Pastarąjį dešimtmetį pasaulyje ir Lietuvoje daug diskutuojama apie duomenimis bei įrodymais grįstą ugdymą, vadovavimą mokykloms ir švietimo sistemos valdymą. Duomenimis remiamasi priimant sisteminius švietimo politikos sprendimus nacionaliniu ar regiono lygmeniu, rengiant mokyklų tobulinimo planus, svarstant apie klasės ar konkretaus mokinio ugdymo procesus.

Duomenys apie mokinių mokymosi procesą ir rezultatus turėtų būti naudojami geresnių spendimų, strategijų paieškai, tačiau dažnai jie tampa pagrindu reitinguoti mokyklas, bausti ar kritikuoti mokytojus, didinti mokyklų ar mokinių tarpusavio konkurenciją. Tuomet duomenys padaro daugiau žalos negu naudos, nes švietimo srityje tarpusavio konkurencijos skatinimas, nors ir pagrįstas objektyviais duomenimis, prieštarauja moralinei švietimo misijai (Sakadolskienė, 2015).

Mokyklose renkami, kaupiami, analizuojami įvairių duomenų rinkiniai. Tai yra demografiniai duomenys apie mokinius, mokytojus ir tėvus, statistiniai duomenys apie mokymosi aplinką, išteklius, mokinių mokymosi pažangą (egzaminų, atsiskaitomųjų bei standartizuotų testų rezultatai ir kt.). Vienus duomenis mokyklos perduoda steigėjams ar įkelia į nacionalinę Švietimo valdymo informacinę sistemą (ŠVIS), kitus – kaupia ir analizuoja savo bendruomenėje. Vienose mokyklose sukurtos sistemos, kaip stebėti ir analizuoti individualią mokinio pažangą, kartu ieškoti sprendimų, skiriant dėmesį individualiai vaiko pažangai įvairiose srityse, o kitose apsiribojama pažymių ir jų pokyčių analize.

Mokyklose su duomenimis dirba įvairūs jų „šeimininkai“ ir valdytojai, pvz., atsiskaitomųjų ir standartizuotų testų duomenis „valdo“ mokyklos administracija, duomenis apie spec. ugdymosi poreikių turinčius vaikus tvarko Vaiko gerovės komisija, mokinio individualios pažangos stebėsenos duomenis – klasių auklėtojai ir mokytojai. Galima teigti, kad mokyklose kaupiami didžiuliai įvairių duomenų kiekiai, juos kaupia ir tvarko įvairūs duomenų „šeimininkai“, jie kaupiami įvairiomis formomis ir įvairiose laikmenose (popieriniuose dokumentuose, skaitmeninėse laikmenose ar platformose). Tad kaip padaryti, kad šie duomenys būtų lengviau prieinami ir padėtų priimti geresnius mokymo ir mokymosi tobulinimo sprendimus?

Šiuolaikinės technologijos į pagalbą mokytojui

Kaip įsivaizduojame mokytoją, analizuojantį duomenis apie mokinių mokymąsi? Gal jis ar ji po pamokų keletą valandų rašo dienoraštį, analizuoja užrašus, kur fiksavo mokinių stebėjimo įžvalgas? Kokius duomenis jis ar ji analizuoja? Kiek tam reikia laiko? Kas galėtų padėti mokytojams atlikti kokybišką jų mokinių mokymosi duomenų analizę ir taupyti taip jiems brangų laiką?

Šiuolaikinės skaitmeninės technologijos ateina į pagalbą mokykloms ir mokytojams, siūlydamos įvairius darbo su duomenimis įrankius. Nuotolinio mokymosi metu mokyklos įvaldė Google arba Office 365 įrankius, kurie leidžia įvairius duomenis kaupti vienoje vietoje. Daugelis mokyklų naudoja elektroninius dienynus, kurie leidžia operatyviai teikti informaciją tėvams apie jų vaikų mokymąsi.

Dar daugiau galimybių suteikia į skaitmenines platformas integruota mokymosi analitikos funkcija, kai dirbtinis intelektas sutvarko, surūšiuoja ir vizualizuoja mokinių mokymosi duomenis. Tuomet mokytojas gali greičiau priimti sprendimus dėl tolesnių mokymo etapų, informuoti mokinius ar jų tėvus, kaip sekėsi įveikti tam tikrą mokymosi ciklą. Mokytojui nebereikia gaišti laiko suvestinėms, skaičiavimams, schemoms, grafikams. Pasitelkus Lego metaforą, paveikslėlyje galima matyti, kaip skiriasi duomenys skirtingais jų apdorojimo etapais. Mokymosi analitikos įrankiais duomenys ne tik surūšiuojami ir sutvarkomi, bet ir aiškiai pateikiami, vizualizuojami. Tai palengvina suvokti informaciją bet kuriam su duomenimis susiduriančiam asmeniui. Dirbtiniu intelektu paremtos ir mokymosi analitiką integruojančios skaitmeninės platformos gali pateikti siūlymų bei įžvalgų, kokių veiksmų imtis, kokius tikslus kelti, kaip planuoti mokymo ir mokymosi procesą.

