Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Opiskelija-analytiikka verkko-oppimisympäristöissä
Mika Aaltonen
Pro gradu -tutkielma
Tietojenkäsittelytieteen laitos
Tietojenkäsittelytiede
Lokakuu 2018
i
ITÄ-SUOMEN YLIOPISTO, Luonnontieteiden ja metsätieteiden tiedekunta, Kuopio
Tietojenkäsittelytieteen laitos
Tietojenkäsittelytiede
Opiskelija, Mika Aaltonen: Opiskelija-analytiikka verkko-oppimisympäristöissä
Pro gradu -tutkielma, 134 s.,1 liite (3 s.)
Pro gradu -tutkielman ohjaaja: Erkki Pesonen, FT
Lokakuu 2018
Tiivistelmä: Opiskelija-analytiikalla tarkoitetaan tiedon keräämistä, analysointia ja
visualisoimista oppimisprosessista data-analytiikan välinein. Menetelminä käytetään
tilastollisia työkaluja ja oppimisen tiedonlouhintaa, joilla kerätään tietoa siitä mitä
opiskelija tekee oppimisen aikana. Kerätystä tiedosta jalostetaan opettajalle ja opis-
kelijalle tarkka oppimisen tilannekuva. Tätä tietoa hyödyntäen oppimista voidaan
nopeammin ohjata oikeaan suuntaan ja havaita oppimisen ongelmakohdat, jolloin
opettajan apua tarvitaan.
Tutkielman tavoitteena on luoda kuva verkossa tapahtuvan oppimisprosessin aikana
tallentuvasta tiedosta ja sen käyttömahdollisuuksista oppimisen tehostamiseksi. Tie-
don keräämistä ja analysointia tutkittiin Moodle-kurssilla opiskelun aikana tallentu-
nutta tietoa käyttäen. Analysoitu tieto oli opiskelijoiden aktiviteettien käyttöä ja opet-
tajan tekemiä arviointeja, joista muodostettiin opettajaa, opiskelijaa ja oppilaitosta
kiinnostavia näkökulmia opetuksen ja oppimisen kehittämiseksi. Lisäksi tutkittiin
opiskelijoiden loppuarvosanaan kurssin aikana vaikuttaneita muuttujia. Kurssi toteu-
tettiin yhden ryhmän osalta verkko-opetuksena ja kolmen ryhmän kohdalta sulautu-
vana oppimisena, jolloin verkko-opetuksen rinnalla oppimista oli tapahtunut myös
luokassa.
Tuloksena havaittiin Moodle-kurssilta tehtävän tiedonkeruun kytkös käytettyihin
aktiviteetteihin ja tarve ryhmitellä aktiviteetteja halutun, oppimiskokonaisuutta ana-
lysoivan lopputuloksen aikaansaamiseksi. Verkkokurssilta tallentui määrällistä ja
laadullista tietoa, josta voitiin nähdä opiskelijoiden kurssin käyttöön liittyviä piirteitä,
seurata oppimisen etenemistä ja ennakoida loppuarvosanaa. Säännöllisen opiskelija-
analytiikan seurannan nähtiin edellyttävän oppimistavoitteiden jakoa osiin, jotka to-
teutettiin Moodlen jaksoja apuna käyttäen. Tehtyjä havaintoja laajennettiin ja vertail-
tiin pro gradu -tutkielmassa esitetyin menetelmin tavoitteena luoda tilannekuva opis-
kelija-analytiikan nykyhetken mahdollisuuksiin ja käytettävyyteen oppimistulosten
parantamiseksi ja opetustyön tehostamiseksi. Tarkastelun pohjalta havaittiin datan
analysoinnin kautta saatavia kurssin kehittämiskohteita ja opiskelijoiden käyttäyty-
miskuvioita, mutta myös lisätutkimuksen tarvetta erityisesti opiskelija-analytiikan
suunnittelun ja käyttöönoton osalta.
Avainsanat: opiskelija-analytiikka, oppimisanalytiikka, oppimisen tiedonlouhinta,
oppimisen hallintajärjestelmä
ACM-luokat (ACM Computing Classification System, 2012 version):
Applied computing~Interactive learning environments
ii
UNIVERSITY OF EASTERN FINLAND, Faculty of Science and Forestry, Kuopio School of Computing, Computer Science
Student, Mika Aaltonen: Student-analytics in e-learning environments
Master’s Thesis, 134 p., 1 appendixes (3 p.)
Supervisors of the Bachelor’s Thesis: PhD Erkki Pesonen
October 2018
Abstract: Student-analytics denote collecting, analyzing and visualizing information
on the learning process using data-analytical tools. The methods used are related to
statistical and data mining analytics. Intention is to gather information about what a
student performs during learning process. Visualized information is refined to the
teacher and the student with an accurate learning context. Using this information
learning can be more effective controlled and problem areas recognized to guide the
teacher.
The aim of the thesis is to explore the information stored during the online learning
when used learning management system and to study potential of the stored data to
enhance learning. The collection and analysis of the data has been studied in more
detail examining the data recorded during Moodle course. The data analyzed consist
of student activities and teacher evaluations. Cognition is used to develop teaching
and learning visualizations to help teachers, students and institutions to gather inter-
esting and helpful perspectives for developing teaching and learning. Further being
studied variables that have influenced the final grade of students during the course.
The course has been implemented as online course for one group and as blended
learning for three groups. Blended learning is implemented using classroom and
online course.
Importance between Moodle activities and data collection was observed as a result.
To achieve outcome of the eligible learning analysis activities can be grouped as a
learning target. Moodle stored quantitative and qualitative data that was used to de-
termine the characteristics of the student's use of the course, to track the progress of
learning and to predict the final grade. Learning objectives were implemented using
Moodle's sequences. Findings are expanded and compared with the methods present-
ed in the Master's thesis aiming to create a snapshot of the current possibilities of
student analytics. Further research is important to explore course data analytics de-
sign and to implement analysis as a part of the teaching.
Keywords: Learning analytics, educational data mining, learning management sys-
tems
CR Categories (ACM Computing Classification System, 2012 version):
Applied computing~Interactive learning environments
iii
Sisällysluettelo
1 Johdanto ...................................................................................................... 1
2 Opiskelija-analytiikka opetuksessa ............................................................. 3
2.1 Opetussuunnitelmasta osaamistavoitteisiin ja arviointiin ................... 4 2.2 Verkko-opetus ..................................................................................... 4
2.2.1 Oppimisen hallintajärjestelmä ............................................ 6
2.2.2 Synkroniset ja asynkroniset verkkotyökalut ....................... 9 2.2.3 Arviointi oppimisen hallintajärjestelmässä ......................... 9
2.3 Opiskelija-analytiikka opetussuunnitelman osana ............................ 10 2.4 Oppimisesta kerättävä tieto ............................................................... 12
2.4.1 Tiedon rakeisuus ............................................................... 12 2.4.2 Oppimisesta kerätyn tiedon arviointi ................................ 13 2.4.3 Laadullinen ja määrällinen tieto ....................................... 14
2.4.4 Moodlen keräämä tieto ..................................................... 15 2.4.5 Web-palvelimen keräämä tieto ......................................... 15
2.5 Verkkokurssin rakenne ja toiminnot ................................................. 17 2.5.1 Verkkokurssin ydintoiminnot ........................................... 17 2.5.2 Sulautuva opetus verkkokurssilla ..................................... 18
2.5.3 Yhteistoiminnallisen oppimisen menetelmä ..................... 19 2.5.4 Verkkokurssin kurssikartta ............................................... 20
2.5.5 Opiskelija-analytiikan viitekehys ..................................... 21 2.6 Opiskelija-analytiikan menetelmiä ................................................... 23
2.6.1 Tilastolliset työkalut ......................................................... 23
2.6.2 Tiedonlouhinta .................................................................. 25
2.6.3 Markovin piilomalli .......................................................... 31 2.6.4 Sosiaalisen oppimisen analyysi ........................................ 32 2.6.5 Tiedon visualisointi ........................................................... 33
2.7 Opiskelija-analytiikan työkaluja ....................................................... 35 2.7.1 Blocks: Course Dedication ............................................... 38
2.7.2 Visual eLearning Analytics .............................................. 41 2.7.3 Moodle Engagement Analytics ......................................... 42
2.7.4 Graphical Interactive Student Monitoring and Tracking System
43 2.7.5 Monitoring Online Courses with Logfiles ........................ 44 2.7.6 Learning Analytics Enhanced Rubric ............................... 45 2.7.7 SmartKlass ........................................................................ 46
2.7.8 Moodlen oma tietovisa (quiz) ........................................... 50 2.7.9 Interactive Assignment ..................................................... 50
2.7.10 Sosiaalisen verkoston analysointityökaluja ...................... 52 2.7.11 Opiskelijan älykäs ohjaaminen: Merlin-know .................. 56 2.7.12 Moodle Data Mining ......................................................... 57
2.8 Yhteenveto opiskelija-analytiikasta opetuksessa .............................. 58 2.8.1 Tiedon tallennus ................................................................ 58
2.8.2 Oppimissovellukset ........................................................... 59
iv
2.8.3 Verkkokurssin toteutus ..................................................... 60 2.8.4 Skaalautuvuus ................................................................... 61
3 Opiskelija-analytiikka Johdatus tietojenkäsittelyyn -kurssilla ................. 62
3.1 Johdatus tietojenkäsittelyyn -kurssi .................................................. 64 3.2 Tiedonkeruu Moodlesta .................................................................... 65
3.3 Tiedon analysointiväline Microsoft Power BI Desktop ................... 66 3.4 Seurattavat kohteet ............................................................................ 68 3.5 Tiedon analysoinnin tasot ................................................................. 69 3.6 Muuttujien tarkastelu ........................................................................ 70
3.6.1 Tarkasteluun valitut muuttujat .......................................... 70
3.6.2 Muuttujien tilastollisen merkityksellisyyden arviointi ..... 71 3.6.3 Korrelaatioanalyysi ........................................................... 81
3.6.4 Päätöspuuluokittelu ........................................................... 84
3.7 Kurssilla käynti ................................................................................. 88 3.7.1 Viikonpäivä ....................................................................... 90 3.7.2 Kellonaika ......................................................................... 91 3.7.3 Jaksot ................................................................................ 93
3.8 Keskustelualueet ............................................................................... 96 3.9 Tentit ................................................................................................. 97
3.10 Tehtävät .......................................................................................... 101 3.10.1 Kotitehtävät ..................................................................... 101
3.10.2 Harjoituksiin osallistuminen ........................................... 104 3.11 Johtopäätökset Moodle-kurssin opiskelija-analytiikasta ................ 105
3.11.1 Moodle-kurssin rakenne ................................................. 105
3.11.2 Oppimisen iteraatiot ........................................................ 107 3.11.3 Osaamis- ja oppimistasot ................................................ 107
3.11.4 Moodlen oppimistavoitteet ............................................. 108 3.11.5 Opiskelijan tehtävistä saama palaute .............................. 108
3.11.6 Tentit ja Markovin piilomalli .......................................... 110 3.11.7 Power BI Desktop opiskelija-analytiikan työvälineenä .. 110 3.11.8 Määrällisen ja laadullisen arvioinnin yhdistäminen ....... 112
3.11.9 Arviointitiedosto ja redundanssi ..................................... 112 3.11.10 Opiskelija-analytiikan mittaristo ..................................... 113
4 Yhteenveto .............................................................................................. 120
4.1 Mitä on opiskelija-analytiikka ja miten se toimii? .......................... 120 4.2 Miksi opiskelijatietoa kerätään? ..................................................... 123 4.3 Kenelle opiskelijatietoa kerätään? .................................................. 123
4.4 Opiskelija-analytiikan hyödyntäminen ........................................... 124
4.5 Lisätutkimuksen aiheita .................................................................. 127
Lähteet ............................................................................................................ 129
Liitteet
Liite 1: Palveluna toimivia verkkosivujen analytiikkatyökaluja (3 sivua)
1
1 Johdanto
Tietoyhteiskunnassa päätöksenteko liittyy yhä tiiviimmin tietoon. Tämä muodostaa
uudentyyppisen sosiaalistumisen tyypin: Yksilön tuottavan asenteen tietoon ja kogni-
tioon eli tietoyhteiskuntaan sosiaalistumiseen (Karpov 2016, 3487). Tietoyhteiskunta
luo myös tiedon ylikuormituksen ongelman, jonka seurauksena on vaara menettää
sellaista tietoa, joka ei ole tarkasteltavan tehtävän kannalta merkityksellisiä, jota on
käsitelty sopimattomalla tavalla tai jonka esitys on epäasianmukaista (Keim ym.
2008, 154). Opiskelijan kasvua digitalisoituvassa yhteiskunnassa voidaan tukea opis-
kelija-analytiikan avulla. Opiskelija-analytiikka kerää oppimisesta tietoa, joka opetta-
jalta ja opiskelijalta muuten saattaisi jäädä tehokkaasti hyödyntämättä. Tietoa sovel-
letaan oppimiseen liittyvässä päätöksenteossa, jolloin opiskelija oppii ymmärtämään
ja soveltamaan oppimisprosessin aikana myös laajemmin tietoyhteiskunnassa yleis-
tyviä algoritmisia päätöksentekomenetelmiä.
Data-analytiikan tavoitteena on löytää malleja ja suhteita tietoihin. Sen menetelmiä
voidaan soveltaa silloin, kun tarkasteltavaa lopputulosta kuvaavaa, laadukasta tietoa
on mahdollista kerätä riittävästi. Opiskelija-analytiikassa tietoa kerätään data-
analytiikan välinein oppimisprosessista. Menetelminä ovat tilastolliset välineet ja
oppimisen tiedonlouhinta, joilla kerätään tietoa siitä mitä opiskelija tekee oppimisen
aikana. Kerätystä tiedosta jalostetaan opettajalle ja opiskelijalle itselleen tarkka tilan-
nekuva. Tätä tietoa hyödyntäen oppimista voidaan nopeammin ohjata oikeaan suun-
taan ja havaita oppimisen ongelmakohdat, jolloin opettajan apua tarvitaan (Ihantola
ym. 2015, 1).
Tutkielmassa perehdytään opiskelija-analytiikan menetelmiin ja käyttöön tietojenkä-
sittelytieteen opetuksessa. Menetelmät ovat sovellettavissa myös muilla aloilla. Suuri
arvioitava kysymys on opetuksen osana toteutettavan laadukkaan ja riittävän katta-
van tiedonkeruun järjestäminen. Tutkielma on toteutettu kirjallisuuskatsauksena ja
Moodle-kurssilta kerättyä dataa analysoivana erikoistyönä. Tutkielman tutkimusky-
symykset ovat seuraavat:
1. Mitä on opiskelija-analytiikka ja miten se toimii?
2. Miten oppimisen hallintajärjestelmää voidaan soveltaa tiedon keräämiseen?
2
3. Miten oppimisesta kerättyä tietoa voidaan hyödyntää opiskelijan, opettajan ja
oppilaitoksen näkökulmista?
Tutkielma on jaettu kolmeen osaan: Teoriaan, analyysiin ja johtopäätöksiin. Luvussa
1 on teoriaosuus, jossa kuvataan opiskelija-analytiikan tutkimuksen soveltamista
tietojenkäsittelytieteen opetuksessa. Osuudessa käsitellään tutkimuksissa käytettyjä
tiedonkeruuvälineitä ja -menetelmiä sekä analysoidaan erilaisiin tarkoituksiin kehi-
tettyjen kehysten sovellettavuutta opiskelija-analytiikan näkökulmasta.
Luvun 2 analyysissä esitetään pro gradu -tutkielman rinnalla tehdyn erikoistyön
”Opiskelija-analytiikkaa Moodle-datasta” kautta saatuja keskeisiä tutkimustuloksia ja
peilataan niitä käsiteltyihin tutkimuksiin ja tutkimuksista saatuihin tuloksiin. Yhteen-
veto ja johtopäätelmät ovat luvussa 3.
3
2 OPISKELIJA-ANALYTIIKKA OPETUKSESSA
Opiskelijan opetustilanteiden aikana suorittamien tehtävien analysointi antaa opetta-
jalle hyvän kuvan opiskelijan oppimisen etenemisestä. Opiskelijoiden luokittelu ope-
tettavan aiheen osaamisen perusteella mahdollistaa oikeaa tasoa vastaavien tehtävien
antamisen, jolloin oppimista tapahtuu koko oppimisasteikolla (Diana ym. 2017, 7; Fu
ym. 2017, 7). Sopivasti oppimista haastavat tehtävät ylläpitävät myös opiskelijan
motivaatiota. Lisäksi opiskelija-analytiikan avulla on mahdollista saada palautetta
tehtävien toimivuudesta niiden kehittämiseksi (Fu ym. 2017, 4).
Opettajan ja opiskelijan on tärkeää saada palautetta ja nähdä edistymisensä koko op-
pimisprosessin aikana (Fernandez-Medina ym. 2013, 1). Oppimistulokset voidaan
esittää kootusti yhdessä paikassa opiskelija-analytiikan kojelaudalla, joka antaa pa-
lautetta opiskelijalle itselleen, mutta laajemmassa kontekstissa myös opettajalle koko
ryhmän etenemisestä (Trætteberg ym. 2016, 666; Diana ym. 2017, 4). Rutiininomai-
sen tehtävien tarkistamisen automatisointi jättää opettajalle enemmän aikaa ohjata
oppimisen aikana esiin nousevia kehityskohteita ja varmistaa oppimisen laatu
(Trætteberg ym. 2016, 666-667).
Luvussa tarkastellaan opiskelija-analytiikan soveltamiseksi tietojenkäsittelytieteen
opetuksessa oppimisen hallintajärjestelmässä liittyvää tutkimusta tarkoituksena muo-
dostaa kuva mitä oppimisen hallintajärjestelmää käyttävällä opiskelija-analytiikalla
tarkoitetaan, miten tietoa oppimisesta tällaisessa ympäristössä kerätään ja miten sitä
hyödynnetään.
Aliluvussa 2.1 tarkastellaan oppilaitoksen opetustoimintaa: Opetussuunnitelmaa,
osaamistavoitteita ja arviointia, joiden osaksi opiskelija-analytiikka voidaan integroi-
da. Aliluvussa 2.2 käsitellään verkko-opetusta: Oppimisen hallintajärjestelmää ja
verkkotyöskentelyn aikaan sidottua tai sitomatonta luonnetta, joka on hyvä tunnistaa
opiskelija-analytiikan määrittelyssä. Aliluvussa 2.3 esitellään menetelmä opiskelija-
analytiikan liittämiseksi opetussuunnitelman osaksi.
Oppimisesta kerättävää tietoa on käsitelty aliluvussa 2.4. Näkökulmat ovat tiedon
rakeisuus, keräystaajuus, laatu ja määrä sekä Moodle ja web-palvelin tiedonkeruu-
4
paikkoina. Opiskelija-analytiikalle soveltuvan verkkokurssin rakennetta ja toimintoja
esitellään aliluvussa 2.5, joka jakautuu verkkokurssin ydintoimintojen määrittelyyn,
sulautuvan ja yhteistoiminnallisen oppimisen menetelmien esittelyyn, verkkokurssin
kurssikartan laatimiseen ja lopuksi opiskelija-analytiikan viitekehykseen, joka ha-
vainnollistaa järjestelmän keräämät tiedot, käyttötarkoituksen ja tiedon keräysmene-
telmän.
Aliluvussa 2.6 on esitelty opiskelija-analytiikan tiedonkäsittelymenetelmiä. Tällaisia
ovat tilastolliset työkalut, tiedonlouhinta, Markovin piilomalli, sosiaalisen oppimisen
analytiikka ja kerätyn tiedon opettajan ja opiskelijan ymmärrettävään muotoon ko-
koava visualisointi. Aliluvussa 2.7 esitellään pääosin Moodlessa hyödynnettäviä
opiskelija-analytiikan työkaluja. Luvun yhteenveto on aliluvussa 2.8.
2.1 Opetussuunnitelmasta osaamistavoitteisiin ja arviointiin
Oppilaitoksen toimintaa voidaan tarkastella kolmella tasolla: Koko organisaatio, tie-
dekunta/osaamisala ja yksikkö/opettaja (Dawson ym. 2008, 223). Usein oppilaitok-
sessa kerätään tietoa oppimisesta vähintään opetuksen ja oppilaitoksen tasoilla. Oppi-
laitoksen toimintaa ohjaa keskeisesti opetussuunnitelma. Opetussuunnitelmassa il-
maistaan opetuksen tavoitteet ja opiskelijoiden arvioinnin perusteet (Uusikylä & At-
jonen 2007, 46).
Arviointi on opettajan vastuulla oleva tehtävä, jossa opiskelijalle ja opettajalle tuote-
taan tietoa oppimisen etenemisestä opetussuunnitelmasta johdettujen, ennalta julkais-
tujen, osaamistavoitteista johdettujen arviointikriteerien pohjalta. Osaamistavoitteet
liittyvät erityisiin tietoihin, käytännön taitoihin, ammatillisen kehityksen alueisiin,
asenteisiin ja korkeamman asteen ajattelutaitoihin, joita opiskelijoiden odotetaan
kehittävän, oppivan tai hallitsevan kurssin aikana (Yassine ym. 2016, 263). Osaamis-
tavoitteiden osana ilmaistaan myös miten opiskelijan on osoitettava osaamisensa.
2.2 Verkko-opetus
Aliluvussa tarkastellaan verkko-opetuksen luonnetta pedagogisesta ja käytännön nä-
kökulmasta. Aluksi esitellään sulautuvan opetuksen käsite, tämän jälkeen oppimisen
5
hallintajärjestelmä Moodle ja lopuksi oppimisen hallintajärjestelmästä löytyvien
verkkotyökalujen synkroninen ja asynkroninen luonne, joka vaikuttaa verkko-
opetuksessa käytettävien työkalujen valintaan.
Verkko-opetus voidaan järjestää sulautuvana tai kokonaan verkossa tapahtuvana
opetuksena. Sulautuvassa opettamisessa (blended learning) kurssille on suunniteltu
kontakti- ja verkko-opetus omina, toisiaan tukevina kokonaisuuksina. Tällöin luok-
kahuone ja virtuaalinen oppimisympäristö sulautuvat kokonaisuudeksi, jossa oppi-
minen tapahtuu (Adraoui ym. 2017, 1; Conde ym. 2015, 1; Levonen ym. 2009, 15-
16). Kontakti- ja verkko-opetuksen eri sulautumisen tasot on esitetty kuvassa 1.
Kuva 1. Sulautuvat vuorovaikutusympäristöt. Kuvassa kasvokkainen vuorovaikutusympäristö
ja verkkoympäristö yhdistyvät mielekkääksi oppimisympäristöksi (Levonen ym. 2009, 129)
Kuvassa 1 nähdään sulautuvan opetusympäristön ”sekoittuminen” perinteisen, kas-
vokkain tapahtuvan, luokkaopetuksen ja verkkovuorovaikutusympäristössä tapahtu-
van oppimisen kesken. Sulautuvan oppimismenetelmän kursseilla voidaan sulauttaa
oppimistehtävien tekemistä, opiskelijoiden vuorovaikutusta ja opettamis-
ta/ohjaamista (Osguthorpe & Graham 2003, 232). Menetelmä mahdollistaa monipuo-
liset pedagogiset mahdollisuudet, tiedon saatavuuden, sosiaalisen vuorovaikutuksen,
mahdollisuuden opiskelijan itsenäiseen toimintaan, kustannustehokkuuden ja hyvän
6
muokattavuuden päivitysten ja korjausten osalta (Osguthorpe & Graham 2003, 230-
231).
2.2.1 Oppimisen hallintajärjestelmä
Verkossa tapahtuvassa opettamisessa käytetään apuna järjestelmää, jota kutsutaan
verkko-oppimisympäristöksi (learning system/virtual learning environment) tai op-
pimisen hallintajärjestelmäksi (learning management system) (mm. Retalis ym.
2006, 1; Conijn ym. 2017, 17). Oppimisen hallintajärjestelmän toimintoja ovat op-
pimisprosessin hallinta, dokumentointi, seuranta ja raportoiminen. Järjestelmä tukee
oppimista tarjoten verkossa oppimiseen liittyvää sisältöä ja valinnaisia osia, kuten
kyselyt, esitykset, tehtävät ja keskustelualueet. Lisäksi järjestelmä mahdollistaa opet-
tajalle mahdollisuuden jakaa ja hallita resursseja helposti suoraan järjestelmän sisäl-
lä.
Yksi suosituimmista oppimisen hallintajärjestelmistä on Moodle. Moodle1 (Modular
Object-Oriented Dynamic Learning Environment) on Martin Dougiaman kehittämä,
vuonna 2001 avoimen lähdekoodin General Public License -lisenssillä julkaistu
verkko-oppimisympäristö, jota kehittää yli 80 maailmanlaajuisen yhteistyöyrityksen
tukema Moodle HQ -verkosto. General Public License on GNU-hankkeen vapaiden
ohjelmien julkaisemiseen tarkoitettu lisenssi, joka tunnetaan nimillä GNU GPL tai
GPL. Lisenssi mahdollistaa ohjelman vapaan kehittämisen sillä edellytyksellä, että
kehitetty lähdekoodi on julkaistava samalla lisenssillä. Moodle on toteutettu PHP2-
ohjelmointikielellä. PHP on avoimen lähdekoodin skriptipohjainen ohjelmointikieli
dynaamisten web-sivujen luomiseksi web-palvelinympäristössä. Ohjelmointikielessä
on laaja luokkakirjasto, jossa on kokoelma rajapintoja (interfaces) ja luokkia (clas-
ses) erilaisten ongelmien ratkaisemiseksi.
Kuvassa 2 on esitetty PHP-pohjaisen järjestelmän toiminta tyypillisessä web-
palvelinympäristössä. jossa on mukana tietokanta- ja sähköpostipalvelimet.
1 https://moodle.com/about/ (viitattu 7.6.2018) 2 http://www.php.net/ (viitattu 29.1.2018)
7
Kuva 2. PHP-järjestelmän toiminta palvelinympäristössä. Web-palvelin tunnistaa asiakkaan
selaimelta tulevan PHP-sivulatauspyynnön, jonka se lähettää PHP-tulkille käsiteltäväksi. PHP-
tulkki käsittelee sivun ja kommunikoi tarvittaessa tiedostojärjestelmän, tietokannan ja sähkö-
postipalvelimen kanssa ja toimittaa verkkosivun web-palvelimelle palautettavaksi selaimeen.
Lähde: W3 schools PHP tutorial3
Kuvassa 2 nähdään PHP-tulkin toimintaympäristö, johon kuuluvat web-palvelin,
käyttöjärjestelmän osana toimiva tiedostojärjestelmä, tietokanta ja sähköpostipalve-
lin. PHP-tulkki toimii usein LAMP-ympäristössä. LAMP-ympäristöllä tarkoitetaan
Linux-Apache-MySQL-PHP -ohjelmistojen yhdistelmää. Linux on UNIX-
järjestelmään perustuva, Linux-ytimellä toimiva käyttöjärjestelmä. Linux-ytimen on
kehittänyt suomalainen Linus Torvalds vuonna 1991. Linux-jakelut on julkaistu Ge-
neral Public License -lisenssillä. Linux-jakeluissa on ytimen lisäksi mukana järjes-
telmätyökaluja, sovelluksia ja työkaluja järjestelmän päivitysten asentamiseen.
Apachella tarkoitetaan web-palvelinta. Web-palvelin käsittelee käyttäjän internet-
selaimen lähettämät HTTP-protokollanmukaiset sivunlatauspyynnöt ja palauttaa si-
vut selaimessa tulkittavaksi. HTTP (Hypertext Transfer Protocol) on selaimen ja
web-palvelimen välillä käytettävä tiedonsiirtoprotokolla. Protokollassa asiakas avaa
palvelimelle TCP-yhteyden ja lähettää pyynnön. TCP on tietoliikenneprotokolla,
jonka avulla tietokoneet voivat lähettää luotettavasti toisilleen tavujonoja. Web-
palvelin vastaa pyyntöön palauttamalla latauspyyntöä vastaavan vastauksen, joka voi
HTML-sivun lisäksi olla binääridataa. Binääridatana voidaan siirtää esimerkiksi ku-
3 https://www.w3schools.in/php/php-basics/ (viitattu 29.1.2018)
8
va- tai äänitiedostoja. PHP-tulkki on integroitu web-palvelimelle. Havaitessaan PHP-
sivulatauspyynnön web-palvelin lähettää sen PHP-tulkille käännettäväksi. PHP-
tulkki palauttaa kääntämänsä tuloksen web-palvelimelle toimitettavaksi asiakkaan
selaimelle.
MySQL on suomalaisen Michael Wideniuksen ja ruotsalaisen David Axmarkin
vuonna 1995 luoma relaatiotietokantapalvelin. Tietokannan sisältämällä tiedolla on
looginen yhteys ja merkitys; Moodle käyttää tietokantaa esimerkiksi tallentaessaan ja
lukiessaan käyttäjiinsä liittyvää tietoa. Relaatiotietokannalla tarkoitetaan E. F. Cod-
din vuonna 1970 esittelemään relaatiomalliin perustuvaa tietokantaa. Coddin re-
laatiomallissa tieto järjestetään tauluihin, sarakkeisiin ja riveihin. Tauluja kutsutaan
myös relaatioiksi ja rivejä tietueiksi. Taulut ilmentävät kokonaisuuden tyyppiä (enti-
ty type), rivit tämän kokonaisuuden esiintymää ja sarakkeet esiintymän arvoa. Jokai-
nen rivi erotetaan yksilöllisellä avaimella. MySQL käyttää lähes kaikkien muiden
relaatiotietokantojen tavoin SQL-kieltä tietokannan hallintaan. SQL (Structured
Query Language) IBM:n kehittämä, standardoitu kyselykieli relaatiotietokannan hal-
lintaan. SQL:n avulla on mahdollista muuttaa tietokannan rakennetta sekä hakea,
lisätä, muuttaa ja poistaa siinä olevaa tietoa. MySQL on julkaistu General Public
License -lisenssillä. PHP:n lisäksi mm. Python ja Perl-ohjelmointikielet sisältävät
tuen MySQL-tietokannan käyttämiselle. Moodlen tukemat tietokantapalvelimet on
esitetty taulukossa 1.
Taulukko 1. Moodle 3.4:n tukemat tietokantapalvelimet. Lähde: Moodlen dokumentointi4
Tietokantapalvelin Vähimmäisversiovaatimus Suositeltu
MariaDB 5.5.31 Uusin vakaa versio
Microsoft SQL Server 2008 Uusin vakaa versio
MySQL 5.5.31 Uusin vakaa versio
Oracle Database 10.2 Uusin vakaa versio
PostgreSQL 9.3 Uusin vakaa versio
Moodlen työkaluista käytetään nimitystä aktiviteetti. Moodlen aktiviteetit5 ovat reaa-
liaikainen keskustelu (chat), interaktiivinen video ja luentomateriaali (H5P), keskus-
4 https://docs.moodle.org/dev/Moodle_3.4_release_notes#Server_requirements (viitattu 29.1.2018) 5 https://docs.moodle.org/3x/fi/Aktiviteetit (viitattu 22.1.2018)
9
telualue, kysely, oppitunti. palaute, sanasto, tehtävä, tentti, tietokanta, työpaja, valin-
ta ja Wiki.
2.2.2 Synkroniset ja asynkroniset verkkotyökalut
Verkko-opetuksessa käytettävät työkalut voidaan jakaa opiskelun saman- tai eriaikai-
sen luonteen perusteella synkronisiin ja asynkronisiin (Adraoui ym. 2017, 1.). Synk-
ronisilla työkaluilla (synchronous learning tools) tarkoitetaan ääni- ja videotapaamis-
ta sekä virtuaalista luokkatilaa, jossa opiskelijat ovat samanaikaisesti paikalla. Synk-
roniset työkalut mahdollistavat tosiaikaisen vuorovaikutuksen opiskelijan ja ohjaajan
välillä ja vähentävät opiskelijan eristyneisyyden tunnetta verkkoympäristössä. Synk-
ronisten työkalujen käyttö vähentää aikaa, jonka opiskelija viettää fyysisessä luokka-
huoneessa. Ne mahdollistavat oppimisen paikasta, mutta eivät ajasta riippumatta.
Moodlen aktiviteeteista reaaliaikainen keskustelu (chat) on ainoa synkroninen työka-
lu.
Asynkroniset työkalut (asynchronous learning tools) ovat verkko-opetuksessa käytet-
täviä työkaluja, jotka eivät vaadi samanaikaista yhteyttä työkalun käyttäjien välillä.
Tällaisia työkaluja ovat esimerkiksi verkkokursseilla käytettävät tehtävät, tentit, kes-
kustelualueet ja wiki. Koska asynkroniset työkalut eivät vaadi samanaikaisuutta käyt-
täjiltään, ne mahdollistavat oppimisen paikan lisäksi myös ajasta riippumatta. Aikaan
sitomattomat työkalut soveltuvat tehtäviin, joissa opiskelijalle halutaan antaa mah-
dollisuus perehtyä ja ratkoa ongelmaa omassa aikataulussaan. Moodlen aktiviteeteis-
ta asynkronisia työkaluja ovat interaktiivinen video ja luentomateriaali (H5P), kes-
kustelualue, kysely, oppitunti. palaute, sanasto, tehtävä, tentti, tietokanta, työpaja,
valinta ja Wiki.
2.2.3 Arviointi oppimisen hallintajärjestelmässä
Arvioinnissa opiskelijalle ja opettajalle tuotetaan tietoa oppimisen etenemisestä arvi-
ointikriteerien pohjalta. Moodlen aktiviteeteista tehtävät, tentit ja keskustelualueet
10
sisältävät mahdollisuuden arviointiin. Moodlessa arvioinnit ovat kurssin hallinnan
(administration) lohkossa opettajalle ja Navigointi-lohkossa opiskelijalle näkyvä työ-
kalu6. Moodle-kurssilla opettaja voi seurata koko kurssin arviointeja, kun taas opis-
kelija näkee vain omien arviointiensa tilanteen.
Tentit-aktiviteetissa arviointi tehdään automaattisesti määrittelemällä arviointiperus-
teet, joihin opiskelijan antamia vastauksia verrataan. Tehtävät-aktiviteettien kohdalla
opettaja antaa suorituksesta arvosanan. Opiskelija-analytiikassa tentin arviointi on
käytössä heti, kun opiskelija on palauttanut tentin ja se on tämän seurauksena auto-
maattisesti arvioitu. Tehtävän arviointi on käytettävissä vasta silloin, kun opettaja on
tallentanut arvosanan aktiviteettiin.
2.3 Opiskelija-analytiikka opetussuunnitelman osana
Opiskelija-analytiikassa käsitellään oppimisprosessista saatavaa tietoa. Tietoa kerä-
tään, analysoidaan ja raportoidaan yksilö-, opetusryhmä-, osasto- ja jopa oppilaitos-
tasoilla. Eri tasoilla voidaan tehdä ennakoivaa mallintamista ja tunnistaa onnistumi-
sen ja mahdollisesti myös epäonnistumisen kuvioita (Azevedo ym. 2017, 641-642).
Jotta oppimista voidaan mitata opiskelija-analytiikassa, kaikkien osaamistavoitteiden
ja oppimistulosten tulisi olla selkeästi mitattavissa, ja tavoite- tai vertailuarvo olisi
tunnistettava. Näitä määrittelyitä apuna käyttäen opiskelija-analytiikan on mahdollis-
ta ilmaista missä kohdassa oppimistavoitteeseen pääsyä kulloinkin ollaan. Selkeästi
mitattavat tavoitteet myös jäsentävät oppimista opettajan ja opiskelijan helpommin
ymmärtämään muotoon. Lisäksi tavoitteita voidaan määritellä kurssin sisällä etene-
misen tasoiksi, joita apuna käyttäen opiskelija voi edetä opinnoissaan (Yassine ym.
2016, 263).
6 https://docs.moodle.org/34/en/Grader_report (viitattu 26.3.2018)
11
Opiskelija-analytiikassa käytetään data-analytiikasta tuttua tietämyksen löytämistä.
Keim ym. esittämä tiedon visualisointi automaattisen data-analyysin menetelmin on
esitetty kuvassa 3.
Kuva 3. Automaattinen tiedon analysointimenetelmien integrointi tietämyksen löytämiseksi.
Kerättyä dataa visualisoidaan ja analysoidaan tiedonlouhinnan malleja apuna käyttäen. Visu-
alisoinnit ja mallit tuottavat tietämystä, jonka perusteella kerätään ja jalostetaan uutta tietoa
(Keim ym. 2008, 156).
Kuvassa 3 nähdään kaksi polkua tietämyksen löytämiseen. Tietoa voidaan visuali-
soida suoraan tai louhia sitä visualisoitavaksi erilaisia tiedonlouhinnan malleja apuna
käyttäen. Tiedon keräämisen ja analyysin prosessi on esitetty kuvassa 4.
Kuva 4. Opiskelija-analytiikan tiedon keräämisen vaiheet: Tiedon kerääminen ja esikäsittely,
analyysien tekeminen ja toimenpiteiden suorittaminen ja jälkikäsittely (Chatti ym. 2012, 6).
Kuvan 4 opiskelija-analytiikan prosessi on luonteeltaan iteratiivinen. Iteratiivisessa
prosessissa prosessin osat on jaettu pieniin osiin ja prosessia toistetaan, jolloin pro-
sessi kehittyy inkrementaalisesti. Inkrementaalisella kehittymisellä tarkoitetaan pro-
sessin kasvamista ja kehittymistä kohti lopullista muotoaan. Prosessissa on tunnistet-
tu yleiset kolme toisiaan seuraavaa vaihetta: Datan keräys ja esikäsittely, analyysi ja
toimenpiteet sekä jälkikäsittelyvaihe. Datan keräys- ja esikäsittelyvaiheessa kerätään
tietoa opiskelusta yhdestä tai useammasta eri opiskeluympäristöön liittyvästä järjes-
telmästä. Kaikki dataa myöhemmin käsittelevät vaiheet ovat riippuvaisia datan ke-
räyksen onnistumisesta. Analyysin ja toimenpiteiden vaiheessa kerätystä datasta etsi-
12
tään kuvioita ja malleja, joiden avulla oppimista voidaan tehostaa. Toimenpiteet si-
sältävät opiskelun seurantaa, analysointia, ennustamista, väliintuloa, arviointia, mu-
kauttamista, personointia, suosituksia ja pohdintaa. Jälkikäsittelyvaihe on analysoin-
tiprosessin parantamista ja uuteen iteraatiokierrokseen valmistautumista. Siihen voi
sisältyä tietojen keräämistä uusista tietolähteistä, tietojoukon hienosäätämistä, uuden
iteroinnin tarvitsemien ominaisuuksien määrittelyä, uusien muuttujien määrittelyä ja
analyysimenetelmän valintaa. (Chatti ym. 2012, 5-6)
Opiskelija-analytiikalla pyritään mittaamaan oppimistavoitteisiin pääsyä oppimistu-
losten ja/tai oppimisprosessin kautta. Opiskelija-analytiikan luonne oppimisprosessin
mittaajana edellyttää sen ottamista osaksi opetussuunnitelmaa. Opetuksen suunnitte-
lun osana opettajat jakavat hyviä käytäntöjä ja usein myös opetusmateriaalia. Yhteis-
työssä opiskelija-analytiikka ja opetuksen suunnittelu voivat auttaa kehittämään opet-
tamista ja arviointia sekä ymmärtämään opiskelijan toimintaa (Lockyer ym. 2013,
1439-1442).
2.4 Oppimisesta kerättävä tieto
Aliluvussa tarkastellaan oppimisesta tallentuvan tiedon luonnetta ja siitä tehtävää
arviointia. Aliluvussa 2.4.1 esitetään tiedon rakeisuus vertaillen kehitysympäristön ja
oppimisen hallintajärjestelmän keräämää tietoa. Aliluvussa 2.4.2 käsitellään kerätyn
tiedon arviointia automaattisesti tai opettajan toimesta. Aliluvussa 2.4.3 tarkastellaan
tiedon laadullisia ja määrällisiä ominaisuuksia. Lopuksi tarkastellaan tiedon kerää-
mistä: Aliluvussa 2.4.4 Moodlesta ja aliluvussa 2.4.5 web-palvelimesta.
2.4.1 Tiedon rakeisuus
Opiskelija-analytiikka on mahdollista silloin, kun oppimisesta tallentuu tietojärjes-
telmään tietoa, jota voidaan analysoida. Ihantola ym. löytävät ohjelmointitehtävien
kehitysympäristöä tarkastellessaan erilaisia tiedon rakeisuuden tasoja (2015, 48).
Kehitysympäristö on ohjelmiston suunnitteluun ja toteutukseen käytettävä ohjelma
tai joukko ohjelmia, yksinkertaisimmillaan tekstieditori ja ohjelmointikielen kääntä-
jä. Kääntäjän tehtävä on muuntaa opiskelijan kirjoittama lähdekoodi konekieliseksi
binääritiedostoksi. Tiedon rakeisuudella tarkoitetaan kerättävän tapahtuman kokoa ja
13
sitä, kuinka usein tiedon tila otetaan talteen. Kuvassa 5 esitetään ohjelmointitehtävien
tiedon rakeisuuden tasot.
Kuva 5. Tiedon rakeisuuden tasot. Pienin tiedon rakeisuuden taso on merkitty kuvan ylä- ja
suurin alareunaan. (Ihantola et 2015, 48).
Kuvassa 5 nähdään pienimpänä ohjelmointitehtävän tiedon rakeisuuden tasona yksit-
täiset näppäimenpainallukset. Näitä seuraavat kokonaisen ohjelmointirivin muok-
kaukset, tiedoston tallennukset, ohjelmakoodin käännökset ja suoritukset sekä suu-
rimpana kokonaisten tehtävien palautukset.
