Opiskelija-analytiikka verkko-oppimisympäristöissä
Mika Aaltonen
Pro gradu -tutkielma
Tietojenkäsittelytieteen laitos Tietojenkäsittelytiede
Lokakuu 2018
i
ITÄ-SUOMEN YLIOPISTO, Luonnontieteiden ja metsätieteiden tiedekunta, Kuopio Tietojenkäsittelytieteen laitos
Tietojenkäsittelytiede
Opiskelija, Mika Aaltonen: Opiskelija-analytiikka verkko-oppimisympäristöissä Pro gradu -tutkielma, 134 s.,1 liite (3 s.)
Pro gradu -tutkielman ohjaaja: Erkki Pesonen, FT Lokakuu 2018
Tiivistelmä: Opiskelija-analytiikalla tarkoitetaan tiedon keräämistä, analysointia ja visualisoimista oppimisprosessista data-analytiikan välinein. Menetelminä käytetään tilastollisia työkaluja ja oppimisen tiedonlouhintaa, joilla kerätään tietoa siitä mitä opiskelija tekee oppimisen aikana. Kerätystä tiedosta jalostetaan opettajalle ja opis- kelijalle tarkka oppimisen tilannekuva. Tätä tietoa hyödyntäen oppimista voidaan nopeammin ohjata oikeaan suuntaan ja havaita oppimisen ongelmakohdat, jolloin opettajan apua tarvitaan.
Tutkielman tavoitteena on luoda kuva verkossa tapahtuvan oppimisprosessin aikana tallentuvasta tiedosta ja sen käyttömahdollisuuksista oppimisen tehostamiseksi. Tie- don keräämistä ja analysointia tutkittiin Moodle-kurssilla opiskelun aikana tallentu- nutta tietoa käyttäen. Analysoitu tieto oli opiskelijoiden aktiviteettien käyttöä ja opet- tajan tekemiä arviointeja, joista muodostettiin opettajaa, opiskelijaa ja oppilaitosta kiinnostavia näkökulmia opetuksen ja oppimisen kehittämiseksi. Lisäksi tutkittiin opiskelijoiden loppuarvosanaan kurssin aikana vaikuttaneita muuttujia. Kurssi toteu- tettiin yhden ryhmän osalta verkko-opetuksena ja kolmen ryhmän kohdalta sulautu- vana oppimisena, jolloin verkko-opetuksen rinnalla oppimista oli tapahtunut myös luokassa.
Tuloksena havaittiin Moodle-kurssilta tehtävän tiedonkeruun kytkös käytettyihin aktiviteetteihin ja tarve ryhmitellä aktiviteetteja halutun, oppimiskokonaisuutta ana- lysoivan lopputuloksen aikaansaamiseksi. Verkkokurssilta tallentui määrällistä ja laadullista tietoa, josta voitiin nähdä opiskelijoiden kurssin käyttöön liittyviä piirteitä, seurata oppimisen etenemistä ja ennakoida loppuarvosanaa. Säännöllisen opiskelija- analytiikan seurannan nähtiin edellyttävän oppimistavoitteiden jakoa osiin, jotka to- teutettiin Moodlen jaksoja apuna käyttäen. Tehtyjä havaintoja laajennettiin ja vertail- tiin pro gradu -tutkielmassa esitetyin menetelmin tavoitteena luoda tilannekuva opis- kelija-analytiikan nykyhetken mahdollisuuksiin ja käytettävyyteen oppimistulosten parantamiseksi ja opetustyön tehostamiseksi. Tarkastelun pohjalta havaittiin datan analysoinnin kautta saatavia kurssin kehittämiskohteita ja opiskelijoiden käyttäyty- miskuvioita, mutta myös lisätutkimuksen tarvetta erityisesti opiskelija-analytiikan suunnittelun ja käyttöönoton osalta.
Avainsanat: opiskelija-analytiikka, oppimisanalytiikka, oppimisen tiedonlouhinta, oppimisen hallintajärjestelmä
ACM-luokat (ACM Computing Classification System, 2012 version):
Applied computing~Interactive learning environments
ii
UNIVERSITY OF EASTERN FINLAND, Faculty of Science and Forestry, Kuopio School of Computing, Computer Science
Student, Mika Aaltonen: Student-analytics in e-learning environments Master’s Thesis, 134 p., 1 appendixes (3 p.)
Supervisors of the Bachelor’s Thesis: PhD Erkki Pesonen October 2018
Abstract: Student-analytics denote collecting, analyzing and visualizing information on the learning process using data-analytical tools. The methods used are related to statistical and data mining analytics. Intention is to gather information about what a student performs during learning process. Visualized information is refined to the teacher and the student with an accurate learning context. Using this information learning can be more effective controlled and problem areas recognized to guide the teacher.
The aim of the thesis is to explore the information stored during the online learning when used learning management system and to study potential of the stored data to enhance learning. The collection and analysis of the data has been studied in more detail examining the data recorded during Moodle course. The data analyzed consist of student activities and teacher evaluations. Cognition is used to develop teaching and learning visualizations to help teachers, students and institutions to gather inter- esting and helpful perspectives for developing teaching and learning. Further being studied variables that have influenced the final grade of students during the course.
The course has been implemented as online course for one group and as blended learning for three groups. Blended learning is implemented using classroom and online course.
Importance between Moodle activities and data collection was observed as a result.
To achieve outcome of the eligible learning analysis activities can be grouped as a learning target. Moodle stored quantitative and qualitative data that was used to de- termine the characteristics of the student's use of the course, to track the progress of learning and to predict the final grade. Learning objectives were implemented using Moodle's sequences. Findings are expanded and compared with the methods present- ed in the Master's thesis aiming to create a snapshot of the current possibilities of student analytics. Further research is important to explore course data analytics de- sign and to implement analysis as a part of the teaching.
Keywords: Learning analytics, educational data mining, learning management sys- tems
CR Categories (ACM Computing Classification System, 2012 version):
Applied computing~Interactive learning environments
iii
Sisällysluettelo
1 Johdanto ... 1
2 Opiskelija-analytiikka opetuksessa ... 3
2.1 Opetussuunnitelmasta osaamistavoitteisiin ja arviointiin ... 4
2.2 Verkko-opetus ... 4
2.2.1 Oppimisen hallintajärjestelmä ... 6
2.2.2 Synkroniset ja asynkroniset verkkotyökalut ... 9
2.2.3 Arviointi oppimisen hallintajärjestelmässä ... 9
2.3 Opiskelija-analytiikka opetussuunnitelman osana ... 10
2.4 Oppimisesta kerättävä tieto ... 12
2.4.1 Tiedon rakeisuus ... 12
2.4.2 Oppimisesta kerätyn tiedon arviointi ... 13
2.4.3 Laadullinen ja määrällinen tieto ... 14
2.4.4 Moodlen keräämä tieto ... 15
2.4.5 Web-palvelimen keräämä tieto ... 15
2.5 Verkkokurssin rakenne ja toiminnot ... 17
2.5.1 Verkkokurssin ydintoiminnot ... 17
2.5.2 Sulautuva opetus verkkokurssilla ... 18
2.5.3 Yhteistoiminnallisen oppimisen menetelmä ... 19
2.5.4 Verkkokurssin kurssikartta ... 20
2.5.5 Opiskelija-analytiikan viitekehys ... 21
2.6 Opiskelija-analytiikan menetelmiä ... 23
2.6.1 Tilastolliset työkalut ... 23
2.6.2 Tiedonlouhinta ... 25
2.6.3 Markovin piilomalli ... 31
2.6.4 Sosiaalisen oppimisen analyysi ... 32
2.6.5 Tiedon visualisointi ... 33
2.7 Opiskelija-analytiikan työkaluja ... 35
2.7.1 Blocks: Course Dedication ... 38
2.7.2 Visual eLearning Analytics ... 41
2.7.3 Moodle Engagement Analytics ... 42
2.7.4 Graphical Interactive Student Monitoring and Tracking System 43 2.7.5 Monitoring Online Courses with Logfiles ... 44
2.7.6 Learning Analytics Enhanced Rubric ... 45
2.7.7 SmartKlass ... 46
2.7.8 Moodlen oma tietovisa (quiz) ... 50
2.7.9 Interactive Assignment ... 50
2.7.10 Sosiaalisen verkoston analysointityökaluja ... 52
2.7.11 Opiskelijan älykäs ohjaaminen: Merlin-know ... 56
2.7.12 Moodle Data Mining ... 57
2.8 Yhteenveto opiskelija-analytiikasta opetuksessa ... 58
2.8.1 Tiedon tallennus ... 58
2.8.2 Oppimissovellukset ... 59
iv
2.8.3 Verkkokurssin toteutus ... 60
2.8.4 Skaalautuvuus ... 61
3 Opiskelija-analytiikka Johdatus tietojenkäsittelyyn -kurssilla ... 62
3.1 Johdatus tietojenkäsittelyyn -kurssi ... 64
3.2 Tiedonkeruu Moodlesta ... 65
3.3 Tiedon analysointiväline Microsoft Power BI Desktop ... 66
3.4 Seurattavat kohteet ... 68
3.5 Tiedon analysoinnin tasot ... 69
3.6 Muuttujien tarkastelu ... 70
3.6.1 Tarkasteluun valitut muuttujat ... 70
3.6.2 Muuttujien tilastollisen merkityksellisyyden arviointi ... 71
3.6.3 Korrelaatioanalyysi ... 81
3.6.4 Päätöspuuluokittelu ... 84
3.7 Kurssilla käynti ... 88
3.7.1 Viikonpäivä ... 90
3.7.2 Kellonaika ... 91
3.7.3 Jaksot ... 93
3.8 Keskustelualueet ... 96
3.9 Tentit ... 97
3.10Tehtävät ... 101
3.10.1 Kotitehtävät ... 101
3.10.2 Harjoituksiin osallistuminen ... 104
3.11Johtopäätökset Moodle-kurssin opiskelija-analytiikasta ... 105
3.11.1 Moodle-kurssin rakenne ... 105
3.11.2 Oppimisen iteraatiot ... 107
3.11.3 Osaamis- ja oppimistasot ... 107
3.11.4 Moodlen oppimistavoitteet ... 108
3.11.5 Opiskelijan tehtävistä saama palaute ... 108
3.11.6 Tentit ja Markovin piilomalli ... 110
3.11.7 Power BI Desktop opiskelija-analytiikan työvälineenä .. 110
3.11.8 Määrällisen ja laadullisen arvioinnin yhdistäminen ... 112
3.11.9 Arviointitiedosto ja redundanssi ... 112
3.11.10 Opiskelija-analytiikan mittaristo ... 113
4 Yhteenveto ... 120
4.1 Mitä on opiskelija-analytiikka ja miten se toimii? ... 120
4.2 Miksi opiskelijatietoa kerätään? ... 123
4.3 Kenelle opiskelijatietoa kerätään? ... 123
4.4 Opiskelija-analytiikan hyödyntäminen ... 124
4.5 Lisätutkimuksen aiheita ... 127
Lähteet ... 129 Liitteet
Liite 1: Palveluna toimivia verkkosivujen analytiikkatyökaluja (3 sivua)
1 Johdanto
Tietoyhteiskunnassa päätöksenteko liittyy yhä tiiviimmin tietoon. Tämä muodostaa uudentyyppisen sosiaalistumisen tyypin: Yksilön tuottavan asenteen tietoon ja kogni- tioon eli tietoyhteiskuntaan sosiaalistumiseen (Karpov 2016, 3487). Tietoyhteiskunta luo myös tiedon ylikuormituksen ongelman, jonka seurauksena on vaara menettää sellaista tietoa, joka ei ole tarkasteltavan tehtävän kannalta merkityksellisiä, jota on käsitelty sopimattomalla tavalla tai jonka esitys on epäasianmukaista (Keim ym.
