Kategoriat
Blogi

Käytettävyyden parantaminen analytiikan avulla

Teksti: opettaja Jarno Haapaniemi, Sasky ja kehittämiskoordinaattori Anu Konkarikoski, Ammattiopisto Tavastia

DOT-hankkeen loppumetreillä teimme kaksi kokeilua siitä, miten analytiikkatiedolla voidaan helpottaa käyttäjien kulkemista oppimisympäristössä. Ammattiopisto Tavastian ja SASKY koulutuskuntayhtymän toteuttama kokeilu koski Moodle-ympäristöä, mutta samantyyppinen analysointi käy myös muille verkkosivustoille. Molemmat kokeilut pohjautuivat verkkokauppojen optimointiin kehitetyn osaamisen hyödyntämiseen.

Attractive.ai

Sasky toteutti attractive.ai -tekoälyllä tutkimuksen Saskyn Moodlen etusivulle ja tiilet-näkymään saadakseen selville, mitä tekoäly ehdottaa ensivaikutelman, käyttäjän kulkeman polun ja saavutettavuuden parantamiseksi. Lopputuotteena saatava raportti on jaettu neljään osaan: yhteenvetoon, ensivaikutelmaan, navigoimiseen sivustolla ja käytettävyyteen. Raportista löytyy noin kymmenen tekoälyn tekemää nostoa kokonaisuuden parantamiseksi. Havaitut kehittämiskohteet on lueteltu omina kokonaisuuksinaan. Kokonaisuuksissa on kerrottu verkko-osoite, luokittelu, havainto ja ratkaisu sekä lisätietoa linkki.

Kuvakaappaus Saskyn Moodleen tehdystä Attractive.ai-analyysistä

Moodlen etusivun ehdotukset

Ensivaikutelmassa tekoäly ehdotti valkoista aluetta kenttien välillä lisättäväksi. Eri elementtien sijoittelu sivulla ei sen mielestä antanut kuvaa siitä, mitkä elementit kuuluvat yhteen. Kuvien resoluutio ei ollut sen mielestä riittävä, sekä responsiivisuudessa, painikkeen kontrastissa että tekstien rivitysasetuksissa oli parannettavaa.

Käyttäjän kulkureitissä tekoäly kehotti poistamaan päällekkäiset navigaatiot ja näyttämään selkeämmin, missä kohtaa sivustoa käyttäjä kulloinkin on. Etsi-painikkeeseen se ehdotti tekstiennusteen käyttöönottoa.
Saavutettavuuden osalta tekoäly huomautti englanninkielisen sivuston sisältävän myös suomenkielistä tekstiä ja kursorin olisi hyvä muuttua painikkeiden päällä näyttämään, että kyseessä on linkki.

Tiilet-näkymän ehdotukset

Kurssitasolla tiilet-formaatissa tekoäly piti ensivaikutelman osalta tiilien tekstejä liian pitkinä kyseisiin tiiliin ja ehdotti niitä lyhennettäviksi samoin kuin tiilien välistä valkoista osuutta suurennettavaksi. Kuvien resoluutiota se ehdotti suurennettavaksi ja vähentämään kuvissa olevia värejä. Alasivujen fontteja se piti epäjärjestelmällisinä.

Käyttäjän kulkureitissä se piti tiiliformaatin järjestyksen ymmärtämistä epäselvänä, vaikka ihminen kyllä todennäköisesti osaa seurata otsikoiden numerojärjestystä. Puhelinnumeroa ja sähköpostiosoitetta se ehdotti suoraan klikkauksen takaa toimivaksi. Pohdittavaksi jää, ehtisikö opettaja vastaamaan kaikkiin viesteihin ja puheluihin.

Saavutettavuuden osalta tekoälyohjelma ehdotti tiilinäkymän kontrastien parantamista.