2.4.2 Oppimisesta kerätyn tiedon arviointi
Kehitysympäristössä toimittaessa opiskelija-analytiikassa voidaan tarkastella ohjel-
makoodin kehittämistä ja sen toimintaa kääntäjässä, virheenjäljittimessä ja version-
hallinnassa. Virheenjäljittäjää käytetään ohjelmointivirheiden löytämiseen ja kor-
jaamiseen. Versionhallintatuen avulla pidetään kirjaa tehdyistä muutoksista ja säilö-
tään vanhemmat ohjelmaversiot. Oppimisen hallintajärjestelmästä puuttuu ohjelman
kehitysympäristöön verrattuna kääntäjän, virheenjäljittimen ja versionhallinnankal-
taiset työkalut. Opiskelijat palauttavat oppimisen hallintajärjestelmään vastauksia
esimerkiksi tehtäviin ja tentteihin. Ihantolan ym. (2015) kuvaamilla tiedon rakeisuu-
den tasoilla oppimisen hallintajärjestelmään tehtäviä palautuksia voitaisiin verrata
ohjelmakoodin palautuksiin. Moodlen tentteihin määritellään valmiiksi oikeat ja vää-
rät vastaukset, jolloin järjestelmän toimintaa voidaan verrata kehitysympäristön läh-
dekoodin kääntämiseen ja kääntämisestä saataviin varoituksiin ja virheilmoituksiin.
Sen sijaan tehtävien arviointi on oppimisen hallintajärjestelmää käytettäessä opetta-
jan käsityönä tekemän tarkastelun varassa.
Tekoälytutkimus saattaa tulevaisuudessa mahdollistaa kehitysympäristöille tyypillis-
ten suorituksen automaattiseen analysointiin liittyvien työvälineiden tuomisen myös
14
oppimisen hallintajärjestelmissä käytettäväksi. Tekoälytutkimus käsittelee tietojen-
käsittelytieteessä ja tilastotieteessä kehitettyjä menetelmiä tavoitteena ratkaista oh-
jelmallisesti ongelmia, joihin perinteisesti on tarvittu ihmistä. Menetelmä saattaa
laajentaa oppimisen arvioinnin automatisointia kohti kehitysympäristöissä jo esitelty-
jä oppimisen automaattisia arviointimenetelmiä.
2.4.3 Laadullinen ja määrällinen tieto
Opiskelijan tuottamien ohjelmakoodin tai tehtävänpalautuksenkaltaisten oppimistu-
losten lisäksi oppimisen hallintajärjestelmän käytöstä tallentuu tietoa järjestelmän
lokitiedostoihin (Blikstein ym. 2011; Carter ym. 2017, Diana ym. 2017, Fernandez-
Medina ym. 2013, Fu ym. 2017, Grover ym. 2016) tai tietoa voidaan kerätä oppimis-
ympäristöön asennettavien lisäosien kautta (Trætteberg ym. 2016). Tällainen oppimi-
sen hallintajärjestelmään tallennettu tieto voidaan jakaa määrällisiin ja laadullisiin
tekijöihin, joita opiskelija-analytiikan analyysivaiheessa tarkastellaan muuttujina.
Muuttuja on matemaattisessa lausekkeessa käytettävä symboli, jolle voidaan antaa
lukuarvoja.
Määrällisellä tiedolla tarkoitetaan täsmällisiä ja laskennallisia menetelmiä, joita käy-
tetään kvantitatiivisessa tutkimuksessa. Kvantitatiivisessa tutkimuksessa käytetään
erilaisia luokitteluita ja vertailua numeerisiin tuloksiin. Opiskeludatan yhteydessä
tieto kerätään suoraan opiskelun aikana tietokantaan tallentuneista merkinnöistä. Op-
pimisen hallintajärjestelmästä kerättäviä määrällisiä muuttujia ovat esimerkiksi opis-
kelijan käyntien lukumäärä kurssilla sekä keskustelualueille kirjoitettujen viestien ja
palautettujen tehtävien lukumäärät.
Arvioinnit laajentavat tenttien ja tehtävien arviointipisteiden tarkastelun kautta näkö-
kulmaa kohti laadullisessa eli kvalitatiivisessa tutkimuksessa käytettyjä piirteitä.
Laadullisessa tutkimuksessa pyritään ymmärtämään kohteen laatua, ominaisuuksia ja
merkityksiä kokonaisvaltaisesti. Laadullisia oppimisen muuttujia ovat mm. tenttien
ja tehtävien arvosanat. Järjestelmästä kerätyn tiedon rinnalla tulisi käyttää myös mui-
ta havaintomenetelmiä, koska kaikki oppiminen ei tallennu oppimisen hallintajärjes-
telmään.
15
2.4.4 Moodlen keräämä tieto
Moodle kerää järjestelmän käyttämisestä tietoja kurssin ja koko sivuston tasoilla.
Kurssin opettaja pääsee käsiksi omien kurssiensa aktiviteettilokiin. Aktiviteettiloki
tallentaa tietoa kurssin opiskelijoiden aktiviteettien käytöstä7. Sitä on mahdollista
suodattaa opetuksen ja osallistumisen tasoilla. Opetustason suodatus (teaching level)
tallentaa opettajan kurssille tekemiä, opiskelijaan vaikuttavia toimenpiteitä ja osallis-
tumistason suodatus (participating level) tietoa opiskelijan aktiviteettien ja kurssin
käytöstä.
Opiskelija-analytiikkaa keräävä työkalu voi louhia tietoa suoraan Moodlen käyttä-
män tietokantapalvelimen tietokannan tauluista. Moodlen tietokantapalvelimella
käyttäjän vuorovaikutusta analysoivat työkalut käyttävät yleensä mdl_log-nimistä
taulua. Vaihtoehtoinen tapa siirtää dataa on Moodlen ohjelmointirajapinta. Ohjel-
mointirajapinnalla (Application Programming Interface, API) tarkoitetaan web-
palvelimen kautta suoritettavaa, standardoitua liikennöintiä, jonka kautta eri ohjelmat
voivat vaihtaa tietoja keskenään. Moodleen tuli versiossa 2.7 (toukokuu 20148) mu-
kaan Events API9, joka vakioi lokin kirjoittamisen ja lukemisen parantaen samalla
järjestelmän suorituskykyä (Conde ym. 2015, 52). Tämän lisäksi Moodlessa on tie-
don vientitoiminto, jota apuna käyttäen tietoa voidaan tallentaa luettavaksi muissa
ohjelmissa.
2.4.5 Web-palvelimen keräämä tieto
Verkko-oppimisympäristö käyttää tiedonsiirrossa apuna web-palvelinta. Web-
palvelin on ohjelmisto, joka vastaanottaa ja vastaa TCP/IP-verkosta HTTP-
protokollan (RFC 261610) pyyntöihin. Web-palvelin kerää lähettämistään ja vastaan-
ottamistaan tiedoista lokia. Tyypillisiä lokiin tallentuvia tietoja ovat pyydetyt doku-
mentit, pyytäjän IP-osoite ja pyynnön ajankohta.
7 https://docs.moodle.org/34/en/Logs (viitattu 26.2.2018) 8 https://docs.moodle.org/dev/Releases#Moodle_2.7_.28LTS.29 (viitattu 29.1.2018) 9 https://docs.moodle.org/dev/Moodle_2.7_release_notes#API_changes (viitattu 29.1.2018) 10 https://tools.ietf.org/html/rfc2616 (viitattu 3.5.2018)
16
Verkko-oppimisympäristö toimii web-palvelimelle asennettuna sovellusohjelmana.
Web-palvelimen omasta lokista on mahdollista tarkastella sivunlatauspyyntöjen ot-
sikkotasoista tallennettua tietoa; opiskelija-analytiikan näkökulmasta esimerkiksi
siitä millä sivuilla IP-osoitteista on käyty ja milloin. Web-palvelimen tallentama tieto
voidaan IP-osoitteen kautta yhdistää verkko-oppimisympäristössä tallennettuun opis-
kelijan ID-tunnukseen, jos verkko-oppimisympäristö tallentaa tiedon opiskelijan is-
tunnossaan käyttämästä IP-osoitteesta. Menetelmä ei ole kovin luotettava käytettäes-
sä IP-protokollan versiota 4, jolloin verkoissa käytetään apuna osoitteenmuunnosta.
Osoitteenmuunnoksessa säästetään IP-osoitteita ohjaamalla liikenne saman julkisen
IP-osoitteen kautta. IP-versioon 6 siirtymisen jälkeen jokaisella laitteella on oma
yksilöllinen osoitteensa eikä ongelmaa enää esiinny muilla kuin yhteiskäyttöisillä
tietokoneilla.
Verkkosivujen liikenteen seuraamiseen on saatavilla valmiita sovelluksia. Verkko-
palveluna tarjottavat työkalut ovat helppokäyttöisiä, mutta loppukäyttäjän kehittä-
mismahdollisuudet työkalun suhteen rajoittuvat kehittämisehdotusten tekemiseen
palvelun ylläpitäjälle. Verkkopalvelu on internet-selaimella käytettävä sivusto, jonka
taustalla toimii usein kaupallinen ja/tai ideologinen yritys tai organisaatio. Palveluina
toimivat työkalut tallentavat keräämänsä tiedot sivuston ylläpitäjän palvelimelle.
Palveluina toimivia verkkosivujen analytiikkatyökaluja on esitetty liitteessä 1. Osa
työkaluista on julkaistu kaupallisesti, osa käyttämällä vapaata lähdekoodia. Vapaalla
lähdekoodilla (open source) tarkoitetaan ohjelmistoa, joka tarjoaa käyttäjälleen läh-
dekoodin, jota voi tutkia ja muokata omiin tarpeisiin soveltuvaksi. Taulukkoon 2 on
kerätty avoimen lähdekoodin perustuvia verkkosivujen analytiikkatyökaluja, jotka on
mahdollista asentaa myös omalle palvelimelle.
Taulukko 2. Avoimen lähdekoodin verkkosivujen analytiikkatyökaluja.
Sovellus Tyyppi Lisenssi Huomioita
Piwik11 Sovellus Avoin lähdekoodi:
GPL, versio 3
PHP/MySQL
Open Web
Analytics12
Sovellus Avoin lähdekoodi:
GPL
Javascript, PHP tai REST API
11 https://matomo.org/ (viitattu 25.1.2018)
17
2.5 Verkkokurssin rakenne ja toiminnot
Opiskelija-analytiikka toteutuu verkkokurssin rakenteen ja toimintojen määrittelyn
kautta. Aliluvussa esitellään verkkokurssilla tutkimuksissa havaittuja toimintoja ja
tavoitteita (mm. Rankine ym. 2009, 815-819; Petropoulou ym. 2008, 5-7; Yassine
ym. 2016, 264-265). Aluksi esitellään verkkokurssin ydintoiminnot, tämän jälkeen
sulautuvan oppimisen huomioiminen verkkokurssilla, opiskelijoita aktivoiva yhteis-
toiminnallisen oppimisen menetelmä, verkkokurssin opiskelija-analytiikkaa tukeva
kurssikartta ja lopuksi opiskelija-analytiikan viitekehys. Esitettyjä toimintoja arvioi-
daan opiskelija-analytiikan toteuttamismahdollisuuksien näkökulmasta.
2.5.1 Verkkokurssin ydintoiminnot
Dawson ym. jakavat verkkokurssin ydintoiminnot neljään luokkaan: Hallinnolliset
tehtävät, arviointi, sisältö ja oppimisyhteisöön sitouttaminen (2008, 224). Hallinnol-
lisiin tehtäviin kuuluvat ilmoitukset, tiedostonhallinta, seuranta ja kalenteri. Arvioin-
tia ovat omat arvosanat, arvioinnin tekeminen ja tehtävänannot. Sisältöä ovat opiske-
lijoiden kirjanmerkit, muistiinpanot, sisältösivu, tulostusnäkymä, tiedostot, hakutoi-
minto, nettilinkit ja opetussuunnitelma. Sitoutuminen oppimisyhteisöön tapahtuu
keskustelualueen, reaaliaikaisen keskustelun (chat), muiden samanaikaisten opiskeli-
joiden ja viestien kautta. Luokkien sisältö on esitetty taulukossa 3.
Taulukko 3. Dawson ym. käyttämän opiskelija-analytiikan työkalun rakenne (2008, 224)
Taulukossa 3 nähdään erilaisia verkkokurssin toteuttamisessa käytettäviä elementte-
jä. Taulukkoon on kerätty kurssilla käytettäviä toimintoja, mutta siinä ei oteta kantaa
miten opetussuunnitelmaa toteutetaan verkkokurssin osana.
12 http://www.openwebanalytics.com/ (viitattu 25.1.2018)
18
2.5.2 Sulautuva opetus verkkokurssilla
Rankine ym. ovat vertailleet sulautuvan oppimisen toteutusta kahdessa eri yliopistos-
sa (2009). Vertailun perusteella on koottu kehys, joka kuvaa verkkokurssien toteutus-
ta viestinnän, yhteistyön, arvioinnin ja opiskelijoille annettavan tuen näkökulmista.
Kurssin sisältönä on ohjauksen toteutus, luentojen ja harjoitusten muistiinpanot, me-
dian käyttö, linkit kurssin aineistoon ja vuorovaikutteisen sisällön toteutus. Viestin-
nässä käytetyt kanavat ovat chat-keskustelu, ilmoitukset, keskustelualue, sähköposti
ja blogit. Kurssinaikainen yhteistyö on mahdollistettu wikillä, keskustelualueilla,
virtuaalisella luokkahuoneella ja äänipohjaisella keskustelulla. Tehtävänannoissa on
käytetty oppimisen reflektointia, päiväkirjoja, toimeksiantoja, tehtävien palautuslaa-
tikoita, tietokilpailuja, oman arvosanan näyttämistä, mallipohjia, harjoitustehtäviä,
aikaisempia kokeita ja kyselytutkimuksia. Opiskelijan tukea on toteutettu tekstien
vastaavuutta tutkivilla työkaluilla, linkein opiskelijan tukimateriaaliin ja oppimisop-
paalla. Sulautuvan oppimisen opetuksessa käytetty kehys on esitetty taulukossa 4.
Taulukko 4. Yhteistoiminnallisen oppimisen kehys (Rankine ym. 2009, 816)
Taulukon 4 yhteistoiminnallisen oppimisen kehys toimii erityisesti viestinnän ja yh-
teistyön työkaluna kurssin aikana. Se kuvaa kursseilla käytettyjä aktiviteetteja, mutta
siitä puuttuu opiskelija-analytiikassa tarvittava suunnitelmallisuus mitä, miten ja
kuinka usein oppimistuloksia mitataan. Kehyksestä puuttuu myös kuvaus opetuksen
19
pedagogisesta toteutuksesta; Miten verkko- ja luokkaopetus tukevat toisiaan ja mitä
opiskelijan odotetaan eri oppimistuloksiin pääsemiseksi tekevän kurssin aikana.
2.5.3 Yhteistoiminnallisen oppimisen menetelmä
Petropoulou ym. esittävät yhteistoiminnallista oppimista tukevan oppimisen mene-
telmän, jossa oppimista tarkastellaan opiskelijoiden tuottamien tulosten, vuorovaiku-
tuksen ja mallin tehokkuuden kautta (2008, 318-320). Mallissa opiskelijoille anne-
taan ajattelua vaativa tehtävä, jonka vastauksen he lähettävät verkko-
oppimisympäristön keskustelualueelle. Opiskelijat voivat halutessaan kysyä keskus-
telualueella apua muilta opiskelijoilta ja jakaa muille ratkaisua helpottavia resursseja.
Keskustelualueelle lähetettyjen vastausten perusteella muodostuu pareja, jotka kehit-
tävät yhteisen, lopuksi jaettavan ratkaisuversionsa.
Jokaisessa vaiheessa opettajan tarkasteltavaksi kerätään ja visualisoidaan tietoa op-
pimisen etenemisestä. Oppimisen etenemistä on ajatteluvaiheessa opiskelijan lähet-
tämien viestien lukumäärä ja tehtävän tekemiseen käytetty kokonaisaika. Parivai-
heessa lasketaan aktiivisimmat keskustelut ja keskustelijat ja opiskelijan lähettämien
viestien määrä. Jakovaiheessa näytetään työhön käytetyn ajan kokonaismäärään ja
viestien lukumääriin liittyviä tietoja. Malli on esitetty kuvassa 6.
Kuva 6. Yhteistoiminnallista oppimista hyödyntävä malli (Petropoulou ym. 2008, 321). Kuvassa
oppimisessa on kolme vaihetta: Ajattelu, parityöskentely ja jakaminen. Jokaisen vaiheen tulok-
set on määritelty opiskelija-analytiikassa kerättäviksi tuloksiksi, jotka opettaja näkee. Näiden
vaiheiden toteutumisen kautta oppimisen etenemisen seuranta mahdollistuu.
Kuvan 6 esittämän mallin tuottamat tulokset voivat olla vastauksia tehtävänantoihin
tai annettuihin ongelmiin. Oppimisprosessin arvioinnissa huomioidaan ratkaisuun
20
käytetty aika määrällisenä ja ratkaisun oikeellisuuteen liittyvät tekijät laadullisina
muuttujina. Vuorovaikutus luokitellaan mallissa opiskelijoiden, opettajan ja kurssisi-
sällön väliseksi. Mallin tehokkuuden tarkastelussa arvioidaan sen soveltuvuutta op-
pimisyhteisön yhteistoiminnallisen ongelmanratkaisun rakentamiseen ja ylläpitoon.
2.5.4 Verkkokurssin kurssikartta
Yassine ym. esittävät kehyksen, jonka tarkoituksena on ennustaa opiskelijan menes-
tystä kurssilla käyttäen oppimisen analytiikkatyökalujen toimintoja varhaisena varoi-
tusjärjestelmänä (2016, 264-265). Kehyksen lähtökohta on, että kurssin oppimista-
voitteet on määritelty. Kehyksen tehtävänä on ennustaa kurssin lopputulos ja tunnis-
taa oppimisen taso, joka voi alittaa, täyttää tai ylittää kurssille asetetut vaatimukset.
Tähän päästään määrittelemällä tuloksen mittaamiseen liittyvät opiskelija-analytiikan
toiminnot, suunnittelemalla kurssikartta, analysoimalla opiskelijan aktiviteetit ja mit-
taamalla oppimistulokset sekä visualisoimalla analysoitu tieto.
Tuloksen mittaamisessa käytettävä tieto jaetaan automaattiseen ja opettajan lisää-
mään tietoon (2016, 264) taulukon 5 mukaisesti.
Taulukko 5. Esimerkkejä opiskelija-analytiikassa käytettävästä tiedosta (mukaillen Yassine ym.
2016, 264)
Automaattisesti lisättävä tieto Opettajan lisäämä tieto
Resurssin käytön lukumäärä Läsnäolo oppitunneilla
Resurssin käytön päivämäärä Testien ja tehtävien arviointi
Käytettyjen resurssien tyyppi Aktiivisuus/vuorovaikutus opetustilanteessa
Tehtävänannon avaus Asenne oppimiseen/ammattitaidon kehittä-
miseen
Palautettu tehtävä Loppuarvosanat
Taulukosta 5 nähdään osan opiskelija-analytiikassa käytettävästä tiedosta olevan
mahdollista kerätä automaattisesti suoraan verkko-oppimisympäristöstä. Opettajan
opetustilanteissa havaitsema tieto voidaan yhdistää automaattisesti kerättävään tie-
toon, jolloin kokonaiskuva oppimisesta tarkentuu.
Opiskelija-analytiikkaa hyödyntävän kurssin suunnittelussa hyödynnetään kurssikart-
taa. Kurssikartta kohdentaa kurssin sisältönä olevat elementit, oppimistulokset, op-
pimistehtävät ja arvioinnit yhteen. Se siis kertoo mitä kurssilla tehdään ja miten ku-
takin tunnistettua oppimistulosta seurataan ja arvioidaan opiskelija-analytiikan avulla
(Yassine ym. 2016, 264). Kurssikartan osana opiskelijoiden kurssin aikana suoritta-
21
mat tehtävät ja toiminnot yhdistetään tavoiteltuihin oppimistuloksiin. Kurssin aktivi-
teetit sijoitetaan aikajanalle ja toiminnoille määritellään painoarvot, jotka kertovat
kuinka suuren osan tavoitellusta lopputuloksesta niiden suorittaminen kattaa. Kurssi-
kartan lopputulos on esitetty kuvassa 7.
Kuva 7. Kurssikartta kahdesta oppimistavoitteesta, jotka on erotettu sinisellä ja oranssilla väril-
lä. Oppimistavoite jakautuu toimintoihin. Kuvassa toimintoja ovat arviointi, kysely, kotitehtävä
ja tekstiluku. Toiminnoille on vasemman reunan sarakkeessa määritelty painoarvo (%) oppi-
mistavoitteesta. Toiminnot on aikataulutettu kurssin viikoille. (Yassine ym. 2016, 264)
Kuvan 7 oppimistavoitteeseen tehtyjen toimintojen suhteellisten osuuksien perusteel-
la on mahdollista määritellä opiskelijan eteneminen oppimistavoitteisiin nähden.
Opiskelijoiden toimintojen suorittaminen määritellyssä ajassa on tärkeää opiskelija-
analytiikassa suoritettavan opintojen etenemisen seurannan kannalta.
Kurssikartan suunnittelussa käytettävä aikakehys on tärkeä ennalta tunnistettava teki-
jä, jotta kurssin toistettavuus mahdollistuu. Saman kurssin eri toteutuksissa on tarkoi-
tus arvioida samoja oppimistuloksia. Tämän johdosta saman kurssin eri toteutukset
tulisi määritellä aina samanpituisiksi. Vaatimus olisi hyvä huomioida suunniteltaessa
kurssien sijoittamista oppilaitoksen kehysten, kuten lukukausien, jaksojärjestelmien,
loma-aikojen ja työharjoittelujaksojen sisään.
2.5.5 Opiskelija-analytiikan viitekehys
Opiskelija-analytiikan kehys voidaan kuvata tarkastelemalla järjestelmän keräämiä
tietoja, tunnistamalla analysoinnin kohde, määrittelemällä järjestelmän käyttötarkoi-
22
tus ja tiedon keruumenetelmä. Tällainen viitekehys on esitetty kuvassa 8 (Chatti ym.
2012, 6-7).
Kuva 8. Opiskelija-analytiikan viitekehys. Kuva esittää opiskelija-analytiikan haasteet ja tutki-
muskohteet neljässä osassa: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 7)
Kuvassa 8 nähdään opiskelija-analytiikan viitekehys, joka on esitetty kysymysmuo-
dossa: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 6-13). Mitä määrittelee kerät-
tävän tiedon, tiedon analyysin ja analyysin käytön.
Miksi kertoo tavoitteen kerätyn tiedon analysointiin. Tavoitteita voivat olla esimer-
kiksi oppimisen seuranta ja analysointi, ennustaminen ja ennakoiva ohjaaminen, oh-
jaus ja mentorointi, arviointi ja palaute sekä opetuksen henkilökohtaistaminen.
Kenelle määrittelee tiedon sidosryhmän; Kenelle data-analyysi on tarkoitettu. Sidos-
ryhmään voivat kuulua esimerkiksi opiskelijat, opettajat, (älykkäät) ohjaajat, järjes-
telmän ylläpitäjät ja tiedekunnan tai oppilaitoksen päätöksentekijät. Ohjaajat voivat
olla opettajan apuna toimivia henkilöitä tai opetusta tukevia tietokoneohjelmia.
Kuinka kuvaa menetelmän tiedon analysoimiseksi. Chatti ym. mainitsevat neljä me-
netelmää: Tilastollisen seurannan, tiedon visualisoinnin, tiedonlouhinnan ja sosiaali-
23
sen verkoston analyysin (2012, 11-13). Tilastollisessa menetelmässä seurataan opis-
kelijan vuorovaikutusta oppimisen hallintajärjestelmän kanssa. Seurantaan käytetään
yleensä määrällisiä mittareita, esimerkiksi opiskelijahallintajärjestelmään kirjautu-
misten tai kirjoitettujen viestien lukumäärää. Tiedon visualisointi on raportteja ja
taulukoita, jotka usein on muodostettu tilastollisin menetelmin muodostetusta tiedos-
ta. Näistä kehitys on kulkemassa kohti kojelautamaista esitysmuotoa, jossa oppimi-
sesta johdettuja vuorovaikutteisia tulosindikaattoreita esitetään graafisesti.
Tiedonlouhinnassa tiedosta pyritään löytämään merkityksellisiä kuvioita. Menetel-
minä Chatti ym. mainitsevat luokittelun, ryhmittelyn ja assosiaatiosäännöt (2012, 11-
12). Sosiaalisen verkoston analyysi merkitsee työkaluja, joilla voidaan hallita, visu-
alisoida ja analysoida oppimisessa syntyviä verkostoja ja niiden merkittävyyttä.
2.6 Opiskelija-analytiikan menetelmiä
Opiskelija-analytiikan tarkoitus on ennakoida ja ennustaa tavoitteeksi asetettuun op-
pimistulokseen pääsemistä (Yassine ym. 2016, 264-265). Oppimistuloksia mitataan
analysoimalla opiskelijasta oppimisen aikana tietojärjestelmään tallentunutta tietoa.
Tähän dataan tallentuu tieto mitä resursseja, dokumentteja ja testejä oppimisen aika-
na on käytetty (Azevedo ym. 2017, 642).
Opiskelija-analytiikassa käytetään erilaisia data-analytiikasta tuttuja menetelmiä.
Tällaisia ovat aliluvuissa esitetyt tilastot ja tiedonlouhinta. Data-analytiikan mene-
telmiä voidaan käyttää yksin tai yhdessä toisiaan tukien. Menetelmien tarkoituksena
on havaita opiskeludatasta mielenkiintoisia ja opiskelua hyödyttäviä kuvioita. Mar-
kovin piilomallilla tunnistetaan oppimisen etenemistä ja sosiaalisen oppimisen ana-
lyysillä verkkokurssilla esiintyvää vuorovaikutusta ja sen merkittävyyttä. Aliluvun
lopuksi käsitellään opiskelusta löydetyn tiedon visualisointia.
2.6.1 Tilastolliset työkalut
Tilastolliset työkalut käyttävät usein yksinkertaisia tilastotoimia, kuten aritmeettista
keskiarvoa (average, mean) ja keskihajontaa (standard deviation). Aritmeettisella
keskiarvolla (jatkossa keskiarvolla) tarkoitetaan lukujen summaa jaettuna niiden lu-
kumäärällä. Keskihajonnassa mitataan keskiarvon molemmin puolin tapahtuvien
24
arvojen vaihtelua. Arvo ilmaisee havaintojen keskimääräisen poikkeaman keskiar-
vosta.
Opiskelijan tulosta voidaan verrata opiskelija-analytiikan keräämän tiedon keskiar-
von lisäksi mediaaniin. Mediaani on järjestetyn joukon keskimmäinen alkio, johon
muita alkioita verrataan. Keskiarvon ja mediaanin ollessa lähellä toisiaan jakauma on
symmetrinen. Oppimistuloksissa symmetrinen keskiarvo kertoo keskimääräisen ta-
saisesta hyvien, keskitason ja heikkojen oppimistulosten saavuttamisesta. Keskiarvon
ja mediaanin ollessa korkea oppimistulokset ovat olleet keskimääräistä parempia.
Toiminnon suorittamisesta voidaan laskea keskihajonta. Yassine ym. mukaan keski-
hajontaa voidaan opiskelija-analytiikassa verrata kurssin pituuden asteikkoon, määri-
teltyyn lopputulokseen tai vertailuarvoon. Mittareina voidaan käyttää esimerkiksi
tarkkuutta, nopeutta ja yritysten lukumäärää (2016, 264-265).
Opiskelijahallintajärjestelmät esittävät käyttäjien toiminnoista tilastoja. Tällaisia ovat
esimerkiksi Moodlen tilastotyökalut13 ja raportit (reports). Tilastotyökalut näyttävät
esimerkiksi eri käyttäjäryhmien vierailuajankohtia sivustolla. Raportteihin kuuluvat
aktiviteettiraportti (activity report) ja kurssin osallistumisraportti (course participati-
on report). Moodlen kurssin aktiviteettiraportti14 kertoo kurssin aktiviteettien käytös-
tä. Raporttia voivat tarkastella käyttäjät, joiden roolina kurssilla on kurssinjohtaja
(manager), opettaja (teacher) ja apuopettaja (non-editing teacher). Roolien suomen-
nokset voivat vaihdella eri Moodle-ympäristöissä. Aktiviteettiraportti näyttää aktivi-
teettien ja resurssien katseluiden lukumäärän ja viimeisimmän käytön päivämäärän ja
pituuden. Tiedot lasketaan Moodlen lokeista alkaen kurssin asetuksissa määritellystä
kurssin aloituspäivämäärästä. Näytettävän ajanjakson pituus määräytyy Moodlen
asetuksissa olevan Moodlen ylläpitäjäkäyttäjän (administrator) asettaman loglifeti-
me15-asetuksen perusteella. Aktiviteettiraportti on esitetty kuvassa 9.
13 https://docs.moodle.org/34/en/Statistics (viitattu 6.5.2018) 14 https://docs.moodle.org/34/en/Activity_report (viitattu 28.2.2018) 15 Administration > Site administration > Courses > Backups > General backup defaults
25
Kuva 9. Moodlen aktiviteettiraportti. Aktiviteettiraportti kertoo kuinka monta eri käyttäjää
aktiviteetin tai resurssin on nähnyt ja kuinka monta katselukertaa käyttäjät ovat yhteensä teh-
neet.
Kuvasta 9 nähdään aktiviteettiraportin antavan yleiskuvan eri aktiviteettien käytöstä
kurssilla. Siitä ei kuitenkaan pääse porautumaan ryhmä- tai yksilötasoisiin tietoihin;
kuka tai ketkä esimerkiksi eivät ole tarkasteltavaa aktiviteettia käyttäneet.
Kurssin osallistumisraportista16 voidaan seurata opiskelijoiden osallistumista kurssin
aktiviteetteihin. Raportista nähdään aktiviteettikohtaisesti käyttäjät ja käyttömäärät.
Tuloksia voi suodattaa roolin, ryhmän, ja toiminnan perusteella. Myös opiskelijat,
jotka eivät ole aktiviteettia käyttäneet on mahdollista esittää. Raportti on erityisen
hyödyllinen haluttaessa lähettää viesti opiskelijoille, jotka eivät ole käyttäneet tiettyä
toimintoa.
Menetelmän puutteena on lokiin tallentumaton tieto. Moodlessa ei ole esimerkiksi
keinoa näyttää kurssia aloittamattomia opiskelijoita (Conde ym. 2015, 58). Passiivi-
set opiskelijat näkyvät Moodlen vakiotyökaluja käytettäessä opettajalle yleensä vasta
siinä vaiheessa, kun opettaja tarkastelee puuttuvia arviointeja.
2.6.2 Tiedonlouhinta
Opiskelija-analytiikassa tiedonlouhinta (data mining) on oppimisympäristöistä saata-
vien tietojen keräämistä ja analysointia tarkoituksena paremmin ymmärtää oppimista
ja oppimiseen vaikuttavia tekijöitä. Tiedonlouhinnassa käytetään tietämyksen löytä-
16 https://docs.moodle.org/34/en/Participation_report (viitattu 6.5.2018)
26
misen prosessia, joka määrittelee tehtävien toteuttamisen. Käytetty prosessimalli
vaikuttaa tiedon löytämisen tehokkuuteen ja siten tiedonlouhinnan laatuun (Sharma
ym. 2012, 11335). Tietämyksen löytämisen ja tiedonlouhinnan prosessi (knowledge
discovery and data mining process) koostuu toisiaan seuraavista vaiheista, joita tois-
tetaan iteratiivisesti. Prosessi tietämyksen löytämiseksi tiedonlouhinnan avulla on
esitetty kuvassa 10.
Kuva 10. Tietämyksen löytämisen ja tiedonlouhinnan prosessin yleinen malli. Mallissa on kuusi
vaihetta: (Liike)toiminnan ymmärtäminen, datan ymmärtäminen, datan valmistelu, mallinnus
ja tiedonlouhinta, arviointi ja tulosten julkaisu. Siniset nuolet kuvaavat normaalin ja punaiset
vaihtoehtoisen vaiheiden etenemisjärjestyksen (Sharma ym. 2012, 11336).
Kuvassa 10 nähdään yleinen tietämyksen löytämisen ja tiedonlouhinnan malli
(Sharma ym. 2012, 11336). Mallin lähtökohtana on liiketoiminnan ymmärtäminen.
Opiskelija-analytiikkaa voidaan tarkastella saman mallin kautta muuntamalla tarkas-
telun näkökulma oppimiseen ja opiskelija-analytiikan tiedonkeräämiseen.
Malli ohjeistaa prosessin vaiheet ja järjestyksen tarkoituksenaan löytää aikaisemmin
tuntematonta, mutta potentiaalisesti hyödyllistä tietoa datasta. Prosessi alkaa liike-
toiminnan (oppimisen) ymmärtämisen vaiheesta. Tämä vaihe keskittyy hankkeen
tavoitteiden ja vaatimusten ymmärtämiseen, tiedonlouhinnan ongelman määrittelyyn
27
ja alustavaan suunnitelmaan, jonka tarkoituksena on saavuttaa tavoitteet. Opiskelija-
analytiikassa tähän vaiheeseen liittyy opetussuunnitelmasta johdettava kurssin kar-
toittaminen. Kurssin kartoittamisella tarkoitetaan opiskelijoiden kurssin aikana suori-
tettavien tehtävien ja toimintojen yhdistämistä suunniteltuihin oppimistuloksiin.
Kurssin kartoittamisen tuloksena on kurssikartta, joka kertoo mitä kurssilla tehdään
ja miten kutakin tunnistettua oppimistulosta seurataan ja arvioidaan opiskelija-
analytiikan avulla (Yassine ym. 2016, 264). Kurssin kartoittamista on tarkemmin
käsitelty aliluvussa 2.5.4.
Tiedon ymmärtämisen vaihe alkaa tiedon keräämisellä ja jatkuu siihen tutustumisel-
la. Vaiheessa tunnistetaan tiedon laatuongelmat ja löydetään alustavia näkymiä kiin-
nostaviin tiedon osajoukkoihin. Tiedon valmisteluvaiheessa raakadatasta muodoste-
taan mallinnustyökaluihin syötettävä tietojoukko. Vaiheeseen kuuluvat käytetyn tau-
lun, tietueiden ja muuttujien/arvojen (attribuuttien) valinta.
Mallinnusvaiheessa suoritetaan varsinainen tiedonlouhinta. Käytetty tiedonlouhinta-
menetelmä saattaa asettaa erityisiä vaatimuksia tiedon muodon suhteen, jolloin saate-
taan joutua palaamaan takaisin tietojen valmisteluvaiheeseen. Mahdollinen paluu
takaisin on kuvassa 10 esitetty punaisella katkoviivalla nuolella mallinnuksesta (mo-
deling) takaisin datan valmisteluvaiheeseen (data preparation).
Arviointivaiheessa suoritetaan kriittinen tarkastelu tuottaako valittu malli vastaukset
tavoitteiksi asetettuihin, liiketoiminnasta (opetussuunnitelmasta) johdettuihin, kysy-
myksiin. Erityistä huomiota kiinnitetään kysymyksiin, joihin mallin kautta ei saada
riittäviä vastauksia. Mikäli tällaisia esiintyy, voidaan palata takaisin alkuun tekemään
uutta liiketoiminnan (opiskeluanalytiikan) määrittelyä. Mahdollinen paluu alkuun on
kuvassa 10 esitetty punaisella katkoviivalla arvioinnista (evaluation) tiedon ymmär-
tämiseen (business understanding). Vaihe päättyy päätökseen tiedonlouhinnan tulos-
ten käyttämisestä. Käyttöönottovaiheessa (deployment) mallin kautta saatu tieto jär-
jestetään ja esitetään käyttäjälle hyödyllisessä muodossa.
Tiedonlouhinnan menetelmät
Tiedonlouhinnassa käytetään menetelmänä koneoppimista. Koneoppimisessa
(machine learning) ohjeistetaan tietokone oppimaan esimerkeistä, jolloin ohjelma
28
oppii ratkaisemaan tehtävän ilman nimenomaista tehtävänratkaisun ohjelmointia
(Samuel, 1959). Koneoppimisen algoritmit vastaanottavat tietoa ja käyttävät tilastol-
lista analyysiä ulostulon ennustamiseen. Uuden tiedon tullessa saataville ulostulon
tuloksia päivitetään jatkuvasti. Koneoppimisen menetelmät jaetaan ohjattuun ja oh-
jaamattomaan oppimiseen (Han ym. 2012, 24-25). Ohjatussa oppimisessa (supervi-
sed learning) harjoitustiedon perusteella opetetaan malli, jonka perusteella päätellään
tuntemattoman objektin luokka. Ohjattua oppimista ovat luokittelu ja ennustaminen.
Ohjaamattomassa oppimisessa (unsupervised learning) harjoitustiedossa ei ole mer-
kittyjä luokkia, vaan luokat muodostetaan harjoitustiedon ominaisuuksien perusteel-
la. Ohjattua oppimista ovat ryhmittely ja assosiaatiosäännöt.
Luokittelussa (classification) etsitään funktiota tai mallia, jolla luokat voidaan erottaa
toisistaan, tavoitteena tunnistaa ennalta tuntemattoman objektin luokka. Menetelmää
kutsutaan ohjatuksi oppimiseksi, koska mallin opettamiseen käytetyn harjoitustiedon
luokat on määritelty.
Adraoui ym. ovat soveltaneet luokittelua opiskelija-analytiikassa tunnistamalla opin-
noissa eteneviä ja riskiryhmään kuuluvia opiskelijoita (2017, 5). Luokittelu tapahtuu
seuraamalla opiskelijoiden oppimisenaikaista vuorovaikutusta. Menetelmässä opis-
kelijat kuvataan verkon solmuina ja vuorovaikutus verkon kaarina. Solmuun yhdis-
tyvien kaarien lukumäärää (degree centrality), solmun eteenpäin välittämä tieto
(closeness centrality) ja solmun kyky toimia lyhyimpänä reittinä kahden muun sol-
mun välissä (betweenness centrality) toimivat mallissa muuttujina, joiden pohjalta
luokittelu laaditaan.
Ennustaminen (prediction) on ohjattua oppimista, jonka tavoitteena on kehittää malli,
joka ennakoi opiskelijan toiminnan perusteella hänen tietämystään ja tulevaisuuden
suoritusta. Mallin avulla voidaan kertoa opiskelijalle mihin suuntaan oppiminen
näyttäisi kulkevan tehtyjen suoritusten perusteella. Opiskelijalle ja opettajalle voi-
daan mallin tuottaman tiedon perusteella ehdottaa toimia, joilla opiskelijan suoritus-
kykyä voidaan parantaa.
Tutkimuksissa on selvitetty mallia ennustaa opiskelijoiden arvosanaa ja kurssin kes-
keyttämisvaarassa olevia opiskelijoita (mm. Galafassi ym. 2017, Marques ym. 2017).
Tutkimuksissa on käytetty muuttujina yhtä tai useampia muuttujia. Conjin ym. käyt-
29
tivät kurssilla tapahtuvaa oppimista seuratessaan napsautusten lukumäärää pyrkies-
sään ennustamaan opiskelijan suoriutumista (2017, 27). Muita tutkimuksissa käytet-
tyjä muuttujia ovat kurssilla käytetty aika, resurssien avaaminen, keskustelualueille
kirjoitettujen viestien lukumäärä ja läpäistyjen kyselyiden määrä. Ennustemallien
toiminnan on havaittu vaihtelevan voimakkaasti jopa saman oppilaitoksen eri kurs-
sien välillä. Havainnon perusteella ennustemallin siirrettävyys kurssien välillä on
heikko (Conjin 2017, 17).
Yassine ym. luettelevat opiskelija-analytiikassa käytettyjä luokittelu- ja ennustealgo-
ritmeja: Naïve Bayes, Bayes-verkot (Bayesian networks), odotuksen maksimointi
(Expectation Maximization), Markovin ketju (Markov chain), päätöspuut ja suoritus-
kykyanalyysi (2016, 264-265). Luokittelun kautta muodostettu ennuste opiskelijan
tavoitteeseen pääsystä voidaan ilmaista oppimistavoitteen alittamisella, saavuttami-
sella tai ylittämisellä.
Ryhmittelyssä (clustering) tiedon luokkamerkintä ei ole etukäteen tiedossa. Menetel-
mässä tieto jaetaan ryhmiin tiedon ominaisuuksien perusteella. Ryhmä muodostuu
objekteista, joissa on ryhmän sisällä enemmän vastaavuutta ja vähemmän erilaisuutta
muihin ryhmiin verrattuna. Objektien vastaavuus esitetään tilassa etäisyyden funk-
tiona. Mitä enemmän objektit muistuttavat toisiaan, sitä lähempänä toisiaan ne ovat
(Han ym., 2012, 19-21). Ryhmittely voidaan jakaa osittaviin, hierarkkisiin ja tihey-
teen perustuviin menetelmiin.
Osittavissa (partitioning) menetelmissä datalle muodostetaan ositus (klusterointi).
Aluksi muodostetaan satunnaiset klusterit, joita iteratiivisesti uudelleensijoitetaan
pyrkimyksenä parantaa ositusta siirtämällä objekteja osioista toisiin. Osituksessa
käytetään mm. k-means ja k-medoids -algoritmeja. K-means -algoritmissa jokainen
klusteri edustaa sen objektien keskiarvoa (McQueen 1967, 281). K-medoids -
algoritmi valitsee klustereiden keskukset datapisteiden erilaisuuden perusteella
(Kaufman & Rousseeuw 1987, 1).
Han ym. mukaan hierarkkiset menetelmät jaetaan jakaviin ja yhdistäviin menetelmiin
(2012, 449). Molemmissa menetelmissä alkiot ovat aluksi samassa klusterissa. Jaka-
vassa (divisine) menetelmässä alkioita jaetaan ja yhdistävissä (agglomerative) mene-
telmissä alkioita yhdistellään klusterista, kunnes saavutetaan haluttu määrä klusterei-
30
ta tai kunnes alkiot muodostavat omat klusterinsa. Hierarkkiset menetelmät muodos-
tavat puumaisen hierarkian, joka voidaan esittää dendrogrammina (dendrogram).
