Veri Analizleri ve Öğrenme Analitiği ile Kişiselleştirilmiş Deneyim

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 bu verileri analiz ediyoruz. 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.

Kullanım Amaçları

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:

  • Öğrenenlere özel kişiselleştirilmiş gelişim ortam ve fırsatları sunarak, kişilerin sürekli öğrenmesini desteklemek
  • Öğrenenlere kendi performans ve başarıları ile ilgili ayna tutarak kişisel farkındalık oluşmasını sağlamak
  • Öğrenenlere ne öğrenecekleri ile ilgili bilgi sahibi oldukları seçimler yapma şansı tanıyarak onlara sürekli gelişim beceri ve yetkinliklerini kazandırmak
  • Hem öğrenenlere hem de öğrenme ortamlarını tasarlayan ve yönetenlere anlık geri bildirim sunarak iyileştirmeye yönelik aksiyonların belirlenmesi için yol açmak
  • Daha kaliteli ve verimli öğrenme ortamları ve süreçleri için öğrenme ve gelişim alanında inovasyona destek olmak

Veri Analitiği Tipleri

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.

  • Tanımlayıcı Analitik (Descriptive Analytics): Öğrenen ve öğrenme deneyimlerini daha iyi anlamak için kullandığımız bilgi verici metriklerdir. Veri hakkında tanımlayıcı bilgileri yani “ne olduğunu” ortaya koymaktadır. Öğrenme açısından baktığımızda, örneğin sisteme giriş, eğitim izleme, eğitimlerle ilgili geri bildirimlerle ilgili verileri alma ve zamana, departmana vb. farklı kriterlere göre değişim trendlerini değerlendirme çalışmasını bu kategoride ele alabiliriz.
  • Teşhis Analitiği (Diagnostic Analytics): Öğrenen ve öğrenme deneyimleri ile ilgili tanı ve teşhis koymak için kullanılabilecek ileri seviye analitik tekniklerdir. Veriler ışığında bir şeyin “neden olduğunu” ortaya koymayı hedefleyen çalışmalardır.  Veri içerisindeki örüntüleri/ kalıpları, veri madenciliğini ve korelasyon tekniklerini kullanır. Öğrenme açısından baktığımızda, öğrenme ve gelişimdeki kritik performans göstergelerini beslemek ve iyileştirmek, örüntüleri analiz ederek yeni metrikler tasarlamak, öğreneni ve gelişimi desteklemek için daha verimli stratejiler oluşturmak için bu çalışmaların çıktıkarını kullanabiliriz.
  • Tahmine Dayalı Analik (Predictive Analytics): Bu analitik alanı en temelde geleceği anlamak, için kullandığımız ve “ne olacak” sorusuna yanıt arayan analitik çalışmalarını kapsar. Teknik olarak bakıldığında, verilerdeki örüntüleri belirlemek için geçmiş veriler birleştirilir ve eğilimleri tahmin etmek, çeşitli veri kümeleri arasındaki ilişkileri yakalamak için istatistiksel modeller ve algoritmalar uygulanır. Öğrenme açısından baktığımızda, belirli durumların gerçekleşmesi ya da gerçekleşmemesi halinde öğrenme deneyimi / öğrenen / öğrenme sürecinin nasıl değişebileceğini ön görmek için kullanılabilir.
  • Normatif Analitik  (Prescriptive Analytics):  Makine öğrenmesi, algoritmalar, iş kuralları ve çeşitli hesaplama modellerinin kombinasyonlarını kullanarak tanımlayıcı ve tahmine dayalı analitik alanındaki çalışmaların ötesine geçen, ileri seviye bir analitik tekniğidir. Bu açıdan baktığımızda, öğrenme ve gelişim alanındaki veri tanımlarını çıkarıp, durumların neden olduğunu anlayıp gelecek tahminlerini yaptıktan sonra, “ne yapılmalı” sorusuna cevap aradığımız analitik çalışmalarıdır. Bu alandaki metrikler yetenek gelişimi, performans geliştirme ve mesleki/kişisel gelişim alanında hem öğrenene hem de süreci tasarlayanlara gelişim alanlarına ilişkin önemli aksiyon önerileri çıkarılmasını sağlayabilir. 

Öğrenme Analitiği ve Yapay Zeka Desteği Öğrenmenin Kişiselleştirilmesi

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.

Enocta Eğitim Platformu’nda Öğrenme Analitiği ve Kişiselleştirme

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 Öğrenme Deneyimi 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: 

  • Son Kaydolduğu eğitimlerle aynı / benzer kategoride olan eğitimler
  • Son Tamamladığı eğitimlerle aynı / benzer kategoride olan eğitimler
  • Son Beğendiği eğitimlerle aynı / benzer eğitimler
  • Deneyimlediği eğitimler arasından favorilerine eklediği eğitimlerle aynı / benzer kategorideki eğitimler
  • Benzer profildeki kişiler tarafından en fazla beğenilen / tamamlanmış / deneyimlenmiş eğitimler

Gelecek vizyonumuz kapsamında, öğrenme sürecini tasarlayan ve yöneten eğitim liderlerine yönelik de yapay zeka destekli otomasyon araçları sunacağız.

Kaynaklar

(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

İletişimde kalın, yenilikleri kaçırmayın!

Enocta ürün ve hizmetleri hakkında yenilikleri kaçırmamak ve blog yazılarımızı takip etmek için hemen kayıt olmanız yeterli.