Mokymosi analitikos duomenų aiškumas

LearnLab ir Eduten Playground platformų kūrėjai apie duomenis, jų rinkimą ir naudojimą

LearnLab skaitmeninės platformos kūrėjas Yngve Lindvigas (2021) teigia, kad dirbtiniu intelektu grindžiama mokymosi analitika daugeliu atžvilgių yra naudinga mokytojams ir mokiniams, tačiau dar tik vystomos technologijos, galinčios analizuoti itin sunkiai apčiuopiamus duomenis apie mokinių giluminį mokymąsi, bendrųjų kompetencijų ugdymąsi. Skaitmeninėse platformose yra keturi dirbtiniu intelektu grindžiamos mokymosi duomenų analitikos lygmenys, iš kurių du pirmieji jau sėkmingai įgyvendinami, trečiasis iš dalies, o ketvirtasis turėtų būti sukurtas.

I lygmuo. Duomenų rinkimas ir parengimas. Sukuriami algoritmai, kokie duomenys ir kokiu būdu renkami.

II lygmuo. Duomenų įprasminimas. Ką tie duomenys rodo? Pavyzdžiui, platformoje, stebint mokinių mokymąsi ilgesnį laiką, duomenys parodo mokinių kruopštumą, atidumą ir kitus bendruosius gebėjimus.

III lygmuo. Duomenų naudojimas siekiant tiksliau įvertinti ir gauti mokinių mokymosi grįžtamąjį ryšį: kodėl mokinys „užstrigo“ atlikdamas užduotį? Kodėl ir kokiems mokiniams geriau sekasi vienos užduotys, o kitiems kitos? Koks grįžtamasis ryšys mokiniams yra paveikesnis? Ką patarti mokiniui, kad paskatintume jį geriau atlikti užduotį?

IV lygmuo. Duomenys padeda nuspėti, kokio postūmio ar patarimo reikia mokiniams mokymosi procese. Dirbtinis intelektas, analizuodamas mokinio veiklą, kam jis ar ji teikia pirmenybę, nustato, kas mokinį motyvuoja, skatina, įkvepia. Realiu laiku mokiniai gauna patarimų, paskatinimų, užuominų, o mokytojai – pasiūlymų, koks grįžtamasis ryšys ir formuojamasis vertinimas būtų tinkamiausias konkrečiam mokiniui. Taip mokiniai laiku gauna grįžtamąjį ryšį, skatinantį juos mokytis giliau, labiau įsitraukus ir susidomėjus, nesusitelkus vien tik į standartizuotais testais ar egzaminais matuojamus mokymosi rezultatus.

Eduten Playground platformos kūrėjo Mikko-Jussi Laakso (2021) teigimu, nesvarbu, kaip ištobulės mokymosi analitika ir kitos dirbtinio intelekto sritys. Jos niekada nepakeis mokytojų, gerai pažįstančių savo mokinius ir puikiai išmanančių šiuolaikines pedagogines strategijas. Tik mokytojai gali sukurti geriausias mokymosi patirtis savo mokiniams, o skaitmeninės technologijos, kurių poveikis iš esmės yra kuklus ir ribotas, turi prisitaikyti prie mokytojų poreikių, taupyti jų laiką, palengvinti darbą tose srityse, kur kompiuteris gali dirbti greičiau ir efektyviau. Mokymosi analitika ir yra viena iš sričių, padedančių mokytojams efektyviai dirbti su duomenimis, kad savo laiką ir dėmesį nukreiptų kiekvieno mokinio mokymosi sėkmei.

Literatūra

1. Lindvig, Y. (2021). Learning Analytics. Pristatymas DIMA_LT stažuotės dalyviams. Oslo: Learn Lab.
2. Lakso, M. J. (2021). Research-based development of Education with learning analytics: Towards nationwide teaching and learning ecosystem. Pristatymas DIMA_LT stažuotės dalyviams. Turku universitetas.
3. Sakadolskienė, E. (Sud.0 (2015). Ar konkurencija lemia švietimo kokybę? Švietimo problemos analizė 4(128). https://www.smm.lt/uploads/documents/tyrimai_ir_analizes/SPA%202015%20sausis%20Nr4%20(128).pdf

Eglė Pranckūnienė

2021-12-31