Zbiranje podatkov v izobraževanju (Learning Analytics)

Eno krasno predavanje z letošnjega kranjskogorskega Sirikta – Bart Carlo Rientes, Open University, o zbiranju podatkov v izobraževanju.
200.000 študentov ima Open University. Vsak petek brišejo podatke, da se v njih ne utopijo. 

 Kakšne zaključke lahko potegnemo iz podatkov, ki se tako pogosto zbirajo in analizirajo vsepovsod?

Zanimiv poskus globalnega pregleda je spletna strani LACE  (Learning Analytics Community Exchange), ki zaključke z vseh vetrov razvršča v odnosu do predpostavk na pozitivne, negativne in nevtralne.

V nadaljevanju Rietes predstavi  zanimive ugotovitve analiz iz Open University; ena je npr. povezava med aktivnostmi v posameznih modulih, učnimi učinki in zadovoljstvom učencem. Konstruktivistično naravnani moduli z veliko interakcije dosegajo boljše učne učinke – in slabše ocene zadovoljstva. Moduli, kjer je potrebno veliko prebrati in reproducirati, so ocenjeni bolje, a imajo slabše učne učinke. Ni povsem nepričakovano, kaj?  Lažje poti so bolj priljubljene. :-)
Splača se sprehoditi po programu konference – vsi posnetki so na voljo.

Analizirajmo podatke

Podatkov o študijskem procesu na visokošolskih institucijah kar mrgoli (demografski podatki o študentih, podatki posameznih učiteljev o prisotnosti študentov pri predavanjih, seznami oddanih nalog in čas njihove oddaje, podatki o aktivnostih in času, ki ga študenti preživijo v e-učilnicah, njihove ocene,...). Če bi te podatke redno in sistematično zbirali in analizirali (tj. odkrivali vzorce obnašanja oz. zakonitosti v njih), bi lahko rezultati takšne analize učitelji lahko uporabili pri merjenju znanja študentov, prilagajanju učnega procesa znanju študentov, oblikovanju boljših priporočil za skupine študentov ali posameznike,... Institucija bi s pomočjo teh podatkov lažje  identificirala 'rizične' skupine študentov (tiste, ki imajo težave pri študiju ali utegnejo študij opustiti), pri katerih bi pravočasna in premišljena intervencija pripomogla k večjemu študijskemu uspehu. Večja študijska uspešnost študentov pa seveda izboljša tako ugled institucije kot tudi njeno finančno stanje.

Študentom bi pravočasna povratna informacija s priporočili učitelja ali institucije omogočila, da bolj realno ocenijo svoje znanje in študijske aktivnosti ter bolje načrtujejo svoje naslednje korake. Takšna informacija je lahko tudi izhodišče za pogovor z učiteljem ali s tutorjem, če se študent zanjo odloči.

Za uspešno rabo podatkov o študijskem procesu in študentih seveda potrebujemo neko institucionalno politiko, ki upošteva Zakon o varovanju osebnih podatkov in etične standarde, določati in podpirati pa mora tudi aktivnosti (intervencije), ki se jih učitelji in zaposleni na instituciji v določenih situacijah lahko poslužujemo, npr. kdo intervenira, kdaj in kako.

Podatke, ki jih posamezni učitelji imamo, nekateri že uporabljamo v tej smeri, tu gre le za večjo sliko, ki jo riše zbirka podatkov celotne institucije, ki vključuje tudi demografske podatke in podatke, ki jih instituciji razkrijejo študenti, do katerih pa običajno posamezniki nimamo dostopa.

Tisti, ki bi radi kaj več zvedeli o tem področju, ki ga v angleščini imenujejo "learning analytics", lahko pričnete s prebiranjem gradiv na to temo. Lahko pa si ogledate video posnetke trodnevne spletne delavnice Analytics Sprint, ki jo je pred dnevi organiziral Educause. Za pokušino pa le kratka predstavitev.

What is Analytics? from EDUCAUSE on Vimeo.

Še nekaj zbranih gradiv:

• Educause: Leveraging Learning Analytics to Improve Student Success (pdf) (povezave do video in avdio posnetkov predavanj in razprav na to temo, priporočene literature,...)
• Educause: 7 things you should know about learning analytics (pdf)
• Campbell & Oblinger (2007) Academic analytics (pdf)
• Campbell: Academic analytics (pdf) (kratka predstavitev)
• Taylor & McAleese (2012) Beyond Retention: Using Targeted Analytics to Improve Student Success

Primeri rabe:

• Univerza Purdue: Signals - več o tem še v Educause Quarterly
• Northern Arizona University: GPS