1 (51)

Ammatillinen opettajankoulutus

---------------------------------------------------------------------------------------------------------------

OPPIMISANALYTIIKKA SUOMESSA –

NYKYTILANNE, TULEVAISUUS JA HAASTEET

Hanna Järvinen

Kati Pääkkönen

Harri Rantala

Minna Väänänen

2 (51)

Ammatillinen opettajankoulutus

---------------------------------------------------------------------------------------------------------------

SISÄLLYS 1 JOHDANTO ................................................................................................ 3

1.1 Kehittämistyön tavoite ........................................................................ 3 1.2 Kehittämistyön toteutus ...................................................................... 4

2 MITÄ OPPIMISANALYTIIKKA ON? ............................................................ 5

3 SUOMESSA TEHTYJÄ TUTKIMUKSIA OPPIMISANALYTIIKASTA .......... 8 4 OPPIMISANALYTIIKKAHANKKEET SUOMESSA ................................... 11

5 OPPIMISANALYTIIKAN TARPEITA OPETUKSEN KEHITTÄMISEN NÄKÖKULMASTA ............................................................................................ 13

5.1 Hallinnollinen ja rahoituksellinen näkökulma .................................... 14 5.2 Oppilaanohjauksen ja opettajan näkökulmat .................................... 14 5.2.1 Oppimisvaikeuksien tunnistaminen ............................................ 15

5.2.2 Keskeyttämisvaarassa olevien tunnistaminen ............................ 16

5.3 Opiskelijan näkökulma ..................................................................... 18 5.4 Sosiaalinen näkökulma .................................................................... 18

6 OIKEUDELLISIA NÄKÖKULMIA .............................................................. 20

6.1 Yksityisyyden suojaaminen .............................................................. 24

6.2 MyData ............................................................................................. 25 6.3 Eettinen näkökulma .......................................................................... 27

7 OPPIMISANALYTIIKAN HAASTEET ....................................................... 30

8 MARKKINOILLA OLEVIA RATKAISUJA JA NIIDEN KEHITTÄMISTARPEITA ................................................................................... 33 9 OPPIMISANALYTIIKAN TULEVAISUUS SUOMESSA ............................ 40

10 YHTEENVETO ......................................................................................... 44

3

1 JOHDANTO

Oppimisanalytiikalla tarkoitetaan oppijasta kertyvien tietojen keräämistä ja tiedon

mittaamista, analysointia ja raportointia. Tarkoituksena on ymmärtää ja optimoida

oppimista ja oppimisympäristöjä. Näitä tietoja suodattamalla ja analysoimalla voi-

daan parantaa monella tapaa oppimisen kokemusta, esimerkiksi oppimisen eri-

laisiin ongelmiin päästään kiinni helpommin ja aiemmassa vaiheessa kuin ennen.

(Auvinen 2017a, 3.)

Tämä kehittämistyö on osa eAMK:n projektiin kuuluvaa valtakunnallista oppimis-

analytiikkan toimenpideohjelmaa. Kehittämistyön toimeksiantajana toimii Tampe-

reen ammattikorkeakoulu. Hanke aloitettiin jo toukokuussa 2017 ja sen on määrä

kestää vuoden 2019 loppuun. Projektia TAMK:ssa vetää Jori Leskelä, jolta

saimme tämän toimeksiannon. TAMK:n projektin tavoitteena on rakentaa laadu-

kas opintojen digiohjaus hyödyntäen oppimisanalytiikkaa ja älyratkaisuja. Koko

hankkeen tavoitteena on vastata työelämän muuttuviin osaamistarpeisiin, jousta-

vien opintopolkujen mahdollistaminen sekä opiskelijoiden työelämään siirtymisen

nopeuttaminen. (eAMK - Oppimisen uusi ekosysteemi, 2017.)

1.1 Kehittämistyön tavoite

Kehittämistyön tavoitteena on toimia kirjallisuusselvityksenä oppimisanalytii-

kasta. Tarkoituksena oli etsiä Suomessa tehtyjä tutkimuksia ja kirjallisuutta ja nii-

den pohjalta kirjoittaa työ, jossa kerrotaan mitä oppimisanalytiikka tarkoittaa ja

millaisia käyttömahdollisuuksia se tarjoaa eri käyttäjäryhmille ja miten mm. tieto-

suoja ja lait vaikuttavat oppimisanalytiikkaan ja siinä kerättävään tietoon. Selvi-

timme myös, mikä on Suomen nykytilanne oppimisanalytiikan osalta. Tutkimme

myös sitä, miten opiskelija voi itse hyödyntää dataa, joka kertyy hänen käyttäes-

sään oppimisalustaa.

4

1.2 Kehittämistyön toteutus

Aloitimme kehittämistyön miettimällä ja rajaamalla aiheeseen sopivia hakusanoja

ja listaamalla aihepiireittäin löydetyt lähteet. Tämän jälkeen pääsimme rajaamaan

itse aiheita ja miettimään työn runkoa. Jaoimme työn osa-alueisiin ja jokainen

kehittämistyöryhmään kuuluva perehtyi omaan osa-alueeseen tarkemmin ja kir-

joitti siitä alustavan rungon. Kävimme työtä säännöllisesti yhdessä läpi ehdottaen

uusia näkökulmia, korjaten vanhoja tekstejä sekä etsien lisää tietoa asioista.

Kehittämistyön alussa perehdytään Suomessa tehtyihin oppimisanalytiikan tutki-

muksiin. Tämän jälkeen selvitetään oppimisanalytiikan nykytilaa Suomessa, tu-

tustutaan tällä hetkellä käytössä oleviin ratkaisuihin, käyttökohteisiin ja niiden

hyödyntämiseen. Seuraavaksi tarkastellaan eri tahojen tarpeita oppimisanalytii-

kalle, käsitellään esimerkiksi opettajien, oppilaanohjaajien ja opiskelijoiden näkö-

kulmat oppimisanalytiikan hyödyntämiselle. Tämän jälkeen tarkastellaan oppi-

misanalytiikkaa eettisyyden ja oikeudellisuuden näkökulmista. Lopuksi pohditaan

oppimisanalytiikan tulevaisuutta ja mahdollisia haasteita.

Kehittämistehtävässä käytetty kirjallisuus rajautuu koskemaan vain Suomessa

tehtyjä tutkimuksia ja selvityksiä. Myös erilaiset mielipidekirjoitukset ja muut ly-

hyet vapaamuotoiset kirjoitelmat rajattiin pois kehittämistehtävästä. Lisäksi jou-

duimme rajaamaan pois kaikki erilaiset maksulliset ammattilehti- ja konferenssi-

julkaisut.

5

2 MITÄ OPPIMISANALYTIIKKA ON?

Oppimisanalytiikassa käsitellään dataa, joka syntyy oppilaiden toiminnasta digi-

taalisissa oppimisympäristöissä. Oppimisanalytiikka voidaan jakaa viiteen perus-

toimintoon: tallentaminen, raportoiminen, ennakointi, toiminta ja parantaminen.

Nämä toiminnot yleensä seuraavat toisiaan ja seuraavan vaiheen onnistuminen

riippuu edellisen vaiheen ratkaisuista ja valinnoista. Tallentamisen vaiheessa on

päätettävä mitä dataa kerätään, miten sitä käsitellään, mihin data tallennetaan ja

miten tietoturvasta huolehditaan. Raportointivaiheessa päätetään minkälaisille

raporteille on tarve, sekä miten, kenelle ja kuinka usein raportointeja tehdään.

Ennakoinnissa pyritään tunnistamaan esimerkiksi oppimisen vaikeuksia ja pää-

tetään, kuka vastaa käytännön toimista ennakoinnista saatujen tietojen pohjalta.

Toiminnan vaiheessa päätetään ne konkreettiset toimet, mitä oppimisanalytiikan

raportoinnin perusteella tehdään. Jatkuva parantaminen kehittää oppimisanaly-

tiikan käytön eri vaiheita. (Auvinen 2017a, 7.)

Oppimisanalytiikassa opiskelijoista tallennettua tietoa on mahdollista hyödyntää

opetuksen ja oppimisen kehittämisessä. Kerätyn tiedon prosessoinnissa, analy-

soinnissa ja hyödyntämisessä käytetään tilastotiedettä, koneoppimista ja tiedon

visualisointimenetelmiä. (Oppimisanalytiikan keskus 2018, Huhtala & Ihantola

2017.)

Oppimisanalytiikkaa voidaan hyödyntää sekä opetus- että yritysmaailmassa,

jossa koulutusten vaikuttavuuden ja tulosten mittaaminen on erityisen tärkeää.

Digitaaliset oppimisympäristöt ja niiden oppimisanalytiikka mahdollistavat sen,

että palautetta koulutuksen ja oppimisen vaikutuksista saadaan dataa muutenkin

kuin pelkästään erilaisten kyselyiden ja testien pohjalta. Digitaalisten järjestel-

mien ja niiden sisältöjen vahvuudet ja heikkoudet näkyvät helposti ja palautetta

saadaan nopeasti, mikä helpottaa jatkokehitystä. Näin tulevia koulutustarpeita

voidaan ennustaa ja koulutuksen tehokkuutta voidaan arvioida oppimisesta ke-

rätyn datan pohjalta. (Arcusys 2017.)

Suomessa eniten käytettyjä verkko-oppimisympäristöjä tällä hetkellä ovat mm.

Moodle, Blackboard, Sakai ja Pearson ja nämä ympäristöt tarjoavat oppimisana-

lytiikan työkaluja opiskelijoiden hallintaan, seuraamiseen ja rekisteröintiin sekä

6

myös opiskelijakohtaiseen suoritusten yleiseen ja yksityiskohtaiseen raportointiin

(Turunen 2016, 6).

Tyypillisesti oppimisen ja opetuksen hallintatyökaluista sekä digitaalisista oppi-

misympäristöistä (esimerkiksi Moodlesta) kerääntyvä aineisto liittyy vastausten

oikeellisuuteen, ennen vastausta käytettyyn aikaan tai vinkkien pyytämiseen,

väärien vastausten toistamiseen ja virheisiin, harjoitteluun käytettyyn aikaan ja

harjoittelukertojen määrään, klikkausten määrään, ajoissa ja myöhässä palautet-

tujen tehtävien määrään sekä keskusteluihin osallistumiseen. Muita kerättyjä tie-

toja on mm. sosioekonomiset tiedot, aiemmat opintotiedot ja niiden tulokset, stan-

dardoitujen testien ja pääsykokeiden tulokset, kurssien valinta ja suorittaminen

sekä jopa sensoridataa koskevat fyysiset reaktiot. (Muukkonen ym. 2017.)

MyDatalla, suomeksi omadatalla, viitataan ihmiskeskeisiin henkilötiedon organi-

sointitapoihin, jossa yksilöä koskeva tieto on ihmisen itsensä hallittavissa. Yksilö

voi antaa ja hyödyntää tietojaan palveluissa. (Poikola ym. 2014.)

Esimerkiksi korkeakoulujen valtakunnallinen VIRTA-opintotietopalvelu sisältää yli

miljoonan tutkinto-opiskelijan tiedot, joita käytetään jo nyt monissa oppijan arkea

helpottavissa palveluissa. Koulutustietojen tuominen opiskelijoiden saataville

koko elämän ajalle, organisaatiosta riippumatta, luo mahdollisuuksia uudenlaisille

palveluille. (Koski 2016.)

Yhteiskunnan kaikille sektoreille on ominaista kertyvien, kerättävien ja käsiteltä-

vien datamassojen kasvu. Big data (massadata) on dataa, jota on paljon, joka on

heterogeenista ja/tai joka liikkuu. Massadatan kolmen V:n määritelmä koostuu

seuraavista asioista: volume (massa), variety (monimuotoisuus eli heterogeeni-

syys) ja velocity (nopeus eli liikkuvuus). Nykyinen teknologia mahdollistaa valta-

via datamäärien keräämisen. Myös erilaiset analysointimenetelmät ovat kehitty-

neet viime vuosina valtavasti. Datan analysoinnin, business intelligencen ja data-

analytiikan kehittymisestä on ollut paljon hyötyä myös oppimisanalytiikalle. Oppi-

misen moninaisuus sekä kaiken yhdestä oppijasta erilaisissa ympäristöissä ja

konteksteissa kertyvän datan määrä ja laatu ovat oppimisanalytiikan keskustelun

merkittäviä teemoja ja haasteita. Dataa kertyy ja kerätään jatkuvasti entistä te-

7

hokkaammin. Eri lähteistä erilaisilla tavoilla kerätyn ja kertyvän tiedon omistajuu-

den ja siihen liittyvät oikeudet big dataan ja my dataan liittyen ovat keskeisiä ky-

symyksiä oppimisanalytiikassa. Oppimisen muuttuminen yhä moninaisemmaksi

muuttaa myös tiedon keräämistä eri oppimisympäristöissä. (Aunimo 2017, Auvi-

nen 2017a.)

8

3 SUOMESSA TEHTYJÄ TUTKIMUKSIA OPPIMISANALYTIIKASTA

Koska oppimisanalytiikkaa ei ole vielä Suomessa paljon tutkittu, ei myöskään

suomenkielisiä tutkimustuloksia juurikaan saatavilla (Hannula 2017a, 10). Esi-

merkiksi MyDataa eli ihmiskeskeistä mallia henkilötietojen organisointiin on tut-

kittu jopa Liikenne- ja viestintäministeriön taholta (Poikola ym. 2014), mutta tutki-

muksessa ei keskitytä opiskelu- ja kouluelämään, vaan tarkastellaan aihetta laa-

jemmasta näkökulmasta. Tutkimuksesta löytyy kuitenkin hyviä näkökulmia ja

vaatimuksia MyDatan rakentumiselle ja kehittymiselle ja nämä näkökulmat pitäisi

ottaa huomioon myös oppimisanalytiikassa.

Aalto Yliopiston LeTech - Learning + Technology-hankkeen puitteissa on julkaistu

useampi pro gradu ja väitöskirja liittyen oppimisanalytiikkaan (Publications

2017a). Myös muissa yliopistoissa ja ammattikorkeakouluissa on kirjoitettu yksit-

täisiä pro graduja ja päättötöitä, jotka sivuuttavat oppimisanalytiikka-aihetta.

