LABissa toteutettiin Datan analysointi ja visualisointi sekä Koneoppiminen -opintojaksot kahdesti AMK-opiskelijoille syksyllä 2021 ja keväällä 2022, sekä YAMK-opiskelijoille vuodenvaihteen molemmin puolin. Kurssit muodostavat yhdessä osan ns. data pipeline -ajattelua ja toimivat pohjana tekoälyn opiskelulle ja ymmärtämiselle. Uusille, mahdollisesti tietotekniikan alalla haastaville ja nimenomaan vapaaehtoisille kursseille osallistuvien opiskelijoiden odotusarvojen tutkiminen auttaa tulevien tietotekniikan kärkisubstanssitoteutusten suunnittelussa ja toteuttamisessa.

Kirjoittaja: Minna Asplund

Opiskelijoiden motivaation tunteminen on ratkaisevan tärkeää opiskelijoiden optimaalisia tuloksia edistävien koulutusympäristöjen ja pedagogisten ratkaisujen ymmärtämisessä ja suunnittelussa (Barron et al. 2017). Motivaatiotutkimuksen avulla voidaan ennustaa sekä opiskelijan akateemisia saavutuksia että kognitiivisia kykyjä (Meyera et al. 2019). Odotusarvoteoria (Eccles et al. 1983) on laajalti hyväksytty ja tehokas lähestymistapa, jolla edellisiä voidaan selittää.

Odotusarvojen tutkiminen

Jotta opiskelijoiden odotusarvoja kursseja kohtaan voidaan ylipäänsä tutkia, on sitä luonnollisesti kysyttävä heiltä itseltään. Odotusarvojen selvittämiseen on kehitetty kyselytyyppinen instrumentti – Expectancy-Value-Cost Survey, jonka täyttämiseen menee vain noin 5 minuuttia. Kyselyinstrumentti perustuu Jacque Ecclesin et al. (1983) alkuperäiseen Expectancy-Value -motivaatiomalliin, joka kehitettiin 1980-luvun alussa. Kysely on lyhyt ja se on helposti muokattavissa mittaamaan motivaatiota missä tahansa luokkakontekstissa, esimerkiksi ruotsin kielen tai matematiikan opetuksessa. Lisäksi instrumenttia voidaan käyttää laajalla ikäryhmällä, ja se on testattu sekä empiirisesti validoitu. (Barron et al. 2017.)

Alkuperäinen Expectancy-Value -malli keskittyi kahteen olennaiseen osatekijään opiskelijoiden motivaation edistämisessä: odotukseen menestyä tehtävässä (arvelevatko opiskelijat pystyvänsä suorittamaan kurssin?) ja arvoon osallistumisesta tehtävään (haluavatko opiskelijat suorittaa kurssin?). Tutkijat ovat lisänneet kolmannen komponentin malliin: Expectancy-Value-Cost (Barron & Hulleman 2015; Hulleman et al. 2016), joka korostaa toimintaan osallistumisen kustannuksia (onko opiskelijoilla tarpeeksi aikaa, energiaa tai resursseja suorittaa kurssi?). Kustannukset heijastavat niitä lisähaasteita, jotka estävät opiskelijoita menestymästä kurssilla heidän odotuksistaan ja arvoistaan riippumatta. (Barron et al. 2017.)

Kyselyn toteutus ja tulokset

Kysely toteutettiin LAB-ammattikorkeakoulussa niiden Tieto- ja viestintätekniikan AMK-opiskelijoiden parissa, jotka olivat valinneet suoritettavakseen valinnaisen Datasta koneoppimiseen -moduulin syksyllä 2021 sekä keväällä 2022. Lisäksi kysely kohdistettiin syksyllä 2021 IoT:stä tekoälyyn -ohjelmassa aloittaneille YAMK-opiskelijoille, joilla kurssit kuuluvat pakolliseen ydinosaamiseen. Kohdekursseina olivat siis Datan analysointi ja visualisointi sekä Koneoppiminen. Kyselyt toteutettiin aluksi Webropolilla ja sen jälkeen Moodlen Palaute -aktiviteetilla. Työkalu vaihdettiin Moodleen, koska haluttiin sitoa vastaaminen tiukemmin kurssien kontekstiin.

