Del 1
Bakgrunn

2 Ekspertgruppens sammensetning, mandat og arbeid

Forstørr bilde

2.1 Ekspertgruppens sammensetning

Ekspertgruppen for digital læringsanalyse består av eksperter innenfor fagområder som pedagogikk, etikk, teknologi og jus.

2.2 Ekspertgruppens mandat

2.2.1 Utdrag fra ekspertgruppens mandat

Ekspertgruppen skal gi Kunnskapsdepartementet bedre grunnlag for beslutninger om digital læringsanalyse og adaptive læremidler, prøver og tester i grunnopplæringen, høyere utdanning og høyere yrkesfaglig utdanning, og gi råd om behovet for regulering og innspill til politikkutvikling og tiltak fra Kunnskapsdepartementet og underliggende etater.

Ekspertgruppens oppgaver

Ekspertgruppen skal vurdere pedagogiske og etiske spørsmål ved bruk av digital læringsanalyse, samt juridiske spørsmål og personvernhensyn. Gruppen skal gi nasjonale myndigheter råd om behov for utvikling av regelverket for de nevnte utdanningsnivåene. Arbeidet må inkludere vurderinger av hvilke muligheter som ligger i verktøyene framover i tid og hvordan markedet for adaptive læremidler vil utvikle seg framover.

Videre skal ekspertgruppen gi innspill til utdanningssektoren om hvordan god praksis kan utvikles om bruk av læringsanalyse, i tråd med etiske og pedagogiske normer og gjeldende regelverk.

Sentrale spørsmål

I arbeidet skal ekspertgruppen ta utgangspunkt i følgende sentrale spørsmål:

• Hvordan påvirker digital læringsanalyse læringen?

  Ekspertgruppen skal vurdere om og hvordan digital læringsanalyse påvirker lærernes/undervisernes profesjonelle rolle, forholdet mellom underviser og læremiddel, læringssynet og synet på elev-/studentrollen. For grunnopplæringen er det sentralt å vurdere digital læringsanalyse i lys av både opplæringens dannings- og utdanningsoppdrag, og å vurdere om digital læringsanalyse påvirker bredden av hva elevene skal lære og forskjeller mellom ulike fag.

• Hva er utfordringene og potensialet med digital læringsanalyse?

  Ekspertgruppen skal vurdere etiske problemstillinger som er tett koblet til de pedagogiske vurderingene. Blant annet skal ekspertgruppen vurdere hvordan digital læringsanalyse kan bidra til å inkludere eller ekskludere elever/studenter eller grupper av dem fra undervisningen, for eksempel på grunn av særskilte behov, herunder universell utforming, eller språklig minoritet og effekter på eventuelle ulikheter i læringsutbytte. Vurdering av personvernspørsmål og kontroll over bruken av dataene som genereres vil være sentralt, videre om det er ulike etiske vurderinger knyttet til ulike typer data/datakilder. For grunnopplæringen må det særlig vurderes etiske hensyn knyttet til elevenes alder, forholdet mellom behovet for gode datagrunnlag og ønsket om dataminimering og mellom krav til beskyttelse av barn og ønsket om tidlig innsats. Videre kan samfunnsvitenskapelige spørsmål, for eksempel forholdet mellom bruk av læringsanalyse og offentlige interesser og demokratiske verdier som åpenhet, transparens og personvern belyses. Ekspertgruppen må vurdere om kvaliteten på kunnskapsgrunnlaget har konsekvenser for etiske valg, forslag til tiltak og andre anbefalinger om digital læringsanalyse.

• Hvordan kan regelverket gi riktig støtte til sektoren?

  Et sentralt spørsmål er om det er behov for ytterligere regulering eller retningslinjer for bruk av læringsanalyse i sektorregelverk eller annet regelverk. Vurderinger av elevenes/studentenes personvern er en viktig del av de etiske problemstillingene, særskilt når det gjelder behandling av data om barn og sårbare elev- og studentgrupper. Det må vurderes om det er behov for en avklaring av hvilke typer behandling av personopplysninger som er tillatt for å sikre elevenes/studentenes rettigheter, og om all bruk av læringsanalyse vil være en form for profilering, jf. personvernforordningen art. 22.

• Hvilken kompetanse trenger utdanningssektorene for å gjøre gode vurderinger om digital læringsanalyse?

  Ekspertgruppen skal vurdere hvilken kompetanse utdanningssektorene har behov for dersom digital læringsanalyse skal benyttes i opplæring og utdanning, herunder juridisk, økonomisk og digitale kompetanse og kompetanse til å gjøre vurderinger av risiko knyttet til personvern, etikk og pedagogikk i utøvelsen av ulike roller.

Organisering

Ekspertgruppens arbeid skal munne ut i to eller flere delrapporter som overleveres Kunnskapsdepartementet. Grunnleggende etiske og pedagogiske vurderinger om muligheter, fordeler og risiko med digital læringsanalyse, skal inngå i første delrapport. Der det er problemstillinger som er felles for de ulike utdanningsnivåene kan disse behandles samlet. Der det er vesentlige forskjeller mellom utdanningsnivåene, skal grunnopplæringen prioriteres i første delrapport.

Tillegg

I desember 2022 besluttet departementet at ekspertgruppens hovedrapport utgis som en NOU.

2.2.2 Ekspertgruppens tolkning av mandatet

Hovedoppgaven til ekspertgruppen er å bidra til et bedre grunnlag for framtidige beslutninger om læringsanalyse og adaptive læremidler, prøver og tester i det norske utdanningssystemet. Vi skal også gi råd om nødvendige lovreguleringer og innspill til politikkutvikling og tiltak. Vi har lagt vekt på å bidra med oversikt på et uoversiktlig felt og med å se pedagogiske, etiske og juridiske spørsmål i sammenheng, snarere enn å behandle dem hver for seg.

Som tittelen på utredningen antyder, er vi opptatt av elevers og studenters læring og på hvilke måter læringsanalyse påvirker læringsprosessen deres. Dette er også et sentralt spørsmål i mandatet. For å kunne belyse spørsmålet om læring har det vært nødvendig å kartlegge hva som kjennetegner læringsanalyse i dagens skoler, fagskoler, universiteter og høyskoler. Vi har vurdert det som helt avgjørende å få en oversikt over hva slags erfaringer ulike aktører i det norske utdanningssystemet faktisk har med læringsanalyse. Gjennom arbeidet har det blitt tydelig for oss at dette området er lite utforsket, og at det er svært begrenset med kilder som forteller noe om dette. Vi vet rett og slett lite om læringsanalyse i praksis i både grunnopplæringen, høyere yrkesfaglig utdanning og høyere utdanning.

Diskusjoner om læringsanalyse kjennetegnes av at det er stor avstand mellom det teknologiske potensialet man ser for seg at læringsanalyse kan ha, og den pedagogiske realiteten der undervisning og læring skjer. Derfor har vi prioritert å kartlegge erfaringer med og forskning om læringsanalyse i norsk utdanningspraksis. Det er denne kunnskapen, inkludert en rekke innspill og løpende dialog med utdanningssektoren og andre aktører, som danner grunnlaget for anbefalingene våre.

Et helhetlig syn på læringsanalyse

Ekspertgruppen forstår læringsanalyse som en prosess der data som elevene eller studentene genererer brukes systematisk for å fremme læring og forbedre undervisning. Selv om mandatet vårt krever at det blir gjort grundige juridiske drøftinger, har vi funnet stor verdi i å vurdere spørsmålene om læringsanalyse fra ulike faglige perspektiver. I tråd med anbefalingene gitt i NOU 2019: 23 Ny opplæringslov forstår vi det som avgjørende at teknologiske, pedagogiske, normative og etiske aspekter vurderes kontinuerlig ved all læringsanalyse. Ekspertgruppen har derfor valgt å drøfte disse aspektene i sammenheng, framfor å holde dem adskilt.

Vi har opplevd det som verdifullt at mandatet vårt favner bredt og ikke reduserer læringsanalyse utelukkende til juridiske spørsmål. Intensjonen vår har hele tiden vært å vurdere ikke bare hva som er lovlig, men også hva som er pedagogisk kloke og etisk gode valg knyttet til læringsanalyse. Vår ambisjon har også vært i så stor grad som mulig å sette formålet om god læring og utdanning i sentrum for vurderingene.

Et balansert syn på muligheter og utfordringer

De fleste spørsmål om digital teknologi kan fort ende opp i en polarisert debatt der man inntar en nokså låst posisjon enten for eller imot digitalisering generelt. Denne tendensen gjelder i aller høyeste grad også for spørsmål om hvilken rolle den digitale teknologien skal ha i læringssituasjoner. Diskursen rundt elevers og studenters bruk av teknologi kjennetegnes av sterke påstander og sterke følelser. Både potensialet og de negative sidene ved å bruke teknologi i undervisningen er imidlertid godt dokumentert, og vi har etterstrebet å forholde oss nøkternt til de generelle diskusjonene om den overordnede effekten teknologien har på skoler og læresteder. Vi har valgt å gi en balansert framstilling av muligheter og utfordringer som læringsanalyse skaper eller forsterker i opplæringen. Vi tar derfor heller ikke stilling til om det normativt sett bør være mer eller mindre læringsanalyse på ulike nivåer i norsk utdanning, men vi gir råd om potensiell verdi og risiko.

Kunstig intelligens

Mandatet vårt nevner ikke kunstig intelligens eksplisitt, men som vi vil redegjøre for i kapittel 2.3, er det direkte relevant for læringsanalyse. Kunstig intelligens har dessuten fått stor betydning i utdanningsspørsmål det siste året, mye på grunn av store nyvinninger på dette feltet som raskt ble tatt i bruk av elever, lærere, studenter og undervisere – og som reiser en rekke nye pedagogiske, etiske og juridiske spørsmål. Ekspertgruppen har oppfattet det som viktig å inkludere spørsmål knyttet til kunstig intelligens, og vi har gjort dette der det er naturlig ut fra mandatet vårt.

Uklar forståelse av læringsanalyse får konsekvenser for ekspertgruppens arbeid

Vi vil kort kommentere hvordan det at selve begrepet læringsanalyse er så ukjent, har vært en utfordring i arbeidet vårt. Ekspertgruppen erfarer at de definisjonene av læringsanalyse vi finner i forskningslitteraturen, som oftest ikke harmonerer med hvordan leverandører av læringsteknologi, undervisere, studenter, lærere, elever, foreldre og ledere i utdanningssektoren forstår læringsanalyse. I dag er det mange som bruker elev- og studentdata for å forbedre undervisningen, men uten at de kaller det «læringsanalyse». Vi har også erfart det motsatte, altså at uttrykket læringsanalyse brukes nokså ukritisk og for bredt. Den uklare begrepsbruken gjør at det blir vanskeligere å forstå og få kunnskap om når og hvordan læringsanalyse skjer.

Oppgaven til ekspertgruppen er todelt: 1) å vurdere hvordan læringsanalyse påvirker læring, og 2) å gi råd om god praksis for læringsanalyse i dagens skoler, lærebedrifter, fagskoler, universiteter og høyskoler. For å gjøre det første må vi gå til forskningen og teoretiske definisjoner av læringsanalyse. For å gjøre det andre må vi forholde oss til hvordan utdanningssektoren selv bruker uttrykket og omtaler analyse og tolkning av elev- og studentdata. En rekke innspill til ekspertgruppen understreker at det trengs mer systematisk innsikt i læringsanalyse i praksis. Det er også viktig med relevante, utfyllende og konkrete eksempler som viser hvordan analyse av elev- og studentdata kan støtte læring, for å kunne ta stilling til hvilken verdi læringsanalyse kan ha i henholdsvis grunnopplæringen, høyere utdanning og høyere yrkesfaglig utdanning framover. Ekspertgruppen vil understreke at det har vært krevende å lete fram gode praksiseksempler i norsk utdanning, selv om mange av de digitale læringsressursene som er i bruk i utdanningene, har funksjonalitet for læringsanalyse.

2.3 Begrepene «læringsanalyse», «adaptivitet» og «kunstig intelligens»

Læringsanalyse og adaptivitet er to sentrale begreper i mandatet til ekspertgruppen. Kunstig intelligens er ikke nevnt i mandatet, men inngår likevel i ekspertgruppens arbeid. Årsaken er at kunstig intelligens er en viktig komponent i mange former for læringsanalyse generelt og adaptive systemer spesielt.

Det er mange ulike oppfatninger av disse tre begrepene. I dette kapitlet beskriver vi kort hvilken forståelse vi legger til grunn i denne rapporten, og hvordan vi oppfatter at begrepene brukes i praksis.

