Acta Paedagogica Vilnensia ISSN 1392-5016 eISSN 1648-665X
2022, vol. 48, pp. 129–142 DOI: https://doi.org/10.15388/ActPaed.2022.48.8
Mokymosi analitikos nauda edukacijai: Lietuvos bendrojo ugdymo mokyklų mokytojų patirčių analizė
Aleksandra Batuchina
Klaipėdos universitetas
El. paštas: Aleksandra.ro@gmail.com
Julija Melnikova
Klaipėdos universitetas
El. paštas: Julija.Melnikova@ku.lt
Gita Šakytė-Statnickė
Klaipėdos universitetas
El. paštas: Gita.statnicke@gmail.com
Gražina Šmitienė
Klaipėdos universitetas
El. paštas: g.smitiene@gmail.com
Santrauka. Straipsnyje aptariama mokymosi analitikos nauda edukacijai: teorinėje dalyje atskleidžiama mokymosi analitikos samprata, aptariama, kaip mokymosi analitikos technologijos padeda tobulinti mokymo(si) procesą. Dėmesio skiriama svarbiausiai mokymosi analitikos naudos gavėjų – mokytojų – grupei. Teoriškai atskleidžiama mokymosi analitikos nauda mokytojų pedagoginiame darbe. Empirinėje straipsnio dalyje pristatomi kokybinio tyrimo, skirto mokytojų patirčių analizei, rezultatai. Tyrime dalyvavo 17 Lietuvos bendrojo ugdymo mokyklų mokytojų, turinčių darbo su mokymosi analitikos priemonėmis patirties. Pusiau struktūruoto interviu metodas leido surinkti tyrimo dalyvių įžvalgas apie mokymosi analitikos naudojimą Lietuvos mokyklose žvelgiant iš mokytojų perspektyvos. Kokybinė informantų atsakymų turinio analizė atskleidė mokytojų nuomonę apie mokymosi analitikos naudą mokymui(si), mokytojų kompetencijas dirbti su mokymosi analitikos priemonėmis, mokytojų įgalinimą naudoti mokymosi analitikos priemones ir priimti duomenimis grįstus pedagoginius sprendimus.
Pagrindiniai žodžiai: mokymosi analitika, Lietuvos bendrojo ugdymo mokyklos, duomenimis grįsti pedagoginiai sprendimai.
The Benefits of Learning Analytics for Education: An Analysis of the Experiences of Lithuanian General Education School Teachers
Abstract. The article discusses the benefits of learning analytics for education: the theoretical part reveals the concept of learning analytics, discusses how learning analytics technologies help to improve the teaching / learning process. The focus is on the most important group of learning analytics beneficiaries - teachers. The benefits of learning analytics in teachers’ pedagogical work are discussed. The empirical part of the article presents the results of a qualitative study for the analysis of teachers’ experiences. The study involved 17 teachers from Lithuanian general education schools with experience in working with learning analytics tools. The semi-structured interview method allowed to gather the research participants’ insights into the use of learning analytics in Lithuanian schools from the perspective of teachers. Qualitative analysis of the content of the informants’ answers revealed teachers’ opinion on the benefits of learning analytics for teaching and learning, teachers’ competencies to work with learning analytics tools, empowering teachers to use learning analytics tools and to make data-based pedagogical decisions.
Keywords: learning analytics, Lithuanian general education schools, data-based pedagogical decisions.
_________
Received: 16/11/2021. Accepted: 12/02/2022
Copyright © Aleksandra Batuchina
Įvadas
Skaitmeninės technologijos keičia žmonių bendravimą, visuomeninio gyvenimo sanklodą, bendradarbiavimo galimybes, formuoja naujus gyvenimo įpročius. Šie pokyčiai turi įtakos edukacijai. Jau 2014 m. atlikti tyrimai prognozavo, kad po dešimtmečio maždaug du trečdaliai bendrojo ugdymo mokyklų mokinių visiškai ar iš dalies mokysis skaitmeninėmis technologijomis grindžiamoje mokymosi aplinkoje (Wang, Decker, 2014). Tyrėjai daro prielaidą, kad nešiojami kompiuteriniai prietaisai ir besivystančios edukacinės technologijos (pvz., išmaniosios klasės (angl. Smart Classrooms); pažangi mokymosi aplinka (angl. Smart Learning Environments) ir kt.) dar labiau paskatins švietimo skaitmenizavimą (HarCarmel, 2016). Be to, mokiniai, jų tėvai, mokytojai ir mokyklų vadovai plačiai naudoja technologijas įvairiems su edukacija susijusiems tikslams, pvz., informuoti apie mokinių pasiekimus elektroninio dienyno aplinkoje (Wang et al., 2016). Skaitmeninės technologijos tapo svarbia mokymosi aplinkos dalimi ir jų integravimas į edukaciją yra būtinas siekiant užtikrinti geresnį besimokančiųjų išsilavinimą (Hollman et al., 2019). COVID-19 pandemijos situacija dar labiau paskatino edukacijos skaitmenizavimą. Mokslininkų teigimu, įvyko precedento neturintis skubotas eksperimentas su mokyklų sistemomis – pandemijos metu šimtai milijonų besimokančiųjų perėjo prie skaitmeninėmis technologijomis grindžiamos mokymosi aplinkos (Kalim, 2021).
