Oppimisanalytiikkaa on kehitetty jo useissa hankkeissa niin valtakunnallisesti kuin paikallisesti Kareliassakin. Tässä artikkelissa pohditaan, mikä on tulevaisuudessa ohjaajan rooli, kun ohjaava oppimisanalytiikka saadaan käyttöön opiskelijoiden tueksi.
Ohjaava oppimisanalytiikka pyrkii ennakoimaan parhaimman menettelytavan
Oppimisanalytiikka on data-analytiikkaa, jota käytetään muun muassa yrityksen toiminnan ohjauksessa. Data-analytiikka voidaan jakaa neljään tasoon: kuvailevaan, diagnostiseen, ennakoivaan sekä ohjaavaan analytiikkaan.
Kuvaileva analytiikka perustuu raportointiin. Sen pääasiallinen tehtävä on kertoa mitä on tapahtunut erilaisten visualisointien ja kaavioiden avulla. Kuvaileva analytiikka on yleensä ensimmäinen taso, joka saavutetaan. Se voi antaa arvokasta tietoa esimerkiksi suunnittelutyötä varten.
Diagnostinen analytiikka perustuu syiden selvittämiseen. Sen pääasiallinen tehtävä on kertoa, miksi jotain on tapahtunut. Diagnostinen analytiikka rakennetaan kuvailevan analytiikan tiedon päälle.
Ennakoiva tai ennustava analytiikka pyrkii kertomaan, mitä tapahtuu tulevaisuudessa. Tasojaottelussa tämän ajatellaan rakentuvan diagnostisen tason päälle, jolloin datasta tunnistetuista syistä voidaan analysoida seuraukset ja soveltaa samaa periaatetta uusiin tapauksiin. Ennustava analytiikka ei ole tae sille, että asiat tapahtuvat, mutta se osoittaa tapahtumisen mahdollisuuden aiempien tilanteiden perusteella.
Ohjaava analytiikka pyrkii kertomaan miten kannattaisi toimia seuraavaksi. Ohjaaminen rakentuu ennakoinnin ja ennusteiden varaan, jolloin tilannetta voi joko korjata tai mahdollisesti tukea joillain tavoin.
Kaikki edellä mainitut analytiikan tasot kuuluvat myös oppimisanalytiikkaan. Viimeisenä esitelty ohjaava analytiikka oppimisen ja opiskelun ohjauksessa kuulostaa varsin tavoiteltavalta. Ohjaava analytiikka voi tarvittaessa suositella, ohjeistaa tai jopa pakottaa kertaamaan tiettyjä aihealueita opintoihin liittyvän datan perusteella. Analytiikan on mahdollista antaa ohjausta opiskelijan henkilökohtaisen etenemisen mukaan, jolloin se tukee yksilöllisiä opiskelupolkuja.
Ohjaava analytiikka tässä muodossaan on kuitenkin automaattista päätöksentekoa, ja EU:n tietosuoja-asetus määrittelee sille selkeät ehdot. Ehtojen on täytyttävä, jotta analytiikan hyödyntäminen on mahdollista. Selkein tapa lienee suostumuksen pyytäminen, jolloin opiskelija voi valita, tekeekö kone hänen puolestaan tukevia päätöksiä vai ei. Suostumusta kysyttäessä on suotavaa myös yksityiskohtaisesti kertoa, millaista automaattista päätöksentekoa luvan perusteella tehdään.
Data saa merkityksensä osana suurempaa kokonaisuutta
Ennen kuin mietitään data-analytiikan merkitystä ja mahdollisuuksia opinto-ohjauksessa, palataan hetkeksi tiedon alkulähteelle – dataan. Data sinänsä on hajuton ja mauton. Sillä on jokin arvo ja se seilaa muun datan tavoin erilaisissa tietokannoissa ja tietovarastoissa paikallisena tai pilvessä. Voidaan siis ajatella, että data on puolueeton eikä ole positioitunut minkään suhteen. Kuitenkin data on juuri sitä, mitä on määritelty kerättäväksi datan luontihetkellä. Data siis ottaa datan kerääjän position: se kerätään jotain tarkoitusta varten. Usein samaan dataan liitetään ilmiöön liittyvää muutakin dataa, jolloin yksittäinen data alkaa saamaan muotonsa osana kokonaisuutta.
Ajan myötä kokonaisuuksia tulee lisää, ja data kokonaisuutena alkaa olla merkityksellistä informaatiota vaikkapa juuri ajan suhteen. Data-analytiikka yrittää kaivaa juuri tätä informaatiota datamassasta, visualisoida sitä ihmiselle paremmin ymmärrettävään muotoon, sekä jopa ennustaa tulevaisuuden näkymiä ja ohjata tulevia toimenpiteitä.
Kaiken alussa on kuitenkin data. Se on aikoinaan määritelty jotain tarkoitusta varten. Oppilaitosympäristössä tämä voi olla esimerkiksi kurssiarvosana. Tuohon dataan liittyy suorituspäivämäärä, kurssin toteutuksen tiedot ja arvosanan antaja. Nämä tiedot taas ovat osa opintojakson tietoja, ja opintojaksot osa opetussuunnitelman rakennetta. Eri vuosikurssit voivat noudattaa eri opetussuunnitelmia. Datamme on nyt osa isoa kokonaisuutta. Eri näkökulmia ottamalla voimme saada datasta irti asioita, johon sitä ei alun perin oltu edes suunniteltu.
Nyt pääsemme vihdoin tarkastelemaan dataa ja data-analytiikkaa opintojen ohjauksessa.