2.3.1 Slik forstår ekspertgruppen begrepene

Ekspertgruppen legger til grunn at læringsanalyse er å bruke data systematisk for å fremme læring og forbedre undervisning. Læringsanalyse kan enklest beskrives som en syklus, og er en prosess med flere nødvendige steg, illustrert i figur 2.2.

Forstørr bilde

Utgangspunktet for syklusen er en læringssituasjon. Fra læringssituasjonen blir det samlet inn data som så analyseres av en datamaskin. Noen ganger kombinerer denne analysen data fra læringssituasjonen med data fra andre kilder. Resultatet fra analysen blir vist fram på en måte som gjør at mottakeren kan bruke informasjonen til å ta en beslutning om læring eller undervisning. Eksempler på slike resultatvisninger (kalt «visualisering» i figur 2.1) kan være en rapport som gir oversikt over et læringsarbeid, eller en anbefaling om nye læringsaktiviteter. I mange digitale læringsressurser finner vi elementer fra læringsanalyse, for eksempel datainnsamling og visualisering eller anbefalinger om aktiviteter. Men først når det har skjedd en endring på bakgrunn av informasjonen fra analysen, kan vi si at læringsanalyse er utført.

Ekspertgruppen legger til grunn at adaptivitet vil si automatisert, individuell tilpasning av en læringsressurs ved hjelp av kunstig intelligens. Et eksempel på slik tilpasning er at en elev automatisk blir tildelt oppgaver i en prøve på bakgrunn av hva eleven svarte på tidligere oppgaver i prøven. Andre former for adaptivitet kan være at innholdet eller visningen i et læremiddel automatisk tilpasser seg etter elevens preferanser, basert på informasjon om hvordan eleven har brukt ressursen tidligere. Adaptivitet er relevant for læringsanalyse fordi læringsanalyse i stadig større grad vil være basert på data fra adaptive systemer – særlig i skolen.

Ekspertgruppen legger til grunn at den formen for kunstig intelligens som er mest relevant for utdanningssektoren i dag, i økende grad er basert på maskinlæring, altså dataprogrammer som har evnen til å erfare og handle – «lære» – på bakgrunn av store mengder data. Kunstig intelligens er en forutsetning for at vi skal kunne si at en læringsressurs er adaptiv, men er ikke nødvendigvis en del av læringsanalyse. Noen ressurser som har funksjonalitet for læringsanalyse, vil imidlertid ha innebygd kunstig intelligens.

2.3.2 Hvordan bruker og forstår utdanningssektoren begrepene?

Gjennom arbeidet vårt er det blitt klart at uttrykkene «læringsanalyse» og «adaptivitet» brukes og forstås på mange ulike måter. Uttrykket «læringsanalyse» blir nesten ikke brukt i det hele tatt i utdanningssektoren. Uttrykket «adaptivitet» er på sin side nærmest overbrukt som en generell term for alle former for tilpasninger av digitale ressurser. Der data brukes systematisk for å fremme læring og forbedre undervisning, omtales det sjelden med termen «læringsanalyse». Samtidig ser vi at når termen blir brukt, er det gjerne for å beskrive deler av stegene som inngår i prosessen læringsanalyse. Adaptivitet – som forutsetter en automatisert tilpasning til brukeren ved hjelp av kunstig intelligens – blir brukt for også å beskrive tilpasninger brukeren selv gjør for å personalisere en digital ressurs.

Kunstig intelligens er i rivende utvikling. Bare i løpet av det siste året har kunstig intelligens i utdanningen fått en betydelig større plass – både i praksisfeltet og i den offentlige debatten. All bruk av kunstig intelligens i utdanningen er imidlertid ikke læringsanalyse eller adaptivitet, men det kan være vanskelig å trekke skillelinjene. Det er heller ikke nødvendigvis et poeng å trekke skarpe linjer mellom læringsanalyse med og uten kunstig intelligens eller når bruk av kunstig intelligens kvalifiserer som læringsanalyse. Det viktige er å rette oppmerksomheten mot når pedagogiske beslutninger i praksis tas av mennesker, og når de tas av maskiner. Det er avgjørende å ha en bevisst tilnærming til hva slags beslutninger som bør og skal tas av mennesker, og hvilke som vi overlater til maskinene.

2.4 Ekspertgruppens arbeid

Ekspertgruppen har avholdt til sammen ni møter. Fire møter ble avholdt før gruppens delrapport ble levert 1. juni 2022, og ytterligere fem møter ble avholdt fram mot overlevering av hovedinnstillingen 6. juni 2023.

2.4.1 Innspill og kunnskapsinnhenting

Ekspertgruppen har i løpet av arbeidet involvert mange interessenter og fagmiljøer.

Mange av møtene hadde eksterne innledere, som presenterte og belyste sentral tematikk og innledet til diskusjon. Se oversikt over eksterne innledere i tabell 2.1.

Ekspertgruppen arrangerte i november 2022 et bransjetorg i samarbeid med IKT-Norge, hvor Canvas, Cappelen Damm, Conexus, Gyldendal, Hypatia Learning, Inspera, Neddy og Visma InSchool deltok. Her demonstrerte leverandørene ulike ressurser med læringsanalysefunksjonalitet og ga innspill til ekspertgruppen. Bransjetorget inkluderte innlegg fra Microsoft, Google og Apple, som også svarte på forberedte spørsmål.

Rambøll gjennomførte en kartlegging av læringsanalyse i grunnopplæringen og høyere utdanning på oppdrag fra ekspertgruppen. Se resultatene fra denne kartleggingen i kapittel 3.4.

Åpne innspillsmøter

Det ble i februar 2023 gjennomført to åpne digitale innspillsmøter om læringsanalyse i grunnopplæringen, høyere utdanning og høyere yrkesfaglig utdanning.

Inviterte innledere var Rambøll, Bogstad skole i Oslo, Elevorganisasjonen, Utdanningsforbundet, Gyldendal, Handelshøyskolen BI, Norsk studentorganisasjon, Organisasjon for Norske Fagskolestudenter og UHR – Utdanning. Flere deltakere bidro med korte innspill. Det deltok til sammen rundt 150 deltakere på de to innspillsmøtene.

Innspillsmøter

Ekspertgruppen har i løpet av 2022 og 2023 gjennomført innspillsmøter med disse aktørene:

• Datatilsynet

• Direktoratet for e-helse

• Bransje: BS Undervisning, Cappelen Damm, Cyberbook, Conexus, Disputas, Fagbokforlaget V&B, Gyldendal, Hypatia, IKT-Norge, Kikora, LearnLab

• Elevorganisasjonen

• Fylkesledernettverk for fylkeskommunale ungdomsråd

• Foreldreutvalget for grunnopplæringen (FUG)

• Jurister: Emily Weitzenboeck (OsloMet), Jon Christian Fløysvik Nordrum (UiO), Kirsten Kolstad Kvalø (NIM1), Malgorzata Cyndecka (UiB), Mona Naomi Lintvedt (UiO) og Sebastian Schwemer (KU2)

• Kommunenes sentralforbund (KS)

• Kommuner/fylkeskommuner: Asker, Lillestrøm, Lørenskog, Oslo, Surnadal (IKT-Orkidé-samarbeidet), Voss, Møre og Romsdal, Vestfold og Telemark og Vestland

• Medietilsynets ungdomsnettverk for digital oppvekst

• Nettverket for medvirkning i opplæringen (NEMIO): Elevorganisasjonen, Barneombudet, Unicef, UngOrg, Voksne for Barn, Unge funksjonshemmede, Redd Barna

• Norsk Lektorlag

• Norsk studentorganisasjon (NSO)

• Organisasjon for Norske Fagskolestudenter (ONF)

• Personvernkommisjonens sekretariat

• Redd Barna

• Sentralt Ungdomsråd i Oslo (SUR)

• Sikt – Kunnskapssektorens tjenesteleverandør

• Skolelederforbundet

• Universiteter: Norges miljø- og biovitenskapelige universitet (NMBU), Norges teknisk-naturvitenskapelige universitet (NTNU), Universitetet i Oslo, Universitetet i Stavanger og UiT Norges arktiske universitet

• UHR – Utdanning

• Utdanningsdirektoratet

• Utdanningsforbundet

• Vestland ungdomsutval

• Viken ungdomsråd

Skriftlige innspill

Ekspertgruppen har fått skriftlige innspill fra aktørene i tabell 2.2. De skriftlige innspillene er publisert på gruppens nettside3.

2.4.2 Involvering av barn og unge

Ekspertgruppen har hatt flere møter med elever og ungdomsråd i tillegg til møter med organisasjoner som representerer disse gruppene. Se boks 2.3 og 2.4 for spørsmål som ble diskutert i møtene. Læringsanalyse gjelder og får konsekvenser for barn og unge, derfor var det viktig for oss å lytte til denne gruppens perspektiv på aktuelle problemstillinger. Dessuten er det en grunnleggende rettighet i både Grunnloven § 104 og FNs barnekonvensjon artikkel 12 at barn har rett til å si sin mening, og at deres mening skal bli lyttet til i saker som gjelder dem.

Innspillene fra barn og unge har utvidet forståelsen vår, og i utredningen vil vi referere til innspillene hvor det er relevant.

Samtaler med elever

Ekspertgruppen har hatt tilrettelagte møter med elever på mellomtrinnet og ungdomstrinnet på tre skoler i ulike deler av landet. På skolebesøkene har vi hatt semistrukturerte samtaler med elever i små grupper. Hensikten har ikke vært å få et representativt bilde av elevers oppfatninger, men heller å øke forståelsen av hva elever mener er viktig.

Innspill fra ungdomsråd og nettverk

Ekspertgruppen har deltatt på møter med flere av de fylkeskommunale ungdomsrådene. I møtene har vi forklart hva læringsanalyse er, og lagt fram spørsmål som rådene har diskutert. Vi har mottatt flere skriftlige innspill fra ungdomsrådene i ettertid.

Rammer for involvering av barn i utredningsarbeid

Vi har satt stor pris på alle innspillene som barn og unge har gitt direkte. Samtidig har det vært en krevende oppgave å gjennomføre grundige involveringsprosesser av barn. Utfordringene har handlet om begrensede ressurser og manglende ekspertise knyttet til denne typen involveringsprosesser. Barne-, ungdoms- og familiedirektoratets veileder Prinsipper og råd: Barn og unges medvirkning på systemnivå (Bufdir, 2021) og Barneombudets Medvirkningshåndboka (Barneombudet, 2021) har vært nyttige i arbeidet, men vi mener at disse skriftlige veilederne ikke er tilstrekkelige.

Det er en mangel at innbyggerne er så lite involvert på utredningsnivået når det gjelder digitaliseringsreformer i forvaltningen (Broomfield og Reutter, 2022). De siste årene har det likevel blitt økt oppmerksomhet omkring å involvere barn og unge i offentlig utredningsarbeid, og det er flere eksempler på grundige involveringsprosesser. Flere av disse utredningsarbeidene har pekt på behovet for å styrke rammene for å gjennomføre involveringsprosesser med barn.

Opplæringslovutvalget erfarte at da de involverte barn og unge i utredningsprosessen, bar det preg av å være nybrottsarbeid (NOU 2019: 23). De etterlyser derfor et mer helhetlig arbeid for å bidra til bedre prosesser og rutiner for å involvere barn. Barnelovutvalget foreslår at regjeringen bør vurdere å opprette et organ som har til hovedoppgave å bidra i involveringsprosesser med barn på en forsvarlig måte (NOU 2020: 14). Barnelovutvalget peker blant annet på at et slikt organ kan bidra med å designe opplegg, lage spørsmål til barn, å rekruttere, tolke resultater og eventuelt også å gjennomføre eller fasilitere slike prosesser med egne medarbeidere.

Ekspertgruppen stiller seg bak forslaget fra barnelovutvalget om at regjeringen bør vurdere å opprette et organ som har som hovedoppgave å legge til rette for involveringsprosesser med barn i utredningsarbeid. Når det gjelder læringsanalyse, inkludert bruk av kunstig intelligens, er det helt nødvendig å ivareta de unges perspektiv, ikke bare i utredningsprosessen, men også i hvordan ressurser med læringsanalyse blir benyttet.

2.5 Ekspertgruppens publikasjoner

Ekspertgruppen har levert følgende utredninger: Læringsanalyse – noen sentrale dilemmaer 1. juni 2022 og Læring, hvor ble det av deg i alt mylderet? Bruk av elev- og studentdata for å fremme læring 6. juni 2023.

