Koulutusorganisaatioiden opiskelijahallinnon kannalta keskeinen tieto on digitaalisissa järjestelmissä: läsnäolot, suoritusmerkinnät sekä arvosanat. Lisäksi monissa yhteyksissä hyödynnetään digitaalisia oppimisalustoja kokoamaan yhteen osaamisen kehittymiseen liittyvää dataa (kirjautumistiedot, harjoitukset, tentit jne.). Joillain koulutusaloilla erilaiset aitoja ympäristöjä mallintavat simulaattoriympäristöt, fyysiset tai virtuaaliset, ovat tulleet vahvasti osaksi oppimista. Opiskelijoilta pyritään lisäksi keräämään tietoa erilaisten palautteiden ja kyselyjen avulla. Hyödynnettävää tietoa olisi siis paljon.
![[Alt-teksti: Kymmeniä nollia ja ykkösiä, joiden keskelle muodostuu sydänkuvio.]](https://blogit.lab.fi/labfocus/wp-content/uploads/sites/8/2021/12/668_2021_Oppimisanalytiikka-osaksi-ammattiin-opiskelua-1024x684.jpg)
Oppimisanalytiikan tasot ja tavoitteet
Opetus- ja kulttuuriministeriön uudessa kansallisessa oppimisanalytiikan viitekehyksessä (2021) määritellään oppimisanalytiikan tasot hieman yksinkertaistaen seuraavasti:
- Kuvaileva analytiikka – mitä tapahtui
- Selittävä analytiikka – miksi tapahtui
- Ennakoiva analytiikka – mitä todennäköisesti tulee tapahtumaan
- Ohjaava analytiikka – miten kannattaisi edetä / toimia seuraavaksi
Suurin osa tämän päivän analytiikasta on toistaiseksi vielä taustapeiliä tarkastelevaa, kuvailevaa ja reflektoivaa analytiikkaa. Tähän kuvailevaan tasoon tähtää myös erään ammatillisen oppilaitoksen kontekstissa toteutettu suunnittelutieteellinen tutkimus, jonka tavoitteena oli taustoittaa organisaation mahdollisuuksia hyödyntää olemassa olevaa tietovarastopohjaista BI-ratkaisua oppimisdatan kokoamiseen ja jatkojalostamiseen eri roolien tarpeisiin sopiviksi sekä määritellä mitkä tiedot ovat oppimisen kannalta keskeisiä (Lerkki 2021). Tutkimustyön kohdeorganisaatiossa kuvaileva taso nähdään ensimmäisenä portaana matkalla ylöspäin. Mutta kuten Greller ja Drachsler (2012) muistuttavat, kuvaileva analytiikka pohjaa vain numeroihin, eikä osaa ottaa kantaa laadullisiin mittareihin ja siksi sen tulisikin toimia vain päätöksenteon pohjana ja suuntaa antavana tietona, jota sen käyttäjän tulee osata tulkita.
Konsensus oppimisanalytiikan hyödyistä on selkeä. Korkeakoulumaailmassa oppimisanalytiikkaan on tutustuttu jo esimerkiksi Tampereen ammattikorkeakoulun koordinoimassa APOA-hankkeessa sekä Oulun yliopiston luotsaamassa AnalytiikkaÄly-hankkeessa. Data opiskelijan tukena (DOT) -hankkeessa on pohdittu oppimisanalytiikan lainalaisuuksia erityisesti ammatillisen koulutuksen kentällä. Tutkijoista mm. Amigud (2019) sekä Padro ym. (2017) korostavat oppimisanalytiikan tärkeyttä oppimisprosessin seurannan ja ohjauksen välineenä opiskelijoille itselleen, heitä ohjaaville opettajille, opettajia ohjaavalle koulutusorganisaation hallinnolle sekä kansallisella tasolla oppilaitoksia ohjaaville toimielimille.
Tie aitoon oppimisanalytiikkaan vaatii vielä auraamista. Tiedon laatu sekä eri järjestelmien käyttöasteet ja -tavat monimutkaistavat yhteen kootun datan analysointia ja tulkintaa. Ammatillisen koulutuksen kenttää haastavat erityisesti osaamisperusteisuus ja osaamisen kehittymiseen liittyvän tiedon pirstaloituminen eri oppimisympäristöihin, oppilaitoksen digitaalisiin järjestelmiin, fyysisiin työsaleihin, työpaikoille sekä epäformaaleihin ympäristöihin, joissa osaamista voi myös kertyä esimerkiksi oman harrastuneisuuden kautta. Toki on myös kysyttävä – pitääkö kaikesta datasta saada tartuntaote vai riittääkö, että sitä on riittävästi antamaan osviittaa tapahtumien kulusta?
Kirjoittajat
Ella Lerkki valmistui LAB-ammattikorkeakoulusta Tekniikan alan (ylempi AMK), Digitaaliset ratkaisut -koulutusohjelmasta ja työskentelee oppimisteknologioiden ja digitaalisten järjestelmien parissa ammatillista koulutusta Uudellamaalla järjestävän Careerian palveluksessa.
Minna Asplund, TkL, toimii LAB-ammattikorkeakoulussa lehtorina sekä koordinaattorina insinööri (ylempi AMK) digitaaliset ratkaisut ja IoT:stä tekoälyyn -koulutuksissa.
Lähteet
Amigud, A. 2019. Post-Traditional Learning Analytics: How Data and Information Technology Transform Learning Environment. Teoksessa: Khine M. (toim.) Emerging Trends in Learning Analytics: Leveraging the Power of Education Data. Leiden, Alankomaat: BRILL. 13-25.
Greller W. & Drachsler H. 2012. Translating Learning into Numbers: A Generic Framework for Learning Analytics. Educational Technology & Society. Vol. 15 (3), 42–57.
Lerkki, E. 2021. Kohti oppimisanalytiikkaa: tiedosta ja visualisoinneista tukea opiskeluun ja ohjaukseen. Ylempi AMK-opinnäytetyö. LAB-ammattikorkeakoulu. Lahti. [Viitattu 29.11.2021]. Saatavissa: https://urn.fi/URN:NBN:fi:amk-2021112521666
Opetus- ja kulttuuriministeriö, Oppimisanalytiikkajaosto. 2021. Oppimisanalytiikan viitekehys. Hyvät käytännöt oppimisanalytiikan käyttöönotossa ja hyödyntämisessä. Helsinki: Opetus- ja kulttuuriministeriö. Opetus- ja kulttuuriministeriön julkaisuja 2021:36. [Viitattu 29.11.2021]. Saatavissa: http://urn.fi/URN:ISBN:978-952-263-842-7
Padro, A., Jovanovic J., Gasevic D. & Mirriahi N. 2017. Using learning analytics to scale the provision of personalised feedback. British Journal of Educational Technology. [Viitattu 29.11.2021]. Saatavissa: doi.org/10.1111/bjet.12592
Kuvat
Kuva 1. Alexander Sinn. 2019. Red heart made out of binary digits. Unsplash. [Viitattu 30.11.2021]. Saatavissa: https://unsplash.com/photos/KgLtFCgfC28
