Analitica învățării

Analitica învățării este măsurarea, colectarea, analiza și raportarea datelor despre cursanți și contextele acestora, în scopul înțelegerii și optimizarii învățării și a mediilor în care are loc. Un domeniu înrudit este mineritul datelor educaționale. Pentru publicul general, consultați:

• Befing-ul Educause Learning Initiative
• Evaluarea Educause privind analiza învățării
• Și „Rezumatul politicii privind statisticile învățării” UNESCO (2012)

Ce este analitica învățării?

Definiția și scopurile analiticii învățării sunt contestate. O definiție anterioară discutată de comunitate sugera că „Analitica învățării este utilizarea datelor inteligente, a datelor produse de cursanți și a modelelor de analiză pentru a descoperi informații și conexiuni sociale pentru a prezice și a consilia învățarea oamenilor”.

Dar această definiție a fost criticată:

1. „Nu sunt oarecum de acord cu această definiție – servește bine ca un concept introductiv dacă folosim analitica drept o structură de sprijin pentru modelele de educație existente. Cred că analitica învățării – la o implementare avansată și integrată – poate elimina modelele de curriculum prefabricate”. George Siemens, 2010.
2. „În descrierile analiticii învățării vorbim despre utilizarea datelor pentru a „prezice succesul”. M-am luptat cu asta în timp ce cercetez cu atenție bazele noastre de date. Am ajuns să realizez că există diferite puncte de vedere/niveluri de succes.” Mike Sharkey 2010.

O viziune mai holistică decât o simplă definiție este oferită de cadrul de analitică a învățării de Greller și Drachsler (2012). Utilizează o analiză morfologică generală (GMA) pentru a împărți domeniul în șase „dimensiuni critice”.

O privire de ansamblu sistematică asupra analiticii învățării și a conceptelor sale cheie este oferită de Chatti și colab. (2012) și Chatti și colab. (2014) printr-un model de referință pentru analitica învățării bazată pe patru dimensiuni, și anume date, medii, context (ce?), părți interesate (cine?), obiective (de ce?) și metode (cum?).

S-a subliniat că există o conștientizare largă a analiticii în instituțiile de învățământ pentru diferite părți interesate, dar că modul în care „analitica învățării” este definită și implementată poate diferi, inclusiv:

1. pentru ca cursanții individuali să reflecteze asupra realizărilor și modelelor lor de comportament în relație cu ceilalți;
2. ca predictori ai elevilor care necesită sprijin și atenție suplimentară;
3. a ajuta profesorii și personalul de sprijin să planifice intervenții de sprijin cu indivizi și grupuri;
4. pentru grupuri funcționale, cum ar fi echipa de curs care încearcă să îmbunătățească cursurile actuale sau să dezvolte noi oferte de curriculum; și
5. pentru administratorii instituționali care iau decizii în chestiuni precum marketing și recrutare sau măsuri de eficiență și eficacitate.”

În această lucrare informativă, Powell și MacNeill subliniază în continuare că unele motivații și implementări ale analiticii pot intra în conflict cu altele, de exemplu evidențiind un potențial conflict între analize pentru cursanții individuali și părțile interesate organizaționale.

Gasevic, Dawson și Siemens susțin că aspectele computaționale ale analiticii învățării trebuie să fie legate de cercetarea educațională existentă, dacă domeniul analiticii învățării va îndeplini promisiunea de a înțelege și optimiza învățarea.

Diferențierea analiticii învățării de mineritul de date educațional

Diferențierea domeniilor mineritului datelor educaționale (EDM) și analitica învățării (LA) a fost o preocupare a mai multor cercetători. George Siemens este de părere că mineritul datelor educaționale cuprinde atât analitica învățării, cât și analitica academică, prima dintre acestea fiind destinată guvernelor, agențiilor de finanțare și administratorilor, în loc de studenți și profesori. Baepler și Murdoch definesc analitica academică drept un domeniu care „…combină date instituționale selectate, analiza statistică și modelarea predictivă pentru a crea inteligență pe baza căreia cursanții, instructorii sau administratorii pot schimba comportamentul academic”. Ei continuă să încerce să dezambigueze mineritul datelor educaționale din analitica academică, pe baza faptului dacă procesul este condus de ipoteze sau nu, deși Brooks se întreabă dacă această distincție există în literatură. Brooks propune, în schimb, că o mai bună distincție între comunitățile EDM și LA se află în rădăcinile din care provine fiecare comunitate, cu autoritatea în comunitatea EDM fiind dominată de cercetători care provin din paradigme de instruire inteligentă, iar cercetătorii de analitică a învățării fiind mai concentrați pe sistemele de învățare ale întreprinderii. (de exemplu, învățarea sistemelor de management al conținutului).

