E-učenje kao nova obrazovna paradigma

U posljednjim dvama desetljećima digitalna transformacija obrazovanja donijela je niz dubokih promjena u načinu organizacije, provedbe i vrednovanja nastavnog procesa. Razvojem e-učenja, koje se prvotno razvijalo kao nadopuna obrazovanju na daljinu, a danas se sve više koristi kao integrirani dio visokoškolskog obrazovanja, otvoren je prostor za sustavno prikupljanje i analizu velikih količina podataka o ponašanju i postignućima studenata. Upravo je ta podatkovna dostupnost stvorila temelje za razvoj analitike učenja, novoga interdisciplinarnog pristupa koji obrazovanje ne promatra samo kroz pedagošku i didaktičku prizmu, već i kroz mogućnosti koje nude računalne znanosti i obradu velikih skupova podataka.

Analitika učenja (engl. learning analytics) definira se kao proces prikupljanja, mjerenja, analize i interpretacije podataka o studentima i njihovim obrazovnim kontekstima s ciljem razumijevanja i optimizacije procesa učenja te donošenja informiranih pedagoških odluka. Iako svoje korijene dijeli s vrednovanjem obrazovnog procesa, analitika učenja u fokus stavlja obradu stvarnih, najčešće digitalno prikupljenih tragova ponašanja korisnika poput aktivnosti u sustavu za
e-učenje, vremena provedenog uz određene sadržaje, rezultata na kvizovima, interakcija na forumima ili načina navigacije u nastavnom materijalu.

U kontekstu visokoškolskog obrazovanja primjena analitike učenja može obuhvatiti više razina. Na razini studenta omogućuje pružanje personalizirane povratne informacije i usmjeravanje studenata na temelju njihovih obrazovnih potreba, navika i postignuća. Na razini nastavnika pruža vrijedne uvide u učinkovitost nastavnih materijala i metoda, otkriva obrasce u učenju koji mogu ukazivati na rizik od odustajanja ili slabog uspjeha i pomaže u dizajniranju učinkovitijih kurikuluma. Na razini institucije analitika može služiti strateškom upravljanju, evaluaciji programa i donošenju obrazovnih politika temeljenih na podatcima.

Teorijski gledano, analitika učenja oslanja se na više disciplina: pedagogija služi razumijevanju pedagoških koncepata i ciljeva, računarstvo i informacijske znanosti razvijaju alate za obradu i vizualizaciju podataka, dok psihologija doprinosi tumačenju ponašanja i motivacije. Takva interdisciplinarnost zahtijeva opreznu interpretaciju rezultata jer kvantitativni podatci ne mogu u potpunosti obuhvatiti sve dimenzije učenja.

Važno je naglasiti da se učinkovita primjena analitike učenja ne svodi na tehničku implementaciju alata, već zahtijeva pedagoški promišljeno oblikovanje metrika i pokazatelja, jasnu etičku regulaciju prikupljanja i upotrebe podataka i aktivnu uključenost nastavnika u interpretaciju rezultata. Također integracija analitike u visokoškolski kontekst pretpostavlja digitalnu pismenost nastavnog osoblja, institucionalnu podršku i kontinuiranu edukaciju svih dionika u sustavu obrazovanja.

Primjeri

Na visokoškolskim ustanovama koje se koriste Moodle LMS-om, analitika učenja može se primijeniti na različite načine kako bi se unaprijedila kvaliteta poučavanja i pružila pravovremena podrška studentima. Korištenjem Moodle analitike učenja (engl Moodle Learning Analytics) moguće je provesti različite analize i predikcije temeljene na modelima koji automatski obrađuju podatke o aktivnostima i uspješnosti studenata. Ovi modeli koriste se algoritmima prediktivne analitike i mogu pomoći nastavnicima u ranom prepoznavanju obrazaca koji upućuju na rizik, napredak ili angažman, npr.:

Predikcija rizika od neuspjeha na kolegiju (engl. Students at risk of dropping out)

Ovaj model analizira obrasce ponašanja studenata u tečaju uključujući broj prijava, dovršene aktivnosti, sudjelovanje u forumima i rezultate kvizova. Na temelju prikupljenih podataka sustav predviđa koji studenti pokazuju znakove niskog angažmana ili rizika od odustajanja. Nastavnik dobiva obavijest i može poduzeti pravovremenu intervenciju, primjerice ponuditi dodatne konzultacije ili personalizirane zadatke.

Predikcija vjerojatnosti uspješnog završetka aktivnosti (engl. Upcoming activities due)

Moodle može predvidjeti vjerojatnost da će student dovršiti zadane aktivnosti unutar roka. Sustav analizira dosadašnje obrasce predaje zadataka, vrijeme provedeno na platformi i sudjelovanje u prethodnim aktivnostima. Na temelju tih podataka automatski upozorava studente ako postoji rizik od kašnjenja, čime potiče razvoj samoregulacije i odgovornosti u učenju.

Ovi modeli dostupni su u ugrađenom Moodle Analytics API-iju i mogu se aktivirati na razini e-kolegija ili cijelog sustava. Njihova je svrha pomoći nastavnicima i studentima u donošenju odluka temeljenih na podatcima i u razvoju proaktivnih strategija podrške učenju.