Kategoriat
Blogi

Data opiskelijan tueksi – case Aikuiskoulutus Taitaja Kouvola

Teksti: Kouluttaja Suvi Aaltonen

Aikuiskoulutus Taitajan tavoitteet hankkeessa vuoden 2020 alussa:

  • Itslearning-oppimisympäristö on ollut käytössä Taitajassa vuodesta 2018. DOT-hankkeen alussa kirjattiin tavoitteet, jossa tärkeimpänä kehityskohteena oli tutustua Itslearningiin ensin mitä alustasta saadaan irti, mitä työkaluja siellä on, jonka jälkeen järjestetään workshopit sisäisesti opettajille/kouluttajille. 
  • kouluttajat arvioivat itsetuotettuun koulutuskokonaisuuteen liittyen, mitä tietoa tarvitaan. Haussa yhteinen kuva ja näkemys. 
  • myös vaativampia/laaja-alaisia tutkintoja osittain mukaan (isännöinti, johtaminen), lisäksi suorittavampaa esim. kiinteistönhuolto 
  • verkko-oppimisen pedagogisen mallin kehittäminen ja analytiikan sitominen siihen 
  • kansainvälisen verkko-oppimisen kokeilut Logistiikka-alan opiskelijoiden kanssa: https://taitajantie.fi/tietoa-meista/hankkeet/future-professionals-ajoneuvo-ja-logistiikka-alojen-uudet-osaamisvaatimukset/ 
  • VR/AR välineistön ja ohjelmien tuominen mukaan koulukseen, tarvitaan ideoita mitkä softat voisivat sopia 
  • Virtuaaliset ja simuloidut oppimisympäristöt
  • Itslearningin osalta oppi siitä mitä voi tehdä ja mitä ei voi saadaan vasta käytännön työssä 
  • yhdessä kouluttajien kanssa mietitään mitä tietoa halutaan kerätä 
  • mitä kertoo meille, jos opiskelija ei ymmärrä esim. visualisointeja 
  • mitkä indikaattorit nousee visualisoinneista, mikä kertoo, että on esim. motivaatio-ongelma tai mikä että on ongelmaa esim. perustaidoissa. Datasta vaikea tulkita mistä viivästys johtuu, vaikkakin viivästyksen huomaa -> vaatii ohjausta 
  • kynnysarvojen tunnistaminen, mikä laukaisee “hälytyksen” 
  • Mikä on sellainen tilanne/kohta/indikaattori, jonka jälkeen ryhdytään (ohjaus)toimiin. Ja miten sen voisi automatisoida? 

Lähtötilanne

Koronan yllättäessä maaliskuussa 2020 tapahtui oppilaitoksissa nopea siirtyminen etäopetukseen. Kaikilla opiskelijoilla ei ollut valmiuksia itsenäiseen verkko-opiskeluun ja eikä kaikilla kouluttajilla ollut osaamista verkossa opettamiseen. Toki verkko-opetusta oli jo ollut aiemminkin, mutta vasta vuosi 2020 näytti, mitä se jokapäiväisessä työssä tarkoitti.

Koulutusten onnistuminen edellytti kouluttajien osaamisen lisäämistä Itslearningissa sekä muissa etätyövälineissä kuten Zoom ja Teams.

Kouluttajat joutuivat arvioimaan omaa osaamistaan ja osaamisen kehittämisen tarvetta. Yhteinen tarve ja sen myötä visio vuodelle 2020 oli ottaa Itslearning -ohjelma laajasti ja monipuolisesti käyttöön.

Toteutuma

Kaikki vuosien 2020–2021 aikana Aikuiskoulutus Taitajassa työskennelleet kouluttajat on perehdytetty Itslearning -ohjelmaan sekä sen tarjoamiin toimintoihin, datan analytiikkatyökaluihin ja datan analysointiin.

Kouluttajille järjestettiin workshoppeja erilaisilla kokoonpanoilla. Tärkeänä oli yhteisen haasteen kohtaaminen ja tietoisuus yhteisestä visiosta Itslearningin käytön suhteen.

Lähes kaikki kouluttajat tarvitsivat workshoppien lisäksi yksilöllistä tukea ja opastusta.