Indiferent de diferențele dintre comunitățile LA și EDM, cele două domenii au o suprapunere semnificativă atât în ​​ceea ce privește obiectivele anchetatorilor, cât și în metodele și tehnicile care sunt utilizate în investigație. În programul MS oferit în analitica învățării de la Teachers College, Universitatea Columbia, studenților le sunt predate atât metode EDM, cât și LA.

Istorie

Contextul analiticii învățării

În „Starea analizei învățării în 2012: o revizuire și provocări viitoare”, Rebecca Ferguson urmărește progresul analiticii pentru învățare ca dezvoltare prin:

1. Interesul crescând pentru „big data” pentru business intelligence
2. Apariția educației online s-a concentrat pe mediile virtuale de învățare (VLE), sistemele de management al conținutului (CMS) și sistemele informaționale de management (MIS) pentru educație, care au înregistrat o creștere a datelor digitale referitoare la mediul studenților (deseori deținute în MIS) și date din jurnalul de învățare (de la VLE-uri). Această dezvoltare a oferit oportunitatea de a aplica tehnici de „business intelligence” datelor educaționale
3. Întrebări privind optimizarea sistemelor pentru a sprijini învățarea, în special având în vedere întrebarea cu privire la modul în care putem ști dacă un student este implicat/înțelege dacă nu îi putem vedea?
4. O concentrare tot mai mare pe evidențierea progresului și a standardelor profesionale pentru sistemele de responsabilitate
5. Această focalizare a condus la o implicare a profesorilor în analitici – dat fiind că acestea sunt asociate cu sisteme de responsabilitate
6. Astfel, s-a pus un accent tot mai mare pe avantajele pedagogice ale analiticii învățării
7. Această presiune este crescută de dorința economică de a îmbunătăți angajamentul în educația online pentru a oferi o educație de înaltă calitate – la prețuri accesibile

Istoria tehnicilor și metodelor analiticii de învățare

Într-o discuție despre istoria analiticii, Cooper evidențiază o serie de comunități din care analitica învățării se bazează pe tehnici, inclusiv:

1. Statistici – care sunt un mijloc bine stabilit de a aborda testarea ipotezelor
2. Business Intelligence – care are asemănări cu analitica învățării, deși în trecut a avut ca scop eficientizarea producerii de rapoarte prin activarea accesului la date și rezumarea indicatorilor de performanță.
3. Analitica web – instrumente precum Google Analytics raportează vizitele pe paginile web și trimiterile la site-uri web, mărci și alți termeni cheie de pe internet. Mai mult „granulația fină” a acestor tehnici poate fi adoptată în analitica învățării pentru explorarea traiectoriilor studenților prin resurse de învățare (cursuri, materiale etc.).
4. Cercetarea operațională – urmărește evidențierea optimizării designului pentru maximizarea obiectivelor prin utilizarea modelelor matematice și a metodelor statistice. Astfel de tehnici sunt implicate în analitica învățării care urmărește să creeze modele de comportament în lumea reală pentru aplicare practică.
5. Inteligenta artificială și mineritul datelor – Tehnicile de învățare automată bazate pe mineritul datelor și metodele AI sunt capabile să detecteze modele în date. În analitica învățării, astfel de tehnici pot fi folosite pentru sisteme inteligente de îndrumare, clasificarea studenților în moduri mai dinamice decât factorii demografici simpli și resurse precum sistemele de „curs sugerat” modelate pe tehnici de filtrare colaborativă.
6. Analiza rețelelor sociale – Analiza rețelelor sociale (SNA) analizează relațiile dintre oameni prin explorarea legăturilor implicite (de exemplu, interacțiunile pe forumuri) și explicite (de exemplu, „prieteni” sau „urmăritori”), online și offline. SNA s-a dezvoltat din munca unor sociologi precum Wellman și Watts și a unor matematicieni precum Barabasi și Strogatz. Munca acestor indivizi ne-a oferit o înțelegere bună a tiparelor pe care le prezintă rețelele (lumea mică, legile puterii), atributele conexiunilor (la începutul anilor ’70, Granovetter a explorat conexiunile dintr-o perspectivă a forței legăturii și a impactului asupra noilor informații), și dimensiunile sociale ale rețelelor (de exemplu, geografia contează încă într-o lume digitală în rețea). Este folosit în special pentru a explora grupuri de rețele, influența rețelelor, implicarea și dezimplicarea, și a fost implementată în aceste scopuri în contexte analitice de învățare.
7. Vizualizarea informațiilor – Vizualizarea este un pas important în multe analitici pentru realizarea sensului în jurul datelor furnizate – este astfel utilizată în majoritatea tehnicilor (inclusiv în cele de mai sus).