Kai mokymas(is) vyksta skaitmeninėmis technologijomis grindžiamoje mokymosi aplinkoje, atsiranda tam tikra besimokančiojo sąveika su mokymuisi naudojama skaitmenine priemone arba kitaip dar vadinama [kompiuterine] skaitmenine mokymosi programa (angl. Learning Program), kaupiasi specifinė besimokančiojo mokymosi patirtis (angl. Learning Experience), o tai sukuria didelius skaitmeninių duomenų srautus (HarCarmel, 2016). Šie duomenys apibūdina mokymosi sistemų naudotojų individualią mokymosi veiklą arba besimokančiųjų sąveikas mokantis grupėse (McHugh, 2015). Tokių duomenų apie mokymą(si) analizė yra mokymosi analitikos sritis. Mokslinėje literatūroje mokymosi analitika apibrėžiama kaip „duomenų apie mokinius ir jų kontekstą rinkimas, analizė ir ataskaitų teikimas, siekiant suprasti ir optimizuoti mokymąsi ir aplinką, kurioje jis vyksta“ (Long et al., 2011).
Mokymosi analitika edukacijoje naudojama įvairiais tikslais, pavyzdžiui: prognozės, kai norima nustatyti, kuriems besimokantiesiems gresia pavojus nesėkmingai baigti mokymo(si) kursą; personalizavimo ir prisitaikymo, kai besimokančiajam parenkamas asmeniškai pritaikytas mokymosi kelias (angl. learning pathway), bei žinių ir gebėjimų vertinimo medžiaga (angl. Assesment Materials); intervencijos, kai mokytojui suteikiama informacija, kad mokytojas galėtų kryptingai padėti besimokančiajam; informacijos vizualizavimo, kai mokymosi priemonių skydelyje (angl. Learning Dashboard) pateikiama mokymosi duomenų apžvalga (pasitelkiant įvairias diagramas, grafikus ir lenteles) (Mangaroska et al., 2019, Ifenthaler et al., 2020).
Moksliniai tyrimai atskleidžia mokymosi analitikos pranašumus mokymo(si) procesui: jo organizatoriams tai dirbtiniu intelektu pagrįsti mokymo(si) stebėjimo ir valdymo būdai (Laakso, 2020); besimokantiesiems – protingo, prisitaikomojo, personalizuoto, nuspėjamojo mokymosi galimybės (Okoye et al., 2020). Be to, mokymosi analitika paremtas mokymo(si) procesas įgalina besimokančiųjų įsitraukimą (Ifenthaler et al., 2020), didina jų mokymosi motyvaciją (Kurvinen et al., 2020), skatina projektuoti asmenines mokymosi strategijas (Hollman et al., 2019).
Tačiau, nepaisant mokymosi analitikos potencialo edukacijoje, vis dėlto yra nemažai dvejonių ir skepticizmo dėl jos naudojimo, taip pat iššūkių ir neatsakytų klausimų (Meyers et al., 2016). Mokslininkų teigimu, viena iš pagrindinių mokymosi analitikos naudos gavėjų grupė – mokytojai (Khine, 2018). Svarbiausias rūpestis – suteikti mokytojams galimybę efektyviai naudoti mokymosi analitikos priemones mokymo(si) procesui tobulinti (Van Leeuwen et al., 2017). Straipsnyje aptariamos mokymosi analitikos integravimo į bendrąjį ugdymą galimybės žvelgiant iš mokytojų perspektyvos – teoriškai pabrėžiama mokymosi analitikos priemonių ir jų teikiamos duomenų analizės nauda mokytojų pedagoginiam darbui; empiriškai atskleidžiama Lietuvos bendrojo ugdymo mokytojų patirtis naudojant mokymosi analitiką, jų įžvalgos apie mokymosi analitikos naudą mokymo(si) procesui bei apie mokymosi analitikos nulemtus pedagoginės praktikos pokyčius.
Teorinės įžvalgos
Tyrėjai pažymi mokymosi analitikos naudą mokytojų pedagoginiam darbui: mokymosi analitikos priemonės leidžia mokytojams laiku ir prasmingai formuoti vykstančios mokymo(si) veiklos vertinimą (Papamitsiou, Economides, 2015); didina mokytojų supratimą apie mokinių pasiekimus (Guo et al. 2017), galimas mokinių klaidingas mintis (Polonetsky, Jerome, 2014); mokymo(si) programų ir mokymo(si) strategijų efektyvumą (Meyers et al. 2016); mokymosi analitika gali informuoti mokytojus apie mokymo(si) turinio kokybę, jų naudojamų metodų pedagoginį poveikį bei vertinimo efektyvumą (Jivet et al., 2021).
Mokytojai gali naudoti mokymosi analitikos priemonių generuotus duomenis norėdami sužinoti, kaip mokiniai mokosi ir kokios jų pagrindinės stiprybės ir silpnybės. Remdamiesi smulkiais / nesudėtingais duomenimis, pvz., mokinių įsitraukimo į mokymosi veiklą rodikliais ir pan., mokytojai gali stebėti veiklos pokyčius (Pardo et al., 2016). Mokytojai gali veiksmingai panaudoti ir sudėtingus duomenis apie mokinių žinių spragas pagal skirtingo dalyko temas. Informaciją apie mokinio stiprybes ir silpnybes mokytojai galėtų panaudoti planuodami intervenciją ten, kur mokiniui reikia pagalbos. Tokiu būdu mokymosi analitika gali padėti mokytojams išskirti mokinius, kuriems gali prireikti papildomos pagalbos (Admiraal et al., 2017) arba apmąstyti įvairius būdus paskatinti mokinius mokytis (Hylen, 2015). Kita vertus, pasitelkę mokymosi analitikos priemones mokytojai gali svarstyti naujų kursų, programų kūrimo ir plėtojimo galimybes (McKay, 2019), tai leistų jiems pagerinti skaitmeninių vadovėlių ir mokomosios medžiagos kokybę (Mouri ir kt., 2018). Daugelis mokytojų tvirtai įsitikinę, kad tinkamai pritaikyta mokymosi analitika gali tapti būtinybe, siekiant mažinti pasiekimų skirtumus, didinti mokinių sėkmę ir gerinti švietimo kokybę skaitmeninėje eroje (Khine, 2018).
