Oppimisen analytiikasta ja yliopistotoiminnan mittaamisesta

Opetusteknologian tutkimusalalla on viime vuosina keskustelu runsaasti oppimisen analytiikasta (learning analytics). Sillä tarkoitetaan oppimiseen liittyvän datan keräämistä, mittaamista ja analysointia, jotta opetusta ja oppimista sekä siinä käytettäviä menetelmiä, työvälineitä ja tiloja voidaan ymmärtää ja optimoida. Ajatus datasta ja sen analysoinnista on noussut havainnosta jonka mukaan entistä suurempi osa opetukseen ja oppimiseen liittyvästä toiminnasta tapahtuu digitaalisten työvälineiden ja media avulla. Näin ollen toiminnasta syntyy dataa. Dataa taas voidaan analysoida, visualisoida ja tehdä ymmärrettäväksi.

Usein esitetty esimerkki oppimisen analytiikasta on lasten matematiikan opetukseen suunniteltu Khan Academy -palvelu ja erityisesti sen tarjoamat harjoitustehtävät. Järjestelmä pitää automaattisesti kirjaa harjoituksista joita opiskelija on suorittanut ja kertoo visualisointeina miten “oppiminen” etenee. Opiskelija voi myös liittää palveluun valmentajan joka näkee samat oppimisen etenemisestä kertovat visualisoinnit ja tilastot. Tähän tietoon perustuen valmentaja voi sitten tarjota apuaan opiskelijalla.

Khan Academyä on kritisoitu, mielestäni aiheellisesti, oppimisprosessin yksinkertaistamisesta. Vaikka matematiikan opiskelussa merkittävä osa on laskuharjoituksien tekemistä, joita voidaan tehokkaasti tarkastaa ja arvioida koneellisesti, on syvällisen oppimisen taustalla lähestulkoon aina hyvä opettaja joka on ohjannut, korjannut ja selittänyt virheitä joita jokainen väistämättä tekee. Toki poikkeusyksilöt voivat opiskella ja oppia myös täysin itsenäisesti kirjojen ja muiden oppimateriaalien avulla mutta poikkeusyksilöt ovat — no poikkeuksia.

Kun siirrymme luonnollisella kielellä, pääosin kulttuuri-historiallisessa todellisuudessa, sosiaalisilla ja ruumiillisilla taidoilla operoivien tieteiden ja taiteiden alueelle, ohjauksella ja opetuksella on oppimisessa entistä merkittävämpi rooli. On myös syytä muistaa, että suurin osa tieteistä ja taiteista eivät ole matematiikan kaltaisia formaaleja tieteitä vaan juuri edellä mainittuja “epämääräisiä” ja monitulkintaisia. Tässä opettaja joka antaa näkökulmaa, jos toistakin, on ensiarvoisen tärkeä.

Eräässä tapaamisessa insinööritieteiden korkeakoulun professori (jonka nimeä en nyt muista) esitti minulle mikä on heidän tieteenalansa tärkein menetelmällinen taito. Saatan tässä nyt oikoa mutkia mutta muistini mukaan se meni jotenkin näin: Insinöörin tulee osata muuttaa (luonnollisella kielellä esitetty) ongelma matematiikan kielelle, laskea ratkaisu ja kääntää matemaattinen ratkaisu jälleen ihmisten ymmärtämään muotoon (eli luonnolliselle kielelle).

Aikaisemmin olen kirjoittanut ns. häijyistä ongelmista:

“Häijyt ongelmat ovat sellaisia, joille ei löydy laskennallista parasta ratkaisua. Ratkaisut eivät siis voi olla joko oikein tai väärin vaan ainoastaan parempia tai huonompia. Näin ollen häijyn ongelman ratkaisuja ei myöskään voida laskennallisesti arvioida. Jokainen häijy ongelma on yksilöllinen, ja ne voidaan nähdä oireena muista ongelmista ja niiden ratkaisuyrityksistä.”

Tämä ei tarkoita, että laskemisella tai matematiikalla ei olisi roolia häijyjen ongelmien ratkaisemisessa. Paremminkin juuri toisin. Jotta voimme arvioida erilaisten ratkaisumallien paremmuutta tulee meillä olla matikka hallussa. Olennaista on, että matematiikka ei saa yksioikoisesti hallita päätöksentekoa vaan ainoastaan tukee sitä. Matematiikka on siis hyvä renki mutta huono isäntä.

Miten tämä sitten liittyy oppimisen analytiikkaa ja yliopistotoiminnan mittaamiseen?

Oppimisen analytiikkaa olemme tutkimusryhmässäni lähestyneen siitä näkökulmasta, että analyysien tulisi ensisijaisesti palvella opiskelijaa itseään. Hänestä kerääntyvä tieto tulisi esittää opiskelijalle muodossa joka mahdollistaa häntä itseään ohjaamaan omaa oppimistaan tiettyyn suuntaan. Suunnan hakemisessa opettaja tai ohjaaja voi auttaa.

Tavallaan tässä ei ole mitään uutta. Laitoksemme opiskelijoiden tutorointi –tapaamisissa kahdesti vuodessa katsomme yhdessä opiskelijan kanssa hänen opintorekisteriotettaan ja mietimme opiskelijan kanssa millaisia opintoja seuraavaksi kannattaisi tehdä. Toisaalta analytiikka voidaan viedä myös jokaisen opintokokonaisuuden tasolle esimerkiksi ottamalla käyttöön blogeja tai muita työkaluja jotka “automaattisesti” tallentavat ja jakavat opetuksessa tuotettuja asioita. Näitä voidaan sitten reflektoida prosessin eri vaiheissa.

Aallon sisällä puhutaan parhaillaan runsaasti mittareista ja indikaattoreista joilla työtämme tulisi arvioida ja ohjata. Minusta tämä on tärkeää. Yliopistomme johdon halu mittaamiseen lienee kumpuavan klassisesta johtamisajatuksesta jonka mukaan sitä mitä voi mitata voi myös johtaa. Väittäisin tämän mallin kuitenkin sopivan melko huonosti yliopistoihin.

Erityisesti taiteiden ja suunnittelun korkeakoulun toivoisin indikaattoreiden ja tulosmittareiden määrittelyssä yksinkertaista ja tulkinnoille vapaata mallia. Tämä siksi, että koulumme toimii oikeastaan ainoastaan edellä mainitussa kulttuuri-historiallisessa todellisuudessa.

Mielestäni voisimme aivan hyvin toimia niin, että arvioinnin kohteena ovat se kaikki mitä koulumme tuottaa: kandeja, maistereita, tohtoreita, taidetta, muotoilua, elokuvia, arkkitehtuuria, tutkimusta jne. Jokainen “tekele” taas voitaisiin sitten arvioida vaikka neljän kriteerin perusteella:

kansallisesti merkittävä;
kansallisesti erittäin merkittävä;
kansainvälisesti merkittävä;
kansainvälisesti erittäin merkittävä;

Jokainen taiteen ja suunnittelun kentällä toimiva asettaa luonnollisesti tavoitteekseen kansallisesti ja kansainvälisesti merkittävän toiminnan ilman sen tarkempia mittareita. Matematiikkaa tällaisessa arvioinnissa tarvitaan siis melko vähän. Mielestäni tässä riittää, että arvion tuloksien merkittävyydestä tekevät toimijat itse (opetus- ja tutkimushenkilöstö), koulumme advisory board ja kenties muutaman vuoden välein joku ulkopuolinen asiantuntijataho.