Business Intelligence ve vzdělávání
Žijeme v době datové. Data jsou všude okolo nás a jsou součástí snad každého odvětví. Rozdílem snad může být, že v některých z nich se s daty pracuje již delší dobu a v těch ostatních se teprve přichází na to, k čemu všemu mohou být nápomocné a užitečné.
1. Úvod
Organizace využívají data především pro získání lepšího povědomí o procesech a osobách v rámci organizace, o prostředí dané organizace (např. jaká je konkurence) a o dalších faktorech, které ovlivňují jejich podnikatelskou činnost. Business Intelligence (BI) je tedy konceptem řešení, který umožňuje takovéto informace získat a analyzovat. Na základě těchto informací organizace mohou vidět určitý vývoj — mohou se poučit z minulosti, sledovat současné dění a predikovat budoucnost. Takové informace mohou organizacím usnadnit mj. rozhodovací procesy. Např. je pro ně jednodušší čelit konkurenci, umí se snadněji přizpůsobit rychle se měnícímu prostředí, anebo dokáží rychleji reagovat na nově vzniklou příležitost.
O Business Intelligence řešeních se nejčastěji mluví v souvislosti s organizacemi, jejichž cílem je profit. Avšak objevovat se začínají i řešení, která mohou být využívány i v jiných typech institucí, které ekonomický profil nemají, jako např. ve vzdělávacích institucích. A vlastně proč ne? Popis BI řešení výše se dá jednoduše aplikovat i např. na prostředí školy. BI kombinuje shromažďování dat, ukládání dat a řízení znalostí s analytickými nástroji, které mohou být využity pro prezentaci informací o žácích, jejich výsledků a změn výkonosti. BI řešení jsou navíc schopná ukázat i vzájemné vztahy mezi jednotlivými vzdělávacími proměnnými[1], což může být pro učitele nesmírně důležité, neboť dokáží včas odhalit příčiny případných problémů.
2. Analytika učení
Pravdou je, že o Business Intelligence se ve spojitosti se vzděláváním příliš nemluví. Používá se totiž jiný termín, a to „analytika učení“ (v anglickém prostředí označováno jako learning analytics). A to je v současné době velmi diskutované téma. Tento termín totiž dostala do povědomí širší veřejnosti výroční zpráva Horizon Report[2], ve které byl v roce 2011 použit zcela poprvé. Tehdy toto téma bylo zařazeno do časového horizontu 4–5 let. Analytika učení je zde popisována jako „interpretace široké škály údajů, které byly vytvořeny a shromážděny jménem studentů, aby bylo možné posoudit jejich akademický pokrok, předpovídat budoucí výkon a poznat potencionální problémy.“ S analytikou učení souvisí několik různých disciplín: od data miningu (dolování dat) přes modelování uživatelů až po tzv. adaptivní hypermédia. Samotný termín analytika učení však byl inspirován především termínem webová analytika. Z výše zmíněného termínu Business Intelligence zase vychází jiná analytika, tzv. akademická analytika. Rozdíl mezi těmito analytikami je především ten, že zatímco „analytika učení se zaměřuje na samotné procesy učení a vyučování, na druhé straně akademická analytika souvisí především s problematikou řízení vzdělávacích institucí.“[3]
Jaká data jsou shromažďována
Shromažďovaná data studentů se dělí na dva způsoby: data se získávají z explicitních a tacitních aktivit studenta. Explicitní činnosti jsou např. odevzdané úkoly nebo výsledky ze zkoušek. Tacitní aktivity ale zahrnují i vedlejší činnosti, jako např. sociální interakce na sociálních sítích, mimoškolní aktivity, příspěvky na diskuzních fórech a další možné aktivity studenta. Takové činnosti však samozřejmě nejsou hodnoceny v rámci studentova vzdělávacího pokroku. Důvodem sběru i těchto zdánlivě nesouvisejících údajů je možnost školy a učitelů přizpůsobit vzdělávací proces potřebám a schopnostem každého studenta.
Ovšem data o studentech nejsou jediná data, která jsou důležitá. Aby bylo možné zjistit veškeré potřeby daného vzdělávacího prostředí, je nutné zahrnout do analýzy kromě studentů také jejich rodiče, učitelé, správce, absolventy a také státní instituce. Zkrátka každého, kdo má nějaké požadavky a zároveň se určitým způsobem podílí na fungování univerzity/školy.[4]
2.1. Optimistický pohled
Analytika učení může pozitivně ovlivňovat až čtyři úrovně zainteresovaných subjektů: mega-úroveň (stát), makroúroveň (vzdělávací instituce), mezo-úroveň (účební plán, učitel/lektor) a mikroúroveň (žák/student, OLE).[5]
1. Mega-úroveň tím, že začleňuje data ze všech úrovní vzdělávacího rámce, velmi usnadňuje analýzy mezi několika institucemi. Dokáže zobrazit vztahy v rámci institucí i mezi nimi, což zjednodušuje podávání informací např. o tvorbě vzdělávací politiky.
