Integritet i utbyte för utbildningskvalité
Studenters perspektiv på datainsamling inom Learning
Analytics
David Lidskog & Gustav Vidén
dela inom Learning Analytics-sammanhang och om målen med Learning Analytics motiverar studenters villighet att dela data. Studien utfördes på 110 studenter från Uppsala universitet. Resultatet visade en trend där majoriteten av den data studenterna är villiga att dela är
relaterade till studier. Resultaten visade också en trend där majoriteten av studenterna ansåg att målen med Learning Analytics motiverar deras villighet att dela data. Vår slutsats är att
transparens kan bidra till en högre samarbetsvilja mellan studenter och institution. Resultaten bidrar med ökad kunskap angående studenters åsikter inom Learning Analytics, ny empiri till forskningsområdet samt rekommendationer till praktiken. Vidare forskning behövs för att besvara varför studenterna är villiga att dela specifik data samt varför målen motiverar
villigheten att dela data. Utöver detta bör vidare forskning fokusera på hur kulturella skillnader påverkar studenters åsikter för datadelning och om datahanteringen inom Learning Analytics påverkar studenters motivering till datadelning.
Abstract: The purpose of this study was to investigate what kind of data students are willing to share within the Learning Analytics context and whether the goals of Learning Analytics motivate students' willingness to share data. The study was conducted on 110 students from Uppsala University. The result showed a trend that the majority of the data students are willing to share are related to studies. The results also showed a trend that the majority of students felt that the goals of Learning Analytics motivate their willingness to share data. Our conclusion is that transparency can contribute to a greater cooperation between students and the institution. The results contribute by increasing knowledge about students' perceptions about Learning Analytics, adding new empirical data in the research field and forming recommendations for institutions. Further research is needed to answer why students are willing to share specific data and why the goals motivate the willingness to share data. In addition, further research should focus on how cultural differences affect students' views on data sharing and whether data management within Learning Analytics affects students' motivation for data sharing.
Nyckelord:
Data Analytics, Learning Analytics, Ethics
Förord: Vi vill tacka Carl-Mikael Lönn som har handlett oss genom denna studie och rapport.
1 Introduktion
1.1 Bakgrund
Data Analytics är ett relativt nytt verktyg och är i framkanten av teknologin för reklamindustrin (Rubel & Jones, 2016). Verktyget har bidragit till effektivisering av affärsmodeller genom att samla data om kunden och deras beteende (Rubel & Jones, 2016). I flera artiklar kallar författarna data för “den nya oljan” (Brownlow, Zaki, Neely & Urmetzer, 2015; Acito & Khatri, 2014) och menar att Data Analytics är den drivande kraften för att utnyttja den. Detta är något en del universitet också har börjat utnyttja, när de samlar in studenters data från institutionens informationssystem samt använder studenters personliga data för att genomföra analyser (Rubel & Jones, 2016; Scholes, 2016). Detta kallas för Learning Analytics (LA) (Rubel & Jones, 2016).
Vad är LA? LA omfattar insamling, analys och tillämpning av data för att bedöma och
bestämma beteendet inom utbildningsmiljöer (Larusson & White, 2014). Insamlingen av data sker innanför och utanför institutionens system inom ett flertal olika kontexter (Ifenthaler & Schumacher, 2016). Kontexter är sammanhang där data hämtas ifrån, som till exempel ingångskvalifikationer för högskoleutbildning och medicinsk information. LA har som mål att skapa en värdeutveckling för studenter och personal vid
läroinrättningar (Larusson & White, 2014). Detta kan göras genom att effektivisera pedagogiska strategier, institutionens resurshantering och hur studenterna hanterar kursmaterialet (Larusson & White, 2014).
Det datadrivna tillvägagångssättet för beslutsfattande började få uppmärksamhet inom akademin under det tidiga 2000-talet (Siemens, 2013). LA växte fram ur en rad
vetenskapsgrenar som redan utvecklat en del av de verktyg och tekniker som används inom LA (Siemens, 2013). LA använder kommersiella verktyg och forskningsverktyg, analystekniker för algoritmer och modeller samt tillvägagångssätt för användning av verktygen och analysteknikerna (Siemens, 2013). De största utmaningarna med LA är dock inte tekniken utan datakvalitet, riktighet, etik och integritet (Siemens, 2013). Enligt Rubel & Jones (2016) är målet att ge ökat stöd till studenter och höja deras studieresultat, dock tillkommer det etiska frågor på grund av den data som insamlas. Rubel & Jones (2016) menar att LA kan leda till kränkning av studenters integritet. LA kan leda till olika typer av diskriminering när lärosäten kategoriserar studenter i
riskgrupper (Martin, 2015). Diskriminering inom LA kan uttryckas i form av att studenter kan bli behandlade felaktigt eller stämplade som stereotyper (Scholes, 2016). Detta kan innebära att individer blir uppfattade som en resurskrävande risk av
institutioner på grund av att de kan tillhöra en riskgrupp, oavsett om individen verkligen tillhör riskgruppen eller inte (Scholes, 2016). LA kräver tillgång till mångfaldig data för att få en mer individuell bild av studenten (Ifenthaler & Schumacher, 2016). Slade & Prinsloo (2013) menar att även fast studenter blir alltmer medvetna om datainsamling och dataanalyser är de omedvetna om i vilken utsträckning detta sker inom
utbildningsmiljöer.
1.2 Problemområde
att det finns en brist i forskningen om vad studenter har för åsikter om frågor angående integritet som kan uppstå inom LA.
Ifenthaler & Schumacher (2016) utförde en studie där universitetsstudenter fick besvara vilken data de anser vara beredda att dela. Denna studie utfördes 2016, vilket var innan GDPR som började gälla 2018 (Politou, Alepis & Patsakis, 2018). GDPR har också haft en anmärkningsvärd effekt på medvetenheten hos individer angående deras
integritetsrättigheter (Kalman, 2019; Stauber, 2019). Sedan 2016 har det inträffat ett flertal incidenter inom datavärlden. En incident är Facebook Cambridge Analytica-skandalen där 87 miljoner Facebookanvändares data såldes för att skapa anpassad politisk reklam via Facebook (Brown, 2020). En annan incident är Transportstyrelsens outsourcing-skandal där hanteringen av personuppgifter liksom sekretesstämplade uppgifter var bristfällig (Bull, 2018). Internetstiftelsen (2019) genomförde en studie som visade att det finns en ökad oro hos studenter att myndigheter samt stora företag som Facebook och Google inkräktar på deras personliga integritet. Baserat på
diskussionen ovan finns det anledning att anta att studenters uppfattning om vilken data de är villiga att dela med sig av i LAs syfte har förändrats.
Ifenthaler & Schumacher (2016) skriver att en begränsning i studien är att empirin kommer från endast ett universitet. Ifenthaler & Schumacher (2016) anser att deras studie bör utökas och undersökas internationellt, då uppfattningen angående integritet påverkas av kulturella perspektiv. Utöver detta anser vi att det finns data som kan samlas in via LA vilket Ifenthaler & Schumacher (2016) inte tar upp i sin undersökning. Arnold & Sclater (2017) jämförde två studier om vad universitetsstudenter ansåg vara lämpliga mål med LA. Arnold & Sclater (2017) menar att tillåtelse och viljan från studenter att dela data varierar beroende på vad målet med data-delningen är. Det är viktigt att institutioner som implementerar LA är transparenta med varför data kommer att användas och under vilka förhållande det används (Slade & Prinsloo, 2013).
Transparens är en viktig drivkraft för att lyckas med implementationen (Ifenthaler & Schumacher, 2016). Ifenthaler & Schumacher (2016) anser att det behövs klargöras under vilka förutsättningar studenter är villiga att dela relevant data. Prinsloo & Slade (2013) skriver att människors uppfattning angående etiska dilemman samt problem med LA varierar på grund av kulturella, politiska, sociala och ekonomiska skillnader. Därför finns det ett intresse att undersöka huruvida målen med LA motiverar
universitetsstudenter i Sverige att dela data samt vilka generella mål som motiverar dem mest.
