UPRAVLJANJE UČENJA
16 Govorica UI: Sistemi, ki temeljijo na podatkih – 1. del
Odločanje v razredu
Kot učitelj imate dostop do številnih vrst podatkov, ki so bodisi oprijemljivi, npr. redovalnice ali razne evidence prisotnosti, bodisi neoprijemljivi, npr. telesna govorica učencev. Razmislite o odločitvah, ki jih sprejemate v svojem poklicnem življenju: kateri podatki vam pomagajo pri sprejemanju teh odločitev?
Danes so na voljo številne aplikacije, ki vam lahko pomagajo pri vizualizaciji ali obdelavi podatkov. Sistemi UI uporabljajo podatke za personaliziranje učenja ter za napovedovanje in sprejemanje odločitev, ki vam lahko pomagajo pri poučevanju in upravljanju razreda kot celote. Ali mislite, da lahko na nekatere vaše zahteve/potrebe odgovori tehnologija? Če je odgovor pritrdilen, razmislite o tem, katere podatke bi takšen sistem potreboval za izvedbo naloge.
Izobraževalni sistemi so od nekdaj zbirali in obdelovali določene podatke – osebne podatke učencev, podatke o akademskih (učnih) dosežkih, podatke o prisotnosti itd. Z digitalizacijo in razmahom aplikacij UI v izobraževanju (AIED) se danes beležijo in shranjujejo še veliko večje količine podatkov: število klikov, število odprtih strani, časovni žigi in število pritiskov na tipkovnico1. Dandanes se vse vrti okrog podatkov, kar je postalo svojevrstna norma v družbi, zato se ob tem upravičeno sprašujemo, kako ravnati z vsemi temi podatke tako, da bi ustvarili nekaj zares pomembnega in koristnega. Na primer, ali lahko učencem zagotovimo bolj personalizirane povratne informacije? Ali lahko oblikujemo boljša orodja za vizualizacijo, obveščanje o spremembah ipd2?
Ne glede na to, kakšno tehnologijo uporabljajo učitelji v učilnicah, mora ta izpolnjevati dejanske, čisto konkretne zahteve. Ko identificiramo določeno potrebo, lahko pregledamo razpoložljive podatke in se vprašamo, kaj je pomembno za želeni rezultat. To vključuje odkrivanje tudi tistih dejavnikov, ki učiteljem omogočajo sprejemanje zelo natančnih, prilagojenih odločitev. Ali razpoložljivi podatki omogočajo upoštevanje teh dejavnikov? Ali so podatki in sistemi, ki temeljijo na podatkih, najboljši možni način za obravnavanje konkretne zahteve/potrebe? Kakšne so lahko neželene posledice takšne uporabe podatkov3?
Strojno učenje nam omogoča, da številna od teh vprašanj “preložimo” na podatke same4. Aplikacije strojnega učenja se učijo s pomočjo podatkov. Delujejo tako, da obdelujejo podatke. Iščejo vzorce in splošne zakonitosti ter jih shranjujejo kot modele – modeli pa niso nič drugega kot podatki, ki se lahko uporabijo za prihodnje situacije4. Tudi odločitve in napovedi, ki jih nato sprejemajo tako ustvarjeni modeli, ter njihov vpliv na učenje – vse to so spet podatki. Prav zato je poznavanje tega, kako programerji, uporabniki in stroji ravnajo s podatki, pomemben del razumevanja delovanja UI.
Več o podatkih
Podatki se v splošnem vedno nanašjo na določeno entiteto iz sveta okrog nas – npr. na osebo, predmet ali dogodek. Vsako entiteto lahko opišemo s številnimi atributi (lastnostmi, značilnostmi ali spremenljivkami)5. Na primer, ime, starost in razred so nekatere izmed lastnosti vsakega učenca. Celota teh lastnosti predstavlja podatke, ki jih imamo o učencu. Ti podatki sicer niti približno niso enaki entiteti kot takšni (učencu samemu), vendar nam o njej povedo vsaj nekaj. Podatke, ki se zbirajo, uporabljajo in obdelujejo v izobraževalnih sistemih, imenujemo izobraževalni podatki1.
Podatkovni niz (tudi: nabor podatkov, sklop podatkov) vsebuje podatke o zbirki entitet, pri čemer so ti podatki razporejeni v vrstice in stolpce. Evidenca prisotnosti učencev v razredu je primer podatkovnega niza. Vsaka vrstica vsebuje zapis o enem učencu/učenki. Stolpci pa lahko, na primer, vsebujejo podatke o prisotnosti ali odsotnosti na določen dan v tednu ali na posamezni učni uri. Vsak stolpec torej pomeni določen atribut.
