Oppimisanalytiikka tarkoittaa eri tietolähteistä kerättyä oppijoiden ja opintojen dataa, jonka avulla tiedosta voidaan muodostaa kokonaiskuvia erilaisten analyysien tueksi sekä ohjaamaan toimintaa. Oppijoista kerättävä data voisi liittyä esimerkiksi koulunkäyntiin, perheeseen, tukeen, sosiaali- ja terveystietoihin tai muihin ulkoisiin tekijöihin.
Oppimisanalytiikka voidaan jaotella eri tasoihin, joita hyödyntää niin tiedolla kasvattamisessa, kuin opetusalan työn helpottamisessa. Analytiikan kaikki tasot palvelevat henkilötasolla, ennakoiva ja ohjaava myös koko yhteiskunnan tasolla.
Kuvailevassa analytiikassa on kyse olemassa olevan tiedon visualisoinnista helpommin ymmärrettävään muotoon. Esimerkki kuvailevan oppimisanalytiikan tasosta on Wilma Dashboard, joka muodostaa selkeän, tietopohjaisen käsityksen yhden yksikön tai jopa koko kunnan tilanteesta, mikä mahdollistaa paremman tietoon perustuvan johtamisen.
Selittävän analytiikan tasolla voidaan esimerkiksi oppijan kohdalla tarkastella, miksi tämä on saanut juuri tietyn arvosanan. Tämä kuitenkin vaatii tiedon tasalaatuisuutta. Syvemmällä tasolla tiedosta voidaan myös muodostaa klusterianalyysejä ja apuna voidaan hyödyntää koneoppimista. Esimerkki selittävästä oppimisanalytiikasta on opettajan rasitusindeksi -algoritmi, jonka kehittämisessä olin itse mukana. Tuo algoritmi poimi kaikki opettajan työn rasittavuuteen liittyvät tekijät Wilmasta, ja erilaisilla painokertoimilla sekä muuttujilla muodosti yhden luvun, joka kuvasi opettajan työn kuormittavuutta visuaalisesti.
Ennakoivassa analytiikassa datasta voidaan tunnistaa trendejä, joiden avulla ennakoida tulevaa. Tämä vaatii kuitenkin tuekseen laajan tietopohjan, jotta voidaan tarkastella kaikkia vaikuttavia tekijöitä ja mahdollistaa laadukas päätöksenteko.
Esimerkiksi Wilman dataa voidaan hyödyntää ennakoimaan, mihin suuntaan arvosanat ovat kehittymässä. Toisena esimerkkinä ennakoivasta oppimisanalytiikasta toimivat myös erilaiset oppilasmääräennusteet, joiden avulla kunnissa voidaan ennustaa oppilasmäärien kehitystä ja vähentää manuaalista työtä aiheeseen liittyen.
Ohjaavassa analytiikassa hyödynnetään koneoppimista ennakoinnin ja johtopäätösten apuna. Kun ihminen on ensin määritellyt, mitä tietoa pohjadataksi kerätään ja tallennetaan, koneäly voi sen avulla muodostaa ennakoivia analyysejä ja ratkaisuehdotuksia tilanteeseen. Työkalun avulla voidaan selvittää laajastikin mitkä lähtökohdat johtavat tietynlaiseen lopputulokseen, sekä tutkia eri asioiden yhteyksiä ja luoda toimenpiteitä.
Ohjaavan oppimisanalytiikan konkreettisia käyttöesimerkkejä ei vielä ole olemassa. Yksi hyödyntämiskohde voisi olla tulevaisuudessa se, että eri roolit koulumaailmassa saavat tietoa ja ohjaavia toimenpide-ehdotuksia:
Tahtotila hyödyntää oppimisanalytiikkaa kasvaa jatkuvasti. Analytiikka voidaankin valjastaa moneen hyvään. Päätökset joita nyt teemme, johdattavat suuntaa tulevaisuudelle: laajempi ja kattavampi kokonaisuus tietoa tuo mukanaan paremman kokonaisnäkymän lasten ja nuorten tilanteeseen sekä tulevaisuuden ennusteisiin.
Samalla on hyvä huomioida, että tiedon hyödyntämiseen liittyy myös paljon epävarmuutta ja pelkoa. Jo tälläkin hetkellä tietoa elämän eri osa-alueista on olemassa runsaasti eri järjestelmissä ja palveluissa, mutta pelko tiedon väärinkäytösten riskistä hidastaa sen valjastamista osaksi oppimisanalytiikkaa ja tiedolla kasvattamista.
