Gagnadrifið nám hefur á síðustu árum breytt því hvernig hægt er að fylgjast með námsferli nemenda. Hver einasta innskráning, öllum skiluðum verkefnum og hver mínúta sem er varið í stafrænu námsumhverfi skilur eftir sig ákveðin gögn. Þessi gögn eru ekki lengur bara tölur á skjánum heldur efniviður sem hægt er að greina til að skilja nemendur. Í stað þess að treysta eingöngu á próf og skilaverkefni geta skólar nú til dags skoðað stöðugt aðstreymi upplýsinga um virkni, þátttöku og vinnubrögð nemenda sinna. Spurningin er hvort hægt sé að nýta þessa gagnasöfnun á ábyrgan og markvissan hátt til að styðja námið.

Á undanförnum árum hafa ýmis kerfi þróast sem kortleggja námshæfni með greiningu á hegðun í námi. Þau bjóða meðal annars upp á einstaklingsmiðaða leiðsögn og geta jafnframt spáð fyrir um námsárangur. Kerfin geta bent á nemendur sem eru í hættu á að dragast aftur úr og gefa þar með kennurum tækifæri til þess að aðstoða þá betur. Hér vaknar þó lykilspurning: Hvernig geta kerfi sem greina hegðun nemenda bæði stutt einstaklingsmiðaða kennslu og spáð fyrir um námsárangur?

Hvað segir fræðin?
Rannsóknarsviðið sem liggur að baki slíkum kerfum er oft nefnt learning analytics. George Siemens skilgreinir það sem fræðigrein sem beinist að því að mæla, safna, greina og túlka gögn um nemendur og námsumhverfi með það að leiðarljósi að bæta nám og kennslu (Siemens, 2013). Gögn eru ekki aðeins skráning á það sem var heldur verkfæri sem styðja það sem er að gerast núna. Með mynstursgreiningu á atferli námsmanna má finna vísbendingar um hvernig þeir læra, hvar þeir lenda í erfiðleikum og hvernig best væri að styðja þá til að skila sem mestum árangri.

Rebecca Ferguson (2012). bendir á að eitt helsta markmið learning analytics sé snemmtæk greining á áhættusamri hegðun í námi, til dæmis mynstrum sem tengjast brottfalli eða slökum árangri. Slík forspárkerfi byggja á fyrirliggjandi gögnum og reyna að bera kennsl á líkindi milli nemenda áður fyrr og nemendum nútímans. Þannig geta kerfin varað kennara við ef að nemandi sýnir hegðun sem bendir til þess að þeim gangi illa. Simon Buckingham Shum og Rebecca Ferguson (2012) leggja þó áherslu á að slík gögn verði alltaf að túlka í félagslegu og kennslufræðilegu samhengi. Kerfin eiga að styðja faglega dómgreind kennara en ekki taka sjálfstæðar ákvarðanir.

Gagnadrifin námskerfi í notkun
Flest námsumsjónarkerfi safna nú þegar ítarlegum gögnum um nemendur. Kerfi á borð við Moodle og Canvas skrásetja login, lestur á efni, verkefnaskil og þátttöku í umræðum. Kennarar geta síðan farið yfir þessi gögn og farið yfir stöðu hópsins sem og einstakra nemenda. Gagnagreining er þannig orðin hluti af daglegu skólastarfi frekar en einhvers konar tilraunaverkefni (Siemens, 2013).

Kerfin nota mynstursgreiningu til að bera kennsl á óvenjulega hegðun, eins og að nemandi hefur ekki skráð sig inn í ákveðinn tíma, skilað fáum verkefnum eða sýnt óvenju litla virkni. Sum kerfi nota flóknari algrími sem meta líkur á námsörðugleikum. Samkvæmt Ferguson er þróun á þessum greiningum sífellt að færast frá yfirliti yfir í forspárgreiningu þar sem markmiðið er að styðja ákvarðanir áður en vandamál verða alvarleg (Ferguson, 2012). Áreiðanleiki slíkra kerfa ræðst þó af gæðum gagnanna og hönnun námsumhverfisins.

