This page is referenced by:

• 1 2023-01-04T08:37:04+00:00 Učna analitika in rudarjenje podatkov v izobraževanju 15 plain 2023-03-04T08:50:00+00:00 Azim Roussanaly, Anne Boyer, Jiajun Pan, LORIA/Université de Lorraine

  
  Kaj je učna analitika?

  Vedno več organizacij, ustanov in podjetij uporablja analizo podatkov za reševanje težav in za sprejemanje kakovostnih odločitev, povezanih z dejavnostmi, ki jih opravljajo. Sektor izobraževanja pri tem ni izjema, saj so s pojavom virtualnih učnih okolij in sistemov za upravljanje učenja (LMS) danes na voljo velike količine podatkov, ki se beležijo v dnevniških datotekah ob vsaki interakciji učencev s temi orodji.
  
  Učna analitika vključuje merjenje in zbiranje podatko, ki nastajajo tekom izobraževanja ter njihovo analiziranje z uporabo že uveljavljenih metod in tehnik preiskovanja masovnih podatkov, z ustreznimi prilagoditavmi izobraževalnemu okolju tako, da se z njimi lahko opredelijo procesi učenja in poučevanja.   
  
  V splošnem ločimo štiri tipe učne analitike glede na vprašanje, ki nas zanima:
  - Opisna (deskriptivna) analitika: Kaj se je zgodilo?
  - Diagnostična analitika: Zakaj se je zgodilo?
  - Napovedna (prediktivna) analitika: Kaj se bo najverjetneje zgodilo v prihodnosti?
  - Predpisovalna analitika: Kaj narediti, če želimo vplivati na rezultate?

  Orodja učne analitike

  Izobraževalna orodja, ki temeljijo na učni analitiki, so zelo raznolika, od nadzornih plošč za vizualizacijo podatkov, do sistemov za izdelavo priporočil. Na tem področju danes poteka ogromno število raziskav. V priročniku opisujemo le nekatere najpogosteje uporabljene sklope orodij, namenjenih učencem in učiteljem, torej končnim uporabnikom aplikacij, zasnovanih na učni analitiki.

  Predvidevanje in izboljšanje učnih rezultatov učencev

  Ena od najznačilnejših funkcionalnosti učne analitike je napovedovanje osipništva.
  Učni kazalniki so izračunani samodejno na podlagi digitalnih sledi in so neposredno dostopni učencem, ki lahko na ta način prilagodijo svoje učne strategije.
  Na Univerzi Purdue v ZDA so med prvimi na tem področju razvili mobilno aplikacijo, v kateri je nadzorna plošča zasnovana v obliki semaforja (Arnold, 2012).
  Učenci lahko spremljajo kazalnike svojega napredka.
  Posnetek zaslona nadzorne plošče je prikazan na sliki. 
  
  Določeni kazalniki so namenjeni učiteljem, na primer sistemi zgodnjega opozarjanja.
  Uporabljajo jih tudi v francoskem centru za učenje na daljavo (CNED), kjer so predmet obravnave v študiji, ki trenutno še poteka (BenSoussia, 2022).
  Cilj sistemov zgodnjega opozarjanja je prepoznati zgodnje znake stiske pri učencih, dijakih ali študentih in zagotoviti pravočasno ukrepanje za zmanjševanje zgodnjega opuščanja šolanja.

  Analiza učnega procesa

  Tehnike učne analitike lahko pomagajo pri modeliranju učnega vedenja učenca ali skupine učencev (razreda). Modeli se nato uporabijo za nazornejši prikaz učnih procesov, kar zagotavlja dodatne informacije in učiteljem omogoča odkrivanje pomanjkljivosti, to pa lahko pripomore k izboljšanju učnih gradiv in metod. Analiza učnega procesa je tudi način za opazovanje stopnje aktivnosti (anagažiranosti) učencev. V projektu e-FRAN METAL so, na primer, nadzorno ploščo s kazalniki (na sliki) sooblikovali skupaj s skupino srednješolskih učiteljev (Brun, 2019).

  Personalizacija učnih poti

  Namen sistemov za ustvarjanje priporočil in prilagodljivih učnih sistemov je tudi personalizacija učnih poti. Predlagana priporočila na osnovi zbranih podatkov učence usmerjajo k tistim učnim virom ali k določenemu vedenju, ki lahko pripomore k učinkovitemu doseganju njihovih izobraževalnih ciljev.
  
  Nekateri sistemi najprej prikažejo predlagana priporočila učiteljem, ki jih lahko potrdijo ali ne. Prilagodljivi učni sistemi omogočajo učencu, da razvija veščine in znanje na bolj personaliziran in bolj samostojen način, z nenehnim prilagajanjem učne poti glede na izkušnje posameznega učenca.

  Ali učna analitika zares deluje?

  Raziskave učne analitike največkrat opisujejo rezultate na podlagi povratnih informacij učencev (oz. študentov, če govorimo o visokem šolstvu). V splošnem kažejo trend izboljšanja uspešnosti učencev (npr. za 10 % boljše rezultate so dosegli študenti na Univerzi Purdue). Veliko bolj zahtevno pa je oceniti vpliv sistemov učne analitike na učitelje. Študije, ki temeljijo na modelu sprejemanja tehnologije (Technology Acceptance Model - TAM) sicer kažejo, da učitelji pozitivno dojemajo uporabo orodij učne analitike. Na sliki spodaj si oglejte končno SWOT analizo, izdelano za enega izmed sistemov učne analitike (Mavroudi, 21). 
  
  Na podlagi nekaterih izpostavljenih slabosti in nevarnosti so v društvu za raziskovanje učne analitike SoLAR predlagali razmislek o etičnem pristopu k zasnovi in oblikovanju aplikacij učne analitike. Njihova priporočila so povzeta na seznamu osmih ključnih besed: Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External (DELICATE), kar bi v slovenščino lahko prevedli z naslednjimi glagoli in pridevniki: določiti, razložiti, legitimen, vključiti, privoliti, anonimizirati, tehničen in zunanji.

  Viri

  P. Long and G. Siemens: 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27–March 1, 2011
  K. Arnold, M. Pistilli: Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series. (2012).
  A. Ben Soussia, A. Roussanaly, A. Boyer: Toward An Early Risk Alert In A Distance Learning Context. ICALT (2022)
  A. Brun, G. Bonnin, S. Castagnos, A. Roussanaly, A. Boyer: Learning Analytics Made in France: The METALproject. IJILT (2019)
  A. Mavroudi, Teachers’ Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65 (2021)