Kategoria: Blogi

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

Kategoriat
Blogi

Verkkoruokakauppa- ja luomuostoksilla

Mitä yhteistä on verkkoruokakaupalla ja hankkeemme DOT – data opiskelijan tukena tulevilla tuotoksilla? Molemmat hyödyntävät käyttäjästä järjestelmiin kertyvää dataa säästääkseen molempien osapuolten aikaa ja vaivaa ja parantaakseen koko toiminnan laatua. Kaupallisilla toimijoilla motivaattorina on tietysti liiketoiminnan kannattavuus, kun taas jokainen oikeaa opetustyötä niukkenevilla resursseilla tehnyt tietää, että kaikki keinot opiskelijan aivoitusten ymmärtämiseksi ovat tervetulleita auttamaan oppimisen ohjaamisessa laadukkaampaan suuntaan.

Koronakeväänä oman jääkaappimme täyttö- ja tyhjennystiimi testasi useamman eri verkkoruokakaupan palveluita. Palvelupolkujen suunnittelusta olisi paljonkin sanottavaa, mutta DOT-hankkeen näkökulmasta katse kiinnittyy itse datan hyödyntämiseen oman ostoslistan hallinnassa.

Kuulun perheineni siihen 83 % asiakkaista, jotka käyttävät kanta-asiakaskortteja kaupassa käydessään. Näin sain näppärästi ja hieman hämmentävästikin ehdotuksen verkkoruokakaupan ostoksiksi aiempien ruokakauppaostosten perusteella molemmissa isoissa ruokakauppaketjuissa. Tämä todellakin säästää aikaa listan teossa, eikä ainakaan omasta ruokakunnastani löydy nykyisellä muutaman euron keräilyhinnalla kärryjen kanssa vapaa-aikaansa kaupassa viettävää vapaaehtoista. Samalla logiikalla DOT-hankkeen tulosten pitäisi säästää opiskelijan aikaa ja vaivaa. Vähän monimutkaisemmassa versiossa opettajan on helpompi ja vaivattomampi kohdentaa ohjausta sitä tarvitseville entistä nopeammin ja oikea-aikaisemmin. Vielä pitemmälle menevä ajatus on Saskyn DOT-tiimillä jo hakuvaiheessa ollut ajatus kerätä dataa tehtävätyyppien toimivuudesta opiskelijan osaamisen hankkimisen tukemisessa. Antamalla itsestä kertyvän datan käytön lupa oppilaitokselle opiskelija voi siis odottaa saavansa omaa oppimista paremmin tukevia tehtäviä ja toimeksiantoja.

Keskon muutamassa kuukaudessa palvelumuotoilun keinoin luoma kokeellinen puhelinsovellus K-Ostokset antaa eväitä mm. parantaa ostostensa kotimaisuusastetta tai hiilijalanjälkeä. Kiinnostavia on myös heidän tietonsa siitä, mitä tietoja käyttäjät ovat katselleet eniten. Epäluuloisena kuluttajana toki pohdin tällaisenkin palvelun perimmäisen tarkoituksen olevan sitouttaa minut juuri kyseisen ketjun asiakkaaksi. Oppilaitosmaailmassa vastaava pulma on ehkä se, että jos dataa pitää kerätä, opinnoissa painottuvat – toivottavasti laadukkaat – oppilaitoksen omat järjestelmät some-valikoiman sijaan.

Sekä verkkokaupat että oppimisanalytiikan hyödyntäminen ovat joka tapauksessa vielä varsin alkumetreillä siihen, mitä visionäärit ja tekoälyn kehittäjät ovat kertoneet. Esimerkiksi ruokatilausjärjestelmän automaattista varmistuskysymystä olisin kaivannut siihen kohtaan, kun onnistuin ostamaan yhden banaanin yhden banaanikilon sijaan. Yhden perunan tilaajille keräilijät sentään kuulemma soittavat varmistuksen. DOT-hanke koittaa palvella sekä yhden oppimisen banaanin että kokonaisen banaanikilon hankkijoita.