2008, 154). Opiskelijan kasvua digitalisoituvassa yhteiskunnassa voidaan tukea opis- kelija-analytiikan avulla. Opiskelija-analytiikka kerää oppimisesta tietoa, joka opetta- jalta ja opiskelijalta muuten saattaisi jäädä tehokkaasti hyödyntämättä. Tietoa sovel- letaan oppimiseen liittyvässä päätöksenteossa, jolloin opiskelija oppii ymmärtämään ja soveltamaan oppimisprosessin aikana myös laajemmin tietoyhteiskunnassa yleis- tyviä algoritmisia päätöksentekomenetelmiä.
Data-analytiikan tavoitteena on löytää malleja ja suhteita tietoihin. Sen menetelmiä voidaan soveltaa silloin, kun tarkasteltavaa lopputulosta kuvaavaa, laadukasta tietoa on mahdollista kerätä riittävästi. Opiskelija-analytiikassa tietoa kerätään data- analytiikan välinein oppimisprosessista. Menetelminä ovat tilastolliset välineet ja oppimisen tiedonlouhinta, joilla kerätään tietoa siitä mitä opiskelija tekee oppimisen aikana. Kerätystä tiedosta jalostetaan opettajalle ja opiskelijalle itselleen tarkka tilan- nekuva. Tätä tietoa hyödyntäen oppimista voidaan nopeammin ohjata oikeaan suun- taan ja havaita oppimisen ongelmakohdat, jolloin opettajan apua tarvitaan (Ihantola ym. 2015, 1).
Tutkielmassa perehdytään opiskelija-analytiikan menetelmiin ja käyttöön tietojenkä- sittelytieteen opetuksessa. Menetelmät ovat sovellettavissa myös muilla aloilla. Suuri arvioitava kysymys on opetuksen osana toteutettavan laadukkaan ja riittävän katta- van tiedonkeruun järjestäminen. Tutkielma on toteutettu kirjallisuuskatsauksena ja Moodle-kurssilta kerättyä dataa analysoivana erikoistyönä. Tutkielman tutkimusky- symykset ovat seuraavat:
1. Mitä on opiskelija-analytiikka ja miten se toimii?
2. Miten oppimisen hallintajärjestelmää voidaan soveltaa tiedon keräämiseen?
3. Miten oppimisesta kerättyä tietoa voidaan hyödyntää opiskelijan, opettajan ja oppilaitoksen näkökulmista?
Tutkielma on jaettu kolmeen osaan: Teoriaan, analyysiin ja johtopäätöksiin. Luvussa 1 on teoriaosuus, jossa kuvataan opiskelija-analytiikan tutkimuksen soveltamista tietojenkäsittelytieteen opetuksessa. Osuudessa käsitellään tutkimuksissa käytettyjä tiedonkeruuvälineitä ja -menetelmiä sekä analysoidaan erilaisiin tarkoituksiin kehi- tettyjen kehysten sovellettavuutta opiskelija-analytiikan näkökulmasta.
Luvun 2 analyysissä esitetään pro gradu -tutkielman rinnalla tehdyn erikoistyön
”Opiskelija-analytiikkaa Moodle-datasta” kautta saatuja keskeisiä tutkimustuloksia ja peilataan niitä käsiteltyihin tutkimuksiin ja tutkimuksista saatuihin tuloksiin. Yhteen- veto ja johtopäätelmät ovat luvussa 3.
2 OPISKELIJA-ANALYTIIKKA OPETUKSESSA
Opiskelijan opetustilanteiden aikana suorittamien tehtävien analysointi antaa opetta- jalle hyvän kuvan opiskelijan oppimisen etenemisestä. Opiskelijoiden luokittelu ope- tettavan aiheen osaamisen perusteella mahdollistaa oikeaa tasoa vastaavien tehtävien antamisen, jolloin oppimista tapahtuu koko oppimisasteikolla (Diana ym. 2017, 7; Fu ym. 2017, 7). Sopivasti oppimista haastavat tehtävät ylläpitävät myös opiskelijan motivaatiota. Lisäksi opiskelija-analytiikan avulla on mahdollista saada palautetta tehtävien toimivuudesta niiden kehittämiseksi (Fu ym. 2017, 4).
Opettajan ja opiskelijan on tärkeää saada palautetta ja nähdä edistymisensä koko op- pimisprosessin aikana (Fernandez-Medina ym. 2013, 1). Oppimistulokset voidaan esittää kootusti yhdessä paikassa opiskelija-analytiikan kojelaudalla, joka antaa pa- lautetta opiskelijalle itselleen, mutta laajemmassa kontekstissa myös opettajalle koko ryhmän etenemisestä (Trætteberg ym. 2016, 666; Diana ym. 2017, 4). Rutiininomai- sen tehtävien tarkistamisen automatisointi jättää opettajalle enemmän aikaa ohjata oppimisen aikana esiin nousevia kehityskohteita ja varmistaa oppimisen laatu (Trætteberg ym. 2016, 666-667).
Luvussa tarkastellaan opiskelija-analytiikan soveltamiseksi tietojenkäsittelytieteen opetuksessa oppimisen hallintajärjestelmässä liittyvää tutkimusta tarkoituksena muo- dostaa kuva mitä oppimisen hallintajärjestelmää käyttävällä opiskelija-analytiikalla tarkoitetaan, miten tietoa oppimisesta tällaisessa ympäristössä kerätään ja miten sitä hyödynnetään.
Aliluvussa 2.1 tarkastellaan oppilaitoksen opetustoimintaa: Opetussuunnitelmaa, osaamistavoitteita ja arviointia, joiden osaksi opiskelija-analytiikka voidaan integroi- da. Aliluvussa 2.2 käsitellään verkko-opetusta: Oppimisen hallintajärjestelmää ja verkkotyöskentelyn aikaan sidottua tai sitomatonta luonnetta, joka on hyvä tunnistaa opiskelija-analytiikan määrittelyssä. Aliluvussa 2.3 esitellään menetelmä opiskelija- analytiikan liittämiseksi opetussuunnitelman osaksi.
Oppimisesta kerättävää tietoa on käsitelty aliluvussa 2.4. Näkökulmat ovat tiedon rakeisuus, keräystaajuus, laatu ja määrä sekä Moodle ja web-palvelin tiedonkeruu-
paikkoina. Opiskelija-analytiikalle soveltuvan verkkokurssin rakennetta ja toimintoja esitellään aliluvussa 2.5, joka jakautuu verkkokurssin ydintoimintojen määrittelyyn, sulautuvan ja yhteistoiminnallisen oppimisen menetelmien esittelyyn, verkkokurssin kurssikartan laatimiseen ja lopuksi opiskelija-analytiikan viitekehykseen, joka ha- vainnollistaa järjestelmän keräämät tiedot, käyttötarkoituksen ja tiedon keräysmene- telmän.
Aliluvussa 2.6 on esitelty opiskelija-analytiikan tiedonkäsittelymenetelmiä. Tällaisia ovat tilastolliset työkalut, tiedonlouhinta, Markovin piilomalli, sosiaalisen oppimisen analytiikka ja kerätyn tiedon opettajan ja opiskelijan ymmärrettävään muotoon ko- koava visualisointi. Aliluvussa 2.7 esitellään pääosin Moodlessa hyödynnettäviä opiskelija-analytiikan työkaluja. Luvun yhteenveto on aliluvussa 2.8.
2.1 Opetussuunnitelmasta osaamistavoitteisiin ja arviointiin
Oppilaitoksen toimintaa voidaan tarkastella kolmella tasolla: Koko organisaatio, tie- dekunta/osaamisala ja yksikkö/opettaja (Dawson ym. 2008, 223). Usein oppilaitok- sessa kerätään tietoa oppimisesta vähintään opetuksen ja oppilaitoksen tasoilla. Oppi- laitoksen toimintaa ohjaa keskeisesti opetussuunnitelma. Opetussuunnitelmassa il- maistaan opetuksen tavoitteet ja opiskelijoiden arvioinnin perusteet (Uusikylä & At- jonen 2007, 46).
Arviointi on opettajan vastuulla oleva tehtävä, jossa opiskelijalle ja opettajalle tuote- taan tietoa oppimisen etenemisestä opetussuunnitelmasta johdettujen, ennalta julkais- tujen, osaamistavoitteista johdettujen arviointikriteerien pohjalta. Osaamistavoitteet liittyvät erityisiin tietoihin, käytännön taitoihin, ammatillisen kehityksen alueisiin, asenteisiin ja korkeamman asteen ajattelutaitoihin, joita opiskelijoiden odotetaan kehittävän, oppivan tai hallitsevan kurssin aikana (Yassine ym. 2016, 263). Osaamis- tavoitteiden osana ilmaistaan myös miten opiskelijan on osoitettava osaamisensa.
2.2 Verkko-opetus
Aliluvussa tarkastellaan verkko-opetuksen luonnetta pedagogisesta ja käytännön nä- kökulmasta. Aluksi esitellään sulautuvan opetuksen käsite, tämän jälkeen oppimisen
hallintajärjestelmä Moodle ja lopuksi oppimisen hallintajärjestelmästä löytyvien verkkotyökalujen synkroninen ja asynkroninen luonne, joka vaikuttaa verkko- opetuksessa käytettävien työkalujen valintaan.
