Tietojenkäsittelytieteen alaan kuuluva väitöskirja tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa. Tilaisuutta voi seurata Joensuun kampuksella ja verkossa.
Mikä on väitöstutkimuksesi aihe? Miksi aihepiiriä on tärkeää tutkia?
Väitöstutkimukseni keskittyy oppimisanalytiikan hyödyntämiseen oppimisen itsesäätelyn ymmärtämisessä verkko-oppimisympäristöissä. Tutkin erityisesti sitä, miten opiskelijoiden sitoutuminen, minäpystyvyysuskomukset ja itsesäätelytaidot kehittyvät ja vaikuttavat toisiinsa ajan kuluessa verkossa tapahtuvan oppimisen aikana.
Aihepiiri on erittäin ajankohtainen ja tärkeä useasta syystä. Verkko-oppiminen on kasvanut räjähdysmäisesti – Covid-19-pandemia kiihdytti verkko-oppimisen yleistymistä, mutta kehitys oli alkanut jo aiemmin. Yhä useammat opiskelijat suorittavat opintojaan osittain tai kokonaan verkossa, mikä asettaa uudenlaisia vaatimuksia oppimistaidoille.
Verkkoympäristössä opiskelijoiden on otettava enemmän vastuuta omasta oppimisestaan kuin perinteisessä luokkaopetuksessa. Heidän täytyy asettaa tavoitteita, suunnitella opiskeluaan, seurata edistymistään ja arvioida oppimistaan itsenäisesti. Monet opiskelijat kamppailevat näiden taitojen kanssa.
Digitaaliset oppimisalustat keräävät valtavia määriä tietoa opiskelijoiden toiminnasta. Tämä tieto voidaan analysoida älykkäästi, jotta ymmärrämme paremmin oppimisprosesseja ja voimme tukea opiskelijoita tehokkaammin. Tutkimukseni tarjoaa konkreettisia ratkaisuja siihen, miten voimme tunnistaa eri tavoin oppivat opiskelijat, milloin he tarvitsevat tukea, ja millaisia tukitoimia kullekin opiskelijatyypille tulisi tarjota. Tämä auttaa sekä opettajia että oppilaitoksia tarjoamaan parempaa tukea verkko-oppimisessa.
Mitkä ovat väitöstutkimuksesi keskeiset tulokset tai havainnot?
Väitöstutkimukseni tuotti useita merkittäviä löydöksiä, jotka valaisevat verkko-oppimisen dynamiikkaa uudella tavalla. Ensimmäinen osatutkimukseni paljasti hämmästyttävän tosiasian: vain 46 prosenttia oppimisanalytiikkaan perustuvista tukitoimista todella parantaa opiskelijoiden oppimistuloksia. Vielä huolestuttavampaa on, että ainoastaan 16 prosenttia tutkituista tukitoimista käsitteli koko itsesäätyvän oppimisen syklin - suunnittelun, suorittamisen ja arvioinnin. Tämä selittää osaltaan, miksi monet digitaaliset oppimistyökalut eivät toimi odotetulla tavalla.
Toisessa osatutkimuksessani löysin neljä selkeästi erottuvaa tapaa, joilla opiskelijat lähestyvät verkko-oppimista. Yllättäen yleisin tapa oli "lyhyen fokuksen" taktiikka, jossa tehdään vain nopeita käyntejä verkko-oppimisympäristössä. Menestyneimmät opiskelijat käyttivät "projektisuuntautunutta" taktiikkaa, jossa keskityttiin intensiivisesti tehtävien tekemiseen ja systemaattiseen materiaalin käyttöön.
Opiskelijat, jotka uskovat omiin kykyihinsä, käyttäytyivät verkko-oppimisessa täysin eri tavalla kuin ne, joilla oli vähemmän itseluottamusta. Korkean pystyvyysuskomuksen opiskelijat hyödynsivät monipuolisemmin erilaisia oppimistyökaluja, viettivät enemmän aikaa oppimismateriaalien parissa ja siirtyivät sujuvammin erilaisten oppimiseen liittyvien aktiviteettien välillä.