Den første delutredningen omfatter to deler. Første del utgjør en bakgrunn om læringsanalyse, drøfter ulike typer av læringsanalyse og gir et innblikk i kunnskapsutvikling, etikk og aktiviteter på området. Andre del går dypere inn på fire dilemmaer i tilknytning til læringsanalyse. I den første delutredningen vektlegger vi grunnopplæringen.

I denne siste utredningen går vi i første del grundigere inn i læringsanalyse i norsk pedagogisk praksis, drøfter datatyper og datakvalitet i læringsanalyse, og ser på regelverket med relevans for læringsanalyse både for grunnopplæring, høyere utdanning og høyere yrkesfaglig utdanning. Andre del inneholder ekspertgruppens vurderinger av hvordan læringsanalyse kan fremme læring og forbedre undervisning, men også vurderingene av de pedagogiske og etiske utfordringene og av behovet for å regulere læringsanalyse. Tredje del i utredningen tar for seg ekspertgruppens forslag og anbefalinger.

2.6 Andre utredningsprosesser med relevans for ekspertgruppens arbeid

Ny opplæringslov for grunnopplæringen

Forslag til ny opplæringslov var på høring høsten 2021. Prop. 57 L (2022–2023) Lov om grunnskoleopplæringa og den vidaregåande opplæringa (opplæringslova) ble oversendt Stortinget i mars 2023. Lovproposisjonen viser til ekspertgruppens arbeid med å «vurdere pedagogiske, etiske, juridiske og personvernmessige spørsmål ved bruk av digital læringsanalyse og gi råd om behov for utvikling av regelverket og innspel om god praksis», noe som «skal gi departementet betre grunnlag for avgjerder om digital læringsanalyse i kunnskapssektoren» (s. 473). Forslag til nye forskrifter som skal utdype bestemmelsene i loven, sendes på høring høsten 2023. Forslaget til ny opplæringslov skal behandles i Stortinget og skal etter planen tre i kraft fra skolestart 2024. Departementet vedtar nye forskrifter våren 2024.

Utvalget for kvalitetsutvikling i skolen

Mandatet til utvalget er å kartlegge og gjennomgå hvilke behov lærere, skoleledere, skoleeiere og nasjonale myndigheter har for verktøy, prøver og datakilder til kvalitetsutvikling.4 Utvalget skal foreslå endringer i dagens prøver, verktøy og datakilder med mål om å legge bedre til rette for kvalitetsutvikling. Delutredningen Kvalitetsvurdering og kvalitetsutvikling i skolen: Et kunnskapsgrunnlag ble lagt fram i januar 2023 (NOU 2023: 1). Endelig innstilling fra utvalget legges frem høsten 2023.

Stortingsmelding om profesjonsutdanningene

Kunnskapsdepartementet har varslet at de vil legge fram en stortingsmelding våren 2024 om profesjonsutdanninger i høyere utdanning. Meldingen skal legge hovedvekt på de rammeplanstyrte utdanningene, inkludert lærerutdanningene.

Stortingsmelding om høyere yrkesfaglig utdanning

Kunnskapsdepartementet har varslet at de vil starte arbeidet med en ny stortingsmelding om høyere yrkesfaglig utdanning. Den skal bidra med mer kunnskap om hvordan høyere yrkesfaglig utdanning best kan utnytte sitt potensiale og hvordan denne sektoren bør utvikles videre. Stortingsmeldingen vil ifølge Kunnskapsdepartementet legges frem senest våren 2025.

3 Læringsanalyse i Norge i dag

Det har lenge vært stor interesse for spørsmål om teknologiens rolle i skole og utdanning. Debatten raser om skjermtid i skolen, bruk av kunstig intelligens i vurderinger, barn og unges personvern og en rekke andre forhold som omhandler digitaliserte læringsprosesser. Nettopp fordi interessen er så stor, er det overraskende at det knapt finnes systematisk forskning verken på hva som hentes inn av elev- og studentdata, hva lærerne og underviserne mener de trenger læringsanalyse til, eller hva som faktisk utgjør vanlig bruk av digitale spor i dagens utdanningssystem.

Som ekspertgruppen viste i første delrapport, har vi ennå lite systematisk kunnskap om læringsanalyse i praksis ved norske skoler og læresteder. Råd om hvordan man kan utvikle god og forsvarlig praksis for læringsanalyse må nødvendigvis ta utgangspunkt i hva vi vet om dagens praksis, og hvilke behov aktørene i utdanningssektoren selv opplever at læringsanalyse kan dekke. I dette kapitlet presenterer vi nye funn fra en kartlegging av læringsanalyse i norsk grunnopplæring og høyere utdanning og gir et kort overblikk over forskningen. Vi vil også gjøre rede for hva slags behov de ulike aktørene i utdanningen sier de har for læringsanalyse, og hvilke barrierer som står i veien for god læringsanalyse.

3.1 Kort overblikk over forskning på læringsanalyse

I den første delrapporten vår gjorde vi rede for tverrfaglig forskning og forskning og utvikling (FoU) på læringsanalyse. Vi påpekte der at mye av arbeidet som gjøres på feltet, er praktisk utprøving i småskala. Det er stor aktivitet, men forskningen er fremdeles på et punkt hvor det er vanskelig å se hva som vil være mulig å få til i praksis, hvor gjennombruddene vil komme, og hva de juridiske begrensningene vil være (Kluge, 2021; Selwyn, 2022). Som forskningsprosjektet «GrunnDig»5 om digitalisering i grunnopplæringen viser i sluttrapporten sin, mangler vi systematisk forskning som ser på effekten ulike former for teknologibruk har i faglige kontekster (Munthe mfl., 2022). GrunnDig-rapporten viser i tillegg at mye av den eksisterende forskningen tar for seg enten realfag eller språkopplæring. Også kunnskapsoversikten til Misiejuk og Wasson (2017) om læringsanalyse understreker at vi mangler kunnskap om det de kaller «everyday analytics», altså kunnskap om hvordan dataene som samles inn, faktisk brukes.

Det drives lite med systematisk forskning på læringsanalyse i den reelle pedagogiske praksisen på alle nivåer i utdanningssystemet. Det er også en stor utfordring at den nye kunnskapen som faktisk blir utviklet om læringsanalyse både i Norge og internasjonalt, har en tendens til å bare bli værende innenfor forskningsmiljøet. Det medfører blant annet at resultatene ofte bare i begrenset grad har noe å si for den etablerte pedagogiske praksisen, for produktene og for markedet.

Det er heldigvis planlagt og satt i gang flere forskningsprosjekter knyttet til bruk av kunstig intelligens i utdanningen. Prosjektene «Kunstig intelligens for vurdering for læring for å styrke læring og undervisning i det 21. århundre» (AI4AfL)6 og «Gameplay»7, som vil integrere maskinlæring med en spillplattform for å oppdage lese- og skrivevansker, er allerede i gang. Innovasjonsprosjektet «Læring i algoritmenes tid»8 og forskningsprosjektene «Ethical risks assessment of artificial intelligence in practice» (ENACT)9 og «Artificial intelligence in education: Layers of trust» (EduTrust AI)10 har nylig fått finansiering – for å nevne noen.

3.2 Forskjellig praksis på de ulike utdanningsnivåene

Selv om det finnes minimalt med kunnskap om læringsanalyse i praksis i både grunnopplæringen, høyere yrkesfaglig utdanning og høyere utdanning, vet vi at det er noen vesentlige forskjeller mellom de ulike utdanningsnivåene. Forskjellene er tydelige både når vi vurderer hvilke verktøy som er tilgjengelige og tas i bruk, og i samtaler med leverandører og brukere.

Praksis i grunnopplæringen

Det overordnede bildet i Norge er at mye av den kommersielle utviklingen av digitale læringsressurser først og fremst retter seg mot grunnskolen. Det er også her vi finner mest bruk av ulike ressurser som støtter læringsanalyse, og det er her vi finner mest læringsanalyse rettet mot individuell oppfølging og flest adaptive tilbakemeldinger til hver elev. I videregående opplæring finner vi noe mindre bruk enn i grunnskolen. Selv om det er mer bruk i grunnskolen enn ellers, kan vi omtale bruken som begrenset også her og gjerne avgrenset til enkelte fag. Innspill vi har fått fra FIKS, enheten for forskning, innovasjon og kompetanseutvikling i skolen ved Universitetet i Oslo, understreker nettopp dette. Basert på sin virksomhet i en rekke kommuner, skriver de at læringsanalyse er «lite kjent, og brukes aktivt kun av et mindretall lærere, og da særlig på de lavere trinnene» (FIKS, 2023, s. 1).

Praksis i høyere utdanning og høyere yrkesfaglig utdanning

Samtidig som det først og fremst er i grunnopplæringen vi finner flest praksiseksempler på læringsanalyse, har det meste av forskningen både i Norge og internasjonalt foregått innenfor høyere utdanning og da spesielt innenfor spesifikke studieretninger med skreddersydde verktøy for å planlegge undervisning og emner eller knyttet til å motvirke frafall. Vi bør merke oss at det som i hovedsak kjennetegner bruken av digitale ressurser i høyere utdanning og høyere yrkesfaglig utdanning i Norge, er at den begrenser seg til ulike administrative verktøy som digitale læringsplattformer, pensumsystemer og administrative eksamenssystemer. Det vil si at det som finnes av bruk av teknologi som støtter læringsanalyse, også ofte er for å ta hånd om de mer administrative oppgavene. For eksempel skriver kunnskapssektorens tjenesteleverandør Sikt i sitt innspill at de primært leverer «verktøy eller systemer som skal understøtte underviser eller administrative ansatte til å planlegge og gjennomføre undervisning og vurdering, altså tekniske verktøy som understøtter utdanningsprosessen» (Sikt, 2022, s. 1).

Et viktig fellestrekk ved de administrative systemene i høyere utdanning, er at de ikke først og fremst er kjøpt inn for å legge til rette for læringsanalyse, selv om de kan ha funksjonalitet som åpner for det. Vi merker oss også at der læringsanalyse i grunnopplæringen ofte dreier seg om enkeltressurser utviklet til spesifikke fag eller områder i fag, er den i høyere utdanning mer generisk og knyttet til å administrere hele emner. Vi er kjent med at noen studiesteder har prøvd ut bestemte verktøy som legger til rette for læringsanalyse i enkeltemner innenfor for eksempel realfag. Utover læringsplattformer og andre administrative systemer finner vi ikke verktøy med funksjonalitet for læringsanalyse som er utbredt i større skala.

En av årsakene til at vi ikke ser mer læringsanalyse i den pedagogiske praksisen i høyere utdanning, er at sektoren opplever det juridiske grunnlaget for læringsanalyse som uklart. Dette har kommet fram i flere innspill, og det er også framhevet i en rapport om læringsanalyse utviklet av en arbeidsgruppe ved Universitetet i Oslo (Langford mfl., 2022). Interessen for læringsanalyse i høyere utdanning framstår også som mindre enn i grunnopplæringen.

Som Universitets- og høgskolerådet (2023) understreker i innspillet sitt til ekspertgruppen, kan det at læringsanalyse er mindre utbredt i høyere utdanning enn i grunnopplæringen «både skyldes manglende kjennskap og tilgang til verktøy og muligheter, men også tradisjoner og kultur» (s. 1). Denne forskjellen i kultur er også noe studentorganisasjonene har tatt opp med ekspertgruppen: De understreker at en student ikke er – og ikke skal være – en elev. Der elever i grunnopplæringen har en rekke rettigheter knyttet til underveisvurdering, tilpasset opplæring og tett oppfølging, har studenter tradisjonelt hatt en mye mer selvstendig og friere rolle, der de i mindre grad får fortløpende individuell vurdering. Selv om studenter i høyere utdanning og høyere yrkesfaglig utdanning også har krav på tilpasning, medvirkning og oppfølging, skjer dette vanligvis på andre måter enn i grunnopplæringen.

3.3 Hva slags læringsanalyse har ulike grupper behov for?

Både utførelsen av – og behovet for – læringsanalyse framstår noe ulikt i grunnopplæringen, høyere yrkesfaglig utdanning og høyere utdanning. Nedenfor gjør vi rede for hvilke behov læringsanalyse kan dekke for ulike grupper fra disse utdanningsnivåene. Vi gjengir også hva aktørene selv mener de trenger læringsanalyse til.

3.3.1 Grunnopplæringen

Elevene

Ifølge opplæringsloven § 2-3 skal elevene være aktivt med i opplæringen. Overordnet del av læreplanverket framhever at elevene både skal medvirke og ta medansvar i læringsfellesskapet de skaper sammen med lærerne hver dag. Elevene skal også delta i vurderingen av eget arbeid og reflektere over egen læring og egen faglige utvikling, ifølge forskrift til opplæringsloven § 3-1011.