Tiheysperustaisissa menetelmissä (density-based methods) klusterointi perustuu
joukkoihin, joissa alkiot ovat mahdollisimman tiheässä (Han ym. 2012, 449).
Assosiaatiosäännöt (association rules) on ohjaamatonta oppimista. Assosiaatiosään-
töjen louhinnassa datasta pyritään löytämään mielenkiintoisia yhteyksiä ja korre-
laatioita: Tunnistetaan havaintoja, jotka esiintyvät yhdessä useammin kuin erikseen.
Havainnot merkitään muodossa X -> Y, jossa X on edeltäjä ja Y seuraus. Näiden
välisen riippuvuuden voimakkuuden tarkasteluun käytetään tunnuslukuina tuki-, luot-
tamus- ja nostearvoja. Tuki (support) kuvaa kuinka yleinen havainto on tutkittavassa
tiedossa. Luottamus (confidence) kuvaa kuinka usein niissä havainnoissa, joissa X
ilmenee, esiintyy myös Y. Noste (lift) kuvaa X:n ja Y:n välisen esiintymän korrelaa-
tiota. (Han ym., 2012, 264-267)
Assosiaatiosääntöjä louhitaan transaktiopohjaisesta tiedosta, usein käyttämällä Ap-
riori-algoritmia. Transaktiolla tarkoitetaan tietokantapohjaiselle palvelimelle yhtenä
toimenpiteenä tallennettavaa hakujen ja tallennusten sarjaa, jossa ongelmatilanteessa
koko tapahtuma peruutetaan. Apriori-algoritmi etenee tunnistamalla datassa usein
toistuvia kohteita ja laajentamalla niitä yhä suurempaan tietoryhmään.
Nettisivuilla assosiaatiosääntöjä sovelletaan tunnistamaan vierailijan liikkeitä sivulta
toisille. Menetelmä tunnetaan klikkianalyysinä (clickstream analysis tai clickstream
analytics). Klikkianalyysi näyttää käyttäjän käymien sivujen sarjaa tai nettisivujen
selauspolkua. Data kerätään suoraan käyttäjän nettiselaimesta, jossa seurataan verk-
kosivulle tallennettuja merkintöjä, tageja. Kerätty tieto tallennetaan palvelimelle,
jonka tiedostosta analysoidaan sivujen käyntijärjestys ja sivujenväliset kulkusäännöt
(Montgomery ym. 2004, 2-3). Tuloksena datasta louhitaan sääntöjä, joiden perusteel-
la on mahdollista ennustaa vierailijoiden (opiskelijoiden) kulkemista sivustolla ja
sivujenkäyttöpolkuja.
Assosiaatiosäännöillä on mahdollista analysoida kurssin kehittämistarvetta. Opiskeli-
joiden aktiviteettitasoisen käyttäytymisen seuraaminen assosiaatiosääntöjen perus-
teella saattaisi auttaa ymmärtämään kurssin kehitystarpeita ja tunnistamaan eritasois-
ten opiskelijoiden oppimiskäyttäytymistä. Luna ym. tutkivat Apriori-algoritmin toi-
31
mintaa Moodlen aktiviteettilokia käyttävässä, aliluvussa 2.7.12 esitellyssä Moodle
Data Mining -työkalussa (2016).
2.6.3 Markovin piilomalli
Hijon-Neira ym. esittävät kokemuksiinsa pohjautuen ystävällisemmän ja opettaja-
maisemman Moodle-kurssin vuorovaikutuskokemuksen motivoivan opiskelijoita ja
parantavan opiskelutuloksia (2014, 1). Tähän tavoitteeseen pääsemiseksi Moodle-
kurssille lisätään vuorovaikutteista opetusmateriaalia, jonka käytön perusteella tal-
lennetaan tietoa opiskelijan ongelmanratkaisusta, verrataan sitä oikeaan ratkaisuun ja
annetaan palautetta tehtävätasoisen ratkaisun lisäksi myös tehtyjen osaratkaisujen
pohjalta. Toteutuksessa voidaan käyttää Markovin piilomallia soveltavia ratkaisu-
mallin jäljittämistä (model tracing) ja tiedollista jäljittämistä (knowledge tracing).
Markovin piilomallin taustalla oletetaan olevan Markovin prosessi, jonka parametre-
ja ei tunneta. Tiloja ja niiden välisiä siirtymiä ei havaita. Mallissa pyritään päättele-
mään piilossa olevat siirtymätodennäköisyydet havaittavien lopputulemien perusteel-
la. Mallin toiminta-ajatusta visualisoidaan kuvassa 11.
Kuva 11. Markovin piilomalli17. Tehtävän suorituksessa vaaditut tilat on merkitty X:llä. Opiske-
lijan palauttamasta ohjelmakoodista etsitään Y:tä. Yhden tai useamman Y:n löytäminen kertoo
mallissa olevan tilan X toteutumisesta.
Kuvassa 11 oppimistehtävän tilat on merkitty X:nä. Opiskelijan palauttamasta oh-
jelmakoodista havaitaan yksi tai useampi tila Y. Havaittujen Y:n perusteella tehdään
päätelmiä mitä ne kertovat X:stä eli kuinka pitkällä tehtävän suorittamisessa ollaan.
Havaittujen Y:n perusteella voidaan laskea todennäköisyys X:lle (Blikstein ym.
2014, 581-586).
17 https://www.youtube.com/watch?v=9yl4XGp5OEg, 6:22 (viitattu 15.11.2017)
32
Ratkaisumallin jäljittämisessä opiskelijan tekemiä ratkaisuita verrataan vaihe kerral-
laan edeten oikeaan lopputulokseen johtavaan ratkaisuun. Ratkaisun etenemistä seu-
rataan taustalla hiljaa, mutta opiskelijan pyytäessä apua voidaan antaa ratkaistavana
olevaan vaiheeseen liittyviä, henkilökohtaistettuja ohjeita. Tiedollisessa jäljittämises-
sä seurataan opiskelijan oppimista suhteessa opetustavoitteisiin. (Koedinger ym.
1997, 32-37; Anderson ym. 2010, 1). Markovin piilomallia on sovellettu aliluvun
2.7.11 Merlin-know lisäosassa, joka toimii Moodlessa.
2.6.4 Sosiaalisen oppimisen analyysi
Sosiaalisen oppimisen analytiikka (social learning analytics) voidaan nähdä opiskeli-
ja-analytiikan alatasona. Sosiaalisen oppimisen analytiikka on prosessi, joka kuvaa
opiskelijoiden vuorovaikutusta verkko-oppimisympäristössä käytävän, oppimiseen
liittyvän, verkkokeskustelun aikana (Adraoui ym. 2017, 1). Menetelmän avulla voi-
daan arvioida erilaisten tekijöiden vuorovaikutusta verkko-oppimisympäristössä.
Vuorovaikutusta kyetään arvioimaan kaikista toiminnoista, joissa opiskelijat ovat
tekemisissä keskenään. Tällaisia ovat keskustelualueet, chat-keskustelut, viestit ja
kommentit. Sosiaalisen verkoston analyysissä voi olla mukana sekä visuaalinen että
matemaattinen ulottuvuus.
Vuorovaikutus esitetään visuaalisesti. Opiskelijat muodostavat verkossa tapahtuvan
oppimisen aikana virtuaalisen verkon, jossa on solmuja ja suunnattuja kaaria. Solmut
voivat esittää opiskelijoita, opettajia, oppimisessa käytettyjä resursseja ja opiskelija-
analytiikan käyttämiä toimintoja (aktiviteetteja) ja suunnatut kaaret verkon toimijoi-
den välisiä suhteita ja tiedon kulkusuuntaa. Solmuun yhdistyvät kaaret jaetaan tule-
viin ja lähteviin kaariin. Nämä kertovat solmun asemasta verkossa. Sisään tulevien
kaarten lukumäärä kertoo solmun arvovallasta verkossa. Ulospäin suuntautuvien
kaarten lukumäärä viittaa sosiaalisuuteen ja opiskelijaan, joka usein aloittaa keskus-
telun. (Adraoui ym. 2017, 3-4) Sosiaalisen oppimisen analytiikka tutkii erityisesti
näiden kaarien rakennetta. Sen avulla voidaan nähdä verkon toimijoiden välinen ar-
vovalta (prestige) ja kaarien prosentuaalinen esiintyminen (tiheys). Päivittäin keske-
nään kommunikoivat muodostavat yhteisön.
Conijn ym. tutkimuksessa sosiaalisen oppimisen analysointi keskustelualueen käyt-
töaktiviteetin mukaan ei tuottanut korrelaatiota kurssin loppuarvosanan kanssa (2017,
33
26). Tutkimuksessa vertailtiin saman oppilaitoksen 17:ltä eri Moodle-kurssilta kerä-
tystä aineistosta keskustelualueiden käyttämistä muuttujana, jonka ei havaittu ennus-
tavan luotettavasti kurssin loppuarvosanaa. Tämän perusteella menetelmästä voi olla
enemmän hyötyä opetuksenaikaisen aktiivisuuden seuraamisessa, osana muita opis-
kelija-analytiikan menetelmiä.
2.6.5 Tiedon visualisointi
Opiskelija-analytiikka on luonteeltaan visuaalista analytiikkaa. Visuaalisessa analy-
tiikassa yhdistyvät tiede ja tieto (information). Visuaalisella analytiikalla tarkoitetaan
tiedon analysoinnin kautta muodostettavaa kuvaa käsiteltävästä datasta. Näin tiedosta
saadaan irti enemmän kuin perinteisellä tiedon visualisoinnilla. Kuva muodostetaan
edistyneiden datan analysointialgoritmien kautta (Keim ym. 2008, 158). Visuaalisen
analytiikan käsitteet on esitetty kuvassa 12.
Kuva 12. Visuaalinen analytiikka. Visuaalisen analytiikan ytimessä on tieteellinen ja tietopoh-
jainen visualisointi. Siihen liittyvät tiedon hallinta ja louhinta, ihmisen vuorovaikutus tietoko-
neen kanssa sekä havaintokyky ja kognitiot. Visuaalisen analytiikan toimintaa tulee arvioida ja
se on alisteinen käytetylle infrastruktuurille (Keim ym. 2008, 159-163).
Kuvassa 12 nähdään visuaaliseen analytiikkaan liittyvät keskeiset käsitteet. Havain-
noilla ja kognitioilla tarkoitetaan tehokkaiden visuaalisten tietojärjestelmien toteut-
tamista. Tähän liittyvät käyttäjäkeskeinen analyysi ja mallintaminen, järjestelmien
kehittämisen periaatteet, menetelmät ja työkalut, useiden eri toimintatapojen tai ta-
pahtumien merkityksien tunnistaminen ja yhdistäminen sekä järjestelmien käytettä-
vyyden kehittäminen. Löydettyjä ratkaisuita tulee arvioida monipuolisesti. Ratkaisut
tarvitsevat toimiakseen standardoitua ja tarkoitukseen sopivaa infrastruktuuria.
34
(Keim ym. 2008. 162-163). Tietotekninen infrastruktuuri käsittää palvelut ja yhtey-
det niihin.
Oppimisesta kerätyn tiedon tuloksia voidaan esittää teksti- ja kuvamuodossa. Teks-
timuotoisia tiedon esittämistapoja ovat raportit ja taulukot. Kuvamuotoisia visuali-
sointeja ovat erityyppiset kaaviot, joissa voidaan käyttää esimerkiksi viivoja, muotoja
ja palkkeja. Paikkaan liittyvää tietoa voidaan visualisoida kartalla. Visualisoinnilla
tulisi pyrkiä esittämään tieto muodossa, joka helpottaa opiskelijaa ja opettajaa ym-
märtämään analyysin tuloksia. Tulokset voidaan koota yhteen paikkaan opiskelija-
analytiikan kojelaudalle. Tuloksista opiskelija saa palautetta omasta toiminnastaan ja
opettaja laajemmin koko ryhmän etenemisestä (Trætteberg ym. 2016, 666; Diana ym.
2017, 4; Yassine ym. 2016, 265). Moodlessa tulosten esittämiseksi on sisäänraken-
nettu kojelauta, Dashboard18. Muita kojelautavaihtoehtoja ovat esimerkiksi
LearnGLASS ja Google Analytics, mutta ne tarvitsevat sovittamista, kuten Moodlen
käyttäjätilien liittämistä ulkoisiin järjestelmiin ja/tai Moodlen lähdekoodin muok-
kausta (Conde ym. 2015, 52).
Dashboard on Moodlen 2.5-versiosta mukaan tullut lohko (block), joka toimii koje-
lautana. Kojelaudalla (dashboard) tarkoitetaan oppimisesta kerättyjen tietojen visu-
alisointia ja esittämistä kootusti samassa näkymässä. Se voi muodostua yhdestä tai
useammasta mittarista, joiden yksityiskohtiin voidaan tarvittaessa porautua. Tarken-
tuva mittaristo antaa mahdollisuuden kiinnittää huomio olennaiseen (Fu ym., 2017).
Huomio tai hälytys voi lähteä esimerkiksi huomiosta, jonka mukaan opiskelijalta
puuttuu aktiviteettien määrällisiä tai laadullisia suorituksia. Opiskelija voi tiedon
perusteella itse tehdä korjaavia toimenpiteitä, joita voivat olla esimerkiksi opintojen
etenemiseksi edellytettyjen tehtävien tekeminen tai ohjauksen pyytäminen. Näin
opiskelijalle annetaan mahdollisuus hyötyä opiskelija-analytiikasta omien opintojen-
sa ohjaamisessa.
18 https://docs.moodle.org/34/en/Dashboard (viitattu 29.1.2018)
35
Mahdollisuus vaikuttaa omiin opintoihin tukee opiskelijan opiskelumotivaatiota.
Motivaatio on päämääräsuuntautunutta toimintaa ohjaava psykologisten funktioiden
jäsentynyt kokonaisuus, joka jaetaan sisäiseen ja ulkoiseen motivaatioon. Motivaatio
näkyy usein aktiivisuutena niin verkkokurssilla kuin sen ulkopuolella tapahtuvassa
opiskelussa. Oppimisen hallintajärjestelmästä kerätystä tiedosta voidaan epäsuorasti
myös mitata opiskelijan motivaatiota (Hijon-Neira ym. 2014, 2; Conijn ym. 2017,
27).
Opiskelijan ja opettajan kojelaudat eroavat toisistaan siten, että opiskelija näkee vain
omia tietojaan. Opettajan on mahdollista seurata opiskelijoiden opintojen etenemistä
kaikista opiskelijoistaan kootusti, jolloin voidaan esittää jaksoittaiset varoitukset
opiskelijoista, joiden opintojen etenemiseen kannattaa kiinnittää huomiota. Kojelau-
dan avulla opettaja voi ohjata resursseja ja tukitoimia niitä tarvitseville opiskelijoille
ja huomioida nopeasti etenevät opiskelijat.
Moodlen Dashboard näyttää käyttäjälle joko graafisesti tai sanallisesti Moodlessa
tehdyn kyselyn tuloksia. Kyselyiden tuloksia voi visualisoida taulukoiksi, graafeiksi,
kartoiksi ja aikajanoiksi. Lohko voi toimia tiedon suhteen itsenäisesti tai yhteistyössä
muiden lohkojen kanssa. Siinä on monipuoliset tiedon suodatusominaisuudet ja
mahdollisuus viedä (export) dataa Moodlen ulkopuolelle (Conde ym. 2015, 52).
Moodlen omaa raportointityökalua (Moodle reporting tool) voi käyttää opiskelija-
analytiikan tuloksia esittävänä kojelautana. Se mahdollistaa käyttäjän toiminnan ra-
portoinnin sivustonlaajuisesti, kursseittain tai aktiviteeteittain. Raportti näyttää tietoa
käyttäjästä, kurssiaktiviteetista ja tapahtumalokeista, jotka kuvaavat käyttäjän toimin-
taa oppimisympäristössä. Tietoa on mahdollista myös suodattaa. Kurssi- ja aktiviteet-
titasolla voidaan kerätä tietoa kurssin ja aktiviteetin suorittamisesta, aktiviteetissa
käytetystä ajasta ja suoritukseen liittyviä laatutietoja (Conde ym. 2015, 53).
2.7 Opiskelija-analytiikan työkaluja
Aliluvussa esitellään Moodle-datan kanssa yhteensopivia opiskelija-analytiikan työ-
kaluja ja niiden jaottelua erilaisten käyttötarkoitusten perusteella. Työkalut analysoi-
vat Moodlen oppimisesta tallentamaa tietoa analyysin tekemiseksi. Analyysistä teh-
36
dään yhteenvetoja, jolloin opettajien ja opiskelijoiden on helpompaa ymmärtää ja
seurata oppimisen etenemistä.
Luna ym. vertailevat 17:ää Moodlen lisäosana tai sen dataa hyödyntävää opiskelija-
analytiikan työkalua (2016, 91-100). Vertailussa havaitaan työkalujen sisältävän
usein vain yhden opiskelija-analytiikan menetelmän käytön. Työkaluja on usein ke-
hitetty tietyn tehdyn havainnon ympärille vailla kokonaisen oppimisprosessin analy-
sointia. Vertailun tulos on esitetty kuvassa 13.
Kuva 13. Moodle-dataa hyödyntävien opiskelija-analytiikan työkalujen vertailu (Luna ym.
2016, 92). Kuvassa työkaluista on taulukoitu tiedot vapaasta käytöstä, Moodle-integroinnista,
ohjelmointikielestä, tiedon visuaalisesta esittämisominaisuudesta, datan esikäsittelyn tuesta sekä
ohjatun ja ohjaamattoman oppimisen käyttämisestä analyysin osana.
Kuvasta 13 nähdään työkaluista kuuden olevan vapaasti käytettäviä ja 11 maksulli-
sia. Suurin osa työkaluista on toteutettu PHP-ohjelmointikielellä (8 kpl) tai Javalla (6
kpl), mutta toteutuksia on myös VisualBasicilla (1 kpl), Pythonilla (1 kpl) ja Ja-
vaScriptillä (1 kpl). Työkaluista yksikään ei mahdollista analysoitavan tiedon esikä-
sittelyä. Vertailun työkaluista vain E-LearningWebMiner käsittelee tietoa ohjaama-
tonta oppimista apuna käyttäen ja vain CVLA hyödyntää ohjattua oppimista.
Conde ym. jakavat opiskelijoiden seurantatyökalujen vertailussaan opiskelija-
analytiikan työkalut neljään ryhmään: Yleiskäyttöisiin mittaristoihin, ad hoc -
työkaluihin, erityisten kysymysten analysointiin tehtyihin välineisiin ja oppimisen
analyysikehyksiin (2015, 50). Yleiskäyttöiset mittaristot näyttävät tietoa opiskelijoi-
den ja opettajien toiminnasta verkko-oppimisympäristössä. Nämä eivät tyypillisesti
näytä mitattujen asioiden suhteita toisiinsa, vaan keskittyvät näyttämään mittarissa
yksittäistä seurattavaksi määriteltyä analyysin tulosta.
37
Ad hoc -työkalut seuraavat ja analysoivat tietoa tarkalla tasolla ja näyttävät tuloksia
ennalta määriteltyjen rajoitusten ja ehtojen täyttyessä. Työkalut jaetaan Moodlen
lisäosana toteutettuun Interactions-vuorovaikutustyökaluun ja opiskelijoiden yksilöl-
lisen tiimityöskentelyn arviointia helpottavaan verkkopalveluun. Moodlen Interacti-
ons-lisäosa on rajoittunut Moodlen 2.3-versioon ja sitä vanhempiin. Uudemmasta
Moodle-versiosta analysoitava data voidaan siirtää tietokantapalvelimella vanhem-
man Moodle-version käyttämään tauluun, jolloin lisäosaa voidaan käyttää toimivassa
ympäristössä. Lisäosa mahdollistaa datan opiskelijakohtaisen keräämisen ja viemisen
analysoitavaksi Excelin kaltaisella tilastointiohjelmalla.
Tiimityöskentelyn arvioinnin verkkopalvelu käyttää Moodlen web services -
rajapintaa, jota apuna käyttäen Moodle-palvelimelta kerätään tietoa kurssin keskuste-
lualueiden käytöstä. Työkalusta nähdään keskustelualueiden käyttömäärät ryhmä- ja
yksilötasoilla. Keskusteluista näytetään julkaistujen viestien kokonaismäärän ja opis-
kelijakohtaisten keskiarvojen kaltaisia tilastotietoja.
Erityisten kysymysten analysointiin tehdyt välineet keskittyvät keräämään ja analy-
soimaan tietoa oppimisesta ennalta valitusta näkökulmasta. Ryhmän esimerkkeinä
ovat sosiaalisen verkoston analysointityökalu SNAPP (Social Networks Adapting
Pedagogical Practice) ja riskiryhmässä olevien opiskelijoiden tunnistamiseen kehitet-
ty GraphFES (Graph Forum Extraction Service). SNAPP kerää tietoa keskustelualu-
eilta ja muodostaa Java-sovelmassa siitä sosiaalisen verkoston. GraphFES on verk-
kopalvelu, joka käyttää tiedonkeruuseen Moodlen web services -rajapintaa. Tietoa
kerätään kurssin kaikilta keskustelualueilta ja siitä muodostetaan kolme graafia:
Opiskelijoiden kaikki viestit ja viestien suhde toisiinsa, viestien lukukertojen ja -
määrien suhde ja opiskelijoiden viesteihin vastaaminen.
Oppimisen analyysikehysten ryhmässä olevia työkaluja voidaan käyttää erilaisissa
ympäristöissä erilaisten oppimisen näkökohtien analysoimiseksi. Tällaisia työkaluja
ovat VeLA (Visual eLearning Analytics) ja GISMO (Graphical Interactive Student
Monitoring and Tracking System).
Seuraavaksi esitellään pääosin Moodlessa toimivia opiskelija-analytiikan työkaluja.
Aliluvun 2.7.1 Blocks: Course Dedication -työkalu tunnistaa Moodlen aktiviteettilo-
kista opiskelijoiden istunnot ja visualisoi näiden perusteella oppimisesta tietoa opet-
38
tajalle. Aliluvun 2.7.2 Visual eLearning Analytics kokoaa verkkokurssin ja opettajan
tallentamaa tietoa tarkasteltavaksi samassa visualisoinnissa. Aliluvun 2.7.3 Moodle
Engagement Analytics visualisoi opiskelijoiden etenemistä verkkokurssilla kirjautu-
misten, tehtävien ja keskustelualueiden perusteella.
Aliluvun 2.7.4 Graphical Interactive Student Monitoring and Tracking System visu-
alisoi opiskelijaryhmän käyttäytymistä kirjautumisten, Moodlen aktiviteettien ja re-
surssien perusteella. Aliluvussa 2.7.5 esiteltävä Monitoring Online Courses with
Logfiles lisää verkkoympäristöön tallentuneen datan tarkasteluun didaktisen teorian
ja visualisointien luonnin sidosryhmäkohtaisesti.
Aliluvun 2.7.6 Learning Analytics Enhanced Rubric laajentaa opiskelijoiden arvioin-
tia kriteeripohjaisesti. Aliluvun 2.7.7 SmartKlass visualisoi oppimisen tuloksia sidos-
ryhmittäin oppilaitokselle, kurssille ja opiskelijatasoille. Moodlen oma tietovisa
(quiz) on esitelty aliluvussa 2.7.8. Moodlen tietovisaan vuorovaikutteisuutta lisäävä
Interactive assignment -lisäosa esitellään aliluvussa 2.7.9. Aliluvussa 2.7.10 esitel-
lään sosiaalisen verkoston analysointityökaluja: Graph Forum Extraction Service,
Social Networks Adapting Pedagogical Practice ja Pajek.
Aliluvun 2.7.11 Merlin-know -työkalu tehostaa opiskelijan verkossa tapahtuvaa op-
pimista ja ohjaamista hyödyntämällä tasoittain tapahtuvaa etenemistä ja suorituskoh-
taista palautetta. Työkalun antamassa palautteessa hyödynnetään opettajamaista ava-
tarta. Lopuksi aliluvussa 2.7.12 esitellään Moodle Data Mining, joka mahdollistaa
tiedonlouhinnan ja visualisoinnin Moodlen aktiviteettilokista.
2.7.1 Blocks: Course Dedication
Opiskelijoiden Moodle-kurssilla käyttämästä ajasta voidaan tunnistaa työhön omis-
tautunut aika analysoimalla opiskelijan kurssinaikaista toimintaa Moodlen aktiviteet-
tilokiin tallentuneen tiedon avulla. Azevedo ym. ovat tutkineet opiskelijoiden keski-
39
määräisen istunnon pituutta käyttämällä Moodlen block_dedication19 -lisäosaa (2017,
645). Blocks: Course Dedication laskee opiskeluun omistautuneen ajan verkkokurs-
sin käytöstä tunnistettujen istuntojen perusteella.
Käyttäjän istunto (session) on kahden tai useamman peräkkäisen verkkopalvelun
lokiin tallentuneen käytön sarja, jossa peräkkäisten tallentuneiden aikojen aikaväli ei
ylitä määriteltyä enimmäisaikaa. Istunnon kesto määräytyy ensimmäisen ja viimeisen
lokimerkinnän välisenä aikana. Sovellus laskee kurssin käyttäjien istuntoajat sekä
istuntojen summan ja niiden pituuden keskiarvon. Työkalun asetukset on esitetty
kuvassa 14.
Kuva 14. Course dedication -lisäosan asetukset. Työkalussa määritellään seurattavan jakson
alku- ja loppuajankohdat sekä samaan istuntoon kuuluvien tapahtumien enimmäiskesto (kuvas-
sa 60 minuuttia). Lähde: moodle.org20
Kuvasta 14 nähdään Course dedication –työkalun asetuksissa määriteltävä seurattava
ajanjakso ja istunnon aikakatkaisuraja. Aikakatkaisurajaa tarvitaan, sillä selaimen
sivunlatauspyyntöihin perustuva istunnon lopetusajankohta ei kaikissa tapauksissa
tallennu lokitiedostoon. Kuvassa tehdyn asetuksen mukaan istunto päätetään viimeis-
tään 60 minuutin päästä viimeisestä tallennetusta sivunlatauksesta. Asetusten perus-
teella Course dedication -lisäosan käyttäjälle laskemat istuntoajat on esitetty kuvassa
15.
19 https://moodle.org/plugins/block_dedication (viitattu 24.1.2018) 20 https://moodle.org/plugins/block_dedication (viitattu 24.1.2018)
40
Kuva 15. Käyttäjän Moodle-kurssilla tunnistetut istuntoajat, istuntojen kestot sekä istunnoissa
käytetty "omistautunut aika" (total dedication). Lähde: moodle.org21
Kuvassa 15 nähtävä Moodle-kurssilla käytetyn ajan arvio näytetään oletuksena vain
opettajalle. Lohkon asetuksista tieto voidaan asettaa näkymään myös opiskelijoille.
Opiskelijan kurssilla käyttämän ajan lisäksi työkalu osaa näyttää kaikkien kurssin
opiskelijoiden kurssilla käyttämän yhteenlasketun ajan ja ryhmäksi valittujen opiske-
lijoiden käyttämän ajan. Samojen opiskelijoiden eri kursseilla käyttämiä kokonaisai-
koja vertailemalla voidaan tarkastella verkkokurssien kuormittavuutta eri opiskeli-
joille.
Azevedo ym. vertailevat istunnon pituutta yleisellä tasolla, opiskeluaiheittain sekä
aikaan sidottuna (2017, 645-646). Omistautuneen ajan tulosten tarkastelussa havai-
taan opiskelijoiden aikaa kuluvan enemmän paljon monivalintakysymyksiä sisältä-
vän verkkokurssin laskentasisällön parissa. Lisätutkimuksen aiheita voisivat olla
kurssin eri osien aikavaativuuksien määrittely ja ennalta tiedetyn ajankäytön sovel-
taminen oppimisessa. Omistautunutta aikaa voidaan soveltaa määriteltäessä opiskeli-
joiden verkkokurssin eri osille varattavaa aikaa. Kertomalla aika-arvio ennalta opis-
kelijoille he voivat käyttää tietoa suunnitellessaan opintojaan. Omistautunutta aikaa
ja kurssin lopputulosta vertaamalla on mahdollista tutkia käytetyn ajan merkitystä
opintomenestystä ennustavana mittarina. Tällaisen tutkimuksen toteutuksessa tulisi
kuitenkin huomioida opintomenestykseen vaikuttavan myös muita tekijöitä.
21 https://moodle.org/plugins/block_dedication (viitattu 24.1.2018)
41
2.7.2 Visual eLearning Analytics
Visual eLearning Analytics (VeLA)22 yhdistää oppimisesta tallennettavan tiedon ja
opettajan tallentamat havainnot tarkasteltavaksi samassa visualisoinnissa. Työkalun
on tarkoitus tehdä opiskeluun liittyvästä tiedosta ja tietojen käsittelystä läpinäkyvää
analyyttisen keskustelun pohjaksi (Keim ym. 2008, 155). Se on rakennettu aliluvussa
2.5 esitettyjen opiskelija-analytiikan viitekehyksen (Chatti ym. 2012, 6-7) ja visuaa-
lisen analytiikan määritelmän, prosessin ja haasteiden (Keim ym. 2008) pohjalta.
Kuvassa 16 on esitetty työkalussa käytetyt menetelmät ja sen toimintaperiaate.
Kuva 16. VeLa-työkalun menetelmät. Kuvassa yhdistetään oppimisesta tallennettava tieto ja
opettajan työ. Käytettävät konepuolen menetelmät ovat tilastollinen analyysi, tiedonlouhinta ja
-hallinta sekä pakkaus ja suodattaminen. Näiden pohjalta käytetään semanttista lähestymista-
paa sekä grafiikkaa. Ihmisen (opettajan) puolelta yhdistyvät kognitio, havainnot, visuaalinen
älykkyys ja päätöksenteko, joihin yhdistyvät ihmiskeskeinen tietojenkäsittely ja tiedonsuunnit-
telu. Tuloksena syntyy tiedon visualisointi (Keim ym. 2008, 10).
Kuvasta 16 nähdään VeLan pyrkivän tiedon visualisointiin yhdistämällä oppimisym-
päristön tallentaman tiedon ja opettajan työn ”parhaiksi puoliksi”. Yhdistämisen lop-
putuloksena tuotettavat visualisoinnit ovat vuorovaikutteisia. Käyttäjä voi suodattaa
visualisoinnin esittämää tietoa, kohdistaa siihen hakuja ja muuttaa tiedon esitystapaa.
Ohjelmassa on neljä visualisointityyppiä: Spiraalinmuotoinen aikajana käyttäjien
aktiivisuudesta valittuna ajanhetkenä, kurssin tärkeimmistä käsitteistä muodostettu
sanapilvi, käyttäjien vuorovaikutteisuutta kuvaava sosiaalinen kaavio ja työkalu op-
22 https://www.slideshare.net/grialusal/vela-lasi-bilbao (viitattu 7.6.2018)
https://www.youtube.com/watch?v=isHK08E4q1g (viitattu 7.6.2018)
42
pimisympäristöön tallennetun datan ja siihen kohdistetun käyttäjän aktiviteetin visu-
alisoimiseen. (Conde ym. 2015, 55). Työkalu on julkaistu vuonna 2015.
2.7.3 Moodle Engagement Analytics
Moodle Engagement Analytics23 kerää ja näyttää tietoa opiskelijoiden etenemisestä
kurssilla. Työkalun näyttämä eteneminen määritellään opiskelijan kurssilla suoritta-
mien aktiviteettien perusteella. Opiskelijoiden eteneminen tunnistetaan käyttämällä
kolmea määrällistä tekijää: Opiskelijoiden kirjautumisen taajuutta, tehtävien palaut-
tamista ja keskustelualueilla katseltujen viestien ja uusien viestien kirjoittamisen lu-
kumääriä. Näiden perusteella lasketaan opiskelijakohtainen ”riskiluokitus”, joka on
esitetty kuvassa 17.
Kuva 17. MEA:n riskiarviointi. Riskiarvio lasketaan tehtävänpalautusten, keskustelualueiden
aktiivisuuden ja kirjautumisten perusteella. Lähde: moodle.org24.
Kuvassa 17 nähdään opiskelijakohtaisen ”riskiluokituksen” olevan suhteessa opiske-
lijan kirjautumisten lukumäärään sekä tehtävä- ja keskustelualueaktiviteettien käyt-
töön. Vähäisempi kurssiaktiivisuus johtaa korkeampaan ”riskiluokitukseen”.
MEA:n laskemat tulokset esitetään Moodlen lohkossa (block). Lohko näyttää reaa-
liajassa tietoa opiskelijoiden käyttämistä resursseista ja sisältää algoritmin, joka hä-
lyttää ”riskiluokituksen” saavista opiskelijoista. Kerätyille tiedoille voidaan asettaa
erilaisia painoarvoja, jotka huomioidaan ”riskiluokituksen” laskennassa (Conde ym.
2015, 55; Yassine ym. 2016, 263). Työkalu on julkaistu GNU General Public -
lisenssillä vuonna 2012.
23 https://moodle.org/plugins/mod_engagement (viitattu 11.6.2018) 24 https://docs.moodle.org/22/en/Engagement_Analytics_Plugin (viitattu 11.10.2018)
43
2.7.4 Graphical Interactive Student Monitoring and Tracking System
Graphical Interactive Student Monitoring and Tracking System (GISMO)25 on
Moodlen lisäosa, jota voi käyttää analysoitaessa kurssin opiskelijoiden oppimista
(Conde ym. 2015, 55; Yassine ym. 2016, 262). Työkalun on tarkoitus antaa ajanta-
sainen kuva opiskelijaryhmän käyttäytymisestä. Kuvassa 18 on esitetty GISMO:n
pääsivu.
Kuva 18. GISMO:n pääsivu. GISMO:ssa on graafipaneeli, jonka toimintaa ohjataan luettelo- ja
aikapaneeleista. Vasemman reunan luettelosta valitaan ja määritellään näytettävät graafit. Ai-
kajanalta (alareuna) valitaan graafeissa tarkasteltavat kerätyn tiedon aloitus- ja lopetusajat.
Kuvassa 18 nähdään GISMOn Moodle-kurssilta kerätyn tiedon perusteella muodos-
tamia kaavioita. Kaaviot näyttävät miten opiskelijat käyvät kurssilla, lukevat materi-
aaleja ja palauttavat tehtäviä. Visualisoinnin kautta opettaja näkee yhteenvedon koko
ryhmästä, ei vain yksittäisestä opiskelijasta tai resurssista.
GISMOssa on kahdeksan erilaista visualisointia: Käytön yleiskuva, kurssilla käynnit,
kurssin resurssien käytön yleiskuva, tehtävien käytön yleiskuva, kyselyiden käytön
yleiskuva, resurssien käytön yleiskuva, resurssienkäytön aikajana opiskelijoittain ja
resurssien käyttö opiskelijoittain26. GISMO on kehitetty samankaltaisessa LAMP-
ympäristössä kuin Moodle ja julkaistu GPL-lisenssillä.
25 https://moodle.org/plugins/block_gismo (viitattu 7.6.2018) 26 http://gismo.sourceforge.net/visualizations.html (viitattu 8.6.2018)
44
2.7.5 Monitoring Online Courses with Logfiles
Monitoring Online Courses with Logfiles (MOCLog) on joukko Moodlen dataa ana-
lysoivia ja esittäviä työkaluja. Työkalun käyttäjät saavat yhteenvetoja tekeviä raport-
teja oppimiseen liittyvien resurssien ja työkalujen käyttämisestä. Tällaisia ovat esi-
merkiksi kyselyt ja tehtävät (Yassine ym. 2016, 262).
MOCLogin kehitys pohjautuu GISMO:oon (aliluku 2.7.4). Työkalu yhdistää didakti-
seen teoriaan opiskelijoiden Moodle-palvelimelle tallennetun datan. Didaktiikka on
opetustapahtumaa, ei opettamista (opetusmenetelmiä) tai oppimista, tutkiva tiede
(Hellstrom 2008, 30). Työkalu palvelee neljän sidosryhmän tarpeita: Opiskelijoita,
opettajia, opintojakson johtajia ja järjestelmän ylläpitäjiä. Jokaiselle sidosryhmälle
on määritelty omat käyttötapauksensa, jotka työkalussa toteutetaan käyttäjien profii-
lien kautta (Mazza ym. 2012, 132-134; 139). Kuvassa 19 on esitetty MOCLogin
opiskelijoiden ja opettajien käyttötapaustaulukko.
Kuva 19. MOCLogin opiskelijoiden ja opettajien käyttötapaukset. Vasemmassa sarakkeessa on
sidosryhmälle tunnistetut tarpeet. Oikea sarake kuvaa miten tarve toteutetaan työkalussa (Maz-
za ym. 2012, 136).
45
Kuvasta 19 nähdään MOCLogin toteutuksen kulkeneen sidosryhmien käyttötapaus-
ten suunnittelun kautta. Käyttötapaukset on toteutettu Moodlen opiskelijan aktiviteet-
tien käytöstä tallentuneita tietoja hyödyntäen.
2.7.6 Learning Analytics Enhanced Rubric
Learning Analytics Enhanced Rubric (LAe-R)27 on Moodlen opiskelijoiden arvioin-
nin lisäosa, joka käyttää kriteeripohjaista arviointitekniikkaa. Kuvassa 20 nähdään
työkalun arviointikriteereitä.
Kuva 20. Learning Analytics Enhanced Rubric -työkalun arviointikriteerit. Ensimmäisessä
sarakkeessa on arvioinnin kohde: Kuvassa vastausten lukumäärä, erillisten vastattujen opiskeli-
joiden lukumäärä ja tehtävien arviointi. Arviointikriteerit on esitetty omina sarakkeinaan suh-
teutettuna arvioinnin kohteeseen. Ensimmäisellä rivillä vastausten lukumäärää arvioidaan as-
teikolla minimaalinen, riittävä ja enemmän kuin riittävä. Lähde: Moodlen dokumentaatio28.
27 https://moodle.org/plugins/gradingform_erubric (viitattu 31.1.2018) 28 https://moodle.org/plugins/gradingform_erubric (viitattu 8.6.2018)
46
Kuvasta 20 nähdään LAe-R-työkalun toimintaperiaatteena olevan oppimiskäyttäy-
tymiseen ja vuorovaikutukseen liittyvien kriteereiden ja luokittelutasojen perusteella
tapahtuva oppimisen etenemisen analysointi. Esimerkiksi yhteistyön arvioimiseksi
työkalu analysoi opiskelijoiden keskustelualueille ja chat-aktiviteettiin kirjoittamien
viestien lukumääriä. Työkalun tulevaisuuden kehityskohteena on mainittu kriteerien
graafinen visualisointi29.
2.7.7 SmartKlass
SmartKlass3031 esittää oppimisesta tuloksia eri sidosryhmille. Sidosryhmät ovat oppi-
laitos-, kurssi- ja opiskelijatasoisia. Työkalu muodostaa sidosryhmälle kojelau-
tanäkymän koneoppimiseen perustuvia algoritmeja apuna käyttäen (Yassine ym.
2016, 263). Oppilaitostasolla voidaan tarkastella kurssien yleiskuvaa, tuloksia ja op-
pimisen kehittymistä. Kuvassa 21 on esitetty työkalun oppilaitostasoinen yhteenve-
tonäkymä.
Kuva 21. Moodlen SmartKlass-lisäosan oppilaitostasoinen näkymä näyttää tietoa kurssien
lukumäärästä, kurssien aktiviteettitasosta, opiskelijamäärästä kursseilla ja keskimääräiset
tiedon kurssilla olevista opiskelijoista ja opiskelijalla olevista kursseista. Lähde: Moodlen
SmartKlass-lisäosan dokumentaatio32
Kuvasta 21 nähdään työkalun esittävän opiskelijoiden osallistumista kurssille ja
opintojen etenemistä. Vasemman reunan Numerot-ryhmässä kuvataan kurssin koko-
29 https://docs.moodle.org/33/en/Learning_Analytics_Enriched_Rubric (viitattu 8.6.2018) 30 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018) 31 http://klassdata.com/smartklass-learning-analytics-plugin/ (viitattu 31.1.2018) 32 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)
47
naismäärä, aktiivisten kurssien lukumäärä, opiskelijoiden kokonaismäärä, keskimää-
räinen opiskelijamäärä kursseilla ja opiskelijan keskimääräinen kurssimäärä. Kuvan
keskellä oleva viivakaavio kuvaa opiskelijoiden kurssienkäytön aktiivisuutta tarkas-
teltuna päivittäin, viikoittain tai kuukausittain.
Opettaja voi tarkastella opiskelijan etenemistä kolmella tasolla: Yksilötyöskentelyn,
yhteistyön ja tulosten näkökulmista. Kuvassa 22 nähdään työkalun auttavan tunnis-
tamaan opinnoistaan jäljessä olevat opiskelijat.
Kuva 22. Opintojen eteneminen ryhmittäin (evolution by groups) on jaettu erinomaisesti ja
keskinkertaisesti sekä vaikeuksia oleviin opiskelijoihin. Opiskelijat, joilla on vaikeuksia (stu-
dents with difficulties) -ryhmä ei SmartKlass-lisäosan mukaan etene opiskelussa samassa aika-
taulussa muiden ryhmien kanssa. Lähde: Moodlen SmartKlass-lisäosan dokumentaatio33
Kuvassa 22 nähdään opiskelustaan jäljessä olevat kolme opiskelijaa ja visualisoitu
tieto miksi hälytysraja heidän kohdallaan ylittyy. Hälytysrajaan vaikuttavat, kuvassa
nähtävät, mittarit ovat yksilötyöskentely, yhteistyö muiden opiskelijoiden kanssa ja
opiskelun tulokset. Opinnoistaan jäljessä olevien opiskelijoiden tiedon avulla opetta-
ja voi antaa opiskelijoille heidän tasoonsa kohdistettua sisältöä tai ohjausta ja edistää
kurssille osallistumista. Opinnoissaan hitaasti tai ei ollenkaan edistyville opiskelijoil-
33 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)
48
le voidaan opettajan ryhmätasolla tehtävän työn lisäksi kohdistaa tukitoimia myös
esimerkiksi kurssirajat ylittävän yhteisen ohjauksen muodossa. Mahdollisimman
nopeasti saatu tieto tukitoimia tarvitsevista opiskelijoista tehostaa opettajan ja oppi-
laitoksen koordinoimaa tuki- ja ohjaustoimintaa.
