Opiskelija-analytiikka verkko-oppimisympäristöissä

Mika Aaltonen

Pro gradu -tutkielma

Tietojenkäsittelytieteen laitos

Tietojenkäsittelytiede

Lokakuu 2018

i

ITÄ-SUOMEN YLIOPISTO, Luonnontieteiden ja metsätieteiden tiedekunta, Kuopio

Tietojenkäsittelytieteen laitos

Tietojenkäsittelytiede

Opiskelija, Mika Aaltonen: Opiskelija-analytiikka verkko-oppimisympäristöissä

Pro gradu -tutkielma, 134 s.,1 liite (3 s.)

Pro gradu -tutkielman ohjaaja: Erkki Pesonen, FT

Lokakuu 2018

Tiivistelmä: Opiskelija-analytiikalla tarkoitetaan tiedon keräämistä, analysointia ja

visualisoimista oppimisprosessista data-analytiikan välinein. Menetelminä käytetään

tilastollisia työkaluja ja oppimisen tiedonlouhintaa, joilla kerätään tietoa siitä mitä

opiskelija tekee oppimisen aikana. Kerätystä tiedosta jalostetaan opettajalle ja opis-

kelijalle tarkka oppimisen tilannekuva. Tätä tietoa hyödyntäen oppimista voidaan

nopeammin ohjata oikeaan suuntaan ja havaita oppimisen ongelmakohdat, jolloin

opettajan apua tarvitaan.

Tutkielman tavoitteena on luoda kuva verkossa tapahtuvan oppimisprosessin aikana

tallentuvasta tiedosta ja sen käyttömahdollisuuksista oppimisen tehostamiseksi. Tie-

don keräämistä ja analysointia tutkittiin Moodle-kurssilla opiskelun aikana tallentu-

nutta tietoa käyttäen. Analysoitu tieto oli opiskelijoiden aktiviteettien käyttöä ja opet-

tajan tekemiä arviointeja, joista muodostettiin opettajaa, opiskelijaa ja oppilaitosta

kiinnostavia näkökulmia opetuksen ja oppimisen kehittämiseksi. Lisäksi tutkittiin

opiskelijoiden loppuarvosanaan kurssin aikana vaikuttaneita muuttujia. Kurssi toteu-

tettiin yhden ryhmän osalta verkko-opetuksena ja kolmen ryhmän kohdalta sulautu-

vana oppimisena, jolloin verkko-opetuksen rinnalla oppimista oli tapahtunut myös

luokassa.

Tuloksena havaittiin Moodle-kurssilta tehtävän tiedonkeruun kytkös käytettyihin

aktiviteetteihin ja tarve ryhmitellä aktiviteetteja halutun, oppimiskokonaisuutta ana-

lysoivan lopputuloksen aikaansaamiseksi. Verkkokurssilta tallentui määrällistä ja

laadullista tietoa, josta voitiin nähdä opiskelijoiden kurssin käyttöön liittyviä piirteitä,

seurata oppimisen etenemistä ja ennakoida loppuarvosanaa. Säännöllisen opiskelija-

analytiikan seurannan nähtiin edellyttävän oppimistavoitteiden jakoa osiin, jotka to-

teutettiin Moodlen jaksoja apuna käyttäen. Tehtyjä havaintoja laajennettiin ja vertail-

tiin pro gradu -tutkielmassa esitetyin menetelmin tavoitteena luoda tilannekuva opis-

kelija-analytiikan nykyhetken mahdollisuuksiin ja käytettävyyteen oppimistulosten

parantamiseksi ja opetustyön tehostamiseksi. Tarkastelun pohjalta havaittiin datan

analysoinnin kautta saatavia kurssin kehittämiskohteita ja opiskelijoiden käyttäyty-

miskuvioita, mutta myös lisätutkimuksen tarvetta erityisesti opiskelija-analytiikan

suunnittelun ja käyttöönoton osalta.

Avainsanat: opiskelija-analytiikka, oppimisanalytiikka, oppimisen tiedonlouhinta,

oppimisen hallintajärjestelmä

ACM-luokat (ACM Computing Classification System, 2012 version):

Applied computing~Interactive learning environments

ii

UNIVERSITY OF EASTERN FINLAND, Faculty of Science and Forestry, Kuopio School of Computing, Computer Science

Student, Mika Aaltonen: Student-analytics in e-learning environments

Master’s Thesis, 134 p., 1 appendixes (3 p.)

Supervisors of the Bachelor’s Thesis: PhD Erkki Pesonen

October 2018

Abstract: Student-analytics denote collecting, analyzing and visualizing information

on the learning process using data-analytical tools. The methods used are related to

statistical and data mining analytics. Intention is to gather information about what a

student performs during learning process. Visualized information is refined to the

teacher and the student with an accurate learning context. Using this information

learning can be more effective controlled and problem areas recognized to guide the

teacher.

The aim of the thesis is to explore the information stored during the online learning

when used learning management system and to study potential of the stored data to

enhance learning. The collection and analysis of the data has been studied in more

detail examining the data recorded during Moodle course. The data analyzed consist

of student activities and teacher evaluations. Cognition is used to develop teaching

and learning visualizations to help teachers, students and institutions to gather inter-

esting and helpful perspectives for developing teaching and learning. Further being

studied variables that have influenced the final grade of students during the course.

The course has been implemented as online course for one group and as blended

learning for three groups. Blended learning is implemented using classroom and

online course.

Importance between Moodle activities and data collection was observed as a result.

To achieve outcome of the eligible learning analysis activities can be grouped as a

learning target. Moodle stored quantitative and qualitative data that was used to de-

termine the characteristics of the student's use of the course, to track the progress of

learning and to predict the final grade. Learning objectives were implemented using

Moodle's sequences. Findings are expanded and compared with the methods present-

ed in the Master's thesis aiming to create a snapshot of the current possibilities of

student analytics. Further research is important to explore course data analytics de-

sign and to implement analysis as a part of the teaching.

Keywords: Learning analytics, educational data mining, learning management sys-

tems

CR Categories (ACM Computing Classification System, 2012 version):

Applied computing~Interactive learning environments

iii

Sisällysluettelo

1 Johdanto ...................................................................................................... 1

2 Opiskelija-analytiikka opetuksessa ............................................................. 3

2.1 Opetussuunnitelmasta osaamistavoitteisiin ja arviointiin ................... 4 2.2 Verkko-opetus ..................................................................................... 4

2.2.1 Oppimisen hallintajärjestelmä ............................................ 6

2.2.2 Synkroniset ja asynkroniset verkkotyökalut ....................... 9 2.2.3 Arviointi oppimisen hallintajärjestelmässä ......................... 9

2.3 Opiskelija-analytiikka opetussuunnitelman osana ............................ 10 2.4 Oppimisesta kerättävä tieto ............................................................... 12

2.4.1 Tiedon rakeisuus ............................................................... 12 2.4.2 Oppimisesta kerätyn tiedon arviointi ................................ 13 2.4.3 Laadullinen ja määrällinen tieto ....................................... 14

2.4.4 Moodlen keräämä tieto ..................................................... 15 2.4.5 Web-palvelimen keräämä tieto ......................................... 15

2.5 Verkkokurssin rakenne ja toiminnot ................................................. 17 2.5.1 Verkkokurssin ydintoiminnot ........................................... 17 2.5.2 Sulautuva opetus verkkokurssilla ..................................... 18

2.5.3 Yhteistoiminnallisen oppimisen menetelmä ..................... 19 2.5.4 Verkkokurssin kurssikartta ............................................... 20

2.5.5 Opiskelija-analytiikan viitekehys ..................................... 21 2.6 Opiskelija-analytiikan menetelmiä ................................................... 23

2.6.1 Tilastolliset työkalut ......................................................... 23

2.6.2 Tiedonlouhinta .................................................................. 25

2.6.3 Markovin piilomalli .......................................................... 31 2.6.4 Sosiaalisen oppimisen analyysi ........................................ 32 2.6.5 Tiedon visualisointi ........................................................... 33

2.7 Opiskelija-analytiikan työkaluja ....................................................... 35 2.7.1 Blocks: Course Dedication ............................................... 38

2.7.2 Visual eLearning Analytics .............................................. 41 2.7.3 Moodle Engagement Analytics ......................................... 42

2.7.4 Graphical Interactive Student Monitoring and Tracking System

43 2.7.5 Monitoring Online Courses with Logfiles ........................ 44 2.7.6 Learning Analytics Enhanced Rubric ............................... 45 2.7.7 SmartKlass ........................................................................ 46

2.7.8 Moodlen oma tietovisa (quiz) ........................................... 50 2.7.9 Interactive Assignment ..................................................... 50

2.7.10 Sosiaalisen verkoston analysointityökaluja ...................... 52 2.7.11 Opiskelijan älykäs ohjaaminen: Merlin-know .................. 56 2.7.12 Moodle Data Mining ......................................................... 57

2.8 Yhteenveto opiskelija-analytiikasta opetuksessa .............................. 58 2.8.1 Tiedon tallennus ................................................................ 58

2.8.2 Oppimissovellukset ........................................................... 59

iv

2.8.3 Verkkokurssin toteutus ..................................................... 60 2.8.4 Skaalautuvuus ................................................................... 61

3 Opiskelija-analytiikka Johdatus tietojenkäsittelyyn -kurssilla ................. 62

3.1 Johdatus tietojenkäsittelyyn -kurssi .................................................. 64 3.2 Tiedonkeruu Moodlesta .................................................................... 65

3.3 Tiedon analysointiväline Microsoft Power BI Desktop ................... 66 3.4 Seurattavat kohteet ............................................................................ 68 3.5 Tiedon analysoinnin tasot ................................................................. 69 3.6 Muuttujien tarkastelu ........................................................................ 70

3.6.1 Tarkasteluun valitut muuttujat .......................................... 70

3.6.2 Muuttujien tilastollisen merkityksellisyyden arviointi ..... 71 3.6.3 Korrelaatioanalyysi ........................................................... 81

3.6.4 Päätöspuuluokittelu ........................................................... 84

3.7 Kurssilla käynti ................................................................................. 88 3.7.1 Viikonpäivä ....................................................................... 90 3.7.2 Kellonaika ......................................................................... 91 3.7.3 Jaksot ................................................................................ 93

3.8 Keskustelualueet ............................................................................... 96 3.9 Tentit ................................................................................................. 97

3.10 Tehtävät .......................................................................................... 101 3.10.1 Kotitehtävät ..................................................................... 101

3.10.2 Harjoituksiin osallistuminen ........................................... 104 3.11 Johtopäätökset Moodle-kurssin opiskelija-analytiikasta ................ 105

3.11.1 Moodle-kurssin rakenne ................................................. 105

3.11.2 Oppimisen iteraatiot ........................................................ 107 3.11.3 Osaamis- ja oppimistasot ................................................ 107

3.11.4 Moodlen oppimistavoitteet ............................................. 108 3.11.5 Opiskelijan tehtävistä saama palaute .............................. 108

3.11.6 Tentit ja Markovin piilomalli .......................................... 110 3.11.7 Power BI Desktop opiskelija-analytiikan työvälineenä .. 110 3.11.8 Määrällisen ja laadullisen arvioinnin yhdistäminen ....... 112

3.11.9 Arviointitiedosto ja redundanssi ..................................... 112 3.11.10 Opiskelija-analytiikan mittaristo ..................................... 113

4 Yhteenveto .............................................................................................. 120

4.1 Mitä on opiskelija-analytiikka ja miten se toimii? .......................... 120 4.2 Miksi opiskelijatietoa kerätään? ..................................................... 123 4.3 Kenelle opiskelijatietoa kerätään? .................................................. 123

4.4 Opiskelija-analytiikan hyödyntäminen ........................................... 124

4.5 Lisätutkimuksen aiheita .................................................................. 127

Lähteet ............................................................................................................ 129

Liitteet

Liite 1: Palveluna toimivia verkkosivujen analytiikkatyökaluja (3 sivua)

1

1 Johdanto

Tietoyhteiskunnassa päätöksenteko liittyy yhä tiiviimmin tietoon. Tämä muodostaa

uudentyyppisen sosiaalistumisen tyypin: Yksilön tuottavan asenteen tietoon ja kogni-

tioon eli tietoyhteiskuntaan sosiaalistumiseen (Karpov 2016, 3487). Tietoyhteiskunta

luo myös tiedon ylikuormituksen ongelman, jonka seurauksena on vaara menettää

sellaista tietoa, joka ei ole tarkasteltavan tehtävän kannalta merkityksellisiä, jota on

käsitelty sopimattomalla tavalla tai jonka esitys on epäasianmukaista (Keim ym.

2008, 154). Opiskelijan kasvua digitalisoituvassa yhteiskunnassa voidaan tukea opis-

kelija-analytiikan avulla. Opiskelija-analytiikka kerää oppimisesta tietoa, joka opetta-

jalta ja opiskelijalta muuten saattaisi jäädä tehokkaasti hyödyntämättä. Tietoa sovel-

letaan oppimiseen liittyvässä päätöksenteossa, jolloin opiskelija oppii ymmärtämään

ja soveltamaan oppimisprosessin aikana myös laajemmin tietoyhteiskunnassa yleis-

tyviä algoritmisia päätöksentekomenetelmiä.

Data-analytiikan tavoitteena on löytää malleja ja suhteita tietoihin. Sen menetelmiä

voidaan soveltaa silloin, kun tarkasteltavaa lopputulosta kuvaavaa, laadukasta tietoa

on mahdollista kerätä riittävästi. Opiskelija-analytiikassa tietoa kerätään data-

analytiikan välinein oppimisprosessista. Menetelminä ovat tilastolliset välineet ja

oppimisen tiedonlouhinta, joilla kerätään tietoa siitä mitä opiskelija tekee oppimisen

aikana. Kerätystä tiedosta jalostetaan opettajalle ja opiskelijalle itselleen tarkka tilan-

nekuva. Tätä tietoa hyödyntäen oppimista voidaan nopeammin ohjata oikeaan suun-

taan ja havaita oppimisen ongelmakohdat, jolloin opettajan apua tarvitaan (Ihantola

ym. 2015, 1).

Tutkielmassa perehdytään opiskelija-analytiikan menetelmiin ja käyttöön tietojenkä-

sittelytieteen opetuksessa. Menetelmät ovat sovellettavissa myös muilla aloilla. Suuri

arvioitava kysymys on opetuksen osana toteutettavan laadukkaan ja riittävän katta-

van tiedonkeruun järjestäminen. Tutkielma on toteutettu kirjallisuuskatsauksena ja

Moodle-kurssilta kerättyä dataa analysoivana erikoistyönä. Tutkielman tutkimusky-

symykset ovat seuraavat:

1. Mitä on opiskelija-analytiikka ja miten se toimii?

2. Miten oppimisen hallintajärjestelmää voidaan soveltaa tiedon keräämiseen?

2

3. Miten oppimisesta kerättyä tietoa voidaan hyödyntää opiskelijan, opettajan ja

oppilaitoksen näkökulmista?

Tutkielma on jaettu kolmeen osaan: Teoriaan, analyysiin ja johtopäätöksiin. Luvussa

1 on teoriaosuus, jossa kuvataan opiskelija-analytiikan tutkimuksen soveltamista

tietojenkäsittelytieteen opetuksessa. Osuudessa käsitellään tutkimuksissa käytettyjä

tiedonkeruuvälineitä ja -menetelmiä sekä analysoidaan erilaisiin tarkoituksiin kehi-

tettyjen kehysten sovellettavuutta opiskelija-analytiikan näkökulmasta.

Luvun 2 analyysissä esitetään pro gradu -tutkielman rinnalla tehdyn erikoistyön

”Opiskelija-analytiikkaa Moodle-datasta” kautta saatuja keskeisiä tutkimustuloksia ja

peilataan niitä käsiteltyihin tutkimuksiin ja tutkimuksista saatuihin tuloksiin. Yhteen-

veto ja johtopäätelmät ovat luvussa 3.

3

2 OPISKELIJA-ANALYTIIKKA OPETUKSESSA

Opiskelijan opetustilanteiden aikana suorittamien tehtävien analysointi antaa opetta-

jalle hyvän kuvan opiskelijan oppimisen etenemisestä. Opiskelijoiden luokittelu ope-

tettavan aiheen osaamisen perusteella mahdollistaa oikeaa tasoa vastaavien tehtävien

antamisen, jolloin oppimista tapahtuu koko oppimisasteikolla (Diana ym. 2017, 7; Fu

ym. 2017, 7). Sopivasti oppimista haastavat tehtävät ylläpitävät myös opiskelijan

motivaatiota. Lisäksi opiskelija-analytiikan avulla on mahdollista saada palautetta

tehtävien toimivuudesta niiden kehittämiseksi (Fu ym. 2017, 4).

Opettajan ja opiskelijan on tärkeää saada palautetta ja nähdä edistymisensä koko op-

pimisprosessin aikana (Fernandez-Medina ym. 2013, 1). Oppimistulokset voidaan

esittää kootusti yhdessä paikassa opiskelija-analytiikan kojelaudalla, joka antaa pa-

lautetta opiskelijalle itselleen, mutta laajemmassa kontekstissa myös opettajalle koko

ryhmän etenemisestä (Trætteberg ym. 2016, 666; Diana ym. 2017, 4). Rutiininomai-

sen tehtävien tarkistamisen automatisointi jättää opettajalle enemmän aikaa ohjata

oppimisen aikana esiin nousevia kehityskohteita ja varmistaa oppimisen laatu

(Trætteberg ym. 2016, 666-667).

Luvussa tarkastellaan opiskelija-analytiikan soveltamiseksi tietojenkäsittelytieteen

opetuksessa oppimisen hallintajärjestelmässä liittyvää tutkimusta tarkoituksena muo-

dostaa kuva mitä oppimisen hallintajärjestelmää käyttävällä opiskelija-analytiikalla

tarkoitetaan, miten tietoa oppimisesta tällaisessa ympäristössä kerätään ja miten sitä

hyödynnetään.

Aliluvussa 2.1 tarkastellaan oppilaitoksen opetustoimintaa: Opetussuunnitelmaa,

osaamistavoitteita ja arviointia, joiden osaksi opiskelija-analytiikka voidaan integroi-

da. Aliluvussa 2.2 käsitellään verkko-opetusta: Oppimisen hallintajärjestelmää ja

verkkotyöskentelyn aikaan sidottua tai sitomatonta luonnetta, joka on hyvä tunnistaa

opiskelija-analytiikan määrittelyssä. Aliluvussa 2.3 esitellään menetelmä opiskelija-

analytiikan liittämiseksi opetussuunnitelman osaksi.

Oppimisesta kerättävää tietoa on käsitelty aliluvussa 2.4. Näkökulmat ovat tiedon

rakeisuus, keräystaajuus, laatu ja määrä sekä Moodle ja web-palvelin tiedonkeruu-

4

paikkoina. Opiskelija-analytiikalle soveltuvan verkkokurssin rakennetta ja toimintoja

esitellään aliluvussa 2.5, joka jakautuu verkkokurssin ydintoimintojen määrittelyyn,

sulautuvan ja yhteistoiminnallisen oppimisen menetelmien esittelyyn, verkkokurssin

kurssikartan laatimiseen ja lopuksi opiskelija-analytiikan viitekehykseen, joka ha-

vainnollistaa järjestelmän keräämät tiedot, käyttötarkoituksen ja tiedon keräysmene-

telmän.

Aliluvussa 2.6 on esitelty opiskelija-analytiikan tiedonkäsittelymenetelmiä. Tällaisia

ovat tilastolliset työkalut, tiedonlouhinta, Markovin piilomalli, sosiaalisen oppimisen

analytiikka ja kerätyn tiedon opettajan ja opiskelijan ymmärrettävään muotoon ko-

koava visualisointi. Aliluvussa 2.7 esitellään pääosin Moodlessa hyödynnettäviä

opiskelija-analytiikan työkaluja. Luvun yhteenveto on aliluvussa 2.8.

2.1 Opetussuunnitelmasta osaamistavoitteisiin ja arviointiin

Oppilaitoksen toimintaa voidaan tarkastella kolmella tasolla: Koko organisaatio, tie-

dekunta/osaamisala ja yksikkö/opettaja (Dawson ym. 2008, 223). Usein oppilaitok-

sessa kerätään tietoa oppimisesta vähintään opetuksen ja oppilaitoksen tasoilla. Oppi-

laitoksen toimintaa ohjaa keskeisesti opetussuunnitelma. Opetussuunnitelmassa il-

maistaan opetuksen tavoitteet ja opiskelijoiden arvioinnin perusteet (Uusikylä & At-

jonen 2007, 46).

Arviointi on opettajan vastuulla oleva tehtävä, jossa opiskelijalle ja opettajalle tuote-

taan tietoa oppimisen etenemisestä opetussuunnitelmasta johdettujen, ennalta julkais-

tujen, osaamistavoitteista johdettujen arviointikriteerien pohjalta. Osaamistavoitteet

liittyvät erityisiin tietoihin, käytännön taitoihin, ammatillisen kehityksen alueisiin,

asenteisiin ja korkeamman asteen ajattelutaitoihin, joita opiskelijoiden odotetaan

kehittävän, oppivan tai hallitsevan kurssin aikana (Yassine ym. 2016, 263). Osaamis-

tavoitteiden osana ilmaistaan myös miten opiskelijan on osoitettava osaamisensa.

2.2 Verkko-opetus

Aliluvussa tarkastellaan verkko-opetuksen luonnetta pedagogisesta ja käytännön nä-

kökulmasta. Aluksi esitellään sulautuvan opetuksen käsite, tämän jälkeen oppimisen

5

hallintajärjestelmä Moodle ja lopuksi oppimisen hallintajärjestelmästä löytyvien

verkkotyökalujen synkroninen ja asynkroninen luonne, joka vaikuttaa verkko-

opetuksessa käytettävien työkalujen valintaan.

Verkko-opetus voidaan järjestää sulautuvana tai kokonaan verkossa tapahtuvana

opetuksena. Sulautuvassa opettamisessa (blended learning) kurssille on suunniteltu

kontakti- ja verkko-opetus omina, toisiaan tukevina kokonaisuuksina. Tällöin luok-

kahuone ja virtuaalinen oppimisympäristö sulautuvat kokonaisuudeksi, jossa oppi-

minen tapahtuu (Adraoui ym. 2017, 1; Conde ym. 2015, 1; Levonen ym. 2009, 15-

16). Kontakti- ja verkko-opetuksen eri sulautumisen tasot on esitetty kuvassa 1.

Kuva 1. Sulautuvat vuorovaikutusympäristöt. Kuvassa kasvokkainen vuorovaikutusympäristö

ja verkkoympäristö yhdistyvät mielekkääksi oppimisympäristöksi (Levonen ym. 2009, 129)

Kuvassa 1 nähdään sulautuvan opetusympäristön ”sekoittuminen” perinteisen, kas-

vokkain tapahtuvan, luokkaopetuksen ja verkkovuorovaikutusympäristössä tapahtu-

van oppimisen kesken. Sulautuvan oppimismenetelmän kursseilla voidaan sulauttaa

oppimistehtävien tekemistä, opiskelijoiden vuorovaikutusta ja opettamis-

ta/ohjaamista (Osguthorpe & Graham 2003, 232). Menetelmä mahdollistaa monipuo-

liset pedagogiset mahdollisuudet, tiedon saatavuuden, sosiaalisen vuorovaikutuksen,

mahdollisuuden opiskelijan itsenäiseen toimintaan, kustannustehokkuuden ja hyvän

6

muokattavuuden päivitysten ja korjausten osalta (Osguthorpe & Graham 2003, 230-

231).

2.2.1 Oppimisen hallintajärjestelmä

Verkossa tapahtuvassa opettamisessa käytetään apuna järjestelmää, jota kutsutaan

verkko-oppimisympäristöksi (learning system/virtual learning environment) tai op-

pimisen hallintajärjestelmäksi (learning management system) (mm. Retalis ym.

2006, 1; Conijn ym. 2017, 17). Oppimisen hallintajärjestelmän toimintoja ovat op-

pimisprosessin hallinta, dokumentointi, seuranta ja raportoiminen. Järjestelmä tukee

oppimista tarjoten verkossa oppimiseen liittyvää sisältöä ja valinnaisia osia, kuten

kyselyt, esitykset, tehtävät ja keskustelualueet. Lisäksi järjestelmä mahdollistaa opet-

tajalle mahdollisuuden jakaa ja hallita resursseja helposti suoraan järjestelmän sisäl-

lä.

Yksi suosituimmista oppimisen hallintajärjestelmistä on Moodle. Moodle1 (Modular

Object-Oriented Dynamic Learning Environment) on Martin Dougiaman kehittämä,

vuonna 2001 avoimen lähdekoodin General Public License -lisenssillä julkaistu

verkko-oppimisympäristö, jota kehittää yli 80 maailmanlaajuisen yhteistyöyrityksen

tukema Moodle HQ -verkosto. General Public License on GNU-hankkeen vapaiden

ohjelmien julkaisemiseen tarkoitettu lisenssi, joka tunnetaan nimillä GNU GPL tai

GPL. Lisenssi mahdollistaa ohjelman vapaan kehittämisen sillä edellytyksellä, että

kehitetty lähdekoodi on julkaistava samalla lisenssillä. Moodle on toteutettu PHP2-

ohjelmointikielellä. PHP on avoimen lähdekoodin skriptipohjainen ohjelmointikieli

dynaamisten web-sivujen luomiseksi web-palvelinympäristössä. Ohjelmointikielessä

on laaja luokkakirjasto, jossa on kokoelma rajapintoja (interfaces) ja luokkia (clas-

ses) erilaisten ongelmien ratkaisemiseksi.

Kuvassa 2 on esitetty PHP-pohjaisen järjestelmän toiminta tyypillisessä web-

palvelinympäristössä. jossa on mukana tietokanta- ja sähköpostipalvelimet.

1 https://moodle.com/about/ (viitattu 7.6.2018) 2 http://www.php.net/ (viitattu 29.1.2018)

7

Kuva 2. PHP-järjestelmän toiminta palvelinympäristössä. Web-palvelin tunnistaa asiakkaan

selaimelta tulevan PHP-sivulatauspyynnön, jonka se lähettää PHP-tulkille käsiteltäväksi. PHP-

tulkki käsittelee sivun ja kommunikoi tarvittaessa tiedostojärjestelmän, tietokannan ja sähkö-

postipalvelimen kanssa ja toimittaa verkkosivun web-palvelimelle palautettavaksi selaimeen.

Lähde: W3 schools PHP tutorial3

Kuvassa 2 nähdään PHP-tulkin toimintaympäristö, johon kuuluvat web-palvelin,

käyttöjärjestelmän osana toimiva tiedostojärjestelmä, tietokanta ja sähköpostipalve-

lin. PHP-tulkki toimii usein LAMP-ympäristössä. LAMP-ympäristöllä tarkoitetaan

Linux-Apache-MySQL-PHP -ohjelmistojen yhdistelmää. Linux on UNIX-

järjestelmään perustuva, Linux-ytimellä toimiva käyttöjärjestelmä. Linux-ytimen on

kehittänyt suomalainen Linus Torvalds vuonna 1991. Linux-jakelut on julkaistu Ge-

neral Public License -lisenssillä. Linux-jakeluissa on ytimen lisäksi mukana järjes-

telmätyökaluja, sovelluksia ja työkaluja järjestelmän päivitysten asentamiseen.

Apachella tarkoitetaan web-palvelinta. Web-palvelin käsittelee käyttäjän internet-

selaimen lähettämät HTTP-protokollanmukaiset sivunlatauspyynnöt ja palauttaa si-

vut selaimessa tulkittavaksi. HTTP (Hypertext Transfer Protocol) on selaimen ja

web-palvelimen välillä käytettävä tiedonsiirtoprotokolla. Protokollassa asiakas avaa

palvelimelle TCP-yhteyden ja lähettää pyynnön. TCP on tietoliikenneprotokolla,

jonka avulla tietokoneet voivat lähettää luotettavasti toisilleen tavujonoja. Web-

palvelin vastaa pyyntöön palauttamalla latauspyyntöä vastaavan vastauksen, joka voi

HTML-sivun lisäksi olla binääridataa. Binääridatana voidaan siirtää esimerkiksi ku-

3 https://www.w3schools.in/php/php-basics/ (viitattu 29.1.2018)

8

va- tai äänitiedostoja. PHP-tulkki on integroitu web-palvelimelle. Havaitessaan PHP-

sivulatauspyynnön web-palvelin lähettää sen PHP-tulkille käännettäväksi. PHP-

tulkki palauttaa kääntämänsä tuloksen web-palvelimelle toimitettavaksi asiakkaan

selaimelle.

MySQL on suomalaisen Michael Wideniuksen ja ruotsalaisen David Axmarkin

vuonna 1995 luoma relaatiotietokantapalvelin. Tietokannan sisältämällä tiedolla on

looginen yhteys ja merkitys; Moodle käyttää tietokantaa esimerkiksi tallentaessaan ja

lukiessaan käyttäjiinsä liittyvää tietoa. Relaatiotietokannalla tarkoitetaan E. F. Cod-

din vuonna 1970 esittelemään relaatiomalliin perustuvaa tietokantaa. Coddin re-

laatiomallissa tieto järjestetään tauluihin, sarakkeisiin ja riveihin. Tauluja kutsutaan

myös relaatioiksi ja rivejä tietueiksi. Taulut ilmentävät kokonaisuuden tyyppiä (enti-

ty type), rivit tämän kokonaisuuden esiintymää ja sarakkeet esiintymän arvoa. Jokai-

nen rivi erotetaan yksilöllisellä avaimella. MySQL käyttää lähes kaikkien muiden

relaatiotietokantojen tavoin SQL-kieltä tietokannan hallintaan. SQL (Structured

Query Language) IBM:n kehittämä, standardoitu kyselykieli relaatiotietokannan hal-

lintaan. SQL:n avulla on mahdollista muuttaa tietokannan rakennetta sekä hakea,

lisätä, muuttaa ja poistaa siinä olevaa tietoa. MySQL on julkaistu General Public

License -lisenssillä. PHP:n lisäksi mm. Python ja Perl-ohjelmointikielet sisältävät

tuen MySQL-tietokannan käyttämiselle. Moodlen tukemat tietokantapalvelimet on

esitetty taulukossa 1.

Taulukko 1. Moodle 3.4:n tukemat tietokantapalvelimet. Lähde: Moodlen dokumentointi4

Tietokantapalvelin Vähimmäisversiovaatimus Suositeltu

MariaDB 5.5.31 Uusin vakaa versio

Microsoft SQL Server 2008 Uusin vakaa versio

MySQL 5.5.31 Uusin vakaa versio

Oracle Database 10.2 Uusin vakaa versio

PostgreSQL 9.3 Uusin vakaa versio

Moodlen työkaluista käytetään nimitystä aktiviteetti. Moodlen aktiviteetit5 ovat reaa-

liaikainen keskustelu (chat), interaktiivinen video ja luentomateriaali (H5P), keskus-

4 https://docs.moodle.org/dev/Moodle_3.4_release_notes#Server_requirements (viitattu 29.1.2018) 5 https://docs.moodle.org/3x/fi/Aktiviteetit (viitattu 22.1.2018)

9

telualue, kysely, oppitunti. palaute, sanasto, tehtävä, tentti, tietokanta, työpaja, valin-

ta ja Wiki.

2.2.2 Synkroniset ja asynkroniset verkkotyökalut

Verkko-opetuksessa käytettävät työkalut voidaan jakaa opiskelun saman- tai eriaikai-

sen luonteen perusteella synkronisiin ja asynkronisiin (Adraoui ym. 2017, 1.). Synk-

ronisilla työkaluilla (synchronous learning tools) tarkoitetaan ääni- ja videotapaamis-

ta sekä virtuaalista luokkatilaa, jossa opiskelijat ovat samanaikaisesti paikalla. Synk-

roniset työkalut mahdollistavat tosiaikaisen vuorovaikutuksen opiskelijan ja ohjaajan

välillä ja vähentävät opiskelijan eristyneisyyden tunnetta verkkoympäristössä. Synk-

ronisten työkalujen käyttö vähentää aikaa, jonka opiskelija viettää fyysisessä luokka-

huoneessa. Ne mahdollistavat oppimisen paikasta, mutta eivät ajasta riippumatta.

Moodlen aktiviteeteista reaaliaikainen keskustelu (chat) on ainoa synkroninen työka-

lu.

Asynkroniset työkalut (asynchronous learning tools) ovat verkko-opetuksessa käytet-

täviä työkaluja, jotka eivät vaadi samanaikaista yhteyttä työkalun käyttäjien välillä.

Tällaisia työkaluja ovat esimerkiksi verkkokursseilla käytettävät tehtävät, tentit, kes-

kustelualueet ja wiki. Koska asynkroniset työkalut eivät vaadi samanaikaisuutta käyt-

täjiltään, ne mahdollistavat oppimisen paikan lisäksi myös ajasta riippumatta. Aikaan

sitomattomat työkalut soveltuvat tehtäviin, joissa opiskelijalle halutaan antaa mah-

dollisuus perehtyä ja ratkoa ongelmaa omassa aikataulussaan. Moodlen aktiviteeteis-

ta asynkronisia työkaluja ovat interaktiivinen video ja luentomateriaali (H5P), kes-

kustelualue, kysely, oppitunti. palaute, sanasto, tehtävä, tentti, tietokanta, työpaja,

valinta ja Wiki.

2.2.3 Arviointi oppimisen hallintajärjestelmässä

Arvioinnissa opiskelijalle ja opettajalle tuotetaan tietoa oppimisen etenemisestä arvi-

ointikriteerien pohjalta. Moodlen aktiviteeteista tehtävät, tentit ja keskustelualueet

10

sisältävät mahdollisuuden arviointiin. Moodlessa arvioinnit ovat kurssin hallinnan

(administration) lohkossa opettajalle ja Navigointi-lohkossa opiskelijalle näkyvä työ-

kalu6. Moodle-kurssilla opettaja voi seurata koko kurssin arviointeja, kun taas opis-

kelija näkee vain omien arviointiensa tilanteen.

Tentit-aktiviteetissa arviointi tehdään automaattisesti määrittelemällä arviointiperus-

teet, joihin opiskelijan antamia vastauksia verrataan. Tehtävät-aktiviteettien kohdalla

opettaja antaa suorituksesta arvosanan. Opiskelija-analytiikassa tentin arviointi on

käytössä heti, kun opiskelija on palauttanut tentin ja se on tämän seurauksena auto-

maattisesti arvioitu. Tehtävän arviointi on käytettävissä vasta silloin, kun opettaja on

tallentanut arvosanan aktiviteettiin.

2.3 Opiskelija-analytiikka opetussuunnitelman osana

Opiskelija-analytiikassa käsitellään oppimisprosessista saatavaa tietoa. Tietoa kerä-

tään, analysoidaan ja raportoidaan yksilö-, opetusryhmä-, osasto- ja jopa oppilaitos-

tasoilla. Eri tasoilla voidaan tehdä ennakoivaa mallintamista ja tunnistaa onnistumi-

sen ja mahdollisesti myös epäonnistumisen kuvioita (Azevedo ym. 2017, 641-642).

Jotta oppimista voidaan mitata opiskelija-analytiikassa, kaikkien osaamistavoitteiden

ja oppimistulosten tulisi olla selkeästi mitattavissa, ja tavoite- tai vertailuarvo olisi

tunnistettava. Näitä määrittelyitä apuna käyttäen opiskelija-analytiikan on mahdollis-

ta ilmaista missä kohdassa oppimistavoitteeseen pääsyä kulloinkin ollaan. Selkeästi

mitattavat tavoitteet myös jäsentävät oppimista opettajan ja opiskelijan helpommin

ymmärtämään muotoon. Lisäksi tavoitteita voidaan määritellä kurssin sisällä etene-

misen tasoiksi, joita apuna käyttäen opiskelija voi edetä opinnoissaan (Yassine ym.

2016, 263).

6 https://docs.moodle.org/34/en/Grader_report (viitattu 26.3.2018)

11

Opiskelija-analytiikassa käytetään data-analytiikasta tuttua tietämyksen löytämistä.

Keim ym. esittämä tiedon visualisointi automaattisen data-analyysin menetelmin on

esitetty kuvassa 3.

Kuva 3. Automaattinen tiedon analysointimenetelmien integrointi tietämyksen löytämiseksi.

Kerättyä dataa visualisoidaan ja analysoidaan tiedonlouhinnan malleja apuna käyttäen. Visu-

alisoinnit ja mallit tuottavat tietämystä, jonka perusteella kerätään ja jalostetaan uutta tietoa

(Keim ym. 2008, 156).

Kuvassa 3 nähdään kaksi polkua tietämyksen löytämiseen. Tietoa voidaan visuali-

soida suoraan tai louhia sitä visualisoitavaksi erilaisia tiedonlouhinnan malleja apuna

käyttäen. Tiedon keräämisen ja analyysin prosessi on esitetty kuvassa 4.

Kuva 4. Opiskelija-analytiikan tiedon keräämisen vaiheet: Tiedon kerääminen ja esikäsittely,

analyysien tekeminen ja toimenpiteiden suorittaminen ja jälkikäsittely (Chatti ym. 2012, 6).

Kuvan 4 opiskelija-analytiikan prosessi on luonteeltaan iteratiivinen. Iteratiivisessa

prosessissa prosessin osat on jaettu pieniin osiin ja prosessia toistetaan, jolloin pro-

sessi kehittyy inkrementaalisesti. Inkrementaalisella kehittymisellä tarkoitetaan pro-

sessin kasvamista ja kehittymistä kohti lopullista muotoaan. Prosessissa on tunnistet-

tu yleiset kolme toisiaan seuraavaa vaihetta: Datan keräys ja esikäsittely, analyysi ja

toimenpiteet sekä jälkikäsittelyvaihe. Datan keräys- ja esikäsittelyvaiheessa kerätään

tietoa opiskelusta yhdestä tai useammasta eri opiskeluympäristöön liittyvästä järjes-

telmästä. Kaikki dataa myöhemmin käsittelevät vaiheet ovat riippuvaisia datan ke-

räyksen onnistumisesta. Analyysin ja toimenpiteiden vaiheessa kerätystä datasta etsi-

12

tään kuvioita ja malleja, joiden avulla oppimista voidaan tehostaa. Toimenpiteet si-

sältävät opiskelun seurantaa, analysointia, ennustamista, väliintuloa, arviointia, mu-

kauttamista, personointia, suosituksia ja pohdintaa. Jälkikäsittelyvaihe on analysoin-

tiprosessin parantamista ja uuteen iteraatiokierrokseen valmistautumista. Siihen voi

sisältyä tietojen keräämistä uusista tietolähteistä, tietojoukon hienosäätämistä, uuden

iteroinnin tarvitsemien ominaisuuksien määrittelyä, uusien muuttujien määrittelyä ja

analyysimenetelmän valintaa. (Chatti ym. 2012, 5-6)

Opiskelija-analytiikalla pyritään mittaamaan oppimistavoitteisiin pääsyä oppimistu-

losten ja/tai oppimisprosessin kautta. Opiskelija-analytiikan luonne oppimisprosessin

mittaajana edellyttää sen ottamista osaksi opetussuunnitelmaa. Opetuksen suunnitte-

lun osana opettajat jakavat hyviä käytäntöjä ja usein myös opetusmateriaalia. Yhteis-

työssä opiskelija-analytiikka ja opetuksen suunnittelu voivat auttaa kehittämään opet-

tamista ja arviointia sekä ymmärtämään opiskelijan toimintaa (Lockyer ym. 2013,

1439-1442).

2.4 Oppimisesta kerättävä tieto

Aliluvussa tarkastellaan oppimisesta tallentuvan tiedon luonnetta ja siitä tehtävää

arviointia. Aliluvussa 2.4.1 esitetään tiedon rakeisuus vertaillen kehitysympäristön ja

oppimisen hallintajärjestelmän keräämää tietoa. Aliluvussa 2.4.2 käsitellään kerätyn

tiedon arviointia automaattisesti tai opettajan toimesta. Aliluvussa 2.4.3 tarkastellaan

tiedon laadullisia ja määrällisiä ominaisuuksia. Lopuksi tarkastellaan tiedon kerää-

mistä: Aliluvussa 2.4.4 Moodlesta ja aliluvussa 2.4.5 web-palvelimesta.

2.4.1 Tiedon rakeisuus

Opiskelija-analytiikka on mahdollista silloin, kun oppimisesta tallentuu tietojärjes-

telmään tietoa, jota voidaan analysoida. Ihantola ym. löytävät ohjelmointitehtävien

kehitysympäristöä tarkastellessaan erilaisia tiedon rakeisuuden tasoja (2015, 48).

Kehitysympäristö on ohjelmiston suunnitteluun ja toteutukseen käytettävä ohjelma

tai joukko ohjelmia, yksinkertaisimmillaan tekstieditori ja ohjelmointikielen kääntä-

jä. Kääntäjän tehtävä on muuntaa opiskelijan kirjoittama lähdekoodi konekieliseksi

binääritiedostoksi. Tiedon rakeisuudella tarkoitetaan kerättävän tapahtuman kokoa ja

13

sitä, kuinka usein tiedon tila otetaan talteen. Kuvassa 5 esitetään ohjelmointitehtävien

tiedon rakeisuuden tasot.

Kuva 5. Tiedon rakeisuuden tasot. Pienin tiedon rakeisuuden taso on merkitty kuvan ylä- ja

suurin alareunaan. (Ihantola et 2015, 48).

Kuvassa 5 nähdään pienimpänä ohjelmointitehtävän tiedon rakeisuuden tasona yksit-

täiset näppäimenpainallukset. Näitä seuraavat kokonaisen ohjelmointirivin muok-

kaukset, tiedoston tallennukset, ohjelmakoodin käännökset ja suoritukset sekä suu-

rimpana kokonaisten tehtävien palautukset.