For å få til en slik aktiv deltakelse og elevmedvirkning trenger elevene å vite noe om egen læring og sin egen faglige progresjon. Læringsanalyse kan bidra til at elevene får økt innsyn i egne læringsprosesser, og dermed gjøre dem bedre rustet både til å vurdere egen læring og til å ta stilling til spørsmål som angår dem i skolehverdagen. Skal dette være mulig må elevene forstå hva framstillingene av læringsprosessen forteller.

I samtaler med elever blir automatiserte tilbakemeldinger trukket fram som noe positivt dersom det supplerer tilbakemeldingene som lærerne gir, og brukes med omhu:

Det er fint om programmer gjør at vi får tilbakemelding oftere. Lærere har jo ikke alltid tid til det. Vi får bare tilbakemelding fra store oppgaver, ikke små. Jeg har like mye bruk for tilbakemelding på små oppgaver. Det kan være greit å ikke få det hele tida også da, for det bli demotiverende hvis jeg bare gjør feil (elev, 9. trinn).

Det at tilbakemeldingen kommer med det samme trekkes også fram som positivt: «Det er ofte fint å få svarene med en gang. Da vet man om man har gjort det riktig eller feil» (elev, 7. trinn). Elevene har også gitt eksempler på hva slags type tilbakemeldinger som kan være nyttige for dem: «Det er fint om programmet kan gi deg tilbakemelding og forslag til videre jobb. Det hadde for eksempel vært fint om det poppet opp tips på regelmessige feil. Hvis jeg for eksempel skriver æ istedenfor jeg» (elev, 9. trinn). De har imidlertid uttrykt bekymring for om slike automatiserte tilbakemeldinger som går fra et program og direkte til eleven, kan redusere den menneskelige kommunikasjonen mellom elevene og lærerne. Mange gir også tydelig uttrykk for at den automatiserte tilbakemeldingen har mindre verdi for dem: «Det er mye mer sant dersom læreren sier det. Jeg blir ikke happy om maskinen skriver ‘bra jobba’, jeg bryr meg ikke. Det er ikke vurdering, det er det som alltid er der» (elev, 7. trinn). Elevene trekker ellers fram automatiske tilpasninger som et gode: «Det er bra at appene tilpasser seg til hvor gode man er. Det er noen som har fått ungdomsskolematte» (elev, 7. trinn).

Foreldrene

Ifølge opplæringsloven har kommunen og fylkeskommunen en plikt til å sørge for samarbeid med foreldrene i grunnskolen og i videregående opplæring. Holdningen foreldrene har til skolen betyr svært mye for elevenes engasjement og skoleinnsats (Drugli og Nordahl, 2016). Dersom foreldrene får informasjon fra læringsanalyse, kan det hjelpe dem med å støtte utviklingen og læringen hos barnet sitt.

Foreldreutvalget for grunnopplæringen (2022a) sier i innspillet sitt til ekspertgruppen at læringsanalyse «kan bety at elevene får hyppigere og riktigere tilbakemeldinger på bakgrunn av dataene teknologien har tilgjengelig, og får et opplæringstilbud som er bedre tilpasset enn det de kan oppleve i dag» (s. 3). De mener samtidig det er en forutsetning at dataene om elevene er riktige, og at teknologien kan bruke dataene rett. Foreldre har også spilt inn til ekspertgruppen at særlig for de yngste barna i skolen er det viktig med stor grad av varsomhet når man tar i bruk digitale enheter i opplæringen (Aas, 2023).

Lærerne

Lærerne i grunnopplæringen skal jevnlig følge med på elevenes læring og tilpasse undervisningen etter behov. Læringsanalyse kan gi viktig innsikt i både faglig utvikling og hvordan elevene jobber med fagstoff. For eksempel kan læringsanalyse bidra både til å tilpasse opplæringen, gi variert undervisning og dokumentere opplæringen. God læringsanalyse kan også støtte læreren i det integrerte vurderingsarbeidet som skal skje kontinuerlig i faget, for eksempel ved å fortelle hvordan hver enkelt elev har løst ulike oppgaver over tid, eller ved å gi oversikt over hvordan en hel gruppe har løst den samme oppgaven. Det ligger også et potensiale for effektivisering i læringsanalyse ved at hver enkelt elevs oppgaveløsning blir analysert automatisk og samtidig. Dette er betydelig mer effektivt enn at en lærer selv vurderer hver av de samme oppgavene enkeltvis. I en spørreundersøkelse blant medlemmene av Norsk Lektorlag (2023) blir nettopp umiddelbar tilbakemelding til elevene trukket fram som den største fordelen ved læringsanalyse.

Utdanningsforbundet (2022) framholder i innspillet sitt til ekspertgruppen at det er læreren som er den viktigste faktoren for elevenes læring, og at det derfor vil være viktig å skjelne mellom metoder som helt eller delvis er innrettet mot å erstatte læreren, og metoder som kan gi læreren et bedre grunnlag for de pedagogiske vurderingene. Norsk Lektorlag (2022) mener at det er et åpent spørsmål hvilke typer data som vil kunne gi informasjon med merverdi til lærere, som «hver dag har tilgang på rikere datakilder gjennom kommunikasjonen med elevene i klasserommene» (s. 1). I undersøkelsen de gjorde blant medlemmene sine blir det imidlertid trukket fram at læringsanalyse kan bidra til å raskere fange opp elever som trenger ekstra støtte: «Jeg opplever det som et godt hjelpemiddel til å få oversikt over elevgruppen, opplever at jeg raskere kan sette inn tiltak for å hjelpe elever fordi jeg fanger dem raskere opp» (Norsk Lektorlag, 2023, s. 1).

Skolelederne

Skolelederne har et overordnet ansvar for kvaliteten på opplæringen på skolen. Derfor har de stort behov for informasjon om undervisning og læring. Læringsanalyse kan gi nyttig innsikt i en klasses eller et trinns faglige progresjon i ulike fag. Slike data kan bidra til skolens kvalitetsutvikling. For eksempel kan en skoleleder følge med på hvordan en klasse eller elevgruppe utvikler seg over tid, hvordan resultatene i en klasse er underveis sammenlignet med andre klasser eller med tidligere kull, eller hvordan det faglige nivået er i ulike klasser på samme trinn: «Lærere/skoleledere vil kunne ha en mer fullstendig/entydig oversikt over elevenes ferdighetsnivå og kontinuerlig måle/monitorere elevenes utvikling. Frekvensen/hyppigheten på datainnsamlingen, vil øke treffsikkerheten på målingen av elevens utvikling og ferdighetsnivå» (Skolelederforbundet, 2022, s. 1–2).

Slike resultater kan også støtte skoleledere i arbeidet med kvalitetsutvikling, for eksempel hvor det trengs ekstra oppfølging, eller om ressursene må disponeres annerledes. Skolelederforbundet sier videre i innspillet sitt at erfaringen med læringsanalyse blant lærere og skoleledere varierer, og at det er behov for kompetanse i god læringsanalyse med pedagogisk nytteverdi. Fordi skolelederne har et ansvar for den pedagogiske kvaliteten på skolen sin, trenger også skolelederne kompetanse i hvordan læringsanalyse kan inngå i skoleutvikling.

Skoleeierne

Skoleeierne har ansvar for å sikre at alle skoler har et godt pedagogisk og administrativt tilbud til elever, ansatte og foreldre. Læringsanalyse kan bidra til mer evidensstøttet kvalitetsutvikling på skolene og på tvers av skoler og gi skoleeierne nyttig innsikt i skolenes praksis og elevenes læring. I et innspill til kvalitetsutviklingsutvalget forteller skoleeiere at de har behov for å kunne sammenligne data på tvers av kommunene og fylkeskommunene (NOU 2023: 1). De sier også at de trenger en tidslinje som følger elevkull i hele utdanningen. For å få til det sier skoleeierne at de har behov for analyseverktøy som kan veilede dem og gi dem støtte når de skal sammenstille, tolke og analysere kvantitative data og annen informasjon.

Skoleeierne har behov for data som gir dem informasjon på et overordnet nivå. Dette gjelder for skoler i kommunen og i fylkeskommunen (Skedsmo, 2022). Et problem er da, som KS-nettverket Aggregerte styringsdata for samarbeidende storkommuner har uttrykt, at det er vanskelig å få tilgang til data på kommunenivå (ASSS, 2022). For å kunne gi skolene nok støtte til å analysere informasjon og utvikle kvalitet ønsker kommunene mer innsyn i skolenes resultater enn det de får i dag (NOU 2023: 1).

3.3.2 Høyere utdanning og høyere yrkesfaglig utdanning

Studentene

Å ha oversikt over egen faglige utvikling vil kunne støtte studenter i høyere utdanning og høyere yrkesfaglig utdanning når det gjelder progresjon i studiet. Organisasjon for Norske Fagskolestudenter (2022) sier i innspillet sitt til ekspertgruppen at foreløpig har få av studentene kjennskap til begrepet digital læringsanalyse. Fagskolestudentene har derfor liten erfaring med hvordan læringsanalyse kan påvirke læringen, selv om det er studentgrupper ved fagskolen som er mer oppmerksomme på dette i studiehverdagen sin, spesielt nettstudentene. ONF mener, til tross for den så langt noe lave interessen blant studentene, at gjennom å hente inn data fra undervisningssituasjonene kan lærestedene finne ut hvilke utfordringer den enkelte student og klassen som helhet har når det gjelder læring.

I den individuelle læringen kan det være nyttig å bli gjort oppmerksom på egne rutiner. Det kan skje gjennom å ha tilgang på egne data for eksempel fra oppgaveløsning, om tidsbruk og lignende. Dette kan styrke refleksjonen om egen læringsprosess. Botnevik mfl. (2020) fant at studenter er villige til å dele personlige data dersom det gir dem en positiv effekt i form av bedre karakterer, forbedret undervisning eller en bedre læringsopplevelse. Studentorganisasjonene har på sin side kommet med en bekymring for at analysen av dataene kan bli såpass førende at det ikke gis rom for selvrefleksjon og egenvurdering, eller at dette invaderer privatlivet. Organisasjon for Norske Fagskolestudenter (2022) trekker fram at bruken av analysene må ikke gå på bekostning av dannelsesaspektet og selvstendigheten som følger med å ta en lengre utdanning.

Underviserne

De som underviser på universiteter, høyskoler og fagskoler har et klart og tydelig ansvar for å legge opp undervisningen sin på en pedagogisk forsvarlig måte. Det er nå en dreining mot økende bruk av arbeidskrav og studentevalueringer i ulike emner, som understreker ønsket om å følge opp studentene godt underveis i studieløpet. Her kan læringsanalyse spille en rolle: Den kan gi innsikt i hvordan studentene forholder seg til fagstoff, og hvordan den faglige progresjonen deres er. Universitets- og høgskolerådet (2023) trekker fram at læringsanalyse byr på mange muligheter for å få mer kunnskap om hva som gir god læring, og hvordan man kan tilpasse utdanningen til hver student: «Det kan brukes av undervisere som ønsker å utvikle egen undervisningspraksis, og det kan brukes for å støtte studentenes læringsprosesser i sanntid» (s. 1). I høyere utdanning foregår noe av undervisningen i store grupper i kurs der muligheten underviseren og den enkelte student har til å samhandle, er begrenset. I en slik kontekst kan læringsanalyse bidra til å gi bedre innsikt i og oversikt over studentenes faglige utvikling.

I dag er imidlertid dataene om læring som underviserne i høyere utdanning og høyere yrkesfaglig utdanning kan få via digitale ressurser, svært begrenset for de aller fleste. De digitale ressursene som underviserne generelt har tilgjengelige, er såkalte læringsplattformer (Learning Management Systems, LMS). For det meste blir disse brukt til å gi oversikt over hvilke studenter som er i hvilke grupper, legge til rette for å samle inn oppgaver, dele faglige ressurser og legge til rette for kommunikasjon og samhandling. Det behovet digitale læringsplattformer i størst grad ser ut til å dekke nå, er å dokumentere undervisningen som har blitt gitt. Læringsplattformer inneholder ofte ressurser som lysark fra presentasjonene til underviseren, en oversikt over alle oppgavene studentene har fått, studentbesvarelser, vurderinger av disse og data om hvilke studenter som har vært inne på hvilke ressurser på ulike tidspunkter.

