Vis dažniau girdime sąvoką mokymosi analitika, bet nelabai žinome, kas tai yra ir kaip ją taikyti kasdieniame darbe? Mokymosi analitika – viena iš skaitmeninių technologijų, kurios jau dabar plačiai naudojamos švietimo sferoje, o ateityje jų svarba tik didės. Analitinės programos, kurios kažkada buvo skirtos verslo įmonėms, dabar švietimo institucijose naudojamos siekiant įvertinti ir paremti mokinių mokymąsi, suprasti ir tobulinti ugdymo praktiką, priimti sprendimus dėl ugdymo programų, kovoti su ankstyvuoju mokinių asitraukimu iš švietimo sistemos. Kaip tyrimų sritis, mokymosi analitika yra mokymosi (pvz., švietimo tyrimai, ugdymo technologijos) ir analitikos (pvz., statistika, vizualizacija, dirbtinis intelektas) mokslų konvergencija.

Duomenys apie mokymą ir mokymąsi buvo renkami bei kaupiami visais laikais, tačiau būdai, kuriais tai buvo daroma, nesudarė sąlygų juos rinkti ir kaupti organizuotai tam tikslui skirtose vietose ar sistemose. Todėl dažniausiai šie duomenys lieka nepanaudoti arba naudojami fragmentiškai. Šie duomenys kaupiami įvairiomis formomis, įvairiose sistemose ir laikomi įvairiose vietose, tokių išsklaidytų duomenų analizė tampa iššūkiu norintiesiems juos analizuoti ir jais remtis. Mokymosi analitika yra įrankis, skirtas duomenims paversti žiniomis. Daugiau žinodami apie besimokančiųjų mokymosi įpročius ir mokymuisi įtaką darančius aplinkos veiksnius, galime veiksmingai pagerinti mokymą bei mokymąsi.

Mokymosi analitikos kategorijos. Kokius duomenis renkame?

Mokymosi patirtį išmatuoti nėra paprasta. Mokymosi analitika (MA) yra daugiau nei tik mokinių pažangos fiksavimas ir vertinimas. Tobulėjant dirbtinio intelekto technologijoms, kuriamos tokios skaitmeninės priemonės, kurios padeda suprasti mokymosi patirties esmę. Kokių duomenų galima surinkti apie sudėtingą, subjektyvią mokymosi patirtį?

Naudodami skaitmenines mokymosi technologijas, galime gauti patikimų duomenų, susijusių su mokymuisi skirtu laiku ir mokymosi įpročių dažnumu: kiek laiko besimokantysis praleidžia, kada, kaip dažnai, ko mokosi. Galime sužinoti, kurios temos sulaukia daugiausia, o kurios mažiausiai dėmesio. Trumpi ir nesudėtingi klausimai padeda susidaryti išsamesnį vaizdą, kaip mokiniai mokosi, ar tas mokymasis keičiasi ir kaip keičiasi. Šią informaciją galima gauti bet kuriuo mokymosi ciklo metu, netgi nebaigus temos ar kurso. Pavyzdžiui, jei temą mokiniai mokosi kelis mėnesius, dažniausiai besimokančiųjų prašome apmąstyti patirtį mokymosi ciklo pabaigoje. Tačiau pirmųjų savaičių patirtis gali būti primiršta, prisiminimas netikslus. Mokymosi analitika padeda suprasti ne tik buvusio mokymosi patirtis, bet ir tai, kas vyksta klasėje čia ir dabar, kas pavyko ir ką būtų galima patobulinti, atpažinti besimokančiuosius, kuriems kyla sunkumų, ir sureaguoti prieš atsirandant rimtų problemų. Ne mažiau svarbu suprasti besimokančiųjų socialinę sąveiką. Pokalbiai ir diskusijų lentos yra vienas iš būdų rinkti informaciją apie bendradarbiaujančio mokymosi atvejus, su mokymusi susijusias sąveikas. Mokymosi analitika ne tik padeda suprasti besimokančiuosius, bet ir jiems padėti patirti mokymąsi kaip prasmingą patirtį.

Atsižvelgiant į tai, kokie mokymosi duomenys analizuojami, mokymosi analitiką galime suskirstyti į tris pagrindines kategorijas: besimokančiojo, mokymosi patirties ir skaitmeninės mokymosi programos.

Mokymosi analitikos kategorijos

Besimokančiojo, arba besimokančiojo duomenų, analizė įgalina gauti žinių, kaip mokinys ar mokinių grupė mokosi. Analizuojant duomenis, ieškoma atsakymų į klausimus: kuris besimokantysis skiria daugiausia laiko mokymuisi? Kokius įgūdžius turi šis asmuo ar asmenų grupė? Kokios yra žinių spragos? Kurie besimokantieji yra itin gabūs, o kuriems reikėtų skirti daugiau laiko mokymuisi? Kokios temos domina mokinius?