2.4.2 Oppimisesta kerätyn tiedon arviointi

Kehitysympäristössä toimittaessa opiskelija-analytiikassa voidaan tarkastella ohjel-

makoodin kehittämistä ja sen toimintaa kääntäjässä, virheenjäljittimessä ja version-

hallinnassa. Virheenjäljittäjää käytetään ohjelmointivirheiden löytämiseen ja kor-

jaamiseen. Versionhallintatuen avulla pidetään kirjaa tehdyistä muutoksista ja säilö-

tään vanhemmat ohjelmaversiot. Oppimisen hallintajärjestelmästä puuttuu ohjelman

kehitysympäristöön verrattuna kääntäjän, virheenjäljittimen ja versionhallinnankal-

taiset työkalut. Opiskelijat palauttavat oppimisen hallintajärjestelmään vastauksia

esimerkiksi tehtäviin ja tentteihin. Ihantolan ym. (2015) kuvaamilla tiedon rakeisuu-

den tasoilla oppimisen hallintajärjestelmään tehtäviä palautuksia voitaisiin verrata

ohjelmakoodin palautuksiin. Moodlen tentteihin määritellään valmiiksi oikeat ja vää-

rät vastaukset, jolloin järjestelmän toimintaa voidaan verrata kehitysympäristön läh-

dekoodin kääntämiseen ja kääntämisestä saataviin varoituksiin ja virheilmoituksiin.

Sen sijaan tehtävien arviointi on oppimisen hallintajärjestelmää käytettäessä opetta-

jan käsityönä tekemän tarkastelun varassa.

Tekoälytutkimus saattaa tulevaisuudessa mahdollistaa kehitysympäristöille tyypillis-

ten suorituksen automaattiseen analysointiin liittyvien työvälineiden tuomisen myös

14

oppimisen hallintajärjestelmissä käytettäväksi. Tekoälytutkimus käsittelee tietojen-

käsittelytieteessä ja tilastotieteessä kehitettyjä menetelmiä tavoitteena ratkaista oh-

jelmallisesti ongelmia, joihin perinteisesti on tarvittu ihmistä. Menetelmä saattaa

laajentaa oppimisen arvioinnin automatisointia kohti kehitysympäristöissä jo esitelty-

jä oppimisen automaattisia arviointimenetelmiä.

2.4.3 Laadullinen ja määrällinen tieto

Opiskelijan tuottamien ohjelmakoodin tai tehtävänpalautuksenkaltaisten oppimistu-

losten lisäksi oppimisen hallintajärjestelmän käytöstä tallentuu tietoa järjestelmän

lokitiedostoihin (Blikstein ym. 2011; Carter ym. 2017, Diana ym. 2017, Fernandez-

Medina ym. 2013, Fu ym. 2017, Grover ym. 2016) tai tietoa voidaan kerätä oppimis-

ympäristöön asennettavien lisäosien kautta (Trætteberg ym. 2016). Tällainen oppimi-

sen hallintajärjestelmään tallennettu tieto voidaan jakaa määrällisiin ja laadullisiin

tekijöihin, joita opiskelija-analytiikan analyysivaiheessa tarkastellaan muuttujina.

Muuttuja on matemaattisessa lausekkeessa käytettävä symboli, jolle voidaan antaa

lukuarvoja.

Määrällisellä tiedolla tarkoitetaan täsmällisiä ja laskennallisia menetelmiä, joita käy-

tetään kvantitatiivisessa tutkimuksessa. Kvantitatiivisessa tutkimuksessa käytetään

erilaisia luokitteluita ja vertailua numeerisiin tuloksiin. Opiskeludatan yhteydessä

tieto kerätään suoraan opiskelun aikana tietokantaan tallentuneista merkinnöistä. Op-

pimisen hallintajärjestelmästä kerättäviä määrällisiä muuttujia ovat esimerkiksi opis-

kelijan käyntien lukumäärä kurssilla sekä keskustelualueille kirjoitettujen viestien ja

palautettujen tehtävien lukumäärät.

Arvioinnit laajentavat tenttien ja tehtävien arviointipisteiden tarkastelun kautta näkö-

kulmaa kohti laadullisessa eli kvalitatiivisessa tutkimuksessa käytettyjä piirteitä.

Laadullisessa tutkimuksessa pyritään ymmärtämään kohteen laatua, ominaisuuksia ja

merkityksiä kokonaisvaltaisesti. Laadullisia oppimisen muuttujia ovat mm. tenttien

ja tehtävien arvosanat. Järjestelmästä kerätyn tiedon rinnalla tulisi käyttää myös mui-

ta havaintomenetelmiä, koska kaikki oppiminen ei tallennu oppimisen hallintajärjes-

telmään.

15

2.4.4 Moodlen keräämä tieto

Moodle kerää järjestelmän käyttämisestä tietoja kurssin ja koko sivuston tasoilla.

Kurssin opettaja pääsee käsiksi omien kurssiensa aktiviteettilokiin. Aktiviteettiloki

tallentaa tietoa kurssin opiskelijoiden aktiviteettien käytöstä7. Sitä on mahdollista

suodattaa opetuksen ja osallistumisen tasoilla. Opetustason suodatus (teaching level)

tallentaa opettajan kurssille tekemiä, opiskelijaan vaikuttavia toimenpiteitä ja osallis-

tumistason suodatus (participating level) tietoa opiskelijan aktiviteettien ja kurssin

käytöstä.

Opiskelija-analytiikkaa keräävä työkalu voi louhia tietoa suoraan Moodlen käyttä-

män tietokantapalvelimen tietokannan tauluista. Moodlen tietokantapalvelimella

käyttäjän vuorovaikutusta analysoivat työkalut käyttävät yleensä mdl_log-nimistä

taulua. Vaihtoehtoinen tapa siirtää dataa on Moodlen ohjelmointirajapinta. Ohjel-

mointirajapinnalla (Application Programming Interface, API) tarkoitetaan web-

palvelimen kautta suoritettavaa, standardoitua liikennöintiä, jonka kautta eri ohjelmat

voivat vaihtaa tietoja keskenään. Moodleen tuli versiossa 2.7 (toukokuu 20148) mu-

kaan Events API9, joka vakioi lokin kirjoittamisen ja lukemisen parantaen samalla

järjestelmän suorituskykyä (Conde ym. 2015, 52). Tämän lisäksi Moodlessa on tie-

don vientitoiminto, jota apuna käyttäen tietoa voidaan tallentaa luettavaksi muissa

ohjelmissa.

2.4.5 Web-palvelimen keräämä tieto

Verkko-oppimisympäristö käyttää tiedonsiirrossa apuna web-palvelinta. Web-

palvelin on ohjelmisto, joka vastaanottaa ja vastaa TCP/IP-verkosta HTTP-

protokollan (RFC 261610) pyyntöihin. Web-palvelin kerää lähettämistään ja vastaan-

ottamistaan tiedoista lokia. Tyypillisiä lokiin tallentuvia tietoja ovat pyydetyt doku-

mentit, pyytäjän IP-osoite ja pyynnön ajankohta.

7 https://docs.moodle.org/34/en/Logs (viitattu 26.2.2018) 8 https://docs.moodle.org/dev/Releases#Moodle_2.7_.28LTS.29 (viitattu 29.1.2018) 9 https://docs.moodle.org/dev/Moodle_2.7_release_notes#API_changes (viitattu 29.1.2018) 10 https://tools.ietf.org/html/rfc2616 (viitattu 3.5.2018)

16

Verkko-oppimisympäristö toimii web-palvelimelle asennettuna sovellusohjelmana.

Web-palvelimen omasta lokista on mahdollista tarkastella sivunlatauspyyntöjen ot-

sikkotasoista tallennettua tietoa; opiskelija-analytiikan näkökulmasta esimerkiksi

siitä millä sivuilla IP-osoitteista on käyty ja milloin. Web-palvelimen tallentama tieto

voidaan IP-osoitteen kautta yhdistää verkko-oppimisympäristössä tallennettuun opis-

kelijan ID-tunnukseen, jos verkko-oppimisympäristö tallentaa tiedon opiskelijan is-

tunnossaan käyttämästä IP-osoitteesta. Menetelmä ei ole kovin luotettava käytettäes-

sä IP-protokollan versiota 4, jolloin verkoissa käytetään apuna osoitteenmuunnosta.

Osoitteenmuunnoksessa säästetään IP-osoitteita ohjaamalla liikenne saman julkisen

IP-osoitteen kautta. IP-versioon 6 siirtymisen jälkeen jokaisella laitteella on oma

yksilöllinen osoitteensa eikä ongelmaa enää esiinny muilla kuin yhteiskäyttöisillä

tietokoneilla.

Verkkosivujen liikenteen seuraamiseen on saatavilla valmiita sovelluksia. Verkko-

palveluna tarjottavat työkalut ovat helppokäyttöisiä, mutta loppukäyttäjän kehittä-

mismahdollisuudet työkalun suhteen rajoittuvat kehittämisehdotusten tekemiseen

palvelun ylläpitäjälle. Verkkopalvelu on internet-selaimella käytettävä sivusto, jonka

taustalla toimii usein kaupallinen ja/tai ideologinen yritys tai organisaatio. Palveluina

toimivat työkalut tallentavat keräämänsä tiedot sivuston ylläpitäjän palvelimelle.

Palveluina toimivia verkkosivujen analytiikkatyökaluja on esitetty liitteessä 1. Osa

työkaluista on julkaistu kaupallisesti, osa käyttämällä vapaata lähdekoodia. Vapaalla

lähdekoodilla (open source) tarkoitetaan ohjelmistoa, joka tarjoaa käyttäjälleen läh-

dekoodin, jota voi tutkia ja muokata omiin tarpeisiin soveltuvaksi. Taulukkoon 2 on

kerätty avoimen lähdekoodin perustuvia verkkosivujen analytiikkatyökaluja, jotka on

mahdollista asentaa myös omalle palvelimelle.

Taulukko 2. Avoimen lähdekoodin verkkosivujen analytiikkatyökaluja.

Sovellus Tyyppi Lisenssi Huomioita

Piwik11 Sovellus Avoin lähdekoodi:

GPL, versio 3

PHP/MySQL

Open Web

Analytics12

Sovellus Avoin lähdekoodi:

GPL

Javascript, PHP tai REST API

11 https://matomo.org/ (viitattu 25.1.2018)

17

2.5 Verkkokurssin rakenne ja toiminnot

Opiskelija-analytiikka toteutuu verkkokurssin rakenteen ja toimintojen määrittelyn

kautta. Aliluvussa esitellään verkkokurssilla tutkimuksissa havaittuja toimintoja ja

tavoitteita (mm. Rankine ym. 2009, 815-819; Petropoulou ym. 2008, 5-7; Yassine

ym. 2016, 264-265). Aluksi esitellään verkkokurssin ydintoiminnot, tämän jälkeen

sulautuvan oppimisen huomioiminen verkkokurssilla, opiskelijoita aktivoiva yhteis-

toiminnallisen oppimisen menetelmä, verkkokurssin opiskelija-analytiikkaa tukeva

kurssikartta ja lopuksi opiskelija-analytiikan viitekehys. Esitettyjä toimintoja arvioi-

daan opiskelija-analytiikan toteuttamismahdollisuuksien näkökulmasta.

2.5.1 Verkkokurssin ydintoiminnot

Dawson ym. jakavat verkkokurssin ydintoiminnot neljään luokkaan: Hallinnolliset

tehtävät, arviointi, sisältö ja oppimisyhteisöön sitouttaminen (2008, 224). Hallinnol-

lisiin tehtäviin kuuluvat ilmoitukset, tiedostonhallinta, seuranta ja kalenteri. Arvioin-

tia ovat omat arvosanat, arvioinnin tekeminen ja tehtävänannot. Sisältöä ovat opiske-

lijoiden kirjanmerkit, muistiinpanot, sisältösivu, tulostusnäkymä, tiedostot, hakutoi-

minto, nettilinkit ja opetussuunnitelma. Sitoutuminen oppimisyhteisöön tapahtuu

keskustelualueen, reaaliaikaisen keskustelun (chat), muiden samanaikaisten opiskeli-

joiden ja viestien kautta. Luokkien sisältö on esitetty taulukossa 3.

Taulukko 3. Dawson ym. käyttämän opiskelija-analytiikan työkalun rakenne (2008, 224)

Taulukossa 3 nähdään erilaisia verkkokurssin toteuttamisessa käytettäviä elementte-

jä. Taulukkoon on kerätty kurssilla käytettäviä toimintoja, mutta siinä ei oteta kantaa

miten opetussuunnitelmaa toteutetaan verkkokurssin osana.

12 http://www.openwebanalytics.com/ (viitattu 25.1.2018)

18

2.5.2 Sulautuva opetus verkkokurssilla

Rankine ym. ovat vertailleet sulautuvan oppimisen toteutusta kahdessa eri yliopistos-

sa (2009). Vertailun perusteella on koottu kehys, joka kuvaa verkkokurssien toteutus-

ta viestinnän, yhteistyön, arvioinnin ja opiskelijoille annettavan tuen näkökulmista.

Kurssin sisältönä on ohjauksen toteutus, luentojen ja harjoitusten muistiinpanot, me-

dian käyttö, linkit kurssin aineistoon ja vuorovaikutteisen sisällön toteutus. Viestin-

nässä käytetyt kanavat ovat chat-keskustelu, ilmoitukset, keskustelualue, sähköposti

ja blogit. Kurssinaikainen yhteistyö on mahdollistettu wikillä, keskustelualueilla,

virtuaalisella luokkahuoneella ja äänipohjaisella keskustelulla. Tehtävänannoissa on

käytetty oppimisen reflektointia, päiväkirjoja, toimeksiantoja, tehtävien palautuslaa-

tikoita, tietokilpailuja, oman arvosanan näyttämistä, mallipohjia, harjoitustehtäviä,

aikaisempia kokeita ja kyselytutkimuksia. Opiskelijan tukea on toteutettu tekstien

vastaavuutta tutkivilla työkaluilla, linkein opiskelijan tukimateriaaliin ja oppimisop-

paalla. Sulautuvan oppimisen opetuksessa käytetty kehys on esitetty taulukossa 4.

Taulukko 4. Yhteistoiminnallisen oppimisen kehys (Rankine ym. 2009, 816)

Taulukon 4 yhteistoiminnallisen oppimisen kehys toimii erityisesti viestinnän ja yh-

teistyön työkaluna kurssin aikana. Se kuvaa kursseilla käytettyjä aktiviteetteja, mutta

siitä puuttuu opiskelija-analytiikassa tarvittava suunnitelmallisuus mitä, miten ja

kuinka usein oppimistuloksia mitataan. Kehyksestä puuttuu myös kuvaus opetuksen

19

pedagogisesta toteutuksesta; Miten verkko- ja luokkaopetus tukevat toisiaan ja mitä

opiskelijan odotetaan eri oppimistuloksiin pääsemiseksi tekevän kurssin aikana.

2.5.3 Yhteistoiminnallisen oppimisen menetelmä

Petropoulou ym. esittävät yhteistoiminnallista oppimista tukevan oppimisen mene-

telmän, jossa oppimista tarkastellaan opiskelijoiden tuottamien tulosten, vuorovaiku-

tuksen ja mallin tehokkuuden kautta (2008, 318-320). Mallissa opiskelijoille anne-

taan ajattelua vaativa tehtävä, jonka vastauksen he lähettävät verkko-

oppimisympäristön keskustelualueelle. Opiskelijat voivat halutessaan kysyä keskus-

telualueella apua muilta opiskelijoilta ja jakaa muille ratkaisua helpottavia resursseja.

Keskustelualueelle lähetettyjen vastausten perusteella muodostuu pareja, jotka kehit-

tävät yhteisen, lopuksi jaettavan ratkaisuversionsa.

Jokaisessa vaiheessa opettajan tarkasteltavaksi kerätään ja visualisoidaan tietoa op-

pimisen etenemisestä. Oppimisen etenemistä on ajatteluvaiheessa opiskelijan lähet-

tämien viestien lukumäärä ja tehtävän tekemiseen käytetty kokonaisaika. Parivai-

heessa lasketaan aktiivisimmat keskustelut ja keskustelijat ja opiskelijan lähettämien

viestien määrä. Jakovaiheessa näytetään työhön käytetyn ajan kokonaismäärään ja

viestien lukumääriin liittyviä tietoja. Malli on esitetty kuvassa 6.

Kuva 6. Yhteistoiminnallista oppimista hyödyntävä malli (Petropoulou ym. 2008, 321). Kuvassa

oppimisessa on kolme vaihetta: Ajattelu, parityöskentely ja jakaminen. Jokaisen vaiheen tulok-

set on määritelty opiskelija-analytiikassa kerättäviksi tuloksiksi, jotka opettaja näkee. Näiden

vaiheiden toteutumisen kautta oppimisen etenemisen seuranta mahdollistuu.

Kuvan 6 esittämän mallin tuottamat tulokset voivat olla vastauksia tehtävänantoihin

tai annettuihin ongelmiin. Oppimisprosessin arvioinnissa huomioidaan ratkaisuun

20

käytetty aika määrällisenä ja ratkaisun oikeellisuuteen liittyvät tekijät laadullisina

muuttujina. Vuorovaikutus luokitellaan mallissa opiskelijoiden, opettajan ja kurssisi-

sällön väliseksi. Mallin tehokkuuden tarkastelussa arvioidaan sen soveltuvuutta op-

pimisyhteisön yhteistoiminnallisen ongelmanratkaisun rakentamiseen ja ylläpitoon.

2.5.4 Verkkokurssin kurssikartta

Yassine ym. esittävät kehyksen, jonka tarkoituksena on ennustaa opiskelijan menes-

tystä kurssilla käyttäen oppimisen analytiikkatyökalujen toimintoja varhaisena varoi-

tusjärjestelmänä (2016, 264-265). Kehyksen lähtökohta on, että kurssin oppimista-

voitteet on määritelty. Kehyksen tehtävänä on ennustaa kurssin lopputulos ja tunnis-

taa oppimisen taso, joka voi alittaa, täyttää tai ylittää kurssille asetetut vaatimukset.

Tähän päästään määrittelemällä tuloksen mittaamiseen liittyvät opiskelija-analytiikan

toiminnot, suunnittelemalla kurssikartta, analysoimalla opiskelijan aktiviteetit ja mit-

taamalla oppimistulokset sekä visualisoimalla analysoitu tieto.

Tuloksen mittaamisessa käytettävä tieto jaetaan automaattiseen ja opettajan lisää-

mään tietoon (2016, 264) taulukon 5 mukaisesti.

Taulukko 5. Esimerkkejä opiskelija-analytiikassa käytettävästä tiedosta (mukaillen Yassine ym.

2016, 264)

Automaattisesti lisättävä tieto Opettajan lisäämä tieto

Resurssin käytön lukumäärä Läsnäolo oppitunneilla

Resurssin käytön päivämäärä Testien ja tehtävien arviointi

Käytettyjen resurssien tyyppi Aktiivisuus/vuorovaikutus opetustilanteessa

Tehtävänannon avaus Asenne oppimiseen/ammattitaidon kehittä-

miseen

Palautettu tehtävä Loppuarvosanat

Taulukosta 5 nähdään osan opiskelija-analytiikassa käytettävästä tiedosta olevan

mahdollista kerätä automaattisesti suoraan verkko-oppimisympäristöstä. Opettajan

opetustilanteissa havaitsema tieto voidaan yhdistää automaattisesti kerättävään tie-

toon, jolloin kokonaiskuva oppimisesta tarkentuu.

Opiskelija-analytiikkaa hyödyntävän kurssin suunnittelussa hyödynnetään kurssikart-

taa. Kurssikartta kohdentaa kurssin sisältönä olevat elementit, oppimistulokset, op-

pimistehtävät ja arvioinnit yhteen. Se siis kertoo mitä kurssilla tehdään ja miten ku-

takin tunnistettua oppimistulosta seurataan ja arvioidaan opiskelija-analytiikan avulla

(Yassine ym. 2016, 264). Kurssikartan osana opiskelijoiden kurssin aikana suoritta-

21

mat tehtävät ja toiminnot yhdistetään tavoiteltuihin oppimistuloksiin. Kurssin aktivi-

teetit sijoitetaan aikajanalle ja toiminnoille määritellään painoarvot, jotka kertovat

kuinka suuren osan tavoitellusta lopputuloksesta niiden suorittaminen kattaa. Kurssi-

kartan lopputulos on esitetty kuvassa 7.

Kuva 7. Kurssikartta kahdesta oppimistavoitteesta, jotka on erotettu sinisellä ja oranssilla väril-

lä. Oppimistavoite jakautuu toimintoihin. Kuvassa toimintoja ovat arviointi, kysely, kotitehtävä

ja tekstiluku. Toiminnoille on vasemman reunan sarakkeessa määritelty painoarvo (%) oppi-

mistavoitteesta. Toiminnot on aikataulutettu kurssin viikoille. (Yassine ym. 2016, 264)

Kuvan 7 oppimistavoitteeseen tehtyjen toimintojen suhteellisten osuuksien perusteel-

la on mahdollista määritellä opiskelijan eteneminen oppimistavoitteisiin nähden.

Opiskelijoiden toimintojen suorittaminen määritellyssä ajassa on tärkeää opiskelija-

analytiikassa suoritettavan opintojen etenemisen seurannan kannalta.

Kurssikartan suunnittelussa käytettävä aikakehys on tärkeä ennalta tunnistettava teki-

jä, jotta kurssin toistettavuus mahdollistuu. Saman kurssin eri toteutuksissa on tarkoi-

tus arvioida samoja oppimistuloksia. Tämän johdosta saman kurssin eri toteutukset

tulisi määritellä aina samanpituisiksi. Vaatimus olisi hyvä huomioida suunniteltaessa

kurssien sijoittamista oppilaitoksen kehysten, kuten lukukausien, jaksojärjestelmien,

loma-aikojen ja työharjoittelujaksojen sisään.

2.5.5 Opiskelija-analytiikan viitekehys

Opiskelija-analytiikan kehys voidaan kuvata tarkastelemalla järjestelmän keräämiä

tietoja, tunnistamalla analysoinnin kohde, määrittelemällä järjestelmän käyttötarkoi-

22

tus ja tiedon keruumenetelmä. Tällainen viitekehys on esitetty kuvassa 8 (Chatti ym.

2012, 6-7).

Kuva 8. Opiskelija-analytiikan viitekehys. Kuva esittää opiskelija-analytiikan haasteet ja tutki-

muskohteet neljässä osassa: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 7)

Kuvassa 8 nähdään opiskelija-analytiikan viitekehys, joka on esitetty kysymysmuo-

dossa: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 6-13). Mitä määrittelee kerät-

tävän tiedon, tiedon analyysin ja analyysin käytön.

Miksi kertoo tavoitteen kerätyn tiedon analysointiin. Tavoitteita voivat olla esimer-

kiksi oppimisen seuranta ja analysointi, ennustaminen ja ennakoiva ohjaaminen, oh-

jaus ja mentorointi, arviointi ja palaute sekä opetuksen henkilökohtaistaminen.

Kenelle määrittelee tiedon sidosryhmän; Kenelle data-analyysi on tarkoitettu. Sidos-

ryhmään voivat kuulua esimerkiksi opiskelijat, opettajat, (älykkäät) ohjaajat, järjes-

telmän ylläpitäjät ja tiedekunnan tai oppilaitoksen päätöksentekijät. Ohjaajat voivat

olla opettajan apuna toimivia henkilöitä tai opetusta tukevia tietokoneohjelmia.

Kuinka kuvaa menetelmän tiedon analysoimiseksi. Chatti ym. mainitsevat neljä me-

netelmää: Tilastollisen seurannan, tiedon visualisoinnin, tiedonlouhinnan ja sosiaali-

23

sen verkoston analyysin (2012, 11-13). Tilastollisessa menetelmässä seurataan opis-

kelijan vuorovaikutusta oppimisen hallintajärjestelmän kanssa. Seurantaan käytetään

yleensä määrällisiä mittareita, esimerkiksi opiskelijahallintajärjestelmään kirjautu-

misten tai kirjoitettujen viestien lukumäärää. Tiedon visualisointi on raportteja ja

taulukoita, jotka usein on muodostettu tilastollisin menetelmin muodostetusta tiedos-

ta. Näistä kehitys on kulkemassa kohti kojelautamaista esitysmuotoa, jossa oppimi-

sesta johdettuja vuorovaikutteisia tulosindikaattoreita esitetään graafisesti.

Tiedonlouhinnassa tiedosta pyritään löytämään merkityksellisiä kuvioita. Menetel-

minä Chatti ym. mainitsevat luokittelun, ryhmittelyn ja assosiaatiosäännöt (2012, 11-

12). Sosiaalisen verkoston analyysi merkitsee työkaluja, joilla voidaan hallita, visu-

alisoida ja analysoida oppimisessa syntyviä verkostoja ja niiden merkittävyyttä.

2.6 Opiskelija-analytiikan menetelmiä

Opiskelija-analytiikan tarkoitus on ennakoida ja ennustaa tavoitteeksi asetettuun op-

pimistulokseen pääsemistä (Yassine ym. 2016, 264-265). Oppimistuloksia mitataan

analysoimalla opiskelijasta oppimisen aikana tietojärjestelmään tallentunutta tietoa.

Tähän dataan tallentuu tieto mitä resursseja, dokumentteja ja testejä oppimisen aika-

na on käytetty (Azevedo ym. 2017, 642).

Opiskelija-analytiikassa käytetään erilaisia data-analytiikasta tuttuja menetelmiä.

Tällaisia ovat aliluvuissa esitetyt tilastot ja tiedonlouhinta. Data-analytiikan mene-

telmiä voidaan käyttää yksin tai yhdessä toisiaan tukien. Menetelmien tarkoituksena

on havaita opiskeludatasta mielenkiintoisia ja opiskelua hyödyttäviä kuvioita. Mar-

kovin piilomallilla tunnistetaan oppimisen etenemistä ja sosiaalisen oppimisen ana-

lyysillä verkkokurssilla esiintyvää vuorovaikutusta ja sen merkittävyyttä. Aliluvun

lopuksi käsitellään opiskelusta löydetyn tiedon visualisointia.

2.6.1 Tilastolliset työkalut

Tilastolliset työkalut käyttävät usein yksinkertaisia tilastotoimia, kuten aritmeettista

keskiarvoa (average, mean) ja keskihajontaa (standard deviation). Aritmeettisella

keskiarvolla (jatkossa keskiarvolla) tarkoitetaan lukujen summaa jaettuna niiden lu-

kumäärällä. Keskihajonnassa mitataan keskiarvon molemmin puolin tapahtuvien

24

arvojen vaihtelua. Arvo ilmaisee havaintojen keskimääräisen poikkeaman keskiar-

vosta.

Opiskelijan tulosta voidaan verrata opiskelija-analytiikan keräämän tiedon keskiar-

von lisäksi mediaaniin. Mediaani on järjestetyn joukon keskimmäinen alkio, johon

muita alkioita verrataan. Keskiarvon ja mediaanin ollessa lähellä toisiaan jakauma on

symmetrinen. Oppimistuloksissa symmetrinen keskiarvo kertoo keskimääräisen ta-

saisesta hyvien, keskitason ja heikkojen oppimistulosten saavuttamisesta. Keskiarvon

ja mediaanin ollessa korkea oppimistulokset ovat olleet keskimääräistä parempia.

Toiminnon suorittamisesta voidaan laskea keskihajonta. Yassine ym. mukaan keski-

hajontaa voidaan opiskelija-analytiikassa verrata kurssin pituuden asteikkoon, määri-

teltyyn lopputulokseen tai vertailuarvoon. Mittareina voidaan käyttää esimerkiksi

tarkkuutta, nopeutta ja yritysten lukumäärää (2016, 264-265).

Opiskelijahallintajärjestelmät esittävät käyttäjien toiminnoista tilastoja. Tällaisia ovat

esimerkiksi Moodlen tilastotyökalut13 ja raportit (reports). Tilastotyökalut näyttävät

esimerkiksi eri käyttäjäryhmien vierailuajankohtia sivustolla. Raportteihin kuuluvat

aktiviteettiraportti (activity report) ja kurssin osallistumisraportti (course participati-

on report). Moodlen kurssin aktiviteettiraportti14 kertoo kurssin aktiviteettien käytös-

tä. Raporttia voivat tarkastella käyttäjät, joiden roolina kurssilla on kurssinjohtaja

(manager), opettaja (teacher) ja apuopettaja (non-editing teacher). Roolien suomen-

nokset voivat vaihdella eri Moodle-ympäristöissä. Aktiviteettiraportti näyttää aktivi-

teettien ja resurssien katseluiden lukumäärän ja viimeisimmän käytön päivämäärän ja

pituuden. Tiedot lasketaan Moodlen lokeista alkaen kurssin asetuksissa määritellystä

kurssin aloituspäivämäärästä. Näytettävän ajanjakson pituus määräytyy Moodlen

asetuksissa olevan Moodlen ylläpitäjäkäyttäjän (administrator) asettaman loglifeti-

me15-asetuksen perusteella. Aktiviteettiraportti on esitetty kuvassa 9.

13 https://docs.moodle.org/34/en/Statistics (viitattu 6.5.2018) 14 https://docs.moodle.org/34/en/Activity_report (viitattu 28.2.2018) 15 Administration > Site administration > Courses > Backups > General backup defaults

25

Kuva 9. Moodlen aktiviteettiraportti. Aktiviteettiraportti kertoo kuinka monta eri käyttäjää

aktiviteetin tai resurssin on nähnyt ja kuinka monta katselukertaa käyttäjät ovat yhteensä teh-

neet.

Kuvasta 9 nähdään aktiviteettiraportin antavan yleiskuvan eri aktiviteettien käytöstä

kurssilla. Siitä ei kuitenkaan pääse porautumaan ryhmä- tai yksilötasoisiin tietoihin;

kuka tai ketkä esimerkiksi eivät ole tarkasteltavaa aktiviteettia käyttäneet.

Kurssin osallistumisraportista16 voidaan seurata opiskelijoiden osallistumista kurssin

aktiviteetteihin. Raportista nähdään aktiviteettikohtaisesti käyttäjät ja käyttömäärät.

Tuloksia voi suodattaa roolin, ryhmän, ja toiminnan perusteella. Myös opiskelijat,

jotka eivät ole aktiviteettia käyttäneet on mahdollista esittää. Raportti on erityisen

hyödyllinen haluttaessa lähettää viesti opiskelijoille, jotka eivät ole käyttäneet tiettyä

toimintoa.

Menetelmän puutteena on lokiin tallentumaton tieto. Moodlessa ei ole esimerkiksi

keinoa näyttää kurssia aloittamattomia opiskelijoita (Conde ym. 2015, 58). Passiivi-

set opiskelijat näkyvät Moodlen vakiotyökaluja käytettäessä opettajalle yleensä vasta

siinä vaiheessa, kun opettaja tarkastelee puuttuvia arviointeja.

2.6.2 Tiedonlouhinta

Opiskelija-analytiikassa tiedonlouhinta (data mining) on oppimisympäristöistä saata-

vien tietojen keräämistä ja analysointia tarkoituksena paremmin ymmärtää oppimista

ja oppimiseen vaikuttavia tekijöitä. Tiedonlouhinnassa käytetään tietämyksen löytä-

16 https://docs.moodle.org/34/en/Participation_report (viitattu 6.5.2018)

26

misen prosessia, joka määrittelee tehtävien toteuttamisen. Käytetty prosessimalli

vaikuttaa tiedon löytämisen tehokkuuteen ja siten tiedonlouhinnan laatuun (Sharma

ym. 2012, 11335). Tietämyksen löytämisen ja tiedonlouhinnan prosessi (knowledge

discovery and data mining process) koostuu toisiaan seuraavista vaiheista, joita tois-

tetaan iteratiivisesti. Prosessi tietämyksen löytämiseksi tiedonlouhinnan avulla on

esitetty kuvassa 10.

Kuva 10. Tietämyksen löytämisen ja tiedonlouhinnan prosessin yleinen malli. Mallissa on kuusi

vaihetta: (Liike)toiminnan ymmärtäminen, datan ymmärtäminen, datan valmistelu, mallinnus

ja tiedonlouhinta, arviointi ja tulosten julkaisu. Siniset nuolet kuvaavat normaalin ja punaiset

vaihtoehtoisen vaiheiden etenemisjärjestyksen (Sharma ym. 2012, 11336).

Kuvassa 10 nähdään yleinen tietämyksen löytämisen ja tiedonlouhinnan malli

(Sharma ym. 2012, 11336). Mallin lähtökohtana on liiketoiminnan ymmärtäminen.

Opiskelija-analytiikkaa voidaan tarkastella saman mallin kautta muuntamalla tarkas-

telun näkökulma oppimiseen ja opiskelija-analytiikan tiedonkeräämiseen.

Malli ohjeistaa prosessin vaiheet ja järjestyksen tarkoituksenaan löytää aikaisemmin

tuntematonta, mutta potentiaalisesti hyödyllistä tietoa datasta. Prosessi alkaa liike-

toiminnan (oppimisen) ymmärtämisen vaiheesta. Tämä vaihe keskittyy hankkeen

tavoitteiden ja vaatimusten ymmärtämiseen, tiedonlouhinnan ongelman määrittelyyn

27

ja alustavaan suunnitelmaan, jonka tarkoituksena on saavuttaa tavoitteet. Opiskelija-

analytiikassa tähän vaiheeseen liittyy opetussuunnitelmasta johdettava kurssin kar-

toittaminen. Kurssin kartoittamisella tarkoitetaan opiskelijoiden kurssin aikana suori-

tettavien tehtävien ja toimintojen yhdistämistä suunniteltuihin oppimistuloksiin.

Kurssin kartoittamisen tuloksena on kurssikartta, joka kertoo mitä kurssilla tehdään

ja miten kutakin tunnistettua oppimistulosta seurataan ja arvioidaan opiskelija-

analytiikan avulla (Yassine ym. 2016, 264). Kurssin kartoittamista on tarkemmin

käsitelty aliluvussa 2.5.4.

Tiedon ymmärtämisen vaihe alkaa tiedon keräämisellä ja jatkuu siihen tutustumisel-

la. Vaiheessa tunnistetaan tiedon laatuongelmat ja löydetään alustavia näkymiä kiin-

nostaviin tiedon osajoukkoihin. Tiedon valmisteluvaiheessa raakadatasta muodoste-

taan mallinnustyökaluihin syötettävä tietojoukko. Vaiheeseen kuuluvat käytetyn tau-

lun, tietueiden ja muuttujien/arvojen (attribuuttien) valinta.

Mallinnusvaiheessa suoritetaan varsinainen tiedonlouhinta. Käytetty tiedonlouhinta-

menetelmä saattaa asettaa erityisiä vaatimuksia tiedon muodon suhteen, jolloin saate-

taan joutua palaamaan takaisin tietojen valmisteluvaiheeseen. Mahdollinen paluu

takaisin on kuvassa 10 esitetty punaisella katkoviivalla nuolella mallinnuksesta (mo-

deling) takaisin datan valmisteluvaiheeseen (data preparation).

Arviointivaiheessa suoritetaan kriittinen tarkastelu tuottaako valittu malli vastaukset

tavoitteiksi asetettuihin, liiketoiminnasta (opetussuunnitelmasta) johdettuihin, kysy-

myksiin. Erityistä huomiota kiinnitetään kysymyksiin, joihin mallin kautta ei saada

riittäviä vastauksia. Mikäli tällaisia esiintyy, voidaan palata takaisin alkuun tekemään

uutta liiketoiminnan (opiskeluanalytiikan) määrittelyä. Mahdollinen paluu alkuun on

kuvassa 10 esitetty punaisella katkoviivalla arvioinnista (evaluation) tiedon ymmär-

tämiseen (business understanding). Vaihe päättyy päätökseen tiedonlouhinnan tulos-

ten käyttämisestä. Käyttöönottovaiheessa (deployment) mallin kautta saatu tieto jär-

jestetään ja esitetään käyttäjälle hyödyllisessä muodossa.

Tiedonlouhinnan menetelmät

Tiedonlouhinnassa käytetään menetelmänä koneoppimista. Koneoppimisessa

(machine learning) ohjeistetaan tietokone oppimaan esimerkeistä, jolloin ohjelma

28

oppii ratkaisemaan tehtävän ilman nimenomaista tehtävänratkaisun ohjelmointia

(Samuel, 1959). Koneoppimisen algoritmit vastaanottavat tietoa ja käyttävät tilastol-

lista analyysiä ulostulon ennustamiseen. Uuden tiedon tullessa saataville ulostulon

tuloksia päivitetään jatkuvasti. Koneoppimisen menetelmät jaetaan ohjattuun ja oh-

jaamattomaan oppimiseen (Han ym. 2012, 24-25). Ohjatussa oppimisessa (supervi-

sed learning) harjoitustiedon perusteella opetetaan malli, jonka perusteella päätellään

tuntemattoman objektin luokka. Ohjattua oppimista ovat luokittelu ja ennustaminen.

Ohjaamattomassa oppimisessa (unsupervised learning) harjoitustiedossa ei ole mer-

kittyjä luokkia, vaan luokat muodostetaan harjoitustiedon ominaisuuksien perusteel-

la. Ohjattua oppimista ovat ryhmittely ja assosiaatiosäännöt.

Luokittelussa (classification) etsitään funktiota tai mallia, jolla luokat voidaan erottaa

toisistaan, tavoitteena tunnistaa ennalta tuntemattoman objektin luokka. Menetelmää

kutsutaan ohjatuksi oppimiseksi, koska mallin opettamiseen käytetyn harjoitustiedon

luokat on määritelty.

Adraoui ym. ovat soveltaneet luokittelua opiskelija-analytiikassa tunnistamalla opin-

noissa eteneviä ja riskiryhmään kuuluvia opiskelijoita (2017, 5). Luokittelu tapahtuu

seuraamalla opiskelijoiden oppimisenaikaista vuorovaikutusta. Menetelmässä opis-

kelijat kuvataan verkon solmuina ja vuorovaikutus verkon kaarina. Solmuun yhdis-

tyvien kaarien lukumäärää (degree centrality), solmun eteenpäin välittämä tieto

(closeness centrality) ja solmun kyky toimia lyhyimpänä reittinä kahden muun sol-

mun välissä (betweenness centrality) toimivat mallissa muuttujina, joiden pohjalta

luokittelu laaditaan.

Ennustaminen (prediction) on ohjattua oppimista, jonka tavoitteena on kehittää malli,

joka ennakoi opiskelijan toiminnan perusteella hänen tietämystään ja tulevaisuuden

suoritusta. Mallin avulla voidaan kertoa opiskelijalle mihin suuntaan oppiminen

näyttäisi kulkevan tehtyjen suoritusten perusteella. Opiskelijalle ja opettajalle voi-

daan mallin tuottaman tiedon perusteella ehdottaa toimia, joilla opiskelijan suoritus-

kykyä voidaan parantaa.

Tutkimuksissa on selvitetty mallia ennustaa opiskelijoiden arvosanaa ja kurssin kes-

keyttämisvaarassa olevia opiskelijoita (mm. Galafassi ym. 2017, Marques ym. 2017).

Tutkimuksissa on käytetty muuttujina yhtä tai useampia muuttujia. Conjin ym. käyt-

29

tivät kurssilla tapahtuvaa oppimista seuratessaan napsautusten lukumäärää pyrkies-

sään ennustamaan opiskelijan suoriutumista (2017, 27). Muita tutkimuksissa käytet-

tyjä muuttujia ovat kurssilla käytetty aika, resurssien avaaminen, keskustelualueille

kirjoitettujen viestien lukumäärä ja läpäistyjen kyselyiden määrä. Ennustemallien

toiminnan on havaittu vaihtelevan voimakkaasti jopa saman oppilaitoksen eri kurs-

sien välillä. Havainnon perusteella ennustemallin siirrettävyys kurssien välillä on

heikko (Conjin 2017, 17).

Yassine ym. luettelevat opiskelija-analytiikassa käytettyjä luokittelu- ja ennustealgo-

ritmeja: Naïve Bayes, Bayes-verkot (Bayesian networks), odotuksen maksimointi

(Expectation Maximization), Markovin ketju (Markov chain), päätöspuut ja suoritus-

kykyanalyysi (2016, 264-265). Luokittelun kautta muodostettu ennuste opiskelijan

tavoitteeseen pääsystä voidaan ilmaista oppimistavoitteen alittamisella, saavuttami-

sella tai ylittämisellä.

Ryhmittelyssä (clustering) tiedon luokkamerkintä ei ole etukäteen tiedossa. Menetel-

mässä tieto jaetaan ryhmiin tiedon ominaisuuksien perusteella. Ryhmä muodostuu

objekteista, joissa on ryhmän sisällä enemmän vastaavuutta ja vähemmän erilaisuutta

muihin ryhmiin verrattuna. Objektien vastaavuus esitetään tilassa etäisyyden funk-

tiona. Mitä enemmän objektit muistuttavat toisiaan, sitä lähempänä toisiaan ne ovat

(Han ym., 2012, 19-21). Ryhmittely voidaan jakaa osittaviin, hierarkkisiin ja tihey-

teen perustuviin menetelmiin.

Osittavissa (partitioning) menetelmissä datalle muodostetaan ositus (klusterointi).

Aluksi muodostetaan satunnaiset klusterit, joita iteratiivisesti uudelleensijoitetaan

pyrkimyksenä parantaa ositusta siirtämällä objekteja osioista toisiin. Osituksessa

käytetään mm. k-means ja k-medoids -algoritmeja. K-means -algoritmissa jokainen

klusteri edustaa sen objektien keskiarvoa (McQueen 1967, 281). K-medoids -

algoritmi valitsee klustereiden keskukset datapisteiden erilaisuuden perusteella

(Kaufman & Rousseeuw 1987, 1).

Han ym. mukaan hierarkkiset menetelmät jaetaan jakaviin ja yhdistäviin menetelmiin

(2012, 449). Molemmissa menetelmissä alkiot ovat aluksi samassa klusterissa. Jaka-

vassa (divisine) menetelmässä alkioita jaetaan ja yhdistävissä (agglomerative) mene-

telmissä alkioita yhdistellään klusterista, kunnes saavutetaan haluttu määrä klusterei-

30

ta tai kunnes alkiot muodostavat omat klusterinsa. Hierarkkiset menetelmät muodos-

tavat puumaisen hierarkian, joka voidaan esittää dendrogrammina (dendrogram).