Erinomaisesti opinnoissaan edistyvien opiskelijoiden (outstanding students -välilehti)
joukossa voi olla nopeasti eteneviä henkilöitä, joille kurssin sisältö ei ole ollut tar-
peeksi haastavaa. Tällaisten opiskelijoiden opiskelua voidaan tukea antamalla haas-
tavampia tehtäviä tai mahdollistamalla kurssin suorittaminen nopeammassa aikatau-
lussa. Työkalun kautta on lisäksi mahdollista vertailla kursseja keskenään. Kuvassa
22 kursseja vertaillaan opiskelijoiden oppimistulosten perusteella.
Kuva 23. SmartKlass-lisäosa vertailee kurssien suorituksia opintomenestyksen (erinomainen,
keskinkertainen tai vaikeuksia) perusteella oletettuun menestykseen ja järjestää ne opintome-
nestyksittäin järjestykseen. Yhteensä 24 kurssista 11:ssä oppimistulokset ovat olleet erinomaisia
tai keskinkertaisia. Kahden kurssin opintomenestyksessä on ollut vaikeuksia. Lähde: Moodlen
SmartKlass-lisäosan dokumentaatio34
Kuvassa 22 nähdään SmartKlass-työkalun jakaneen kurssit opiskelijoiden opintome-
nestyksen perusteella kolmeen ryhmään: Erinomaisesti, keskimääräisesti ja vaikeuk-
34 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)
49
sia sisältäviin kursseihin. Jokaiseen ryhmään luokitellut kurssit näytetään kuvan ala-
reunassa. Työkalu ei huomioi mahdollisia kurssien erilaisia vaikeusasteita vaan ver-
tailee pelkästään saavutettuja tilastollisia oppimistuloksia. Tiedon perusteella voi-
daan pohtia keinoja oppimistulosten parantamiseksi. Kuvassa 24 arvioidaan opiskeli-
jan suorituskykyä, joka kertoo hänen kurssisuoritustensa etenemisnopeudesta.
Kuva 24. Opiskelijan etenemisen seuranta vertailee opiskelijan suoritusta opettajan määrittä-
miin tavoitteisiin ja suhteessa oman ryhmän etenemiseen. Lähde: Moodlen SmartKlass-lisäosan
dokumentaatio35
Kuvassa 24 nähdään opiskelijan oman suorituksen suhteessa tavoitteeksi asetettuun
tasoon olevan hyvä, 80%. Ryhmään verrattuna suoritus on ollut 90%. Suoritustietoa
näytetään kuvan alareunassa myös aikaan suhteutettuna pistekaaviona. SmartKlass-
35 https://moodle.org/plugins/view.php?plugin=local_smart_klass (viitattu 31.1.2018)
50
työkalu on kehitetty avoimena lähdekoodina. Tieto kerätään Moodlen API-
rajapinnan versiota 1.0 käyttäen.
2.7.8 Moodlen oma tietovisa (quiz)
Moodlen Tietovisa (quiz)36 -aktiviteetin avulla opettaja voi suunnitella ja rakentaa
tietokilpailuja, jotka koostuvat useista erilaisista kyselytyypeistä37. Tuettuja kysely-
tyyppejä ovat esimerkiksi monivalinta, oikea-väärä -valinta, lyhyt kirjallinen vastaus
sekä vedä ja pudota. Tietovisan kysymykset säilytetään keskitetysti kysymyspankis-
sa38, josta niitä voidaan käyttää uudelleen uusissa tietokilpailuissa.
Opettajan näkökulmasta tietovisan toimintojen määrittely voisi olla ketterämpää.
Opiskelijoille on mahdollista määritellä vastaukseen perustuva palaute, mutta kovin
henkilökohtaiselle tasolle palautteissa ei päästä. Tietovisaa on mahdollista laajentaa
lisäosien39 avulla. Tietovisan laajennusten kautta on mahdollista saada käyttöön uu-
sia kyselytyyppejä ja kehittyneempää palautetta. Lisäosien kautta tulee mahdolliseksi
myös kyselyiden sääntöjen määrittely. Seuraavaksi esiteltävä iAssign on tällainen
Tietovisan laajennusosa.
2.7.9 Interactive Assignment
Moodlen interactive Assignment (iAssign) -lisäosan40 tavoitteena on lisätä vuorovai-
kutteisuutta Moodlen esimerkkeihin, testeihin, harjoituksiin, keskusteluihin ja arvi-
ointiin. Lisäosa on kehitetty tukemaan erityisesti geometrian41, grafiikan ja funktioi-
den42, kombinatoriikan43 ja ohjelmoinnin44 opetusta. Vuorovaikutteinen sisältö toteu-
tetaan selaimessa toimivan Java- tai HTML5-pohjaisen, iLM:ksi (interactive Lear-
36 https://docs.moodle.org/34/en/Quiz_activity (viitattu 17.2.2018) 37 https://docs.moodle.org/34/en/Questions (viitattu 17.2.2018) 38 https://docs.moodle.org/34/en/Question_bank (viitattu 17.2.2018) 39 https://moodle.org/plugins/browse.php?list=category&id=28 (viitattu 17.2.2018) 40 https://docs.moodle.org/33/en/iAssign (viitattu 17.2.2018) 41 http://www.matematica.br/igeom (viitattu 17.2.2018) 42 http://www.matematica.br/igraf (viitattu 17.2.2018) 43 http://www.matematica.br/icomb (viitattu 17.2.2018) 44 http://www.matematica.br/ivprog (viitattu 17.2.2018)
51
ning Module), kutsutun toiminnallisuuden avulla. iAssign-lisäosan toiminta on esitet-
ty kuvassa 24.
Kuva 25. iAssign-lisäosan toimintakaavio. Itse lisäosa on merkitty kuvaan ellipsinä, johon liitty-
vät vasemman reunan vuorovaikutteisen tekstin, oikean reunan vuorovaikutteisten aktiviteet-
tien lisäys. Alareunassa on liitettyinä vuorovaikutteisten esimerkkien, testien ja harjoitusten,
keskusteluiden ja arvioinnin osat. Lähde: Moodlen iAssign-lisäosan dokumentaatio45.
Kuvassa 24 nähdään iAssign-työkalun toimivan Moodlen lisäosana (plugin). Lisä-
osan toiminnallisuudet ovat vuorovaikutteisen aktiviteettien lisääminen Moodlen
tekstialueelle ja yhteistyöelementeiksi, vuorovaikutteisen esimerkkien, testien ja har-
joitusten tekeminen, vuorovaikutteinen keskustelu opiskelijoiden kanssa ja opiskeli-
joiden vuorovaikutteinen arviointi. Lisäosaa käyttäen kurssille voidaan lisätä eri-
tyyppistä vuorovaikutteista esimerkki-, testi- ja harjoitussisältöä ja käydä opiskelijoi-
den kanssa vuorovaikutteista keskustelua. Myös opiskelijoiden osaamisen arvioimi-
nen vuorovaikutteisesti lisäosan kautta on mahdollista. Lisäosalla luotu sisältö tal-
lennetaan keskitetysti, jolloin se on tarvittaessa käytettävissä uudelleen.
Opiskelija-analytiikan integroinnin näkökulmasta iAssign-lisäosan dokumentaatio on
puutteellinen. Dokumentaatiossa kuvataan toiminnallisuus ja yhteensopivuus
Moodlen osien kanssa, mutta ei tarkemmin sitä onko lisäosan tallentama tieto luetta-
vissa Moodle-kurssin aktiviteettilokista ja arvioinneista tai onko lisäosan tallenta-
maan dataan ylipäätänsä mahdollista päästä käsiksi sen ulkopuolelta.
45 https://docs.moodle.org/33/en/iAssign (viitattu 17.2.2018)
52
Rodrigues ym. esittävät iQuiz-nimiseksi nimeämänsä mallin Moodlen tietovisa-
aktiviteetin laajentamiseksi (2013, 2). Mallissa on käytetty pohjana iAssign-lisäosan
asennusta Moodleen. Malli on esitetty kuvassa 26.
Kuva 26. iAssign-paketin ehdotettu asennus Moodlen lisäosaksi. Moodleen liittyvät Tietovisa ja
siihen liittyvät kyselytyypit ovat kuvan vasemmassa reunassa ja iQuiz ja siihen liittyvät kysely-
tyypit keskellä. iQuiz tallentaa tiedon omaan säilytyspaikkaansa. Lisäksi käytetään omaa mo-
duulia vuorovaikutteisuuden lisäämiseen. (Rodrigues ym. 2013, 294).
Kuvassa 26 nähdään iQuiz:n toiminta ja ehdotettu asennusmalli Moodleen. iQuiz on
merkitty Moodlen omaa tietovisaa (Quiz) laajentavaksi komponentiksi, johon kuulu-
vat kysymystenteko-ominaisuus, asetukset ja yhteentoimivuus. Lisäosan tallennus- ja
jakamispaikkana (Learning Object, LO) käytetään iRepository-komponenttia, joka
on Moodleen integroidun Interactive Digital Content Repositoryn laajennus.
2.7.10 Sosiaalisen verkoston analysointityökaluja
Aliluvussa käsitellään sosiaalisen oppimisen analyysiin (aliluku 2.6.4) liittyviä sosi-
aalisen verkoston analysointityökaluja. Työkalut keräävät tietoa opiskelijoiden verk-
koympäristössä käymistä keskusteluista tuottaen yhteistyöstä kaavioita.
53
Aluksi esitellään GraphFES, joka mahdollistaa passiivisten opiskelijoiden tunnista-
misen ja antaa tietoa ryhmässä tapahtuvasta sosiaalisesta vuorovaikutuksesta.
Moodle Engagement Analytics on Moodlen lohko, joka näyttää tietoa putoamisris-
kissä olevista opiskelijoista. Lopuksi esitellään Pajek, joka mahdollistaa sosiaalisen
verkoston graafien piirtämisen.
Graph Forum Extraction Service
Graph Forum Extraction Service (GraphFES) on web-palvelu, joka muodostaa yh-
teyden Moodleen ja kerää tietoa kurssin keskustelualueista. Tästä tiedosta muodoste-
taan kolme kaaviota. Ensimmäinen kaavio sisältää kaikkien käyttäjien kaikki viestit
ja tiedon kuinka ne liittyvät toisiinsa. Toinen kaavio näyttää toisiinsa yhteydessä ole-
vat opiskelijat sen mukaisesti kuka on lukenut toisten viestejä ja kuinka monta ker-
taa. Kolmas kaavio näyttää myös kaikki toisiinsa yhteydessä olevat opiskelijat, mutta
sen mukaisesti kuka on vastannut kenelle. GraphFES rakentaa sosiaalisen verkoston
kaavion ja palauttaa sen Graph Exchange XML Format (GEXF) muotoisena tiedos-
tona, jonka voi avata Gephissä (Conde ym. 2015, 54). GEXF46 on monimuotoisten
verkkorakenteiden kuvaamiseen suunniteltu kieli, jonka määrittelyt ovat laajennetta-
via ja avoimia. Laajennettavuuden ja avoimuuden seurauksena kieli on saanut laaje-
nevaa sovellustukea. GEXF-kielen suunnittelu on aloitettu vuonna 2007 Gephi-
projektissa. Gephi47 on graafien ja verkkojen visualisointiin kehitetty avoimen lähde-
koodin sovellus.
Social Networks Adapting Pedagogical Practice
Social Networks Adapting Pedagogical Practice48 (SNAPP) käsittelee verkko-
oppimisympäristön keskustelualueen viesteistä saatavaa tietoa ja näyttää tulokset
Java-sovelmana (Conde ym. 2015, 54-55). Java-sovelma (applet) on asiakaskoneen
selaimen Java-virtuaalikoneessa suoritettava ohjelmisto. SNAPP käyttää tietoa vies-
46 https://gephi.org/gexf/format/ (viitattu 28.10.2018) 47 https://gephi.org/ (viitattu 28.10.2018) 48 https://github.com/aneesha/SNAPPVis (viitattu 11.6.2018)
54
tien lähettäjistä, vastaajista, aiheista ja laajuudesta. Näiden tietojen perusteella analy-
soidaan opiskelijoiden vuorovaikutusta, joka esitetään sosiaalisen verkon kaaviona.
Kaavio on esitetty kuvassa 27.
Kuva 27. SNAPP:n verkko-opetusympäristön keskustelualueelta keräämä sosiaalisen verkon
kaavio. Kaaviossa opiskelijat on esitetty oranssinvärisinä solmuina. Solmujen välillä kulkeva
kaari kuvaa opiskelijoidenvälistä vuorovaikutusta. Kaareen on merkitty nuolella vuorovaiku-
tuksen suuna ja painoarvona vuorovaikutuksen määrä. Kuvan oikean reunan toiminnoilla käyt-
täjä voi vaikuttaa graafin näyttämiseen ja näytölle sovittamiseen liittyviin asetuksiin (Bakharia
ym. 2009, 50).
Kuvassa 27 esitetty SNAPP:n Visualization-välilehdellä näyttämä sosiaalisen verkos-
ton kaavio on vuorovaikutteinen mahdollistaen siinä nähtävien tietojen tarkentami-
sen. Yhteyksiä voidaan suodattaa niiden lukumäärän ja painoarvon perusteella. Sta-
tistics-välilehti näyttää tilastotietoa sosiaalisen verkon osallistujista. Export-välilehti
mahdollistaa tiedon viemisen GraphML ja VNA-tiedostomuotoihin.
GraphML49 on vapaasti tieteellisissä ja kaupallisissa ohjelmistoissa hyödynnettävä,
XML-määritystä hyödyntävä, kaavioiden tallentamiseen kehitetty tiedostomuoto.
XML50 (Extensible Markup Language) on tiedon kuvaamiseen ja verkossa jakami-
seen kehitetty joustava tekstimuoto, joka kuvaa samassa tiedostossa tiedon sisällön ja
49 http://graphml.graphdrawing.org/ (viitattu 28.10.2018) 50 https://www.w3.org/XML/ (viitattu 28.10.2018)
55
sen rakenteen. XML on johdettu Standard Generalized Markup Languagen (SGML)
vuonna 1986 julkaistusta ISO 887951 standardista. SGML standardoi asiakirjojen
merkintätavan.
VNA52-tiedostomuoto tallentaa tiedon verkosta ja sen solmujen ominaisuuksista.
Tämän lisäksi tallennetaan tieto miten verkko tulee esittää. Verkon esittämiseen liit-
tyvää tietoa ovat esimerkiksi solmujen väri ja koko. VNA-tiedostomuotoa hyödynne-
tään NetDraw-ohjelmistossa. NetDraw53 on vapaasti käytettävässä oleva, sosiaalisen
verkoston visualisoimiseksi kehitetty Windows-sovellus.
Verkkokaavioiden perusteella SNAPP:ssa on mahdollista tunnistaa passiivisia opis-
kelijoita, luokitella käytyjen keskusteluiden laajuutta, aihetta ja osallistujia, tunnistaa
luokkaopetuksen laajentuminen verkossa käydyissä keskusteluissa ja arvioida ennen
ja jälkeen luokkaopetusta verkko-oppimisympäristön verkkokeskusteluissa tapahtu-
nutta opiskelijoiden interventiota (osallistumista) (Bakharia ym. 2009, 49).
SNAPP tarkkailee vain verkko-oppimisympäristön keskustelualueilla tapahtuvaa
vuorovaikutusta. Sosiaalista vuorovaikutusta voi tapahtua keskustelualueen lisäksi
luokkatilassa ja muissa verkko-oppimisympäristön työkaluissa. Bakharia ym. esittä-
vät sovelluksen kehittämiskohteena vuorovaikutukseen käytettävien lähteiden laajen-
tamisen tunnistamaan esimerkiksi blogikirjoituksen reflektoinnin tai wikin muok-
kauksen (2011, 172).
Pajek
Pajek visualisoi kaavioin opiskelijoidenvälistä vuorovaikutusta. Visualisointia on
mahdollista kehittää käyttämällä Fruchterman-Reingoldin voimaohjatun sijoittelun
graafinpiirtoalgoritmia (force directed graph drawing algorithm)54, jota käytetään
sosiaalisten verkostojen visualisointiin (Adraoui ym. 2017, 3). Voimaohjatun graa-
51 https://www.iso.org/standard/16387.html (viitattu 24.10.2018) 52 https://gephi.org/users/supported-graph-formats/netdraw-vna-format/ (viitattu 28.10.2018) 53 https://sites.google.com/site/netdrawsoftware/home (viitattu 24.10.2018) 54 https://github.com/gephi/gephi/wiki/Fruchterman-Reingold (viitattu 24.1.2018)
56
finpiirtoalgoritmin tarkoituksena on sijoittaa solmut tilaan havainnollistaen solmun
voimaa suhteessa toisiin solmuihin.
2.7.11 Opiskelijan älykäs ohjaaminen: Merlin-know
Käytännön toteutus Markovin piilomallia (aliluku 2.6.3) soveltavasta Moodle-
työkalusta on Hijon-Neiran ym. kehittämä Merlin-know (2014). Työkalussa opiske-
lussa eteneminen on jaettu tasoihin, joilta eteenpäin pääsemiseksi on asetettu oppi-
mistavoitteisiin liittyvät vaatimukset. Työkalun toiminta on esitetty kuvassa 28.
Kuva 28. Merlin-know -työkalun toimintaperiaate. Kuvan vasemmassa reunassa on käytön
aikajana, jota seuraavat opetussisällöt ja niistä johdetut tasot, työkalun kysymysten määrä eri
tasoilla sekä työkalua käyttäneiden ja kaikkien opiskelijoiden lukumäärät (Hijon-Neiran ym.
2014, 7)
Kuvasta 28 nähdään Merlin-know -työkalun toimintaperiaate. Ensimmäiseen sarak-
keeseen on merkitty aikajana, jonka pituus kuvassa on kolme kuukautta. Toisessa
sarakkeessa on esitetty ohjelmoinnin johdantokurssin sisältö jaettuna kuuteen osa-
alueeseen. Kurssin sisältö on kolmannessa sarakkeessa jaettu kolmeen tasoon, joiden
suorittamiseen Merlin-know -työkalua käyttävän ryhmän opintoja tukevien kysymys-
ten määrä on esitetty neljännessä sarakkeessa. Tasoihin liittyvät testit on esitetty
kuudennessa sarakkeessa. Työkalua käyttäneiden opiskelijoiden määrä on esitetty
viidennessä ja koko ryhmän koko viimeisessä sarakkeessa.
57
Merlin-know-työkalussa opiskelija saa etenemisestään palautetta opettajahahmoiselta
avatarilta. Hahmon käyttö lisää opiskelijalle tunnetta opettajamaisemmasta vuoro-
vaikutuksesta. Opettaja-avatar on esitetty kuvassa 29.
Kuva 29. Merlin-know -työkalun opettajahahmo. Ystävällinen opettajajahmo ohjaa ja antaa
palautetta kurssilla tehdyistä tehtävistä ja opiskelussa etenemisestä. Kuvassa hahmo antaa opis-
kelijalle palautetta oikein vastattuun kysymykseen. (Hijon-Neiran ym. 2014, 3)
Kuvasta 29 nähdään opettaja-avattaren antamien vastausten rakennetun opettavaan ja
ystävälliseen muotoon. Opiskelijoilta käytettävyysarvioinnissa saadun palautteen
perusteella oppiminen on tehokkaampaa opiskelijan ymmärtäessä oikeaa ja väärää
valintaa syvemmin tekemänsä valinnan seurauksia ja merkityksiä. Opiskelijat koke-
vat saamansa palautteen ja vuorovaikutuksen positiivisena opettajahahmon ansiosta.
Työkalua käyttävien opiskelijoiden opintomenestys paranee tutkimuksessa mukana
olevien opiskelijoiden osalta kaikilla tasoilla. (Hijon-Neiran ym. 2014, 7).
2.7.12 Moodle Data Mining
Moodle Data Mining (MDM) on Moodleen integroitava tiedonlouhintatyökalu, joka
visualisoi tietoa ryhmittelyä, luokittelua tai assosiaatiosääntöjä käyttäen. Työkalu
käyttää Moodlen aktiviteettilokia, josta se louhii asetuksissaan määriteltyä tietoa
kurssin käytöstä, käsittelee sitä valittua tiedonlouhinnan menetelmää käyttäen ja vi-
sualisoi lopputuloksen.
Työkalussa on kolme välilehteä: Tiedon valinta, esikäsittely ja tiedonlouhinta. Tie-
don valinta (data selection) -välilehdellä opettaja voi valita visualisoitavat kurssin
opiskelijoiden resurssit.
58
Tiedon esikäsittely (data preprocessing) -osassa data valmistellaan tiedonlouhinta-
algoritmien vaatimaan muotoon. Käytettävissä olevat toiminnot ovat datan muok-
kaus, anonymisointi, diskretisointi ja osiinjakaminen. Diskretisoinnilla tarkoitetaan
datan diskreetiksi muuntamista. Diskreetti merkitsee erillisiä pisteitä tai arvoja. Käy-
tännössä data muunnetaan numeerisesta muodosta käyttäjäystävällisemmiksi katego-
risiksi muuttujiksi vähentämällä jatkuvamuotoisesta datasta mahdollisia eri arvoja.
Tiedonlouhinnan välilehdellä (data mining) valitaan käytettävä tiedonlouhinnan algo-
ritmi. Vaihtoehdot ovat ryhmittely (clustering), luokitteli (classification) ja assosiaa-
tiosäännöt. Assosiaatiosäännöillä voidaan yrittää ennustaa opiskelijan kurssin suorit-
tamista. Kurssin harjoitustehtävät ryhmitellään eri aiheisiin ja tarkastella opiskelijan
eri aiheista saamia pistemääriä. Tarkastelemalla opiskelijoiden kurssin läpäisyä har-
joitustehtävien aiheiden ja niistä saatujen pisteiden perusteella saattaa olla mahdollis-
ta muodostaa sääntöjä, joilla kurssin läpäisy on ollut todennäköistä. Tällöin kurssin
suorittamista historiatiedon perusteella voidaan ennustaa jo opiskelun aikana.
Työkalu on julkaistu vapaan lähdekoodin lisenssillä. Tieto voidaan viedä Excel- ja
PDF-tiedostomuodoissa käytettäväksi työkalun ulkopuolella. MDM on kirjoitettu
PHP-kielellä. Se lisätään Moodlen lohkona (block).
2.8 Yhteenveto opiskelija-analytiikasta opetuksessa
Aliluvussa luodaan kooste luvussa 2: Opiskelija-analytiikka opetuksessa esitettyyn
kiinnostavimpaan sisältöön. Luvussa tarkastellaan tutkimusta, jonka tarkoituksena on
muodostaa kuva mitä oppimisen hallintajärjestelmää käyttävällä opiskelija-
analytiikalla tarkoitetaan, miten tietoa oppimisesta tällaisessa ympäristössä kerätään
ja miten sitä hyödynnetään. Luvusta nousevat kiinnostavina esiin oppimisen tiedon
tallennus, opiskelija-analytiikkaa käyttävät sovellukset, opiskelija-analytiikkaa käyt-
tävän verkkokurssin toteutus ja skaalautuvuuden käsite.
2.8.1 Tiedon tallennus
Kun oppimisessa käytetään apuna tietojärjestelmää (aliluku 2.2), sinne tallentuvan
tiedon perusteella voidaan analytiikkaa apuna käyttäen tehdä johtopäätöksiä oppi-
misprosessista ja sen tuloksista (aliluvut 2.3 ja 2.6). Opetuksen suunnittelussa tulisi
59
määritellä mitä oppimisenaikaista tietoa halutaan kerätä ja miten sitä hyödynnetään
(aliluku 2.1). Tiedonkeräys mahdollistuu vain silloin, kun opiskelija käyttää sovellus-
ta, joka on määritelty keräämään haluttua tietoa. Suuri opettajien haaste on toteuttaa
opetus niin, että tietoa oppimisesta tallentuu tietojärjestelmään (aliluku 2.7). Opetta-
jien avuksi tämän haasteen toteuttamiseen tarvitaan mukaan sovellusarkkitehteja,
jotka toteuttavat järjestelmiin opettajien määrittelemän pedagogisen tiedon tallennuk-
sen ja mahdollistavat sen keräämisen analytiikassa käyttöön valitulle työkalulle – jos
järjestelmä ei itsessään toteuta tiedon keräystä, analyysiä ja visualisointia.
Luvussa 2 esitetyssä opiskelija-analytiikan tutkimuksessa tiedonkeräysmahdollisuuk-
sina tarkastellaan IP-osoitteen tarkkuudella käsiteltävää web-palvelimen lokia (alilu-
ku 2.4.5) ja opiskelijan tunnuksella yksilöitäviä oppimisen hallintajärjestelmän tal-
lentamia tietoja (aliluku 2.4.4) ja siihen kytkettäviä lisäosia (aliluku 2.7). Oppimisen
hallintajärjestelmän (aliluku 2.2.1) kautta opettajalla on mahdollisuus suunnitella
tiedonkeruun kannalta merkityksellisiä kokonaisuuksia (aliluku 2.5.4). Apuna voi-
daan käyttää järjestelmän omien työkalujen lisäksi erikseen asennettavia lisäosia (ali-
luku 2.7) ja verkkopalveluina toimivia ulkoisia analytiikkapalveluita (aliluku 2.4.5).
Erilaisista osista koostuvan järjestelmän ylläpito ja kehitys on kuitenkin hankalaa.
Opiskelija-analytiikan työkalujen vertailussa havaitaan lisäksi työkaluja usein kehite-
tyn tietyn tehdyn havainnon ympärille vailla kokonaisen oppimisprosessin analysoin-
tia (Luna ym. 2016, 91-100).
2.8.2 Oppimissovellukset
Oppimisympäristössä käytetyissä sovelluksissa on sisäänrakennettuna opiskelija-
analytiikaksi luokiteltavia toimintoja. Usein nämä toiminnot ovat käytettyihin työka-
luihin liittyviä tilastollisia tietoja esittäviä yhteenvetoja (aliluku 2.6.1), joita opettaja
työssään käyttää. Tällaisista toiminnoista tarkasteltuna nähdään työkalun käyttöön
liittyvää tietoa, mutta laajempi kokonaisuus oppimisesta jää puuttumaan.
Tuotaessa tiedonlouhinnan (aliluku 2.6.2) ja Markovin piilomallin (aliluku 2.6.3)
kaltaisia menetelmiä tilastollisten tietojen rinnalle opiskelijoiden oppimista voidaan
analysoida monipuolisemmin. Tiedonlouhinnan menetelmin datasta voidaan koneop-
pimista apuna käyttäen löytää tietämystä (Sharma ym. 2012, 11336), jota voidaan
esimerkiksi hyödyntää riskiryhmään kuuluvien opiskelijoiden tunnistamisessa (Ad-
60
raoui ym. 2017, 5) ja opiskelijoiden arvosanojen ennustamisessa (Galafassi ym.
2017, Marques ym. 2017). Assosiaatiosäännöt mahdollistaisivat eritasoisen opinto-
menestyksen taustalla olevien tekijöiden tunnistamisen ja tutkimisen.
2.8.3 Verkkokurssin toteutus
Verkkokurssin ydintoiminnot voidaan aliluvussa 2.5.1 esitetysti jakaa neljään luok-
kaan: Hallinnolliset tehtävät, arviointi, sisältö ja oppimisyhteisöön sitouttaminen
(Dawson ym. 2008, 224). Aliluvussa 2.5.2 esiteltyä sulautuvaa oppimista käyttävän
verkkokurssin toteutusta voidaan arvioida viestinnän, yhteistyön, arvioinnin ja opis-
kelijoille annettavan tuen näkökulmista (Rankine ym. 2009). Verkkokurssin yhteis-
työtä voidaan tarkastella aliluvussa 2.5.3 esitetysti opiskelijoiden tuottamien tulosten,
vuorovaikutuksen ja yhteistoiminnallisen oppimisen menetelmän mallin tehokkuu-
den kautta (Petropoulou ym. 2008, 318-320). Petropoulou ym. esittämässä mallissa
(2008) on ajattelun, parityöskentelyn ja jakamisen tasot. Jokaisen vaiheen tulokset on
määritelty opiskelija-analytiikassa kerättäviksi kokonaisuuksiksi, jotka opettaja nä-
kee. Oppimisen etenemisen seuranta tapahtuu näiden vaiheiden kautta.
Opiskelija-analytiikka voidaan suunnitella opetussuunnitelman osana hyödyntämällä
Yassine ym. aliluvussa 2.5.4 esittelemää kurssikarttaa (2016, 264). Kurssikartassa
opiskelija-analytiikka kytketään oppimistavoitteista johdettuihin verkkokurssin toi-
mintoihin, joille määritellään painoarvot. Näin opiskelijan verkkotyöskentelyn ete-
nemistä voidaan arvioida tavoitelähtöisesti. Ryhmiteltäessä käytettävissä olevia
verkko-opetuksen työkaluja oppimistavoitteiden mukaisesti siirrytään analytiikan
tarkastelussa pistemäisestä tiedosta kohti opetussuunnitelmassa (aliluku 2.1) määri-
teltyä oppimisen kokonaisuutta, jota voidaan tiedonlouhinnan menetelmien käyt-
töönoton seurauksena tarkastella myös tulevassa aikamuodossa. Ennusteet oppimis-
tuloksista laajentavat aika-avaruutta tilastollisten menetelmien taaksepäin suuntautu-
vasta ikkunasta kohti tietopohjaisesti oletettavaa, tulevaisuuden tilaa. Tämä mahdol-
listaa aikaisessa vaiheessa tehtävät korjaavat toimenpiteet niin opiskelijalle kuin
opettajalle antaen opiskelijalle varmuutta oikeiden asioiden tekemisestä myös verk-
ko-opiskelunsa aikana, jolloin opintojen ohjaaminen muuten kuin tietopohjaisesti voi
olla opettajan resurssit huomioiden eriaikaista suhteessa opintojen etenemiseen.
61
Sosiaalisen oppimisen analyysi (aliluku 2.6.4) mahdollistaa opettajan luokkatilassa
tekemien vuorovaikutushavaintojen laajentamisen verkko-opiskelun vuorovaikutuk-
sen analysointiin. Näin verkossa tapahtuva oppiminen voidaan tuoda näkyvämmäksi
osaksi oppimisen kokonaiskuvan arviointia.
Analyysin tulos esitetään käyttämällä vuorovaikutteisia visualisointeja, joissa yläta-
son havaintoihin voidaan porautua etsimällä niille selityksiä tai analysoimalla yksit-
täisen opiskelijan oppimista suhteessa opetussuunnitelman tavoitteisiin (aliluku
2.6.5). Oppimisen vertailua voidaan tehdä oppimistavoitteen ja yksilötason lisäksi
ylemmillä ryhmä- ja kurssitasoilla. Tietoa oppimisesta voidaan hyödyntää opintojen
havainnollistamisen lisäksi opiskelulle merkityksellisen motivaation ylläpitämisessä.
Opiskelija-analytiikka vapauttaa myös ohjauksen resursseja, kun opiskelija oppii
hyödyntämään sitä omien opintojensa ohjaamisen apuvälineenä.
2.8.4 Skaalautuvuus
Opiskelija-analytiikkaa voidaan skaalata yksittäisestä opiskelijasta koko oppilaitok-
sentasoiseen tarkasteluun (aliluku 2.1). Siihen vaikuttavat oppimisesta kerättävän
tiedon rakeisuus ja keräystaajuus (Ihantola ym. 2015, 48). Oppimisen hallintajärjes-
telmään tehdyt palautukset ovat tiedon rakeisuuden tasolla arvioitaessa verrannollisia
kehitysympäristössä tehtyihin ohjelmakoodin palautuksiin (aliluku 2.4.2). Kehitys-
ympäristössä on käytettävissä automaattisia ohjelmakoodin arvioinnin apuvälineitä,
jotka puuttuvat oppimisen hallintajärjestelmästä. Ohjelmakoodinkaltaisen tehtävän-
palautuksen arviointi asettaa tulevaisuuden haasteen tekoälyn hyödyntämiselle oppi-
mistulosten arvioinnissa.
62
3 OPISKELIJA-ANALYTIIKKA JOHDATUS TIETO-
JENKÄSITTELYYN -KURSSILLA
Luvussa käsitellään Johdatus tietojenkäsittelyyn -kurssilta opiskelija-analytiikan me-
netelmin analysoitavaa tietoa. Tieto on kerätty pro gradu -tutkielman rinnalla tammi-
heinäkuussa 2018 tehdystä erikoistyöstä ”Opiskelija-analytiikkaa Moodle-datasta”.
Erikoistyössä sovellettiin ensimmäisessä luvussa ”Opiskelija-analytiikka opetukses-
sa” esitettyä tutkimusta vuonna 2017 Itä-Suomen yliopistossa toteutetun ” Johdatus
tietojenkäsittelyyn” -kurssin data-aineiston avulla.
Erikoistyön tarkoituksena oli tutkia Moodleen oppimisprosessin aikana tallentuvan
data-aineiston sovellettavuutta ja hyödynnettävyyttä opetuksen kehittämiseksi ja
opiskelijoiden oppimiskäyttäytymisen ymmärtämiseksi. Azevedo ym. seuraavat
opiskelijoiden kirjautumismaita, kirjautumisten pituutta, kirjautujien sukupuolta,
kuukautta ja viikonpäivää ymmärtääkseen kansainvälisen kurssin opiskelijoiden
käyttäytymistä (2017, 644). Lockyer ym. mukaan opiskelija-analytiikka ja opetuksen
suunnittelu yhdessä voivat auttaa kehittämään opettamista ja arviointia sekä ymmär-
tämään opiskelijan toimintaa (2013, 1439-1442). Opettamisen ja arvioinnin kehittä-
miseksi selvitettiin verkkokurssilla suorituspisteitä antavien aktiviteettien ja loppuar-
vosanan välinen korrelaatio sekä kuinka usein ja milloin opiskelijat kävivät verkko-
kurssilla. Loppuarvosanaan vaikuttavien muuttujien painoarvojen tunnistaminen
mahdollistaa kurssin painopisteiden määrittelyn ja opiskelijan työn suuntaamisen
oppimisen kannalta merkityksellisiin tekijöihin. Kurssilla käyntien määrän ja ajan-
kohdan ymmärtäminen auttavat opiskelijan toiminnan ymmärtämisessä ja kurssin
toteutuksen suunnittelussa.
Verkkokurssilla etenemisestä haluttiin antaa opettajalle tarkkoja tilannekuvia, joiden
perusteella eritasoisesti opiskelussa etenevät opiskelijat voitiin tunnistaa kurssin eri
tarkastelukohdissa. Arvioinnin ja opintojen etenemisen seurannan tueksi erikoistyös-
sä valittiin aktiviteettilokista kurssilla käynnit, keskustelualueet, tentit ja tehtävät.
Nämä aktiviteetit olivat keskeisessä roolissa Johdatus tietojenkäsittelyyn -kurssilla,
sillä niiden suorituksista sai loppuarvosanaan vaikuttavia pisteitä.
63
Fu ym. tarkastelevat reaaliaikaisesti ohjelmointitehtävien palautuksesta tehtävän läh-
dekoodin kasvua ja kääntäjän siitä antamia ilmoituksia (2017, 6). Tehtävän palautta-
minen Moodleen on tiedon rakeisuuden osalta verrattavissa ohjelmointitehtävän pa-
lautukseen – toki palautetun oppimistehtävän kokonaisuus voi olla myös laajempi.
Johdatus tietojenkäsittelyyn -kurssin tehtävät ja tentit voidaan nähdä Fu ym. esittä-
minä ohjelmakoodin palautuksina ja näistä saatavat opettajan tekemät ja automaatti-
set arvioinnit verrannollisina kehitysympäristön kääntäjän antamiin ilmoituksiin.
Moodleen palautetusta tehtävästä ei ole mahdollista tarkastella sen etenemistä Fu ym.
esittämän ohjelmointitehtävän vaiheittain ohjelmakoodia kasvattavan ja kääntäjän
ilmoitusten tulkinnan kautta, mutta menetelmää on mahdollista laajentaa yksittäisistä
tehtävistä kurssin tasolla tarkkailtaviksi ottamalla tarkasteluun kaikki Moodle-
kurssille palautetut suoritukset. Blikstein ym. mukaan ohjelmointitehtävien proses-
sinaikainen arviointi on jopa koetta tehokkaampaa (2017, 595). Keskustelualueita,
tenttejä ja kotitehtäviä opiskelija-analytiikassa seuraamalla voidaan rakentaa kurssi-
tasoinen prosessimainen visualisointi, jonka osia on käsitelty omina kokonaisuuksi-
naan.
Aluksi aliluvussa 3.1 esitellään Johdatus tietojenkäsittelyyn -kurssi, aliluvussa 3.2
kurssilla käytetty tiedonkeruumenetelmä ja aliluvussa 3.3 tiedon analysoinnissa käy-
tetty Microsoft Power BI-ohjelmisto. Tämän jälkeen aliluvussa 3.4 määritellään
opiskelija-analytiikassa seurattavat kohteet ja aliluvussa 3.5 pohditaan tiedon analy-
soinnin tasoja Moodle-kurssilla.
Aliluvussa 3.6 selvitetään korrelaation avulla kurssilta valittujen aktiviteettilähtöisten
muuttujien merkitys opiskelijoiden saavuttamista loppuarvosanoista. Aliluvussa 3.7
kurssilla käyntejä tarkastellaan lukumäärittäin, viikonpäivittäin, kellonajoittain ja
jaksoittain. Aliluvussa 3.8 keskustelualueilta selvitetään uusia viestejä kirjoittaneet
opiskelijatunnukset ja aliluvussa 3.9 tenteistä ja aliluvussa 3.10 tehtävistä palautusten
lukumäärät ja arvosanat. Tehtävien kohdalla tarkastellaan lisäksi kotitehtävien harjoi-
tustilaisuuteen osallistumisesta saatavaa tietoa.
Tarkastelun tasot ovat kaikkia opiskelijoita ja opiskelijaryhmiä koskevia. Analysoi-
dun datan pohjalta laaditaan ilmiöitä havainnollistavia visualisointeja. Kuvatuin me-
netelmin olisi mahdollista seurata myös yksittäisten opiskelijatunnusten kirjautumis-
64
ta, jolloin tietoa voitaisiin soveltaa yksilötasolla ja johtaa tiedon perusteella opiskeli-
jatasolle ulottuvia mittareita ja asettaa hälytysrajoja. Lopuksi aliluvussa 3.11 esite-
tään johtopäätökset Moodle-kurssista tehdyistä havainnoista.
3.1 Johdatus tietojenkäsittelyyn -kurssi
Johdatus tietojenkäsittelyyn -kurssi on korkeakouluopiskelijoille suunnattu perus-
opintojen alkuvaiheen kurssi, laajuudeltaan 5 opintopistettä. Kurssin oppimistavoit-
teina55 on tietojenkäsittelyn ymmärtäminen, alan erilaiset työnkuvat, aiheeseen liitty-
vien ongelmien ratkaisun luonne, tiedon käsittely tietokoneilla ja tietojenkäsittelijän
vastuut ja riskit. Kurssista on omat toteutukset Itä-Suomen yliopiston Kuopion ja
Joensuun kampuksilla. Näiden lisäksi kurssille on osallistunut ryhmät Savonia ja
Karelia ammattikorkeakouluista. Yliopiston ja Savonia ammattikorkeakoulun ryh-
mien toteutustapa on ollut sulautuva oppiminen. Karelia ammattikorkeakoulun ryh-
mä on toteutettu verkkokurssina, jossa kaikki opetus ja ohjaus on tapahtunut verkon
välityksellä.
Verkossa opetus on toteutettu jakamalla opiskelijat Moodle-kurssin sisällä hallinnol-
lisesti neljäksi ryhmäksi. Tällöin opiskelijat ovat vuorovaikutuksissa oman ryhmänsä
muiden jäsenten ja opettajansa kanssa näkemättä mitä muissa ryhmissä tapahtuu.
Menettely helpottaa Moodle-kurssin ylläpitoa mahdollistamalla esimerkiksi saman
aineiston käytön kaikilla kurssille liitetyillä opiskelijoilla.
Moodle-kurssilla opinnot on jaettu opintoviikon mittaisiin osiin Moodlen jaksoja
hyödyntäen. Jaksoja käytetään jakamaan Moodle-kurssin kotisivu osiin. Osat voi-
daan erotella toisistaan järjestysnumeroilla tai viikkoina. Johdatus tietojenkäsittelyyn
-kurssilla käytetyt jaksot on esitetty taulukossa 6.
55 https://weboodi.uef.fi/weboodi/opintjakstied.jsp?OpinKohd=53321758 (viitattu 18.4.2018)
65
Taulukko 6. Johdatus tietojenkäsittelyyn -kurssin jaksot Moodlessa.
Jakson numero Jakson aihe
1 Mitä ja miten kurssilla opiskellaan
2 Viikko 1: Tiedon esittäminen ja tallentaminen
3 Viikko 2: Tiedon käsittely, käyttöjärjestelmät ja tietoverkot
4 Viikko 3: Algoritmit
5 Viikko 4: Tietorakenteet ja tietokannat
6 Viikko 5: Ohjelmistotuotanto
7 Viikko 6: Tekoäly
8 Viikko 7: Tietojenkäsittelyn teoria
9 Karelian opiskelijoiden tentti
Taulukosta 6 nähdään, että Moodle-kurssilla on ollut yhteensä 9 jaksoa. Ensimmäi-
nen jakso esittelee kurssin ja kuvaa opiskelun sekä arvioinnin käytännöt. Viimeinen
jakso (Karelian opiskelijoiden tentti) on suunnattu vain yhdelle kurssilla olevista
neljästä ryhmästä. Opintoviikkojen jaksojen (2-8) sisältö on keskenään samanmuo-
toinen muodostuen opiskelumateriaalista, tehtävistä, kotitehtävistä, harjoituksista ja
oheismateriaalista.