Mokymosi patirties, arba mokymosi patirtį liudijančių duomenų, analizė padeda daugiau sužinoti apie konkrečią mokymosi veiklą. Išanalizavus mokymosi patirtį, galima rasti atsakymus į klausimus apie konkrečios veiklos naudojimo būdus: kiek buvo naudojama viena ar kita mokymosi veikla ir mokymosi šaltinis? Kokių išteklių ar temų besimokantieji ieško? Kaip jie pasitelkia mokymosi patirtį, naršydami prieinamą mokymosi turinį?

Skaitmeninės mokymosi programos analitika padeda suprasti, kaip apskritai skaitmeninės mokymosi programos veikia. Analizuodami skaitmeninių mokymosi programų duomenis, užduodame klausimus ir ieškome atsakymų apie mokymosi proceso visuminį poveikį mokymuisi ir jo rezultatams: ar gerėja besimokančiųjų mokymosi patirtis naudojant tam tikrus šaltinius? Ar parinkta mokymo metodika lėmė geresnius mokymosi rezultatus? Ar kinta besimokančiųjų elgesys? Kaip?

Mokymosi analitikos lygmenys

Pagal tai, kaip ir kokiu tikslu renkami bei analizuojami duomenys, skiriami keturi mokymosi analitikos lygmenys: aprašomoji analitika, diagnostinė analitika, prognostinė analitika, preskriptyvioji analitika.

Mokymosi analitikos lygmenys 

Aprašomoji analitika dėmesį koncentruoja į tai, kas jau įvyko, kad būtų galima priimti sprendimus dėl mokiniui ar jų grupei geriausiai tinkančio mokymo būdo. Analizuojami turimi duomenys (pvz., mokinių apklausų, vertinimų, egzaminų rezultatai) apie mokinių mokymąsi tam tikrą laiko tarpą. Sukaupti duomenys padeda suprasti mokymo ir mokymosi tendencijas. Pavyzdžiui, taip gaunama duomenų, kiek mokiniai žino apie vieną ar kitą sritį, temą, sąvoką. Išanalizavus juos, sprendžiama, kokios mokymo taktikos gali būti veiksmingos, norint pasiekti geresnių mokymosi rezultatų. Paprastai aprašomosios mokymosi analitikos įrankiai yra integruoti mokymosi valdymo sistemoje ir virtualioje mokymosi aplinkoje.

Diagnostinė analitika padeda rasti atsakymą į klausimą, kodėl taip atsitiko. Naudodama tokius procesus kaip duomenų gavyba, duomenų radimas, diagnostinė analitika remiasi duomenimis, kad išryškintų elgesio ir įvykių priežastis, nustatytų tolesnio tyrimo reikalaujančias sritis, atskleistų priežastinius ryšius, parodytų, kaip tam tikri įvykiai galėjo daryti įtaką mokymui ir mokymuisi. Kad būtų galima nustatyti sąsajas ir priežastinius ryšius, gali tekti rinkti išorinių šaltinių duomenis.

Prognostinė analitika pasitelkia sudėtingesnius statistinės analizės metodus (mašininį mokymąsi, gilųjį mokymąsi) ir ieško atsakymo į klausimą, kas įvyks toliau. Siekiama nustatyti ryšius tarp įvairių duomenų rinkinių ir prognozuoti tendencijas. Taip galima iš anksto atpažinti mokinius, kurie ateityje galimai susidurs su mokymosi, žemų mokymosi pasiekimų problemomis, iškritimo iš ugdymo proceso rizika. Atpažinus galima parinkti ugdymo būdus, padėsiančius įveikti mokymosi sunkumus.

Preskriptyvioji analitika – tai aukščiausias mokymosi analitikos lygmuo, kai pasitelkiamos sprendimų, rekomendacijų ir pranešimų / perspėjimų teikimo sistemos. Šiame lygmenyje ne tik gaunama duomenų, kuriuos galima naudoti priimant veiksmingus sprendimus, bet ir pateikiama alternatyvių siūlymų, kaip mokymąsi padaryti efektyvesnį.

Pabaigoje dera pasakyti, kad patys duomenys neturi įtakos mokinio mokymosi patirčiai. Esminis dalykas yra mokytojo gebėjimas pasinaudoti mokymosi analitikos galimybėmis, kad pagerintų mokymą ir mokymąsi. Skaitmeninės technologijos yra puikus įrankis šį procesą padaryti veiksmingesnį.

Plačiau apie mokymosi analitiką: https://youtu.be/CeWhdSOhQ1k 

Rūta Girdzijauskienė, Dalia Baziukė

2021-12-31