Tiheysperustaisissa menetelmissä (density-based methods) klusterointi perustuu

joukkoihin, joissa alkiot ovat mahdollisimman tiheässä (Han ym. 2012, 449).

Assosiaatiosäännöt (association rules) on ohjaamatonta oppimista. Assosiaatiosään-

töjen louhinnassa datasta pyritään löytämään mielenkiintoisia yhteyksiä ja korre-

laatioita: Tunnistetaan havaintoja, jotka esiintyvät yhdessä useammin kuin erikseen.

Havainnot merkitään muodossa X -> Y, jossa X on edeltäjä ja Y seuraus. Näiden

välisen riippuvuuden voimakkuuden tarkasteluun käytetään tunnuslukuina tuki-, luot-

tamus- ja nostearvoja. Tuki (support) kuvaa kuinka yleinen havainto on tutkittavassa

tiedossa. Luottamus (confidence) kuvaa kuinka usein niissä havainnoissa, joissa X

ilmenee, esiintyy myös Y. Noste (lift) kuvaa X:n ja Y:n välisen esiintymän korrelaa-

tiota. (Han ym., 2012, 264-267)

Assosiaatiosääntöjä louhitaan transaktiopohjaisesta tiedosta, usein käyttämällä Ap-

riori-algoritmia. Transaktiolla tarkoitetaan tietokantapohjaiselle palvelimelle yhtenä

toimenpiteenä tallennettavaa hakujen ja tallennusten sarjaa, jossa ongelmatilanteessa

koko tapahtuma peruutetaan. Apriori-algoritmi etenee tunnistamalla datassa usein

toistuvia kohteita ja laajentamalla niitä yhä suurempaan tietoryhmään.

Nettisivuilla assosiaatiosääntöjä sovelletaan tunnistamaan vierailijan liikkeitä sivulta

toisille. Menetelmä tunnetaan klikkianalyysinä (clickstream analysis tai clickstream

analytics). Klikkianalyysi näyttää käyttäjän käymien sivujen sarjaa tai nettisivujen

selauspolkua. Data kerätään suoraan käyttäjän nettiselaimesta, jossa seurataan verk-

kosivulle tallennettuja merkintöjä, tageja. Kerätty tieto tallennetaan palvelimelle,

jonka tiedostosta analysoidaan sivujen käyntijärjestys ja sivujenväliset kulkusäännöt

(Montgomery ym. 2004, 2-3). Tuloksena datasta louhitaan sääntöjä, joiden perusteel-

la on mahdollista ennustaa vierailijoiden (opiskelijoiden) kulkemista sivustolla ja

sivujenkäyttöpolkuja.

Assosiaatiosäännöillä on mahdollista analysoida kurssin kehittämistarvetta. Opiskeli-

joiden aktiviteettitasoisen käyttäytymisen seuraaminen assosiaatiosääntöjen perus-

teella saattaisi auttaa ymmärtämään kurssin kehitystarpeita ja tunnistamaan eritasois-

ten opiskelijoiden oppimiskäyttäytymistä. Luna ym. tutkivat Apriori-algoritmin toi-

31

mintaa Moodlen aktiviteettilokia käyttävässä, aliluvussa 2.7.12 esitellyssä Moodle

Data Mining -työkalussa (2016).

2.6.3 Markovin piilomalli

Hijon-Neira ym. esittävät kokemuksiinsa pohjautuen ystävällisemmän ja opettaja-

maisemman Moodle-kurssin vuorovaikutuskokemuksen motivoivan opiskelijoita ja

parantavan opiskelutuloksia (2014, 1). Tähän tavoitteeseen pääsemiseksi Moodle-

kurssille lisätään vuorovaikutteista opetusmateriaalia, jonka käytön perusteella tal-

lennetaan tietoa opiskelijan ongelmanratkaisusta, verrataan sitä oikeaan ratkaisuun ja

annetaan palautetta tehtävätasoisen ratkaisun lisäksi myös tehtyjen osaratkaisujen

pohjalta. Toteutuksessa voidaan käyttää Markovin piilomallia soveltavia ratkaisu-

mallin jäljittämistä (model tracing) ja tiedollista jäljittämistä (knowledge tracing).

Markovin piilomallin taustalla oletetaan olevan Markovin prosessi, jonka parametre-

ja ei tunneta. Tiloja ja niiden välisiä siirtymiä ei havaita. Mallissa pyritään päättele-

mään piilossa olevat siirtymätodennäköisyydet havaittavien lopputulemien perusteel-

la. Mallin toiminta-ajatusta visualisoidaan kuvassa 11.

Kuva 11. Markovin piilomalli17. Tehtävän suorituksessa vaaditut tilat on merkitty X:llä. Opiske-

lijan palauttamasta ohjelmakoodista etsitään Y:tä. Yhden tai useamman Y:n löytäminen kertoo

mallissa olevan tilan X toteutumisesta.

Kuvassa 11 oppimistehtävän tilat on merkitty X:nä. Opiskelijan palauttamasta oh-

jelmakoodista havaitaan yksi tai useampi tila Y. Havaittujen Y:n perusteella tehdään

päätelmiä mitä ne kertovat X:stä eli kuinka pitkällä tehtävän suorittamisessa ollaan.

Havaittujen Y:n perusteella voidaan laskea todennäköisyys X:lle (Blikstein ym.

2014, 581-586).

17 https://www.youtube.com/watch?v=9yl4XGp5OEg, 6:22 (viitattu 15.11.2017)

32

Ratkaisumallin jäljittämisessä opiskelijan tekemiä ratkaisuita verrataan vaihe kerral-

laan edeten oikeaan lopputulokseen johtavaan ratkaisuun. Ratkaisun etenemistä seu-

rataan taustalla hiljaa, mutta opiskelijan pyytäessä apua voidaan antaa ratkaistavana

olevaan vaiheeseen liittyviä, henkilökohtaistettuja ohjeita. Tiedollisessa jäljittämises-

sä seurataan opiskelijan oppimista suhteessa opetustavoitteisiin. (Koedinger ym.

1997, 32-37; Anderson ym. 2010, 1). Markovin piilomallia on sovellettu aliluvun

2.7.11 Merlin-know lisäosassa, joka toimii Moodlessa.

2.6.4 Sosiaalisen oppimisen analyysi

Sosiaalisen oppimisen analytiikka (social learning analytics) voidaan nähdä opiskeli-

ja-analytiikan alatasona. Sosiaalisen oppimisen analytiikka on prosessi, joka kuvaa

opiskelijoiden vuorovaikutusta verkko-oppimisympäristössä käytävän, oppimiseen

liittyvän, verkkokeskustelun aikana (Adraoui ym. 2017, 1). Menetelmän avulla voi-

daan arvioida erilaisten tekijöiden vuorovaikutusta verkko-oppimisympäristössä.

Vuorovaikutusta kyetään arvioimaan kaikista toiminnoista, joissa opiskelijat ovat

tekemisissä keskenään. Tällaisia ovat keskustelualueet, chat-keskustelut, viestit ja

kommentit. Sosiaalisen verkoston analyysissä voi olla mukana sekä visuaalinen että

matemaattinen ulottuvuus.

Vuorovaikutus esitetään visuaalisesti. Opiskelijat muodostavat verkossa tapahtuvan

oppimisen aikana virtuaalisen verkon, jossa on solmuja ja suunnattuja kaaria. Solmut

voivat esittää opiskelijoita, opettajia, oppimisessa käytettyjä resursseja ja opiskelija-

analytiikan käyttämiä toimintoja (aktiviteetteja) ja suunnatut kaaret verkon toimijoi-

den välisiä suhteita ja tiedon kulkusuuntaa. Solmuun yhdistyvät kaaret jaetaan tule-

viin ja lähteviin kaariin. Nämä kertovat solmun asemasta verkossa. Sisään tulevien

kaarten lukumäärä kertoo solmun arvovallasta verkossa. Ulospäin suuntautuvien

kaarten lukumäärä viittaa sosiaalisuuteen ja opiskelijaan, joka usein aloittaa keskus-

telun. (Adraoui ym. 2017, 3-4) Sosiaalisen oppimisen analytiikka tutkii erityisesti

näiden kaarien rakennetta. Sen avulla voidaan nähdä verkon toimijoiden välinen ar-

vovalta (prestige) ja kaarien prosentuaalinen esiintyminen (tiheys). Päivittäin keske-

nään kommunikoivat muodostavat yhteisön.

Conijn ym. tutkimuksessa sosiaalisen oppimisen analysointi keskustelualueen käyt-

töaktiviteetin mukaan ei tuottanut korrelaatiota kurssin loppuarvosanan kanssa (2017,

33

26). Tutkimuksessa vertailtiin saman oppilaitoksen 17:ltä eri Moodle-kurssilta kerä-

tystä aineistosta keskustelualueiden käyttämistä muuttujana, jonka ei havaittu ennus-

tavan luotettavasti kurssin loppuarvosanaa. Tämän perusteella menetelmästä voi olla

enemmän hyötyä opetuksenaikaisen aktiivisuuden seuraamisessa, osana muita opis-

kelija-analytiikan menetelmiä.

2.6.5 Tiedon visualisointi

Opiskelija-analytiikka on luonteeltaan visuaalista analytiikkaa. Visuaalisessa analy-

tiikassa yhdistyvät tiede ja tieto (information). Visuaalisella analytiikalla tarkoitetaan

tiedon analysoinnin kautta muodostettavaa kuvaa käsiteltävästä datasta. Näin tiedosta

saadaan irti enemmän kuin perinteisellä tiedon visualisoinnilla. Kuva muodostetaan

edistyneiden datan analysointialgoritmien kautta (Keim ym. 2008, 158). Visuaalisen

analytiikan käsitteet on esitetty kuvassa 12.

Kuva 12. Visuaalinen analytiikka. Visuaalisen analytiikan ytimessä on tieteellinen ja tietopoh-

jainen visualisointi. Siihen liittyvät tiedon hallinta ja louhinta, ihmisen vuorovaikutus tietoko-

neen kanssa sekä havaintokyky ja kognitiot. Visuaalisen analytiikan toimintaa tulee arvioida ja

se on alisteinen käytetylle infrastruktuurille (Keim ym. 2008, 159-163).

Kuvassa 12 nähdään visuaaliseen analytiikkaan liittyvät keskeiset käsitteet. Havain-

noilla ja kognitioilla tarkoitetaan tehokkaiden visuaalisten tietojärjestelmien toteut-

tamista. Tähän liittyvät käyttäjäkeskeinen analyysi ja mallintaminen, järjestelmien

kehittämisen periaatteet, menetelmät ja työkalut, useiden eri toimintatapojen tai ta-

pahtumien merkityksien tunnistaminen ja yhdistäminen sekä järjestelmien käytettä-

vyyden kehittäminen. Löydettyjä ratkaisuita tulee arvioida monipuolisesti. Ratkaisut

tarvitsevat toimiakseen standardoitua ja tarkoitukseen sopivaa infrastruktuuria.

34

(Keim ym. 2008. 162-163). Tietotekninen infrastruktuuri käsittää palvelut ja yhtey-

det niihin.

Oppimisesta kerätyn tiedon tuloksia voidaan esittää teksti- ja kuvamuodossa. Teks-

timuotoisia tiedon esittämistapoja ovat raportit ja taulukot. Kuvamuotoisia visuali-

sointeja ovat erityyppiset kaaviot, joissa voidaan käyttää esimerkiksi viivoja, muotoja

ja palkkeja. Paikkaan liittyvää tietoa voidaan visualisoida kartalla. Visualisoinnilla

tulisi pyrkiä esittämään tieto muodossa, joka helpottaa opiskelijaa ja opettajaa ym-

märtämään analyysin tuloksia. Tulokset voidaan koota yhteen paikkaan opiskelija-

analytiikan kojelaudalle. Tuloksista opiskelija saa palautetta omasta toiminnastaan ja

opettaja laajemmin koko ryhmän etenemisestä (Trætteberg ym. 2016, 666; Diana ym.

2017, 4; Yassine ym. 2016, 265). Moodlessa tulosten esittämiseksi on sisäänraken-

nettu kojelauta, Dashboard18. Muita kojelautavaihtoehtoja ovat esimerkiksi

LearnGLASS ja Google Analytics, mutta ne tarvitsevat sovittamista, kuten Moodlen

käyttäjätilien liittämistä ulkoisiin järjestelmiin ja/tai Moodlen lähdekoodin muok-

kausta (Conde ym. 2015, 52).

Dashboard on Moodlen 2.5-versiosta mukaan tullut lohko (block), joka toimii koje-

lautana. Kojelaudalla (dashboard) tarkoitetaan oppimisesta kerättyjen tietojen visu-

alisointia ja esittämistä kootusti samassa näkymässä. Se voi muodostua yhdestä tai

useammasta mittarista, joiden yksityiskohtiin voidaan tarvittaessa porautua. Tarken-

tuva mittaristo antaa mahdollisuuden kiinnittää huomio olennaiseen (Fu ym., 2017).

Huomio tai hälytys voi lähteä esimerkiksi huomiosta, jonka mukaan opiskelijalta

puuttuu aktiviteettien määrällisiä tai laadullisia suorituksia. Opiskelija voi tiedon

perusteella itse tehdä korjaavia toimenpiteitä, joita voivat olla esimerkiksi opintojen

etenemiseksi edellytettyjen tehtävien tekeminen tai ohjauksen pyytäminen. Näin

opiskelijalle annetaan mahdollisuus hyötyä opiskelija-analytiikasta omien opintojen-

sa ohjaamisessa.

18 https://docs.moodle.org/34/en/Dashboard (viitattu 29.1.2018)

35

Mahdollisuus vaikuttaa omiin opintoihin tukee opiskelijan opiskelumotivaatiota.

Motivaatio on päämääräsuuntautunutta toimintaa ohjaava psykologisten funktioiden

jäsentynyt kokonaisuus, joka jaetaan sisäiseen ja ulkoiseen motivaatioon. Motivaatio

näkyy usein aktiivisuutena niin verkkokurssilla kuin sen ulkopuolella tapahtuvassa

opiskelussa. Oppimisen hallintajärjestelmästä kerätystä tiedosta voidaan epäsuorasti

myös mitata opiskelijan motivaatiota (Hijon-Neira ym. 2014, 2; Conijn ym. 2017,

27).

Opiskelijan ja opettajan kojelaudat eroavat toisistaan siten, että opiskelija näkee vain

omia tietojaan. Opettajan on mahdollista seurata opiskelijoiden opintojen etenemistä

kaikista opiskelijoistaan kootusti, jolloin voidaan esittää jaksoittaiset varoitukset

opiskelijoista, joiden opintojen etenemiseen kannattaa kiinnittää huomiota. Kojelau-

dan avulla opettaja voi ohjata resursseja ja tukitoimia niitä tarvitseville opiskelijoille

ja huomioida nopeasti etenevät opiskelijat.

Moodlen Dashboard näyttää käyttäjälle joko graafisesti tai sanallisesti Moodlessa

tehdyn kyselyn tuloksia. Kyselyiden tuloksia voi visualisoida taulukoiksi, graafeiksi,

kartoiksi ja aikajanoiksi. Lohko voi toimia tiedon suhteen itsenäisesti tai yhteistyössä

muiden lohkojen kanssa. Siinä on monipuoliset tiedon suodatusominaisuudet ja

mahdollisuus viedä (export) dataa Moodlen ulkopuolelle (Conde ym. 2015, 52).

Moodlen omaa raportointityökalua (Moodle reporting tool) voi käyttää opiskelija-

analytiikan tuloksia esittävänä kojelautana. Se mahdollistaa käyttäjän toiminnan ra-

portoinnin sivustonlaajuisesti, kursseittain tai aktiviteeteittain. Raportti näyttää tietoa

käyttäjästä, kurssiaktiviteetista ja tapahtumalokeista, jotka kuvaavat käyttäjän toimin-

taa oppimisympäristössä. Tietoa on mahdollista myös suodattaa. Kurssi- ja aktiviteet-

titasolla voidaan kerätä tietoa kurssin ja aktiviteetin suorittamisesta, aktiviteetissa

käytetystä ajasta ja suoritukseen liittyviä laatutietoja (Conde ym. 2015, 53).

2.7 Opiskelija-analytiikan työkaluja

Aliluvussa esitellään Moodle-datan kanssa yhteensopivia opiskelija-analytiikan työ-

kaluja ja niiden jaottelua erilaisten käyttötarkoitusten perusteella. Työkalut analysoi-

vat Moodlen oppimisesta tallentamaa tietoa analyysin tekemiseksi. Analyysistä teh-

36

dään yhteenvetoja, jolloin opettajien ja opiskelijoiden on helpompaa ymmärtää ja

seurata oppimisen etenemistä.

Luna ym. vertailevat 17:ää Moodlen lisäosana tai sen dataa hyödyntävää opiskelija-

analytiikan työkalua (2016, 91-100). Vertailussa havaitaan työkalujen sisältävän

usein vain yhden opiskelija-analytiikan menetelmän käytön. Työkaluja on usein ke-

hitetty tietyn tehdyn havainnon ympärille vailla kokonaisen oppimisprosessin analy-

sointia. Vertailun tulos on esitetty kuvassa 13.

Kuva 13. Moodle-dataa hyödyntävien opiskelija-analytiikan työkalujen vertailu (Luna ym.

2016, 92). Kuvassa työkaluista on taulukoitu tiedot vapaasta käytöstä, Moodle-integroinnista,

ohjelmointikielestä, tiedon visuaalisesta esittämisominaisuudesta, datan esikäsittelyn tuesta sekä

ohjatun ja ohjaamattoman oppimisen käyttämisestä analyysin osana.

Kuvasta 13 nähdään työkaluista kuuden olevan vapaasti käytettäviä ja 11 maksulli-

sia. Suurin osa työkaluista on toteutettu PHP-ohjelmointikielellä (8 kpl) tai Javalla (6

kpl), mutta toteutuksia on myös VisualBasicilla (1 kpl), Pythonilla (1 kpl) ja Ja-

vaScriptillä (1 kpl). Työkaluista yksikään ei mahdollista analysoitavan tiedon esikä-

sittelyä. Vertailun työkaluista vain E-LearningWebMiner käsittelee tietoa ohjaama-

tonta oppimista apuna käyttäen ja vain CVLA hyödyntää ohjattua oppimista.

Conde ym. jakavat opiskelijoiden seurantatyökalujen vertailussaan opiskelija-

analytiikan työkalut neljään ryhmään: Yleiskäyttöisiin mittaristoihin, ad hoc -

työkaluihin, erityisten kysymysten analysointiin tehtyihin välineisiin ja oppimisen

analyysikehyksiin (2015, 50). Yleiskäyttöiset mittaristot näyttävät tietoa opiskelijoi-

den ja opettajien toiminnasta verkko-oppimisympäristössä. Nämä eivät tyypillisesti

näytä mitattujen asioiden suhteita toisiinsa, vaan keskittyvät näyttämään mittarissa

yksittäistä seurattavaksi määriteltyä analyysin tulosta.

37

Ad hoc -työkalut seuraavat ja analysoivat tietoa tarkalla tasolla ja näyttävät tuloksia

ennalta määriteltyjen rajoitusten ja ehtojen täyttyessä. Työkalut jaetaan Moodlen

lisäosana toteutettuun Interactions-vuorovaikutustyökaluun ja opiskelijoiden yksilöl-

lisen tiimityöskentelyn arviointia helpottavaan verkkopalveluun. Moodlen Interacti-

ons-lisäosa on rajoittunut Moodlen 2.3-versioon ja sitä vanhempiin. Uudemmasta

Moodle-versiosta analysoitava data voidaan siirtää tietokantapalvelimella vanhem-

man Moodle-version käyttämään tauluun, jolloin lisäosaa voidaan käyttää toimivassa

ympäristössä. Lisäosa mahdollistaa datan opiskelijakohtaisen keräämisen ja viemisen

analysoitavaksi Excelin kaltaisella tilastointiohjelmalla.

Tiimityöskentelyn arvioinnin verkkopalvelu käyttää Moodlen web services -

rajapintaa, jota apuna käyttäen Moodle-palvelimelta kerätään tietoa kurssin keskuste-

lualueiden käytöstä. Työkalusta nähdään keskustelualueiden käyttömäärät ryhmä- ja

yksilötasoilla. Keskusteluista näytetään julkaistujen viestien kokonaismäärän ja opis-

kelijakohtaisten keskiarvojen kaltaisia tilastotietoja.

Erityisten kysymysten analysointiin tehdyt välineet keskittyvät keräämään ja analy-

soimaan tietoa oppimisesta ennalta valitusta näkökulmasta. Ryhmän esimerkkeinä

ovat sosiaalisen verkoston analysointityökalu SNAPP (Social Networks Adapting

Pedagogical Practice) ja riskiryhmässä olevien opiskelijoiden tunnistamiseen kehitet-

ty GraphFES (Graph Forum Extraction Service). SNAPP kerää tietoa keskustelualu-

eilta ja muodostaa Java-sovelmassa siitä sosiaalisen verkoston. GraphFES on verk-

kopalvelu, joka käyttää tiedonkeruuseen Moodlen web services -rajapintaa. Tietoa

kerätään kurssin kaikilta keskustelualueilta ja siitä muodostetaan kolme graafia:

Opiskelijoiden kaikki viestit ja viestien suhde toisiinsa, viestien lukukertojen ja -

määrien suhde ja opiskelijoiden viesteihin vastaaminen.

Oppimisen analyysikehysten ryhmässä olevia työkaluja voidaan käyttää erilaisissa

ympäristöissä erilaisten oppimisen näkökohtien analysoimiseksi. Tällaisia työkaluja

ovat VeLA (Visual eLearning Analytics) ja GISMO (Graphical Interactive Student

Monitoring and Tracking System).

Seuraavaksi esitellään pääosin Moodlessa toimivia opiskelija-analytiikan työkaluja.

Aliluvun 2.7.1 Blocks: Course Dedication -työkalu tunnistaa Moodlen aktiviteettilo-

kista opiskelijoiden istunnot ja visualisoi näiden perusteella oppimisesta tietoa opet-

38

tajalle. Aliluvun 2.7.2 Visual eLearning Analytics kokoaa verkkokurssin ja opettajan

tallentamaa tietoa tarkasteltavaksi samassa visualisoinnissa. Aliluvun 2.7.3 Moodle

Engagement Analytics visualisoi opiskelijoiden etenemistä verkkokurssilla kirjautu-

misten, tehtävien ja keskustelualueiden perusteella.

Aliluvun 2.7.4 Graphical Interactive Student Monitoring and Tracking System visu-

alisoi opiskelijaryhmän käyttäytymistä kirjautumisten, Moodlen aktiviteettien ja re-

surssien perusteella. Aliluvussa 2.7.5 esiteltävä Monitoring Online Courses with

Logfiles lisää verkkoympäristöön tallentuneen datan tarkasteluun didaktisen teorian

ja visualisointien luonnin sidosryhmäkohtaisesti.

Aliluvun 2.7.6 Learning Analytics Enhanced Rubric laajentaa opiskelijoiden arvioin-

tia kriteeripohjaisesti. Aliluvun 2.7.7 SmartKlass visualisoi oppimisen tuloksia sidos-

ryhmittäin oppilaitokselle, kurssille ja opiskelijatasoille. Moodlen oma tietovisa

(quiz) on esitelty aliluvussa 2.7.8. Moodlen tietovisaan vuorovaikutteisuutta lisäävä

Interactive assignment -lisäosa esitellään aliluvussa 2.7.9. Aliluvussa 2.7.10 esitel-

lään sosiaalisen verkoston analysointityökaluja: Graph Forum Extraction Service,

Social Networks Adapting Pedagogical Practice ja Pajek.

Aliluvun 2.7.11 Merlin-know -työkalu tehostaa opiskelijan verkossa tapahtuvaa op-

pimista ja ohjaamista hyödyntämällä tasoittain tapahtuvaa etenemistä ja suorituskoh-

taista palautetta. Työkalun antamassa palautteessa hyödynnetään opettajamaista ava-

tarta. Lopuksi aliluvussa 2.7.12 esitellään Moodle Data Mining, joka mahdollistaa

tiedonlouhinnan ja visualisoinnin Moodlen aktiviteettilokista.

2.7.1 Blocks: Course Dedication

Opiskelijoiden Moodle-kurssilla käyttämästä ajasta voidaan tunnistaa työhön omis-

tautunut aika analysoimalla opiskelijan kurssinaikaista toimintaa Moodlen aktiviteet-

tilokiin tallentuneen tiedon avulla. Azevedo ym. ovat tutkineet opiskelijoiden keski-

39

määräisen istunnon pituutta käyttämällä Moodlen block_dedication19 -lisäosaa (2017,

645). Blocks: Course Dedication laskee opiskeluun omistautuneen ajan verkkokurs-

sin käytöstä tunnistettujen istuntojen perusteella.

Käyttäjän istunto (session) on kahden tai useamman peräkkäisen verkkopalvelun

lokiin tallentuneen käytön sarja, jossa peräkkäisten tallentuneiden aikojen aikaväli ei

ylitä määriteltyä enimmäisaikaa. Istunnon kesto määräytyy ensimmäisen ja viimeisen

lokimerkinnän välisenä aikana. Sovellus laskee kurssin käyttäjien istuntoajat sekä

istuntojen summan ja niiden pituuden keskiarvon. Työkalun asetukset on esitetty

kuvassa 14.

Kuva 14. Course dedication -lisäosan asetukset. Työkalussa määritellään seurattavan jakson

alku- ja loppuajankohdat sekä samaan istuntoon kuuluvien tapahtumien enimmäiskesto (kuvas-

sa 60 minuuttia). Lähde: moodle.org20

Kuvasta 14 nähdään Course dedication –työkalun asetuksissa määriteltävä seurattava

ajanjakso ja istunnon aikakatkaisuraja. Aikakatkaisurajaa tarvitaan, sillä selaimen

sivunlatauspyyntöihin perustuva istunnon lopetusajankohta ei kaikissa tapauksissa

tallennu lokitiedostoon. Kuvassa tehdyn asetuksen mukaan istunto päätetään viimeis-

tään 60 minuutin päästä viimeisestä tallennetusta sivunlatauksesta. Asetusten perus-

teella Course dedication -lisäosan käyttäjälle laskemat istuntoajat on esitetty kuvassa

15.

19 https://moodle.org/plugins/block_dedication (viitattu 24.1.2018) 20 https://moodle.org/plugins/block_dedication (viitattu 24.1.2018)

40

Kuva 15. Käyttäjän Moodle-kurssilla tunnistetut istuntoajat, istuntojen kestot sekä istunnoissa

käytetty "omistautunut aika" (total dedication). Lähde: moodle.org21

Kuvassa 15 nähtävä Moodle-kurssilla käytetyn ajan arvio näytetään oletuksena vain

opettajalle. Lohkon asetuksista tieto voidaan asettaa näkymään myös opiskelijoille.

Opiskelijan kurssilla käyttämän ajan lisäksi työkalu osaa näyttää kaikkien kurssin

opiskelijoiden kurssilla käyttämän yhteenlasketun ajan ja ryhmäksi valittujen opiske-

lijoiden käyttämän ajan. Samojen opiskelijoiden eri kursseilla käyttämiä kokonaisai-

koja vertailemalla voidaan tarkastella verkkokurssien kuormittavuutta eri opiskeli-

joille.

Azevedo ym. vertailevat istunnon pituutta yleisellä tasolla, opiskeluaiheittain sekä

aikaan sidottuna (2017, 645-646). Omistautuneen ajan tulosten tarkastelussa havai-

taan opiskelijoiden aikaa kuluvan enemmän paljon monivalintakysymyksiä sisältä-

vän verkkokurssin laskentasisällön parissa. Lisätutkimuksen aiheita voisivat olla

kurssin eri osien aikavaativuuksien määrittely ja ennalta tiedetyn ajankäytön sovel-

taminen oppimisessa. Omistautunutta aikaa voidaan soveltaa määriteltäessä opiskeli-

joiden verkkokurssin eri osille varattavaa aikaa. Kertomalla aika-arvio ennalta opis-

kelijoille he voivat käyttää tietoa suunnitellessaan opintojaan. Omistautunutta aikaa

ja kurssin lopputulosta vertaamalla on mahdollista tutkia käytetyn ajan merkitystä

opintomenestystä ennustavana mittarina. Tällaisen tutkimuksen toteutuksessa tulisi

kuitenkin huomioida opintomenestykseen vaikuttavan myös muita tekijöitä.

21 https://moodle.org/plugins/block_dedication (viitattu 24.1.2018)

41

2.7.2 Visual eLearning Analytics

Visual eLearning Analytics (VeLA)22 yhdistää oppimisesta tallennettavan tiedon ja

opettajan tallentamat havainnot tarkasteltavaksi samassa visualisoinnissa. Työkalun

on tarkoitus tehdä opiskeluun liittyvästä tiedosta ja tietojen käsittelystä läpinäkyvää

analyyttisen keskustelun pohjaksi (Keim ym. 2008, 155). Se on rakennettu aliluvussa

2.5 esitettyjen opiskelija-analytiikan viitekehyksen (Chatti ym. 2012, 6-7) ja visuaa-

lisen analytiikan määritelmän, prosessin ja haasteiden (Keim ym. 2008) pohjalta.

Kuvassa 16 on esitetty työkalussa käytetyt menetelmät ja sen toimintaperiaate.

Kuva 16. VeLa-työkalun menetelmät. Kuvassa yhdistetään oppimisesta tallennettava tieto ja

opettajan työ. Käytettävät konepuolen menetelmät ovat tilastollinen analyysi, tiedonlouhinta ja

-hallinta sekä pakkaus ja suodattaminen. Näiden pohjalta käytetään semanttista lähestymista-

paa sekä grafiikkaa. Ihmisen (opettajan) puolelta yhdistyvät kognitio, havainnot, visuaalinen

älykkyys ja päätöksenteko, joihin yhdistyvät ihmiskeskeinen tietojenkäsittely ja tiedonsuunnit-

telu. Tuloksena syntyy tiedon visualisointi (Keim ym. 2008, 10).

Kuvasta 16 nähdään VeLan pyrkivän tiedon visualisointiin yhdistämällä oppimisym-

päristön tallentaman tiedon ja opettajan työn ”parhaiksi puoliksi”. Yhdistämisen lop-

putuloksena tuotettavat visualisoinnit ovat vuorovaikutteisia. Käyttäjä voi suodattaa

visualisoinnin esittämää tietoa, kohdistaa siihen hakuja ja muuttaa tiedon esitystapaa.

Ohjelmassa on neljä visualisointityyppiä: Spiraalinmuotoinen aikajana käyttäjien

aktiivisuudesta valittuna ajanhetkenä, kurssin tärkeimmistä käsitteistä muodostettu

sanapilvi, käyttäjien vuorovaikutteisuutta kuvaava sosiaalinen kaavio ja työkalu op-

22 https://www.slideshare.net/grialusal/vela-lasi-bilbao (viitattu 7.6.2018)

https://www.youtube.com/watch?v=isHK08E4q1g (viitattu 7.6.2018)

42

pimisympäristöön tallennetun datan ja siihen kohdistetun käyttäjän aktiviteetin visu-

alisoimiseen. (Conde ym. 2015, 55). Työkalu on julkaistu vuonna 2015.

2.7.3 Moodle Engagement Analytics

Moodle Engagement Analytics23 kerää ja näyttää tietoa opiskelijoiden etenemisestä

kurssilla. Työkalun näyttämä eteneminen määritellään opiskelijan kurssilla suoritta-

mien aktiviteettien perusteella. Opiskelijoiden eteneminen tunnistetaan käyttämällä

kolmea määrällistä tekijää: Opiskelijoiden kirjautumisen taajuutta, tehtävien palaut-

tamista ja keskustelualueilla katseltujen viestien ja uusien viestien kirjoittamisen lu-

kumääriä. Näiden perusteella lasketaan opiskelijakohtainen ”riskiluokitus”, joka on

esitetty kuvassa 17.

Kuva 17. MEA:n riskiarviointi. Riskiarvio lasketaan tehtävänpalautusten, keskustelualueiden

aktiivisuuden ja kirjautumisten perusteella. Lähde: moodle.org24.

Kuvassa 17 nähdään opiskelijakohtaisen ”riskiluokituksen” olevan suhteessa opiske-

lijan kirjautumisten lukumäärään sekä tehtävä- ja keskustelualueaktiviteettien käyt-

töön. Vähäisempi kurssiaktiivisuus johtaa korkeampaan ”riskiluokitukseen”.

MEA:n laskemat tulokset esitetään Moodlen lohkossa (block). Lohko näyttää reaa-

liajassa tietoa opiskelijoiden käyttämistä resursseista ja sisältää algoritmin, joka hä-

lyttää ”riskiluokituksen” saavista opiskelijoista. Kerätyille tiedoille voidaan asettaa

erilaisia painoarvoja, jotka huomioidaan ”riskiluokituksen” laskennassa (Conde ym.

2015, 55; Yassine ym. 2016, 263). Työkalu on julkaistu GNU General Public -

lisenssillä vuonna 2012.

23 https://moodle.org/plugins/mod_engagement (viitattu 11.6.2018) 24 https://docs.moodle.org/22/en/Engagement_Analytics_Plugin (viitattu 11.10.2018)

43

2.7.4 Graphical Interactive Student Monitoring and Tracking System

Graphical Interactive Student Monitoring and Tracking System (GISMO)25 on

Moodlen lisäosa, jota voi käyttää analysoitaessa kurssin opiskelijoiden oppimista

(Conde ym. 2015, 55; Yassine ym. 2016, 262). Työkalun on tarkoitus antaa ajanta-

sainen kuva opiskelijaryhmän käyttäytymisestä. Kuvassa 18 on esitetty GISMO:n

pääsivu.

Kuva 18. GISMO:n pääsivu. GISMO:ssa on graafipaneeli, jonka toimintaa ohjataan luettelo- ja

aikapaneeleista. Vasemman reunan luettelosta valitaan ja määritellään näytettävät graafit. Ai-

kajanalta (alareuna) valitaan graafeissa tarkasteltavat kerätyn tiedon aloitus- ja lopetusajat.

Kuvassa 18 nähdään GISMOn Moodle-kurssilta kerätyn tiedon perusteella muodos-

tamia kaavioita. Kaaviot näyttävät miten opiskelijat käyvät kurssilla, lukevat materi-

aaleja ja palauttavat tehtäviä. Visualisoinnin kautta opettaja näkee yhteenvedon koko

ryhmästä, ei vain yksittäisestä opiskelijasta tai resurssista.

GISMOssa on kahdeksan erilaista visualisointia: Käytön yleiskuva, kurssilla käynnit,

kurssin resurssien käytön yleiskuva, tehtävien käytön yleiskuva, kyselyiden käytön

yleiskuva, resurssien käytön yleiskuva, resurssienkäytön aikajana opiskelijoittain ja

resurssien käyttö opiskelijoittain26. GISMO on kehitetty samankaltaisessa LAMP-

ympäristössä kuin Moodle ja julkaistu GPL-lisenssillä.

25 https://moodle.org/plugins/block_gismo (viitattu 7.6.2018) 26 http://gismo.sourceforge.net/visualizations.html (viitattu 8.6.2018)

44

2.7.5 Monitoring Online Courses with Logfiles

Monitoring Online Courses with Logfiles (MOCLog) on joukko Moodlen dataa ana-

lysoivia ja esittäviä työkaluja. Työkalun käyttäjät saavat yhteenvetoja tekeviä raport-

teja oppimiseen liittyvien resurssien ja työkalujen käyttämisestä. Tällaisia ovat esi-

merkiksi kyselyt ja tehtävät (Yassine ym. 2016, 262).

MOCLogin kehitys pohjautuu GISMO:oon (aliluku 2.7.4). Työkalu yhdistää didakti-

seen teoriaan opiskelijoiden Moodle-palvelimelle tallennetun datan. Didaktiikka on

opetustapahtumaa, ei opettamista (opetusmenetelmiä) tai oppimista, tutkiva tiede

(Hellstrom 2008, 30). Työkalu palvelee neljän sidosryhmän tarpeita: Opiskelijoita,

opettajia, opintojakson johtajia ja järjestelmän ylläpitäjiä. Jokaiselle sidosryhmälle

on määritelty omat käyttötapauksensa, jotka työkalussa toteutetaan käyttäjien profii-

lien kautta (Mazza ym. 2012, 132-134; 139). Kuvassa 19 on esitetty MOCLogin

opiskelijoiden ja opettajien käyttötapaustaulukko.

Kuva 19. MOCLogin opiskelijoiden ja opettajien käyttötapaukset. Vasemmassa sarakkeessa on

sidosryhmälle tunnistetut tarpeet. Oikea sarake kuvaa miten tarve toteutetaan työkalussa (Maz-

za ym. 2012, 136).

45

Kuvasta 19 nähdään MOCLogin toteutuksen kulkeneen sidosryhmien käyttötapaus-

ten suunnittelun kautta. Käyttötapaukset on toteutettu Moodlen opiskelijan aktiviteet-

tien käytöstä tallentuneita tietoja hyödyntäen.

2.7.6 Learning Analytics Enhanced Rubric

Learning Analytics Enhanced Rubric (LAe-R)27 on Moodlen opiskelijoiden arvioin-

nin lisäosa, joka käyttää kriteeripohjaista arviointitekniikkaa. Kuvassa 20 nähdään

työkalun arviointikriteereitä.

Kuva 20. Learning Analytics Enhanced Rubric -työkalun arviointikriteerit. Ensimmäisessä

sarakkeessa on arvioinnin kohde: Kuvassa vastausten lukumäärä, erillisten vastattujen opiskeli-

joiden lukumäärä ja tehtävien arviointi. Arviointikriteerit on esitetty omina sarakkeinaan suh-

teutettuna arvioinnin kohteeseen. Ensimmäisellä rivillä vastausten lukumäärää arvioidaan as-

teikolla minimaalinen, riittävä ja enemmän kuin riittävä. Lähde: Moodlen dokumentaatio28.

27 https://moodle.org/plugins/gradingform_erubric (viitattu 31.1.2018) 28 https://moodle.org/plugins/gradingform_erubric (viitattu 8.6.2018)

46

Kuvasta 20 nähdään LAe-R-työkalun toimintaperiaatteena olevan oppimiskäyttäy-

tymiseen ja vuorovaikutukseen liittyvien kriteereiden ja luokittelutasojen perusteella

tapahtuva oppimisen etenemisen analysointi. Esimerkiksi yhteistyön arvioimiseksi

työkalu analysoi opiskelijoiden keskustelualueille ja chat-aktiviteettiin kirjoittamien

viestien lukumääriä. Työkalun tulevaisuuden kehityskohteena on mainittu kriteerien

graafinen visualisointi29.

2.7.7 SmartKlass

SmartKlass3031 esittää oppimisesta tuloksia eri sidosryhmille. Sidosryhmät ovat oppi-

laitos-, kurssi- ja opiskelijatasoisia. Työkalu muodostaa sidosryhmälle kojelau-

tanäkymän koneoppimiseen perustuvia algoritmeja apuna käyttäen (Yassine ym.

2016, 263). Oppilaitostasolla voidaan tarkastella kurssien yleiskuvaa, tuloksia ja op-

pimisen kehittymistä. Kuvassa 21 on esitetty työkalun oppilaitostasoinen yhteenve-

tonäkymä.

Kuva 21. Moodlen SmartKlass-lisäosan oppilaitostasoinen näkymä näyttää tietoa kurssien

lukumäärästä, kurssien aktiviteettitasosta, opiskelijamäärästä kursseilla ja keskimääräiset

tiedon kurssilla olevista opiskelijoista ja opiskelijalla olevista kursseista. Lähde: Moodlen

SmartKlass-lisäosan dokumentaatio32

Kuvasta 21 nähdään työkalun esittävän opiskelijoiden osallistumista kurssille ja

opintojen etenemistä. Vasemman reunan Numerot-ryhmässä kuvataan kurssin koko-

29 https://docs.moodle.org/33/en/Learning_Analytics_Enriched_Rubric (viitattu 8.6.2018) 30 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018) 31 http://klassdata.com/smartklass-learning-analytics-plugin/ (viitattu 31.1.2018) 32 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)

47

naismäärä, aktiivisten kurssien lukumäärä, opiskelijoiden kokonaismäärä, keskimää-

räinen opiskelijamäärä kursseilla ja opiskelijan keskimääräinen kurssimäärä. Kuvan

keskellä oleva viivakaavio kuvaa opiskelijoiden kurssienkäytön aktiivisuutta tarkas-

teltuna päivittäin, viikoittain tai kuukausittain.

Opettaja voi tarkastella opiskelijan etenemistä kolmella tasolla: Yksilötyöskentelyn,

yhteistyön ja tulosten näkökulmista. Kuvassa 22 nähdään työkalun auttavan tunnis-

tamaan opinnoistaan jäljessä olevat opiskelijat.

Kuva 22. Opintojen eteneminen ryhmittäin (evolution by groups) on jaettu erinomaisesti ja

keskinkertaisesti sekä vaikeuksia oleviin opiskelijoihin. Opiskelijat, joilla on vaikeuksia (stu-

dents with difficulties) -ryhmä ei SmartKlass-lisäosan mukaan etene opiskelussa samassa aika-

taulussa muiden ryhmien kanssa. Lähde: Moodlen SmartKlass-lisäosan dokumentaatio33

Kuvassa 22 nähdään opiskelustaan jäljessä olevat kolme opiskelijaa ja visualisoitu

tieto miksi hälytysraja heidän kohdallaan ylittyy. Hälytysrajaan vaikuttavat, kuvassa

nähtävät, mittarit ovat yksilötyöskentely, yhteistyö muiden opiskelijoiden kanssa ja

opiskelun tulokset. Opinnoistaan jäljessä olevien opiskelijoiden tiedon avulla opetta-

ja voi antaa opiskelijoille heidän tasoonsa kohdistettua sisältöä tai ohjausta ja edistää

kurssille osallistumista. Opinnoissaan hitaasti tai ei ollenkaan edistyville opiskelijoil-

33 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)

48

le voidaan opettajan ryhmätasolla tehtävän työn lisäksi kohdistaa tukitoimia myös

esimerkiksi kurssirajat ylittävän yhteisen ohjauksen muodossa. Mahdollisimman

nopeasti saatu tieto tukitoimia tarvitsevista opiskelijoista tehostaa opettajan ja oppi-

laitoksen koordinoimaa tuki- ja ohjaustoimintaa.