På grund av lagar och incidenter som kan ha ändrat studenters uppfattning, behovet av en internationell undersökning, ny data som kan samlas in och förfrågan angående vilka förutsättningar studenter är villiga att dela data anser vi att en ny studie är relevant.
1.3 Syfte
Behovet av att involvera studenter i LA är stort (Slade & Prinsloo, 2013) och vi misstänker att studenters uppfattning om datainsamling har förändrats de fyra senaste åren samt anser vi att Ifenthaler & Schumacher (2016) studie kan utvidgas och
deras villighet att dela sin data. Därav blir vår forskningsfråga: Vilken data är
studenter villiga att dela inom LA sammanhang och motiverar målen med LA studenters villighet att dela data?
1.4 Avgränsning
Studien undersöker Uppsala universitets studenters åsikter angående LAs mål och datainsamling. Studien undersöker vilken data studenterna är villiga att dela, dock inte varför de är villiga att dela specifik data. Utöver detta undersöker studien huruvida målen motiverar studenterna att dela data, dock inte om LAs datahantering motiverar dem att dela data.
1.5 Kunskapsbidrag
Data som samlas in i denna studie kan skapa nytta för praktiken genom att framställa rekommendationer till lärosäten angående vad de bör ha i åtanke när de bestämmer vilken data som skall samlas in samt huruvida målen med LA påverkar studenternas vilja att dela data. Studien bidrar till forskningsområdet eftersom tillvägagångssättet av studien kan appliceras på en ny urvalsgrupp och resultatet kan användas som referens när liknande fenomen jämförs. Resultaten bidrar med ökad kunskap angående
2 Tidigare forskning & hypoteser
2.1 Learning Analytics: Etiska problem och dilemman
En artikel med stort inflytande inom etiska problem med LA är Slade & Prinsloo (2013) artikel “Learning Analytics: Ethical Issues and Dilemmas”. Slade & Prinsloo (2013) menar att högskolor alltid har analyserat data i en viss utsträckning, men med
digitaliseringen av högskolorna ökade datamängden och då uppstod flera etiska problem angående insamling och analys av data.
Enligt Slade & Prinsloo (2013) måste alla institutioner bestämma vad deras huvudmål är, till exempel: att maximera antalet studenter som tar examen eller maximera inkomst. Slade & Prinsloo (2013) menar att den viktigaste aspekten vid implementering av LA är att institutionen har en god relation med deras studenter, där studenternas syn på
datainsamlingen beror på deras förståelse av institutionens huvudmål. Hanteringen av studenters uppfattningar och åsikter bör därför vara en prioritet för en institution som ska implementera LA in i sin verksamhet (Slade & Prinsloo, 2013).
Slade & Prinsloo (2013) har tagit fram ett etiskt ramverk med sex principer (se tabell 1) för implementering av LA.
Tabell 1. Slade & Prinsloo (2013) de sex principerna för implementering av LA
Princip Namn Sammanfattning
1 LA som en moralisk
praktik
LA ska inte endast fokusera på vad som är
effektivt för institutionen, utan bör också leverera relevanta riktlinjer för att bestämma vad som är lämpligt och moraliskt nödvändigt. Slade & Prinsloo (2013) menar att LA bör fungera främst som en moralisk praktik som resulterar i förståelse istället för mätningar.
2 Studenter som
intressenter
Istället för att se studenter som producenter och källor till data, bör LA se studenter som
intressenter. Studenter ska inte bara ge samtycke till insamlingen, användningen och hanteringen av deras data, utan de bör också få tillgång till data och samarbeta med att dela data. Vilket ger studenterna möjlighet att påverka deras utbildning och utveckling.
3 Studentidentitet och
prestanda är
temporära dynamiska konstruktioner
Studenter ska kunna utvecklas av tidigare
erfarenheter utan att det skapas permanenta fläckar i deras digitala historik. Data som har samlats in via LA ska innehålla ett överenskommet
4 Studentens framgång är en komplex och flerdimensionellt fenomen
Slade & Prinsloo (2013) beskriver att en av fördelarna med LA är en djupare förståelse av studenters beteende, men det kan vara viktigt att understryka att studenters framgång inte är linjär. Studenters framgång påverkas av ett flertal faktorer, vilket gör den multidimensionell. Detta innebär att analyser är känsliga för feltolkningar och partiskhet.
5 Transparens Det är viktigt för LA som en moralisk praktik att institutioner är tydliga med varför data kommer att användas, under vilka förhållande det används, vem som har tillgång till det och åtgärderna för att hålla individens identitet skyddad.
6 Högskolor har inte råd att inte använda data
Slade & Prinsloo (2013) menar att institutioner vid högskolor inte har råd att ignorera användningen av LA. Oberoende på vad institutionens huvudmål är, bör de använda tillgänglig data inom LA för att till exempel få en djupare förståelse om studenters beteende.
Utöver de sex principerna tar Slade & Prinsloo (2013) upp olika överväganden där några beskrivs nedan:
För att utföra en effektiv datainsamling och maximera variablerna i datainsamlingen är det viktigt att institutionen och studenterna enas om i vilket syfte detta genomförs (Slade & Prinsloo, 2013). Studenter ska dessutom ha rätt att kunna hoppa av från deras involvering av LA och institutionen datainsamling. Dessutom skriver Slade & Prinsloo (2013) att studenter har rätt att bli informerade om datainsamling. Utöver detta ska studenter bli försäkrade att deras data skyddas från icke behöriga och att deras data avidentifieras efter en bestämd tidsintervall (Slade & Prinsloo, 2013).
Pardo & Siemens (2014) tar upp principerna transparens, kontroll från studenter, säkerhet samt ansvarighet och bedömning, vilket är liknande principer som Slade & Prinsloo (2013) tar upp. Pardo & Siemens (2014) menar att studenter bör ha rätt att kontrollera sin data, som samlas in till LA. Principen säkerhet innebär att det bör finnas strikta regler om vem som har tillgång till den data som samlats in och att inga icke-behöriga kan nå denna data (Pardo & Siemens, 2014). Detta är något som Slade & Prinsloo (2013) och Drachsler & Greller (2016) också förespråkar. Principen
ansvarighet och bedömning, innebär att det alltid bör finnas en ansvarig för varje aspekt inom LA som till exempel insamling av data, säkerhet och analys av data (Pardo & Siemens, 2014).
& Greller, 2016; Pardo & Siemens, 2014). Slade & Prinsloo (2013), liksom Drachsler & Greller (2016), anser att studenter ska ha rätt att kunna bestämma om de inte vill att deras data samlas in och de ska ha rätt att avsluta sin datadelning. Dock menar West, Huijser & Heath (2016) att det inte nödvändigtvis var möjligt för studenter att kunna välja att ta bort data när de väl gett samtycke, på grund av hur den tekniska
infrastrukturen inom LA såg ut år 2016. Däremot skriver West, Huijser & Heath (2016) att den tekniska infrastrukturen har gjort stora framsteg och detta kan vara möjligt i framtiden. Sedan ska institutionen alltid erhålla ett samtycke från deras studenter för att analysera och samla deras data (Slade & Prinsloo, 2013; Drachsler & Greller, 2016). West, Huijser & Heath (2016) menar dock att samtycke kan vara ett oklart begrepp där det inte nödvändigtvis behöver beskrivas exakt vilken data det är som samlas in. West, Huijser & Heath (2016) ifrågasätter om vissa av de ovannämnda principerna är implementeringsbara för LA i dagsläget. Diskussionen ovan visar dock att de flesta artiklar vi identifierat inte strider mot Slade & Prinsloo (2013) principer, utan förstärker dem, dock beskrivs de på olika sätt.
