Kategoriat
Blogi Tuotokset

Oppimisanalytiikan käyttöönoton vaiheet

Teksti: Riikka Lahtela, Jarno Haapaniemi ja Anu Konkarikoski

Oppimisanalytiikan käyttöönotto vaatii aina yhteistyötä johdon, opetushenkilöstön  ja IT-järjestelmäosaajien, prosessinomistajien sekä tietosuoja-asiantuntijoiden kesken. On viisasta katsoa nykyjärjestelmiä kauemmas tulevaisuuteen, jotta vaikkapa opiskelijan itse itselleen muokkaamat analytiikkatiedon näkymät ja MyDatan käyttö oppilaitoksen ulkopuolisissa ohjelmistoissa ovat tekniikan kehityksen myötä aikanaan mahdollisia.      

Jotta kertyneestä ja yhdistellystä datasta voidaan tehdä luotettavia johtopäätöksiä, datan on oltava hyvä- ja tasalaatuista. Oppimisjärjestelmien käyttäjien pitää ymmärtää, miten eri asetusten muutokset vaikuttavat datan kertymiseen. On syytä myös rajata datan kerryttäminen kohtuulliseksi, sellaisiin datapisteisiin, joita tarkastelemalla oppimisprosessin etenemistä voidaan seurata ja tukea.

Analytiikkatiedon tulkitsijoiden pitää syvällisesti ymmärtää, mitä kyseiset tiedot tarkoittavat ja mitä ne eivät tarkoita. On myös hyvä rajata kerättävien datapisteiden määrää.

Tällä hetkellä harvalla koulutuksen järjestäjällä on mahdollista yhdistellä eri järjestelmien tuottamaa tietoa automaattisesti. Kannustamme kuitenkin aloittamaan analytiikan hyödyntämisen valmistelut ja kartuttamaan osaamista.

Rautalankamallin pohja

Oheisessa taulukossa on Oppimisanalytiikka ja tiedolla johtaminen -koulutuksen puitteissa Riikka Lahtela (OSAO) ja Jarno Haapaniemi (Sasky) yhteistyössä tekemän oppimisanalytiikan käyttöönottamiseen ja käyttämiseen ns. rautalankamallin ammatillisen koulutuksen järjestäjille. Mallin ensimmäinen versio valmistui maaliskuun 2021 lopussa. Tekijät ovat jakaneet tiedoston CC-lisenssillä, mikä tarkoittaa, että muokatut ja edelleen kehitetyt versiot on saatettava muidenkin analytiikkaa kehittävien tietoisuuteen esim. Avointen oppimateriaalien kirjaston aoe.fi kautta.

DOT-hankkeen päättyessä vuoden 2021-22 vaihteessa ovat alkamassa OKM:n rahoittama ammatillisen koulutuksen Omnian koordinoima kokonaisarkkitehtuuri- ja Helsingin kaupungin koordinoima oppimisanalytiikan laaja verkostohanke. Suosittelemme seuraaman näiden hankkeiden työtä samoin kuin OKM:n oppimisanalytiikan jaoston toimintaa.

Kategoriat
Blogi

Simulaattoridata opiskelijan osaamisen hankkimisen polkuun

Teksti: opettajat Mika Lindholm, EKAMI, Anu Konkarikoski, Ammattiopisto Tavastia ja Jarno Haapaniemi, SASKY koulutuskuntayhtymä

Yleistä

DOT-hankkeen tavoitteena on ollut tarkastella erilaisia tapoja kerätä dataa opiskelijan osaamisen hankkimisesta ja tuoda sitä erityisesti opiskelijan itsensä hyödyksi. Hankehakemuksen pienenä sivupolkuna olemme luvanneet tehdä tilannekatsauksen, miten simulaattorissa syntynyttä dataa voi käyttää.

Hankkeen työskentelyn myötä on syntynyt oivallus siitä, että nimenomaan simulaattorissa syntyy vaikkapa työsalityöskentelyyn verrattuna helposti laadultaan kelvollista dataa, jota on yleensä mahdollista saada myös ulos simulaattorin omasta järjestelmästä. Tällöin tulee mahdolliseksi esimerkiksi se, että opiskelijan Moodle-, ItsLearning- tms. ympäristössä näkyy, kun opiskelija on harjoitellut tarpeeksi tiettyjä asioita simulaattorissa ja saa ”leiman paperiin” oikean laitteen käyttöä varten. Samoin oppimispolussa voi olla määritelty, että oikean koneen kanssa haitallisia asioita tai maalin valuttamista auton kyljessä voi kokeilla, jotta tietää välttää moista oikeassa työssä. Toki datapisteiden tarkastelussa pitää olla tiedossa, onko kyseisellä harjoituksella tarkoitus saada täysiä pisteitä vai vain kokeilla erilaisia asioita. Tämän määrittää opettaja pedagogista oppimispolkua suunnitellessaan.

Tällä hetkellä simulaattorien kehittymisen tilanne on kolmenlainen

  • Osasta simulaattoreita ei saa dataa ulos vaan sitä tarkastellakseen pitää kirjautua juuri sen simulaattorin ohjelmistoon, jolla harjoitteluakin on tehnyt. Olemme valistaneet rahoittajia, että vaade datan ulostulosta on jatkossa syytä kirjata rahoituksen ehtoihin.
  • Osasta simulaattoreita – kuten Tenstarista – dataa saa ulos ja ensimmäisiä kytköksiä on jo tehty ainakin Workseed-oppimisjärjestelmään.
  • Osassa simulaattoreista – edellisistä ominaisuuksista riippumatta – on hyvin tarkkaan mietitty pedagoginen polku sille, missä järjestyksessä ja kuinka paljon harjoitteita kannattaa kussakin asiassa tehdä. Tämä tietysti helpottaa opettajan työtä siihen verrattuna, että jotkut simulaattorit ovat kuin tavallinen työkone tai -piste, jossa voi alkaa tehdä aina kulloinkin annettua työtehtävää. Tällöin tarvitaan enemmän opettajan ohjeistusta.

