottu uudelleen ja mihin kohtaan videon katseleminen on keskeytetty. Myös kirjautuneiden katselijoiden osalta YouTuben analytiikka esittää taustamuuttujat jakaumina. Tällaisia ovat esimerkiksi katselijoiden sukupuolijakauma, ikäjakauma, maantieteellinen sijainti jne.
Lainsäädäntö ohjaa oppimisanalytiikkaa
Oppimisympäristöjen ja opetussovellusten teknologinen kehitys on ollut viime vuosina sangen nopeaa. Tähän kehitysvauhtiin verrattuna lainsäädäntö muuttuu suhteellisen hitaasti, mistä pahimmillaan seuraa ristiriitoja ja tulkintaongelmia. Tämä on nähtävissä niin digitaalisten oppimateriaalien kuin oppimisanalytiikankin osalta.
Oppijan henkilötietojen ja tapahtumalokien käyttämistä ohjaavat useat lait ja asetukset, joihin tässä tekstissä ei kuitenkaan ole tarkoituksena luoda kattavaa ja tyhjentävää katsausta. Tekstiin on nostettu muutamia lainsäädännön yksityiskohtia, joita tarkastellaan siitä näkökulmasta, miten ne vaikuttavat opettajan toimiin verkkoympäristössä. Opettajan etiikan lisäksi toimintaa ohjaavia periaatteita, lakeja ja asetuksia tarjoavat niin Euroopan unionin perusoikeuskirja kuin henkilötietolaki ja tietosuoja-asetuskin. Euroopan unionin perusoikeuskirjan artiklan 8 mukaisesti
“Jokaisella on oikeus henkilötietojensa suojaan”
“Tietojen käsittelyn on oltava asianmukaista ja sen on tapahduttava tiettyä tarkoitusta varten ja asianomaisen henkilön suostumuksella tai muun laissa säädetyn oikeuttavan perusteen nojalla. Jokaisella on oikeus tutustua niihin tietoihin, joita hänestä on kerätty ja saada ne oikaistuksi.” (Euroopan unionin perusoikeuskirja 2012.)
Henkilötietolain (Henkilötietolaki 1999) lisäksi tietosuoja-asetus (Euroopan unionin virallinen lehti 2016) ohjaa datan keräämistä, säilyttämistä ja käyttöä. Sen 5 artiklan kohdan 1 mukaan henkilötietojen on oltava asianmukaisia ja olennaisia ja rajoituttava siihen, mikä on tarpeellista suhteessa niihin tarkoituksiin, joita varten niitä käsitellään (tietojen minimoinnin periaate). Lisäksi 5 artiklan kohdassa 1 on määritelty tietojen säilyttämisen rajoittamisesta: henkilötiedot on sallittua säilyttää muodossa, josta rekisteröity on tunnistettavissa, vain niin kauan kuin käsittelyn tarkoituksen kannalta on tarpeellista. Lisäksi on hyvä huomata, että henkilötietolain 4 luvun “Henkilötietojen käsittely erityisiä tarkoituksia varten” mukaisesti henkilötietoja voidaan tietyin rajoituksin käyttää historialliseen tai tieteelliseen tutkimukseen siten, että tiettyä henkilöä koskevat tiedot eivät paljastu ulkopuolisille.
Mitä nämä periaatteet sitten tarkoittavat opettajan ja opiskelijan kannalta? Ensinnäkin, kun opiskelija kirjautuu TAMKin järjestelmiin ja Tabulaan, hänestä tallennetaan henkilö- ja käyttäjätietoja. Ilman näitä tietoja käyttäjän tunnistaminen ja järjestelmien turvallinen ja luotettava käyttäminen olisi mahdotonta. Nämä tallennettavat tiedot on kuvattu henkilötietolain (523/99) 10 §:n mukaisesti Tabulan rekisteriselosteessa (2017) ja Tabulan lokin rekisteriselosteessa (2017).
Tabulan rekisteriselosteet on linkitetty Tabulan etusivulle (kuva 2). Opettajan on asianmukaista kehottaa opiskelijoitaan tutustumaan rekisteriselosteisiin. Opettaja voi halutessaan itse lisätä Tabula-kurssiinsa linkin, joka johtaa suoraan rekisteriselosteisiin. Tällöin ne ovat korostuneemmin opiskelijan Tabula-näkymässä ja helpommin löydettävissä.
Kuva 2 Linkki Tabulan rekisteriseloisteisiin
Kun lokitietoa käytetään opiskelijan ohjauksen apuvälineenä, täytyy lokitiedoista pystyä selvittämään yksittäisten henkilöiden tapahtumat. Tähän riittävät usein Tabulan sisäänrakennettujen työkalujen tarjoamat näkymät. Jos dataa sen sijaan käytetään tutkimusmateriaalina, tämä tarkoittaa useimmiten lokitiedoston lataamista esim Exceliin. Tämä raakadata täytyy lain määräysten mukaisesti anonymisoida niiltä osin kuin se on mahdollista ja niin varhaisessa vaiheessa kun mahdollista. Käytännössä Excel-tiedostosta poistetaan sarakkeet “Koko nimi”, “Affected User” ja “IP-osoite”. Joskus tutkimusmielessä halutaan selvittää esimerkiksi arvosanan ja verkkoaktiivisuuden korrelaatiota. Tällöin datasta tulee poistaa henkilötiedot heti arvosanatietojen ja lokitapahtumien synkronoinnin jälkeen.
