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
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
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/


Kategoriat
Blogi

IntelliBoard-analytiikkapilottien tuloksia

Lokakuussa kirjoitimme IntelliBoardin analytiikkapilottien alkuvaiheesta. IntelliBoardit oli integroitu kunkin pilotissa mukana olevan oppilaitoksen Moodle-teknologiaan perustuva Pinja LMS:iin.

Koulutuskuntayhtymä Tavastian Ella Eld on pilotin aikana kerännyt havainnot eri Intelliboardin eri työpöytien toiminnoista Padlet-seinille. Kehittämisen jatkuessa keväällä 2021 Padletien muokkaus jatkuu:

https://kktavastia.padlet.org/elel/opiskelijantyopoyta

https://kktavastia.padlet.org/elel/ohjaajantyopoyta

https://kktavastia.padlet.org/elel/kokoohjaajantyopoyta

Yhteispilotit päättyivät vuoden 2020 loppuun. Alle on koottu pilottien perusteella ajatuksiamme:

Plussat:

+ Toimiva analytiikkatyökalu Pinja LMS:n datan analysointiin

+ Intelliboard on helppoa ja nopeaa tilata järjestelmätoimittajalta

+ Mahdollistaa kattavamman raportoinnin ja analysoinnin kuin Pinja LMS:n omat toiminnot.

+ Sisältää valmiita raportteja sekä omat työpöydät/dashboardit opiskelijoille ja opettajille

+ Tarjoaa pääkäyttäjille oman selainpohjaisen käyttöliittymän, jonka kautta pääkäyttäjät voivat hallinnoida IntelliBoardia sekä tarkastella Pinja LMS:n ylläpidon kannalta hyödyllisiä raportteja

+ 3/2021 julkaistava Intelliboard Next voi tuoda uusia ominaisuuksia ja paremmat visualisoinnit

Miinukset:

–                           Opiskelijoille ja opettajille näkyy valtavasti tietoa, josta osa on ammatillisen koulutuksen näkökulmasta turhaakin (keskiarvo, vertaaminen muiden opiskelijoiden suorituksiin). Opiskelijoiden ja opettajien työpöytiä tulisi muokata ja valita niihin käyttötarkoituksia vastaavat visualisoinnit ja raportit, jotta ensivaikutelma ei olisi kaukana kuluttajalaitteiden (esim. älykellojen) datan visualisointien muotoilusta.

–                           Käyttö vaatii perehtymistä.  IntelliBoardin raportteja tulee osata tulkita, jotta niistä on hyötyä. IntelliBoardin hyödyntämiseksi tarvitaan ohjeistus opiskelijoille ja opettajille. Oppimisanalytiikan käyttö ei saa aiheuttaa lisätyötä heille, vaan sen pitää ennen kaikkea helppokäyttöisesti tukea opiskelijaa oppimisprosessin aikana.

–                           Intelliboard ei tulkitse kaikkea dataa. Tällä hetkellä erityisen harmillista on yleistyvän H5P-datan puuttuminen opiskelijan näkemistä tiedoista.

Pohdinta:

–                           IntelliBoardissa voi näin käytettynä analysoida vain Pinja LMS:n sisältämää dataa. Analytiikan hyödyntämismahdollisuudet  Tulokset paranisivat etsimällä ratkaisuja, jotka mahdollistavat yhdistämisen muualla kertyvään, esim. opiskelijahallintojärjestelmien dataan

–                           Olemmeko valmiita oppimisanalytiikan käyttöönottoon? Onko organisaatiossa pohdittu, millaisia laillisia ja eettisiä velvollisuuksia ja vastuita oppimisanalytiikan käyttö asettaa? Onko perustyö kattavaan oppimisanalytiikan käyttöön kunnossa eli ylipäätään Pinja LMS:n kurssit pedagogisesti ja teknisesti riittävän laadukkaita, jotta analytiikkaa voidaan hyödyntää käyttötapausten edellyttämällä tavalla?

