OAHOT Blogi 2/2022: Alakoulun oppilaiden kokemuksia oppimisanalytiikkavisualisoinneista

Kirjoittaja:

Sanna Väisänen, tutkijatohtori, OAHOT-hankkeen projektipäällikkö, Soveltavan kasvatustieteen ja opettajankoulutuksen osasto, Filosofinen tiedekunta, Itä-Suomen yliopisto, sanna.m.vaisanen(at)uef.fi

Tässä blogitekstissä tarkastelen alakouluikäisten oppilaiden kokemuksia oppimisanalytiikkavisualisointien hyödyntämisestä heidän oman oppimisensa tukena pohjaten konferenssiesitykseen ja siitä kirjoitettuun artikkeliin (kts. Väisänen et al., in press). Vaikka oppimisanalytiikkaa on enenevissä määrin hyödynnetty ja tutkittu korkeakoulussa, on sen käyttö ja tutkimus olleet huomattavasti vähäisempää nuorempien oppijoiden kohdalla. Erilaisten teknologioiden muutettua fyysisiä ja digitaalisia oppimisympäristöjä on teknologia kuitenkin tarjonnut monia mahdollisuuksia tukea ja parantaa oppimista. Myös OAHOT-hankkeessamme lähdimme tutkimaan, kuinka oppilaat ja opettajat voivat tukea oppimisen itsesäätelyä ja työskentelyä hyödyntäen opetusteknologian mukanaan tuomia mahdollisuuksia.

Tärkeänä lähtökohtana oli rakentaa oppimisalusta (a learning management system, LMS) ja oppimisympäristö, joka tukee ja ohjaa oppijaa oppimisessaan. Keskeisenä teoreettisena lähtökohtana pidimme tässä Zimmermanin (2002) teoriaa oppimisen itsesäätelystä. Oppimisalustan rakenteeseen oli siis sisällytetty omien tavoitteiden asettelua oppimiselle, oman oppimisen seuraamista sekä tavoitteiden mukaisen oppimisen arviointia jokaisen oppitunnin osalta. Tämä voidaan nähdä merkityksellisenä esimerkiksi siksi, että Murdoc-Eatonin ja Whittlen (2012) mukaan oppijoiden tulisi saada taitoja elinikäiseen oppimiseen sekä oppimisen itsesäätelyyn ja mukautua joustaviin oppimisympäristöihin. Oppimisen itsesäätely nähdäänkin keskeisenä kouluissa nykyisin. Lisäksi oppimisanalytiikan nähdään tarjoavan tehokkaita tapoja tukea opettajien pedagogisia käytänteitä, jotka korostavat oppijoiden itsesäätelyä ja metakognitiivista ajattelua (Ifenthaler & Schumacher, 2016).

Tutkimuksessamme digitaalisen oppimisjärjestelmän kautta toteutuva opiskelu ja oppiminen tapahtuivat fyysisessä luokkatilassa, jossa myös opettajat antoivat tarvittaessa ohjausta ja kohdennettua tukea oppilaille. Viidennen ja kuudennen luokan oppilaat tutustuivat ilmiölähtöisen opintojakson aikana avaruuteen lukien erilaisia, valmiiksi heille tuotettuja sisällöllisiä tekstimuotoisia materiaaleja ja katsoen videoita sekä tehden tehtäviä paitsi oppimisalustalla myös konkreettisesti itse ja yhdessä toisten oppilaiden kanssa. Oppimateriaali ohjasi oppilaita asettamaan omalle oppimiselleen jokaiselle oppitunnille tavoitteet ja opetuskerran jälkeen myöskin tarkastelemaan omaa oppimistaan. Lisäksi erilaiset lyhyet kyselyt ohjasivat oppilaita pysähtymään opiskelunsa äärelle ja pohtimaan sitä. Oppimisympäristön kautta oppilaat pystyivät myös seuraamaan omaa edistymistään esimerkiksi suoritusprosenttien ja suorituksen tilan sekä tehtävien automaattisen tarkistuksen kautta. 

Tutkimuksemme kautta huomasimme, että alakoulukontekstissa oppimisen itsesäätelyn ennakointivaiheeseen kuuluva tavoitteiden asettelu oli haastavaa osalle oppilaista, samaten kuin näiden tavoitteiden seuraaminen, vaikkakin oppimisalusta oli rakennettu tavoitteiden asetantaa ja seuraamista silmällä pitäen. Tätä ajatellen opetuksessa olisikin merkityksellistä pohtia, kuinka tietoisesti ohjata oppilaita asettamaan oppimiselleen tavoitteita, ja miten digitaaliset oppimisalustat voisivat tukea oppilaita tässä paremmin. Tutkimuksemme tulokset osoittivat myös, että yleisesti ottaen oppilaat kykenivät reflektoimaan omaa oppimistaan sen suhteen, mitä olivat oppineet ja mikä puolestaan oli häirinnyt oppimista.

Tutkimuksemme osoitti myös, että oppilaat saivat tukea ja ohjausta eri läheistä sisältäen tukea sekä oppimisalustasta ja sen tarjoamasta oppimisanalytiikkatiedosta että opettajalta ja vertaisilta. Havaitsimmekin, että vaikka oppimisalusta itsessään oli rakennettu vahvasti itsenäiselle tekemiselle, olivat vertaisten tuki ja oppimisen yhteissäätely myös merkityksellisiä oppilaiden oppimisprosessissa. Oppimisalusta tarjosi oppilaille myös ohjeita, kuvia ja videoita, jotka vähensivät avun tarvetta opettajien suunnasta. Oppilaat ottivat vastuuta omasta oppimisestaan, vaikkakaan he eivät seuranneet aivan oletetun mukaisesti omaa oppimistaan alustan tarjoaman Oma eteneminen -sivun kautta. Oppilaat kuitenkin kertoivat seuraavansa saamiaan suoritusprosentteja aktiivisesti ja ne myös koettiin motivoivina. Osa oppilaista esimerkiksi tavoitteli korkeita suoritusprosentteja, ja he tekivät tehtäviä uudelleen tavoitteidensa mukaisesti.