Myös useita suomalaislähtöisiä julkaisuja oppimisanalytiikasta on kirjoitettu esi-

merkiksi erilaisiin maksullisiin ammattilehtiin ja myös konferenssijulkaisuja on

maksullisena saatavilla. Varsinaisia suomenkielisiä ja Suomen koulumaailmaa

sivuavia kirjoja ei oppimisanalytiikasta löydy, joten tällä hetkellä suomenkielistä

tutkimusaineistoa ei kovin paljon löydy tai aihetta on käsitelty yksipuolisesti tai

hyvin ohuesti. Olisi varmasti tarvetta tutkimukselle, joka ottaisi huomioon Suomen

koulumaailman ja siihen liittyvät tarpeet ja Suomen lainsäädännön. Erilaisia

hankkeita liittyen oppimisanalytiikkaan on kuitenkin menossa parhaillaan useam-

pia.

Suomalaisissa yliopistossa on käytetty oppimisanalytiikkaa valtaosin ohjelmoin-

nin opettamisen ja oppimisen tutkimiseen. Esimerkiksi Aalto Yliopiston LeTech -

Learning + Technology -hankkeen tutkimukset keskittyvät lähinnä tietotekniikan

opiskelun tutkimiseen. Myös Tampereen teknillisessä yliopistossa ja Helsingin

yliopistossa on tehty kartoittavaa tutkimusta oppimisanalytiikasta ohjelmoinnin

opetuksessa (Ihantola ym. 2015).

9

Turun yliopistossa on tutkittu oppimisanalytiikan käyttöä keskeyttämisvaarassa

olevien opiskelijoiden tunnistamiseen ohjelmoinnin kursseilla. Tutkimuksessa

käytettiin Turun yliopistossa kehitetystä verkko-oppimisjärjestelmästä saatuja tie-

toja, joita analysoitiin tilastollisella ennustavalla mallilla. Tuloksista pystyttiin tun-

nistamaan saman tyyppisillä kursseilla seitsemänviikkoisen kurssin läpi pääsevät

opiskelijat kolme viikkoa ennen kurssin loppua. (Lindén ym. 2016.)

Suhonen ja Tiili (2015, 6) ovat tutkineet Tampereen ammattikorkeakoulussa opis-

kelijoiden verkkoaktiivisuutta fysiikan opetuksessa käyttäen hyväksi Moodle-op-

pimisalustan tapahtumalokeja. Tutkimuksessa vertailtiin opiskelijoiden aktiivi-

suutta suhteessa kurssin arvosanoihin, aktiivisuutta eri viikonpäivinä ja kellon-

aikoina sekä opiskelijoiden aktiivisuutta koko kurssin aikana läpäisseillä ja kes-

keyttäneillä opiskelijoilla (kuva 1). Kaavio osoittaa, että aktiivisuus kasvaa ennen

kokeiden ja harjoitustöiden palautusten määräaikoja. Tämän tiedon pohjalta opis-

kelijoiden aktiivisuutta voitaisiin tasoittaa jaksottamalla opetusta jakamalla tehtä-

vät useampaan kokeeseen ja harjoitustyöhön. Samoin kaaviosta ilmenee, että

kurssin keskeyttäneiden aktiivisuus vähenee selvästi kurssin puolivälissä, mitä

tietoa voitaisiin käyttää opinnoissa tukea tarvitsevien varhaisempaan tunnistami-

seen.

10

Kuva 1 Kurssin suorittaneiden (sininen viiva) ja keskeyttäneiden (punainen viiva) aktiivisuus kurssin aikana

(Suhonen & Tiili 2015, 7).

ReadIT on Turun yliopistossa kehitetty lukuaineiden verkko-opiskeluun tarkoitettu

opetusohjelma, joka tallentaa lukemisen aikaiset aikaleimalla varustetut siirtymä-

tiedot tietokantaan. Järjestelmän avulla on tutkittu muun muassa yläkoululaisten

lineaarista ja epälineaarista lukemista. Tuloksia analysoimalla pystyttiin tunnista-

maan opiskelijoiden erilaisia verkko-opiskelun tiedonhaku- ja lukemisstrategioita.

Tätä tietoa voidaan hyödyntää opetuksen automaattisessa henkilökohtaistami-

sessa, mikä voi ylläpitää tai lisätä oppimismotivaatiota. Tutkimuksessa havaittiin

myös sukupuolten välillä merkittäviä eroja eri lukemisstrategioissa. (Kaarakainen

& Kivinen 2013, 19.)

11

4 OPPIMISANALYTIIKKAHANKKEET SUOMESSA

Suomessa on parhaillaan käynnissä lukuisia erilaisia oppimisanalytiikkaa koske-

via hankkeita. Opetus- ja kulttuuriministeriön asettama tietovirta- ja sanastotyön

koordinaatioryhmä on perustanut oppimisanalytiikan jaoston valtakunnalliseksi

yhteistyöelimeksi. Jaoston tehtävänä on toimia oppimisanalytiikan yhteistyöryh-

mänä opetus- ja kulttuuriministeriön tutkimuksen ja koulutuksen toimialan kes-

kusteluissa. Lisäksi jaosto edistää yhteistoimivuutta oppimisanalytiikassa sekä

seurata ja ennakoida oppimisanalytiikkaan liittyvää lainsäädäntöä. (Analytiikkaja-

osto 2017.)

Jaoston lisäksi Suomessa on esimerkiksi useissa yliopistoissa käynnissä lukuisia

erilaisia hankkeita ja perustettu ryhmiä liittyen oppimisanalytiikkaan. Muun mu-

assa Aalto Yliopistossa on tammikuussa 2017 käynnistetty A!OLE-hanke, jonka

tarkoituksena on tutkia ja kehittää ratkaisuja ja pedagogisia malleja verkko-oppi-

miselle Aalto-yliopiston opettajille ja opiskelijoille ja oppimisanalytiikka on osa tätä

hanketta (What is Aalto Online Learning?, 2018). Helsingin yliopistossa toimii

mm. Matemaattis-luonnontieteellisen tiedekunnan tietojenkäsittelytieteen osas-

toon kuuluva RAGE-ryhmä (Agile Education Research), joka on mm. kirjoittanut

julkaisuja liittyen oppimisanalytiikkaan (Publications 2017b).

Oulun yliopistossa on käynnissä useita hankkeita ja projekteja, joissa yhtenä osa-

alueena on oppimisanalytiikka. Oppimisen ja Koulutusteknologian (LET) tutki-

musryhmä keskittyy oppimisprosessin analyysiin mm. oppimisanalytiikan ja visu-

alisoinnin keinoin. Oulun yliopiston Sisu-portaalista taas löytyy opiskelua ja opis-

kelijoita koskevaa tietoa, kuten opintopistekertymät, opintojakson läpäisyt ja kes-

keyttäneiden määrät. AVAIN-tutkimusryhmä tutkii mm. opintopolkuja, valintojen

tekemistä ja merkitystä. Tutkimusryhmällä on myös käynnissä hanke Oppimis-

analytiikka ammatillisen koulutuksen ja kehittämisen tukena. Myös yliopiston

LUMA-keskuksessa, maantieteen tutkimusyksikössä ja kasvatuspsykologian

teemoista on käynnissä omat tutkimuksensa. (Oppimisanalytiikka Oulun yliopis-

tossa.)

12

Turun yliopiston Tulevaisuuden teknologioiden laitos on kehittänyt oppimisjärjes-

telmän ViLLEn. Järjestelmä kerää dataa oppilaiden vastauksista (esimerkiksi pis-

teet ja tehtävissä käytetty aika) ja kerätty data on kurssin opettajien hyödynnet-

tävissä koska tahansa. (ViLLE.)

eOppimiskeskus ry:n koordinoima ja Euroopan sosiaalirahaston rahoittama

hanke Poluttamo - oma digipolku oppimisen pyrkii tarjoamaan tukea toisen as-

teen opiskelijalle opinnoissa etenemiseen ja ammatilliseen kasvuun hyödyntä-

mällä digitaalisia jalanjälkiä ja oppimisanalytiikkaa (Poluttamo – oma digipolku

oppimiseen).

13

5 OPPIMISANALYTIIKAN TARPEITA OPETUKSEN KEHITTÄMISEN NÄKÖ-

KULMASTA

Auvisen (2017, 16) mukaan oppimisanalytiikan eri käyttäjä- ja sidosryhmiä on lu-

kuisia. Opettajien, opiskelijoiden, hallinnon ja koululaitosten lisäksi oppimisana-

lytiikkaa voivat hyödyntää myös mm. opetusviranomaiset, kirjastonhoitajat, me-

diasuunnittelijat ja IT-tukihenkilöt. Myös mm. oppimateriaalien kehittäjät, oppimi-

sen teknologian kehittäjät ja lainsäädäntö- ja budjettivaltaa käyttävät tahot voivat

hyödyntää oppimisanalytiikkaa. Kuvassa 2 Auvinen (2017a, 17) on hahmottanut

oppimisanalytiikan monta erilaista sidos- ja käyttäjäryhmää.

Kuva 2 Oppimisanalytiikan sidosryhmät (Auvinen 2017a, 17)

14

5.1 Hallinnollinen ja rahoituksellinen näkökulma

Opiskeluun käytetyn ajan ja saadun arvosanan suhde kiinnostaa yleisesti sekä

opettajia, oppilaita että hallintoa. Hallintoa kiinnostaa myös opettajien aktiivisuu-

den vaikutus oppimiseen. Edelleen on paljon opettajia, jotka eivät osaa tai halua

hyödyntää digitaalisia oppimisympäristöjä, eikä oppimisanalytiikastakaan ole

näissä tapauksissa hyötyä. (Pulkkinen 2017.)

Oppimisanalytiikka tarjoaa myös mahdollisuuksia hyvin käytäntöjen ja toiminta-

tapojen tunnistamiseen vertailutiedon perusteella sekä oppilaitosten sisällä, että

eri oppilaitosten välillä. Oppimisanalytiikkaa voidaan hyödyntää myös resurssien

allokoinnissa ja hallinnollisessa päätöksenteossa. Myös oppilaitosten rahoittajat

ja ylläpitäjät saavat arvokasta tietoa oppimisanalytiikasta. Myös opetusalan ke-

hittämis- ja hallintoviranomaisilla on oppimisanalytiikan avulla mahdollisuus tar-

kastella oppilaitoksia ja oppimisympäristöjä ja tunnistaa edelläkävijätoimintoja.

(Auvinen 2017a, 18.)

5.2 Oppilaanohjauksen ja opettajan näkökulmat

Oppilaanohjauksessa oppimisanalytiikkaa käytetään mm. oppimisvaikeuksien

tunnistamisessa sekä yksilöllisen ohjauksen mahdollistamisessa. Oppimisanaly-

tiikka mahdollistaa opiskelijoiden oppimisprofiilien luomisen ja siten tunnistaa ns.

nopeat edistyjät ja toisaalta taas opiskelijat, joilla on iso keskeyttämisriski. (Niini-

mäki 2018.)

Myös yksittäinen opettaja voi käyttää oppimisanalytiikan tuloksia. Opettaja pitäisi

pystyä kurssin puitteissa muun muassa monitoroimaan opiskelijan oppimispro-

sesseja. Opiskelijoiden erilaisten vaikeuksien tunnistaminen on mahdollista mm.

seuraamalla opiskelijan työtapoja ja tehtäviin käytettävää aikaa. Opettajan on

myös mahdollista havaita erilaisia oppimisvaikeuksia sekä arvioida oppimistulok-

sia. Samalla opettaja pystyy kehittämään omia ammatillisia valmiuksia, tehostaa

omaa työskentelyään ja suunnitella opetustyötä ja kehittää verkko-opintojaksoja.

(Muukkonen ym. 2017.)

15

Opettajan on mahdollista myös parantaa opiskelumateriaaleja oppimisanalytiikan

avulla. Digitaaliseen oppimisjärjestelmään tuotettujen materiaalien vahvuudet ja

heikkoudet tulevat helposti ilmi (Arcusys 2017). Analytiikkadatasta voidaan ana-

lysoida esimerkiksi opiskelijan liikkumista palvelussa, etenemistä ja suorituksia.

Analysoidun palautteen pohjalta on mahdollista kehittää opiskelumateriaaleja

opiskelijan oppimista kehittävämmäksi ja opiskelumotivaatiota parantavaksi.

Oppimisanalytiikan avulla voidaan tunnistaa automaattisesti opiskelijoiden vää-

rinymmärryksiä ja etenemisesteitä. Kuvassa 3 (ViLLE - Opintopolkuohje opetta-

jille, 28) on esimerkki opettajan näkymästä, josta voi havaita tukea tarvitsevat

oppilaat.

Kuva 3 ViLLE-järjestelmä näyttää tukea tarvitsevat oppilaat

Opettaja voi nähdä luokkansa tuen tarpeen aihealueittain yhdellä silmäyksellä ja

voi kohdentaa aikansa eniten apua tarvitseviin oppilaisiin (Lindén & Laakso

2017).

5.2.1 Oppimisvaikeuksien tunnistaminen

Yksi keskeinen oppimisanalytiikan käyttöön liittyvä teema on tunnistaa opiskeli-

joiden yksilöllisiä opiskeluun liittyviä vaikeuksia (Auvinen 2017a, 10). Tätä on

hyödynnetty esimerkiksi ViLLE oppimisympäristössä. Matematiikassa ViLLEen

16

on valmiiksi määritelty solmukohtia, joissa oppilailla on tyypillisesti vaikeuksia.

Opettaja pystyy ViLLEn avulla yhdellä vilkaisulla tunnistamaan oppilaat, jotka ei-

vät ole osanneet ratkaista ennalta määriteltyihin solmukohtiin liittyviä tehtäviä.

Tämä mahdollistaa ylimääräisen avun tarjoamisen sitä tarvitseville oppilaille.

Ominaisuus helpottaa myös erityisopettajien työtä. Sen avulla on aiempaa hel-

pompi mitata oppilaiden oppimistasoa sekä tunnistaa oppimisvaikeuksia.

(ViLLE.)