–                           Ammatillisessa koulutuksessa oppimisanalytiikan käyttöä haastaa osaamisperusteisuus ja yksilölliset opintopolut. Opiskelijoiden oppimisprosessi ei etene ryhmänä eikä Pinja LMS:n kursseille ole useinkaan asetettuna aloittamis- ja päättymispäivämääriä tai tehtäville deadlineja, koska opiskelijat hankkivat osaamistaan omassa tahdissaan.

–                           DOT-hanke julkaisee v. 2021 aoe.fi:ssä Moodle-kurssipohjan, jossa on sen hetkisen ymmärryksen mukaan oikeanlaiset asetukset datan laadun ja analytiikan kannalta, sekä ohjeistuksen analytiikan huomioimisesta pedagogisessa ja teknisessä suunnittelussa.

Pilotointin perusteella suosittelemme:

–                           IntelliBoardin pilotointia muillekin koulutuksen järjestäjille, koska sen perusteella ymmärrys oppimisanalytiikan käytöstä omassa organisaatiossa kasvaa.

–                           Ennen IntelliBoardin tai minkä tahansa oppimisanalytiikkatyökalun käyttöönottoa on aiheellista:

o                          määrittää käyttötapauksia, joihin analytiikkaa aiotaan käyttää

o                          tarvittaessa tehdä tietosuojan vaikutusten arviointia, tiedottaa käyttäjiä ja päivittää selosteita rekisteröityjen informoimiseksi

o                          miettiä, ketkä ja miten osallistetaan pilottiin (eri käyttäjäryhmät kuten pääkäyttäjät, opiskelijat, opettajat, hallinto)

o                          varata riittävästi aikaa pilottiin, koska oppimisanalytiikka vie mennessään ja on todennäköisesti isompi asia kuin ennalta arvioidaan

o                          verkostoitua muiden oppimisanalytiikkaa pilotoivien tai jo hyödyntävien kanssa, koska kokemuksien ja ajatusten vaihto rikastaa pilottia

Kirjoittajat: Riikka Lahtela (OSAO), Ella Eld ja Anu Konkarikoski (Ammattiopisto Tavastia)

Kategoriat
Blogi

Itslearning-analytiikkaa Ekamissa

Ekamissa Itslearning otettiin käyttöön keväällä 2019 opettajien koulutuksilla ja materiaalien tekemisellä. Syksyllä 2020 aloittaneet uudet opiskelijat ottivat käyttöön Itslearningin.

Käyttöönotto sujui melko vaivattomasti ja opiskelijat oppivat nopeasti käyttämään uutta oppimisalustaa.

Keväällä 2020 aloitimme tarkemmin tutkimaan Itslearningin analytiikkatyökaluja, kun opiskelijoilta oli saatu analysoitavaa materiaalia käyttöön. Tällä hetkellä opettajat vielä tutustuvat analytiikan tarjoamiin mahdollisuuksiin opiskelijoiden etenemisen seuraamisessa. Samaan aikaan opiskelijoita on alettu ohjaamaan analytiikkatyökalujen pariin.

DOT-projektin puitteissa englannin opettaja Miika Rautiainen on tehnyt lyhyitä videoita, joilla opiskelijoita ohjeistetaan käyttämään erilaisia analytiikan työkaluja. Näitä videoita alamme jakaa opiskelijoiden käyttöön lähitulevaisuudessa. Ne on pyritty tekemään lyhyiksi ja mahdollisimman selkeiksi, jotta katsojien mielenkiinto säilyisi koko videoiden ajan.

Videot kootaan yhdeksi Thinglink-kuvaksi (https://www.thinglink.com/scene/1380173043652886529), josta opiskelijat löytävät ohjevideot eri otsikoiden alta.