Opiskelijoiden kurssin arvosana määräytyy kurssin aikana kerättyjen suorituspistei-
den perusteella. Pisteitä on saanut Moodle-kurssilla tehdyistä suorituksista ja
Moodlen ulkopuolella suoritetusta, opettajan arvioimasta lopputentistä. Pisteet on
muunnettu opiskelijoille ennalta julkaistun taulukon perusteella arvosanaksi viisipor-
taisella asteikolla.
3.2 Tiedonkeruu Moodlesta
Aliluvussa tarkastellaan Moodlen aktiviteettilokista ja arvioinneista tulkittavasta tie-
dosta erikoistyössä tehtyjä havaintoja.
Moodle-kurssilta opiskelija-analytiikassa käytettävää tietoa ovat aktiviteettiloki ja
arvioinnit. Tietoa tulee käsitellä eurooppalaisen tietosuoja-asetuksen, GDPR:n, vaa-
timusten mukaisesti. General Data Protection Regulation (GDPR) on keväällä 2016
voimaan astunut ja 25.5.2018 alkaen käytäntöön sovellettu, suomalaisen henkilötie-
tolain korvaava asetus, joka vaikuttaa henkilötietojen käsittelyyn niin julkisella kuin
yksityisellä sektorilla. Oppilaitos toimii opiskelija-analytiikassa käytettävän datan
osalta GDPR:ssä määriteltynä rekisterinpitäjänä, jonka on toiminnassaan noudatetta-
va rekisterinpitäjälle säädettyjä velvollisuuksia. Keskeinen GDPR:n datalle asettama
66
vaatimus on tietojen pseudonymisointi. Pseudonymisoinnilla tarkoitetaan henkilötie-
tojen käsittelemistä siten, että niitä ei voida yhdistää tiettyyn rekisteröityyn henkilöön
käyttämättä lisätietoja. Rekisteröidyllä henkilöllä opiskelija-analytiikassa ymmärre-
tään opiskelija, jonka oppimisesta kerättyä tietoa järjestelmä analysoi. Käytetyn data-
aineiston pseudonymisointi on toteutettu seuraamalla oppimista Moodlen opiskeli-
joille määrittelemän, yksilöllisen ID-tunnuksen perusteella. Tarvittaessa Moodlen
opiskelijan ID-tunnus voitaisiin yhdistää henkilöön esimerkiksi haluttaessa kohden-
taa henkilön käyttöön tietoa hänen oppimisen hallintajärjestelmään tallentuneen tie-
tonsa perusteella. Työssä tietoa tarkastellaan opiskelijatunnuksittain, ryhmittäin ja
koko Moodle-kurssin tasoilla.
Arvioinnissa opiskelijalle ja opettajalle tuotetaan tietoa oppimisen etenemisestä ope-
tussuunnitelmasta johdettujen arviointikriteerien pohjalta. Moodlen tärkeimmät arvi-
oinnin mahdollistamat aktiviteetit ovat tentit ja tehtävät. Tentit-aktiviteetissa arviointi
suoritetaan järjestelmän toimesta automaattisesti määrittelemällä arviointiperusteet,
joihin opiskelijan antamia vastauksia verrataan. Tehtävät-aktiviteettien kohdalla
opettaja antaa suorituksesta arvosanan. Tentin arviointi on opiskelija-analytiikan käy-
tettävissä heti, kun opiskelija on palauttanut tentin, mutta tehtävän arviointi vasta,
kun opettaja on suorittanut arvioinnin.
Arviointitiedon tallennuksen osalta tulee noudattaa oppilaitokselle asetettuja arkis-
tointivelvoitteita. Tieto arvioinnista ja sen perusteista on säilytettävä niin kauan kuin
arvioinnin oikaisu on mahdollista. Tutkijan näkökulmasta myös tekstipalautteen si-
sältämä, sähköisesti tallennettu arviointi mahdollistaa numeraalista arviointia laajen-
tavan näkemyksen oppimisen ja erityisesti havaitun oppimisvajeen analysointiin.
Laadukasta tekstipohjaista arviointia on data-analytiikan keinoin mahdollista louhia
ja tuottaa opetusta ja oppimista palvelevaa, kurssirajat ylittävää tietoa opiskelun tu-
eksi. Arviointi- ja aktiviteettitietojen yhdistäminen suoritetaan käyttämällä seuraa-
vassa aliluvussa tarkemmin kuvattua Power BI -sovellusta.
3.3 Tiedon analysointiväline Microsoft Power BI Desktop
Power BI on Microsoftin vuonna 2015 julkaisema raportointi- ja analysointityökalu,
joka mahdollistaa datan yhdistelyn eri lähteistä. Ohjelmistoon kuuluu työpöytä- ja
67
pilvipalveluversiot. Työpöytäversiolla dataa voidaan käsitellä paikallisella tietoko-
neella ja tarvittaessa jakaa tulokset halutulle sidosryhmälle pilvipalveluversion kaut-
ta.
Power BI Desktop on valittu työvälineeksi sen monipuolisten tiedon raportointi- ja
analysointiominaisuuksien sekä eri lähteistä mahdollistaman datan yhdistelyn ansios-
ta. Gartnerin liiketoiminnan analytiikkatyökaluja vuosittain vertailevassa, 26.2.2018
julkaisemassa raportissa56 Microsoft Power BI sijoittuu näkemyksellisten markkina-
johtajien joukkoon yhdessä Tableaun57 ja Qlik58:n kanssa. Power BI:n vahvuuksiksi
Gartnerin raportissa mainitaan Power BI -lisenssin edullinen hinnoittelu Microsoftin
tuotteita käyttävissä yrityksissä, asiakkaiden kokema ohjelman helppokäyttöisyys,
ohjelman ominaisuuksien näkemyksellinen kehittäminen ja sen ympärille rakennettu
vahva jälleenmyyjistä ja yksittäisistä käyttäjistä muodostuva kumppanuusyhteisö,
joka laajentaa Microsoftin tuottamaa sisältöä uusilla sovelluksilla, visualisoinneilla ja
video-oppailla. Power BI on erikoistunut ketterän, itsepalveluna tehtävän analytiikan
tuotantoon. Gartner kuitenkin varoittaa raportissaan ohjelmiston tiheästä päivitystah-
dista, joka muuttaa ohjelmiston toimintoja ja jonka perässä dokumentaatio ei kunnol-
la pysy.
Gartnerin raportissa kiinnitetään huomiota Microsoftin tutkimukseen, jonka mukaan
suurin osa Power BI:n käyttäjistä ei hyödynnä ohjelmiston edistyneempiä ominai-
suuksia, vaan tyytyy yksinkertaisiin, parametroituihin raportteihin ja hallintapanee-
lien käyttöön. Gartnerin mukaan tällainen käyttötapa viittaa siihen, että edistyneem-
pää tietojenkäsittelyä suoritetaan Power BI:n ulkopuolella ja/tai että ohjelmistoa käy-
tetään vain datan visualisoimiseen. Tätä havaintoa tukee erikoistyössä käytetty työ-
järjestys, jossa tiedon muokkaus tehdään Excelissä ja visualisointi sekä analytiikka
Power BI:ssä. Tällainen menettely valittiin työssä käytettäväksi, koska Power BI:n
kyselyeditorin datan muokkausominaisuudet ovat huomattavasti Exceliä heikommat.
56 https://www.gartner.com/doc/reprints?id=1-4RXB56A&ct=180227&st=sb (viitattu 14.8.2018) 57 https://www.tableau.com/ (viitattu 6.9.2018) 58 https://www.qlik.com/fi-fi/ (viitattu 6.9.2018)
68
Power BI:n ja Excelin toisiaan tukevat ominaisuudet voidaan kuitenkin nähdä osaa-
valle käyttäjälle mahdollisuutena.
Gartnerin tarkastellessa Power BI:n tulevaisuuden kehitysnäkymiä nähdään sen ole-
van osa Microsoftin tuoteperhettä. Vaikka Power BI on tällä hetkellä itsenäinen so-
vellus, sen tulevista toiminnoista vaikuttaisi olevan mahdollista saada täysi hyöty
vasta erilaisten tuoteperheen sisäisten ohjelmistointegraatioiden kautta. Opiskelija-
analytiikan luonteva käsittely Power BI:n tulevaisuuden näkymässä mahdollistuisi
joko Microsoftin tai kumppaneiden tekemien oppimisen hallintajärjestelmien ja -
työkalujen integraatioiden kautta. Power BI voi tulevaisuudessa kehittyä merkittä-
vämmäksi opiskelija-analytiikan työvälineeksi, jos Microsoftin lisenssejä käyttävät
oppilaitokset ohjelmistojen asiakkaina vievät käyttömallista tietoa ja toiveita valmis-
tajalle ja vaativat myös opetuksessa käytettävien järjestelmien tukemista.
3.4 Seurattavat kohteet
Opiskelija-analytiikassa seurattavaksi määriteltävät kohteet voivat olla tilastollisia tai
tiedonlouhinnan menetelmien avulla saatavia tuloksia ja ennusteita oppimisprosessin
etenemisestä. Arviointitiedon yhdistäminen aktiviteettilokiin mahdollistaa aktiviteet-
tien määrällisen ja laadullisen tarkastelun suhteessa opiskelijan saavuttamaan kurssin
loppuarvosanaan.
Erikoistyössä tutkitaan korrelaatiota apuna käyttäen kurssilta laskettavissa olevia
tekijöitä. Tällaisiksi tekijöiksi määritellään kuusi muuttujaa: Opiskelijoiden kurssilla
käyntien, opintoviikkojen keskustelualueille kirjoitettujen viestien, opintoviikkojen
palautettujen tenttien, opintoviikkojen palautettujen tehtävien (kotitehtävät) ja opin-
toviikkojen harjoituksiin osallistumisen lukumäärät sekä opintoviikkojen palautettu-
jen tenttien ja tehtävien (kotitehtävät) arvosanat. Tarkasteltavat kohteet on valittu
tarkoituksena selvittää kurssille määriteltyjen aktiviteettien merkitystä oppimistulok-
sia kuvaavassa arvosanassa. Tämä mahdollistaa oppimisen kannalta merkityksellis-
ten tekijöiden tunnistamisen ja sekä opettajan että opiskelijan resurssien oikean suun-
taamisen. Muuttujat on valittu kurssin pistesuorituksiksi määriteltyjen tekijöiden pe-
rusteella ja omassa opettajantyössä kehittyneen intuition perusteella.
69
Azevedo ym. tutkimuksessa tutkitaan kansainvälisen kurssin opiskelijoiden käyttäy-
tymistä analysoimalla heidän käyntejään kurssilla (2017). Lockyer ym. mainitsevat
opiskelijoiden toiminnan ymmärtäminen mahdollistavan lisäksi opetuksen suunnitte-
lun ja kehittämisen (2013, 1439-1442). Opiskelijoiden käyntien lisäksi aktiviteettilo-
kista seurattaviksi kohteiksi erikoistyössä on valittu keskustelualueet, tentit ja tehtä-
vät, jotka ovat keskeisessä roolissa Johdatus tietojenkäsittelyyn -kurssin suorittami-
sessa. Kurssisuorituksiksi määritellyistä aktiviteeteista voitiin olettaa tallentuneen
tietoa, jolloin tarkastelu data-analyysin kautta mahdollistuu.
Keskustelualueilta Johdatus tietojenkäsittelyyn -kurssilla seurataan opiskelijoittain
uusien viestien kirjoittamisen lukumääriä, joka on määritelty kurssilla opiskelijoille
pisteitä kerryttäväksi tehtäväksi. Moodle-kurssin keskustelualueilta ei tämän johdosta
löydy riittävästi tallennettua tietoa esimerkiksi aliluvussa 2.7.10 kuvattujen sosiaali-
sen verkoston analysointityökalujen käyttämiseksi. Tenttien ja tehtävien palautuksen
lukumääräinen seuranta mahdollistaa opettajalle karkean tason seurannan opintojen
etenemisestä. Tentit ja tehtävät mahdollistavat oppimisen määrällisen seurannan li-
säksi myös laadullisen arvioinnin, jota voidaan hyödyntää tiedonkeruussa ja analy-
soinnissa.
3.5 Tiedon analysoinnin tasot
Moodle-kurssin opiskelijadataa on mahdollista analysoida kolmella tasolla: koko
kurssin, ryhmän ja opiskelijan tasoilla. Tiedon tason tarkkuutta on hyvä arvioida esi-
tettäessä sitä eri käyttäjäryhmille. Oppilaitosta, koulutuksen järjestävää yksikköä,
opettajaa ja opiskelijaa palvelevat parhaiten eri tiedon tasot; Oppilaitoksen, yksikön
ja opettajan on hyvä päästä porautumaan tiedossa syvemmin tarkemmille tasoille,
mutta opiskelijalle riittää usein tieto hänen omasta suoriutumisestaan ja sen vertaa-
misesta ryhmä- tai kurssitasoisiin vertaissuorituksiin.
Käytetty Johdatus tietojenkäsittelyyn -kurssin data-aineisto sisältää yhden kurssin,
jossa on neljä ryhmää. Aineisto mahdollistaa tämän johdosta ryhmäkohtaisten vertai-
luiden tekemisen. Ennakolta kurssin ryhmistä on tiedossa opiskelijoiden oppilaitos ja
opetuksen toteutustapa; kolmen ryhmän R1, R2 ja RS kohdalla sulautuva oppiminen
ja ryhmän RK kohdalla pelkkä verkko-opetus. Opiskelijakohtainen tarkastelu on suo-
70
ritettu pelkän Moodlen opiskelijan ID-tunnuksen perusteella yhdistämättä tietoa esi-
merkiksi henkilön nimeen.
3.6 Muuttujien tarkastelu
Aliluvussa tarkastellaan Johdatus tietojenkäsittelyyn -kurssilta valittuja muuttujia ja
niiden suhdetta toisiinsa. Muuttujien riippuvuutta kurssilla saavutettuun loppuarvo-
sanaan voidaan tarkastella korrelaation avulla. Korrelaatio kuvaa kahden muuttujan
välistä riippuvuutta. Korrelaatiokertoimen arvot voivat olla välillä -1 ja +1. Negatii-
vinen korrelaatio näkyy hajontakaaviossa laskevana ja positiivinen nousevana piste-
parvena. Nollaa lähentelevillä arvoilla riippuvuutta ei esiinny.
Aliluvussa 3.6.1 esitellään tarkasteluun valitut muuttujat. Valittujen muuttujien tilas-
tollista merkityksellisyyttä arvioidaan muuttujakohtaisesti aliluvussa 3.6.2. Aliluvus-
sa 3.6.2 valittujen muuttujien suhdetta kurssin loppuarvosanaan tarkastellaan korre-
laatioanalyysillä ja aliluvussa 3.6.4 päätöspuuluokittelulla.
3.6.1 Tarkasteluun valitut muuttujat
Johdatus tietojenkäsittelyyn -kurssilla opiskelijoiden saavuttama loppuarvosana
kuvaa luotettavimmin opiskelun tulosta. Tätä muuttujaa pidetään tarkastelussa
kohdemuuttujana, johon muiden valittujen muuttujien arvoja verrataan. Kurssin
loppuarvosanan jakauma on esitetty kuvassa 30.
Kuva 30. Kurssin arvosanajakauma. Vaaka-akselille on merkitty kurssilla saavutettu arvosana
(0=hylätty). Pystyakselilla on arvosanojen lukumäärä.
71
Kuvasta 30 nähdään kaikkiaan 242 opiskelijatunnuksen saavuttaneen hyväksyttyjä
suorituksia (arvosanat 1-5) 190 ja hylättyjä 52 kappaletta. Hyväksytyissä
suorituksista määrällisesti eniten on saavutettu arvosanaa 3 (62 kappaletta).
Muuttujat, joiden merkitystä loppuarvosanaan verrataan, on esitetty taulukossa 7.
Taulukko 7. Loppuarvosanan arvon vaihtelun tarkasteluun valitut muuttujat ja ryhmät.
Muuttuja Ryhmät
Kurssilla käyntien lukumäärä R1, R2, RS, RK
Opintoviikkojen keskustelualueille kirjoitettujen uusien vies-
tien lukumäärä
R1, R2, RS, RK
Opintoviikkojen palautettujen tenttien lukumäärä R1, R2, RS, RK
Opintoviikkojen palautettujen tehtävien lukumäärä (kotiteh-
tävät)
R1, R2, RS, RK
Opintoviikkojen tenttien pisteet R1, R2, RS, RK
Opintoviikkojen palautettujen tehtävien arvosana (kotitehtä-
vät)
R1, R2, RS, RK
Opintoviikkojen harjoituksiin osallistuminen R1, R2, RS
Taulukosta 7 nähdään tarkasteltavat muuttujat ja ryhmät, joille tarkasteltava tieto on
tallennettu Johdatus tietojenkäsittelyyn -kurssin data-aineistossa. Harjoituksiin osal-
listumista lukuun ottamatta tiedot on tallennettu kaikkien ryhmien osalta. Taulukossa
7 esitettyjen ryhmien koot on esitetty kuvassa 31.
.
Kuva 31. Ryhmien koot Johdatus tietojenkäsittelyyn -kurssilla.
Kuvasta 31 nähdään ryhmien opiskelijoiden lukumäärien poikkeavan toisistaan.
Ryhmät R1, R2 ja RS (opiskelijatunnuksia yhteensä 182) on toteutettu sulautuvan
oppimisen menetelmää käyttäen ja ryhmä RK (60 opiskelijatunnusta)
verkkokurssitoteutuksena.
3.6.2 Muuttujien tilastollisen merkityksellisyyden arviointi
Aliluvussa tarkastellaan aliluvussa 3.6.1 esitettyjen muuttujien tilastollista merkityk-
sellisyyttä opiskelijoiden Johdatus tietojenkäsittelyyn -kurssilla saavuttaman loppu-
arvosanan kanssa. Tarkasteluun on otettu mukaan hyväksyttyjen suoritusten (arvosa-
nat 1-5) lisäksi data-aineistoon tallentuneet hylätyt suoritukset. Tarkoituksena on
72
löytää tallentuneesta tiedosta oppimiseen liittyviä havaintoja, joita voidaan hyödyn-
tää opettajan ja opiskelijan työn kehittämisessä.
Tilastollisen merkityksellisyyden arvioinnissa käytetään Moodlen valittuun muuttu-
jaan tallentamaa tietoa. Muuttujiin on tallentunut tietoa vain silloin, kun jotakin tal-
lennettavaa on tapahtunut. Rinnalla arvioidaan myös muuttujan merkityksellisyyttä
opettajan ja opiskelijan työn kannalta. Myös muuttujaan tallentumaton tieto voi olla
merkityksellistä esimerkiksi oppimisen etenemisen seurannan tai ohjaustarpeen tun-
nistamisen kannalta.
Kurssilla käyntien lukumäärä
Johdatus tietojenkäsittelyyn -kurssille kirjautumisten lukumäärä vaihtelee data-
aineistossa arvojen 1 ja 928 välillä. Kuvassa 32 on esitetty Moodle-kurssille kirjau-
tumisten keskiarvon ja kurssilta saavutetun arvosanan välinen tilastollinen merkityk-
sellisyys.
Kurssin arvosana Käyntejä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta
0 2083 52 1 272 40,06 52,29
1 2948 42 17 197 70,19 38,95
2 2322 26 19 274 89,31 52,16
3 4535 62 11 167 73,15 34,19
4 2098 24 26 255 87,42 58,95
5 5056 36 43 928 140,44 143,15
19042 242 83,43
Kuva 32. Kurssilla käyntien ja kurssin loppuarvosanan välisen tilastollisen merkityksellisyyden
arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Logaritmisella asteikolla
esitetty pystyakseli esittää arvosanan kirjautumisten lukumäärän hajonnan. Sille on merkitty
punaisella rastilla ja arvolla arvosanan keskimääräinen arvosanan kirjautumisten lukumäärä.
Sinisellä katkoviivalla esitetty lineaarinen trendiviiva on laskettu arvosanan kirjautumisten
arvoista.
73
Kuvasta 32 nähdään kurssilla käyntien lukumäärän ja arvosanan välille piirretyn
trendiviivan olevan nouseva: Opiskelijatunnusten kirjautumisten lukumäärän piste-
parvi arvosanojen kasvaessa nousee – tämän havainnollistaa myös arvosanan kirjau-
tumisten keskiarvo. Kurssin hyväksytysti (arvosana 1) suorittaneet ovat kirjautuneet
kurssille keskimäärin noin 70 kertaa. Erinomaisen (5) arvosanan saavuttaneet ovat
käyneet kurssilla keskimäärin kaksi kertaa useammin, noin 143 kertaa. Keskihajonta
kuvaa sitä, kuinka kaukana yksittäiset muuttujan arvot ovat keskimäärin muuttujan
aritmeettisesta keskiarvosta. Muuttuja antaa viitteitä keskimääräisesti tarkasteltuna
kurssin aikana opiskelijan aktiivisuudesta ja opiskelun etenemistä. Muuttujan keski-
hajonta on kuitenkin suuri.
Keskustelualueille kirjoitetut uudet viestit
Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut keskustelualue.
Tämän voi havaita myös data-aineistosta: Keskustelualueille kirjoitettujen uusien
yksilöllisten viestien lukumäärä vaihtelee arvojen 1 ja 7 välillä. Tarkastelusta puuttu-
vat opiskelijatunnukset, jotka eivät ole kirjoittaneet viestejä ja joista tämän johdosta
ei ole tallentunut tietoa. Tällaisia opiskelijatunnuksia on kaikissa ryhmissä yhteensä
63 kappaletta. Kuvassa 33 on esitetty Moodle-kurssin opintoviikkojen keskustelualu-
eille kirjoitettujen uusien yksilöllisten viestien keskiarvon ja kurssilta saavutetun
arvosanan välinen tilastollinen merkityksellisyys.
74
Kurssin arvosana Viestejä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta
0 60 22 1 7 2,73 1,96
1 127 30 1 7 4,23 2,14
2 162 26 2 7 6,23 1,45
3 245 49 1 7 5,00 2,01
4 110 19 1 7 5,79 1,84
5 195 33 1 7 5,91 1,81
899 179 4,98
Kuva 33. Keskustelualueille kirjoitettujen viestien keskiarvon ja kurssin loppuarvosanan väli-
sen tilastollisen merkityksellisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 =
hylätty). Pystyakselille on laskettu keskiarvo opiskelijatunnuksen opintoviikkojen keskustelu-
alueille kirjoittamien viestien lukumäärästä Moodle-kurssilla.
Kuvasta 33 nähdään opintoviikkojen keskustelualueille kirjoitettujen yksilöllisten
uusien viestien ja opiskelijan saavuttaman arvosanan välisen trendin olevan nouseva.
Hylätyn arvosanan (0) saaneet opiskelijatunnukset ovat kirjoittaneet selvästi hyväk-
syttyjä (arvosana 1) vähemmän viestejä, keskimäärin 2,73 viestiä (keskihajonta
1,96). Hyväksytysti (arvosana 1) kurssin suorittaneet ovat kirjoittaneet keskimäärin
noin neljän opintoviikon keskustelualueelle uuden viestin (keskihajonta 2,14). Arvo-
sanalla 5 suoriutuneet ovat kirjoittaneet keskimäärin noin kuuden opintoviikon kes-
kustelualueelle uuden viestin (keskihajonta 1,81). Arvosanojen 1 ja 5 välinen ero
kirjoitettujen viestien keskiarvossa ei ole suuri, mutta kuvaa kurssiaktiivisuuden ja
tehdyn työn määrän eroa arvosana-asteikon päiden välillä. Muuttuja kuvaa keskimää-
räisesti tarkasteltuna kurssin aikana opiskelijan aktiivisuutta ja opiskelun etenemistä.
Tenttien lukumäärä
Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut tentti. Tämän voi
havaita myös data-aineistosta: Opiskelijoiden palauttamien tenttien lukumäärä vaih-
telee arvojen 1 ja 7 välillä. Tarkastelusta puuttuvat opiskelijatunnukset, jotka eivät
ole tehneet tenttejä ja joista ei tämän johdosta ole tallentunut tietoa data-aineistoon.
Tällaisia on kaikissa ryhmissä yhteensä 21 kappaletta. Kuvassa 34 on esitetty
Moodle-kurssin opintoviikkojen tenttien yksilöllisten palautuskertojen keskiarvon ja
kurssilta saavutetun arvosanan välinen tilastollinen merkityksellisyys.
75
Kurssin arvosana Tenttejä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta
0 116 37 1 7 3,14 1,84
1 228 39 2 7 5,85 1,44
2 174 26 5 7 6,69 0,55
3 340 59 1 7 5,76 1,62
4 150 24 2 7 6,25 1,39
5 243 36 4 7 6,75 0,65
1251 221 5,74
Kuva 34. Tenttien lukumäärän ja kurssin loppuarvosanan välisen tilastollisen merkityksellisyy-
den arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on lasket-
tu summa opiskelijatunnuksen opintoviikkojen tenttien tekemisen lukumäärästä Moodle-
kurssilla.
Kuvasta 34 nähdään opintoviikkojen tenttien palautusten keskiarvon ja opiskelijan
saavuttaman arvosanan välisen trendin olevan nouseva. Hyväksytysti (arvosana 1)
kurssin suorittaneet ovat tehneet keskimäärin 5,85 tenttiä (keskihajonta 1,44). Hylä-
tyn arvosanan saaneiden tenttien palautuksen lukumäärä on ollut keskimääräisesti
selvästi tätä alhaisempi 3,14 (keskihajonta 1,84). Arvosanalla 5 suoriutuneet ovat
tehneet keskimäärin 6,75 tenttiä (keskihajonta 0,65). Keskimääräinen ero arvosano-
jen 1 ja 5 välisissä suorituksissa ei ole suuri.
Muuttujan kohdalla on mielenkiintoinen kuvio tarkasteltaessa arvopisteiden jakau-
tumista suhteessa trendiviivaan. Arvopisteet jakautuvat arvosanoilla 1 ja 2 trendivii-
van yläpuolelle, kun taas arvosanojen 3-5 kohdalla ne osuvat lähemmäs trendiviivaa.
Kurssista arvosanan 2 saaneet ovat saaneet tenteistä pisteitä keskimäärin enemmän
kuin arvosanalla 4 suoriutuneet ja lähes yhtä paljon kuin kurssista arvosanan 5 saa-
neet. Arvosanan 2 ja 5 kohdalla keskihajonta on pienempää kuin muiden arvosanojen
76
kohdalla. Näiden havaintojen selittämiseen data-aineistosta ei löydy vastausta. Kyse
voi olla myös data-aineiston pienestä opiskelijamäärästä johtuvasta sattumasta. Tent-
tien palautuksen lukumäärän rinnalla voidaan tarkastella niiden seuraavaksi tarkastel-
tavaa laatua.
Tenttien pisteet
Johdatus tietojenkäsittelyyn -kurssin tenttien arviointiasteikko on ollut 0-1. Tämä
näkyy myös data-aineistossa: Opiskelijoiden palauttamien tenttien pisteiden arvot
vaihtelevat arvojen 0 ja 1 välillä. Tarkastelusta puuttuvat opiskelijatunnukset, jotka
eivät ole tehneet tenttejä ja joista ei tämän johdosta ole tallentunut tietoa data-
aineistoon. Tällaisia on kaikissa ryhmissä 1 kappale. Kuvassa 35 on esitetty Moodle-
kurssin opintoviikkojen tenttien pisteiden keskiarvon ja kurssilta saavutetun arvosa-
nan välinen tilastollinen merkityksellisyys.
Kurssin arvosana Tentin KA Määrä Pienin Suurin Keskiarvo Keskihajonta
0 0,23 49 0,00 0,84 0,23 0,24
1 0,64 42 0,00 1,00 0,64 0,28
2 0,79 27 0,29 1,00 0,79 0,21
3 0,66 62 0,00 1,00 0,66 0,28
4 0,81 25 0,24 1,00 0,81 0,23
5 0,89 36 0,34 1,00 0,89 0,14
4,02 241 0,67
Kuva 35. Tenttien pisteiden keskiarvon ja kurssin loppuarvosanan välisen tilastollisen merki-
tyksellisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille
on laskettu keskiarvo loppuarvosanan saavuttaneiden opiskelijatunnusten tenttien keskiarvoista
Moodle-kurssilla.
77
Kuvasta 35 nähdään tenttien pisteiden ja opiskelijan saavuttaman arvosanan välisen
trendin olevan nouseva. Tarkastelusta puuttuvat opiskelijatunnukset, jotka eivät ole
tehneet tenttejä ja joista ei tämän johdosta ole tallentunut tietoa data-aineistoon. Täl-
laisia on kaikissa ryhmissä yhteensä 1 kappale.
Kotitehtävien lukumäärä
Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut kotitehtävien pa-
lautustehtävä. Tämän voi havaita myös data-aineistosta: Opiskelijoiden palauttamien
kotitehtävien lukumäärä vaihtelee arvojen 1 ja 7 välillä. Tarkastelusta puuttuvat
opiskelijatunnukset, jotka eivät ole tehneet tenttejä ja joista ei tämän johdosta ole
tallentunut tietoa data-aineistoon. Tällaisia on kaikissa ryhmissä yhteensä 23 kappa-
letta. Kuvassa 36 on esitetty Moodle-kurssin opintoviikkojen palautettujen yksilöllis-
ten tehtävien lukumäärän ja kurssilta saavutetun arvosanan välinen tilastollinen mer-
kityksellisyys.
Kurssin arvosana Tehtäviä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta
0 118 35 7 1 3,37 1,80
1 241 40 7 2 6,03 1,27
2 177 26 7 6 6,81 0,40
3 343 58 7 1 5,91 1,51
4 146 24 7 1 6,08 1,53
5 247 36 7 6 6,86 0,35
1272 219 5,84
Kuva 36. Kotitehtävien palautuksen ja kurssin loppuarvosanan välisen tilastollisen merkityksel-
lisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on
laskettu summa opiskelijatunnuksen palauttamien kotitehtävien lukumäärästä Moodle-
kurssilla.
78
Kuvasta 36 nähdään kotitehtävien palautusten lukumäärän keskiarvon ja opiskelijan
saavuttaman arvosanan välisen trendin olevan nouseva. Hyväksytysti (arvosana 1)
kurssin suorittaneet ovat palauttaneet keskimäärin 6,03 kotitehtävää (keskihajonta
1,27). Arvosanalla 5 suoriutuneet ovat palauttaneet keskimäärin 6,86 tehtävää (kes-
kihajonta 0,35). Keskimääräinen ero arvosanojen 1 ja 5 välisissä suorituksissa ei ole
suuri, mutta kuvaa kurssiaktiivisuuden ja tehdyn työn määrän eroa arvosana-asteikon
päiden välillä. Tehtävien palautuksen lukumäärän rinnalla voidaan tarkastella niiden
seuraavaksi tarkasteltavaa laatua.
Kotitehtävien pisteet
Opiskelijoiden palauttamien kotitehtävien pisteiden keskiarvot vaihtelevat data-
aineistossa arvojen 0 ja 8,14 välillä. Tarkastelusta puuttuvat opiskelijatunnukset, jot-
ka eivät ole palauttaneet kotitehtäviä ja joista ei tämän johdosta ole tallentunut tietoa
data-aineistoon. Tällaisia on kaikissa ryhmissä yhteensä 1 kappale. Kuvassa 37 on
esitetty Moodle-kurssin opintoviikkojen kotitehtävien arvosanojen keskiarvon ja
kurssilta saavutetun arvosanan välinen tilastollinen merkityksellisyys.
Kurssin arvosana Tehtäviä kpl Määrä Pienin Suurin Keskiarvo Keskihajonta
0 1,98 49 0,00 6,86 1,98 1,92
1 5,85 42 0,00 8,14 5,85 2,02
2 7,66 27 6,57 8,14 7,66 0,55
3 5,93 62 0,00 8,14 5,93 2,34
4 6,79 25 1,14 8,14 6,79 1,77
5 7,75 36 5,14 8,14 7,75 0,66
35,96 241 5,99
Kuva 37. Kotitehtävien arvosanan ja kurssin loppuarvosanan välisen tilastollisen merkitykselli-
syyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on
laskettu keskiarvo loppuarvosanan saavuttaneiden opiskelijatunnusten kotitehtävien keskiar-
voista Moodle-kurssilla.
79
Kuvasta 37 nähdään kotitehtävien arviointien pisteiden ja opiskelijan saavuttaman
arvosanan keskiarvon välisen trendin olevan nouseva. Hyväksytysti (arvosana 1)
kurssin suorittaneet ovat saaneet kotitehtävistä keskimäärin 5,85 pistettä (keskihajon-
ta 2,02). Arvosanalla 5 suoriutuneet ovat saaneet niistä keskimäärin 7,75 pistettä
(keskihajonta 0,66). Ero kuvaa kurssiaktiivisuuden ja tehdyn työn määrän eroa arvo-
sana-asteikon päiden välillä.
Muuttujan kohdalla on mielenkiintoinen kuvio tarkasteltaessa arvopisteiden jakau-
tumista suhteessa trendiviivaan. Arvopisteet jakautuvat arvosanoilla 1 ja 2 trendivii-
van yläpuolelle, kun taas arvosanojen 3-5 kohdalla ne osuvat lähemmäs trendiviivaa.
Kurssista arvosanan 2 saaneet ovat saaneet kotitehtävistä pisteitä lähes yhtä paljon
kuin kurssista arvosanan 5 saaneet. Arvosanan 2 ja 5 kohdalla keskihajonta on pie-
nempää kuin muiden arvosanojen keskihajontojen kohdalla. Näiden havaintojen se-
littämiseen data-aineistosta ei löydy vastausta. Palautettujen tehtävien laadullinen
arviointi ja arvosanan 2 saavuttaneiden 27 opiskelijan suoritusten tarkempi tutkimi-
nen useammalla muuttujalla voisi tulevaisuuden mahdollisena tutkimuskohteena an-
taa havaintoon lisätietoa. Kyse voi olla myös data-aineiston pienestä opiskelijamää-
rästä johtuvasta sattumasta.
Keskimääräisesti tarkasteltuna muuttuja kuvaa kurssiaktiivisuuden ja tehdyn työn
määrän eroa arvosana-asteikon päiden välillä. Erityisesti saavutetun arvosanan ääri-
päät näkyvät muuttujan tarkastelussa. Hylätyn (0) arvosanan saaneet 49 opiskelija-
tunnusta ovat keskiarvoisesti saaneet vain 1,98 pistettä (keskihajonta 1,92) kotitehtä-
vistä, kun hyväksytysti arvosanalla 1 suoriutuneet keskimäärin 5,85 pistettä (keskiha-
jonta 2,02).
Harjoituksiin osallistuminen
Kurssilla on ollut 7 opiskeluviikkoa, joihin jokaiseen on kuulunut harjoitus. Opiskeli-
joiden harjoituksiin osallistumisen tarkasteluun on otettu mukaan sulautuvan oppimi-
sen menetelmää käyttäneet ryhmät R1, R2 ja RS, joille harjoituksen läsnäolon seu-
rantatieto on tallennettu data-aineistoon. Harjoituksiin osallistumisen arvot vaihtele-
vat data-aineistossa arvojen 0 ja 7 välillä. Läsnäolotieto on tallennettu kaikkien tar-
kasteltavien ryhmien opiskelijatunnusten (182 kappaletta) osalta, joten jokainen
opiskelijatunnus on osallistunut ainakin yhteen harjoituskertaan. Kuvassa 38 on esi-
80
tetty harjoituksiin osallistumisen lukumäärän ja kurssilta saavutetun arvosanan väli-
nen tilastollinen merkityksellisyys.
Kurssin arvosana Osallistumis-
kertoja Määrä Pienin Suurin Keskiarvo Keskihajonta
0 69 39 0 7 1,77 2,22
1 143 35 0 7 4,09 2,29
2 156 26 0 7 6,00 1,55
3 193 46 0 7 4,20 2,55
4 89 17 0 7 5,24 2,41
5 114 19 1 7 6,00 1,60
764 182 4,55
Kuva 38. Harjoituksiin osallistumisen ja kurssin loppuarvosanan välisen tilastollisen merkityk-
sellisyyden arviointi. Kurssin arvosana on esitetty vaaka-akselilla (0 = hylätty). Pystyakselille on
laskettu summa opiskelijatunnuksen harjoituksiin osallistumisten lukumäärästä Moodle-
kurssilla.
Kuvasta 38 nähdään harjoituksiin osallistumiskertojen keskiarvon ja opiskelijan saa-
vuttaman arvosanan välisen trendin olevan nouseva. Keskimäärin neljään (keskiha-
jonta 2,22) saaneet opiskelijat ovat suoriutuneet kurssista hyväksytysti, mutta joukos-
sa on mukana opiskelijoita, jotka ovat saavuttaneet arvosanat 1 - 4 osallistumatta
harjoituksiin. Hyväksytysti (arvosana 1) kurssin suorittaneet ovat osallistuneet kes-
kimäärin noin neljään harjoitukseen (keskihajonta 2,29). Arvosanalla 5 suoriutuneet
ovat osallistuneet keskimäärin kuuteen harjoitukseen (keskihajonta 1,60). Keskimää-
räinen ero ei ole suuri, mutta kuvaa kurssiaktiivisuuden ja tehdyn työn määrän eroa
arvosana-asteikon päiden välillä.
81
Hylätyn arvosanan (0) saaneet opiskelijatunnukset ovat osallistuneet keskimäärin
1,77 harjoitukseen (keskihajonta 2,22). Ero hyväksytyn arvosanan (1) saaneisiin nä-
kyy aineistossa selkeästi: Hyväksytysti kurssin suorittaneet ovat osallistuneet keski-
määrin vähintään 4,09 harjoitukseen. Arvosanan 2 saavuttaneet ovat keskimääräisesti
osallistuneet yhtä usein harjoituksiin kuin arvosanan 5 saavuttaneet.
Harjoituksiin osallistumisissa näkyy sama kuvio kuin kotitehtävien pisteitä tarkastel-
taessa. Arvopisteet jakautuvat arvosanoilla 1 ja 2 trendiviivan yläpuolelle, kun arvo-
sanojen 3-5 kohdalla ne osuvat lähemmäs trendiviivaa.
Havaintoja muuttujien tarkastelusta
Muuttujia tarkasteltaessa havaitaan kuvio, jonka mukaan arvosanan 1 ja 2 saavutta-
neet opiskelijat ovat keskimääräisesti ylittäneet trendiviivan arvon. Arvosanoilla 3-5
tarkastelupisteet osuvat trendiviivalle tai alittavat sen. Ainoana poikkeuksena tästä on
kurssille kirjautumisten lukumäärä, jossa arvosanan 5 arvopiste on trendiviivan ylä-
puolella.
Kaikkien valittujen muuttujien arvot kuvaavat keskimääräisesti tarkasteltuna saavu-
tettua kurssin arvosanaa. Yksittäisen opiskelijatunnuksen opintojen etenemisestä
voidaan niiden perusteella tehdä muihin opiskelijatunnuksiin keskimääräisesti suh-
teutettuna kurssin aikana havaintoja. Muuttujan keskihajonta on kuitenkin opiskelija-
tunnuksittain opintojen etenemistä tarkasteltaessa huomioitava.
3.6.3 Korrelaatioanalyysi
Aliluvussa tarkastellaan aliluvussa 3.6.1 esitettyjen muuttujien korrelaation voimak-
kuutta Johdatus tietojenkäsittelyyn -kurssin opiskelijoiden saavuttamaan loppuarvo-
sanaan. Kurssin toteutuksessa on käytetty sulautuvan opettamisen ja verkkokurssin
toteutuksen menetelmiä. Korrelaatiotarkastelu ryhmiä tarkastellaan menetelmittäin
tarkoituksena tarkastella data-aineistossa havaittavia toteutusmenetelmään liittyviä
erilaisia tai samankaltaisia piirteitä.
82
Sulautuvan opetuksen ryhmien korrelaatioanalyysi
Johdatus tietojenkäsittelyyn -kurssin toteutuksessa on käytetty ryhmien R1, R2 ja RS
osalta sulautuvan opettamisen menetelmää. Kuvassa 39 tarkastellaan näiden ryhmien
osalta muuttujien korrelaation voimakkuutta kurssin loppuarvosanaan.
Kuva 39. Valittujen muuttujien korrelaatio kurssin loppuarvosanaan ryhmissä R1, R2 ja RS
(n=182). Kuvassa yli 0,5 suuruiset arvot on merkitty vihreän sävyillä.
Kuvasta 39 nähdään kaikkien valittujen muuttujien r-arvojen olevan positiivisia, jo-
ten ne korreloivat positiivisesti kurssin loppuarvosanaan. Kaikilla tarkasteluun vali-
tuilla muuttujilla on tämän perusteella merkitystä kurssin suorituksen kanssa. Kuvas-
sa 40 kurssin arvosanan kanssa korreloivat muuttujat on lajiteltu suuruusjärjestyk-
seen.
Kuva 40. Tarkasteltavien muuttujien korrelaatio kurssin loppuarvosanan kanssa ryhmissä R1,
R2 ja RS (n=182). Kuvassa muuttujat on lajiteltu suurimmasta pienimpään järjestykseen.
Muuttujien korrelaatioiden arvot jakautuvat välille 0,37 - 0,56.
Kuvasta 40 nähdään ryhmissä R1, R2 ja RS tenttien ja tehtävien sisällön ja palautta-
misen olevan kurssin suorituksen kannalta opiskelijan tärkeimpiä tehtäviä; Tenttien
ja tehtävien arviointien keskiarvot (molemmat 0,56) ja palautusten lukumäärä (tentit
0,51 ja tehtävät 0,49) ovat tarkastelluista muuttujista neljä eniten kurssin arvosanan
kanssa korreloivaa muuttujaa. Myös keskustelualueiden uusien viestien lukumääräl-
Kurssin
arvosana
Kirjautumisten
lkm
Keskustelu-
alueiden uudet
viestit
Tenttien
lkm
Tehtävien
lkm
Tenttien
keskiarvo
Tehtävien
keskiarvo
Harjoituksiin
osallistuminen
Kurssin arvosana 1
Kirjautumisten
lukumäärä
0,37 1
Keskustelualueiden
uudet viestit
0,47 0,46 1
Tenttien lukumäärä 0,51 0,49 0,62 1
Tehtävien lukumäärä 0,49 0,56 0,64 0,87 1
Tenttien keskiarvo 0,56 0,40 0,57 0,89 0,76 1
Tehtävien keskiarvo 0,56 0,44 0,63 0,83 0,91 0,84 1
Harjoituksiin
osallistuminen
0,44 0,39 0,52 0,60 0,63 0,58 0,69 1
Muuttuja Arvo
Tenttien keskiarvo 0,56
Tehtävien keskiarvo 0,56
Tenttien lukumäärä 0,51
Tehtävien lukumäärä 0,49
Keskustelualueiden uudet viestit 0,47
Harjoituksiin osallistuminen 0,44
Kirjautumisten lukumäärä 0,37
83
lä, harjoituksiin osallistumisella ja kirjautumisten lukumäärällä on tarkastelun perus-
teella merkitystä.