Kokemukseni mukaan oppimisalusta, joka tarjoaa oppijoille tietoa oppimisprosessista sekä antaa vahvan tuen itseohjautuvalle tekemiselle, voi toimia tehokkaana tukena opiskelun eri vaiheissa. Oppilaita, etenkin alakoulukontekstissa, on hyvä kuitenkin ohjeistaa seuraamaan omaa oppimistaan aina tietoisesta tavoitteiden asettamisesta oman oppimisen seuraamisen kautta oman oppimisen reflektointiin. Zimmermanin (2002) mukaan oppimisen itsesäätely onkin syklinen prosessi ja esimerkiksi asetetuilla tavoitteilla on merkitystä oppimisen reflektoinnin kannalta. Oppilaita olisikin merkityksellistä tukea monin eri tavoin tarkastelemaan aktiivisesti omaa oppimistaan ja ottamaan vastuuta omasta oppimisprosessista ja näin saavuttamaan nykypäivänä paljon korostettuja elinikäisen oppimisen taitoja kyetäkseen vastaamaan alati muuttuvan maailman vaateisiin.

Lähteet

Ifenthaler, D., & Schumacher, C. (2016). Student perceptions of privacy principles for learning analytics. Educational Technology Research and Development, 64(5), 923–938. doi: 10.1007/s11423-016-9477-y

Murdoch-Eaton, D., & Whittle, S. (2012). Generic skills in medical education: Developing the tools for successful lifelong learning. Medical Education, 46(1), 120–128. doi: 10.1111/j.1365-2923.2011.04065.x

Väisänen, S., Hallberg, S., Valtonen, T., Tervo I.-A., Kankaanpää, J., Sointu, E., & Hirsto, L. (in press). Pupils’ experiences of learning analytics visualizations in supporting self-regulated learning in an elementary school classroom. Seminar.net. Media, Technology & Lifelong Learning.

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory into Practice, 41, 64–79. doi:19.1207/s15430421tip4102_2

OAHOT BLOG 1/2022: Finnish Learning Analytics and Artificial Intelligence in Education Conference 2022 – Emphasizing educational perspectives in LA and AI research

Writer:

Sanna Väisänen, post-doctoral researcher, project manager of OAHOT, School of applied educational science and teacher education, Philosophical faculty, University of Eastern Finland, sanna.m.vaisanen(at)uef.fi

In cooperation with Business Finland funded OAHOT project, and DIGS Research Comminuty, University of Eastern Finland (UEF) is organizing the first Finnish conference on learning analytics and artificial intelligence (FLAIEC 2022), with a special research interest in the aspects of teaching, learning and education. The conference will be arranged in Joensuu, Finland, on September 29–30, 2022. The main focus of the conference is how learning analytics and artificial intelligence can support teaching and learning in all contexts of education. In the FLAIEC 2022, we bring together researchers from different countries and various disciplinary traditions to present their research in the field of learning analytics and artificial intelligence, to discuss the use of them to support learning and the role of education and educational science in learning analytics and artificial intelligence.

FLAIEC 2022 conference will bring together researchers in various stages from doctoral students to professors. The two-day conference will include four world-class keynote speeches as well as many presentations. Our distinguished keynote speakers are well-known scholars from Australia (Professor Dragan Gašević), Germany (Professor Dirk Ifenthaler) and Finland (Professor Sanna Järvelä; Professor Laura Hirsto) representing the fields of learning analytics and education.

Dragan Gašević is Professor of Learning analytics of the Faculty of Information technology and Director of the Centre of Learning analytics at Monash University. His research focuses on computational methods that advance understanding of self-regulated and collaborative learning. Sanna Järvelä is Professor in the field of learning and educational technology at the University of Oulu. Her research interests are in social aspects of self-regulated learning (SSRL). Dirk Ifenthaler is Professor and Chair of Learning, Design and Technology at University of Mannheim. His research focuses on cognitive psychology, educational technology, and data analysis. Laura Hirsto is Professor of Educational Science at the University of Eastern Finland. Her research interests are in higher education students’ and primary school level pupils’ learning and motivational processes, and in variations of effective teaching and learning environments.

The FLAIEC 2022 conference also includes conference proceedings in CEUR Workshop Proceedings where the results of conference can be read. Moreover, the OAHOT blog will introduce more conference greetings in the fall.

More information about FLAIEC 2022: https://sites.uef.fi/flaiec/

FLAIEC 2022 -flyer

OAHOT-blog 4/2021: Learning analytics from general insights to personal control

Writer:

Mohammed Saqr, senior researcher, project researcher in the OAHOT-project

We are living in a digitized world, where almost every service is digitized in Finland. The digitalization of services resulted in large amounts of data about users. Consequently, data took the center stage in our life and has become the driver for improving many services. For instance, data is used to help improve banking services and to better recommend products (Romero & Ventura, 2020). Investing in the possibilities of data is at its highest in history and is expected to continue to rise as more and more digital services are consumed (Saqr, 2017). Learning is no exception; learners generate massive amounts of data that can be used to improve learning, teaching and the learning platforms (Saqr, 2015).