Einstaklingsmiðuð kennsla með gagnastuðningi
Helsti styrkur atferlisgreiningar er sá að hún hjálpar kennurum að sjá hvernig gengur hjá nemendum. Í stað þess að bregðast aðeins við þegar einkunnir lækka í lokaprófi geta kennarar fylgst með þróun yfir önnina. Kennarar geta séð hvaða nemendur lesa efnið, hverjir sleppa verkefnum og hverjir hætta smám saman að taka þátt. Þessar upplýsingar gera kennurum kleift að aðlaga kennsluaðferðir og/eða veita ákveðinn stuðning eftir þörfum.

Ef farið er yfir gögnin með nemendum er hægt að fá nemendur til þess að hugsa sinn gang og taka meiri ábyrgð á eigin námi. Yfirlit yfir eigin virkni hjálpar nemendum að átta sig á vinnuvenjum og breyta þeim ef þörf krefur. Tæknin verður þannig hluti af samvinnu milli kennara og nemenda í stað þess að leysa mannlega þáttinn af hólmi.

Geta kerfi séð vandann áður en hann kemur?
Forspárkerfi meta líkur á árangri í framtíðinni út frá gengi nemenda í rauntíma. Með samanburði við stór gagnasöfn má finna mynstur sem tengjast brottfalli eða slökum árangri. Slík líkön senda sjálfvirkar viðvaranir þegar áhætta eykst og gera það mögulegt að grípa inn í ef nemandi er í hættu að dragast aftur úr (Ferguson, 2012).

Forspá byggir þó á líkindum og getur merkt nemendur á rangan máta. Því þarf að líta á niðurstöður kerfanna sem vísbendingar en ekki heilagan sannleika. Þegar kennarar túlka gögnin í samhengi við þekkingu á nemendum sínum getur tæknin orðið öflugt hjálpartæki. Ef mannlegi þátturinn er fjarlægður er hætta á að flókin mál einfaldist í tölfræðilegar spár sem mála ranga mynd af raunveruleikanum.

Siðferðislegu mörkin, persónuvernd og ábyrgð
Nákvæm gagnasöfnun vekur samt sem áður siðferðilegar spurningar um persónuvernd og traust. Nemendur vita oft lítið um hvaða gögn eru vistuð og hvernig þau eru notuð. Gögn frá námsumsjónarkerfum segja ekki aðeins til um frammistöðu heldur einnig vinnuvenjur og álag, meðal annars.

Buckingham Shum og Ferguson(2012) leggja áherslu á skýran siðferðilegan ramma þar sem nemendur hafa rétt á upplýsingum og áhrifum á notkun gagna. Markmiðið er ekki að hafna tækninni heldur tryggja ábyrga notkun þar sem gögn þjóna náminu en ekki einhvers konar ósýnilegu eftirliti.

Hvert stefnir þetta allt saman?
Kerfi sem greina hegðun í námi sýna að menntun nú til dags sé sífellt að færast dýpra inn í gagnadrifið umhverfi. Ef þau eru notuð rétt geta þau styrkt einstaklingsmiðaða kennslu, komið í veg fyrir brottfall og aukið yfirsýn nemenda yfir eigið nám. Á sama tíma má tæknin ekki þrengja skilning okkar á námi sem félagslegu og mannlegu ferli.

Framtíð slíkra kerfa ræðst af því hvernig þau eru notuð. Ef gagnasöfnun er heiðarleg, hreinskilin og studd af faglegri og fordómalausri dómgreind geta kerfin orðið öflugt tæki til að efla námið. Áskorunin felst ekki í því hvort eigi eða eigi ekki að nota atferlisgreiningu heldur hvernig hún getur þjónað menntun án þess að draga úr mannlega þættinum sem hún þarfnast.

Höfundur: Alex Orri Davíðsson, nemandi við Háskólann í Reykjavík

Heimildir
Buckingham Shum, S., & Ferguson, R. (2012). Social learning analytics. Educational Technology & Society, 15(3), 3–26. https://www.jstor.org/stable/jeductechsoci.15.3.3Ferguson, R. (2012). The state of learning analytics in 2012: A review and future challenges (Technical Report KMI-12-01). Knowledge Media Institute, The Open University. http://kmi.open.ac.uk/publications/techreport/kmi-12-01Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400. https://journals.sagepub.com/doi/10.1177/0002764213498851