Opettajat pystyvät hyödyntämään ViLLE-järjestelmää myös tehtävien korjaami-

sessa ja palautteen antamisessa oppilaille. Kun tehtävät tehdään digitaaliseen

järjestelmään, sieltä on saatavissa automaattisia raportteja oppilaiden oppimi-

sesta ja pärjäämisestä. Jos oppilailla ilmenee ongelmia, opettaja pystyy tarjoa-

maan niihin välittömästi apua. Järjestelmä pystyy myös analysoimaan jatkuvasti

oppilaiden oppimista näiden tehdessä tehtäviä digitaaliseen järjestelmään. Tie-

don automaattinen kerääminen ja analysointi vapauttavat opettajien aikaa muu-

hun työhön. Kun oppimista seurataan usean vuoden ajan, sen avulla pystytään

jopa ennustamaan oppilaiden tulevaa menestystä. Ennustamista tärkeämpää on

kuitenkin seurata oppilaiden menestymistä käynnissä olevalla kurssilla. ViLLE-

järjestelmällä on kyky tunnistaa oppimisvaikeuksia. Järjestelmä pystyy reaaliai-

kaisesti seuraamaan, missä tehtävissä oppilailla on vaikeuksia ja näistä tiedoista

se koostaa oppimisvaikeusraportteja. Järjestelmää käytettäessä oppimisvaikeuk-

sia ei tarvitse erikseen testata järjestelmän tehdessä jatkuvaa analyysia. Laajem-

massa, esimerkiksi valtakunnallisessa, mittakaavassa käytettynä järjestelmä

pystyy säästämään pelkästään yhden oppiaineen osalta satoja tuhansia työtun-

teja vuodessa. (Järviö 2016a.)

5.2.2 Keskeyttämisvaarassa olevien tunnistaminen

Oppimisanalytiikan avulla on suhteellisen helppoa löytää sellaiset opiskelijat,

jotka ovat kurssin tai opintojen keskeyttämisvaarassa. Kun keskeyttämisvaa-

rassa olevat opiskelijat tunnistetaan ajoissa, heille voidaan tarjota erityistä tukea

opintojen jatkamiseen. Oppimisanalytiikka auttaa siten oppilaitoksia tehosta-

maan toimintaansa, keskittämään resurssejaan ja huomioimaan opiskelijoiden

henkilökohtaiset opiskeluun liittyvät tarpeet. (Hannula 2017a, 10.)

17

Sähköiset oppimisjärjestelmät keräävät opiskelijoiden toiminnasta systemaatti-

sesti tietoa. Kerätyt tiedot voivat liittyä esimerkiksi opiskelijan järjestelmään si-

sään- ja uloskirjautumisiin, mutta tämän lisäksi tietoa voidaan kerätä myös opis-

kelijoiden vastausten oikeellisuudesta, sekä siitä kuinka kauan opiskelija on käyt-

tänyt aikaa eri toimenpiteisiin järjestelmässä. Kun tällaista tietoa kerätään saman-

aikaisesti riittävän suurelta opiskelijamäärältä, voidaan kertyneestä tiedosta

muun muassa tiedonlouhinnan ja tilastollisten menetelmien avulla havaita toimin-

taa kuvaavia säännön alaisuuksia. Yksi esimerkki tällaisesta on opiskelijoiden

keskeyttämisriskin tunnistaminen. Keskeyttämisvaarassa olevat opiskelijat on

mahdollista tunnistaa siitä, että he eivät kirjaudu lainkaan, tai kirjautuvat vain har-

voin järjestelmään. Motivoituneet opiskelijat puolestaan kirjautuvat säännöllisesti

järjestelmään, tekevät tehtäviä ja hyödyntävät tarjottua kurssimateriaalia. (Lindén

& Laakso 2017.)

Esimerkiksi Hämeen ammattikorkeakoulussa selvitettiin osana Poluttamo-han-

ketta, onko verkkokurssista kertyvästä tiedosta mahdollista havaita aikaisessa

vaiheessa opiskelija, joka on vaarassa keskeyttää kurssi. Tässä pilottihank-

keessa kerättiin kurssin aikana tieto ainoastaan opiskelijoiden verkkoympäristöön

kirjautumisista. Tämän jälkeen etsittiin viitteitä opiskelijoiden keskeyttämisvaa-

rasta. Tulokseksi saatiin, että jo pelkän yhden muuttujan perusteella on mahdol-

lista tunnistaa keskeyttämisvaarassa olevia opiskelijoita. Kurssin keskeyttäneet

opiskelijat jättivät jo aikaisessa vaiheessa kirjautumisia väliin. Tästä voidaan pää-

tellä, että mikäli tällaista analyysia olisi mahdollista tehdä ajantasaisesti, keskeyt-

tämisvaarassa olevat opiskelijat on mahdollista tunnistaa ajoissa ja heille voidaan

tarjota henkilökohtaista apua. (Hannula 2017a, 10.)

Oppimisjärjestelmiä on mahdollista käyttää tehtävänpalautusten lisäksi myös var-

sinaisten tehtävin tekoon. Näin järjestelmiin kertyy tietoa esimerkiksi opiskelijoi-

den opiskelumenetelmistä, -tottumuksista ja ajankäytön hallinnasta. Jos opiske-

lijan havaitaan tekevän usein koulutehtäviä öisin, on todennäköistä, että säännöl-

linen unirytmi kärsii, mikä todennäköisesti näkyy myös koulumenestyksessä. Kun

oppimisjärjestelmää käytetään tehtävänpalautusten lisäksi tehtävien tekemiseen,

opiskelijoiden huonot toimintatavat voidaan tunnistaa ajoissa ja asiat on mahdol-

lista selvittää yhdessä opiskelijan kanssa. (Lindén & Laakso 2017.)

18

5.3 Opiskelijan näkökulma

Oppimisanalytiikan avulla opiskelijan on mahdollista seurata omia oppimistapah-

tumiaan ja suorituksia. Parhaimmillaan opiskelija saa analytiikan avulla välitöntä

palautetta. Pelillistämisen avulla palautetta voi saada pisteytysten ja kilpailun

kautta. On mahdollista, että tällä tavalla kiinnostus opiskeluun ja motivaatio oppi-

miseen paranee. Oppimisanalytiikan avulla on mahdollista havainnollistaa ja

osoittaa opiskelijalle tämän lähtötaso osaamisessa ja sen kehittyminen oppimi-

sen kautta. Oppimiseen käytettyä aikaa on helppo seurata oppimisanalytiikan

avulla. Käytetyn ajan sekä arvosanan tai oppimisen korrelaation osoittaminen li-

säisi varmasti motivaatiota opiskeluun.

Opiskelija pystyy oppimisanalytiikan avulla suunnittelemaan omaa oppimistaan

sekä saamaan opettajalta tai oppilaitokselta esimerkiksi kurssisuosituksia suh-

teessa opiskelijan asettamiin tavoitteisiin ja aiempiin suosituksiin. Opiskelijalle

syntyy tietoisuus omasta toiminnasta ja myös tarjoutuu mahdollisuus oppimisen

reflektointiin oppimisanalytiikasta syntyneen palautteen ansiosta. Näin opiskelija

saa tukea oppimisen itsesääntelyyn. (Muukkonen ym. 2017.)

5.4 Sosiaalinen näkökulma

Oppimisanalytiikkaa voidaan pohtia myös sosiaalisesta näkökulmasta. Lappeen-

rannan teknillisen yliopiston tutkijatohtorin Antti Knutaksen ja professori Jari Por-

taan mukaan oppimisanalytiikkaa voidaan käyttää myös yhteisöjen ja yhteisölli-

sen oppimisen analyysiin. Tätä oppimisanalyysin menetelmää kutsutaan sosiaa-

liseksi verkostoanalyysiksi. Sosiaalisessa verkostoanalyysissa toimijoiden välistä

kanssakäymistä mallinnetaan graafeina, jolloin toimijat kuvataan graafin eli ver-

kon solmuina ja heidän väliset yhteydet kaarina. Tämän analyysin pohjalta voi-

daan esimerkiksi ryhmitellä toimijat, tutkia ryhmien välisiä ja ryhmän sisäistä ak-

tiivisuutta sekä tunnistaa yksinäisiä verkoston jäseniä. (Knutas & Porras 2017,

26.)

Sosiaalisen verkostoanalyysin avulla voidaan analysoida ja visualisoida yksittäis-

ten henkilöiden ja ryhmien välistä vuorovaikutusta. Graafien avulla nähdään,

kuka tekee töitä ja kenen kanssa, saadaan selville yksittäisten ryhmän jäsenten

19

aktiivisuus sekä havaitaan, kuinka ryhmät osallistuvat vertaisaktiviteetteihin. Me-

netelmä tarkastelee henkilöiden välistä kommunikointia eikä ota kantaa sen si-

sältöön tai vaikutuksiin. Sosiaalinen verkostoanalyysi tarvitsee kuitenkin joko pal-

jon manuaalista työtä tai älykkäitä koneoppimismenetelmiä. Tällaista tekniikkaa

ei ole toistaiseksi ollut vielä saatavilla, mutta esineiden internet (Internet of

Things, IoT) saattaa mahdollistaa tekniikkapohjaisten automaatiopalveluiden tuo-

misen käyttäjien arkeen ja se samalla mahdollistaa yhä suuremman automaatti-

sen tiedonkeräämisen. (Knutas & Porras 2017, 34.)

Automaattisesti ja reaaliaikaisesti toimivan sosiaalisen verkostoanalyysin avulla

saavutettaisiin yleisnäkymä sosiaalisesta tilanteesta, ja tämä mahdollistaisi opet-

tajan tehokkaan väliintulon ja opettaja voisi keskittyä enemmän henkilökohtai-

seen vuorovaikutukseen ja ammattikasvatustoimintaan. (Knutas & Porras 2017,

35.)

20

6 OIKEUDELLISIA NÄKÖKULMIA

Digitalisoituminen on mahdollistanut oppilaitoksille entistä laajemmat mahdolli-

suudet saada käyttöönsä erilaisia opiskelijoita koskevia tietoja. Kertyneistä tie-

doista on mahdollista analysoida esimerkiksi opiskelijoiden vahvuuksista ja heik-

kouksista sekä tunnistaa opiskelijoiden erilaisia oppimistyylejä. Oppilaitokset voi-

vat käyttää tällaisia tietoja hyväkseen räätälöidessään ja tarjotessaan opiskeli-

joille sopivia opiskeluvaihtoehtoja. Kuitenkin lainsäädäntö asettaa rajoituksia

sille, mitä tietoja voidaan kerätä ja millaisia uusia innovaatioita tietojen keräämi-

seen ja niiden analysointiin voidaan alkaa kehittää. Vaikka tietojen keräämisen ja

analysoinnin perimmäisenä tavoitteena olisikin opiskelijoiden itsensä hyödyntä-

minen, pitää henkilötietolainsäädännön määräykset ja yksilön yksityisyyttä kos-

kevat oikeudet kuitenkin huomioida, vaikka se tuntuisikin monimutkaiselta. (Han-

nula 2017c, 38.)

Jokainen opiskelija jättää niin koulujen erilaisia järjestelmiä käyttäessään kuin ar-

kielämässäänkin erilaisiin sovelluksiin suuren määrän digitaalisia jalanjälkiä.

Tätä kertynyttä dataa hallinnoi useat eri organisaatiot. Jotta oppilaitosten olisi

mahdollista käyttää kertynyttä oppimisdataa monipuolisesti niin opiskelijoiden

kuin oppilaitosorganisaation etujen toteuttamiseen, on välttämätöntä perehtyä

lainsäädäntöön, joka koskee tällaisen tiedon käyttöä. Oppimisdatasta muodos-

tuva tieto kun koostuu suurelta osin opiskelijaa koskevista henkilötiedoista. (Han-

nula 2017a, 6.)

Mikäli tieto, mitä oppilaitoksissa kerätään yksittäisistä opiskelijoista, on yhdistet-

tävissä takaisin tiettyyn henkilöön, luokitellaan tällainen tieto henkilötietolain

alaiseksi henkilötiedoksi. Henkilötietolakia pitää noudattaa niin käsiteltäessä hen-

kilörekisteriin kuuluvien tietoja kuin henkilötietojen automaattisessa käsittelyssä-

kin. Henkilötietojen käsittelyyn luetaan kuuluvaksi kaikki henkilötietoihin kohdis-

tuvat toimenpiteet, kuten tietojen kerääminen, tallentaminen ja poistaminen,

mutta myös mahdolliset siirtämiset ja luovuttamiset toiselle taholle. Henkilötieto-

lain alaisiksi henkilötiedoiksi luetaan kaikki luonnollisia henkilöitä sekä hänen

ominaisuuksiaan ja elinolosuhteitaan kuvaavat merkinnät, jotka ovat tunnistetta-

vissa joko henkilöä tai hänen perhettään koskeviksi. Eli jos opiskelijasta kerätty

21

tieto on jollakin tavalla, esimerkiksi päättelemällä tai eri tietoja yhdistämällä yh-

distettävissä tiettyyn henkilöön, ovat tällaiset tiedot henkilötietoja. Henkilötietojen

käsittely on tarkasti lainsäädännössä määritelty ja tämä määrittely on osin varsin

monimutkaista. Henkilötietolaissa löytyy varsin yksityiskohtaisia säädöksiä, jotka

ohjeistavat ja rajoittavat oppilaitosten mahdollisuuksia kerätä ja käsitellä opiske-

lijoista kerättyjä tietoja. Jos tietoja kerätään samaan käyttötarkoitukseen useista

eri henkilöistä, muodostaa tällainen kerätty tieto henkilörekisterin. Jos oppilaitos

kerää opiskelijoiden henkilörekisteristä tai verkkopalvelujen ja tietojärjestelmien

käytöstä lokitietoja, pitää niiden käsitellä kyseisiä tietoja henkilötietoina. Täten

myös suuri osa oppimisanalytiikan avulla hyödynnettävistä tiedoista koostuu hen-

kilötiedoista, jolloin niitä käytettäessä tulee huomioida henkilötietolainsäädännön

vaatimukset ja rajoitteet. (Hannula 2017a, 11-12.)

Keskeinen asia oppilaitosten henkilötietojen käsittelyssä on tietojen käsittelyn

suunnittelu. Nykyisin voimassa olevassa henkilötietolain 6§:ssä on määritelty,

että henkilötietojen käsittelyn on oltava asiallisesti perusteltua rekisterinpitäjän

toiminnan kannalta ja että käsittelyn tarkoitukset ja henkilötietojen säännönmu-

kainen hankinta ja luovutus tulee määritellä ennen henkilörekisterin muodosta-

mista. Tämä säädös on toiminut lähtökohtana myös uusia toimintamalleja kehi-

tettäessä. (Ketola 2016, 34.)

EU:ssa on ollut vuodesta 1995 lähtien käytössä tietosuojadirektiivi, joka vuonna

2018 voimaan tulevalla yleisellä tietosuoja-asetuksella päivitetään tähän päivään.

