Learning Analytics – måling og optimering af undervisning
Learning Analytics er et forholdsvist nyt begreb inden for undervisning og blev defineret i 2011 på konferencen 1st International Conference on Learning Analytics and Knowledge.
“learning analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs.”
Fra: “1st International Conference on Learning Analytics and Knowledge” (Siemens, 2011 s. 34)
Ifølge citatet af Phil Long og George Siemens indeholder Learning Analytics en masse data, rapporter, analyser og målinger på eleverne.
Learning Analytics minder meget om big data, e-science, web analytics og educational data mining (Duval, 2011 s. 1) og beror på detaljerede analyser af store mængder data for at finde forskellige mønstre. Når man tidligere fx har læst en bog i undervisningen, har det været sparsomt, hvor mange data der kunne opsamles omkring denne aktivitet, men på grund af digitalisering af undervisningsmidler sætter sådanne aktiviteter en række digitale spor (Siemens, 2011 s. 32). Disse spor kan også indeholde data om elevens aktivitet på en hjemmeside, online læsning, deltagelse i undervisning eller resultat af tests, og det kan også afdække, hvilke elever der måske er ved at droppe ud, eller som har brug for hjælp i undervisningen. Efterhånden som mere og mere af undervisningen bliver digitaliseret, genereres der også flere data, der kan bruges til at handle på, i realtime.
Analytics kan ses på forskellige niveauer, lige fra den enkelte elevs problemer med at sætte kommaer i en stil, til hvordan en hel skole eller et helt uddannelsessystem er til samme disciplin. Long og Siemens (2011) opdeler analytics i to hovedbegreber; Academic Analytics og Learning Analytics. Academic Analytics er den brede definition, hvor data bliver analyseret ud fra et institutionelt, regionalt eller nationalt perspektiv og tilgodeser fx ledelse, administration eller regeringen med data. Dermed er det muligt at trække uddannelsesstatistik fra de forskellige uddannelser, se evt. https://www.uddannelsesstatistik.dk. Learning Analytics er mere specifik, og her er fokus på analyse af læring hos den enkelte elev og foregår i selve undervisningen eller på institutionsniveau (Siemens, 2011 s. 34).
Dermed er det også vigtigt, at man er bevidst om, hvilke data der indsamles, og ikke mindst hvem der har adgang til dem. Derfor, når der arbejdes med Learning Analytics, at man har et overblik over adgangen til elevernes data.
Model for Learning Analytics
Med alle de data, der indsamles om eleverne, bliver man nødt til at stille spørgsmål omkring ejerskab og åbenhed, etiske problemstillinger og misbrug, og ikke mindst bliver man nødt til at have kompetencerne for at kunne tolke på betydningen af disse data (Greller & Drachsler, 2012 s. 43).
Wolfgang Greller og Hendrik Drachsler har udarbejdet et forslag til en model, hvor de inddeler Learning Analytics i seks kritiske dimensioner. Deres inddelinger er henholdsvis aktører, målsætninger, data, instrumenter, eksterne bindinger og interne begrænsninger.
Forslag til model, der beskriver de kritiske dimensioner indenfor Learning Analytics. (Greller & Drachsler, 2012 s. 44) (Egen oversættelse).
Aktørerne
Aktørerne er henholdsvis institutionen, lærerne eller eleverne, men der kan også være eksterne aktører som fx regeringen (Greller & Drachsler, 2012 s. 45-47). Når man ser på aktørernem kan de opdeles i henholdsvis dataklienter (data clients) og dataindivider (data subjects). Dataklienterne kan fx ses som værende lærerne, der anvender og reagerer på de resultater, som kommer fra Learning Analytics. Lærerne kan overvåge undervisningen og dermed have fokus på elever, som har problemer i undervisningen.
Modsat bliver dataindividerne (eleverne) betragtet som leverandører af data, hvilket fx sker gennem arbejde i et læringssystem. Eleverne kan løbende få informationer om fx deres progression i faget, og ud fra visualiseringer kan de se deres niveau i faget.
Det skal dog bemærkes, at der kan være tilfælde, hvor dataklienterne og dataindividerne er ens, hvilket sker, hvis applikationen giver feedback direkte til eleven uden at informere læreren.
Institutionen har mulighed for at bruge elevdata med henblik på at evaluere og forbedre undervisningen og samtidig se, hvem der er fraværstruet.
Mål
Inden for Learning Analytics kan man opdele målet i henholdsvis refleksion og forudsigelse (Greller & Drachsler, 2012 s. 47-48).
Refleksion er udtryk for elevens kritiske selvevalueringsproces. Her hjælper learning analytics eleven med at foretage refleksioner omkring egen læring på baggrund af elevens datasæt, som applikationen har logget. Ydermere er det muligt, at eleven her kan måle sig med andre elever, men man skal være opmærksom på, at det er meget personlige data, som applikationen har logget, og man skal derfor passe på, hvordan man anvender disse.
