Thu thập và phân tích dữ liệu học tập đã trở thành một yếu tố cực kỳ quan trọng đối với lĩnh vực giáo dục và đào tạo. Nguồn dữ liệu này không chỉ giúp người thiết kế đào tạo hiểu rõ hơn về quá trình học tập của học viên, mà còn cung cấp thông tin quý báu để cải thiện chất lượng giảng dạy và đào tạo cũng như tạo ra môi trường học tập tốt hơn. Tuy nhiên, với khối lượng dữ liệu khổng lồ, việc phân tích dữ liệu học tập trở nên phức tạp. Trong lĩnh vực phân tích dữ liệu học tập, có bốn phương pháp chính giúp việc phân tích dữ liệu được thu thập từ người học trở nên đơn giản hơn rất nhiều. Vậy đó là những phương pháp nào? 

Xem thêm: Xu hướng L&D hàng đầu 2023: Phân tích học tập – Learning Analytics

Descriptive analytics – Phân tích mô tả 

Phân tích mô tả là gì? 

Phân tích mô tả là một phương pháp thống kê được sử dụng để tìm kiếm và tổng hợp dữ liệu lịch sử để xác định các mẫu hoặc ý nghĩa. Trong phạm vi phân tích dữ liệu học tập, đây là một phân tích phản ánh về dữ liệu người học và được thiết kế để cung cấp cái nhìn sâu sắc về các mẫu hành vi và hiệu suất trong môi trường học tập trực tuyến. 

Cụ thể, phân tích mô tả có khả năng làm sáng tỏ những khía cạnh quan trọng về cách học viên tương tác với nội dung học tập và diễn đàn thảo luận. Ví dụ, trong một một diễn đàn thảo luận của một khoá học trực tuyến, phân tích mô tả có thể cung cấp thông tin về số lượng người học tham gia vào cuộc thảo luận, hay cho biết mức độ sự tham gia của họ.  

Ngoài ra, phương pháp này cũng có thể xác định số lần mà một học viên cụ thể đã đăng bài trong diễn đàn thảo luận, giúp mô tả mức độ tương tác và đóng góp của từng cá nhân. Nhờ phân tích mô tả, những thông tin này sẽ cung cấp cái nhìn quan trọng để đánh giá tình hình tham gia và tương tác trong môi trường học tập trực tuyến. 

Lợi ích của Descriptive analytics (Phân tích mô tả) 

Nhiều nền tảng LMS và các hệ thống học tập cung cấp báo cáo phân tích mô tả nhằm giúp doanh nghiệp và các tổ chức đo lường hiệu suất của người học để đảm bảo rằng mục tiêu và chỉ tiêu đào tạo được đáp ứng.  

Các kết quả từ phân tích mô tả có thể nhanh chóng xác định các khía cạnh cần cải thiện như tỷ lệ tham gia của người học hay hiệu quả trong việc truyền đạt khóa học. 

Một số ví dụ về cách phân tích mô tả được sử dụng trong lĩnh vực phân tích dữ liệu học tập như: 

• Theo dõi việc đăng ký khóa học, tỷ lệ tuân thủ khóa học 
• Ghi lại các tài liệu học tập được truy cập và tần suất truy cập 

• Tổng hợp số lần người học đăng bài trên diễn đàn thảo luận 
• Theo dõi điểm bài tập và đánh giá 
• So sánh đánh giá trước và sau khóa học 
• Phân tích tỷ lệ hoàn thành khóa học theo người học hoặc theo khóa học 
• Tổng hợp kết quả khảo sát khóa học 

• Xác định thời gian mà người học mất để hoàn thành khóa học 

Xem thêm: Hệ thống LMS là gì? Mọi thứ doanh nghiệp cần biết về phần mềm quản lý đào tạo trực tuyến

Diagnostic analytics – Phân tích chẩn đoán

Phân tích chẩn đoán là gì? 

Nếu phân tích mô tả cho biết điều gì đã xảy ra trong quá khứ thì phân tích chẩn đoán sẽ cho biết lý do tại sao điều đó lại xảy ra. Phương pháp này sử dụng các quy trình như khai thác dữ liệu, khám phá dữ liệu, tìm hiểu chi tiết để làm sáng tỏ nguyên nhân của các hành vi và sự kiện.  

Phân tích chẩn đoán rất hữu ích trong việc xác định các điểm bất thường và giúp các doanh nghiệp xác định chính xác các khu vực cần nghiên cứu thêm. Phương pháp này cũng khám phá các mối quan hệ nhân quả, cho thấy các sự kiện có thể dẫn đến những biểu hiện bất thường như thế nào. 