Tietosuoja-asetus tulee lisäämään rekisteröityjen henkilöiden oikeuksia. Rekiste-

rinpitäjän kannalta tämä kuitenkin tarkoittaa sitä, että heidän näkökulmastaan tie-

tosuojavelvoitteet tiukentuvat. Uudessa tietosuoja-asetuksessa rekisterinpitäjä

määritellään tilivelvolliseksi tietosuojavelvoitteiden noudattamiseksi. Tietosuoja-

asetuksen myötä tulee käyttöön myös kaksitasoinen seuraamusmaksujärjes-

telmä, jonka mukaan tietosuojavelvoitteiden noudattamatta jättämisestä voidaan

rekisterinpitäjille langettaa merkittäviä seuraamusmaksuja. Välttyäkseen tällai-

silta seuraamusmaksuilta tulee niin oppilaitosten, kuin kaikkien muidenkin rekis-

terinpitäjien, tarkastaa omien tietosuojakäytäntöjensä lainmukaisuus. (Hannula

2017a, 18.)

22

Tietosuoja-asetuksen 78 kappaleessa todetaan:

”Kehitettäessä, suunniteltaessa, valittaessa ja käytettäessä sovelluksia, palveluja

ja tuotteita, jotka perustuvat henkilötietojen käsittelyyn tai käsittelevät henkilötie-

toja tehtävänsä täyttämiseksi, tuotteiden, palvelujen ja sovellusten tuottajia olisi

kannustettava ottamaan huomioon oikeus tietosuojaan niiden kehittäessä ja

suunnitellessa tällaisia tuotteita, palveluja ja sovelluksia ja varmistamaan uusin

tekniikka asianmukaisesti huomioon ottaen, että rekisterinpitäjät ja henkilötieto-

jen käsittelijät pystyvät täyttämään tietosuojavelvoitteensa.” (Tietosuoja-asetus

2016, 15.)

Uutta tietosuoja-asetusta tulee soveltaa automaattiseen henkilötietojen käsitte-

lyyn. Oppimisanalytiikassa hyödynnetään juuri automaattista henkilötietojen kä-

sittelyä, joten sen käyttäminen kuuluu tietosuoja-asetuksen soveltamisalaan. Ar-

vioitaessa opiskelijan tunnistettavuutta kerätyistä tiedoista, pitää huomioida

kaikki erilaiset keinot, joita oppilaitos rekisterinpitäjänä voi joko suoraan tai välilli-

sesti hyödyntää oppilaan tunnistamiseen. Opiskelijan katsotaan olevan tunnistet-

tavissa suoraan esimerkiksi nimen tai henkilötunnuksen perusteella. Myös erilai-

sia sijainti- tai verkkotunnistetietoja on mahdollista käyttää tunnistamisessa. Näi-

den lisäksi opiskelijan voidaan katsoa olevan tunnistettavissa tai muista erotetta-

vissa myös erilaisten hänelle tunnusomaisten tekijöiden perusteella. Tällaisiksi

tekijöiksi luetaan muun muassa erilaiset fyysiset, psyykkiset, taloudelliset, kult-

tuuriset ja sosiaaliset tekijät. (Ketola 2016, 22.)

Sähköisiä oppilas- ja opetusjärjestelmiä käytettäessä henkilötiedoiksi luetaan

kaikki oppilaaseen yhdistettävissä olevat järjestelmän keräämät tiedot. Tällaisia

tietoja ovat esimerkiksi oppilaan järjestelmään kirjautumiseen ja sieltä poistumi-

seen liittyvät tiedot, oppilaan tehtävän ajankäyttöön liittyvät tiedot tai kuinka mo-

nia kertoja oppilas on käyttänyt tehtävien tai kyselyiden suorittamiseen. Mikäli

kaikki tällaiset opiskelijoihin tai opettajaan liittyvät tiedot muutetaan muotoon,

josta tunnistamista ei kohtuullisin toimenpitein voi suorittaa, on oppimisanalytii-

kan tuloksia mahdollista julkaista ja jopa luovuttaa eteenpäin ilman tietosuoja-

asetuksesta seuraavia rajoituksia. (Ketola 2016, 22.)

23

Tietosuoja-asetuksen mukaan rekisterinpitäjien tulee saada suostumus keräämi-

sensä henkilötietojen käsittelyyn. Rekisteröityjen henkilöiden pitää voida antaa

suostumuksensa vapaaehtoisesti, yksiselitteisesti, yksilöidysti ja tietoisesti. Opis-

kelijoiden voidaan kuitenkin tulkita olevan alisteisemmassa asemassa oppilaitok-

seen nähden. Tällöin voi nousta esiin kysymyksiä, onko opiskelijan antama suos-

tumus omien henkilötietojensa käyttöön vapaaehtoista. Tai jos opiskelija jättää

suostumuksen antamatta, tällaista passiivista kieltäytymistä ei voida tulkita suos-

tumukseksi opiskelijan henkilötietojen käsittelyyn. Opiskelija voi antaa suostu-

muksen henkilötietojensa käsittelyyn joko yhtä tai useampaa tarkoitusta varten.

Kaikissa tapauksissa nämä tarkoitukset tulee olla tarkasti ennalta määriteltyjä.

Niin opiskelijoille, kuin muillekin rekisteröidyille henkilöille, tulee myös oikeus pe-

ruuttaa aiemmin antamansa suostumus milloin tahansa, mikä saattaa rekisterin-

pitäjän näkökulmasta olla ongelmallista. (Hannula 2017a, 18.)

Oppimisanalytiikan näkökulmasta yksi merkittävistä tietosuoja-asetuksen haas-

teista tulee liittymään käyttötarkoitussidonnaisuuteen. Asetuksessa määritellään,

että henkilötietojen on oltava asianmukaisia ja olennaisia. Kerättyä tietoja pitää

minimoida ja niiden käyttö tulee rajoittaa ainoastaan niihin tarkoituksiin, joita var-

ten ne on kerätty. Tällaisten tarkoitusten pitää olla ennalta tarkasti määritettyjä.

Oppimisanalytiikan käytön tavoitteena on kuitenkin osin löytää uusia oivalluksia

ja näkökulmia asioihin. Oppilaitoksille voikin tulla eteen haasteita pystyä määrit-

telemään etukäteen oppimisanalytiikkaan tiukat käyttötarkoitukset ja pysyä näi-

den määrittelyjen sisällä. (Hannula 2017a, 19.)

Oppilaitoksilla on merkittävä vastuu käsitellessään opiskelijoita koskevia tietoja.

Uusi tietosuoja-asetus kiristää rekisterinpitäjän vastuita entisestään, sillä vir-

heistä voi seurata vahingonkorvausvelvollisuus tai organisaatiot voivat joutua ri-

kosoikeudelliseen vastuuseen. Tällainen lainsäädäntö ei varsinaisesti kannusta

oppimisanalytiikan kehittämiseen. Oppimisanalytiikan laajempi hyödyntäminen ei

kuitenkaan ole mahdotonta opiskelijoiden yksityisyydensuojan näkökulmasta. Se

edellyttää oppilaitoksilta huolellista perehtymistä asiaa koskevaan lainsäädän-

töön ja aiempaa tarkempaa suunnittelua esim. tietojen käyttötarkoituksen määrit-

telyyn. Yhdeksi ratkaisuksi tilanteeseen on kehitetty suunnitelma antaa kerätty

oppimisdata niin sanotusti opiskelijan itsensä hallintaan. Tällaista MyDataa käyt-

tämällä on mahdollista kiertää monia tietosuojaan liittyviä ongelmia. MyDatan

24

hyödyntäminen ei kuitenkaan rajoitu pelkästään oppilaitosten tiukkojen tietosuo-

jasäädösten täyttämiseen, vaan sen avulla myös opiskelijoilla on mahdollisuus

saada ja hyödyntää omasta oppimisprosessistaan kerättyjä tietoja. (Hannula

2017a, 29.)

6.1 Yksityisyyden suojaaminen

Oppilaitoksilla on nykyisessä digimaailmassa runsaasti mahdollisuuksia kerätä

opiskelijoistaan tietoja ja hyödyntää niitä erilaisiin tarkoituksiin. Tietoja kerättä-

essä ja käsiteltäessä on kuitenkin varmistettava, että opiskelijoiden tietosuojaan

liittyvät oikeudet tulevat täytetyiksi. Oppilaitos ei esimerkiksi ilman vuorovaiku-

tusta opiskelijoiden kanssa voi ottaa käyttöön erilaisia oppimisanalytiikan työka-

luja. Vaikka tietojen keräämisen tarkoituksena olisi auttaa opiskelijoita heidän op-

pimistuloksiensa parantamisessa, oppilaitoksen pitää silti ottaa huomioon erilai-

set rekisterinpitäjää koskevat tietosuojavelvoitteet. (Hannula 2017a, 14.)

Oppilaitosten näkökulmasta nämä tietosuojavelvoitteet ilmenevät siten, että ne

eivät voi kerätä opiskelijoistaan mitä tahansa tietoja. Kerättävien tietojen ja niiden

käsittelyn tulee olla asiallisesti perusteltuja ja perustua oppilaitosten lakisääteisiin

tehtäviin. Oppilaitoksissa opiskelijoiden tietoihin pääsy tulee rajoittaa ainoastaan

niille henkilökunnan jäsenille, jotka tarvitsevat kyseisiä tietoja työtehtävissään.

Lähtökohtana siis on, että esimerkiksi opettaja voi käsitellä ainoastaan omien op-

pilaidensa tietoja. Näin toimien taataan opiskelijoiden yksityisyyden suojan toteu-

tuminen. Tällaisen toiminnan taustalla on henkilötietolaki, joka määrittelee sen,

mitä tietoja oppilaitokset voivat opiskelijoistaan kerätä ja kuinka kerättyä tietoa on

mahdollista käsitellä. Henkilötietolaki säätelee myös opiskelijoiden julkisia tietoja

ja sitä sovelletaan oppilasrekisteriin kuuluvien tietojen automaattiseen käsitte-

lyyn. (Hannula 2017a, 14.)

Niin oppilailla, kuin muillakin luonnollisilla henkilöillä, tulee olla mahdollisuus val-

voa omien henkilötietojensa käyttöä. Tämä oikeus on mahdollista jakaa aktiivi-

seen ja passiiviseen oikeuteen. Jotta molemmat toteutuisivat oppilaitoksissa, on

opiskelijoilla annettava riittävät oikeudet tarkastella heistä kerättyjä tietoja, mää-

ritellä kenelle tietoja voidaan jakaa ja poistaa rekistereistä itseään koskevia tie-

25

toja. Tämä voidaan toteuttaa oppilaitoksissa ainoastaan silloin, kun niiden henki-

lötietojen käsittely on ihmiskeskeistä, läpinäkyvää ja valvottua. (Ketola 2016, 31-

32.)

Tietosuoja oppilaitoksissa on osa oppilaiden yksityisyyden suojaa ja näin ollen

jokaisen opiskelijan perusoikeus. Oppilaitosten tulee huolehtia opiskelijoidensa

yksityisyydestä sekä etujen ja oikeuksien suojaamisesta. Hyvin hoidettu tieto-

suoja lisää luottamusta oppilaitoksen ja opiskelijoiden välillä. Henkilötietojen kä-

sittelyn avoimuus on keskeistä oppilaitosten käsitellessä opiskelijoidensa henki-

lötietoja. Rekisterinpitäjänä oppilaitoksilla on velvollisuus kertoa opiskelijoilleen

heitä koskevien henkilötietojen käsittelystä. Jokaisesta henkilörekisteristä tulee

laatia myös rekisteriseloste jonka pitää olla kaikkien saatavilla. Rekisteriselos-

teesta tulee käydä ilmi muun muassa henkilötietojen käsittelyn tarkoitus sekä

mahdollinen luovuttaminen. Rekisterinpitäjän on myös kerrottava opiskelijoille

heidän tietojen käsittelyyn liittyvistä oikeuksistaan. Tällaisiksi oikeuksiksi luetaan

esimerkiksi opiskelijoiden oikeus tarkastaa omat tietonsa, oikaista virheellisiksi

kokemansa tiedot tai tietojen käsittelyn kieltäminen. Tiedonantovelvollisuus kos-

kee myös oppilaitosten verkkopalveluita. (Hannula 2017a, 17.)

6.2 MyData

Yksityisyyden suojaan liittyvät kysymykset ovat oppimisanalytiikan käyttöön liitty-

vät suurimmat haasteet. Oppimisanalytiikkaa käyttäessään oppilaitos samalla kä-

sittelee opiskelijoidensa henkilötietoja ja tällöin niiden tulee varmistaa, että opis-

kelijoiden yksityisyys turvataan. Lakisääteisten tietosuojavelvoitteiden täyttämi-

nen vaatii oppilaitoksilta syvällistä perehtyneisyyttä tietosuojaa koskevaan lain-

säädäntöön. Yhdeksi ratkaisuksi yksityisyyden suojaan liittyviin haasteisiin on ke-

hitetty MyData-ajattelu, jossa henkilötietojen hallinta siirretään rekisterinpitäjältä

tietojen kohteelle. (Hannula 2017a, 6.)

MyData voidaan määritellä ihmislähtöiseksi tavaksi hallinnoida ja hyödyntää hen-

kilötietoja. MyDatassa tietojen kohteelle annetaan aktiivinen rooli päättää omien

henkilötietojensa keräämisestä ja kerättyjen tietojen hyödyntämisestä. MyData-

ajattelussa keskeinen käsite on yksilön suostumus omien henkilötietojensa käsit-

telyyn. (Ketola 2016, 3.)

26

MyData-ajattelu korostaa yksityisen henkilön oikeutta hallita omia tietojaan.

MyDataa käytettäessä tietoja keräävät tahot jakavat keräämänsä tiedot tietojen

kohteelle itselleen, jolla tietojen saamisen jälkeen on mahdollisuus päättää, mitä

omilla tiedoillaan haluaa tehtävän. Henkilö voi esimerkiksi päättää omien tieto-

jensa jakamisesta eteenpäin tai tarjota niitä maksua vastaan muille tahoille. Avoin

toiminta saattaa myös saada opiskelijat suhtautumaan omien tietojensa keräämi-

seen aiempaa suopeammin, kun heille itselleenkin avautuu mahdollisuus käyttää

omia kerättyjä tietoja hyväkseen. MyData-ajattelu on vasta kehitysvaiheessa,

mutta jo tässä vaiheessa on selvää, että sen avulla on mahdollisuus löytää rat-

kaisuja yksityisyydensuojaan liittyviin haasteisiin. (Hannula 2017a, 25.)