Erinomaisesti opinnoissaan edistyvien opiskelijoiden (outstanding students -välilehti)

joukossa voi olla nopeasti eteneviä henkilöitä, joille kurssin sisältö ei ole ollut tar-

peeksi haastavaa. Tällaisten opiskelijoiden opiskelua voidaan tukea antamalla haas-

tavampia tehtäviä tai mahdollistamalla kurssin suorittaminen nopeammassa aikatau-

lussa. Työkalun kautta on lisäksi mahdollista vertailla kursseja keskenään. Kuvassa

22 kursseja vertaillaan opiskelijoiden oppimistulosten perusteella.

Kuva 23. SmartKlass-lisäosa vertailee kurssien suorituksia opintomenestyksen (erinomainen,

keskinkertainen tai vaikeuksia) perusteella oletettuun menestykseen ja järjestää ne opintome-

nestyksittäin järjestykseen. Yhteensä 24 kurssista 11:ssä oppimistulokset ovat olleet erinomaisia

tai keskinkertaisia. Kahden kurssin opintomenestyksessä on ollut vaikeuksia. Lähde: Moodlen

SmartKlass-lisäosan dokumentaatio34

Kuvassa 22 nähdään SmartKlass-työkalun jakaneen kurssit opiskelijoiden opintome-

nestyksen perusteella kolmeen ryhmään: Erinomaisesti, keskimääräisesti ja vaikeuk-

34 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)

49

sia sisältäviin kursseihin. Jokaiseen ryhmään luokitellut kurssit näytetään kuvan ala-

reunassa. Työkalu ei huomioi mahdollisia kurssien erilaisia vaikeusasteita vaan ver-

tailee pelkästään saavutettuja tilastollisia oppimistuloksia. Tiedon perusteella voi-

daan pohtia keinoja oppimistulosten parantamiseksi. Kuvassa 24 arvioidaan opiskeli-

jan suorituskykyä, joka kertoo hänen kurssisuoritustensa etenemisnopeudesta.

Kuva 24. Opiskelijan etenemisen seuranta vertailee opiskelijan suoritusta opettajan määrittä-

miin tavoitteisiin ja suhteessa oman ryhmän etenemiseen. Lähde: Moodlen SmartKlass-lisäosan

dokumentaatio35

Kuvassa 24 nähdään opiskelijan oman suorituksen suhteessa tavoitteeksi asetettuun

tasoon olevan hyvä, 80%. Ryhmään verrattuna suoritus on ollut 90%. Suoritustietoa

näytetään kuvan alareunassa myös aikaan suhteutettuna pistekaaviona. SmartKlass-

35 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)

50

työkalu on kehitetty avoimena lähdekoodina. Tieto kerätään Moodlen API-

rajapinnan versiota 1.0 käyttäen.

2.7.8 Moodlen oma tietovisa (quiz)

Moodlen Tietovisa (quiz)36 -aktiviteetin avulla opettaja voi suunnitella ja rakentaa

tietokilpailuja, jotka koostuvat useista erilaisista kyselytyypeistä37. Tuettuja kysely-

tyyppejä ovat esimerkiksi monivalinta, oikea-väärä -valinta, lyhyt kirjallinen vastaus

sekä vedä ja pudota. Tietovisan kysymykset säilytetään keskitetysti kysymyspankis-

sa38, josta niitä voidaan käyttää uudelleen uusissa tietokilpailuissa.

Opettajan näkökulmasta tietovisan toimintojen määrittely voisi olla ketterämpää.

Opiskelijoille on mahdollista määritellä vastaukseen perustuva palaute, mutta kovin

henkilökohtaiselle tasolle palautteissa ei päästä. Tietovisaa on mahdollista laajentaa

lisäosien39 avulla. Tietovisan laajennusten kautta on mahdollista saada käyttöön uu-

sia kyselytyyppejä ja kehittyneempää palautetta. Lisäosien kautta tulee mahdolliseksi

myös kyselyiden sääntöjen määrittely. Seuraavaksi esiteltävä iAssign on tällainen

Tietovisan laajennusosa.

2.7.9 Interactive Assignment

Moodlen interactive Assignment (iAssign) -lisäosan40 tavoitteena on lisätä vuorovai-

kutteisuutta Moodlen esimerkkeihin, testeihin, harjoituksiin, keskusteluihin ja arvi-

ointiin. Lisäosa on kehitetty tukemaan erityisesti geometrian41, grafiikan ja funktioi-

den42, kombinatoriikan43 ja ohjelmoinnin44 opetusta. Vuorovaikutteinen sisältö toteu-

tetaan selaimessa toimivan Java- tai HTML5-pohjaisen, iLM:ksi (interactive Lear-

36 https://docs.moodle.org/34/en/Quiz_activity (viitattu 17.2.2018) 37 https://docs.moodle.org/34/en/Questions (viitattu 17.2.2018) 38 https://docs.moodle.org/34/en/Question_bank (viitattu 17.2.2018) 39 https://moodle.org/plugins/browse.php?list=category&id=28 (viitattu 17.2.2018) 40 https://docs.moodle.org/33/en/iAssign (viitattu 17.2.2018) 41 http://www.matematica.br/igeom (viitattu 17.2.2018) 42 http://www.matematica.br/igraf (viitattu 17.2.2018) 43 http://www.matematica.br/icomb (viitattu 17.2.2018) 44 http://www.matematica.br/ivprog (viitattu 17.2.2018)

51

ning Module), kutsutun toiminnallisuuden avulla. iAssign-lisäosan toiminta on esitet-

ty kuvassa 24.

Kuva 25. iAssign-lisäosan toimintakaavio. Itse lisäosa on merkitty kuvaan ellipsinä, johon liitty-

vät vasemman reunan vuorovaikutteisen tekstin, oikean reunan vuorovaikutteisten aktiviteet-

tien lisäys. Alareunassa on liitettyinä vuorovaikutteisten esimerkkien, testien ja harjoitusten,

keskusteluiden ja arvioinnin osat. Lähde: Moodlen iAssign-lisäosan dokumentaatio45.

Kuvassa 24 nähdään iAssign-työkalun toimivan Moodlen lisäosana (plugin). Lisä-

osan toiminnallisuudet ovat vuorovaikutteisen aktiviteettien lisääminen Moodlen

tekstialueelle ja yhteistyöelementeiksi, vuorovaikutteisen esimerkkien, testien ja har-

joitusten tekeminen, vuorovaikutteinen keskustelu opiskelijoiden kanssa ja opiskeli-

joiden vuorovaikutteinen arviointi. Lisäosaa käyttäen kurssille voidaan lisätä eri-

tyyppistä vuorovaikutteista esimerkki-, testi- ja harjoitussisältöä ja käydä opiskelijoi-

den kanssa vuorovaikutteista keskustelua. Myös opiskelijoiden osaamisen arvioimi-

nen vuorovaikutteisesti lisäosan kautta on mahdollista. Lisäosalla luotu sisältö tal-

lennetaan keskitetysti, jolloin se on tarvittaessa käytettävissä uudelleen.

Opiskelija-analytiikan integroinnin näkökulmasta iAssign-lisäosan dokumentaatio on

puutteellinen. Dokumentaatiossa kuvataan toiminnallisuus ja yhteensopivuus

Moodlen osien kanssa, mutta ei tarkemmin sitä onko lisäosan tallentama tieto luetta-

vissa Moodle-kurssin aktiviteettilokista ja arvioinneista tai onko lisäosan tallenta-

maan dataan ylipäätänsä mahdollista päästä käsiksi sen ulkopuolelta.

45 https://docs.moodle.org/33/en/iAssign (viitattu 17.2.2018)

52

Rodrigues ym. esittävät iQuiz-nimiseksi nimeämänsä mallin Moodlen tietovisa-

aktiviteetin laajentamiseksi (2013, 2). Mallissa on käytetty pohjana iAssign-lisäosan

asennusta Moodleen. Malli on esitetty kuvassa 26.

Kuva 26. iAssign-paketin ehdotettu asennus Moodlen lisäosaksi. Moodleen liittyvät Tietovisa ja

siihen liittyvät kyselytyypit ovat kuvan vasemmassa reunassa ja iQuiz ja siihen liittyvät kysely-

tyypit keskellä. iQuiz tallentaa tiedon omaan säilytyspaikkaansa. Lisäksi käytetään omaa mo-

duulia vuorovaikutteisuuden lisäämiseen. (Rodrigues ym. 2013, 294).

Kuvassa 26 nähdään iQuiz:n toiminta ja ehdotettu asennusmalli Moodleen. iQuiz on

merkitty Moodlen omaa tietovisaa (Quiz) laajentavaksi komponentiksi, johon kuulu-

vat kysymystenteko-ominaisuus, asetukset ja yhteentoimivuus. Lisäosan tallennus- ja

jakamispaikkana (Learning Object, LO) käytetään iRepository-komponenttia, joka

on Moodleen integroidun Interactive Digital Content Repositoryn laajennus.

2.7.10 Sosiaalisen verkoston analysointityökaluja

Aliluvussa käsitellään sosiaalisen oppimisen analyysiin (aliluku 2.6.4) liittyviä sosi-

aalisen verkoston analysointityökaluja. Työkalut keräävät tietoa opiskelijoiden verk-

koympäristössä käymistä keskusteluista tuottaen yhteistyöstä kaavioita.

53

Aluksi esitellään GraphFES, joka mahdollistaa passiivisten opiskelijoiden tunnista-

misen ja antaa tietoa ryhmässä tapahtuvasta sosiaalisesta vuorovaikutuksesta.

Moodle Engagement Analytics on Moodlen lohko, joka näyttää tietoa putoamisris-

kissä olevista opiskelijoista. Lopuksi esitellään Pajek, joka mahdollistaa sosiaalisen

verkoston graafien piirtämisen.

Graph Forum Extraction Service

Graph Forum Extraction Service (GraphFES) on web-palvelu, joka muodostaa yh-

teyden Moodleen ja kerää tietoa kurssin keskustelualueista. Tästä tiedosta muodoste-

taan kolme kaaviota. Ensimmäinen kaavio sisältää kaikkien käyttäjien kaikki viestit

ja tiedon kuinka ne liittyvät toisiinsa. Toinen kaavio näyttää toisiinsa yhteydessä ole-

vat opiskelijat sen mukaisesti kuka on lukenut toisten viestejä ja kuinka monta ker-

taa. Kolmas kaavio näyttää myös kaikki toisiinsa yhteydessä olevat opiskelijat, mutta

sen mukaisesti kuka on vastannut kenelle. GraphFES rakentaa sosiaalisen verkoston

kaavion ja palauttaa sen Graph Exchange XML Format (GEXF) muotoisena tiedos-

tona, jonka voi avata Gephissä (Conde ym. 2015, 54). GEXF46 on monimuotoisten

verkkorakenteiden kuvaamiseen suunniteltu kieli, jonka määrittelyt ovat laajennetta-

via ja avoimia. Laajennettavuuden ja avoimuuden seurauksena kieli on saanut laaje-

nevaa sovellustukea. GEXF-kielen suunnittelu on aloitettu vuonna 2007 Gephi-

projektissa. Gephi47 on graafien ja verkkojen visualisointiin kehitetty avoimen lähde-

koodin sovellus.

Social Networks Adapting Pedagogical Practice

Social Networks Adapting Pedagogical Practice48 (SNAPP) käsittelee verkko-

oppimisympäristön keskustelualueen viesteistä saatavaa tietoa ja näyttää tulokset

Java-sovelmana (Conde ym. 2015, 54-55). Java-sovelma (applet) on asiakaskoneen

selaimen Java-virtuaalikoneessa suoritettava ohjelmisto. SNAPP käyttää tietoa vies-

46 https://gephi.org/gexf/format/ (viitattu 28.10.2018) 47 https://gephi.org/ (viitattu 28.10.2018) 48 https://github.com/aneesha/SNAPPVis (viitattu 11.6.2018)

54

tien lähettäjistä, vastaajista, aiheista ja laajuudesta. Näiden tietojen perusteella analy-

soidaan opiskelijoiden vuorovaikutusta, joka esitetään sosiaalisen verkon kaaviona.

Kaavio on esitetty kuvassa 27.

Kuva 27. SNAPP:n verkko-opetusympäristön keskustelualueelta keräämä sosiaalisen verkon

kaavio. Kaaviossa opiskelijat on esitetty oranssinvärisinä solmuina. Solmujen välillä kulkeva

kaari kuvaa opiskelijoidenvälistä vuorovaikutusta. Kaareen on merkitty nuolella vuorovaiku-

tuksen suuna ja painoarvona vuorovaikutuksen määrä. Kuvan oikean reunan toiminnoilla käyt-

täjä voi vaikuttaa graafin näyttämiseen ja näytölle sovittamiseen liittyviin asetuksiin (Bakharia

ym. 2009, 50).

Kuvassa 27 esitetty SNAPP:n Visualization-välilehdellä näyttämä sosiaalisen verkos-

ton kaavio on vuorovaikutteinen mahdollistaen siinä nähtävien tietojen tarkentami-

sen. Yhteyksiä voidaan suodattaa niiden lukumäärän ja painoarvon perusteella. Sta-

tistics-välilehti näyttää tilastotietoa sosiaalisen verkon osallistujista. Export-välilehti

mahdollistaa tiedon viemisen GraphML ja VNA-tiedostomuotoihin.

GraphML49 on vapaasti tieteellisissä ja kaupallisissa ohjelmistoissa hyödynnettävä,

XML-määritystä hyödyntävä, kaavioiden tallentamiseen kehitetty tiedostomuoto.

XML50 (Extensible Markup Language) on tiedon kuvaamiseen ja verkossa jakami-

seen kehitetty joustava tekstimuoto, joka kuvaa samassa tiedostossa tiedon sisällön ja

49 http://graphml.graphdrawing.org/ (viitattu 28.10.2018) 50 https://www.w3.org/XML/ (viitattu 28.10.2018)

55

sen rakenteen. XML on johdettu Standard Generalized Markup Languagen (SGML)

vuonna 1986 julkaistusta ISO 887951 standardista. SGML standardoi asiakirjojen

merkintätavan.

VNA52-tiedostomuoto tallentaa tiedon verkosta ja sen solmujen ominaisuuksista.

Tämän lisäksi tallennetaan tieto miten verkko tulee esittää. Verkon esittämiseen liit-

tyvää tietoa ovat esimerkiksi solmujen väri ja koko. VNA-tiedostomuotoa hyödynne-

tään NetDraw-ohjelmistossa. NetDraw53 on vapaasti käytettävässä oleva, sosiaalisen

verkoston visualisoimiseksi kehitetty Windows-sovellus.

Verkkokaavioiden perusteella SNAPP:ssa on mahdollista tunnistaa passiivisia opis-

kelijoita, luokitella käytyjen keskusteluiden laajuutta, aihetta ja osallistujia, tunnistaa

luokkaopetuksen laajentuminen verkossa käydyissä keskusteluissa ja arvioida ennen

ja jälkeen luokkaopetusta verkko-oppimisympäristön verkkokeskusteluissa tapahtu-

nutta opiskelijoiden interventiota (osallistumista) (Bakharia ym. 2009, 49).

SNAPP tarkkailee vain verkko-oppimisympäristön keskustelualueilla tapahtuvaa

vuorovaikutusta. Sosiaalista vuorovaikutusta voi tapahtua keskustelualueen lisäksi

luokkatilassa ja muissa verkko-oppimisympäristön työkaluissa. Bakharia ym. esittä-

vät sovelluksen kehittämiskohteena vuorovaikutukseen käytettävien lähteiden laajen-

tamisen tunnistamaan esimerkiksi blogikirjoituksen reflektoinnin tai wikin muok-

kauksen (2011, 172).

Pajek

Pajek visualisoi kaavioin opiskelijoidenvälistä vuorovaikutusta. Visualisointia on

mahdollista kehittää käyttämällä Fruchterman-Reingoldin voimaohjatun sijoittelun

graafinpiirtoalgoritmia (force directed graph drawing algorithm)54, jota käytetään

sosiaalisten verkostojen visualisointiin (Adraoui ym. 2017, 3). Voimaohjatun graa-

51 https://www.iso.org/standard/16387.html (viitattu 24.10.2018) 52 https://gephi.org/users/supported-graph-formats/netdraw-vna-format/ (viitattu 28.10.2018) 53 https://sites.google.com/site/netdrawsoftware/home (viitattu 24.10.2018) 54 https://github.com/gephi/gephi/wiki/Fruchterman-Reingold (viitattu 24.1.2018)

56

finpiirtoalgoritmin tarkoituksena on sijoittaa solmut tilaan havainnollistaen solmun

voimaa suhteessa toisiin solmuihin.

2.7.11 Opiskelijan älykäs ohjaaminen: Merlin-know

Käytännön toteutus Markovin piilomallia (aliluku 2.6.3) soveltavasta Moodle-

työkalusta on Hijon-Neiran ym. kehittämä Merlin-know (2014). Työkalussa opiske-

lussa eteneminen on jaettu tasoihin, joilta eteenpäin pääsemiseksi on asetettu oppi-

mistavoitteisiin liittyvät vaatimukset. Työkalun toiminta on esitetty kuvassa 28.

Kuva 28. Merlin-know -työkalun toimintaperiaate. Kuvan vasemmassa reunassa on käytön

aikajana, jota seuraavat opetussisällöt ja niistä johdetut tasot, työkalun kysymysten määrä eri

tasoilla sekä työkalua käyttäneiden ja kaikkien opiskelijoiden lukumäärät (Hijon-Neiran ym.

2014, 7)

Kuvasta 28 nähdään Merlin-know -työkalun toimintaperiaate. Ensimmäiseen sarak-

keeseen on merkitty aikajana, jonka pituus kuvassa on kolme kuukautta. Toisessa

sarakkeessa on esitetty ohjelmoinnin johdantokurssin sisältö jaettuna kuuteen osa-

alueeseen. Kurssin sisältö on kolmannessa sarakkeessa jaettu kolmeen tasoon, joiden

suorittamiseen Merlin-know -työkalua käyttävän ryhmän opintoja tukevien kysymys-

ten määrä on esitetty neljännessä sarakkeessa. Tasoihin liittyvät testit on esitetty

kuudennessa sarakkeessa. Työkalua käyttäneiden opiskelijoiden määrä on esitetty

viidennessä ja koko ryhmän koko viimeisessä sarakkeessa.

57

Merlin-know-työkalussa opiskelija saa etenemisestään palautetta opettajahahmoiselta

avatarilta. Hahmon käyttö lisää opiskelijalle tunnetta opettajamaisemmasta vuoro-

vaikutuksesta. Opettaja-avatar on esitetty kuvassa 29.

Kuva 29. Merlin-know -työkalun opettajahahmo. Ystävällinen opettajajahmo ohjaa ja antaa

palautetta kurssilla tehdyistä tehtävistä ja opiskelussa etenemisestä. Kuvassa hahmo antaa opis-

kelijalle palautetta oikein vastattuun kysymykseen. (Hijon-Neiran ym. 2014, 3)

Kuvasta 29 nähdään opettaja-avattaren antamien vastausten rakennetun opettavaan ja

ystävälliseen muotoon. Opiskelijoilta käytettävyysarvioinnissa saadun palautteen

perusteella oppiminen on tehokkaampaa opiskelijan ymmärtäessä oikeaa ja väärää

valintaa syvemmin tekemänsä valinnan seurauksia ja merkityksiä. Opiskelijat koke-

vat saamansa palautteen ja vuorovaikutuksen positiivisena opettajahahmon ansiosta.

Työkalua käyttävien opiskelijoiden opintomenestys paranee tutkimuksessa mukana

olevien opiskelijoiden osalta kaikilla tasoilla. (Hijon-Neiran ym. 2014, 7).

2.7.12 Moodle Data Mining

Moodle Data Mining (MDM) on Moodleen integroitava tiedonlouhintatyökalu, joka

visualisoi tietoa ryhmittelyä, luokittelua tai assosiaatiosääntöjä käyttäen. Työkalu

käyttää Moodlen aktiviteettilokia, josta se louhii asetuksissaan määriteltyä tietoa

kurssin käytöstä, käsittelee sitä valittua tiedonlouhinnan menetelmää käyttäen ja vi-

sualisoi lopputuloksen.

Työkalussa on kolme välilehteä: Tiedon valinta, esikäsittely ja tiedonlouhinta. Tie-

don valinta (data selection) -välilehdellä opettaja voi valita visualisoitavat kurssin

opiskelijoiden resurssit.

58

Tiedon esikäsittely (data preprocessing) -osassa data valmistellaan tiedonlouhinta-

algoritmien vaatimaan muotoon. Käytettävissä olevat toiminnot ovat datan muok-

kaus, anonymisointi, diskretisointi ja osiinjakaminen. Diskretisoinnilla tarkoitetaan

datan diskreetiksi muuntamista. Diskreetti merkitsee erillisiä pisteitä tai arvoja. Käy-

tännössä data muunnetaan numeerisesta muodosta käyttäjäystävällisemmiksi katego-

risiksi muuttujiksi vähentämällä jatkuvamuotoisesta datasta mahdollisia eri arvoja.

Tiedonlouhinnan välilehdellä (data mining) valitaan käytettävä tiedonlouhinnan algo-

ritmi. Vaihtoehdot ovat ryhmittely (clustering), luokitteli (classification) ja assosiaa-

tiosäännöt. Assosiaatiosäännöillä voidaan yrittää ennustaa opiskelijan kurssin suorit-

tamista. Kurssin harjoitustehtävät ryhmitellään eri aiheisiin ja tarkastella opiskelijan

eri aiheista saamia pistemääriä. Tarkastelemalla opiskelijoiden kurssin läpäisyä har-

joitustehtävien aiheiden ja niistä saatujen pisteiden perusteella saattaa olla mahdollis-

ta muodostaa sääntöjä, joilla kurssin läpäisy on ollut todennäköistä. Tällöin kurssin

suorittamista historiatiedon perusteella voidaan ennustaa jo opiskelun aikana.

Työkalu on julkaistu vapaan lähdekoodin lisenssillä. Tieto voidaan viedä Excel- ja

PDF-tiedostomuodoissa käytettäväksi työkalun ulkopuolella. MDM on kirjoitettu

PHP-kielellä. Se lisätään Moodlen lohkona (block).

2.8 Yhteenveto opiskelija-analytiikasta opetuksessa

Aliluvussa luodaan kooste luvussa 2: Opiskelija-analytiikka opetuksessa esitettyyn

kiinnostavimpaan sisältöön. Luvussa tarkastellaan tutkimusta, jonka tarkoituksena on

muodostaa kuva mitä oppimisen hallintajärjestelmää käyttävällä opiskelija-

analytiikalla tarkoitetaan, miten tietoa oppimisesta tällaisessa ympäristössä kerätään

ja miten sitä hyödynnetään. Luvusta nousevat kiinnostavina esiin oppimisen tiedon

tallennus, opiskelija-analytiikkaa käyttävät sovellukset, opiskelija-analytiikkaa käyt-

tävän verkkokurssin toteutus ja skaalautuvuuden käsite.

2.8.1 Tiedon tallennus

Kun oppimisessa käytetään apuna tietojärjestelmää (aliluku 2.2), sinne tallentuvan

tiedon perusteella voidaan analytiikkaa apuna käyttäen tehdä johtopäätöksiä oppi-

misprosessista ja sen tuloksista (aliluvut 2.3 ja 2.6). Opetuksen suunnittelussa tulisi

59

määritellä mitä oppimisenaikaista tietoa halutaan kerätä ja miten sitä hyödynnetään

(aliluku 2.1). Tiedonkeräys mahdollistuu vain silloin, kun opiskelija käyttää sovellus-

ta, joka on määritelty keräämään haluttua tietoa. Suuri opettajien haaste on toteuttaa

opetus niin, että tietoa oppimisesta tallentuu tietojärjestelmään (aliluku 2.7). Opetta-

jien avuksi tämän haasteen toteuttamiseen tarvitaan mukaan sovellusarkkitehteja,

jotka toteuttavat järjestelmiin opettajien määrittelemän pedagogisen tiedon tallennuk-

sen ja mahdollistavat sen keräämisen analytiikassa käyttöön valitulle työkalulle – jos

järjestelmä ei itsessään toteuta tiedon keräystä, analyysiä ja visualisointia.

Luvussa 2 esitetyssä opiskelija-analytiikan tutkimuksessa tiedonkeräysmahdollisuuk-

sina tarkastellaan IP-osoitteen tarkkuudella käsiteltävää web-palvelimen lokia (alilu-

ku 2.4.5) ja opiskelijan tunnuksella yksilöitäviä oppimisen hallintajärjestelmän tal-

lentamia tietoja (aliluku 2.4.4) ja siihen kytkettäviä lisäosia (aliluku 2.7). Oppimisen

hallintajärjestelmän (aliluku 2.2.1) kautta opettajalla on mahdollisuus suunnitella

tiedonkeruun kannalta merkityksellisiä kokonaisuuksia (aliluku 2.5.4). Apuna voi-

daan käyttää järjestelmän omien työkalujen lisäksi erikseen asennettavia lisäosia (ali-

luku 2.7) ja verkkopalveluina toimivia ulkoisia analytiikkapalveluita (aliluku 2.4.5).

Erilaisista osista koostuvan järjestelmän ylläpito ja kehitys on kuitenkin hankalaa.

Opiskelija-analytiikan työkalujen vertailussa havaitaan lisäksi työkaluja usein kehite-

tyn tietyn tehdyn havainnon ympärille vailla kokonaisen oppimisprosessin analysoin-

tia (Luna ym. 2016, 91-100).

2.8.2 Oppimissovellukset

Oppimisympäristössä käytetyissä sovelluksissa on sisäänrakennettuna opiskelija-

analytiikaksi luokiteltavia toimintoja. Usein nämä toiminnot ovat käytettyihin työka-

luihin liittyviä tilastollisia tietoja esittäviä yhteenvetoja (aliluku 2.6.1), joita opettaja

työssään käyttää. Tällaisista toiminnoista tarkasteltuna nähdään työkalun käyttöön

liittyvää tietoa, mutta laajempi kokonaisuus oppimisesta jää puuttumaan.

Tuotaessa tiedonlouhinnan (aliluku 2.6.2) ja Markovin piilomallin (aliluku 2.6.3)

kaltaisia menetelmiä tilastollisten tietojen rinnalle opiskelijoiden oppimista voidaan

analysoida monipuolisemmin. Tiedonlouhinnan menetelmin datasta voidaan koneop-

pimista apuna käyttäen löytää tietämystä (Sharma ym. 2012, 11336), jota voidaan

esimerkiksi hyödyntää riskiryhmään kuuluvien opiskelijoiden tunnistamisessa (Ad-

60

raoui ym. 2017, 5) ja opiskelijoiden arvosanojen ennustamisessa (Galafassi ym.

2017, Marques ym. 2017). Assosiaatiosäännöt mahdollistaisivat eritasoisen opinto-

menestyksen taustalla olevien tekijöiden tunnistamisen ja tutkimisen.

2.8.3 Verkkokurssin toteutus

Verkkokurssin ydintoiminnot voidaan aliluvussa 2.5.1 esitetysti jakaa neljään luok-

kaan: Hallinnolliset tehtävät, arviointi, sisältö ja oppimisyhteisöön sitouttaminen

(Dawson ym. 2008, 224). Aliluvussa 2.5.2 esiteltyä sulautuvaa oppimista käyttävän

verkkokurssin toteutusta voidaan arvioida viestinnän, yhteistyön, arvioinnin ja opis-

kelijoille annettavan tuen näkökulmista (Rankine ym. 2009). Verkkokurssin yhteis-

työtä voidaan tarkastella aliluvussa 2.5.3 esitetysti opiskelijoiden tuottamien tulosten,

vuorovaikutuksen ja yhteistoiminnallisen oppimisen menetelmän mallin tehokkuu-

den kautta (Petropoulou ym. 2008, 318-320). Petropoulou ym. esittämässä mallissa

(2008) on ajattelun, parityöskentelyn ja jakamisen tasot. Jokaisen vaiheen tulokset on

määritelty opiskelija-analytiikassa kerättäviksi kokonaisuuksiksi, jotka opettaja nä-

kee. Oppimisen etenemisen seuranta tapahtuu näiden vaiheiden kautta.

Opiskelija-analytiikka voidaan suunnitella opetussuunnitelman osana hyödyntämällä

Yassine ym. aliluvussa 2.5.4 esittelemää kurssikarttaa (2016, 264). Kurssikartassa

opiskelija-analytiikka kytketään oppimistavoitteista johdettuihin verkkokurssin toi-

mintoihin, joille määritellään painoarvot. Näin opiskelijan verkkotyöskentelyn ete-

nemistä voidaan arvioida tavoitelähtöisesti. Ryhmiteltäessä käytettävissä olevia

verkko-opetuksen työkaluja oppimistavoitteiden mukaisesti siirrytään analytiikan

tarkastelussa pistemäisestä tiedosta kohti opetussuunnitelmassa (aliluku 2.1) määri-

teltyä oppimisen kokonaisuutta, jota voidaan tiedonlouhinnan menetelmien käyt-

töönoton seurauksena tarkastella myös tulevassa aikamuodossa. Ennusteet oppimis-

tuloksista laajentavat aika-avaruutta tilastollisten menetelmien taaksepäin suuntautu-

vasta ikkunasta kohti tietopohjaisesti oletettavaa, tulevaisuuden tilaa. Tämä mahdol-

listaa aikaisessa vaiheessa tehtävät korjaavat toimenpiteet niin opiskelijalle kuin

opettajalle antaen opiskelijalle varmuutta oikeiden asioiden tekemisestä myös verk-

ko-opiskelunsa aikana, jolloin opintojen ohjaaminen muuten kuin tietopohjaisesti voi

olla opettajan resurssit huomioiden eriaikaista suhteessa opintojen etenemiseen.

61

Sosiaalisen oppimisen analyysi (aliluku 2.6.4) mahdollistaa opettajan luokkatilassa

tekemien vuorovaikutushavaintojen laajentamisen verkko-opiskelun vuorovaikutuk-

sen analysointiin. Näin verkossa tapahtuva oppiminen voidaan tuoda näkyvämmäksi

osaksi oppimisen kokonaiskuvan arviointia.

Analyysin tulos esitetään käyttämällä vuorovaikutteisia visualisointeja, joissa yläta-

son havaintoihin voidaan porautua etsimällä niille selityksiä tai analysoimalla yksit-

täisen opiskelijan oppimista suhteessa opetussuunnitelman tavoitteisiin (aliluku

2.6.5). Oppimisen vertailua voidaan tehdä oppimistavoitteen ja yksilötason lisäksi

ylemmillä ryhmä- ja kurssitasoilla. Tietoa oppimisesta voidaan hyödyntää opintojen

havainnollistamisen lisäksi opiskelulle merkityksellisen motivaation ylläpitämisessä.

Opiskelija-analytiikka vapauttaa myös ohjauksen resursseja, kun opiskelija oppii

hyödyntämään sitä omien opintojensa ohjaamisen apuvälineenä.

2.8.4 Skaalautuvuus

Opiskelija-analytiikkaa voidaan skaalata yksittäisestä opiskelijasta koko oppilaitok-

sentasoiseen tarkasteluun (aliluku 2.1). Siihen vaikuttavat oppimisesta kerättävän

tiedon rakeisuus ja keräystaajuus (Ihantola ym. 2015, 48). Oppimisen hallintajärjes-

telmään tehdyt palautukset ovat tiedon rakeisuuden tasolla arvioitaessa verrannollisia

kehitysympäristössä tehtyihin ohjelmakoodin palautuksiin (aliluku 2.4.2). Kehitys-

ympäristössä on käytettävissä automaattisia ohjelmakoodin arvioinnin apuvälineitä,

jotka puuttuvat oppimisen hallintajärjestelmästä. Ohjelmakoodinkaltaisen tehtävän-

palautuksen arviointi asettaa tulevaisuuden haasteen tekoälyn hyödyntämiselle oppi-

mistulosten arvioinnissa.

62

3 OPISKELIJA-ANALYTIIKKA JOHDATUS TIETO-

JENKÄSITTELYYN -KURSSILLA

Luvussa käsitellään Johdatus tietojenkäsittelyyn -kurssilta opiskelija-analytiikan me-

netelmin analysoitavaa tietoa. Tieto on kerätty pro gradu -tutkielman rinnalla tammi-

heinäkuussa 2018 tehdystä erikoistyöstä ”Opiskelija-analytiikkaa Moodle-datasta”.

Erikoistyössä sovellettiin ensimmäisessä luvussa ”Opiskelija-analytiikka opetukses-

sa” esitettyä tutkimusta vuonna 2017 Itä-Suomen yliopistossa toteutetun ” Johdatus

tietojenkäsittelyyn” -kurssin data-aineiston avulla.

Erikoistyön tarkoituksena oli tutkia Moodleen oppimisprosessin aikana tallentuvan

data-aineiston sovellettavuutta ja hyödynnettävyyttä opetuksen kehittämiseksi ja

opiskelijoiden oppimiskäyttäytymisen ymmärtämiseksi. Azevedo ym. seuraavat

opiskelijoiden kirjautumismaita, kirjautumisten pituutta, kirjautujien sukupuolta,

kuukautta ja viikonpäivää ymmärtääkseen kansainvälisen kurssin opiskelijoiden

käyttäytymistä (2017, 644). Lockyer ym. mukaan opiskelija-analytiikka ja opetuksen

suunnittelu yhdessä voivat auttaa kehittämään opettamista ja arviointia sekä ymmär-

tämään opiskelijan toimintaa (2013, 1439-1442). Opettamisen ja arvioinnin kehittä-

miseksi selvitettiin verkkokurssilla suorituspisteitä antavien aktiviteettien ja loppuar-

vosanan välinen korrelaatio sekä kuinka usein ja milloin opiskelijat kävivät verkko-

kurssilla. Loppuarvosanaan vaikuttavien muuttujien painoarvojen tunnistaminen

mahdollistaa kurssin painopisteiden määrittelyn ja opiskelijan työn suuntaamisen

oppimisen kannalta merkityksellisiin tekijöihin. Kurssilla käyntien määrän ja ajan-

kohdan ymmärtäminen auttavat opiskelijan toiminnan ymmärtämisessä ja kurssin

toteutuksen suunnittelussa.

Verkkokurssilla etenemisestä haluttiin antaa opettajalle tarkkoja tilannekuvia, joiden

perusteella eritasoisesti opiskelussa etenevät opiskelijat voitiin tunnistaa kurssin eri

tarkastelukohdissa. Arvioinnin ja opintojen etenemisen seurannan tueksi erikoistyös-

sä valittiin aktiviteettilokista kurssilla käynnit, keskustelualueet, tentit ja tehtävät.

Nämä aktiviteetit olivat keskeisessä roolissa Johdatus tietojenkäsittelyyn -kurssilla,

sillä niiden suorituksista sai loppuarvosanaan vaikuttavia pisteitä.

63

Fu ym. tarkastelevat reaaliaikaisesti ohjelmointitehtävien palautuksesta tehtävän läh-

dekoodin kasvua ja kääntäjän siitä antamia ilmoituksia (2017, 6). Tehtävän palautta-

minen Moodleen on tiedon rakeisuuden osalta verrattavissa ohjelmointitehtävän pa-

lautukseen – toki palautetun oppimistehtävän kokonaisuus voi olla myös laajempi.

Johdatus tietojenkäsittelyyn -kurssin tehtävät ja tentit voidaan nähdä Fu ym. esittä-

minä ohjelmakoodin palautuksina ja näistä saatavat opettajan tekemät ja automaatti-

set arvioinnit verrannollisina kehitysympäristön kääntäjän antamiin ilmoituksiin.

Moodleen palautetusta tehtävästä ei ole mahdollista tarkastella sen etenemistä Fu ym.

esittämän ohjelmointitehtävän vaiheittain ohjelmakoodia kasvattavan ja kääntäjän

ilmoitusten tulkinnan kautta, mutta menetelmää on mahdollista laajentaa yksittäisistä

tehtävistä kurssin tasolla tarkkailtaviksi ottamalla tarkasteluun kaikki Moodle-

kurssille palautetut suoritukset. Blikstein ym. mukaan ohjelmointitehtävien proses-

sinaikainen arviointi on jopa koetta tehokkaampaa (2017, 595). Keskustelualueita,

tenttejä ja kotitehtäviä opiskelija-analytiikassa seuraamalla voidaan rakentaa kurssi-

tasoinen prosessimainen visualisointi, jonka osia on käsitelty omina kokonaisuuksi-

naan.

Aluksi aliluvussa 3.1 esitellään Johdatus tietojenkäsittelyyn -kurssi, aliluvussa 3.2

kurssilla käytetty tiedonkeruumenetelmä ja aliluvussa 3.3 tiedon analysoinnissa käy-

tetty Microsoft Power BI-ohjelmisto. Tämän jälkeen aliluvussa 3.4 määritellään

opiskelija-analytiikassa seurattavat kohteet ja aliluvussa 3.5 pohditaan tiedon analy-

soinnin tasoja Moodle-kurssilla.

Aliluvussa 3.6 selvitetään korrelaation avulla kurssilta valittujen aktiviteettilähtöisten

muuttujien merkitys opiskelijoiden saavuttamista loppuarvosanoista. Aliluvussa 3.7

kurssilla käyntejä tarkastellaan lukumäärittäin, viikonpäivittäin, kellonajoittain ja

jaksoittain. Aliluvussa 3.8 keskustelualueilta selvitetään uusia viestejä kirjoittaneet

opiskelijatunnukset ja aliluvussa 3.9 tenteistä ja aliluvussa 3.10 tehtävistä palautusten

lukumäärät ja arvosanat. Tehtävien kohdalla tarkastellaan lisäksi kotitehtävien harjoi-

tustilaisuuteen osallistumisesta saatavaa tietoa.

Tarkastelun tasot ovat kaikkia opiskelijoita ja opiskelijaryhmiä koskevia. Analysoi-

dun datan pohjalta laaditaan ilmiöitä havainnollistavia visualisointeja. Kuvatuin me-

netelmin olisi mahdollista seurata myös yksittäisten opiskelijatunnusten kirjautumis-

64

ta, jolloin tietoa voitaisiin soveltaa yksilötasolla ja johtaa tiedon perusteella opiskeli-

jatasolle ulottuvia mittareita ja asettaa hälytysrajoja. Lopuksi aliluvussa 3.11 esite-

tään johtopäätökset Moodle-kurssista tehdyistä havainnoista.

3.1 Johdatus tietojenkäsittelyyn -kurssi

Johdatus tietojenkäsittelyyn -kurssi on korkeakouluopiskelijoille suunnattu perus-

opintojen alkuvaiheen kurssi, laajuudeltaan 5 opintopistettä. Kurssin oppimistavoit-

teina55 on tietojenkäsittelyn ymmärtäminen, alan erilaiset työnkuvat, aiheeseen liitty-

vien ongelmien ratkaisun luonne, tiedon käsittely tietokoneilla ja tietojenkäsittelijän

vastuut ja riskit. Kurssista on omat toteutukset Itä-Suomen yliopiston Kuopion ja

Joensuun kampuksilla. Näiden lisäksi kurssille on osallistunut ryhmät Savonia ja

Karelia ammattikorkeakouluista. Yliopiston ja Savonia ammattikorkeakoulun ryh-

mien toteutustapa on ollut sulautuva oppiminen. Karelia ammattikorkeakoulun ryh-

mä on toteutettu verkkokurssina, jossa kaikki opetus ja ohjaus on tapahtunut verkon

välityksellä.

Verkossa opetus on toteutettu jakamalla opiskelijat Moodle-kurssin sisällä hallinnol-

lisesti neljäksi ryhmäksi. Tällöin opiskelijat ovat vuorovaikutuksissa oman ryhmänsä

muiden jäsenten ja opettajansa kanssa näkemättä mitä muissa ryhmissä tapahtuu.

Menettely helpottaa Moodle-kurssin ylläpitoa mahdollistamalla esimerkiksi saman

aineiston käytön kaikilla kurssille liitetyillä opiskelijoilla.

Moodle-kurssilla opinnot on jaettu opintoviikon mittaisiin osiin Moodlen jaksoja

hyödyntäen. Jaksoja käytetään jakamaan Moodle-kurssin kotisivu osiin. Osat voi-

daan erotella toisistaan järjestysnumeroilla tai viikkoina. Johdatus tietojenkäsittelyyn

-kurssilla käytetyt jaksot on esitetty taulukossa 6.

55 https://weboodi.uef.fi/weboodi/opintjakstied.jsp?OpinKohd=53321758 (viitattu 18.4.2018)

65

Taulukko 6. Johdatus tietojenkäsittelyyn -kurssin jaksot Moodlessa.

Jakson numero Jakson aihe

1 Mitä ja miten kurssilla opiskellaan

2 Viikko 1: Tiedon esittäminen ja tallentaminen

3 Viikko 2: Tiedon käsittely, käyttöjärjestelmät ja tietoverkot

4 Viikko 3: Algoritmit

5 Viikko 4: Tietorakenteet ja tietokannat

6 Viikko 5: Ohjelmistotuotanto

7 Viikko 6: Tekoäly

8 Viikko 7: Tietojenkäsittelyn teoria

9 Karelian opiskelijoiden tentti

Taulukosta 6 nähdään, että Moodle-kurssilla on ollut yhteensä 9 jaksoa. Ensimmäi-

nen jakso esittelee kurssin ja kuvaa opiskelun sekä arvioinnin käytännöt. Viimeinen

jakso (Karelian opiskelijoiden tentti) on suunnattu vain yhdelle kurssilla olevista

neljästä ryhmästä. Opintoviikkojen jaksojen (2-8) sisältö on keskenään samanmuo-

toinen muodostuen opiskelumateriaalista, tehtävistä, kotitehtävistä, harjoituksista ja

oheismateriaalista.