Vis dėlto tyrimų rezultatai (Zhu et al., 2018) pabrėžia poreikį padėti mokytojams įvaldyti duomenimis grįstas technologijas ir ugdyti jų kompetencijas efektyviai naudoti duomenis pedagoginiams sprendimams priimti. Corrin et al. (2013), atlikę eksperimentą su mokytojų grupe, nustatė, kad tyrimo dalyviai stokojo teisingo duomenų interpretavimo kompetencijos. Herodotou et al. (2019) atlikti tyrimai parodė, kad mokytojams tyrimo dalyviams buvo sudėtinga remiantis duomenimis planuoti tinkamas pedagogines intervencijas. Rienties et al. (2018) tyrimai išryškino mokytojų kompetencijų ugdymo(si) poreikį mokymosi analitikos naudojimo srityje. Ifenthaler et al. (2020) pabrėžė mentoriaus ar patarėjo vaidmens svarbą padedant mokytojams sėkmingai dirbti su duomenimis ir remiantis mokymosi analitika priimti duomenimis grįstus sprendimus. Be to, mokslininkai išskiria šiuos veiksnius, kurie gali turėti neigiamą įtaką mokymosi analitikos technologijų integracijai mokyklose: mokytojų rengimo ir kvalifikacijos tobulinimo programų negebėjimas perteikti reikalingų techninių žinių ir įgūdžių (Fishman, Davis, 2006); finansavimo ir išteklių trūkumas (Nikolopoulou, Gialamas, 2015); nėra duomenų kaupimo ir jų analizės strategijos (Vongkulluksn et al., 2018); ribotos motyvacinės paskatos (Papamitsiou et al., 2015). Kaden et al. (2020) pabrėžia, kad COVID-19 pandemijos laikotarpis aktualino ir kitas mokytojų problemas, kaip antai: profesinis nuovargis ir perdegimas, apatija ir kt., kas taip pat gali turėti neigiamą įtaką mokymosi analitikos technologijų integracijai mokyklose.
Tyrimo metodologija ir organizavimas
Įgyvendinant projektą „Dirbtinis intelektas mokyklose: mokymosi analitikos plėtojimo scenarijai modernizuojant bendrąjį ugdymą Lietuvoje“ Nr. S-DNR-20-4 atliktas žvalgomasis empirinis tyrimas, kurio tikslas – išanalizuoti, kokios skaitmeninės edukacijos priemonės (toliau – programos), turinčios mokymosi analitikos ir dirbtinio intelekto priemones, taikomos šiuo metu (2020–2021 m.) Lietuvos edukacinėje praktikoje (bendrojo ugdymo mokyklose) bei aprašyti mokyklų ir jų bendruomenių, dirbančių su tokiomis programomis, sėkmės atvejus. Tyrimo metu nustatyta, kad Lietuvos bendrojo ugdymo mokyklose naudojamos šios programos, integruojančios mokymosi analitiką ir dirbtinį intelektą: EdutenPlayground, Matific, Fast ForWord, Egzaminatorius.LT, EduAI (Baziukė, Norvilienė, 2021).
Tyrimo probleminis klausimas: kokią mokymosi analitikos naudą edukacijai įžvelgia Lietuvos mokyklų mokytojai, naudojantys mokymosi analitikos priemones. Šiame straipsnyje siekiama atskleisti bendrojo ugdymo mokytojų patirtį naudojant mokymosi analitiką, jų įžvalgas apie pedagogines praktikos pokyčius. Šiam tikslui atlikti individualūs interviu su mokytojais, kurie taiko išskirtas platformas savo pedagoginėje praktikoje, pristatomi tyrimo rezultatai.
Tyrimo populiacija sudaryta taikant kriterinę atranką (Rupšienė, 2007). Į tiriamųjų populiaciją atrinkti mokytojai, turintys ne mažiau nei vienerių metų darbo su tokio pobūdžio platformomis patirtį. Tyrimo dalyvių imties atrankos forma – patogioji tikslinė atranka. Patogiosios tikslinės atrankos tikslas šiuo atveju buvo įtraukti į formuojamą grupę informantus, kurie yra tipiškiausi tiriamojo požymio atžvilgiu. Iš viso atlikta 17 pusiau struktūruotų interviu.
Tyrimo organizavimas. Atsižvelgiant į pandemininės situacijos sąlygas 2021 mokslo metais ir šalyje paskelbtą karantiną bei įgyvendinamą nuotolinį mokymą ir mokymąsi, individualiems pusiau struktūruotiems interviu atlikti buvo pasirinkta skaitmeninė platforma (LRV, „Dėl karantino Lietuvos Respublikos teritorijoje paskelbimo“, Nr.1226, 2020-11-04). Tyrimas atliktas 2021 metų balandžio – gegužės mėnesiais. Rengiantis apklausai parengti interviu klausimai, informantams pateikta informacija apie nuotolinio interviu vykdymo ypatumus, tyrimo tikslus, gautų tyrimo rezultatų viešinimą, jų anonimiškumo garantijas ir kt. Interviu atlikti pasirinkta „Zoom“ platforma kaip visiems informantams priimtiniausia nuotolinio bendravimo platforma. Šios platformos pranašumai pripažįstami kokybiniuose moksliniuose tyrimuose, kaip kokybiškas duomenų rinkimo būdas: galimybė atlikti vaizdo ir garso įrašą, ekonomiškas ir kt. (Archibald et al., 2019). Kaip galimas šios platformos ribotumas nurodoma kartais pasitaikančios ryšio trikdžių problemos bei ribota galimybė fiksuoti neverbalinę informaciją, buvo spręstos su informantais aptariant vaizdo interviu galimybes bei ryšio problemos sprendimo būdus (Weller, 2017). Kiekvienam interviu skirta iki pusantros valandos. Visi susitikimai įrašyti naudojant „Zoom“ programos priemones.
