Ứng dụng learning analytics để cải thiện việc học

Trong thực tế, learning analytics thường tạo ra một vòng lặp liên tục: thu thập dữ liệu → phát hiện tín hiệu → giải thích nguyên nhân hoặc điều kiện → can thiệp → đo lường kết quả → điều chỉnh tiếp. Nhờ đó, nhà trường, giảng viên và người học có thể chuyển từ cách xử lý mang tính phản ứng sang cách tiếp cận chủ động hơn.

Learning analytics cải thiện việc học thông qua cơ chế nào?

Về bản chất, ứng dụng learning analytics bắt đầu từ những dữ liệu như mức độ tham gia, tiến độ hoàn thành, kết quả đánh giá, tần suất truy cập tài liệu hoặc các dấu hiệu tương tác trong môi trường học tập số. Những dữ liệu riêng lẻ thường chưa đủ để đưa ra kết luận, nhưng khi được đặt trong đúng bối cảnh, chúng có thể giúp nhận diện những thay đổi đáng chú ý trong quá trình học.

Cơ chế cải thiện thường diễn ra theo ba tầng.

Tầng thứ nhất là quan sát. Hệ thống cho biết người học đã làm gì, học đến đâu và kết quả hiện tại ra sao.

Tầng thứ hai là phân tích. Dữ liệu được kết hợp để tìm ra xu hướng, mối quan hệ hoặc tín hiệu bất thường, chẳng hạn mức độ tham gia giảm đồng thời với kết quả đánh giá đi xuống.

Tầng thứ ba là hành động. Từ thông tin phân tích, giảng viên có thể điều chỉnh nội dung, đưa ra hỗ trợ sớm hoặc thay đổi cách tổ chức hoạt động học tập; người học có thể nhận phản hồi và điều chỉnh cách học của mình.

Điểm quan trọng là learning analytics không tự động đồng nghĩa với việc một mô hình phân tích đưa ra kết luận đúng. Kết quả phân tích cần được diễn giải trong bối cảnh, kiểm tra điều kiện áp dụng và kết hợp với đánh giá của con người.

Phát hiện sớm người học đang gặp khó khăn

Một trong những ứng dụng learning analytics có giá trị trực tiếp nhất là phát hiện tín hiệu cảnh báo sớm.

Trong cách quản lý truyền thống, một khó khăn có thể chỉ được nhận ra sau khi người học đã có kết quả kém, bỏ hoạt động hoặc mất kết nối với khóa học. Learning analytics giúp chuyển điểm phát hiện lên sớm hơn bằng cách theo dõi các chỉ báo trong quá trình học.

Các chỉ báo có thể bao gồm:

·         Mức độ tham gia giảm

·         Tiến độ hoàn thành chậm hơn dự kiến

·         Kết quả đánh giá giảm

·         Tần suất sử dụng tài nguyên học tập thay đổi bất thường

·         Nhiều lần thực hiện một nhiệm vụ nhưng chưa đạt yêu cầu

Giá trị của dữ liệu ở đây không phải để gắn nhãn người học là “yếu” hay “có nguy cơ”, mà để xác định khi nào cần xem xét sâu hơn và hỗ trợ phù hợp.

Ví dụ, nếu một người học đồng thời giảm mức độ tham gia, chậm hoàn thành nhiệm vụ và có kết quả đánh giá thấp hơn trước, đó có thể là tín hiệu cần kiểm tra. Tuy nhiên, dữ liệu không tự cho biết nguyên nhân. Vấn đề có thể đến từ độ khó của nội dung, cách tổ chức hoạt động, khả năng tiếp cận tài nguyên hoặc một điều kiện khác ngoài dữ liệu học tập.

Vì vậy, ứng dụng hiệu quả nhất là dùng phân tích để ưu tiên sự chú ý và kích hoạt can thiệp, thay vì dùng mô hình như một phán quyết cuối cùng.

Cá nhân hóa nội dung và lộ trình học tập

Learning analytics cũng cho phép việc học được điều chỉnh sát hơn với trạng thái thực tế của từng người học.

Nếu tất cả người học đều nhận cùng một nội dung, cùng một nhịp độ và cùng một dạng hỗ trợ, hệ thống khó đáp ứng được sự khác biệt về nền tảng kiến thức, tốc độ tiếp thu và nhu cầu học tập. Dữ liệu phân tích giúp nhận diện những khác biệt đó để thiết kế trải nghiệm linh hoạt hơn.

Một hệ thống có thể sử dụng thông tin về:

·         Kết quả đánh giá

·         Tiến độ học tập

·         Chủ đề người học đang gặp khó khăn

·         Mức độ hoàn thành hoạt động

·         Mức độ tham gia

·         Lịch sử tương tác với tài nguyên

Từ đó, nội dung hoặc hoạt động tiếp theo có thể được điều chỉnh theo nhu cầu thực tế.

Cá nhân hóa không nhất thiết có nghĩa là mỗi người học nhận một chương trình hoàn toàn khác nhau. Ở mức thực tế hơn, hệ thống có thể xác định nội dung nào cần củng cố, hoạt động nào nên làm trước, dạng hỗ trợ nào phù hợp hoặc thời điểm nào cần can thiệp.

Điều này giúp giảm hai vấn đề đối nghịch: người học đã nắm vững kiến thức nhưng vẫn phải đi qua quá nhiều nội dung cơ bản, hoặc người học chưa có nền tảng nhưng lại phải tiếp tục với nội dung vượt quá khả năng hiện tại.