Opiskelijoiden kurssin arvosana määräytyy kurssin aikana kerättyjen suorituspistei-

den perusteella. Pisteitä on saanut Moodle-kurssilla tehdyistä suorituksista ja

Moodlen ulkopuolella suoritetusta, opettajan arvioimasta lopputentistä. Pisteet on

muunnettu opiskelijoille ennalta julkaistun taulukon perusteella arvosanaksi viisipor-

taisella asteikolla.

3.2 Tiedonkeruu Moodlesta

Aliluvussa tarkastellaan Moodlen aktiviteettilokista ja arvioinneista tulkittavasta tie-

dosta erikoistyössä tehtyjä havaintoja.

Moodle-kurssilta opiskelija-analytiikassa käytettävää tietoa ovat aktiviteettiloki ja

arvioinnit. Tietoa tulee käsitellä eurooppalaisen tietosuoja-asetuksen, GDPR:n, vaa-

timusten mukaisesti. General Data Protection Regulation (GDPR) on keväällä 2016

voimaan astunut ja 25.5.2018 alkaen käytäntöön sovellettu, suomalaisen henkilötie-

tolain korvaava asetus, joka vaikuttaa henkilötietojen käsittelyyn niin julkisella kuin

yksityisellä sektorilla. Oppilaitos toimii opiskelija-analytiikassa käytettävän datan

osalta GDPR:ssä määriteltynä rekisterinpitäjänä, jonka on toiminnassaan noudatetta-

va rekisterinpitäjälle säädettyjä velvollisuuksia. Keskeinen GDPR:n datalle asettama

66

vaatimus on tietojen pseudonymisointi. Pseudonymisoinnilla tarkoitetaan henkilötie-

tojen käsittelemistä siten, että niitä ei voida yhdistää tiettyyn rekisteröityyn henkilöön

käyttämättä lisätietoja. Rekisteröidyllä henkilöllä opiskelija-analytiikassa ymmärre-

tään opiskelija, jonka oppimisesta kerättyä tietoa järjestelmä analysoi. Käytetyn data-

aineiston pseudonymisointi on toteutettu seuraamalla oppimista Moodlen opiskeli-

joille määrittelemän, yksilöllisen ID-tunnuksen perusteella. Tarvittaessa Moodlen

opiskelijan ID-tunnus voitaisiin yhdistää henkilöön esimerkiksi haluttaessa kohden-

taa henkilön käyttöön tietoa hänen oppimisen hallintajärjestelmään tallentuneen tie-

tonsa perusteella. Työssä tietoa tarkastellaan opiskelijatunnuksittain, ryhmittäin ja

koko Moodle-kurssin tasoilla.

Arvioinnissa opiskelijalle ja opettajalle tuotetaan tietoa oppimisen etenemisestä ope-

tussuunnitelmasta johdettujen arviointikriteerien pohjalta. Moodlen tärkeimmät arvi-

oinnin mahdollistamat aktiviteetit ovat tentit ja tehtävät. Tentit-aktiviteetissa arviointi

suoritetaan järjestelmän toimesta automaattisesti määrittelemällä arviointiperusteet,

joihin opiskelijan antamia vastauksia verrataan. Tehtävät-aktiviteettien kohdalla

opettaja antaa suorituksesta arvosanan. Tentin arviointi on opiskelija-analytiikan käy-

tettävissä heti, kun opiskelija on palauttanut tentin, mutta tehtävän arviointi vasta,

kun opettaja on suorittanut arvioinnin.

Arviointitiedon tallennuksen osalta tulee noudattaa oppilaitokselle asetettuja arkis-

tointivelvoitteita. Tieto arvioinnista ja sen perusteista on säilytettävä niin kauan kuin

arvioinnin oikaisu on mahdollista. Tutkijan näkökulmasta myös tekstipalautteen si-

sältämä, sähköisesti tallennettu arviointi mahdollistaa numeraalista arviointia laajen-

tavan näkemyksen oppimisen ja erityisesti havaitun oppimisvajeen analysointiin.

Laadukasta tekstipohjaista arviointia on data-analytiikan keinoin mahdollista louhia

ja tuottaa opetusta ja oppimista palvelevaa, kurssirajat ylittävää tietoa opiskelun tu-

eksi. Arviointi- ja aktiviteettitietojen yhdistäminen suoritetaan käyttämällä seuraa-

vassa aliluvussa tarkemmin kuvattua Power BI -sovellusta.

3.3 Tiedon analysointiväline Microsoft Power BI Desktop

Power BI on Microsoftin vuonna 2015 julkaisema raportointi- ja analysointityökalu,

joka mahdollistaa datan yhdistelyn eri lähteistä. Ohjelmistoon kuuluu työpöytä- ja

67

pilvipalveluversiot. Työpöytäversiolla dataa voidaan käsitellä paikallisella tietoko-

neella ja tarvittaessa jakaa tulokset halutulle sidosryhmälle pilvipalveluversion kaut-

ta.

Power BI Desktop on valittu työvälineeksi sen monipuolisten tiedon raportointi- ja

analysointiominaisuuksien sekä eri lähteistä mahdollistaman datan yhdistelyn ansios-

ta. Gartnerin liiketoiminnan analytiikkatyökaluja vuosittain vertailevassa, 26.2.2018

julkaisemassa raportissa56 Microsoft Power BI sijoittuu näkemyksellisten markkina-

johtajien joukkoon yhdessä Tableaun57 ja Qlik58:n kanssa. Power BI:n vahvuuksiksi

Gartnerin raportissa mainitaan Power BI -lisenssin edullinen hinnoittelu Microsoftin

tuotteita käyttävissä yrityksissä, asiakkaiden kokema ohjelman helppokäyttöisyys,

ohjelman ominaisuuksien näkemyksellinen kehittäminen ja sen ympärille rakennettu

vahva jälleenmyyjistä ja yksittäisistä käyttäjistä muodostuva kumppanuusyhteisö,

joka laajentaa Microsoftin tuottamaa sisältöä uusilla sovelluksilla, visualisoinneilla ja

video-oppailla. Power BI on erikoistunut ketterän, itsepalveluna tehtävän analytiikan

tuotantoon. Gartner kuitenkin varoittaa raportissaan ohjelmiston tiheästä päivitystah-

dista, joka muuttaa ohjelmiston toimintoja ja jonka perässä dokumentaatio ei kunnol-

la pysy.

Gartnerin raportissa kiinnitetään huomiota Microsoftin tutkimukseen, jonka mukaan

suurin osa Power BI:n käyttäjistä ei hyödynnä ohjelmiston edistyneempiä ominai-

suuksia, vaan tyytyy yksinkertaisiin, parametroituihin raportteihin ja hallintapanee-

lien käyttöön. Gartnerin mukaan tällainen käyttötapa viittaa siihen, että edistyneem-

pää tietojenkäsittelyä suoritetaan Power BI:n ulkopuolella ja/tai että ohjelmistoa käy-

tetään vain datan visualisoimiseen. Tätä havaintoa tukee erikoistyössä käytetty työ-

järjestys, jossa tiedon muokkaus tehdään Excelissä ja visualisointi sekä analytiikka

Power BI:ssä. Tällainen menettely valittiin työssä käytettäväksi, koska Power BI:n

kyselyeditorin datan muokkausominaisuudet ovat huomattavasti Exceliä heikommat.

56 https://www.gartner.com/doc/reprints?id=1-4RXB56A&ct=180227&st=sb (viitattu 14.8.2018) 57 https://www.tableau.com/ (viitattu 6.9.2018) 58 https://www.qlik.com/fi-fi/ (viitattu 6.9.2018)

68

Power BI:n ja Excelin toisiaan tukevat ominaisuudet voidaan kuitenkin nähdä osaa-

valle käyttäjälle mahdollisuutena.

Gartnerin tarkastellessa Power BI:n tulevaisuuden kehitysnäkymiä nähdään sen ole-

van osa Microsoftin tuoteperhettä. Vaikka Power BI on tällä hetkellä itsenäinen so-

vellus, sen tulevista toiminnoista vaikuttaisi olevan mahdollista saada täysi hyöty

vasta erilaisten tuoteperheen sisäisten ohjelmistointegraatioiden kautta. Opiskelija-

analytiikan luonteva käsittely Power BI:n tulevaisuuden näkymässä mahdollistuisi

joko Microsoftin tai kumppaneiden tekemien oppimisen hallintajärjestelmien ja -

työkalujen integraatioiden kautta. Power BI voi tulevaisuudessa kehittyä merkittä-

vämmäksi opiskelija-analytiikan työvälineeksi, jos Microsoftin lisenssejä käyttävät

oppilaitokset ohjelmistojen asiakkaina vievät käyttömallista tietoa ja toiveita valmis-

tajalle ja vaativat myös opetuksessa käytettävien järjestelmien tukemista.

3.4 Seurattavat kohteet

Opiskelija-analytiikassa seurattavaksi määriteltävät kohteet voivat olla tilastollisia tai

tiedonlouhinnan menetelmien avulla saatavia tuloksia ja ennusteita oppimisprosessin

etenemisestä. Arviointitiedon yhdistäminen aktiviteettilokiin mahdollistaa aktiviteet-

tien määrällisen ja laadullisen tarkastelun suhteessa opiskelijan saavuttamaan kurssin

loppuarvosanaan.

Erikoistyössä tutkitaan korrelaatiota apuna käyttäen kurssilta laskettavissa olevia

tekijöitä. Tällaisiksi tekijöiksi määritellään kuusi muuttujaa: Opiskelijoiden kurssilla

käyntien, opintoviikkojen keskustelualueille kirjoitettujen viestien, opintoviikkojen

palautettujen tenttien, opintoviikkojen palautettujen tehtävien (kotitehtävät) ja opin-

toviikkojen harjoituksiin osallistumisen lukumäärät sekä opintoviikkojen palautettu-

jen tenttien ja tehtävien (kotitehtävät) arvosanat. Tarkasteltavat kohteet on valittu

tarkoituksena selvittää kurssille määriteltyjen aktiviteettien merkitystä oppimistulok-

sia kuvaavassa arvosanassa. Tämä mahdollistaa oppimisen kannalta merkityksellis-

ten tekijöiden tunnistamisen ja sekä opettajan että opiskelijan resurssien oikean suun-

taamisen. Muuttujat on valittu kurssin pistesuorituksiksi määriteltyjen tekijöiden pe-

rusteella ja omassa opettajantyössä kehittyneen intuition perusteella.

69

Azevedo ym. tutkimuksessa tutkitaan kansainvälisen kurssin opiskelijoiden käyttäy-

tymistä analysoimalla heidän käyntejään kurssilla (2017). Lockyer ym. mainitsevat

opiskelijoiden toiminnan ymmärtäminen mahdollistavan lisäksi opetuksen suunnitte-

lun ja kehittämisen (2013, 1439-1442). Opiskelijoiden käyntien lisäksi aktiviteettilo-

kista seurattaviksi kohteiksi erikoistyössä on valittu keskustelualueet, tentit ja tehtä-

vät, jotka ovat keskeisessä roolissa Johdatus tietojenkäsittelyyn -kurssin suorittami-

sessa. Kurssisuorituksiksi määritellyistä aktiviteeteista voitiin olettaa tallentuneen

tietoa, jolloin tarkastelu data-analyysin kautta mahdollistuu.

Keskustelualueilta Johdatus tietojenkäsittelyyn -kurssilla seurataan opiskelijoittain

uusien viestien kirjoittamisen lukumääriä, joka on määritelty kurssilla opiskelijoille

pisteitä kerryttäväksi tehtäväksi. Moodle-kurssin keskustelualueilta ei tämän johdosta

löydy riittävästi tallennettua tietoa esimerkiksi aliluvussa 2.7.10 kuvattujen sosiaali-

sen verkoston analysointityökalujen käyttämiseksi. Tenttien ja tehtävien palautuksen

lukumääräinen seuranta mahdollistaa opettajalle karkean tason seurannan opintojen

etenemisestä. Tentit ja tehtävät mahdollistavat oppimisen määrällisen seurannan li-

säksi myös laadullisen arvioinnin, jota voidaan hyödyntää tiedonkeruussa ja analy-

soinnissa.

3.5 Tiedon analysoinnin tasot

Moodle-kurssin opiskelijadataa on mahdollista analysoida kolmella tasolla: koko

kurssin, ryhmän ja opiskelijan tasoilla. Tiedon tason tarkkuutta on hyvä arvioida esi-

tettäessä sitä eri käyttäjäryhmille. Oppilaitosta, koulutuksen järjestävää yksikköä,

opettajaa ja opiskelijaa palvelevat parhaiten eri tiedon tasot; Oppilaitoksen, yksikön

ja opettajan on hyvä päästä porautumaan tiedossa syvemmin tarkemmille tasoille,

mutta opiskelijalle riittää usein tieto hänen omasta suoriutumisestaan ja sen vertaa-

misesta ryhmä- tai kurssitasoisiin vertaissuorituksiin.

Käytetty Johdatus tietojenkäsittelyyn -kurssin data-aineisto sisältää yhden kurssin,

jossa on neljä ryhmää. Aineisto mahdollistaa tämän johdosta ryhmäkohtaisten vertai-

luiden tekemisen. Ennakolta kurssin ryhmistä on tiedossa opiskelijoiden oppilaitos ja

opetuksen toteutustapa; kolmen ryhmän R1, R2 ja RS kohdalla sulautuva oppiminen

ja ryhmän RK kohdalla pelkkä verkko-opetus. Opiskelijakohtainen tarkastelu on suo-

70

ritettu pelkän Moodlen opiskelijan ID-tunnuksen perusteella yhdistämättä tietoa esi-

merkiksi henkilön nimeen.

3.6 Muuttujien tarkastelu

Aliluvussa tarkastellaan Johdatus tietojenkäsittelyyn -kurssilta valittuja muuttujia ja

niiden suhdetta toisiinsa. Muuttujien riippuvuutta kurssilla saavutettuun loppuarvo-

sanaan voidaan tarkastella korrelaation avulla. Korrelaatio kuvaa kahden muuttujan

välistä riippuvuutta. Korrelaatiokertoimen arvot voivat olla välillä -1 ja +1. Negatii-

vinen korrelaatio näkyy hajontakaaviossa laskevana ja positiivinen nousevana piste-

parvena. Nollaa lähentelevillä arvoilla riippuvuutta ei esiinny.

Aliluvussa 3.6.1 esitellään tarkasteluun valitut muuttujat. Valittujen muuttujien tilas-

tollista merkityksellisyyttä arvioidaan muuttujakohtaisesti aliluvussa 3.6.2. Aliluvus-

sa 3.6.2 valittujen muuttujien suhdetta kurssin loppuarvosanaan tarkastellaan korre-

laatioanalyysillä ja aliluvussa 3.6.4 päätöspuuluokittelulla.

3.6.1 Tarkasteluun valitut muuttujat

Johdatus tietojenkäsittelyyn -kurssilla opiskelijoiden saavuttama loppuarvosana

kuvaa luotettavimmin opiskelun tulosta. Tätä muuttujaa pidetään tarkastelussa

kohdemuuttujana, johon muiden valittujen muuttujien arvoja verrataan. Kurssin

loppuarvosanan jakauma on esitetty kuvassa 30.

Kuva 30. Kurssin arvosanajakauma. Vaaka-akselille on merkitty kurssilla saavutettu arvosana

(0=hylätty). Pystyakselilla on arvosanojen lukumäärä.

71

Kuvasta 30 nähdään kaikkiaan 242 opiskelijatunnuksen saavuttaneen hyväksyttyjä

suorituksia (arvosanat 1-5) 190 ja hylättyjä 52 kappaletta. Hyväksytyissä

suorituksista määrällisesti eniten on saavutettu arvosanaa 3 (62 kappaletta).

Muuttujat, joiden merkitystä loppuarvosanaan verrataan, on esitetty taulukossa 7.

Taulukko 7. Loppuarvosanan arvon vaihtelun tarkasteluun valitut muuttujat ja ryhmät.

Muuttuja Ryhmät

Kurssilla käyntien lukumäärä R1, R2, RS, RK

Opintoviikkojen keskustelualueille kirjoitettujen uusien vies-

tien lukumäärä

R1, R2, RS, RK

Opintoviikkojen palautettujen tenttien lukumäärä R1, R2, RS, RK

Opintoviikkojen palautettujen tehtävien lukumäärä (kotiteh-

tävät)

R1, R2, RS, RK

Opintoviikkojen tenttien pisteet R1, R2, RS, RK

Opintoviikkojen palautettujen tehtävien arvosana (kotitehtä-

vät)

R1, R2, RS, RK

Opintoviikkojen harjoituksiin osallistuminen R1, R2, RS

Taulukosta 7 nähdään tarkasteltavat muuttujat ja ryhmät, joille tarkasteltava tieto on

tallennettu Johdatus tietojenkäsittelyyn -kurssin data-aineistossa. Harjoituksiin osal-

listumista lukuun ottamatta tiedot on tallennettu kaikkien ryhmien osalta. Taulukossa

7 esitettyjen ryhmien koot on esitetty kuvassa 31.

.

Kuva 31. Ryhmien koot Johdatus tietojenkäsittelyyn -kurssilla.

Kuvasta 31 nähdään ryhmien opiskelijoiden lukumäärien poikkeavan toisistaan.

Ryhmät R1, R2 ja RS (opiskelijatunnuksia yhteensä 182) on toteutettu sulautuvan

oppimisen menetelmää käyttäen ja ryhmä RK (60 opiskelijatunnusta)

verkkokurssitoteutuksena.

3.6.2 Muuttujien tilastollisen merkityksellisyyden arviointi

Aliluvussa tarkastellaan aliluvussa 3.6.1 esitettyjen muuttujien tilastollista merkityk-

sellisyyttä opiskelijoiden Johdatus tietojenkäsittelyyn -kurssilla saavuttaman loppu-

arvosanan kanssa. Tarkasteluun on otettu mukaan hyväksyttyjen suoritusten (arvosa-

nat 1-5) lisäksi data-aineistoon tallentuneet hylätyt suoritukset. Tarkoituksena on

72

löytää tallentuneesta tiedosta oppimiseen liittyviä havaintoja, joita voidaan hyödyn-

tää opettajan ja opiskelijan työn kehittämisessä.

Tilastollisen merkityksellisyyden arvioinnissa käytetään Moodlen valittuun muuttu-

jaan tallentamaa tietoa. Muuttujiin on tallentunut tietoa vain silloin, kun jotakin tal-

lennettavaa on tapahtunut. Rinnalla arvioidaan myös muuttujan merkityksellisyyttä

opettajan ja opiskelijan työn kannalta. Myös muuttujaan tallentumaton tieto voi olla

merkityksellistä esimerkiksi oppimisen etenemisen seurannan tai ohjaustarpeen tun-

nistamisen kannalta.

Kurssilla käyntien lukumäärä

Johdatus tietojenkäsittelyyn -kurssille kirjautumisten lukumäärä vaihtelee data-

aineistossa arvojen 1 ja 928 välillä. Kuvassa 32 on esitetty Moodle-kurssille kirjau-

tumisten keskiarvon ja kurssilta saavutetun arvosanan välinen tilastollinen merkityk-

sellisyys.

Kurssin arvosana Käyntejä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta

0 2083 52 1 272 40,06 52,29

1 2948 42 17 197 70,19 38,95

2 2322 26 19 274 89,31 52,16

3 4535 62 11 167 73,15 34,19

4 2098 24 26 255 87,42 58,95

5 5056 36 43 928 140,44 143,15

19042 242 83,43

Kuva 32. Kurssilla käyntien ja kurssin loppuarvosanan välisen tilastollisen merkityksellisyyden

arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Logaritmisella asteikolla

esitetty pystyakseli esittää arvosanan kirjautumisten lukumäärän hajonnan. Sille on merkitty

punaisella rastilla ja arvolla arvosanan keskimääräinen arvosanan kirjautumisten lukumäärä.

Sinisellä katkoviivalla esitetty lineaarinen trendiviiva on laskettu arvosanan kirjautumisten

arvoista.

73

Kuvasta 32 nähdään kurssilla käyntien lukumäärän ja arvosanan välille piirretyn

trendiviivan olevan nouseva: Opiskelijatunnusten kirjautumisten lukumäärän piste-

parvi arvosanojen kasvaessa nousee – tämän havainnollistaa myös arvosanan kirjau-

tumisten keskiarvo. Kurssin hyväksytysti (arvosana 1) suorittaneet ovat kirjautuneet

kurssille keskimäärin noin 70 kertaa. Erinomaisen (5) arvosanan saavuttaneet ovat

käyneet kurssilla keskimäärin kaksi kertaa useammin, noin 143 kertaa. Keskihajonta

kuvaa sitä, kuinka kaukana yksittäiset muuttujan arvot ovat keskimäärin muuttujan

aritmeettisesta keskiarvosta. Muuttuja antaa viitteitä keskimääräisesti tarkasteltuna

kurssin aikana opiskelijan aktiivisuudesta ja opiskelun etenemistä. Muuttujan keski-

hajonta on kuitenkin suuri.

Keskustelualueille kirjoitetut uudet viestit

Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut keskustelualue.

Tämän voi havaita myös data-aineistosta: Keskustelualueille kirjoitettujen uusien

yksilöllisten viestien lukumäärä vaihtelee arvojen 1 ja 7 välillä. Tarkastelusta puuttu-

vat opiskelijatunnukset, jotka eivät ole kirjoittaneet viestejä ja joista tämän johdosta

ei ole tallentunut tietoa. Tällaisia opiskelijatunnuksia on kaikissa ryhmissä yhteensä

63 kappaletta. Kuvassa 33 on esitetty Moodle-kurssin opintoviikkojen keskustelualu-

eille kirjoitettujen uusien yksilöllisten viestien keskiarvon ja kurssilta saavutetun

arvosanan välinen tilastollinen merkityksellisyys.

74

Kurssin arvosana Viestejä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta

0 60 22 1 7 2,73 1,96

1 127 30 1 7 4,23 2,14

2 162 26 2 7 6,23 1,45

3 245 49 1 7 5,00 2,01

4 110 19 1 7 5,79 1,84

5 195 33 1 7 5,91 1,81

899 179 4,98

Kuva 33. Keskustelualueille kirjoitettujen viestien keskiarvon ja kurssin loppuarvosanan väli-

sen tilastollisen merkityksellisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 =

hylätty). Pystyakselille on laskettu keskiarvo opiskelijatunnuksen opintoviikkojen keskustelu-

alueille kirjoittamien viestien lukumäärästä Moodle-kurssilla.

Kuvasta 33 nähdään opintoviikkojen keskustelualueille kirjoitettujen yksilöllisten

uusien viestien ja opiskelijan saavuttaman arvosanan välisen trendin olevan nouseva.

Hylätyn arvosanan (0) saaneet opiskelijatunnukset ovat kirjoittaneet selvästi hyväk-

syttyjä (arvosana 1) vähemmän viestejä, keskimäärin 2,73 viestiä (keskihajonta

1,96). Hyväksytysti (arvosana 1) kurssin suorittaneet ovat kirjoittaneet keskimäärin

noin neljän opintoviikon keskustelualueelle uuden viestin (keskihajonta 2,14). Arvo-

sanalla 5 suoriutuneet ovat kirjoittaneet keskimäärin noin kuuden opintoviikon kes-

kustelualueelle uuden viestin (keskihajonta 1,81). Arvosanojen 1 ja 5 välinen ero

kirjoitettujen viestien keskiarvossa ei ole suuri, mutta kuvaa kurssiaktiivisuuden ja

tehdyn työn määrän eroa arvosana-asteikon päiden välillä. Muuttuja kuvaa keskimää-

räisesti tarkasteltuna kurssin aikana opiskelijan aktiivisuutta ja opiskelun etenemistä.

Tenttien lukumäärä

Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut tentti. Tämän voi

havaita myös data-aineistosta: Opiskelijoiden palauttamien tenttien lukumäärä vaih-

telee arvojen 1 ja 7 välillä. Tarkastelusta puuttuvat opiskelijatunnukset, jotka eivät

ole tehneet tenttejä ja joista ei tämän johdosta ole tallentunut tietoa data-aineistoon.

Tällaisia on kaikissa ryhmissä yhteensä 21 kappaletta. Kuvassa 34 on esitetty

Moodle-kurssin opintoviikkojen tenttien yksilöllisten palautuskertojen keskiarvon ja

kurssilta saavutetun arvosanan välinen tilastollinen merkityksellisyys.

75

Kurssin arvosana Tenttejä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta

0 116 37 1 7 3,14 1,84

1 228 39 2 7 5,85 1,44

2 174 26 5 7 6,69 0,55

3 340 59 1 7 5,76 1,62

4 150 24 2 7 6,25 1,39

5 243 36 4 7 6,75 0,65

1251 221 5,74

Kuva 34. Tenttien lukumäärän ja kurssin loppuarvosanan välisen tilastollisen merkityksellisyy-

den arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on lasket-

tu summa opiskelijatunnuksen opintoviikkojen tenttien tekemisen lukumäärästä Moodle-

kurssilla.

Kuvasta 34 nähdään opintoviikkojen tenttien palautusten keskiarvon ja opiskelijan

saavuttaman arvosanan välisen trendin olevan nouseva. Hyväksytysti (arvosana 1)

kurssin suorittaneet ovat tehneet keskimäärin 5,85 tenttiä (keskihajonta 1,44). Hylä-

tyn arvosanan saaneiden tenttien palautuksen lukumäärä on ollut keskimääräisesti

selvästi tätä alhaisempi 3,14 (keskihajonta 1,84). Arvosanalla 5 suoriutuneet ovat

tehneet keskimäärin 6,75 tenttiä (keskihajonta 0,65). Keskimääräinen ero arvosano-

jen 1 ja 5 välisissä suorituksissa ei ole suuri.

Muuttujan kohdalla on mielenkiintoinen kuvio tarkasteltaessa arvopisteiden jakau-

tumista suhteessa trendiviivaan. Arvopisteet jakautuvat arvosanoilla 1 ja 2 trendivii-

van yläpuolelle, kun taas arvosanojen 3-5 kohdalla ne osuvat lähemmäs trendiviivaa.

Kurssista arvosanan 2 saaneet ovat saaneet tenteistä pisteitä keskimäärin enemmän

kuin arvosanalla 4 suoriutuneet ja lähes yhtä paljon kuin kurssista arvosanan 5 saa-

neet. Arvosanan 2 ja 5 kohdalla keskihajonta on pienempää kuin muiden arvosanojen

76

kohdalla. Näiden havaintojen selittämiseen data-aineistosta ei löydy vastausta. Kyse

voi olla myös data-aineiston pienestä opiskelijamäärästä johtuvasta sattumasta. Tent-

tien palautuksen lukumäärän rinnalla voidaan tarkastella niiden seuraavaksi tarkastel-

tavaa laatua.

Tenttien pisteet

Johdatus tietojenkäsittelyyn -kurssin tenttien arviointiasteikko on ollut 0-1. Tämä

näkyy myös data-aineistossa: Opiskelijoiden palauttamien tenttien pisteiden arvot

vaihtelevat arvojen 0 ja 1 välillä. Tarkastelusta puuttuvat opiskelijatunnukset, jotka

eivät ole tehneet tenttejä ja joista ei tämän johdosta ole tallentunut tietoa data-

aineistoon. Tällaisia on kaikissa ryhmissä 1 kappale. Kuvassa 35 on esitetty Moodle-

kurssin opintoviikkojen tenttien pisteiden keskiarvon ja kurssilta saavutetun arvosa-

nan välinen tilastollinen merkityksellisyys.

Kurssin arvosana Tentin KA Määrä Pienin Suurin Keskiarvo Keskihajonta

0 0,23 49 0,00 0,84 0,23 0,24

1 0,64 42 0,00 1,00 0,64 0,28

2 0,79 27 0,29 1,00 0,79 0,21

3 0,66 62 0,00 1,00 0,66 0,28

4 0,81 25 0,24 1,00 0,81 0,23

5 0,89 36 0,34 1,00 0,89 0,14

4,02 241 0,67

Kuva 35. Tenttien pisteiden keskiarvon ja kurssin loppuarvosanan välisen tilastollisen merki-

tyksellisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille

on laskettu keskiarvo loppuarvosanan saavuttaneiden opiskelijatunnusten tenttien keskiarvoista

Moodle-kurssilla.

77

Kuvasta 35 nähdään tenttien pisteiden ja opiskelijan saavuttaman arvosanan välisen

trendin olevan nouseva. Tarkastelusta puuttuvat opiskelijatunnukset, jotka eivät ole

tehneet tenttejä ja joista ei tämän johdosta ole tallentunut tietoa data-aineistoon. Täl-

laisia on kaikissa ryhmissä yhteensä 1 kappale.

Kotitehtävien lukumäärä

Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut kotitehtävien pa-

lautustehtävä. Tämän voi havaita myös data-aineistosta: Opiskelijoiden palauttamien

kotitehtävien lukumäärä vaihtelee arvojen 1 ja 7 välillä. Tarkastelusta puuttuvat

opiskelijatunnukset, jotka eivät ole tehneet tenttejä ja joista ei tämän johdosta ole

tallentunut tietoa data-aineistoon. Tällaisia on kaikissa ryhmissä yhteensä 23 kappa-

letta. Kuvassa 36 on esitetty Moodle-kurssin opintoviikkojen palautettujen yksilöllis-

ten tehtävien lukumäärän ja kurssilta saavutetun arvosanan välinen tilastollinen mer-

kityksellisyys.

Kurssin arvosana Tehtäviä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta

0 118 35 7 1 3,37 1,80

1 241 40 7 2 6,03 1,27

2 177 26 7 6 6,81 0,40

3 343 58 7 1 5,91 1,51

4 146 24 7 1 6,08 1,53

5 247 36 7 6 6,86 0,35

1272 219 5,84

Kuva 36. Kotitehtävien palautuksen ja kurssin loppuarvosanan välisen tilastollisen merkityksel-

lisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on

laskettu summa opiskelijatunnuksen palauttamien kotitehtävien lukumäärästä Moodle-

kurssilla.

78

Kuvasta 36 nähdään kotitehtävien palautusten lukumäärän keskiarvon ja opiskelijan

saavuttaman arvosanan välisen trendin olevan nouseva. Hyväksytysti (arvosana 1)

kurssin suorittaneet ovat palauttaneet keskimäärin 6,03 kotitehtävää (keskihajonta

1,27). Arvosanalla 5 suoriutuneet ovat palauttaneet keskimäärin 6,86 tehtävää (kes-

kihajonta 0,35). Keskimääräinen ero arvosanojen 1 ja 5 välisissä suorituksissa ei ole

suuri, mutta kuvaa kurssiaktiivisuuden ja tehdyn työn määrän eroa arvosana-asteikon

päiden välillä. Tehtävien palautuksen lukumäärän rinnalla voidaan tarkastella niiden

seuraavaksi tarkasteltavaa laatua.

Kotitehtävien pisteet

Opiskelijoiden palauttamien kotitehtävien pisteiden keskiarvot vaihtelevat data-

aineistossa arvojen 0 ja 8,14 välillä. Tarkastelusta puuttuvat opiskelijatunnukset, jot-

ka eivät ole palauttaneet kotitehtäviä ja joista ei tämän johdosta ole tallentunut tietoa

data-aineistoon. Tällaisia on kaikissa ryhmissä yhteensä 1 kappale. Kuvassa 37 on

esitetty Moodle-kurssin opintoviikkojen kotitehtävien arvosanojen keskiarvon ja

kurssilta saavutetun arvosanan välinen tilastollinen merkityksellisyys.

Kurssin arvosana Tehtäviä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta

0 1,98 49 0,00 6,86 1,98 1,92

1 5,85 42 0,00 8,14 5,85 2,02

2 7,66 27 6,57 8,14 7,66 0,55

3 5,93 62 0,00 8,14 5,93 2,34

4 6,79 25 1,14 8,14 6,79 1,77

5 7,75 36 5,14 8,14 7,75 0,66

35,96 241 5,99

Kuva 37. Kotitehtävien arvosanan ja kurssin loppuarvosanan välisen tilastollisen merkitykselli-

syyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on

laskettu keskiarvo loppuarvosanan saavuttaneiden opiskelijatunnusten kotitehtävien keskiar-

voista Moodle-kurssilla.

79

Kuvasta 37 nähdään kotitehtävien arviointien pisteiden ja opiskelijan saavuttaman

arvosanan keskiarvon välisen trendin olevan nouseva. Hyväksytysti (arvosana 1)

kurssin suorittaneet ovat saaneet kotitehtävistä keskimäärin 5,85 pistettä (keskihajon-

ta 2,02). Arvosanalla 5 suoriutuneet ovat saaneet niistä keskimäärin 7,75 pistettä

(keskihajonta 0,66). Ero kuvaa kurssiaktiivisuuden ja tehdyn työn määrän eroa arvo-

sana-asteikon päiden välillä.

Muuttujan kohdalla on mielenkiintoinen kuvio tarkasteltaessa arvopisteiden jakau-

tumista suhteessa trendiviivaan. Arvopisteet jakautuvat arvosanoilla 1 ja 2 trendivii-

van yläpuolelle, kun taas arvosanojen 3-5 kohdalla ne osuvat lähemmäs trendiviivaa.

Kurssista arvosanan 2 saaneet ovat saaneet kotitehtävistä pisteitä lähes yhtä paljon

kuin kurssista arvosanan 5 saaneet. Arvosanan 2 ja 5 kohdalla keskihajonta on pie-

nempää kuin muiden arvosanojen keskihajontojen kohdalla. Näiden havaintojen se-

littämiseen data-aineistosta ei löydy vastausta. Palautettujen tehtävien laadullinen

arviointi ja arvosanan 2 saavuttaneiden 27 opiskelijan suoritusten tarkempi tutkimi-

nen useammalla muuttujalla voisi tulevaisuuden mahdollisena tutkimuskohteena an-

taa havaintoon lisätietoa. Kyse voi olla myös data-aineiston pienestä opiskelijamää-

rästä johtuvasta sattumasta.

Keskimääräisesti tarkasteltuna muuttuja kuvaa kurssiaktiivisuuden ja tehdyn työn

määrän eroa arvosana-asteikon päiden välillä. Erityisesti saavutetun arvosanan ääri-

päät näkyvät muuttujan tarkastelussa. Hylätyn (0) arvosanan saaneet 49 opiskelija-

tunnusta ovat keskiarvoisesti saaneet vain 1,98 pistettä (keskihajonta 1,92) kotitehtä-

vistä, kun hyväksytysti arvosanalla 1 suoriutuneet keskimäärin 5,85 pistettä (keskiha-

jonta 2,02).

Harjoituksiin osallistuminen

Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut harjoitus. Opiskeli-

joiden harjoituksiin osallistumisen tarkasteluun on otettu mukaan sulautuvan oppimi-

sen menetelmää käyttäneet ryhmät R1, R2 ja RS, joille harjoituksen läsnäolon seu-

rantatieto on tallennettu data-aineistoon. Harjoituksiin osallistumisen arvot vaihtele-

vat data-aineistossa arvojen 0 ja 7 välillä. Läsnäolotieto on tallennettu kaikkien tar-

kasteltavien ryhmien opiskelijatunnusten (182 kappaletta) osalta, joten jokainen

opiskelijatunnus on osallistunut ainakin yhteen harjoituskertaan. Kuvassa 38 on esi-

80

tetty harjoituksiin osallistumisen lukumäärän ja kurssilta saavutetun arvosanan väli-

nen tilastollinen merkityksellisyys.

Kurssin arvosana Osallistumis-

kertoja Määrä Pienin Suurin Keskiarvo Keskihajonta

0 69 39 0 7 1,77 2,22

1 143 35 0 7 4,09 2,29

2 156 26 0 7 6,00 1,55

3 193 46 0 7 4,20 2,55

4 89 17 0 7 5,24 2,41

5 114 19 1 7 6,00 1,60

764 182 4,55

Kuva 38. Harjoituksiin osallistumisen ja kurssin loppuarvosanan välisen tilastollisen merkityk-

sellisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on

laskettu summa opiskelijatunnuksen harjoituksiin osallistumisten lukumäärästä Moodle-

kurssilla.

Kuvasta 38 nähdään harjoituksiin osallistumiskertojen keskiarvon ja opiskelijan saa-

vuttaman arvosanan välisen trendin olevan nouseva. Keskimäärin neljään (keskiha-

jonta 2,22) saaneet opiskelijat ovat suoriutuneet kurssista hyväksytysti, mutta joukos-

sa on mukana opiskelijoita, jotka ovat saavuttaneet arvosanat 1 - 4 osallistumatta

harjoituksiin. Hyväksytysti (arvosana 1) kurssin suorittaneet ovat osallistuneet kes-

kimäärin noin neljään harjoitukseen (keskihajonta 2,29). Arvosanalla 5 suoriutuneet

ovat osallistuneet keskimäärin kuuteen harjoitukseen (keskihajonta 1,60). Keskimää-

räinen ero ei ole suuri, mutta kuvaa kurssiaktiivisuuden ja tehdyn työn määrän eroa

arvosana-asteikon päiden välillä.

81

Hylätyn arvosanan (0) saaneet opiskelijatunnukset ovat osallistuneet keskimäärin

1,77 harjoitukseen (keskihajonta 2,22). Ero hyväksytyn arvosanan (1) saaneisiin nä-

kyy aineistossa selkeästi: Hyväksytysti kurssin suorittaneet ovat osallistuneet keski-

määrin vähintään 4,09 harjoitukseen. Arvosanan 2 saavuttaneet ovat keskimääräisesti

osallistuneet yhtä usein harjoituksiin kuin arvosanan 5 saavuttaneet.

Harjoituksiin osallistumisissa näkyy sama kuvio kuin kotitehtävien pisteitä tarkastel-

taessa. Arvopisteet jakautuvat arvosanoilla 1 ja 2 trendiviivan yläpuolelle, kun arvo-

sanojen 3-5 kohdalla ne osuvat lähemmäs trendiviivaa.

Havaintoja muuttujien tarkastelusta

Muuttujia tarkasteltaessa havaitaan kuvio, jonka mukaan arvosanan 1 ja 2 saavutta-

neet opiskelijat ovat keskimääräisesti ylittäneet trendiviivan arvon. Arvosanoilla 3-5

tarkastelupisteet osuvat trendiviivalle tai alittavat sen. Ainoana poikkeuksena tästä on

kurssille kirjautumisten lukumäärä, jossa arvosanan 5 arvopiste on trendiviivan ylä-

puolella.

Kaikkien valittujen muuttujien arvot kuvaavat keskimääräisesti tarkasteltuna saavu-

tettua kurssin arvosanaa. Yksittäisen opiskelijatunnuksen opintojen etenemisestä

voidaan niiden perusteella tehdä muihin opiskelijatunnuksiin keskimääräisesti suh-

teutettuna kurssin aikana havaintoja. Muuttujan keskihajonta on kuitenkin opiskelija-

tunnuksittain opintojen etenemistä tarkasteltaessa huomioitava.

3.6.3 Korrelaatioanalyysi

Aliluvussa tarkastellaan aliluvussa 3.6.1 esitettyjen muuttujien korrelaation voimak-

kuutta Johdatus tietojenkäsittelyyn -kurssin opiskelijoiden saavuttamaan loppuarvo-

sanaan. Kurssin toteutuksessa on käytetty sulautuvan opettamisen ja verkkokurssin

toteutuksen menetelmiä. Korrelaatiotarkastelu ryhmiä tarkastellaan menetelmittäin

tarkoituksena tarkastella data-aineistossa havaittavia toteutusmenetelmään liittyviä

erilaisia tai samankaltaisia piirteitä.

82

Sulautuvan opetuksen ryhmien korrelaatioanalyysi

Johdatus tietojenkäsittelyyn -kurssin toteutuksessa on käytetty ryhmien R1, R2 ja RS

osalta sulautuvan opettamisen menetelmää. Kuvassa 39 tarkastellaan näiden ryhmien

osalta muuttujien korrelaation voimakkuutta kurssin loppuarvosanaan.

Kuva 39. Valittujen muuttujien korrelaatio kurssin loppuarvosanaan ryhmissä R1, R2 ja RS

(n=182). Kuvassa yli 0,5 suuruiset arvot on merkitty vihreän sävyillä.

Kuvasta 39 nähdään kaikkien valittujen muuttujien r-arvojen olevan positiivisia, jo-

ten ne korreloivat positiivisesti kurssin loppuarvosanaan. Kaikilla tarkasteluun vali-

tuilla muuttujilla on tämän perusteella merkitystä kurssin suorituksen kanssa. Kuvas-

sa 40 kurssin arvosanan kanssa korreloivat muuttujat on lajiteltu suuruusjärjestyk-

seen.

Kuva 40. Tarkasteltavien muuttujien korrelaatio kurssin loppuarvosanan kanssa ryhmissä R1,

R2 ja RS (n=182). Kuvassa muuttujat on lajiteltu suurimmasta pienimpään järjestykseen.

Muuttujien korrelaatioiden arvot jakautuvat välille 0,37 - 0,56.

Kuvasta 40 nähdään ryhmissä R1, R2 ja RS tenttien ja tehtävien sisällön ja palautta-

misen olevan kurssin suorituksen kannalta opiskelijan tärkeimpiä tehtäviä; Tenttien

ja tehtävien arviointien keskiarvot (molemmat 0,56) ja palautusten lukumäärä (tentit

0,51 ja tehtävät 0,49) ovat tarkastelluista muuttujista neljä eniten kurssin arvosanan

kanssa korreloivaa muuttujaa. Myös keskustelualueiden uusien viestien lukumääräl-

Kurssin

arvosana

Kirjautumisten

lkm

Keskustelu-

alueiden uudet

viestit

Tenttien

lkm

Tehtävien

lkm

Tenttien

keskiarvo

Tehtävien

keskiarvo

Harjoituksiin

osallistuminen

Kurssin arvosana 1

Kirjautumisten

lukumäärä

0,37 1

Keskustelualueiden

uudet viestit

0,47 0,46 1

Tenttien lukumäärä 0,51 0,49 0,62 1

Tehtävien lukumäärä 0,49 0,56 0,64 0,87 1

Tenttien keskiarvo 0,56 0,40 0,57 0,89 0,76 1

Tehtävien keskiarvo 0,56 0,44 0,63 0,83 0,91 0,84 1

Harjoituksiin

osallistuminen

0,44 0,39 0,52 0,60 0,63 0,58 0,69 1

Muuttuja Arvo

Tenttien keskiarvo 0,56

Tehtävien keskiarvo 0,56

Tenttien lukumäärä 0,51

Tehtävien lukumäärä 0,49

Keskustelualueiden uudet viestit 0,47

Harjoituksiin osallistuminen 0,44

Kirjautumisten lukumäärä 0,37

83

lä, harjoituksiin osallistumisella ja kirjautumisten lukumäärällä on tarkastelun perus-

teella merkitystä.

