Tenttituloksista veriryhmään – millä opiskelijaa mitataan?

Oppimisanalytiikka on tärkeä osa korkeakoulujen laatutyötä. Tässä kirjoituksessa käsitellään erilaisten oppimisen ja opiskelun mittareiden käyttöä, sekä näiden eettisiä ongelmia.

Oppimisanalytiikka muodostuu yhä tärkeämmäksi osaksi korkeakouluopintoja. Mitä paremmin opiskelijan etenemistä voidaan mitata, sen parempaa tietoa saadaan opetusmenetelmistä ja oppimisen pullonkauloista. Lähes kaikissa laajemmin käytössä olevissa oppimisalustoissa on tuki oppimisanalytiikan työkaluille.

Mitä dataa oppimisanalytiikassa sitten voi hyödyntää? Kirjoittaja oli vuonna 2018 osana tutkijaryhmää, jossa selvitettiin laajasti erilaisia ”akateemisen menestymisen mittareita.” Tutkijat kävivät läpi yli 350 erilaista ensisijaista tutkimusraporttia, jossa aiheena oli opintomenestyksen ennustaminen. Tutkijaryhmä suoritti siis kirjallisuuskartoituksen oppimisanalytiikan käytöstä opintomenestyksen ennustamiseen.

Tuloksista kävi ilmi, että oppimisanalytiikka on 2010-luvulla kasvanut räjähdysmäisesti aiempaan verrattuna. Erilaisista oppimisympäristöistä kerättyä dataa koitetaan analysoida sekä tilastollisten menetelmien avulla ja myös enenevissä määrin koneoppimismenetelmiä käyttäen. Useimmiten oppimisanalytiikassa keskitytään erilaisten arvosanojen tarkasteluun tai opintojen etenemisvauhdin mittaamiseen. Vastaavasti oppimista tai oppimisen laatua mittaavat tutkimukset ovat harvinaisempia. Vaikuttaa siis, että oppimisanalytiikan juuret eivät juurikaan ole pedagogiikassa, vaan oppiminen käsitetään jonkinlaisena liukuhihnaprosessina.

Tulosten perusteella tutkijaryhmä nosti myös esille ongelmakohtia analytiikan eettisessä tarkastelussa. Läpikäytyjen ensisijaisten tutkimusten perusteella esimerkiksi opiskelijan hyvän sosioekonomisen aseman ja vanhempien koulutustason nähtiin ennustavan hyvää menestystä opinnoissa. Lisäksi esimerkiksi O-veriryhmä olisi opinnoissa eduksi. Mikäli analytiikkaa käytettäisiin esimerkiksi opiskelijavalinnan perusteena, voitaisiin äkkiä päätyä heikoille jäille.

Elämme yhä enemmän dataohjatussa ja ohjautuvassa maailmassa. Data, numerot ja mittarit ovat enenevissä määrin osa myös opiskelijan arkea. Mittareita käytettäessä on kuitenkin käytettävä varovaisuutta, sillä liiallinen numeroihin tuijottaminen muodostaisi vinoutuneita malleja, joiden perusteella olisi mahdotonta varmistaa opiskelijoiden tasavertainen kohtelu.

Lähde

Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V., Gutica, M., Hynninen, T., Knutas, A., Leinonen, J., Messom, C., & Liao, S. N. (2018). Predicting academic performance: a systematic literature review. In Proceedings companion of the 23rd annual ACM conference on innovation and technology in computer science education (pp. 175-199).