Download - Oppimisanalytiikkaesitys Haaga-Helia 2017
Sami Suhonen 20.11.2017
OPPIMISANALYTIIKKATYÖPAJA
1. Määritelmä
2. Data
3. Analytiikan tasot
4. Esimerkkejä
5. Analytiikkaa opiskelijalle
6. Työpaja
Haaga-Helia 20.11.2017
Sisältö:
Sami Suhonen 20.11.2017
DigimentoriPedagoginenR & D
Fysiikan yliopettaja
• Opettajandigitaaliset työkalut
• Kollekoidenauttaminen, opettajien koulutusja työpajat
• Pedagoginennäkökulma
• Oppimisanalytiikka(Learning Analytics)
• Opiskelijakokemus• Oppimistulokset
• Käänteinen opetus(Flipped Learning)
• Opiskelu- ja opetustapojenkehitystyö
• Verkko-opetus
KUKA?
Sami Suhonen 20.11.2017
1. Suhonen, S. (2016) Learning Analytics View to Students' HomeworkActivity in Engineering Physics. INTED2016 Proceedings, pp. 3998-4005.
2. Suhonen, S. (2016) Put Theory into Practice: Measurement Assignmentsin Physics Theory Courses. INTED2016 Proceedings, pp. 4478-4484.
3. Suhonen, S., Tiili, J. (2015) Students’ Online Activity on a Fully Online Introductory Physics Mechanics Course, Proceedings of SEFI2015 43rd Annual Conference, Orleans, France
4. Suhonen, S., Puranen, J., (2015) Enhancing Learning in Integrated Physics Laboratory Course: Physics, Mathematics and Communications, 43rd Annual SEFI Conference June 29 -July 2, 2015 Orléans, France
5. Tiili, J., Suhonen, S. (2015) Students’ Experiences on Modern Fully Online Introductory Mechanics Physics Course, Proceedings of SEFI2015 43rd Annual Conference, Orleans, France
6. Hockicko, Peter, and Juho Tiili. "Comparison of the Entering Students’ FCI Results–Tampere UAS and University of Žilina", Proceedings of SEFI2015 43rd Annual Conference, Orleans, France
7. Tiili, J., Manninen, R., Puranen, J., Suhonen, S., (2015) Development of Simple Public Assessment Sheet and its Use in Elementary Physics Laboratory Course, , Proceedings of SEFI2015 43rd Annual Conference,
8. Suhonen, S., Tiili, J.Combining good practices in fully online learningenvironment – introductory physics course, Proceedings of SEFI2014 42nd Annual Conference, Birmingham, UK
9. Tiili. J., Suhonen, S. Using video solutions and “hi-score-list” to increaseand to monitor student’s homework activity, PTEE2014
10. Suhonen, S., Tiili, J. Enhancing scientific analyzing and reporting skills –integrated physics laboratory course, PTEE 2014
11. Tiili, J., Suhonen, S. (2014). Analysis of Analytics - Videoclip WatchingActivity in Introductory Physics. Proceedings of SEFI 42nd AnnualConference, Birmingham, UK
12. Manninen, R., Tiili, J. Using pre-lecture assignments to enhancestudents' learning in introductory physics, PTEE2014
13. S. Suhonen, J. Tiili (2014) Simple Measurement Assignments as Activators in Elementary Engineering Physics, INTED2014 Proceedings, pp. 4057-4066.
14. Suhonen, S., Tiili, J. (2014), Active Engaging Video Assisted Physics Studies - Preliminary Results, World Conference on EducationalMultimedia, Hypermedia and Telecommunications Vol. 2014, No. 1 (Jun23, 2014) pp. 1636–1644
15. S. Suhonen, J. Tiili (2014) Simple Measurement Assignments as Activators in Elementary Engineering Physics, INTED2014 Abstracts
16. Tiili, J., Suhonen S. (2013) Combining Good Practices : Method to studyIntroductory Physics in Engineering Education, Proceedings of the SEFI annual conference 2013, Leuven, Belgium
Julkaisuja
Sami Suhonen 20.11.2017
Google Trends -hakutermi:
"Learning analytics"
“Learning analytics is the
measurement, collection, analysis and
reporting of data about learners and their
contexts, for purposes of understanding
and optimizing learning and the
environments in which it occurs”
10 vuotta
1. MÄÄRITELMÄ
”Oppimisanalytiikka hyödyntää
oppimisprosessista syntyviä tietoja
opetuksen ja ohjauksen kehittämiseksi
sekä oppimisen tueksi.”