Verkkokurssiryhmän korrelaatioanalyysi
Verkkokurssina toteutetun ryhmän RK muuttujien korrelaatiotarkastelu on esitetty
kuvassa 41.
Kuva 41. Valittujen muuttujien korrelaatio kurssin loppuarvosanaan ryhmässä RK (n=60).
Kuvassa yli 0,5 arvot on merkitty vihreän sävyillä.
Kuvasta 41 nähdään ryhmässä RK kaikkien valittujen muuttujien korreloivan positii-
visesti kurssin loppuarvosanan kanssa. Kuvassa 42 kurssin arvosanan kanssa korre-
loivat muuttujat on lajiteltu suuruusjärjestykseen.
Kuva 42. Tarkasteltavien muuttujien korrelaatio kurssin loppuarvosanan kanssa ryhmässä RK.
Kuvassa muuttujat on lajiteltu suurimmasta pienimpään järjestykseen. Muuttujien korrelaati-
oiden arvot jakautuvat välille 0,40-0,79.
Kuvasta 42 nähdään ryhmän RK kurssin arvosanan kanssa korreloivien muuttujien
järjestyksen olevan sama kuin ryhmissä R1, R2 ja RS (kuva 39). Muuttujien korre-
laation arvot ovat ryhmässä RK hieman voimakkaampaa (arvot 0,40-0,79) kuin ryh-
missä R1, R2 ja RS (arvot 0,37-0,56).
Kurssin
arvosana
Kirjautumisten
lkm
Keskustelu-
alueiden uudet
viestit
Tenttien
lkm
Tehtävien
lkm
Tenttien
keskiarvo
Tehtävien
keskiarvo
Kurssin arvosana 1
Kirjautumisten
lukumäärä
0,40 1
Keskustelualueiden
uudet viestit
0,59 0,41 1
Tenttien lukumäärä 0,72 0,34 0,62 1
Tehtävien lukumäärä 0,76 0,34 0,64 0,92 1
Tenttien keskiarvo 0,74 0,36 0,66 0,95 0,90 1
Tehtävien keskiarvo 0,79 0,36 0,66 0,91 0,99 0,91 1
Muuttuja Arvo
Tehtävien keskiarvo 0,79
Tehtävien lukumäärä 0,76
Tenttien keskiarvo 0,74
Tenttien lukumäärä 0,72
Keskustelualueiden uudet viestit 0,59
Kirjautumisten lukumäärä 0,40
84
3.6.4 Päätöspuuluokittelu
Aliluvussa tarkastellaan Johdatus tietojenkäsittelyyn -kurssin data-aineiston piirteitä
käyttämällä päätöspuuluokittelua. Luokittelun tuloksia verrataan muuttujista alilu-
vussa 3.6.2 tehtyihin havaintoihin. Johdatus tietojenkäsittelyyn -kurssin data-
aineiston päätöspuuluokittelu tehdään käyttämällä Wekaa59. Weka (Waikato Envi-
ronment for Knowledge Analysis) on uusiseelantilaisessa Waikaton yliopistossa Ja-
va-kielellä kehitetty avoimen lähdekoodin (GNU General Public License) ohjelmisto,
joka käyttää koneoppimisen algoritmeja. Wekan käyttämä J48-luokitin perustuu
C4.5-algoritmiin, joka soveltuu luokittelun tekemiseen.
Kuzilek ym. ovat tutkineet avoimen yliopiston opiskelijoiden oppimistuloksia tarkoi-
tuksenaan tunnistaa riskiryhmässä olevia, vähemmän opiskeluun sitoutuneita opiske-
lijoita (2015). Tutkimuksessa on käytetty koneoppimistekniikoita: Päätöspuutekniik-
kaan perustuvia J48, Classification and Regression Tree (CART), JRIP ja Gradient
Boosting Trees sekä Naive Bayes Classifier -algoritmeja. Näistä parhaan lopputulok-
sen tutkimuksessa tuottaa J48-algoritmi, jonka todelliset tosi-arvot ovat hieman mui-
ta algoritmeja paremmat. Myös J48-algoritmilla tehty vähäisen opiskelusitoutumisen
tunnistamisen malli tuottaa tutkimuksessa tutkituista algoritmeista parhaan lopputu-
loksen.
Luokittelu hyväksyttyihin ja hylättyihin kurssisuorituksiin
Muuttujien tarkastelun yhteydessä on tehty havainto, jonka perusteella hylättyyn
arvosanaan johtaneet muuttujien arvot erottuvat tarkastellussa data-aineistossa (alilu-
ku 3.6.2). Muunnettaessa ryhmien R1, R2 ja RS data-aineistossa (n=180) kurssin
arvosanat asteikolle 1-0 (hyväksytty-hylätty) saadaan 39 hylättyä (kurssin arvosana
0) ja 141 hyväksyttyä (kurssin arvosana 1) suoritusta. Seuraavaksi arvioidaan data-
aineiston luokittelun onnistumista näin muodostettua kohdemuuttujaa käyttäen
Wekan J48-luokittimella.
59 https://www.cs.waikato.ac.nz/ml/weka/ (viitattu 25.10.2018)
85
Päätöspuuhun valittavilla muuttujilla tulisi olla mahdollisimman vähän keskinäistä
riippuvuutta. Aliluvussa 3.6.1 esitetyistä muuttujista keskinäinen riippuvuus löytyy
esimerkiksi tenttien ja tehtävien määrällisten ja laadullisten muuttujien välillä: Tent-
tien ja tehtävien pisteitä ei voi laskea, jos niitä ei ole palautettu. Wekan muuttujien
valinnassa käytettävä CfsSubsetEval60 arvioi attribuuttien osajoukon arvon ottaen
huomioon kunkin ominaisuuden yksittäisen ennustavan kyvyn sekä niiden välisen
redundanssin, jolla tarkoitetaan tiedossa esiintyvää toistetta. CfsSubsetEval suositte-
lee käyttämään kurssin loppuarvosanaa (asteikolla 1-0) parhaiten kuvaavina muuttu-
jina tenttien ja tehtävien palautusten lukumääriä. Näitä käyttäen Wekassa J48-
luokittimella tehty data-aineiston luokittelu on esitetty kuvassa 43.
Kuva 43. Ryhmien R1, R2 ja RS data-aineiston (n=180) luokittelu hyväksyttyihin ja hylättyihin
kurssisuorituksiin Wekan J48-algoritmilla. Kuvassa on käytetty muuttujina tenttien ja tehtä-
vien palautusten lukumääriä. Kohdemuuttuja (kurssin arvosana) on asteikolla 1 (hyväksytty)- 0
(hylätty).
Kuvasta 43 nähdään Wekan J48-luokittimen luokittelevan data-aineiston hyväksyt-
tyihin ja hylättyihin suorituksiin (luokkiin) ja tieto luokittelun onnistumisesta. Data-
aineistoon on merkitty tieto opiskelijatunnuksen saavuttamasta kurssin arvosanasta.
Tämä mahdollistaa luokittimen tuloksen vertaamisen oikeaan ratkaisuun: Yhteensä
60 http://weka.sourceforge.net/doc.dev/weka/attributeSelection/CfsSubsetEval.html (viitattu
25.10.2018)
86
180 rivistä 156 rivin (noin 87%) kohdalla luokittelu on tapahtunut oikein ja 24 rivin
(noin 13%) kohdalla väärin. Confusion matrix kuvaa määrällisiä arvoja tarkemmin
luokittimen luokkajaon onnistumisen. Siitä nähdään luokittimen jakaneen rivit kah-
teen luokkaan, a ja b. Luokkaan a, jossa kurssin loppuarvosanan arvo on hylätty 0, on
jaettu oikein 31 ja väärin 8 riviä. Luokkaan b, jossa kurssin loppuarvosanan arvo on
hyväksytty 1, on kuvassa jaettu oikein 125 ja väärin 16 riviä.
Käytetyllä data-aineistolla luokittelun tulos paranee käytettäessä useampia muuttujia
kuvaamaan kurssin hyväksyttyä tai hylättyä suoritusta. Kuvassa 44 on käytetty kaik-
kia aineistossa olevia muuttujia luokiteltaessa rivejä hyväksyttyihin ja hylättyihin
luokkiin.
Kuva 44. Ryhmien R1, R2 ja RS data-aineiston (n=180) luokittelu hyväksyttyihin ja hylättyihin
kurssisuorituksiin Wekan J48-algoritmilla. Luokittelussa on käytetty kaikkia aliluvussa 3.6.1
esitettyjä muuttujia. Kuvassa on luokittelun yhteenveto: Yläreunassa oikein ja väärin luokitel-
tujen rivien lukumäärät ja prosentuaalinen osuus. Kuvan alareunassa on confusion matrix, joka
näyttää miten luokittelu on jakanut rivit kahteen luokkaan: A=hylätyt ja B=hyväksytyt suori-
tukset.
Kuvasta 44 nähdään Wekan J48-algoritmin onnistuneen kaikkia aineistossa olevia
muuttujia käyttäen luokittelussa hyvin: Oikeita luokitteluita saadaan 163 kappaletta
180:stä (noin 91%) ja vääriä 17 kappaletta (noin 9%). Myös confusion matrixin mu-
kaan luokittelu on onnistunut: A-luokkaan (hylätyt suoritukset) on luokiteltu oikein
32 ja väärin 7 riviä. B-luokkaan (hyväksytyt suoritukset) on luokiteltu oikein 131 ja
väärin 10 riviä. Näin tehtyä luokittelua voidaan hyödyntää riskiryhmään kuuluvien
mahdollisesti hylättyyn arvosanaan johtavien opiskelijatunnusten tunnistamiseksi.
87
Luokittelu arvosanoihin 0-5
Kurssin arvosana-asteikon ollessa 0-5 Wekan CfsSubsetEval suosittelee käyttämään
parhaiten arvosanan luokittelevana muuttujana tenttien pisteiden keskiarvoa. Näin
tehty luokittelu on esitetty kuvassa 45.
Kuva 45. Ryhmien R1, R2 ja RS data-aineiston (n=180) luokittelu arvosanaperusteisesti tenttien
keskiarvojen perusteella Wekan J48-algoritmilla. Kuvassa kohdemuuttuja on kurssin arvosana
(asteikko 0-5).
Kuvasta 45 nähdään tenttien keskiarvon perusteella tapahtuvan luokittelun arvosana-
asteikolla 0-5 olevan huono: Oikein luokiteltuja rivejä yhteensä 180 rivistä on 59
kappaletta (noin 33%) ja väärin luokiteltuja 121 kappaletta (noin 67%). Luokittelun
tulos ei olennaisesti parane käyttämällä useampia muuttujia. Luokittelun onnistumi-
seen vaikuttavat muuttujien arvot arvosanojen 1-5 kohdalla, jotka keskihajonta huo-
mioiden eivät luokittimen käyttämiseksi erottele riittävän selvästi saavutettua kurssin
loppuarvosanaa (aliluku 3.6.2).
88
3.7 Kurssilla käynti
Oppimisen hallintajärjestelmästä kerätystä tiedosta voidaan epäsuorasti mitata opis-
kelijan motivaatiota (Hijon-Neira ym. 2014, 2; Conijn ym. 2017, 27). Motivaatio
näkyy usein aktiivisuutena niin verkkokurssilla kuin sen ulkopuolella tapahtuvassa
opiskelussa. Tällainen tieto antaa opiskelijalle palautetta hänen omasta kurssinkäy-
töstään ja saattaa vahvistaa motivaatiota.
Opiskelijan katsotaan edistyvän kurssilla, kun hän osallistuu siihen ja suorittaa kurs-
sille määriteltyjä toimintoja (Yassine ym. 2016, 263). Verkkokurssilla edistyminen
edellyttää kurssilla käymistä. Ilman kurssilla käyntiä ei pääse perehtymään sen kautta
jaettavaan oppimateriaaliin eikä tekemään opintoviikolle määriteltyjä tehtäviä. Joh-
datus tietojenkäsittelyyn -kurssin neljä ryhmää ovat keskenään erikokoisia. Kurssilla
käyntejä voidaan verrata laskemalla ryhmäkohtainen keskimääräinen käyntien luku-
määrä. Ryhmäkohtainen kurssilla käyntien lukumäärän keskiarvo on esitetty kuvassa
46.
Kuva 46. Johdatus tietojenkäsittelyyn -kurssin opiskelijoiden käynnit ryhmittäin. Kuvaan on
laskettu ryhmien opiskelijoiden keskimääräiset käyntikerrat kurssilla.
Kuvasta 46 nähdään ryhmien R1, R2 ja RK keskiarvoisen kurssilla käyntien luku-
määrän olevan lähellä toisiaan. Ryhmän RS opiskelijat ovat käyneet kurssilla keski-
määräisesti muita ryhmiä harvemmin. Kaikkien ryhmien käyntien keskiarvon kes-
kiarvo on noin 79 käyntiä. Jos luku jaetaan pelkästään kurssin seitsemälle opintovii-
kolle, saadaan keskimäärin noin 11 käyntiä opintoviikkoa kohden.
Moodle-kurssilla käyntien perusteella opiskelijat voidaan jakaa keskiarvoisen
käyntimäärän ylittävään ja alittavaan ryhmään. Taulukon 8 kahteen viimeiseen
89
sarakkeeseen on laskettu kaikkien ryhmien keskimääräisen käyntien keskiarvon
ylittävien ja alittavien opiskelijatunnusten lukumäärät.
Taulukko 8. Opiskelijoiden ryhmittäin laskettujen keskiarvon ylittävät ja alittavat käynnit
Moodle-kurssilla lukumäärittäin ja osuuksittain.
Taulukosta 8 nähdään eniten keskiarvoisen käyntimäärän alittaneita opiskelijoita
olevan verkko-opetuksena toteutetussa ryhmässä RK (67,2%). Vain ryhmässä R2 on
enemmän keskiarvon ylittäneitä käyntejä. Muissa ryhmissä on lukumääräisesti
enemmän keskimääräisen käyntimäärän alittaneita opiskelijoita. Tulevaisuudessa
olisi mielenkiintoista selvittää korreloiko heikko opintomenestys vähän tai ei ollen-
kaan kurssilla käyvien opiskelijatunnusten kanssa. Tämän selvittämiseksi opiskeli-
joista olisi kuitenkin hyvä olla enemmän taustatietoa; esimerkiksi opiskelija, jolle
asia on jo entuudestaan tuttu, käyttää todennäköisesti opiskeluun vähemmän aikaa ja
saattaa tämän johdosta kirjautua harvemmin - saavuttamalla kuitenkin opintomenes-
tystä.
Opettajalle kurssilla käynti on yksi mittari, joka antaa tietopohjaista palautetta opin-
tojen etenemisestä. Mittauksen välineenä tarkka tieto käyntien lukumäärästä ei ole
kovin merkityksellinen, mutta luokiteltuna esimerkiksi kynnysarvon ylittäviin ja alit-
taviin käyntien lukumääriin voidaan helposti löytää passiiviset opiskelijat, joiden
kohdalla opettajan on syytä käynnistää ohjaavat toimenpiteet mahdollisimman pikai-
sesti.
Toinen tapa käsitellä kirjautumisten lukumäärää on suhteuttaa ne oman ryhmän kes-
kimääräisiin käyntikertoihin. Tällaisen luokittelun hyötyä olisi mahdollista tutkia
tarkemmin vertaamalla luokan ja oppimistulosten välistä yhteyttä. Kuvassa 47 on
esitetty yhden opiskelijan kurssille kirjautumisten lukumäärä suhteessa saman ryh-
män kaikkien opiskelijoiden käyntien keskiarvoon.
Ryhmä KA:n ylitys kpl KA:n alitus kpl Opiskelijoita (N) KA:n ylitys % KA:n alitus %
R1 30 41 71 42,3 % 57,7 %
R2 33 32 65 50,8 % 49,2 %
RK 20 41 61 32,8 % 67,2 %
RS 18 28 46 39,1 % 60,9 %
90
Kuva 47. Ryhmän R2 kurssilla käyntien keskiarvo ja opiskelijan 100126 kurssilla käyntien lu-
kumäärä. Ryhmässä R2 on käyntejä keskimäärin 79 kpl, mutta opiskelijalla 100126 niitä on
vain 36 kpl.
Kuvassa 47 verrataan opiskelijan kirjautumisten lukumäärää hänen ryhmänsä keski-
määräiseen kirjautumisten lukumäärään. Visualisoimalla opiskeluun liittyvistä suori-
tuksista tietoa opiskelijan on helpompi ymmärtää oppimiseensa liittyviä piirteitä –
esimerkiksi tehtävän työn ja opiskeluun käytettävän ajan määrää suhteessa tavoitel-
taviin oppimistuloksiin.
Seuraavaksi kurssilla käyntejä tarkastellaan tarkemmin. Käyntien jakautumista vii-
konpäiville tarkastellaan aliluvussa 3.7.1 ja kellonajoille aliluvussa 3.7.2. Aliluvussa
3.7.3 käynnit yhdistetään Moodle-kurssin jaksoille.
3.7.1 Viikonpäivä
Verkkokurssin aikataulutuksen suunnittelussa ja seurannassa voi olla apua tiedosta
minä viikonpäivinä ja kellonaikoina opiskelijat ovat käyttäneet Moodle-kurssia. Ku-
vassa 48 on esitetty ympyräkaaviona eri viikonpäivien käyntien suhteelliset osuudet
Johdatus tietojenkäsittelyyn -kurssin kaikkien opiskelijoiden osalta.
Kuva 48. Kurssilla käyntien viikonpäivien suhteelliset osuudet.
91
Kuvasta 48 nähdään opiskelijoiden käyneen kurssilla varsin tasaisesti kaikkina muina
viikonpäivinä paitsi lauantaina. Maanantai on ollut kaikista käydyin viikonpäivä.
Tätä voi selittää osaltaan se, että uudet opintoviikot ovat alkaneet maanantaista, jol-
loin opiskelijat näkevät uudet tehtävät ja voivat niiden pohjalta suunnitella ajankäyt-
töään. Ryhmittäinen eri viikonpäivien käyntien tarkastelu on esitetty kuvassa 49.
Ryhmä R1 Ryhmä R2
Ryhmä RK Ryhmä RS
Kuva 49. Ryhmien käynnit eri viikonpäivinä. Kuvassa on esitetty kurssilla käyntien lukumäärät
ja käyntien suhteelliset osuudet eri viikonpäivinä. Viikonlopun päivät (lauantai ja sunnuntai) on
merkitty punaisella värillä.
Kuvasta 49 nähdään ryhmien R1, R2 ja RS opiskelijoiden käyneen kurssilla suhteel-
lisesti useimmin maanantaisin. Verkkokurssina toteutetussa ryhmässä RK maanantai
ja perjantai ovat olleet käydyimmät päivät. Sunnuntai on ryhmissä R1 ja R2 ollut
muiden viikonpäivien arvoinen opiskelupäivä. Ryhmissä RK ja RS on ollut vähiten
käyntejä viikonloppuisin.
3.7.2 Kellonaika
Eri tunneille kohdistuvat kirjautumiset kaikista Johdatus tietojenkäsittelyyn -kurssin
ryhmistä on laskettu kuvassa 50.
92
Kuva 50. Kurssilla käynnit tunneittain. Kuvan vasemmassa reunassa on merkitty tunti (0-23).
Keskimmäisessä sarakkeessa on tunnille kohdistuvien opiskelijoiden käyntien lukumäärä. Vii-
meiseen sarakkeeseen on laskettu tunnin käyntien suhteellinen osuus.
Kuvasta 50 nähdään käydyimpien tuntien (vihreä väri) ajoittuvan kello 8-19 väliselle
ajalle: 1010-1560 kappaletta. Kello 9 ja 20-23 tunneilla (keltainen väri) kirjautumisia
on ollut vähemmän, noin 400-850 kappaletta. Kirjautumisia on tapahtunut vähäi-
semmässä määrin myös läpi yön kello 0-7 (punertava väri). Ryhmittäiset kurssilla
käynnin kellonajat on esitetty kuvassa 51.
Ryhmä R1 Ryhmä R2 Ryhmä RK Ryhmä RS
Kuva 51. Ryhmien käynnit kurssilla eri tunteina. Kuvassa opiskelijoiden kirjautuminen
Moodle-kurssille on ryhmitelty ryhmän tunnuksen perusteella.
Kuvasta 51 nähdään kaikkien ryhmien kirjautumisista suurimman osan ajoittuvan
kello 8-21 väliselle ajalle. Ryhmä RS on muista ryhmistä poiketen kirjautunut suh-
teellisesti harvemmin kello 10-14 tunneilla ja enemmän iltapäivän kello 16-19 tun-
Tunti Käyntejä Osuus
0 261 1,4 %
1 164 0,9 %
2 68 0,4 %
3 55 0,3 %
4 45 0,2 %
5 25 0,1 %
6 82 0,4 %
7 275 1,4 %
8 1010 5,3 %
9 850 4,5 %
10 1216 6,4 %
11 1129 5,9 %
12 1429 7,5 %
13 1543 8,1 %
14 1560 8,2 %
15 1305 6,9 %
16 1324 7,0 %
17 1361 7,1 %
18 1438 7,6 %
19 1284 6,7 %
20 973 5,1 %
21 685 3,6 %
22 539 2,8 %
23 421 2,2 %
Yhteensä 19042 100 %
Tunti Käyntejä Osuus
0 261 1,4 %
1 164 0,9 %
2 68 0,4 %
3 55 0,3 %
4 45 0,2 %
5 25 0,1 %
6 82 0,4 %
7 275 1,4 %
8 1010 5,3 %
9 850 4,5 %
10 1216 6,4 %
11 1129 5,9 %
12 1429 7,5 %
13 1543 8,1 %
14 1560 8,2 %
15 1305 6,9 %
16 1324 7,0 %
17 1361 7,1 %
18 1438 7,6 %
19 1284 6,7 %
20 973 5,1 %
21 685 3,6 %
22 539 2,8 %
23 421 2,2 %
Yhteensä 19042 100 %
Tunti Käyntejä Osuus
0 261 1,4 %
1 164 0,9 %
2 68 0,4 %
3 55 0,3 %
4 45 0,2 %
5 25 0,1 %
6 82 0,4 %
7 275 1,4 %
8 1010 5,3 %
9 850 4,5 %
10 1216 6,4 %
11 1129 5,9 %
12 1429 7,5 %
13 1543 8,1 %
14 1560 8,2 %
15 1305 6,9 %
16 1324 7,0 %
17 1361 7,1 %
18 1438 7,6 %
19 1284 6,7 %
20 973 5,1 %
21 685 3,6 %
22 539 2,8 %
23 421 2,2 %
Yhteensä 19042 100 %
Tunti Käyntejä Osuus
0 261 1,4 %
1 164 0,9 %
2 68 0,4 %
3 55 0,3 %
4 45 0,2 %
5 25 0,1 %
6 82 0,4 %
7 275 1,4 %
8 1010 5,3 %
9 850 4,5 %
10 1216 6,4 %
11 1129 5,9 %
12 1429 7,5 %
13 1543 8,1 %
14 1560 8,2 %
15 1305 6,9 %
16 1324 7,0 %
17 1361 7,1 %
18 1438 7,6 %
19 1284 6,7 %
20 973 5,1 %
21 685 3,6 %
22 539 2,8 %
23 421 2,2 %
Yhteensä 19042 100 %
93
neilla. Ryhmien käynnit on laskettu suhteuttamatta niitä ryhmän kokoon, joten ryh-
mien keskinäistä vertailua ei voida tehdä muuten kuin tarkastelemalla tuntien järjes-
tystä ja niiden suhteellisia osuuksia.
3.7.3 Jaksot
Moodle-kurssin jaksot ovat oppimistavoitteista johdettuja osakokonaisuuksia, joille
on määritelty sisältö- ja oppimistavoitteet. Moodle-kurssin jaksot61 (course sections)
jakavat kurssin kotisivun osiin, jotka voidaan esittää järjestysnumeroina tai viikkoi-
na. Jokaisella jaksolla on oma aiheensa. Jokaiseen Johdatus tietojenkäsittelyyn -
kurssin jaksoon (opintoviikkoon) kuuluu oma opiskelumateriaali, tentti, kotitehtävät
ja kotitehtävien purkutilaisuuteen osallistumisen tallentava aktiviteetti (tehtävä) sekä
aiheeseen liittyvää oheismateriaalia.
Opiskelun etenemisen arvioinnin näkökulmasta jaksoissa käyntien lukumäärä on
vain mittari muiden joukossa, mutta se mahdollistaa oppimisprosessin etenemisen
säännöllisen seurannan. Jaksoille kirjautumisten rinnalla tulisi tarkastella myös jak-
son aikana tehtyjä suorituksia – aktiviteettien palautuksia ja niistä saatuja arvosanoja.
Jaksoilla käynnit kaikkien kurssin opiskelijoiden osalta on esitetty kuvassa 52.
Kuva 52. Käynnit kurssin jaksoissa opiskelijoittain. Kuvaan on kerätty jakson numero, käynti-
kertojen lukumäärä ja suhteellinen osuus kaikista käynneistä.
61 https://docs.moodle.org/34/en/Course_homepage#Parts_of_a_course_homepage (viitattu 18.4.2018)
94
Kuvasta 52 nähdään jaksojen 3 ja 2 olevan käydyimpiä (osuus käynneistä yli 20%).
Jakso 3 on opiskeluviikko 2: Tiedon käsittely, käyttöjärjestelmät ja tietoverkot ja
jakso 2 opiskeluviikko 1: Tiedon esittäminen ja tallentaminen. Toiseksi käydyimpien
jaksojen ryhmään kuuluvat jaksot 4, 5, 6 ja 7, joiden osuus käynneistä on 10-20%.
Varsinaisista opiskelujaksoista 2-8 vähiten käyntejä kohdistuu jaksoon 8, joka on
viikon 7: Tietojenkäsittelyn teoria. Kuvassa 53 opiskelijoiden käyntien lukumäärä
kurssin opiskelujaksoilla esitetään viivakaaviona.
Kuva 53. Moodle-kurssin jaksoilla käyntien lukumäärä viivakaaviona. Kuvassa Moodlen jakson
numero (2-8) on vaaka-akselilla. Pystyakselin arvot ovat kaikkien opiskelijoiden lukumääriä
jaksoissa.
Kuvasta 53 nähdään eniten käyntejä kohdistuvan kurssin alun opintojaksoihin. Kah-
den ensimmäisen opintoviikon jaksojen jälkeen käyntien lukumäärän trendi on koko
loppukurssin ajan ollut laskeva. Opiskelijaryhmäkohtainen jaksoille kirjautuminen
on esitetty viivakaaviona kuvassa 54.
Kuva 54. Opiskelijoiden keskimääräinen käyntien lukumäärä kurssin opiskelujaksoissa (2-8).
Jaksojen numerot (2-8) on merkitty vaaka-akselille ja jaksossa käyntien lukumäärä ryhmittäin
pystyakselille. Ryhmä R1 on merkitty punaisella, R2 mustalla, RK punaisella ja RS keltaisella
viivanvärillä.
95
Kuvassa 54 nähdään ryhmäkohtaisia eroja opintojaksoilla käynneissä. Ryhmien R1
ja R2 käynnit vähenevät tai pysyvät edellisen jakson suuruisina koko kurssin ajan.
Ryhmissä RK ja RS on havaittavissa käyntien kasvua edelliseen opintojaksoon ver-
rattuna jaksoissa 3 (RS:n osalta), 5 ja 7 (RK:n osalta). Ryhmittäinen kurssin jaksoilla
käyntien lukumäärä on esitetty kuvassa 55.
Kuva 55. Kurssin jaksoissa käynnit ryhmittäin tarkasteltuna. Kuvassa on jokaisen ryhmän
Moodle-kurssin opintojaksoilla käynnit esitetty käyntikertojen ja suhteellisten osuuksien mu-
kaisesti laskettuna. Jaksot on järjestetty käyntikertojen mukaan laskevaan järjestykseen.
Kuvassa 55 nähdään ryhmissä R1 ja R2 olevan eniten käyntejä kurssin jaksoilla
numero 2 ja 3. Samat jaksot ovat käydyimpiä myös ryhmissä RK ja RS, mutta
järjestys on käänteinen. Opetuksen kehittämisen näkökulmasta tietoa opintojaksoilla
käynneistä on mahdollista soveltaa sijoittamalla kurssin keskeisimmät aihesisällöt
kurssin alkupuolelle, jolloin kurssilla käyntien lukumäärä on korkeimmillaan. Vähän
käyntejä keränneiden jaksojen osalta on mahdollista pohtia keinoja opiskelijoiden
mielenkiinnon kohottamiseksi. Lisäksi olisi hyvä löytää keinoja opiskelijoiden käyn-
tiaktiivisuuden ylläpitämiseksi koko kurssin ajan.
96
3.8 Keskustelualueet
Johdatus tietojenkäsittelyyn -kurssin jokaiseen opiskeluviikkoon kuuluu jakson
aiheeseen liittyvä keskustelualue, johon opiskelijan tulee kirjoittaa aiheen
opiskeluviikon aikana vähintään yksi viesti. Viestin kirjoittaneet opiskelijat saavat
kirjoittamastaan viestistä pisteen kurssin arvioinnin yhteydessä. Opintoviikkojen
uusien viestien yhteenveto on esitetty kuvassa 56.
Kuva 56. Opiskeluviikkojen keskustelualueiden uudet viestit. Kaavioon on laskettu opiskeluvii-
kon keskustelualueille uusia viestejä kirjoittaneiden yksilöllisten opiskelijatunnusten lukumää-
rät.
Kuvasta 56 nähdään kurssitasolla uusia viestejä kirjoitetun keskustelualueille eniten
kahden ensimmäisen opiskeluviikon aikana: 140-165 kappaletta. Tämän jälkeen
opiskeluviikkojen 3-7 aikana uusien viestien lukumäärä on tasoittunut 119-125 uu-
den viestin väliselle tasolle. Ryhmäkohtainen uusien viestien kirjoittaminen on esitet-
ty kuvassa 57.
Ryhmä R1 Ryhmä R2 Ryhmä RK Ryhmä RS
Kuva 57. Uusia viestejä kirjoittaneiden yksilöllisten opiskelijatunnusten lukumäärät ryhmittäin
tarkasteltuna. Kaavioissa opiskeluviikot ovat vaaka-akselilla ja opiskelijatunnusten lukumäärät
pystyakselilla.
97
Kuvasta 57 nähdään ryhmien R1, R2 ja RS kirjoittaneen keskustelualueille enemmän
uusia viestejä kuin verkkokurssina toteutetussa ryhmässä RK. Tieto viestejä kirjoit-
tamattomista opiskelijoista voi olla yksi opiskelun etenemisessä seurattavista mitta-
reista. Taulukkoon 9 on laskettu viestejä kirjoittamattomien opiskelijoiden lukumää-
rät ryhmittäin. Aktiviteettilokiin tallentuu tieto opiskelijoista, jotka ovat kirjoittaneet
uusia viestejä. Tieto viestejä kirjoittamattomista saadaan laskemalla erotus ryhmän
opiskelijoiden lukumäärästä ja ryhmässä viestejä opintoviikkojen keskustelualueelle
kirjoittaneista yksilöllisistä opiskelijatunnuksista.
Taulukko 9. Keskustelualueiden viestejä kirjoittamattomien opiskelijoiden lukumäärät ryhmit-
täin.
Ryhmä Opiskelijoiden
lukumäärä
ryhmässä
Viestejä kirjoitta-
neiden opiskeli-
joiden lukumäärä
Erotus ryhmän koon ja
viestejä kirjoittaneiden
välillä
R1 71 54 (76%) 17 (24%)
R2 65 47 (72%) 18 (28%)
RK 60 37 (62%) 23 (38%)
RS 46 41 (89%) 5 (11%)
Yhteensä 242 179 (74%) 63 (26%)
Taulukosta 9 nähdään, että kaikkia ryhmiä yhdessä tarkasteltaessa 26% opiskelijoista
ei ole kirjoittanut opiskeluviikkojen keskustelualueille yhtään uutta viestiä. Tällaisia
viestejä kirjoittamattomia opiskelijoita löytyy jokaisesta ryhmästä. Suhteellisesti eni-
ten viestejä kirjoittamattomia on ryhmässä RK (38%) ja vähiten ryhmässä RS (11%).
Keskustelualueiden monipuolisempi käyttäminen, esimerkiksi aliluvussa 2.5.3 kuva-
tun yhteistoiminnallisen oppimisen menetelmän kautta, mahdollistaisi niiden käytön
tarkemman analysoinnin käyttämällä esimerkiksi aliluvussa 2.6.4 kuvattua sosiaali-
sen oppimisen analyysiä.
3.9 Tentit
Johdatus tietojenkäsittelyyn -kurssin opiskeluviikkoon (jaksoon) kuuluu
monivalintatehtävä, joka on toteutettu tenttiaktiviteetilla. Opiskelijan annetaan yrittää
vastauksia niin monta kertaa kuin hän haluaa. Tentin kysymyksissä voi olla yksi tai
useampi oikea vastausvaihtoehto.
Tentit-aktiviteetissa arviointi tehdään Moodlen toimesta automaattisesti määrittele-
mällä työkalussa tentin arviointiperusteet, joihin opiskelijan antamia vastauksia ver-
98
rataan. Opiskelija-analytiikassa tentin arviointi on käytössä heti, kun opiskelija on
palauttanut tentin ja se on tämän seurauksena automaattisesti arvioitu. Tenttien
palauttaminen kertoo kurssille osallistumisesta ja motivaatiosta. Tenteistä saa myös
suorituspisteitä, joten niitä on mahdollista tarkastella opiskelun laadullisena tekijänä.
Opiskeluviikkojen tenttien pisteiden ja loppuarvosanan välinen ryhmittäinen hajon-
takaavio on esitetty kuvassa 58.
Ryhmä R1 Ryhmä R2
Ryhmä RK Ryhmä RS
Kuva 58. Opintoviikkojen tenttien pisteiden keskiarvon ja arvosanan välinen hajontakaavio
ryhmittäin tarkasteltuna. Kuvassa Y-akselilla ovat arvosanat (1-5) ja X-akselilla opintoviikko-
jen tenttien pisteiden keskiarvo (0-1).
Kuvasta 58 nähdään opintoviikkojen tenttien pisteiden keskiarvon ja kurssin arvosa-
nan välillä olevan riippuvuutta, erityisesti ryhmissä R2, RK ja RS. Kuvassa 59 on
esitetty tentin palautusten lukumäärä opiskeluviikoittain. Tarkastelun tasona kuvassa
käytetään kaikkia opiskelijoita.
Kuva 59. Opiskeluviikkojen tentin palautusten lukumäärät. Kaavioon on laskettu opiskeluvii-
kon tentin palauttaneiden yksilöllisten opiskelijatunnusten lukumäärät.
99
Kuvasta 59 nähdään eniten tentin palautuksia tehdyn kurssin ensimmäisellä viikolla:
yhteensä 202 kappaletta. Tämän jälkeen tentin palautusten lukumäärän trendi on ta-
saisesti laskeva. Ensimmäisen ja viimeisen opiskeluviikon välillä on 43 vastauksen
(noin 21%) ero tenttivastausten palautusten lukumäärissä. Opiskeluviikkojen tenttien
palautusten lukumäärät ryhmittäin tarkasteltuna on esitetty kuvassa 60.
Ryhmä R1 Ryhmä R2
Ryhmä RK Ryhmä RS
Kuva 60. Tenttien palautusten lukumäärät ryhmittäin tarkasteltuna. Kaavioon on laskettu
ryhmäkohtaisesti opiskeluviikon tenttejä palauttaneiden yksilöllisten tunnusten lukumäärät.
Kuvasta 60 nähdään ryhmien R1 ja R2 olleen opiskeluviikkojen tenttien palautusten
lukumäärässä mitattuna aktiivisempia kuin ryhmä RK. Vähiten tenttien palautuksia
on kuvan mukaan ryhmällä RS. Tieto opiskeluviikkojen tentteihin vastauksen palaut-
tamatta jättäneistä opiskelijoista on kerätty ryhmittäin taulukkoon 10.
Taulukko 10. Tenttivastauksia palauttamattomien opiskelijoiden yhteenveto.
Ryhmä Opiskelijoiden
lukumäärä
ryhmässä
Tenttejä palautta-
neiden opiskelijoi-
den lkm
Erotus ryhmän koon ja
tenttejä palauttaneiden
välillä
R1 71 64 (90%) 7 (10%)
R2 65 56 (86%) 9 (14%)
RK 60 55 (92%) 5 (8%)
RS 46 46 (100%) 0 (0%)
Yhteensä 242 221 (91%) 21 (9%)
100
Taulukosta 10 nähdään, että yhteensä 21 opiskelijaa (9% kaikista) ei ole koko kurssin
aikana palauttanut yhtäkään opiskeluviikon tenttivastausta. Tenttien palautukset on
mahdollista kohdistaa opiskeluviikolle, jolloin niitä voidaan seurata osana opiskelu-
prosessia. Ryhmän RK tenttien palautusten kohdistuminen opiskeluviikoille on esi-
tetty kuvassa 61.
Kuva 61. Tenttien palautus ryhmässä RK. Kuvassa nähdään opiskelijatunnuksittain ja ryhmit-
täin opintoviikkojen tenttien palautus (arvo 1). Viimeisessä sarakkeessa on summa opintoviik-
kojen tenttien palauttamisesta.
Kuvassa 61 nähdään opiskeluviikoille palautetut tentit ja palautusten summa. Riski-
ryhmään kuuluvat sellaiset opiskelijat, jotka eivät ole palauttaneet lainkaan tenttejä.
Ryhmän RK osalta tällaiset on esitetty kuvassa 62.
Kuva 62. Tenttejä palauttamattomat opiskelijat. Kuvassa esitetään Moodlen aktiviteettilokista
ryhmän RK opiskelijat, jotka eivät ole palauttaneet tenttejä.
Kuvassa 62 nähdään ryhmässä RK olevan kuusi opiskelijatunnusta, jotka eivät ole
palauttaneet yhtään tenttiä kurssin opiskeluviikkojen aikana. Opiskelijoiden tenteistä
saamat pisteet ja pisteiden keskiarvo on esitetty kuvassa 63.
101
Kuva 63. Tenttien pisteet ryhmässä RK. Kuvassa nähdään opiskelijatunnuksittain ja ryhmittäin
opintoviikkojen tenteistä saadut pisteet ja pisteiden keskiarvo.
Kuvasta 63 opettaja saa käsityksen eri opintoviikkojen tenteistä saavutetuista,
Moodlen automaattisesti arvioimista pisteistä. Kaikki kuvassa nähtävät kentät on
mahdollista järjestää, jolloin tilannetta voidaan tarkastella nousevassa tai laskevassa
järjestyksessä opiskelijatunnuksittain, opintoviikoittain tai tenteistä saatujen pisteiden
keskiarvojen perusteella.
3.10 Tehtävät
Tehtävät-aktiviteetti eroaa tentti-aktiviteetista siten, että tehtävien kohdalla opettajal-
la on mahdollisuus antaa aktiviteettiin arvosana. Tenttien kaltaista automaattista ar-
viointia tehtävien kohdalla ei ole mahdollista käyttää. Opettajan arvioiman tehtävän
arviointi on opiskelija-analytiikan käytettävissä vasta silloin, kun opettaja on tallen-
tanut arvosanan aktiviteettiin.
Tehtäviä käytetään Johdatus tietojenkäsittelyyn -kurssin opiskeluviikoilla kahteen
tarkoitukseen: Kotitehtävien palautukseen ja harjoitusten läsnäolon kirjaamiseen.
Aliluvussa 3.10.1 tarkastellaan kotitehtävien ja aliluvussa 3.10.2 harjoituksiin osallis-
tumisen tehtävistä saatavaa tietoa.
3.10.1 Kotitehtävät
Kotitehtävien palautusta voidaan tarkastella aktiviteettilokissa tehtyjen palautusten
lukumäärinä ja opettajan kirjaamien arvosanojen kautta. Tieto tehtävän palautuksesta
102
tallentuu aktiviteettilokiin ja arviointipisteet arviointitiedostoon. Ryhmäkohtainen
tehtävien pisteiden keskiarvon ja arvosanan välinen hajontakaavio on esitetty kuvas-
sa 64.
Kuva 64. Opintoviikkojen tehtävien pisteiden keskiarvon ja arvosanan välinen hajontakaavio
ryhmittäin tarkasteltuna. Ylärivillä R1 ja R2, alarivillä RK ja RS.
Kuvasta 64 nähdään, että opintoviikkojen tehtävien pisteiden keskiarvon ja kurssin
arvosanan välillä on riippuvuutta. Kuvassa 65 on esitetty opiskeluviikkojen kotiteh-
tävien palautusten lukumäärä ryhmittäin tarkasteltuna.
Ryhmä R1 Ryhmä R2 Ryhmä RK Ryhmä RS
Kuva 65. Kotitehtävien palautusten lukumäärät ryhmittäin tarkasteltuna. Kaavioon on laskettu
opiskeluviikon kotitehtäviä palauttaneiden yksilöllisten tunnusten lukumäärät.