Tyrimo etika. Kiekvienas tyrimo dalyvis pateikė sutikimą dalyvauti tyrime, suteikė leidimą tyrėjams daryti interviu įrašus, kurie naudoti tik duomenų analizės tikslais ir saugomi tyrėjų laikmenose. Pristatant tyrimo rezultatus interviu citatose nurodamas tik interviu numeris (pvz., Nr. 8).
Duomenų rinkimo instrumentas – atviri klausimai, suskirstyti į kelis diagnostinius blokus, leidžiančius atskleisti mokytojų nuomonę apie:
1. mokymosi analitikos, integruotos į skaitmeninės edukacijos priemones, naudą pedagoginiam darbui;
2. reikalingas kompetencijas efektyviai naudoti mokymosi analitikos priemones ir analizuoti duomenis;
3. mokytojų įgalinimą naudoti mokymosi analitiką pedagoginiame darbe.
Interviu duomenų analizei ir tyrimo rezultatams pristatyti pasirinkta kokybinė turinio analizė kaip metodas, teikiantis galimybę analizuoti rašytines, žodines ir vizualines komunikacijos žinutes (Cole, 1988). Klasikinė turinio analizė apima teksto sumažinimo į grupes technikas pagal kintamųjų sudarytus kodus (reikšmingų charakteristikų buvimą, intensyvumą ar kiekį) (Creswell, 2009). Duomenų analizė buvo atliekama keliais etapais: 1. interviu teksto skaitymas; 2. kategorijų išskyrimas, remiantis esminiais žodžiais; 3. kategorijų turinio skaidymas į subkategorijas; 4. kategorijų ir subkategorijų aprašymas bei pagrindimas iš teksto gautais įrodymais (Žydžiūnaitė, Merkys, Jonušaitė, 2005).
Tyrimo vidiniam validumui užtikrinti informantams buvo pateikta tyrimo ataskaita, kurios tikslas – gauti grįžtamąjį ryšį apie tyrimo rezultatus. Informantai teigiamai įvertino tyrimo ataskaitą. Išorinį tyrimo validumą siekta užtikrinti pateikiant detalų aprašymą (Rupšienė, 2007).
Tyrimo rezultatai
Informantų nuomonei atskleisti jiems buvo pateikta atvirų klausimų, kuriems išsamiai nagrinėti pasitelktas kokybinės turinio analizės metodas.
Atlikus informantų atsakymų į pirmą klausimą analizę, tikslinga išryškinti kategoriją „Mokymosi analitikos reikšmė tobulinant mokymo(si) procesą“ ir ją detalizuojančias subkategorijas (žr. 1 lentelę).
1 lentelė. Mokymosi analitikos reikšmė tobulinant mokymo(si) procesą
|
Kategorija |
Subkategorija |
Iliustruojantys teiginiai |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Mokytojų, tyrimo dalyvių, nuomone, svarbiausias mokymosi analitikos pranašumas mokymo(si) procesui – galimybė jį individualizuoti ir diferencijuoti pagal mokinių poreikius. Mokymosi analitikos priemonės ir ataskaitos leidžia stebėti kiekvieno mokinio ir jų grupių (klasių) pažangą, atitinkamai individualizuoti mokymą(si) pagal nustatytą pažangą bei diferencijuoti mokymą(si) pagal vaikų poreikius. Be to, informantų žodžiais, mokymosi analitikos priemonės, paremtos dirbtiniu intelektu, padeda mokytojams įžvelgti mokymo(si) sunkumus ir suteikti mokiniams reikalingą mokymosi paramą. Greta minėtų pranašumų informantai pabrėžė mokymosi analitikos naudą mokinių ir jų tėvų požiūriu. Mokymosi analitika, informantų nuomone, leidžia tėvams labiau įsitraukti į jų vaikų mokymosi procesą, tai padaryti padeda mokymosi analitikos ataskaitos, kuriomis mokytojas turi galimybę pasidalyti su tėvais. Mokymosi analitika, mokytojų nuomone, svarbi ir patiems besimokantiesiems – ji leidžia mokiniams stebėti savo pažangą ir taip prisideda prie mokymosi motyvacijos didinimo.