Pedagogia siirrettiin verkkoon, eikä Itslearning voinut olla vain materiaalipankki.

Erilaiset koulutukset edellyttivät erilaisia toimintatapoja Itslearningin työvälineitä hyödyntäen.

Tärkeänä koettiin Itslearningjärjestelmästä saatavan datatiedon hyödynnettävyys. Lähiopetuksen aikana mm. opiskelijan poissaolot ja opinnoissa edistyminen oli erilaista seurata kuin etä/verkko-opiskelussa.

Kouluttajat sekä opiskelijat perehdytettiin hankkeen aikana Itslearningin Tila ja seuranta sekä 360° raportista saatavan datan hyödyntämiseen niin perusteellisesti, että jokainen otti roolin opiskelijan edistymisen seurannasta. Kukaan opiskelija ei saanut jäädä ”kadoksiin” ja oppimistulosten tuli säilyä riittävällä tasolla välineistä ja menetelmistä huolimatta.

Itslearning otettiin käyttöön Taitajassa jo vuonna 2018, jolloin verkossa tapahtuva opetus oli pienimuotoisempaa ja Itslearning toimi lähiopetuksen tukena.

Hankkeen (ja koronan) aikana opittiin ymmärtämään, millaista tietoa järjestelmien tulisi kerätä, jotta tieto hyödyntäisi ensisijaisesti opiskelijoita sekä kouluttajia.

Huomattiin että Itslearning -ohjelman asetukset tulee muokata yhteneväiseen malliin pohjautuvana, jotta kaikki kurssien luojat ja käyttäjät osaavat hyödyntää kertyvää dataa.

Workshopeissa käytiin läpi datatietoa kerryttäviä työvälineitä ja näiden jälkeen jokainen siirsi datatiedon seurannan osaksi työtään. Sovittuja toimia on seurattu arjen työssä ja yhteisissä verkkotapaamisissa.

Opiskelijoita koulutettiin lähes kädestä pitäen seuraamaan omaa edistymistään ja ottamaan suurempaa vastuuta opiskelustaan. Opastaminen tapahtui ryhmäopastamisena sekä yksilöllisesti mm. HOKS-keskusteluissa.

Olemme kehittäneet verkossa tapahtuvaa opetusta oppilaitoksen pedagogisen mallin mukaisesti ja lisänneet kouluttajien osaamista monipuolisemman oppimateriaalin (VR/AR/Simulaatio, robotiikka) tuottamiseen.

Mahdollisimman monessa oppimateriaalissa pyrimme datan keräämiseen ja sen hyödyntämiseen. Datatieto ja sen käytettävyys on nyt osa oppilaitoksen verkkopedagogista mallia.

Kouluttajan näkökulma

Olemme pohtineet, miten koulutuksista saatua tietoa Itselearningissa kertyy ja miten kouluttajan tulisi siihen reagoida.  Käytössämme on valmis kurssipohja, mutta ohjeistukset tiedon kertymisen osalta ovat puutteellisia.

Olemme pohtineet myös, kenellä pitäisi olla pääsy datan seurantaan ja miten tietosuoja vaikuttaa siihen.

Olemme lisänneet ja harjoitelleet workshopeissa käyttämään tehtäviä, jotka keräävät automaattista dataa, pedagogiikkaa unohtamatta.

Näitä ohjeistuksia ja asetuksia olemme ryhtyneet muuttamaan/muokkaamaan yhdessä Itslearningin kanssa. Prosessi jatkuu vuoden vaihteen jälkeen, kun uusi organisaatio aloittaa toimintansa. Jatkossa kertyvää dataa on paljon enemmän ja sen on oltava ymmärrettävää.

Opiskelijan näkökulma

Opiskelijoita on opastettu käyttämään Itslearningia, seuraamaan omaa opiskeluaan sekä reagoimaan oman opiskelun edistämisen tarpeisiin. Pyrimme pois ajatuksesta, että vain opettajan tulee tietää opiskelijan menestyminen. Vastuu ja mahdollisuus oman etenemisen seurannassa on se, että opiskelija itse osaa käyttää analytiikkaa hyväkseen. Osaamisen kehittymisen seuranta on mielekkäämpää, kun se nähdään visualisen näkymän kautta.