2.2 Studenters uppfattning om integritetsprinciper för Learning
Analytics
Ifenthaler & Schumacher (2016) undersökte studenters uppfattning om
integritetsprinciper för LA. Detta undersöktes genom att introducera olika LA-system och frågor angående datakontroll och datadelning. Studien indikerade att studenterna intog en konservativ ställning till datadelning. Forskningsfrågorna var att ta reda på i vilken grad studenterna ville använda särskilda LA-system för att stödja deras bildning, i vilken grad studenterna var villiga att dela data till LA-system och om graden av studentens villighet att dela data var relaterad till deras preferens för användningen av LA-system. Studien utfördes på ett universitet i Tyskland och omfattade 330 studenter. Ifenthaler & Schumacher (2016) utvecklade en rad instrument för att svara på dessa forskningsfrågor. Det mest relevanta instrumentet för vår studie är “delning av data-enkät” vilket fokuserar på vilken data deltagarna är villiga att dela med sig av till LA-system. Denna data innefattar information samlad från en mängd olika kontexter. Artiklarna Baker & Inventado (2014), Del Blanco, Serrano, Freire, Martínez-Ortiz & Fernández-Manjón (2013) och Sclater, Peasgood & Mullan (2016) nämner liknande kontexter som Ifenthaler & Schumacher (2016) beskriver att LA samlar in, men inte på samma detaljerade nivå. Instrumentet är i form av en enkät som innehöll 28 frågor om de specifika kontexterna kopplade till datainsamlingen (se tabell 2). Studenter ombads svara ja eller nej utifrån vad de var villiga att dela.
Tabell 2. Kontexter från Ifenthaler & Schumacher (2016) undersökning
1. Namn 8. Förkunskaper 15.
Ingångskvalifikationer för högskoleutbildning
22. Föräldrarnas utbildningsnivå
2. Adress 9. Användarväg 16. Utbildningshistori k
3. Email 10. Onlinetider 17. Resultat av motivationstest 24. Annan sysselsättning utanför universitetsstudierna 4. Födelsedatu m 11. Nedladdningar 18. Resultat av intressetest 25. Kursregistrering 5. Civilstånd 12. Kursspecifik diskussionsaktivite t 19. Testresultat för inlärningsstrategier 26. Självtestsresultat 6. Medicinsk information 13. Semantisk analys av inlägg 20. Intelligenskvot 27. Allmän diskussionsaktivitet 7. Inkomst 14. Provresultat 21. Externt producerad
data (till exempel sociala medier)
28. Biblioteksstatisti k
Resultaten i Ifenthaler & Schumacher (2016) studie visade en villighet hos studenter att dela data kopplat till universitet, dock var de inte lika villiga att dela data som samlats in utanför universitetets system. Ifenthaler & Schumacher (2016) anser att detta kan bli problematiskt eftersom implementationen av utvecklade LA-system behöver ett brett spektrum av data för att producera de förväntade skräddarsydda funktionerna. Ifenthaler & Schumacher (2016) menar att konflikten mellan LA-perspektivet, som vill ha
mångfaldig data och studenternas perspektiv, vilka är konservativa med vad de vill dela. På denna punkt värdesätter Ifenthaler & Schumacher (2016) transparens som en viktig drivkraft för att lyckas med implementationen, vilket Slade & Prinsloo (2013) också förespråkar. Ifenthaler & Schumacher (2016) pekar på forskning som säger att LA fortfarande är i ett tidigt stadie när det gäller integritetsfrågor. Ifenthaler & Schumacher (2016) menar att det är viktigt att alla intressenter är inblandade vid implementeringen av ett LA-system och de anser att vidare forskning behövs för att klargöra under vilka förutsättningar studenter är villiga att dela relevant data. Ifenthaler & Schumacher (2016) skriver att framtida studier bör adressera de kontexter studenterna inte är villiga att dela data inom. Med detta i åtanke blir kontexten externt producerad data (se tabell 2) väldigt viktig eftersom 90 procent av studenterna i Ifenthaler & Schumacher (2016) studie inte var villiga att dela den informationen och den står för en stor mängd
mångfaldig data.
Sociala medier var ett exempel på vad som kunde samlas in inom externt producerad
data i Ifenthaler & Schumacher (2016) studie. En presentation av enbart
exempelkontexten sociala medier kan bidra till en konservativ datadelning hos studenter eftersom Internetstyrelsen (2019) rapporterar att hälften av internetanvändarna i Sverige oroar sig för att stora företag som Google och Facebook inkräktar på deras personliga integritet. Spelvanor, som till exempel onlinepoker, är populärt bland
högskolestudenter och kan skada relationer samt karriärval (Conrad, 2008). Oh, Ong & Loo (2017) skriver att studenter med ett spelberoende hoppar över
undervisningstillfällen oftare och tenderar att ha lägre betyg än studenter utan ett spelberoende. Tv/datorspelsvanor kan också ha en effekt på studenter. Anand (2007) skriver att tv/datorspelsberoende blir allt vanligare och studenter med dessa problem tenderar att ha sämre betyg, sömnbrist samt missade inlämningar. Ip, Jacobs & Watkins (2008) gjorde en studie på universitetsstudenter vilket visade att studenter som spelar spel ofta har lägre betyg än de som inte spelar alls eller de som inte spelar ofta. Burgess, Stermer & Burgess (2012) gjorde en liknande studie, där resultatet visade framförallt att våldsamma spel har en negativ påverkan på universitetsstudenters prestationsförmåga inom utbildning. Strömningstjänster, som till exempel Netflix och Viaplay, kan också påverka studenters prestationer. Groshek, Krongard & Zhang (2018) utförde en studie där de undersökte hur universitetsstudenters strömningsvanor påverkar deras hälsa och prestationer i studierna. Resultatet visade att studenter som strömmar mycket TV har högre medelbetyg än de studenter som strömmar TV i en måttlig mängd.
Vi anser att det går att addera kontexter utöver de Ifenthaler & Schumacher (2016) beskriver att LA samlar in. Artikeln Cath, Zimmer, Lomborg & Zevenbergen (2018) beskriver ett scenario där ett universitet samlade in vad som kan anses vara mer integritetskränkande data från sina studenter. Denna datainsamling omfattade
kontexterna närvaro, betyg, köp av mat, familjesituation, användning av digitala enheter och brottsregister (Cath, Zimmer, Lomborg & Zevenbergen, 2018). Muñoz-Bullón, Sanchez-Bueno & Vos-Saz (2017) utförde en studie för att undersöka hur
idrottsengagemang kan påverka studenter på högskoleutbildningar. Studien visade att idrott kan ge studenter god psykisk hälsa, stresstålighet och minskad risk för depression (Muñoz-Bullón, Sanchez-Bueno & Vos-Saz, 2017).
2.3 Studenters uppfattning om deras integritet inom Learning
Analytics applikationer
Arnold & Sclater (2017) skriver att forskningen är bristfällig gällande studenters uppfattningar om LA. Arnold & Sclater (2017) undersökning jämför resultat från två tidigare studier. Studierna undersökte studenters åsikter angående mål inom LA. Den ena studien utfördes på universitetsstudenter i USA och den andra på
universitetsstudenter i Storbritannien. Arnold & Sclater (2017) fann att de två studierna hade gemensamma frågor som handlar om vilka mål studenter var villiga att dela sin data till. Frågorna omfattade följande mål: system som ska (1) hjälpa studenter att inte hoppa av sina studier, (2) förbättra studenters betyg och (3) tillåta studenter att jämföra sina framgångar i studierna med klasskamrater. Jämförelsen visade att studenter från USA var mer villiga att dela sin data för de tre målen än vad studenter från
system som kan förbättra studenters betyg. Vidare ansåg sig studenterna vara minst villiga att dela sin data för (3) system där de kan jämföra sina framgångar med klasskamrater.
Arnold & Sclater (2017) anser att deras datainsamling stärker påståendet om vikten att involvera studenter i LA samt vikten av att studenter och institutioner samarbetar inom LA. Arnold & Sclater (2017) menar att vidare forskning som involverar studenter behövs, för att få en generaliserad förståelse för vad studenter är villiga att dela sin data till. Chatti, Dyckhoff, Schroeder & Thüs (2012) menar att det finns många olika mål inom LA. Därav anser vi att det går att utöka Arnold & Sclater (2017) studie med fler mål samt mer generella mål inom LA, eftersom de mål Arnold & Sclater (2017) undersökte omfattade system med specifika syften.
