Publisere‎ > ‎

Læringsanalyse


Læringsanalyse er knyttet til de mulighetene som heldigitale studietilbud fører med seg med tanke på å registerere hvordan brukeren benytter og påvirkes av innhold og aktiviteter. Slike analyser samler data på måter som tidligere ikke har vært mulig: en kan hente inn data internasjonalt, regionalt, og nasjonalt (makronivå), ved den enkelte institusjon, fakultet og fag (mesonivå) og knyttet til den enkelte deltaker og deltakergrupper (mikronivå). Potensialet kan være særlig stort innen høyere utdanning, hvor man har manglet data på mikronivå.



Sammenstilling av registrete data har som mål å identifisere og prøve ut ulike læringsmønstre. Dette kan i sin tur brukes til å utvikle modeller for bedre å kunne respondere i forhold til hvordan ulike deltakergrupper lykkes med studiene, hvordan de lærer og hvilke behov de har. Når denne kunnskapen kombinseres med analyse av «læringshistorien» til den enkelte student (mikro), vil de selv kunne følge sin egen studieframgang i tillegg til at det kan gis individuell og relevant oppfølging. I litteraturen er det gjerne denne siste prosessen som omtales når man benytter begrepet learning analytics.

Grunnleggende læringsanalyse

Det man omtaler som grunnleggende læringsanalyse innebærer å benytte analysefunksjonene som ligger innbakt i de fleste læringsplattformene som benyttes i dag. En enkel visualisering av datalogger kan gi den enkelte deltaker et raskt overblikk over sine egne resultater sammenlignet med andre, og gi læreren et overblikk over deltakernes aktivitet.

NOKUT peker på at enkle former for læringsanalyse allerede er i bruk i Norge, gjennom at læringsplattformene som benyttes gir muligheter for å visualisere datalogger og synliggjøre aktivitet. NOKUT viser videre til at noen av de norske lærestedene også kobler sammen studentdata fra flere systemer (for eksempel LMS og Felles studentsystem) for å gi et bredere bilde av studentaktiviteten.

Prediktiv læringsanalyse

En prediktiv analyse dreier seg om å kombinere statiske data, for eksempel demografi og tidligere studieresultater, med dynamiske data, for eksempel innloggingsmønstre på læringsplattformer, hvilke dokumenter deltakerne arbeider med eller omfanget av deltagelse i nettdiskusjon. Målet er å forutsi hvordan det kommer til å gå for hver enkelt deltaker, identifisere karakteristiske læringsmønstre for ulike grupper og sette inn relevante tiltak på et tidlig tidspunkt.

De som befinner seg i en antatt risikogruppe kan tilbys ekstra oppfølging, og spesielt dyktige deltakere kan motiveres til ytterligere innsats ved at de får ekstra utfordringer. Innenfor prediktiv analyse tenker man seg også at det skal være mulig å forutsi hva slags læringsaktiviteter som har best effekt for den enkelte.

Adaptiv læringsanalyse

Adaptiv læringsanalyse bygger modeller av studentenes forståelse av spesifikke tema. Det gjør det mulig å automatisere individuelle tilbakemeldinger til studentene, for eksempel hvilke deler av pensum de har forstått og hvilket nivå forståelsen ligger på. Dette kan integreres i læringsplattformer slik at deltakerne kontinuerlig presenteres for lærestoff som er tilpasset deres faglige nivå.

Analyse av sosiale nettverk

Analyse av sosiale nettverk brukes for å synliggjøre relasjoner. Målene kan være å identifisere deltakere som ikke er sosialt og faglig integrert, eller om lærernes interaksjon med deltakerne er for ensidig rettet mot deler av en deltakergruppe. The Social Networks Adapting Pedagogical Practice (SNAPP) er et eksempel på hvordan man kan analysere sosiale nettverk og forumaktivitet i LMSer, og gir undervisningspersonalet diagnostiske instrumenter til å evaluere den digitale deltakeraktiviteten opp mot læring. Slike analyser finner støtte i nyere forskning som viser at det er sterk korrelasjon mellom «offline-aktivitet», det vil si samarbeid med andre kursdeltakere eller med andre som kjente fagområdet godt, og testresultat. Deltakere som samarbeider med andre oppnår bedre resultater enn de som arbeidet alene.

Diskursanalyse

Diskursanalyse anses gjerne som den mest kompliserte formen for læringsanalyse. Her skal systemene ikke bare kunne loggføre og synliggjøre deltakernes og lærernes bidrag eller aktiviteter, men også kvaliteten på det som blir skrevet. Systemet vil da kunne gi spesifikke tilbakemeldinger til lærere og deltakere om kvaliteten på deres bidrag. Selv om det allerede finnes teknologi som kan analysere visse kvalitative sider av en tekst, er de ikke gode nok for avanserte læringsformål.

Læringsanalyse er per 2014 fortsatt i en startfase. Forskere ved HarvardX og MITx, som har analysert data fra institusjonenes MOOC-tilbud på edX i 2012 og 2013, hadde ambisjoner om å avdekke hvilke læringsmønstre som ga gode resultater for kursdeltakerne. I sine første rapporter konkluderer de imidlertid med at slike mønstre foreløpig ikke kan identifiseres. Til tross av at forskerne sitter på data fra nesten 850 000 deltakere, forklarer de problemene med å finne slike mønstre med at de foreløpig ikke har nok data. Fordi læring i MOOC antar så mange former, trengs enda større datamengder for å identifisere læringsmønstrene.

Læringsanalyse i stor skala ser ut til å kreve omfattende samarbeid mellom de mange institusjonene som eier data fra MOOC. Samtidig handler dette også om å legge seg på et realistisk nivå. Det lar seg gjøre å hente ut en rekke opplysninger som kan vise seg å være nyttige og som kan benyttes for å forbedre et studium, om enn ikke automatisert ned på individnivå. Fremdeles er det slik at kvalitativ tilbakemelding skjer best mellom personer, i møter mellom studenter og mellom studenter og lærere.

Delvis basert på NOU-2014-5