Kategoriat
Blogi

Älykelloanalytiikan hyödyntämistä oppimisanalytiikan suosituksia rakennettaessa

Aktiivisuusrannekkeet ja älykellot ovat jo arkinen osa elämäämme ja toivomme oppimisanalytiikan siirtyvän samaan joukkoon lähivuosien kuluessa.

Älykello kerää valtavasti dataa: askeleet, suoritukset (kesto, etäisyys, sijainti jne.), syke, positiivinen ja negatiivinen stressi, uni, kalorit, valon avulla ihosta mitattu happisaturaatio (pulssioksimetria) ja jopa ekg. Kellon keräämän datan perusteella puhelinsovellus antaa esim. hengitysohjeita stressitilanteessa, suosituksia nukkumaanmenosta, ruokailusta ja jopa avun kutsumiseen hätätilanteessa. Käyttäjään liittyvää dataa voidaan täydentää myös älysormusten, -sukkien ja esim. patjan alle laitettavien anturien mittaustulosten sekä muiden sovellusten yhteiskäytön avulla.

Garmin Connect -sovelluksen ohjenäkymä kertoo, miten stressiä ja lepoa mitataan sykevaihtelun avulla.
Kuvakaappaus Garmin Connect -sovelluksesta.

Datan avulla saa kannustavia viestejä tavoitteiden saavuttamisesta –  ja suosituksia parantaa toimintaansa saman tien. 

Sovellus ilmoittaa, että käyttäjä on voittoputkessa askeltavoitteensa suhteen.
Kuvakaappaus Garmin Connect -sovelluksesta.
Sovellus kannustaa kävelemään lisää, jotta käyttäjä saavuttaa tavoitteensa. Kaksi ympyräkuviota visualisoivat päivän ennakoidun kokonaisaskelmäärän (4000) sekä todellisen, saavutetun askelmäärän (864).
Kuvakaappaus Garmin Connect -sovelluksesta.

Puhelinsovelluksessa voi verrata omaa dataansa muiden vastaavien käyttäjien dataan. Se myös kannustaa nostamaan tavoitteiden rimaa maltillisesti.

Sovellus kertoo pylväsdiagrammien ja tekstin avulla, että käyttäjä kerää enemmän askelia kuin 22 % muista käyttäjistä ja enemmän nukkumisaikaa kuin 16 % muista käyttäjistä.
Kuvakaappaus Garmin Connect -sovelluksesta.

Dataa on mahdollista tuoda haluamiinsa muihin sovelluksiin, mikä mahdollistaa sen vielä laajemman yhdistelyn vaikkapa oppimiseenkin.

Toisaalta älykellolta jää keräämättä kunnon kannalta olennaista tietoa kuten juoksuun, pyöräilyyn tai kuntosaliin liittyvät suorat terveysvaikutukset. Tämä saattaa kannustaa valitsemaan vain niitä lajeja, jotka parhaiten kerryttävät älykellon dataa. Maailmalta tunnetaan myös esimerkki Garmin-brändin palveluiden useamman vuorokauden katkoksesta: liikunnan määrä laski monella radikaalisti. Oman vastuun ulkoistaminen tietokoneohjelmalle ei tässä tilanteessa koitunut liikkujan hyödyksi. Kaikkien dataa hyödyntävien on hyvä olla tarkkana myös mittausten mahdollisista virheistä ja epätäydellisyyksistä ja jatkaa edelleen myös omien aivojen käyttöä.

Vastaavasti myös erilaiset oppimisen järjestelmät keräävät monipuolisesti erilaista dataa käyttäjistään: askelista kohti kokonaisten tavoitteiden haltuunottoa, lokitietoja aktiivisuudesta järjestelmissä eri vuorokaudenaikoina tai vaikkapa simulaattorisuoritusten asteittaisesta kehitymisestä. Analytiikan avulla data voi tarjota älykellon kaltaisia näkymiä opintojen etenemiseen. Missä olen hyvä? Missä kaipaan vielä harjoitusta? Miten olen kehittynyt? Parhaimmillaan oppimisanalytiikan visualisoinnit motivoivat älykellon lailla oppijaa eteenpäin opintopolulla.

Kategoriat
Uncategorized

Mitä ammatilliset opettajat oppimisanalytiikalta haluaisivat?

Kevään 2020 aikana DOT-hankkeessa päästiin haastattelemaan opettajakuntaa oppimisanalytiikan käytöstä. Tarkoituksena oli haastattelun muodossa sekä vahvistaa yleistä käsitystä mitä oppimisanalytiikalla tarkoitetaan että pohtia yhdessä, mihin kussakin hankeorganisaatiossa oppimisanalytiikkaa voitaisiin käyttää.

Haastatteluihin saimme mukaan sekä oppimisanalytiikan noviiseja että pidempään kehitystyötä tehneitä. Hankkeen opettajilla on käytössä lukuisia sähköisiä työkaluja ja tietoa kertyy moneen järjestelmään. Oppimisympäristöistä Moodle ja ItsLearning ovat yleisimmät käytössä olevat ympäristöt oppilaitoksen valintojen mukaisesti. 

Haastatteluissa tuli selvästi ilmi opettajien lähtökohtaiset erot. Yhteisten tutkinnon osien ja ammattiaineiden opettajien opetustavat ovat erilaisia ja opetukseen käytetään myös hyvin erilaisia välineitä. Osaaminen osoitetaan eri tavalla ja näin ollen myös dataa osaamisen karttumisesta kertyy ainekohtaisesti eri tavalla. Osaamisen karttumisen lähtökohdasta matemaattiseen osaamiseen liittyvää data on kovin erilaista kuin käytännön kondiittori- tai hitsausopinnoissa. Eikä niitä kyllä kannata sinänsä ehkä verratakaan toisiinsa vaan koittaa löytää erilaisita oppimistapahtumista niille sopivimmat käytännöt. 