Opiskelijoille tarjotaan erilaisia dataa kerryttäviä oppimateriaaleja esim. logistiikassa erilaiset ajosimulaattorit, teknologisella ja hoiva-alalla VR/AR materiaalit sekä kielikoulutuksissa NAO-kielirobotti.

Opiskelijoiden itseohjautuvuutta kehitetään pedagogisesti monipuolisilla tehtävillä ja lisäämällä ymmärrystä HOKSiin pohjautuvaan opiskeluun.

Organisaation näkökulma

Opettajan ja opiskelijan näkökulmien lisäksi on asioita, joita tulee pohtia laajemmin. Tietosuoja antaa oman linjauksensa siihen, kuka/ketkä saavat käsitellä opiskelijan dataa. Datan keräämisen aikana on tärkeää välttää ylimääräistä tiedon tallennusta ja tehdä linjaus, kenellä on oikeus nähdä opiskelijan data.

Oppilaitoksessamme on alaikäisiä opiskelijoita, joista kertyvä data on tärkeää esim. poissaolojen seurannan kannalta. Lähiopetuksessa seuranta on erilaista kuin verkkotyöskentelyssä.

Olemme kehittäneet toimintaamme mm. siinä, että perehdytämme opiskelijat Itslearningissä kertyvään dataan ja sen seurantaan. Kerromme opiskelijoille, mihin heistä kerätään tietoa, mihin tietoja käytetään ja mihin tieto siirtyy opiskelun jälkeen.

Johdon osalta Itslearningin datan kertymää ja sen hyödyntämistä tulee kehittää edelleen. Itslearning ohjelma muodostaa edistyneempiä raportteja opiskelijoista sekä työntekijöistä saadun datan pohjalta.

Datan analysoinnin kehittämisessä tulee pohtia:

  • Mitä johdon tarpeeseen tuotetun raportin tulee kertoa?
  • Mitä toimenpiteitä kerrytetty tieto aiheuttaa tai mitä sen pitäisi aiheuttaa?
  • Onko syytä seurata Itslearningissä tehdyn monipuolisen sisällön suhdetta opiskelijoiden saavuttamisiin oppimistuloksiin?
  • Onko mahdollista, että monipuolisempi (käytössä on aktiviteetit sekä resurssit) sisältö antaa parempia oppimistuloksia?
  • Mitä tietoa esim. kouluttajan toimista, käytetystä työajasta tai muista resursseista tulee kerätä?

Olemme nyt mukana kansainvälisessä hankkeessa, jossa meillä on kumppaneita Puolasta, Unkarista ja Kreikasta. Roolimme on auttaa heitä ottamaan Itslearning -järjestelmä käyttöön. Koulutamme opettajia paitsi käyttämään, myös suunnittelemaan oman kurssin. Voisi sanoa, että kun olemme itse oppineet, voimme jakaa osaamistamme eteenpäin.

Uusi organisaatio, Kouvolan Ammattiopisto Oy aloittaa 1.1.2022. Olemme aivan uuden alun edessä. Me Aikuiskoulutus Taitajassa toivomme, että Itslearning jatkaa myös uuden organisaation oppimisympäristönä. Tällä hetkellä Itslearningista on hyvä osaaminen ja se palvelee meidän tarpeitamme.

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.

Kategoriat
Webinaarit

DOT-webinaari 29.11.2021: Oppimisanalytiikka osaamisperusteisessa oppimisessa

DOT-hanke järjesti webinaarin 29.11.2021:

Oppimisanalytiikka osaamisperusteisessa oppimisessa

Jaana Parkkila, OSAO

Webinaarissa esitellään käytännön esimerkkejä opiskelijan itseohjautuvuuden tukemisessa oppimisanalytiikan avulla sekä esimerkkejä oppimisen seurannan toteuttamisesta eri opetusmenetelmillä Moodlessa.

Kategoriat
Blogi

Pelaajan näkökulma: oppijan osaamisen visualisointi

Aktiivisesti tutkintoon osallistuva oppija hankkii paljon osaamista, johon päästään kiinni hallitusti kerätyn oppimisanalytiikkadatan avulla. Etenkin pidemmissä kokonaisuuksissa oppija kerryttää osaamistaan useiden tutkinnon osien kautta. Datan visualisointi on oiva työkalu, kun suuresta tietomassasta halutaan tehdä oppijalle helposti ymmärrettävää sisältöä, jonka avulla hän voi tarkastella omaa osaamisen hankkimisen vaihettaan ja kehittymistarpeitaan. 