MyData-ajattelu muuttaa merkittävästi tietojen käyttöä. Tähän asti tietoja kerän-

nyt organisaatio, esimerkiksi oppilaitos, on voinut määritellä tahot, jotka pääsevät

käyttämään ja hyödyntämään kerättyjä tietoja. MyData kuitenkin kääntää tämän

toimintatavan täysin päälaelleen. MyDatassa palvelun käyttäjälle annetaan mah-

dollisuus päättää siitä, mitä tietoja, millaisiin tarkoituksiin ja miten hänestä luovu-

tetaan. Tällöin henkilötietojen organisointi tulee ratkaistuksi ihmiskeskeisesti ja

rekisterinpitäjien väliset tietojen luovutusta koskevat sopimukset korvataan hen-

kilöiden itsensä hallinnoimilla sopimuksilla. Tällöin henkilötietojen keräämistä

koskevat hyödyt tulevat maksimoiduksi ja yksityisyydensuojaan liittyvät haasteet

minimoiduksi. Kun yksilöllä on mahdollisuus päättää itseään koskevista tietojen

käyttämisestä, prosessi tietojen saamiseksi yksinkertaistuu ja nopeutuu. Tämä

edistää osaltaan myös oppimisanalytiikan palveluiden kehittämistä. (Hannula

2017a, 25.)

MyData-ajattelun kannalta oppimisanalytiikan tulisi olla mahdollisimman lä-

pinäkyvää opiskelijoille. Tämä perustuu ajatukseen, että opiskelijoiden itseään

koskeva tietojen hallinta on mahdollista ainoastaan silloin, jos opiskelija on tietoi-

nen hänestä kerättävien tietojen olemassaolosta. Oppilaitosten tuleekin tieto-

suoja-asetuksen mukaisesti informoida opiskelijoita riittävästi henkilötietojen kä-

sittelyyn liittyvistä oikeuksista. Lisäksi opiskelijoiden oikeus päästä käsiksi itses-

tään kerättyihin tietoihin ja päättää näiden tietojen siirtäminen järjestelmästä toi-

27

seen tulisi toteuttaa mahdollisimman täysimääräisesti. Läpinäkyvä, oppilaiden oi-

keuksia kunnioittava ja vastuullinen oppimisanalytiikka auttaa opiskelijoiden li-

säksi ylläpitämään Suomen laadukasta koulujärjestelmää. (Ketola 2016, 35.)

MyData mahdollistaa opiskelijoille myös oman oppimisidentiteetin rakentamisen.

Oppimisanalytiikka auttaa opiskelijoita tunnistamaan omat heikkoutensa ja vah-

vuutensa. Ja koska opiskelijalla on mahdollisuus päättää itseään koskevien tie-

tojen jakamisesta, hän samalla pystyy vaikuttamaan julkisen oppimisidentiteet-

tinsä muodostumiseen. Siten MyData tarjoaa opiskelijoille mahdollisuuden erot-

tua muista opiskelijoista. Kuitenkaan tätä tietoa ei ole välttämätöntä jakaa, vaan

opiskelija voi hyödyntää kerättyjä tietoja ainoastaan oman henkilökohtaisen op-

pimisidentiteettinsä rakentamisessa. (Hannula 2017a, 28.)

6.3 Eettinen näkökulma

Oppimisanalytiikkaan, kuten kaikkeen muuhunkin ihmisten toiminnan automaat-

tiseen seurantaan liittyy eettisiä haasteita. Yksi merkittävä haaste on henkilöiden

yksityisyyden suojaaminen. Tieto, joka kerätään opiskelijoiden käyttäytymisestä

verkkoympäristössä, on haastavaa tehdä tunnistamattomaksi. (Huhtala & Ihan-

tola 2017, 5.)

Oppimisanalytiikan käyttöä suunniteltaessa oppilaitoksissa tulee hahmottaa,

kuinka erilaisista lähteistä ja oppimisympäristöistä kerättävä tieto on mahdollista

yhdistää opiskelijoiden oppimista tukevaksi toiminnaksi. Tähän liittyvät kysymyk-

set voivat olla niin oikeudellisia kuin teknisiäkin. Oppimisanalytiikka tulisikin to-

teuttaa siten, että se ei ole oppimista valvovaa ja kontrolloivaa, vaan oppimista

kannustavaa ja monimuotoistavaa toimintaa. Oppimisanalytiikassa kertyy valta-

vasti tietoa opiskelijoista ja oppimisesta. Osa tiedoista on mahdollisesti myös sel-

laista, jota opiskelijat eivät välttämättä haluaisi jakaa muille tai oppilaitosten edus-

tajien ei ole tarpeellista tietää. (Auvinen 2017a, 24.)

Oppimisanalytiikan kehittämisprosesseihin liittyvät yksityiskohdat on mahdollista

jakaa pienempiin kokonaisuuksiin. Iso-Britannialainen koulutuksen ja tutkimuk-

sen digitaalisiin ratkaisuihin erikoistunut organisaatio JISC on laatinut kattavan

28

listan tällaisista kokonaisuuksista. Lista muodostuu oppimisanalytiikan suunnitte-

luun liittyvistä havainnollistavista kysymyksistä. Kysymykset on luokiteltu aihealu-

eittain eettisiin, logistisiin ja laillisiin. CSC-Tieteen tietotekniikan keskus on luetel-

lut eettisiä kysymyksiä taulukossa 1:

29

Taulukko 1 Oppimisanalytiikan kokonaisuudet jaoteltuina ja avattuna havainnollistavien kysymysten avulla

JISC :n mukaan (CSC-Tieteen tietotekniikan keskus Oy, 2018).

30

7 OPPIMISANALYTIIKAN HAASTEET

Analytiikkajaosto (Oppimisanalytiikan viitekehyksen yhteinen työstöalue, 2018)

on luetellut useita oppimisanalytiikan haasteita ja kysymyksiä. Kysymykset liitty-

vät joko yksittäiseen opiskelijaan tai ryhmään, datan hallintaan tai oikeudellisiin

asioihin. Esimerkiksi onko opiskelijalla mahdollisuus jättäytyä pois datan kerää-

misestä ja onko tällä vaikutusta opintojen etenemiseen. Lisäksi tällä hetkellä poh-

ditaan, kuinka paljon opiskelijoille täytyy antaa tietoa tiedon keräämisestä ja sii-

hen käytetyistä algoritmeista ja millä tasolla opiskelijan on syytä päästä käsiksi

kerättyihin tietoihin. Myös useita muita datan keräämisen ja käytön eettisyyteen

ja laillisuuteen liittyviä kysymyksiä on mietinnän alla.

Auvisen (2017b, 7) mukaan yksi iso haaste liittyy kerättävän tiedon heterogeeni-

suuteen eli eri lähteistä saatavaa tietoa on monenlaista. Nykyisin kerätään paljon

kvantitatiivista, määrällisessä formaatissa olevaa, dataa ja analysoidaan sitä.

Kvantitatiivisen tiedon rinnalle tarvittaisiin enemmän myös laadullista eli kvalita-

tiivista tietoa. Tärkeä olisi ymmärtää paremmin oppimista suhteessa kerättyyn

tietoon. Kolmantena haasteena Auvinen mainitsee datan valtavan määrän,

kuinka kerätä oikeaa dataa ja kuinka muuntaa kerätty data toiminnaksi saakka ja

pystyä tarjoamaan ratkaisuja esille nouseviin ongelmiin.

Oppimisanalytiikkaa tehdään hajanaisesti ympäri maailmaa ja eri oppimisanaly-

tiikan sovellukset käyttävät erilaisia spesifikaatioita ja standardeja. CSC-Tieteen

Tietotekniikan Keskus Oy:n (2018, 2) tekemän esiselvityksen mukaan oppimis-

analytiikassa käytettävä data on sirpaleista ja tulee useasta eri lähteestä, jolloin

epäyhtenäiset käytännöt datan keräämisessä, käsittelyssä ja säilömisessä voivat

estää analytiikan tehokkaan hyödyntämisen. Myös lukuisat erilaiset tietojärjestel-

mät ja data, jota ei ole alun perin edes suunniteltu analytiikan tarpeisiin, voivat

tuoda lisähaasteita datan hyödyntämiselle. Yhteentoimivuuden takaamiseksi tar-

vitaankin yhtenäisiä toimintatapoja, spesifikaatioita ja standardeja. Tarvitaan

myös tietojärjestelmien ja datan keräämiseen liittyvää kehittämistä, mikä edellyt-

tää myös tiivistä yhteistyötä eri osapuolten välille.

31

Oppimisanalytiikan tekninen puoli ja siihen liittyvä standardointi on kuitenkin

vasta kehitteillä. Heinon (2018) mukaan oppimisanalytiikkaa kehittää ja tutkii

maailmalla useampi yritys ja yhteisö. Esimerkiksi Open Learning Analytics-yh-

teisö, johon kuuluu useita korkeakouluja ja sidosryhmiä, on julkaissut vuonna

2017 oppimisanalytiikan käsikirjan. Myös EU:ssa on joko loppunut tai meneillään

useampi oppimisanalytiikkaan liittyvä projekti. Mm. SHEILA-projektin tavoitteena

on rakentaa yhteinen viitekehys oppimisanalytiikalle.

CSC-Tieteen Tietotekniikan Keskus Oy (2018, 30) on esiselvityksessä listannut

kansainvälisesti käytössä olevia oppimisanalytiikan standardeja, mutta selvityk-

sen mukaan yhteentoimivuus sisältää muitakin osa-alueita kuin tekniset standar-

dit. Suomessa kehitettäviin oppimisanalytiikkamalleihin on hyvä etsiä esimerk-

kejä muiden maiden järjestelmistä ja kehittää näiden pohjalta Suomeen sopivia

toimintamalleja.

Seppänen (2017, 10) mainitsee yhtenä haasteena EU:n uuden vuonna 2018 voi-

maan tulevan tietosuoja-asetuksen, ja jatkossa pitääkin miettiä, miten saadaan

oppimisanalytiikka toimimaan asetuksen mukaisesti.

Tietosuoja-asetus tiukentaa henkilötietojen käsittelyn edellytyksiä. Käsittelylle on

oltava nytkin lainmukainen peruste: oppilaiden tietoja käsitellään joko asiayhtey-

den tai suostumuksen perusteella. Asetus edellyttää tietojen käsittelyn minimoin-

tia. Kysymys siitä, voidaanko analytiikan käytön katsoa olevan välttämätöntä ope-

tuksen järjestämiseksi, tulee pohtia ja henkilötietojen käsittelyn käyttötarkoitus

pystyttävä nimeämään. Oppimisanalytiikan asema on vielä tulkinnanvarainen,

kunnes saadaan virallinen ohjeistus. Oppilaitoksissa on varauduttava rekisteröi-

tyjen oikeuksien käyttämiseen myös käytännössä ja on varmistettava, että ase-

tusta noudatetaan. Lisäksi on pysyttävä ajan tasalla uusissa ohjeistuksissa ase-

tuksen tulkinnasta. (Hannula 2017b.)

Niittymäen mukaan oppimisanalytiikan yhtenä haasteena oppimisanalytiikan so-

vellusten kysynnän myötä on riski yrittää soveltaa yleisiä oppimisanalytiikan te-

kemisen algoritmeja, joka ei ota huomioon korkeakoulu-, ala-, opiskelijapopulaa-

tio- ja opetusmenetelmäkohtaisia eroavaisuuksia.

32

Korkeakoulutuksessa odotukset datan nykyistä paremmalle hyödyntämiselle

ovat korkealla. Tästä huolimatta on muistettava, että paraskin evidenssi oppimi-

sesta vaatii tulkintaa – analyysiä, joka ottaa huomioon oppimisen kontekstin eli

kysyntään tulee vastata huolellisesti. (Niittymäki 2016, 75.)

33

8 MARKKINOILLA OLEVIA RATKAISUJA JA NIIDEN KEHITTÄMISTAR-

PEITA

Perusajatuksena oppimisanalytiikkadataa keräävissä järjestelmissä on se, että

opiskelijan kirjauduttua järjestelmään, hänestä kerätään tietoa henkilö- ja käyttä-

jätietoja. Moodle-ratkaisua soveltavat järjestelmät, kuten TAMK:ssa käytössä

oleva Tabula, tallentavat käyttäjän toiminnan tarkalla tasolla aikaleimoineen jo-

kaisen opiskelijan avaaman materiaalin, linkin ja aktiviteetin osalta. Valmis oppi-

misanalytiikkatyökalu tarjoaa muutamia yhteenvetonäkymiä tähän dataan. Näi-

den visualisointien avulla opettajien on mahdollista seurata opiskelijoiden aktiivi-

suutta ja materiaalien käyttöä. Tabulan valmiiksi tarjoamat analytiikkatyökalut ei-

vät tarjoa vielä mahdollisuuksia riittävästi ja siksi on tarpeita, että Tabulan koko

raakadata ladataan esimerkiksi Exceliin luokittelua, jaottelua ja tilastollista analy-

sointia varten. Raakadatan käsittely edellyttää Excelin hyvää osaamista ja yli-

määräistä vaivaa. (Suhonen & Kinnari-Korpela 2017.)

Moodleen integroitava oppimisen analytiikkapalvelu Intelliboard avaa uusia mah-

dollisuuksia ja näkökulmia verkko-oppimisympäristöjen datan käsittelyyn ja ana-

lyysiin sekä opiskeluun ja sen ohjaukseen. Pulkkinen (2017) on tutkinut Intelli-

boardin ominaisuuksia ja kokemuksia Lappeenrannan teknillisessä yliopistossa.

Taustalla on tarve saada lisätietoa oppimisesta, opiskelijoiden toiminnasta mm.

ajankäytön osalta sekä muuta käyttöön liittyvää dataa. Olennainen tutkimuson-

gelma on, mitkä asiat opiskelijoiden toiminnassa ja käyttäytymisessä korreloivat

oppimista. Opiskelijoiden mielestä Intelliboard toimii kursseilla, joissa on paljon

arvioitavia aktiviteetteja. Opiskelija näkee oman suorituksen suhteessa keskiar-

voon, oman ajankäytön suhteessa arviointiin, omat keskeneräiset, läpimenneet

suoritukset sekä näiden keskiarvon. Opettaja saa oikeanlaista dataa, kun on en-

sin laittanut tarvittavat asetukset kuntoon ja tämä vaatii jonkin verran lisätyötä

opettajalle. Intelliboard tarjoaa erilaisia listapohjaisia raportteja. Opettajat toivoi-

vat olisi saada erilaisia grafiikoita ja enemmän visuaalisuutta. Tietoa ei ole mah-

dollista saada myöhemmin kerättäväksi, joten kannattaa panostaa alkuasetuk-

siin. Opettajat toivovat oppilaitokselta yhteistä linjanvetoa. Yhteenvetona pilotti-

käytöstä ei saatu erityisen myönteisiä kokemuksia opettajien keskuudessa. Jär-

jestelmäkehitystä tehdään edelleen pilottikäytön ja palautteiden perusteella.

