Čitanje: Donošenje odluka temeljeno na podatcima

1. Uvod

Korištenje podataka kao podloge za donošenje obrazovnih odluka nije nova tema, s primjerima koji datiraju još iz posljednjeg desetljeća 20. stoljeća (Agasisti i Bowers, 2017). Međutim, u eri visoko digitaliziranog i tehnološki potpomognutoga visokog obrazovanja, oblikovanoj izazovima pandemije i revolucijom generativne umjetne inteligencije (GenAI), visoka učilišta imaju pristup većim količinama raznolikih podataka o studentima nego ikad prije (Prinsloo, 2020). U sustavima za upravljanje učenjem (LMS) (npr. Moodle), informacijskim sustavima sa sociodemografskim i upisnim podatcima o studentima (npr. ISVU) i drugim informacijskim sustavima u (visokom) obrazovanju svakodnevno se generiraju velike količine podataka (Gasevic i sur., 2019; Nguyen i sur., 2020). Postoji i potencijal za korištenje manje tipičnih podataka poput geoprostornih (Valcik, 2012). 

Ovdje prikazujemo kako se podatci i analitika mogu koristiti i kako se koriste u visokom obrazovanju za potporu odlučivanju na različitim razinama kako bi se unaprijedila kvaliteta učenja i poučavanja te poduprlo upravljanje VU-ima.

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.

3. Potpora operativnom odlučivanju

Dobrobiti analitike podataka u obrazovanju nadilaze procese učenja i poučavanja, a podatci o studentima i dionicima na administrativnoj razini mogu dati važne uvide. Područjem s drugačijim fokusom, ali povezanim s analitikom učenja bavi se akademska analitika.

Definicija

Rezultatima akademske analitike više se koriste osobe koje upravljaju (Agasisti i Bowers, 2017).

4. Zaključak

Da bi ti podatci dobili smisao, ključne su smislene analize kao potpora odlučivanju. Ključnu ulogu u tome ima analitika učenja koja daje podlogu za donošenje odluka o učenju i poučavanju. Važno je spomenuti i akademsku analitiku koja je više usmjerena na operativno odlučivanje.

Slika 1. Ključne dobrobiti analitike učenja

5. Pitanja za samoprocjenu i promišljanje

1. Kako analitika učenja doprinosi donošenju odluka na različitim razinama (institucija, nastavnici, studenti)?

2. Koje prepreke otežavaju sustavnu primjenu analitike učenja u visokom obrazovanju i kako ih je moguće ublažiti?

6. Literatura

Agasisti, T., & Bowers, A. J. (2017). Data analytics and decision making in education: towards the educational data scientist as a key actor in schools and higher education institutions. In Handbook of Contemporary Education Economics. Edward Elgar Publishing. 

Chatti, M. A., & Muslim, A. (2019). The PERLA Framework: Blending Personalization and Learning Analytics. The International Review of Research in Open and Distributed Learning, 20(1). 

Chatti, M. A., Muslim, A., Guesmi, M., Richtscheid, F., Nasimi, D., Shahin, A., & Damera, R. (2020). How to Design Effective Learning Analytics Indicators? A Human-Centered Design Approach (pp. 303–317).

Divjak, B., & Maretić, M. (2017). Learning Analytics for Peer-assessment. Journal of Information and Organizational Sciences, 41(1), 21–34. 

Dutt, A., Ismail, M. A., & Herawan, T. (2017). A Systematic Review on Educational Data Mining. IEEE Access, 5, 15991–16005. 

Ferreira, S. A., & Andrade, A. (2016). Academic analytics: Anatomy of an exploratory essay. Education and Information Technologies, 21, 229–243. 

Gašević, D., Tsai, Y.-S., Dawson, S., & Pardo, A. (2019). How do we start? An approach to learning analytics adoption in higher education. The International Journal of Information and Learning Technology, 36(4), 342–353. 

Goldstein, P. J. (2005). Academic Analytics: The Uses of Management Information and Technology in Higher Education.

Li, W., Sun, K., Schaub, F., & Brooks, C. (2022). Disparities in Students’ Propensity to Consent to Learning Analytics. International Journal of Artificial Intelligence in Education, 32(3), 564–608. 

Nguyen, A., Gardner, L., & Sheridan, D. (2020). Data Analytics in Higher Education: An Integrated View. Journal of Information Systems Education, 31(1), 61–71. 

Prinsloo, P. (2020). Of ‘black boxes’ and algorithmic decision-making in (higher) education – A commentary. Big Data & Society, 7(1), 205395172093399. 

Rienties, B., Køhler Simonsen, H., & Herodotou, C. (2020). Defining the Boundaries Between Artificial Intelligence in Education, Computer-Supported Collaborative Learning, Educational Data Mining, and Learning Analytics: A Need for Coherence. Frontiers in Education, 5. 

Schumacher, C., & Ifenthaler, D. (2018). Features students really expect from learning analytics. Computers in Human Behavior, 78, 397–407. 

Sghir, N., Adadi, A., & Lahmer, M. (2023). Recent advances in Predictive Learning Analytics: A decade systematic review (2012–2022). Education and Information Technologies, 28(7), 8299–8333. 

Sheikh, R. A., Bhatia, S., Metre, S. G., & Faqihi, A. Y. A. (2022). Strategic value realization framework from learning analytics: a practical approach. Journal of Applied Research in Higher Education, 14(2), 693–713. 

Society for Learning Analytics Research. (n.d.). 

Susnjak, T., Ramaswami, G. S., & Mathrani, A. (2022). Learning analytics dashboard: a tool for providing actionable insights to learners. International Journal of Educational Technology in Higher Education, 19(1), 12. 

Tsai, Y.-S., & Gasevic, D. (2017). Learning analytics in higher education --- challenges and policies. Proceedings of the Seventh International Learning Analytics & Knowledge Conference, 233–242. 

Tsai, Y.-S., Kovanović, V., & Gašević, D. (2021). Connecting the dots: An exploratory study on learning analytics adoption factors, experience, and priorities. The Internet and Higher Education, 50, 100794. 

Tsai, Y.-S., Moreno-Marcos, P. M., Jivet, I., Scheffel, M., Tammets, K., Kollom, K., Gašević, D., Hashim, F., Alam, G. M., Siraj, S., Macfadyen, L. P., Dawson, S., Mahroeian, H., Daniel, B., Okoye, K., Arrona-Palacios, A., Camacho-Zuñiga, C., Hammout, N., Nakamura, E. L., … Pardo, A. (2018). The SHEILA Framework: Informing Institutional Strategies and Policy Processes of Learning Analytics. Journal of Learning Analytics, 5(3), 31–47. 

Tsai, Y.-S., Singh, S., Rakovic, M., Lim, L.-A., Roychoudhury, A., & Gasevic, D. (2022). Charting Design Needs and Strategic Approaches for Academic Analytics Systems through Co-Design. LAK22: 12th International Learning Analytics and Knowledge Conference, 381–391. 

Valcik, N. A. (2012). Using Geospatial Information Systems for Strategic Planning and Institutional Research for Higher Education Institutions. International Journal of Strategic Information Technology and Applications, 3(4), 31–47.

van Barneveld, A., Arnold, K., & Campbell, J. (2012). Analytics in Higher Education: Establishing a Common Language.