Klusterianalyysin soveltaminen yliopisto-opintojen etenemisen tarkasteluun
| Title: | Klusterianalyysin soveltaminen yliopisto-opintojen etenemisen tarkasteluun |
| Author(s): | Salminen, Tuukka |
| Contributor: | University of Helsinki, Faculty of Educational Sciences |
| Degree program: | Master´s Programme in Education |
| Specialisation: | General and Adult Education |
| Language: | Finnish |
| Acceptance year: | 2022 |
| Abstract: |
Tavoitteet. Tutkimuksen tavoitteena oli selvittää opintosuoritustietojen avulla minkälaisia tilan-teita yliopisto-opiskelijat tyypillisesti kohtaavat opinnoissaan ja minkälaisia polkuja näistä tilanteista muodostuu. Pyrkimyksenä oli kartoittaa ja kehittää opintosuoritustietojen analyysiin soveltuvaa klusterointiin pohjautuvaa tarkastelutapaa, jolla voitaisiin tuottaa uutta tietoa yliopisto-opintojen etenemisestä.
Menetelmät. Tutkielman toteutus vastaa tutkimusstrategian osalta parhaiten design- eli kehittämistutkimusta, jossa toteutustapa, menetelmät ja uusi tieto rakentuvat iteratiivisen prosessin kautta vastaamaan asetettuihin kysymyksiin. Tutkielman perusjoukko on Helsingin yli-opistossa vuosina 2010–2015 matematiikan, tietojenkäsittelytieteen sekä yleisen ja aikuis-kasvatustieteen perustutkinnon aloittaneet opiskelijat, joilla oli vain yksi tutkinnon suoritusoikeus. Aineistona oli kaikkien 3 167:n perusjoukkoon kuuluvien opiskelijoiden Helsingin yliopistossa 11.3.2020 mennessä kirjatut opintosuoritustiedot, jotka saatiin Helsingin yliopiston Agile Education Research tutkimusryhmän kautta. Suoritustiedoista muodostettiin klusterointiin sopiva karkeamman tason aineisto, mikä sen jälkeen ryhmiteltiin k:n mediaanin klusterointimenetelmällä. Analyysi toteutettiin python-ohjelmointikielellä ja sen kirjastoilla.
Tulokset ja johtopäätökset. Tulokset osoittavat, että klusterointimenetelmiä on mahdollista soveltaa opintosuoritustietojen analyysissa. Löydetyn klusteriratkaisun kautta opintojen etenemistä voidaan kuvata tiiviissä ja ymmärrettävässä muodossa. Aineistosta tunnistettiin kol-me opintojen lähtötilanteita kuvaavaa klusteria ja 22 opintojenaikaisia opiskelutilanteita kuvaavaa klusteria. Klusterien väliset siirtymät osoittavat, että opiskelutilanteiden sarjoista on tunnistettavissa erilaisia polkuja, joiden vaiheet ovat yhteydessä opintojen etenemiseen ja lopputulemaan. Tulosten perusteella opintosuoritustiedot sisältävät paljon sellaista informaa-tiota, jota yliopistot voisivat hyödyntää opintojen sujuvoittamiseen tähtäävässä kehittämistyössä.
Aims of the study. This study seeks to find out what kind of situations students typically face during their progress through university studies and what kind of different pathways can be identified as a series of these situations. The aim was to map out and to develop a clustering-based method of identifying these situations and pathways from student transcript data that would complement the information provided by commonly used measures of student progression.
Methods. The research strategy of this study follows that of design research, where methods and new knowledge is built iteratively. The data consists of student transcript data of 3167 students at the University of Helsinki who had started their studies in computer science, mathematics, or general and adult education between the years 2010 and 2015. The data was provided by the Agile Education Research group at the University of Helsinki and contained all records of passed or failed completion attempts that had been recorded by 11.3.2020. The data was shaped to coarser level to be used in cluster analysis and clustered using k-medians clustering.
Results and conclusions. The results show that it is possible to use clustering as a tool to better understand student transcript data and the pathways students take through their university degrees. The shown clustering makes it possible to describe the progression of studies both on the individual and group levels. Three clusters defining the starting situations and 22 clusters defining the situations during studies were identified. Transitions between clusters show that series of clusters for several pathways that have different stages and outcomes. In conclusion, the results show that student transcript data contains information which universities could use in efforts aimed at helping students advance in their studies
|
| Keyword(s): | opintojen eteneminen opintojen viivästyminen keskeyttäminen klusterointi klusterianalyysi |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| Salminen_Tuukka_pro_gradu_2022.pdf | 1.542Mb |