34

Käyttöönoton suunnittelussa kannattaa myös oppilaitosten panostaa ohjeistuk-

siin sekä yhteisiin käytäntöihin. (Pulkkinen 2017.)

Kuvassa 4 on esimerkki Moodlesta Intelliboardin avulla saadusta näkymästä,

jossa voi tarkastella, mihin aikaan opiskelijat käyvät Moodlessa kurssiin liittyen ja

kuvassa 5 on mahdollista nähdä tilastoja pidemmältä aikaväliltä sekä aktiivisim-

mat opiskelijat. (Kochnev 2018.)

Kuva 4 Analytiikkaa Moodlen kurssilla käynneistä

35

Kuva 5 Tarkempaa tietoa kurssin kävijöistä Moodlessa

Moodlen ohella toinen paljon käytetty oppimisalusta on Peda.net-verkosto, jonka

tavoitteena on tieto- ja viestintätekniikan tarkoituksenmukainen käytön edistämi-

nen opiskelussa ja opetuksessa. Peda.net:n lähitulevaisuuden kehittämiskoh-

teina mainitaan OmaTilan kehittäminen enemmän käyttäjälle aktiivisen työpöy-

dän suuntaan, uusi työkalu kokeita ja tenttejä varten sekä arviointityökalujen ke-

hittäminen. Kehittämiskohteissa mainittiin myös yhteistyön laajentaminen 3. osa-

puolien kanssa liittyen esimerkiksi oppimateriaalipalveluiden rajapintoihin. Nämä

kehittämiskohteet liittyvät keskeisesti myös oppimisanalytiikan kehittämiseen.

(Lahti 2017.)

36

ViLLE on Turun yliopiston Informaatioteknologian laitoksella kehitetty oppimisjär-

jestelmä. ViLLE on nykyisellään käytössä useimmissa suomalaisissa korkeakou-

luissa, ja yli 15 muussa maassa. Järjestelmässä on yli 70 000 rekisteröitynyttä

opiskelijaa ja yli 4 000 opettajaa. ViLLE kerää automaattisesti paljon tietoa oppi-

laista: heidän tekemiensä tehtävien pisteistä, ajankäytöstä, tehtävien välivai-

heista ja ratkaisujärjestyksistä. Opettajat voivat katsella kurssilta kerättyä tietoa

tilastonäkymissä ja erilaisissa tiedon visualisoinneissa. Oppilaat, jotka eivät ole

pystyneet ratkaisemaan tehtäviä, saavat opettajalta tukea oppimisanalytiikan

avulla. Kuvassa 6 on esimerkkejä ViLLE-järjestelmän näkymistä, joista opettaja

voi tarkastella oppimiseen liittyviä asioita. ViLLEn tavoitteena on automatisoida

tehtävien tarkastamista, jolloin opettajan työpanosta säästyy varsinaiselle oh-

jaustyölle. Oppimisanalytiikkakeskus tekee tutkimustyötä tiiviissä yhteistyössä

niin yliopiston eri tahojen, suomalaisen koulumaailman kuin kansainvälisen kou-

lutusviennin kanssa ja ViLLE-järjestelmää voidaan kehittää opetuksen muutok-

sen ja kehittämisen näkökulmasta. (ViLLE.)

Kuva 6 ViLLEn erilaisia näkymiä opettajille

Yksi nopeasti kasvava suomalainen digitaalinen oppimisalusta on Claned, jonka

on tuottanut vuonna 2013 perustettu ja 2016 alustansa julkaissut startup-yritys

Claned Group Oy. Yritys on voimakkaassa kasvussa ja sen tuottama alusta on

käytössä tällä hetkellä useiden Euroopan maiden lisäksi muun muassa Intiassa,

Australiassa ja Indonesiassa. Koneälyä sekä oppimisanalytiikkaa voidaan hyö-

dyntää tekemällä oppimisprosessia enemmän näkyväksi ja näin tukea oppimista.

37

Henkilökohtaisia opintopolkuja, personoituja suosituksia ja koneen tuottamia, kä-

sitteiden hallitsemista mittaavia automaattisia testejä. Clanedin oppimisanaly-

tiikka analysoi oppilaiden työskentelyä, eikä se ainakaan artikkelin mukaan vaadi

opettajalta erityistä panosta arjessa ja sieltä on helppo löytää tarvitessaan tietoa

esimerkiksi yksittäisten opiskelijoiden ja ryhmän edistymisestä. Analytiikan avulla

on mahdollista nähdä, kuka tarvitsee erityistä tukea, keneltä jäävät tehtävät teke-

mättä, ja kuka on vaarassa pitkästyä, jos annetut tehtävät eivät ole riittävän haas-

tavia. Oppimisanalytiikka ja tiedon visualisointi auttavat siis opettajaa tekemään

ohjaustyötään huomattavasti perinteisiä välineitä tehokkaammin. Erityisenä vah-

vuutena on opiskelijan oman Claned-tilin siirtyminen hänen mukanaan oppilaitok-

sesta toiseen, jolloin kaikki kertynyt aineisto pysyy tallessa ja on hyödynnettä-

vissä myöhemmin. Tämä edellyttää toki sitä, että samaa järjestelmää käytetään

eri oppilaitoksissa. (Microsoft 2018.)

Valamis on Joensuulaisen Arcusys Oy:n kehittämä avoimen lähdekoodiin poh-

jautuva Liferay-portaalialustalla toimiva digitaalinen oppimisjärjestelmä. Valamis

voidaan räätälöidä välinettä käyttävien oppilaitosten tai yritysten tarpeiden mu-

kaan. Valamiksen tarjoamat työkalut on toteutettu sekä muodollisen että epä-

muodollisen oppimisen tueksi ja palvelun tavoitteena on edistää vahvasti myös

sosiaalista oppimista. Palvelun käyttämä teknologia mahdollistaa analytiikan ke-

räämisen käyttäjän kokemuksista ympäristössä ja tätä kautta oppimisen tehok-

kuuden mittaamisen. Opettaja voi seurata opiskelijoiden aktiivisuutta ja nähdä

luentomateriaaliensa käyttöasteen. Liferayn tarjoamat valmisominaisuudet, ku-

ten blogit, keskustelufoorumit ja wikit mahdollistavat sosiaalisen oppimisen. (Ku-

lin 2016, 15.)

Valamis käyttää hyväkseen pelillistämistä lisäten oppijan kiinnostusta ja moti-

voiden sosiaaliseen kanssakäymiseen muiden ympäristön käyttäjien kesken. Pis-

teytyksen, julkisen palkitsemisen ja esimerkiksi aktiivisten käyttäjien listaamisen

keinoin luodaan kilpailua käyttäjien välille. Oppimisen analysointi visualisoidaan

sekä oppijalle itselleen, että mukana oleville kanssakilpailijoille, vaadittujen oppi-

mistavoitteiden suorittamisesta saadut sertifikaatit näkyvät opiskelijan julkisessa

käyttäjäprofiilissa. Käyttäjän tapahtumat varastoidaan xAPI-teknologian avulla

Learning Record Storeen, josta opiskelijoille ja opetuksen järjestäjille voidaan

38

esittää analytiikkaa ja suoritustietoja Valamis-oppimisympäristön käyttäjistä ja ta-

pahtumista. (Kulin 2016, 15.)

Opiskelijoiden suorituksia voi seurata gradebook-työkalun avulla. Kuvassa 7 on

esimerkki gradebook-näkymästä. Teknologia mahdollistaa kattavan käyttötiedon

keräämisen, mutta suoritustiedon näyttämisen lisäksi tiedon hyödyntäminen ja

syvällisempi analytiikka toisi palvelulle lisäarvoa ja siihen kannattaisi panostaa

esimerkiksi tutkimalla, miten suoritukset ovat korreloineet varsinaiseen osaami-

seen tai oppimiseen. Oppimisen edistymisen osoittaminen motivoisi myös käyt-

täjiä. (Valamis 2018; Kulin 2016, 37.)

Kuva 7 Gradebook-näkymä Valamis-oppimisjärjestelmässä

Oppimisessa voidaan hyödyntää monenlaisia verkkopalvelualustoja, joihin taas

voidaan kytkeä analytiikkatyökaluja keräämään tietoa analysointia varten. Esi-

merkiksi Office365 Microsoft Teams -tiimityökalua käytetään monessa oppilaitok-

sessa. Google Analytics analytiikkatyökalun voi yhdistää Microsoft Teamsiin ja

sovelluksen käyttödataa on mahdollista kerätä Googlen Analyticsiä varten teh-

dyllä liitoksella. (Kukkamäki 2018.)

39

Myös Liferay-pohjaisiin oppimisjärjestelmiin, kuten Valamis, on mahdollista yh-

distää Google Analytics-työkalu käyttödatan keräämistä ja analysointia varten.

(Liferay monitoring using Google Analytics)

EduCloud Alliance (ECA) on Suomen opetus- ja kulttuuriministeriön alullepa-

nema hanke avoimen koulutuspilvipalvelun standardin (EduCloud) toteutta-

miseksi. Allianssin tavoitteena on rakentaa kansallinen ja kansainväliseksi täh-

täävä ekosysteemi, joka yhdistää oppimispalveluiden käyttäjät, ostajat, kehittäjät

ja palveluntarjoajat. Ekosysteemiä rakennetaan määrittelemällä avoin standardi

oppimisympäristöille, materiaaleille sekä toiminnallisuuksille helpottamaan kou-

lutuksen pilvipalvelutuotteiden ja sisältöjen avointa tarjontaa, myymistä, löytä-

mistä, hankkimista, vertailua ja käyttämistä. Sen avulla digitaalisia oppimateriaa-

leja on helpompi tuottaa, hankkia ja ottaa käyttöön verkko-oppimisalustoilla tai

muissa oppimisen verkkopalveluissa. Ekosysteemiajattelu onkin keskeistä, kun

pohditaan oppimisanalytiikan kehittämistä. Yhteiskunta ja oppiminen ovat entistä

verkostoituneempia. Tarvitaan yhteisiä alustoja, avoimia rajapintoja ja yhteisiä

toimintatapoja. (Hannula 2017b.)

Opetushallituksen eOppimisen neuvottelukunta on koostanut yleisiä tarpeita ja

uusia toimintoja ja palveluita oppijoille sekä opetuksen ja koulutuksen kehittäjille

digitaalisen oppimisen ekosysteemin kannalta. Oppimisanalytiikka on yksi kes-

keisistä kehittämiskohteista osana ekosysteemiajattelua. Tavoitteena on kehittää

yhteistä ekosysteemiä, joka koostuu alusta-, innovaatio-, kiinnostus-, kyvykkyys-

ja teknologisista ekosysteemeistä. Alustaekosysteeminä toimii kehitysalusta,

jossa eri palveluntarjoajat voivat jakaa palveluita eri toimijoiden käyttöönotetta-

vaksi. Innovaatioekosysteemin tavoitteena on avoin innovointi eri toimijoiden vä-

lillä kiihdyttämällä uusien ratkaisujen kehittämistä ja käyttöönottoa. Kiinnostus- ja

kyvykkyysekosysteemi liittyy uuden tiedon ja kyvykkyyden luomiseen yhteis-

työssä. Teknologisen ekosysteemin kehittyvinä osa-alueina mainitaan robotiikka

ja asioiden internet (IoT). (Taivassalo 2017.)

40

9 OPPIMISANALYTIIKAN TULEVAISUUS SUOMESSA

Koulutussektorilla globalisaatio ja digitalisaatio ovat vasta aluillaan. Tulevaisuu-

den työ muuttuu, mikä edellyttää myös koulutuksen kehittymistä. Haasteena on

opettaa ja kouluttaa ihmisiä tulevaisuutta varten, vaikka ei vielä tiedetä, mitä tu-

levaisuuden työ pitää sisällään. Haasteita tuovat samanaikaiset leikkaukset ja

koulutuksen uudistukset, joissa keskitytään toiminnan tehostamiseen valitettavan

usein kehittämisen kustannuksella. Oppimisanalytiikka hyödyntää digitalisaatiota

ja sen avulla saadaan tärkeää tietoa uudistuksia ja tulevaisuuden kehittämistä

varten. (Järviö, 2016b.)

Suomen akatemian TULOS-tutkimusohjelmassa 2014–2017 "Tulevaisuuden op-

piminen ja osaaminen" tutkittiin tulevaisuuden oppimista ja sen menetelmiä edis-

täviä uusia teknologiatrendejä, kuten digitalisoitumista ja verkostoitumista. Uusia

teknologisia ratkaisuja oppimisen, opettamisen ja arvioinnin apuvälineinä ja ha-

vainnollistajina ovat virtuaalisuus, lisätty todellisuus, video- ja simulaatioympäris-

töt, sekä digitaaliset ja 3D-valmistusteknologiat. Oppimisympäristöt ja vuorovai-

kutus niissä on entistä moninaisempaa. Oppimista tapahtuu fyysisissä, virtuaali-

sissa, sosiaalisissa ja mobiileissa oppimistiloissa. Pelillisyys ja moniaistisuus

esim. puheentunnistuksen, eleiden, konenäön, tuntopalautteen, äänen ja kuvien

avulla huomioivat yksilölliset tarpeet oppimisessa. Yksilöllistä oppimista ja oppi-

misvaikeuksien tunnistamista voidaan tehdä kehittämällä teknologiapohjaisia in-

terventio-ohjelmia ja hyödyntää niitä oppimisvaikeuksissa eri ikäkausina. (Suo-

men akatemia 2018.)

Opiskelijat ja oppiminen tapahtuvat tulevaisuudessa enemmän ja enemmän ver-

kossa ja verkostoissa. Tulevaisuudessa tutkimuksen kohteena ovat muun mu-

assa minkälaisissa verkostoissa oppijat toimivat ja mitä tukea oppimisen proses-

sille voivat vertaisoppijat antaa. Verkostoanalyysin avulla voidaan kehittää ja tu-

kea oppimista verkostoissa. Oppiminen on tulevaisuudessa entistä yhteisöllisem-

pää toimintaa, joten tämän aiheen merkitys tulee jatkuvasti kasvamaan. (Auvinen

2017b.)