Verkko-opetus voidaan järjestää sulautuvana tai kokonaan verkossa tapahtuvana opetuksena. Sulautuvassa opettamisessa (blended learning) kurssille on suunniteltu kontakti- ja verkko-opetus omina, toisiaan tukevina kokonaisuuksina. Tällöin luok- kahuone ja virtuaalinen oppimisympäristö sulautuvat kokonaisuudeksi, jossa oppi- minen tapahtuu (Adraoui ym. 2017, 1; Conde ym. 2015, 1; Levonen ym. 2009, 15- 16). Kontakti- ja verkko-opetuksen eri sulautumisen tasot on esitetty kuvassa 1.
Kuva 1. Sulautuvat vuorovaikutusympäristöt. Kuvassa kasvokkainen vuorovaikutusympäristö ja verkkoympäristö yhdistyvät mielekkääksi oppimisympäristöksi (Levonen ym. 2009, 129)
Kuvassa 1 nähdään sulautuvan opetusympäristön ”sekoittuminen” perinteisen, kas- vokkain tapahtuvan, luokkaopetuksen ja verkkovuorovaikutusympäristössä tapahtu- van oppimisen kesken. Sulautuvan oppimismenetelmän kursseilla voidaan sulauttaa oppimistehtävien tekemistä, opiskelijoiden vuorovaikutusta ja opettamis- ta/ohjaamista (Osguthorpe & Graham 2003, 232). Menetelmä mahdollistaa monipuo- liset pedagogiset mahdollisuudet, tiedon saatavuuden, sosiaalisen vuorovaikutuksen, mahdollisuuden opiskelijan itsenäiseen toimintaan, kustannustehokkuuden ja hyvän
muokattavuuden päivitysten ja korjausten osalta (Osguthorpe & Graham 2003, 230- 231).
2.2.1 Oppimisen hallintajärjestelmä
Verkossa tapahtuvassa opettamisessa käytetään apuna järjestelmää, jota kutsutaan verkko-oppimisympäristöksi (learning system/virtual learning environment) tai op- pimisen hallintajärjestelmäksi (learning management system) (mm. Retalis ym.
2006, 1; Conijn ym. 2017, 17). Oppimisen hallintajärjestelmän toimintoja ovat op- pimisprosessin hallinta, dokumentointi, seuranta ja raportoiminen. Järjestelmä tukee oppimista tarjoten verkossa oppimiseen liittyvää sisältöä ja valinnaisia osia, kuten kyselyt, esitykset, tehtävät ja keskustelualueet. Lisäksi järjestelmä mahdollistaa opet- tajalle mahdollisuuden jakaa ja hallita resursseja helposti suoraan järjestelmän sisäl- lä.
Yksi suosituimmista oppimisen hallintajärjestelmistä on Moodle. Moodle1 (Modular Object-Oriented Dynamic Learning Environment) on Martin Dougiaman kehittämä, vuonna 2001 avoimen lähdekoodin General Public License -lisenssillä julkaistu verkko-oppimisympäristö, jota kehittää yli 80 maailmanlaajuisen yhteistyöyrityksen tukema Moodle HQ -verkosto. General Public License on GNU-hankkeen vapaiden ohjelmien julkaisemiseen tarkoitettu lisenssi, joka tunnetaan nimillä GNU GPL tai GPL. Lisenssi mahdollistaa ohjelman vapaan kehittämisen sillä edellytyksellä, että kehitetty lähdekoodi on julkaistava samalla lisenssillä. Moodle on toteutettu PHP2- ohjelmointikielellä. PHP on avoimen lähdekoodin skriptipohjainen ohjelmointikieli dynaamisten web-sivujen luomiseksi web-palvelinympäristössä. Ohjelmointikielessä on laaja luokkakirjasto, jossa on kokoelma rajapintoja (interfaces) ja luokkia (clas- ses) erilaisten ongelmien ratkaisemiseksi.
Kuvassa 2 on esitetty PHP-pohjaisen järjestelmän toiminta tyypillisessä web- palvelinympäristössä. jossa on mukana tietokanta- ja sähköpostipalvelimet.
1 https://moodle.com/about/ (viitattu 7.6.2018)
2 http://www.php.net/ (viitattu 29.1.2018)
Kuva 2. PHP-järjestelmän toiminta palvelinympäristössä. Web-palvelin tunnistaa asiakkaan selaimelta tulevan PHP-sivulatauspyynnön, jonka se lähettää PHP-tulkille käsiteltäväksi. PHP- tulkki käsittelee sivun ja kommunikoi tarvittaessa tiedostojärjestelmän, tietokannan ja sähkö- postipalvelimen kanssa ja toimittaa verkkosivun web-palvelimelle palautettavaksi selaimeen.
Lähde: W3 schools PHP tutorial3
Kuvassa 2 nähdään PHP-tulkin toimintaympäristö, johon kuuluvat web-palvelin, käyttöjärjestelmän osana toimiva tiedostojärjestelmä, tietokanta ja sähköpostipalve- lin. PHP-tulkki toimii usein LAMP-ympäristössä. LAMP-ympäristöllä tarkoitetaan Linux-Apache-MySQL-PHP -ohjelmistojen yhdistelmää. Linux on UNIX- järjestelmään perustuva, Linux-ytimellä toimiva käyttöjärjestelmä. Linux-ytimen on kehittänyt suomalainen Linus Torvalds vuonna 1991. Linux-jakelut on julkaistu Ge- neral Public License -lisenssillä. Linux-jakeluissa on ytimen lisäksi mukana järjes- telmätyökaluja, sovelluksia ja työkaluja järjestelmän päivitysten asentamiseen.
Apachella tarkoitetaan web-palvelinta. Web-palvelin käsittelee käyttäjän internet- selaimen lähettämät HTTP-protokollanmukaiset sivunlatauspyynnöt ja palauttaa si- vut selaimessa tulkittavaksi. HTTP (Hypertext Transfer Protocol) on selaimen ja web-palvelimen välillä käytettävä tiedonsiirtoprotokolla. Protokollassa asiakas avaa palvelimelle TCP-yhteyden ja lähettää pyynnön. TCP on tietoliikenneprotokolla, jonka avulla tietokoneet voivat lähettää luotettavasti toisilleen tavujonoja. Web- palvelin vastaa pyyntöön palauttamalla latauspyyntöä vastaavan vastauksen, joka voi HTML-sivun lisäksi olla binääridataa. Binääridatana voidaan siirtää esimerkiksi ku-
3 https://www.w3schools.in/php/php-basics/ (viitattu 29.1.2018)
va- tai äänitiedostoja. PHP-tulkki on integroitu web-palvelimelle. Havaitessaan PHP- sivulatauspyynnön web-palvelin lähettää sen PHP-tulkille käännettäväksi. PHP- tulkki palauttaa kääntämänsä tuloksen web-palvelimelle toimitettavaksi asiakkaan selaimelle.
MySQL on suomalaisen Michael Wideniuksen ja ruotsalaisen David Axmarkin vuonna 1995 luoma relaatiotietokantapalvelin. Tietokannan sisältämällä tiedolla on looginen yhteys ja merkitys; Moodle käyttää tietokantaa esimerkiksi tallentaessaan ja lukiessaan käyttäjiinsä liittyvää tietoa. Relaatiotietokannalla tarkoitetaan E. F. Cod- din vuonna 1970 esittelemään relaatiomalliin perustuvaa tietokantaa. Coddin re- laatiomallissa tieto järjestetään tauluihin, sarakkeisiin ja riveihin. Tauluja kutsutaan myös relaatioiksi ja rivejä tietueiksi. Taulut ilmentävät kokonaisuuden tyyppiä (enti- ty type), rivit tämän kokonaisuuden esiintymää ja sarakkeet esiintymän arvoa. Jokai- nen rivi erotetaan yksilöllisellä avaimella. MySQL käyttää lähes kaikkien muiden relaatiotietokantojen tavoin SQL-kieltä tietokannan hallintaan. SQL (Structured Query Language) IBM:n kehittämä, standardoitu kyselykieli relaatiotietokannan hal- lintaan. SQL:n avulla on mahdollista muuttaa tietokannan rakennetta sekä hakea, lisätä, muuttaa ja poistaa siinä olevaa tietoa. MySQL on julkaistu General Public License -lisenssillä. PHP:n lisäksi mm. Python ja Perl-ohjelmointikielet sisältävät tuen MySQL-tietokannan käyttämiselle. Moodlen tukemat tietokantapalvelimet on esitetty taulukossa 1.
Taulukko 1. Moodle 3.4:n tukemat tietokantapalvelimet. Lähde: Moodlen dokumentointi4
Tietokantapalvelin Vähimmäisversiovaatimus Suositeltu
MariaDB 5.5.31 Uusin vakaa versio
Microsoft SQL Server 2008 Uusin vakaa versio
MySQL 5.5.31 Uusin vakaa versio
Oracle Database 10.2 Uusin vakaa versio
PostgreSQL 9.3 Uusin vakaa versio
Moodlen työkaluista käytetään nimitystä aktiviteetti. Moodlen aktiviteetit5 ovat reaa- liaikainen keskustelu (chat), interaktiivinen video ja luentomateriaali (H5P), keskus-
4 https://docs.moodle.org/dev/Moodle_3.4_release_notes#Server_requirements (viitattu 29.1.2018)
5 https://docs.moodle.org/3x/fi/Aktiviteetit (viitattu 22.1.2018)
telualue, kysely, oppitunti. palaute, sanasto, tehtävä, tentti, tietokanta, työpaja, valin- ta ja Wiki.
2.2.2 Synkroniset ja asynkroniset verkkotyökalut
Verkko-opetuksessa käytettävät työkalut voidaan jakaa opiskelun saman- tai eriaikai- sen luonteen perusteella synkronisiin ja asynkronisiin (Adraoui ym. 2017, 1.). Synk- ronisilla työkaluilla (synchronous learning tools) tarkoitetaan ääni- ja videotapaamis- ta sekä virtuaalista luokkatilaa, jossa opiskelijat ovat samanaikaisesti paikalla. Synk- roniset työkalut mahdollistavat tosiaikaisen vuorovaikutuksen opiskelijan ja ohjaajan välillä ja vähentävät opiskelijan eristyneisyyden tunnetta verkkoympäristössä. Synk- ronisten työkalujen käyttö vähentää aikaa, jonka opiskelija viettää fyysisessä luokka- huoneessa. Ne mahdollistavat oppimisen paikasta, mutta eivät ajasta riippumatta.