Learning analytics has emerged to harness the potential of data in learning environments (Saqr, 2015). In simple words, learning analytics tries to translate students’ clicks into recommendations and advice (Romero & Ventura, 2020). In doing so, the results of research can help a teacher to understand how his/her class is doing, who needs support and what kind of support they need (Saqr et al., 2019). As we understand learning better, we have the opportunity to improve it and offer our students a better service (López-Pernas et al., 2021). Learning analytics can also help decision makers so that decisions about students are better informed by the data.

So far, there have been many examples where learning analytics have helped students, teachers and administrators to improve learning, or improve decision making. But, it is not as easy as it seems, learning is complex and dynamic, by complex I mean it involves all of our senses, is influenced by environment and peers, and develops over time (dynamic). Therefore, we still have many unexplored potential and opportunities (Romero & Ventura, 2020).

Learning analytics is not without challenges. However, the most pressing challenge is how to balance privacy with usability. This is not a trivial issue, since we should never compromise students’ privacy and right to control over their data, and in the same time, be able to help them with their learning. There is intensive work going to solve this dilemma, such as proposing guarantees, policies and strict protocols. The bottom-line of such efforts is that students’ privacy and autonomy are preserved and well-respected (Tsai & Gasevic, 2017)

A new innovative approach gives the student total control over their data to be collected, saved and analyzed on the student device (López-Pernas & Saqr, 2021; Saqr & López-Pernas, 2021). In that approach, students have control over which data is collected from which devices and apps. This control implies that students can add data sources and choose which data are collected and for how long. Algorithms are trained locally (e.g., on the phone) using  student’s own data. The concept of training means in simple words that algorithms need some data to learn. The algorithms try to learn some patterns in the data and generate rules or predictions. For instance, for an algorithm to learn to identify giraffe photos we feed it with many photos of giraffes. The algorithm will learn that an animal with a long neck is probably a giraffe. In the same way, if we feed the algorithm data from the same student, it will be able to learn more relevant information about that student. This is in contrast to current implementations that collect data from many different people and algorithms generate insights based on it.

The implementation on the student’s own phone will make insights generated and displayed in a personalized learning analytics dashboard based on students’ own data. If the students want, they can enable sharing data and/or insights. Which implies that the student can opt-in sharing and choose which data to share, for how long, and with whom. An advantage of this approach is that the student retains the data between institutions, figure (1).

Algorithms are not foolproof, and humans are far from predictable or consistent and therefore, learning from past data may not tell us how the future unfolds. Nonetheless, it may offer reasonable guidance and help.

Figure 1 proposed personal learning analytics model (López-Pernas & Saqr, 2021)

References

López-Pernas, S., & Saqr, M. (2021). Idiographic learning analytics: A within-person ethical perspective. Companion Proceedings 11th International Conference on Learning Analytics & Knowledge (LAK21), 310–315.

López-Pernas, S., Saqr, M., & Viberg, O. (2021). Putting it all together: Combining learning analytics methods and data sources to understand students’ approaches to learning programming. Sustainability: Science Practice and Policy, 13(9), 4825.

Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355.

Saqr, M. (2015). Learning analytics and medical education. International Journal of Health Sciences, 9(4).

Saqr, M. (2017). Big data and the emerging ethical challenges. International Journal of Health Sciences, 11(4), 1–2.

Saqr, M., & López-Pernas, S. (2021). Idiographic learning analytics: A single student (N=1) approach using psychological networks. Companion Proceedings 11th International Conference on Learning Analytics & Knowledge (LAK21), 397–404.

Saqr, M., Nouri, J., & Jormanainen, I. (2019). A learning analytics study of the effect of group size on social dynamics and performance in online collaborative learning. In M. Scheffel, J. Broisin, V. Pammer-Schindler, A. Ioannou, & J. Schneider (Eds.), Lecture Notes in Computer Science (Vol. 11722, pp. 466–479). Springer, Cham.

Tsai, Y.-S., & Gasevic, D. (2017). Learning analytics in higher education — challenges and policies: a review of eight learning analytics policies. Proceedings of the Seventh International Learning Analytics & Knowledge Conference, 233–242.

OAHOT-blogi 3/2021: Ei oppi(misanalytiikka) ojaan kaada. Tutkimusperustaista esimerkkiä oppimisanalytiikkaa hyödyntävästä etäopetuksesta

Kirjoittaja:

Erkko Sointu, yliopistotutkija (tenure track), OAHOT-hankeen yliopistokontekstityöpaketin (TP2) johtaja, Kasvatustieteiden ja psykologian osasto (KAPSY), Filosofinen tiedekunta (FILO), Itä-Suomen yliopisto (UEF), erkko.sointu (a) uef.fi 

Tässä blogikirjoituksessa tarkastelen oppimisanalytiikkaa (OA) mikrotasolla sitä hyödyntävän yliopistokontekstin opettajan ja tutkijan näkökulmasta. Jos analytiikan tarkastelun tasot eivät tule heti mieleen, suosittelen vilkaisemaan Hirston ja Väisäsen (2021, huhtikuu) erinomaista OAHOT-blogitekstiä niistä ja yleisemminkin. Blogitekstissäni käyn läpi hieman OA:n taustaa valitsemastani pedagogisesta vinkkelistä, minkä jälkeen pureudun OA:a hyödyntävään pedagogiikkaan esimerkkien avulla, avaan omaa opetustani, sen suunnittelua ja etäyhteysteknologioiden käyttöä, vuorovaikutusta sekä lopuksi kerron hieman saamastani opintojaksopalautteesta ja uunituoreista tutkimustuloksista.