2. Makroúroveň umožňuje provádět analýzy uvnitř celé instituce. Jejich cílem je porozumět skupinám žáků, aby instituce mohla lépe optimalizovat související procesy. Dalším cílem je zvýšení míry úspěšnosti.
3. Mezo-úroveň se zabývá kurikulem a poskytuje podrobné poznatky o procesech učení pro facilitátory kurzu (tedy učitele a lektory). Tyto informace mohou být užitečné pro zlepšení celkové kvality kurzů nebo vyučovacích hodin. Také mohou pomoci při rozhodovacích procesech o tom, jaké učební materiály do hodin zvolit — dokáží poskytnout např. informace o očekávaných výsledcích kurzů.
4. Mikroúroveň se soustřeďuje především na studenta a na online vzdělávací prostředí (OLE). Cílem této úrovně je podpořit žáka při studiu personalizovanými a adaptivními změnami v tomto řešení a pomoci mu tak dosáhnout lepších výsledků učení.
Predikce (ne)úspěchu ve studiu
V souvislosti s analytikou učení se nejčastěji mluví o schopnosti předpovídat studentovu výkonnost při studiu, a tudíž i jeho úspěšnost či neúspěšnost. Zatímco dříve se učitelé museli spolehnout pouze na svou intuici, aby odhalili, kteří studenti tápou, současní učitelé to dnes mají o něco jednodušší a podložené důkazy. Analýzy jsou schopné ukázat nejen, jak se studentovi daří dnes, ale také to, jak se mu bude dařit v dalších obdobích studia. V oblasti analytiky učení se v současnosti nejvíce využívá výpočet pravděpodobnosti, zda je konkrétní student schopen absolvovat kurz či dokončit celé studium.[6]
Díky analytice učení se učitel lépe seznamuje se studentovými učebními návyky a má tak možnost rychle odhalit vznikající problém a zvýšit jeho míru úspěšnosti. Například, pokud student delší dobu nečte povinné články do školy, může systém navrhnout učiteli, zda ten konkrétní student nepotřebuje zásah. Další případem může být, když za jiných okolností výborný student najednou odevzdá špatně vypracovaný úkol. V takovém případě může vyučující zasáhnout a snažit se zjistit důvody, proč se tak stalo.[7]
Jaké jsou tedy způsoby, aby vzdělávací instituce mohly pomoci studentům zlepšit jejich dosažené studijní výsledky?[8]
1. Sledovat výkony jednotlivých studentů.
2. Dělit výkonnost studentů podle vybraných charakteristik, jako jsou studijní obor, ročník, etnický původ apod.
3. Identifikovat odchylky pro včasný zásah.
4. Předpovídat potenciál tak, aby všichni studenti měli možnost dosáhnout optimálního výsledku.
5. Zamezit úbytku studentů z kurzů nebo programu.
6. Analyzovat standardní metody a nástroje hodnocení.
7. Testovat a hodnotit vzdělávací osnovy.
2.2. Pesimisitický pohled
S každým sběrem dat se naskýtá otázka etických a právních problémů. Jedná se například o relevantnost dat, jejich nesprávnou interpretaci, ochranu dat při jejich skladování nebo otázka soukromí studentů. Níže představím přehled nejčastěji řešených problémů v souvislosti s analytikou učení.[9]
Etické aspekty analytiky učení
Studenti často neví, jaká data jsou o jejich osobě škola nebo univerzita vlastně sbírána a analyzována. Studenti ani neví, jak jsou jejich osobní údaje shromažďovány a uchovávány, nebo jakými způsoby jsou analyzovány a prezentovány dalším zainteresovaným stranám.
V první řadě musí analytik rozlišit relevantnost dat. Ne všechna sesbíraná data o studentech jsou totiž relevantní pro potřeby analytiky učení. Také je potřeba pracovat pouze s přesnými a aktuálními daty. Jiná data by vedla k nesprávným výsledkům a k následné nesprávné interpretaci dat. Samozřejmostí musí být zajištění přesnosti a validity výsledků analýzy a také srozumitelných výsledků pro koncové uživatele — např. ve formě vhodně zvolených, čitelných vizualizací.
Další etický problém souvisí s informovaným souhlasem. Každý student (anebo rodič, jestliže je student mladší 18 let) by měl být poučen o tom, jak je s jeho osobními údaji nakládáno. Cílem je vytvořit důvěryhodný vztah mezi studenty a vzdělávací institucí. Vzdělávací instituce by měly taktéž zajistit ochranu práv a zájmů jejich zaměstnanců a studentů.