Larusson & White (2014) beskriver sju generella mål med LA som institutioner kan använda: (1) optimera studentens och fakultetens prestationsförmåga, (2) effektivisera pedagogiska strategier, (3) effektivisera institutionella kostnader, (4) avgöra studenters engagemang i kursmaterialet, (5) identifiera studenter som potentiellt behöver stöd (och därmed anpassa pedagogik), (6) effektivisera betygssystem och (7) tillåta
lärare/professorer att utvärdera effektiviteten i sin undervisning. Dietz-Uhler & Hurn (2013), Chatti, Dyckhoff, Schroeder & Thüs (2012), Rubel & Jones (2016), Slade & Prinsloo (2013) och Sclater, Peasgood & Mullan (2016) har beskrivit liknande mål som Larusson & White (2014). Det finns dock skillnader i hur detaljerat dessa mål beskrivs, där några av dessa artiklar fokuserar mer på vissa mål än andra.
2.4 Hypoteser
Utifrån vår forskningsfråga: “Vilken data är studenter villiga att dela inom LA
sammanhang och motiverar målen med LA studenters villighet att dela data?” har det skapats tre hypoteser som undersöks i vår studie.
I bakgrunden (se kapitel 1.2 Problemområde) nämns signifikanta händelser i
datavärlden vilka inträffat efter utförandet av Ifenthaler & Schumacher (2016) studie. På grund av detta skapades hypotesen att studenters villighet att dela data har förändrats efter att dessa händelser inträffat (Hypotes 1).
LA kräver en tillgång till mångfaldig data (Ifenthaler & Schumacher, 2016) och
studentens framgång är komplex och flerdimensionell (se tabell 1-princip 4). Med tanke på detta skapades hypotesen att externt producerad data i den form Ifenthaler &
Schumacher (2016) presenterar den kan delas upp i olika kontexter och ge högre villighet att dela externt producerad data (Hypotes 2).
3 Metod
3.1 Forskningsstrategi
För att genomföra denna studie valdes forskningsstrategin surveyundersökning i dess kvantitativa form, eftersom vi behöver generera ensartad, standardiserad och
systematiserad data från en stor mängd personer för att besvara forskningsfrågan. I surveyundersökning ska forskaren hitta mönster i data för att generalisera en populationsgrupp utifrån stickprovet och analysera resultaten med syftet att dra slutsatser (Oates, 2006). Detta passar studien eftersom målet är att generalisera studenter som grupp och dra slutsatsen om vilken data de är villiga att dela samt om målen motiverar deras villighet att dela data. Oates (2006) skriver om möjligheterna med surveyundersökning som tillkommer vid användning av internet och menar att forskare får tillgång till en stor mängd personer både snabbt och kostnadseffektivt. Detta är viktigt för oss eftersom denna studie har en tidsram på tio veckor och har en
begränsad budget. En annan fördel är att studien kan bli replikerad och utförd i en annan organisation, i ett annat land eller på exakt samma urvalsgrupp. Detta leder till att vår studie kan gå igenom vidare testning vilket leder till bekräftelse eller motbevisning av resultatet. Oates (2006) nämner också generella fördelar vid utvärdering av
forskningstrategin surveyundersökning. En av dessa fördelar är att den fungerar bra med kvantitativ dataanalys.
Oates (2006) beskriver också nackdelarna med strategin. En nackdel är att strategin inte är djupgående och går inte in på detaljerna av ämnet. Surveyundersökning har också nackdelen att den fokuserar på vad som kan bli mätt och räknat vilket blir material för statistisk analys och det som inte faller under detta bortses från studien (Oates, 2006). I vårt fall betyder det att studien inte får insikt i varför studenter inte vill dela specifika kontexter. Ytterligare en nackdel vid användning av internetbaserad
surveyundersökning är att forskarna inte kan bedöma riktigheten av responsen eftersom kroppsspråket är uteslutet från interaktionen. På grund av detta behöver studien
motiveras på ett effektivt sätt för att öka samarbetsviljan.
3.1.1 Alternativ forskningsstrategi
En alternativ forskningsstrategi var att utföra en fallstudie. Vid användning av
surveyundersökning kan forskaren få en bred men grundlig vy av fenomenet. Fallstudier fokuserar på en instans av saken som ska bli utforskad. Studien kan då utforska
fenomenet i ett praktiskt sammanhang och fokusera på alla faktorer som tillför till fenomenet, vilket ger en detaljerad bild av hur de samspelar (Oates, 2006). En
explorativ kvantitativ fallstudie var relevant eftersom den kan bidra med att producera data som ligger nära människors upplevelser, som i detta fall är kopplade till
3.2 Datainsamlingsmetod
3.2.1 Enkät
En enkät är en fördefinierad rad av frågor sammansatta i en förbestämd ordning, där respondenter får svara på frågorna vilket förser forskarna med data, vilket senare kan bli analyserade och tolkade (Oates, 2006). Detta passar studien eftersom det tillåter oss att sammanställa ett antal standardiserade frågor om vilken data studenter är villiga att dela samt om målen motiverar deras villighet att dela data, vilket i sin tur ger data som kan analyseras och generaliseras. Enkäter kan vara självadministrerade eller
forskaradministrerade vilket liknar en strukturerad intervju (Oates, 2006).
Självadministrerade enkäter passar till vår undersökning eftersom enkäten i vår studie behöver på kort tid nå en stor mängd studenter för att uppnå ett acceptabelt förtroende- och noggrannhetsintervall. Enkäter är ofta kostnadseffektivare än andra
datainsamlingsmetoder eftersom en stor datamängd kan samlas inom en kort tidsram (Oates, 2006). Oates (2006) skriver också att användningen av fördefinierade svar underlättar för respondenterna att utföra enkäten, vilket i sin tur underlättar för
forskarna när analysen skall göras. Detta är relevant till studien eftersom data samlas in från frivilligt deltagande studenter. Oates (2006) skriver att vid användning av
forskningsstrategin surveyundersökning på internet kan användning av enkäter vara en fördel eftersom utskicket kan ske via email-listor, vilket kan få tags till exempel via företag, nyhetsgruppsmedlemmar eller prenumeranter. Detta passar studien eftersom möjligheten finns att kontakta programansvariga på universitet för att få enkäten utskickad till studenter. En annan fördel är att enkäten returneras i elektronisk form vilket tar bort risken av att mata in fel data vid manuell inmatning till analyssystemet (Oates, 2006).
3.2.2 Alternativ datainsamlingsmetod
En alternativ datainsamlingsmetod är intervjuer. Intervjuer är relevanta när forskaren vill få utförlig information, ställa komplexa och öppna frågor, utforska känslor och erfarenheter, undersöka känsliga frågor där respondenten endast är villig att svara på i person (Oates, 2006). I studien hade det fungerat att ställa öppna frågor om vilken data studenterna var villiga att dela samt utforska känslor och erfarenheter kring vad som motiverar dem att dela data. Detta skulle kunna göras i en gruppintervju över internet eller i person eftersom gruppintervjuer bidrar till att skapa en överenskommelse av åsikter, fler och varierande svar samt tillåter respondenterna att spåna över ämnet och formulera ytterligare insikter (Oates, 2006). Valet att genomföra studien med enkäter istället för gruppintervjuer är på grund av möjligheten att få fler svar samt att en del respondenter kan vara motvilliga att dela sina åsikter när de inte är anonyma (Oates, 2006).
3.3 Analysmetod
3.3.1 Kvantitativ dataanalys
och förhållandedata. Enkäten kommer generera två av dessa datatyper. Den ena datatypen enkäten kommer generera är nominella data, vilket är kategorisk data som inte har ett numeriskt värde (Oates, 2006). Denna data kommer enkäten genereras genom att deltagarna ombeds besvara inom vilka kontexter de är villiga att dela data. Undersökningen kommer också generera ordningsdata när deltagarna ombes besvara i vilken grad LAs mål motiverar dem att dela data enligt en Likertskala. Ordningsdata är data, som till skillnad från nominell, har en numerisk ordning (Oates, 2006). Ett vanligt sätt att generera ordningsdata är genom en Likertskala till exempel genom 1:
Instämmer, 2: Neutral och 3: Instämmer inte (Oates, 2006).