OA:n hyödyntämistä oppimisessa ja opettamisessa on nostettu viime vuosina voimakkaasti esiin. OA tarkoittaa yksinkertaisesti sitä, että tietokoneelta kertyvää tietoa opiskelijan työskentelystä sekä oppimisesta hyödynnetään reaaliaikaisesti oppilaan oppimisen seurantaan. Myös opettajat voivat siis hyödyntää tietoa oppimisen ja työskentelyn tukemisessa. OA antaa opettajille työkalun yksilöllistää opetustaan erilaisille oppijoille (Kuhl ym., 2009) ja tukea opetusta sekä opiskelijoiden oppimista (Siemens, 2013). OA:a voidaan hyödyntää niin kasvokkain tapahtuvassa opetuksessa kuin myös etäopetustilanteissa. Esimerkiksi Koronan aiheuttaman pakotetun digiloikan ja etäopetuksen myötä, OA:n käytöstä tuli oiva väline opettajan työkalupakkiin oppimisen yksilöllistämisen ja tuen näkökulmasta. OA-dataa voidaan käyttää myös tutkimuksessa, mutta tutkimuseettisesti ja tietosuojan kannalta tutkimusta on tärkeä pohtia heti suunnittelusta alkaen. Vaikka OA:n käyttö kuulostaa yksinkertaiselta, sen toteuttaminen niin oppijan kuin opettajan näkökulmasta on haastavaa. Erityisenä haasteena on sellaisen koulutuksen puute opettajille, jossa voitaisiin huomioida OA pedagogisia käytänteitä tukea opiskelijoita (vrt. Kuhl ym., 2019; Leitner ym., 2019). Miten siis käytännössä oppimisanalytiikkaa opetuksessa voitaisiin lähteä tutkimusperustaisesti kehittämään?

OAHOT-hankkeen tarkoituksena on tutkia oppimisanalytiikkaa oppijan – niin oppilaiden (peruskoulu) kuin opiskelijoiden (yliopisto) – itsesäätelyn näkökulmasta. Oppimiseen liittyy aina vahvasti opetus, sen vuoksi OAHOT-hankkeessa tarkastellaan tutkimusperustaisesti OA:n käyttöä pedagogiikassa. Hanke onkin tarjonnut tämän blogitekstin kirjoittajalle erinomaisen mahdollisuuden tutkimukseen, mutta erityisesti tutkimusperustaiseen kehittämiseen opettajan näkökulmasta. ’Kädet saveen’ ja menoksi on hieno tapa ymmärtää opettamista ja pedagogista ajatteluaan. Toteutin elämäni ensimmäisen opintojakson OAHOT-hankkeen yhteistyökumppanin Valamiksen alustalla loppuvuodesta 2020. Opintojaksona toimi ehkä kaikkien opettajaopiskelijoiden eniten rakastama (lue inhoama) Kvantitatiivinen tutkimus 2 harjoitukset. Vaikka opintojakso on haasteellinen, jopa pelottava opiskelijoille, olen aiemmin pyrkinyt opetukseni toteuttamaan siten, että määrällisten menetelmien tutkimusmaailma aukeaisi paremmin, olisi vähemmän pelottava, jopa mielekäs, osoittaen ettei oppi ojaan kaataisi. Samat lähtökohdat rakensivat opintojaksoani myös nyt. Pedagogiseksi lähestymistavaksi valitsin flippauksen (ks. lisätietoa Sointu ym., 2021) etäopetusmoodilla. Osaamistavoitteiden ohella flippauksessa on opiskelijatutkimuksen mukaan tärkeää avata heille käytettävä opetuksellinen lähestymistapa, luoda turvallinen opiskeluilmapiiri, antaa rakentavaa palautetta ja tähdätä opetuksessa ymmärrystä lisäävään oppimiseen käyttäen mielekkäitä pedagogisia keinoja (esim. Hyypiä ym., 2019; Sointu ym., 2019).

Omassa opetuksessani avaankin opetuksellisen lähestymistavan ja ajatukset oppimisympäristön taustalla, jossa opiskellaan, sekä kerron opiskelijoiden itsesäätelyn, ajankäytön ja oman tavoitteenasettelun ymmärtämisen tärkeydestä. Oppijan aktiivista roolia lähdetään tällä tavoin rakentamaan opetuksen alusta alkaen. Turvallinen ilmapiiri luodaan opettajan läsnäololla ja halulla auttaa sekä ymmärtää opiskelijoita haasteellisissakin tilanteissa. Etäopetuksessa tästä on erityisesti huolehdittava, sillä opettajalla ei ole kontaktiopetuksen vuorovaikutusta käytössä. Rakentava ja aktiivinen palaute toteutuu vuorovaikutuksessa opiskelijoiden kanssa niin koko ryhmän kesken, pienryhmissä kuin yksilöohjauksessakin. Ymmärtämään tähtäävä opetus nousee esiin opettajan pedagogisesta ajattelusta, valinnoista ja toisaalta opettajaidentiteetistä. Oletko tiedon siirtäjä (perinteinen opetus) vai oletko oppimisen ohjaaja? Ymmärtämiseen tähtäävä opetus rakentuu aina suunnittelusta lähtien, jossa opettaja tarkastelee sisällön (kvantitatiiviset menetelmät) pedagogiikkaa (flippaus ja etäopetus) oman ammattitaitonsa ja ymmärryksensä myötä.

