• 25.10.2017

Personoitu oppiminen ja sen tehostaminen uudella teknologialla

Määritelläänpä ensin ”personoitu oppiminen”. Termi tunnetaan myös ”mukautettuna oppimisena” ja sillä tarkoitetaan opetusmenetelmiä ja -tekniikoita, joilla oppimisprosessi mukautetaan kunkin yksilön oppimistyylin, persoonallisuuden, tarpeiden, taustan ja aiempien kokemusten perusteella.

Oppiminen pohjautuu kaikilla aiempiin kokemuksiin. Kuten tutkimus osoittaa, oppimistulokset paranevat merkittävästi, kun oppiminen rakentuu aiempien tietojen pohjalle. Bestsellerissään ”Mindful Learning: 101 Proven Strategies for Student and Teacher Success” Linda ja Bruce Campbell osoittavat, miten tärkeää oppijoiden aiempi osaaminen on. Kun oppijan kokemustausta tunnetaan, oppimista voidaan tehostaa mukauttamalla ja linkittämällä sitä henkilön aiempaan tietämykseen.

Otetaan esimerkki. Jokin aika sitten poikani kysyi autoni vaihdekepistä: ”Mikä tämä on ja mihin sitä tarvitaan?” Hetken pohdittuani selitin asian hänelle vertaamalla tilannetta hänen pyöränsä vaihteisiin, joilla voi muuttaa nopeuden ja vaadittavan voimankäytön suhdetta. Koska tunsin poikani kokemustaustan ja linkitin uuden tiedon siihen, pystyin tekemään uudesta asiasta helpon oppia.

Entä jos olisinkin alkanut selittää asiaa mekaanikon näkökulmasta tai piirtänyt kuvia moottorista, vaihdelaatikosta ynnä muusta sellaisesta? Poikani mielenkiinto olisi varmaan herpaantunut ja hän olisi luovuttanut puolen minuutin jälkeen, koska hän ei olisi pystynyt yhdistämään uusia tietoja aiempaan tietämykseensä. Oppimista ei siis olisi tapahtunut.

Yhteenvetona voidaan todeta, että jos henkilön kokemustausta tunnetaan ja uusi tieto voidaan linkittää siihen, asian sisäistämisessä ja oppimisessa saavutetaan paljon parempia tuloksia.

Personoitu oppiminen organisaatiossa

Entä vastaava tilanne yritysmaailmassa? Työntekijän on perehdyttävä uuteen työkaluun, teknologiaan tai prosessiin. Jos tiedot linkittyvät henkilön aiempiin kokemuksiin, oppiminen nopeutuu ja työntekijän työteho paranee. Työntekijä on vähän niin kuin poikani tuolla edellä mainitussa esimerkissä. Siinä minä tunsin poikani taustan ja kokemukset, joten pystyin yhdistämään vanhat tutut ja uudet tuntemattomat asiat toisiinsa, mikä helpotti uuden oppimista. Onko yrityksessä ketään ”isähahmoa”, joka tuntee työntekijän taustan ja aiemmat kokemukset ja osaa esittää asiat ymmärrettävällä tavalla? Veikkaan, että useimmiten tällaista henkilöä ei ole. Miten oppimista yritysympäristössä voitaisiin parantaa niin, että työntekijä ei menetä mielenkiintoaan ja lyö hanskoja tiskiin vain sen takia, että uusi asia on liian monimutkainen kerralla hahmotettavaksi eikä tunnu liittyvän mihinkään aiempaan tietämykseen?

Perinteisten menetelmien ongelmat

Mentorointi

Yksi tapa tuoda vanhemman rooli yritysympäristöön on mentorointi. Kokeneemmalle työntekijälle annetaan tehtäväksi neuvoa kokemattomampaa kollegaa. Aiemmista kokemuksistaan oppimansa perusteella mentori ymmärtää mentoroitavan kohtaamat haasteet ja ongelmat sekä pystyy ohjaamaan oppimista kohti asioiden sisäistämistä. Tämä malli toimii erinomaisesti, mutta se ei ole kovin skaalautuva.

Yrityksen intranet

Useimmissa tapauksissa tilanne on se, että työntekijän oppimista ja asioiden sisäistämistä ei ohjaa kukaan, vaan vastuu oikeiden vastausten löytämisestä on työntekijällä itsellään. Jos työntekijän on perehdyttävä yrityksen uuteen työkaluun, teknologiaan tai prosessiin, hän voi etsiä tietoja yhtiön intranetistä, wikistä tai muista tietolähteistä. Tämä ei ole lainkaan huono menettelytapa, sillä etsiessään tietoa ja yrittäessään soveltaa sitä työntekijä saattaa oppia muitakin samaan aiheeseen liittyviä asioita. Menetelmä ei kuitenkaan vaikuta optimaaliselta, koska työntekijän on käytävä läpi paljon kyseisen asian kannalta turhaakin tietoa eikä löydetty vastaus aina ole paras mahdollinen kyseisen työntekijän kokemustaustaan linkittymisen kannalta.

