Learning analytics khác đo lường học tập thông thường thế nào?

Nói đơn giản, đo lường thường hỏi “người học đạt được gì và ở mức nào?”, còn learning analytics có thể đi tiếp đến “điều gì đang diễn ra trong quá trình học, dấu hiệu nào đáng chú ý và nên quyết định gì tiếp theo?”

Learning analytics là gì?

Learning analytics là cách thu thập, xử lý và phân tích dữ liệu liên quan đến người học, quá trình học và bối cảnh học tập nhằm tạo ra thông tin có ích cho việc hiểu, đánh giá và hỗ trợ quyết định.

Điểm quan trọng nằm ở chuỗi:

Dữ liệu → Phân tích → Diễn giải → Hành động

Dữ liệu có thể bao gồm điểm đánh giá, mức độ tham gia khóa học, thời gian truy cập, hoạt động trong hệ thống quản lý học tập, tiến độ hoàn thành, lịch sử tương tác hoặc các dữ liệu khác liên quan đến quá trình học.

Learning analytics vì thế không đồng nghĩa với một chỉ số riêng lẻ. Một điểm 7/10 là một phép đo. Khi nhiều dữ liệu được kết hợp để nhận diện xu hướng, so sánh tiến trình hoặc phát hiện tín hiệu cần can thiệp, hoạt động đó mới thể hiện rõ hơn bản chất của analytics.

Điều làm learning analytics khác với một bảng điểm

Một bảng điểm cho biết kết quả tại một thời điểm hoặc một giai đoạn. Learning analytics có thể xem kết quả đó cùng với dữ liệu diễn ra trước và trong quá trình đạt kết quả.

Ví dụ, hai người học cùng đạt 80 điểm có thể có quá trình học rất khác nhau. Một người duy trì tiến độ ổn định và hoàn thành hầu hết hoạt động đúng hạn. Người còn lại có nhiều lần bỏ dở hoạt động, ít tương tác và chỉ tăng cường học ngay trước kỳ đánh giá.

Phép đo điểm số có thể cho thấy hai người có cùng kết quả. Phân tích dữ liệu quá trình có thể cho thấy hai trường hợp cần được hiểu và hỗ trợ theo cách khác nhau.

Đo lường học tập thông thường tập trung vào điều gì?

Đo lường học tập thường tập trung vào việc biến một khía cạnh của kết quả hoặc quá trình học thành chỉ số có thể quan sát và so sánh.

Các chỉ số phổ biến gồm:

·         Điểm bài kiểm tra

·         Điểm môn học

·         Tỷ lệ hoàn thành

·         Tỷ lệ đạt hoặc không đạt

·         Số câu trả lời đúng

·         Thời gian làm bài

·         Mức độ chuyên cần

·         Kết quả trước và sau một hoạt động học

Giá trị của đo lường nằm ở khả năng trả lời những câu hỏi tương đối rõ ràng như người học đạt bao nhiêu điểm, hoàn thành bao nhiêu phần trăm nội dung hoặc đạt tiêu chí đánh giá hay chưa.

Điều này không có nghĩa đo lường là đơn giản hoặc kém quan trọng. Ngược lại, learning analytics phụ thuộc vào dữ liệu đo lường có chất lượng. Không có các phép đo đủ tin cậy, quá trình phân tích phía sau cũng khó tạo ra kết luận đáng tin cậy.

Điểm giới hạn của một phép đo đơn lẻ

Một chỉ số thường phản ánh một khía cạnh cụ thể của việc học. Nó có thể cho biết cái gì đã xảy ra, nhưng chưa chắc giải thích được vì sao xảy ra hoặc nên làm gì tiếp theo.

Chẳng hạn, tỷ lệ hoàn thành một khóa học là 65% cho biết mức độ hoàn thành đang ở mức 65%. Nhưng con số đó không tự giải thích liệu nguyên nhân nằm ở độ khó nội dung, thiết kế khóa học, mức độ tương tác, lịch học, điều kiện của người học hay một yếu tố khác.

Để đi từ “bao nhiêu” sang “vì sao” và “tiếp theo nên làm gì”, cần thêm phân tích và bối cảnh.

Learning analytics khác đo lường học tập ở dữ liệu và cách phân tích

Khác biệt cốt lõi không nằm ở việc một bên có dữ liệu còn bên kia không có. Cả hai đều dùng dữ liệu. Khác biệt nằm ở phạm vi dữ liệu, cách kết hợp dữ liệu và mục đích sử dụng kết quả phân tích.

Điểm cần lưu ý là hai phạm trù này chồng lấn, chứ không tách biệt tuyệt đối. Một hệ thống learning analytics vẫn có thể sử dụng điểm số và tỷ lệ hoàn thành làm đầu vào. Vì vậy, learning analytics không phải một phép đo hoàn toàn khác, mà là lớp phân tích được xây dựng trên nhiều nguồn dữ liệu và mối quan hệ giữa chúng.

Từ dữ liệu đến phân tích: learning analytics tạo thêm giá trị như thế nào?