Oates (2006) menar att det kan vara viktigt att identifiera förekomsten av ett värde i de data som genererats, vilket är ett av målen med vår undersökning. Det finns flera sätt att räkna ut detta enligt Oates (2006), varpå ett tillvägagångssätt är att beräkna typvärdet i data. Detta betyder att vi beräknar hur ofta ett värde förekommer. På detta sätt går det att rangordna respondenternas svar.
3.4 Genomförande
3.4.1 Design av enkät
Som inledning till enkäten ges en kort introduktion om vad LA är. Genom att ge deltagarna en introduktion om ämnet, skapas en förståelse hos deltagarna vad som efterfrågas och då undviks att deltagarna inte besvarar enkäten (Malhotra, 2006). Efter introduktionen kommer en kort sammanfattning av undersökningen och varför den genomförs.
Enligt Wildman (1977) kan identifierbara respondenter ge mer socialt önskvärda svar till skillnad från anonyma. På grund av detta samt av forskningsetiska principer, som beskrivs i kapitel 3.6 Etiska överväganden, gjordes valet att deltagarna skulle förbli anonyma vilket också förmedlades i introduktionen.
Frågor om målen med LA motiverar studenters villighet att dela data
Efter introduktionen och sammanfattningen ombes deltagarna besvara i vilken grad målen motiverar villigheten att dela data. Denna fråga besvaras enligt Likertskalan, vilket har en numeriskt rankad ordning (Oates, 2006). Deltagaren har alternativen ”1. Absolut sant”, ”2. Mestadels sant”, ”3. Neutral åsikt”, ”4. Mestadels osant” och ”5. Absolut osant” att besvara huruvida mål motiverar deras vilja att dela data.
I nästkommande fråga ombes deltagarna besvara vilka mål som motiverar dem att dela data. Som vi har beskrivit i kapitel 2.3 Studenters uppfattning om deras integritet inom Learning Analytics applikationer är målen ifrån Larusson & White (2014). Dessa mål är: (1) optimera studentens och fakultetens prestationsförmåga, (2) effektivisera
pedagogiska strategier, (3) effektivisera institutionella kostnader, (4) avgöra studenters engagemang i kursmaterialet, (5) identifiera studenter som potentiellt behöver stöd (och därmed ändra pedagogik), (6) effektivisera betygssystem och (7) tillåta
lärare/professorer att utvärdera effektiviteten i sin undervisning.
Efter frågorna angående målen med LA ombes deltagarna att besvara inom vilka kontexter de är villiga att dela data. Nedanför beskrivs de kontexter som tillhör vår undersökning.
Delning av data enkät
Ifenthaler & Schumacher (2016) utvecklade ett instrument som är relevant för vår studie. Därav har vi valt att använda instrumentet som bas för att undersöka vilken data studenter är villiga att dela inom LA-sammanhang (se kapitel 2.2 Studenters uppfattning om integritetsprinciper för Learning Analytics).
Externt producerad data ifrån Ifenthaler & Schumacher (2016)
Externt producerad data bröts ut till fyra enskilda kontexter vilka blev sociala medier, spelvanor, tv/datorspelsvanor och strömningstjänster (se kapitel 2.2 Studenters uppfattning om integritetsprinciper för Learning Analytics).
Kontexter utöver Ifenthaler & Schumacher (2016)
Vi har inkluderat kontexter utöver de som finns i Ifenthaler & Schumacher (2016). Dessa kontexter är studenters närvaro, betyg, köp av mat, familjesituation, användning av digitala enheter och brottsregister vilket är hämtat från Cath, Zimmer, Lomborg & Zevenbergen, (2018) samt idrottsengagemang (se kapitel 2.2 Studenters uppfattning om integritetsprinciper för Learning Analytics).
Uteblivna kontexter ifrån Ifenthaler & Schumacher (2016)
I Ifenthaler & Schumacher (2016) studie finns det fyra kontexter (se tabell 2) vi anser vara irrelevanta i en studie på ett svenskt universitet eftersom de är väldigt ovanliga. Dessa kontexter är testresultat från motivationstest, intressetest, självtest och
inlärningsstrategitest. Vi har inte funnit något underlag som visar att kontexterna
används på svenska universitet, därför tillfrågades en expert inom området, som svarade att det inte används inom Uppsala universitet eller inom något annat universitet i
Sverige. Av den anledningen tas dessa kontexter bort från undersökningen. Kontextgruppering
Kontexterna delades in i grupper för att underlätta för deltagarna att genomföra enkäten, se tabell 3. Inom varje gruppering blandades ordningen av kontexterna, vilket gör att ordningen av alternativen ändras från enkät till enkät. Detta gjordes för att undvika bias i ordningen av alternativen (Malhotra, 2006).
Tabell 3. Sekvens & gruppering av kontexter från vår undersökning
Generell information 1 Namn 2 Födelsedatum 3 Kontaktuppgifter 4 Adress 5 Civilstånd
6 Närvaro
7 Biblioteksaktivitet
8 Hur du navigerar på institutionens digitala system (till exempel institutionens hemsidor)
9 Nedladdningar på institutionens digitala system 10 Onlinetider på institutionens digitala system
11 Provresultat
12 Akademiska prestationer 13 Diskussionsforum på kurssidor
14 Allmän diskussionsaktivitet (På campus)
Information relaterad till studier innan din pågående utbildning
15 Kursregistrering 16 Din utbildningshistorik
17 Ingångskvalifikationer för högskoleutbildning (högskoleprov, betyg) 18 Intelligenskvot (IQ)
Information utanför dina universitetsstudier
19 Förkunskaper
20 Tidigare arbete
21 Vilka digitala enheter du använder (Till exempel mobil & dator) 22 Dina föräldrars utbildningsnivå
23 Familjesituation 24 Brottsregister
Information angående din ekonomi och hälsa
25 Idrottsengagemang
26 Arbete utöver studierna
27 Inkomst
28 Köp av mat
29 Medicinsk information
Sysselsättning utanför dina universitetsstudier
30 Videoströmningstjänster 31 TV/dataspelstjänster
33 Spelvanor (Till exempel onlinepoker)
3.4.2 Förtestning av enkät
Enligt Malhotra (2006) är förtestning en av de viktigaste delarna i designen av en enkät. Hunt, Sparkman & Wilcox (1982) tar upp fem frågor som bör ställas inför förtestningen av enkäten.
1. Vilka objekt i enkäten bör prövas?
2. Vilken metod bör användas för att genomföra förtestningen? 3. Vilka bör leda förtestningen?
4. Vilka ska vara respondenter?
5. Hur många ska genomföra förtestet?
Vilka objekt i enkäten bör prövas?
Malhotra (2006) skriver att förtestet bör inkludera reflektion om vilka frågorna är, formuleringen, sekvensen av frågorna, strukturen av enkäten, frågornas svårighetsgrad och instruktionerna. För att få en djupare analys av deltagarnas åsikter ombes de besvara om de förstod beskrivningen av LA, varför studien genomförs samt alla kontexter.
Vilken metod bör användas för att genomföra förtestningen?
Det finns två sätt att genomföra förtestet enligt Colorado State Univeristy (uå). Det första sättet är att förklara för deltagarna att de genomför ett förtest och be dem fokusera på innehållet istället för genomförandet av enkäten. Detta kallas för deltagande
förprövningar (Colorado State University, uå). Det andra sättet kallas för odeklarerad förprövning och går ut på att observera reaktionerna på deltagarna som genomför enkäten utan vetenskapen att de genomför ett förtest (Colorado state university, uå). Hunt, Sparkman & Wilcox (1982) skriver att de tre vanligaste metoderna att genomföra testningen av enkäten är med personlig intervju, intervju över telefon och
självrapporterade över mail. Med tanke på vissa begränsningar, som till exempel tid, valdes självrapporterade reflektioner. Förtestet valdes att genomföras med “deltagande förprövning” där deltagarna fick förklaringen att de genomför ett förtest. Anledningen till detta var för att be dem koncentrera sig på objekten i enkäten som beskrevs ovan. Malhotra (2006) skriver att det är bra att genomföra förtestet digitalt om den riktiga enkätundersökningen är i samma format.
