Měřit, či neměřit: pro a proti využití technologií k analýze dat ve vzdělávání
“Data analysis provides educational stakeholders a comprehensive overview of the performance of the institution, curriculum, instructors, students, and post-educational employment outlooks” (Avella a kol., 2016).
Přínosy analytiky učení
Výzkumy se shodují, že využití dat ve vzdělávání může mít pozitivní vliv na proces učení a jeho výstupy (Siemens, Long, 2011; SoLAR; Avella a kol., 2016). Díky analýze chování při učení je totiž možné sledovat pokrok studentů. Data navíc mohou sloužit i jako podklad vyučujícím, kteří s jejich pomocí mohou upravovat a přizpůsobovat výuku, čímž vlastně zlepšují i svou praxi vyučujícího.
Society for Learning Analytics Research (SoLAR, 2022) mezi pět nejpopulárnějších cílů zařazuje:
1. podporu rozvoje celoživotních učících dovedností a strategií studentů,
2. poskytnutí personalizované a včasné zpětné vazby studentům týkající se jejich učení,
3. podporu rozvoje důležitých dovedností jako je spolupráce, kritické myšlení, komunikace a kreativity,
4. rozvoj uvědomění studentů pomocí podpory sebereflexe,
5. podporu kvalitního učení a vyučování pomocí empirických důkazů úspěchu pedagogických inovací.
Siemens a Long (2011) mezi přínosy analytiky učení řadí ještě snadnější identifikování studentů, kteří mohou potřebovat asistenci, a poskytnutí náhledu studentům do jejich vlastních učících návyků a přidat doporučení na zlepšení.
Metody a nástroje analytiky mají vedle výše zmíněného ještě další dvě roviny — jejich výstupy mohou dopomoci při transformování podoby vyššího vzdělávání a podpořit vyučujícím zlepšit své výukové metody.
Analytika učení může také odhalit vhodné “alokování zdrojů, rozvoj konkurenčních výhod a hlavně zlepšit kvalitu a hodnotu zážitku z učení” (Siemens, Long, 2011).
Avella a kol. (2016) na základě review literatury zabývající se analytikou učení identifikují ještě další její přínosy, a to i na strukturální úrovni. Díky sledování trendů v chování studentů při zápisu do jednotlivých oborů nebo předmětů mohou vzdělávací instituce upravovat jejich nabídku. Další přínos dat ve vzdělávání vidí Avella a kol. (2016) také v oblasti přizpůsobování nabídky vzdělávacích institucí, aby reflektovala potřeby pracovního trhu, například analýzou dat o (ne)zaměstnanosti absolventů.
V obou případech lze polemizovat, do jaké míry se jedná ještě o analytiku učení a do jaké již toto spadá do analytiky akademické. Rozdíl mezi nimi spočívá totiž hlavně v příjemcích dat. Zatímco analytika učení je zaměřena na studenty a vyučující, analytika akademická své zaměření obrací spíše na vzdělávací instituce a organizace (Ferguson, 2012; Avella a kol., 2016). Jak je však patrné z některých výzkumů, hranice mezi těmito typy analytik nejsou příliš ostré.
Zmiňovaná data o uplatnění absolventů v případě Avella a kol. (2016) totiž nejsou sbírána v průběhu učení ani neslouží ke zlepšení probíhající výuky. Jisté pojítko vnímám pouze v propojení uplatnění absolventů v návaznosti na výuku dalších studentů, nicméně nikoli z hlediska podpory jejich procesu učení, ale samotné náplně oboru, který studují. Vzhledem k tomu, že se jedná o problém strukturální, nikoli problém procesu učení, zařadila bych tuto část nikoli do analytiky učení, ale do analytiky akademické.
Nutno však podotknout, že samotní autoři pracují s definicí, která zahrnuje také “aplikaci známých metod a modelů za účelem adresování problémů ovlivňující učení studentů a organizační vzdělávací systém” (Avella a kol., 2016, s. 14). Na druhou stranu, akademickou analytiku definují jako “aplikaci principů a nástrojů business intelligence na akademickou sféru s cílem zlepšení rozhodovacích schopností a výkonu vzdělávacích institucí” (Avella a kol., 2016, s. 14).
Problémy a výzvy
„Nejzásadnější výzvy analytiky ve vzdělávání nejsou technického rázu“ (Siemens, 2013, s. 1392).