Lederne

Læringsanalyse kan bidra med viktig dokumentasjon av hvordan ulike emner er lagt opp med langt mer detaljert innsyn enn det en emneplan typisk vil gi. Læringsanalyse kan også gi detaljer om hvordan studentene på tvers av emner forholder seg til ulike ressurser, oppgaver og diskusjoner som deles i læringsplattformen (Misiejuk mfl., 2023). Sikt (2022) påpeker at læringsanalyse kan bidra til «mer helhetlig og sammenhengende design av emner og studieprogram» (s. 2). Universitets- og høgskolerådet (2023) framhever at institusjonene kan bruke data på aggregert nivå for å fatte beslutninger om for eksempel innkjøp av digitale løsninger, rutiner og regelverk.

For studieledere i høyere utdanning og høyere yrkesfaglig utdanning kan data fra læringsplattformer være nyttige som en del av kvalitetsarbeidet med enkeltemner, årskull eller hele studieløp og studieprogrammer. Og det er nettopp på området administrativ og faglig studieledelse på tvers av emner at bruken av data fra læringsplattformer virker å være størst i universitetene, høyskolene og fagskolene i dag. I hvor stor grad disse dataene faktisk inngår i læringsanalyse, er det likevel vanskelig å få oversikt over. Sikt (2022) foreslår også andre kilder til data som i framtiden vil kunne inngå i læringsanalyse, som pensumsystemer, videotjenester, plagieringskontroller og Felles studentsystem (FS). Sikt hevder videre at samlet sett vil slike data kunne bidra til kvalitetsutvikling i studieprogrammer, blant annet ved å gi ny innsikt i mønstre i måten studenter forholder seg til de ulike digitale ressursene utover læringsplattformene.

3.4 Kartlegging av læringsanalyse i pedagogisk praksis

For å innhente systematisk kunnskap om læringsanalyse i pedagogisk praksis i Norge har Rambøll på oppdrag fra ekspertgruppen kartlagt omfang, pedagogisk praksis, holdninger og utfordringer knyttet til læringsanalyse. Av kapasitetsårsaker er denne kartleggingen begrenset til grunnskole, studieforberedende program i videregående opplæring og høyere utdanning.

Rambølls forskningsdesign består av to ulike faser av datainnsamling. Den første fasen var kvalitativ. Der utforsket Rambøll gjennom eksplorative intervjuer med eksperter (3) og fokusgrupper (14) spørsmål knyttet til praksis og holdninger og hvordan de ulike gruppene faktisk snakker om læringsanalyse. Rambøll intervjuet lærere, ledere og undervisere. I den neste fasen brukte de kvantitative metoder for å undersøke omfang, holdninger og variasjoner og fordeling i praksis. I den kvantitative delen var respondentene ledere og IKT-ansvarlige i grunnskoler, videregående skoler, høyskoler og universiteter.

Den kvantitative undersøkelsen ble gjennomført i perioden desember 2022 til januar 2023. Gjennom en rekrutteringssurvey (grunnopplæringen) og manuell registrering via kontaktinformasjon fra institusjonenes nettsider (høyere utdanning) ble det samlet inn kontaktopplysninger fra 878 skoler og utdanningsinstitusjoner. Av disse var 625 grunnskoler, 215 videregående skoler og 38 høyskoler eller universiteter. Basert på kontaktopplysningene fra de 878 virksomhetene laget Rambøll en respondentliste der alle fikk tilsendt det endelige spørreskjemaet. Spørreundersøkelsen ble sendt elektronisk til 1560 mottakere. 673 svarte på hele undersøkelsen, mens 143 respondenter svarte på noen av spørsmålene uten å gjennomføre hele. I sum gjennomførte 43 prosent av respondentene hele undersøkelsen. Hele kartleggingen til Rambøll, og en fullstendig redegjørelse for metodene som er brukt, kan leses i rapporten Digital læringsanalyse i norsk utdanning: omfang, pedagogisk praksis og holdninger (Rambøll, 2023).

I den kommende gjennomgangen av kunnskap om læringsanalyse i grunnopplæring og høyere utdanning kombinerer vi dataene fra Rambøll med innspill vi har fått, i tillegg til tidligere forskning fra en norsk kontekst. Vi har erfart at det er systematiske forskjeller i hvordan grunnopplæringen og høyere utdanning forholder seg til læringsanalyse. I den kommende gjennomgangen har vi derfor valgt å skille mellom hva som kjennetegner læringsanalyse i grunnopplæringen, og hva som kjennetegner læringsanalyse i høyere utdanning. Der det er relevant, vil vi også kommentere læringsanalyse innenfor høyere yrkesfaglig utdanning. Når det gjelder hva som står i veien for læringsanalyse i pedagogisk praksis, har vi valgt å omtale dette samlet for alle utdanningsnivåene fordi vi ser tydelige fellestrekk.

3.4.1 Utfordringer ved å kartlegge bruken av læringsanalyse

Innspill til ekspertgruppen viser at begrepet læringsanalyse er svært lite etablert i norsk utdanning (Foreldreutvalget for grunnopplæringen, 2022a; Norsk Lektorlag, 2022; Organisasjon for Norske Fagskolestudenter, 2022; Sikt, 2022; Skolelederforbundet, 2022; Universitets- og høgskolerådet, 2023). At uttrykket er såpass ukjent i utdanningssektoren, har gjort at det ikke har vært helt enkelt å kartlegge læringsanalyse i praksis. Vi har erfart at definisjonene av læringsanalyse som kommer fra fagfeltet, som oftest ikke harmonerer med måten undervisere, studenter, lærere, elever, foreldre og ledere i utdanningssektoren forstår læringsanalyse på.

Også i undersøkelsen til Rambøll (2023) er det et metodisk problem at respondentene ofte ser ut til å forstå uttrykkene læringsanalyse og adaptivitet betydelig bredere enn det definisjonene legger opp til. De høye andelene «vet ikke»-svar på enkelte spørsmål antyder at mange av informantene i spørreundersøkelsen er usikre på hva som ligger i uttrykkene læringsanalyse og adaptivitet, eller hva begrepene egentlig innebærer i praksis. Som Rambøll selv understreker, er det en «diskrepans mellom den konseptuelle (i forskningen) og kontekstuelle forståelsen av digitale begrep i praksisfeltet» (s. 12), som skaper validitetsutfordringer. Dette har Rambøll forsøkt å løse både i fokusgruppene, ved å gjenta og presisere hva slags deler av den digitale praksisen det var ønskelig å kartlegge, og i spørreundersøkelsen, ved å oppgi definisjoner på læringsanalyse og adaptivitet i alle spørsmål der det spesifikt spørres om dette.

Når det gjelder uttrykket adaptivitet, tyder kartleggingen på at respondentene i sektoren forstår adaptivitet mye bredere enn slik forskningsfeltet og ekspertgruppen definerer det. Vi ser at respondentene i spørreundersøkelsen oppgir at de bruker adaptive verktøy også i fag der det knapt finnes adaptive verktøy på markedet i dag. Det er nærliggende å tro at respondentene tolker adaptivitet som en tilpasning som kan skje også utenfor verktøyene, mens de tekniske definisjonene av adaptivitet vektlegger at adaptive systemer gjør en form for automatisert, individuell tilpasning til elevens ståsted ved hjelp av kunstig intelligens. En rekke av programmene respondentene i Rambølls undersøkelse omtaler som adaptive, bruker i realiteten ikke kunstig intelligens for å tilpasse innholdet med et formål om å støtte elevenes eller studentens læring. Dette mener vi er et viktig funn i seg selv: Utdanningssektoren er ikke godt kjent med uttrykk som læringsanalyse og adaptivitet – noe sektoren også selv formidler i innspillene sine.

Vi er ikke overrasket over at respondentene er usikre på begrepsbruken, og vi understreker at vi har stor forståelse for hvor krevende det er å orientere seg i alle uttrykkene som kobles til ulike digitale løsninger. Selv om vi ikke har vurdert alle produktene på det norske markedet i dag på systematisk vis, merker vi oss at retorikken som blir brukt for å markedsføre mye av dagens læringsteknologi, kjennetegnes av upresis begrepsbruk, overdreven optimisme og løfter som vanskelig kan holdes (Egelandsdal mfl., 2019) – noe som er en godt dokumentert og langvarig trend internasjonalt (Cuban, 2001; Selwyn, 2022).

Vi vil ellers understreke at kompleksiteten i læringssituasjoner med digitale ressurser gjør det vanskelig å lage en uttømmende oversikt over ressurser som inneholder funksjonalitet for læringsanalyse. Som det går fram av innspillet vi har fått fra FIKS (2023), utgjør bruken av lisensbelagte ressurser en begrenset del av det totale læringsarbeidet til elevene. Spesielt gjelder det de høyere årstrinnene i barneskolen, på ungdomstrinnet og i videregående skole. Kontorstøtteverktøy som tekstbehandlere og presentasjonsverktøy spiller en stor rolle på tvers av fag og trinn. I slike programmer legges det også igjen digitale spor, selv om det er lite som tyder på at disse dataene brukes systematisk i dag til å spore og bevisstgjøre elevene om progresjonen de har i skrive- og presentasjonsarbeid (FIKS, 2023). På tross av at det ikke er vanlig å inkludere disse programmene i diskusjoner om læringsanalyse i en norsk kontekst, ser vi at det på de fleste skolene og i de fleste fagene er her den største datamengden om elevens arbeid faktisk er. Vi skal merke oss at det var nettopp slike ressurser mange av lærerne i Rambølls kartlegging forbandt med sin digitale praksis.

3.4.2 Hva kjennetegner læringsanalyse i grunnopplæringen?

I det følgende skal vi gå igjennom det vi vet om læringsanalyse i grunnopplæringen. Som tidligere nevnt er det en utfordring for ekspertgruppen at det finnes svært lite tidligere forskning å bygge på i denne kunnskapsgjennomgangen. Dessuten er det krevende for både sektoren og deltakerne i kartleggingen til Rambøll å skille spørsmål om læringsanalyse fra generelle spørsmål om digitalisering. Vi har derfor valgt å gå gjennom praksisen informantene i kartleggingen selv framhever, og i hvilken grad denne åpner for læringsanalyse.

Verktøy og ressurser

Rambølls undersøkelse sier noe om hvilke konkrete ressurser som brukes i læringsanalyse på skolen til respondentene. På grunnskolenivå er det de store forlagene som står bak ressursene som brukes mest. Mange skoler rapporterer at de bruker Salaby (Gyldendal) (68 prosent), Skolen (Cappelen Damm) (54 prosent) og Skolestudio (Gyldendal) (48 prosent), som er heldigitale læremidler i fag. Godt over halvparten av skolene (67 prosent) rapporterer at de bruker Conexus Engage, som er et verktøy som kan gi oversikt over data fra ulike prøver og tester som kartleggingsprøver, standardiserte vurderinger og digitale læringsressurser. I tillegg er det en god del enkeltapper som er i bruk i varierende omfang, som Multi Smart Øving (44 prosent) og Dragonbox (22 prosent) i matematikk, leseverktøyet Aski Raski (41 prosent), ordforrådsspillet Kaptein Morf (4 prosent) og lignende.

De ressursene flest respondenter i videregående skole (studieforberedende) rapporterer at de bruker, er fagspesifikke ressurser som Campus Inkrement (49 prosent) og Kikora (35 prosent) i matematikk, og Duolingo (24 prosent) i språklæring, eller ressurser læreren selv kan fylle med innhold, som Kahoot! (81 prosent), Quizlet (46 prosent) eller WeVideo (2 prosent). Undersøkelsen til Rambøll dekker ikke ulike yrkesfaglige studieretninger, og her finnes det i tillegg minimalt med tidligere forskning. Sluttrapporten til GrunnDig etterlyser eksplisitt mer forskning på digitalisering i yrkesfagene (Munthe mfl., 2022).

Som en oppsummering kan vi dele inn ressursene som grunnopplæringen bruker i dag i disse fem hovedkategoriene. Vi understreker at dette ikke er ment som et analytisk rammeverk, men som en praktisk oversikt over hvilke typer verktøy og ressurser som er framtredende i grunnopplæringens praksis i dag, utover kontorstøtteverktøy.

1. Læremidler: Disse ressursene er skreddersydd for ulike fag og trinn, og er utviklet i tråd med de norske læreplanene. Læremidlene har gjerne ferdigutformede oppgaver knyttet til konkrete fagområder i form av for eksempel flervalgsoppgaver som elevene kan få tilbakemeldinger på. Digitale læremidler kan dekke mange fag, som Skolen, Skolestudio og Aunivers, eller enkeltfag, som Multi Smart Øving (matematikk).

