Fra data til bedre uddannelser

Mens Ida går ind på campus, logger hendes MacBook automatisk på institutionens eduroam-wifi. Hun sætter sig i læsesalen og uploader ugens opgave på sit 2. semester modul på læringsplatformen. Her læser hun også en gruppebesked fra deres instruktor og kommenterer på en faglig diskussion, inden hun sætter sig til at læse en tekst online via institutionens bibliotek.

Analyse af studerendes fodspor kan løfte uddannelser

Studerendes hverdag på studiet sammenblander det digitale med det fysiske. Og hvert digitalt skridt sætter små digitale fodspor. Om det så bare er, at computeren eller tabletten logger fra et access-punkt til et andet på campus. Hver dag sætter hver enkelt studerende masser af sådanne digitale aftryk. Til sammen giver det enorme mængder data. De digitale fodspor giver mulighed for helt nye måder at analysere de studerendes adfærd. Og den internationale tendens er, at analyser af studerendes digitale adfærd bruges til at forbedre uddannelsernes kvalitet – for eksempel til at identificere frafaldstruede studerende.

Særligt i USA, Australien og Storbritannien er der stadig flere institutioner, der forbedrer uddannelseskvaliteten ved hjælp af moderne analysemetoder og de store datamængder, deres studerende generer. Også herhjemme er de første skridt taget til at afprøve potentialerne. Derfor har metoder, der med en samlet betegnelse kan kaldes learning analytics, vores naturlige interesse i Danmarks Akkrediteringsinstitution. For det er vores opgave at vurdere, om vores uddannelsesinstitutioner er gode nok til at levere ordentlige uddannelser.

Mange formål

Ved at samle adfærdsdata om den enkelte studerende og måle op mod andre studerende med samme baggrund har institutioner udviklet modeller til at analysere sandsynligheden for, at konkrete studerende vil falde fra studiet eller blive forsinket på vejen gennem uddannelsen. Dermed får institutionen mulighed for at tage fat i studerende og eksempelvis tilbyde vejledning. En række institutioner har formået at reducere frafaldet og gennemførselstiden mærkbart ved at identificere frafaldstruede og gribe tidligt ind.

Netop muligheden for at identificere studerende med behov for særlig støtte er gennemgående for mange institutioner, der arbejder med learning analytics. Den databaserede, individuelle vejledning kan som beskrevet fokusere på at forhindre frafald, men den kan også målrettes den faglige udvikling og for eksempel tidligt identificere studerende, der på et senere tidspunkt risikerer at få problemer med centrale fag. Data kan her bruges af såvel undervisere og vejledere som af den enkelte studerende. Undervisere og vejledere kan få data om de studerende præsenteret, så de kan se den enkeltes udvikling og få identificeret dem, der kan have brug for særlig opmærksomhed. Her bliver data til et fagligt hjælpeværktøj, mens det fortsat kræver dyb faglighed at vurdere, hvilke tiltag der i givet fald skal iværksættes. En anden model er at lade den enkelte studerende få adgang til egne data sammenlignet med standardtal for de medstuderende. Hvor ligger jeg i forhold til mit studie? Læser jeg lige så meget som de andre? Er der steder i min studieadfærd, hvor jeg opfører mig anderledes end mine medstuderende? Den type spørgsmål kan de studerende have stor glæde af at kende svaret på.

Hvad læser de, hvor tøver de?

Hvad bruger de studerende egentlig tid på? Godt spørgsmål. Med digitale læremidler får vi faktisk mulighed for at blive lidt klogere på det. For platformene registrerer præcis hvor lang tid, den enkelte studerende bruge på hver enkelt side eller instruktionsvideo. Hvor stopper de studerende op, hvor går de tilbage og læser igen? Hvad markerer de? Alt vi gør online efterlader spor. Og de spor kan analyseres for at finde viden om, hvordan de studerende bruger de digitale læringsredskaber. I stigende grad forsøger platformene også at analysere på, om de studerende faktisk lærer noget, og i givet fald hvordan. Som underviser kan learning analytics dermed bruges til at få ny viden om, hvordan de studerende reagerer på undervisningen. Det er et evalueringsværktøj, der kan supplerer de øvrige kursusevalueringer, som undervisere løbende gennemfører, og hvor målet er den løbende udvikling og tilpasning af den konkrete tilrettelæggelse af undervisningen.

Med store datamængder om studerendes læringsforløb og adaptive algoritmer forsøger institutioner flere steder at lade digitale undervisningsforløb tilpasse den enkeltes niveau og læringsstil. Har du børn i folkeskolen, kender du måske allerede digitale læremidler, der løbende tilpasser sig barnets faglige niveau. Samme typer individualiserede digitale læremidler findes også for videregående uddannelser. De bruges mange steder i udlandet, fortrinsvist til redskabsfag.

Også faldgruber

At forstå og bruge learning analytics kræver viden og kompetencer. For der er mange mulige og væsentlige faldgruber. Ikke mindst stiller det krav til både studerendes og underviseres evne til kritisk og konstruktivt at bruge data. Og det stiller krav til vejledningen af de studerende. Potentialerne i learning analytics kommer ikke ved at udvikle eller indkøbe nye systemer alene. Uden fokus på kompetencerne hos studerende, undervisere, vejledere og studieledere risikerer nyindkøbet hurtigt at samle støv eller på anden vis fejle. Men analytics forudsætter ikke nødvendigvis udvikling af allehånde nye typer data. Data findes allerede i dag på de fleste institutioner.

Brugen af analytics forudsætter også et institutionelt setup, der kan overskue, systematisere, analysere og præsentere data. Deri ligger også en særlig institutionel forpligtigelse til at sikre de studerendes data. Jo mere data, der indsamles og bruges, jo bedre skal institutionerne være til at håndterer data forsvarligt. Og der skal være klare principper for brugen, samt maksimal gennemsigtighed over for de studerende. Erfaringen fra Storbritannien er, at med stærke rammer, gode principper og gennemsigtighed kan studerende tage positivt imod learning analytics og se klare fordele i mulighederne for en langt mere individualiseret relation til deres uddannelser og institutioner.

Kigger bedre fremad

Når vi akkrediterer uddannelser og institutioner, forventer vi, at man lokalt analyserer på eksempelvis årsager til frafald og ledighed. De traditionelle metoder er oftest bagudskuende: Hvem faldt fra sidste år, og hvorfor gjorde de det? Med de nye metoder i learning analytics og erfaringerne fra udenlandske institutioner er det vores vurdering, at vi vil se, at uddannelsesinstitutioner herhjemme også vil prøve kræfter med at identificere konkrete frafaldstruede studerende. Når det sker, skal vi i Danmarks Akkrediteringsinstitution være i stand til at vurdere indsatsen. Derfor interesserer vi os for muligheder og udfordringer ved learning analytics. Vores mål er at bidrage til, at alle uddannelser kan blive Danmarks bedste uddannelser. Vi vil derfor drøfte med interesserede parter i og omkring sektoren, om learning analytics kan bidrage til at indfri det mål.