Videolekcija: Uvod u analitiku učenja

Dobro došli u uvodnu videolekciju o analitici učenja. U nastavku ćemo se upoznati s osnovnim pojmovima, važnošću i primjenom analitike učenja, kao i ključnim izazovima. Prema definiciji Društva za istraživanje analitike učenja (SOLAR), ključne međunarodne organizacije koja promiče istraživanja i primjenu analitike učenja, analitika učenja je prikupljanje, analiza, interpretacija i izvještavanje s podatcima o osobama koje uče i njihovom učenju, što daje teoretski relevantne i primjenjive uvide radi unapređenja učenja i poučavanja. Riječ je o relativno novom, ali vrlo propulzivnom području istraživanja i prakse, koje povezuje obrazovanje, znanost o podatcima, matematiku i psihologiju, a značajnu ulogu u analitici ima i umjetna inteligencija. Iako su se podatci i prije koristili za unapređenje učenja i poučavanja, analitika učenja donosi novost u smislu korištenja novih digitalnih podataka o aktivnostima učenja i tehnika iz područja znanosti o podatcima i umjetne inteligencije. Tako se u analitici učenja koriste različite metode, od standardnih statističkih metoda do kompleksnijih, temeljenih na umjetnoj inteligenciji i strojnom učenju. Cilj je njihovom primjenom omogućiti razumijevanje podataka o učenju i poučavanju te pružiti podršku donošenju odluka. Analitika učenja koristi se različitim izvorima podataka. Prije svega, ključnu ulogu imaju podatci iz sustava za upravljanje učenjem. Primjerice, analiziraju se logovi aktivnosti studenata i ocjene iz sustava za upravljanje učenjem poput Moodlea. Također, analitika učenja upotrebljava i multimodalne podatke iz različitih izvora, uključujući digitalna, ali i fizička okruženja. Na primjer, koriste se videozapisi i podatci prikupljeni senzorima. Analitika učenja sve je važnija i u kreiranju smislenog dizajna učenja, a posebice u osiguravanju konstruktivnog poravnanja između ishoda učenja, aktivnosti učenja i poučavanja te vrednovanja. Tako postoji i analitika dizajna učenja koja rabi podatke o planiranim aktivnostima učenja i poučavanja. Na temelju podataka, analitika učenja pruža dublje uvide u procese učenja i nedostatke u razumijevanju te omogućava preciznije praćenje i procjenu napretka studenata. Tako nastavnicima daje podlogu za pružanje konstruktivnih povratnih informacija studentima, kreiranje personaliziranih pristupa te pravovremene intervencije za studente s poteškoćama ili u riziku od odustajanja od školovanja. Također, omogućuje provjeru pedagoške utemeljenosti i smislenosti dizajna učenja i njegova unapređenja. Kad je riječ o studentima, analitika učenja važna je za poticanje samoreguliranog učenja. Analitike variraju po složenosti pa tako razlikujemo deskriptivnu, dijagnostičku, prediktivnu i preskriptivnu analitiku. Deskriptivna analitika učenja koristi se podatcima za identificiranje i razumijevanje trendova i trenutačnog stanja. Primjerice, može se analizirati vrijeme koje su studenti proveli na određenim aktivnostima u sustavu za upravljanje učenjem, koliki je postotak pogledao određeni video ili kakva je prosječna uspješnost studenata na ispitu. Dijagnostička analitika učenja, koja je kompleksnija, nastoji omogućiti bolje razumijevanje razloga zbog kojih je do nečega došlo. Uključuje, primjerice, provedbu analiza da bi se razumjelo zašto su studenti ostvarili slabije rezultate. Prediktivna analitika učenja analizira prošle trendove da bi se na temelju njih predvidjeli budući ishodi i identificirao prostor za unapređenje. Može se, primjerice, analizirati korištenje kojih je vrsta materijala za učenje dobar prediktor uspješnosti na završnom ispitu. Preskriptivna analitika učenja daje konkretne preporuke, kao što su personalizirani savjeti za učenje. Prediktivna i preskriptivna analitika najčešće se koriste naprednim metodama poput strojnog učenja za predviđanje i davanje preporuka. Dok su metode i algoritmi strojnog učenja, poput slučajne