2. Læringsapper: Disse appene konsentrerer seg gjerne om bestemte ferdigheter eller bestemte deler av et fagområde – ofte innenfor språk og matematikk. Eksempler på slike ressurser er Duolingo, Dragonbox og Kaptein Morf.

3. Administrative verktøy og læringsplattformer: Dette er verktøy og plattformer for digital samhandling og for å registrere innleveringer og fravær og strukturere fagene. Eksempler er MS Teams, Itslearning og Visma InSchool.

4. Analyseverktøy: Dette er verktøy som henter data fra andre kilder og sammenstiller dem for analyse og visualisering av både individuell læring og av aggregerte data. Eksempler er Conexus Engage og Conexus Insight.

5. Ulike spørsmålsverktøy: Dette er verktøy hvor læreren selv kan lage spørsmål, innhold eller oppgaver. Eksempler er Kahoot! og Quizlet.

Fag og trinn

Kartleggingen til Rambøll viser at det er på barnetrinnet og i matematikkfagene at adaptive ressurser blir brukt mest. Årsaken til dette er ifølge informantene at deler av matematikkfaget er godt egnet til å lage oppgaver med forhåndsdefinerte svar. Det pekes også på at det her er et behov for mengdetrening: «Det er svært lite bruk av digital læringsanalyse i de høyere alderstrinnene og i mer reflekterende, kreative og fysiske fag […]» (s. 15).

Pedagogisk og administrativ praksis

Et vesentlig funn i Rambølls kartlegging er at det virker som om bruken av digitale ressurser i grunnopplæringen er drevet primært av et ønske om å skape lærelyst og mestringsfølelse hos elevene. Informantene som ble intervjuet, uttrykker at utfordringen for dem er å motivere elevene, ikke at de mangler innsikt i elevenes faglige nivå. Vi mener dette er et funn det er verdt å merke seg, fordi det sier noe om at det opplevde behovet for læringsanalyse i skolen ikke nødvendigvis er høyt. Kartleggingen tyder også på at de adaptive ressursene og informasjonen fra læringsanalyse i begrenset grad brukes til å tilpasse opplæringen og justere undervisningen.

Rapporten avdekker at den mest utbredte formen for læringsanalyse i grunnopplæringen er den som er både enklest og mest tilgjengelig, altså den som har et administrativt formål. Vi snakker her om analyser av fravær og karakterer (for trinn som har det), enten på aggregert nivå for klasser, trinn eller hele skoler. Videre finner Rambøll at lærerne gjerne ser på oppsummeringer av mer praktisk art, som hvor mange som har utført en bestemt oppgave, eller hvordan resultatene i en klasse eller et trinn fordeler seg. De forholder seg i betydelig mindre grad til at læringsanalyse kan gi mer detaljert innsikt i elevenes faglige progresjon. Dette gjelder også for skolene som ofte bruker adaptive ressurser.

Vurdering av elevene – formativt og summativt

I Rambølls kartlegging fikk informantene en rekke spørsmål for å avdekke om informasjon fra læringsanalyse og adaptivitet blir brukt for å vurdere elever, både formativt og summativt. Her kom det fram flere forhold som vi mener er vesentlige. For det første er det tydelig at respondentene har en bredere forståelse av uttrykket adaptivitet enn det som er vanlig innenfor forskningsfeltet, noe både fokusgruppeintervjuene og spørreundersøkelsen avdekker. For det andre er det mange ledere i både grunnskolen og videregående som svarer at de ikke vet hvorvidt eller hvor ofte lærerne bruker informasjon fra adaptive ressurser i tilbakemeldinger til elevene. Selv om det ikke brukes mye adaptive ressurser som grunnlag for formativ vurdering, kan vi karakterisere graden som begrenset i videregående skole og noe mer omfattende i grunnskolen. Omfanget av bruken av adaptive ressurser varierer også mellom skolene. Flere av skolene, både grunnskoler og videregående skoler, oppgir at de aldri bruker adaptive ressurser.

Når det gjelder summativ vurdering og karaktersetting, er også andelene som svarer «vet ikke» høye. På spørsmål om i hvilken grad informasjon fra læringsanalyse brukes til å informere karaktersetting i ulike fag, er andelen «vet ikke» mellom 17 og 25 prosent for fag i grunnskolen og 39 og 45 prosent for videregående skole. Vi mener det er bekymringsfullt i seg selv at informantene (i dette tilfellet skoleledere) svarer at de ikke vet om informasjon fra læringsanalyse inngår i den summative vurderingen av elevene eller i karaktersettingen. Men det kan tenkes at svarene hadde vært noe mer presise om det var lærerne selv som hadde svart på dette spørsmålet. Uansett tegner funnene et bilde av lite felles praksis og stor usikkerhet omkring hva elevdata faktisk brukes og ikke brukes til.

3.4.3 Hva kjennetegner læringsanalyse i høyere utdanning?

I det følgende skal vi gå igjennom det vi vet om læringsanalyse i høyere utdanning. Sektoren er svært mangfoldig, og bruken vil derfor variere mellom institusjoner og fagområder.

Verktøy og ressurser

I kartleggingen til Rambøll er Canvas (78 prosent) det verktøyet flest respondenter i universitets- og høyskolesektoren oppgir at de bruker, men også verktøy som Kahoot! (59 prosent), Mentimeter (56 prosent) eller Inspera (53 prosent) er det flere som oppgir. Igjen må vi kommentere at det virker som om respondentene forstår spørsmål om læringsanalyse mye bredere enn den faglige definisjonen, for de oppgir også en del digitale verktøy som ikke per i dag har funksjonalitet for læringsanalyse. Også for høyere utdanning var det tydelig i fokusgruppene at spesifikke spørsmål om læringsanalyse fort ble møtt med generelle svar om læringsplattformer og sensurverktøy.

Både kartleggingen og innspill fra sektoren understreker at det primært er læringsplattformer som Canvas og Blackboard som blir brukt. Dette er systemer som kan åpne for noe læringsanalyse, men i for eksempel Canvas er dette tilleggsmoduler man må skru på. Det virker ikke som det er særlig mange som gjør det. Flere av representantene for sektoren har fortalt ekspertgruppen at anskaffelse av læringsplattformer skjer helt uten å vektlegge funksjonalitet for læringsanalyse. Dette betyr i praksis at der det i dag faktisk skjer læringsanalyse i universitets- og høyskolesektoren ved hjelp av læringsplattformen, skjer dette selv om plattformen ble anskaffet for andre formål enn læringsanalyse.

Administrativ bruk av læringsplattformer

Læringsanalyse i høyere utdanning er først og fremst knyttet til administrativ bruk av læringsplattformer, noe Rambølls kartlegging får tydelig fram. Årsakene til at det er slik, er ikke lett å fastslå med sikkerhet. Det kan handle om at de ikke vet hva læringsanalyse er, og hva det kan gi av merverdi i undervisningen. Det kan handle om at det juridiske regelverket oppleves som uklart, og at dette fører til at en rekke funksjonaliteter aldri når underviserne eller studiestedene. Det kan også dreie seg om at de ikke opplever at de trenger å få innsyn i studentenes faglige progresjon underveis i studieløpet.

Møter vi har hatt med representanter for høyere utdanning, tyder på at det er stor usikkerhet omkring det rettslige grunnlaget for å samle inn personopplysninger, og at de sentraliserte ordningene for å godkjenne verktøy som kan brukes av alle ansatte på et gitt universitet, i seg selv begrenser tilgangen på læringsanalyse. Vi kjenner til at det finnes enkelteksempler på mer systematisk læringsanalyse også i høyere utdanning (Handelshøyskolen BI, 2023), men det er såpass få av dem at de ikke inngår i denne gjennomgangen av hva som typisk kjennetegner læringsanalyse i høyere utdanning generelt.

Når så mye av bruken av digitale ressurser vi får innspill om fra høyere utdanning skjer på læringsplattformer, er det betimelig å stille spørsmål om hva slags informasjon om læring og undervisning som kan hentes herfra. Noe av grunnen til at læringsanalysen er begrenset dersom den utelukkende henter data fra læringsplattformer, er at dette ikke er plattformer som er ment å utvikle eller måle studentenes faglige utbytte eller progresjon. Snarere er de fleste læringsplattformene i praksis et samlingssted for faglige ressurser, praktiske beskjeder og innleveringer av ulike slag (Lester mfl., 2018). En studie av hvordan ulike fagmiljøer brukte Canvas før, under og etter koronapandemien, viser at bruken av funksjonalitet som diskusjoner og kviss har økt, men studien fant også stor variasjon mellom ulike fag (Misiejuk mfl., 2023).

Kartlegging av Canvas-data

En arbeidsgruppe undersøkte i 2020 bruken av Canvas-data i høyere utdanning (Unit, 2020). Ambisjonene var å kartlegge hva slags data som finnes i Canvas (variabler, grensesnitt, format, lagringstid med mer), og å starte en diskusjon om hva man ønsker å oppnå via canvasdatasamlingen, og hvordan slike data kan ses i sammenheng med andre datasatsinger (Sikt, 2022). Ekspertgruppen merker seg at arbeidsgruppen selv rapporterer at de har «opplevd det som utfordrende å få kartlagt behovene/ønskene for læringsanalyse/dataanalyse blant ansatte, da de ansatte ikke selv forstår eller vet hva som er mulighetene» (Unit, 2020, s. 1). Arbeidsgruppen skriver at de vitenskapelig ansatte er lite kjent med læringsanalyse, og at dette gjør det vanskelig for dem å oppfatte mulighetene og beskrive behovene. Samtidig mangler de teknisk-administrativt ansatte den pedagogiske og kontekstuelle forståelsen for å kunne «kommunisere mulighetsrommet» (s. 1).

3.4.4 Barrierer for læringsanalyse

Rambøll (2023) avdekker at dataene som samles inn om elevenes og studentenes læringsaktiviteter i dag, primært brukes til administrative formål – ikke til å følge opp hver enkelt student eller forbedre undervisningen. Med andre ord faller det meste av bruken ikke inn under definisjonen av læringsanalyse. Et viktig spørsmål blir da hva det er som står i veien for læringsanalyse i pedagogisk praksis for å fremme læring og forbedre undervisning. I Rambølls undersøkelse ble spørsmålet om barrierer knyttet til bruk av adaptive ressurser.

I figur 3.1 finner vi flere forhold som også belyses av ulike innspill ekspertgruppen har fått om generelle utfordringer med læringsanalyse. I det følgende går vi gjennom de barrierene vi mener har mest å si for både grunnopplæringen og høyere utdanning.

Forstørr bilde

Kilde: Rambøll (2023)

Tid til å sette seg inn i relevante ressurser

Som figur 3.1 viser, er det både i grunnopplæringen og høyere utdanning slik at mange opplever det som en barriere for læringsanalyse at de ikke har tid til å lære seg nye verktøy. I kartleggingen er det et tydelig funn at respondentene opplever at pedagogisk bruk av adaptive læringsressurser og læringsanalyse i stor grad avhenger av et særlig engasjement. De som ønsker å ta i bruk slike ressurser, er nødt til å bruke fritiden sin på å bli kjent med og ta i bruk løsningene, for som regel er det ikke satt av tid til utprøving i arbeidshverdagen. Dersom en lærer, skoleleder, underviser eller studieleder ikke ser noen direkte merverdi i læringsanalyse, er de naturlig nok heller ikke villige til å investere tid i å sette seg inn i konkrete ressurser.

Sluttrapporten i GrunnDig-prosjektet understreker at et fåtall av lærerne i studien på eget initiativ søker kunnskap om bruk av digitale ressurser de selv kan benytte i undervisningen (Munthe mfl., 2022). Mange lærere som deltok i GrunnDigs spørreundersøkelse, rapporterer dessuten at de helst ser at andre lærere prøver ut ny teknologi før de selv tar den i bruk. Dette understreker betydningen av profesjonsfellesskapet og ledelsens rolle.

De ansattes digitale kompetanse

Digital teknologi er det området der flest norske lærere oppgir at de har behov for etter- og videreutdanning (Throndsen mfl., 2019). I sluttrapporten til GrunnDig understrekes det at lærerne i grunnopplæringen i snitt er stort sett positive til digitalisering (Munthe mfl., 2022). Men det kommer også fram at de er avhengige av god støtte og veiledning når det gjelder lokalt utviklingsarbeid og deling av erfaringer, før de selv tar i bruk ny teknologi. Rambølls undersøkelse bekrefter også at de ansatte opplever utilstrekkelig digital kompetanse som et hinder for å utføre læringsanalyse i skolen.

