Learning analytics

Learning analytics (pol. analiza uczenia się) to interdyscyplinarna dziedzina, która łączy data mining, statystykę, sztuczną inteligencję oraz pedagogikę, aby gromadzić, analizować i interpretować dane pochodzące z procesów edukacyjnych. Celem tych działań jest wspieranie nauczycieli, studentów i instytucji edukacyjnych w podejmowaniu świadomych decyzji, personalizacji ścieżek nauczania oraz podnoszeniu jakości kształcenia.

Definicja

Learning analytics definiuje się jako „pomiar, zbieranie, analizowanie i raportowanie danych o uczniach i ich środowisku w celu zrozumienia i optymalizacji procesu uczenia się oraz środowiska edukacyjnego” (JISC, 2015). W praktyce obejmuje to zarówno dane cyfrowe (logi systemów LMS, wyniki testów online), jak i tradycyjne (ankiety, oceny) oraz ich połączenie.

Historia

Początki learning analytics sięgają wczesnych lat 2000, kiedy to naukowcy z MIT i Stanford University zaczęli eksperymentować z analizą logów kursów internetowych (tzw. MOOC). Do 2010 roku pojęcie zostało ugruntowane w literaturze poprzez raporty JISC i Unii Europejskiej. Od 2015 roku obserwujemy dynamiczny rozwój standardów (np. xAPI, Learning Analytics Standard) oraz powstanie dedykowanych centrów badawczych, takich jak Centre for Educational Analytics w Londynie.

Zastosowania

• Wczesne ostrzeganie o ryzyku niepowodzenia – modele predykcyjne wykrywają studentów zagrożonych nieukończeniem semestru.
• Personalizacja ścieżek nauczania – rekomendacje materiałów i zadań dostosowane do indywidualnego tempa i stylu uczenia się.
• Optymalizacja projektowania kursów – analiza interakcji pozwala identyfikować fragmenty materiału, które sprawiają najwięcej trudności.
• Badania edukacyjne – gromadzenie dużych zbiorów danych (tzw. big data) umożliwia testowanie teorii pedagogicznych w warunkach rzeczywistych.
• Wsparcie administracyjne – prognozowanie zapotrzebowania na zasoby, planowanie harmonogramów zajęć.

Metody i techniki

W learning analytics stosuje się szeroką gamę metod, w tym:

• Statystyka opisowa – rozkłady, średnie, odchylenia standardowe.
• Analiza sieci neuronowych i uczenia maszynowego (np. klasyfikatory, regresja, drzewa decyzyjne).
• Analiza sieci społecznościowych – mapowanie interakcji pomiędzy uczestnikami kursu.
• Techniki data mining – klasteryzacja, reguły asocjacyjne, wykrywanie wzorców.
• Metody jakościowe – wywiady, analiza treści, etnografia cyfrowa wspomagane danymi kwantytatywnymi.

Narzędzia i platformy

Do najpopularniejszych rozwiązań należą:

• Moodle – wtyczka Analytics umożliwiająca monitorowanie postępów.
• Canvas – wbudowane raporty Learning Analytics.
• Sakai – moduł Learning Analytics Dashboard.
• Systemy open‑source: Open Learning Analytics (OLA), LARA (Learning Analytics Resources and Applications).
• Komercyjne platformy: Kaltura Insights, Blackboard Analytics, Brightspace Insights.

Związki z innymi dziedzinami

Learning analytics znajduje się na przecięciu kilku obszarów naukowych:

• Edukacja i pedagogika – dostarcza dowodów na skuteczność metod nauczania.
• psychologia – umożliwia badanie motywacji i zachowań uczniów.
• Data mining i uczenie maszynowe – techniczne podstawy analizy danych.
• informatyka – rozwój standardów wymiany danych (np. xAPI, Caliper Analytics).
• etyka – zagadnienia prywatności, ochrony danych osobowych (RODO).

Korzyści i wyzwania

Korzyści

• Zwiększona retencja studentów dzięki wczesnemu wykrywaniu problemów.
• Lepsze dopasowanie treści edukacyjnych do potrzeb indywidualnych.
• Usprawnione zarządzanie zasobami edukacyjnymi i planowanie strategiczne.
• Wsparcie badań w dziedzinie sztucznej inteligencji w edukacji.

Wyzwania

• Prywatność i bezpieczeństwo danych – konieczność spełnienia wymogów RODO oraz innych regulacji.
• Interpretowalność modeli – trudności w tłumaczeniu wyników algorytmów na praktyczne rekomendacje.
• Różnorodność danych – integracja informacji pochodzących z różnych systemów (LMS, platform wideo, aplikacje mobilne).
• Ryzyko nadmiernego uproszczenia procesu uczenia się do jedynie danych liczbowych (tzw. reductionism).

Przyszłość

Prognozuje się, że w kolejnych latach learning analytics będzie coraz ściślej powiązane z adaptacyjnym nauczaniem, rozszerzoną rzeczywistością (AR) i wirtualną rzeczywistością (VR). Rozwój uczenia głębokiego pozwoli na jeszcze lepsze modelowanie złożonych zachowań uczniów, a automatyzacja raportowania przyczyni się do szybszego reagowania na problemy edukacyjne. Jednocześnie rosnące znaczenie etyki i regulacji prawnych będzie wymuszało transparentność oraz odpowiedzialność w wykorzystaniu danych.

Bibliografia

• Jisc (2015). Learning Analytics: Developing a Science of Learning.
• Siemens, G., & Long, P. (2011). Penetrating the Fog: Analytics in Learning and Education.
• Ferguson, R. (2012). The State of Learning Analytics in 2012: A Review and Future Outlook.
• Rubin, R., et al. (2020). Learning Analytics and Educational Data Mining: Towards a Common Language.
• Kukulska-Hulme, A., & Traxler, J. (2021). Mobile Learning and Learning Analytics.