Čitanje: Donošenje odluka temeljeno na podatcima

2. Potpora odlučivanju u poučavanju i učenju

Analiza podataka generiranih pri interakciji studenata s obrazovnim tehnologijama prepoznata je kao vrijedan pristup koji omogućuje bolje uvide i dublje razumijevanje procesa učenja. Time je u obrazovanju potaknut razvoj u smjeru strateškog odlučivanja temeljenog na podatcima, što je bilo ključno za razvoj novog područja istraživanja i prakse – analitike učenja (Gašević i sur., 2019).

Definicija

Već desetljećima nastavnici prate napredak studenata, osmišljavaju vrednovanja i koriste se dokazima da bi unaprijedili učenje. Međutim analitika učenja donosi novost i nadograđuje ove prakse korištenjem novih digitalnih podataka i analitičkih metoda iz podatkovne znanosti i umjetne inteligencije.

Dobrobiti i izazovi

Analitika učenja može se temeljiti na različitim vrstama podataka, o čemu će riječi biti u sljedećim dijelovima e-tečaja. Naglasak je pritom na podatcima koji nastaju u interakciji između studenata i informacijske tehnologije, prije svega sustava za upravljanje učenjem (Divjak i Maretić, 2017). Analitika učenja na temelju podataka omogućuje stvaranje uvida, odluka i djelovanja u svrhu unapređenja učenja i poučavanja (Chatti i sur., 2020). Uvidi u studentske procese učenja i poteškoće u učenju pomažu nastavnicima u prepoznavanju slabosti u aktivnostima učenja i poučavanja i pružanju konstruktivne povratne informacije studentima koja može usmjeriti i unaprijediti daljnje učenje (Gašević i sur., 2015). Također, analitika učenja omogućuje bolju podršku personaliziranom učenju (Chatti i Muslim, 2019) i razvoju fleksibilnih puteva učenja (Tsai i sur., 2018). Uz doprinos kvaliteti iskustava učenja, analitika učenja pomaže prepoznavanju čimbenika koji utječu na uspješnost i završnost studenata (Tsai i sur., 2018) imajući tako važnu ulogu u identificiranju studenata u riziku od odustajanja i planiranju intervencija za maksimiziranje zadržavanja studenata (Susnajk i sur., 2022). Također, analitika učenja može dati korisne uvide i samim studentima podržavajući samoregulirano učenje (Schumacher i Ifenthaler, 2018). Analitika učenja, dakle, podržava donošenje odluka temeljeno na podatcima na nekoliko razina: od institucijske razine do razine nastavnika i, konačno, samih studenata.

Unatoč značajnom porastu interesa visokih učilišta za primjenu analitike učenja u unapređenju učenja i poučavanja, kao i prilika za financiranje, istraživanja su pokazala da implementacija analitike učenja u visokom obrazovanju i dalje nije sustavna i proširena te postoje izazovi za učinkovito korištenje podataka (Tsai i sur., 2018). Za to postoje različiti razlozi poput nedostatka politika i strateške podrške, nedovoljnih kapaciteta za donošenje odluka temeljenih na podatcima, različite razine uključenosti dionika (Tsai i Gašević, 2017) koja utječe na korisnost alata za analitiku učenja i relevantnost politika (Tsai et al., 2022) kao i iskustva visokih učilišta u analitici učenja (Tsai i sur., 2021). Nadalje, prisutan je i izazov nedostatka povjerenja u analitiku učenja (Tsai i sur., 2021). U stvaranju vrijednosti analitike učenja važan je izazov kvaliteta podataka jer kvaliteta rezultata znatno ovisi o kvaliteti ulaznih podataka (Sheikh i sur., 2022). Pristranost i nepravednost koja može proizlaziti iz podataka utječe na vjerodostojnost analitike učenja, posebice kad govorimo o prediktivnim modelima (Li i sur., 2022).

Konačno, i nakon prihvaćanja i značajnih ulaganja u analitiku učenja pojedina sveučilišta nisu uspjela ostvariti svoje strateške ciljeve. Zato se ističe da korištenje analitike učenja za ostvarivanje strateške vrijednosti zahtijeva ulaganje ne samo u infrastrukturu, već i u profesionalni razvoj osoblja i strateško planiranje (Sheikh i sur., 2022).

Odgovarajuća znanja i vještine vezana uz strateško planiranje možete usvojiti u prvom e-tečaju programa Upravljanje digitalizacijom obrazovne ustanove koji se zove Strateško planiranje primjene digitalnih tehnologija. 

Povezanost s drugim područjima

Nekoliko je „sestrinskih“ istraživačkih područja s kojima analitika učenja dijeli slične ciljeve. Jedno je od njih područje rudarenja obrazovnih podataka (Educational Data Mining – EDM). Slično analitici učenja, EDM primjenjuje strojno učenje, algoritme za rudarenje podatcima i statistiku na obrazovne podatke (Dutt i sur., 2017). Međutim EDM je više usmjeren na tehnologiju i modele, a analitika učenja na učenje (Sghir i sur., 2023), iako se dva područja češće preklapaju nego razlikuju (Rienties i sur., 2020). Drugo područje blisko vezano za analitiku učenja spominje se u sljedećem poglavlju.