Akademik
Dijital bir öğrenme ortamında etkileşim içerisinde bulunduğumuz her durumda bir ayak izi bırakırız. Platforma giriş, çıkış zamanlarımız, eğitim izleme, tamamlama durumlarımız, hangi başlıklara daha çok ilgi gösterdiğimiz, sosyal etkileşim oranlarımız gibi çok sayıda veri oluştururuz. Öğrenenler, öğrenme deneyimleri, eğitim programları ile ilgili toplanan bu verilerin, öğrenmeyi ve öğrenmenin kuruma etkisini anlamak ve optimize etmek amacıyla ölçülmesi, analizi ve raporlanmasını öğrenme analitiği olarak tanımlayabiliriz.
Aslına baktığımızda çok uzun sürelerdir öğrenen performanslarının ve ilerleyişinin takibi ve sunduklarımız ile öğrenmenin etkisini artırmak üzere farklı ortamlardan farklı araçlarla veriler topluyor ve veri analizi gerçekleştiriyoruz. Öğrenme analitiği, zaten hayatımızda olan bu araç ve yaklaşımları bir üst seviyeye taşıyarak, dijital ortamlardaki yeni veri formlarını ve veri bilimi, makine öğrenmesi ve yapay zekanın sunduğu hesaplama analiz tekniklerini kullanarak daha gelişmiş analizler için bizlere yeni fırsatlar sunuyor.
Öğrenme analitiğinin akla gelen ilk ana kullanımının öğrenenler ve sunduğumuz ortam ve araçlar ile ilgili performans ve başarı tahmini yapılması olduğunu söyleyebiliriz. Bununla birlikte öğrenme analitiği bize öğrenme ve gelişimi destekleyebilmemiz için çok daha geniş bir yelpazede fırsatlar sunar:
Genel olarak veri biliminde kullanılan farklı veri analitiği yaklaşımları vardır. En temel haliyle seviyelendirilmiş bir analitik yaklaşımından bahsedebiliriz:
(1) ilk olarak elindeki veriyi tanımla, ne olduğunu anla;
(2) veriler ışığında oluşan durumun neden olduğunu anla;
(3) farklı tekniklerle veriler arasındaki ilişkilerden gelecekte ne olacağını tahmin et /ön gör;
(4) tüm bu adımlar sonrasında istenen çıktıları yakalamak için neyi değiştirmelisin, ne yapmalısın konusunda ön görülerini oluştur
Bu analitik yaklaşımlarına öğrenen ve öğrenme deneyimi açısından daha yakından bakalım.
2018’de Elearning Industry’de yayınlanan bir yazıdaki araştırma sonucuna göre, kurumların %94’ü kişiselleştirmenin başarı için kritik olduğunu, %77’i de kişiselleştirmenin çalışan katılımı ve bağlılığı için hayati olduğunu düşünüyor.
Kişilerin öğrenme alışkanlıklarının ve davranış kalıplarının derinlemesine analiz edildiği, gerçek zamanlı verilerle desteklenen bir anlayış bu noktada daha da ön plana çıkıyor. Özellikle yapay zeka uygulamaları, insanların karar verme sürecini taklit ederek topladıkları bilgilere göre yinelemeli olarak kendilerini iyileştirebilen sistemler olduğundan, kişiselleştirmede kullanılacak en önemli mekanizmalar olarak ön plana çıkmaktadır.
Yapay zeka, öğreneni hedefleyen kişiselleştirme uygulamalarında, kişilerin öğrenme alışkanlıklarını ve davranışlarını anlayarak, hatta geliştirmeleri gereken alanlara dair verileri kullanarak kişiye özel gelişim önerileri sunmak üzere kullanılabilir. Yani yapay zeka sadece kişilerin deneyimledikleri eğitimleri değil, bu deneyimi nasıl yaşadıklarını da anlayarak ona göre farklı öneriler sunacak şekilde kendisini geliştirebilir. Bunu sağlamak için öğrenenler, öğrenme deneyimleri ve öğrenme ortamları ile ilgili çok geniş bir veri seti içinden sürekli toplanan gerçek veriler, makine öğrenmesi modelleri tarafından işlenerek zor ve karmaşık korelasyonlar ortaya çıkarılır. Yapay zeka da bunları kullanarak öğreneni anlar ve ona nokta atışı öneriler sunabilir.
Öğrenme analitiği alanındaki çalışmalarımız kapsamında, Microsoft ile işbirliği yaptık ve müşterilerimize Microsoft PowerBI aracının gücünü kullanarak, kendi kurumlarına ait analitik verilerine hızlıca ulaşabilmelerini sağladık. Doğrudan Enocta Eğitim Platformu içinde yetkili kullanıcılarla erişilen Analitik Modülü ile öğrenme deneyimlerini daha iyi anlamak ve optimize etmek, öğrenmeye giden öğrenen davranışlarını ortaya çıkarmak ve sunulan programların etkinliğine odaklanan metriklere yönelik ilk çalışmaları müşterilerimizle buluşturduk.
Bunlara ek olarak, Enocta vizyon ve yaklaşım çerçevesinde, farklı verilerden beslenen mekanizmalar ve algoritmalar ile bir kişiselleştirilmiş eğitim önerileri altyapısı, Yenilenen Enocta Online Eğitim Platformu ve mobil uygulamalar ile müşterilerimizin hayatına girecek. Makine öğrenmesi ve yapay zeka yatırımları ile kendini sürekli geliştirerek, kendi kendine daha iyi öneriler yapmayı öğrenecek bir yapı için de gelecek vizyonumuz kapsamında çalışmalarımız devam ediyor.
Kişiselleştirilmiş önerilerin yapılabilmesi için eğitimin/içeriğin türü, konu başlığı, kategorileri, kişilerin ilgi alanları, yetkinlikleri, departmanları gibi hem şu anda kullandığımız hem de sürekli geliştirerek ve yaygınlaştırarak kullanmaya başlayacağımız verileri şu şekilde özetleyebiliriz:
Gelecek vizyonumuz kapsamında, öğrenme sürecini tasarlayan ve yöneten eğitim liderlerine yönelik de yapay zeka destekli otomasyon araçları sunacağız.
(1) 5 Stats Proving The Value Of Personalised Learning, https://elearningindustry.com/value-of-personalised-learning-5-stats-proving
(2) Gartner Information Technology Glossary, https://www.gartner.com/en/information-technology/glossary/predictive-analytics
(3) Veri Biliminde Veri Analitiği Tipleri, http://kod5.org/veri-biliminde-veri-analitigi-tipl
(4) Mattox II,J.R, Buren, M.V., Martin, J. (2016), Learning Analytics: Measurement Innovations to Support Employee Development (1st ed.). Kogan Page
Teknolojideki yenilikler ve değişen iş ortamları, proje yöneticilerinin rollerini ve hedeflerini dönüştürüyor. Bu dönüşümle birlikte Project Management Institue (PMI), Project Management Professional (PMP) sertifika sınavının içeriğini bu yılın başında değiştirdi.
Öğrenme şeklimizin kişiliğimize, beynimizin çalışma şekline, bulunduğumuz ortama ve kültüre bağlı olduğunu biliyor muydunuz?
Kişisel liderlik, yaşamın her alanında bireysel olarak bir üst noktaya çıkmamızı sağlayan en önemli yeteneklerden. Bu yeteneğin içinde bulunduğumuz dönemde aldığı kritik hal, hayatımızın direksiyonuna nasıl geçeriz gibi birçok soruya yanıt bulduğumuz webinarımızda, Kemal İslamoğlu bizlerle buluştu.