Video-ohjeita tullaan tekemään myös henkilökunnalle erilaisten analytiikkatyökalujen löytämiseksi ja käyttöönoton helpottamiseksi.

Itslearningissä on erilaisia analytiikkatyökaluja. Monipuolisimpana voidaan mainita 360°-raportti. Se on jaettu kolmeen osaan: aktiviteetti, edistyminen ja arvosanat.

Aktiviteettiraportin etusivulla on kerätty nopea näkymä ryhmän aktiivisuudesta.
Klikkaamalla auki yksittäisen opiskelijan aktiivisuus-raportti, saadaan tarkempaa tietoa hänen toiminnastaan kurssin materiaalien parissa.
Edistyminen-raportin välisivulla nähdään yleiskatsaus ryhmän opiskelijoiden tehtävien edistymisestä.

Klikkaamalla auki yksittäisen opiskelijan edistyminen-raportti nähdään kaikki kurssin materiaalit järjestyksessä. Lisäksi jokaisen materiaalin ja tehtävän kohdalla on merkintä tehtävän tilasta ja mahdolliset opettajan antamat kommentit. Suodattimien käyttö antaa hyvät mahdollisuudet valita seurattavaksi esimerkiksi vain aktiviteetit eli tehtävät tai suoritetut aktiviteetit.

Kuvakaappaus Edistyminen-raportista
Arviointikirjaan Itslearning kokoaa ne tehtävät, jotka opettaja on määritellyt sinne liitettäväksi.

Itslearning on opettajan näkökulmasta melko selkeä käyttöön otettavaksi perustyökalujen osalta. Kun ohjelman kanssa on päässyt alkuun ja osaa toivoa siltä hankalampia rakenteita ja toimintoja, törmää välillä siihen, että se ei olekaan mahdollista Itslearningissä. Kuitenkin kaiken kaikkiaan oppimisalusta on opettajalle selkeä kurssien tekemistä varten.

Ekamissa eri opettajilla ja eri aloilla on käytössä erilaisia rakenteita kurssien luomiseksi. Tämä tarkoittaa sitä, että osittain analytiikassakin tulokset näkyvät eritavoilla. Opettajien täytyy tästä syystä ohjata opiskelijoita oman materiaalinsa kanssa oikeanlaiseen analytiikan käyttämiseen. Esim. Oppimistavoitteita opettajat laittavat tehtäviin ja kokonaisuuksiin eri tavalla näkyviin.

Analytiikkatyökalujen osalta kävi ehkä toisinpäin. Alussa ne vaikuttivat sekavilta ja vaikeasti tietoa paljastavilta. Kun niitä on oppinut käyttämään paremmin ja osaa itse valita oikeat työkalut ja suodattimet, on analytiikalla helpompi saada itselle hyödyllistä tietoa.

Arja Korpela, lehtori, yhteiset aineet, EKAMI

Kategoriat
Blogi

IntelliBoard-analytiikkapilotit syksyllä 2020

DOT-hankkeessa mukana olevista organisaatioista Tavastialla, OSAOlla, Careerialla ja Saskylla on käytössä oppimisjärjestelmänä Moodle. Hankkeen alkaessa Moodlemme oli päivitetty tai oltiin päivittämässä Mediamaisterin kehittämään Pinja LMS:ään. Pinjan sisäisten analytiikkatyökalujen lisäksi Mediamaisteri tarjoaa meille maksuttoman mahdollisuuden pilotoida kolmen kuukauden ajan IntelliBoardia. Pilotit on saatu vasta käynnistettyä. Kokemuksistamme tulemme raportoimaan tämän vuoden päätteeksi.

IntelliBoard on analytiikkajärjestelmä, jota Mediamaisteri tarjoaa oppimisen analytiikkaratkaisuna integroitavaksi Pinjaan. Käytännössä integrointi tehdään IntelliBoard-lisäosalla, joka tuo Pinjan valikkoon opiskelijoille näkyville Learner Dashboardin (Opiskelijan työpöytä), opettajille Instructor Dashboardin (Ohjaajan työpöytä) ja hallinnoijille Intelliboard Analyticsin.