Kehitin uudenlaisen tavan analysoida asynkronista oppimista. Sen sijaan että olisin jakanut datan kiinteiden aikavälien mukaan, seurasin jokaisen opiskelijan yksilöllistä etenemistä. Tämä antoi tarkemman kuvan siitä, miten oppiminen todella tapahtuu verkkoympäristössä.
Miten väitöstutkimuksesi tuloksia voidaan hyödyntää käytännössä?
Tutkimukseni tulokset tarjoavat konkreettisia ja välittömästi sovellettavia ratkaisuja verkko-oppimisen kehittämiseen. Käytännön hyödyntäminen voidaan nähdä kolmella tasolla: opettajien ja kouluttajien arkityössä, teknologian kehittämisessä sekä oppilaitosten strategisessa suunnittelussa.
Ensimmäinen ja ehkä merkittävin käytännön sovellus koskee suoraan opettajien työtä. Tutkimukseni osoittaa, että tavoitteiden asettaminen kurssin alussa ei ole vain hyvä käytäntö, vaan välttämätöntä erityisesti verkko-oppimisessa. Kun opiskelija asettaa selkeän, mitattavan tavoitteen – esimerkiksi "saavutan arvosanan neljä tekemällä kaikki tehtävät ajallaan" – hän sitoutuu oppimiseen syvällisemmin kuin epämääräisten tavoitteiden kanssa. Vieläkin tärkeämpää on ymmärtää, että opiskelijat tarvitsevat erilaista tukea riippuen heidän uskomuksistaan omista kyvyistään. Ne opiskelijat, jotka epäilevät pystyvänsä menestymään kurssilla, hyötyvät enemmän kannustuksesta ja perusasioiden ohjauksesta. Sen sijaan itsevarmemmat opiskelijat kaipaavat haastavampia tehtäviä ja syvällisempiä keskusteluja. Tämä tarkoittaa käytännössä sitä, että opettajan kannattaa jo kurssin alkuvaiheessa tunnistaa nämä erilaiset oppijatyypit ja räätälöidä tukensa sen mukaisesti.
Tutkimukseni antaa selkeän suunnan verkko-oppimisympäristöjen ja analytiikkatyökalujen kehittämiselle. Nykyiset järjestelmät keskittyvät usein vain yksinkertaisiin mittareihin, kuten kirjautumiskertoihin tai tehtävien määrään. Tutkimukseni osoittaa, että tarvitsemme kehittyneempiä algoritmeja, jotka tunnistavat opiskelijan oppimistaktiikan ja kehityspolun.
Laajemmassa mittakaavassa tutkimukseni tulokset auttavat oppilaitoksia suunnittelemaan verkko-opetusta tehokkaammin. Kun tiedämme, että vain 16 prosenttia nykyisistä tukitoimista käsittelee koko itsesäätelyisen oppimisen syklin, oppilaitokset voivat investoida kokonaisvaltaisempiin ratkaisuihin. Käytännössä tämä tarkoittaa, että kurssien suunnittelussa tulisi huomioida systemaattisesti kaikki kolme itsesäätelyn vaihetta: suunnittelu kurssin alussa, toteutuksen seuranta kurssin aikana ja oppimisen arviointi kurssin lopussa. Oppilaitokset voivat myös kehittää opettajien koulutusta siten, että he osaavat tunnistaa ja tukea erilaisia oppijatyyppejä.
Monet tutkimukseni suosituksista voidaan toteuttaa välittömästi ilman suuria investointeja. Esimerkiksi tavoitteiden asettaminen kurssin alussa tai erilaisten oppimistaktiikoiden esittely opiskelijoille eivät vaadi uusia teknologioita, vaan ainoastaan opetuskäytäntöjen muuttamista. Pitkällä aikavälillä tutkimukseni tulokset voivat vaikuttaa laajemmin koulutuksen digitalisaatioon ja itseohjautuvan oppimisen tukemiseen. Kun ymmärrämme paremmin, miten erilaiset opiskelijat toimivat verkkoympäristössä, voimme suunnitella joustavampia ja tehokkaampia oppimispolkuja kaikille.