Vaikkakin etäopetus Korona-aikaan on aiheuttanut harmaita hiuksia opettajien keskuudessa, flippaus tarjosi mainiot lähtökohdat opetuksen toteuttamiseen. Opintojakso toteutettiin siten, että opetus rytmitettiin oppimisen kannalta mielekkäiksi osiksi oppimistavoitteita seuraten kuuteen harjoituskertaan ydinainesanalyysin (eli opintojakson sisällön tarkemman pohdinnan) perusteella. Opiskelijoilla oli sähköisessä oppimisympäristössä saatavilla lyhyitä sisältö- (esim. miksi tehdään ja mihin tarkoitukseen) ja ohjevideoita (miten tehdään opintojaksolla käytössä olleella ohjelmalla). Videoihin liittyi aina pdf-muotoiset kirjalliset ohjeet. Näiden pohjalle rakennettiin tehtäviä, joita tehtiin tilasto-ohjelmalla. Tehtävien vastaukset palautettiin monivalintakysymyksiin vastaamalla tai lyhyillä kirjallisilla raportointitehtävillä. Monivalintatehtävissä annettiin vastaajalle automaattisesti tieto oikeista vastauksista ja väärien vastausten jälkeen sai tiedon oikeasta vastauksesta sekä ohjeen siitä, mitä kannattaisi vielä kerrata. Opiskelijat kokivat opintojaksostapalautteen perusteella nämä tiedot hyödyllisiksi ja käytännön hyvin toimivaksi. Kirjallisten tehtävien vastauksia tarkastin manuaalisesti ja tarvittaessa kommentoin niitä. Lisäksi aina ennen harjoituskertaa oli lähtötiedon testi ja lopuksi lopputiedon testit, jolloin opettajana pystyin seuraamaan tilannetta, yksilöllistämään opetusta sekä ymmärtämään, miten asioita on opittu. Kokonaisuudessaan OA:n näkökulmasta pystyin saamaan tietoa opiskelijoiden opiskelusta heidän oppimisensa jälkiä seuraamalla, esimerkiksi videoiden ja pdf-ohjeiden käytöstä, tehtäviin vastaamisesta ja etenemisestä.

Edellä mainittujen lähtökohtien ohella etäopetuksessa käytettiin kahta etäyhteysteknologiaa (Zoom ja Teams) vuorovaikutuksen mahdollistajana. Zoom oli koko harjoitusryhmän käytössä ja siellä käytiin yhteistä keskustelua aina harjoituskerran alussa ja lopussa. Opiskelijoiden toiveesta Zoom pidettiin muutoin rauhoitettuna, ellei analytiikka näyttänyt suurempaa tarvetta ohjaukselle. Jos opiskelija koki tarvetta käydä asiaa läpi yhdessä kanssani tarkemmin, ottivat he minuun yhteyttä Teamsin kautta, joka oli minulla auki toisella laitteella. Teams mahdollisti useamman henkilön ottamisen myös yhteiseen ryhmään, jolloin samaa asiaa voidaan yhdessä pohtia. Opiskelijoiden yhteiseen työskentelyyn en vaatinut mitään tiettyä vuorovaikutusteknologian käyttöä, ja monet opiskelijat käyttivätkin myös omia teknologioita (esim. WhatsApp) vertaisoppimiseen. Osa opiskelijoista muodosti myös yhteisiä ryhmiä toistensa koteihin koronarajoitukset huomioiden. Tällainen Zoom-Teams -tandemkäyttö antoi mahdollisuuden edetä omaan tahtiin ja pyytää tukea tarvittaessa. Oppimisanalytiikka yhdistettynä monipuoliseen etäyhteysteknologiaan antoi mahdollisuuden opettajalle reagoida oppimisen esteisiin niitä havaitessaan. Käyttämälläni OA:lla ja etäyhteysteknologioilla pystyin kompensoimaan etäopetuksessa heikompaan asemaan jäävän fyysisen vuorovaikutuksen. Toisin sanoen koen, että OA ja etäyhteysteknologian yhtäaikainen käyttö rikastavat mahdollisuuksia opettaa paremmin ja myös rakentaa opiskelijatuntemusta sekä vuorovaikutusta, etäisyydestä huolimatta.

No oliko tästä sitten mitään hyötyä? Tarkastelen tätä vielä lopuksi keräämäni opiskelijapalautteen ja alustavan tutkimusdatan näkökulmista. Opiskelijapalaute oli hyvin positiivista, esimerkiksi opintojakson opiskeluilmapiiriä, vuorovaikutusta ja toteutus- sekä suoritustapoja pidettiin kiitettävinä, jopa lähestyen erinomaista. Työmäärä oli 79 % mielestä sopiva opintopisteisiin suhteutettuna. Sanallisessa palautteessa opiskelijat arvostivat opintojen selkeää rakennetta, omaehtoista etenemistä, positiivista meininkiä ja vuorovaikutusta sekä sitä, että uskalsi kysyä tarvittaessa. Toisaalta kaivattiin vielä selkeämpiä pdf-ohjeita ja tarkempaa otsikointia oppimisalustan käytössä. Tutkimusdatana kerättiin sekä OA-dataa (eli opiskelijoiden käyttödataa ympäristöstä) että jatkettua OA-dataa viiden kyselyn muodossa. Kyselyissä tarkasteltiin itsesäätelyn näkökulmia, orientaatiota sekä tilastomenetelmien opiskelun koettua ahdistusta, tylsyyttä ja opiskelunautintoa. Ensimmäisen ja viidennen mittauspisteen välillä havaittiin kyselydatan perusteella, että opiskelijoiden ajanhallinta parani ja opiskelun välttelyorientaatio laski merkittävästi. Lisäksi tilastomenetelmien opiskelun koettu ahdistuneisuus ja tylsyys vähenivät. Toisaalta sisäinen motivaatio ja kvantiopintojen merkitys omalle opettajan ammatille laskivat.

Vaikkakin opettajalle työtä ja opiskelua riitti OA:sta, koin onnistuneeni, sillä sain opiskelijat oppimaan ja vähemmän ahdistumaan määrällisten menetelmien koukeroista. Toki kehitettävää merkityksen ja sisäisen motivaation lisäämisessä opetuksessa on ja materiaaleissa voin vielä parantaa. Mutta viimeinen johtopäätökseni olkoon, ettei oppi(misanalytiikka) ojaan kaada edes määrällisten menetelmien opetusta tahi opettajaa, saati opiskelijaa, vaan päinvastoin, OA tukee menetelmien oppimista, kunhan mielekkäitä pedagogisia lähestymistapoja käytetään ja opetusta suunnitellaan hyvin.