Vilka som bör leda förtestningen?
Med tanke på att förtestet genomförs som självrapporterade används varken intervjuer eller intervjuare.
Vilka ska vara respondenter?
förtestsrespondenterna bör ha en liknande bakgrund som respondenterna i den verkliga enkäten, vilket kan ge en bredare förtestning (Hunt, Sparkman & Wilcox, 1982). Förtestet skickades ut till både nuvarande och nyligen examinerade studenter på högskolenivå.
Hur många ska genomföra förtestet?
Malhotra (2006) skriver att förtestet inte ska innehålla många respondenter och att antalet beror på hur stor den verkliga undersökningen kommer vara. Enligt Hunt, Sparkman & Wilcox (1982) finns det många forskare och författare som förespråkar att urvalet av respondenter ska vara liten, där vissa förespråkar runt 10 respondenter medan andra förespråkar uppemot 30 respondenter. Eftersom det inte finns en enighet
angående hur stort urvalet för förtestet ska vara menar Hunt, Sparkman & Wilcox (1982) att urvalets storlek ska bero på antalet respondenter den verkliga
enkätundersökningen kommer att ha. Förtestet skickades ut till 11 respondenter, vilket vi ansåg var ett tillräckligt stort test med tanke på det som beskrevs ovan samt hur stort vi antog urvalet för den verkliga undersökningen skulle bli.
3.5 Kvalitet
Innehållsvaliditet handlar om huruvida frågorna i enkäten är välbalanserade nog för att täcka hela området som enkäten undersöker (Oates, 2006). Oates (2006) skriver att det går att använda experter inom det område studien undersöker eller att använda litteratur som innehåller en tidigare studie inom området för att uppnå hög innehållsvaliditet. Vår enkät är grundad på Ifenthaler & Schumacher (2016) undersökning, detta ska då enligt Oates (2006) hjälpa att uppnå hög innehållsvaliditet. Utöver Ifenthaler & Schumacher (2016) undersökning gjordes valet att utöka deras studie med fler kontexter dels från andra studier samt för att utöka externt producerad data, vilket också ökar
innehållsvaliditeten.
Pålitlighet betyder huruvida en enkät skulle få samma resultat om respondenten fick besvara enkäten ett flertal gånger (Oates, 2006). Oates (2006) menar dock att pålitlighet ofta är svårt att validera, då till exempel respondenterna kan komma ihåg sina tidigare svar eller att deras åsikter kan ha förändrats. Enligt Oates (2006) är det enklaste sättet att validera pålitligheten att dela upp enkäten mellan två grupper och om enkäten är pålitlig är resultatet från båda grupperna likadana. I vår enkät undersökes vad respondenterna har för åsikter, vilket gör att resultatet från en respondent kan vara väldigt olikt en annans. Detta gör det svårt att få exakt samma svar i de två grupperna. Dock när detta test genomfördes där responsen delades slumpvis in i två grupper och jämfördes visade resultatet samma trender på kontexterna samt frågorna, vilket vi anser stärker
pålitligheten.
3.6 Etiska överväganden
delta i undersökningen. Den tredje regeln (3) innebär att deltagarna själva får bestämma hur länge de vill delta och att deltagandet utförs på deras villkor. Den fjärde regeln (4) innebär att om deltagaren väljer att avbryta ska det inte tillkomma obefogad påtryckning eller påverkan. Den femte regeln (5) beskriver att all personal som hanterar etiskt
känsliga uppgifter om enskilda och identifierbara personer bör skriva på ett
tystnadspliktkontrakt. Den sjätte regeln (6) handlar om att uppgifter om identifierbara individer ska lagras och hanteras på ett sätt där enskilda individer inte kan identifieras av utomstående. Den sjunde regeln (7) handlar om att uppgifter om individer som är insamlade för forskningens ändamål inte får användas för kommersiellt bruk eller andra icke-vetenskapliga syften. Och den sista regeln (8) innebär att insamlade
personuppgifter för forskningsändamål inte får användas för beslut eller åtgärder som påverkar individen, som till exempel vård eller tvångsintagning.
Många av dessa regler undviks i studien då deltagarna är anonyma, vilket gör att vi inte kan identifiera dem. Eftersom undersökningen genomförs genom en enkät som skickas ut till deltagarna kan vi inte veta exakt vilka som genomför den eller vilka som väljer att avbryta den. Detta gör att det är på deltagarnas villkor om de vill genomföra
4 Resultat och analys
4.1 Resultat
Undersökningen fick 110 respondenter varav 76 genomförde enkäten på en svensk version och 34 på en engelsk version.
Figur 1 visualiserar resultatet från respondenternas svar på frågan angående i vilken grad målen motiverar villigheten att dela data. Av de 110 studenter som har besvarat enkäten ansåg 43 procent att målen med LA absolut spelar en roll, 33 procent ansåg att det var mestadels sant, 14 procent hade en neutral åsikt, 5 procent ansåg att detta vara mestadels osant och 5 procent ansåg att målen spelar absolut ingen roll för deras motivering att dela data.
Figur 1. Resultat från frågan angående till vilken grad målen motiverar villigheten att dela data
Figur 2 visualiserar respondenternas svar angående frågan om vilka mål som motiverar dem att dela sin data. Målet som motiverar flest studenter (72 procent av studenterna) är “tillåta lärare/professorer att utvärdera effektiviteten i sin undervisning”, strax efter detta ansåg 71 procent av studenterna att målet “effektivisera pedagogiska strategier” motiverade dem, 68 procent av studenterna ansåg att målet “optimera studentens och fakultetens prestationsförmåga” motiverar dem, “identifiera studenter som potentiellt behöver stöd” ansåg 58 procent av studenterna motiverar dem, 44 procent av
respondenterna ansåg att målet “avgöra studenters engagemang i kursmaterialet”
Figur 2. Resultat från målen som motiverar respondenterna att dela data.
(1) Tillåta lärare/professorer att utvärdera effektiviteten i sin undervisning, (2) Effektivisera pedagogiska strategier, (3) Optimera studentens och fakultetens prestationsförmåga, (4) Identifiera studenter som
potentiellt behöver stöd, (5) Avgöra studenternas engagemang i kursmaterialet, (6) Effektivisera betygssystem och (7) Effektivisera institutionella kostnader.
Figur 3 visualiserar resultatet på frågan om studenters villighet att dela data inom de specifika kontexterna. Kontexten som flest studenter ansåg vara villiga att dela är “kursregistrering” med 78 procent av respondenterna, sedan kom “förkunskaper” på 74 procent, 73 procent “utbildningshistorik”, 71 procent “födelsedatum”, 67 procent “närvaro”, 66 procent “provresultat”, 65 procent “ingångskvalifikationer”, 62 procent “arbete utöver studier”, 57 procent “akademiska prestationer”, 54 procent “hur
information”, 23 procent “videoströmningstjänster” och kontexten som lägst antal studenter ansåg vara villiga att dela var “spelvanor” med 22 procent.
Figur 3. Resultat från kontexterna som respondenterna är villiga att dela med sig
(1) Kursregistrering, (2) Förkunskaper, (3) Utbildningshistorik, (4) Födelsedatum, (5) Närvaro, (6) Provresultat, (7) Ingångskvalifikationer, (8) Arbete utöver studier, (9) Akademiska prestationer, (10) Navigering på digitala system, (11) Tidigare arbete, (12) Namn, (13) Biblioteksaktivitet, (14) Användning
av digitala enheter, (15) Onlinetider på digitala system, (16) Idrottsengagemang, (17) Föräldrars utbildningsnivå, (18) Kontaktuppgifter, (19) Inkomst, (20) Nedladdningar på digitala system, (21)
Brottsregister, (22) Diskussionsforum på kurssidor, (23) Allmän diskussionsaktivitet, (24) Familjesituation, (25) TV/dataspelstjänster, (26) Sociala medier, (27) Adress, (28) Intelligenskvot, (29)
Köp av mat, (30) Medicinsk information, (31) Videoströmingstjänster och (32) Spelvanor.