Ochrana dat a soukromí
Etické problémy, které jsem zmínila výše, vyžadují morální reakci jednotlivců a institucí. Ochrana dat je závislá na jurisdikci a regionálních postojích k zabezpečení dat. Instituce musí při sbírání a uchovávání dat dodržovat zákon. V České republice se jedná o Zákon č. 101/2000 Sb. o ochraně osobních údajů.
Samozřejmě, že se objevují názory, že sbírat a uchovávat osobní údaje o dětech, není bezpečné. Proto je důležité, aby rodiče byli informování o způsobech využívání osobních údajů jejich dětí, a zároveň musí být ujištěni, že takové využívání v žádném případě nepovede k nějaké újmě. Přesto se spousta lidí domnívá, že je neakceptovatelné uchovávat údaje nezletilých žáků. Právě ze strachu, že by se tato data mohla dostat do nesprávných rukou. Spojené státy americké proto přijaly zákony, které se týkají ochrany dětí v konkrétním státě. V současnosti je sběr a uchovávání vzdělávacích údajů v USA regulováno na federální úrovni. Vznikly tak dva zákony: Family Education and Privacy Act (FERPA) a Children’s Online Privacy Act (COPPA). První jmenovaný ukládá povinnost, že získaná data musí být použity pouze pro vzdělávací účely a přímo školou. COPPA zase upravuje shromažďování údajů o žácích a vyžaduje souhlas se sdílením informací o dítěti mladším 13 let.[10]
Když to shrneme, je nutné, aby rodiče měli přehled o svých dětech a musí mít možnost souhlasit s používáním údajů o nich. A školy se musí naučit, jak data efektivně využívat a zároveň je chránit.
Pochyby o zlepšení kvality vyučování nebo učení[11]
Objevuje se i vyloženě pesimistický pohled na analytiku učení, který říká, že získaná data pro analýzu nejsou o učení ani o výuce. Analytiku učení srovnávají s analytickými systémy, které monitorují chování nakupujících, co dělají lidé při nákupech. Jde o chování, které analytici dokážou předvídat. Stejně tak v analytice učení jde o předvídání toho, že se studenti dobře učí a že učitelé dobře vyučují. Hlavním protiargumentem tedy je, že kvalitu učení a výuky nelze určit z chování, které je sledováno z LMS (Learning Management Systém) nebo jiných souvisejících systémů.
Tomuto pohledu na věc přispívá také fakt, že neexistují žádné důkazy o tom, že by taková data zlepšila učení nebo výuku studentů. Ovšem nemyslí si, že by současné analýzy byly zcela bezpředmětné. Jenom prostě nepodávají takové informace, které by mohly být využity právě pro lepší výuku a učení.
2.3. Sociální analytika učení
Sociální analytika učení je podskupinou analytiky učení, která vychází z pojetí učení jako sociálního procesu. Zaměřuje se zejména na procesy, ve kterých studenti nejsou sami, ale zároveň nemusí nutné pracovat na konkrétním úkolu. Stačí, že jsou zapojeni do společenské činnosti, mají buď přímou interakci s ostatními (např. zasílání zpráv), anebo využívají platforem, na kterých bude jejich činnosti zaznamenávána i jinými (např. publikování, vyhledávání, taggování a hodnocení).[12]
Hlavním specifikem sociální analytiky učení jsou metody výzkumu, jejichž cílem je zachytit sociální aspekty učení. Ačkoli Ferguson a Shum (2012)[13] definují pět různých metodologický rámců, stěžejní roli hraje především analýza sociálních sítí a různé verze automatizované analýzy textových dat.[14]
Sociální analytika učení využívá data, která jsou vytvořena online aktivitou žáků s cílem identifikovat efektivní proces učení. Záměrem je poté učinit tyto výsledky viditelné nejen pro samotné studenty, studentské skupiny, ale také pro učitele, navíc spolu s doporučeními, které mohou vzdělávací proces vylepšit. Dalším zdrojem dat jsou odezvy uživatelů na tyto analýzy a související doporučení.[15]
Je všeobecně známo, že učení je nejvíce efektivní, když probíhá ve spolupráci s ostatními spolužáky. Více lidí má tak možnost sdílet své jednotlivé poznatky, myšlenky a porozumění, což může významně pozitivně ovlivnit výsledky učení nejen jednotlivce, ale také celé skupiny. A protože v rámci sociálního učení jsou nejvyužívanější různé sociální sítě, není tedy žádným překvapením, že hlavní roli v rámci sociální analytiky učení hraje právě analýza sociálních sítí.