Vastausprosentti kyselyihin oli vain 27,6 %, joten aineistolle ei ollut mielekästä tehdä tilastollisia testejä. Vastauksia voidaan kuitenkin tarkastella keskiarvojen kautta, jotka antavat yleisen kuvan siitä, mitä opiskelijat odottivat molemmista kursseista motivaation näkökulmasta. Lisäksi odotukselle, arvolle ja kustannukselle laskettiin summatut pistemäärät opiskelijakohtaisesti. Kyselyihin vastaaminen tapahtui valitsemalla esitettyihin kymmeneen väittämään Likertin asteikolla 1 – 6, jossa 1 oli ”Täysin eri mieltä” ja 6 oli ”Täysin samaa mieltä”. Koska asteikossa oli kuusi tasoa, ei tarjolla ollut ”Ei samaa, eikä eri mieltä” -tyyppistä valintaa, vaan aina oli tehtävä jommankumman suuntainen valinta.

Opiskelijoiden vastausten keskiarvot kymmeneen eri väittämään kahden eri kurssin tiimoilta.

Kuva 1. Opiskelijoiden vastausten keskiarvot kysymyksittäin (Kuva: Minna Asplund)

Lähtökohtaisesti, koska molemmat kurssit ovat olleet vapaaehtoisia AMK-opiskelijoille, oli odotettavissa näin opettajan näkökulmasta, että kursseille tulevat opiskelijat todella haluavat opiskella näitä aineita. Sama koski YAMK-opiskelijoita, jotka ovat itse hakeutuneet sellaiseen koulutusohjelmaan, jossa datan analysointi ja visualisointi sekä koneoppiminen muodostavat puolet ydinosaamisesta. Keskiarvoja lähemmin tarkasteltuna (kuva 1) voidaan huomata, että molemmat aineet koettiin tärkeiksi, tarpeellisiksi ja käsiteltäviä asioita arvostettiin. Lisäksi opiskelijat olivat sitä mieltä, että he pystyvät ymmärtämään ja oppimaan kursseilla esitettäviä asioita sekä menestyvät opinnoissaan. Näistä opiskelijat olivat keskimäärin ”samaa mieltä” tai ”täysin samaa mieltä”. Toisaalta väittämiin, jotka olivat negatiivisia, opiskelijat vastasivat olevansa ”jokseenkin eri mieltä” tai ”eri mieltä”. Heidän mielestään kurssit eivät vie liikaa aikaa yleensä ottaen, eikä muidenkaan tekemiensä asioidensa vuoksi. Lisäksi he pystyvät mielestään käyttämään riittävästi aikaa suoriutuakseen kursseilla hyvin, eikä se vaadi heiltä liikaa panostusta.

Vastauksia on mahdollista tarkastella myös summamuuttujien avulla. Summamuuttujia, tai oikeammin pistemäärämittareita, on kolme. Expectancy mean average score muodostuu väittämistä 2, 5 ja 9. Value mean average score muodostuu väittämistä 1, 3 ja 7. Ja kolmas mittari, Cost mean average score muodostuu väittämistä 4, 6, 8, ja 10. Väittämät on nähtävissä kuvassa 1, jossa ne ovat järjestyksessä. Näillä mittareilla voidaan opiskelijakohtaisesti arvioida heidän omia odotusarvojaan odotusten, arvostuksen ja kustannusten suhteen. Kuvassa 2 voi nähdä kaikkien opiskelijoiden pistemäärämittareiden keskiarvot.

Alt-teksti: Kolme pistemäärämittaria keskiarvoilla. Expectancy mean average score 5,0. Value mean average score 5,6. Cost mean average score 2,4.
Kuva 2. Pistemäärämittarit keskimäärin odotukselle, arvolle ja kustannukselle (Kuva: Minna Asplund)

Likertin asteikolla 1 – 6 voidaan yleisesti todeta, että opiskelijoiden odotukset kursseille ovat olleet korkeat (5,0) ja he lisäksi arvostavat kurssien sisältöjä (5,6). Koska kursseilla panostamiseen olevien mittareiden väittävät ovat luonteeltaan negatiivisia, on keskiarvo 2,4 kustannuksessa myös erinomainen. Opiskelijat ei siis koe ajankäyttöään turhaksi näillä kursseilla.