Moodlen aktiviteeteista reaaliaikainen keskustelu (chat) on ainoa synkroninen työka- lu.
Asynkroniset työkalut (asynchronous learning tools) ovat verkko-opetuksessa käytet- täviä työkaluja, jotka eivät vaadi samanaikaista yhteyttä työkalun käyttäjien välillä.
Tällaisia työkaluja ovat esimerkiksi verkkokursseilla käytettävät tehtävät, tentit, kes- kustelualueet ja wiki. Koska asynkroniset työkalut eivät vaadi samanaikaisuutta käyt- täjiltään, ne mahdollistavat oppimisen paikan lisäksi myös ajasta riippumatta. Aikaan sitomattomat työkalut soveltuvat tehtäviin, joissa opiskelijalle halutaan antaa mah- dollisuus perehtyä ja ratkoa ongelmaa omassa aikataulussaan. Moodlen aktiviteeteis- ta asynkronisia työkaluja ovat interaktiivinen video ja luentomateriaali (H5P), kes- kustelualue, kysely, oppitunti. palaute, sanasto, tehtävä, tentti, tietokanta, työpaja, valinta ja Wiki.
2.2.3 Arviointi oppimisen hallintajärjestelmässä
Arvioinnissa opiskelijalle ja opettajalle tuotetaan tietoa oppimisen etenemisestä arvi- ointikriteerien pohjalta. Moodlen aktiviteeteista tehtävät, tentit ja keskustelualueet
sisältävät mahdollisuuden arviointiin. Moodlessa arvioinnit ovat kurssin hallinnan (administration) lohkossa opettajalle ja Navigointi-lohkossa opiskelijalle näkyvä työ- kalu6. Moodle-kurssilla opettaja voi seurata koko kurssin arviointeja, kun taas opis- kelija näkee vain omien arviointiensa tilanteen.
Tentit-aktiviteetissa arviointi tehdään automaattisesti määrittelemällä arviointiperus- teet, joihin opiskelijan antamia vastauksia verrataan. Tehtävät-aktiviteettien kohdalla opettaja antaa suorituksesta arvosanan. Opiskelija-analytiikassa tentin arviointi on käytössä heti, kun opiskelija on palauttanut tentin ja se on tämän seurauksena auto- maattisesti arvioitu. Tehtävän arviointi on käytettävissä vasta silloin, kun opettaja on tallentanut arvosanan aktiviteettiin.
2.3 Opiskelija-analytiikka opetussuunnitelman osana
Opiskelija-analytiikassa käsitellään oppimisprosessista saatavaa tietoa. Tietoa kerä- tään, analysoidaan ja raportoidaan yksilö-, opetusryhmä-, osasto- ja jopa oppilaitos- tasoilla. Eri tasoilla voidaan tehdä ennakoivaa mallintamista ja tunnistaa onnistumi- sen ja mahdollisesti myös epäonnistumisen kuvioita (Azevedo ym. 2017, 641-642).
Jotta oppimista voidaan mitata opiskelija-analytiikassa, kaikkien osaamistavoitteiden ja oppimistulosten tulisi olla selkeästi mitattavissa, ja tavoite- tai vertailuarvo olisi tunnistettava. Näitä määrittelyitä apuna käyttäen opiskelija-analytiikan on mahdollis- ta ilmaista missä kohdassa oppimistavoitteeseen pääsyä kulloinkin ollaan. Selkeästi mitattavat tavoitteet myös jäsentävät oppimista opettajan ja opiskelijan helpommin ymmärtämään muotoon. Lisäksi tavoitteita voidaan määritellä kurssin sisällä etene- misen tasoiksi, joita apuna käyttäen opiskelija voi edetä opinnoissaan (Yassine ym.
2016, 263).
6 https://docs.moodle.org/34/en/Grader_report (viitattu 26.3.2018)
Opiskelija-analytiikassa käytetään data-analytiikasta tuttua tietämyksen löytämistä.
Keim ym. esittämä tiedon visualisointi automaattisen data-analyysin menetelmin on esitetty kuvassa 3.
Kuva 3. Automaattinen tiedon analysointimenetelmien integrointi tietämyksen löytämiseksi.
Kerättyä dataa visualisoidaan ja analysoidaan tiedonlouhinnan malleja apuna käyttäen. Visu- alisoinnit ja mallit tuottavat tietämystä, jonka perusteella kerätään ja jalostetaan uutta tietoa
(Keim ym. 2008, 156).
Kuvassa 3 nähdään kaksi polkua tietämyksen löytämiseen. Tietoa voidaan visuali- soida suoraan tai louhia sitä visualisoitavaksi erilaisia tiedonlouhinnan malleja apuna käyttäen. Tiedon keräämisen ja analyysin prosessi on esitetty kuvassa 4.
Kuva 4. Opiskelija-analytiikan tiedon keräämisen vaiheet: Tiedon kerääminen ja esikäsittely, analyysien tekeminen ja toimenpiteiden suorittaminen ja jälkikäsittely (Chatti ym. 2012, 6).
Kuvan 4 opiskelija-analytiikan prosessi on luonteeltaan iteratiivinen. Iteratiivisessa prosessissa prosessin osat on jaettu pieniin osiin ja prosessia toistetaan, jolloin pro- sessi kehittyy inkrementaalisesti. Inkrementaalisella kehittymisellä tarkoitetaan pro- sessin kasvamista ja kehittymistä kohti lopullista muotoaan. Prosessissa on tunnistet- tu yleiset kolme toisiaan seuraavaa vaihetta: Datan keräys ja esikäsittely, analyysi ja toimenpiteet sekä jälkikäsittelyvaihe. Datan keräys- ja esikäsittelyvaiheessa kerätään tietoa opiskelusta yhdestä tai useammasta eri opiskeluympäristöön liittyvästä järjes- telmästä. Kaikki dataa myöhemmin käsittelevät vaiheet ovat riippuvaisia datan ke- räyksen onnistumisesta. Analyysin ja toimenpiteiden vaiheessa kerätystä datasta etsi-
tään kuvioita ja malleja, joiden avulla oppimista voidaan tehostaa. Toimenpiteet si- sältävät opiskelun seurantaa, analysointia, ennustamista, väliintuloa, arviointia, mu- kauttamista, personointia, suosituksia ja pohdintaa. Jälkikäsittelyvaihe on analysoin- tiprosessin parantamista ja uuteen iteraatiokierrokseen valmistautumista. Siihen voi sisältyä tietojen keräämistä uusista tietolähteistä, tietojoukon hienosäätämistä, uuden iteroinnin tarvitsemien ominaisuuksien määrittelyä, uusien muuttujien määrittelyä ja analyysimenetelmän valintaa. (Chatti ym. 2012, 5-6)
Opiskelija-analytiikalla pyritään mittaamaan oppimistavoitteisiin pääsyä oppimistu- losten ja/tai oppimisprosessin kautta. Opiskelija-analytiikan luonne oppimisprosessin mittaajana edellyttää sen ottamista osaksi opetussuunnitelmaa. Opetuksen suunnitte- lun osana opettajat jakavat hyviä käytäntöjä ja usein myös opetusmateriaalia. Yhteis- työssä opiskelija-analytiikka ja opetuksen suunnittelu voivat auttaa kehittämään opet- tamista ja arviointia sekä ymmärtämään opiskelijan toimintaa (Lockyer ym. 2013, 1439-1442).
2.4 Oppimisesta kerättävä tieto
Aliluvussa tarkastellaan oppimisesta tallentuvan tiedon luonnetta ja siitä tehtävää arviointia. Aliluvussa 2.4.1 esitetään tiedon rakeisuus vertaillen kehitysympäristön ja oppimisen hallintajärjestelmän keräämää tietoa. Aliluvussa 2.4.2 käsitellään kerätyn tiedon arviointia automaattisesti tai opettajan toimesta. Aliluvussa 2.4.3 tarkastellaan tiedon laadullisia ja määrällisiä ominaisuuksia. Lopuksi tarkastellaan tiedon kerää- mistä: Aliluvussa 2.4.4 Moodlesta ja aliluvussa 2.4.5 web-palvelimesta.
2.4.1 Tiedon rakeisuus
Opiskelija-analytiikka on mahdollista silloin, kun oppimisesta tallentuu tietojärjes- telmään tietoa, jota voidaan analysoida. Ihantola ym. löytävät ohjelmointitehtävien kehitysympäristöä tarkastellessaan erilaisia tiedon rakeisuuden tasoja (2015, 48).
Kehitysympäristö on ohjelmiston suunnitteluun ja toteutukseen käytettävä ohjelma tai joukko ohjelmia, yksinkertaisimmillaan tekstieditori ja ohjelmointikielen kääntä- jä. Kääntäjän tehtävä on muuntaa opiskelijan kirjoittama lähdekoodi konekieliseksi binääritiedostoksi. Tiedon rakeisuudella tarkoitetaan kerättävän tapahtuman kokoa ja
sitä, kuinka usein tiedon tila otetaan talteen. Kuvassa 5 esitetään ohjelmointitehtävien tiedon rakeisuuden tasot.
Kuva 5. Tiedon rakeisuuden tasot. Pienin tiedon rakeisuuden taso on merkitty kuvan ylä- ja suurin alareunaan. (Ihantola et 2015, 48).
Kuvassa 5 nähdään pienimpänä ohjelmointitehtävän tiedon rakeisuuden tasona yksit- täiset näppäimenpainallukset. Näitä seuraavat kokonaisen ohjelmointirivin muok- kaukset, tiedoston tallennukset, ohjelmakoodin käännökset ja suoritukset sekä suu- rimpana kokonaisten tehtävien palautukset.