Verkkokurssiryhmän korrelaatioanalyysi

Verkkokurssina toteutetun ryhmän RK muuttujien korrelaatiotarkastelu on esitetty

kuvassa 41.

Kuva 41. Valittujen muuttujien korrelaatio kurssin loppuarvosanaan ryhmässä RK (n=60).

Kuvassa yli 0,5 arvot on merkitty vihreän sävyillä.

Kuvasta 41 nähdään ryhmässä RK kaikkien valittujen muuttujien korreloivan positii-

visesti kurssin loppuarvosanan kanssa. Kuvassa 42 kurssin arvosanan kanssa korre-

loivat muuttujat on lajiteltu suuruusjärjestykseen.

Kuva 42. Tarkasteltavien muuttujien korrelaatio kurssin loppuarvosanan kanssa ryhmässä RK.

Kuvassa muuttujat on lajiteltu suurimmasta pienimpään järjestykseen. Muuttujien korrelaati-

oiden arvot jakautuvat välille 0,40-0,79.

Kuvasta 42 nähdään ryhmän RK kurssin arvosanan kanssa korreloivien muuttujien

järjestyksen olevan sama kuin ryhmissä R1, R2 ja RS (kuva 39). Muuttujien korre-

laation arvot ovat ryhmässä RK hieman voimakkaampaa (arvot 0,40-0,79) kuin ryh-

missä R1, R2 ja RS (arvot 0,37-0,56).

Kurssin

arvosana

Kirjautumisten

lkm

Keskustelu-

alueiden uudet

viestit

Tenttien

lkm

Tehtävien

lkm

Tenttien

keskiarvo

Tehtävien

keskiarvo

Kurssin arvosana 1

Kirjautumisten

lukumäärä

0,40 1

Keskustelualueiden

uudet viestit

0,59 0,41 1

Tenttien lukumäärä 0,72 0,34 0,62 1

Tehtävien lukumäärä 0,76 0,34 0,64 0,92 1

Tenttien keskiarvo 0,74 0,36 0,66 0,95 0,90 1

Tehtävien keskiarvo 0,79 0,36 0,66 0,91 0,99 0,91 1

Muuttuja Arvo

Tehtävien keskiarvo 0,79

Tehtävien lukumäärä 0,76

Tenttien keskiarvo 0,74

Tenttien lukumäärä 0,72

Keskustelualueiden uudet viestit 0,59

Kirjautumisten lukumäärä 0,40

84

3.6.4 Päätöspuuluokittelu

Aliluvussa tarkastellaan Johdatus tietojenkäsittelyyn -kurssin data-aineiston piirteitä

käyttämällä päätöspuuluokittelua. Luokittelun tuloksia verrataan muuttujista alilu-

vussa 3.6.2 tehtyihin havaintoihin. Johdatus tietojenkäsittelyyn -kurssin data-

aineiston päätöspuuluokittelu tehdään käyttämällä Wekaa59. Weka (Waikato Envi-

ronment for Knowledge Analysis) on uusiseelantilaisessa Waikaton yliopistossa Ja-

va-kielellä kehitetty avoimen lähdekoodin (GNU General Public License) ohjelmisto,

joka käyttää koneoppimisen algoritmeja. Wekan käyttämä J48-luokitin perustuu

C4.5-algoritmiin, joka soveltuu luokittelun tekemiseen.

Kuzilek ym. ovat tutkineet avoimen yliopiston opiskelijoiden oppimistuloksia tarkoi-

tuksenaan tunnistaa riskiryhmässä olevia, vähemmän opiskeluun sitoutuneita opiske-

lijoita (2015). Tutkimuksessa on käytetty koneoppimistekniikoita: Päätöspuutekniik-

kaan perustuvia J48, Classification and Regression Tree (CART), JRIP ja Gradient

Boosting Trees sekä Naive Bayes Classifier -algoritmeja. Näistä parhaan lopputulok-

sen tutkimuksessa tuottaa J48-algoritmi, jonka todelliset tosi-arvot ovat hieman mui-

ta algoritmeja paremmat. Myös J48-algoritmilla tehty vähäisen opiskelusitoutumisen

tunnistamisen malli tuottaa tutkimuksessa tutkituista algoritmeista parhaan lopputu-

loksen.

Luokittelu hyväksyttyihin ja hylättyihin kurssisuorituksiin

Muuttujien tarkastelun yhteydessä on tehty havainto, jonka perusteella hylättyyn

arvosanaan johtaneet muuttujien arvot erottuvat tarkastellussa data-aineistossa (alilu-

ku 3.6.2). Muunnettaessa ryhmien R1, R2 ja RS data-aineistossa (n=180) kurssin

arvosanat asteikolle 1-0 (hyväksytty-hylätty) saadaan 39 hylättyä (kurssin arvosana

0) ja 141 hyväksyttyä (kurssin arvosana 1) suoritusta. Seuraavaksi arvioidaan data-

aineiston luokittelun onnistumista näin muodostettua kohdemuuttujaa käyttäen

Wekan J48-luokittimella.

59 https://www.cs.waikato.ac.nz/ml/weka/ (viitattu 25.10.2018)

85

Päätöspuuhun valittavilla muuttujilla tulisi olla mahdollisimman vähän keskinäistä

riippuvuutta. Aliluvussa 3.6.1 esitetyistä muuttujista keskinäinen riippuvuus löytyy

esimerkiksi tenttien ja tehtävien määrällisten ja laadullisten muuttujien välillä: Tent-

tien ja tehtävien pisteitä ei voi laskea, jos niitä ei ole palautettu. Wekan muuttujien

valinnassa käytettävä CfsSubsetEval60 arvioi attribuuttien osajoukon arvon ottaen

huomioon kunkin ominaisuuden yksittäisen ennustavan kyvyn sekä niiden välisen

redundanssin, jolla tarkoitetaan tiedossa esiintyvää toistetta. CfsSubsetEval suositte-

lee käyttämään kurssin loppuarvosanaa (asteikolla 1-0) parhaiten kuvaavina muuttu-

jina tenttien ja tehtävien palautusten lukumääriä. Näitä käyttäen Wekassa J48-

luokittimella tehty data-aineiston luokittelu on esitetty kuvassa 43.

Kuva 43. Ryhmien R1, R2 ja RS data-aineiston (n=180) luokittelu hyväksyttyihin ja hylättyihin

kurssisuorituksiin Wekan J48-algoritmilla. Kuvassa on käytetty muuttujina tenttien ja tehtä-

vien palautusten lukumääriä. Kohdemuuttuja (kurssin arvosana) on asteikolla 1 (hyväksytty)- 0

(hylätty).

Kuvasta 43 nähdään Wekan J48-luokittimen luokittelevan data-aineiston hyväksyt-

tyihin ja hylättyihin suorituksiin (luokkiin) ja tieto luokittelun onnistumisesta. Data-

aineistoon on merkitty tieto opiskelijatunnuksen saavuttamasta kurssin arvosanasta.

Tämä mahdollistaa luokittimen tuloksen vertaamisen oikeaan ratkaisuun: Yhteensä

60 http://weka.sourceforge.net/doc.dev/weka/attributeSelection/CfsSubsetEval.html (viitattu

25.10.2018)

86

180 rivistä 156 rivin (noin 87%) kohdalla luokittelu on tapahtunut oikein ja 24 rivin

(noin 13%) kohdalla väärin. Confusion matrix kuvaa määrällisiä arvoja tarkemmin

luokittimen luokkajaon onnistumisen. Siitä nähdään luokittimen jakaneen rivit kah-

teen luokkaan, a ja b. Luokkaan a, jossa kurssin loppuarvosanan arvo on hylätty 0, on

jaettu oikein 31 ja väärin 8 riviä. Luokkaan b, jossa kurssin loppuarvosanan arvo on

hyväksytty 1, on kuvassa jaettu oikein 125 ja väärin 16 riviä.

Käytetyllä data-aineistolla luokittelun tulos paranee käytettäessä useampia muuttujia

kuvaamaan kurssin hyväksyttyä tai hylättyä suoritusta. Kuvassa 44 on käytetty kaik-

kia aineistossa olevia muuttujia luokiteltaessa rivejä hyväksyttyihin ja hylättyihin

luokkiin.

Kuva 44. Ryhmien R1, R2 ja RS data-aineiston (n=180) luokittelu hyväksyttyihin ja hylättyihin

kurssisuorituksiin Wekan J48-algoritmilla. Luokittelussa on käytetty kaikkia aliluvussa 3.6.1

esitettyjä muuttujia. Kuvassa on luokittelun yhteenveto: Yläreunassa oikein ja väärin luokitel-

tujen rivien lukumäärät ja prosentuaalinen osuus. Kuvan alareunassa on confusion matrix, joka

näyttää miten luokittelu on jakanut rivit kahteen luokkaan: A=hylätyt ja B=hyväksytyt suori-

tukset.

Kuvasta 44 nähdään Wekan J48-algoritmin onnistuneen kaikkia aineistossa olevia

muuttujia käyttäen luokittelussa hyvin: Oikeita luokitteluita saadaan 163 kappaletta

180:stä (noin 91%) ja vääriä 17 kappaletta (noin 9%). Myös confusion matrixin mu-

kaan luokittelu on onnistunut: A-luokkaan (hylätyt suoritukset) on luokiteltu oikein

32 ja väärin 7 riviä. B-luokkaan (hyväksytyt suoritukset) on luokiteltu oikein 131 ja

väärin 10 riviä. Näin tehtyä luokittelua voidaan hyödyntää riskiryhmään kuuluvien

mahdollisesti hylättyyn arvosanaan johtavien opiskelijatunnusten tunnistamiseksi.

87

Luokittelu arvosanoihin 0-5

Kurssin arvosana-asteikon ollessa 0-5 Wekan CfsSubsetEval suosittelee käyttämään

parhaiten arvosanan luokittelevana muuttujana tenttien pisteiden keskiarvoa. Näin

tehty luokittelu on esitetty kuvassa 45.

Kuva 45. Ryhmien R1, R2 ja RS data-aineiston (n=180) luokittelu arvosanaperusteisesti tenttien

keskiarvojen perusteella Wekan J48-algoritmilla. Kuvassa kohdemuuttuja on kurssin arvosana

(asteikko 0-5).

Kuvasta 45 nähdään tenttien keskiarvon perusteella tapahtuvan luokittelun arvosana-

asteikolla 0-5 olevan huono: Oikein luokiteltuja rivejä yhteensä 180 rivistä on 59

kappaletta (noin 33%) ja väärin luokiteltuja 121 kappaletta (noin 67%). Luokittelun

tulos ei olennaisesti parane käyttämällä useampia muuttujia. Luokittelun onnistumi-

seen vaikuttavat muuttujien arvot arvosanojen 1-5 kohdalla, jotka keskihajonta huo-

mioiden eivät luokittimen käyttämiseksi erottele riittävän selvästi saavutettua kurssin

loppuarvosanaa (aliluku 3.6.2).

88

3.7 Kurssilla käynti

Oppimisen hallintajärjestelmästä kerätystä tiedosta voidaan epäsuorasti mitata opis-

kelijan motivaatiota (Hijon-Neira ym. 2014, 2; Conijn ym. 2017, 27). Motivaatio

näkyy usein aktiivisuutena niin verkkokurssilla kuin sen ulkopuolella tapahtuvassa

opiskelussa. Tällainen tieto antaa opiskelijalle palautetta hänen omasta kurssinkäy-

töstään ja saattaa vahvistaa motivaatiota.

Opiskelijan katsotaan edistyvän kurssilla, kun hän osallistuu siihen ja suorittaa kurs-

sille määriteltyjä toimintoja (Yassine ym. 2016, 263). Verkkokurssilla edistyminen

edellyttää kurssilla käymistä. Ilman kurssilla käyntiä ei pääse perehtymään sen kautta

jaettavaan oppimateriaaliin eikä tekemään opintoviikolle määriteltyjä tehtäviä. Joh-

datus tietojenkäsittelyyn -kurssin neljä ryhmää ovat keskenään erikokoisia. Kurssilla

käyntejä voidaan verrata laskemalla ryhmäkohtainen keskimääräinen käyntien luku-

määrä. Ryhmäkohtainen kurssilla käyntien lukumäärän keskiarvo on esitetty kuvassa

46.

Kuva 46. Johdatus tietojenkäsittelyyn -kurssin opiskelijoiden käynnit ryhmittäin. Kuvaan on

laskettu ryhmien opiskelijoiden keskimääräiset käyntikerrat kurssilla.

Kuvasta 46 nähdään ryhmien R1, R2 ja RK keskiarvoisen kurssilla käyntien luku-

määrän olevan lähellä toisiaan. Ryhmän RS opiskelijat ovat käyneet kurssilla keski-

määräisesti muita ryhmiä harvemmin. Kaikkien ryhmien käyntien keskiarvon kes-

kiarvo on noin 79 käyntiä. Jos luku jaetaan pelkästään kurssin seitsemälle opintovii-

kolle, saadaan keskimäärin noin 11 käyntiä opintoviikkoa kohden.

Moodle-kurssilla käyntien perusteella opiskelijat voidaan jakaa keskiarvoisen

käyntimäärän ylittävään ja alittavaan ryhmään. Taulukon 8 kahteen viimeiseen

89

sarakkeeseen on laskettu kaikkien ryhmien keskimääräisen käyntien keskiarvon

ylittävien ja alittavien opiskelijatunnusten lukumäärät.

Taulukko 8. Opiskelijoiden ryhmittäin laskettujen keskiarvon ylittävät ja alittavat käynnit

Moodle-kurssilla lukumäärittäin ja osuuksittain.

Taulukosta 8 nähdään eniten keskiarvoisen käyntimäärän alittaneita opiskelijoita

olevan verkko-opetuksena toteutetussa ryhmässä RK (67,2%). Vain ryhmässä R2 on

enemmän keskiarvon ylittäneitä käyntejä. Muissa ryhmissä on lukumääräisesti

enemmän keskimääräisen käyntimäärän alittaneita opiskelijoita. Tulevaisuudessa

olisi mielenkiintoista selvittää korreloiko heikko opintomenestys vähän tai ei ollen-

kaan kurssilla käyvien opiskelijatunnusten kanssa. Tämän selvittämiseksi opiskeli-

joista olisi kuitenkin hyvä olla enemmän taustatietoa; esimerkiksi opiskelija, jolle

asia on jo entuudestaan tuttu, käyttää todennäköisesti opiskeluun vähemmän aikaa ja

saattaa tämän johdosta kirjautua harvemmin - saavuttamalla kuitenkin opintomenes-

tystä.

Opettajalle kurssilla käynti on yksi mittari, joka antaa tietopohjaista palautetta opin-

tojen etenemisestä. Mittauksen välineenä tarkka tieto käyntien lukumäärästä ei ole

kovin merkityksellinen, mutta luokiteltuna esimerkiksi kynnysarvon ylittäviin ja alit-

taviin käyntien lukumääriin voidaan helposti löytää passiiviset opiskelijat, joiden

kohdalla opettajan on syytä käynnistää ohjaavat toimenpiteet mahdollisimman pikai-

sesti.

Toinen tapa käsitellä kirjautumisten lukumäärää on suhteuttaa ne oman ryhmän kes-

kimääräisiin käyntikertoihin. Tällaisen luokittelun hyötyä olisi mahdollista tutkia

tarkemmin vertaamalla luokan ja oppimistulosten välistä yhteyttä. Kuvassa 47 on

esitetty yhden opiskelijan kurssille kirjautumisten lukumäärä suhteessa saman ryh-

män kaikkien opiskelijoiden käyntien keskiarvoon.

Ryhmä KA:n ylitys kpl KA:n alitus kpl Opiskelijoita (N) KA:n ylitys % KA:n alitus %

R1 30 41 71 42,3 % 57,7 %

R2 33 32 65 50,8 % 49,2 %

RK 20 41 61 32,8 % 67,2 %

RS 18 28 46 39,1 % 60,9 %

90

Kuva 47. Ryhmän R2 kurssilla käyntien keskiarvo ja opiskelijan 100126 kurssilla käyntien lu-

kumäärä. Ryhmässä R2 on käyntejä keskimäärin 79 kpl, mutta opiskelijalla 100126 niitä on

vain 36 kpl.

Kuvassa 47 verrataan opiskelijan kirjautumisten lukumäärää hänen ryhmänsä keski-

määräiseen kirjautumisten lukumäärään. Visualisoimalla opiskeluun liittyvistä suori-

tuksista tietoa opiskelijan on helpompi ymmärtää oppimiseensa liittyviä piirteitä –

esimerkiksi tehtävän työn ja opiskeluun käytettävän ajan määrää suhteessa tavoitel-

taviin oppimistuloksiin.

Seuraavaksi kurssilla käyntejä tarkastellaan tarkemmin. Käyntien jakautumista vii-

konpäiville tarkastellaan aliluvussa 3.7.1 ja kellonajoille aliluvussa 3.7.2. Aliluvussa

3.7.3 käynnit yhdistetään Moodle-kurssin jaksoille.

3.7.1 Viikonpäivä

Verkkokurssin aikataulutuksen suunnittelussa ja seurannassa voi olla apua tiedosta

minä viikonpäivinä ja kellonaikoina opiskelijat ovat käyttäneet Moodle-kurssia. Ku-

vassa 48 on esitetty ympyräkaaviona eri viikonpäivien käyntien suhteelliset osuudet

Johdatus tietojenkäsittelyyn -kurssin kaikkien opiskelijoiden osalta.

Kuva 48. Kurssilla käyntien viikonpäivien suhteelliset osuudet.

91

Kuvasta 48 nähdään opiskelijoiden käyneen kurssilla varsin tasaisesti kaikkina muina

viikonpäivinä paitsi lauantaina. Maanantai on ollut kaikista käydyin viikonpäivä.

Tätä voi selittää osaltaan se, että uudet opintoviikot ovat alkaneet maanantaista, jol-

loin opiskelijat näkevät uudet tehtävät ja voivat niiden pohjalta suunnitella ajankäyt-

töään. Ryhmittäinen eri viikonpäivien käyntien tarkastelu on esitetty kuvassa 49.

Ryhmä R1 Ryhmä R2

Ryhmä RK Ryhmä RS

Kuva 49. Ryhmien käynnit eri viikonpäivinä. Kuvassa on esitetty kurssilla käyntien lukumäärät

ja käyntien suhteelliset osuudet eri viikonpäivinä. Viikonlopun päivät (lauantai ja sunnuntai) on

merkitty punaisella värillä.

Kuvasta 49 nähdään ryhmien R1, R2 ja RS opiskelijoiden käyneen kurssilla suhteel-

lisesti useimmin maanantaisin. Verkkokurssina toteutetussa ryhmässä RK maanantai

ja perjantai ovat olleet käydyimmät päivät. Sunnuntai on ryhmissä R1 ja R2 ollut

muiden viikonpäivien arvoinen opiskelupäivä. Ryhmissä RK ja RS on ollut vähiten

käyntejä viikonloppuisin.

3.7.2 Kellonaika

Eri tunneille kohdistuvat kirjautumiset kaikista Johdatus tietojenkäsittelyyn -kurssin

ryhmistä on laskettu kuvassa 50.

92

Kuva 50. Kurssilla käynnit tunneittain. Kuvan vasemmassa reunassa on merkitty tunti (0-23).

Keskimmäisessä sarakkeessa on tunnille kohdistuvien opiskelijoiden käyntien lukumäärä. Vii-

meiseen sarakkeeseen on laskettu tunnin käyntien suhteellinen osuus.

Kuvasta 50 nähdään käydyimpien tuntien (vihreä väri) ajoittuvan kello 8-19 väliselle

ajalle: 1010-1560 kappaletta. Kello 9 ja 20-23 tunneilla (keltainen väri) kirjautumisia

on ollut vähemmän, noin 400-850 kappaletta. Kirjautumisia on tapahtunut vähäi-

semmässä määrin myös läpi yön kello 0-7 (punertava väri). Ryhmittäiset kurssilla

käynnin kellonajat on esitetty kuvassa 51.

Ryhmä R1 Ryhmä R2 Ryhmä RK Ryhmä RS

Kuva 51. Ryhmien käynnit kurssilla eri tunteina. Kuvassa opiskelijoiden kirjautuminen

Moodle-kurssille on ryhmitelty ryhmän tunnuksen perusteella.

Kuvasta 51 nähdään kaikkien ryhmien kirjautumisista suurimman osan ajoittuvan

kello 8-21 väliselle ajalle. Ryhmä RS on muista ryhmistä poiketen kirjautunut suh-

teellisesti harvemmin kello 10-14 tunneilla ja enemmän iltapäivän kello 16-19 tun-

Tunti Käyntejä Osuus

0 261 1,4 %

1 164 0,9 %

2 68 0,4 %

3 55 0,3 %

4 45 0,2 %

5 25 0,1 %

6 82 0,4 %

7 275 1,4 %

8 1010 5,3 %

9 850 4,5 %

10 1216 6,4 %

11 1129 5,9 %

12 1429 7,5 %

13 1543 8,1 %

14 1560 8,2 %

15 1305 6,9 %

16 1324 7,0 %

17 1361 7,1 %

18 1438 7,6 %

19 1284 6,7 %

20 973 5,1 %

21 685 3,6 %

22 539 2,8 %

23 421 2,2 %

Yhteensä 19042 100 %

Tunti Käyntejä Osuus

0 261 1,4 %

1 164 0,9 %

2 68 0,4 %

3 55 0,3 %

4 45 0,2 %

5 25 0,1 %

6 82 0,4 %

7 275 1,4 %

8 1010 5,3 %

9 850 4,5 %

10 1216 6,4 %

11 1129 5,9 %

12 1429 7,5 %

13 1543 8,1 %

14 1560 8,2 %

15 1305 6,9 %

16 1324 7,0 %

17 1361 7,1 %

18 1438 7,6 %

19 1284 6,7 %

20 973 5,1 %

21 685 3,6 %

22 539 2,8 %

23 421 2,2 %

Yhteensä 19042 100 %

Tunti Käyntejä Osuus

0 261 1,4 %

1 164 0,9 %

2 68 0,4 %

3 55 0,3 %

4 45 0,2 %

5 25 0,1 %

6 82 0,4 %

7 275 1,4 %

8 1010 5,3 %

9 850 4,5 %

10 1216 6,4 %

11 1129 5,9 %

12 1429 7,5 %

13 1543 8,1 %

14 1560 8,2 %

15 1305 6,9 %

16 1324 7,0 %

17 1361 7,1 %

18 1438 7,6 %

19 1284 6,7 %

20 973 5,1 %

21 685 3,6 %

22 539 2,8 %

23 421 2,2 %

Yhteensä 19042 100 %

Tunti Käyntejä Osuus

0 261 1,4 %

1 164 0,9 %

2 68 0,4 %

3 55 0,3 %

4 45 0,2 %

5 25 0,1 %

6 82 0,4 %

7 275 1,4 %

8 1010 5,3 %

9 850 4,5 %

10 1216 6,4 %

11 1129 5,9 %

12 1429 7,5 %

13 1543 8,1 %

14 1560 8,2 %

15 1305 6,9 %

16 1324 7,0 %

17 1361 7,1 %

18 1438 7,6 %

19 1284 6,7 %

20 973 5,1 %

21 685 3,6 %

22 539 2,8 %

23 421 2,2 %

Yhteensä 19042 100 %

93

neilla. Ryhmien käynnit on laskettu suhteuttamatta niitä ryhmän kokoon, joten ryh-

mien keskinäistä vertailua ei voida tehdä muuten kuin tarkastelemalla tuntien järjes-

tystä ja niiden suhteellisia osuuksia.

3.7.3 Jaksot

Moodle-kurssin jaksot ovat oppimistavoitteista johdettuja osakokonaisuuksia, joille

on määritelty sisältö- ja oppimistavoitteet. Moodle-kurssin jaksot61 (course sections)

jakavat kurssin kotisivun osiin, jotka voidaan esittää järjestysnumeroina tai viikkoi-

na. Jokaisella jaksolla on oma aiheensa. Jokaiseen Johdatus tietojenkäsittelyyn -

kurssin jaksoon (opintoviikkoon) kuuluu oma opiskelumateriaali, tentti, kotitehtävät

ja kotitehtävien purkutilaisuuteen osallistumisen tallentava aktiviteetti (tehtävä) sekä

aiheeseen liittyvää oheismateriaalia.

Opiskelun etenemisen arvioinnin näkökulmasta jaksoissa käyntien lukumäärä on

vain mittari muiden joukossa, mutta se mahdollistaa oppimisprosessin etenemisen

säännöllisen seurannan. Jaksoille kirjautumisten rinnalla tulisi tarkastella myös jak-

son aikana tehtyjä suorituksia – aktiviteettien palautuksia ja niistä saatuja arvosanoja.

Jaksoilla käynnit kaikkien kurssin opiskelijoiden osalta on esitetty kuvassa 52.

Kuva 52. Käynnit kurssin jaksoissa opiskelijoittain. Kuvaan on kerätty jakson numero, käynti-

kertojen lukumäärä ja suhteellinen osuus kaikista käynneistä.

61 https://docs.moodle.org/34/en/Course_homepage#Parts_of_a_course_homepage (viitattu 18.4.2018)

94

Kuvasta 52 nähdään jaksojen 3 ja 2 olevan käydyimpiä (osuus käynneistä yli 20%).

Jakso 3 on opiskeluviikko 2: Tiedon käsittely, käyttöjärjestelmät ja tietoverkot ja

jakso 2 opiskeluviikko 1: Tiedon esittäminen ja tallentaminen. Toiseksi käydyimpien

jaksojen ryhmään kuuluvat jaksot 4, 5, 6 ja 7, joiden osuus käynneistä on 10-20%.

Varsinaisista opiskelujaksoista 2-8 vähiten käyntejä kohdistuu jaksoon 8, joka on

viikon 7: Tietojenkäsittelyn teoria. Kuvassa 53 opiskelijoiden käyntien lukumäärä

kurssin opiskelujaksoilla esitetään viivakaaviona.

Kuva 53. Moodle-kurssin jaksoilla käyntien lukumäärä viivakaaviona. Kuvassa Moodlen jakson

numero (2-8) on vaaka-akselilla. Pystyakselin arvot ovat kaikkien opiskelijoiden lukumääriä

jaksoissa.

Kuvasta 53 nähdään eniten käyntejä kohdistuvan kurssin alun opintojaksoihin. Kah-

den ensimmäisen opintoviikon jaksojen jälkeen käyntien lukumäärän trendi on koko

loppukurssin ajan ollut laskeva. Opiskelijaryhmäkohtainen jaksoille kirjautuminen

on esitetty viivakaaviona kuvassa 54.

Kuva 54. Opiskelijoiden keskimääräinen käyntien lukumäärä kurssin opiskelujaksoissa (2-8).

Jaksojen numerot (2-8) on merkitty vaaka-akselille ja jaksossa käyntien lukumäärä ryhmittäin

pystyakselille. Ryhmä R1 on merkitty punaisella, R2 mustalla, RK punaisella ja RS keltaisella

viivanvärillä.

95

Kuvassa 54 nähdään ryhmäkohtaisia eroja opintojaksoilla käynneissä. Ryhmien R1

ja R2 käynnit vähenevät tai pysyvät edellisen jakson suuruisina koko kurssin ajan.

Ryhmissä RK ja RS on havaittavissa käyntien kasvua edelliseen opintojaksoon ver-

rattuna jaksoissa 3 (RS:n osalta), 5 ja 7 (RK:n osalta). Ryhmittäinen kurssin jaksoilla

käyntien lukumäärä on esitetty kuvassa 55.

Kuva 55. Kurssin jaksoissa käynnit ryhmittäin tarkasteltuna. Kuvassa on jokaisen ryhmän

Moodle-kurssin opintojaksoilla käynnit esitetty käyntikertojen ja suhteellisten osuuksien mu-

kaisesti laskettuna. Jaksot on järjestetty käyntikertojen mukaan laskevaan järjestykseen.

Kuvassa 55 nähdään ryhmissä R1 ja R2 olevan eniten käyntejä kurssin jaksoilla

numero 2 ja 3. Samat jaksot ovat käydyimpiä myös ryhmissä RK ja RS, mutta

järjestys on käänteinen. Opetuksen kehittämisen näkökulmasta tietoa opintojaksoilla

käynneistä on mahdollista soveltaa sijoittamalla kurssin keskeisimmät aihesisällöt

kurssin alkupuolelle, jolloin kurssilla käyntien lukumäärä on korkeimmillaan. Vähän

käyntejä keränneiden jaksojen osalta on mahdollista pohtia keinoja opiskelijoiden

mielenkiinnon kohottamiseksi. Lisäksi olisi hyvä löytää keinoja opiskelijoiden käyn-

tiaktiivisuuden ylläpitämiseksi koko kurssin ajan.

96

3.8 Keskustelualueet

Johdatus tietojenkäsittelyyn -kurssin jokaiseen opiskeluviikkoon kuuluu jakson

aiheeseen liittyvä keskustelualue, johon opiskelijan tulee kirjoittaa aiheen

opiskeluviikon aikana vähintään yksi viesti. Viestin kirjoittaneet opiskelijat saavat

kirjoittamastaan viestistä pisteen kurssin arvioinnin yhteydessä. Opintoviikkojen

uusien viestien yhteenveto on esitetty kuvassa 56.

Kuva 56. Opiskeluviikkojen keskustelualueiden uudet viestit. Kaavioon on laskettu opiskeluvii-

kon keskustelualueille uusia viestejä kirjoittaneiden yksilöllisten opiskelijatunnusten lukumää-

rät.

Kuvasta 56 nähdään kurssitasolla uusia viestejä kirjoitetun keskustelualueille eniten

kahden ensimmäisen opiskeluviikon aikana: 140-165 kappaletta. Tämän jälkeen

opiskeluviikkojen 3-7 aikana uusien viestien lukumäärä on tasoittunut 119-125 uu-

den viestin väliselle tasolle. Ryhmäkohtainen uusien viestien kirjoittaminen on esitet-

ty kuvassa 57.

Ryhmä R1 Ryhmä R2 Ryhmä RK Ryhmä RS

Kuva 57. Uusia viestejä kirjoittaneiden yksilöllisten opiskelijatunnusten lukumäärät ryhmittäin

tarkasteltuna. Kaavioissa opiskeluviikot ovat vaaka-akselilla ja opiskelijatunnusten lukumäärät

pystyakselilla.

97

Kuvasta 57 nähdään ryhmien R1, R2 ja RS kirjoittaneen keskustelualueille enemmän

uusia viestejä kuin verkkokurssina toteutetussa ryhmässä RK. Tieto viestejä kirjoit-

tamattomista opiskelijoista voi olla yksi opiskelun etenemisessä seurattavista mitta-

reista. Taulukkoon 9 on laskettu viestejä kirjoittamattomien opiskelijoiden lukumää-

rät ryhmittäin. Aktiviteettilokiin tallentuu tieto opiskelijoista, jotka ovat kirjoittaneet

uusia viestejä. Tieto viestejä kirjoittamattomista saadaan laskemalla erotus ryhmän

opiskelijoiden lukumäärästä ja ryhmässä viestejä opintoviikkojen keskustelualueelle

kirjoittaneista yksilöllisistä opiskelijatunnuksista.

Taulukko 9. Keskustelualueiden viestejä kirjoittamattomien opiskelijoiden lukumäärät ryhmit-

täin.

Ryhmä Opiskelijoiden

lukumäärä

ryhmässä

Viestejä kirjoitta-

neiden opiskeli-

joiden lukumäärä

Erotus ryhmän koon ja

viestejä kirjoittaneiden

välillä

R1 71 54 (76%) 17 (24%)

R2 65 47 (72%) 18 (28%)

RK 60 37 (62%) 23 (38%)

RS 46 41 (89%) 5 (11%)

Yhteensä 242 179 (74%) 63 (26%)

Taulukosta 9 nähdään, että kaikkia ryhmiä yhdessä tarkasteltaessa 26% opiskelijoista

ei ole kirjoittanut opiskeluviikkojen keskustelualueille yhtään uutta viestiä. Tällaisia

viestejä kirjoittamattomia opiskelijoita löytyy jokaisesta ryhmästä. Suhteellisesti eni-

ten viestejä kirjoittamattomia on ryhmässä RK (38%) ja vähiten ryhmässä RS (11%).

Keskustelualueiden monipuolisempi käyttäminen, esimerkiksi aliluvussa 2.5.3 kuva-

tun yhteistoiminnallisen oppimisen menetelmän kautta, mahdollistaisi niiden käytön

tarkemman analysoinnin käyttämällä esimerkiksi aliluvussa 2.6.4 kuvattua sosiaali-

sen oppimisen analyysiä.

3.9 Tentit

Johdatus tietojenkäsittelyyn -kurssin opiskeluviikkoon (jaksoon) kuuluu

monivalintatehtävä, joka on toteutettu tenttiaktiviteetilla. Opiskelijan annetaan yrittää

vastauksia niin monta kertaa kuin hän haluaa. Tentin kysymyksissä voi olla yksi tai

useampi oikea vastausvaihtoehto.

Tentit-aktiviteetissa arviointi tehdään Moodlen toimesta automaattisesti määrittele-

mällä työkalussa tentin arviointiperusteet, joihin opiskelijan antamia vastauksia ver-

98

rataan. Opiskelija-analytiikassa tentin arviointi on käytössä heti, kun opiskelija on

palauttanut tentin ja se on tämän seurauksena automaattisesti arvioitu. Tenttien

palauttaminen kertoo kurssille osallistumisesta ja motivaatiosta. Tenteistä saa myös

suorituspisteitä, joten niitä on mahdollista tarkastella opiskelun laadullisena tekijänä.

Opiskeluviikkojen tenttien pisteiden ja loppuarvosanan välinen ryhmittäinen hajon-

takaavio on esitetty kuvassa 58.

Ryhmä R1 Ryhmä R2

Ryhmä RK Ryhmä RS

Kuva 58. Opintoviikkojen tenttien pisteiden keskiarvon ja arvosanan välinen hajontakaavio

ryhmittäin tarkasteltuna. Kuvassa Y-akselilla ovat arvosanat (1-5) ja X-akselilla opintoviikko-

jen tenttien pisteiden keskiarvo (0-1).

Kuvasta 58 nähdään opintoviikkojen tenttien pisteiden keskiarvon ja kurssin arvosa-

nan välillä olevan riippuvuutta, erityisesti ryhmissä R2, RK ja RS. Kuvassa 59 on

esitetty tentin palautusten lukumäärä opiskeluviikoittain. Tarkastelun tasona kuvassa

käytetään kaikkia opiskelijoita.

Kuva 59. Opiskeluviikkojen tentin palautusten lukumäärät. Kaavioon on laskettu opiskeluvii-

kon tentin palauttaneiden yksilöllisten opiskelijatunnusten lukumäärät.

99

Kuvasta 59 nähdään eniten tentin palautuksia tehdyn kurssin ensimmäisellä viikolla:

yhteensä 202 kappaletta. Tämän jälkeen tentin palautusten lukumäärän trendi on ta-

saisesti laskeva. Ensimmäisen ja viimeisen opiskeluviikon välillä on 43 vastauksen

(noin 21%) ero tenttivastausten palautusten lukumäärissä. Opiskeluviikkojen tenttien

palautusten lukumäärät ryhmittäin tarkasteltuna on esitetty kuvassa 60.

Ryhmä R1 Ryhmä R2

Ryhmä RK Ryhmä RS

Kuva 60. Tenttien palautusten lukumäärät ryhmittäin tarkasteltuna. Kaavioon on laskettu

ryhmäkohtaisesti opiskeluviikon tenttejä palauttaneiden yksilöllisten tunnusten lukumäärät.

Kuvasta 60 nähdään ryhmien R1 ja R2 olleen opiskeluviikkojen tenttien palautusten

lukumäärässä mitattuna aktiivisempia kuin ryhmä RK. Vähiten tenttien palautuksia

on kuvan mukaan ryhmällä RS. Tieto opiskeluviikkojen tentteihin vastauksen palaut-

tamatta jättäneistä opiskelijoista on kerätty ryhmittäin taulukkoon 10.

Taulukko 10. Tenttivastauksia palauttamattomien opiskelijoiden yhteenveto.

Ryhmä Opiskelijoiden

lukumäärä

ryhmässä

Tenttejä palautta-

neiden opiskelijoi-

den lkm

Erotus ryhmän koon ja

tenttejä palauttaneiden

välillä

R1 71 64 (90%) 7 (10%)

R2 65 56 (86%) 9 (14%)

RK 60 55 (92%) 5 (8%)

RS 46 46 (100%) 0 (0%)

Yhteensä 242 221 (91%) 21 (9%)

100

Taulukosta 10 nähdään, että yhteensä 21 opiskelijaa (9% kaikista) ei ole koko kurssin

aikana palauttanut yhtäkään opiskeluviikon tenttivastausta. Tenttien palautukset on

mahdollista kohdistaa opiskeluviikolle, jolloin niitä voidaan seurata osana opiskelu-

prosessia. Ryhmän RK tenttien palautusten kohdistuminen opiskeluviikoille on esi-

tetty kuvassa 61.

Kuva 61. Tenttien palautus ryhmässä RK. Kuvassa nähdään opiskelijatunnuksittain ja ryhmit-

täin opintoviikkojen tenttien palautus (arvo 1). Viimeisessä sarakkeessa on summa opintoviik-

kojen tenttien palauttamisesta.

Kuvassa 61 nähdään opiskeluviikoille palautetut tentit ja palautusten summa. Riski-

ryhmään kuuluvat sellaiset opiskelijat, jotka eivät ole palauttaneet lainkaan tenttejä.

Ryhmän RK osalta tällaiset on esitetty kuvassa 62.

Kuva 62. Tenttejä palauttamattomat opiskelijat. Kuvassa esitetään Moodlen aktiviteettilokista

ryhmän RK opiskelijat, jotka eivät ole palauttaneet tenttejä.

Kuvassa 62 nähdään ryhmässä RK olevan kuusi opiskelijatunnusta, jotka eivät ole

palauttaneet yhtään tenttiä kurssin opiskeluviikkojen aikana. Opiskelijoiden tenteistä

saamat pisteet ja pisteiden keskiarvo on esitetty kuvassa 63.

101

Kuva 63. Tenttien pisteet ryhmässä RK. Kuvassa nähdään opiskelijatunnuksittain ja ryhmittäin

opintoviikkojen tenteistä saadut pisteet ja pisteiden keskiarvo.

Kuvasta 63 opettaja saa käsityksen eri opintoviikkojen tenteistä saavutetuista,

Moodlen automaattisesti arvioimista pisteistä. Kaikki kuvassa nähtävät kentät on

mahdollista järjestää, jolloin tilannetta voidaan tarkastella nousevassa tai laskevassa

järjestyksessä opiskelijatunnuksittain, opintoviikoittain tai tenteistä saatujen pisteiden

keskiarvojen perusteella.

3.10 Tehtävät

Tehtävät-aktiviteetti eroaa tentti-aktiviteetista siten, että tehtävien kohdalla opettajal-

la on mahdollisuus antaa aktiviteettiin arvosana. Tenttien kaltaista automaattista ar-

viointia tehtävien kohdalla ei ole mahdollista käyttää. Opettajan arvioiman tehtävän

arviointi on opiskelija-analytiikan käytettävissä vasta silloin, kun opettaja on tallen-

tanut arvosanan aktiviteettiin.

Tehtäviä käytetään Johdatus tietojenkäsittelyyn -kurssin opiskeluviikoilla kahteen

tarkoitukseen: Kotitehtävien palautukseen ja harjoitusten läsnäolon kirjaamiseen.

Aliluvussa 3.10.1 tarkastellaan kotitehtävien ja aliluvussa 3.10.2 harjoituksiin osallis-

tumisen tehtävistä saatavaa tietoa.

3.10.1 Kotitehtävät

Kotitehtävien palautusta voidaan tarkastella aktiviteettilokissa tehtyjen palautusten

lukumäärinä ja opettajan kirjaamien arvosanojen kautta. Tieto tehtävän palautuksesta

102

tallentuu aktiviteettilokiin ja arviointipisteet arviointitiedostoon. Ryhmäkohtainen

tehtävien pisteiden keskiarvon ja arvosanan välinen hajontakaavio on esitetty kuvas-

sa 64.

Kuva 64. Opintoviikkojen tehtävien pisteiden keskiarvon ja arvosanan välinen hajontakaavio

ryhmittäin tarkasteltuna. Ylärivillä R1 ja R2, alarivillä RK ja RS.

Kuvasta 64 nähdään, että opintoviikkojen tehtävien pisteiden keskiarvon ja kurssin

arvosanan välillä on riippuvuutta. Kuvassa 65 on esitetty opiskeluviikkojen kotiteh-

tävien palautusten lukumäärä ryhmittäin tarkasteltuna.

Ryhmä R1 Ryhmä R2 Ryhmä RK Ryhmä RS

Kuva 65. Kotitehtävien palautusten lukumäärät ryhmittäin tarkasteltuna. Kaavioon on laskettu

opiskeluviikon kotitehtäviä palauttaneiden yksilöllisten tunnusten lukumäärät.

Kuvasta 65 nähdään yliopiston ryhmien R1 ja R2 palauttaneen enemmän kotitehtä-

viä: 65-43 kappaletta kuin ryhmien RS: 41-31 kappaletta ja verkkokurssina toteute-

tun ryhmän RK: 47-35 kappaletta. Vähiten palautuksia on ollut ryhmässä RS: 29-41

kappaletta. Kotitehtävien palautusten määrän trendi on pääsääntöisesti laskeva. Kai-

kissa ryhmissä on vähiten palautuksia viimeisellä opiskeluviikolla: 46-31 kappaletta.