IntelliBoard-lisäosa hyödyntää Moodlen/Pinjan dataa muodostaakseen siitä visualisointeja ja raportteja. IntelliBoard ei varastoi dataa, vaan datan jalostaminen tapahtuu lisäosassa Pinjassa. Tämä tarkoittaa, että myös visualisoinnit ja raportit menetetään, jos IntelliBoard-lisäosa kytketään pois päältä.

Havaintoja pilottien alkuvaiheessa

Ensisilmäyksillä opiskelijalle näkyy opiskelijan työpöydällä sekä hyödyllisiä että ammatillisen toisen asteen koulutuksen tarkastelukulmasta katsottuna harhaanjohtavia tietoja. Hyödyllistä on esimerkiksi kurssien edistymisestä kertova visualisointi. Sen sijaan kurssien keskiarvosta kertovat visualisoinnit eivät vaikuta tarpeelliselta tiedolta opiskelijoillemme. Yksilöllistä polkua eteneville ei ole mahdollista muodostaa järkevää lukua kohtaan ”luokan keskiarvo”, jos se nyt muutenkaan on hänelle tarpeen näkyä.

Kuvakaappaus opiskelijan työpöydästä.

Ohjaajan työpöydällä opettajat näkevät visualisointeja omien kurssiensa ja opiskelijoidensa datasta. Valikkojen kautta opettaja pääsee etsimään vielä lisää visualisointeja ja raportteja. Ensivaikutelma on raskas, vaikka joukossa on varmasti opettajan työlle tärkeää tietoa, kunhan löytää käyttötarvetta vastaavan näkymän. Hankkeen yksi tarkoitus onkin tehdä ohje, jonka avulla huomioin voi kiinnittää olennaisiin mittaristoihin.

Kuvakaappaus ohjaajan työpöydästä.

Hallinnoijan Intelliboard Analytics näyttää ensikatsomalta tuottavan kiinnostavia visualisointeja ja raportteja. Tietoähky on jälleen valtava, joten voimme todeta, että IntelliBoardin tehokas käyttöönotto vaatii perehtymistä. Jos oppisanalytiikan käyttötapaukset on jo tiedossa, niin on helpompi lähteä etsimään tietoa, joka vastaa tarpeeseen. Intelliboard Analyticsissä toiminnallisuuksia on huomattavasti enemmän. Hallinnoija voi esimerkiksi lähettää automatisoidusti raportteja opiskelijoille tai opettajille sekä luoda omia raportteja.

Kuvakaappaus: Tentin oikeiden vastausten suhde vääriin sekä opiskelijoiden opiskelun kellonajat voivat tarjota opettajalle mielekästä tietoa, kunhan datan keräämisen aikavyöhyke on tiedossa.

Myös tieto yksittäisten tehtävien oikein-väärin jakaumasta opettaja saa palautetta oman pedagogiikkansa kehittämiseen. Yllä olevan kuvan tehtävä ”Halkaisija” on ollut niin hyvin opetettu ja/tai tehtävä helppo ymmärtää, että kaikki opiskelijat ovat saaneet sen kerralla oikein. Sen sijaan tehtävä ”Leikkausviivoitus” on mennyt aluksi yhdeltä kolmesta väärin. Tästä tuloksesta opettaja todennäköisesti osaa päätellä, pitääkö asian opettamista tai ko. tehtävänantoa tarkentaa, jotta se olisi seuraavalla kerralla paremmin hallussa.

Kuvakaappaus tentin tehtävien tekemiseen liittyvästä datasta.

Kirjoittajat: Riikka Lahtela (OSAO) sekä Anu Konkarikoski ja Ella Eld (Koulutuskuntayhtymä Tavastia)

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
Blogi

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