4.2 Jämförelser
4.2.1 Vårt resultat i jämförelse med Ifenthaler & Schumacher (2016)
Figur 4. Resultat på kontexterna från Ifenthaler & Schumacher (2016) som användes i vår studie jämfört
med Ifenthaler & Schumacher (2016) resultat
(1) Kursregistrering, (2) Utbildningshistorik, (3) Förkunskaper, (4) Födelsedatum, (5)
Ingångskvalifikationer, (6) Provresultat, (7) Arbete utöver studier, (8) Navigering på digitala system, (9) Akademiska prestationer, (10) Tidigare arbete, (11) Namn, (12) Biblioteksaktivitet, (13) Onlinetider på digitala system, (14) Föräldrars utbildningsnivå, (15) Kontaktuppgifter, (16) Nedladdningar på digitala system, (17) Inkomst, (18) Adress, (19) Diskussionsforum på kurssidor, (20) Allmän diskussionsaktivitet,
(21) Intelligenskvot och (22) Medicinsk information.
4.2.2 Oväntade resultat
Figur 5. Resultat från frågan angående till vilken grad målen motiverar villigheten att dela data på den
svenska versionen
5 Slutsats och diskussion
5.1 Diskussion
5.1.1 Hypotes 1: Studenters villighet att dela data har förändrats efter incidenter angående datahantering
Resultaten från vår studie i jämförelse med Ifenthaler & Schumacher (2016) är
oväntade. Vi antog att GDPR och de incidenter som beskrevs under 1.2 Problemområde skulle ha förändrat respondenternas villighet att dela sin data. Det som har förändrats är villigheten att dela och inte dela specifika kontexter som till exempel att dela medicinsk information har ökat. Detta kan vara på grund av att en större tillit till hantering av data som kan anses vara känslig har uppstått i och med implementeringen av GDPR. I vår studie har villigheten att dela data inom kontexterna allmän diskussionsaktivitet och diskussionsforum på kurssidor minskat i jämförelse med Ifenthaler & Schumacher (2016). Detta kan bero på att tilliten sjönk under den ökade oron kring Facebook och Google runt mitten av 2017 (Internetstiftelsen, 2019) vilket kan skapa oro av hantering av inspelade och transkriberade diskussioner.
5.1.2 Hypotes 2: Uppdelning av externt producerad data till ett flertal kontexter ökar studenters villighet att dela denna data
Studenter är till en större del villiga att dela med sig av externt producerad data i vår studie jämfört med Ifenthaler & Schumacher (2016). I vår studie var 42 procent av studenterna villiga att i någon grad dela med sig av externt producerad data i jämförelse med 10 procent i Ifenthaler & Schumacher (2016). Av de studenter som var villiga att dela externt producerad data delade 26 procent sociala medier, 26 procent
TV/dataspelstjänster, 23 procent videoströmningstjänster och 22 procent spelvanor. Detta visar dock att det inte är en markant skillnad mellan kontexterna, vilket kan betyda att den ökade villigheten att dela externt producerad data inte beror på att
studenter har en tendens för datadelning till specifika kontexter inom externt producerad data, utan att transparensen för vad som samlas in har ökat och gjort studenter mer samarbetsvilliga.
5.1.3 Hypotes 3: Målen med LA påverkar studenters villighet att dela data
dem angående målet/målen med implementeringen av LA för att motivera studenternas vilja att dela sin data.
Utöver det som beskrevs ovan är det också viktigt att identifiera vilka av målen som är mest motiverande för studenter. Arnold & Sclater (2017) studie visade att studenter är mer villiga att låta sin data användas i syfte att förbättra sina betyg, till skillnad från system där studenter kan jämföra sina prestationer med sina klasskamrater. I vår studie jämfördes inte samma mål som Arnold & Sclater (2017) gjorde. Vår studie använde mer generella mål från Larusson & White (2014), men det går att se likheter mellan våra resultat och Arnold & Sclater (2017) resultat. De mål som motiverar respondenterna från vår studie mest är (1) med 73 procent “tillåta lärare/professorer att utvärdera effektiviteten i sin undervisning”, (2) med 70 procent “effektivisera pedagogiska strategier” och (3) med 68 procent “optimera studentens och fakultetens
prestationsförmåga”. Dessa tre mål anser vi har en större påverkan på studentens betyg än vad de resterande målen har, vilket i sin tur överensstämmer med resultatet från Arnold & Sclater (2017) studie. Ett annat mål som Arnold & Sclater (2017) jämförde var om studenter vara villiga att deras data användes för att minska antalet studenter som hoppar av sin utbildning, vilket är snarlikt ett av målen i vår studie. Det handlade om att “identifiera studenter som potentiellt behöver stöd” och det var 57 procent som ansåg att detta var viktigt och var alltså ett mål som hamnade på fjärde (4) plats i vår undersökning. Detta stämmer också överens med Arnold & Sclater (2017) resultat. Resultatet från denna fråga visar en trend som kan användas som ett ytterligare ett argument för att involvera studenter i implementeringen av LA för att få en större motivation och vilja från studenter att dela med sig av sin data och som i sin tur kan innebära ett bättre samarbete mellan student och institution. Våra slutsatser stärker de slutsatser Arnold & Sclater (2017) kom fram till i sin studie samt hypotes 3.
5.1.5 Diskussion oväntat resultat
Antagandet togs att majoriteten av respondenterna på den engelska versionen är utbytesstudenter. I Arnold & Sclater (2017) resultat visade det sig att studenter från Storbritannien och USA har olika åsikter angående vilket mål deras data går till. Det finns en sådan trend även i vår studie där resultaten skiljer sig mellan de två
versionerna. I den svenska versionen anser en större majoritet att målen har en roll att motivera dem att dela sin data jämfört med den engelska. Detta kan tolkas som att det finns ett stort behov att involvera studenter på svenska universitet inför implementering av LA för att få ett samarbete mellan student och institution.
5.1.6 Kulturella skillnader
Som vi beskrev i kapitel 1.2 Problemområde menar Prinsloo & Slade (2013) att etiska dilemman och problem kan uppfattas olika inom LA på grund av, till exempel,
5.1.7 Metodologiska begränsningar och svårigheter
Det uppstod ett tekniskt fel på enkäten med en av kontexterna. Kontexten “civilstånd” som är tagen från Ifenthaler & Schumacher (2016) kom inte upp för respondenterna även fast den var tillagd under implementeringen av enkäten. På grund av detta togs kontexten bort från studien. Sedan är vi medvetna om att översättningen (från engelska till svenska) av kontexterna och de mål som undersöks möjligen har påverkat studiens resultat.
Angående antagandet att majoriteten av respondenterna i den engelska versionen är utbytesstudenter (se kapitel 5.1.5 Diskussion oväntat resultat) saknar vi vetskap om huruvida studenten tillhör ett svenskt hemuniversitet eller är utbytesstudent, vilket gör att detta antagande har brister. För att få vetskapen om huruvida studenten tillhör ett svenskt hemuniversitet eller är utbytesstudent hade vi behövt lägga till en fråga i den engelska versionen.
För ett småskaligt forskningsprojekt rekommenderas det åtminstone 30 svar, eftersom om enkäten får färre svar blir den statistiska analysen inte pålitlig (Oates, 2006). Men Oates (2006) skriver också att om generalisering av en större befolkning önskas bör stickprovet vara av en viss storlek. Statistiker har producerat korrelationer mellan befolkning och stickprovet för att visa vilken storlek som krävs för att nå nödvändig riktighet. Oates (2006) nämner att forskare oftast arbetar för att uppnå ett
förtroendeintervall på 95 procent och ett på noggrannhetsintervall +/-3 procent. På Uppsala universitet finns det mer än 40 000 studenter (Uppsala universitet, 2020) vilket betyder att vår studie måste ha en stickprovsstorlek av 1000 för att uppnå ett
noggrannhetsintervall på +/- 3 procent (Creative Research Systems, 2012). Dock nådde vår enkät ut till endast 110 respondenter, vilket innebär att vår studie har en
noggrannhetsintervall på +/- 9 procent. Detta innebär att vi inte kan generalisera våra resultat och säga att våra resultat är vad studenter på Uppsala universitet anser om frågorna, men resultaten har identifierat trender om vad studenter anser om frågorna.