Kotitehtävien palautusten tilanteesta eri opintoviikoilla on mahdollista laskea yh-

teenvetotaulukko. Opettajalle tehtävän arviointi on mahdollista vasta, kun se on pa-

lautettu, jolloin tieto palautuksen tehneistä opiskelijoista auttaa työn resurssoinnissa.

Yhteenveto palautetuista tehtävistä on esitetty kuvassa 66.

103

Kuva 66. Kotitehtävien palautus ryhmässä RK. Kuvassa nähdään opiskelijatunnuksittain ja

ryhmittäin opintoviikkojen kotitehtävien palautus (arvo 1). Arvon puuttuessa palautusta ei ole

tehty. Viimeisessä sarakkeessa on tieto moneenko opintoviikon tehtävään opiskelija on lähettä-

nyt palautuksen.

Kuvassa 66 nähdään opettajan työtä helpottava tehtävienpalautustaulukko. Tauluk-

koa voi järjestää kaikkien sarakkeiden perusteella haluttaessa tarkastella esimerkiksi

yksittäisen opintoviikon palautusten tilannetta. Tehtäviä palauttamattomat opiskelijat

voidaan esittää omassa taulukossaan. Taulukko on esitetty kuvassa 67.

Kuva 67. Kotitehtäviä palauttamattomat opiskelijat. Kuvassa esitetään ryhmittäin Moodle-

kurssin opiskelijat, jotka eivät ole palauttaneet kotitehtäviä.

Kuvasta 67 nähdään ryhmässä RK olevat kotitehtäviä palauttamattomat opiskelijat.

Aktiviteettilokiin tallentuu tieto tehtävien palautuksista, joten tehtäviä palauttamat-

tomien opiskelijoiden tunnistamiseksi on eroteltava joukko, joka muodostuu sellai-

sista kurssin opiskelijatunnuksista, joilla ei ole tehtävien palautuksia.

Tehtävän palautuksen jälkeen opettaja arvioi sen. Arviointiin kuuluu arvosana ja

mahdollisesti sitä perusteleva tekstiosuus. Johdatus tietojenkäsittelyyn -kurssin koti-

tehtävien arvioinnissa pisteytys muodostuu tehtyjen kotitehtävien lukumäärän perus-

104

teella. Näistä pisteistä kerätty jaksoittainen arvosanataulukon yhteenveto on esitetty

kuvassa 68.

Kuva 68. Kotitehtävien pisteiden yhteenveto ryhmässä RK. Kuvassa nähdään opiskelijatunnuk-

sittain ja ryhmittäin opintoviikkojen kotitehtävien arvosanat ja arvosanojen keskiarvo.

Kuvassa 68 nähtävä tehtävien arvosanojen yhteenveto mahdollistaa opiskelijakohtai-

sen arvosanojen tarkastelun, josta saadaan yksittäistä tehtävänarviointia laajempi

käsitys opiskelijan opintojen etenemisestä. Kuvan kenttien järjestystä muuttamalla

opettaja voi tarvittaessa järjestää opiskelijat opintoviikoittain tai keskiarvon perus-

teella järjestykseen, jolloin taulukosta on helppo erotella eritasoisesti tehtävienpalau-

tuksen perusteella opinnoissaan etenevät opiskelijat.

3.10.2 Harjoituksiin osallistuminen

Johdatus tietojenkäsittelyyn -kurssilla kotitehtävien harjoitustilaisuuksiin osallistu-

minen merkitään tehtävät-aktiviteetilla toteutettuun harjoitus (HR) -tehtävään. Me-

nettelyn ansiosta tieto harjoituksiin osallistumisesta on myös opiskelija-analytiikassa

käytettävissä. Harjoituksiin osallistumisen taulukko on esitetty kuvassa 69.

Kuva 69. Harjoituksiin osallistuminen ryhmässä RK. Ensimmäisenä sarakkeena on opiskelija-

tunnus, jota seuraavat opiskeluviikot (HR 1-7). Viimeisessä sarakkeessa on laskettu yhteen

kuinka monen opiskeluviikon harjoitukseen opiskelija on osallistunut.

105

Kuvassa 69 nähdään opiskelijatunnuksittain ja ryhmittäin opintoviikkojen harjoituk-

siin osallistuminen ja tieto kuinka moneen harjoitukseen opiskelija on osallistunut.

Aliluvussa 3.6 esitetyssä korrelaatiotaulukossa kotitehtävät korreloivat kaikissa ryh-

missä eniten kurssin loppuarvosanan kanssa. Tämän johdosta kotitehtävien palautus,

niistä saadut arvosanat ja purkutilaisuuksiin osallistuminen muodostavat yhdessä

jaksoittain tarkasteltuna tärkeän mittarin opintojen etenemisen osalta.

3.11 Johtopäätökset Moodle-kurssin opiskelija-analytiikasta

Aliluvussa esitetään Moodle-datasta kerätyn opiskelija-analytiikan keräys- ja analy-

sointiprosessin aikana syntyneitä johtopäätöksiä ja kehittämisajatuksia. Tällaisia ovat

aliluvussa 3.11.1 tehdyt Moodle-kurssin rakenteesta havaitut johtopäätökset, aliluvun

3.11.2 iteratiivisesti ja aliluvun 3.11.3 eritasoisesti tapahtuvan oppimisen tukeminen,

aliluvun 3.11.4 Moodlen aktiviteettien tarkastelun kokonaisuuksina mahdollistavat

oppimistavoitteet, aliluvun 3.11.5 Moodlen tarjoama mahdollisuus kehittää tehtävistä

annettavaa palautetta, aliluvun 3.11.6 tenttien arvioinnin kehittämismahdollisuus

käyttämällä Markovin piilomallia, aliluvun 3.11.7 arviointitiedoston yhteydessä esiin

tullut redundanssi ja arviointiprosessin kehittäminen, luvun 3.11.8 havainnot Micro-

softin Power BI Desktop -ohjelmistosta opiskelija-analytiikan käytössä sekä aliluvun

3.11.9 määrällisen ja laadullisen arvioinnin visualisoinnin yhdistämisen ajatus. Lo-

puksi aliluvussa 3.11.10 esitellään ehdotus Johdatus tietojenkäsittelyyn -kurssin

opiskelija-analytiikan kehitetyksi mittaristoksi.

3.11.1 Moodle-kurssin rakenne

Moodle-kurssin datan analysoinnissa kurssin rakenne ja aktiviteettien nimeäminen

ovat tärkeässä roolissa. Aktiviteetti- ja arviointilokit tallentavat opiskelijan kurssinai-

kaisen toiminnan aktiviteetin nimellä, joista tieto opiskelija-analytiikkaan kerättäessä

tunnistetaan.

Kurssin jakaminen oppimistavoitteista johdettuihin loogisiin osiin mahdollistaa opis-

kelija-analytiikassa opintojen etenemisen tarkastelun pienissä osissa. Moodlessa on

tarkoitusta varten kurssin jaksot (sections). Opiskelija-analytiikka voidaan asettaa

seuraamaan jakson aikana tapahtuvaa oppimiskäyttäytymistä ja antamaan tämän pe-

106

rusteella palautetta opiskelijalle. Opettajan ja opiskelijan on tärkeää saada palautetta

ja nähdä edistymisensä koko oppimisprosessin aikana (Fernandez-Medina ym. 2013,

1). Palaute voi olla esimerkiksi opintojen edistyminen suunnitellusti, puuttuvia suori-

tuksia ja opinnot eivät edisty. Visualisointina voitaisiin käyttää helposti ymmärrettä-

viä emoji-merkkejä ja niitä täydentäviä selityksiä, jotka kertovat analytiikan havait-

semista tuloksista. Jaksoittain tehty opintojen etenemisen tarkastelu mahdollistaa

säännöllisten korjaavien toimenpiteiden tekemisen koko kurssin ajan.

Opiskelija-analytiikan keräämän palautteen perusteella opiskelija voi itse havaita

opiskelunsa etenemiseen liittyvän huomion kojelautaansa asetetun varoituksen tai

huomion kautta. Kojelaudalla (dashboard) tarkoitetaan oppimisesta kerättyjen tieto-

jen visualisointia ja esittämistä kootusti samassa näkymässä. Se voi muodostua yh-

destä tai useammasta mittarista, joiden yksityiskohtiin voidaan tarvittaessa porautua.

Tarkentuva mittaristo antaa mahdollisuuden kiinnittää huomio olennaiseen (Fu ym.,

2017). Huomio tai hälytys voi lähteä huomiosta, jonka mukaan opiskelijalta puuttuu

aktiviteettien määrällisiä tai laadullisia suorituksia. Opiskelija voi tiedon perusteella

itse tehdä korjaavia toimenpiteitä, joita voivat olla esimerkiksi opintojen etenemisek-

si edellytettyjen tehtävien tekeminen tai ohjauksen pyytäminen. Näin opiskelijalle

annetaan mahdollisuus hyötyä opiskelija-analytiikasta omien opintojensa ohjaami-

sessa. Mahdollisuus vaikuttaa omiin opintoihin tukee opiskelumotivaatiota. Motivaa-

tio on päämääräsuuntautunutta toimintaa ohjaava psykologisten funktioiden jäsenty-

nyt kokonaisuus, joka jaetaan sisäiseen ja ulkoiseen motivaatioon.

Opiskelijan ja opettajan kojelaudat eroavat toisistaan siten, että opiskelija näkee vain

omia tietojaan. Opettajan on mahdollista seurata opiskelijoiden opintojen etenemistä

kaikista opiskelijoistaan kootusti, jolloin voidaan esittää jaksoittaiset varoitukset

opiskelijoista, joiden opintojen etenemiseen kannattaa kiinnittää huomiota. Kojelau-

dan avulla opettaja voi ohjata resursseja ja tukitoimia niitä tarvitseville opiskelijoille

ja huomioida nopeasti etenevät opiskelijat.

Jaksoittain toteutettavan opintojakson jaksojen laskettavuuden monistettavuuden

saavuttamiseksi aktiviteettien nimeämislogiikkaan on kiinnitettävä erityistä huomio-

ta. Johdatus tietojenkäsittelyyn -kurssilla opintoviikkojen aktiviteetit on nimetty las-

107

kentaa tukevasti. Opintoviikkojen harjoituksiin osallistumisen tehtävissä on kahden

tehtävän osalta (viikot 5 ja 7) huolimattomuusvirhe, joka nähdään kuvassa 90.

3.11.2 Oppimisen iteraatiot

Oppimisen taso näkyy verkkokurssilla tenttien ja tehtävien laadullisen tarkastelun

kautta. Fu ym. tunnistavat ohjelmointitehtävän ratkaisun yhteydessä tehdyt virheet ja

ongelmat, joiden perusteella tehtävissä ongelmia aiheuttaneista asioista voidaan antaa

palautetta ja tuottaa uusia tehtäviä (2017, 4). Menettely mahdollistaa opiskelijan

oman virheiden tunnistamisen ja auttaa korjaamaan niitä paremmin. Kurssin tentit

ovat oppimisen kannalta luonteeltaan iteratiivisia. Tenttejä voi tehdä uudestaan ja

oppia virheistään.

Verkkokurssille palautetuista kotitehtävistä opettaja antaa (ilmeisesti lukumäärään

perustuvan) arvosanan ja niitä käsitellään harjoituksissa, jolloin opiskelijan on mah-

dollista oppia tekemiensä ratkaisuiden pohjalta. Opettajalla on mahdollisuus harjoi-

tustilaisuuksien aikana havainnoida oppimisen etenemistä. Harjoitusten pohjalta ta-

pahtunutta oppimista (oppimisiteraatioita) ei verkkokurssilla kuitenkaan ole mahdol-

lista analysoida, koska tietoa kotitehtävien kehittämisestä (harjoitusten kautta tapah-

tuneesta oppimisesta) ei mallissa edellytetä eikä tallenneta. Diana ym. käyttävät oh-

jelmointitehtävän kehittämisen palautteen antamiseksi koneoppimista käyttämällä

tehtävistä irrotettavia kooditiloja (2017, 2). Tehtävien kehittämisen arvioiminen opet-

tajan voimin on resurssikysymys, mutta antaisi henkilökohtaista palautetta oppimisen

etenemisestä.

3.11.3 Osaamis- ja oppimistasot

Verkkokurssi toteutuu kaikille opiskelijoille samanlaisena. Opiskelijakohtaisessa

tarkastelussa voitaisiin ottaa huomioon tietoa opiskelijan taustasta, esimerkiksi aihee-

seen liittyvästä aikaisemmasta osaamisesta. Aihetta aikaisemmin opiskelleet, harras-

taneet tai sen parissa työskennelleet suoriutuvat intuition perusteella kurssista erita-

voin kuin vasta alaan tutustuvat opiskelijat. Tällaisen tiedon mukaan tuominen mah-

dollistaisi opiskelijoiden luokittelun ja oppimistulosten tarkastelun erityyppisistä

lähtökohdista, joka tehostaisi kurssin läpäisyä myös ajallisesti ja motivoisi eritasoisia

opiskelijoita.

108

Osaamista on mahdollista tunnistaa teettämällä opiskelijoilla tasotehtäviä, joita ana-

lysoimalla opiskelijat voidaan jakaa automaattista luokittelua apuna käyttäen esimer-

kiksi heikosti, keskitasoisesti ja hyvin suoriutuvien ryhmiin (Diana ym. 2017, 7).

Nopeasti tehtävistä suoriutuville opiskelijoille voidaan tarjota haastavampia tehtäviä,

jolloin myös heidän oppimisensa kehittyy. Opiskelija-analytiikan mahdollistama

opiskelijan oppimistulosten huomioiminen auttaa aina oppimista (Fernandez-Medina

ym. 2010, 1).

3.11.4 Moodlen oppimistavoitteet

Moodlessa aktiviteetit voidaan kytkeä oppimistavoitteisiin. Oppimistavoite määritte-

lee opiskelijan tiedollisia ja taidollisia vaatimuksia kurssin suorittamiseksi. Yhteen

oppimistavoitteeseen voi kuulua yksi tai useampi aktiviteetti.

”Johdatus tietojenkäsittelyyn”-kurssilla oppimistavoitteet on määritelty opintoviik-

kokohtaisesti. Aktiviteettien kautta tarkasteltuna Moodle-kurssin opintoviikon tavoit-

teisiin kuuluu tentti ja kaksi tehtävää. Tentti on automaattisesti arvioitava monivalin-

ta. Tehtävät-aktiviteetin kautta palautetaan kotitehtävien vastaukset ja osallistutaan

kotitehtävät käsittelevään ja ohjaukselliseen harjoitukseen. Opettaja arvioi kotitehtä-

vien palautuksen laadullisella asteikolla 1-8 pistettä ja harjoitukseen osallistumisen

määrällisellä asteikolla 1-0 (läsnä/ei läsnä).

Kytkemällä jo määritellyt verkkokurssin tavoitteet Moodlen oppimistavoitteiksi op-

pimistuloksia voitaisiin tarkastella yksittäisiä aktiviteetteja suurempina kokonaisuuk-

sina. Sama asia on mahdollista tehdä analysoimalla tietoa esimerkiksi Power BI:n

avulla opiskeluviikkokohtaisesti.

3.11.5 Opiskelijan tehtävistä saama palaute

Opiskelija-analytiikassa ymmärrettävyys ja läpinäkyvyys korostuvat. Menetelmässä

tarkastellaan oppimisprosessia ja annetaan palautetta ja ohjeita miten tavoitteeksi

määriteltyyn tulokseen voidaan tehokkaammin päästä. Kerätyn datan määrä ja laatu

ovat analytiikan onnistumisen ja toiminnan kannalta ensiarvoisen tärkeitä tekijöitä.

Tämän johdosta opiskelija-analytiikka voi olla vain niin hyvää kuin sen keräämä

109

tieto. Opiskelija-analytiikka on kuitenkin vain opiskelun ja opettamisen apuväline.

Opettajan antama palaute ja ohjaus ovat keskiössä.

Moodle-kurssilla opiskelijoiden saaman palautteen merkitys korostuu. Oppiminen

edellyttää ymmärrettävää palautetta. Opiskelija-analytiikassa kerätään numeraalista

tietoa, mutta opiskelijan tulee nähdä arvosanan taakse minkälaisten asioiden kehittä-

miseen on kiinnitettävä huomiota ja mitkä asiat jo osataan. Palautteen muodon mer-

kitys näkyy esimerkiksi aliluvussa 2.7.11 esitellystä Merlin-know -työkalusta saa-

dussa opiskelijapalautteessa, jossa oppiminen tehostuu opiskelijoiden ymmärrettävän

ja miellyttäväksi kokeman palautteenantomuodon seurauksena (Hijon-Neiran ym.

2014, 7).

Moodlen tehtävät voidaan arvioida arvosanana ja palautteena. Haluttaessa kehittää

palautteen ymmärrettävyyttä (laatua), opettajan työn määrää ja vakioida tehtävien

arviointi opiskelija-analytiikan vertailtavuuden näkökulmasta, voidaan ottaa käyttöön

tehtävän arviointimatriisi62. Arviointimatriisi löytyy Moodlen versioista 3.0 alkaen.

Arviointimatriisi on tehtävän arviointitaulukko, johon on kerätty oppimistavoitteiden

pohjalta luodut tehtävän arviointikriteerit. Tehtävän arviointimatriisi on esitetty ku-

vassa 70.

Kuva 70. Moodlen tehtävän arviointimatriisi. Kuvassa ensimmäisessä sarakkeessa ovat oppimis-

tavoitteiden pohjalta luodut arviointikriteerit. Osaamistasot on kuvattu sanallisesti ja pisteytet-

ty 0-3 pisteen arvoiseksi. Lähde: Moodlen dokumentaatio63.

62 https://docs.moodle.org/3x/fi/Arviointimatriisi (viitattu 23.5.2018) 63 https://docs.moodle.org/3x/fi/Arviointimatriisi (viitattu 23.5.2018)

110

Kuvasta 70 nähdään arviointikriteerejä arvioitavan arviointimatriisissa pisteytettyjen

osaamistasojen mukaan. Moodle laskee tehtävän arvosanan automaattisesti osaamis-

tasojen pisteiden keskiarvona. Opiskelija näkee arviointimatriisin tehtävänannon

mukana ja ymmärtää arvioitavat kriteerit jo suoritusta tehdessään. Tällöin kriteereitä

verrataan sekä opiskelijan että opettajan toimesta ja opiskelijalle jää parempi käsitys

osaamisestaan ja sen mahdollisista puutteista.

3.11.6 Tentit ja Markovin piilomalli

Tenttien käyttöä laajentamalla olisi mahdollista päästä kohti Markovin piilomallin-

kaltaista oppimisen etenemisen tietopuolista seurantaa. Tehtävät painottavat ongel-

manratkaisua ja käytännön ratkaisuja, jolloin tentit täydentävät kokonaisuudessa

opiskelijoiden teorian soveltamista.

Markovin piilomallissa oppimistuloksia tarkastellaan vertaamalla tehtyjä osaratkaisu-

ja tunnettuun lopputulokseen (Blikstein ym. 2014, 581-586). Hyvänä esimerkkinä

Markovin piilomallin käytöstä on Moodlen Merlin-know -lisäosa, joka kehittää hy-

vällä menestyksellä arvioinnin ohella myös verkkokurssilta opiskelijoille annettavaa

palautetta (Hijon-Neiran ym. 2014, 7). Tenteissä on jo Merlin-know -työkalussa käy-

tetynkaltaista sisältöä, jota olisi helppo kehittää laajemmaksi arvioinniksi.

3.11.7 Power BI Desktop opiskelija-analytiikan työvälineenä

Microsoft Power BI Desktop osoittautui työtä tehdessä erinomaiseksi opettajan ja

tutkijan apuvälineeksi Moodle-datan tarkastelemiseksi. Työkalun Desktop-versiolla

tiedon käsittely tapahtuu omalla koneella, samoin kuin Excelillä käsiteltäessä, jolloin

tietoa ei missään vaiheessa ole tarvetta tallentaa esimerkiksi pilvipalveluihin.

Työssä on käytetty Moodlesta CSV-muotoon viedyn datan käsittelyä. Excelissä on

Power BI:tä kehittyneemmät datan muokkausominaisuudet, kun taas Power BI on

erinomainen taulukoiden yhdistelyssä ja datan analysoimisessa visualisointien kautta.

Työssä on käytetty vain valittua osaa Power BI:n mahdollistamista tiedon analysoin-

timenetelmistä. Tulevaisuudessa voisi olla hyödyllistä tutkia mitä kaikkea muuta

Power BI mahdollistaisi opiskelija-analytiikan kehittämiseksi. Aliluvussa 3.6 laskettu

111

korrelaatio on toteutettu käyttämällä Power BI Desktopissa R-kielen Correlation

Plot64 -pakettia. Myös muita R-kielen paketteja olisi mahdollista hyödyntää.

Kerran rakennettua Power BI -mallia on mahdollista soveltaa saman kurssin eri to-

teutusten analysoinnissa. Hyväksi havaitun mallin siirrettävyys myös kurssien välillä

saattaa olla mahdollista. Tällaista työtä helpottaa, jos kurssien suunnittelussa nouda-

tetaan samoja datan keräykseen vaikuttavia periaatteita, jolloin mallin muokkaami-

nen rajoittuu käytettyjen muuttujien nimien (Moodle-kurssin aktiviteettien nimet) ja

osakokonaisuuksien laskemisten tarkasteluun.

Power BI mahdollistaa visualisointien jakamisen oman pilvipalvelunsa kautta. Pilvi-

palvelun kautta voisi olla mahdollista luoda opiskelijoille ja opettajalle opiskelija-

analytiikan kojelaudan elementtejä Moodlessa tarkasteltavaksi. Microsoft on Power

BI:n pilvipalvelun osalta sitoutunut65 25.5.2018 voimaan astuneeseen Euroopan tie-

tosuojauudistukseen (General Data Protection Regulation, GDPR).

Tulevaisuudessa olisi mielenkiintoista tutkia onnistuisiko Power BI:llä datan lukemi-

nen suoraan Moodlen API:n kautta, jolloin aktiviteettilokin ja arviointitiedoston väli-

tallennusvaiheet jäisivät kokonaan pois ja opiskelija-analytiikka olisi koko ajan ajan-

tasaista. Microsoft kehittää ohjelmistoa käyttäjien toiveita kuunnellen, jolloin

Moodlen API:n natiivi tukeminen ohjelmistossa voisi olla mahdollista. Power BI:tä

koskevia toiveita ja ajatuksia voi esittää Microsoftin ohjelmiston ideafoorumilla66.

Ohjelmasta on tullut erikoistyön kirjoituksen aikana keväällä 2018 uusi versio uusine

ja korjattuine ominaisuuksineen lähes kuukausittain. Lisäksi olisi hyvä tutkia häly-

tysrajojen määrittelyä ja esittämistä ymmärrettävässä muodossa opiskelijanhallinta-

järjestelmän osana. Hälytykset kiinnittävät säännöllisesti opettajan ja tarvittaessa

myös opiskelijan huomion opiskelun suuntaamisessa.

64 https://community.powerbi.com/t5/R-Script-Showcase/Correlation-Plot/td-p/58462 (viitattu

5.4.2018) 65 https://powerbi.microsoft.com/en-us/blog/power-bi-gdpr-whitepaper-is-now-available/ (viitattu

22.5.2018) 66 https://ideas.powerbi.com/forums/265200-power-bi-ideas (viitattu 22.5.2018)

112

3.11.8 Määrällisen ja laadullisen arvioinnin yhdistäminen

Osaamistavoitteeseen pääsyä tai kokonaista oppimisprosessia saattaisi olla mahdol-

lista analysoida Trætteberg ym. ohjelmointiharjoituksen analysointimenetelmällä

(2016). Trætteberg ym. tarkastelevat opiskelijan ohjelmointiharjoituksista laadullisia

ja määrällisiä muuttujia pyrkiessään analysoimaan ja visualisoimaan tehtävän suori-

tusta (2016, 667). Opiskelijan ohjelmointiharjoituksen historianäkymä, joka visuali-

soi ohjelmointitehtävän etenemistä, on esitetty kuvassa 71.

Kuva 71. Näkymä opiskelijan harjoituksen etenemiseen. Ohjelmointitehtävän eri osiin tehtyjen

muutosten määrä kuvattuna viivakaavioina. Punainen viiva kuvaa StringGridImpi-luokan läh-

dekoodin määrän kasvua. Vihreä viiva kuvaa StringGrid-rajapinnan lähdekoodin määrän kas-

vua (Trætteberg ym. 2016, 667)

Kuvan 71 viivakaavioiden esittämässä kokonaisuudessa kiinnitetään huomiota oh-

jelmointitehtävän eri osien toteuttamiseen, joiden perusteella analysoidaan ohjel-

mointikielen erilaisten piirteiden osaamista. Yhdistämällä aliluvussa 3.2. esitetty

määrällinen ja laadullinen oppimisprosessista kerätty tieto on mahdollista saavuttaa

yksinkertainen, mutta tehokas visualisointi oppimisen etenemisestä myös käytettäes-

sä oppimisen hallintajärjestelmää.

3.11.9 Arviointitiedosto ja redundanssi

Erikoistyössä käytetty opiskelijoiden arviointitiedosto sisältää runsaasti Excel-

kaavoja arvosanan laskemiseksi. Nämä kaavat olisi mahdollista siirtää Power BI:ssä

laskettaviksi, mikäli Moodlen ulkopuolella suoritettavien tenttien arvioinnit olisi

mahdollista lukea järjestelmästä, johon ne on syötetty. Tenttiarvosanojen lukeminen

järjestelmästä estäisi tiedon redundanssia, johon törmättiin erikoistyössä aktiviteetti-

ja arviointikyselyiden yhdistämisen yhteydessä.

113

Redundanssin välttämiseksi opiskelijoiden arviointiin liittyvää tietoa tulisi syöttää ja

käyttää Moodlessa tai tenttiarvosanan tallentavassa tietojärjestelmässä, jolloin järjes-

telmässä oleva tiedontallennusmalli pitäisi huolta virheettömästä tiedon tallentami-

sesta. Tiedon tallennus- ja käsittelytavat ovat tärkeitä opiskelija-analytiikan toimin-

nan kannalta myös haluttaessa vertailla kurssien toteutuksista eri vuosina löytyviä

piirteitä. Excel-tiedostoihin tallennettua tietoa on pitkäjänteisesti hankala hyödyntää

analytiikassa.

3.11.10 Opiskelija-analytiikan mittaristo

Opetussuunnitelman osana voidaan määritellä opiskelija-analytiikan tiedonkeräyk-

sen, analysoinnin ja visualisoinnin toimintaperiaatteet. Määrittelyssä käytetään apuna

Yassine ym. kehystä (2016, 264-265). Tuloksena saatavaa mittaristoa on tarkoitus

voida käyttää opintojen etenemisen ja suunnan tietopohjaisena avustajana. Tehtävänä

on ennustaa kurssin lopputulos ja tunnistaa oppimisen taso, joka voi alittaa, täyttää

tai ylittää kurssille asetetut vaatimukset. Tähän päästään määrittelemällä tuloksen

mittaamiseen liittyvät opiskelija-analytiikan toiminnot, suunnittelemalla kurssikartta,

analysoimalla opiskelijan aktiviteetit ja mittaamalla oppimistulokset sekä visualisoi-

malla analysoitu tieto.

Lähtökohtina ovat Johdatus tietojenkäsittelyyn -verkkokurssilla julkaistu opintosuo-

ritusten ja tentin pisteytys, joissa molemmista voi saada 0-70 pistettä sekä taulukko,

jolla saavutetut pisteet muunnetaan arvosanaksi. Ehdotuksessa halutaan noudattaa

verkkokurssin pisteytyksen osalta samaa pisterajaa, jolloin ehdotus on samansuurui-

nen jo kurssilla käytössä olevan mallin kanssa. Erikoistyön loppuarvosanan korrelaa-

tiotarkastelussa havaitaan mahdollisuus painottaa kurssilla tehtyjä aktiviteetteja käy-

tössä olevaa mallia monipuolisemmin, jolloin painopiste siirtyy aikaisemmin saavu-

tettujen oppimistulosten kannalta merkittävämpiin tehtäviin. Opiskelun rinnalla

verkkokurssilla kulkee opintojen etenemisen seurantaprosessi, jossa pyritään mah-

dollisimman aikaisessa vaiheessa tunnistamaan opinnot keskeyttäneet tai niissä verk-

kokurssille tallentuneen tiedon perusteella heikosti etenevät opiskelijat.

114

Tuloksen mittaamiseen liittyvät opiskelija-analytiikan toiminnot

Johdatus tietojenkäsittelyyn -kurssilta voidaan käyttää Moodlen automaattisesti opis-

kelusta tallentamaa ja opettajan järjestelmään lisäämää tietoa. Opiskelija-analytiikan

käytettävissä olevaa tietoa ja sen lähteitä on esitetty taulukossa 11.

Taulukko 11. Johdatus tietojenkäsittelyyn -kurssin opiskelija-analytiikan tiedon lähteet. Mu-

kaillen Yassine ym. opiskelija-analytiikassa käytettävä tieto (2016, 264).

Automaattisesti lisättävä tieto

(Moodle)

Manuaalisesti Moodleen lisättävä tieto

(opettaja)

Kurssi:

1. Kirjautumisten lukumäärä

2. Kirjautumisten päivämäärä ja

kellonaika

• (Istunnon pituus)

Tehtävät:

1. Läsnäolo harjoituksissa

2. Arviointi

3. Loppuarvosanat

• (Läsnäolo oppitunneilla)

• (Aktiivisuus/vuorovaikutus opetustilan-

teessa)

• (Asenne oppimiseen/ammattitaidon ke-

hittämiseen)

• (Kotitehtävistä oppiminen harjoitustilai-

suuksissa tai niiden jälkeen)

Tentit, tehtävät ja keskustelualueet

3. Palautus tehty

• (Käytön ajankohta)

• (Käytön pituus)

Tentit:

4. Arviointi

Puuttuvat suoritukset:

• Kirjautumisten lukumäärä

• Tenttien palautus ja arvosana

• Tehtävien palautus ja arvosana

Taulukkoon 11 on kerätty opiskelija-analytiikassa käytettävissä olevaa tietoa ja sen

lähteet Johdatus tietojenkäsittelyyn -kurssilla. Kurssilta kerättyyn tietoon voidaan

soveltaa aliluvussa 2.6 esitettyjä tilastollisia ja tiedonlouhinnan menetelmiä sekä tun-

nistaa oppimista Markovin piilomallin perusteella ja vuorovaikutusta sosiaalisen op-

pimisen analyysillä. Sulut tiedon ympärillä merkitsevät mahdollisuutta lisätiedon

keräämiseen. Suluissa olevien kohteiden merkittävyyttä suhteutettuna kurssin loppu-

arvosanaan tulisi kuitenkin tutkia ennen kuin niille voidaan perustellusti määritellä

painoarvot.

Verkkokurssin vanha pisteytys

Johdatus tietojenkäsittelyyn -kurssilla on voinut saada 0-70 pistettä kurssin aktivi-

teettien käyttämisestä. Kurssilla käytetty pisteytys ja pisteytyksestä johdettu painoar-

vo on kerätty taulukkoon 12.

115

Taulukko 12. Johdatus tietojenkäsittelyyn -kurssilla käytetty pisteytys.

Mittari Aktiviteetti Pisteet Painoarvo

Kotitehtävien palauttaminen ja

harjoituksiin osallistuminen

Tehtävät

Tehtävät

0-56

-14-0

80%

Uuden viestin kirjoitus keskustelu-

alueelle

Keskustelut 0-14 20%

Yhteensä 0-70 100%

Taulukosta 12 nähdään kurssin pisteytyksen painottavan opettajan tekemää kotiteh-

tävien arviointia. Yhteensä 70 verkkokurssilta saatavasta pisteestä kotitehtävien sisäl-

löllisestä arvioinnista on voinut saada 56 pistettä (80%). Loput pisteet saadaan kes-

kustelualueille kirjoitettujen uusien viestien perusteella. Harjoitustilaisuuksiin osal-

listumisesta ei ole palkittu lisäpisteillä vaan harjoitustilaisuuksiin osallistumattomuus

on huomioitu pistevähennyksin.

Aktiviteettien korrelaatiotarkastelu

Aliluvussa 3.6 esiteltyjen muuttujien ja loppuarvosanan välisiä korrelaatiokertoimia

hyödynnetään määriteltäessä aliluvussa 2.5.4 esitellyssä Yassine ym. kurssikartassa

(2016, 264) tarvittavia oppimistavoitteen toimintojen painoarvoja. Taulukkoon 13 on

kerätty muuttujien ja loppuarvosanan väliset korrelaatiokertoimet, jotka on ryhmitel-

ty painoarvon mukaiseen suuruusjärjestykseen.

Taulukko 13. Ryhmitelty tarkasteltujen muuttujien ja kurssin loppuarvosanan korrelaatio.

Muuttuja Korrelaatiokerroin

Arvosanan keskiarvo

• Kotitehtävät

• Tentit

0,6

Palautusten lukumäärä

• Kotitehtävät

• Tentit

Harjoituksiin osallistumisen lukumäärä

(keskiarvo ryhmistä R1, R2 ja RS)

0,5

• Keskustelualueet: Uusien viestien lukumäärä

• Kurssille kirjautumisten lukumäärä

0,4

Taulukkoon 13 kerätyn korrelaatiotarkastelun perusteella kotitehtävien ja tenttien

arvosanan ja palautusten lukumäärän painoarvo sekä kotitehtäviä käsitteleviin harjoi-

tustilaisuuksiin osallistuminen korreloivat eniten loppuarvosanan kanssa. Hieman

vähemmän merkittäviä ovat keskustelualueiden uusien viestien kirjoittaminen ja

116

kurssille kirjautumisten lukumäärä, mutta myös näillä on tarkastelun perusteella ollut

merkitystä suhteessa loppuarvosanaan.

Ehdotus uusiksi opiskelija-analytiikan seurantakohteiksi

Korrelaatiotarkastelun perusteella ryhmitellyt kohteet määritellään opiskelija-

analytiikassa seurattaviksi kohteiksi. Yassine ym. esittämässä kurssikartassa eri opis-

keluviikoilla on erilaisia ja eripituisia seurattavia kohteita (2016, 264), mutta Johda-

tus tietojenkäsittelyyn -kurssilla opiskeluviikkojen aktiviteetit toistavat samaa raken-

netta. Taulukossa 14 on esitetty korrelaatiotarkastelussa mukana olevat kohteet ja

niiden seuranta eri opiskeluviikkoina.

Taulukko 14. Kurssilla opiskelija-analytiikassa seurattavat kohteet.

Oppimistulos 1

Seurantakohde opiskelija-

analytiikassa

V1 V2 V3 V4 V5 V6 V7

Arvosanan keskiarvo

• Kotitehtävät

• Tentit

X

X

X

X

X

X

X

X

X

X

X

X

X

X

Palautusten lukumäärä

• Kotitehtävät

• Tentit

X

X

X

X

X

X

X

X

X

X

X

X

X

X

Harjoituksiin osallistumisen luku-

määrä

X X X X X X X

• Keskustelualueet: Uusien vies-

tien lukumäärä

X X X X X X X

• Kurssille kirjautumisten luku-

määrä

X X X X X X X

Oppimistulos 2

Seurantakohde opiskelija-analytiikassa

Lopputentin arvosana

Taulukon 14 ensimmäiseen sarakkeeseen on nimetty opiskelija-analytiikassa seurat-

tava kohde. Tätä seuraavissa sarakkeissa opiskeluviikko on lyhennetty V-kirjaimella

ensimmäisen oppimistuloksen kohdalla. X merkitsee opiskelija-analytiikassa seurat-

tavaa kohdetta. Taulukosta nähdään ensimmäisen oppimistuloksen kohdalta jokaisen

opiskeluviikon muodostuvan seurattavista kohteista, joiden jälkeen tehdään opiskeli-

jalle ja opettajalle omat visualisoidut yhteenvedot opiskelun etenemisestä. Toinen

oppimistulos on lopputentin arvosana, josta voidaan saada tieto ennen tai jälkeen

opiskeluviikkoja. Toiseen oppimistulokseen liittyy aliluvussa 3.11.3 esitetty mahdol-

117

lisuus luokitella opiskelijat asiat jo osaaviin, jolloin he voivat suorittaa lopputentin

osallistumatta verkkokurssin opiskeluviikoille ja saavuttaa arvosanan lyhentämällä

opiskeluun käytettävää aikaa. Verkkokurssilla opiskelleet voivat parantaa verkko-

kurssin pisteitä lopputentillä saavuttamallaan tuloksella kurssin pistetaulukon perus-

teella.

Ehdotus uudeksi opiskelija-analytiikan pisteytykseksi

Uuden pisteytyksen lähtökohdaksi otetaan aikaisemmin kurssilla käytetty 70 pistettä.

Aikaisemmin kurssilla on käytetty pistemenetyksiä tilanteessa, jossa opiskelija ei ole

osallistunut harjoituksiin. Negatiivisten pisteiden käyttämisestä opiskelijoiden oh-

jaamisen ja motivoinnin välineenä ei ole tarkempaa tutkittua tietoa, mutta omakoh-

tainen intuitio on, että asiaan kannattaa kiinnittää huomiota. Uudessa pisteytyksessä

jokaisesta kurssilla tehdystä opintosuorituksesta saa lisäpisteitä. Pisteidenlisäysmene-

telmä on tuttu peleistä, joissa pisteitä ei yleensä vähennetä. Tämä saattaa olla opiske-

lijoille motivoivempi lähestymistapa kuin pistemenetykset. Taulukossa 15 on esitys

verkkokurssin uudeksi pisteytykseksi käyttämällä korrelaatiokerrointen luokittelutie-

toa pisteiden painoarvojen määrittelyssä.

Taulukko 15. Ehdotus verkkokurssin uudeksi pisteytykseksi.

Opiskelija-analytiikassa

seurattava tieto

Viikko n

(n=1-7)

Pisteet

yhteensä

Tiedon

lähde

Paino-

arvo

Arvosana:

• Kotitehtävät

Arvosana

(0-8) / 2 p.

0-28 p.

Opettaja

40%

• Tentit Arvosana

(0-1) * 2 p.

0-14 p. Järjestelmä 20%

Palautusten lukumäärä

• Kotitehtävät

Seuranta

Järjestelmä

• Tentit Seuranta Järjestelmä

Harjoituksiin osallistuminen 3 p./kerta 0-21 p. Opettaja 30%

Keskustelualueet: Uusien vies-

tien lukumäärä

1 p./viesti 0-7 p. Järjestelmä 10%

Kurssille kirjautumisten luku-

määrä

Seuranta Järjestelmä

Yhteensä 0-70 p. 100%

Taulukossa 15 ehdotetussa uudessa Johdatus tietojenkäsittelyyn -kurssin pisteytyk-

sessä painotetaan aktiviteetteja, jotka korreloivat loppuarvosanan kanssa eniten.

Tenttien ja harjoituksiin osallistumisen suhteellista osuutta on nostettu verrattuna

118

aikaisempaan painotukseen. Pisteytyksen lähtökohtana on saada positiivisia pisteitä

kaikista opiskeluun liittyvistä tehtävistä. Verkkokurssilta saatavat kokonaispisteet on

haluttu pitää samoina (70 p.) kuin alkuperäisessä kurssin pisteytyksessä. Muuttujia

seurataan opintoviikoittain (Moodlen jaksoittain). Kotitehtävien, tenttien ja kurssille

kirjautumisten seuranta helpottaa opettajaa hahmottamaan opintojen etenemistä.

Näiden tietojen perusteella opiskelija-analytiikkaan voidaan asettaa hälytysrajoja

varoittamaan liian matalista arvoista. Laadullisia hälytysrajoja voidaan asettaa tent-

tien ja tehtävien arviointipisteiden perusteella.

Seurattava tulos on sidoksissa kurssin suorituksen historiatietoon pohjautuvaan aikai-

sempaan opintomenestykseen. Historiatietoa voidaan laajentaa käyttämällä tiedon-

louhinnan ennustamista. Opiskeluviikoittain voidaan kerätä mallidata, jonka pohjalta

opiskelijan suorituksia voidaan verrata aikaisempiin lopputuloksiin. Ennusteessa

käytettävää mallia voidaan täydentää jokaisella kerralla, kun kurssi toistuu saman

rakenteen mukaisesti. Tulos voidaan visualisoida esimerkiksi liikennevaloista tutuilla

värikoodeilla: Vihreä – tulos on vähintään hyvää tasoa, keltainen – tulos jää hyvän ja

tyydyttävän tason väliin ja punainen – tulos johtaa hylättyyn suoritukseen. Ennusta-

mista käytettäessä on hyvä tuoda esiin näkökulma, jonka mukaan historiatieto ei ta-

kaa lopputulosta, vaan kertoo ainoastaan aikaisempaan tietoon perustuvaa oppimisen

suuntaa.

Opiskelija-analytiikan käyttö esitellään kurssin tavoitteiden ja arviointiperusteiden

rinnalla myös opiskelijoille, jotta kaikki osapuolet ymmärtävät mitä tietoa seurataan,

miten sitä analysoidaan ja kuinka saatua tietämystä hyödynnetään opiskelun ohjauk-

sen välineenä. Avoimuus luo luottamusta opiskelija-analytiikkaa kohtaan sekä opis-

kelijoille että opettajille. Analytiikkaa käyttäen on mahdollista seurata suuren opiske-

lijamäärän opintojen etenemistä siirtämällä rutiininomainen seuranta tietojärjestel-

mälle ja näin helpottaen opettajan työtä. Opiskelijan oppimiskokemus voi parantua,

jos analytiikkaan kytketään opintoja oikeaan suuntaan ohjaavia ja palautetta antavia

toimintoja (Hijon-Neiran ym. 2014, 7).