Mikäli vastauksia kyselyihin olisi ollut paljon enemmän, olisi ollut mahdollista jakaa samalla tavalla vastanneita opiskelijoita omiin klustereihinsa. Klustereita analysoimalla on mahdollista nähdä millaisia erilaisia ryhmiä odotusarvoiltaan opiskelijoista muodostuisi.

Lopuksi

Opiskelijoita motivoitiin vastaamaan kyselyihin siten, että niistä oli mahdollista saada ylimääräisiä bonuspisteitä kurssitehtävien pisteytysten päälle. Tämäkään ei ollut onnistunut keino saada riittävää määrää opiskelijoita vastaamaan tilastollisten testien tekemiseksi. On mahdotonta sanoa, onko pitkään jatkuneella koronatilanteella ollut passivoivaa vaikutusta vai mistä heikko vastausprosentti kertoo. Joka tapauksessa odotukset itse kursseille ovat olleet hyviä, ellei erinomaisia.

Samassa yhteydessä toteutettiin myös kysely opiskelijan itsesäätelyyn liittyen. Siinä tutkitaan sitä, kuinka itseohjautuva opiskelija on. Niitä tuloksia analysoimalla voitaneen saada lisävalaisua opiskelijoiden toimintaan ja motivaatioon toiselta näkökantilta.

Lähteet

Barron, K. E., & Hulleman, C. S. 2015. Expectancy-Value-Cost model of motivation. Teoksessa J. D. Wright (ed.) International encyclopedia of the social & behavioral sciences, 2nd edition. Vol. 8.  Elsevier. 503-509. Viitattu 6.5.2022. Saatavissa https://doi.org/10.1016/B978-0-08-097086-8.26099-6

Barron, K. E., Hulleman, C. S., Getty, S. G., & Taylor, J. 2017. Expectancy-value-cost survey of student motivation: User guide. Charlottesville, VA: The Motivate Lab.

Eccles, J.S., Adler, T. F., Futterman, R., Goff, S. B., Kaczala, C. M., Meece, J. L., & Midgley, C. 1983. Expectancies, values, and academic behaviors. Teoksessa J. T. Spence (ed.) Achievement and achievement motives.  San Francisco, CA: W. H. Freeman. 75-146.

Hulleman, C. S., Barron, K. E., Kosovich, J. J., & Lazowski, R. A. 2016. Current theories, constructs, and interventions within an expectancy value framework. Teoksessa A. A. Lipnevich, F. Preckel, & R. D. Roberts (eds.) Psychosocial skills and school systems in the twenty-first century: Theory, research, and applications, 1st edition. Springer International Publishing. 241-278.

Meyera, J., Fleckenstenab, J., & Köllera, O. 2019. Expectancy value interactions and academic achievement: Differential relationships with achievement measures. Contemporary Educational Psychology. Vol. 58, 58-74. Viitattu 6.5.2022. Saatavissa https://doi.org/10.1016/j.cedpsych.2019.01.006

Kirjoittaja

Minna Asplund on ohjelmistotekniikan lehtori LABin Teknologia-yksikössä. Hän toimii myös koordinaattorina IoT:stä tekoälyyn (ylempi AMK) -ohjelmassa. Lisäksi hän on tohtorikoulutettava Aalto-yliopiston Tietotekniikan laitoksella Computing Education Research -alalla.

Artikkelikuva: https://pxhere.com/en/photo/1376039 (CC0)

Julkaistu 9.5.2022

Viittausohje

Asplund, M. 2022. Opiskelijoiden odotusarvot motivaatiotekijänä. LAB Pro. Viitattu pvm. Saatavissa https://www.labopen.fi/lab-pro/opiskelijoiden-odotusarvot-motivaatiotekijana/