Lợi ích của Diagnostic analytics (Phân tích chẩn đoán) 

• Khi phát hiện sự khác biệt hoặc hành vi bất thường, phân tích chẩn đoán có thể giúp xác định nguyên nhân của sự bất thường đó. Điều này đặc biệt hữu ích để phát hiện các vấn đề tiềm ẩn, sai sót hoặc lỗi trong quá trình học tập. 
• Khi một hành vi không thể dễ dàng giải thích, phân tích chẩn đoán cung cấp hướng dẫn về những khía cạnh cần nghiên cứu sâu hơn, giúp các nhà quản lý và người thiết kế học tập tìm hiểu sâu hơn để hiểu rõ về nguyên nhân và cơ chế sau các biểu hiện bất thường. 
• Những thông tin từ phân tích chẩn đoán có thể định hình chiến lược cải tiến dựa trên những nguyên nhân được phát hiện, giúp doanh nghiệp tập trung vào các lĩnh vực cần cải thiện và xây dựng kế hoạch để giải quyết các vấn đề đó.

Predictive analytics – Phân tích dự đoán

Phân tích dự đoán là gì? 

Phân tích dự đoán là một phương pháp thống kê sử dụng thuật toán và học máy (learning machine) để nhận biết các xu hướng trong dữ liệu và dự đoán hành vi tương lai. 

Với áp lực gia tăng để chứng minh lợi nhuận (ROI) từ việc triển khai phân tích dữ liệu học tập, việc chỉ đơn giản thể hiện cách người học hoàn thành hoặc tương tác với nội dung học tập đã không còn đủ. Hiện nay, các doanh nghiệp mong muốn thu được thông tin sâu hơn về việc liệu các sáng kiến đào tạo có hiệu quả không và làm thế nào để cải thiện chúng. 

Phân tích dự đoán có thể sử dụng cả dữ liệu quá khứ và hiện tại để dự đoán những gì có thể xảy ra trong tương lai. Khảo sát các rủi ro hoặc cơ hội có thể xảy ra giúp doanh nghiệp thực hiện những biện pháp can thiệp cụ thể để cải thiện các sáng kiến học tập trong tương lai. 

Lợi ích của Predictive analytics 

Dưới đây là một số lợi ích chính mà doanh nghiệp có thể kỳ vọng khi tích hợp phân tích dự đoán vào chiến lược phân tích dữ liệu học tập tổng thể: 

• Cá nhân hóa nhu cầu đào tạo cho nhân viên bằng cách xác định những khoảng trống, điểm mạnh và điểm yếu của họ. 
• Giữ chân nhân tài bằng cách theo dõi và hiểu rõ quá trình phát triển nghề nghiệp của nhân viên, đồng thời dự đoán những kỹ năng và tài liệu học tập nào sẽ mang lại lợi ích tốt nhất cho con đường sự nghiệp của họ.  
• Hỗ trợ những nhân viên có thể bị tụt lại phía sau hoặc không phát huy được tiềm năng của mình bằng cách đưa ra những phương án can thiệp trước khi ảnh hưởng đến hiệu quả hoạt động. 

• Báo cáo và hình ảnh được đơn giản hóa.

Prescriptive analytics – Phân tích đề xuất

Phân tích đề xuất là gì? 

Đây là một phương pháp thống kê được sử dụng để tạo ra các đề xuất và đưa ra quyết định dựa trên những kết quả tính toán của các mô hình thuật toán. 

Trong phân tích học tập, phương pháp này có thể biến đổi từ các đề xuất tự động đơn giản được đưa ra cho nhân viên tham gia đào tạo trực tuyến, cho đến các đề xuất cung cấp cách thức giúp các giảng viên hoặc nhà thiết kế khóa học có thể cải thiện thiết kế của khóa học hoặc chương trình đào tạo.  

Hiện nay, phân tích đề xuất được sử dụng trong học tập thích ứng (adaptive learning) hoặc trong một số nền tảng trải nghiệm học tập (LXP). 

Lợi ích của Prescriptive analytics 

Việc sử dụng phân tích đề xuất đang ngày càng phát triển và có thể được tìm thấy trong một số hệ thống quản lý học tập (LMS) và công nghệ học tập phổ biến: 

• Có một số công cụ sử dụng phân tích đề xuất để xác định nội dung mà người học đã học để sau đó đề xuất những nội dung mới. Đây là một ví dụ về cách phân tích học tập đang được ứng dụng trong học tập thích nghi. 
• Một số LMS hứa hẹn sẽ giảm thời gian đào tạo cho nhân viên bằng cách xác định kiến thức cơ bản và trình độ cơ bản trước đó để đề xuất khóa đào tạo hoặc tài nguyên nào phù hợp nhất cho người học. 

Xem thêm: Các hình thức đào tạo trong doanh nghiệp phổ biến nhất hiện nay 

Kết 

Trong bối cảnh hiện nay, bốn phương pháp hàng đầu về phân tích dữ liệu học tập đều đem lại cái nhìn sâu sắc về sự tiến bộ và tiềm năng của người học. Những phương pháp này không chỉ giúp xác định những gì đã xảy ra và tại sao, mà còn đưa ra những dự đoán hứa hẹn về tương lai và hướng dẫn các biện pháp cải thiện. Để tìm hiểu thêm về các phương thức, cách triển khai hệ thống LMS cũng như cập nhật các xu hướng e-Learning mới nhất, hãy liên hệ ngay với OES – Công ty Cổ phần Dịch vụ Đào tạo Trực tuyến hàng đầu tại Việt Nam nhé!