Lähteet 

Hirsto, L. & Väisänen, S. (2021, huhtikuu). Oppimisanalytiikkaa itseohjautuvan oppimisen ja pedagogiikan tueksi. OAHOT-blogi 2/2021, haettu osoitteesta https://blogs.uef.fi/oahot/

Hyypiä, M., Sointu, E., Hirsto, L., & Valtonen, T. (2019). Key components of learning environments in creating a positive flipped classroom course experience. International Journal of Learning, Teaching and Educational Research, 18(13), 61–86.  

Kuhl, P., Lim, S.-S., Guerriero, S., & van Damme, D. (2019). Developing minds in the digital age: Towards a science of learning for 21st century education. OECD Publishing. 

Leitner, P., Ebner, M., & Ebner, M. (2019). Learning analytics challenges to overcome in higher education institutions. Teoksessa D. Ifenthaler, J. Y.-K. Yau, & D.-K. Mah (toim.), Utilizing learning analytics to support study success (pp. 91-104). Springer. 

Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400. 

Sointu, E. T., Kankaanpää, J., Saarelainen, M., Valtonen, T., Ronkainen, A., Heikkinen, L., Kaasinen, A. R., Pekkarinen, V., Atjonen, P., Manninen, J., Mäkitalo, K., & Hirsto, L. (toim.) [toim.] (2021). Flippausmanuaali, 2. painos. Haettu osoitteesta https://sites.uef.fi/flippaus/. ISBN: 978-952-61-3755-1 

Sointu., E., Valtonen, T., Kankaanpää, J., Hyypiä, M., Heikkinen, L. & Hirsto, L. (2019). Ingredients for a positive view of Flipped Classroom in higher education. In J. Van Braak et al., (Eds.), Proceedings of EdMedia: World Conference on Educational Media and Technology (pp. 1690-1697). Amsterdam, Netherlands: AACE. 

OAHOT-blogi 2/2021: Oppimisanalytiikkaa itseohjautuvan oppimisen ja pedagogiikan tueksi

Kirjoittajat:

Laura Hirsto, professori, OAHOT-hankkeen johtaja, Soveltavan kasvatustieteen ja opettajankoulutuksen osasto (SKOPE), Filosofinen tiedekunta (FILO), Itä-Suomen yliopisto (UEF), laura.hirsto(a)uef.fi

&

Sanna Väisänen, tutkijatohtori, OAHOT-hankkeen projektipäällikkö, SKOPE, FILO, UEF, sanna.m.vaisanen(a)uef.fi

Peruskoulun oppilaiden ja korkeakouluopiskelijoiden itseohjautuvuuteen liittyvä osaaminen ja sen tukeminen on herättänyt viime aikoina paljon julkista keskustelua; missä määrin lapset ja nuoret ovat kykeneviä asettamaan tavoitteita, seuraamaan, monitoroimaan ja arvioimaan omaa oppimistaan, ja miten heitä pitäisi näissä taidoissa tukea. Itseohjautuvaa oppimista voidaan tarkastella vaiheittaisena prosessina, jossa tavoitteiden asettaminen, oman oppimisen seuraaminen ja arviointi seuraavat toisiaan (vrt. Zimmerman, 2000; Panadero, 2017). Itseohjautuvan oppimisen prosessin voidaan ajatella olevan käynnissä tavalla tai toisella kaikissa oppimistilanteissa, mutta tavoitteiden asettaminen ei välttämättä tapahdu tietoisesti tai ei onnistu mielekkäästi, taikka oppija ei aina osaa arvioida sitä, missä määrin hän on saavuttanut asetettuja tavoitteita. Itsesäätelyn vaiheittainen prosessi löytyy monesta oppimisen itsesäätelyn teoriasta (esim. Pintrich, 2004; Zimmerman, 2011; Panadero, 2017).

Yhtäältä näyttää siltä, että nyky-yhteiskunnan muutostahti ja koulutukselliset polut sekä valintojen aikaistuminen koulutuspolussa vaativat lapsilta, nuorilta ja nuorilta aikuisilta entistä enemmän määrätietoisuutta ja tavoitteellisuutta oman osaamisen jatkuvan kehittämisen harjoittelussa ja ylläpitämisessä. Toisaalta digitaalisten oppimismahdollisuuksien kehittäminen ja niiden luontainen joustavuus tarjoavat oppijalle mahdollisuuksia tällaiseen joustavaan ja omaehtoiseen itsensä kehittämiseen. Tämä vaatii kuitenkin opettajilta selkeää pedagogista osaamista. Myös työelämässä tarvittava oman osaamisen jatkuva kehittäminen ja oman oppimisen suuntaaminen ovat tärkeitä taitoja. Samaan aikaan tieto- ja viestintäteknologisten sovellusten ja sosiaalisen median monesti houkutteleviksi koetut viihteellisemmät sisällöt, ja näiden helppo saatavuus, ovat omiaan asettamaan haasteita oppijan oman toiminnan säätelylle ja siten määrätietoiselle itseohjatulle oppimiselle. Yksi lupaava itseohjautuvaa oppimista tukeva väline sekä oppijoille että opettajille on oppimisanalytiikka (eng. learning analytics), mutta se vaatii vielä tarkempaa tutkimusta ja tutkimusperustaisten toimivien pedagogisten mallien kehittämistä.