Apibendrinus informantų atsakymus į klausimą „Kokie yra mokymosi analitikos pranašumai mokytojų pedagoginiame darbe?“, išskirtos tokios subkategorijos (žr. 2 lentelę):
2 lentelė. Mokymosi analitikos pranašumai mokytojų pedagoginiame darbe (N = 17)
|
Kategorija |
Subkategorija |
Iliustruojantys teiginiai |
|
|
|
|
|
|
|
|
|
|
|
Informantai teigė, kad gerai išmokus naudoti mokymosi analitikos priemones, gerokai palengvėjo jų darbas – šios priemonės perėmė dalį pažangos stebėsenos ir vertinimo funkcijų. Tyrimo dalyvių nuomone, svarbus mokymosi analitikos priemonių naudojimo mokytojų pedagoginiame darbe pranašumas – taupomas laikas. Laikas yra taupomas padedant technologijų siūlomiems sprendimams (scenarijams), ką daryti mokytojui. Mokytojų žodžiais, „surinkus tam tikrą kiekį duomenų, sistema jau automatiškai nurodys, ką su tuo mokiniu tikslinga būtų pabandyti, negaištant laiko iš karto pateikiami būdai, ką galima būtų pasiūlyti mokiniui“ (Nr. 14). Informantai pabrėžė, kad susisteminti duomenys – vienas iš reikšmingiausių mokymosi analitikos pranašumų: „duomenys gaunami vienoje vietoje visi kartu, pateikiami naudojant grafinio vaizdavimo priemones“ (Nr. 5). Remiantis tyrimo dalyvių patirtimi, galima teigti, kad toks vizualus, automatiškai susistemintas duomenų pateikimas palengvina mokytojų darbą. Vizualus duomenų pateikimas, informantų žodžiais, naudingas ir mokytojui, ir mokiniams: „mokinys gali matyti savo pasiekimus, mokytojas – visos klasės ir kiekvieno mokinio atskirai laiko perspektyvoje (tai yra nuo reikiamo laikotarpio)“ (Nr. 6). Taip pat informantai minėjo, kad gautus duomenis galima lengvai eksportuoti, taip irgi sutaupoma laiko ataskaitoms ir kitai veiklai. Be to, informantai pabrėžė, kad mokymosi analitikos priemonės turi būti labai apgalvotos, t. y. turėti mokslinį pagrindimą. Jų žodžiais, duomenys turėtų būti renkami kryptingai ir tikslingai. Taip pat turėtų būti renkami pedagoginei praktikai naudingi ir reikšmingi duomenys, kad mokytojui „beliktų tik juos teisingai interpretuoti ir priimti sprendimą“ (Nr. 3). Todėl, tyrimo dalyvių nuomone, labai svarbus pedagogų praktikų ir mokslininkų bendradarbiavimas kuriant tokias priemones.
Analizuojant tyrimo dalyvių atsakymus į klausimą „Kokių kompetencijų reikia mokytojams norint sėkmingai pasinaudoti mokymosi analitikos (integruotos į skaitmeninės edukacijos priemones) galimybėmis?“, išskirtos šios subkategorijos (žr. 3 lentelę):
3 lentelė. Mokytojų kompetencijos naudoti mokymosi analitikos priemones
|
Kategorija |
Subkategorija |
Iliustruojantys teiginiai |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Kalbėdami apie mokytojų kompetencijas naudoti mokymosi analitikos priemones, informantai pabrėžė informacinių komunikacinių technologijų (IKT) valdymo gebėjimus. Jų žodžiais, mokytojai turi visų pirma būti „draugiški technologijoms“ – turi norėti taikyti technologijas mokymo(si) procese ir jas efektyviai valdyti. Informantai pripažino, kad yra mokytojų, abejojančių technologijų integravimo į edukaciją pranašumais. Tyrimo dalyviai taip pat pabrėžė, kad, norint sėkmingai naudoti mokymosi analitiką, reikia turėti duomenų suvestinių, statistikos interpretavimo gebėjimų. Svarbu gebėti suprasti mokymosi analitikos rezultatą – kokiais pjūviais pateikiama duomenų analizė, kaip tai gali padėti atsakant į įvairius su mokymo(si) procesu susijusius klausimus. Be to, informantų žodžiais, svarbu gebėti interpretuoti duomenis ir susieti juos su mokymo(si) proceso tobulinimo galimybėmis. Tokie mokytojų gebėjimai skatintų duomenimis grįstus pedagoginius sprendimus. Kitas svarbus tyrimo dalyvių akcentuotas aspektas – kompetencijų naudoti mokymosi analitiką ugdymo(si) poreikis. Informantų nuomone, svarbiausias veiksnys, galintis turėti įtakos plačiau naudoti mokymosi analitiką Lietuvos mokyklose – mokytojų mokymai ir parama mokytojams taikyti šias technologijas mokymo(si) procese.
Tyrimo dalyvių atsakymų į klausimą „Kaip įgalinti mokytojus naudoti mokymosi analitiką pedagoginiame darbe?“ analizė leido išskirti tokias subkategorijas (žr. 4 lentelę):
4 lentelė. Mokytojų įgalinimas naudoti mokymosi analitiką pedagoginiame darbe
|
Kategorija |
Subkategorija |
Iliustruojantys teiginiai |
|
Kategorija |
Subkategorija |
Iliustruojantys teiginiai |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Pasakodami apie savo ir savo mokyklų patirtį naudojant mokymosi analitiką, informantai apibūdino, kaip mokytojai įsitraukė į šią veiklą. Apibendrinus informantų atsakymus, galima daryti išvadą, kad mokymosi analitikos iniciatyvas palaikė ir skatino mokyklų bendruomenėse mokytojai lyderiai, t. y. tie mokytojai, kurie buvo suinteresuoti ir motyvuoti diegti tam tikras inovacijas savo pedagoginiame darbe. Informantų žodžiais, tokie mokytojai savo pavyzdžiu ir gerąja patirtimi skatino kolegas domėtis inovacijomis ir jas taikyti savo pedagoginiame darbe. Tyrimo dalyviai pabrėždavo, kad, diegiant inovacijas (mokymosi analitiką), labai svarbus buvo mokytojų veikimas komandose ir komandų parama. Komandinis darbas padėdavo įveikti kylančius iššūkius, mokytis kartu, spręsti problemas. Vis dėlto informantai pripažino, kad dėl tam tikrų veiksnių (nepakankamai išplėtotos technologinės infrastruktūros mokyklose, laiko stokos naujovėms išbandyti ir suprasti jų teikiamą naudą, mokytojų menkos motyvacijos taikyti su technologijomis susijusias naujoves ir kt.) mokytojams yra būdingas tam tikras skepticizmas.
