Helsingin yliopisto
Syyslukukauden 2020 aluksi (kirjoitus 1.syyskuuta) lupasimme tarkempaa analyysiä oppimisanalytiikan eettisisistä aspekteista. Oppimisanalytiikka tarkoittaa oppijasta kertyvien tietojen keräämistä ja tiedon mittaamista, analysointia ja raportointia. Selvitimme oppimiasanalytiikan etiikkaa syksyn kuluessa ja löysimme ainakin seitsemän eri näkökulmaa oppimisanalytiikan eettisiin kysymyksiin.
(1) Erilaiset intressit ja arvot. Kenen intressit oppimisanalytiikan pitäisi huomioida ja mitä painoarvoja eri intresseille pitäisi antaa? Oppimisanalytiikan sidosryhmiä (stakeholders) ovat ainakin oppilaitosten rahoittajat, ylläpitäjät sekä erilaiset viranomaiset. On myös ulkoisia sidosryhmiä, eli oppilaitoksen ulkopuolella olevia sidosryhmiä, kuten teknologian kehittäjiä, oppimisen ja data-analytiikan tutkijoita, IT-palvelujen tarjoajia sekä tahoja, jotka säätävät lainsäädännöstä ja päättävät eri instituutioiden budjeteista.[i] Minkä arvojen ja kenen intressien tulisi vaikuttaa algoritmien toimintaan ja oppimisanalytiikan soveltamiseen missäkin tilanteissa? Lienee selvää, että kerätystä oppimisanalytiikan datasta tulisi olla hyötyä ainakin sekä opiskelijoille itselleen että opetusta järjestäville instituutioille.[ii]
(2) Oppimisanalytiikka ei ole arvoneutraalia. Oppimisanalytiikkaa ajatellaan helposti usein arvoneutraalina toimintana, koska teknologian ajatellaan olevan arvovapaata sekä tuottavan objektiivista tietoa. Usein oppimisanalytiikka tähtää tehokkuuteen. Tällainen teknokraattinen tehokkuuden tavoittelu riippuu siitä, mitä pidetään koulutuksellisesti toivottavana. Näin ollen kyse ei ole vain neutraalista oppimisanalytiikan käytön tuomasta tehostamisesta, vaan oppimisanalyyttisessa toiminnassa on aina kyse myös moraalisesta toiminnasta. Toisin sanoen, minkä tehokkuudesta puhumme, mitä vaihtoehtoisia arvoja ja päämääriä meillä on, kun tavoittelemme tehokkuutta?[iii]
(3) Suostumus ja yksityisyys. Oppimisanalyyttista dataa kerätessä tutkimusetiikkaan kuuluu opiskelijan perehtynyt suostumus (informed consent) datan keräämiselle, tulosten anonymisointi, yksityisyyden vaalinta sekä tutkimuksen läpinäkyvyys. Tietoista suostumusta oppimisanalytiikan datan keruuseen on kuitenkin vaikea antaa, jos opiskelijat eivät ole selvillä siitä, mihin kaikkeen heidän dataansa käytetään. Oppimisanalyyttisiin menetelmiin suostuessaan oppijat harvemmin ymmärtävät, miten oppimisanalytiikka kerää dataa oppijoista, miten oppimisanalytiikka ennustaa mahdollisia oppimisen tuloksia tai miten oppimisanalyyttiset algoritmit ohjaavat tekemään erilaisia interventioita opiskelijoiden oppimiseen. Ei myöskään ole selvää, mitä kaikkea dataa saa tai on syytä kerätä ja millä perustein, ja mitä dataa tulisi perustelluista syistä jättää keräämättä.[iv] Slade & Prinsloo (2013, 1512) peräänkuuluttavatkin suurempaa läpinäkyvyyttä siihen, millä ehdoin oppimisanalyyttista dataa kerätään, kuka saa sitä kerätä ja miten sitä käytetään.