Ratkaisu

Mitä sitten pitäisi tehdä? Onko jotakin parempaa tapaa sekä auttaa työntekijää löytämään tiedot että varmistaa, että vastaus linkittyy hänen aiempiin kokemuksiinsa?

Mielestäni tässä tarvitaan kehittynyttä hakukoneiden ja mukauttamistyökalujen yhdistelmää.

Ensin hakukone suodattaa ja karsii mahdollisia tietolähteitä, kuten asiakirjoja ja verkkosivuja, minkä jälkeen mukauttamistyökalu nostaa työntekijän kokemustaustan kannalta relevanteimmat tulokset listan kärkipäähän.

Googlen kaltaiset hakukoneet ovat meille tuttuja. Yritysympäristössä jokaiselle tietojärjestelmälle voi olla oma hakukoneensa tai käytössä voi olla edistynyt hakukone, joka pystyy tekemään kyselyjä useisiin eri taustajärjestelmiin ja yhdistelemään tuloksia. Miten tuloksista saa mukautetumpia, esimerkiksi työntekijän aiempaan kokemukseen liittyviä? Tarkemmin sanottuna: mistä tiedämme, millainen kokemustausta työntekijällä on?

Miten työntekijän kokemustausta voidaan digitoida ja muuntaa koneen ymmärtämään muotoon?

– Ensimmäinen askel tällä polulla on listata kunkin työntekijän aiemmin oppimat taidot ja osaamistaso niissä. Tämä voidaan tehdä esimerkiksi analysoimalla CV tekstianalyysin avulla tai pyytämällä työntekijää täyttämään yksinkertainen taulukko, jossa taidot ovat vaakariveinä ja osaamistasot pystysarakkeina. Näistä tiedoista saa jo jonkin verran osviittaa mutta ei kuitenkaan kovin yksityiskohtaista kuvaa. Lisäksi lista on jokseenkin staattinen eikä ota huomioon taitojen listaamisen jälkeen opittuja ja koettuja asioita.

– Toinen, parempi vaihtoehto on se, että edellä kuvatussa vaiheessa kootun osaamismatriisin lisäksi HR kerää tietoja käydyistä koulutuksista, saavutetuista pätevyyksistä ja kaikesta muusta viralliseen oppimiseen liittyvästä. Työntekijän kannalta tämä voi parantaa hakutulosten merkityksellisyyttä huomattavasti, koska hänen osaamistasonsa on järjestelmässä ja sitä päivitetään käydyn virallisen koulutuksen myötä. Näin voidaan esimerkiksi varmistaa, että asiantuntijatason tietoja ei näytetä vasta-alkajalle ja päinvastoin.

Tämäkään ei kuitenkaan riitä takaamaan, että hakutulokset ovat aidosti merkityksellisiä ja kyseiselle henkilölle sopivia. Mukauttamistyökalu tarvitsee huomattavasti yksityiskohtaisempia tietoja muun muassa siitä, mitä työntekijä tietää, miten hän haluaa opiskella, mikä on hänelle helppoa ja mikä hankalaa sekä minkätyyppiset tiedot sopivat hänelle parhaiten.

Miten tätä voitaisiin digitoida ja analysoida?

– Kolmas, paljon edistyksellisempi vaihtoehto on yhdistää edellä kuvatut toimintamallit siihen, että kaikista oppimisaktiviteeteista kerätään tietoja reaaliaikaisesti. Viittaan Experience APIn (xAPI) ja Learning Record Storen (LRS) käyttämiseen. xAPIlla voi kerätä yksityiskohtaisia tietoja työntekijän eri ympäristöissä tapahtuvasta oppimisesta.

Jos xAPI on otettu käyttöön yrityksen intranetissä, tietoja voidaan kerätä avatuista sivuista ja ladatuista asiakirjoista. Jos työntekijän toimia tehtaassa seurataan antureilla, seurantatiedot voidaan kerätä xAPI-lausekkeina. Jos yritys käyttää koulutuksessa simulointeja, virtuaalitodellisuutta tai lisättyä todellisuutta, simulointien tapahtumia ja toimia voidaan seurata ja ne voidaan tallentaa xAPI-lausekkeina. Jos yritys järjestää koulutusta oppimisympäristössä, esimerkiksi Valamis-ympäristössä, xAPI seuraa kaikki käyttäjän toimia automaattisesti.