2.4.2 Oppimisesta kerätyn tiedon arviointi
Kehitysympäristössä toimittaessa opiskelija-analytiikassa voidaan tarkastella ohjel- makoodin kehittämistä ja sen toimintaa kääntäjässä, virheenjäljittimessä ja version- hallinnassa. Virheenjäljittäjää käytetään ohjelmointivirheiden löytämiseen ja kor- jaamiseen. Versionhallintatuen avulla pidetään kirjaa tehdyistä muutoksista ja säilö- tään vanhemmat ohjelmaversiot. Oppimisen hallintajärjestelmästä puuttuu ohjelman kehitysympäristöön verrattuna kääntäjän, virheenjäljittimen ja versionhallinnankal- taiset työkalut. Opiskelijat palauttavat oppimisen hallintajärjestelmään vastauksia esimerkiksi tehtäviin ja tentteihin. Ihantolan ym. (2015) kuvaamilla tiedon rakeisuu- den tasoilla oppimisen hallintajärjestelmään tehtäviä palautuksia voitaisiin verrata ohjelmakoodin palautuksiin. Moodlen tentteihin määritellään valmiiksi oikeat ja vää- rät vastaukset, jolloin järjestelmän toimintaa voidaan verrata kehitysympäristön läh- dekoodin kääntämiseen ja kääntämisestä saataviin varoituksiin ja virheilmoituksiin.
Sen sijaan tehtävien arviointi on oppimisen hallintajärjestelmää käytettäessä opetta- jan käsityönä tekemän tarkastelun varassa.
Tekoälytutkimus saattaa tulevaisuudessa mahdollistaa kehitysympäristöille tyypillis- ten suorituksen automaattiseen analysointiin liittyvien työvälineiden tuomisen myös
oppimisen hallintajärjestelmissä käytettäväksi. Tekoälytutkimus käsittelee tietojen- käsittelytieteessä ja tilastotieteessä kehitettyjä menetelmiä tavoitteena ratkaista oh- jelmallisesti ongelmia, joihin perinteisesti on tarvittu ihmistä. Menetelmä saattaa laajentaa oppimisen arvioinnin automatisointia kohti kehitysympäristöissä jo esitelty- jä oppimisen automaattisia arviointimenetelmiä.
2.4.3 Laadullinen ja määrällinen tieto
Opiskelijan tuottamien ohjelmakoodin tai tehtävänpalautuksenkaltaisten oppimistu- losten lisäksi oppimisen hallintajärjestelmän käytöstä tallentuu tietoa järjestelmän lokitiedostoihin (Blikstein ym. 2011; Carter ym. 2017, Diana ym. 2017, Fernandez- Medina ym. 2013, Fu ym. 2017, Grover ym. 2016) tai tietoa voidaan kerätä oppimis- ympäristöön asennettavien lisäosien kautta (Trætteberg ym. 2016). Tällainen oppimi- sen hallintajärjestelmään tallennettu tieto voidaan jakaa määrällisiin ja laadullisiin tekijöihin, joita opiskelija-analytiikan analyysivaiheessa tarkastellaan muuttujina.
Muuttuja on matemaattisessa lausekkeessa käytettävä symboli, jolle voidaan antaa lukuarvoja.
Määrällisellä tiedolla tarkoitetaan täsmällisiä ja laskennallisia menetelmiä, joita käy- tetään kvantitatiivisessa tutkimuksessa. Kvantitatiivisessa tutkimuksessa käytetään erilaisia luokitteluita ja vertailua numeerisiin tuloksiin. Opiskeludatan yhteydessä tieto kerätään suoraan opiskelun aikana tietokantaan tallentuneista merkinnöistä. Op- pimisen hallintajärjestelmästä kerättäviä määrällisiä muuttujia ovat esimerkiksi opis- kelijan käyntien lukumäärä kurssilla sekä keskustelualueille kirjoitettujen viestien ja palautettujen tehtävien lukumäärät.
Arvioinnit laajentavat tenttien ja tehtävien arviointipisteiden tarkastelun kautta näkö- kulmaa kohti laadullisessa eli kvalitatiivisessa tutkimuksessa käytettyjä piirteitä.
Laadullisessa tutkimuksessa pyritään ymmärtämään kohteen laatua, ominaisuuksia ja merkityksiä kokonaisvaltaisesti. Laadullisia oppimisen muuttujia ovat mm. tenttien ja tehtävien arvosanat. Järjestelmästä kerätyn tiedon rinnalla tulisi käyttää myös mui- ta havaintomenetelmiä, koska kaikki oppiminen ei tallennu oppimisen hallintajärjes- telmään.
2.4.4 Moodlen keräämä tieto
Moodle kerää järjestelmän käyttämisestä tietoja kurssin ja koko sivuston tasoilla.
Kurssin opettaja pääsee käsiksi omien kurssiensa aktiviteettilokiin. Aktiviteettiloki tallentaa tietoa kurssin opiskelijoiden aktiviteettien käytöstä7. Sitä on mahdollista suodattaa opetuksen ja osallistumisen tasoilla. Opetustason suodatus (teaching level) tallentaa opettajan kurssille tekemiä, opiskelijaan vaikuttavia toimenpiteitä ja osallis- tumistason suodatus (participating level) tietoa opiskelijan aktiviteettien ja kurssin käytöstä.
Opiskelija-analytiikkaa keräävä työkalu voi louhia tietoa suoraan Moodlen käyttä- män tietokantapalvelimen tietokannan tauluista. Moodlen tietokantapalvelimella käyttäjän vuorovaikutusta analysoivat työkalut käyttävät yleensä mdl_log-nimistä taulua. Vaihtoehtoinen tapa siirtää dataa on Moodlen ohjelmointirajapinta. Ohjel- mointirajapinnalla (Application Programming Interface, API) tarkoitetaan web- palvelimen kautta suoritettavaa, standardoitua liikennöintiä, jonka kautta eri ohjelmat voivat vaihtaa tietoja keskenään. Moodleen tuli versiossa 2.7 (toukokuu 20148) mu- kaan Events API9, joka vakioi lokin kirjoittamisen ja lukemisen parantaen samalla järjestelmän suorituskykyä (Conde ym. 2015, 52). Tämän lisäksi Moodlessa on tie- don vientitoiminto, jota apuna käyttäen tietoa voidaan tallentaa luettavaksi muissa ohjelmissa.
2.4.5 Web-palvelimen keräämä tieto
Verkko-oppimisympäristö käyttää tiedonsiirrossa apuna web-palvelinta. Web- palvelin on ohjelmisto, joka vastaanottaa ja vastaa TCP/IP-verkosta HTTP- protokollan (RFC 261610) pyyntöihin. Web-palvelin kerää lähettämistään ja vastaan- ottamistaan tiedoista lokia. Tyypillisiä lokiin tallentuvia tietoja ovat pyydetyt doku- mentit, pyytäjän IP-osoite ja pyynnön ajankohta.
7 https://docs.moodle.org/34/en/Logs (viitattu 26.2.2018)
8 https://docs.moodle.org/dev/Releases#Moodle_2.7_.28LTS.29 (viitattu 29.1.2018)
9 https://docs.moodle.org/dev/Moodle_2.7_release_notes#API_changes (viitattu 29.1.2018)
10 https://tools.ietf.org/html/rfc2616 (viitattu 3.5.2018)
Verkko-oppimisympäristö toimii web-palvelimelle asennettuna sovellusohjelmana.
Web-palvelimen omasta lokista on mahdollista tarkastella sivunlatauspyyntöjen ot- sikkotasoista tallennettua tietoa; opiskelija-analytiikan näkökulmasta esimerkiksi siitä millä sivuilla IP-osoitteista on käyty ja milloin. Web-palvelimen tallentama tieto voidaan IP-osoitteen kautta yhdistää verkko-oppimisympäristössä tallennettuun opis- kelijan ID-tunnukseen, jos verkko-oppimisympäristö tallentaa tiedon opiskelijan is- tunnossaan käyttämästä IP-osoitteesta. Menetelmä ei ole kovin luotettava käytettäes- sä IP-protokollan versiota 4, jolloin verkoissa käytetään apuna osoitteenmuunnosta.
Osoitteenmuunnoksessa säästetään IP-osoitteita ohjaamalla liikenne saman julkisen IP-osoitteen kautta. IP-versioon 6 siirtymisen jälkeen jokaisella laitteella on oma yksilöllinen osoitteensa eikä ongelmaa enää esiinny muilla kuin yhteiskäyttöisillä tietokoneilla.
Verkkosivujen liikenteen seuraamiseen on saatavilla valmiita sovelluksia. Verkko- palveluna tarjottavat työkalut ovat helppokäyttöisiä, mutta loppukäyttäjän kehittä- mismahdollisuudet työkalun suhteen rajoittuvat kehittämisehdotusten tekemiseen palvelun ylläpitäjälle. Verkkopalvelu on internet-selaimella käytettävä sivusto, jonka taustalla toimii usein kaupallinen ja/tai ideologinen yritys tai organisaatio. Palveluina toimivat työkalut tallentavat keräämänsä tiedot sivuston ylläpitäjän palvelimelle.
Palveluina toimivia verkkosivujen analytiikkatyökaluja on esitetty liitteessä 1. Osa työkaluista on julkaistu kaupallisesti, osa käyttämällä vapaata lähdekoodia. Vapaalla lähdekoodilla (open source) tarkoitetaan ohjelmistoa, joka tarjoaa käyttäjälleen läh- dekoodin, jota voi tutkia ja muokata omiin tarpeisiin soveltuvaksi. Taulukkoon 2 on kerätty avoimen lähdekoodin perustuvia verkkosivujen analytiikkatyökaluja, jotka on mahdollista asentaa myös omalle palvelimelle.
Taulukko 2. Avoimen lähdekoodin verkkosivujen analytiikkatyökaluja.
Sovellus Tyyppi Lisenssi Huomioita Piwik11 Sovellus Avoin lähdekoodi:
GPL, versio 3
PHP/MySQL Open Web
Analytics12
Sovellus Avoin lähdekoodi:
GPL
Javascript, PHP tai REST API
11 https://matomo.org/ (viitattu 25.1.2018)
2.5 Verkkokurssin rakenne ja toiminnot
Opiskelija-analytiikka toteutuu verkkokurssin rakenteen ja toimintojen määrittelyn kautta. Aliluvussa esitellään verkkokurssilla tutkimuksissa havaittuja toimintoja ja tavoitteita (mm. Rankine ym. 2009, 815-819; Petropoulou ym. 2008, 5-7; Yassine ym. 2016, 264-265). Aluksi esitellään verkkokurssin ydintoiminnot, tämän jälkeen sulautuvan oppimisen huomioiminen verkkokurssilla, opiskelijoita aktivoiva yhteis- toiminnallisen oppimisen menetelmä, verkkokurssin opiskelija-analytiikkaa tukeva kurssikartta ja lopuksi opiskelija-analytiikan viitekehys. Esitettyjä toimintoja arvioi- daan opiskelija-analytiikan toteuttamismahdollisuuksien näkökulmasta.