šume, sada već „tradicionalni“ u analitici učenja, generativni modeli temeljeni na velikim jezičnim modelima, kao što je ChatGPT, otvaraju nova pitanja vezana za analitiku učenja. Jedan je aspekt provedba analiza uz korištenje alata generativne umjetne inteligencije kao sredstva za istraživanje, koje analitiku učenja može učiniti jednostavnijom i dostupnijom širem spektru korisnika, uz zaobilaženje kompleksnih alata i programskih jezika poput R-a. Drugi je aspekt analitika učenja koja se bavi primjenom umjetne inteligencije u učenju i poučavanju, kao predmetom istraživanja. Primjerice, analizira se uspješnost generativne umjetne inteligencije u vrednovanju studentskih eseja. Oba aspekta otvaraju brojna pitanja koja se tiču vjerodostojnosti i etičnosti. Implementacija analitike učenja dio je cikličkog procesa. Taj proces uključuje prikupljanje i analizu podataka, izvještavanje o rezultatima te završava konkretnim intervencijama. Primjerice, intervencije mogu uključivati reviziju dizajna učenja ili korištenje dodatnih materijala za studente koji trebaju dodatnu podršku. Provedbom intervencija, analitika učenja dobiva praktičnu primjenu u kojoj se, s obzirom na znanja temeljena na podatcima, donose odluke, provode aktivnosti i rade unapređenja. Dakle, zatvaranje kruga ključno je da bi analitika učenja imala stvaran učinak. Rezultati analitike često se prikazuju putem nadzornih ploča odnosno dashboarda. Dashboardi su vizualna sučelja. Na njima studenti i nastavnici, ali i drugi dionici poput donositelja odluka, mogu vidjeti podatke i rezultate analitike u stvarnom vremenu. Primjerice, studenti mogu vidjeti detaljne informacije poput usporedbe s prosjekom grupe ili praćenja svoje aktivnosti tijekom semestra. Tako mogu lakše prepoznati područja koja zahtijevaju dodatnu pažnju ili intervenciju. Analitika učenja blisko je vezana za načela dizajna usmjerenog na čovjeka. U tom smislu, analitika učenja usmjerena na čovjeka (na engleskom Human-Centred Learning Analytics) znači uključivanje relevantnih dionika u razvoj analitike učenja i pripadajućih alata. Primjerice, studenti i nastavnici aktivno sudjeluju u dizajnu dashboarda, izražavaju svoje potrebe i pružaju povratne informacije, čime se osigurava da alati doista odgovaraju potrebama korisnika i budu učinkoviti u praksi. Iako je jasno i prihvaćeno da analitika učenja ima velik potencijal za unapređenje učenja i poučavanja, postoje i znatni izazovi vezani za njezinu širu primjenu. Neki su primjerice vezani za institucionalne strategije, organizacijske strukture, kvalitetu i pristup podatcima ili kompetencije. Važni su izazovi vezani za vjerodostojnost analitike učenja, a obuhvaćaju pitanja poput etičnosti privatnosti, transparentnosti, pravednosti algoritama i primjene umjetne inteligencije, uključujući generativne modele. O tim ćemo pitanjima više govoriti u jednoj od sljedećih tema. Postoji nekoliko „sestrinskih“ područja blisko povezanih s analitikom učenja s kojima postoje preklapanja, pri čemu se koriste slični alati, ali s različitim ciljevima. Važno je spomenuti rudarenje obrazovnih podataka (na engleskom Educational Data Mining) koje također primjenjuje strojno učenje, algoritme za rudarenje podatcima i statističke metode na podatke o obrazovanju, ali se uglavnom smatra neutralnim u smislu pedagogije i obrazovne teorije. Međutim, dok se analitika učenja koristi podatcima da bi unaprijedila učenje i poučavanje, rudarenje obrazovnih podataka bavi se algoritmima za otkrivanje obrazaca s naglaskom na istraživanju više nego na primjeni u obrazovanju. Još je jedno područje akademska analitika, koja također ima drukčiji fokus te pomaže institucijama donositi strateške odluke o upravljanju resursima, financijama i politikama zapošljavanja. Zaključno, analitika učenja ključni je element budućnosti obrazovanja koji daje podlogu za utemeljeno donošenje odluka za poboljšanje kvalitete učenja i poučavanja.