Data-analytiikka opintojen ohjauksessa voi auttaa osoittamaan kipupisteet
Opinto-ohjauksen ytimessä on toisen ihmisen kohtaaminen, joka ilmenee monin tavoin ja jota tehdään monin välinein. Ohjauksen ikiaikaisia dilemmoja on ohjaustarvetta kaipaavien opiskelijoiden saaminen ohjauksen piiriin. Opiskelijamme ovat aikuisia: on heidän päätöksensä, ottavatko he vastaan tarjotun ohjauksen ja pystyvätkö he sitoutumaan eri vaihtoehtoihin. Tämä ohjaus on keskustelua, nykytilan kartoitusta, eri vaihtoehtojen puntarointia, syy-seuraussuhteiden miettimistä ja tavoitteiden asettamista.
Opiskelijalla on monesti vaikeuksia sanoittaa omaa tilannettaan. Vaikka voi tuntua selvältä, miten opiskelija on päätynyt sen hetkiseen tilanteeseen, sanoiksi pukeminen onkin paljon vaikeampaa. Osa opinto-ohjaajan asiantuntijuutta on huomata nonverbaliikan pienet vihjeet asioista, joihin on hyvä pureutua tarkemmin ja syvemmin. Näiden syiden etsimisessä menneestä ajasta data-analytiikka loistaa.
Analytiikkaa voisi kuvata vähintään kaksitasoiseksi. Yhtäällä on opiskelija ja hänen suorituksensa sekä puuttuva data esimerkiksi opintojaksoista, joita hän ei ole suorittanut; toisaalta on opiskelijan ryhmä vertailukohtana. Lisäksi mukana on koko historiadata kaikista Karelian opiskelijoista.
Opinto-ohjaaja voi osana ohjauskeskustelua käyttää analytiikkaa ohjauskeskustelun suuntaamiseen ja mahdollisten kipupisteiden osoittamiseen. Vahvistuksen hän mahdollisesti saa opiskelijalta. Tällöin ohjauksesta päästään tukevammalle alustalle sen suhteen, arvaillaanko syitä vai aletaanko etsimään ratkaisuja faktatietoon perustuen. Toki varsinaiset juurisyyt saattavat tässäkin tapauksessa jäädä pimentoon.
Vaikka data-analyysi voi käytännössä tarjota meille minkälaisia oivalluksia (engl. insights) tahansa liittämällä erilaista dataa yhteen sekä ryhmittelemällä ja etsimällä korrelaatioita, on se parhaimmillaankin vain osa ohjausta. Massa-analyysissa se voi kutsua tutkimaan Matin ja Maijan tilannetta esimerkiksi tilanteissa, joissa suorituksissa on havaittava selvä poikkeama ryhmän suorituksiin verrattuna tai peilaten opiskelijan omaan historiaan.
Tulevaisuuden ohjauksessa analytiikka on apu, ei korvaaja
Ohjaajan rooli ei ole muuttumassa. Analytiikka tulee tehostamaan pudokkaiden havainnointia opiskelijamassasta ja eritoten saamaan heistä aiemmin kiinni. Tämä on avaintekijänä Varhaisen Tuen toimenpiteillä ehkäistävässä opinnoista putoamisessa. Analytiikka on tehokas ohjauksen työkalu niin ohjaushenkilöstölle kuin opiskelijoille itselleen.
Opinto-ohjauksen ongelmana on aina ollut rajattujen resurssien kohdentaminen mahdollisimman tehokkaasti oikeisiin ohjauksellisiin toimenpiteisiin. Vaikka opiskelijajoukon edistymisen seuranta voi tuntua tärkeältä, siihen ei juuri ole kohdentaa aikaresurssia. Analytiikka vastaa tarpeeseen löytää kustannustehokkaasti ohjausta vaativat ehdokkaat.
Erilaiset dataan perustuvat järjestelmät tulevat yleistymään koulutusmaailmassa vauhdilla. Ennakoiva ja ohjaava analytiikka yhdessä koneoppimisen, tekoälyn ja ohjelmistorobotiikan odottaa aivan nurkan takana. Näiden järjestelmien avulla opiskelija voi itse havainnoida omaa oppimistaan ja tuen tarvetta siinä. Ohjaustoimijoille nämä tarjoavat monipuolisempaa näkymää opiskelijaan ja ovat apuna tavoitteiden asettamisessa.
Yhteenveto
Ohjaava oppimisanalytiikka voi olla ohjauksen apuväline tulevaisuudessa, ja sen käyttö edellyttää nykytiedon perusteella opiskelijan suostumusta. Analytiikka yleisesti tulee olemaan merkittävä osa tulevaisuuden ohjaustyötä. Se voi tarjota oivalluksia opiskelijan tilanteesta ja jopa ratkaisuvaihtoehtoja. Mutta opiskelijalla pitää aina olla mahdollisuus keskustella tilanteesta ohjauksen asiantuntijan kanssa, sillä tilanne harvoin on mustavalkoinen. Se on koko elämäntilanteen huomioiva, tavoitteellinen, rohkaiseva, kunnioittava ja myös tilaa antava vuoropuhelu ohjaajan ja ohjattavan välillä. Pelkästään analytiikalla ei tähän päästä – joten ei, ohjaava analytiikka ei syrjäytä ohjaajaa vielä.
Kirjoittajat
Anssi Gröhn, tietojenkäsittelyn lehtori, Karelia-ammattikorkeakoulu
Joni Ranta, tietojenkäsittelyn lehtori, Karelia-ammattikorkeakoulu
Vartu 2.0 -hanke