Mens Ida går ind på campus, logger hendes MacBook automatisk på institutionens eduroam-wifi. Hun sætter sig i læsesalen og uploader ugens opgave 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.
Studerendes hverdag på studiet sammenblander det digitale med det fysiske. Hvert digitalt skridt sætter små digitale fodspor, der samlet giver enorme mængder data. Og den internationale tendens, særligt i USA, Australien og Storbritannien, er, at analyser af al den data om de studerendes adfærd bruges til at forbedre uddannelsernes kvalitet. Også herhjemme er de første skridt taget til at afprøve potentialerne i det, der med en samlet betegnelse kan kaldes learning analytics.
Hvad kan det så bruges til? Faktisk mange ting, mener vi i Danmarks Akkrediteringsinstitution – og sikkert endnu flere i fremtiden. Ved at samle og sammenholde adfærdsdata om den enkelte studerende har institutioner for eksempel 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. Med den tilgang har en række udenlandske institutioner formået at reducere frafaldet og gennemførselstiden mærkbart. De traditionelle metoder til at analysere eksempelvis årsager til frafald eller ledighed er oftest bagudskuende: Hvem faldt fra sidste år, og hvorfor gjorde de det? Med learning analytics kan man i stedet gribe de studerende og sætte ind med vejledning allerede undervejs i uddannelsesforløbet. Vejledningen kan også målrettes den faglige udvikling, når data tidligt kan identificere studerende, der på et senere tidspunkt risikerer at få problemer med centrale fag.
Hvad bruger de studerende egentlig tid på? Et godt spørgsmål, som vi med learning analytics kan blive lidt klogere på. For platformene registrerer præcis hvor lang tid, den enkelte studerende bruger 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 eller til at lade undervisningsforløb tilpasse den enkeltes niveau og læringsstil. Det er da studentercentreret læring, så det batter. Får den studerende indblik i egne data sammenlignet med standardtal for de medstuderende, kan det også være med til at løfte uddannelsesforløbet. 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.
Men der er også mange og væsentlige faldgruber. At forstå og bruge learning analytics kræver viden og kompetencer. Ikke mindst stiller det krav til både studerendes og underviseres evne til kritisk og konstruktivt at bruge data. For nok kan data og adaptive algoritmer for eksempel identificere de studerende, der har brug for særlig opmærksomhed, men det kræver fortsat dyb faglighed at vurdere, hvilke tiltag der så skal iværksættes. 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. Brugen af analytics forudsætter også et institutionelt setup, der kan overskue, systematisere, analysere, præsentere og forsvarligt håndtere data. Og der skal være klare principper for brugen, samt maksimal gennemsigtighed. 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.
I Danmarks Akkrediteringsinstitution er vores interesse for learning analytics todelt. Vi står for at sikre og udvikle kvaliteten af alle danske videregående uddannelser og uddannelsesinstitutioner, og vi kan se store perspektiver i de internationale strømninger og erfaringer fra uddannelsesinstitutioner, der styrker arbejdet med uddannelseskvalitet ved hjælp af learning analytics. Samtidig må vi også forvente at kunne støde på danske universiteter, professionshøjskoler, erhvervsakademier eller andre uddannelsesinstitutioner, der arbejder med det. Når det sker, skal vi være i stand til at vurdere indsatsen. Derfor interesserer vi os for feltets muligheder og udfordringer. Vores mål er altid 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.