Lisäksi joissain simulaattoreissa VR-todellisuus mukana simulaatio-oppimisessa. Näin opiskelija voi valita suorittaako oppimistehtävät lasien avulla vai ruudulla.

Simulaattoreiden tuottamissa dataraporteissa on myös hyvin suuria eroja, jopa saman simulaattorin sisällä olevien harjoituksien välillä. On siis syytä aina miettiä, minkälaista dataa mistäkin harjoituksesta saadaan ja vastaako se täysin tarvetta.

Simulaattoridatan hyödyntäminen muualla vaatii simulaattorin integroimista koulutuksenjärjestäjien omiin järjestelmiin (käyttäjähallinta, oppimisympäristöt, rajapinnat).

Simulaattoreista kertyvän tiedon yhdistämistä Itslearning-oppimisjärjestelmään on selvitetty

Simulaattoreita hyödyntävien Itslearningin kurssikokonaisuuksien suunnitelmaan on EKAMI:ssa kasattu paketteja simulaattoriharjoituksista, jonka kautta tehtävien etenemisen seuranta ja palautteen antaminen onnistuvat.

Itslearningiin on luotu kurssi “Simulaatio-oppiminen”, johon lisätty logistiikan ja maarakennusalan simulaattoreiden työkoneet aiheina (Kaivinkone, Pyöräkuormaaja, Dumpperi, Pyöräalustainen kaivinkone, Puskutraktori, Kurottaja, Trukki ja tulossa vielä autonosturi) seuraavasti:

  • Kunkin aiheen alla suunnitelmat on jaksotettu tutustumisesta koneeseen, perushallintaitteet ja työskenaariot jne kunkin koneen ohjelmiston mukaan ja pyritty saamaan aikaan pedagogisia kokonaisuuksia.
  • Tehtäviin on annettu opiskelijalle merkittäväksi suoritus simulaattorissa jonka opettaja kuittaa suoritetuksi mikäli simulaattorin luoma pisteytysjärjestelmästä opettajan asettama vähimmäispistemäärä on saavutettu (joissakin tehtävissä edellytetään tehtävän suorittamista virheettömästi esim. Pyöräkuormaajalla et voi kolhia autoja, ajaa istutuksien päälle jne.)
  • Opiskelijalle jaetaan haluttua kanavaa kautta (Its, NoteBook, OneDrive jne) edistymis- ja pisteytysraportit noin kahden viikon välein riippuen ryhmän koosta ja simulaatioon käytetystä ajasta. Testiryhmällä kierto on ollut 10:llä opiskelijalla noin 2,5vko jona aikana kukin oppilas on suorittanut simulaatioharjoituksia 7-10h.
  • Varsinainen automaattinen kytkentä odottaa sitä, että laitetoimittaja ehtii rajapinnan rakentaa.
  • TS-simulaattoreiden analytiikkatiedoista on erillinen esitys TS-simulaattoreita käyttäville opettajille simulaattoreiden käytöstä ja analytiikan hyödyntämisestä

Simulaattoreista hyötyä eri osaamisen hankkimisen vaiheessa oleville opiskelijoille

Simulaattorien tuottaman datan tarkemman hyödyntämisen jälkeen on havaittu hyödyn laajentuvan entisestään. Harjoittelun alkuvaiheessa olevilla opiskelijoilla huomio kiinnittyy harjoituksissa pitkälti harjoituksien tekniseen suorittamiseen ja saatua dataa käsitellään yleisemmällä tasolla. Osaamisen karttuessa simulaattoridatan hyödyntämisessä päästään analysoimaan syvemmin tehtyä suoritusta, esimerkiksi keskittymään taloudelliseen ajotapaan ja työn tehokkuuteen.

Tietyissä tapauksissa päästään myös tutkimaan suoritusta tallenteen kautta, jolloin osaa havaituista asioista pystytään analysoimaan tarkemmin.

Nämä havaitut asiat tapahtuvat tällä hetkellä pitkälti simulaattorin oman ympäristön kautta ja yksittäiseen harjoitukseen liittyen.

Jatkosuunnitelmia

Osalla DOT-toimijoista simulaattorien kytkentä opiskelijan osaamisen hankkimisen digipolkuun jatkuu, vaikka DOT-rahoitus päättyy joulukuussa 2021. Lisää tuloksia ja pedagogisia ratkaisuja on luvassa sen jälkeen.

Samoin jatkamme simulaattorien ja IoT-analogioiden tutkimista. Metsäkonealalla simulaattorit ovat jo vanhaa ja vakiintunutta teknologiaa ja siellä ollaan siirtymässä oikeissa työkoneissa syntyneen datan hyödyntämiseen opiskelijan ohjaamisessa.

DOT-hankkeesta riippumaton DigiFMO-hanke on julkaissut muistilistan ajokonetyön työpaikkaohjaajalle: kuinka seurata työelämässä oppijan kehitystä metsässä tehtävässä työssä konedatan avulla. Muistilistassa on eritelty eri konemerkkien ”polut” joita pitkin aukeaa arvokasta tietoa työssäoppijan kehityksestä.