Kuvasta 65 nähdään yliopiston ryhmien R1 ja R2 palauttaneen enemmän kotitehtä-
viä: 65-43 kappaletta kuin ryhmien RS: 41-31 kappaletta ja verkkokurssina toteute-
tun ryhmän RK: 47-35 kappaletta. Vähiten palautuksia on ollut ryhmässä RS: 29-41
kappaletta. Kotitehtävien palautusten määrän trendi on pääsääntöisesti laskeva. Kai-
kissa ryhmissä on vähiten palautuksia viimeisellä opiskeluviikolla: 46-31 kappaletta.
Kotitehtävien palautusten tilanteesta eri opintoviikoilla on mahdollista laskea yh-
teenvetotaulukko. Opettajalle tehtävän arviointi on mahdollista vasta, kun se on pa-
lautettu, jolloin tieto palautuksen tehneistä opiskelijoista auttaa työn resurssoinnissa.
Yhteenveto palautetuista tehtävistä on esitetty kuvassa 66.
103
Kuva 66. Kotitehtävien palautus ryhmässä RK. Kuvassa nähdään opiskelijatunnuksittain ja
ryhmittäin opintoviikkojen kotitehtävien palautus (arvo 1). Arvon puuttuessa palautusta ei ole
tehty. Viimeisessä sarakkeessa on tieto moneenko opintoviikon tehtävään opiskelija on lähettä-
nyt palautuksen.
Kuvassa 66 nähdään opettajan työtä helpottava tehtävienpalautustaulukko. Tauluk-
koa voi järjestää kaikkien sarakkeiden perusteella haluttaessa tarkastella esimerkiksi
yksittäisen opintoviikon palautusten tilannetta. Tehtäviä palauttamattomat opiskelijat
voidaan esittää omassa taulukossaan. Taulukko on esitetty kuvassa 67.
Kuva 67. Kotitehtäviä palauttamattomat opiskelijat. Kuvassa esitetään ryhmittäin Moodle-
kurssin opiskelijat, jotka eivät ole palauttaneet kotitehtäviä.
Kuvasta 67 nähdään ryhmässä RK olevat kotitehtäviä palauttamattomat opiskelijat.
Aktiviteettilokiin tallentuu tieto tehtävien palautuksista, joten tehtäviä palauttamat-
tomien opiskelijoiden tunnistamiseksi on eroteltava joukko, joka muodostuu sellai-
sista kurssin opiskelijatunnuksista, joilla ei ole tehtävien palautuksia.
Tehtävän palautuksen jälkeen opettaja arvioi sen. Arviointiin kuuluu arvosana ja
mahdollisesti sitä perusteleva tekstiosuus. Johdatus tietojenkäsittelyyn -kurssin koti-
tehtävien arvioinnissa pisteytys muodostuu tehtyjen kotitehtävien lukumäärän perus-
104
teella. Näistä pisteistä kerätty jaksoittainen arvosanataulukon yhteenveto on esitetty
kuvassa 68.
Kuva 68. Kotitehtävien pisteiden yhteenveto ryhmässä RK. Kuvassa nähdään opiskelijatunnuk-
sittain ja ryhmittäin opintoviikkojen kotitehtävien arvosanat ja arvosanojen keskiarvo.
Kuvassa 68 nähtävä tehtävien arvosanojen yhteenveto mahdollistaa opiskelijakohtai-
sen arvosanojen tarkastelun, josta saadaan yksittäistä tehtävänarviointia laajempi
käsitys opiskelijan opintojen etenemisestä. Kuvan kenttien järjestystä muuttamalla
opettaja voi tarvittaessa järjestää opiskelijat opintoviikoittain tai keskiarvon perus-
teella järjestykseen, jolloin taulukosta on helppo erotella eritasoisesti tehtävienpalau-
tuksen perusteella opinnoissaan etenevät opiskelijat.
3.10.2 Harjoituksiin osallistuminen
Johdatus tietojenkäsittelyyn -kurssilla kotitehtävien harjoitustilaisuuksiin osallistu-
minen merkitään tehtävät-aktiviteetilla toteutettuun harjoitus (HR) -tehtävään. Me-
nettelyn ansiosta tieto harjoituksiin osallistumisesta on myös opiskelija-analytiikassa
käytettävissä. Harjoituksiin osallistumisen taulukko on esitetty kuvassa 69.
Kuva 69. Harjoituksiin osallistuminen ryhmässä RK. Ensimmäisenä sarakkeena on opiskelija-
tunnus, jota seuraavat opiskeluviikot (HR 1-7). Viimeisessä sarakkeessa on laskettu yhteen
kuinka monen opiskeluviikon harjoitukseen opiskelija on osallistunut.
105
Kuvassa 69 nähdään opiskelijatunnuksittain ja ryhmittäin opintoviikkojen harjoituk-
siin osallistuminen ja tieto kuinka moneen harjoitukseen opiskelija on osallistunut.
Aliluvussa 3.6 esitetyssä korrelaatiotaulukossa kotitehtävät korreloivat kaikissa ryh-
missä eniten kurssin loppuarvosanan kanssa. Tämän johdosta kotitehtävien palautus,
niistä saadut arvosanat ja purkutilaisuuksiin osallistuminen muodostavat yhdessä
jaksoittain tarkasteltuna tärkeän mittarin opintojen etenemisen osalta.
3.11 Johtopäätökset Moodle-kurssin opiskelija-analytiikasta
Aliluvussa esitetään Moodle-datasta kerätyn opiskelija-analytiikan keräys- ja analy-
sointiprosessin aikana syntyneitä johtopäätöksiä ja kehittämisajatuksia. Tällaisia ovat
aliluvussa 3.11.1 tehdyt Moodle-kurssin rakenteesta havaitut johtopäätökset, aliluvun
3.11.2 iteratiivisesti ja aliluvun 3.11.3 eritasoisesti tapahtuvan oppimisen tukeminen,
aliluvun 3.11.4 Moodlen aktiviteettien tarkastelun kokonaisuuksina mahdollistavat
oppimistavoitteet, aliluvun 3.11.5 Moodlen tarjoama mahdollisuus kehittää tehtävistä
annettavaa palautetta, aliluvun 3.11.6 tenttien arvioinnin kehittämismahdollisuus
käyttämällä Markovin piilomallia, aliluvun 3.11.7 arviointitiedoston yhteydessä esiin
tullut redundanssi ja arviointiprosessin kehittäminen, luvun 3.11.8 havainnot Micro-
softin Power BI Desktop -ohjelmistosta opiskelija-analytiikan käytössä sekä aliluvun
3.11.9 määrällisen ja laadullisen arvioinnin visualisoinnin yhdistämisen ajatus. Lo-
puksi aliluvussa 3.11.10 esitellään ehdotus Johdatus tietojenkäsittelyyn -kurssin
opiskelija-analytiikan kehitetyksi mittaristoksi.
3.11.1 Moodle-kurssin rakenne
Moodle-kurssin datan analysoinnissa kurssin rakenne ja aktiviteettien nimeäminen
ovat tärkeässä roolissa. Aktiviteetti- ja arviointilokit tallentavat opiskelijan kurssinai-
kaisen toiminnan aktiviteetin nimellä, joista tieto opiskelija-analytiikkaan kerättäessä
tunnistetaan.
Kurssin jakaminen oppimistavoitteista johdettuihin loogisiin osiin mahdollistaa opis-
kelija-analytiikassa opintojen etenemisen tarkastelun pienissä osissa. Moodlessa on
tarkoitusta varten kurssin jaksot (sections). Opiskelija-analytiikka voidaan asettaa
seuraamaan jakson aikana tapahtuvaa oppimiskäyttäytymistä ja antamaan tämän pe-
106
rusteella palautetta opiskelijalle. Opettajan ja opiskelijan on tärkeää saada palautetta
ja nähdä edistymisensä koko oppimisprosessin aikana (Fernandez-Medina ym. 2013,
1). Palaute voi olla esimerkiksi opintojen edistyminen suunnitellusti, puuttuvia suori-
tuksia ja opinnot eivät edisty. Visualisointina voitaisiin käyttää helposti ymmärrettä-
viä emoji-merkkejä ja niitä täydentäviä selityksiä, jotka kertovat analytiikan havait-
semista tuloksista. Jaksoittain tehty opintojen etenemisen tarkastelu mahdollistaa
säännöllisten korjaavien toimenpiteiden tekemisen koko kurssin ajan.
Opiskelija-analytiikan keräämän palautteen perusteella opiskelija voi itse havaita
opiskelunsa etenemiseen liittyvän huomion kojelautaansa asetetun varoituksen tai
huomion kautta. Kojelaudalla (dashboard) tarkoitetaan oppimisesta kerättyjen tieto-
jen visualisointia ja esittämistä kootusti samassa näkymässä. Se voi muodostua yh-
destä tai useammasta mittarista, joiden yksityiskohtiin voidaan tarvittaessa porautua.
Tarkentuva mittaristo antaa mahdollisuuden kiinnittää huomio olennaiseen (Fu ym.,
2017). Huomio tai hälytys voi lähteä huomiosta, jonka mukaan opiskelijalta puuttuu
aktiviteettien määrällisiä tai laadullisia suorituksia. Opiskelija voi tiedon perusteella
itse tehdä korjaavia toimenpiteitä, joita voivat olla esimerkiksi opintojen etenemisek-
si edellytettyjen tehtävien tekeminen tai ohjauksen pyytäminen. Näin opiskelijalle
annetaan mahdollisuus hyötyä opiskelija-analytiikasta omien opintojensa ohjaami-
sessa. Mahdollisuus vaikuttaa omiin opintoihin tukee opiskelumotivaatiota. Motivaa-
tio on päämääräsuuntautunutta toimintaa ohjaava psykologisten funktioiden jäsenty-
nyt kokonaisuus, joka jaetaan sisäiseen ja ulkoiseen motivaatioon.
Opiskelijan ja opettajan kojelaudat eroavat toisistaan siten, että opiskelija näkee vain
omia tietojaan. Opettajan on mahdollista seurata opiskelijoiden opintojen etenemistä
kaikista opiskelijoistaan kootusti, jolloin voidaan esittää jaksoittaiset varoitukset
opiskelijoista, joiden opintojen etenemiseen kannattaa kiinnittää huomiota. Kojelau-
dan avulla opettaja voi ohjata resursseja ja tukitoimia niitä tarvitseville opiskelijoille
ja huomioida nopeasti etenevät opiskelijat.
Jaksoittain toteutettavan opintojakson jaksojen laskettavuuden monistettavuuden
saavuttamiseksi aktiviteettien nimeämislogiikkaan on kiinnitettävä erityistä huomio-
ta. Johdatus tietojenkäsittelyyn -kurssilla opintoviikkojen aktiviteetit on nimetty las-
107
kentaa tukevasti. Opintoviikkojen harjoituksiin osallistumisen tehtävissä on kahden
tehtävän osalta (viikot 5 ja 7) huolimattomuusvirhe, joka nähdään kuvassa 90.
3.11.2 Oppimisen iteraatiot
Oppimisen taso näkyy verkkokurssilla tenttien ja tehtävien laadullisen tarkastelun
kautta. Fu ym. tunnistavat ohjelmointitehtävän ratkaisun yhteydessä tehdyt virheet ja
ongelmat, joiden perusteella tehtävissä ongelmia aiheuttaneista asioista voidaan antaa
palautetta ja tuottaa uusia tehtäviä (2017, 4). Menettely mahdollistaa opiskelijan
oman virheiden tunnistamisen ja auttaa korjaamaan niitä paremmin. Kurssin tentit
ovat oppimisen kannalta luonteeltaan iteratiivisia. Tenttejä voi tehdä uudestaan ja
oppia virheistään.
Verkkokurssille palautetuista kotitehtävistä opettaja antaa (ilmeisesti lukumäärään
perustuvan) arvosanan ja niitä käsitellään harjoituksissa, jolloin opiskelijan on mah-
dollista oppia tekemiensä ratkaisuiden pohjalta. Opettajalla on mahdollisuus harjoi-
tustilaisuuksien aikana havainnoida oppimisen etenemistä. Harjoitusten pohjalta ta-
pahtunutta oppimista (oppimisiteraatioita) ei verkkokurssilla kuitenkaan ole mahdol-
lista analysoida, koska tietoa kotitehtävien kehittämisestä (harjoitusten kautta tapah-
tuneesta oppimisesta) ei mallissa edellytetä eikä tallenneta. Diana ym. käyttävät oh-
jelmointitehtävän kehittämisen palautteen antamiseksi koneoppimista käyttämällä
tehtävistä irrotettavia kooditiloja (2017, 2). Tehtävien kehittämisen arvioiminen opet-
tajan voimin on resurssikysymys, mutta antaisi henkilökohtaista palautetta oppimisen
etenemisestä.
3.11.3 Osaamis- ja oppimistasot
Verkkokurssi toteutuu kaikille opiskelijoille samanlaisena. Opiskelijakohtaisessa
tarkastelussa voitaisiin ottaa huomioon tietoa opiskelijan taustasta, esimerkiksi aihee-
seen liittyvästä aikaisemmasta osaamisesta. Aihetta aikaisemmin opiskelleet, harras-
taneet tai sen parissa työskennelleet suoriutuvat intuition perusteella kurssista erita-
voin kuin vasta alaan tutustuvat opiskelijat. Tällaisen tiedon mukaan tuominen mah-
dollistaisi opiskelijoiden luokittelun ja oppimistulosten tarkastelun erityyppisistä
lähtökohdista, joka tehostaisi kurssin läpäisyä myös ajallisesti ja motivoisi eritasoisia
opiskelijoita.
108
Osaamista on mahdollista tunnistaa teettämällä opiskelijoilla tasotehtäviä, joita ana-
lysoimalla opiskelijat voidaan jakaa automaattista luokittelua apuna käyttäen esimer-
kiksi heikosti, keskitasoisesti ja hyvin suoriutuvien ryhmiin (Diana ym. 2017, 7).
Nopeasti tehtävistä suoriutuville opiskelijoille voidaan tarjota haastavampia tehtäviä,
jolloin myös heidän oppimisensa kehittyy. Opiskelija-analytiikan mahdollistama
opiskelijan oppimistulosten huomioiminen auttaa aina oppimista (Fernandez-Medina
ym. 2010, 1).
3.11.4 Moodlen oppimistavoitteet
Moodlessa aktiviteetit voidaan kytkeä oppimistavoitteisiin. Oppimistavoite määritte-
lee opiskelijan tiedollisia ja taidollisia vaatimuksia kurssin suorittamiseksi. Yhteen
oppimistavoitteeseen voi kuulua yksi tai useampi aktiviteetti.
”Johdatus tietojenkäsittelyyn”-kurssilla oppimistavoitteet on määritelty opintoviik-
kokohtaisesti. Aktiviteettien kautta tarkasteltuna Moodle-kurssin opintoviikon tavoit-
teisiin kuuluu tentti ja kaksi tehtävää. Tentti on automaattisesti arvioitava monivalin-
ta. Tehtävät-aktiviteetin kautta palautetaan kotitehtävien vastaukset ja osallistutaan
kotitehtävät käsittelevään ja ohjaukselliseen harjoitukseen. Opettaja arvioi kotitehtä-
vien palautuksen laadullisella asteikolla 1-8 pistettä ja harjoitukseen osallistumisen
määrällisellä asteikolla 1-0 (läsnä/ei läsnä).
Kytkemällä jo määritellyt verkkokurssin tavoitteet Moodlen oppimistavoitteiksi op-
pimistuloksia voitaisiin tarkastella yksittäisiä aktiviteetteja suurempina kokonaisuuk-
sina. Sama asia on mahdollista tehdä analysoimalla tietoa esimerkiksi Power BI:n
avulla opiskeluviikkokohtaisesti.
3.11.5 Opiskelijan tehtävistä saama palaute
Opiskelija-analytiikassa ymmärrettävyys ja läpinäkyvyys korostuvat. Menetelmässä
tarkastellaan oppimisprosessia ja annetaan palautetta ja ohjeita miten tavoitteeksi
määriteltyyn tulokseen voidaan tehokkaammin päästä. Kerätyn datan määrä ja laatu
ovat analytiikan onnistumisen ja toiminnan kannalta ensiarvoisen tärkeitä tekijöitä.
Tämän johdosta opiskelija-analytiikka voi olla vain niin hyvää kuin sen keräämä
109
tieto. Opiskelija-analytiikka on kuitenkin vain opiskelun ja opettamisen apuväline.
Opettajan antama palaute ja ohjaus ovat keskiössä.
Moodle-kurssilla opiskelijoiden saaman palautteen merkitys korostuu. Oppiminen
edellyttää ymmärrettävää palautetta. Opiskelija-analytiikassa kerätään numeraalista
tietoa, mutta opiskelijan tulee nähdä arvosanan taakse minkälaisten asioiden kehittä-
miseen on kiinnitettävä huomiota ja mitkä asiat jo osataan. Palautteen muodon mer-
kitys näkyy esimerkiksi aliluvussa 2.7.11 esitellystä Merlin-know -työkalusta saa-
dussa opiskelijapalautteessa, jossa oppiminen tehostuu opiskelijoiden ymmärrettävän
ja miellyttäväksi kokeman palautteenantomuodon seurauksena (Hijon-Neiran ym.
2014, 7).
Moodlen tehtävät voidaan arvioida arvosanana ja palautteena. Haluttaessa kehittää
palautteen ymmärrettävyyttä (laatua), opettajan työn määrää ja vakioida tehtävien
arviointi opiskelija-analytiikan vertailtavuuden näkökulmasta, voidaan ottaa käyttöön
tehtävän arviointimatriisi62. Arviointimatriisi löytyy Moodlen versioista 3.0 alkaen.
Arviointimatriisi on tehtävän arviointitaulukko, johon on kerätty oppimistavoitteiden
pohjalta luodut tehtävän arviointikriteerit. Tehtävän arviointimatriisi on esitetty ku-
vassa 70.
Kuva 70. Moodlen tehtävän arviointimatriisi. Kuvassa ensimmäisessä sarakkeessa ovat oppimis-
tavoitteiden pohjalta luodut arviointikriteerit. Osaamistasot on kuvattu sanallisesti ja pisteytet-
ty 0-3 pisteen arvoiseksi. Lähde: Moodlen dokumentaatio63.
62 https://docs.moodle.org/3x/fi/Arviointimatriisi (viitattu 23.5.2018) 63 https://docs.moodle.org/3x/fi/Arviointimatriisi (viitattu 23.5.2018)
110
Kuvasta 70 nähdään arviointikriteerejä arvioitavan arviointimatriisissa pisteytettyjen
osaamistasojen mukaan. Moodle laskee tehtävän arvosanan automaattisesti osaamis-
tasojen pisteiden keskiarvona. Opiskelija näkee arviointimatriisin tehtävänannon
mukana ja ymmärtää arvioitavat kriteerit jo suoritusta tehdessään. Tällöin kriteereitä
verrataan sekä opiskelijan että opettajan toimesta ja opiskelijalle jää parempi käsitys
osaamisestaan ja sen mahdollisista puutteista.
3.11.6 Tentit ja Markovin piilomalli
Tenttien käyttöä laajentamalla olisi mahdollista päästä kohti Markovin piilomallin-
kaltaista oppimisen etenemisen tietopuolista seurantaa. Tehtävät painottavat ongel-
manratkaisua ja käytännön ratkaisuja, jolloin tentit täydentävät kokonaisuudessa
opiskelijoiden teorian soveltamista.
Markovin piilomallissa oppimistuloksia tarkastellaan vertaamalla tehtyjä osaratkaisu-
ja tunnettuun lopputulokseen (Blikstein ym. 2014, 581-586). Hyvänä esimerkkinä
Markovin piilomallin käytöstä on Moodlen Merlin-know -lisäosa, joka kehittää hy-
vällä menestyksellä arvioinnin ohella myös verkkokurssilta opiskelijoille annettavaa
palautetta (Hijon-Neiran ym. 2014, 7). Tenteissä on jo Merlin-know -työkalussa käy-
tetynkaltaista sisältöä, jota olisi helppo kehittää laajemmaksi arvioinniksi.
3.11.7 Power BI Desktop opiskelija-analytiikan työvälineenä
Microsoft Power BI Desktop osoittautui työtä tehdessä erinomaiseksi opettajan ja
tutkijan apuvälineeksi Moodle-datan tarkastelemiseksi. Työkalun Desktop-versiolla
tiedon käsittely tapahtuu omalla koneella, samoin kuin Excelillä käsiteltäessä, jolloin
tietoa ei missään vaiheessa ole tarvetta tallentaa esimerkiksi pilvipalveluihin.
Työssä on käytetty Moodlesta CSV-muotoon viedyn datan käsittelyä. Excelissä on
Power BI:tä kehittyneemmät datan muokkausominaisuudet, kun taas Power BI on
erinomainen taulukoiden yhdistelyssä ja datan analysoimisessa visualisointien kautta.
Työssä on käytetty vain valittua osaa Power BI:n mahdollistamista tiedon analysoin-
timenetelmistä. Tulevaisuudessa voisi olla hyödyllistä tutkia mitä kaikkea muuta
Power BI mahdollistaisi opiskelija-analytiikan kehittämiseksi. Aliluvussa 3.6 laskettu
111
korrelaatio on toteutettu käyttämällä Power BI Desktopissa R-kielen Correlation
Plot64 -pakettia. Myös muita R-kielen paketteja olisi mahdollista hyödyntää.
Kerran rakennettua Power BI -mallia on mahdollista soveltaa saman kurssin eri to-
teutusten analysoinnissa. Hyväksi havaitun mallin siirrettävyys myös kurssien välillä
saattaa olla mahdollista. Tällaista työtä helpottaa, jos kurssien suunnittelussa nouda-
tetaan samoja datan keräykseen vaikuttavia periaatteita, jolloin mallin muokkaami-
nen rajoittuu käytettyjen muuttujien nimien (Moodle-kurssin aktiviteettien nimet) ja
osakokonaisuuksien laskemisten tarkasteluun.
Power BI mahdollistaa visualisointien jakamisen oman pilvipalvelunsa kautta. Pilvi-
palvelun kautta voisi olla mahdollista luoda opiskelijoille ja opettajalle opiskelija-
analytiikan kojelaudan elementtejä Moodlessa tarkasteltavaksi. Microsoft on Power
BI:n pilvipalvelun osalta sitoutunut65 25.5.2018 voimaan astuneeseen Euroopan tie-
tosuojauudistukseen (General Data Protection Regulation, GDPR).
Tulevaisuudessa olisi mielenkiintoista tutkia onnistuisiko Power BI:llä datan lukemi-
nen suoraan Moodlen API:n kautta, jolloin aktiviteettilokin ja arviointitiedoston väli-
tallennusvaiheet jäisivät kokonaan pois ja opiskelija-analytiikka olisi koko ajan ajan-
tasaista. Microsoft kehittää ohjelmistoa käyttäjien toiveita kuunnellen, jolloin
Moodlen API:n natiivi tukeminen ohjelmistossa voisi olla mahdollista. Power BI:tä
koskevia toiveita ja ajatuksia voi esittää Microsoftin ohjelmiston ideafoorumilla66.
Ohjelmasta on tullut erikoistyön kirjoituksen aikana keväällä 2018 uusi versio uusine
ja korjattuine ominaisuuksineen lähes kuukausittain. Lisäksi olisi hyvä tutkia häly-
tysrajojen määrittelyä ja esittämistä ymmärrettävässä muodossa opiskelijanhallinta-
järjestelmän osana. Hälytykset kiinnittävät säännöllisesti opettajan ja tarvittaessa
myös opiskelijan huomion opiskelun suuntaamisessa.
64 https://community.powerbi.com/t5/R-Script-Showcase/Correlation-Plot/td-p/58462 (viitattu
5.4.2018) 65 https://powerbi.microsoft.com/en-us/blog/power-bi-gdpr-whitepaper-is-now-available/ (viitattu
22.5.2018) 66 https://ideas.powerbi.com/forums/265200-power-bi-ideas (viitattu 22.5.2018)
112
3.11.8 Määrällisen ja laadullisen arvioinnin yhdistäminen
Osaamistavoitteeseen pääsyä tai kokonaista oppimisprosessia saattaisi olla mahdol-
lista analysoida Trætteberg ym. ohjelmointiharjoituksen analysointimenetelmällä
(2016). Trætteberg ym. tarkastelevat opiskelijan ohjelmointiharjoituksista laadullisia
ja määrällisiä muuttujia pyrkiessään analysoimaan ja visualisoimaan tehtävän suori-
tusta (2016, 667). Opiskelijan ohjelmointiharjoituksen historianäkymä, joka visuali-
soi ohjelmointitehtävän etenemistä, on esitetty kuvassa 71.
Kuva 71. Näkymä opiskelijan harjoituksen etenemiseen. Ohjelmointitehtävän eri osiin tehtyjen
muutosten määrä kuvattuna viivakaavioina. Punainen viiva kuvaa StringGridImpi-luokan läh-
dekoodin määrän kasvua. Vihreä viiva kuvaa StringGrid-rajapinnan lähdekoodin määrän kas-
vua (Trætteberg ym. 2016, 667)
Kuvan 71 viivakaavioiden esittämässä kokonaisuudessa kiinnitetään huomiota oh-
jelmointitehtävän eri osien toteuttamiseen, joiden perusteella analysoidaan ohjel-
mointikielen erilaisten piirteiden osaamista. Yhdistämällä aliluvussa 3.2. esitetty
määrällinen ja laadullinen oppimisprosessista kerätty tieto on mahdollista saavuttaa
yksinkertainen, mutta tehokas visualisointi oppimisen etenemisestä myös käytettäes-
sä oppimisen hallintajärjestelmää.
3.11.9 Arviointitiedosto ja redundanssi
Erikoistyössä käytetty opiskelijoiden arviointitiedosto sisältää runsaasti Excel-
kaavoja arvosanan laskemiseksi. Nämä kaavat olisi mahdollista siirtää Power BI:ssä
laskettaviksi, mikäli Moodlen ulkopuolella suoritettavien tenttien arvioinnit olisi
mahdollista lukea järjestelmästä, johon ne on syötetty. Tenttiarvosanojen lukeminen
järjestelmästä estäisi tiedon redundanssia, johon törmättiin erikoistyössä aktiviteetti-
ja arviointikyselyiden yhdistämisen yhteydessä.
113
Redundanssin välttämiseksi opiskelijoiden arviointiin liittyvää tietoa tulisi syöttää ja
käyttää Moodlessa tai tenttiarvosanan tallentavassa tietojärjestelmässä, jolloin järjes-
telmässä oleva tiedontallennusmalli pitäisi huolta virheettömästä tiedon tallentami-
sesta. Tiedon tallennus- ja käsittelytavat ovat tärkeitä opiskelija-analytiikan toimin-
nan kannalta myös haluttaessa vertailla kurssien toteutuksista eri vuosina löytyviä
piirteitä. Excel-tiedostoihin tallennettua tietoa on pitkäjänteisesti hankala hyödyntää
analytiikassa.
3.11.10 Opiskelija-analytiikan mittaristo
Opetussuunnitelman osana voidaan määritellä opiskelija-analytiikan tiedonkeräyk-
sen, analysoinnin ja visualisoinnin toimintaperiaatteet. Määrittelyssä käytetään apuna
Yassine ym. kehystä (2016, 264-265). Tuloksena saatavaa mittaristoa on tarkoitus
voida käyttää opintojen etenemisen ja suunnan tietopohjaisena avustajana. Tehtävänä
on ennustaa kurssin lopputulos ja tunnistaa oppimisen taso, joka voi alittaa, täyttää
tai ylittää kurssille asetetut vaatimukset. Tähän päästään määrittelemällä tuloksen
mittaamiseen liittyvät opiskelija-analytiikan toiminnot, suunnittelemalla kurssikartta,
analysoimalla opiskelijan aktiviteetit ja mittaamalla oppimistulokset sekä visualisoi-
malla analysoitu tieto.
Lähtökohtina ovat Johdatus tietojenkäsittelyyn -verkkokurssilla julkaistu opintosuo-
ritusten ja tentin pisteytys, joissa molemmista voi saada 0-70 pistettä sekä taulukko,
jolla saavutetut pisteet muunnetaan arvosanaksi. Ehdotuksessa halutaan noudattaa
verkkokurssin pisteytyksen osalta samaa pisterajaa, jolloin ehdotus on samansuurui-
nen jo kurssilla käytössä olevan mallin kanssa. Erikoistyön loppuarvosanan korrelaa-
tiotarkastelussa havaitaan mahdollisuus painottaa kurssilla tehtyjä aktiviteetteja käy-
tössä olevaa mallia monipuolisemmin, jolloin painopiste siirtyy aikaisemmin saavu-
tettujen oppimistulosten kannalta merkittävämpiin tehtäviin. Opiskelun rinnalla
verkkokurssilla kulkee opintojen etenemisen seurantaprosessi, jossa pyritään mah-
dollisimman aikaisessa vaiheessa tunnistamaan opinnot keskeyttäneet tai niissä verk-
kokurssille tallentuneen tiedon perusteella heikosti etenevät opiskelijat.
114
Tuloksen mittaamiseen liittyvät opiskelija-analytiikan toiminnot
Johdatus tietojenkäsittelyyn -kurssilta voidaan käyttää Moodlen automaattisesti opis-
kelusta tallentamaa ja opettajan järjestelmään lisäämää tietoa. Opiskelija-analytiikan
käytettävissä olevaa tietoa ja sen lähteitä on esitetty taulukossa 11.
Taulukko 11. Johdatus tietojenkäsittelyyn -kurssin opiskelija-analytiikan tiedon lähteet. Mu-
kaillen Yassine ym. opiskelija-analytiikassa käytettävä tieto (2016, 264).
Automaattisesti lisättävä tieto
(Moodle)
Manuaalisesti Moodleen lisättävä tieto
(opettaja)
Kurssi:
1. Kirjautumisten lukumäärä
2. Kirjautumisten päivämäärä ja
kellonaika
• (Istunnon pituus)
Tehtävät:
1. Läsnäolo harjoituksissa
2. Arviointi
3. Loppuarvosanat
• (Läsnäolo oppitunneilla)
• (Aktiivisuus/vuorovaikutus opetustilan-
teessa)
• (Asenne oppimiseen/ammattitaidon ke-
hittämiseen)
• (Kotitehtävistä oppiminen harjoitustilai-
suuksissa tai niiden jälkeen)
Tentit, tehtävät ja keskustelualueet
3. Palautus tehty
• (Käytön ajankohta)
• (Käytön pituus)
Tentit:
4. Arviointi
Puuttuvat suoritukset:
• Kirjautumisten lukumäärä
• Tenttien palautus ja arvosana
• Tehtävien palautus ja arvosana
Taulukkoon 11 on kerätty opiskelija-analytiikassa käytettävissä olevaa tietoa ja sen
lähteet Johdatus tietojenkäsittelyyn -kurssilla. Kurssilta kerättyyn tietoon voidaan
soveltaa aliluvussa 2.6 esitettyjä tilastollisia ja tiedonlouhinnan menetelmiä sekä tun-
nistaa oppimista Markovin piilomallin perusteella ja vuorovaikutusta sosiaalisen op-
pimisen analyysillä. Sulut tiedon ympärillä merkitsevät mahdollisuutta lisätiedon
keräämiseen. Suluissa olevien kohteiden merkittävyyttä suhteutettuna kurssin loppu-
arvosanaan tulisi kuitenkin tutkia ennen kuin niille voidaan perustellusti määritellä
painoarvot.
Verkkokurssin vanha pisteytys
Johdatus tietojenkäsittelyyn -kurssilla on voinut saada 0-70 pistettä kurssin aktivi-
teettien käyttämisestä. Kurssilla käytetty pisteytys ja pisteytyksestä johdettu painoar-
vo on kerätty taulukkoon 12.
115
Taulukko 12. Johdatus tietojenkäsittelyyn -kurssilla käytetty pisteytys.
Mittari Aktiviteetti Pisteet Painoarvo
Kotitehtävien palauttaminen ja
harjoituksiin osallistuminen
Tehtävät
Tehtävät
0-56
-14-0
80%
Uuden viestin kirjoitus keskustelu-
alueelle
Keskustelut 0-14 20%
Yhteensä 0-70 100%
Taulukosta 12 nähdään kurssin pisteytyksen painottavan opettajan tekemää kotiteh-
tävien arviointia. Yhteensä 70 verkkokurssilta saatavasta pisteestä kotitehtävien sisäl-
löllisestä arvioinnista on voinut saada 56 pistettä (80%). Loput pisteet saadaan kes-
kustelualueille kirjoitettujen uusien viestien perusteella. Harjoitustilaisuuksiin osal-
listumisesta ei ole palkittu lisäpisteillä vaan harjoitustilaisuuksiin osallistumattomuus
on huomioitu pistevähennyksin.
Aktiviteettien korrelaatiotarkastelu
Aliluvussa 3.6 esiteltyjen muuttujien ja loppuarvosanan välisiä korrelaatiokertoimia
hyödynnetään määriteltäessä aliluvussa 2.5.4 esitellyssä Yassine ym. kurssikartassa
(2016, 264) tarvittavia oppimistavoitteen toimintojen painoarvoja. Taulukkoon 13 on
kerätty muuttujien ja loppuarvosanan väliset korrelaatiokertoimet, jotka on ryhmitel-
ty painoarvon mukaiseen suuruusjärjestykseen.
Taulukko 13. Ryhmitelty tarkasteltujen muuttujien ja kurssin loppuarvosanan korrelaatio.
Muuttuja Korrelaatiokerroin
Arvosanan keskiarvo
• Kotitehtävät
• Tentit
0,6
Palautusten lukumäärä
• Kotitehtävät
• Tentit
Harjoituksiin osallistumisen lukumäärä
(keskiarvo ryhmistä R1, R2 ja RS)
0,5
• Keskustelualueet: Uusien viestien lukumäärä
• Kurssille kirjautumisten lukumäärä
0,4
Taulukkoon 13 kerätyn korrelaatiotarkastelun perusteella kotitehtävien ja tenttien
arvosanan ja palautusten lukumäärän painoarvo sekä kotitehtäviä käsitteleviin harjoi-
tustilaisuuksiin osallistuminen korreloivat eniten loppuarvosanan kanssa. Hieman
vähemmän merkittäviä ovat keskustelualueiden uusien viestien kirjoittaminen ja
116
kurssille kirjautumisten lukumäärä, mutta myös näillä on tarkastelun perusteella ollut
merkitystä suhteessa loppuarvosanaan.
Ehdotus uusiksi opiskelija-analytiikan seurantakohteiksi
Korrelaatiotarkastelun perusteella ryhmitellyt kohteet määritellään opiskelija-
analytiikassa seurattaviksi kohteiksi. Yassine ym. esittämässä kurssikartassa eri opis-
keluviikoilla on erilaisia ja eripituisia seurattavia kohteita (2016, 264), mutta Johda-
tus tietojenkäsittelyyn -kurssilla opiskeluviikkojen aktiviteetit toistavat samaa raken-
netta. Taulukossa 14 on esitetty korrelaatiotarkastelussa mukana olevat kohteet ja
niiden seuranta eri opiskeluviikkoina.
Taulukko 14. Kurssilla opiskelija-analytiikassa seurattavat kohteet.
Oppimistulos 1
Seurantakohde opiskelija-
analytiikassa
V1 V2 V3 V4 V5 V6 V7
Arvosanan keskiarvo
• Kotitehtävät
• Tentit
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Palautusten lukumäärä
• Kotitehtävät
• Tentit
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Harjoituksiin osallistumisen luku-
määrä
X X X X X X X
• Keskustelualueet: Uusien vies-
tien lukumäärä
X X X X X X X
• Kurssille kirjautumisten luku-
määrä
X X X X X X X
Oppimistulos 2
Seurantakohde opiskelija-analytiikassa
Lopputentin arvosana
Taulukon 14 ensimmäiseen sarakkeeseen on nimetty opiskelija-analytiikassa seurat-
tava kohde. Tätä seuraavissa sarakkeissa opiskeluviikko on lyhennetty V-kirjaimella
ensimmäisen oppimistuloksen kohdalla. X merkitsee opiskelija-analytiikassa seurat-
tavaa kohdetta. Taulukosta nähdään ensimmäisen oppimistuloksen kohdalta jokaisen
opiskeluviikon muodostuvan seurattavista kohteista, joiden jälkeen tehdään opiskeli-
jalle ja opettajalle omat visualisoidut yhteenvedot opiskelun etenemisestä. Toinen
oppimistulos on lopputentin arvosana, josta voidaan saada tieto ennen tai jälkeen
opiskeluviikkoja. Toiseen oppimistulokseen liittyy aliluvussa 3.11.3 esitetty mahdol-
117
lisuus luokitella opiskelijat asiat jo osaaviin, jolloin he voivat suorittaa lopputentin
osallistumatta verkkokurssin opiskeluviikoille ja saavuttaa arvosanan lyhentämällä
opiskeluun käytettävää aikaa. Verkkokurssilla opiskelleet voivat parantaa verkko-
kurssin pisteitä lopputentillä saavuttamallaan tuloksella kurssin pistetaulukon perus-
teella.
Ehdotus uudeksi opiskelija-analytiikan pisteytykseksi
Uuden pisteytyksen lähtökohdaksi otetaan aikaisemmin kurssilla käytetty 70 pistettä.
Aikaisemmin kurssilla on käytetty pistemenetyksiä tilanteessa, jossa opiskelija ei ole
osallistunut harjoituksiin. Negatiivisten pisteiden käyttämisestä opiskelijoiden oh-
jaamisen ja motivoinnin välineenä ei ole tarkempaa tutkittua tietoa, mutta omakoh-
tainen intuitio on, että asiaan kannattaa kiinnittää huomiota. Uudessa pisteytyksessä
jokaisesta kurssilla tehdystä opintosuorituksesta saa lisäpisteitä. Pisteidenlisäysmene-
telmä on tuttu peleistä, joissa pisteitä ei yleensä vähennetä. Tämä saattaa olla opiske-
lijoille motivoivempi lähestymistapa kuin pistemenetykset. Taulukossa 15 on esitys
verkkokurssin uudeksi pisteytykseksi käyttämällä korrelaatiokerrointen luokittelutie-
toa pisteiden painoarvojen määrittelyssä.
Taulukko 15. Ehdotus verkkokurssin uudeksi pisteytykseksi.
Opiskelija-analytiikassa
seurattava tieto
Viikko n
(n=1-7)
Pisteet
yhteensä
Tiedon
lähde
Paino-
arvo
Arvosana:
• Kotitehtävät
Arvosana
(0-8) / 2 p.
0-28 p.
Opettaja
40%
• Tentit Arvosana
(0-1) * 2 p.
0-14 p. Järjestelmä 20%
Palautusten lukumäärä
• Kotitehtävät
Seuranta
Järjestelmä
• Tentit Seuranta Järjestelmä
Harjoituksiin osallistuminen 3 p./kerta 0-21 p. Opettaja 30%
Keskustelualueet: Uusien vies-
tien lukumäärä
1 p./viesti 0-7 p. Järjestelmä 10%
Kurssille kirjautumisten luku-
määrä
Seuranta Järjestelmä
Yhteensä 0-70 p. 100%
Taulukossa 15 ehdotetussa uudessa Johdatus tietojenkäsittelyyn -kurssin pisteytyk-
sessä painotetaan aktiviteetteja, jotka korreloivat loppuarvosanan kanssa eniten.
Tenttien ja harjoituksiin osallistumisen suhteellista osuutta on nostettu verrattuna
118
aikaisempaan painotukseen. Pisteytyksen lähtökohtana on saada positiivisia pisteitä
kaikista opiskeluun liittyvistä tehtävistä. Verkkokurssilta saatavat kokonaispisteet on
haluttu pitää samoina (70 p.) kuin alkuperäisessä kurssin pisteytyksessä. Muuttujia
seurataan opintoviikoittain (Moodlen jaksoittain). Kotitehtävien, tenttien ja kurssille
kirjautumisten seuranta helpottaa opettajaa hahmottamaan opintojen etenemistä.
Näiden tietojen perusteella opiskelija-analytiikkaan voidaan asettaa hälytysrajoja
varoittamaan liian matalista arvoista. Laadullisia hälytysrajoja voidaan asettaa tent-
tien ja tehtävien arviointipisteiden perusteella.
Seurattava tulos on sidoksissa kurssin suorituksen historiatietoon pohjautuvaan aikai-
sempaan opintomenestykseen. Historiatietoa voidaan laajentaa käyttämällä tiedon-
louhinnan ennustamista. Opiskeluviikoittain voidaan kerätä mallidata, jonka pohjalta
opiskelijan suorituksia voidaan verrata aikaisempiin lopputuloksiin. Ennusteessa
käytettävää mallia voidaan täydentää jokaisella kerralla, kun kurssi toistuu saman
rakenteen mukaisesti. Tulos voidaan visualisoida esimerkiksi liikennevaloista tutuilla
värikoodeilla: Vihreä – tulos on vähintään hyvää tasoa, keltainen – tulos jää hyvän ja
tyydyttävän tason väliin ja punainen – tulos johtaa hylättyyn suoritukseen. Ennusta-
mista käytettäessä on hyvä tuoda esiin näkökulma, jonka mukaan historiatieto ei ta-
kaa lopputulosta, vaan kertoo ainoastaan aikaisempaan tietoon perustuvaa oppimisen
suuntaa.
Opiskelija-analytiikan käyttö esitellään kurssin tavoitteiden ja arviointiperusteiden
rinnalla myös opiskelijoille, jotta kaikki osapuolet ymmärtävät mitä tietoa seurataan,
miten sitä analysoidaan ja kuinka saatua tietämystä hyödynnetään opiskelun ohjauk-
sen välineenä. Avoimuus luo luottamusta opiskelija-analytiikkaa kohtaan sekä opis-
kelijoille että opettajille. Analytiikkaa käyttäen on mahdollista seurata suuren opiske-
lijamäärän opintojen etenemistä siirtämällä rutiininomainen seuranta tietojärjestel-
mälle ja näin helpottaen opettajan työtä. Opiskelijan oppimiskokemus voi parantua,
jos analytiikkaan kytketään opintoja oikeaan suuntaan ohjaavia ja palautetta antavia
toimintoja (Hijon-Neiran ym. 2014, 7).