3. Existující BI řešení pro vzdělávání
Ačkoli jsme se tedy dozvěděli, že Business Intelligence ve vzdělávání se ve skutečnosti nazývá Learning analytics, přesto mnoho univerzit a škol využívá klasické BI systémy. Mezi tři nejvyužívanější[16] patří:
a) Cognos — BI systém využívaný mnoha vzdělávacími institucemi pomáhá analyzovat všechny aspekty podnikání, včetně financí, zápisů, lidských zdrojů a úspěchů studenta. Jedná se spíše o komplexní BI nástroj, nikoli nástroj určený čistě pro data o studentovi.
b) QlikView — považován za jeden z nejjednodušších a nejdostupnější BI řešení. Systém obsahuje dokonce aplikace, které byly vytvořeny ve spolupráci s některými vzdělávacími institucemi.
c) Tableau — další obecný BI a vizualizační nástroj, také hojně využívaný školami a univerzitami po celém světě.
4. Závěr
Nikdy mě nenapadlo nad školami a univerzitami přemýšlet jako nad klasickými organizacemi s ekonomickým profilem. Ale vlastně to není úplně od věci, i zde probíhá spousta procesů, jejichž data mohou být využívána podobně jako kdekoli jinde. Jako člověk, který bude pracovat v oblasti Business Intelligence, analytiku učení vnímám jako dobrou užitečnou myšlenku. Jen by mě zajímalo, jak daleko jsou s analytikou učení školy a univerzity v Česku. Na to už mi bohužel nezbyl čas ani prostor.
Tento článek vznikl jako závěrečná seminární práce k předmětu VIKMA16 Učící se společnost.
Zdroje
[1] BERTA, Dora-Anca, et al. Business Intelligence in education. In: Conference proceedings of» eLearning and Software for Education «(eLSE). Universitatea Nationala de Aparare Carol I, 2012. p. 62–66. Dostupné z: http://www.editurauniversitara.ro/media/pdf/531dc26061677Business_Inteligence_in_Education.pdf
[2] Johnson, L., Smith, R., Willis, H., Levine, A., & Haywood, K. (2011). The 2011 Horizon report. Dostupné z http://www.nmc.org/pdf/2011-Horizon-Report.pdf
[3] JUHAŇÁK, Libor; ZOUNEK, Jiří. Analytika učení: nový přístup ke zkoumání učení (nejen) ve virtuálním prostředí. In: Pedagogická orientace [online]. 2016, 26(3), 560–583. Dostupné z: https://journals.muni.cz/pedor/article/view/6139
[4] BERTA, Dora-Anca, et al. (2012)
[5] IFENTHALER, Dirk. Learning analytics: benefits and challenges for higher education. In: Council Community [online]. 2015. Dostupné z: https://councilcommunity.com/2015/05/23/learning-analytics-benefits-and-challenges-for-higher-education/
[6] JUHAŇÁK, Libor; ZOUNEK, Jiří. (2016)
[7] UHLER-DIETZ, B.; HURN, J. E. Using learning analytics to predict (and improve) student access: a fakulty perspective. In: Journal of Interactive Online Learning [online]. 2013, 12(1). Dostupné z: http://www.ncolr.org/jiol/issues/pdf/12.1.2.pdf
[8] UHLER-DIETZ, B.; HURN, J. E. (2013)
[9] FERGUSON, R. et al. Guest Editorial: Ethics and Privacy in Learning Analytics. In: Journal of Learning Analytics [online]. 2016 v. 3, n. 1, p. 5–15. ISSN 1929–7750. Dostupné z: http://epress.lib.uts.edu.au/journals/index.php/JLA/article/view/4912
[10] MORRIS, E. Student data privacy: the challeges and opportunities. In: Family Online Safety Institute [online]. 2014. Dostupné z: https://www.fosi.org/policy-research/student-data-privacy-challenges-opportunities/
[11] BAIN, A; DRENGENBERG, N. Data collected about student behaviour doesn’t help improve teaching or learning. In: The Conversation [online]. 2016. Dostupné z: http://theconversation.com/data-collected-about-student-behaviour-doesnt-help-improve-teaching-or-learning-57793
[12] SHUM, S. B.; FERGUSON, R. Social learning analytics. In: Educational technology & society, 2012, 15.3: 3–26. Dostupné z: http://www.ifets.info/journals/15_3/2.pdf
[13] FERGUSON, R.; SHUM, S. (2012). Social Learning Analytics: Five Approaches. In: Proc. 2nd International Conference on Learning Analytics & Knowledge, (29 Apr-2 May, Vancouver, BC). ACM Press: New York. Dostupné z: http://oro.open.ac.uk/32910
[14] JUHAŇÁK, Libor; ZOUNEK, Jiří. (2016)
[15] FERGUSON, R; BUCKINGHAM SHUM, S. (2012)
[16] SCLATER, N. Learning analytics using business intelligence systems. In: Jisc [online]. 2014. Dostupné z: https://analytics.jiscinvolve.org/wp/2014/10/22/learning-analytics-using-business-intelligence-systems/