Riskiryhmässä olevien opiskelijoiden tunnistaminen mahdollisimman aikaisessa vai-

heessa antaa opettajalle ajallisesti mahdollisuuden suunnata oppimista uudelleen tai

lisätä voimavaroja auttamaan etenemistä kohti opiskelun tavoitteita (Dawson ym.

119

2008, 221). Analytiikka voidaan säätää ilmoittamaan poikkeamista, jolloin korjaavia

toimenpiteitä on mahdollista käynnistää nopealla aikataululla. Poikkeaman suunta ja

voimakkuus voivat vaihdella, esimerkiksi oppimistulosten puuttuminen tai erityisen

nopea oppiminen.

120

4 YHTEENVETO

Nuoremmille ikäluokille tietokoneiden käyttäminen on luontevaa. Suoritusten pis-

teyttäminen ja välitavoitteiden täyttäminen on monille tuttua tietokonepeleistä, joissa

visualisoituja saavutuksia vertaillaan jopa maailmanlaajuisesti ja parhaimmillaan

kehitytään entistä paremmaksi oman ryhmän strategiatyön kautta. Tällainen pelimaa-

ilmasta tuttu edistymisen seuranta mahdollistaa ymmärtämään myös opinnoissa ete-

nemistä ja saavutettuja tuloksia – intuition perusteella myös oppimismotivaatiota

kehittäen, mikäli pelien koukuttavuuden ja kehittävyyden elementtejä onnistutaan

rakentamaan myös oppimiseen.

Luvussa tiivistetään aikaisemmin esitetyn perusteella vastaukset tutkimuskysymyk-

siin mitä on opiskelija-analytiikka ja miten se toimii, miten oppimisesta kerättyä tie-

toa voidaan hyödyntää opiskelijan, opettajan ja oppilaitoksen näkökulmista ja miten

oppimisen hallintajärjestelmää voidaan soveltaa tiedon keräämiseen. Tutkimuskysy-

myksiin voidaan vastata myös aliluvussa 2.5.5 esitetyin opiskelija-analytiikan viite-

kehyksen kysymyksin: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 7). Mitä vas-

taa kysymyksiin kerättävästä datasta, analyysistä ja sen käytöstä. Miksi määrittelee

tavoitteen kerätyn datan analysointiin ja kenelle sidosryhmän ja analysoinnissa käy-

tettävän menetelmän. Seuraavassa näihin kysymyksiin haetaan syvällisempiä näkö-

kulmia arvioiden lisäksi havaittuja opiskelija-analytiikkaan liittyviä piirteitä.

4.1 Mitä on opiskelija-analytiikka ja miten se toimii?

Aliluvussa vastataan samalla opiskelija-analytiikan viitekehyksen kysymykseen mitä

ja kuinka (Chatti ym. 2012, 7).

Vastaukset kysymyksiin mitä tietoa kerätään ja kuinka keräys järjestetään ovat riip-

puvaisia opetuksessa käytetyistä ohjelmistoista ja näkemyksestä sen käytöstä. Opis-

kelija-analytiikka on alisteinen järjestelmistä saatavan tiedon keräysmahdollisuuksil-

le. Eri järjestelmät tallentavat erilaista tietoa erilaisissa muodoissa. Opiskelija-

analytiikassa tätä tietoa tulisi pystyä analysoimaan hallitusti ja luotettavasti. Mitä

enemmän oppiminen pirstaloituu eri järjestelmiin, sitä haastavammaksi opiskelija-

analytiikan määrittely muuttuu. Ohjelmistojen suunnittelijoiden ja pedagogien näke-

121

mysten oppimisen analysoinnin kannalta kerättävästä tiedosta ja tiedon käsittelyme-

netelmistä tulisi kohdata paremmin. Oppimisen hallintajärjestelmien siirtyessä kiih-

tyvään tahtiin pilvipalveluiksi nousee haasteeksi järjestelmän tallentaman tiedon saa-

vutettavuus. Ratkaisun tilanteeseen tuovat ohjelmistojen avoimet rajapinnat, mutta

erilliset järjestelmät tuovat mukanaan integrointityötä. Seuraavaksi tarkastellaan tut-

kielmassa tehtyjä tiedon tallentamiseen, keräämiseen ja analysointiin liittyviä havain-

toja.

Opiskelija-analytiikan tuottaman tiedon hyödynnettävyys riippuu siinä käsiteltävän

tiedon laadusta ja määrästä. Analytiikassa voidaan käyttää tiedon lähteinä ohjelmis-

tojen lokitiedostoja (Blikstein ym. 2011; Carter ym. 2017; Diana ym. 2017; Fernan-

dez-Medina ym. 2010; Fu ym. 2017; Grover ym. 2016; Lu ym. 2017) ja erikseen

asennettavia tiedonkeräyksen lisäosia (Trætteberg ym. 2016). Lisäksi opettajalla on

mahdollisuus lisätä järjestelmään tietoa. Luvussa 3 käytetyt menetelmät pyrkivät

visualisoimaan opettajan opiskelijoiden seuranta- ja arviointityössä käyttämiä mene-

telmiä hyödyntämällä Moodlesta saatavaa tietoa. Valituissa seurantakohteissa on

käytetty oman 15-vuotisen opettajantyöni aikana syntynyttä intuitiota ja Moodlesta

tekemiäni havaintoja luvussa 2 esitetyn tutkimuksen rinnalla.

Järjestelmien lokitiedot on alun perin tarkoitettu järjestelmän virheentunnistuksen ja

seurannan kannalta merkittävien tietojen tallentamiseen. Tällaista tietoa voidaan al-

kuperäisen käyttötarkoituksen lisäksi hyödyntää myös opiskelija-analytiikassa, mutta

parempaan lopputulokseen päästäisiin suunnittelemalla tiedontallennus oppimispro-

sessista lähteväksi. Luvussa 2 esitellyssä tutkimuksessa ja luvun 3 erikoistyön tulok-

sissa havaitaan, että oppimisen hallintajärjestelmäksi suunniteltu Moodle tallentaa

aktiviteetti- ja arviointilokeihin paljon opiskelun etenemisen ja arvioinnin kannalta

käyttökelpoista tietoa, kunhan järjestelmää käytetään määrittelemällä tähän tarkoi-

tukseen sopivat aktiviteetit ja järjestetään tiedon keräys ja analysointi.

Oppimisen hallintajärjestelmän tiedontallennusmahdollisuuksia voidaan laajentaa

siihen lisättävien lisäosien avulla. Tällaisista työkaluista on kuitenkin vaikea löytää

kattavaa analyysityökalua kurssin oppimistulosten mittaamiseksi ja opiskelijan suori-

tuskyvyn ennakoimiseksi (Luna ym. 2016). Analytiikan kehittämisen näkökulmasta

lisäosat kuitenkin tarjoavat mahdollisuuden kokeilla menetelmien soveltamista op-

122

pimisen analysointiin. Hyväksi havaittavat käytännöt tulisi jatkossa siirtää oppimisen

hallintajärjestelmien vakiotyökaluiksi, jolloin niiden tietoja olisi mahdollista analy-

soida muiden tallennettujen aktiviteettien ja arviointien rinnalla.

Moodlessa tapahtuvaa arviointia on mahdollista tarkastella oppimisprosessinlaajui-

sesti käyttämällä järjestelmän oppimistavoitteita, jossa aktiviteetteja ryhmitellään

halutun lopputuloksen saavuttamiseksi. Oppimisesta tallennettua tietoa voidaan kerä-

tä analysoitavaksi myös Moodlen ulkopuolella, kuten luvun 3 Power BI Desktop -

analyysi osoittaa. Järjestelmän ulkopuolinen tiedon analysointi aiheuttaa kuitenkin

lisätyötä verrattuna sisäänrakennettuihin tiedon analysointityökaluihin. Kirjoitushet-

kellä opiskelija-analytiikasta kuitenkin saadaan enemmän käyttökelpoista tietoa käyt-

tämällä apuna Moodlen ulkopuolista analysointiohjelmistoa.

Opiskelija-analytiikassa käytetään tilastollisia ja tietämyksen löytämistä tavoittelevia

tiedonlouhinnan menetelmiä. Tiedonlouhinnan menetelmien avulla oppimistuloksia

voidaan luokitella (Adraoui ym. 2017, 5) ja ennustaa opintomenestystä (Galafassi

ym. 2017, Marques ym. 2017). Opintojen automaattinen ennustaminen ja ohjaus

Johdatus tietojenkäsittelyyn -kurssilla edellyttäisivät hyvän ja koetellun mallin raken-

tamista. Myös malliin tallennettavan tiedon lupa- ja tietoturva-asiat tulee huomioida,

jotta sitä voitaisiin hyödyntää myös tulevien kurssien opintomenestyksen analysoin-

nissa.

Kurssikartassa (Yassine ym. 2016) määritellyn tiedon keräämisen toteutukseen vai-

kuttavat käsiteltävän tiedon rakeisuus ja tiedon talteenoton taajuus (Ihantola ym.

2015, 48). Oppimisen hallintajärjestelmässä luontaisia tiedonkeräyksen taajuuteen

vaikuttavia tekijöitä ovat opiskelijoiden aktiviteetteihin kohdistamat toimenpiteet ja

kurssin osien suunnitellut kestot. Aktiviteetteihin kohdistuva toimenpide voi olla

esimerkiksi oppimistehtävän palautus, jonka seurauksena opiskelija-analytiikan halu-

taan päivittävän reaaliaikainen tieto tehtävänpalautuksista. Kurssin osan suorituksia

voidaan haluta tarkastella sen päättymisen jälkeen muodostettaessa kokonaiskuvaa

oppimisen tilanteesta.

123

4.2 Miksi opiskelijatietoa kerätään?

Aliluvussa vastataan samalla opiskelija-analytiikan viitekehyksen kysymykseen mik-

si (Chatti ym. 2012, 7).

Tietoa kerätään tutkimuksessa mm. osaamisen luokitteluun (Diana ym. 2017, 7; Fu

ym. 2017, 7), oppimisesta tehtävään palautteen antamiseen (Fernandez-Medina ym.

2010, 1; Trætteberg ym. 2016, 666; Diana ym. 2017, 4) ja opettamisen laadun kehit-

tämiseen (Trætteberg ym. 2016, 666-667). Kerättyä tietoa hyödyntäen oppimista

voidaan nopeammin ohjata oikeaan suuntaan ja havaita sellaisia oppimisen ongelma-

kohtia, joissa opettajan apua tarvitaan (Ihantola ym. 2015, 1). Kaikki opettajan ope-

tustyötä ja opiskelijan oppimista helpottavat ja tukevat analytiikan käyttökohteet ovat

hyödyllisiä opetuksen toimintaympäristössä, jossa opetustyön resursseja tarkastellaan

entistä kriittisemmin ja ne palvelevat myös tarvetta, jossa opiskelijoiden valmistumi-

sen tulisi tapahtua entistä nopeammin.

Luvussa 3 nähdään Moodlen aktiviteettilokin tarjoavan mahdollisuuden analysoida

opiskelijoiden oppimiskäyttäytymistä. Aktiviteettien käyttöä voidaan seurata kalente-

rin tai kellonajan (aliluku 3.7) lisäksi määrällisesti ja tehtävien, tenttien ja keskuste-

lualueiden osalta myös laadullisesti (aliluvut 3.8-3.10). Näin voidaan seurata opiske-

lijoiden kurssinkäyttöön liittyviä piirteitä ja tunnistaa aktiviteeteista oppimisen kan-

nalta merkityksellisimpiä verkkokurssin osia. Tietoa merkityksellisistä aktiviteeteista

voidaan arvioida kytkettynä oppimistavoitteeseen, joka näyttäytyy verkkokurssilla

aktiviteettien joukkona. Näin mahdollistuu tietopohjainen verkkokurssilla tapahtuva

oppimisen seuraaminen, arviointi ja kehittäminen. Verkkokurssilta kerätyn tiedon

rinnalla kannattaa käyttää myös muita tiedonkeräys- ja arviointimenetelmiä, sulautu-

vassa oppimisessa luokkaopetuksen aikana tehtäviä havaintoja ja verkkokurssin ke-

hittämisen osalta opiskelijoille tehtäviä kyselyitä.

4.3 Kenelle opiskelijatietoa kerätään?

Aliluvussa vastataan samalla opiskelija-analytiikan viitekehyksen kysymykseen ke-

nelle (Chatti ym. 2012, 7).

124

Vastaus kysymykseen kenelle on laaja. Opiskelija-analytiikkaa voidaan toteuttaa

koko organisaation, tiedekunnan/osaamisalan ja yksikön/opettajan tasoilla (Dawson

ym. 2008, 223). Opiskelija-analytiikan sidosryhmään kuuluvat oppilaitoksen opiske-

lijoiden, opettajien, ohjaajien, järjestelmien ylläpitäjien ja päätöksentekijöiden lisäksi

tutkijat ja järjestelmien kehittäjät. Jokaisella sidosryhmän jäsenellä on opiskelija-

analytiikkaan oma mielenkiinnon kohteensa. Opettajia voivat kiinnostaa esimerkiksi

analytiikan mahdollistama opetuskäytäntöjen tehostaminen, rutiininomaisen työn

siirtäminen tietojärjestelmän hoidettavaksi sekä opetuksen mukauttaminen erilaisille

oppijoille.

Opiskelija-analytiikan tuottamaa tietoa voidaan käyttää hyödyksi oppilaitoksen pää-

töksenteossa esimerkiksi opiskelijoiden rekrytointikäytäntöjen kehittämisessä, kurs-

sien suunnittelun mukauttamisessa ja palkkaustarpeiden määrittelyssä. Analytiikan

avulla on mahdollista tunnistaa putoamisvaarassa olevat opiskelijat ja parantaa opis-

kelijoiden oppimistuloksia. Näillä tekijöillä on merkitystä opintojen keskeyttämisen

vähentämisessä ja valmistumisasteessa.

4.4 Opiskelija-analytiikan hyödyntäminen

Aliluvussa vastataan tutkimuskysymykseen miten oppimisesta kerättyä tietoa voi-

daan hyödyntää opiskelijan, opettajan ja oppilaitoksen näkökulmista.

Tietojärjestelmään jo tallennetun tiedon ottaminen hyötykäyttöön voi merkitä ope-

tukselle samaa kuin mittaristoon perustuva, tavoitteellinen ja iteratiivinen laatutyö

yrityksen liiketoiminnalle. Suuri kysymys opiskelija-analytiikan hyödynnettävyyden

näkökulmasta on kuinka suurelta osin ja laadukkaasti oppiminen tallentuu - ja on

mahdollista tallentaa - tietojärjestelmään. Kysymys liittyy opiskelun ja tietokoneen

välisen käytön luonteeseen. Mitä enemmän ja tehokkaammin tietokoneita opitaan

hyödyntämään opiskelussa, sitä suuremmalta osin ja laadukkaampia opiskeluproses-

sissa syntyviä jälkiä tallentuu. Opiskelija-analytiikan rinnalla tulisikin tarkastella

tietokoneella sovellettavan oppimisen etuja ja hyötyjä, koska nämä kulkevat oppi-

misprosessista kerättävän tiedon rinnalla. Käytettäessä sulautuvan opettamisen mene-

telmää osa oppimisprosessista kuitenkin tapahtuu tietojärjestelmän ulkopuolella,

mutta järjestelmään on mahdollista lisätä tietoa myös tällaisen oppimisen osista.

125

Opiskelija-analytiikka voidaan suunnitella opetussuunnitelman osana opetuksen ta-

voitteiden ja arvioinnin rinnalla. Sen tulisi liittyä osaamistavoitteista johdettujen ar-

viointikriteerien mittaamiseen ja liittyä toimintoihin, jotka ovat opetuksen osatavoit-

teita - opiskeluviikkoja tai jaksoja. Kurssikarttamainen, useampaa toimintoa yhdessä

seuraava analytiikka laajentaa opintojen etenemisen seuraamisen laajemmiksi koko-

naisuuksiksi. Analytiikan tuottaman tiedon pohjalta voidaan asettaa hälytysrajoja,

jotka säännöllisesti kiinnittävät opettajan ja tarvittaessa myös opiskelijan huomion

opiskelun suuntaamisessa. Opiskelun etenemistä voidaan seurata kurssin, ryhmän ja

yksittäinen opiskelijan tasoilla. Tämä palvelee havaintoja, joiden mukaan säännölli-

nen tehtävien tekeminen ja opetukseen osallistuminen ennakoivat (ohjelmoin-

ti)kurssin arvosanaa (Carter ym. 2017, 10) ja jonka mukaan opettajan ja opiskelijan

on oppimisprosessin aikana tärkeää saada palautetta ja nähdä edistymisensä (Fernan-

dez-Medina ym. 2010, 1). Opiskelijan jatkuva ja säännöllinen palaute visualisoidaan

sekä opiskelijalle että opettajalle ja niiden perusteella voidaan päivittää opintojen

etenemissuunnitelmaa automaattisesti esimerkiksi aliluvussa 3.11.3 esitetyn, oppi-

mistasoja analysoivan mallin mukaisesti (Diana ym. 2017, 7) tai yhteistyössä opiske-

lijan ja opettajan kanssa.

Opiskelijan tulisi oppimistavoitteiden lisäksi ymmärtää opiskelija-analytiikassa seu-

rattavan tiedon luonne. Oppimisen hallintajärjestelmän keräämällä tiedolla voi olla

vaikutusta hänen arviointiinsa, jos tieto rinnastetaan arvioinnissa luokkaopetukseen

kuuluvaan aktiivisuuteen ja verkkokurssin suorituspisteiden keräämiseen. Luokka-

aktiivisuus on Suomen perusopetuksessa yksi arviointiin vaikuttava tekijä, jota on

mahdollista soveltaa myös toisen ja korkea-asteen opintojen arvioinnissa.

Seurattavien mittareiden määrittely ja käyttöönotto kehittävät verkossa tapahtuvan

oppimisen laatua toteuttamalla Fernandez-Medina ym. esittämän opiskelijan oppi-

mistulosten huomioimisen opintojen auttajana (2010, 1). Mittariston määrittely- ja

käyttöönottovaiheessa käytetty aika voi tuottaa verkkokurssin käytön aikana opetta-

jan ja opiskelijan työtä helpottavaa ja tehostavaa lisäarvoa. Opiskelija-analytiikka on

jo olemassa olevan tietojärjestelmän tehokkaampana hyödyntämistä, jonka rationaa-

lisempi käyttö tuo monistettavuuden ja skaalautuvuuden etuja opetustyön ulottuville.

126

Kynnys opiskelija-analytiikan käyttöönottoon pienenee merkittävästi käytettäessä

oppimisen hallintajärjestelmään sisäänrakennettua datankeräysjärjestelmää, Moodlen

tapauksessa aktiviteettilokia ja arviointeja. Aliluvussa 3.3 esitelty Microsoft Power

BI -työkalu mahdollistaa tiedon lukemisen eri lähteistä, sen analysoimisen ja visuali-

sointien tekemisen keskitetysti, mutta ohjelmiston integrointi Moodleen esimerkiksi

hälytysten ja opiskelijan automaattisen palautteenannon ja ohjauksen tuottamiseksi

vaatisi lisätutkimusta. Power BI Desktopissa analysoidut visualisoinnit voidaan ha-

luttaessa jakaa muille opettajille ja opiskelijoille työkalun pilvipalveluversion kautta.

Tehokkaimmillaan opiskelija-analytiikan työkalut toimivat opetuksessa käytetyn

järjestelmän osana toteuttaen kaikki analytiikan edellyttämät vaiheet: Tiedon kerää-

misen ja esikäsittelyn, analyysien tekemisen ja toimenpiteiden suorittamisen sekä

lopputuloksen visualisoinnin järjestelmän kojelaudan osaksi (Chatti ym. 2012, 6).

Aliluvussa 2.7 esitellyn kaltaiset, lisäosina asennettavat opiskelija-analytiikan työka-

lut ovat Moodlen kaltaisen oppimisen hallintajärjestelmän kehityksen ja tuen ulko-

puolella. Ulkoisten opiskelija-analytiikan työkalujen integroiminen Moodleen edel-

lyttää sekä Moodlen että työkalujen versiopäivitysten yhteydessä erityistä huomiota.

Conde ym. havaitsivat työkaluja analysoidessaan eri työkalujen edellyttävät eri

Moodle-versioita (2015, 52). Erillisten ohjelmistojen asennus ja integrointi oppilai-

tosympäristössä aiheuttavat kustannuksia. Tietohallinnon tai ulkopuolisena palveluna

ostetun ylläpidon näkökulmasta tällaiset käyttöönotot ovat haastavia. Vaikka työka-

lun lähdekoodi olisi vapaasti saatavissa, sen jatkuva kehittäminen ja ylläpitäminen

oppilaitoksen toimesta saattaa osoittautua hankalaksi.

Opiskelija-analytiikan menestystekijöihin vaikuttavat oppilaitoksen ja opiskelijoiden

osallistuminen sen kehittämiseen ja käyttämiseen. Ilman laajaa analytiikan käytön

tukea ja käyttäjien hyväksyntää sen välineet eivät voi palvella opetuksen ja oppimi-

sen parantamisen tavoitetta. Kaikkien sidosryhmien tarpeiden tukeminen on joko

rajattava tai ratkaistava ongelma. Myös hierarkkisuus aiheuttaa ongelmia: Kerätyn

datan pohjalta voidaan tehdä päätöksiä, joihin tietoa ei alun perin ole kerätty. Opiske-

lija-analytiikan yksipuolinen käyttö esimerkiksi oppilaitoksen parhaiden käytäntöjen

määrittelemisessä saattaa aiheuttaa opettajissa yläpuolisen arvioinnin ja ohjauksen

tunteita – samalla tavoin kuin opiskelijat voivat tuntea huonosti argumentoidun ana-

lytiikan käytön järjestelmälle ulkoistettuna negatiivisena seuraamisena.

127

4.5 Lisätutkimuksen aiheita

Azevedo ym. mukaan opiskelija-analytiikassa määriteltyjen resurssien, dokumenttien

ja testien perusteella kursseja voidaan sovittaa opiskelijoiden oppimistyyliin (2017,

642). Oppimistyyli viittaa kasvatustieteissä tutkittuihin yksilön tapoihin käyttää tie-

tynlaisia oppimisstrategioita ja -tapoja. Oppimistiedossa havaittavia piirteitä olisi

mahdollista analysoida tutkien esimerkiksi siinä näkyviä oppimistyyliin liittyviä piir-

teitä, erilaisia oppimisvaikeuksia, aikaisemmin hankittua oppimista tai nope-

aa/hidasta oppimista.

Erikoistyössä tehtyä opiskelija-analytiikkaa olisi mahdollista laajentaa yksittäisten

opiskelijoiden tasolle. Työssä tarkastelun tasot rajoittuvat suurimmalta osin koske-

maan kaikkia opiskelijoita ja ryhmiä. Tulokset näyttäisivät tarkentuvan siirryttäessä

kaikista opiskelijoista ryhmäkohtaisiin tarkasteluihin. Yksittäisten opiskelijoiden

tarkastelun kautta tietämystä kurssin ja aktiviteettien käytöstä voisi olla mahdollista

kasvattaa esimerkiksi haluttaessa luoda oppimista ennakoiva mallidata.

Opiskelijan osaamisen lähtötason huomioiminen mahdollistaisi tarkemman data-

analyysin tekemisen. Opiskelijoista saattaisi opiskelukäyttäytymisen perusteella olla

mahdollista tunnistaa erilaisten tyylien lisäksi muitakin ryhmiä. Tällaisten ryhmien

löytämisessä ja analysoinnissa opiskelijoista saatavasta lisätiedosta olisi apua.

Etiikan ja tietosuojan ongelmat tulee ratkaista. Analytiikan käyttämien arkaluontois-

ten tietojen väärinkäyttö on kyettävä havaitsemaan ja estämään. Analytiikalle on

määriteltävä rajat ja luottamukselliset käyttäjätiedot on kyettävä säilyttämään turvas-

sa. Käyttäjien identiteetti on kyettävä suojaamaan kaikkina aikoina ja määriteltävä

kerätyn tiedon edellyttävät velvollisuudet.

Opiskelija-analytiikkaa voidaan käyttää mukautuvan oppimisen menetelmänä kerää-

mällä oppimisesta tietoa, jonka perusteella opetusta voidaan räätälöidä. Mukautuval-

la oppimisella ja opettamisella (adaptive learning/teaching) tarkoitetaan opetus- tai

oppimismenetelmää, jossa käytetään tietokonetta vuorovaikutteisena opetusvälineenä

huomioiden kunkin oppijan yksilölliset tarpeet. Menetelmästä löytyy kuitenkin vielä

puutteellisesti tutkittua tietoa. Tämä voi johtua siitä, että mukautuvan opettamisen

tasolle päästään vasta opiskelija-analytiikan käyttöönoton seurauksena. Tulevaisuu-

128

den visiona mukautuvan opettamisen integroiminen opiskelija-analytiikkaan mahdol-

listaa entistä opiskelijakeskeisemmän ja tehokkaamman opettamisen ja oppimisen.

Opiskelija-analytiikan ja mukautuvan opettamisen tutkiminen rinnakkain mahdollis-

tavat verkko-opetuksen automaation ja tehokkuuden kasvattamisen hyödyntämällä

analytiikan tuottamaa tietoa opettajan ja opiskelijan lisäksi myös opetusta tuottavassa

järjestelmässä.

129

Lähteet

Adraoui, M., Retbi, A., Idrissi, M.K., Bennani, S. (2017): Social learning analytics to

describe the learners' interaction in online discussion forum in Moodle. 2017 16th

International Conference on Information Technology Based Higher Education and

Training, 2017;1-6. doi: 10.1109/ITHET.2017.8067817

Anderson, J. R., Betts, S., Ferris, J. L., Fincham, J. M. (2010): Neural imaging to

track mental states while using an intelligent tutoring system. Proceedings of the Na-

tional Academy of Sciences of the United States of America, 107(15);7018-7023.

doi: 10.1073/pnas.1000942107

Azevedo, J.M., Torres, C., Lopes, A.P., Babo, L. (2017): Learning analytics: A way

to monitoring and improving students' learning. CSEDU 2017 - Proceedings of the

9th International Conference on Computer Supported Education, 1;641-648. doi:

10.5220/000639010641064

Bakharia, A. & Dawson, S. (2011): SNAPP: A bird's-eye view of temporal partici-

pant interaction. Proceedings of the 1st International Conference on Learning Analyt-

ics and Knowledge, 2011;168-173. doi: 10.1145/2090116.2090144

Bakharia, A., Heathcote, E., Dawson, S. (2009): Social networks adapting pedagogi-

cal practice: SNAPP. ASCILITE 2009 - The Australasian Society for Computers in

Learning in Tertiary Education; 49-51. ISBN 9781877314810

Blikstein, P. (2011): Using learning analytics to assess students' behavior in open-

ended programming tasks. Proceedings of the 1st International Conference on Learn-

ing Analytics and Knowledge; 110–116. doi:10.1145/2090116.2090132

Blikstein, P., Worsley, M., Piech, C., Sahami, M., Cooper, S., & Koller, D. (2014):

Programming pluralism: Using learning analytics to detect patterns in the learning of

computer programming. Journal of the Learning Sciences; 23(4);561-599.

doi:10.1080/10508406.2014.954750

130

Carter, A. S., Hundhausen, C. D., Adesope, O. (2017): Blending Measures of Pro-

gramming and Social Behavior into Predictive Models of Student Achievement in

Early Computing Courses. ACM Transactions on Computing Education, 17(3);1-20.

doi: 10.1145/3120259

Chatti, M. A., Dyckhoff, A.L., Schroeder, U., Thüs, H. (2012): A Reference Model

for Learning Analytics. International Journal of Technology Enhanced Learning

(IJTEL) – Special Issue on “State-of-the-Art in TEL”; 4(5-6);318-331. doi:

10.1504/IJTEL.2012.051815

Conde, M.Á., Hérnandez-García, Á., García-Peñalvo, F.J., Séin-Echaluce, M.L.

(2015): Exploring student interactions: Learning analytics tools for student tracking.

Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial

Intelligence and Lecture Notes in Bioinformatics), 9192;50-61. doi: 10.1007/978-3-

319-20609-7_6

Conijn, R., Snijders, C. Kleingeld, A., Matzat, U. (2017): Predicting Student Perfor-

mance from LMS Data: A Comparison of 17 Blended Courses Using Moodle LMS.

Learning Technologies, IEEE Transactions on IEEE Transactions on Learning Tech-

nologies. 10(1);17-29. doi: 10.1109/TLT.2016.2616312

Dawson, S., Mcwilliam, E., Tan, J.P.-L. (2008): Teaching smarter: How mining ICT

data can inform and improve learning and teaching practice. ASCILITE 2008 - The

Australasian Society for Computers in Learning in Tertiary Education, 2008;221-

230.

Diana, N., Eagle, M., Stamper, J., Grover, S., Bienkowski, M., Basu, S. (2017): An

instructor dashboard for real-time analytics in interactive programming assignments.

Published in Proceedings of the Seventh International Learning Analytics &

Knowledge Conference, 2017;272-279. doi: 10.1145/3027385.3027441

Fernandez-Medina, C., Pérez-Pérez, J. R., Álvarez-García, V. M., & Del Puerto Pau-

le-Ruiz, M. (2013): Assistance in computer programming learning using educational

data mining and learning analytics. Annual Conference on Innovation and Technolo-

gy in Computer Science Education, 2013;237-242. doi:10.1145/2462476.2462496

131

Fu, X., Shimada, A., Ogata, H., Taniguchi, Y., & Suehiro, D. (2017): Real-time

learning analytics for C programming language courses. Proceedings of the Seventh

International Learning Analytics & Knowledge Conference: ACM, 2017;280-288.

doi:10.1145/3027385.3027407

Galafassi, C., Galafassi, F.F.P., Vicari, R.M. (2017): Predictive teaching and learn-

ing. Progress in Artificial Intelligence: 18th EPIA Conference on Artificial Intelli-

gence, 2017;549-560. doi: 10.1007/978-3-319-65340-2_45

Grover, S., Bienkowski, M., Tamrakar, A., Siddiquie, B., Salter, D., Divakaran, A.

(2016): Multimodal analytics to study collaborative problem solving in pair pro-

gramming. Proceedings of the Sixth International Conference on Learning Analytics

& Knowledge, 2016;516-517. doi: 10.1145/2883851.2883877

Han, J., Kamber, M., Pei, J. (2012): Data Mining Concepts and Techniques. Third

Edition. Morgan Kaufmann. ISBN 978-0-12-381479-1

Hijon-Neira, R., Velazquez-Iturbide, A., Pizarro-Romero, C., Carrico, L. (2014):

Merlin-know, an interactive virtual teacher for improving learning in Moodle. 2014

IEEE Frontiers in Education Conference (FIE) Proceedings, 2014;1-8. doi:

10.1109/FIE.2014.7043990

Ihantola, P., Vihavainen, A., Ahadi, A., Butler, M., Börstler, J., Edwards, S. H., Iso-

hanni, E., Korhonen, A., Petersen, A., Rivers, K., Rubio, M. A., Sheard, J., Skupas,

B., Spacco, J., Szabo, C., Toll, D. (2015): Educational Data Mining and Learning

Analytics in Programming: Literature Review and Case Studies. Proceedings of the

2015 ITiCSE on Working Group Reports, 2015;41-63. doi:

10.1145/2858796.2858798

Karpov, A.O. (2016): Socialization for the Knowledge Society. International Journal

of Environmental and Science Education 2016, 11(10);3487-3496.

Kaufman, L., Rousseeuw, P. (1987): Clustering by Means of Medoids. Faculty of

Mathematics and Informatics. ISSN 0920-8577

132

Keim D., Andrienko G., Fekete JD., Görg C., Kohlhammer J., Melançon G. (2008):

Visual Analytics: Definition, Process, and Challenges. Teoksessa: Kerren A., Stasko

J.T., Fekete JD., North C. (toim.) Information Visualization. Lecture Notes in Com-

puter Science, vol 4950. Springer, Berlin, Heidelberg. doi: 10.1007/978-3-540-

70956-5_7

Koedinger, K. R., Anderson, J. H., Hadley, W. H., Mark, M. A. (1997): Intelligent

Tutoring Goes to School in the Big City. International Journal of Artificial Intelli-

gence in Education 1997(8);30-43.

Kuzilek, J., Hlosta, M. ., Herrmannova, D., Zdrahal, Z., Wolff, A. (2015): OU ana-

lyse: Analysing at-risk students at the Open University. Proceedings of First Interna-

tional Workshop on Visual Aspects of Learning Analytics and Knowledge Confer-

ence (LAK 2015), 1–16

Levonen, J., Joutsenvirta, T., Parikka, R. (2009): Blended learning – Katsaus sulau-

tuvaan yliopisto-opetukseen. Teoksessa Joutsenvirta, T. & Kukkonen, A. (toim.),

(2009) Sulautuva opetus – uusi tapa opiskella ja opettaa, 15-23. Tampere: Juvenes

Print. ISBN-13: 9789515707659, ISBN-10: 951570765X

Lockyer, L., Heathcote, E., Dawson, S. (2013): Informing pedagogical action: Align-

ing learning analytics with learning design. American Behavioral Scientist,

57(10);1439-1459. doi 10.1177/0002764213479367

Luna, J. M., Castro, C., Romero, C. (2016): MDM Tool: A Data Mining Framework

Integrated Into Moodle. Computer Applications in Engineering Education January

2017, 25(1);90-102. doi 10.1002/cae.21782

Marques, B.P., Villate, J.E., Carvalho, C.V. (2017): Analytics of student behaviour

in a learning management system as a predictor of learning success. Iberian Confer-

ence on Information Systems and Technologies, CISTI, art. no. 7975863. doi:

10.23919/CISTI.2017.7975863

Mazza, R., Bettoni, M., Faré, M., Mazzola, L. (2012): MOCLog – Monitoring Online

Courses with log data. 1st Moodle Research Conference Proceedings, Heraklion,

Greece, Sept. 14-15, 2012. ISBN: 978-960-98516-2-6

133

McQueen, J.B. (1967): Some methods for classification and analysis of multivariate

observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statis-

tics and Probability, 281–297.

Montgomery, A, Shibo, L, Srinivasan, K, & Liechty, J. (2004): Modeling Online

Browsing and Path Analysis Using Clickstream Data. Marketing Science, 23(4);579-

595. doi: 10.1287/mksc.1040.0073

Osguthorpe, R. T. & Graham, C. R. (2003): Blended Learning Environments, Defini-

tions and Directions. The Quarterly Review of Distance Education, 4(3);227-233.

Information Age Publishing, Inc. ISSN 152S-3518.

Petropoulou, O., Retalis, S., Siassiakos, K., Karamouzis, S., Kargidis, T. (2008):

Helping educators analyse interactions within networked learning communities: A

framework and the Analytics Tool system. Proceedings of the Sixth International

Conference on Learning Analytics & Knowledge, 5–7. ISBN: 978-1-86220-206-1

Rankine, L., Stevenson, L., Malfroy, J., Ashford-Rowe, K. (2009): Benchmarking

across universities: A framework for LMS analysis. Proceedings of the Australasian

Society for Computers in Learning in Tertiary Education 2009, 815–819

Retalis, S., Papasalouros, A., Psaromiligkos, Y., Siscos, S., Kargidis, T. (2006): To-

wards networked learning analytics – A concept and a tool. Proceedings of the 5th

International Conference on e-Learning, 1–8

Rodrigues, J.R.A., Brandao, L.O., Nascimento, M., Rodrigues, P., Brandao, A.A.F.,

Giroire, H., Auzende, O. (2013): iQuiz: Integrated assessment environment to im-

prove Moodle Quiz. Frontiers in Education Conference, 293-295. doi:

10.1109/FIE.2013.6684834

Samuel, A. L. (1959): Some Studies in Machine Learning Using the Game of Check-

ers. IBM Journal of Research and Development, 3(3); 210-229.

134

Sharma, S., Osei-Bryson, K.-M., Kasper, G. M. (2012): Evaluation of an integrated

Knowledge Discovery and Data Mining process model. Expert Systems with Appli-

cations: An International Journal archive, 39(13);11335-11348. doi:

10.1016/j.eswa.2012.02.044

Trætteberg, H., Mavroudi, A., Giannakos, M., & Krogstie, J. (2016): Adaptable

learning and learning analytics: A case study in a programming course. European

Conference on Technology Enhanced Learning 2016: Adaptive and Adaptable

Learning, 9891;665-668. doi: 10.1007/978-3-319-45153-4_87

Uusikylä, K. & Atjonen, P. (2007): Didaktiikan perusteet. Juva: WSOY. ISBN-13:

9789510301869, ISBN-10: 9510301868

Yassine, S., Kadry, S., Sicilia, M.-A. (2016): A framework for learning analytics in

moodle for assessing course outcomes. IEEE Global Engineering Education Confer-

ence, EDUCON, art. no. 7474563;261-266. doi: 10.1109/EDUCON.2016.7474563

Liite 1: Palveluna toimivia verkkosivujen analytiikkatyöka-

luja

Taulukkoon 1 on kerätty palveluina toimivia verkkosivujen analytiikkatyökaluja67.

Taulukko 1. Palveluna toimivia verkkosivujen analytiikkatyökaluja

Sovellus Tyyppi Lisenssi Huomioita

Google Analytics Palvelu Maksuton, jos alle

10 miljoonaa kuu-

kausittaista osumaa

Markkinajohtaja.

API tiedon keräämi-

seen, asetuksiin ja

raportointiin

Clicky Web Analy-

tics68

Palvelu Maksuton ja maksul-

linen versio

Lisäosat monille eri

alustoille ja käyttöjär-

jestelmille omat so-

vellukset69. API

HTML5 ja Flash-

videoille ja tuki useil-

le videopalveluille

(mm. Youtube ja

Viddler). Suunnattu

blogeihin ja pienem-

mille nettisivuille,

mutta myös video-

analytiikkaan

Kissmetrics70 Palvelu Maksullinen Alusta, jonka tarkoi-

tuksena on auttaa

ymmärtämään, seg-

mentoimaan ja sitou-

tumaan asiakkaisiin

heidän käyttäytymi-

sensä perusteella

Mixpanel71 Palvelu Maksuton (20 mil-

joonaa datapistetti

kuukaudessa, 60

päivän datahistoria,

Parhaiden asiakkai-

den löytäminen, asia-

kasmäärän kasvatta-

minen ja asiakkaiden

67 https://www.tinderpoint.com/insights/web-analytics/top-12-alternative-tools-to-google-analytics/

(viitattu 25.1.2018) 68 https://clicky.com/ (viitattu 25.1.2018) 69 https://clicky.com/help/apps-plugins (viitattu 25.1.2018) 70 https://www.kissmetrics.com/ (viitattu 25.1.2018) 71 https://mixpanel.com (viitattu 25.1.2018)

3 jäsentä projektissa)

ja maksullinen ver-

sio

pitäminen

Woopra72 Palvelu Small Business ja

Enterprise Edition -

versiot. Maksuton

30 000 toimin-

toon/kk asti

Asiakastiedon hallin-

taan. Asiakasprofiilit,

tosiaikainen analy-

tiikka, toimintojen

automatisointi ja ra-

japinnat (AppCon-

nect) moniin eri so-

velluksiin

W3 Counter73 Palvelu Maksuton ja maksul-

liset versiot: Free,

Pro ja Business.

Maksuttomassa

Free-versiossa 30

päivän datahistoria.

Kävijäanalytiikka ja

sivuille lisättäviä

widget-sovelluksia

markkinoinnin, huo-

mion ja sosiaalisen

medianäkyvyyden

lisäämiseksi

Foxmetrics74 Palvelu Maksullinen Asiakkaiden profi-

lointi, seuranta ja

segmentointi. Asia-

kaskokemuksen luo-

minen eri segmenteil-

le. Analysointi ja

raportointi. Integroin-

ti verkkokauppa-

alustoihin.

Statcounter75 Palvelu Maksuton 250 000

kuukausittaiseen

sivunkatseluun asti.

Maksuttomassa ver-

siossa mainoksia.

API:t ja mainosva-

paus maksullisissa

versioissa.

Tilastotietoa kävijöis-

tä, sivujen seuranta.

Poistumisprosentti

(yksittäisellä sivulla

vierailut): suositut

sivut, saapumissivu,

poistumissivut, pois-

tumislinkit, tulosivut.

Lähetteet ja haut:

avainsana-analyysi,

mainosten kautta tul-

lut liikenne, viimeai-

kaiset hakusanat, ha-

72 https://www.woopra.com/ (viitattu 25.1.2018) 73 https://www.w3counter.com/ (viitattu 25.1.2018) 74 https://www.foxmetrics.com/ (viitattu 25.1.2018) 75 https://fi.statcounter.com/ (viitattu 25.1.2018)

kukoneiden osuudet.

Vierailijat: vieraili-

joiden reitit, vierailun

kesto, uudelleenvie-

railut, viimeaikaiset

sivunlataukset, vii-

meaikaiset vierailijat.

Sijainnit: Maa, alue,

kaupunki, operaattori,

kartta vierailijoista.

Laitteet ja ohjelmisto.

Lataukset. Raportit

ylläpitäjälle.

Chartbeat76 Palvelu Maksullinen Kojelauta: Vieraili-

joiden analysointi

sisällöittäin. Raportit

sivustoittain, osittain

tai tekijöittäin. Opti-

mointi: Suosituimmat

artikkelit, artikkelei-

den trendit, kuinka

pitkälle vierailijat

vierittävät sivua. Li-

säosat: Sisällön lii-

kenteenseuranta IOS-

sovelluksella.

Suunnattu mainoksia

käyttävien sivujen

suunnittelijoille,

verkkolehdille ja uu-

tissivuille.

Heap77 Palvelu Maksuton 3 kuukau-

den datahistoriaan ja

5000 kuukausittai-

seen istuntoon asti.

Käyttäjien seuranta

eri lähteistä, tapahtu-

mien visualisointi,

käyttäjien haku histo-

riatietoineen, käyttä-

jien poistumis- ja

paluutiedot.

76 https://chartbeat.com/ (viitattu 25.1.2018) 77 https://heapanalytics.com/ (viitattu 25.1.2018)