Når det gjelder høyere utdanning, viser Tilstandsrapport for høyere utdanning 2020 at nesten halvparten av de fagansatte ved universiteter og høyskoler oppgir at de ikke har fått tilbud om opplæring i pedagogisk bruk av digital teknologi, samtidig som litt flere enn halvparten mener at de trenger mer opplæring i dette (Berg mfl., 2020). Selv om mange av lærestedene har tilbud innenfor undervisning og læring med teknologi, er ikke tilbudene obligatoriske – og i det obligatoriske tilbudet om basiskompetanse er det ikke alle som har vektlagt læring i teknologirike omgivelser (Ørnes mfl., 2021).

NOKUT (2017) sitt tilsyn av fagskolene avdekket at mange fagskoler beskriver fagmiljøenes digitale kompetanse på utydelig vis, og at der den beskrives, er det en verktøykompetanse som nevnes, ikke en mer pedagogisk og didaktisk rettet digital kompetanse.

Ekspertgruppen merker seg også at lærerutdanningene i svært liten grad lykkes med å integrere digital kompetanse i studieprogrammene sine og at det er store forskjeller mellom studiestedene i hva slags opplæring studentene får (Gudmundsdottir og Hatlevik, 2018; Instefjord og Munthe, 2016). Dette er noe vi også diskuterte i den første delrapporten. Det er svært bekymringsfullt at halvparten av nyutdannede lærere i en av de relativt få studiene på dette området selv oppgir at de har lav digital kompetanse (Gudmundsdottir og Hatlevik, 2018). Dette utgjør en betydelig barriere for god læringsanalyse i norske skoler.

Lite samspill mellom digitale ressurser

Rambøll (2023) identifiserer det som et hinder at ulike digitale ressurser er lite fleksible og ikke nødvendigvis kan kombineres med andre digitale ressurser. Dette har også blitt kommunisert til ekspertgruppen som en utfordring fra flere hold. Blant annet skriver Vestfold og Telemark fylkeskommune (2022) at det er markedet og systemleverandørene i grunnopplæringen som i stor grad definerer de tekniske virkemidlene og hvordan de kan brukes i praksis. Det blir vanskelig når de ulike ressursene krever ulike innlogginger, opererer med ulike måter å vurdere elever på og i liten grad samler informasjonen om en elevs læring. Det at ressursene i så stor grad framstår som lukkede systemer, gjør det mer krevende for skolene å utnytte tilgangen de måtte ha til ulike ressurser. Forskning på ulike digitale plattformer i høyere utdanning viser også at det er begrensede muligheter til å kombinere data på tvers av ulike digitale ressurser (Samuelsen mfl., 2019) og at ulike data lagres i ulike formater som ikke følger felles standarder – og som dermed er krevende å sammenstille (Samuelsen mfl., 2021).

Manglende relevante læringsressurser

Både ekspertgruppens første delrapport, tidligere forskning, Rambølls undersøkelse og innspill ekspertgruppen har fått, peker på at dagens norske marked rettet mot grunnopplæringen mangler gode læringsressurser som legger til rette for læringsanalyse.

Vi vet det finnes mest slike læringsressurser for grunnopplæringen innenfor matematikk og språk, men at det i en rekke fag knapt finnes ressurser i det hele tatt. Norsk Lektorlag (2022) sier eksplisitt at manglende ressurser i videregående opplæring er et hinder for god læringsanalyse. De viser til at det utvikles færre digitale læremidler for videregående opplæring fordi markedsgrunnlaget ikke blir sett på som stort nok så lenge omfattende midler bindes opp til Norsk digital læringsarena (NDLA)12.

Vi har også erfart at det i dag er svært få digitale læringsressurser på begge de norske målformene. Retten samiske elever har til å få opplæring i og på samisk, er også noe som utfordres av det markedsdrevne tilbudet av digitale læremidler i skolen. Redd Barna (2023) utrykker en bekymring om at det i for liten grad utvikles digitale læringsressurser som ivaretar universell utforming:

Universell utforming i skolen skal fremme inkludering, likestilling og lik mulighet for alle elever å delta i undervisningen og i det sosiale og alt som skjer på skolen […] Redd Barna er bekymret for at det utvikles stadig flere digitale læringsressurser som ikke oppfyller kravet om universell utforming, og det dermed er i strid med norsk lovverk. (s. 6)

Når skolene forteller om manglende ressurser kan det handle om at ressursene bare dekker deler av faget, men det kan også handle om at det mangler ressurser med universell utforming, ressurser på nynorsk eller ressurser på samisk.

Når det gjelder høyere utdanning og høyere yrkesfaglig utdanning, er det enda færre tilbud for læringsanalyse innenfor enkeltfag. En forklaring på det er at det er vanskelig for markedet å tilby skreddersydde løsninger til enkeltemner. Det varierer fra lærested til lærested hvordan bestemte emner er lagt opp, og en rekke emner er unike for sitt lærested og i sin emnebeskrivelse. Videre har de ikke så klare læringsmål som i grunnopplæringen. Dette gjør det krevende for utviklerne å designe løsninger med læringsanalyse for enkeltemner i høyere utdanning og høyere yrkesfaglig utdanning. Av slike grunner er det dermed få reelle tilbud for læringsanalyse innenfor enkeltemner på disse nivåene, selv om det altså finnes generell funksjonalitet for læringsanalyse.

Ekspertgruppen erfarer at mangel på læringsressurser er en vesentlig barriere for god pedagogisk praksis med læringsanalyse. Slik vil det også fortsette å være i framtiden dersom den markedsdrevne tendensen får dominere.

Manglende føringer fra ledelsen

Det er ikke veldig overraskende at manglende føringer fra ledelsen er et hinder for læringsanalyse i grunnopplæringen og høyere utdanning. Også tidligere forskning har påpekt at det i for stor grad er opp til hver enkelt lærer å bruke (eller ikke bruke) digitale verktøy og læringsressurser (Gudmundsdottir og Hatlevik, 2018). Rambøll finner også en sammenheng mellom manglende føringer fra ledelsen og manglende systematisk læringsanalyse, særlig i videregående opplæring.

At det ikke kommer noen føringer fra ledelsen om læringsanalyse, mener vi bør ses i lys av den sterke autonomien som norske lærere og undervisere har. Det er ikke tradisjon i norsk skole for at ledelsen skal styre hvordan lærerne gjennomfører undervisningen sin og følger opp elevene sine (Mausethagen og Mølstad, 2015; Mølstad og Karseth, 2016). Samtidig peker denne barrieren på at dersom skoleledelsen eller studieledelsen ønsker mer læringsanalyse, må de aktivt legge til rette for det og støtte lærerne og underviserne sine i å inkludere læringsanalyse i den pedagogiske praksisen.

Lærerne og skolelederne i GrunnDig-prosjektet er enige om at gode støttestrukturer er avgjørende for at lærere skal kunne utvikle seg i en digital skole (Munthe mfl., 2022). Når såpass mange skoleledere i Rambølls undersøkelse svarer at de ikke vet om læringsanalyse inngår i ulike pedagogiske praksiser, tyder det på at også skoleledelsen ofte ikke har det klart for seg om skolene burde ha mer læringsanalyse. Ekspertgruppen merker seg også at det er i høyere utdanning denne barrieren, altså manglende føringer fra ledelsen, oppleves som aller størst. Dette kan tyde på at det vil være klokt å prioritere utforming av lokale retningslinjer for læringsanalyse ved institusjonene som kan bevisstgjøre lærestedene på hva slags behov de har for læringsanalyse.

Manglende kobling til læreplanverket

Et viktig funn i kartleggingen til Rambøll er at det er en barriere for respondentene i grunnopplæringen, og da spesielt på ungdomstrinnet og i videregående opplæring, at ulike digitale ressurser med læringsanalyse ikke er eksplisitt knyttet til konkrete kompetansemål. Dette betyr at lærere selv må vurdere hvilke deler av læreplanverket som læringsanalysen kan bidra til å belyse elevens kompetanse og faglige progresjon i. Denne barrieren kan forsterkes av problemet beskrevet tidligere, at lærerne ikke har tid nok til å sette seg inn i nye verktøy.

Mulige årsaker til at andelen lærere på barnetrinnet er mindre opptatt av koblingen med læreplanen, er både at de har betydelig flere verktøy å velge mellom på barnetrinnet, og at lærerne ikke trenger å karaktersette elevenes faglige prestasjoner.

Usikkerhet rundt personvern

Det er ikke nytt at lærerne får mye informasjon om elever underveis i skolegangen, men det nye når man bruker digitale ressurser, er omfanget av informasjon og at den lagres og blir en del av elevens digitale spor. Det brukes stadig mer digitale ressurser, og andelen digitale data som kontinuerlig samles inn om hver enkelt, blir større. Dette har ført til en voksende interesse og bekymring for om skolen ivaretar elevens personvern, og også til økt rettsliggjøring av feltet. Personvernkommisjonen belyser denne tendensen i arbeidet sitt (NOU 2022: 11). En rekke innspill vi har fått, bekrefter at usikkerhet rundt personvern er et stort hinder for læringsanalyse i utdanningen.

IKT-Norge (2023) understreker at det både er usikkerhet hos skoleeierne om regelverket – noe som fører til at ulike skoleeiere kommer til motsatte konklusjoner når det gjelder personvernkonsekvensvurderinger – og at det er uklare krav til hvordan de skal håndtere personvern i anskaffelser. Vi har gjentatte ganger blitt gjort oppmerksom på at skoleeiere opplever at de bruker uforholdsmessig mye tid på å vurdere personvernkonsekvenser ved bruk av digitale læringsressurser. Det er også stor frykt for å trå feil og ta i bruk ressurser som bryter med elevenes rett til personvern.

I høyere utdanning oppleves usikkerheten rundt personvern som enda større enn i grunnopplæringen. Dette oppgir flere som en nærliggende forklaring på hvorfor læringsanalyse i høyere utdanning mer eller mindre utelukkende handler om administrative verktøy og analyser. Sikt (2022) har i innspillet sitt til ekspertgruppen uttalt at et uklart juridisk grunnlag står i veien for å samle inn informasjon og gjennomføre læringsanalyse.

Stabil tilgang til internett

Selv om de aller fleste skolene og lærestedene skal ha god tilgang til internett og god digital infrastruktur, ser vi fra Rambølls undersøkelse at spesielt 1.–10. trinn oppgir manglende tilgang til stabilt internett som en barriere. Det er færre respondenter i videregående opplæring – og enda færre i høyere utdanning – som oppgir dette, men for de få institusjonene det gjelder, vil dette selvsagt være et problem. Også andre nasjonale undersøkelser viser at selv om Norge generelt er et veldig digitalisert samfunn, er det forskjeller i hvorvidt skolene opplever å ha god nok digital infrastruktur (Vika mfl., 2021). I sitt innspill til ekspertgruppen nevner Norsk Lektorlag (2023) eksplisitt at manglende tilgang til internett utgjør et hinder for læringsanalyse i dagens skole:

Ved enkelte skoler må lærerne planlegge to undervisningopplegg pr time, ett hvor en kan bruke internett når en ønsker det, og et undervisningsopplegg uten bruk av noe nettverk, fordi nettverket på skolen ofte er nede. I en slik setting, vil en føring eller ambisjon om bruk av digital læringsanalyse kun bli møtt med et skuldertrekk. (s. 4)

Kostnader

For at skoler og læresteder skal kunne bruke lisensbaserte verktøy som legger til rette for læringsanalyse, er det en forutsetning at de har midler til å anskaffe slike lisenser, og at markedet for utvikling er bærekraftig.

Som IKT-Norge (2023) peker på, er det i dag store variasjoner i hvor mye penger kommunene beregner til å kjøpe inn digitale læremidler. Variasjonen er både nasjonal og lokal siden det også kan være forskjeller mellom skolene internt i en kommune når det gjelder budsjettet for å kjøpe relevante ressurser. IKT-Norge understreker at skolene trenger forutsigbarhet for å kunne ta i bruk læringsanalyse på en god måte: «Skoleledere må også ha gode og stabile økonomiske rammebetingelser, med høy grad av forutsigbarhet for å sikre et bredt utvalg av digitale læremidler slik at alle elever kan få den tilpassede opplæringen og oppfølgingen de trenger» (s. 5).