Esimerkkejä oppimisanalytiikasta
Mitä opettaja sitten datasta näkee? Oppimisanalytiikan avulla on muun muassa mahdollista arvioida, paljonko yksittäinen opiskelija tai opiskelijaryhmä on käyttänyt aikaa tiettyjen tehtävien tekemiseen Moodlessa. Mihin kellonaikaan ja minä päivinä opiskelu tapahtuu? Millaisia oppimateriaaleja opiskelija on Moodlessa käyttänyt ja kuinka kauan? Mitä materiaaleja opiskelija on katsonut useampaan kertaan? Mikä on ollut opiskelijan etenemisjärjestys? Miten aktiivinen opiskelija on?
Oppimisanalytiikka mahdollistaa sen, että opiskelijan oppimisen etenemistä voidaan arvioida ja tehostaa. Oppimisanalytiikan avulla on mahdollista tunnistaa ne opiskelijat, jotka ovat potentiaalisia keskeyttäjiä, joilla on oppimisen vaikeuksia tai joille ajankäytön suunnittelu on haastavaa. Oppimisanalytiikan tarjoaman informaation perusteella on mahdollista tarjota opiskelijoille yksilöllisempiä oppimispolkuja ja mahdollisia tukitoimia (kuva 3).
Kuva 3 Tabulan oppimisanalytiikan käyttökohteita
Tällä hetkellä TAMKissa analytiikan “omistajuus” on hyvin pitkälti opettajalla eikä opiskelijalla ole näkymää omiin tekemisiinsä. Maailmanlaajuinen trendi on, että analytiikkadatan avulla myös oppija itse tehdään tietoisemmaksi oman osaamisensa tasosta, opiskelun etenemisestä ja osaamisen kertymisestä. Oppimisanalytiikalla siis visualisoidaan oppimista.
Tässä artikkelissa ei käsitellä datankäsittelyn yksityiskohtia. Sen sijaan esittelemme muutamia tapoja hyödyntää dataa sekä annamme esimerkkituloksia, joita on saatu TAMKin fysiikan opetuksen kehittämisen yhteydessä oppimisanalytiikkaa hyödyntämällä. Helppo tapa käyttää analytiikkadataa on tarkastella opiskelijan aktiivisuutta. Aktiivisuutta voi tarkastella graafisesti esim. visualisoimalla aktiivisuuden ajallista jakaumaa päivämäärän tai kellonajan funktiona. Esimerkkejä näistä on kuvissa 4 (Suhonen 2016) ja 5 (Suhonen & Tiili 2015).
Kuvassa 4 on esitetty lokitapahtumien kokonaismäärät eri kellonaikoina yhden opintojakson osalta. Pylväsdiagrammista havaitaan, että opiskeluaika on painottunut klo 18:n ja klo 21:n välille. Tämän perusteella voisikin ajatella, että verkkokurssien synkronisia keskusteluja tai ohjauksia kannattaisi ainakin harkita tehtävän ilta-aikoina mahdollisuuksien mukaan.
Kuva 4 Opiskelijan verkkoaktiivisuden jakauma (Suhonen 2016)
Kuvassa 5 on esitetty opiskelijan aktiivisuutta päivämäärän funktiona. Lokitapahtumien kokonaismäärä on pystyakselilla ja päivämäärä vaaka-akselilla. Sininen kuvaaja on muodostettu opintojakson läpäisseiden opiskelijoiden lokitapahtumista ja punainen hylätyn suorituksen tehneiden lokitapahtumista. Kuvaajasta havaitaan, että tiettyinä päiviä aktiivisuus on moninkertainen verrattuna muihin päiviin. Kuvaajan piikit ovat viikkokokeita tai muita palautuspäiviä edeltävinä päivinä. Viimeinen isompi piikki on loppukoetta edeltävänä päivänä. Määräajat siis ohjaavat sangen voimakkaasti opiskeluaktiivisuutta. Kuvaajan perusteella opettajan kannattaisikin harkita opintojakson jaksottamista siten, että jakson aikana on useita määräaikoja yhden ainoan pakollisen loppukokeen tai harjoitustehtävän palautuksen sijaan. Kurssin keskeyttäneiden tai hylätyn arvosanan saaneiden osalta on havaittavissa selvää aktiivisuuden laskua jo kurssin puolivälissä. Osa tästä joukosta olisi ehkä autettavissa takaisin mukaan, jos opettaja pystyisi tarjoamaan tukensa putoamisvaarassa oleville riittävän ajoissa. Oppimisanalytiikan avulla on mahdollista tunnistaa ja ennustaa näitä potentiaalisia keskeyttäjiä.