Kautta linjan kaikissa oppilaitoksissa suuret linjat olivat samansuuntaiset. Oppimisanalytiikan nähtiin olevan hyötyä:

  • Opintojen etenemisen seuraamisessa
  • Harjaantumisen seuraamisessa
  • Resurssien kohdentamisessa
  • Opetuksen ja oppimateriaalien kehittämisessä

Ohjauksen näkökulmasta pohdittiin, mikä tällä hetkellä käynnistää ohjausprosessin ja miten analytiikka voisi tässä auttaa. Tyypillisesti opettajan huomion kiinnittävät palauttamattomat tehtävät, poissaolot koulusta, yhteydenotto harjoittelupaikasta tai tavallisesta poikkeava käytös. Toisaalta kaivattiin tapoja rakentaa yksilöllisiä polkuja nopeasti eteneville.

Yhteisessä keskustelussa pohdittiin olisiko ohjaustilanteita ja -tarvetta mahdollista ennakoida datan avulla etukäteen. Samalla pohdittiin missä tilanteissa automatiikkaa voitaisiin hyödyntää palautteenannossa ja ohjauksessa. Kysymyksiä herätti myös millaisia taitoja etukäteen ennakointi vaatisi opettajalta, ohjaajilta ja erityisesti opiskelijalta. 

Oppimisanalytiikkaan liittyy paljon termejä ja käsitteitä, jotka menevät ristiin rastiin ePerusteiden, arkikielen ja teknisissä ympäristöissä käytettyjen termien kanssa. Jo niinkin yksinkertainen termi kuin “kurssi” tarkoittaa eri asiaa eri paikoissa. Ammatillisessa koulutuksessa “kurssi”-termiä ei käytetä, mutta sähköiset oppimisympäristöt taas sujuvasti rakentuvat kurssien, jaksojen, moduulien ja niiden osien ympärille. Tämä terminologinen sekamelska hankaloittaa järjestelmissä valmiina olevien oppimisanalytiikka-työkalujen käyttöä. Osa opettajista toivoi käyttöönsä sellaisia työkaluja, jotka jo ovat olemassa, mutta niitä ei vain oltu löydetty tai edes kuultu niiden olemassa olosta. 

DOT-hankkeessa meidän on tarkoitus saada jo olemassa olevat analytiikkatyökalut käyttöön – niiltä osin kuin ne opettajia palvelevat sekä löytää uusia tapoja koota ja hyödyntää dataa. Careeria rakentaa omaa analytiikkapohjaista työpöytäänsä ja opetusmateriaalia rakennetaan analytiikkaa silmällä pitäen ja opettajien oppimisanalytiikkaan ja datan hyödyntämiseen liittyviä tietoja ja osaamista vahvistetaan. 

Kevään aikana oli tarkoitus haastatella myös opiskelijoita, mutta tämä siirtyi alkusyksyyn. Opiskelijoiden kanssa keskustelemme heidän näkemyksistään datan käytöstä sekä toiveista siitä, missä tilanteissa he kaipaisivat opettajan ohjausta ja milloin esimerkiksi tekoälyyn pohjautuva ohjaus olisi riittävää. 

Näistä pääsemme sitten yhdessä Turun yliopiston Oppimisanalytiikan keskuksen kanssa pohtimaan dataan pohjautuvia ohjausprosesseja ja jatkamaan datan käytön hyödyntämisen tekemistä ihan tavalliseksi arjen osaseksi.

Kaisa Honkonen, toiminnanjohtaja, Suomen eOppimiskeskus ry

Kategoriat
Blogi

Oppimisanalytiikan sanastotyö on käynnistynyt

Olemme kevään aikana käynnistäneet DOT-hankkeessa oppimisanalytiikkaan liittyvän sanastotyön. Tavoitteenamme on koota oppimisanalytiikan käsitteistöä ja määritelmiä ammatillisen koulutuksen kontekstissa liittyen datan hyödyntämiseen opiskelijan osaamisen hankkimisen tukemisessa erilaisissa oppimisympäristöissä ja yksilöllisen opintopolun eri vaiheissa.

Sanastotyön alustavana tavoitteena on koota n. 20 termiä, joille etsitään suomenkieliset määritelmät. Sanastotyössä ei ole mukana terminologia, joten työ ei noudata standardeja. Työssä ei laadita käsitekaavioita eikä etsitä vieraskielisiä termivastineita. Työn harmonisointi kaikkiin koulutusasteisiin sopivaksi jää OKM:n OKSA-työryhmälle ja analytiikkajaostolle, joiden kanssa pyrimme vuoropuheluun jo sanastotyön aikana.

Miksi oppimisanalytiikan sanastoa tarvitaan?

Koulutuksen järjestäjillä on käytössä eri digioppimisympäristöjä, sovelluksia ja laitteita, joihin kertyy oppimisanalytiikan kannalta mielenkiintoista dataa. Oppimisanalytiikan käsitteistö on kuitenkin hajanainen eikä siihen liittyvien tietojen yhteentoimivuus toteudu aina organisaatioiden sisälläkään. Yhteisesti sovittua ja määriteltyä oppimisanalytiikan sanastoa tarvitaan, jotta tietojen yhteentoimivuus eli tietojen hyödyntäminen ja vaihto eri tietojärjestelmien välillä mahdollistuu siten, että tietojen merkitys ja käytettävyys säilyvät.

Kirjoittaja: Riikka Lahtela, OSAO