Responsiivisten oppimisympäristöjen toiminta edellyttää kerätyltä datalta tarkkuutta: mitä ja miten syvällisesti opiskelija on opiskellut? Miten merkityksellistä opiskelutoiminta oppimisympäristössä on hänelle ollut? Toistuvien toimintamallien lisäksi pitäisi pystyä selvittämään niiden yhteys kognitiivisiin ja emotionaalisiin muutoksiin.

Haasteellisinta on määritellä, miten tällainen tieto oppimisympäristöstä saadaan. Onko se opiskelijan antama itsearvio syvällisyyden ja keskittymisen tasosta oppimistilanteen lopuksi? Entä olisiko hyötyä siitä, jos opiskelijaa pyydettäisiin järjestelmällisesti arvioimaan oppimateriaalin tai tehtävän vaikeusastetta? Ja olisiko analytiikassa syytä käyttäytymismallien lisäksi ottaa huomioon myös tunnetilat ja erilaiset motivaatiotekijät? Nykyisissä verkko-oppimisympäristöissä kaikki nämä ovat usein edelleen sellaisia ohjaus- ja oppimisprosessiin liittyviä kohtia, jotka opettaja joutuu itse rakentamaan kurssilleen esimerkiksi ylimääräisinä kysymyksinä tai aktiviteetteina. Myös yksilöllisten oppimateriaaliin liittyvien oppimispolkujen räätälöinti on vieläkin opettajan tehtävä.

Näin ei tarvitse olla tulevaisuudessa. Esimerkiksi tunnetekoälyn avulla kasvojen ilmeistä tehtävä tunnetilojen määritys kytkettynä oppimisprosessin vaiheisiin ja eri oppimistilanteisiin voisi antaa paljon syvällisempää tietoa oppimisen laadusta, jos se liitetään osaksi oppimisympäristöjen määrällistä dataa kerääviä analyysimalleja. Katseenliikkeiden tunnistus voisi antaa oleellista tietoa oppimisprosessin etenemisestä, kiinnostuksen ja motivaation herättävistä sisällöistä jne. Tällainen tieto voisi auttaa opiskelijaa huomaamaan, mitkä asiat oppimisessa ja oppimisympäristössä aiheuttavat iloa, turhautumista, pelkoa tai muita tunteita ja miten ne ohjaavat häntä toimintaan. Näiden asioiden ymmärtämisen myötä analytiikka voisi auttaa opiskelijaa kehittämään itseohjautuvuutta ja itsesäätelytaitoja.

Ehkä tulevaisuuden oppimisympäristössä nämä datankeräyspisteet ja kasvojentunnistuksen kautta tuleva tunnetila-analyysi ovatkin sisäänrakennettuja ja vaativat vain aktivoimisen päälle tai pois päältä, oppijan oman käyttötarpeen mukaan. Kenties analytiikka voisi olla reaaliaikaista tai ennakoivaa niin, että se auttaa oppijaa juuri opiskeluhetkellä tekemään päätöksiä ja muuttamaan opiskelumallejaan.

Esimerkiksi chatbotti voisi huomauttaa opiskelijalle, että hän voi kuunnella tiedoston lukemisen sijaan, jos lukemiseen näyttää menevän ajallisesti paljon aikaa. Ehkä oppimisympäristö jopa seuloisi valmiiksi opettajan kuratoimista sisällöistä opiskelijalle ne, jotka häntä eniten kiinnostavat ja joiden avulla oppija aikaisempaan dataan perusten pääsee tavoitteisiinsa parhaiten ja helpoiten. Tulevaisuudessa kaikki oppivat yksilöllisemmin, tekoälyä ja analytiikkaa hyödyntäen, ja opettajan työ painottuu yhä enemmän oppimisen sisältöjen suunnitteluun, fasilitointiin ja palautteenantoon.

Tulevaisuuden oppimisympäristöihin on jo vuosien ajan liitetty immersiivinen oppiminen. Immersiivisyydellä tarkoitetaan uppoutumista toiseen todellisuuteen tai ympäristöön. Immersiivisyyttä toteutetaan teknologioiden avulla, esimerkiksi lisätyllä todellisuudella (AR) tai virtuaalisella todellisuudella (VR). Nämä mahdollistavat syvällisen kokemuksen, jolloin kokemuksessa ei olla ulkopuolisena tarkkailijana vaan syvällisesti mukana tilanteessa. Haaga-Helian psykofysiologisia mittauksia mahdollistavissa laboratorioissa on mahdollisuus tutkia esimerkiksi oppijan katseenseurantaa, tunnereaktioita sekä stressitasoa. Tutkimuksen avulla saadaan arvokasta lisätietoa siitä, millaiset oppimisympäristöt toimivat parhaiten.

Lähde:

Kumar, J. 2020. Everything you need to know about immersive learning