Erityisen merkittävää on se, että tutkimukseni osoittaa konkreettisesti, miten data-analytiikkaa voidaan käyttää inhimillisen oppimisen tukemiseen sen sijaan, että se korvaisi opettajan työtä. Kyse on työkaluista, jotka auttavat opettajia ymmärtämään oppilaitaan paremmin ja tarjoamaan juuri oikeanlaista tukea oikeaan aikaan.
Mitkä ovat väitöstutkimuksesi keskeiset tutkimusmenetelmät ja -aineistot?
Aloitin tutkimukseni niin sanotulla systemaattisella kirjallisuuskatsauksella, joka on tieteellinen menetelmä kaiken aiheesta aiemmin tehdyn tutkimuksen kokoamiseksi ja arvioimiseksi. Kävin systemaattisesti läpi 753 tutkimusta seitsemästä eri tietokannasta käyttäen tarkkaan määriteltyjä hakusanoja. Lopulta 56 tutkimusta täytti kaikki vaatimukset ja pääsi mukaan analyysiin. Analysoin jokaisen tutkimuksen neljän tutkimuskysymyksen kautta: mitä menetelmiä on käytetty, millä tavoin tukitoimet on toteutettu, minkä oppimisen vaiheen ne kattavat, ja kuinka tehokkaita ne ovat olleet.
Toinen osatutkimus vei minut syvälle digitaalisten jälkien maailmaan. Sekvenssianalyysi on menetelmä, jolla näistä jäljistä voidaan tunnistaa merkityksellisiä kuvioita ja toimintamalleja. Keräsin aineistoa 209 liiketalouden opiskelijalta, jotka suorittivat projektinhallinnan kurssin verkossa. Heistä sain yhteensä 56 047 lokimerkintää, jotka kuvasivat heidän toimintaansa oppimisalustalla. Tunnistin neljä erilaista oppimistaktiikkaa ryhmittämällä samankaltaiset toimintamallit yhteen. Tämä antoi syvällisen kuvan siitä, miten erilaiset oppijatyypit navigoivat oppimisympäristössä.
Kolmas osatutkimus oli metodologisesti haastavin, sillä siinä yhdistin kahden erilaisen tietolähteen analyysin reaaliajassa. Keräsin 165 opiskelijalta sekä heidän digitaaliset jälkensä oppimisalustalta että heidän itsearviointinsa itsesäätelytaidoistaan useassa eri vaiheessa kurssia. Tämä tuotti yhteensä 62 070 lokimerkintää ja 1 164 kyselyvastauksista. Innovatiivisin osa tutkimuksessani oli tapa, jolla segmentoin datan. Sen sijaan, että olisin jakanut kurssin kiinteisiin aikajaksoihin – kuten viikko 1, viikko 2 jne. – seurasin jokaisen opiskelijan yksilöllistä etenemistä. Tämä mahdollisti sen, että hitaasti etenevät ja nopeasti etenevät opiskelijat olivat vertailukelpoisia keskenään.
FM, KTM Sami Heikkisen tietojenkäsittelytieteen alaan kuuluva väitöskirja Using learning analytics to capture self-regulation and the complex temporal dynamics of its correlates (Itsesäätelyn ja siihen liittyvien tekijöiden monimutkaisten ajallisten dynamiikkojen tutkiminen oppimisanalytiikan avulla), tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa, Joensuun kampuksella. Vastaväittäjänä toimii professori Hanni Muukkonen, Oulun yliopisto, ja kustoksena apulaisprofessori Mohammed Saqr,Itä-Suomen yliopisto. Tilaisuuden kieli on englanti.
äپٴᲹ:&Բ;
Sami Heikkinen, sami.heikkinen@lab.fi, p. 040 910 9489
- äöپܳܲ
- (PDF)