(4) Vinoumat, yliyksinkertaistaminen ja stigmat. On selvää, että kaikki oppiminen ei tapahdu niillä oppimisalustoilla ja -sivustoilla, joilla oppimisanalyyttista dataa kerätään. Tästä syystä johtuen kaikki oppiminen ei päädy “ison datan” haaviin, eikä sitä siten voida arvioida oppimisanalyyttisin välinein. Oppijoiden opintomenestys ja oppimisen laatu onkin kerättyä dataa huomattavasti moninaisempi ilmiö. Oppimisanalyyttinen data voi siten olla yhtäältä yksinään riittämätöntä oppimisen analyysissa. Toisaalta kerättyä dataa voi olla yltäkylläisen paljon, eikä kaikki data ei olen välttämättä samalla tavoin relevanttia oppimisprosessin arvioinnissa. Oppimisanalytiikan avulla haalitun data painottaminen saattaa siten aiheuttaa vinoumia ja yliyksinkertaistamisia datan tulkinnoissa.[v] Nämä vinoumat ja yliyksinkertaistaminen eivät ole vain metodologinen ongelma, vaan niillä on eettisiä seuraamuksia. Oppilaita voidaan stigmatisoida oppimisanalyyttisen datan pohjalta esimerkiksi hitaaksi oppijaksi. Tämän leiman avulla voidaan pyrkiä oikeuttamaan erilaisia interventioita kontrollin ja vallankäytön muotoja oppijoiden “ oman parhaan” nimissä.[vi]
Oppimisanalytiikka voi myös vaikuttaa oppilaiden käytökseen epätoivottavilla tavoilla. Esimerkiksi oppilaat voivat vertailla arvosanojaan ja tuloksiaan toisiinsa niin, että he alkavat kilpailla keskenään. Tämä on herättänyt huolia niiden opiskelijoiden itsevarmuuden suhteen, jotka yrittävät ja silti eivät saavuta hyviä oppimistuloksia. On myös raportoitu tilanteita, missä hyvin suoriutuvat opiskelijat voivat vähentää yrittämistään oppimisanalyyttisen datan antaman informaation myötä.[vii]
(5) Interventiot ja autonomia. Oppimisanalyyttinen data mahdollistaa interventiot, jolla pyritään vaikuttamaan ja muuttamaan oppijoiden toimintaa. Eri sidosryhmien, kuten opiskelijoiden, opettajien ja tietotekniikkayritysten välisten valtasuhteiden epäsymmetrisyyden vuoksi näiden interventioiden perusteisiin on syytä kiinnittää erityistä huomiota. Mikä on opiskelijoiden omien arvojen ja valintojen rooli interventioista päätettäessä? Huonosti suunnitellut interventiot voivat pahimmillaan johtaa akateemisen vapauden kaventumiseen. Oppijat tuleekin nähdä toimijoina, joiden identiteeteillä ja valinnoilla on merkitystä, ja jotka eivät ole ainoastaan datan ja interventioiden objekteja. Datan on palveltava myös opiskelijan arvoja eikä vain institutionaalisia intressejä. Oppijat on syytä ottaa mukaan oppimisanalytiikan suunnitteluun, tuotantoon ja implementointiin.[viii]
(6) Eettisten koodiston puute. Monet oppimisanalytiikkaan liittyvät oikeudelliset ja eettiset kysymykset ovatkin yhä ratkaisematta ja siihen liittyvät selkeät eettiset ohjeistukset puuttuvat. Selkeiden eettisten ohjeiden tekemistä vaikuttavat oppimisanalytiikan lukuisat sidosryhmät ja niiden erilaiset intressit. Yhteistä, jaettua eettistä koodistoa eri intressiryhmien välille ei ole helppoa luoda.[ix]
(7) Oppimisanalytiikan poliittiset aspektit. Oppijan mikrotason tai ympäröivän institutionaalisen kontekstin mesotason lisäksi oppimisanalytiikkaa voidaan tarkastella myös makrotasosta käsin: minkälaisiin ideologis-poliittisiin ajatustapoihin ja käytänteisiin oppimisanalytiikka yhteiskunnassa laajemmin linkittyy. Griffithsin (2020) mukaan oppimismaailmaa ja akateemista oppimisanalytiikkaa ei voida tarkastellaa erillään ympäröivästä yhteiskunnasta, jossa koulutusinstituutiot kilpailevat opetuksen tehokkuudessa ja tiettyjen tavoitteiden täyttämisessä, jotka niille asetetaan. Näiden tavoitteiden saavuttaminen voi vaikuttaa suoraan instituutioiden rahoitukseen, opetuksen työsopimuksiin ja opettajien palkkaukseen. Oppimisanalytiikalla voi siis olla laajempia vaikutuksia kuin vaikutuksia oppimiseen tai edes oppimiskulttuuriin, ja siksi onkin syytä katsoa laajemmin epäsuoria vaikutuksia instituutioiden ja muun yhteiskunnan tasolla, joita oppimisanalytiikka voi saada aikaan. Griffithsin mukaan oppimisanalyyttinen ajattelu jakaa joitain samoja oletuksia kuin sellaiset ”valvontakapitalistiset” menetelmät, joissa yksilöllistä dataa kerätään internetin avulla ennen kaikkea mainosorganisaatioiden käyttöön. Tällöin datan keräämisen tavoitteena on saada hyötyä joko henkilökohtaisesti tai jollekin organisaatiolle, yleensä tarjoamalla kustomoituja mainoksia henkilöille, joilta dataa on kerätty. Sekä valvontakapitalistisen että oppimisanalytiikan koulutuskäytön taustalla on vaikuttaa ajattelutapa, jonka mukaan keskeistä on tavoitella mahdollisimman tehokkaita hallinnoinnin ja prosessien strategioita.[x]
Näistä haasteista tai ongelmista huolimatta on hyvä kuitenkin huomioida, että oppimisanalyyttisilla menetelmillä on myös hyötynsä. Oppimisanalytiikan avulla voidaan potentiaalisesti ymmärtää oppimisprosessia ja mahdollisesti parantaa oppimistuloksia. Myös datan keräämättä jättäminen voi olla lyhytnäköistä, jos oppimisanalytiikalla voidaan “läpäistä sumu korkeakoulutuksen yllä” ja auttaa esimerkiksi heikommin suoriutuvia oppijoita parantamaan oppimistuloksiaan.[xi]
[i] Kaila, Kurvinen & Apiola, 2019; Auvinen 2013, 16; ks. Myös Sclater 2015 ja West ym. 2020, 65.