2.5.1 Verkkokurssin ydintoiminnot
Dawson ym. jakavat verkkokurssin ydintoiminnot neljään luokkaan: Hallinnolliset tehtävät, arviointi, sisältö ja oppimisyhteisöön sitouttaminen (2008, 224). Hallinnol- lisiin tehtäviin kuuluvat ilmoitukset, tiedostonhallinta, seuranta ja kalenteri. Arvioin- tia ovat omat arvosanat, arvioinnin tekeminen ja tehtävänannot. Sisältöä ovat opiske- lijoiden kirjanmerkit, muistiinpanot, sisältösivu, tulostusnäkymä, tiedostot, hakutoi- minto, nettilinkit ja opetussuunnitelma. Sitoutuminen oppimisyhteisöön tapahtuu keskustelualueen, reaaliaikaisen keskustelun (chat), muiden samanaikaisten opiskeli- joiden ja viestien kautta. Luokkien sisältö on esitetty taulukossa 3.
Taulukko 3. Dawson ym. käyttämän opiskelija-analytiikan työkalun rakenne (2008, 224)
Taulukossa 3 nähdään erilaisia verkkokurssin toteuttamisessa käytettäviä elementte- jä. Taulukkoon on kerätty kurssilla käytettäviä toimintoja, mutta siinä ei oteta kantaa miten opetussuunnitelmaa toteutetaan verkkokurssin osana.
12 http://www.openwebanalytics.com/ (viitattu 25.1.2018)
2.5.2 Sulautuva opetus verkkokurssilla
Rankine ym. ovat vertailleet sulautuvan oppimisen toteutusta kahdessa eri yliopistos- sa (2009). Vertailun perusteella on koottu kehys, joka kuvaa verkkokurssien toteutus- ta viestinnän, yhteistyön, arvioinnin ja opiskelijoille annettavan tuen näkökulmista.
Kurssin sisältönä on ohjauksen toteutus, luentojen ja harjoitusten muistiinpanot, me- dian käyttö, linkit kurssin aineistoon ja vuorovaikutteisen sisällön toteutus. Viestin- nässä käytetyt kanavat ovat chat-keskustelu, ilmoitukset, keskustelualue, sähköposti ja blogit. Kurssinaikainen yhteistyö on mahdollistettu wikillä, keskustelualueilla, virtuaalisella luokkahuoneella ja äänipohjaisella keskustelulla. Tehtävänannoissa on käytetty oppimisen reflektointia, päiväkirjoja, toimeksiantoja, tehtävien palautuslaa- tikoita, tietokilpailuja, oman arvosanan näyttämistä, mallipohjia, harjoitustehtäviä, aikaisempia kokeita ja kyselytutkimuksia. Opiskelijan tukea on toteutettu tekstien vastaavuutta tutkivilla työkaluilla, linkein opiskelijan tukimateriaaliin ja oppimisop- paalla. Sulautuvan oppimisen opetuksessa käytetty kehys on esitetty taulukossa 4.
Taulukko 4. Yhteistoiminnallisen oppimisen kehys (Rankine ym. 2009, 816)
Taulukon 4 yhteistoiminnallisen oppimisen kehys toimii erityisesti viestinnän ja yh- teistyön työkaluna kurssin aikana. Se kuvaa kursseilla käytettyjä aktiviteetteja, mutta siitä puuttuu opiskelija-analytiikassa tarvittava suunnitelmallisuus mitä, miten ja kuinka usein oppimistuloksia mitataan. Kehyksestä puuttuu myös kuvaus opetuksen
pedagogisesta toteutuksesta; Miten verkko- ja luokkaopetus tukevat toisiaan ja mitä opiskelijan odotetaan eri oppimistuloksiin pääsemiseksi tekevän kurssin aikana.
2.5.3 Yhteistoiminnallisen oppimisen menetelmä
Petropoulou ym. esittävät yhteistoiminnallista oppimista tukevan oppimisen mene- telmän, jossa oppimista tarkastellaan opiskelijoiden tuottamien tulosten, vuorovaiku- tuksen ja mallin tehokkuuden kautta (2008, 318-320). Mallissa opiskelijoille anne- taan ajattelua vaativa tehtävä, jonka vastauksen he lähettävät verkko- oppimisympäristön keskustelualueelle. Opiskelijat voivat halutessaan kysyä keskus- telualueella apua muilta opiskelijoilta ja jakaa muille ratkaisua helpottavia resursseja.
Keskustelualueelle lähetettyjen vastausten perusteella muodostuu pareja, jotka kehit- tävät yhteisen, lopuksi jaettavan ratkaisuversionsa.
Jokaisessa vaiheessa opettajan tarkasteltavaksi kerätään ja visualisoidaan tietoa op- pimisen etenemisestä. Oppimisen etenemistä on ajatteluvaiheessa opiskelijan lähet- tämien viestien lukumäärä ja tehtävän tekemiseen käytetty kokonaisaika. Parivai- heessa lasketaan aktiivisimmat keskustelut ja keskustelijat ja opiskelijan lähettämien viestien määrä. Jakovaiheessa näytetään työhön käytetyn ajan kokonaismäärään ja viestien lukumääriin liittyviä tietoja. Malli on esitetty kuvassa 6.
Kuva 6. Yhteistoiminnallista oppimista hyödyntävä malli (Petropoulou ym. 2008, 321). Kuvassa oppimisessa on kolme vaihetta: Ajattelu, parityöskentely ja jakaminen. Jokaisen vaiheen tulok- set on määritelty opiskelija-analytiikassa kerättäviksi tuloksiksi, jotka opettaja näkee. Näiden vaiheiden toteutumisen kautta oppimisen etenemisen seuranta mahdollistuu.
Kuvan 6 esittämän mallin tuottamat tulokset voivat olla vastauksia tehtävänantoihin tai annettuihin ongelmiin. Oppimisprosessin arvioinnissa huomioidaan ratkaisuun
käytetty aika määrällisenä ja ratkaisun oikeellisuuteen liittyvät tekijät laadullisina muuttujina. Vuorovaikutus luokitellaan mallissa opiskelijoiden, opettajan ja kurssisi- sällön väliseksi. Mallin tehokkuuden tarkastelussa arvioidaan sen soveltuvuutta op- pimisyhteisön yhteistoiminnallisen ongelmanratkaisun rakentamiseen ja ylläpitoon.
2.5.4 Verkkokurssin kurssikartta
Yassine ym. esittävät kehyksen, jonka tarkoituksena on ennustaa opiskelijan menes- tystä kurssilla käyttäen oppimisen analytiikkatyökalujen toimintoja varhaisena varoi- tusjärjestelmänä (2016, 264-265). Kehyksen lähtökohta on, että kurssin oppimista- voitteet on määritelty. Kehyksen tehtävänä on ennustaa kurssin lopputulos ja tunnis- taa oppimisen taso, joka voi alittaa, täyttää tai ylittää kurssille asetetut vaatimukset.
Tähän päästään määrittelemällä tuloksen mittaamiseen liittyvät opiskelija-analytiikan toiminnot, suunnittelemalla kurssikartta, analysoimalla opiskelijan aktiviteetit ja mit- taamalla oppimistulokset sekä visualisoimalla analysoitu tieto.
Tuloksen mittaamisessa käytettävä tieto jaetaan automaattiseen ja opettajan lisää- mään tietoon (2016, 264) taulukon 5 mukaisesti.
Taulukko 5. Esimerkkejä opiskelija-analytiikassa käytettävästä tiedosta (mukaillen Yassine ym.
2016, 264)
Automaattisesti lisättävä tieto Opettajan lisäämä tieto Resurssin käytön lukumäärä Läsnäolo oppitunneilla Resurssin käytön päivämäärä Testien ja tehtävien arviointi
Käytettyjen resurssien tyyppi Aktiivisuus/vuorovaikutus opetustilanteessa Tehtävänannon avaus Asenne oppimiseen/ammattitaidon kehittä-
miseen
Palautettu tehtävä Loppuarvosanat
Taulukosta 5 nähdään osan opiskelija-analytiikassa käytettävästä tiedosta olevan mahdollista kerätä automaattisesti suoraan verkko-oppimisympäristöstä. Opettajan opetustilanteissa havaitsema tieto voidaan yhdistää automaattisesti kerättävään tie- toon, jolloin kokonaiskuva oppimisesta tarkentuu.
Opiskelija-analytiikkaa hyödyntävän kurssin suunnittelussa hyödynnetään kurssikart- taa. Kurssikartta kohdentaa kurssin sisältönä olevat elementit, oppimistulokset, op- pimistehtävät ja arvioinnit yhteen. Se siis kertoo mitä kurssilla tehdään ja miten ku- takin tunnistettua oppimistulosta seurataan ja arvioidaan opiskelija-analytiikan avulla (Yassine ym. 2016, 264). Kurssikartan osana opiskelijoiden kurssin aikana suoritta-
mat tehtävät ja toiminnot yhdistetään tavoiteltuihin oppimistuloksiin. Kurssin aktivi- teetit sijoitetaan aikajanalle ja toiminnoille määritellään painoarvot, jotka kertovat kuinka suuren osan tavoitellusta lopputuloksesta niiden suorittaminen kattaa. Kurssi- kartan lopputulos on esitetty kuvassa 7.
Kuva 7. Kurssikartta kahdesta oppimistavoitteesta, jotka on erotettu sinisellä ja oranssilla väril- lä. Oppimistavoite jakautuu toimintoihin. Kuvassa toimintoja ovat arviointi, kysely, kotitehtävä ja tekstiluku. Toiminnoille on vasemman reunan sarakkeessa määritelty painoarvo (%) oppi- mistavoitteesta. Toiminnot on aikataulutettu kurssin viikoille. (Yassine ym. 2016, 264)
Kuvan 7 oppimistavoitteeseen tehtyjen toimintojen suhteellisten osuuksien perusteel- la on mahdollista määritellä opiskelijan eteneminen oppimistavoitteisiin nähden.
Opiskelijoiden toimintojen suorittaminen määritellyssä ajassa on tärkeää opiskelija- analytiikassa suoritettavan opintojen etenemisen seurannan kannalta.
