Õpianalüütika

õppijate ja õppimise andmete mõõtmine, kogumine, analüüs ja esitlus selleks, et mõista ja optimeerida õppimist ja õpikeskkondi

Õpianalüütika (ingl learning analytics) on koondnimetus andmeanalüütika rakendustele hariduse kontekstis. Õpianalüütika keskendub õppijaid, nende õpikeskkonda ja õppeprotsessi puudutavate andmete kogumisele, analüüsimisele ja visualiseerimisele, et õppimist paremini mõista, personaliseerida ja optimeerida.[1]

Õpianalüütikale rajas tee hariduslik andmekaeve (ingl educational data mining), mille puhul andmeanalüüs toimus üldjuhul retrospektiivse uuringu vormis.[1]

DefinistsioonidRedigeeri

Õpianalüütika on õppijate ja õppimise andmete mõõtmine, kogumine, analüüs ja esitlus selleks, et mõista ja optimeerida õppimist ja õpikeskkondi.[2]

Õpianalüütika on valdkond, mis analüüsib haridusliku sisuga andmeid, mis on saadud õppija interaktsioonist veebipõhiste ressurssidega. Õppimisprotsessi mustrite, trendide ja probleemide väljaselgitamiseks kasutatakse andmekaevet ja visuaalse analüüsi tehnikaid. Eesmärgiks on õppimise probleemide tuvastamine, õppijate hindamine ja õppimistulemuste etteennustatavus.[3]

TaustRedigeeri

Õpianalüütika ei ole oma olemuselt uus nähtus, selle juured viivad mitme varasema valdkonnani: akadeemiline analüütika, tegevusuuring, hariduslik andmekaeve, soovitussüsteemid ja personaalne adaptiivne õppimine.[4]

Õpianalüütikaga on seotud eelkõige kaks valdkonda: akadeemiline analüütika (ingl academic analytics) ja hariduslik andmekaeve (ingl educational data mining).[5]

Tehnoloogia vahendatud õppetegevuste levik loob andmekogud, milles on detailsed andmed õpilaste virtuaalsetes õpikeskkondades suhtlemise kohta. Uurimisvaldkonnad nagu hariduslik andmekaeve ja õpianalüütika uurivad, kuidas seda rikkalikku teavet kasutada õppe üldise kvaliteedi parandamiseks.[6]

Greller ja Drachsler (2012) toovad oma artiklis "Translating learning into numbers: A generic framework for learning analytics" välja, et kuigi erinevate digitaalsete õpikeskkondade, õpihaldussüsteemide, e-portfooliote jms laialdane kasutamine on kaasa toonud automaatselt kogutud digitaalsete andmete hulga suurenemise, on neid andmeid rakendatud õppimises ja õpetamises seni üsna piiratult. Andmestikud aga pakuvad mitmesuguseid võimalusi õppimisteooriate valiidsuse hindamiseks, õppijatele tagasiside andmiseks või õpitehnoloogiate edasiseks arendamiseks, mitmesuguste õpitegevuste analüüsimiseks või digitaalse süsteemi kasutajate käitumise ennustamiseks, kursuste disainimiseks ja õppekavade analüüsimiseks.[7]

Õpetajate ja õppejõudude toetamiseks pakub õpianalüütika mitmeid võimalusi, mõistmaks, kuidas õppijad erinevatesse veebipõhistesse õpitegevustesse panustavad, milliseid õppematerjale vaatavad, kuidas iseseisvaid ülesandeid sooritavad jms. Andmete analüüsimine võimaldab leida alad, mida on vaja veel arendada, et õppedisaini parendada ja õpiteid personaliseerida.[1]

ÕppijamudelRedigeeri

Õpianalüütika lahendused õppijatele põhinevad õppijamudeli pideval täiendamisel, kasutades õppija digitaalset jalajälge veebipõhistes õpikeskkondades, digiõppevara andmebaasides ja sotsiaalmeedias.[1]

Õppijamudel (ingl learner model) on matemaatiline mudel, mis sisaldab masinloetaval kujul talletatud andmeid õppija teadmiste, oskuste, soorituste, huvide, eelistuste, eesmärkide, ülesannete, sotsiaalmajandusliku tausta, isiksuseomaduste, õpikeskkonna ja muude õppimisega seotud aspektide kohta.[1]

Õppijamudelit kasutatakse omakorda soovitusteenuste loomiseks nii õpetajatele kui ka õppijatele. Näiteks võib soovitusteenus pakkuda õppija hetkevajadustele ja ülesannetele sobivat õppevara, näiteid ja õpistrateegiaid. Praegu eksisteerivad õppijamudelil põhinevad soovitusteenused üksnes teaduslaborites, kuid kvaliteetse digiõppevara kättesaadavuse paranedes võib oodata taoliste teenuste tekkimist ka Eesti haridusmaastikul.[1]

Õpianalüütika raamistikRedigeeri

Greller ja Drachsler on välja töötanud õpianalüütika üldise raamistiku, mis avaldati artiklis "Translating learning into numbers: A generic framework for learning analytics". Raamistikus keskendutakse kuuele kriitilisele dimensioonile teaduse vaatenurgast. Raamistikus koosneb iga dimensioon mitmest väärtuslikust komponendist ning iga dimensiooni on võimalik vajadust mööda laiendada.[7]

Raamistiku dimensioonid on järgmised:

  • osalised,
  • eesmärgid,
  • haridusandmed,
  • instrumendid,
  • välised piirangud,
  • seesmised piirangud,
  • teadlikkus õppimisest,
  • teadlikkus privaatsusest,
  • teadlikkus ajast,
  • visuaalne tagasiside,
  • pedagoogiline sekkumine,
  • avaandmed,
  • teadmusstruktuuride omandamine.[7]