Pohdinta

Attractive.ai:n tuottamat raportit antavat hyvän pohjan seuraavien kehitysaskeleiden ottamiseksi. Raporteissa on hyvää keskeisimpien kohtien esiin nostaminen. Raportissa oleva kehityskohdelista on sopivan mittainen. Saadut kehittämiskohteet ovat jaettavissa kolmelle toimijalle: Moodlen kehittäjäyhteisölle, Moodlen ylläpitäjille ja opettajille.

Näistä parhaimman hyödyn saa opettaja-näkökulmasta, mikä tuo esiin niitä asioita, joita olisi hyvä käydä läpi opettajien kanssa sisällöntuotantoon liittyen.

Parhaimman hyödyn saamiseksi testiajoja pitäisi tehdä säännöllisesti tehtyjen muutoksien jälkeen.

Kulkureittitutkimus

Käytimme markkinoinnin, viestinnän ja teknologian asiantuntijayrityksen LM Somecon osaamista Ammattiopisto Tavastian Moodlen käytettävyyden parantamiseen tähtäävän kulkureittitutkimuksen suunnitteluun. Tavoitteena on hyödyntää analytiikkatyökaluja yleisten kulkureittipulmien sekä hyvin toimivien osioiden tunnistamiseen ja monistamiseen. Jatkossa voisimme helpottaa kulkureittejä, parantaa otsikointia ym. nimeämistä, luoda pikalinkkejä ja saada juuri työn alla olevat tehtävät etusivulle. Kulkureittitutkimuksen aikana koemme opiskelijoiden tietosuojan turvaamisen kuitenkin tärkeämmäksi kuin kaikkien mahdollisten työkalujen käytön.

Jos emme käytä evästeitä, voimme analysoida yleisimpiä poistumissivuja, sivustolla tai alasivuilla käytettyä aikaa sekä kävijämäärältään tai näyttökerroiltaan suosituimpia sivuja. Evästeiden avulla voimme myös nähdä yleisimmät kulkureitit sivuston sisällä, paluita etusivulle, scrollaamista kullakin sivulla alaspäin, suositumpia painikkeita sekä suppiloida dataa, jotta nähdään polulta poistumisen vaiheet.

Opiskelijoita voisivat hyödyttää palautettujen tehtävien ja moduulien valmistumisen sekä kokonaisetenemisen mittarit. Opettajan työkalujen avulla sisältöjä on mahdollista tuunata toimivammaksi sekä seurata opiskelijan toimia ja etenemistä Moodlessa.

Hotjar-työkalulla (sis. evästeet EU:n aluellla) voi tutkia lämpökarttoja, tallentaa sessioiden kulkua ja tehdä kyselyitä. Sen avulla voi löytää U-käännökset, vahinkoklikkaukset ja suosituimmat reitit. Google Analyticsin avulla voi tutkia myös yksittäisten sivujen vierailujen määriä, kestoja ja poistumisia sivuilta sekä asettaa määrällisiä tavoitteita esim. tiettyjen nappien painalluksista. Lisäksi datan funneloiminen on mahdollista: käyttäjän löytämät oikeat reitit ja putoamiskohdat sekä suosituimmat reitit ovat löydettävissä. Osittaisena korvaajana Google Analyticsille voisi olla Plausible, joka ei käytä evästeitä.

Seuraavassa vaiheessa – muulla rahoituksella – tutkimme Moodlen toimittajan Mediamaisterin kanssa, mitä ko. tiedoista he voivat järjestelmätoimittajana tarkastella ilman ulkopuolista analytiikkaohjelmistoa, mitä Mediamaisterin mRaportointi jo sisältää ja mitä pitäisi vielä lisätä. Näin opiskelijan tietosuoja saataisiin varmimmin pidettyä kunnossa.

Kiinnostavaa kokonaiskehittämisen kannalta on myös ehdotus tarjota opiskelijalle pian kirjautumissivun jälkeen tieto niistä aktviiteeteista, joita hän on käynyt katsomassa viimisimpänä. Näin helpotettaisiin myös sitä, että tehtävänannon katsottuaan opiskelija käy tekemässä käytännön työtehtävän ja löytää kuvan ja reflektoinnin palautuspaikan nykyistä helpommin.

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.