Videolekcija: Pregled izvora podataka u analitici učenja

Dobro došli! U ovoj ćemo videolekciji istražiti kojim se izvorima podataka koristi analitika učenja. Možda se iz uvodne videolekcije sjećate da je upravo faza prikupljanja podataka prvi dio ciklusa analitike učenja koja daje ključnu podlogu za daljnje faze. Analitika učenja koristi se različitim vrstama podataka. Ugrubo ih možemo grupirati u nekoliko glavnih kategorija: podatci iz sustava za upravljanje učenjem (LMS), podatci o studentima iz drugih informacijskih sustava, podatci iz samostalnog izvještavanja studenata, multimodalni podatci te podatci iz vanjskih sustava. Analiziramo li kako je isplaniran proces učenja i poučavanja, ključni su nam podatci iz alata za dizajn učenja, poput alata Balanced Design Planning (BDP). Podatci iz sustava za upravljanje učenjem najčešće se koriste u analitici učenja. Iz sustava poput Moodlea ili Blackboarda mogu se prikupiti različite vrste podataka. Primjerice, mogu se prikupiti zapisi aktivnosti studenata koji bilježe svaku radnju studenata unutar LMS-a, odnosno podatci o logovima (na engleskom log data). Mogu se prikupiti podatci o vremenu provedenom na određenim aktivnostima ili o korištenju resursa za učenje. Takvi podatci bilježe uzorke u ponašanju, angažmanu i kretanju studenata kolegijem. Osim takvih podataka koji pokazuju aktivnost studenata u sustavu, vrlo su važni podatci o rezultatima vrednovanja. Naime, bodovi i ocjene studenata dobiveni u aktivnostima vrednovanja mogu dati važne uvide vezane za stjecanje ishoda učenja. Konačno, mogu se analizirati i konkretni radovi studenata, poput njihovih eseja. Podatci o studentima vode se i u drugim informacijskim sustavima. Primjerice, u Hrvatskoj imamo ISVU – Informacijski sustav visokih učilišta. Iz takvih sustava mogu se koristiti, primjerice, demografskih podatci ili podatci o akademskoj povijesti. Korisni su, primjerice, za razumijevanje pitanja vezanih za inkluziju. Oni se mogu i kombinirati s podatcima iz drugih izvora (poput, primjerice, Moodlea) da bismo dobili dublje uvide. Također, u analitici učenja mogu se koristiti i podatci iz izravnog izvještavanja studenata. Takvi podatci mogu uključivati odgovore studenata na upitnike, njihove samoprocjene i refleksije. Takvi se podatci mogu (ali i ne moraju) također prikupljati u LMS-u. Međutim, daju nam drukčiju vrstu uvida. Primjerice, uvide vezane za potrebe i očekivanja studenata ili zadovoljstvo dostupnim analitikama učenja. U posljednje vrijeme sve veću pažnju dobivaju multimodalne analitike učenja (na engleskom Multimodal Learning Analytics) koje upotrebljavaju podatke iz različitih izvora da bi registrirale kognitivnu, emocionalnu i fizičku aktivnost tijekom učenja. Primjerice, može biti riječ o video i audiosnimkama kojima se bilježe verbalne rasprave, zatim o podatcima o kretnjama oka, na temelju kojih se može pratiti fokus i pažnja studenata ili o podatcima prikupljenima fiziološkim senzorima kojima se bilježe podatci poput otkucaja srca. Multimodalne analitike, iako perspektivne, danas se koriste uglavnom u eksperimentalnim i naprednim istraživačkim okruženjima. Podatci vezani za učenje mogu se prikupljati i u vanjskim sustavima, poput platforma s otvorenim obrazovnim resursima i knjižničarskih sustava. Takvi izvori mogu dopuniti spomenute podatke da bi se dobila šira slika ponašanja u učenju. Alati poput alata Balanced Design Planning (BDP) omogućuju da, osim podataka koji su vezani za provedbu procesa učenja, analitika obuhvati i sam dizajn učenja. Primjerice, BDP alat nastavnicima omogućuje u realnom vremenu uvid u detaljnu analitiku njihovih dizajna, koji im pomažu da planiraju u skladu s osnovnim pedagoškim načelima, prije svega konstruktivnim poravnanjem. Osim toga, olakšava im planiranje u skladu s inovativnim pedagogijama, kao i odgovarajućim radnim opterećenjem studenata. Kombiniranjem različitih izvora i vrsta podataka možemo dobiti cjelovitiju sliku o učenju. Na primjer, podatci o logovima iz LMS-a mogu pokazati vrijeme provedeno u aktivnostima, ali tek uz rezultate vrednovanja možemo razumjeti stvarnu kvalitetu učenja. Ili, podatke o rezultatima vrednovanja možemo smislenije interpretirati ako vidimo kakav je dizajn učenja kolegija i je li ostvareno konstruktivno poravnanje. Naravno, ključno je istaknuti da korištenje podataka u svrhu analitike učenja zahtijeva poštovanje etičkih načela te zakonskih i institucionalnih pravila vezanih za zaštitu privatности u svakom trenutku. Nisu svi izvori podataka uvijek dostupni u svim institucijama i obrazovnim kontekstima. Njihova upotreba ovisi o tehničkim, organizacijskim i pravnim mogućnostima. Osim toga, kvaliteta i reprezentativnost podataka presudni su za točnost analize. Ako su podatci nepotpuni, pristrani ili pogrešno interpretirani, zaključci mogu biti pogrešni te čak narušiti proces učenja. Kritičko razumijevanje podataka nije samo tehničko pitanje. Ono je ključno da bismo analitiku učenja koristili odgovorno, etično i u službi boljeg učenja.