Veri Analitiği Vikipedi, öğrenme analitiğinin uzmanlar arasında tanımı konusunda belirgin bir anlaşmazlık olduğuna işaret etmesine rağmen öğrenme analitiğini başlangıç olarak “…kişilerin öğrendiklerini tahmin etmek ve onlara tavsiye vermek amacıyla bilgi ve sosyal bağlantıları keşfetmek için akıllı verilerin, öğrenci tarafından üretilen verilerin ve analiz modellerinin kullanımı.” (Wikipedia, 2015) şeklinde tanımlar. Aynı zamanda, eğitim veri madenciliğini, birincisinin hipotez odaklı olmadığını, ikincisinin aksine olduğunu söyleyerek öğrenme analitiğinden ayırır.
Hangi akademik tanım seçilirse seçilsin, bir öğrenme ekosisteminde ölçümün geniş, pratik yönleri, öğrenme uzmanlarının ve teknoloji tedarikçilerinin daha fazla dikkat etmeye başladıkları bir şeydir. Daha önceden de ölçüm olası ya da önemli olsa da şimdi xAPI belirtimi daha fazla parametrenin çok daha ayrıntılı bir şekilde yakalanmasını birlikte çalışabilirlik özelliğiyle sağlar. Anlamsal tabanlı, esnek veri modeli aracılığıyla xAPI, yeni bir analiz düzeyini mümkün kılmayı süslü veri görselleştirme motorları ve veri tablolarının basitçe gözden geçirilmesi yollarıyla her zaman geçerliliğini koruyan şu sorulara hassas bir şekilde cevap verilmesini sağlar: Kim? Ne? Niçin? Nerede? Ne Zaman? Nasıl?
Bir seviyeye indikten sonra, veri yakalamak için bir xAPI ve bilgi çıktısı için bir çeşit analitik motorunun bir kombinasyonu kullanılarak cevaplanabilecek bazı soru örnekleri:
· Bu öğrenme deneyiminde ne kadar iyi yapıyorum? (bireysel öğrenenler)
· Öğrenenlerden hangilerinin ve hangi belirli alanlarda ekstra desteğe ve ilgiye ihtiyacı var? (eğitmenler)
· Öğrenme deneyimlerinin hangi tasarım özellikleri en çok belirli bir bağlamda öğrenme üretmede etkilidir? (tasarımcılar)
· En uygun maliyetli öğrenme müdahaleleri nelerdir? (paydaşlar)
· Belirli öğrenme kaynakları gerçekte nasıl kullanılıyor? (içerik yazarları ve yöneticileri)
· Pazarlama kursu vermek için en iyi lojistik düzenlemeler nelerdir? (yöneticiler)
Bu ve diğer sorulara cevap vermek için, veri analitiği çözümlerinin öğrenilmesi şu genel teknik alanlara odaklanmalıdır:
· Giriş verileri depolamak, geçici sorguları kolaylaştırmak için
· Veriler için analiz yöntemleri
· Sunum hem hazır hem de özel öğeler dahil olmak üzere anlamlı raporlara ve görsellere dönüştürülmesi
· Öğrenmenin iş sonuçları üzerindeki etkisini belirleme becerisi
2009 yılında Bersin & Associates tarafından yapılan bir anket, ÖYS sahiplerinin %45’inin ÖYS raporlamasını bir numaralı sorun olarak nitelendirdiği ortaya koydu. 2015 yılında, Expertus tarafından yapılan bir araştırma raporuna göre, bu sayı neredeyse % 81’e çıktı (Lambda Solutions, 2015’te belirtilmiştir). Öğrenme uzmanları, xAPI aracılığıyla, ÖYS’ler tarafından önceden hazırlanmış raporlarla sınırlı kalmalarının gerekmediğini farkındalar. Geleneksel ÖYS raporları uzun zamandır pek çok işe yaramıştır, ancak şimdi öğrenme alanında veri odaklı karar verme çağındayız. Veri odaklı karar verme, önceden tanımlanmış raporlarla sağlanabilecek olandan çok daha geniş bir aralık ve bilgi derinliği sağlamak için ÖYS’lerin içindeki veri toplama kutusu ve raporlama işlevlerinin açılmasını gerektirir. ÖKA’lar, analitiği ders gönderiminden ve yönetim işlevlerinden ayırmaya yönelik ilerlemektedir; bu, daha fazla içeriğin ÖYS dışında başlatıldığını ve / veya yaşandığını dikkate alınması gerektiği düşünüldüğünde oldukça önemlidir.
Performans desteğinin yeniden canlandırılmasıyla (çoğu durumda, eğitimin değiştirilmesiyle), özel veri yakalama ve analiz çözümlerine ve yalnız bir ÖYS’nin yönetmesi zor olan çözümlere daha da fazla ihtiyaç duyulmaktadır. Bu zorluğun basit bir nedeni, performans desteğinin, ÖYS’deki herhangi bir içerik ölçümü için birincil araç olan değerlendirmelerden yoksun olmasıdır. Performans destek araçları, öğrenenlerin onlardan ne kadar şey öğrendiklerini değil, bunların kullanılıp kullanılmadığını (“paradata” olarak adlandırılır) öğrenmek için veri gerektirir. Hem performans desteği hem de talimat içeriği için paradata; görüntüleme, indirme, zaman/yer/durumsal kullanım bağlamı, başkalarıyla paylaşım, derecelendirme ve türev ürünleri için içerik kullanımı gibi bir dizi bireysel veya toplu kullanıcı etkileşimini içerebilir.