Koulutuksen järjestäjät käsittelevät oppimisanalytiikkadatan visualisointia tuoreena ilmiönä, mutta peleissä monimutkaistenkin kokonaisuuksien visualisointi on jo vanha juttu. Tämän blogitekstin tarkoitus on luoda katsaus analytiikkadatan visualisoinnin mahdollisuuksiin tutustumalla pelimaailmasta monille opiskelijoillekin tuttuihin esimerkkeihin. 

Eritoten peleissä kertyvät saavutukset ovat yleensä hyvä esimerkki jopa sadoista datapisteistä muodostuvan kokonaisuuden visualisoinnista. Nämä saavutukset ovat käytännössä peleissä ansaittavia suoritusmerkintöjä, jotka pelaaja saa täyttäessään ennalta määritellyt ehdot. Esimerkiksi teatteriväelle tuttuun tapaan joissakin peleissä tarinan osat on jaettu näytöksiin, joiden suorittamisesta saa saavutuksen aina näytöksen lopussa. 

Achievements – New World (Amazon Games, 2021) 

Kuvassa näkyy New World –pelin hahmokohtaiset saavutukset, jotka on jaettu yllä olevan kuvan vasemmalla puolella eri kategorioihin. Kyseiset kategoriat esitetään myös erikseen kuvan alalaidasta löytyvässä ‘Progress Overview’ -kohdassa, jossa pelaaja voi seurata edistymistään palkkien avulla. Palkit täyttyvät värillä sitä mukaa, kun pelaaja suorittaa saavutuksia. Tämän lisäksi saavutusten yleiskatsaus nostaa esiin edistymisen koko pelin saavutusten osalta yhteensä (‘Total completion’ ruudun ylälaidassa) ja esittelee keskellä viimeisimpiä saavutuksia (Recently Completed) ja niistä saatavia palkintoja (Reward: Title “The Strong Arm”). 

Oppimisanalytiikan näkökulmasta samanlainen esitystapa voisi toimia juuri tutkinnon yleiskatsauksena. Ylhäällä näkyisi tutkinnon suoritusaste, keskellä voisi olla poimintoja esim. parhaista arvosanoista tai tutkinnon osan osa-alueiden kautta saaduista oppimismerkeistä. Kuvan alhaalta löytyvä ‘Progress Overview’ voisi taas esitellä edistymistä tutkinnon eri osissa. Jos erittely ulottuu vaikkapa parin klikkauksen kautta yksittäisten moduulien tasolle, voisi oppija nähdä myös eri tehtävistä saatavat oppimismerkit.  

Samainen peli esittelee pelihahmon kädentaidot asteikolla 0 – 200 tällä tavalla: 

Trade skills – New World (Amazon Games, 2021) 

Numero kertoo taidon tason ja numeron ympärille täyttyvä palkki kertoo edistymisen seuraavaan tasoon. Esimerkiksi ‘Furnishing’-taito kuvan oikeassa yläkulmassa on 106 ja nousee pian tasolle 107. Muun muassa Duolingo käyttää hieman vastaavaa tapaa eritellä kielitaidon karttumista aihealueittain, joskin kussakin aiheessa tasoja on vain kuusi (6).  

Tällä hetkellä oppimisjärjestelmien tuottaman visualisoinnin pulma on se, että se näyttää eri työmäärää vaativat kokonaisuudet saman kokoisina palasina. Mikään laajasti käytössä olevista oppimisjärjestelmistä ei vielä myöskään tue opiskelijan yksilöllisen polun tuomaa yksilöllisen aikataulun seurantaa, sillä ryhmämuotoiseen oppimiseen rakennetuissa järjestelmissä kaikkien ryhmän opiskelijoiden tehtäväpalautukset ym. mahdollisesti asetettavat määräpäivät ovat samat. 