Podatke ustvarimo z izbiro in merjenjem atributov; vsak podatek je rezultat človeških odločitev in izbir. Zato je ustvarjanje podatkov subjektiven, parcialen in neurejen proces, dovzeten za različne tehnične težave4,5. Poleg tega ima lahko to, kar merimo in česar ne, bistven vpliv na pričakovane rezultate.
Podatkovne sledi se nanašajo na podatke, ki so ustvarjeni kot rezultat aktivnosti uporabnikov – učencev, npr. število klikov z miško, število odprtih strani, čas interakcij ali število pritiskov na tipkovnico1. Metapodatki so podatki, ki opisujejo druge podatke5. Izpeljani podatki so podatki, izračunani ali izpeljani iz drugih podatkov, npr., posamezen rezultat nekega učenca je podatek, povprečje celega razreda pa je izpeljan podatek. Pogosto so izpeljani podatki bolj uporabni pri raznih vpogledih, iskanju vzorcev in napovedovanju. Aplikacije za strojno učenje generirajo izpeljane podatke in jih povežejo z metapodatkovnimi sledmi ter tako ustvarjajo poglobljene učne modele, ki pomagajo pri personalizaciji učenja1.
Podobnosti v življenju in razdalje v podatkih
Se sprašujete, kako lahko stroj, ki razume samo številke, odkrije podobnosti v vedenju učencev?
Za uspešno uporabo katerekoli aplikacije, ki temelji na podatkih, je treba atribute skrbno izbrati in jih pravilno meriti. Potrebno je preveriti, ali imajo odkriti vzorci smiselno uporabo v kontekstu izobraževanja. Pravilno zasnovani in vzdrževani sistemi, ki temeljijo na podatkih, so lahko izjemno dragoceno orodje.
Več o masovnih podatkih
Preverite osnovno znanje o masovnih podatkih
V tem poglavju predstavljamo le osnovne informacije o podatkih in tehnologijah, ki temeljijo na uporabi in obdelavi podatkov. S tem je povezana zelo pomembna veščina podatkovne pismenosti, v katero se splača vložiti čas in trud ter jo nenehno posodabljati1.
Zakonodaja, ki jo morate poznati
Zaradi bistveno nižjih stroškov shranjevanja podatkov se danes shranjuje vse več podatkov in metapodatkov, ki se tudi veliko dlje hranijo6. To lahko privede do kršitev zasebnosti in pravic. Zakoni, kot je Splošna uredba o varstvu podatkov (GDPR), odvračajo od takšnih praks in državljanom EU omogočajo večji nadzor nad njihovimi osebnimi podatki. Zagotavljajo pravno izvršljive predpise o varstvu podatkov v vseh državah članicah EU.
V skladu z omenjeno uredbo so osebni podatki vse informacije v zvezi z določeno ali določljivo osebo (osebo, na katero se podatki nanašajo). Šole poleg sodelovanja s podjetji, ki obdelujejo njihove podatke, hranijo ogromne količine osebnih podatkov o učencih, starših, zaposlenih, vodstvu in dobaviteljih. Kot upravljavci podatkov morajo podatke, ki jih obdelujejo, hraniti na zaupen in varen način ter imeti vzpostavljene postopke za varstvo in pravilno uporabo vseh osebnih podatkov1.
Pravice, določene s Splošno uredbo o varstvu podatkov, vključujejo:
- pravico do dostopa, na podlagi katere morajo biti posamezniki obvezno seznanjeni s tem, kateri podatki se zbirajo o njih;
- pravico do obveščenosti o načinih uporabe njihovih podatkov;
- pravico do izbrisa podatkov, ki posamezniku, katerega podatke je zbrala določena platforma, omogoča, da zahteva odstranitev teh podatkov iz nabora podatkov te platforme (ki so lahko predmet prodje tretjim osebam);
- pravica do pojasnila, pri čemer je treba zagotoviti pojasnilo, kadarkoli je to potrebno, v zvezi z avtomatiziranimi postopki odločanja, ki vplivajo na posameznika.
Uredba sicer dovoljuje zbiranje nekaterih podatkov v okviru zakonitega interesa7 in uporabo izpeljanih, združenih ali anonimiziranih podatkov za nedoločen čas in brez privolitve5. Novi Akt o digitalnih storitvah omejuje uporabo osebnih podatkov za namene ciljnega oglaševanja7. Omenimo še Zasebnostni ščit EU-ZDA, ki krepi pravice do varstva podatkov za državljane EU v primeru, ko so bili njihovi podatki preneseni zunaj EU5.
V članku GDPR for dummies si lahko ogledate analizo, ki so jo opravili neodvisni strokovnjaki iz Odbora za državljanske svoboščine Evropskega parlamenta (LIBE), ki skrbi za varstvo človekovih pravic vseh prebivalcev Evropske unije.
1 Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.
2 du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018.
3 Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.
4 Barocas, S., Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.
5 Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.
6 Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.
7 Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.”, MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021.