41

Monet nykyaikaisen oppimisen tutkimukset ovat osoittaneet, että oppijat hyödyn-

tävät myös erilaisia epävirallisia verkostoja ja sosiaalisen median erilaisia ympä-

ristöjä keskinäiseen tiedonjakamiseen ja yhdessä oppimiseen. Tärkeä kehitys-

suunta onkin oppimisanalytiikan ulottaminen sosiaalisissa verkostoissa oppimi-

seen, jolloin voidaan myös tunnistaa sosiaalisen oppimisen kannalta tärkeitä toi-

mijoita ja heidän vaikutustaan. (Auvinen 2017a, 6.)

Luvussa 7 on esitetty erilaisia tietosuojaan liittyviä haasteita, jotka määrittävät

myös oppimisanalytiikan tulevaisuutta. Suhde datan keräämisen ja käytön välillä,

mihin eri lähteistä kerättyä dataa tulevaisuudessa tullaan käyttämään, voi usein

olla epäselvä. Käyttäjältä pyydetään lupa datan käyttöön tietyissä yhteyksissä,

mutta ei ole vielä tiedossa, mihin mahdollisesti dataa käytetään. Uusi tietosuoja-

asetus tuo tähän asiaan sääntelyä, mutta käytännön kokemuksista tulevaisuu-

dessa ei vielä ole tutkimustietoa.

Oppimisanalytiikan tutkimuksen keskeisiä teemoja tulevaisuudessa ovat eettiset

ja tietoturvaan liittyvät kysymykset. Oppijoista kerätään eri ympäristöissä tietoja,

se saako niitä käyttää ja yhdistellä vapaasti on keskeinen kysymys ja samoin se,

kenellä on oikeudet ja kenen luvalla tietoja saisi käyttää. Kun erilaisten rajapinto-

jen avulla voidaan tietoja helposti yhdistellä, tähän liittyy monenlaisia tietoturva-

haasteita, kun oppimisen erilaiset ympäristöt poikkeavat vahvasti toisistaan tieto-

turvan kannalta. (Auvinen 2017c.)

MyData ja Omadata tiedonhallinnan käsitteinä liittyvät yksilön omien tietojen hal-

lintaan. Lainsäädännöllisesti puhutaan tiedollisesta itsemääräämisoikeudesta.

Opiskelijoita palvelevaa oppimisanalytiikkaa olisi asianmukaista kehittää oppilai-

den tiedollista itsemääräämisoikeutta kunnioittavalla tavalla. Tiedollinen itsemää-

räytymisoikeus koostuu seuraavista osa-alueista: oikeudesta pitää salassa itse-

ään koskevia tietoja, oikeudesta saada itseään koskeva tieto, oikeudesta vaikut-

taa itseään koskevien tietojen keräämiseen ja käsittelyyn, oikeudesta tarkastaa

itseään koskevat tiedot, oikeudesta julkistaa itseään koskevia tietoja, oikeudesta

tulla informoiduksi oikeiden tietojen perusteella, oikeudesta vaikuttaa itseään

koskevien tietojen luovuttamiseen sekä oikeudesta korjauttaa itseään kohdistu-

vissa tiedoissa olevat virheet. (Voutilainen 2017.)

42

Edellytyksiä omien tietojen hallinnalle ovat selkeys ja ymmärrettävyys. Läpinäky-

vyyden periaatteen mukaisesti yleisölle tai rekisteröidylle tarkoitettujen tietojen on

oltava tiiviisti esitettyjä sekä helposti saatavilla ja ymmärrettäviä, ne on ilmaistava

selkeällä ja yksinkertaisella kielellä ja lisäksi tarvittaessa ne on havainnollistet-

tava. Jos rekisteröidyn on annettava suostumuksensa sähköisen pyynnön perus-

teella, pyynnön on oltava selkeä ja tiiviisti esitetty eikä se saa tarpeettomasti häi-

ritä sen palvelun käyttöä, jota varten se annetaan. Jos rekisteröity antaa suostu-

muksensa kirjallisessa ilmoituksessa, joka koskee myös muita asioita, suostu-

muksen antamista koskeva pyyntö on esitettävä selvästi erillään muista asioista

helposti ymmärrettävässä ja saatavilla olevassa muodossa selkeällä ja yksinker-

taisella kielellä. (Voutilainen 2017.)

Koulujen ja oppilaitosten on rekisterinpitäjinä huolehdittava siitä, että My Dataan

ja tiedolliseen itsemääräytymisoikeuteen liittyvät asiat on huomioitu, kun palve-

luita kehitetään yhteistyössä ulkopuolisten palveluntarjoajien kanssa. Touko-

kuussa 2018 aletaan soveltaa EU:n tietosuoja-asetusta. Laki tuo mukanaan tiu-

kempia edellytyksiä tietojen käsittelylle ja lisäksi laiminlyöntejä koskevan ankaran

seuraamusmaksujärjestelmän. Oppilaitosten ja oppimisanalytiikan kehittäjien

kannattaa ajoissa varmistaa käytäntöjensä lainmukaisuus niin nykyisen lainsää-

dännön kuin tulevan asetuksenkin näkökulmasta. Tietosuoja-asioissa on hyvä

toimia varman päälle, eikä kannata ottaa turhia riskejä. Tietosuoja-asioihin inves-

tointi kannattaa ja maksaa itsensä takaisin luottamuksen lisääntymisenä. (Han-

nula 2017d.)

Oppimisanalytiikan menetelmät yhdistävät tiedon louhintaa, tilastotiedettä, tiedon

visualisointia ja koneoppimista. Myös IoT:n (Internet of Things) eli teollisen inter-

netin ja ekosysteemien ominaispiirteitä on erilaisten alustojen ja verkostojen yh-

distämisessä. IoT:n kannalta olennaista on löytää relevantti tieto, jonka perus-

teella voidaan tehdä päätöksiä. Tietoturva-asiat ja tiedon omistajuuteen liittyvät

kysymykset ovat IoT-markkinoilla keskeisesti esillä. Niittymäen (2016) tietojenkä-

sittelytieteen tutkielmassa käsitellään osaamisanalytiikkaa ja pyritään ymmärtä-

mään monitieteisiä tutkimussuuntauksia oppimisanalytiikan ympärillä. Datan

määrän kasvun myötä tiedon analytiikkaan, tiedon louhintaan ja koneoppimiseen

liittyvät kysymykset ovat tulleet ajankohtaisiksi tietojenkäsittelytieteessä. Tutkiel-

man mukaan termiä oppimisanalytiikka (learning analytics, LA) saatetaan käyttää

43

välillä harhaanjohtavasti, kun pitäisi puhua opiskeluanalytiikasta, johon liittyvät

jäljet opiskelukäytännöistä tulkitaan liittyvän oppimiseen tai osaamiseen.

Oppimisanalytiikalla ja koulutustiedon louhinnalla (educational data mining,

EDM) on yhteisiä tavoitteita, mutta tiedonlouhinta on enemmän teknologialäh-

töistä sekä menetelmiin keskittyvää oppimisanalyytikoiden painottaessa enem-

män opettajan työn ja opiskelun tukemista sekä teknologian instrumentaalista

roolia oppimisprosessissa. Tiedonlouhijat ovat lähinnä tietojenkäsittelytieteilijöitä

ja oppimisanalyytikot kasvatustieteilijöitä, jotka haluavat hyödyntää tietojenkäsit-

telyn menetelmiä omassa kiinnostuksen kohteessaan. Akateeminen analytiikka

tutkii opiskelijoiden käyttäytymistä tarkoituksena ohjata korkeakoulun päätöksen-

tekoa ja korkeakoulun toimintaa, kehittää kilpailukykyä. Korkeakoulututkimus on

enemmän korkeakoulun operatiivisen toiminnan tukemisesta teoreettiseen ym-

märrykseen pohjautuen muun muassa opetussuunnitelmien ja opetuksen tutki-

musta. Jälkimmäisen kahden suuntauksen tutkimusta hyödynnetään lähinnä

opetuksen hallinnossa. Teknologista ja tietojenkäsittelytieteen osaamista tarvi-

taan tiedon hallintaan, tallentamiseen, analysointiin ja esittämiseen pedagogista

ymmärrystä unohtamatta. (Niittymäki 2016, 57–59.)

Oppimisanalytiikka on monitieteellinen tutkimusalue, jossa tarvitaan eri näkökul-

mia ja uudenlaisia menetelmiä. Oppimisanalytiikalla on toisiinsa kiinteästi liittyviä

taustatekijöitä, kuten monimuotoistuva oppiminen, tehostunut mahdollisuus oppi-

misen eri tapahtumia koskevaan tiedonkeruuseen sekä vahvistunut analytiikka-

osaaminen. Analytiikkaosaamisen kehittymisen myötä löytyy jatkuvasti uusia ta-

poja hyödyntää oppimisanalytiikkaa. Esimerkiksi nykyisillä oppimisanalytiikan

työkaluilla pystytään analysoimaan opiskelijoiden tuottamaa teksti- ja kuvamate-

riaalia. Datan louhinnan avulla on mahdollista tehdä entistä helpommin erilaisia

malleja ja havaintoja riippuvuuksista ja poikkeamista. Sosiaalisissa verkostoissa

oppimiseen liittyen on jo mahdollista tunnistaa sosiaalisen oppimisen kannalta

tärkeitä toimijoita ja heidän vaikutustaan oppimiseen. (Auvinen 2017a.)

44

10 YHTEENVETO

Oppimisanalytiikka on tieteenalana uusi ja Suomessa tehtyjä ja Suomen koulu-

laitoksen huomioon ottavia julkaisuja ja tutkimuksia ei vielä juurikaan ole ole-

massa. Moni oppilaitos on kuitenkin lähtenyt tutkimaan asiaa ja miettimään, miten

voivat hyödyntää oppimisanalytiikkaa oman opetuksen kehittämisessä. Myös

useita erilaisia hankkeita on perustettu oppimisanalytiikan edistämiseksi ja tutki-

miseksi ja muun muassa näiden hankkeiden puitteissa on järjestetty erilaisia se-

minaareja ja luentoja.

Opetus-ja kulttuuriministeriön alaisuudessa toimivan Analytiikkajaoston tehtä-

vänä on muun muassa pohtia ja edistää yhteentoimivuutta oppimisanalytiikassa.

Analytiikkajaosto on tehnyt myös esiselvityksiä oppimisanalytiikan standardeista.

Kansainvälisesti on tehty useita selvityksiä käytettävistä standardeista ja teknii-

koista, mutta Suomessa on vielä paljon tehtävää, jotta saadaan yhteensopivia

Suomen koulumaailmaan soveltuvia sovelluksia kehitettyä. Myös useita eettisiä

ja oikeudellisia näkökulmia on vielä avoinna, ja EU:n tuleva tietosuoja-asetus

tuottaa omat haasteensa oppimisanalytiikkaan.

Tässä kehittämistyössä oli tarkoitus hyödyntää myös eAMK:n oppimisanalytiikan

toimenpideohjelmaan kuuluvaa opettajien haastattelun tuloksia ja analysoida

niitä, mutta emme saaneet hankkeen vetäjältä tuloksia tai sitten haastattelua ei

koskaan suoritettu. Tämä kehittämistyö rajautui siis saatavissa olevaan kirjalli-

suuteen ja tutkimuksiin, pois lukien mm. maksulliset julkaisut ja seminaariesityk-

set. Saatavilla oleva materiaali oli kuitenkin hyvin hajanaista. Suomessa tehtyä

kirjallisuutta ei ole vielä oppimisanalytiikasta ole juurikaan tehty.

Yllättävän paljon löytyi siis eri tahoja, kuten organisaatioita, oppilaitoksia, hank-

keita, yrityksiä ja yhteisöjä, jotka ovat itsenäisesti, yhteistyössä ja erikseen tutki-

neet oppimisanalytiikkaa, mutta selvästi tarvitaan vielä paljon enemmän yhteis-

työtä eri tahojen ja tieteenalojen kesken toimivan oppimisanalytiikan kehittä-

miseksi. Tarvitaan lisää ekosysteemiajattelua avoimen yhteistyön luomiseksi eri

toimijoiden välillä. Mielestämme on ensiarvoisen tärkeää, että oppimisanalytiik-

kaa lähdetään kehittämään yhdessä useamman toimijan kesken yksittäisten

hankkeiden sijaan. Myös käyttäjien tarpeet ja vaatimukset täytyy selvittää ennen

45

ratkaisujen ja ohjelmistojen kehittämistä. Ja kuten kehitystyössä huomasimme,

niin käyttäjäryhmiä ja näkökulmia on useita ja nämä kaikki pitää ottaa huomioon

oppimisanalytiikkaa kehitettäessä. Suomessa kehitettävässä oppimisanalytii-

kassa pitäisi ottaa huomioon myös kansainvälisesti tehdyt standardit ja tutkimuk-

set ja myös esimerkiksi EU:n lainsäädäntö. Samalla myös kannattaa tutkia jo

muualla maailmassa tehdyt ratkaisut ja ohjelmistot, usein pyörää ei kannata kek-

siä uudelleen, jos sopiva ratkaisu tai omaan tarpeeseen muokattavissa oleva rat-

kaisu on jo olemassa.

Tämä kehittämistyö kirjoitettiin hankkeelle, joka tehdään yhteistyössä useamman

eri ammattikorkean kesken ja jossa pyritään löytämään yhteinen ratkaisu oppi-

misanalytiikan hyödyntämiselle. Kirjallisuuslähteitä tutkittaessa kävi selvästi ilmi,

että tällaiselle oppilaitosten rajat ylittävälle hankkeelle on tarvetta. Lisäksi mu-

kaan tarvitaan monta eri alan asiantuntijaa, jotta saadaan tehtyä mahdollisimman

kattava, pitkäaikainen, jatkokehitettävä ja useita eri käyttäjäryhmiä hyödyntävä

ratkaisu.