Kurssikartan suunnittelussa käytettävä aikakehys on tärkeä ennalta tunnistettava teki- jä, jotta kurssin toistettavuus mahdollistuu. Saman kurssin eri toteutuksissa on tarkoi- tus arvioida samoja oppimistuloksia. Tämän johdosta saman kurssin eri toteutukset tulisi määritellä aina samanpituisiksi. Vaatimus olisi hyvä huomioida suunniteltaessa kurssien sijoittamista oppilaitoksen kehysten, kuten lukukausien, jaksojärjestelmien, loma-aikojen ja työharjoittelujaksojen sisään.
2.5.5 Opiskelija-analytiikan viitekehys
Opiskelija-analytiikan kehys voidaan kuvata tarkastelemalla järjestelmän keräämiä tietoja, tunnistamalla analysoinnin kohde, määrittelemällä järjestelmän käyttötarkoi-
tus ja tiedon keruumenetelmä. Tällainen viitekehys on esitetty kuvassa 8 (Chatti ym.
2012, 6-7).
Kuva 8. Opiskelija-analytiikan viitekehys. Kuva esittää opiskelija-analytiikan haasteet ja tutki- muskohteet neljässä osassa: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 7)
Kuvassa 8 nähdään opiskelija-analytiikan viitekehys, joka on esitetty kysymysmuo- dossa: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 6-13). Mitä määrittelee kerät- tävän tiedon, tiedon analyysin ja analyysin käytön.
Miksi kertoo tavoitteen kerätyn tiedon analysointiin. Tavoitteita voivat olla esimer- kiksi oppimisen seuranta ja analysointi, ennustaminen ja ennakoiva ohjaaminen, oh- jaus ja mentorointi, arviointi ja palaute sekä opetuksen henkilökohtaistaminen.
Kenelle määrittelee tiedon sidosryhmän; Kenelle data-analyysi on tarkoitettu. Sidos- ryhmään voivat kuulua esimerkiksi opiskelijat, opettajat, (älykkäät) ohjaajat, järjes- telmän ylläpitäjät ja tiedekunnan tai oppilaitoksen päätöksentekijät. Ohjaajat voivat olla opettajan apuna toimivia henkilöitä tai opetusta tukevia tietokoneohjelmia.
Kuinka kuvaa menetelmän tiedon analysoimiseksi. Chatti ym. mainitsevat neljä me- netelmää: Tilastollisen seurannan, tiedon visualisoinnin, tiedonlouhinnan ja sosiaali-
sen verkoston analyysin (2012, 11-13). Tilastollisessa menetelmässä seurataan opis- kelijan vuorovaikutusta oppimisen hallintajärjestelmän kanssa. Seurantaan käytetään yleensä määrällisiä mittareita, esimerkiksi opiskelijahallintajärjestelmään kirjautu- misten tai kirjoitettujen viestien lukumäärää. Tiedon visualisointi on raportteja ja taulukoita, jotka usein on muodostettu tilastollisin menetelmin muodostetusta tiedos- ta. Näistä kehitys on kulkemassa kohti kojelautamaista esitysmuotoa, jossa oppimi- sesta johdettuja vuorovaikutteisia tulosindikaattoreita esitetään graafisesti.
Tiedonlouhinnassa tiedosta pyritään löytämään merkityksellisiä kuvioita. Menetel- minä Chatti ym. mainitsevat luokittelun, ryhmittelyn ja assosiaatiosäännöt (2012, 11- 12). Sosiaalisen verkoston analyysi merkitsee työkaluja, joilla voidaan hallita, visu- alisoida ja analysoida oppimisessa syntyviä verkostoja ja niiden merkittävyyttä.
2.6 Opiskelija-analytiikan menetelmiä
Opiskelija-analytiikan tarkoitus on ennakoida ja ennustaa tavoitteeksi asetettuun op- pimistulokseen pääsemistä (Yassine ym. 2016, 264-265). Oppimistuloksia mitataan analysoimalla opiskelijasta oppimisen aikana tietojärjestelmään tallentunutta tietoa.
Tähän dataan tallentuu tieto mitä resursseja, dokumentteja ja testejä oppimisen aika- na on käytetty (Azevedo ym. 2017, 642).
Opiskelija-analytiikassa käytetään erilaisia data-analytiikasta tuttuja menetelmiä.
Tällaisia ovat aliluvuissa esitetyt tilastot ja tiedonlouhinta. Data-analytiikan mene- telmiä voidaan käyttää yksin tai yhdessä toisiaan tukien. Menetelmien tarkoituksena on havaita opiskeludatasta mielenkiintoisia ja opiskelua hyödyttäviä kuvioita. Mar- kovin piilomallilla tunnistetaan oppimisen etenemistä ja sosiaalisen oppimisen ana- lyysillä verkkokurssilla esiintyvää vuorovaikutusta ja sen merkittävyyttä. Aliluvun lopuksi käsitellään opiskelusta löydetyn tiedon visualisointia.
2.6.1 Tilastolliset työkalut
Tilastolliset työkalut käyttävät usein yksinkertaisia tilastotoimia, kuten aritmeettista keskiarvoa (average, mean) ja keskihajontaa (standard deviation). Aritmeettisella keskiarvolla (jatkossa keskiarvolla) tarkoitetaan lukujen summaa jaettuna niiden lu- kumäärällä. Keskihajonnassa mitataan keskiarvon molemmin puolin tapahtuvien
arvojen vaihtelua. Arvo ilmaisee havaintojen keskimääräisen poikkeaman keskiar- vosta.
Opiskelijan tulosta voidaan verrata opiskelija-analytiikan keräämän tiedon keskiar- von lisäksi mediaaniin. Mediaani on järjestetyn joukon keskimmäinen alkio, johon muita alkioita verrataan. Keskiarvon ja mediaanin ollessa lähellä toisiaan jakauma on symmetrinen. Oppimistuloksissa symmetrinen keskiarvo kertoo keskimääräisen ta- saisesta hyvien, keskitason ja heikkojen oppimistulosten saavuttamisesta. Keskiarvon ja mediaanin ollessa korkea oppimistulokset ovat olleet keskimääräistä parempia.
Toiminnon suorittamisesta voidaan laskea keskihajonta. Yassine ym. mukaan keski- hajontaa voidaan opiskelija-analytiikassa verrata kurssin pituuden asteikkoon, määri- teltyyn lopputulokseen tai vertailuarvoon. Mittareina voidaan käyttää esimerkiksi tarkkuutta, nopeutta ja yritysten lukumäärää (2016, 264-265).
Opiskelijahallintajärjestelmät esittävät käyttäjien toiminnoista tilastoja. Tällaisia ovat esimerkiksi Moodlen tilastotyökalut13 ja raportit (reports). Tilastotyökalut näyttävät esimerkiksi eri käyttäjäryhmien vierailuajankohtia sivustolla. Raportteihin kuuluvat aktiviteettiraportti (activity report) ja kurssin osallistumisraportti (course participati- on report). Moodlen kurssin aktiviteettiraportti14 kertoo kurssin aktiviteettien käytös- tä. Raporttia voivat tarkastella käyttäjät, joiden roolina kurssilla on kurssinjohtaja (manager), opettaja (teacher) ja apuopettaja (non-editing teacher). Roolien suomen- nokset voivat vaihdella eri Moodle-ympäristöissä. Aktiviteettiraportti näyttää aktivi- teettien ja resurssien katseluiden lukumäärän ja viimeisimmän käytön päivämäärän ja pituuden. Tiedot lasketaan Moodlen lokeista alkaen kurssin asetuksissa määritellystä kurssin aloituspäivämäärästä. Näytettävän ajanjakson pituus määräytyy Moodlen asetuksissa olevan Moodlen ylläpitäjäkäyttäjän (administrator) asettaman loglifeti- me15-asetuksen perusteella. Aktiviteettiraportti on esitetty kuvassa 9.
13 https://docs.moodle.org/34/en/Statistics (viitattu 6.5.2018)
14 https://docs.moodle.org/34/en/Activity_report (viitattu 28.2.2018)
15 Administration > Site administration > Courses > Backups > General backup defaults
Kuva 9. Moodlen aktiviteettiraportti. Aktiviteettiraportti kertoo kuinka monta eri käyttäjää aktiviteetin tai resurssin on nähnyt ja kuinka monta katselukertaa käyttäjät ovat yhteensä teh- neet.
Kuvasta 9 nähdään aktiviteettiraportin antavan yleiskuvan eri aktiviteettien käytöstä kurssilla. Siitä ei kuitenkaan pääse porautumaan ryhmä- tai yksilötasoisiin tietoihin;
kuka tai ketkä esimerkiksi eivät ole tarkasteltavaa aktiviteettia käyttäneet.
Kurssin osallistumisraportista16 voidaan seurata opiskelijoiden osallistumista kurssin aktiviteetteihin. Raportista nähdään aktiviteettikohtaisesti käyttäjät ja käyttömäärät.
Tuloksia voi suodattaa roolin, ryhmän, ja toiminnan perusteella. Myös opiskelijat, jotka eivät ole aktiviteettia käyttäneet on mahdollista esittää. Raportti on erityisen hyödyllinen haluttaessa lähettää viesti opiskelijoille, jotka eivät ole käyttäneet tiettyä toimintoa.
Menetelmän puutteena on lokiin tallentumaton tieto. Moodlessa ei ole esimerkiksi keinoa näyttää kurssia aloittamattomia opiskelijoita (Conde ym. 2015, 58). Passiivi- set opiskelijat näkyvät Moodlen vakiotyökaluja käytettäessä opettajalle yleensä vasta siinä vaiheessa, kun opettaja tarkastelee puuttuvia arviointeja.
2.6.2 Tiedonlouhinta
Opiskelija-analytiikassa tiedonlouhinta (data mining) on oppimisympäristöistä saata- vien tietojen keräämistä ja analysointia tarkoituksena paremmin ymmärtää oppimista ja oppimiseen vaikuttavia tekijöitä. Tiedonlouhinnassa käytetään tietämyksen löytä-
16 https://docs.moodle.org/34/en/Participation_report (viitattu 6.5.2018)
misen prosessia, joka määrittelee tehtävien toteuttamisen. Käytetty prosessimalli vaikuttaa tiedon löytämisen tehokkuuteen ja siten tiedonlouhinnan laatuun (Sharma ym. 2012, 11335). Tietämyksen löytämisen ja tiedonlouhinnan prosessi (knowledge discovery and data mining process) koostuu toisiaan seuraavista vaiheista, joita tois- tetaan iteratiivisesti. Prosessi tietämyksen löytämiseksi tiedonlouhinnan avulla on esitetty kuvassa 10.