5.1.8 Etiska och samhälleliga konsekvenser
Studien kan bidra med positiva samhälleliga konsekvenser, eftersom den pekar på trender av vad svenska universitetsstudenter anser vara rimlig data att dela för LAs ändamål. Vi anser att det inte finns negativa etiska och samhälleliga konsekvenser från vår studie, med tanke på att respondenterna är anonyma för oss samt att ingen av den data vår studie samlar in är känslig (se kapitel 3.6 Etiska överväganden).
5.2 Slutsats
Studenter blir alltmer medvetna om datainsamling och dataanalyser, dock är de
relaterade till datahantering. Resultaten visar en trend att transparens med målen bidrar till en hög motivation till att dela data och stödjer påståendet att involvera studenter som intressenter.
Det praktiska bidraget är att en institution kan hantera studenter som intressenter med vårt resultat som rekommendationer, vilket är kontexter studenter tenderar att vara villiga att dela samt att studenters medvetenhet om målen visar en trend för ökad vilja att dela data. Detta kan ge en starkare samarbetsvilja och motivering från studenter inför implementering av LA i institutionens verksamhet. Det teoretiska bidraget från denna rapport är empiri från ett nytt sammanhang, vilket är studenter på ett svenskt universitet. Utöver detta bidrar rapporten till ökad kunskap angående studenters åsikter om
datadelning inom LA och fördjupad förståelse angående studenters perspektiv om mål inom LA.
5.3 Vidare forskning
Vi anser att vidare forskning kan undersöka varför studenter vill dela specifika kontexter samt varför målen motiverar datadelning, vilket kan genomföras med en kvalitativ studie för att få en djupare förståelse om deras åsikter. Ett annat
6 Referenser
Acito, F. & Khatri, V. (2014). Business analytics: Why now and what next?
Anand, V. (2007). A study of time management: The correlation between video game usage and academic performance markers. CyberPsychology & Behavior, 10(4), pp.552-559.
Arnold, K.E. & Sclater, N. (2017). Student perceptions of their privacy in leaning analytics applications. In Proceedings of the seventh international learning analytics & knowledge conference (pp. 66-69).
Baker, R.S. & Inventado, P.S. (2014). Educational data mining and learning analytics. In Learning analytics (pp. 61-75). Springer, New York, NY.
Brown, A.J. (2020). “Should I Stay or Should I Leave?”: Exploring (Dis) continued Facebook Use After the Cambridge Analytica Scandal. Social Media+ Society, 6(1), p.2056305120913884.
Brownlow, J., Zaki, M., Neely, A. & Urmetzer, F. (2015). Data and analytics-data-driven business models: A blueprint for innovation. Cambridge Service Alliance. Bull, T. (2018). Granskning av Transportstyrelsens upphandling av it-drift. Regeringskansliet.
Burgess, S.R., Stermer, S.P. and Burgess, M.C., 2012. Video game playing and
academic performance in college students. College Student Journal, 46(2), pp.376-388. Cath, C., Zimmer, M., Lomborg, S. & Zevenbergen, B. (2018). Association of internet researchers (AoIR) roundtable summary: Artificial Intelligence and the good society workshop proceedings. Philosophy & Technology, 31(1), pp.155-162.
Chatti, M.A., Dyckhoff, A.L., Schroeder, U. & Thüs, H. (2012). A reference model for learning analytics. International Journal of Technology Enhanced Learning, 4(5-6), pp.318-331.
Colorado state university. (läst 2020). Pretesting the questionnaire. Hämtad 2020-04-13 länk: https://writing.colostate.edu/guides/page.cfm?pageid=1415&guideid=68
Conrad, M. (2008). College student gambling: Examining the effects of gaming education within a college curriculum. Masters Theses, p.197.
Creative Research System. (läst 2020). Sample size Calculator. Hämtad: 2020-04-22. Länk: https://www.surveysystem.com/sscalc.htm
Del Blanco, Á., Serrano, Á., Freire, M., Martínez-Ortiz, I. & Fernández-Manjón, B. (2013). E-Learning standards and learning analytics. Can data collection be improved by using standard data models? In 2013 IEEE Global Engineering Education
Conference (EDUCON) (pp. 1255-1261). IEEE.
Drachsler, H. & Greller, W. (2016). Privacy and analytics: it's a DELICATE issue a checklist for trusted learning analytics. In Proceedings of the sixth international conference on learning analytics & knowledge (pp. 89-98).
Groshek, J., Krongard, S. & Zhang, Y. (2018). Netflix and Ill? Emotional and Health Implications of Binge Watching Streaming TV. In Proceedings of the 9th International Conference on Social Media and Society (pp. 296-300).
Hunt, S.D., Sparkman Jr, R.D. & Wilcox, J.B. (1982). The pretest in survey research: Issues and preliminary findings. Journal of marketing research, 19(2), pp.269-273. Ifenthaler, D. & Schumacher, C. (2016). Student perceptions of privacy principles for learning analytics. Educational Technology Research and Development, 64(5), pp.923-938.
Internetstiftelsen. (läst 2020). Ökad oro att Google och Facebook kränker integritet. Hämtad. 2020-05-15. Länk: https://svenskarnaochinternet.se/rapporter/svenskarna-och-internet-2019/digital-integritet-och-delaktighet/
Ip, B., Jacobs, G. & Watkins, A. (2008). Gaming frequency and academic performance. Australasian Journal of Educational Technology, 24(4).
Kalman, L. (2019). New European data privacy and cyber security laws: one year later. Communications of the ACM, 62(4), 38-38.
Larusson, J.A. & White, B. (2014). Learning Analytics: From Research to Practice. 2014th edn, Springer New York, New York, NY.
Malhotra, N.K. (2006). Questionnaire design and scale development. The handbook of marketing research: Uses, misuses, and future advances. pp.83-94.
Martin, K.E. (2015). Ethical issues in the big data industry. MIS Quarterly Executive, 14, p.2.
Muñoz-Bullón, F., Sanchez-Bueno, M.J. & Vos-Saz, A. (2017). The influence of sports participation on academic performance among students in higher education. Sport Management Review, 20(4), pp.365-378.
Oates, B.J. (2006). Researching information systems and computing, SAGE Publications, London; Thousand Oaks, Calif.
Oh, B.C., Ong, Y.J. & Loo, J.M. (2017). A review of educational-based gambling prevention programs for adolescents. Asian journal of gambling issues and public health, 7(1), p.4.
Pardo, A. & Siemens, G. (2014). Ethical and privacy principles for learning analytics. British Journal of Educational Technology, 45(3), pp.438-450.
Politou, E., Alepis, E. & Patsakis, C. (2018). Forgetting personal data and revoking consent under the GDPR: Challenges and proposed solutions. Journal of Cybersecurity, 4(1), p.tyy 001.
Scholes, V. (2016). The ethics of using learning analytics to categorize students on risk. Educational Technology Research and Development, 64(5), pp.939-955.
Sclater, N., Peasgood, A. & Mullan, J. (2016). Learning analytics in higher education. London: Jisc. p.176.
Siemens, G. (2013). Learning Analytics: The Emergence of a Discipline. American Behavioral Scientist, vol. 57, no. 10, pp. 1380-1400.
Slade, S. & Prinsloo, P. (2013). Learning analytics: Ethical issues and dilemmas. American Behavioral Scientist, 57(10), pp.1510-1529.
Stabauer, M. (2019). The Effects of Privacy Awareness and Content Sensitivity on User Engagement. In International Conference on Human-Computer Interaction (pp. 242-255). Springer, Cham.
Uppsala universitet. (läst 2020). Korta fakta om Uppsala universitet. Hämtad: 2020-05-17. Länk: https://www.uu.se/om-uu/korta-fakta/
Vetenskapsrådet. (2002). Forskningsetiska principer inom humanistisk-samhällsvetenskaplig forskning. Vetenskapsrådet.
West, D., Huijser, H. & Heath, D. (2016). Putting an ethical lens on learning analytics. Educational Technology Research and Development, 64(5), pp.903-922.