Cải thiện nội dung và trải nghiệm học tập từ dữ liệu thực tế

Một ứng dụng learning analytics khác nằm ở phía người thiết kế và cung cấp nội dung, không chỉ ở phía người học.

Dữ liệu có thể cho biết phần nào của một khóa học đang hoạt động tốt và phần nào tạo ra ma sát. Chẳng hạn, nếu một nội dung có tỷ lệ hoàn thành thấp, thời gian xử lý cao hoặc liên tục đi kèm với kết quả đánh giá kém, đó là tín hiệu để xem xét lại nội dung và cách trình bày.

Khi đó, nhà thiết kế có thể đặt ra các câu hỏi như:

·         Nội dung có quá khó so với kiến thức nền không?

·         Hướng dẫn có đủ rõ để người học biết cần làm gì không?

·         Hoạt động có thực sự hỗ trợ mục tiêu học tập không?

·         Có bước nào tạo ra gánh nặng không cần thiết không?

·         Tài nguyên đang được đặt đúng thời điểm trong hành trình học tập chưa?

Learning analytics vì thế giúp chuyển việc cải thiện nội dung từ cảm nhận chủ quan sang một quá trình có dữ liệu hỗ trợ.

Tuy nhiên, một chỉ số đơn lẻ không thể chứng minh rằng một nội dung “tốt” hay “xấu”. Ví dụ, thời gian học dài có thể biểu hiện nội dung khó, nhưng cũng có thể cho thấy người học đang tập trung sâu. Tỷ lệ hoàn thành thấp có thể xuất phát từ nội dung, nhưng cũng có thể liên quan đến lịch học hoặc điều kiện sử dụng nền tảng.

Do đó, dữ liệu nên được đọc theo mẫu hình kết hợp, thay vì kết luận từ một KPI duy nhất.

Đo lường hiệu quả can thiệp và tối ưu cách dạy

Sau khi phát hiện vấn đề và triển khai hỗ trợ, learning analytics còn giúp trả lời một câu hỏi quan trọng hơn: Can thiệp có thực sự tạo ra cải thiện không?

Đây là bước biến phân tích thành một vòng lặp học hỏi.

Những chỉ số có thể được theo dõi gồm:

·         Tỷ lệ hoàn thành

·         Điểm đánh giá

·         Tỷ lệ tham gia

·         Thời gian hoàn thành nhiệm vụ

·         Mức độ sử dụng tài nguyên

·         Tỷ lệ quay lại hoạt động học tập

Các KPI này có thể được so sánh trước và sau một thay đổi để xem xu hướng kết quả đã chuyển biến như thế nào.

Ví dụ, nếu một nhóm người học có tỷ lệ hoàn thành thấp ở một mô-đun, đơn vị đào tạo có thể thay đổi hướng dẫn hoặc cấu trúc hoạt động. Sau đó, dữ liệu tiếp theo được dùng để kiểm tra liệu tỷ lệ hoàn thành có cải thiện hay không.

Điều quan trọng là đo lường không đồng nghĩa với chứng minh quan hệ nhân quả. Một thay đổi trong KPI sau can thiệp có thể đồng thời chịu ảnh hưởng của nhiều yếu tố khác. Vì vậy, việc đánh giá cần xem xét điều kiện, bối cảnh và giới hạn của dữ liệu trước khi kết luận.

Điều kiện và giới hạn khi ứng dụng learning analytics

Learning analytics chỉ tạo ra giá trị khi dữ liệu đủ phù hợp và được sử dụng đúng cách. Có bốn điểm cần đặc biệt chú ý.

Chất lượng dữ liệu. Dữ liệu thiếu, sai hoặc không nhất quán có thể dẫn đến phân tích sai. Một hệ thống có nhiều dữ liệu nhưng dữ liệu không phản ánh đúng hoạt động học vẫn có thể tạo ra kết luận yếu.

Bối cảnh. Dữ liệu hành vi chỉ cho biết một phần của quá trình học. Không nên xem một chỉ báo như một lời giải thích đầy đủ cho nguyên nhân của kết quả.

Giới hạn của mô hình. Một mô hình dự báo có thể nhận diện một mẫu hình nhưng không nhất thiết giải thích được vì sao mẫu hình đó xuất hiện. Những kết luận quan trọng cần được kiểm tra lại bằng chuyên môn và thông tin bối cảnh.

Quyền riêng tư và cách sử dụng dữ liệu. Người học cần được bảo đảm rằng dữ liệu được thu thập và sử dụng cho mục đích rõ ràng, có giới hạn và phù hợp. Learning analytics nên hỗ trợ học tập, không biến dữ liệu thành công cụ giám sát hoặc gắn nhãn cứng cho người học.

Vì vậy, ứng dụng learning analytics hiệu quả không phải là “càng nhiều dữ liệu càng tốt”, mà là đúng dữ liệu, đúng câu hỏi, đúng cách diễn giải và đúng hành động tiếp theo.

Learning analytics cải thiện việc học bằng cách tạo ra một vòng phản hồi liên tục giữa dữ liệu và hành động. Nó giúp phát hiện sớm khó khăn, hỗ trợ cá nhân hóa, cải thiện nội dung, tối ưu trải nghiệm và đánh giá tác động của các can thiệp. Giá trị lớn nhất xuất hiện khi dữ liệu được dùng để hiểu What, Why, How, When và Limitation của quá trình học, thay vì chỉ tạo thêm báo cáo.