Riskiryhmässä olevien opiskelijoiden tunnistaminen mahdollisimman aikaisessa vai-
heessa antaa opettajalle ajallisesti mahdollisuuden suunnata oppimista uudelleen tai
lisätä voimavaroja auttamaan etenemistä kohti opiskelun tavoitteita (Dawson ym.
119
2008, 221). Analytiikka voidaan säätää ilmoittamaan poikkeamista, jolloin korjaavia
toimenpiteitä on mahdollista käynnistää nopealla aikataululla. Poikkeaman suunta ja
voimakkuus voivat vaihdella, esimerkiksi oppimistulosten puuttuminen tai erityisen
nopea oppiminen.
120
4 YHTEENVETO
Nuoremmille ikäluokille tietokoneiden käyttäminen on luontevaa. Suoritusten pis-
teyttäminen ja välitavoitteiden täyttäminen on monille tuttua tietokonepeleistä, joissa
visualisoituja saavutuksia vertaillaan jopa maailmanlaajuisesti ja parhaimmillaan
kehitytään entistä paremmaksi oman ryhmän strategiatyön kautta. Tällainen pelimaa-
ilmasta tuttu edistymisen seuranta mahdollistaa ymmärtämään myös opinnoissa ete-
nemistä ja saavutettuja tuloksia – intuition perusteella myös oppimismotivaatiota
kehittäen, mikäli pelien koukuttavuuden ja kehittävyyden elementtejä onnistutaan
rakentamaan myös oppimiseen.
Luvussa tiivistetään aikaisemmin esitetyn perusteella vastaukset tutkimuskysymyk-
siin mitä on opiskelija-analytiikka ja miten se toimii, miten oppimisesta kerättyä tie-
toa voidaan hyödyntää opiskelijan, opettajan ja oppilaitoksen näkökulmista ja miten
oppimisen hallintajärjestelmää voidaan soveltaa tiedon keräämiseen. Tutkimuskysy-
myksiin voidaan vastata myös aliluvussa 2.5.5 esitetyin opiskelija-analytiikan viite-
kehyksen kysymyksin: Mitä, miksi, kuinka ja kenelle (Chatti ym. 2012, 7). Mitä vas-
taa kysymyksiin kerättävästä datasta, analyysistä ja sen käytöstä. Miksi määrittelee
tavoitteen kerätyn datan analysointiin ja kenelle sidosryhmän ja analysoinnissa käy-
tettävän menetelmän. Seuraavassa näihin kysymyksiin haetaan syvällisempiä näkö-
kulmia arvioiden lisäksi havaittuja opiskelija-analytiikkaan liittyviä piirteitä.
4.1 Mitä on opiskelija-analytiikka ja miten se toimii?
Aliluvussa vastataan samalla opiskelija-analytiikan viitekehyksen kysymykseen mitä
ja kuinka (Chatti ym. 2012, 7).
Vastaukset kysymyksiin mitä tietoa kerätään ja kuinka keräys järjestetään ovat riip-
puvaisia opetuksessa käytetyistä ohjelmistoista ja näkemyksestä sen käytöstä. Opis-
kelija-analytiikka on alisteinen järjestelmistä saatavan tiedon keräysmahdollisuuksil-
le. Eri järjestelmät tallentavat erilaista tietoa erilaisissa muodoissa. Opiskelija-
analytiikassa tätä tietoa tulisi pystyä analysoimaan hallitusti ja luotettavasti. Mitä
enemmän oppiminen pirstaloituu eri järjestelmiin, sitä haastavammaksi opiskelija-
analytiikan määrittely muuttuu. Ohjelmistojen suunnittelijoiden ja pedagogien näke-
121
mysten oppimisen analysoinnin kannalta kerättävästä tiedosta ja tiedon käsittelyme-
netelmistä tulisi kohdata paremmin. Oppimisen hallintajärjestelmien siirtyessä kiih-
tyvään tahtiin pilvipalveluiksi nousee haasteeksi järjestelmän tallentaman tiedon saa-
vutettavuus. Ratkaisun tilanteeseen tuovat ohjelmistojen avoimet rajapinnat, mutta
erilliset järjestelmät tuovat mukanaan integrointityötä. Seuraavaksi tarkastellaan tut-
kielmassa tehtyjä tiedon tallentamiseen, keräämiseen ja analysointiin liittyviä havain-
toja.
Opiskelija-analytiikan tuottaman tiedon hyödynnettävyys riippuu siinä käsiteltävän
tiedon laadusta ja määrästä. Analytiikassa voidaan käyttää tiedon lähteinä ohjelmis-
tojen lokitiedostoja (Blikstein ym. 2011; Carter ym. 2017; Diana ym. 2017; Fernan-
dez-Medina ym. 2010; Fu ym. 2017; Grover ym. 2016; Lu ym. 2017) ja erikseen
asennettavia tiedonkeräyksen lisäosia (Trætteberg ym. 2016). Lisäksi opettajalla on
mahdollisuus lisätä järjestelmään tietoa. Luvussa 3 käytetyt menetelmät pyrkivät
visualisoimaan opettajan opiskelijoiden seuranta- ja arviointityössä käyttämiä mene-
telmiä hyödyntämällä Moodlesta saatavaa tietoa. Valituissa seurantakohteissa on
käytetty oman 15-vuotisen opettajantyöni aikana syntynyttä intuitiota ja Moodlesta
tekemiäni havaintoja luvussa 2 esitetyn tutkimuksen rinnalla.
Järjestelmien lokitiedot on alun perin tarkoitettu järjestelmän virheentunnistuksen ja
seurannan kannalta merkittävien tietojen tallentamiseen. Tällaista tietoa voidaan al-
kuperäisen käyttötarkoituksen lisäksi hyödyntää myös opiskelija-analytiikassa, mutta
parempaan lopputulokseen päästäisiin suunnittelemalla tiedontallennus oppimispro-
sessista lähteväksi. Luvussa 2 esitellyssä tutkimuksessa ja luvun 3 erikoistyön tulok-
sissa havaitaan, että oppimisen hallintajärjestelmäksi suunniteltu Moodle tallentaa
aktiviteetti- ja arviointilokeihin paljon opiskelun etenemisen ja arvioinnin kannalta
käyttökelpoista tietoa, kunhan järjestelmää käytetään määrittelemällä tähän tarkoi-
tukseen sopivat aktiviteetit ja järjestetään tiedon keräys ja analysointi.
Oppimisen hallintajärjestelmän tiedontallennusmahdollisuuksia voidaan laajentaa
siihen lisättävien lisäosien avulla. Tällaisista työkaluista on kuitenkin vaikea löytää
kattavaa analyysityökalua kurssin oppimistulosten mittaamiseksi ja opiskelijan suori-
tuskyvyn ennakoimiseksi (Luna ym. 2016). Analytiikan kehittämisen näkökulmasta
lisäosat kuitenkin tarjoavat mahdollisuuden kokeilla menetelmien soveltamista op-
122
pimisen analysointiin. Hyväksi havaittavat käytännöt tulisi jatkossa siirtää oppimisen
hallintajärjestelmien vakiotyökaluiksi, jolloin niiden tietoja olisi mahdollista analy-
soida muiden tallennettujen aktiviteettien ja arviointien rinnalla.
Moodlessa tapahtuvaa arviointia on mahdollista tarkastella oppimisprosessinlaajui-
sesti käyttämällä järjestelmän oppimistavoitteita, jossa aktiviteetteja ryhmitellään
halutun lopputuloksen saavuttamiseksi. Oppimisesta tallennettua tietoa voidaan kerä-
tä analysoitavaksi myös Moodlen ulkopuolella, kuten luvun 3 Power BI Desktop -
analyysi osoittaa. Järjestelmän ulkopuolinen tiedon analysointi aiheuttaa kuitenkin
lisätyötä verrattuna sisäänrakennettuihin tiedon analysointityökaluihin. Kirjoitushet-
kellä opiskelija-analytiikasta kuitenkin saadaan enemmän käyttökelpoista tietoa käyt-
tämällä apuna Moodlen ulkopuolista analysointiohjelmistoa.
Opiskelija-analytiikassa käytetään tilastollisia ja tietämyksen löytämistä tavoittelevia
tiedonlouhinnan menetelmiä. Tiedonlouhinnan menetelmien avulla oppimistuloksia
voidaan luokitella (Adraoui ym. 2017, 5) ja ennustaa opintomenestystä (Galafassi
ym. 2017, Marques ym. 2017). Opintojen automaattinen ennustaminen ja ohjaus
Johdatus tietojenkäsittelyyn -kurssilla edellyttäisivät hyvän ja koetellun mallin raken-
tamista. Myös malliin tallennettavan tiedon lupa- ja tietoturva-asiat tulee huomioida,
jotta sitä voitaisiin hyödyntää myös tulevien kurssien opintomenestyksen analysoin-
nissa.
Kurssikartassa (Yassine ym. 2016) määritellyn tiedon keräämisen toteutukseen vai-
kuttavat käsiteltävän tiedon rakeisuus ja tiedon talteenoton taajuus (Ihantola ym.
2015, 48). Oppimisen hallintajärjestelmässä luontaisia tiedonkeräyksen taajuuteen
vaikuttavia tekijöitä ovat opiskelijoiden aktiviteetteihin kohdistamat toimenpiteet ja
kurssin osien suunnitellut kestot. Aktiviteetteihin kohdistuva toimenpide voi olla
esimerkiksi oppimistehtävän palautus, jonka seurauksena opiskelija-analytiikan halu-
taan päivittävän reaaliaikainen tieto tehtävänpalautuksista. Kurssin osan suorituksia
voidaan haluta tarkastella sen päättymisen jälkeen muodostettaessa kokonaiskuvaa
oppimisen tilanteesta.
123
4.2 Miksi opiskelijatietoa kerätään?
Aliluvussa vastataan samalla opiskelija-analytiikan viitekehyksen kysymykseen mik-
si (Chatti ym. 2012, 7).
Tietoa kerätään tutkimuksessa mm. osaamisen luokitteluun (Diana ym. 2017, 7; Fu
ym. 2017, 7), oppimisesta tehtävään palautteen antamiseen (Fernandez-Medina ym.
2010, 1; Trætteberg ym. 2016, 666; Diana ym. 2017, 4) ja opettamisen laadun kehit-
tämiseen (Trætteberg ym. 2016, 666-667). Kerättyä tietoa hyödyntäen oppimista
voidaan nopeammin ohjata oikeaan suuntaan ja havaita sellaisia oppimisen ongelma-
kohtia, joissa opettajan apua tarvitaan (Ihantola ym. 2015, 1). Kaikki opettajan ope-
tustyötä ja opiskelijan oppimista helpottavat ja tukevat analytiikan käyttökohteet ovat
hyödyllisiä opetuksen toimintaympäristössä, jossa opetustyön resursseja tarkastellaan
entistä kriittisemmin ja ne palvelevat myös tarvetta, jossa opiskelijoiden valmistumi-
sen tulisi tapahtua entistä nopeammin.
Luvussa 3 nähdään Moodlen aktiviteettilokin tarjoavan mahdollisuuden analysoida
opiskelijoiden oppimiskäyttäytymistä. Aktiviteettien käyttöä voidaan seurata kalente-
rin tai kellonajan (aliluku 3.7) lisäksi määrällisesti ja tehtävien, tenttien ja keskuste-
lualueiden osalta myös laadullisesti (aliluvut 3.8-3.10). Näin voidaan seurata opiske-
lijoiden kurssinkäyttöön liittyviä piirteitä ja tunnistaa aktiviteeteista oppimisen kan-
nalta merkityksellisimpiä verkkokurssin osia. Tietoa merkityksellisistä aktiviteeteista
voidaan arvioida kytkettynä oppimistavoitteeseen, joka näyttäytyy verkkokurssilla
aktiviteettien joukkona. Näin mahdollistuu tietopohjainen verkkokurssilla tapahtuva
oppimisen seuraaminen, arviointi ja kehittäminen. Verkkokurssilta kerätyn tiedon
rinnalla kannattaa käyttää myös muita tiedonkeräys- ja arviointimenetelmiä, sulautu-
vassa oppimisessa luokkaopetuksen aikana tehtäviä havaintoja ja verkkokurssin ke-
hittämisen osalta opiskelijoille tehtäviä kyselyitä.
4.3 Kenelle opiskelijatietoa kerätään?
Aliluvussa vastataan samalla opiskelija-analytiikan viitekehyksen kysymykseen ke-
nelle (Chatti ym. 2012, 7).
124
Vastaus kysymykseen kenelle on laaja. Opiskelija-analytiikkaa voidaan toteuttaa
koko organisaation, tiedekunnan/osaamisalan ja yksikön/opettajan tasoilla (Dawson
ym. 2008, 223). Opiskelija-analytiikan sidosryhmään kuuluvat oppilaitoksen opiske-
lijoiden, opettajien, ohjaajien, järjestelmien ylläpitäjien ja päätöksentekijöiden lisäksi
tutkijat ja järjestelmien kehittäjät. Jokaisella sidosryhmän jäsenellä on opiskelija-
analytiikkaan oma mielenkiinnon kohteensa. Opettajia voivat kiinnostaa esimerkiksi
analytiikan mahdollistama opetuskäytäntöjen tehostaminen, rutiininomaisen työn
siirtäminen tietojärjestelmän hoidettavaksi sekä opetuksen mukauttaminen erilaisille
oppijoille.
Opiskelija-analytiikan tuottamaa tietoa voidaan käyttää hyödyksi oppilaitoksen pää-
töksenteossa esimerkiksi opiskelijoiden rekrytointikäytäntöjen kehittämisessä, kurs-
sien suunnittelun mukauttamisessa ja palkkaustarpeiden määrittelyssä. Analytiikan
avulla on mahdollista tunnistaa putoamisvaarassa olevat opiskelijat ja parantaa opis-
kelijoiden oppimistuloksia. Näillä tekijöillä on merkitystä opintojen keskeyttämisen
vähentämisessä ja valmistumisasteessa.
4.4 Opiskelija-analytiikan hyödyntäminen
Aliluvussa vastataan tutkimuskysymykseen miten oppimisesta kerättyä tietoa voi-
daan hyödyntää opiskelijan, opettajan ja oppilaitoksen näkökulmista.
Tietojärjestelmään jo tallennetun tiedon ottaminen hyötykäyttöön voi merkitä ope-
tukselle samaa kuin mittaristoon perustuva, tavoitteellinen ja iteratiivinen laatutyö
yrityksen liiketoiminnalle. Suuri kysymys opiskelija-analytiikan hyödynnettävyyden
näkökulmasta on kuinka suurelta osin ja laadukkaasti oppiminen tallentuu - ja on
mahdollista tallentaa - tietojärjestelmään. Kysymys liittyy opiskelun ja tietokoneen
välisen käytön luonteeseen. Mitä enemmän ja tehokkaammin tietokoneita opitaan
hyödyntämään opiskelussa, sitä suuremmalta osin ja laadukkaampia opiskeluproses-
sissa syntyviä jälkiä tallentuu. Opiskelija-analytiikan rinnalla tulisikin tarkastella
tietokoneella sovellettavan oppimisen etuja ja hyötyjä, koska nämä kulkevat oppi-
misprosessista kerättävän tiedon rinnalla. Käytettäessä sulautuvan opettamisen mene-
telmää osa oppimisprosessista kuitenkin tapahtuu tietojärjestelmän ulkopuolella,
mutta järjestelmään on mahdollista lisätä tietoa myös tällaisen oppimisen osista.
125
Opiskelija-analytiikka voidaan suunnitella opetussuunnitelman osana opetuksen ta-
voitteiden ja arvioinnin rinnalla. Sen tulisi liittyä osaamistavoitteista johdettujen ar-
viointikriteerien mittaamiseen ja liittyä toimintoihin, jotka ovat opetuksen osatavoit-
teita - opiskeluviikkoja tai jaksoja. Kurssikarttamainen, useampaa toimintoa yhdessä
seuraava analytiikka laajentaa opintojen etenemisen seuraamisen laajemmiksi koko-
naisuuksiksi. Analytiikan tuottaman tiedon pohjalta voidaan asettaa hälytysrajoja,
jotka säännöllisesti kiinnittävät opettajan ja tarvittaessa myös opiskelijan huomion
opiskelun suuntaamisessa. Opiskelun etenemistä voidaan seurata kurssin, ryhmän ja
yksittäinen opiskelijan tasoilla. Tämä palvelee havaintoja, joiden mukaan säännölli-
nen tehtävien tekeminen ja opetukseen osallistuminen ennakoivat (ohjelmoin-
ti)kurssin arvosanaa (Carter ym. 2017, 10) ja jonka mukaan opettajan ja opiskelijan
on oppimisprosessin aikana tärkeää saada palautetta ja nähdä edistymisensä (Fernan-
dez-Medina ym. 2010, 1). Opiskelijan jatkuva ja säännöllinen palaute visualisoidaan
sekä opiskelijalle että opettajalle ja niiden perusteella voidaan päivittää opintojen
etenemissuunnitelmaa automaattisesti esimerkiksi aliluvussa 3.11.3 esitetyn, oppi-
mistasoja analysoivan mallin mukaisesti (Diana ym. 2017, 7) tai yhteistyössä opiske-
lijan ja opettajan kanssa.
Opiskelijan tulisi oppimistavoitteiden lisäksi ymmärtää opiskelija-analytiikassa seu-
rattavan tiedon luonne. Oppimisen hallintajärjestelmän keräämällä tiedolla voi olla
vaikutusta hänen arviointiinsa, jos tieto rinnastetaan arvioinnissa luokkaopetukseen
kuuluvaan aktiivisuuteen ja verkkokurssin suorituspisteiden keräämiseen. Luokka-
aktiivisuus on Suomen perusopetuksessa yksi arviointiin vaikuttava tekijä, jota on
mahdollista soveltaa myös toisen ja korkea-asteen opintojen arvioinnissa.
Seurattavien mittareiden määrittely ja käyttöönotto kehittävät verkossa tapahtuvan
oppimisen laatua toteuttamalla Fernandez-Medina ym. esittämän opiskelijan oppi-
mistulosten huomioimisen opintojen auttajana (2010, 1). Mittariston määrittely- ja
käyttöönottovaiheessa käytetty aika voi tuottaa verkkokurssin käytön aikana opetta-
jan ja opiskelijan työtä helpottavaa ja tehostavaa lisäarvoa. Opiskelija-analytiikka on
jo olemassa olevan tietojärjestelmän tehokkaampana hyödyntämistä, jonka rationaa-
lisempi käyttö tuo monistettavuuden ja skaalautuvuuden etuja opetustyön ulottuville.
126
Kynnys opiskelija-analytiikan käyttöönottoon pienenee merkittävästi käytettäessä
oppimisen hallintajärjestelmään sisäänrakennettua datankeräysjärjestelmää, Moodlen
tapauksessa aktiviteettilokia ja arviointeja. Aliluvussa 3.3 esitelty Microsoft Power
BI -työkalu mahdollistaa tiedon lukemisen eri lähteistä, sen analysoimisen ja visuali-
sointien tekemisen keskitetysti, mutta ohjelmiston integrointi Moodleen esimerkiksi
hälytysten ja opiskelijan automaattisen palautteenannon ja ohjauksen tuottamiseksi
vaatisi lisätutkimusta. Power BI Desktopissa analysoidut visualisoinnit voidaan ha-
luttaessa jakaa muille opettajille ja opiskelijoille työkalun pilvipalveluversion kautta.
Tehokkaimmillaan opiskelija-analytiikan työkalut toimivat opetuksessa käytetyn
järjestelmän osana toteuttaen kaikki analytiikan edellyttämät vaiheet: Tiedon kerää-
misen ja esikäsittelyn, analyysien tekemisen ja toimenpiteiden suorittamisen sekä
lopputuloksen visualisoinnin järjestelmän kojelaudan osaksi (Chatti ym. 2012, 6).
Aliluvussa 2.7 esitellyn kaltaiset, lisäosina asennettavat opiskelija-analytiikan työka-
lut ovat Moodlen kaltaisen oppimisen hallintajärjestelmän kehityksen ja tuen ulko-
puolella. Ulkoisten opiskelija-analytiikan työkalujen integroiminen Moodleen edel-
lyttää sekä Moodlen että työkalujen versiopäivitysten yhteydessä erityistä huomiota.
Conde ym. havaitsivat työkaluja analysoidessaan eri työkalujen edellyttävät eri
Moodle-versioita (2015, 52). Erillisten ohjelmistojen asennus ja integrointi oppilai-
tosympäristössä aiheuttavat kustannuksia. Tietohallinnon tai ulkopuolisena palveluna
ostetun ylläpidon näkökulmasta tällaiset käyttöönotot ovat haastavia. Vaikka työka-
lun lähdekoodi olisi vapaasti saatavissa, sen jatkuva kehittäminen ja ylläpitäminen
oppilaitoksen toimesta saattaa osoittautua hankalaksi.
Opiskelija-analytiikan menestystekijöihin vaikuttavat oppilaitoksen ja opiskelijoiden
osallistuminen sen kehittämiseen ja käyttämiseen. Ilman laajaa analytiikan käytön
tukea ja käyttäjien hyväksyntää sen välineet eivät voi palvella opetuksen ja oppimi-
sen parantamisen tavoitetta. Kaikkien sidosryhmien tarpeiden tukeminen on joko
rajattava tai ratkaistava ongelma. Myös hierarkkisuus aiheuttaa ongelmia: Kerätyn
datan pohjalta voidaan tehdä päätöksiä, joihin tietoa ei alun perin ole kerätty. Opiske-
lija-analytiikan yksipuolinen käyttö esimerkiksi oppilaitoksen parhaiden käytäntöjen
määrittelemisessä saattaa aiheuttaa opettajissa yläpuolisen arvioinnin ja ohjauksen
tunteita – samalla tavoin kuin opiskelijat voivat tuntea huonosti argumentoidun ana-
lytiikan käytön järjestelmälle ulkoistettuna negatiivisena seuraamisena.
127
4.5 Lisätutkimuksen aiheita
Azevedo ym. mukaan opiskelija-analytiikassa määriteltyjen resurssien, dokumenttien
ja testien perusteella kursseja voidaan sovittaa opiskelijoiden oppimistyyliin (2017,
642). Oppimistyyli viittaa kasvatustieteissä tutkittuihin yksilön tapoihin käyttää tie-
tynlaisia oppimisstrategioita ja -tapoja. Oppimistiedossa havaittavia piirteitä olisi
mahdollista analysoida tutkien esimerkiksi siinä näkyviä oppimistyyliin liittyviä piir-
teitä, erilaisia oppimisvaikeuksia, aikaisemmin hankittua oppimista tai nope-
aa/hidasta oppimista.
Erikoistyössä tehtyä opiskelija-analytiikkaa olisi mahdollista laajentaa yksittäisten
opiskelijoiden tasolle. Työssä tarkastelun tasot rajoittuvat suurimmalta osin koske-
maan kaikkia opiskelijoita ja ryhmiä. Tulokset näyttäisivät tarkentuvan siirryttäessä
kaikista opiskelijoista ryhmäkohtaisiin tarkasteluihin. Yksittäisten opiskelijoiden
tarkastelun kautta tietämystä kurssin ja aktiviteettien käytöstä voisi olla mahdollista
kasvattaa esimerkiksi haluttaessa luoda oppimista ennakoiva mallidata.
Opiskelijan osaamisen lähtötason huomioiminen mahdollistaisi tarkemman data-
analyysin tekemisen. Opiskelijoista saattaisi opiskelukäyttäytymisen perusteella olla
mahdollista tunnistaa erilaisten tyylien lisäksi muitakin ryhmiä. Tällaisten ryhmien
löytämisessä ja analysoinnissa opiskelijoista saatavasta lisätiedosta olisi apua.
Etiikan ja tietosuojan ongelmat tulee ratkaista. Analytiikan käyttämien arkaluontois-
ten tietojen väärinkäyttö on kyettävä havaitsemaan ja estämään. Analytiikalle on
määriteltävä rajat ja luottamukselliset käyttäjätiedot on kyettävä säilyttämään turvas-
sa. Käyttäjien identiteetti on kyettävä suojaamaan kaikkina aikoina ja määriteltävä
kerätyn tiedon edellyttävät velvollisuudet.
Opiskelija-analytiikkaa voidaan käyttää mukautuvan oppimisen menetelmänä kerää-
mällä oppimisesta tietoa, jonka perusteella opetusta voidaan räätälöidä. Mukautuval-
la oppimisella ja opettamisella (adaptive learning/teaching) tarkoitetaan opetus- tai
oppimismenetelmää, jossa käytetään tietokonetta vuorovaikutteisena opetusvälineenä
huomioiden kunkin oppijan yksilölliset tarpeet. Menetelmästä löytyy kuitenkin vielä
puutteellisesti tutkittua tietoa. Tämä voi johtua siitä, että mukautuvan opettamisen
tasolle päästään vasta opiskelija-analytiikan käyttöönoton seurauksena. Tulevaisuu-
128
den visiona mukautuvan opettamisen integroiminen opiskelija-analytiikkaan mahdol-
listaa entistä opiskelijakeskeisemmän ja tehokkaamman opettamisen ja oppimisen.
Opiskelija-analytiikan ja mukautuvan opettamisen tutkiminen rinnakkain mahdollis-
tavat verkko-opetuksen automaation ja tehokkuuden kasvattamisen hyödyntämällä
analytiikan tuottamaa tietoa opettajan ja opiskelijan lisäksi myös opetusta tuottavassa
järjestelmässä.
129
Lähteet
Adraoui, M., Retbi, A., Idrissi, M.K., Bennani, S. (2017): Social learning analytics to
describe the learners' interaction in online discussion forum in Moodle. 2017 16th
International Conference on Information Technology Based Higher Education and
Training, 2017;1-6. doi: 10.1109/ITHET.2017.8067817
Anderson, J. R., Betts, S., Ferris, J. L., Fincham, J. M. (2010): Neural imaging to
track mental states while using an intelligent tutoring system. Proceedings of the Na-
tional Academy of Sciences of the United States of America, 107(15);7018-7023.
doi: 10.1073/pnas.1000942107
Azevedo, J.M., Torres, C., Lopes, A.P., Babo, L. (2017): Learning analytics: A way
to monitoring and improving students' learning. CSEDU 2017 - Proceedings of the
9th International Conference on Computer Supported Education, 1;641-648. doi:
10.5220/000639010641064
Bakharia, A. & Dawson, S. (2011): SNAPP: A bird's-eye view of temporal partici-
pant interaction. Proceedings of the 1st International Conference on Learning Analyt-
ics and Knowledge, 2011;168-173. doi: 10.1145/2090116.2090144
Bakharia, A., Heathcote, E., Dawson, S. (2009): Social networks adapting pedagogi-
cal practice: SNAPP. ASCILITE 2009 - The Australasian Society for Computers in
Learning in Tertiary Education; 49-51. ISBN 9781877314810
Blikstein, P. (2011): Using learning analytics to assess students' behavior in open-
ended programming tasks. Proceedings of the 1st International Conference on Learn-
ing Analytics and Knowledge; 110–116. doi:10.1145/2090116.2090132
Blikstein, P., Worsley, M., Piech, C., Sahami, M., Cooper, S., & Koller, D. (2014):
Programming pluralism: Using learning analytics to detect patterns in the learning of
computer programming. Journal of the Learning Sciences; 23(4);561-599.
doi:10.1080/10508406.2014.954750
130
Carter, A. S., Hundhausen, C. D., Adesope, O. (2017): Blending Measures of Pro-
gramming and Social Behavior into Predictive Models of Student Achievement in
Early Computing Courses. ACM Transactions on Computing Education, 17(3);1-20.
doi: 10.1145/3120259
Chatti, M. A., Dyckhoff, A.L., Schroeder, U., Thüs, H. (2012): A Reference Model
for Learning Analytics. International Journal of Technology Enhanced Learning
(IJTEL) – Special Issue on “State-of-the-Art in TEL”; 4(5-6);318-331. doi:
10.1504/IJTEL.2012.051815
Conde, M.Á., Hérnandez-García, Á., García-Peñalvo, F.J., Séin-Echaluce, M.L.
(2015): Exploring student interactions: Learning analytics tools for student tracking.
Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial
Intelligence and Lecture Notes in Bioinformatics), 9192;50-61. doi: 10.1007/978-3-
319-20609-7_6
Conijn, R., Snijders, C. Kleingeld, A., Matzat, U. (2017): Predicting Student Perfor-
mance from LMS Data: A Comparison of 17 Blended Courses Using Moodle LMS.
Learning Technologies, IEEE Transactions on IEEE Transactions on Learning Tech-
nologies. 10(1);17-29. doi: 10.1109/TLT.2016.2616312
Dawson, S., Mcwilliam, E., Tan, J.P.-L. (2008): Teaching smarter: How mining ICT
data can inform and improve learning and teaching practice. ASCILITE 2008 - The
Australasian Society for Computers in Learning in Tertiary Education, 2008;221-
230.
Diana, N., Eagle, M., Stamper, J., Grover, S., Bienkowski, M., Basu, S. (2017): An
instructor dashboard for real-time analytics in interactive programming assignments.
Published in Proceedings of the Seventh International Learning Analytics &
Knowledge Conference, 2017;272-279. doi: 10.1145/3027385.3027441
Fernandez-Medina, C., Pérez-Pérez, J. R., Álvarez-García, V. M., & Del Puerto Pau-
le-Ruiz, M. (2013): Assistance in computer programming learning using educational
data mining and learning analytics. Annual Conference on Innovation and Technolo-
gy in Computer Science Education, 2013;237-242. doi:10.1145/2462476.2462496
131
Fu, X., Shimada, A., Ogata, H., Taniguchi, Y., & Suehiro, D. (2017): Real-time
learning analytics for C programming language courses. Proceedings of the Seventh
International Learning Analytics & Knowledge Conference: ACM, 2017;280-288.
doi:10.1145/3027385.3027407
Galafassi, C., Galafassi, F.F.P., Vicari, R.M. (2017): Predictive teaching and learn-
ing. Progress in Artificial Intelligence: 18th EPIA Conference on Artificial Intelli-
gence, 2017;549-560. doi: 10.1007/978-3-319-65340-2_45
Grover, S., Bienkowski, M., Tamrakar, A., Siddiquie, B., Salter, D., Divakaran, A.
(2016): Multimodal analytics to study collaborative problem solving in pair pro-
gramming. Proceedings of the Sixth International Conference on Learning Analytics
& Knowledge, 2016;516-517. doi: 10.1145/2883851.2883877
Han, J., Kamber, M., Pei, J. (2012): Data Mining Concepts and Techniques. Third
Edition. Morgan Kaufmann. ISBN 978-0-12-381479-1
Hijon-Neira, R., Velazquez-Iturbide, A., Pizarro-Romero, C., Carrico, L. (2014):
Merlin-know, an interactive virtual teacher for improving learning in Moodle. 2014
IEEE Frontiers in Education Conference (FIE) Proceedings, 2014;1-8. doi:
10.1109/FIE.2014.7043990
Ihantola, P., Vihavainen, A., Ahadi, A., Butler, M., Börstler, J., Edwards, S. H., Iso-
hanni, E., Korhonen, A., Petersen, A., Rivers, K., Rubio, M. A., Sheard, J., Skupas,
B., Spacco, J., Szabo, C., Toll, D. (2015): Educational Data Mining and Learning
Analytics in Programming: Literature Review and Case Studies. Proceedings of the
2015 ITiCSE on Working Group Reports, 2015;41-63. doi:
10.1145/2858796.2858798
Karpov, A.O. (2016): Socialization for the Knowledge Society. International Journal
of Environmental and Science Education 2016, 11(10);3487-3496.
Kaufman, L., Rousseeuw, P. (1987): Clustering by Means of Medoids. Faculty of
Mathematics and Informatics. ISSN 0920-8577
132
Keim D., Andrienko G., Fekete JD., Görg C., Kohlhammer J., Melançon G. (2008):
Visual Analytics: Definition, Process, and Challenges. Teoksessa: Kerren A., Stasko
J.T., Fekete JD., North C. (toim.) Information Visualization. Lecture Notes in Com-
puter Science, vol 4950. Springer, Berlin, Heidelberg. doi: 10.1007/978-3-540-
70956-5_7
Koedinger, K. R., Anderson, J. H., Hadley, W. H., Mark, M. A. (1997): Intelligent
Tutoring Goes to School in the Big City. International Journal of Artificial Intelli-
gence in Education 1997(8);30-43.
Kuzilek, J., Hlosta, M. ., Herrmannova, D., Zdrahal, Z., Wolff, A. (2015): OU ana-
lyse: Analysing at-risk students at the Open University. Proceedings of First Interna-
tional Workshop on Visual Aspects of Learning Analytics and Knowledge Confer-
ence (LAK 2015), 1–16
Levonen, J., Joutsenvirta, T., Parikka, R. (2009): Blended learning – Katsaus sulau-
tuvaan yliopisto-opetukseen. Teoksessa Joutsenvirta, T. & Kukkonen, A. (toim.),
(2009) Sulautuva opetus – uusi tapa opiskella ja opettaa, 15-23. Tampere: Juvenes
Print. ISBN-13: 9789515707659, ISBN-10: 951570765X
Lockyer, L., Heathcote, E., Dawson, S. (2013): Informing pedagogical action: Align-
ing learning analytics with learning design. American Behavioral Scientist,
57(10);1439-1459. doi 10.1177/0002764213479367
Luna, J. M., Castro, C., Romero, C. (2016): MDM Tool: A Data Mining Framework
Integrated Into Moodle. Computer Applications in Engineering Education January
2017, 25(1);90-102. doi 10.1002/cae.21782
Marques, B.P., Villate, J.E., Carvalho, C.V. (2017): Analytics of student behaviour
in a learning management system as a predictor of learning success. Iberian Confer-
ence on Information Systems and Technologies, CISTI, art. no. 7975863. doi:
10.23919/CISTI.2017.7975863
Mazza, R., Bettoni, M., Faré, M., Mazzola, L. (2012): MOCLog – Monitoring Online
Courses with log data. 1st Moodle Research Conference Proceedings, Heraklion,
Greece, Sept. 14-15, 2012. ISBN: 978-960-98516-2-6
133
McQueen, J.B. (1967): Some methods for classification and analysis of multivariate
observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statis-
tics and Probability, 281–297.
Montgomery, A, Shibo, L, Srinivasan, K, & Liechty, J. (2004): Modeling Online
Browsing and Path Analysis Using Clickstream Data. Marketing Science, 23(4);579-
595. doi: 10.1287/mksc.1040.0073
Osguthorpe, R. T. & Graham, C. R. (2003): Blended Learning Environments, Defini-
tions and Directions. The Quarterly Review of Distance Education, 4(3);227-233.
Information Age Publishing, Inc. ISSN 152S-3518.
Petropoulou, O., Retalis, S., Siassiakos, K., Karamouzis, S., Kargidis, T. (2008):
Helping educators analyse interactions within networked learning communities: A
framework and the Analytics Tool system. Proceedings of the Sixth International
Conference on Learning Analytics & Knowledge, 5–7. ISBN: 978-1-86220-206-1
Rankine, L., Stevenson, L., Malfroy, J., Ashford-Rowe, K. (2009): Benchmarking
across universities: A framework for LMS analysis. Proceedings of the Australasian
Society for Computers in Learning in Tertiary Education 2009, 815–819
Retalis, S., Papasalouros, A., Psaromiligkos, Y., Siscos, S., Kargidis, T. (2006): To-
wards networked learning analytics – A concept and a tool. Proceedings of the 5th
International Conference on e-Learning, 1–8
Rodrigues, J.R.A., Brandao, L.O., Nascimento, M., Rodrigues, P., Brandao, A.A.F.,
Giroire, H., Auzende, O. (2013): iQuiz: Integrated assessment environment to im-
prove Moodle Quiz. Frontiers in Education Conference, 293-295. doi:
10.1109/FIE.2013.6684834
Samuel, A. L. (1959): Some Studies in Machine Learning Using the Game of Check-
ers. IBM Journal of Research and Development, 3(3); 210-229.
134
Sharma, S., Osei-Bryson, K.-M., Kasper, G. M. (2012): Evaluation of an integrated
Knowledge Discovery and Data Mining process model. Expert Systems with Appli-
cations: An International Journal archive, 39(13);11335-11348. doi:
10.1016/j.eswa.2012.02.044
Trætteberg, H., Mavroudi, A., Giannakos, M., & Krogstie, J. (2016): Adaptable
learning and learning analytics: A case study in a programming course. European
Conference on Technology Enhanced Learning 2016: Adaptive and Adaptable
Learning, 9891;665-668. doi: 10.1007/978-3-319-45153-4_87
Uusikylä, K. & Atjonen, P. (2007): Didaktiikan perusteet. Juva: WSOY. ISBN-13:
9789510301869, ISBN-10: 9510301868
Yassine, S., Kadry, S., Sicilia, M.-A. (2016): A framework for learning analytics in
moodle for assessing course outcomes. IEEE Global Engineering Education Confer-
ence, EDUCON, art. no. 7474563;261-266. doi: 10.1109/EDUCON.2016.7474563
Liite 1: Palveluna toimivia verkkosivujen analytiikkatyöka-
luja
Taulukkoon 1 on kerätty palveluina toimivia verkkosivujen analytiikkatyökaluja67.
Taulukko 1. Palveluna toimivia verkkosivujen analytiikkatyökaluja
Sovellus Tyyppi Lisenssi Huomioita
Google Analytics Palvelu Maksuton, jos alle
10 miljoonaa kuu-
kausittaista osumaa
Markkinajohtaja.
API tiedon keräämi-
seen, asetuksiin ja
raportointiin
Clicky Web Analy-
tics68
Palvelu Maksuton ja maksul-
linen versio
Lisäosat monille eri
alustoille ja käyttöjär-
jestelmille omat so-
vellukset69. API
HTML5 ja Flash-
videoille ja tuki useil-
le videopalveluille
(mm. Youtube ja
Viddler). Suunnattu
blogeihin ja pienem-
mille nettisivuille,
mutta myös video-
analytiikkaan
Kissmetrics70 Palvelu Maksullinen Alusta, jonka tarkoi-
tuksena on auttaa
ymmärtämään, seg-
mentoimaan ja sitou-
tumaan asiakkaisiin
heidän käyttäytymi-
sensä perusteella
Mixpanel71 Palvelu Maksuton (20 mil-
joonaa datapistetti
kuukaudessa, 60
päivän datahistoria,
Parhaiden asiakkai-
den löytäminen, asia-
kasmäärän kasvatta-
minen ja asiakkaiden
67 https://www.tinderpoint.com/insights/web-analytics/top-12-alternative-tools-to-google-analytics/
(viitattu 25.1.2018) 68 https://clicky.com/ (viitattu 25.1.2018) 69 https://clicky.com/help/apps-plugins (viitattu 25.1.2018) 70 https://www.kissmetrics.com/ (viitattu 25.1.2018) 71 https://mixpanel.com (viitattu 25.1.2018)
3 jäsentä projektissa)
ja maksullinen ver-
sio
pitäminen
Woopra72 Palvelu Small Business ja
Enterprise Edition -
versiot. Maksuton
30 000 toimin-
toon/kk asti
Asiakastiedon hallin-
taan. Asiakasprofiilit,
tosiaikainen analy-
tiikka, toimintojen
automatisointi ja ra-
japinnat (AppCon-
nect) moniin eri so-
velluksiin
W3 Counter73 Palvelu Maksuton ja maksul-
liset versiot: Free,
Pro ja Business.
Maksuttomassa
Free-versiossa 30
päivän datahistoria.
Kävijäanalytiikka ja
sivuille lisättäviä
widget-sovelluksia
markkinoinnin, huo-
mion ja sosiaalisen
medianäkyvyyden
lisäämiseksi
Foxmetrics74 Palvelu Maksullinen Asiakkaiden profi-
lointi, seuranta ja
segmentointi. Asia-
kaskokemuksen luo-
minen eri segmenteil-
le. Analysointi ja
raportointi. Integroin-
ti verkkokauppa-
alustoihin.
Statcounter75 Palvelu Maksuton 250 000
kuukausittaiseen
sivunkatseluun asti.
Maksuttomassa ver-
siossa mainoksia.
API:t ja mainosva-
paus maksullisissa
versioissa.
Tilastotietoa kävijöis-
tä, sivujen seuranta.
Poistumisprosentti
(yksittäisellä sivulla
vierailut): suositut
sivut, saapumissivu,
poistumissivut, pois-
tumislinkit, tulosivut.
Lähetteet ja haut:
avainsana-analyysi,
mainosten kautta tul-
lut liikenne, viimeai-
kaiset hakusanat, ha-
72 https://www.woopra.com/ (viitattu 25.1.2018) 73 https://www.w3counter.com/ (viitattu 25.1.2018) 74 https://www.foxmetrics.com/ (viitattu 25.1.2018) 75 https://fi.statcounter.com/ (viitattu 25.1.2018)
kukoneiden osuudet.
Vierailijat: vieraili-
joiden reitit, vierailun
kesto, uudelleenvie-
railut, viimeaikaiset
sivunlataukset, vii-
meaikaiset vierailijat.
Sijainnit: Maa, alue,
kaupunki, operaattori,
kartta vierailijoista.
Laitteet ja ohjelmisto.
Lataukset. Raportit
ylläpitäjälle.
Chartbeat76 Palvelu Maksullinen Kojelauta: Vieraili-
joiden analysointi
sisällöittäin. Raportit
sivustoittain, osittain
tai tekijöittäin. Opti-
mointi: Suosituimmat
artikkelit, artikkelei-
den trendit, kuinka
pitkälle vierailijat
vierittävät sivua. Li-
säosat: Sisällön lii-
kenteenseuranta IOS-
sovelluksella.
Suunnattu mainoksia
käyttävien sivujen
suunnittelijoille,
verkkolehdille ja uu-
tissivuille.
Heap77 Palvelu Maksuton 3 kuukau-
den datahistoriaan ja
5000 kuukausittai-
seen istuntoon asti.
Käyttäjien seuranta
eri lähteistä, tapahtu-
mien visualisointi,
käyttäjien haku histo-
riatietoineen, käyttä-
jien poistumis- ja
paluutiedot.
76 https://chartbeat.com/ (viitattu 25.1.2018) 77 https://heapanalytics.com/ (viitattu 25.1.2018)