[ii] Slade & Prinsloo 2013, 1521.
[iii] Slade & Prinsloo 2013, 1519.
[iv] Kaila, Kurvinen & Apiola 2019; Sclater 2015; Slade & Prinsloo 2013, 1515-1517.
[v] Watson et al. 2017; Slade & Prinsloo 2013, 1515-1516.
[vi] Essa 2019, 35; vrt. Selwyn 2020.
[vii] West et al. 2020, 62-63; Yi-Shan et al. 2018; Sclater 2015.
[viii] West et al. 2020, 64; Selwyn 2020; Slade & Prinsloo 2013, 1516; 1519-1520.
[ix] Kaila, Kurvinen & Apiola 2019; Järvinen et al. 2018, 44; Ferguson 2012. Erilaisia eettisten koodistojen listauksia, ks. Sclater 2015 ja Pardo & Siemens (2014).
[x] Griffiths 2020; Selwyn 2020; Järvinen et al. 2018, 40;
[xi] Long & Siemens 2011; Slade & Prinsloo 2013, 1521.
Yllä mainitut lähteet:
Auvinen, Ari-Matti (2013). Oppimisanalytiikka tulee – Oletko valmis? Suomen eOppimiskeskus ry 2017. https://poluttamo.fi/2017/08/02/oppimisanalytiikka-tulee-oletko-valmis/
Essa, Alfred (2019): Is Data Dark? Lessons from Borgers’s ”Funes the Memorius”. Journal of Learning Analytics, 6(3), 35-42. https://doi.org/10.18608/jla.2019.63.7
Griffiths, Dai (2020): The Ethical Issues of Learning Analytics in Their Historical Context. Teoksessa Burgos, D. (edit.) Radical Solutions and Open Science. Lecture Notes in Educational Technology, 39-55.https://doi.org/10.1007/978-981-15-4276-3_3
Kaila, Erkki; Kurvinen, Einari & Apiola, Mikko (2019): Ethical Considerations in Learning Analytics: Ideas and Discussion. CEUR Workshop Proceedings. http://ceur-ws.org/Vol-2505/?fbclid=IwAR3aW6KH92iXX2SQYp_W1dRifwsrzcERTJTsmfQIDT2O_P-NUS-UYYjTULc
Long, Phil & Siemens, George (2011): Penetrating the Fog: Analytics in Learning and Education. EDUCAUSE Review, 46(5), 31-32, 34, 36, 38, 40. https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-learning-and-education
Sclater, Niall (2015): A taxonomy of ethical, legal and logistical issues of learning analytics. https://analytics.jiscinvolve.org/wp/2015/03/03/a-taxonomy-of-ethical-legal-and-logistical-issues-of-learning-analytics-v1-0/
Selwyn, Neil (2020): Re-imaginining ’Learning Analytics’ … a case for starting again? Internet and Higher Education, 46. 10.1016/j.iheduc.2020.100745
Slade, Sharon & Prinsloo, Paul (2013): Learning Analytics Ethical Issues and Dilemmas. American Behavioral Scientist 57(10), 1510-1529. 10.1177/0002764213479366
West, Deborah; Luzeckyj, Ann; Toohey, Danny; Vanderlelie, Jessica & Searle, Bill (2020): Do academics and university administrators really know better? The ethics of positioning students perspectives in learning analytics. Australasian Journal of Educational Technology, 36(2), 60-70. https://doi.org/10.14742/ajet.4653
Yi-Shan, Tsai; Moreno-Marcos, Pedro Manuel; Jivet, Ioana; Scheffel, Maren; Tammets, Kairit; Kollom, Kaire & Gašević, Dragan (2018): The SHEILA Framework: Informing Institutional Strategies and Policy Processes of Learning Analytics. Journal of Learning Analytics, 5(3), 5-20. https://doi.org/10.18608/jla.2018.53.2
Watson, Cate; Wilson, Anna; Drew, Valerie & Thompson, Terrie Lynn (2017). Small data, online learning and assessment practices in higher education: a case study of failure?, Assessment & Evaluation in Higher Education, 42:7, 1030-1045, DOI: 10.1080/02602938.2016.1223834