Diskusija ir išvados
Per pastarąjį dešimtmetį, vykstant paradigminiam pokyčiui nuo atskaitomybe grįsto švietimo link duomenimis grįsto nuolatinio švietimo tobulinimo, daugiausia dėmesio pradedama skirti duomenų naudojimo tikslingumui tam tikrame sociokultūriniame kontekste. Mokslininkų teigimu, mokytojai turi turėti galimybę „prieiti prie įvairių duomenų šaltinių apie besimokančiuosius (pvz., demografiniai rodikliai, lankomumas, motyvacija ir namų aplinkybės), kad galėtų kontekstualizuoti mokinių mokymosi elgesį ir pasiekimus bei sumažinti tradicinių edukacinių sprendimų galimą „neobjektyvumą“ (Baker, Hawn, 2021). Be to, mokymosi analitika gali būti naudojama skatinant mokymosi turinio personalizavimą ir pritaikymą pagal individualius besimokančiųjų mokymosi poreikius (Okoye ir kt., 2020). Mūsų tyrimas parodė, kad mokymosi analitikos technologijos, mokytojų vertinimu, gali būti itin vertingos edukacinėje praktikoje, nes sudaro sąlygas „prieiti“ prie reikalingų duomenų ir tais duomenimis remtis priimant pagrįstus sprendimus dėl edukacinės praktikos tobulinimo, taip pat siekiant individualizuoti ir diferencijuoti mokymą(si).
Tyrėjų nuomone (Volungevičienė ir kt., 2019), svarbu švietimo dalyviams nepamiršti, kad mokymosi analitika pateikia tik duomenų sąvadą, t. y. statistinius rodiklius. Tačiau patys šie duomenys nesuteikia informacijos, kaip vyksta mokymosi procesas, kaip turėtų keistis mokymo(si) programa, turinys ir kt. Mokytojas interpretuoja šiuos rodiklius, apmąsto juos ir nusprendžia, kaip šie duomenys turėtų būti naudojami ir analizuojami mokymui ir mokymosi procesui tobulinti bei mokymo programai kurti (Volungevičienė ir kt., 2019). Mūsų tyrimas pabrėžė mokytojų kompetencijų ugdymo(si) darbui su duomenimis būtinybę – pradedant nuo mokymosi analitikos ataskaitų (duomenų suvestinių) „perskaitymo“, supratimo, baigiant teisingo jų interpretavimo ir duomenimis grįstų sprendimų priėmimo.
Nors mokymosi analitikos priemonių kūrėjams yra svarbus mokytojų, mokinių ir mokymosi proceso supratimas, daugiau dėmesio turėtų būti skiriama mokytojų duomenų raštingumo įgūdžiams (Henderson, Corry, 2020). Mokytojai turi mokėti interpretuoti tų priemonių generuotus duomenis ir derinti juos su savo pedagoginėmis žiniomis, kad tai būtų naudinga edukacinei praktikai (Gummer, Mandinach, 2015). Duomenų raštingumo įgūdžiai apima tokius mokytojų gebėjimus, kaip antai: suprasti, kokių duomenų reikia konkrečiai problemai spręsti, surinkti šiuos duomenis, suprasti (mokinių) duomenų pateikimą ir grįžtamąjį ryšį, kurį teikia mokymosi analitikos priemonės šių duomenų pagrindu, ir grindžiant jais savo sprendimus teikti geresnę pagalbą mokiniams. Tyrimai rodo, kad mokytojai dažnai stokoja duomenų analizės ir tokios analizės rezultatų praktinio pritaikymo įgūdžių, taip pat mokytojams trūksta konkrečių tikslų nustatymo, reikalingų tam tikslui pasiekti duomenų rinkimo ir intervencijų numatymo gebėjimų (Mandinach, Gummer, 2016). Mūsų tyrimas taip pat išryškino mokytojų kompetencijų ugdymo(si) poreikį norint sėkmingai naudoti mokymosi analitikos priemones, interpretuoti duomenis bei priimti duomenimis grįstus sprendimus. Mokslininkai teigia, kad mokytojai turi turėti tam tikrą duomenų raštingumo lygį, kuris reiškia „gebėjimą paversti informaciją praktinėmis žiniomis ir praktika, renkant, analizuojant ir aiškinant visų tipų duomenis, taip pat tokios analizės pagrindu įgyvendinti tam tikrus pedagoginius veiksmus. Tai sujungia duomenų analitikos esmę su edukacijos teorija ir praktika, ugdymo turiniu ir supratimu, kaip [mokiniai] mokosi“ (Mandinach, Gummer, 2016, p. 14).
Apibendrindami mūsų atliktą tyrimą norime pabrėžti, kad mokymosi analitikos naudą Lietuvos edukacijai apibūdina trys dedamosios: nauda mokytojui individualizuoti ir diferencijuoti mokymą(si), o žvelgiant į edukacijos ateitį – padėti mokiniui personalizuoti mokymosi procesą; nauda mokiniui stebėti savo pažangą ir planuoti savo asmeninį mokymosi kelią; nauda visai švietimo bendruomenei mokymosi analitikos duomenų pagrindu priimti sprendimus edukacijos praktikai tobulinti. Viena iš svarbiausių sąlygų efektyviai mokymosi analitikos plėtrai Lietuvos bendrojo ugdymo mokyklose yra mokytojų įgalinimas ir mokytojų kompetencijų ugdymas(is) naudoti įvairias analitikos priemones. Sąlygų mokytojams sudarymas ir mokytojų kompetencijos augimas analitikos srityje lemtų mokytojo vaidmens kokybinę kaitą.