Výzev, kterým analytika čelí, je několik. Od etiky a soukromí uživatelů přes institucionální (nebo organizační) překážky až po nebezpečí nesprávného vyhodnocení dat, a tím pádem i nesprávné predikce něčího chování (SoLAR). Nesmíme zapomínat, že i při analytice učení pracujeme stále se vzory chování. Proto nelze předpokládat, že všechny modely učení vzniklé na základě analýz jsou naprosto přesné a spolehlivé.
Pokud jde o samotná data a jejich sběr, i zde je třeba uvažovat několik faktorů. Jedním z nich je volba platformy (nebo platforem), kde bude učení probíhat. Taková platforma by měla být dostupná, vhodná a praktická pro danou skupinu studentů, a zároveň splňovat požadavky instituce, pod kterou spadá (Avella et. al., 2016). Při vyhodnocování dat je zase důležité mít na paměti, že data, která získáváme, jsou fragmentovaná (Siemens, 2013). To je dáno kombinací platforem, které sledujeme, a platforem a dalších externích faktorů, které sledujeme ani sledovat nemůžeme. Patří sem sociální sítě studentů, jejich rodinná a zdravotní situace apod.
Se sběrem dat souvisí i otázka soukromí studentů, na kterou upozorňuje i Ferguson (2012). Slade a Prinsloo (2013) k tomu navrhli etický framework analytiky učení, který založili na šesti principech:
1. analytika učení není jen o měření, ale je to primárně nástroj, díky kterému budeme procesu učení lépe rozumět
2. studenti by měli se sběrem dat dobrovolně souhlasit a s institucí spolupracovat,
3. data by měla být uchovávána jen po určitou (a předem dohodnutou) dobu, protože analytika učení poskytuje pouze náhled do studentova učení v daném čase, nikoli do jeho identity,
4. studentský úspěch je kombinací několika faktorů, proto jsou získaná data nekompletní a měli bychom k nim přistupovat s rezervou,
5. instituce by měly být ve sběru dat transparentní (jaká data jsou sbírána, kdo k nim má přístup, za jakých podmínek),
6. nemůžeme nevyužívat data ve vyšším vzdělávání, nemůže si to dovolit.
Siemens (2013) zachází ještě nad rámec soukromí a zamýšlí se i nad vlastnictvím dat, copyrightem nebo duševním vlastnictvím studentů jako dalšími problémy, které bude potřeba řešit, nicméně nevnímá je jako problémy pedagogů, nýbrž právních systémů jednotlivých zemí.
Výzvám mohou čelit i pedagogové při samotném procesu hodnocení, neboť s rozmachem možností sběru dat v online prostředí je třeba přemýšlet nad tím, jaká data budou (či potřebují) sbírat, a jak budou která součástí hodnocení.
Pokud dojde k většímu využívání analytiky učení ve vzdělávání, měl by být kladen důraz na to, aby všichni, kteří s daty poté budou pracovat, opravdu jejich analýze rozuměli (Avella a kol., 2016; Siemens, 2013).
Navíc — je třeba, aby v takovém případě byly připraveny hlavně i samy instituce. A to nejen z hlediska poskytnutí nástrojů, ale hlavně vytvoření prostředí, kde je taková analytika možná. K tomu je zapotřebí mezifakultní, mezioborové či jiné mezi-institucionální a vnitro-institucionální spolupráce (Siemens, 2013).
Zdroje
[1] SIEMENS, George; LONG, Phil. Penetrating the fog: Analytics in learning and education. EDUCAUSE review. 2011, roč. 46, č. 5. Dostupné z: https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-learning-and-education
[2] SoLAR (online). What is Learning Analytics? © 2022 [cit. 13.4.2023]. Dostupné z: https://www.solaresearch.org/about/what-is-learning-analytics/
[3] Avella, John T. a kol. Learning analytics methods, benefits, and challenges in higher education: A systematic literature review. Online Learning. 2016, roč. 20, č. 2, s. 13–29. [cit. 13.4.2023]. Dostupné z: https://files.eric.ed.gov/fulltext/EJ1105911.pdf
[4] SLADE, Sharon; PRINSLOO, Paul. Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist. 2013, roč. 57, č. 10, s. 1510–1529. [cit. 13.4.2023] DOI: 10.1177/0002764213479366
[5] SIEMENS, George. Learning analytics: The emergence of a discipline. American Behavioral Scientist. 2013, roč. 57, č. 10, s. 1380–1400.
[6] FERGUSON, Rebecca. Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning. 2012, roč. 4, č. 5–6, s. 304–317.
U anglických zdrojů využívám vlastní překlad.