Giá trị của learning analytics xuất hiện khi dữ liệu được đặt vào quan hệ với nhau và được diễn giải theo một câu hỏi cụ thể.

Có thể hình dung quá trình này qua ba mức:

Mức 1 — Đo lường:

Người học đạt 72 điểm và hoàn thành 80% hoạt động.

Mức 2 — Phân tích:

Nhóm người học có mức hoàn thành thấp đồng thời có xu hướng giảm tương tác với tài liệu và bỏ nhiều hoạt động liên tiếp.

Mức 3 — Hỗ trợ quyết định:

Giảng viên hoặc đơn vị đào tạo có thể xem nhóm này như một tín hiệu cần kiểm tra thêm và cân nhắc biện pháp hỗ trợ phù hợp.

Điểm quan trọng là mức 3 không tự động xuất hiện chỉ vì có dữ liệu. Phân tích phải được thiết kế đúng, chỉ số phải có ý nghĩa và người sử dụng phải hiểu giới hạn của kết luận.

Learning analytics có thể mang tính mô tả, chẩn đoán hoặc dự báo

Không phải learning analytics lúc nào cũng dự báo tương lai.

Phân tích mô tả giúp trả lời điều gì đang hoặc đã xảy ra, chẳng hạn xu hướng tham gia theo thời gian.

Phân tích chẩn đoán đi sâu hơn vào mối quan hệ giữa các tín hiệu để tìm yếu tố có thể liên quan đến một kết quả.

Phân tích dự báo sử dụng dữ liệu hiện có để ước tính khả năng xảy ra của một kết quả trong tương lai.

Ba mức này có độ phức tạp và yêu cầu bằng chứng khác nhau. Một dashboard mô tả tỷ lệ hoàn thành không nên được hiểu như một hệ thống dự báo nguy cơ bỏ học.

Khi nào learning analytics hữu ích hơn đo lường thông thường?

Learning analytics đặc biệt hữu ích khi vấn đề không chỉ là xác định kết quả, mà còn cần hiểu quá trình dẫn đến kết quả hoặc xác định thời điểm nên hành động.

Một số tình huống điển hình gồm:

·         Theo dõi tiến độ học tập theo thời gian

·         Phát hiện nhóm người học có dấu hiệu giảm tương tác

·         So sánh hành vi học giữa các nhóm

·         Đánh giá mối liên hệ giữa hoạt động học và kết quả

·         Hỗ trợ giảng viên xác định nơi cần can thiệp

·         Đánh giá hiệu quả của thiết kế khóa học

·         Theo dõi các chỉ số như tỷ lệ hoàn thành, mức độ tham gia và kết quả đánh giá trong cùng một bối cảnh

Tuy nhiên, một tín hiệu analytics không phải là kết luận cuối cùng. Ví dụ, việc một người học đăng nhập ít có thể liên quan đến khó khăn trong học tập, nhưng cũng có thể phản ánh cách người đó sử dụng tài liệu ngoại tuyến hoặc những điều kiện không được ghi nhận trong hệ thống.

Vì vậy, learning analytics nên được xem như công cụ hỗ trợ hiểu và quyết định, không phải cơ chế tự động thay thế đánh giá chuyên môn.

Hiểu đúng mối quan hệ giữa learning analytics và đo lường học tập

Cách hiểu hữu ích nhất là xem hai khái niệm nằm trên cùng một chuỗi thay vì đặt chúng đối lập tuyệt đối.

Đo lường tạo ra các quan sát có thể định lượng.

Analytics tìm kiếm mẫu hình và mối quan hệ trong những quan sát đó.

Quyết định sử dụng kết quả phân tích cùng với bối cảnh để lựa chọn hành động phù hợp.

Vì vậy, câu hỏi không nên là “learning analytics hay đo lường học tập?”, mà là “đang cần một phép đo, một phân tích hay một cơ chế hỗ trợ quyết định?”

Ví dụ, nếu mục tiêu chỉ là xác định người học có đạt chuẩn 70% bài kiểm tra hay không, một phép đo có thể đã đủ. Nếu mục tiêu là hiểu tại sao một nhóm người học có tỷ lệ hoàn thành thấp và xác định nhóm nào cần được xem xét thêm, phạm vi của learning analytics phù hợp hơn.

Learning analytics mở rộng cách nhìn từ kết quả sang dữ liệu của quá trình và ý nghĩa của dữ liệu. Đo lường học tập trả lời tốt câu hỏi người học đạt mức nào; learning analytics có thể đi xa hơn bằng cách kết hợp nhiều dữ liệu, phát hiện mẫu hình và cung cấp thông tin cho quyết định giáo dục. Hai cách tiếp cận bổ trợ cho nhau: phép đo cung cấp dữ liệu nền tảng, còn analytics biến dữ liệu đó thành insight có thể sử dụng. Điểm quan trọng nhất là không nên nhầm một chỉ số với một kết luận, hoặc nhầm một tín hiệu phân tích với bằng chứng chắc chắn về nguyên nhân.