_________
Straipsnis parengtas vykdant projektą „Dirbtinis intelektas mokyklose: mokymosi analitikos plėtojimo scenarijai modernizuojant bendrąjį ugdymą Lietuvoje“ (DIMA_LT). Vykdančioji institucija: Klaipėdos universitetas. Projekto partneris: Mokyklų tobulinimo centras. Projektą finansuoja Europos Sąjunga (projekto Nr. S-DNR-20-4) pagal dotacijos sutartį su Lietuvos mokslo taryba (LMTLT).
_________
Literatūra
Admiraal, W., Vermeulen, J., Bulterman-Bos, J. (2017). Learning Analytics in Secondary Education: Assessment for Learning in 7th Grade Language Teaching, ECER 2017, https://eera-ecer.de/ecer-programmes/conference/22/contribution/39935/.
Archibald, M. M., Ambagtsheer, R. C., Casey, M. G., & Lawless, M. (2019). Using Zoom videoconferencing for qualitative data collection: perceptions and experiences of researchers and participants. International Journal of Qualitative Methods, 18, 1–8. https://doi.org/10.1177%2F1609406919874596
Baker, R., Hawn, A. (2021). Algorithmic bias in education. Pre-print. https://doi.org/10.35542/osf.io/pbmvz. Retrieved from https://edarxiv.org/pbmvz/ 2021-05-12
Baziukė, D., Norvilienė, A. (2021). Dirbtinis intelektas ir mokymosi analitika bendrojo ugdymo mokyklose naudojamose skaitmeninėse mokymo(si) priemonėse: Lietuvos atvejis. Computational Science and Techniques (priimta spaudai).
Cole, F. L. (1988) Content Analysis: Process and Application. Clinical Nurse Specialist, 2, 53–57. https://doi.org/10.1097/00002800-198800210-00025
Corrin, L., Kennedy, G., Mulder, R. (2013). Enhancing learning analytics by understanding the needs of teachers. In Paper presented at the ASCILITE-Australian society for computers in learning in tertiary education annual conference. https://www.learntechlib.org/p/171128/.
Creswell, J. (2009). Research design: Qualitative, quantitative, and mixed methods approaches (3rd ed.). Thousand Oaks, CA: Sage.
Fishman, B. J., Davis, E. A. (2006). Teachers Learning Research and the Learning Sciences. In R. K. Sawyer (Ed.), The Cambridge Handbook of the Learning Sciences (pp. 535–559). Cambridge: Cambridge University Press.
Gummer, E., Mandinach, E. (2015). Building a conceptual framework for data literacy. Teachers College Record, 117(4), 1–22.
Guo, J., Huang, X., Wang, B. (2017). MyCOS Intelligent Teaching Assistant, 392–393.
Har Carmel, Y. (2016). Regulating “Big Data education” in Europe: lessons learned from the US. Internet Policy Review, 5(1). DOI: 10.14763/2016.1.402
Henderson, R., Corry, M. (2020). Data literacy training and use for educational professionals. Journal of Research in Innovative Teaching and Learning. https:// doi.org/10.1108/JRIT-11-2019-0074
Herodotou, C., Rienties, B., Boroowa, A., Zdrahal, Z., Hlosta, M. (2019). A large-scale implementation of predictive learning analytics in higher education: The teachers’ role and perspective. Educational Technology Research and Development, 67(5), 1273–1306. https://doi.org/10.1007/s11423-019-09685-0.
Hylen, J. (2015). The State of Art of Learning Analytics in Danish Schools, http://www.laceproject.eu/blog/the-state-of-art-of-learning-analytics-in-danish-schools/. Holstein ir kt., 2019.
Hoel, T., Griffiths, D., aChen, W. (2017). The influence of data protection and privacy frameworks on the design of learning analytics systems. In Proceedings of the Seventh International Learning Analytics & Knowledge Conference (LAK ‚17). Association for Computing Machinery, New York, NY, USA, 243–252. DOI: https://doi.org/10.1145/3027385.3027414
Hollman, A. K., Hollman, T. J., Shimerdla, F., Bice, M. R., Adkins, M. (2019). Information technology pathways in education: Interventions with middle school students. Computers & Education, 135, 49–60.
Ifenthaler, D., Gibson, D., Prasse, D., Shimada, A., Yamada, M. (2020). Putting learning back into learning analytics: actions for policy makers, researchers, and practitioners. Education Tech Research Dev. https://doi.org/10.1007/s11423-020-09909-8
Jivet, I., Wong, J., Scheffel, M., Valle Torre, M., Specht, M., and Drachsler, H. (2021). Quantum of Choice: How Learners’ Feedback Monitoring Decisions, Goals and Self-Regulated Learning Skills Are Related, in Proceedings of LAK21: 11th International Learning Analytics and Knowledge Conference, Irvine, CA, 416–427. doi:10.1145/3448139.3448179
Kaden, U. (2020). COVID-19 school closure-related changes to the professional life of a K–12 teacher. Education Sciences, 10(6), 165.
Kalim, U (2021). The Growing Role of Big Data in Education and its Implications for Educational Leadership. International Journal of Research and Innovation in Social Science (IJRISS) |Volume V, Issue I, January 2021|ISSN 2454-6186
Khine, M. (2018). Learning Analytics for Student Success: Future of Education in Digital Era, The European Conference on Education 2018.