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
20
07
-11
20
08
-06
20
09
-01
20
09
-08
20
10
-03
20
10
-10
20
11
-05
20
11
-12
20
12
-07
20
13
-02
20
13
-09
20
14
-04
20
14
-11
20
15
-06
20
16
-01
20
16
-08
20
17
-03
20
17
-10
Maailma
Suomi
Su
hte
elli
ne
n e
siin
tyvyys
eAMK-hanke:
LAK -13 konferenssi:
Sami Suhonen 20.11.2017
Oppijan toiminta,Lokitiedot
Oppimistulokset
Analysointi ja ennusteet
Data
Ajankohdat, kestot, sekvenssit, sosiaaliset verkot, klusterointi,
profilointi, opintomenestys jne.
Fyysinen ympäristöDigitaalinen ympäristö
Data
PaikannusTilojen käyttöaste
Fyysiset oppimisympäristöt
IhminenKeinoäly
2. DATA
Sami Suhonen 20.11.2017
Opettaja
• Osaamisen visualisointi• Opiskelupolun personointi• Muistutukset, interventio• Ranking• Heat Map
Oppija
• Materiaalien käyttö• Opiskelijoiden
ajankäyttö• Opiskeluajankohdat• Opintojaksojen kehitys
Johto ja hallinto
• Tilastointi• 55 op• pullonkaulat• Luokittelut• Osallistuminen• Suoritukset
Iko
nit
: h
ttp
://w
ww
.ico
ns-
lan
d.c
om
2. DATA
Sami Suhonen 20.11.2017
Kuvaileva (Descriptive)
Diagnostinen (Diagnostic)
Ennustava (Predictive)
Ohjaava (Prescriptive)
Mitä on tapahtunut? Mitä on tehty?
Miksi tietty asia tapahtui? Perustuu tason 1 dataan.
Mitä tapahtuu seuraavaksi? Miten oppiminen tulee etenemään?
Mitä pitäisi tehdä seuraavaksi?
3. ANALYTIIKAN TASOT
Sami Suhonen 20.11.2017
LÄHDE: Bier, N., Lip, S., Strader, R., Thille, C., & Zimmaro, D.
(2014). An Approach to Knowledge Component/Skill Modeling in
Online Courses. Open Learning.
Kurssin sisältö jaettu osaamisiin
Analytiikka arvioi
opiskelijan osaamisen
tason
OKEi dataa Ei osaaVaarassa pudota
Samaa osaamista testataan useissa
tehtävissä
Tehtävän ratkaiseminen vaatii
useita osaamisia
4. ESIMERKKEJÄ
Esimerkki
Stanfordista:
Esim. viestintä osaamis-kategorioittain
Dataan voi kaivautua yksittäiseen
opiskelijaan asti
Sami Suhonen 20.11.2017
4. ESIMERKKEJÄ
TAMK
Fysiikka
Moodle
Sami Suhonen 20.11.2017
Viikkokokeet
Loppukoe
4. ESIMERKKEJÄ
TAMK
Fysiikka
YouTube
TAMKin fysiikan tiimi:
4 kanavaa1400 videota
Katsottu:500 000 min150 000 kertaa
Sami Suhonen 20.11.2017
Includes two students who hadwatched all video clips 3-9 times –unlike the others
The two studentsremoved.
Previous study about blended implementation(Sefi2014)
4. ESIMERKKEJÄ
TAMK
Fysiikka
Moodle
Sami Suhonen 20.11.2017
0…
1 m
in
1…
2 m
in
2…
3 m
in
3…
4 m
in
5…
6 m
in
6…
7 m
in
7…
8 m
in
8…
9 m
in
9…
10
min
10
…1
1 m
in
11
…1
2 m
in
13
…1
4 m
in
14
…1
5 m
in
4…
5 m
in
12
…1
3 m
inKuplan koko = katselukertojen määrä
TAMKin fysiikan tiimi:
4 kanavaa1400 videota
Katsottu:500 000 min150 000 kertaa
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
Why Videos?
Nursing students: 86Answers: 74 (86 %)
Engineering students: 111Answers: 68 (61%)
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
Video types in physics at Tampere University of Applied Sciences:
A) Present theory of physical phenomena
B) Show lecture demonstrations and measurements
C) Present solutions to homework exercises
D) Instruct laboratory work.