Uuringus "Õpianalüütika kontseptuaalne raamistik ja selle rakendatavus Eesti kontekstis" lisati lähtuvalt Eesti kontekstist algsele õpianalüütika mudelile kolme juhtumi analüüsi tulemusena järgmised aspektid:

  • pedagoogikast lähtuv disain,
  • avatud ja hajutatud tarkvara-arhitektuur,
  • andmete visualiseerimine,
  • privaatsus ja eetika, sh kasutaja kontroll oma andmete üle,
  • õpianalüütika kui haridusuuringute ja poliitiliste otsuste tegemise komponent,
  • andmete visualiseerimine kasutajale,
  • avatud arhitektuur,
  • vabavaralise ja kommertsõppevara kombineerimine.[7]

Õpianalüütika meetodidRedigeeri

Õpianalüütikas on võimalik kasutada järgmiseid meetodeid:

  • ennustav modelleerimine,
  • sotsiaalse võrgustiku analüüs,
  • soovitussüsteemid,
  • õpianalüütika töölaud ja andmete visualiseerimises osalistele.[5][7]
Ennustav modelleerimineRedigeeri

Ennustava modelleerimise (ingl predictive modelling) mudeli eesmärk on välja pakkuda hinnanguid tõenäoliste väljundite jaoks ja töötada välja erinevaid tegevusi. Haridusvaldkonnas kasutatakse ennustavat modelleerimist peamiselt hinnangu andmiseks selle kohta, kui suur on tõenäosus, et õpilane lõpetab kursuse õigel ajal, võttes arvesse selleks hetkeks sooritatud tegevusi.[5][7]

Sotsiaalse võrgustiku analüüsRedigeeri

Sotsiaalse võrgustiku analüüs (ingl social network analysis, SNA) on meetodite hulk, mida kasutatakse inimestevaheliste tegevuste ja seoste analüüsimiseks arvutiteaduste süsteemianalüüsi tehnika abil. Inimesi kujutatakse võrgustikudiagrammides ehk sotsiogrammides sõlmedena ning sõlmi ühendavad jooned osutavad inimestevahelistele seostele. Meetod võimaldab näiteks õpihaldussüsteemide foorumidiskussioonide analüüsimist. Õppejõul võimalik näha, kes õppijatest ei ole võrgustikuga seotud ja keda seega peaks julgustama diskussioonis rohkem osalema.[5][7]

SoovitussüsteemidRedigeeri

Soovitussüsteemid on lahendused, mis esitavad kasutajale soovitusi asjade, tegevuste jms kohta, millest kasutaja võib olla huvitatud.[5]

Soovituste esitamisel tuginetakse mitme kasutaja eelnevale käitumisele süsteemis. Näiteks võib süsteem soovitada õppijale õppematerjale, lähtudes sellest, mida õppija on varem vaadanud või kasulikuks pidanud. Samas võib süsteem arvesse võtta teiste kasutajate käitumist ja hinnanguid.[7]

Õpianalüütika töölauadRedigeeri

Õpianalüütika töölaud on tarkvaralahendus, mis esitab õpianalüütika andmetöötluse tulemused ülevaatlike diagrammide kujul – kõik eelmainitud meetodid võivad olla kuvatud töölaual. Töölaud võib visualiseerida võrgustikke, soovitusi, ennustusi kasutaja soorituste kohta jms. Töölaudade eesmärk anda ülevaade kursuse õppematerjalidele kulutatud ajast ning selgitada välja, millised kursusel käsitletavatest teemadest on õppijate jaoks kerged ja rasked. Töölauad pakuvad ka ülevaadet digitaalsete õppematerjalide kasutamisest kursusel.[7]

StandardidRedigeeri

Õpianalüütika arendajate kogukond on kehtestanud tehnilised standardid (xAPI, Caliper) õpikeskkondade ja õppevara loojatele, et võimaldada õppija kohta andmete kogumist üle paljude teenuste ja süsteemide.[1]

ViitedRedigeeri

  1. 1,0 1,1 1,2 1,3 1,4 1,5 1,6 Laanpere, M. (2020). "Analüütika ja suurandmed". Hariduse tehnoloogiakompass.
  2. "Conference on Learning Analytics and Knowledge, Banff, Alberta". 22. juuli 2010.
  3. del Blanco, A., Serrano, A., Freire, M., Martinez-Ortiz, I., & Fernandez-Manjon, B. (2013). "E-learning Standards and Learning Analytics. Can data collection be improved by using standard data models?". 2013 IEEE Global Engineering Education Conference (EDUCON). Lk 1255-1261.
  4. Chatti, M. A., Dyckhoff, A. L., Schroeder, U., & Thus, H. (2012). "A reference model for learning analytics". International Journal Technology Enhanced Learning. Lk 318–331.
  5. 5,0 5,1 5,2 5,3 5,4 Clow, D. (2013). "An overview of learning analytics". Teaching in Higher Education. Lk 683–695.
  6. Pardo, A., Jovanovic, J., Dawson, S., Gašević, D., & Mirriahi, N. (2019). "Using learning analytics to scale the provision of personalised feedback". British Journal of Educational Technology. Lk 128-138.
  7. 7,0 7,1 7,2 7,3 7,4 7,5 7,6 7,7 7,8 Tammets, K., & Laanpere, M. "Õpianalüütika kontseptuaalne raamistik ja selle rakendatavus Eesti kontekstis". Eesti Haridusteaduste Ajakiri. Lk 216−246.