Dataa viisaasti ja vastuullisesti hyödyntämällä voidaan jatkossa parantaa elämänlaatuamme, vaikka emme kovin henkilökohtaisesti ennättäisi kauppiaana ja asiakkaana tai opettajana ja opiskelijana toisiimme tutustuakaan. Toisaalta jaksan kyllä joka kesä iloita naapurikylän luomuviljelijän luomuasiakkuudestani: Ihan ilman sen monimutkaisempia tietojärjestelmiä saan Whatsapp-vinkin kunkin herkkuvihanneksen ja -marjan satokauden alkamisesta.

https://kesko.fi/grandone2020

Anu Konkarikoski, projektipäällikkö, DOT-hanke

Kategoriat
Blogi

Oppimisanalytiikan sanastotyö on käynnistynyt

Puisia Scrabble-pelin kirjainlaattoja sekaisin päällekkäin

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

Kategoriat
Blogi Tapahtumat Webinaarit

DOT-hanke vauhtiin

DOT – Data opiskelijan tukena on kevään 2019 valmisteluista startannut täyteen vauhtiin. Tapasimme livenä starttikokouksen merkeissä Careeriassa Vantaalla to 30.1. reilun kahdenkymmenen tekijän voimin. Kerran kaksi lukukaudessa tapaamisten lisäksi pidämme joka toinen torstai puolen tunnin pikapalaverin verkossa. Sen asialistalle jokainen voi nostaa itselle tärkeitä teemoja.

DOT-hanketoimijat iloisessa yhteiskuvassa 30.1.2020

Meillä on tämän vuoden 2020 aikana tarkoitus pilotoida sekä YTO- että ammatillisten tutkinnon osien opiskelijoiden opintojen aikana kerryttämän datan saamista opiskelijan tueksi sekä suoraan että opetushenkilöstön ohjauksen kautta. Osalla oppilaitoksistamme on pääasiallisena oppimisympäristönä Moodle, osalla Itslearning ja kaikilla kytkeytyy muitakin järjestelmiä oppimisen prosessiin. Arvelemme, että ryhmämuotoiseen etenemiseen viritettyjen oppimisympäristöjen omien analytiikkatyökalujen ominaisuuksien tarkastelu ei riitä. Ammatillisessa koulutuksessa iso osa ajasta tehdään myös käytännön työtä ja sen saaminen tarkasteluun on pelkässä digiympäristössä tehtävää kurssia haastavampaa. Jossain vaiheessa varmasti IoT-data auttaa meitä tässä.

Lisäksi yhtenä teemana on tarkastella, mitä dataa simulaattoreissa tehtävästä osaamisen hankkimisesta kannattaa tuoda opiskelijan omaan polkuun. Suoraviivaistettuna esimerkkinä tutkimme Pintakillan Unity-pohjaista Vive-VR-laseilla toimivaa ruiskumaalisimulaattoria: Mitä dataa tarvimme, jotta voimme seurata osaamisen kehittymistä ja löytää sen kohdan, jossa kunkin opiskelijan kannattaa siirtyä käyttämään oikeaa maaliruiskua 30-120 €/l maksavine maaleineen.

Kehittäjämme ovat moniosaava joukko sekä opettajia että syvemmin datan kimurantteja kysymyksiä hallitsevia eksperttejä. Ainakin aloitusleirin puheensorinan perusteella kaiken lisäksi meillä on vielä hauskaakin yhdessä.

Teksti: ITK2020

Ensimmäinen julkinen esiintyminen meillä on ti 3.3.2020 ITK-webinaarissa, jossa esitellään ke 1.4.2020 Aulangolla pidettävää työpajaa, johon voitte tulla kertomaan ja pohtimaan opiskelijoiden, opettajien ja ohjaajien tarpeita datan hyödyntämiseen. Tervetuloa molempiin!