Oppijan kehittymistä eri tutkinnon osien taidoissa voisi havainnollistaa esimerkiksi näin: 

Tässä kokonaisuudessa nähdään: 

  • Tutkinnon aloitus- ja päättymispäivämäärä 
  • Opiskelijan suorittaman tutkinnon kaikki osat 
  • Edistyminen tutkinnon osan tasolla (ulkoreunan väripalkki ja keskellä oleva prosenttiluku) 
  • Tutkinnon osan moduulien edistyminen (pienet ympyrät tutkinnon osan sisällä ja prosenttiluvut niiden sisällä) 

Yksittäinen tutkinnon osa näyttää tarkemmin katsottuna tältä: 

Parhaimmillaan visualisoitu data on helppolukuista ja innostavaa. Toisaalta laajoissa taitoihin keskittyvissä kokonaisuuksissa voi jäädä epäselväksi, mistä puuttuvat taidot hankitaan. Tätä voisi helpottaa myös linkittämällä visualisoinnissa näkyvä moduuli verkko-oppimisympäristössä sijaitsevaan kurssiin ja/tai osaamistavoitteisiin ja arviointikriteereihin. Peleissä keskeneräinen saavutus pitää yleensä sisällään kuvauksen ehdoista, jotka täyttämällä saavutuksen saa itselleen: 

Achievements > Skill levels – New World (Amazon Games, 2021) 

Kuvassa vasemmalla näkyy suoritettu saavutus ja oikealla keskeneräinen saavutus, jossa oikean alareunan numerot kuvaavat tämänhetkistä taitoa ja vaadittua taitotasoa ‘Furnishing’-taidossa. Vastaavanlainen syvempi taso voi toki olla mahdollinen oppimisanalytiikan saralla, mutta se vaatii jo tarkempaa suunnittelua. Esimerkiksi opiskelija voisi nähdä tutkintoon kuuluvan taidon alla sekä ne moduulit, jotka hän on jo suorittanut että moduulit, joiden suoritus on vielä kesken. 

Dataa kootessa on hyvä miettiä datapisteet laajuudeltaan sopiviksi. Esimerkiksi yksi vuoden sisällä suoritettava 70 ospin mittainen kokonaisuus vaikuttaa oppijan taitoja esittävään tilastoon merkittävästi kertajysäyksellä vasta koko tutkinnon osan arvioinnin jälkeen, mikä on etenemisen seurannan kannalta haastavaa. Samaten yhden moduulin yksittäiset suoritukset saattavat mennä todennäköisesti liian ruohonjuuritasolle. Peleissäkään kaikki saavutukset eivät ole tasapaksuja, mutta päivien tai jopa viikkojen työtä vaativat saavutukset on yleensä paloiteltu pienempiin saavutuksiin, jotka suorittamalla saa myös isomman saavutuksen itselleen. On siis löydettävä kultainen keskitie, jossa osaamisen hankkimisen etenemistä voi seurata ja myös arvioida näyttövaiheeseen pääsemiseen vaadittavaa työmäärää. 

Tutkinnon yleiskatsauksen havainnollistamisen lisäksi pelit tarjoavat paljon vaihtoehtoja oppimisanalytiikkadatan visualisoinnille yksittäisen moduulin tai tutkinnon osan tasolla. Tästä hyvä esimerkki on erilaiset hahmon taitoja kuvaavat taitopuut: 

Skill tree – Legends of Aethereus (JumpGate AB, 2013) 

Skill tree – Please the Gods (Surma Games, 2019) 

Steam-saavutukset – Kingdom Rush: Vengeance (Ironhide Game Studio, 2018) 

Kuvassa nähdään, että avattu on jo 50/70 saavutuksista. Kirkkaina värikuvina ovat jo valmiit saavutukset. Peli on jaettu omalla tavallaan pakollisiin ja valinnaisiin saavutuksiin – kuulostaako tutulta? Lukitut saavutukset ovat mustavalkoisella. Ne ovat kyllä suoritettavissa, mutta vielä keskeneräisiä.  