Kuva 10. Tietämyksen löytämisen ja tiedonlouhinnan prosessin yleinen malli. Mallissa on kuusi vaihetta: (Liike)toiminnan ymmärtäminen, datan ymmärtäminen, datan valmistelu, mallinnus ja tiedonlouhinta, arviointi ja tulosten julkaisu. Siniset nuolet kuvaavat normaalin ja punaiset vaihtoehtoisen vaiheiden etenemisjärjestyksen (Sharma ym. 2012, 11336).
Kuvassa 10 nähdään yleinen tietämyksen löytämisen ja tiedonlouhinnan malli (Sharma ym. 2012, 11336). Mallin lähtökohtana on liiketoiminnan ymmärtäminen.
Opiskelija-analytiikkaa voidaan tarkastella saman mallin kautta muuntamalla tarkas- telun näkökulma oppimiseen ja opiskelija-analytiikan tiedonkeräämiseen.
Malli ohjeistaa prosessin vaiheet ja järjestyksen tarkoituksenaan löytää aikaisemmin tuntematonta, mutta potentiaalisesti hyödyllistä tietoa datasta. Prosessi alkaa liike- toiminnan (oppimisen) ymmärtämisen vaiheesta. Tämä vaihe keskittyy hankkeen tavoitteiden ja vaatimusten ymmärtämiseen, tiedonlouhinnan ongelman määrittelyyn
ja alustavaan suunnitelmaan, jonka tarkoituksena on saavuttaa tavoitteet. Opiskelija- analytiikassa tähän vaiheeseen liittyy opetussuunnitelmasta johdettava kurssin kar- toittaminen. Kurssin kartoittamisella tarkoitetaan opiskelijoiden kurssin aikana suori- tettavien tehtävien ja toimintojen yhdistämistä suunniteltuihin oppimistuloksiin.
Kurssin kartoittamisen tuloksena on kurssikartta, joka kertoo mitä kurssilla tehdään ja miten kutakin tunnistettua oppimistulosta seurataan ja arvioidaan opiskelija- analytiikan avulla (Yassine ym. 2016, 264). Kurssin kartoittamista on tarkemmin käsitelty aliluvussa 2.5.4.
Tiedon ymmärtämisen vaihe alkaa tiedon keräämisellä ja jatkuu siihen tutustumisel- la. Vaiheessa tunnistetaan tiedon laatuongelmat ja löydetään alustavia näkymiä kiin- nostaviin tiedon osajoukkoihin. Tiedon valmisteluvaiheessa raakadatasta muodoste- taan mallinnustyökaluihin syötettävä tietojoukko. Vaiheeseen kuuluvat käytetyn tau- lun, tietueiden ja muuttujien/arvojen (attribuuttien) valinta.
Mallinnusvaiheessa suoritetaan varsinainen tiedonlouhinta. Käytetty tiedonlouhinta- menetelmä saattaa asettaa erityisiä vaatimuksia tiedon muodon suhteen, jolloin saate- taan joutua palaamaan takaisin tietojen valmisteluvaiheeseen. Mahdollinen paluu takaisin on kuvassa 10 esitetty punaisella katkoviivalla nuolella mallinnuksesta (mo- deling) takaisin datan valmisteluvaiheeseen (data preparation).
Arviointivaiheessa suoritetaan kriittinen tarkastelu tuottaako valittu malli vastaukset tavoitteiksi asetettuihin, liiketoiminnasta (opetussuunnitelmasta) johdettuihin, kysy- myksiin. Erityistä huomiota kiinnitetään kysymyksiin, joihin mallin kautta ei saada riittäviä vastauksia. Mikäli tällaisia esiintyy, voidaan palata takaisin alkuun tekemään uutta liiketoiminnan (opiskeluanalytiikan) määrittelyä. Mahdollinen paluu alkuun on kuvassa 10 esitetty punaisella katkoviivalla arvioinnista (evaluation) tiedon ymmär- tämiseen (business understanding). Vaihe päättyy päätökseen tiedonlouhinnan tulos- ten käyttämisestä. Käyttöönottovaiheessa (deployment) mallin kautta saatu tieto jär- jestetään ja esitetään käyttäjälle hyödyllisessä muodossa.
Tiedonlouhinnan menetelmät
Tiedonlouhinnassa käytetään menetelmänä koneoppimista. Koneoppimisessa (machine learning) ohjeistetaan tietokone oppimaan esimerkeistä, jolloin ohjelma
oppii ratkaisemaan tehtävän ilman nimenomaista tehtävänratkaisun ohjelmointia (Samuel, 1959). Koneoppimisen algoritmit vastaanottavat tietoa ja käyttävät tilastol- lista analyysiä ulostulon ennustamiseen. Uuden tiedon tullessa saataville ulostulon tuloksia päivitetään jatkuvasti. Koneoppimisen menetelmät jaetaan ohjattuun ja oh- jaamattomaan oppimiseen (Han ym. 2012, 24-25). Ohjatussa oppimisessa (supervi- sed learning) harjoitustiedon perusteella opetetaan malli, jonka perusteella päätellään tuntemattoman objektin luokka. Ohjattua oppimista ovat luokittelu ja ennustaminen.
Ohjaamattomassa oppimisessa (unsupervised learning) harjoitustiedossa ei ole mer- kittyjä luokkia, vaan luokat muodostetaan harjoitustiedon ominaisuuksien perusteel- la. Ohjattua oppimista ovat ryhmittely ja assosiaatiosäännöt.
Luokittelussa (classification) etsitään funktiota tai mallia, jolla luokat voidaan erottaa toisistaan, tavoitteena tunnistaa ennalta tuntemattoman objektin luokka. Menetelmää kutsutaan ohjatuksi oppimiseksi, koska mallin opettamiseen käytetyn harjoitustiedon luokat on määritelty.
Adraoui ym. ovat soveltaneet luokittelua opiskelija-analytiikassa tunnistamalla opin- noissa eteneviä ja riskiryhmään kuuluvia opiskelijoita (2017, 5). Luokittelu tapahtuu seuraamalla opiskelijoiden oppimisenaikaista vuorovaikutusta. Menetelmässä opis- kelijat kuvataan verkon solmuina ja vuorovaikutus verkon kaarina. Solmuun yhdis- tyvien kaarien lukumäärää (degree centrality), solmun eteenpäin välittämä tieto (closeness centrality) ja solmun kyky toimia lyhyimpänä reittinä kahden muun sol- mun välissä (betweenness centrality) toimivat mallissa muuttujina, joiden pohjalta luokittelu laaditaan.
Ennustaminen (prediction) on ohjattua oppimista, jonka tavoitteena on kehittää malli, joka ennakoi opiskelijan toiminnan perusteella hänen tietämystään ja tulevaisuuden suoritusta. Mallin avulla voidaan kertoa opiskelijalle mihin suuntaan oppiminen näyttäisi kulkevan tehtyjen suoritusten perusteella. Opiskelijalle ja opettajalle voi- daan mallin tuottaman tiedon perusteella ehdottaa toimia, joilla opiskelijan suoritus- kykyä voidaan parantaa.
Tutkimuksissa on selvitetty mallia ennustaa opiskelijoiden arvosanaa ja kurssin kes- keyttämisvaarassa olevia opiskelijoita (mm. Galafassi ym. 2017, Marques ym. 2017).
Tutkimuksissa on käytetty muuttujina yhtä tai useampia muuttujia. Conjin ym. käyt-
tivät kurssilla tapahtuvaa oppimista seuratessaan napsautusten lukumäärää pyrkies- sään ennustamaan opiskelijan suoriutumista (2017, 27). Muita tutkimuksissa käytet- tyjä muuttujia ovat kurssilla käytetty aika, resurssien avaaminen, keskustelualueille kirjoitettujen viestien lukumäärä ja läpäistyjen kyselyiden määrä. Ennustemallien toiminnan on havaittu vaihtelevan voimakkaasti jopa saman oppilaitoksen eri kurs- sien välillä. Havainnon perusteella ennustemallin siirrettävyys kurssien välillä on heikko (Conjin 2017, 17).
Yassine ym. luettelevat opiskelija-analytiikassa käytettyjä luokittelu- ja ennustealgo- ritmeja: Naïve Bayes, Bayes-verkot (Bayesian networks), odotuksen maksimointi (Expectation Maximization), Markovin ketju (Markov chain), päätöspuut ja suoritus- kykyanalyysi (2016, 264-265). Luokittelun kautta muodostettu ennuste opiskelijan tavoitteeseen pääsystä voidaan ilmaista oppimistavoitteen alittamisella, saavuttami- sella tai ylittämisellä.
Ryhmittelyssä (clustering) tiedon luokkamerkintä ei ole etukäteen tiedossa. Menetel- mässä tieto jaetaan ryhmiin tiedon ominaisuuksien perusteella. Ryhmä muodostuu objekteista, joissa on ryhmän sisällä enemmän vastaavuutta ja vähemmän erilaisuutta muihin ryhmiin verrattuna. Objektien vastaavuus esitetään tilassa etäisyyden funk- tiona. Mitä enemmän objektit muistuttavat toisiaan, sitä lähempänä toisiaan ne ovat (Han ym., 2012, 19-21). Ryhmittely voidaan jakaa osittaviin, hierarkkisiin ja tihey- teen perustuviin menetelmiin.
Osittavissa (partitioning) menetelmissä datalle muodostetaan ositus (klusterointi).
Aluksi muodostetaan satunnaiset klusterit, joita iteratiivisesti uudelleensijoitetaan pyrkimyksenä parantaa ositusta siirtämällä objekteja osioista toisiin. Osituksessa käytetään mm. k-means ja k-medoids -algoritmeja. K-means -algoritmissa jokainen klusteri edustaa sen objektien keskiarvoa (McQueen 1967, 281). K-medoids - algoritmi valitsee klustereiden keskukset datapisteiden erilaisuuden perusteella (Kaufman & Rousseeuw 1987, 1).
Han ym. mukaan hierarkkiset menetelmät jaetaan jakaviin ja yhdistäviin menetelmiin (2012, 449). Molemmissa menetelmissä alkiot ovat aluksi samassa klusterissa. Jaka- vassa (divisine) menetelmässä alkioita jaetaan ja yhdistävissä (agglomerative) mene- telmissä alkioita yhdistellään klusterista, kunnes saavutetaan haluttu määrä klusterei-
