Poweria (BI) ohjaukseen: Kuule analytiikan kutsu, osa 2

Tässä artikkelissa kerrotaan Power BI -visualisoinnin kehittämisestä Vartu 2.0 -hankkeessa. Hankkeen yhtenä tavoitteena oli pilotoida oppimisanalytiikan työkalu, jonka avulla voidaan löytää tuetusta ryhmäohjauksesta hyötyvät Karelia-amk:n opiskelijat. Edellisessä artikkelissa kuvattiin hankkeen taustaa ja suunnitelmissa havaittuja puutteita. Tässä artikkelissa keskitytään kuvaamaan hankkeen lopputulosta sekä havaittuja jatkokehitystarpeita.

Erityyppiset visualisoinnit palvelevat niin opiskelijaa kuin ohjaajiakin

Kuvassa 1 on esitetty niin sanottu huolilista. Se kertoo, ketkä opiskelijoista ovat mahdollisesti putoamassa, jotta kuraattori voi rajata kinttupolkuehdokkaat opiskelijoiden henkilökohtaisen tilanteen perusteella. Mikäli opiskelija on visualisoinnissa tarkastettavassa tilassa, se tarkoittaa opiskelijan tilanteen täyttävän tietyt kriteerit, joiden perusteella hän voi olla putoamassa.

Kuva 1. Huolilista. Liikennevalot kuvaavat keiden opiskelijoiden tilannetta on syytä tarkastella ja mistä syystä.

Kuvassa 2 esitetään opiskelijan tämänhetkinen pistekertymä suhteutettuna jonkin aiemman opintojakson ryhmän suorituspistekertymään. Tämän perusteella ohjaaja pystyy seuraamaan opiskelijan edistymistä ja päättämään mahdollisista tukitoimista. Lisäksi visualisointi voi kannustaa opiskelijaa itseohjautuvuuteen ja korjaavien liikkeiden tekemiseen. On hyvä muistaa, että visualisointi toimii ainoastaan kilpailuhenkisillä opiskelijoilla, joita kiinnostaa verrata omaa suoritustaan muihin.

Kuvassa 3 näkyy eri opintojaksojen vuosittain suorittaneiden opiskelijoiden arvosanajakaumat. Tämän avulla voidaan vertailla opiskelijan suoriutumista opintojaksojen vaativuuteen nähden sekä tarvittaessa pohtia toisia toteutustapoja. Lisäksi visualisoinnissa on nähtävissä opiskelijamäärien vaihtelut eri vuosina.

Kuva 2 ja 3. Opiskelijan suorituspistekertymä suhteessa ryhmän keskiarvoon opintojen aloituksesta, sekä vuosittaiset opintojaksojen arvosanajakaumat. Visualisointi auttaa arvioimaan eri vuosien toteutusten vaativuutta.

Kuvassa 4 puolestaan nähdään millä tavoin jokin ryhmä suhteutuu muiden ryhmien samalla opintojaksolla tuottamiin keskiarvoihin. Visualisoinnista on pääteltävissä, eteneekö jokin ryhmä keskiarvon poikkeaman perusteella huonommin eri vuosikurssien ryhmiin nähden. Visualisointi palvelee kuraattoria ja opinto-ohjaajaa tarjoamalla vertailutietoa muilta kanavilta saadun tiedon lisäksi, jolloin on mahdollista päästä mututuntumasta eroon. Tällä hetkellä visualisoinnissa voidaan vertailla vain saapumisryhmän tasolla, toteutuksen pienryhmiä ei valitettavasti voi vielä hyödyntää.

Kuva 4. Opintojaksojen keskiarvot ja niiden poikkeamat ryhmittäin. Visualisointi auttaa vertailemaan eri ryhmien onnistumista opinnoissaan.

Viimeisessä kuvassa 5 on tarkasteltavissa opiskelijoiden tehdyt ja tekemättömät tehtävät. Tarkasteltava ajanjakso on palautuspäivien perusteella kaksi edellistä viikkoa oletusasetuksen mukaisesti, mutta ajan voi tarvittaessa säätää haluamakseen. Kinttupolulla olevan opiskelijan on helpompi hahmottaa, mitä häneltä käytännössä odotetaan opintopisteiden saamiseksi. Vastaavasti ohjaaja pystyy kohdistamaan tavoitteiden asettamisen opiskelijan kanssa sekä “lempeällä painostuksella” kannustamaan opintojen suorittamiseen.

Kuva 5. Tehdyt ja tekemättömät tehtävät kahden viimeisen viikon aikana. Visualisointi auttaa hahmottamaan opiskelijan edistymistä opinnoissaan kurssitason aktiviteettien tasolla.

Rajoja ja läpinäkyvyyttä – myös opiskelijat voivat tarkastella dataa

Läpinäkyvyys oppimisanalytiikan datan käsittelyssä on tarpeen. Opiskelijoille onkin tehty mahdollisuus tarkastella omaa dataansa. Yksilöivän datan osalta kukin opiskelija näkee vain omansa, mutta eri ryhmien keskiarvot ovat näkyvissä kaikille. Erityisesti tehtyjen ja tekemättömien tehtävien osalta opiskelijan oma data voi osoittautua hyödylliseksi. Samoin vuosittainen arvosanajakauma voi tarjota opiskelijalle visuaalisen näkymän omaan toteutuneeseen opiskeluun.

Koska analyysityökalu luokittelee opiskelijoita visualisoinneissaan, toiminta on käytännössä automaattista profilointia. Tietosuoja-vastaavan konsultointi osoitti, että automaattinen profilointi on sallittua koulutusorganisaatiossa, mikäli se on tarpeen lakisääteisen tehtävän noudattamiseksi. Automaattisesta profiloinnista on kuitenkin lisättävä kuvaukset järjestelmien rekisteriselosteeseen.

Vaikka kunkin opiskelijan on mahdollista tarkastella omaa dataansa, niiden hyödyllisyys voi jäädä kyseenalaiseksi. Tämän vuoksi opiskelijoille on suunniteltava oma näkymänsä, jolloin analytiikkatyökalu tuottaa opiskelijan kannalta mielekkäitä asioita.

Analytiikkatyökalu vapauttaa resursseja – testausta on vielä jatkettava

Opiskelijan ohjauksen lähtökohtana on aina opiskelijoiden yksilölliset tarpeet, mutta analyysityökalu ei anna suoria vastauksia. Suorien johtopäätösten vetäminen analytiikan tuloksista voi pahimmillaan olla haitallista. Analytiikkatyökalun voisi ajatella olevan nimenomaan ennaltaehkäisevän ohjauksen työkalu.

Analytiikkatulosten takana on hyvinkin henkilökohtaisia ja senhetkisiä syitä, joten tulokset kutsuvat ohjaajaa tutkimaan löydöksiä tai poikkeamia tarkemmin. Tämä vapauttaa resursseja massaseulonnasta, ja ohjaaja voi keskittyä syihin sekä varsinaisen ohjauksen toteuttamiseen.

Vartu2 pilotoi analyysityökalua ensin tuetun ryhmäohjauksen ryhmän muodostamisessa etsimällä ne opiskelijat, jotka parhaiten voisivat hyötyä tällaisesta ohjauksesta. Tuloksia analysoitaessa opinto-ohjaajien näkemykset ovat erittäin tärkeässä asemassa, sillä heillä – sekä tutoropettajilla – on lähiohjaajina paras tuntemus opiskelijoihinsa. Vartu2 on kouluttanut opinto-ohjaajat työkalun käyttöön keväällä 2022.