Samalla periaatteella voisivat toimia Open Badge –tyyliset digitaaliset oppimismerkit, joita olisi mahdollista ansaita tutkintoon kuuluvien moduulien kautta. Ammatillisen koulutuksen lainsäädännön vuoksi näitä ennen osaamisen arviointia myönnettäviä merkkejä tulisi kutsua oppimismerkeiksi, eikä varsinaiseksi osaamismerkeiksi. Oppimismerkeistä voisi koostaa oman taitopuunsa, jota täyttämällä oppija näkee etenevänsä tutkinnon osassa ja tietää samalla mitä hänen pitää harjoitella seuraavaksi.

Kirjoittanut: Miika Rautiainen, Ekami, Teemu Eskola, Careeria ja Ella Eld, Tavastia   

Kategoriat
Tuotokset

Oppimisanalytiikan oppimiskäsitykset – opettajan näkökulma

Kategoriat
Tuotokset

Oppimateriaalin tuottajan ABC

Kategoriat
Webinaarit

DOT-webinaari 24.11.2021: Annien automatiikasta apua arkeen

DOT-hanke järjesti webinaarin 24.11.2021:

Annien automatiikasta apua arkeen
– kokemuksia ennakoivasta tuesta ja työelämässä oppimisen jaksoilta


Miska Noponen (AnnieAdvisor), Tomi Valanne (Careeria) & Ella Lerkki (Careeria)

  • Annie – taustaa ja tulevaisuuden näkymiä
  • Annien pilotointi, käyttöönotto ja pitkäntähtäimen tavoitteet Careeriassa
  • Kokemuksia menneistä pilottikyselyistä (opintojen aikainen ohjaus ja työelämässä oppimisen jaksot)
  • Suunnitteilla olevia uusia käyttötapauksia ja -kohteita
Kategoriat
Webinaarit

DOT-webinaari 29.9.2021: Verkkokurssin kehittäminen dataa hyödyntäen Moodle-alustalla

DOT-hanke järjesti webinaarin 29.9.2021 klo 14-15:

Verkkokurssin kehittäminen
dataa hyödyntäen Moodle-alustalla
Case: Toiminta digitaalisessa ympäristössä -verkkokurssi
Marjo Lehtonen, SASKY koulutuskuntayhtymä

Kategoriat
Blogi pilotit

Annie-ohjaussovelluksen kokemuksia Careeriasta

Ella Lerkki, Careeria

Annie on tekstiviestipohjainen opiskelijoiden tukitarpeen kartoittamiseen tehty suomalainen sovellus. Careerian DOT-hankkeen toimijat ovat keväällä 2021 testanneet sitä parilla sadalla verkko-opiskelijalla. Tulokset ovat linjassa aiemmin saatujen tukipyyntöjen kanssa.

Oppilaitokset voivat itse räätälöidä kyselypolkuja Annien omien kokemusten perusteella olevien ehdotusten pohjalla ja muokata ne täysin omien tarpeidensa mukaisiksi.

Annieen ei tarvita käyttäjätunnusta. Primus-ajosta haetaan tarvittavat nimitiedot, vastuuopettajan nimi ja puhelinnumerot. Opiskelija käyttää omaa puhelinta ja vastaa tekstiviesteihin – myös siinä tapauksessa, että kaikki on hyvin, eikä tuen tarvetta ole. Oppilaitoksen käyttöliittymänä on selaimessa toimiva tikettijärjestelmä eli opetus- ja ohjaushenkilöstön ei tarvitse näpytellä tekstiviestejä puhelimellaan. Pahin rajoite on, että opiskelijalla pitää olla saldoa vastaustekstiviestiin. Jos saldoa ei ole, vastausta ei saada, mutta tällöinkin opettajalla tai ohjaajalla on mahdollisuus reagoida ja ottaa yhteyttä vaikkapa soittamalla.

Annien hyvät puolet ovat, että kysely saadaan tehtyä laajalle massalle opintojen aikana ja vastauksista kertyy kattava data. ARVO-amispalautteen rinnalla on käytetty jo aiemminkin sisäiseen kehittämiseen liittyviä kyselyitä, mutta Annie opiskelijalle helppokäyttöisempi. Suurin kustannus syntyy tekstiviestien lähettämisestä.

Jo lyhyen kokemuksen perusteella voidaan todeta, että Annie toimii erityisen hyvin monimuoto- ja verkko-opiskelijoiden ohjauksen tukena.

https://www.annietheapp.com/