Prosessilouhinnan menetelmien ja synteettisen datan hyödyntäminen maisteriohjelman kehittämisessä

Abstract

Oppimisanalytiikka ja prosessilouhinta ovat kasvavia ja yhä laajemmin hyödynnettäviä analytiikan menetelmiä. Prosesseista halutaan tavalla tai toisella tehdä mahdollisimman optimaalisia, jotta prosesseista syntyviä mahdollisia kuluja saadaan pienennettyä. Korkeakouluopiskelijoista syntyvästä datasta tehtävää analytiikkaa voidaan sanoa olevan oppimisanalytiikkaa. Korkeakoulujen opiskelijoiden opintosuorituspolkujen voidaan todeta olevan yksittäisiä prosesseja. Diplomityön päätutkimuskysymyksenä oli selvittää, miten prosessilouhinnan menetelmiä ja synteettistä dataa hyödyntämällä pystytään kehittämään maisteriohjelmien sisältöä. Päätutkimuskysymykseen vastaamiseksi selvitettiin, miten prosessi-louhinnan menetelmät mallintavat opintosuoritusprosessit synteettisen datan perusteella, minkälaisia prosessin aikaisia pullonkauloja ja variaatioita on löydettävissä sekä minkälaista lisäarvoa prosessilouhinta tuottaa oppimisanalytiikkaan.

Diplomityön teoriapohjana hyödynnettiin oppimisanalytiikkaa sekä prosessilouhintaa, joiden perusteella lopullinen tutkimus toteutettiin. Oppimisanalytiikan osalta esitetään mitä oppimisanalytiikka on, minkälaisia kohderyhmiä ja hyötyjiä oppimisanalytiikkaan liittyy ja miten sitä tällä hetkellä on mahdollisuus hyödyntää. Prosessilouhinnan osalta esitetään mitä vaatimuksia prosessien tapahtumalokeilta vaaditaan, minkälaisia prosessilouhinnan tyyppejä on olemassa sekä miksi synteettistä dataa voidaan hyödyntää osana prosessilouhinnan menetelmiä.

Diplomityössä saatiin vastattua kaikkiin määriteltyihin tutkimuskysymyksiin. Prosessilouhinnan menetelmien avulla pystytään kehittämään maisteriohjelmien sisältöjä ja aikataulua. Prosessilouhinnan menetelmillä pystytään myös tuottamaan hyötyä ja lisäarvoa oppimisanalytiikan näkökulmasta eri kohderyhmille.

Learning analytics and process mining are growing and increasingly widely used analytics methods. Nowadays, in one way or another, the aim is to make processes as optimal as possible in order to reduce potential costs arising from the processes. Analytics performed on data generated by university students can be said to be learning analytics. The study achievement paths of university students can be stated to be individual processes. The main research question of the master's thesis was to find out how process mining methods and synthetic data can be used to develop the content of master's programs. To answer the main research question, it was investigated how process mining methods model study achievement processes based on synthetic data, what kind of bottlenecks and variations can be found during the process, and what kind of added value process mining produces for learning analytics.

Learning analytics and process mining were used as the theoretical basis of the master's thesis, on the basis of which the final research was carried out. In terms of learning analytics, it is presented what learning analytics is, what target groups and beneficiaries are associated with learning analytics, and how it is currently possible to utilize it. In terms of process mining, it is presented what requirements are required of process event logs, what types of process mining exist, and why synthetic data can be utilized as part of process mining methods.

The master's thesis answered all the defined research questions. Process mining methods can be used to develop the content and schedule of master's programs. Process mining methods can also produce benefits and added value for different target groups from a learning analytics perspective