Oppimisanalytiikasta puhutaan paljon ja siitä ollaan kiinnostuneita myös opetuksen ja oppimisen tutkimuksen sekä kehittämisen kentällä. Teknologian ja sen käyttäjän välisestä vuorovaikutuksesta kerätty data on nähty lupaavana keinona edistää oppimisprosessin ymmärtämistä (esim. Gašević, Dawson, & Siemens, 2015). Viime vuosina tutkijoiden kiinnostus on kasvavissa määrin kohdistunut oppimisanalytiikkaan ja sen tutkimiseen. Myös opettajat ovat alkaneet jossakin määrin hyödyntää oppijoiden opintojen etenemiseen liittyvää oppimisanalytiikkaa, jota jonkin verran eri oppimisalustoilla on ollut tarjolla. Oppimisanalytiikkaa on määritelty pitkään alan ensimmäisessä konferenssissa (International Conference on Learning Analytics and Knowledge) esitetyn määritelmän mukaisesti. Sen mukaan oppimisanalytiikka tarkoittaa oppilaan tai opiskelijan oppimistapahtumissa tuottaman datan keräämistä ja analysoimista, jonka tarkoituksena on optimoida oppimista ja oppimisympäristöjä (LAK, 2011). Oppimisanalytiikkaa voidaan tarkastella makro-, meso- tai mikrotasolla (Buckingham Shum, 2012). Makrotasolla viitataan esimerkiksi kansalliseen opintojen etenemisen seurantaan, mesotasolla yliopistotasoiseen opintojen etenemisen seurantaan ja mikrotasolla oppijoiden yksilö- ja ryhmätasoiseen käyttäytymiseen ja vuorovaikutukseen erilaisilla oppimisalustoilla.

Sisältöjen oppimisen rinnalla yleisempien 2000-luvun taitojen oppiminen on noussut merkitykselliseksi eri kouluasteilla. 2000-luvun taidot pitävät sisällään esimerkiksi yhteistyötaitoja, tieto- ja viestintätekniikan käyttötaitoja sekä oppimaan oppimisen taitoja (esim. Voogt & Pajera Roblin, 2012). Näiden 2000-luvun taitojen oppiminen on asetettu koulutuksen tavoitteeksi eri kouluasteilla ja korkeakoulutuksessa, ja työelämässä ne ovat tärkeitä oman osaamisen jatkuvan kehittämisen näkökulmasta. Oppimisen itsesäätelyn ja itseohjautuvuuden osaaminen on elämänlaajuisen sekä jatkuvan oppimisen vaatimusten valossa keskeinen menestystekijä työelämän tarvitseman osaamisen kehittämisessä. On myös havaittu, että uudenlaisissa ja usein teknologialla tuetuissa oppimisen tavoissa itseohjautuvuus nousee yhä keskeisempään asemaan (Schunk & Zimmerman, 2008). Lisäksi oppimiskeskeisessä opetuksessa oppijat joutuvat säätelemään toimintaansa ja tehtäviään enemmän kuin perinteisessä opetuksessa, sillä se tarjoaa esimerkiksi enemmän autonomiaa ja omaa vastuunkantoa omasta opiskelusta ja oppimisesta (Pintrich, 2004). Tämä ei kuitenkaan tarkoita opettajan roolin merkityksen vähenemistä, mutta siihen kohdistuu oppijan oppimisen kannalta erilaisia tarpeita.

Erilaisilla pedagogisilla menetelmillä voidaan tukea oppijoita suunnitelmallisempaan opiskeluun. Esimerkiksi käänteisen opetuksen avulla heikommin omaa oppimistaan säätelevien opiskelijoiden näyttää olevan mahdollista pysyä opetuksessa paremmin mukana ja suoriutua opinnoissa samaan tapaan kuin hyvin omaa oppimista säätelevät opiskelijat, mutta jos heikossa säätelyssä yhdistyy tehtävää välttelevät toimintatavat, opiskelijoiden suoriutuminen voi olla heikompaa (esim. Hyppönen, Hirsto, & Sointu, 2019). Näyttää myös siltä, että oman oppimisen säätelynprosessi omien oppimistavoitteiden asettamisen näkökulmasta ei ole aivan itsestään selvä myöskään yliopisto-opiskelijoilla, jos se on haasteellista perusopetuksen oppilaille. Esimerkiksi Hirsto, Väisänen ja Arffman (2019) havaitsivat, että opettajaopiskelijat eivät näyttäneet asettavan selkeitä tavoitteita omalle oppimiselleen kurssitasolla.

OAHOT- ”Oppimisanalytiikan hyödyntäminen itseohjatun oppimisen tukemisessa eri konteksteissa” -tutkimushankkeessa tarkastellaan oppijoiden itseohjautuvan oppimisen osaamisen kehittymistä, oppimisprosessia ja sen keskeisiä elementtejä useammassa oppimisen kontekstissa samoja oppimisanalytiikan välineitä hyödyntämällä. Tutkimushankkeen tavoitteena on tutkia miten, ja millaisella oppimisanalytiikalla edistetään itseohjattua oppimista ja sitä tukevaa pedagogiikka sekä selvittää oppimisanalytiikan keinoin oppimisprosessien keskeisiä korkealaatuisen osaamisen kehittymistä tukevia elementtejä perusopetuksessa, yliopistossa ja ammatillisessa koulutuksessa.