En applikation vil også være i stand til at lave forudsigelser på baggrund af elevernes data. Dermed vil lærerne fx kunne få besked, hvis elever er tæt på at droppe ud, eller applikationen kan være adaptiv og dermed tilpasse sig den enkelte elevs læringsstil. Ud fra disse datasæt vil det også være muligt at bygge applikationer, der ved hjælp af Machine Learning kan gå ind og hjælpe læreren med at træffe beslutninger om eleven på baggrund af statistik. Det rejser dog en række etiske problemstillinger, såsom hvorvidt vi har tillid til, at computeren går ind og dømmer eleven? Hvad skal bruges til at træffe den slags beslutninger, er det elevens køn eller etnicitet, eller på baggrund af arbitrære uvidenskabelige kategorier, såsom social klasse?
Datalaget
De indsamlede undervisningsdata kan opdeles i henholdsvis et lukket og åbent datasæt ud fra, hvem der har dataadgang (Greller & Drachsler, 2012 s. 48-49). Ved at give andre virksomheder adgang til disse datasæt i anonymiseret form (åbne data), så bliver det muligt for dem at udvikle mash-up og dermed lave applikationer med nye muligheder. Et eksempel på dette kan være statens indsamling af skolernes løfteevne som bruges til at lave ranglistning af skolerne.
Der er to store problemstillinger omkring datalaget. For det første er det meget uklart, hvem det er, der ejer de data, der bliver logget. Er det eleven (deres forældre) eller institutionen?
Den anden problemstilling er lærere og elever, der “forurener” data i databasen. Fx kan en lærer gå ind og oprette et “testhold” og en “testelev”. Disse data giver ikke mening i et datasæt, og det er nødvendigt at fjerne disse fra datasættet for at give meningsfulde data.
Instrumenter
Her implementeres forskellige teknologier, der kan gå ind og bearbejde datalaget (Greller & Drachsler, 2012 s. 49-50). Det kan fx være gennem forskellige analyseværktøjer, algoritmer, maskinlæring eller NLP (Natural Language Processing). Fælles for disse teknologier er, at de skal hjælpe aktørerne med at nå deres mål. Eksempelvis kan et af disse instrumenter være en applikation, der, ved hjælp af maskinlæring, bliver trænet til at alarmere, hvis en elev er fraværstruet. Teknologien er i stand til at finde forskellige mønstre (fx ved hjælp af Bayesian classifier (Greller & Drachsler, 2012 s. 50)) på disse elever og dermed udarbejde en liste over fraværstruede elever.
Eksterne bindinger
Der er en række udefrakommende konventioner og normer, man skal tage højde for, når der arbejdes med Learning Analytics. I teksten peger Geller og Drachsler (2012) på, at det er vigtigt, at man er åben omkring, hvilke data der bliver indhentet, og hvordan de anvendes, samtidig med at man bør udvikle retningslinjer, der er med til at beskytte mod datamisbrug.
Interne begrænsninger
Ved at bruge data er der naturligt en række menneskelige udfordringer og forhindringer, som der skal tages højde for, når der forsøges at skabe mening i elevernes data (Greller & Drachsler, 2012 s. 51-52).
Ved at lade Learning Analytics indgå som et pædagogisk redskab i undervisningen skal man være opmærksom på, at de data, der præsenteres af applikationen, også skal fortolkes. Det kræver ifølge Greller og Drachsler en række nye kompetencer for at kunne udlede brugbar viden og efterfølgende anvende det til at forbedre læring. Ved at bruge visualisering er det muligt at se sammenhænge i data, men det kan hurtigt komme til at forsimple virkeligheden. Det handler derfor i høj grad om, hvordan og hvornår data bruges, for når læring bliver lavet om til et tal og efterfølgende visualiseres som en repræsentation af virkeligheden, kan det nødvendigvis ikke stå alene. Derfor skal læreren, eleven og andre, der tolker på data, have en høj grad af kritisk evalueringskompetence for ikke at udlede forkerte konklusioner.
På en eller anden måde indgår Learning Analytics allerede i det arbejde, der gøres på de enkelte uddannelsesintuitioner, men jeg har på fornemmelsen, at det er de færreste, som har gjort sig ovenstående overvejelser om adgangen til elevernes data.
Kilder
Duval, E. (2011). Attention please! - learning analytics for visualization and recommendation. Lak, 9–17. http://doi.org/10.1145/2090116.2090118
Greller, W., & Drachsler, H. (2012). Turning Learning into Numbers - A Learning Analytics Framework. Educational Technology & Society, 1–17. http://doi.org/10.1109/COINFO.2009.66
Siemens, P. L. A. G. (2011). Penetrating the Fog: Analytics in Learning and Education. Educause, 1–6.
Læs også
Dashboards og Learning Analytics
De fleste dashboards til Learning Analytics er udviklet med henblik på atunderstøtte læring hos eleverne eller for at lærerne kan handle på baggrund afdata. Ved at bruge aktuelle og historiske data om den enkelte elev eller holdet,hjælper visualisering af disse data til at det bliver nemmere at f…