46

LÄHTEET Analytiikkajaosto. 2017. Viitattu 13.2.2018. https://wiki.eduuni.fi/disp-lay/CSCTIES/Analytiikkajaosto Arcusys. 2017. Oppimisen mittaaminen organisaatiossa – Kuinka analytiikka näkyy koulutuksessa? Viitattu 3.3.2018. https://www.ar-cusys.com/web/fi/blogi/oppimisen-mittaaminen-organisaatiossa-kuinka-analy-tiikka-nakyy-koulutuksessa Aunimo, L. 2017. Big data -analytiikka - Uusi tapa analysoida dataa vai syno-nyymi tilastolliselle analyysille. Viitattu 16.3.2018. https://esignals.haaga-he-lia.fi/2017/11/29/big-data-analytiikka-uusi-tapa-analysoida-dataa-vai-synonyymi-tilastolliselle-analyysille/ Auvinen, A. 2017a. Oppimisanalytiikka tulee - oletko valmis: Suomen eOppimis-keskus ry. Viitattu 11.2.2018. https://poluttamo.fi/2017/08/02/oppimisanalytiikka-tulee-oletko-valmis/ Auvinen, A. 2017b. Mistä oppimisanalytiikassa keskustellaan?. Suomen eOppi-miskeskus ry. Viitattu 18.3.2018. https://www.eoppimiskeskus.fi/images/sto-ries/SeOppi/lehdet/SeOppi-01-2017.pdf Auvinen, A. 2017c. Ehjä digitaalinen luottamuksen ketju. Suomen eOppimiskes-kus ry. SeOppi 01/2017. Viitattu 18.3.2018. https://www.eoppimiskeskus.fi/ima-ges/stories/SeOppi/lehdet/SeOppi-01-2017.pdf CSC-Tieteen tietotekniikan keskus Oy, 2018. Esiselvitys oppimisanalytiikan standardeista ja yhteentoimivuuden edellytyksistä. Viitattu 18.3.2018. https://wiki.eduuni.fi/display/CSCKOOTUKI/2018-01-18+KOOTuen+ko-kous?preview=/58189965/61637852/Esiselvitys%20oppimisanalytii-kan%20standardeista%20ja%20yhteentoimivuuden%20edellytyksista.docx

eAMK - Oppimisen uusi ekosysteemi, 2017. Tampereen ammattikorkeakoulu. Viitattu 25.3.2018. http://www.tamk.fi/projektit?RepoProject=H3110-17032

Hannula, H. 2017a. Oppijan digitaalinen jalanjälki. Viitattu 15.1.2018. https://po-luttamo.fi/2017/05/24/oppijan-digitaalinen-jalanjalki-suositukset-oppilaitoksille/ Hannula, H. 2017b. EduCloud Alliancen seminaari 22.5.2017. Oppimisanalytiik-kasta ja EU:n uudistuva tietosuoja-lainsäädännöstä. Viitattu 15.2.2018. https://www.slideshare.net/cossfi/euroopan-unionin-yleinen-tietosuojaasetus-henriikka-hannula-educloud-alliance Hannula, H. 2017c. Opiskelijaa koskevat tiedot henkilökohtaistamisprosessin välineenä erityisesti henkilökohtaisen osaamisen kehittämissuunnitelman näkö-kulmasta. Viitattu 15.1.2018. https://poluttamo.fi/2017/10/23/opiskelijaa-koske-vat-tiedot-henkilokohtaistamisprosessin-valineena/

47

Hannula, H. 2017d. Tietosuojavaatimukset ulottuvat myös oppimisanalytiikkaan. Suomen eOppimiskeskus ry. SeOppi 01/2017. Viitattu 11.2.2018. https://www.eoppimiskeskus.fi/images/stories/SeOppi/lehdet/SeOppi-01-2017.pdf Heino, O. 2018. Oppimisanalytiikan standardit ja yhteentoimivuuden edellytyk-set. CSC - Tieteen tietotekniikan keskus Oy. Viitattu 19.3.2018. https://wiki.eduuni.fi/display/CSCKOOTUKI/2018_02_21-22+Synergiaryh-man+tyopaja?preview=/61639032/64291911/Oppimisanalytiikan%20standar-dit%20ja%20yhteentoimivuuden%20edellytykset_Turku_21_2_2018.pptx Huhtala, S. & Ihantola, P. Oppimisanalytiikka digitaalisessa ympäristössä. Am-mattikasvatuksen aikakauskirja 03/2017 – 4-6. Viitattu 17.1.2018. https://akakk.fi/wp-content/uploads/Aikak_2017_3_paakirj.pdf Ihantola, P., Vihavainen, A., Ahadi, A., Butler, M., Börstler, J. ym. 2015. Educational Data Mining and Learning Analytics in Programming: Literature Re-view and Case Studies. Proceedings of the 2015 ITiCSE on Working Group Re-ports, 41–63. Viitattu 17.1.2018. https://dl.acm.org/citation.cfm?id=2858798 Järviö, S. 2016a. ViLLE-järjestelmä ennakoi ja tukee oppimista. 2016. Turun yli-opisto. Viitattu 18.3.2018. http://www.utu.fi/fi/Ajankohtaista/Uutiset/Sivut/ViLLE-jarjestelma-ennakoi-ja-tukee-oppimista.aspx Järviö, S. 2016b. Oppimisanalytiikan keskus edesauttaa koulutuksen uudista-mista. Turun yliopisto. Viitattu 15.2.2018. http://www.utu.fi/fi/Ajankohtaista/Uuti-set/Sivut/Oppimisanalytiikan-keskus-edesauttaa-koulutuksen-uudistamista.aspx Kaarakainen, M.-T. & Kivinen, O. 2013. E-oppimiskäyttäytymisen analysointi ReadIT-ohjelman avulla. Teoksessa: Viteli, J. & Östman, A. (toim.) Tuovi 11: In-teraktiivinen tekniikka koulutuksessa 2013-konferenssin tutkijatapaamisen artik-kelit. TRIM Research Reports 9. Informaatiotieteiden yksikkö. Tampere: Tampe-reen yliopisto, 19–25. Viitattu 20.2.2018. https://tampub.uta.fi/bitstream/han-dle/10024/68230/tuovi_11_2013.pdf?sequence=3&isAllowed=y Kerkola, M. 2017. Oppimisanalytiikka opon apuna. Suomen eOppimiskeskus ry. Viitattu 18.3.2018. https://www.eoppimiskeskus.fi/images/stories/SeOppi/leh-det/SeOppi_02-2017.pdf Ketola, A. 2016. Oikeudellisia näkökulmia MyDataan oppilaitoksissa. Viitattu 15.1.2018. https://poluttamo.fi/2017/01/12/oikeudellisia-nakokulmia-mydataan-oppilaitoksissa-ihmiskeskeinen-oppimisanalytiikka/ Knutas, A. & Porras, J. Sosiaalinen verkostoanalyysi opetuksessa - verkkoym-päristöstä luokkahuoneeseen. Ammattikasvatuksen aikakauskirja 03/2017 – 24-38. Kochnev, A. 2018. General plugins (Local): IntelliBoard.net - Reporting and An-alytics Tool for Moodle. Viitattu 16.3.2018. https://moodle.org/plugins/local_intel-liboard

48

Koski, H. 2016. Omat tiedot hallintaan – My Data tutkimuksessa ja opetuk-sessa. Viitattu 16.3.2018. https://www.csc.fi/fi/web/atcsc/-/omat-tiedot-hallin-taan-my-data-tutkimuksessa-ja-opetuksessa Kukkamäki, J. 2018. Microsoft Teams tutkimusryhmän työskentelyn alustana. HAMK Unlimited Professional 14.2.2018. Viitattu 18.2.2018. https://unlim-ited.hamk.fi/yrittajyys-ja-liiketoiminta/microsoft-teams-tutkimusryhman-tyossa Kulin, M. 2016. Valamis-oppimisympäristö opetuksen järjestäjän työkaluna. Vii-tattu 3.3.2018. https://www.theseus.fi/bitstream/handle/10024/117024/Ku-lin_Mikko.pdf?sequence=1&isAllowed=y Lahti, J. 2017. Oppimisalustat - mitä uutta konepellin alla? DigiKilta-webinaari 12.4.2017. Viitattu 18.2.2018. https://www.slideshare.net/eOppimiskeskus/digi-kilta-juha-lahti-pedanet Liferay monitoring using Google Analytics. Liferay Portal. Viitattu 18.2.2018. https://dev.liferay.com/discover/portal/-/knowledge_base/6-2/liferay-monitoring-using-google-analytics Lindén, R. & Laakso, M-J. 2017. Apua sieppareille ruispellossa − oppimisanaly-tiikka opintojen ja opetuksen tukena. Viitattu 16.3.2018. https://poluttamo.fi/2017/05/15/apua-sieppareille-ruispellossa-%E2%88%92-op-pimisanalytiikka-opintojen-ja-opetuksen-tukena/ Lindén, R., Rajala, T., Karavirta, V. & Laakso, M-J. 2016. Utilizing learning ana-lytics for real-time identification of students-at-risk on an introductory program-ming course. EDULEARN16 Proceedings, 1466–1473. Microsoft 2018. 100 tarinaa oppimisen muutoksesta. Tulevaisuuden oppiminen. Viitattu 11.2.2018. https://www.microsoftmahdollista.fi/100tarinaa/wp-con-tent/uploads/2017/05/tulevaisuuden-oppiminen_150.pdf Muukkonen, H., Gedrimiene, E. & Silvola, A. 2017. Oppimisanalytiikka ammatil-lisen koulutuksen kehittämisen tukena. Oulun yliopisto. Viitattu 18.3.2018. https://drive.google.com/drive/folders/0B7YB7z6rvOisVjNVQkNoaHF2TWM Niinimäki, J. 2017. Henkilökohtaisen oppimisympäristön (PLE) pedagogiset ja teknologiset kriteerit ammatillisessa koulutuksessa ja ammatillisessa korkea-koulutuksessa. Kasvatustieteiden tiedekunta. Tampere: Tampereen yliopisto. Pro-Gradu. Viitattu 18.3.2018. https://tampub.uta.fi/bitstream/han-dle/10024/102979/1519383674.pdf?sequence=1&isAllowed=y Niittymäki, T. 2016. Osaamisperustaisuutta korkeakoulutuksessa osaamisanaly-tiikan tukemana – teknisen toteutuksen ja toteutukseen liittyvien eettisten kysy-mysten tarkastelua. Tietojenkäsittelytieteellisiä tutkielmia. Toim. Mäkinen, E. Vii-tattu 18.2.2018. http://www.uta.fi/sis/reports/index/R44_2016.pdf Oppimisanalytiikan keskus. Tulevaisuuden teknologioiden laitos. Turun yli-opisto. Viitattu 18.3.2018. https://oppimisanalytiikka.fi/fi/oppimisanalytiikka

49

Oppimisanalytiikka Oulun yliopistossa. Viitattu 13.2.2018. https://wiki.eduuni.fi/display/CSCTIES/Oppimisanalytiikan+tilannekuva?pre-view=/39978576/41715059/OPPIMISANALYTIIKKA%20OULUN%20YLIOPIS-TOSSA.pdf Poikola, A., Kuikkaniemi, K. ja Kuittinen, O. 2014. My data - johdatus ihmiskes-keiseen henkilötiedon hyödyntämiseen. Liikenne- ja viestintäministeriö. Viitattu 11.3.2018. http://julkaisut.valtioneuvosto.fi/bitstream/han-dle/10024/77875/My_data_-_johdatus_ihmiskeskeiseen_henkilotiedon_hy-odyntamiseen.pdf?sequence=1&isAllowed=y Poluttamo – oma digipolku oppimiseen. Viitattu 13.2.2018. https://poluttamo.fi/ Publications. 2017a. LeTech - Learning + Technology. Aalto University. Viitattu 11.3.2018. http://research.cs.aalto.fi/LeTech/publications.shtml Publications. 2017b. RAGE: Agile Education Research. University of Helsinki. Viitattu 13.2.2018. https://www.cs.helsinki.fi/en/rage/publications Pulkkinen, M. 2017. ITK2017 Intelliboard-pilotointi -työpaja Mika Pulkkinen, Lap-peenrannan teknillinen yliopisto. Viitattu 18.2.2018. https://mediamais-teri.kurssi.tv/videos/mika-pulkkinen/ Seppänen, L. 2017. Oppimisanalytiikan haasteita. Suomen eOppimiskeskus ry. Viitattu 18.3.2018. https://www.eoppimiskeskus.fi/images/stories/SeOppi/leh-det/SeOppi_02-2017.pdf Suhonen, S., & Tiili, J. 2015. Students’ Online Activity on a Fully Online Intro-ductory Physics Mechanics Course. SEFI2015 43nd Annual Conference, Orle-ans, France. Viitattu 16.3.2018. https://www.sefi.be/wp-content/up-loads/2017/09/55889-SJ-SUHONEN.pdf Suhonen, S. & Kinnari-Korpela, H. 2017. Oppimisanalytiikka opetuksen ja oppi-misen tukena. TAMKJournal 29.8.2017. Viitattu 11.2.2018. http://tamkjour-nal.tamk.fi/oppimisanalytiikka-opetuksen-ja-oppimisen-tukena/ Suomen akatemia. 2018. Tulevaisuuden oppiminen ja osaaminen TULOS, 2014-2017. Viitattu 11.2.2018. http://www.aka.fi/TULOS Taivassalo, M. 2017. Oppimisen digitaalinen ekosysteemi. 25.10.2017 eOppimi-sen neuvottelukunta. Viitattu 24.3.2018. https://www.slideshare.net/Minsku/op-pimisen-digitaalinen-ekosysteemi Tietosuoja-asetus 2016/679. Euroopan unionin virallinen lehti. Viitattu 25.1.2018. http://eur-lex.europa.eu/legal-content/FI/TXT/PDF/?uri=CE-LEX:32016R0679&from=FI Turunen, W. 2016. Datatiede verkko-opetuksessa. Tietojenkäsittelytieteen lai-tos. Kuopio: Itä-Suomen yliopisto. Pro-Gradu. Viitattu 18.3.2018. http://epublica-tions.uef.fi/pub/urn_nbn_fi_uef-20161048/urn_nbn_fi_uef-20161048.pdf

50

Valamis documentation. 2018. Gradebook. Viitattu 16.3.2018. https://docs.vala-mis.arcusys.com/gradebook ViLLE - opintopolkuohje opettajille. 2017. Turun yliopisto. Viitattu 18.3.2018. http://ville.cs.utu.fi/opintopolku/villeohje-opintopolku-%20opettajille.pdf ViLLE. Tulevaisuuden teknologioiden laitos. Turun yliopisto. Viitattu 18.3.2018. https://oppimisanalytiikka.fi/fi/ville. Voutilainen, Tomi. 30.11.2017. Tiedollinen itsemääräämisoikeus ja MyData. Valtiovarainministeriön julkaisu. Viitattu 18.2.2018. http://vm.fi/docu-ments/10623/5796157/Voutilainen_YTI+-+tiedollinen+it-sem%C3%A4%C3%A4r%C3%A4%C3%A4misoikeus.pdf/07209ccd-de5e-47e4-82e7-7a1aba01cf3c What is Aalto Online Learning? 2018. Aalto University. Viitattu 13.2.2018. https://onlinelearning.aalto.fi/about/

51 (51) Ammatillinen opettajankoulutus

Ammatillisen opettajankoulutuksen raportti/kehittämistyö maaliskuu 2018