Silvers & Torrance (2015) genel olarak paradata ile ilgili aşağıdaki kategorileri önermektedir:
· Duyarlılık analizi – İnsanların kullandığı kelimeler bize öğrenmeleri için eğilimleri hakkında neler söylüyor?
· Etkileşim analizi – Öğrenme içeriği ile etkinlik düzeyi nedir?
· Kohort analizi – Hangi sebeplerle hangi grupları oluşturur?
· Anahtar kelime analizi – İnsanlar nasıl bilgi ararlar ve ne bulurlar?
· Dönüşüm Oranı – Kaç kişi yanıt verir?
· Amplifikasyon Hızı – Bir şey kaç kez paylaşılıyor?
· Alkışlama Oranı – Kaç tane beğeni/favoriler/yer imleri?
· Ekonomik Değer – Kısa/Uzun Vadeli Gelir / Maliyet Tasarrufu?
ÖKA’lar, öğrenme ortamına ek olarak, çalışma ortamını ölçmek için xAPI’yi kullanabilmesi ve ince ayarlara geri dönüş döngüleri oluşturulmasında yukarıdaki paradata sorularına cevap vermek için çok uygundur ve bu analitiğin entegrasyonu, öğrenme müdahalelerinize (iş süreçlerinin yanı sıra) ince ayar yapmak için geri bildirim döngüleri oluştururken çok etkili olabilir. Kirkpatrick Seviye 3 ve üzeri değerlendirmeler, öğrenme ekosisteminizde bu şekilde daha kolay kurumsallaştırılabilir. xAPI sadece iş ve öğrenim verilerini köprülemekle kalmaz, aynı zamanda bir öğrenenin fiziksel durumunu öğrenme etkinlikleri veya iş performansı ile köprüleyebilir, örneğin kalp atışının yüksek stresli noktaları belirlemek için iş veya öğrenme görevleriyle ilişkilendirilebilmesini sağlar.
Karmaşık kalıpların ve eğilimlerin tanınmasına izin veren veri görselleştirme xAPI tarafından sağlanan önemli bir özelliktir. xAPI, bir katılımcının veya sistemin durumunu belirli bir zamanda tanımlayan kesin, mikroskobik ifadelere izin verdiği için grafikler, şemalar vb. ile eğilimler kolayca görülebilir. Bunu yapmak için pahalı özel görselleştirme motorları oluşturmanız gerekmez. TÖM’ün xAPI Gösterge Tablosu (https://github.com/adlnet/xAPI-Dashboard) ve Apereo Açık Kontrol Paneli (https://github.com/Apereo-Learning-Analytics-Initiative/OpenDashboard) gibi açık kaynaklı çözümler bu hususta gereklidir.
Analitiğe yönelik açık ve geleneksel yaklaşım, önce belirli soruları yanıtlamak için analitik çözümünüzü (xAPI kullanarak) planlamak, ardından verileri yakalamaktır. Bu, ÖYS’leri tarafından sağlanan tipik raporlara benzeyen, önceden net bir şekilde tanımlanmış belirli ölçüm gereksinimleriniz olduğunda çalışır.
Veri analitiğini araştırma ve veri madenciliği olarak düşünmeye meyilli olanlar için (yani, yukarıda belirtildiği gibi bir ilk hipotez olmadan), xAPI, analitik motorlarının beklenmedik kalıpları ortaya çıkarabilecek görselleştirmeler yaratması için dayanıklı, birlikte çalışabilir bir temel sağlar. Bu yaklaşımı “önce ölçmek, daha sonra soru sormak” olarak düşünebiliriz – başka bir deyişle, yapabileceğiniz çok sayıda farklı veriyi yakalayabilir ve daha sonra analizden ne ortaya çıktığını keşfedebiliriz. Bu tür araştırma odaklı bir yaklaşım için adımlar şöyle olabilir:
1. (isteğe bağlı) Temel araştırma sorularını formüle edin. Aşağıdaki 2. adım ve daha sonra veri analitiğinin/görselleştirme yöntemlerinin temeli olarak bu keşif yaklaşımını kullanıyor olsanız bile bunlar hakkında biraz fikir sahibi olmanız gerekir.
2. Öğrenme deneyimindeki etkileşim düğümlerinin ve öğrenci davranışlarının xAPI ile hangi araçlara anlam vereceğine karar verin.
3. Hangi granülerliğe ihtiyacınız olduğuna ve xAPI ifadeleriniz için doğru söz dizimi ve fiillere karar verin. Eğer kullanıyorsanız, bu aslında sizin hipoteziniz haline gelir.
4. xAPI destekli öğrenme deneyimini kullanın ve veri toplayın.
5. Araştırma sorularına karşı alınan verileri doğrulayın
VE/VEYA
Örüntüler arayınız
6. xAPI ayrıntı düzeyi, fiiller, ÖKA sorguları vb.
Veri modelleme ve “varsa ne olur?” senaryolarına yönelenler için geçmiş veriler toplanıp olaydan sonra çeşitli analizlere tabi tutulabilirler. Ancak belirli varsayımsal veriler (ör. xAPI ifadeleri) gerçek geçmiş xAPI ifadelerinin yerine kullanılabilir. xAPI, bu varsayımsal ifadeleri çok hassas bir şekilde eklemenize ve ardından gerçek sonuçlardan farklı olan sonuçların ortaya çıkabileceği sonuçları görmeniz için senaryoyu veri analitiği motorunuzda oynatmanızı sağlar.