Miten oppimisesta voidaan tehdä entistä personoidumpaa ja tehokkaampaa?

Kun mukauttamistyökalu pystyy hyödyntämään kaikkia edellä mainittuja työntekijään liittyviä tietoja, se pystyy muodostamaan entistä perustellumpia arvioita siitä, miten merkityksellisiä tiedot ovat työntekijälle. Oppimishistoriaa analysoimalla voidaan saada selville, mikä opiskelutapa sopii kyseiselle oppijalle parhaiten: onko esimerkiksi artikkelin lukeminen hyödyllisempää kuin äänitteen kuunteleminen, pitääkö oppija pitkistä ja laajoja kokonaisuuksia käsittelevistä opiskelujaksoista vai tulisiko oppimiskokonaisuuden olla lyhyt ja ytimekäs, vaihtelevatko oppimistarpeet kellonajan tai viikonpäivän mukaan ja niin edelleen.

Vielä relevantimpia tuloksia voidaan tuottaa, kun työntekijän tietämystä ja kokemusta verrataan muiden työntekijöiden kokemuksiin ja kun näin pystytään jäljittämään rooleihin, taitoihin tai oppimisaktiviteetteihin liittyviä yhtäläisyyksiä. Näiden yhtäläisyyksien pohjalta työntekijälle tarjottavien tietojen merkityksellisyyttä voidaan parantaa entisestään. Tämä on toimiva ratkaisu myös silloin, kun yritykseen palkataan uusi työntekijä. Aluksi esimerkiksi rooliin ja osastoon liittyvät yhtäläisyydet ja se tieto, että aiempaa oppimishistoriaa ei ole, voisivat johtaa siihen, että oppijalle näytetään tarvittavat perehdytysmateriaalit. Tämän jälkeen suosittelutyökalu voisi analysoida aiempien uusien työntekijöiden historiatietoja ja tarjota oppijalle ehdotuksia, jotka ovat jo osoittautuneet relevanteiksi perehdytysmateriaaleja aiemmin läpi käyneille.

On sanomattakin selvää, että tämä on vasta alkua. Jotta päästään seuraavalle tasolle, ympyrän pitää sulkeutua ja mukauttamistyökalun tietojen merkityksellisyyttä täytyy parantaa oppimisprosessista saadun palautteen perusteella. Oppimisaktiviteettien analysointi, sen selvittäminen, mitä työntekijät valitsivat ehdotetuista tuloksista ja miten tyytyväisiä he tuloksiin olivat, tarkennettuihin hakuihin perehtyminen – kaikki tämä auttaa kehittämään ja mukauttamaan suosittelutyökalua koneoppimisen avulla.

Lopuksi

Oppimisen personointi vaikuttaa oppimistuloksiin merkittävästi. Kun uudet asiat linkitetään henkilön aiempiin kokemuksiin, oppi sisäistetään paremmin ja oppiminen tehostuu.

Organisaatioympäristössä personoitu oppiminen vaatii kustannustehokkuuden ja skaalautuvuuden takaavia teknisiä ratkaisuja. Tekniikan avulla, kuten Experience APIn (xAPI) ja Learning Record Storen (LRS) yhdistelmällä, työntekijän kokemuksista voidaan kerätä erittäin yksityiskohtaisia tietoja digitaalisessa muodossa. Näitä tietoja voidaan sitten käyttää luotaessa personoitua oppimiskokemusta tuleviin oppimisaktiviteetteihin kehittyneillä hakukoneilla ja mukauttamistyökaluilla.

Mikään tekninen ratkaisu ei tietenkään ole täydellinen, mutta kun ympyrä sulkeutuu ja oppijan toimista saatua palautetta hyödynnetään ratkaisussa, oppijan saamien vastausten laatu paranee jatkuvasti. Kun ”selvitä itse” -oppimisesta päästään siirtymään tässä kuvattuun lähestymistapaan, työntekijät pääsevät kokemaan, mitä personoitu oppiminen on ja millaisia hyötyjä sillä saavutetaan.

Asiantuntija

Dmitry Kudinov

Chief Technology Officer, Valamis

Valamiksen Chief Technology Officer Dmitry Kudinov johtaa Valamis-oppimisympäristön tuotekehitystä vahvalla asiantuntemuksellaan ymmärtäen työntekijöiden ja asiakkaiden tarpeet. Dmitry soveltaa teknistä asiantuntemustaan liiketoiminnan tavoitteiden saavuttamiseksi ja hänen projektinsa ulottuvat aina kustomoitujen oppimisympäristöjen ja portaalien toteutuksista erittäin kriittisten liiketoimintajärjestelmien optimointiin.