Kurvinen, E., Kaila, E., Laakso, M. J., SALAKOSKI, Tapio (2020). Long Term Effects on Technology Enhanced Learning: The Use of Weekly Digital Lessons in Mathematics. Informatics in Education, 19, 51–75. Vilnius: Vilniaus universitetas. https://www.researchgate.net/publication/339894641_Long_Term_Effects_on_Technology_Enhanced_Learning_The_Use_of_Weekly_Digital_Lessons_in_Mathematics https://infedu.vu.lt/journal/INFEDU/article/25/info 10.15388/infedu.2020.04.
Long, P., Siemens, G. (2011). Penetrating the fog: Analytics in learning and education. Educause Review, 46(5), 31–40.
Lietuvos Respublikos Vyriausybė. „Dėl karantino Lietuvos Respublikos teritorijoje paskelbimo“. 2020-11-04, Nr. 1226. https://e-seimas.lrs.lt/portal/legalAct/lt/TAD/a2b5da801f4a11eb9604df942ee8e443
Mangaroska, K., Vesin, B., Giannakos, M. (2019). Cross-platform analytics: A step towards personalization and adaptation in education. Proceedings of the 9th international conference, 2019. https://ntnuopen.ntnu.no/ntnu-xmlui/bitstream/handle/11250/2648295/2019-LAK-Cross-Platform-Analytics.pdf?sequence=1
McHugh, D. (2015). Traffic prediction and analysis using a big data and visualisation approach. Retrieved from http://leeds.gisruk.org/abstracts/GISRUK2015_submission_20.pdf.
McKay, E. (2019). Digital literacy skill development: Prescriptive learning analytics assessment model, Australian Council for Educational Research, Research Conference 2019, pp. 22–28.
Meyers, E., Cahill, M., Subramaniam, M., Stripling, B. (2016). The promise and peril of learning analytics in P-12 education: An uneasy partnership?, iConference 2016.
Laakso, M. J. (2020). Promoting Programming Learning Engagement, Automatic Assessment with Immediate Feedback in Visualizations https://www.utupub.fi/bitstream/handle/10024/66222/TUCSDissertations131.pdf?sequence=1&isAllowed=y
Mouri, K., Yin, C., Uosaki, N. (2018). Learning analytics for improving learning materials using digital textbook logs. Information Engineering Express International Institute of Applied Informatics, 4(1), 23–32.
Nikolopoulou, K., Gialamas, V. (2015) ICT and play in preschool: early childhood teachers’ beliefs and confidence, International Journal of Early Years Education, 23(4), 409–425, DOI: 10.1080/09669760.2015.1078727
Okoye, K., Nganji, J. T., & Hosseini, S. (2020). Learning analytics for educational innovation: A systematic mapping study of early indicators and success factors. International Journal of Computer Information Systems and Industrial Management Applications, 12, 138–154.
Papamitsiou, Z., Economides, A. A. (2015). Temporal learning analytics visualizations for increasing awareness during assessment. RUSC. Universities and Knowledge Society Journal, 12(3), 129–147.
Pardo, A., Dawson, S., Gašević, D., Steigler-Peters, S. (2016). The role of learning analytics in future education models, https://www.telstra.com.au/content/dam/tcom/business-enterprise/industries/pdf/tele0126_whitepaper_5_spreads_lr_notrims.pdf
Rienties, B., Herodotou, C., Olney, T., Schencks, M., Boroowa, A. (2018). Making sense of learning analytics dashboards: A technology acceptance perspective of 95 teachers. International Review of Research in Open and Distributed Learning, 19(5), 1. https://doi.org/10.19173/irrodl.v19i5.3493.
Polonetsky, J., Jerome, J. (2014). Student data: Trust, Transparency, and the role of consent. Retrieved from http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2628877
Romero, C., Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12–27.
Rupšienė, L. (2007). Kokybinio tyrimo duomenų rinkimo metodologija: metodinė knyga. Klaipėda: Klaipėdos universiteto leidykla.
Van Leeuwen, A., van Wermeskerken, M., Erkens, G., Rummel, N. (2017). Measuring teachers sense-making strategies of learning analytics: a case study. Learning Research and Practice, 3(1), https://doi.org/10.1080/23735082.2017.1284252
Volungeviciene, A., Duart, J. ,Naujokaitienė, J. Tamoliune, G., Misiulienė, R. (2019). Learning Analytics: Learning to Think and Make Decisions. The Journal of Educators Online. 16. 10.9743/JEO.2019.12.2.13.
Vongkulluksn, V. W., Xie, K., Bowman, M. A. (2018). The role of value on teachers‘ internalization of external barriers and externalization of personal beliefs for classroom technology integration. Computers & Education, 118, 70–81. https://doi.org/10.1016/j.compedu.
Wang, Y. Big Opportunities and Big Concerns of Big Data in Education. TechTrends, 60, 381–384 (2016). https://doi.org/10.1007/s11528-016-0072-1
Wang, Y., Decker, J. R. (2014). Can virtual schools thrive in the real world? TechTrends, 58(6), 57–62.
Weller, S. (2017). Using internet video calls in qualitative (longitudinal) interviews: Some implications for rapport. International Journal of Social Research Methodology, 20, 613–625. https://doi.org/10.1080/13645579.2016.1269505
Zhu, M., Urhahne, D., Rubie-Davies, C. M. (2018). The longitudinal effects of teacher judgement and different teacher treatment on students’ academic outcomes. Educational Psychology, 38(5), 648–668. https://doi.org/10.1080/01443410.2017.1412399
Žydžiūnaitė, V., Merkys, G., Jonušaitė, S. (2005). Socialinio pedagogo profesinės adaptacijos kokybinė diagnostika. Pedagogika, 76, 23–32.