Hankkeen tuloksena tavoitellaan tutkimusperustaisen ymmärtämisen lisäämisen lisäksi oppimisanalytiikkaa hyödyntävän mielekkään pedagogisen prosessin systeemisen mallin rakentamista joustavissa ja oppijan oppimisprosessiin optimoiduissa oppimisympäristöissä. Samalla tutkimushanke tarkastelee muun muassa seuraavia kysymyksiä: Miten ja millaisella oppimisanalytiikalla edistetään oppimista? Minkälaiset elementit ovat merkittäviä itseohjautuvuutta tukevan oppimisalustan suunnittelussa? Mikä tekee oppimisalustasta toimivan itseohjautuvan oppimisen tukemisen näkökulmasta? Minkälaista on oppimisanalytiikkaa mielekkäästi hyödyntävä pedagogiikka? Miten oppimisanalytiikan hyödyntäminen pitäisi huomioida pedagogisessa ja didaktisessa suunnittelussa? Näihin kysymyksiin tullaan pureutumaan tulevissa blogikirjoituksissa oppimisentutkijoiden ja oppimisanalytiikan tutkijoiden, oppimisanalytiikan hyödyntäjien ja sen kehittäjien näkökulmista.

Lähteet:

Buckingham Shum, S. (2012). Learning Analytics. Draft for comment: UNESCO IITE Policy briefing, http://simon.buckinghamshum.net/wp-content/uploads/2012/10/UNESCOIITE-LearningAnalytics.v4.pdf. Luettu 1.4.2021

Gašević, D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59(1), 64-71.

Hirsto, L., Väisänen, S., & Arffman, A. (2019). Exploring students’ experiences of self-regulated learning during a large flipped classroom course in teacher education. International Journal of Learning, Teaching and Educational Research, 18(13), 107–132. doi: 10.26803/ijlter.18.13.6

Hyppönen, L., Hirsto, L., & Sointu, E. (2019). Perspectives on university students’ self-regulated learning, task-avoidance, time management and achievement in a flipped classroom context. International Journal of Learning, Teaching and Educational Research, 18(13), 87–106. doi: 10.26803/ijlter.18.13.5

LAK (2011). What is learning analytics? Osoitteessa https://www.solaresearch.org/about/what-islearning-analytics/. Luettu 1.4.2021.

Panadero, E. (2017). A Review of self-regulated learning: six models and four directions of research. Frontiers in Psychology 8, 1–28. doi: 10.3389/fpsyg.2017.00422

Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-regulated learning in college students. Educational Psychology Review, 16(4), 385–407.

Schunk, D., & Zimmerman, B. (2008). Motivation and self-regulated learning. Theory, Research, and applications. Routledge.

Voogt, J., & Pajera Roblin, N. P. (2012). A comparative analysis of international frameworks for 21st century competences: Implications for national curriculum policies. Journal of Curriculum Studies, 44(3), 299–321. doi: 10.1080/00220272.2012.668938

Zimmerman, B. (2000). Attaining self-regulation: A social cognitive perspective. Teoksessa M. Boekaerts, P. Pintrich & M. Zeidner (toim.), Handbook of self-regulation (pp. 13–39). Academic Press.

Zimmerman, B. (2011). Motivational sources and outcomes of self-regulated learning and performance. Teoksessa B.J. Zimmerman & D.H. Schunk (toim.), Handbook of self-regulation of learning and performance (pp. 49–64). Routledge.

OAHOT-blogi 1/2021: ”Oppiminen ja oppimisanalytiikka – tutkimuksellisia näkökulmia” – ”Learning and Learning Analytics – Research-based Perspectives” -OAHOT-blog

Tämä blogi ”Oppiminen ja oppimisanalytiikka – tutkimuksellisia näkökulmia” on perustettu Business Finlandin rahoittaman ”Oppimisanalytiikan hyödyntäminen itseohjatun oppimisen tukemisessa koulutuspolun eri vaiheissa -OAHOT” -tutkimus- ja kehittämisprojektin yhteydessä. Blogissa on tarkoitus tarkastella oppimisanalytiikkaan ja oppimiseen liittyviä ajankohtaisia kysymyksiä. OAHOT -hankkeen erityisenä tavoitteena on tutkia miten ja millaisella oppimisanalytiikalla edistetään itseohjautuvaa/itseohjattua oppimista sekä selvittää oppimisanalytiikan keinoin oppimisprosessien keskeisiä korkealaatuisen osaamisen kehittymistä tukevia elementtejä eri konteksteissa. Blogissa oppimisen ja oppimisanalytiikan käsittelemisessä voidaan tarkastella teemaa myös laajemmin. Blogi kirjoitukset voivat olla suomeksi taikka englanniksi.

Blogin toimituskunta: Professori Laura Hirsto, Professori Matti Turtiainen, Professori Teemu Valtonen, Yliopistotutkija (tenure track) Erkko Sointu ja Tutkijatohtori Sanna Väisänen

Tervetuloa uuteen blogiimme! Jos sinulla on mielessäsi kiinnostava teema, jota mielestäsi oli kiinnostavaa käsitellä tässä blogissa, laita ehdotuksesi osoitteeseen oahot (a) uef.fi

—-

“Learning and Learning Analytics – Research-based Perspectives” -blog has been established in connection with the research and development project “Utilization of Learning Analytics in Supporting Self-Directed Learning at Different Stages of the Educational Path” funded by Business Finland (2020-2022). The blog is intended to look at current issues related to learning analytics and learning in general and in various context. The specific goal of the OAHOT -project is to study how and what kind of learning analytics promote self-regulated/self-directed learning and to find out the key elements supporting the development of high-quality competence in different contexts by means of learning analytics. In the blog, when dealing with learning and learning analytics, the theme can also be looked at more broadly. Blog posts can be in Finnish or English.

Editorial board of the OAHOT-blog: Professor Laura Hirsto, Professor Matti Turtiainen, Professor Teemu Valtonen, Assistant professor (tenure track) Erkko Sointu ja Post-doctoral researcher Sanna Väisänen

Welcome to your new blog! If you have suggestions for interesting themes that should be discussed in this blog, please email your suggestion to us oahot (a) uef.fi