Istoria analiticii învățării în învățământul superior

Primul program de absolvire axat special pe analitica învățării a fost creat de Dr. Ryan Baker și lansat în semestrul de toamnă 2015 la Teachers College – Columbia University. Descrierea programului afirmă că „datele despre învățare și cursanți sunt generate astăzi la o scară fără precedent. Domeniile analiticii învățării (LA) și mineritul datelor educaționale (EDM) au apărut cu scopul de a transforma aceste date în noi perspective de care să beneficieze studenții, profesorii și administratorii. Fiind una dintre cele mai importante instituții de predare și cercetare din lume în educație, psihologie și sănătate, suntem mândri să oferim un curriculum inovator pentru absolvenți, dedicat îmbunătățirii educației prin tehnologie și analitica datelor.”

Metode analitice

Metodele de analitica învățării includ:

• Analitica de conținut – În special a resurselor pe care le creează elevii (cum ar fi eseuri)
• Analitica discursului – Analitica discursului urmărește să capteze date semnificative despre interacțiunile studenților care (spre deosebire de „analitica rețelelor sociale”) urmărește să exploreze proprietățile limbajului folosit, spre deosebire de doar rețeaua de interacțiuni sau numărul de postări pe forum etc.
• Analitica învățării sociale – Are care are ca scop explorarea rolului interacțiunii sociale în învățare, importanța rețelelor de învățare, discursul folosit pentru a da sens, etc.
• Analiza dispozițiilor – Urmărește să capteze date privind dispozițiile elevilor față de propria învățare și relația dintre acestea și învățarea lor. De exemplu, cursanții „curioși” pot fi mai înclinați să pună întrebări – iar aceste date pot fi capturate și analizate pentru analitica învățării.

Rezultate analitice

Analiticile au fost folosite pentru:

• În scopuri de predicție, de exemplu, pentru a identifica studenții „în pericol” în ceea ce privește abandonul școlar sau eșecul la cursuri
• Personalizare și adaptare, pentru a oferi studenților căi de învățare personalizate sau materiale de evaluare
• Scopuri de intervenție, oferind educatorilor informații pentru a interveni în sprijinul elevilor
• Vizualizarea informațiilor, de obicei sub forma așa-numitelor tablouri de bord de învățare care oferă date de învățare de ansamblu prin instrumente de vizualizare a datelor

Software

O mare parte din software-ul care este utilizat în prezent pentru analitica învățării dublează funcționalitatea software-ului de analitica web, dar o aplică interacțiunilor cursanților cu conținutul. Instrumentele de analitica rețelelor sociale sunt utilizate în mod obișnuit pentru a mapa conexiunile și discuțiile sociale. Câteva exemple de instrumente software de analitică de învățare:

• Student Success System – Un instrument de analitică predictivă a învățării care prezice performanța elevilor și plasează cursanții în cadrane de risc pe baza previziunilor de implicare și performanță și oferă indicatori pentru a înțelege de ce un cursant nu este pe calea corectă prin vizualizări, cum ar fi rețeaua de interacțiuni care rezultă din implicarea socială (de exemplu, postări de discuții și răspunsuri), performanța la evaluări, implicarea cu conținut și alți indicatori
• SNAPP – un instrument de analitica învățării care vizualizează rețeaua de interacțiuni rezultate din postările și răspunsurile pe forumul de discuții.
• LOCO-Analyst – Un instrument de învățare conștient de context pentru analitica proceselor de învățare care au loc într-un mediu de învățare bazat pe web
• SAM – Un monitor de activitate al elevilor destinat mediilor personale de învățare
• BEESTAR INSIGHT – Un sistem în timp real care colectează automat implicarea și prezența elevilor și oferă instrumente de analiză și tablouri de bord pentru studenți, profesori și management
• Solutionpath STREAM – Un sistem lider în timp real, din Marea Britanie, care folosește modele predictive pentru a determina toate fațetele angajamentului studenților folosind surse structurate și nestructurate pentru toate rolurile instituționale