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
Type of videoNumber of
videosAverage length
Average number of
views
Average percentage
watched
Theory
Demonstration
Exercise
Laboratory
9
2
30
9
6:28
1:34
6:45
11:40
437
358
573
383
60 %
80 %
55 %
52 %
Table 1. Characteristics of videos in this study.
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
100 %
80 %
60 %
40 %
20 %
0 %
120 %
2 m
in
4 m
in
6 m
in
8 m
in
10
min
0 m
in
12
min
14
min
ResultsHomework solution videos
Characteristic shape
4. ESIMERKKEJÄ
Sami Suhonen 20.11.20172
min
4 m
in
6 m
in
8 m
in
10
min
0 m
in
100 %
80 %
60 %
40 %
20 %
0 %
120 %
ResultsTheory videos
Characteristic shape
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
ResultsLaboratory instruction videos
Characteristic shape
100 %
80 %
60 %
40 %
20 %
0 %
120 %
2 m
in
4 m
in
6 m
in
8 m
in
10
min
0 m
in
12
min
14
min
16
min
18
min
20
min
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
Results
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
Conclusions: Laboratoryinstruction videos
Theory videosHomeworksolution videos
Provide also a written answer ora snapshot of thelast frame.
To improve: Try to make themmore engaging…
Add interactivity
List the content of thevideo. Provide directlinks to them.
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
𝑦 = 423 𝑒−0,0442 𝑥
T1/2 = 15,68
𝑦 = 423 𝑒−0,0442 𝑥
Opiskeluinnon puoliintumisaika on
16 vrk
4. ESIMERKKEJÄ
Sami Suhonen 20.11.2017
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
1
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
2
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
3
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
4
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
5
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
6
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
7
0
50
100
150
200
250
0 10 20 30 40 50 60 70 80 90 100
Opiskelijan ID
8Viikko:
Loki
tap
ahtu
mie
n m
äärä
HyväksyttyHylätty
Hylätyn arvosanan ennustettavuus:
Kriteeri: 10 tap./viikko
Viikko 1: 64 % 18 %
Viikko 2: 61 % 26 %
Viikko 3: 45 % 9 %
Viikko 4: 55 % 3 %
Viikko 5: 73 % 6 %
Viikko 6: 94 % 15 %
Viikko 7: 97 % 9 %
Viikko 8: 94 % 12 %
4. ESIMERKKEJÄ TAMKin verkko- opintojakso ”Mekaniikka”:
Sami Suhonen 20.11.2017Sami Suhonen 2016
4. ESIMERKKEJÄ
TAMKin verkko-opintojakso ”Mekaniikka”
Moodlen lokidata
Sami Suhonen 20.11.2017
4. ESIMERKKEJÄ
Lasse
Minna
Mark
Sosiogrammit
http://leaderboardx.herokuapp.com/#/graph-editor
Iko
nit
: h
ttp
://w
ww
.ico
ns-
lan
d.c
om
Sami Suhonen 20.11.2017
Mittaritietoa matkan taittumisesta
Reittiohjeita
5. ANALYTIIKKAA
OPISKELIJALLE
Oppimismatkaa helpottaa, jos oppijalla on tarvittava mittaritieto ja reittiohjeet helposti saatavilla.
Vrt. automatka
Sami Suhonen 20.11.2017
Hienoa! Olet aikataulussa
10.15 Mekaniikka12.00 Laboratoriotyö E2-12
13.15 Sound Plan16.00 Kenttämittaus kartta
17.00 Sulkapallo18.00 Henkilökohtainen
5. ANALYTIIKKA
OPISKELIJALLE Tee mekaniikan harjoitus…
Ilmoittaudu tenttiin…
Visio…Mittaritietoa
Aikataulut,lukujärjestys
Tilat, reittiohjeet
Muistutukset
Sami Suhonen 20.11.2017
Moodle
Who?When?What?How long?What next?
Excel
Data MiningFiltering
Categorizing
6. TYÖPAJA
Sami Suhonen 20.11.2017
6. TYÖPAJA
Jakauma päiville
Jakauma kellonajan mukaan
Sami Suhonen 20.11.2017
6. TYÖPAJA
Tarkastele omaa dataasi:
• Kuinka monta erilaista tehtävää, materiaalia, linkkiä tms. kurssillasi on? (Event context)
• Kuinka moneen eri kategoriaan lokitiedot jakautuvat? (Component)
• Tuottaako Moodle nyt kurssistasi sellaista dataa, josta on hyötyä?
• Miten kurssin rakennetta tai sisältöjä pitäisi muuttaa, jotta saisit kerättyä haluamasi tiedot?