Dashboards og Learning Analytics
De fleste dashboards til Learning Analytics er udviklet med henblik på at understøtte læring hos eleverne eller for at lærerne kan handle på baggrund af data. Ved at bruge aktuelle og historiske data om den enkelte elev eller holdet, hjælper visualisering af disse data til at det bliver nemmere at fortolke store mængder data (Verbert, Duval, Klerkx, Govaerts, & Santos, 2013).
Li et al. definerer de personlige informatik systemer (personal informatics systems) som:
“help people collect personally relevant information for the purpose of self-reflection and gaining self-knowledge”(Li, Dey, & Forlizzi, 2010).
I denne definition ligger der to vigtige aspekter, nemlig hjælp til indsamling af personlige data og refleksion. At bruge disse systemer, som også går under navne som “quantified self”, “self-suverillance”, “living by numbers” mf., giver en fordel i forholdet til at skulle huske på informationer om én selv.
Procesmodel for Learning Analytics
I artiklen Learning Analytics Dashboard Application(Verbert et al., 2013) tager gruppen af forskere udgangspunkt i deres eget dashboard og sammenligner det med 15 eksisterende dashboards. Ud fra disse undersøgelser udvikler de en procesmodel for Learning Analytics.
Procesmodel for Learning Analytics (Verbert et al., 2013)
Procesmodellen består af fire punkter, der indgår i en iterativ proces.
Awareness: Her skal man finde de data, som det er muligt at visualisere i et dashboard gennem fx grafer eller aktivitetsoverblik.
Reflection: Inden man går i gang med at visualisere data, er man nødt til at gå ind og stille brugerne spørgsmål for at få dem til at reflektere over, hvilke data, der er brugbare og relevante at få visualiseret.
Sensemaking: I det tredje punkt skal man på baggrund af brugernes refleksioner prøve at skabe mening i brugernes spørgsmål og svar, hvilket er med til at skabe yderligere indblik i, hvordan brugerne ser data.
Impact: I det sidste punkt handler det om at få brugerne til at forstå den nye mening eller få dem til at ændre adfærd. Denne påvirkning kan, men behøver ikke, betyde ændringer i brugernes adfærd. Det afhænger helt af de svar og indblik, der er udledt fra refleksionspunktet (sensemaking).
Ud fra denne procesmodel er det muligt at få opbygget et dashboard ud fra, hvad brugerne finder relevant for sig selv, og samtidig kan modellen bruges som analyseværktøj i forholdet til eksisterende løsninger.
Data kan ikke stå alene
Problemstillingerne med dashboards er, at det kan give et falsk grundlag for handlinger og beslutninger i klassen (Ryberg, 2016). Det kræver viden og forståelse af, hvordan data indsamles, for at kunne analysere og forstå de grafiske repræsentationer af virkeligheden på et dashboard. Og hvad med de data, som ikke bliver indsamlet? Ryberg beskriver brugen af data med følgende metafor:
"Jeg vil foreslå et billede, hvor man overrækker en person 48 katte i hver sin snor og siger 'god tur'."(Ryberg, 2016).
Data er hverken objektive eller neutrale, og for at de kan bruges, skal de skal være kvantitative og må aldrig stå alene.
Relaterede indlæg
Kilder
Li, I., Dey, A., & Forlizzi, J. (2010). A Stage-Based Model of Personal Informatics Systems(pp. 1–10). Pittsburgh: Carnegie Mellon University.
Ryberg, T. (2016). Big Data, Analytics, Læring og Uddannelse – et kritisk blik. Liv I Skolen Tidsskriftet Om Lærernes Hverdag Og Det Gode Arbejde I Skolen, (3), 78–87.
Verbert, K., Duval, E., Klerkx, J., Govaerts, S., & Santos, J. L. (2013). Learning Analytics Dashboard Applications. American Behavioral Scientist, 57(10), 1500–1509. http://doi.org/10.1177/0002764213479363