Kuva 5 Aktiivisuus päivämäärän funktiona (Suhonen & Tiili 2015)
Eräs tapa käyttää analytiikkaa on selvittää oppimateriaalien käytettävyyttä ja käyttöastetta. Joillakin verkkokursseilla videot muodostavat merkittävän osan oppimateriaalista. Videot voidaan jakaa opiskelijoiden käyttöön esimerkiksi siten, että itse videot ovat YouTubessa piilotettuina videoina ja Tabulassa on vain linkit kuhunkin videoon. Tällöin on mahdollista hyödyntää sekä Tabulan että YouTuben analytiikkaa.
Tabulan analytiikka tarjoaa opiskelijakohtaista tietoa siitä, kuka on avannut minkäkin videon ja milloin. YouTubesta taas saadaan kunkin videon osalta selville katseluminuuttien määrät, keskimääräiset katseluosuudet prosentteina videon pituudesta sekä katselijajoukon demografiset tiedot. Lisäksi videokohtaisesti voidaan tarkastella, kuinka monta prosenttia katseluista on tapahtunut videon loppuun asti ja missä vaiheessa videota katsominen on lopetettu. Videon pituudella on useiden tutkimusten mukaan vaikutusta siihen, kuinka suuri osuus videosta katsotaan. Kuvassa 6 on esitetty TAMKin fysiikan tiimin yhden kanavan videoiden pituuden ja katseluosuuden välinen suhde 118 eniten katsotun videon osalta. Tämän kuvaajan – samoin kuin useiden muiden tutkimusten – mukaan joukko lyhyitä yhden aiheen videoita on parempi ratkaisu kuin yksi pitkä luentotallenne.
Kuva 6 Videon pituuden vaikutus katseluun
Edellä on esitetty eräitä helpohkoja tapoja hyödyntää Tabulan lokidataa ja oppimisanalytiikkaa oppimistapahtumien selvittämiseksi ja opiskelijan oppimisen tukemiseksi. Kaiken kaikkiaan oppimisanalytiikka tarjoaa opettajalle erilaisia keinoja mm. tarkastella opiskelijoiden aktiivisuutta, ohjata opiskelijoiden oppimisprosessia mutta myös vaikkapa tehostaa omaa työskentelyä. Yleisemminkin katsottuna oppimisanalytiikalla ja tiedonlouhinnalla on tulevaisuudessa merkittävä rooli koulutuksen suunnittelussa ja prosessien kehittämisessä. On helppo ennustaa, että tulevaisuudessa tullaan keräämään merkittävä määrä koulutukseen liittyvää dataa niin opiskelijan toimista verkossa kuin oppimisprosesseista. Tätä dataa tultaneen hyödyntämään aktiivisesti opiskelijan koko oppimispolun ajan.
Lähteet
Call for Papers: 1st International Conference on Learning Analytics and Knowledge. 2011. Luettu 20.9.2016. https://tekri.athabascau.ca/analytics/call-papers.
Euroopan unionin perusoikeuskirja 2012/C 326/02. Luettu 16.2.2017.http://eur-lex.europa.eu/legal-content/FI/TXT/?uri=CELEX%3A12012P%2FTXT
Euroopan unionin virallinen lehti L 119/1. 2016. Luettu 16.2.2017. http://eur-lex.europa.eu/legal-content/FI/TXT/PDF/?uri=CELEX:32016R0679&from=FI
Google Trends. 2017. Luettu 16.2.2017. https://trends.google.com/trends/explore?date=2007-02-16%202017- 02-16&q=%22Learning%20Analytics%22.
Henkilötietolaki. 1999. Luettu 16.2.2017. http://www.finlex.fi/fi/laki/ajantasa/1999/19990523
Siemens, G. & Baker, R. S. 2012. Learning analytics and educational data mining: towards communication and collaboration. In Proceedings of the 2nd. international conference on learning analytics and knowledge (pp. 252-254). ACM.
Suhonen, S. 2016. Students’ experiences of different types of (distance) learning. In Proceedings of The Online, Open and Flexible Higher Education Conference, Rome, Italy.
Suhonen, S., & Tiili, J. 2015. Students’ Online Activity on a Fully Online Introductory Physics Mechanics Course. In Proceedings of SEFI2015 43nd Annual Conference, Orleans, France.
Tabulan lokin rekisteriseloste. 2017. Luettu 16.2.2017. Vaatii käyttöoikeuden. https://intra.tamk.fi/fi/web/it-ohjeet/tabulan-lokin-rekisteriseloste.
Tabulan rekisteriseloste. 2017. Luettu 16.2.2017. Vaatii käyttöoikeuden. https://intra.tamk.fi/fi/web/it-ohjeet/tabulan-rekisteriseloste.
Kirjoittajat
Sami Suhonen, vastuuopettaja, fysiikka, TAMK
Hanna Kinnari-Korpela, koulutuspäällikkö, tieto- ja viestintätekniikka, TAMK
Kommentit