Etică și confidențialitate

Etica colectării datelor, analizei, raportării și responsabilității a fost ridicată ca o problemă potențială pentru analitica învățării (de exemplu,), cu preocupări ridicate cu privire la:

• Proprietatea datelor
• Comunicări în jurul domeniului și rolului analiticii învățării
• Rolul necesar al feedback-ului uman și al corectării erorilor în sistemele de analitica învățării
• Partajarea datelor între sisteme, organizații și părți interesate
• Încredere în clienții de date

După cum subliniază Kay, Kom și Oppenheim, gama de date este largă, potențial derivată din: „Activitate înregistrată; fișele studenților, prezența, temele, informații despre cercetător (CRIS).

• Interacțiuni cu sisteme; VLE, căutare în bibliotecă / depozit, tranzacții cu card.
• Mecanisme de feedback; sondaje, asistență clienți.
• Sisteme externe care oferă o identificare fiabilă, cum ar fi sectorul și serviciile partajate și rețelele sociale.”

Astfel, situația juridică și etică este provocatoare și diferită de la țară la țară, ridicând implicații pentru: „Varietatea de date – principii de colectare, reținere și exploatare.

• Misiunea educațională – Problemele de bază ale managementului învățării, inclusiv ingineria socială și a performanței.
• Motivația pentru dezvoltarea analiticii – Reciprocitate, o combinație de bine corporativ, individual și general.
• Așteptările clienților – Practică de afaceri eficientă, așteptări privind datele sociale, considerații culturale ale unei baze globale de clienți. Obligația de a acționa – datoria de grijă care decurge din cunoștințe și provocările ulterioare ale managementului performanței studenților și angajaților.

În unele cazuri importante, cum ar fi dezastrul inBloom, chiar și sistemele funcționale complete au fost închise din cauza lipsei de încredere în colectarea datelor de către guverne, părțile interesate și grupurile de drepturi civile. De atunci, comunitatea analiticii învățării a studiat pe larg condițiile legale într-o serie de ateliere de experți despre „Etică și confidențialitate în analitica învățării” care constituie utilizarea analiticii învățării de încredere. Drachsler & Greller a lansat o listă de verificare în 8 puncte numită DELICATE care se bazează pe studiile intensive din acest domeniu pentru a demistifica discuțiile de etică și confidențialitate din jurul analiticii învățării.

1. D-eterminare: decideți cu privire la scopul analiticii învățării pentru instituția dvs.
2. E-xplicare: definiți domeniul de aplicare și utilizare a datelor.
3. L-egitimitate: explicați cum vă desfășurați activitatea în cadrul legal, consultați legislația esențială.
4. I-mplicare: discutați cu părțile interesate și oferiți asigurări cu privire la distribuirea și utilizarea datelor.
5. C-onsimțământ: solicitați consimțământul prin întrebări clare privind consimțământul.
6. A-nonimizare: de-identificați persoanele cât mai mult posibil
7. T-ehnic: monitorizați cine are acces la date, în special în zonele cu fluctuație mare a personalului.
8. E-xternalizare: asigurați-vă că partenerii externi oferă cele mai înalte standarde de securitate a datelor

Acesta arată modalități de a proiecta și de a oferi analitici de învățare conforme cu confidențialitatea de care pot beneficia toate părțile interesate.

Analitica de învățare open

Chatti, Muslim și Schroeder notează că scopul analiticii de învățare open (Open Learning Analytics, OLA) este de a îmbunătăți eficiența învățării în mediile de învățare pe tot parcursul vieții. Autorii se referă la OLA ca la un proces de analitică în curs de desfășurare care cuprinde diversitatea la toate cele patru dimensiuni ale modelului de referință de analitică a învățării.

Sursa: Drew Bentley, Business Intelligence and Analytics. © 2017 Library Press, Licență CC BY-SA 4.0. Traducere și adaptare: Nicolae Sfetcu

© 2022 MultiMedia Publishing, Business Intelligence și Analytica în afaceri, Colecția Știința Informației