3.5 Oppsummering

Et viktig poeng knyttet til all digitalisering av utdanning er at det aldri er en selvfølge å få realisert teknologiens potensial (Lund, 2021; Salomon, 2016; Selwyn, 2022). Som GrunnDigs sluttrapport også understreker i sin gjennomgang av forskningen på digitale klasserom, vet vi heller ikke alltid om potensialet ved digitalisering «faktisk er et potensiale eller om det bare er et tenkt potensiale» (Munthe mfl., 2022, s. 10). Grunnen til at vi presiserer dette, er et avgjørende premiss for å forstå dagens praksis knyttet til læringsanalyse: Det er ikke nødvendigvis noen sammenheng mellom mengden data om læring som samles inn, og en systematisk bruk av disse dataene i læringsanalyse. Selv om vi aldri før har hatt så mange digitale spor fra elevenes og studentenes faglige aktiviteter som vi har nå, er det lite som tyder på at disse dataene inngår systematisk i læringsanalyse. Et tydelig funn i rapporten fra Rambøll, som også bekreftes av innspill ekspertgruppen har mottatt, er at utbredt bruk av digitale ressurser ikke trenger å innebære at det analytiske potensialet i dataene som samles inn, blir realisert. Til tross for en utbredt bruk av digitale ressurser er det få aktører i sektoren som er opptatt av analysemulighetene.

Rambøll (2023) oppsummerer funnene fra de kvalitative fokusgruppene med at «læringsanalyse er noe man ønsker, men ikke opplever at man trenger» (s. 27). De entusiastiske er gjerne opptatt av mulighetene for tilpasning innenfor matematikkfaget. Men legg merke til at dette engasjementet handler vel så mye om framtidige muligheter som om mulighetene dagens løsninger gir. Dette er noe vi også har erfart i innspillsmøter – entusiasmen som blir vist for læringsanalyse, handler ikke om dagens læringsressurser, men om mulighetene framover.

Det er i grunnopplæringen at læringsanalyse preger praksisen mest, men også her er omfanget begrenset og gjerne også avgrenset til enkelte fag. I høyere utdanning begrenser bruken av digitale ressurser seg til at det blir brukt ulike administrative verktøy. Dessuten oppleves det juridiske grunnlaget for læringsanalyse som uklart, og man er redd for å trå feil. Barrierer for læringsanalyse handler i stor grad om tid, kompetanse og manglende føringer fra ledelsen. Respondentene i kartleggingen fra Rambøll oppga også barrierer knyttet til mangel på gode læringsressurser, uklar kobling med læreplanverket, manglende samspill mellom de ulike ressursene og usikkerhet knyttet til personvern.

4 Datatyper og datakvalitet i læringsanalyse

En forutsetning for all læringsanalyse er å ha tilgang til relevante data som har potensiale til å gi oss innsikt i læringen og undervisningen. Kvaliteten på dataene er alltid avgjørende for kvaliteten på innsikten dataene kan gi. I dette kapitlet vil vi se nærmere på hva slags datatyper som er relevant for læringsanalyse og hva som menes med god datakvalitet i forbindelse med læringsanalyse.

4.1 Hva er data?

Det finnes mange ulike definisjoner av data avhengig av hvilket perspektiv en har. Ofte oppfattes data som «en måte å lagre, overføre og prosessere informasjon i form av et bestemt dataformat»13.

I denne sammenhengen er vi først og fremst opptatt av data som kan inngå i læringsanalyse. I løpet av en vanlig dag bruker mange elever og studenter digitale læringsplattformer, apper og programmer. Slike interaksjoner med digitale enheter skaper digitale data. Så å si alt vi gjør på digitale enheter, etterlater spor og genererer data. For eksempel skapes digitale data hver gang en elev trykker på skjermen i en språkapp, eller hver gang en student ser på en instruksjonsvideo. I tillegg til slike spor kan digitale data være basert på analoge signaler fra for eksempel sensorer, som så blir digitalisert. Når denne typen data inkluderes i analysen, kalles det en multimodal læringsanalyse (Giannakos mfl., 2022).

For å få et best mulig utgangspunkt for å tolke dataene er vi avhengige av informasjon om selve dataene og måten de ble samlet inn på. Metadata blir ofte beskrevet som «data om data» og gir beskrivende informasjon om de dataene vi har. Et eksempel på metadata kan være datoen et digitalt bilde er tatt, når et bestemt dokument ble opprettet eller sist ble endret. Konteksten dataene ble samlet i, er også viktig for å tolke dataene. For læringsanalyse vil den pedagogiske konteksten være relevant, for eksempel om en oppgave elevene har skrevet, var en samarbeidsoppgave, eller hva slags undervisning studentene hadde rett før de tok en bestemt flervalgstest.

4.1.1 Data sett fra ulike perspektiver

Fra et teknisk perspektiv må ulike datatyper lagres i en database eller i et filsystem for å kunne analyseres av statistisk programvare eller algoritmer. Dataene lagres da i et dataformat som er lesbart og forståelig for programvaren i en datamaskin. Dataformater kan eksempelvis være

• numeriske (heltall eller desimaltall)

• tekst (for eksempel ren tekst, html, xml)

• lyd (for eksempel wav, aiff)

• visuelle (for eksempel bilder som jpeg, png, tiff eller video som mpv4)

• instrumentspesifikke (for eksempel biosensor, blikksporing, bevegelsessensor)

Fra et teknisk perspektiv er også disse fagtermene om data viktige:

• Metadata er data om data, eller data som definerer eller beskriver andre data (for eksempel tidspunktet dataene ble registrert, hva slags kamera som er brukt for å ta et bilde eller hvilket læreverk de aktuelle dataene kommer fra).

• Multimodale data er kombinasjoner av forskjellige modaliteter (for eksempel tekst, bilde, sensordata, blikksporingsdata).

• Datasett er en strukturert samling av data (for eksempel bestående av studentnummer, karakter og tid brukt) eller en organisert samling ustrukturerte data.

Fra et analytisk perspektiv kan vi kategorisere data som

• rådata (ubehandlede data som er registrert og samlet inn, men ikke gjort noe med) eller bearbeidede data (data som er bearbeidet, for eksempel ved at de er gjort om til et format som tillater visualisering, sammenstilling og sammenligning med andre data)

• sanntidsdata (data som presenteres for brukeren med en gang de er registrert) eller historiske data (data som er registrert på et tidligere tidspunkt)

• strukturerte data (data som er organisert og definert etter bestemte regler, noe som er nødvendig for utveksling og samhandling), ustrukturerte data (uorganiserte data) eller semistrukturerte data (en blanding av strukturerte og ustrukturerte data)

Fra et praktisk perspektiv kan vi snakke om:

• rådata, for eksempel

  • innholdsdata (skapes bevisst av mennesker, for eksempel når en oppgir personlige opplysninger for å opprette en konto for å bruke en app eller laste opp en video på en plattform) eller

  • sensordata (data registrert av en sensor, for eksempel når bevegelsene dine registreres av en smartklokke)

• analytiske data (behandlet data opprettet av maskiner etter menneske-maskin-interaksjon)

• funksjonelle data (data opprettet av en maskin for å muliggjøre kommunikasjon mellom maskin og maskin)

Fra et læringsanalyseperspektiv bruker vi ofte begrepet aktivitetsdata (Kay og Harmelen, 2014). Denne typen data er definert som spor av menneskelige handlinger i den elektroniske eller fysiske verden som kan fanges opp av en datamaskin eller digital enhet. Termen aktivitetsdata rommer både synlige rådata og analytiske data og usynlige funksjonelle data. De ulike typene av data gjenspeiles også i definisjonen fra rapporten Å lykkes med åpenhet der aktivitetsdata fra adaptive læremidler beskrives som «de opplysningene som skapes når en elev gjør oppgaver i et læremiddel. Dette kan være svaret som en elev gir på en oppgave, opplysninger om hvilken oppgave eleven har løst, hvor lang tid eleven brukte på oppgaven, og om eleven besvarte oppgaven korrekt eller feil» (Datatilsynet, 2022c, s. 3). Det genereres også metadata om situasjonen hvor dataene er samlet inn, for eksempel hva slags digital enhet som er brukt, eller hvilken Feide-ID14 som er pålogget.

Fra et personvernperspektiv betegnes data som personopplysninger når de kan brukes til å identifisere en person, enten direkte eller indirekte. Dette omfatter data som navn, adresse, fødselsdato, telefonnummer, e-postadresse, personnummer, passnummer eller andre identifikatorer som er unike hver for seg eller sammensatt med andre data. I læringsanalyse kan personopplysninger samles inn fra elever, studenter eller andre for å analysere og fremme læring og forbedre undervisning. Det er imidlertid viktig å sikre at personopplysningene blir behandlet på en lovlig, ansvarlig og etisk måte, og at det finnes egnede tekniske, administrative eller rettighetsfremmende tiltak for å etterleve kravene i personvernforordningen for å beskytte enkeltpersoners rettigheter og interesser.

Det er på langt nær slik at alle former for læringsanalyse har behov for å kunne identifisere ett enkelt individ. Data blir ofte aggregert på gruppe- eller organisasjonsnivå. Aggregerte data er data på et høyere nivå som man får ved å kombinere data fra et individnivå. Blant annet bruker ledelsesnivået, administratorer og forskere aggregerte data til en rekke ulike formål. For eksempel bruker de dem til å vurdere konsekvenser av tiltak, gjenkjenne trender og mønstre i prosesser og få relevant innsikt for å kunne ta strategiske beslutninger. Når data aggregeres til et gruppe- eller organisasjonsnivå, blir identiteten til det enkelte individet bare brukt når data sammenstilles til større datasett for analyse. Identiteten er ikke tilgjengelig ved de analysene som gjøres i ettertid.

4.2 Data brukt i læringsanalyse

Dataene fra utdanningssektoren skapes fra et bredt spekter av kilder. En systematisk gjennomgang av ti studier om databruk i læringsanalyse i høyere utdanning i ulike land viser at de mest brukte dataene er aktivitetsdata, fulgt av data fra de studieadministrative systemene (for eksempel studentenes bakgrunnsinformasjon) og data fra vurdering (Samuelsen mfl., 2019).

Å kunne behandle data fra flere kilder uten at dataenes integritet går tapt når en sammenstiller ulike datasett, er viktig for å kunne skalere læringsanalysen. For å lykkes godt med dette er man avhengig av at data og datasett finnes i standardiserte formater. På denne måten sikrer man også såkalt interoperabilitet mellom de ulike applikasjonene som skal jobbe sammen, slik at de kan utveksle data sømløst.

Vi finner noen eksempler fra de siste årene der læringsanalyse tar i bruk multimodale data (Di Mitri mfl., 2017; Giannakos mfl., 2019; Worsley mfl., 2021). Multimodale data samles typisk inn fra datakilder som inneholder sensorer, for eksempel fysiologiske signalarmbånd og blikksporing, men også lyd og video. Ennå er bruken av sensordata i læringsanalyse på et tidlig stadium og står overfor tekniske utfordringer som blant annet synkronisering og dataintegrasjon (Samuelsen mfl., 2019). Det er i tillegg en rekke uutforskede etiske utfordringer knyttet til å bruke multimodale data, spesielt når det er mange datakilder involvert (Worsley mfl., 2020), eller når data inkluderer helseopplysninger (Martinez-Maldonado mfl., 2020).

Datahåndtering

Før noen kan analysere dataene, må de organiseres og lagres i et strukturert format som gjør at en applikasjon eller en algoritme greier å håndtere dem. De vanligste datalagringsteknologiene som brukes for læringsanalysedata, er relasjonsdatabaser, filer, regneark eller det som kalles «learning record stores», for eksempel den åpne kildekodeløsningen Learning Locker15. I noen former for læringsanalyse er det ønskelig å sammenstille data fra ulike datakilder. Disse kan være lagret i ulike formater og ha ulike nivåer av struktur, eller det kan være sanntidsdata som inngår i analysen uten at de lagres. For å gjøre data med ulike formater tilgjengelige for å kunne håndteres videre, er det utviklet internasjonale standarder for datastrukturer. xAPI16 og IMS Caliper Analytics17 er eksempler på slike standarder. Dersom noen ønsker å strukturere data fra ulike datakilder til en analyse, trengs det en unik identifikator som kan knytte sammen dataene fra de ulike kildene. For eksempel går det an å bruke en students Feide-ID til å koble sammen data fra ulike kilder.

4.3 Dataanalyse

Dataanalyse kan involvere en rekke teknikker og metoder. Noen eksempler er statistisk analyse, maskinlæring, datautvinning og datavisualisering. Dataanalyse kan brukes til å identifisere mønstre, trender og sammenhenger i dataene og til å teste hypoteser. Målet er å avdekke og presentere nyttig informasjon og gi støtte til beslutninger. Utviklerne kan også bruke algoritmer for å automatisere slike dataanalyseprosesser, redusere manuelle inngrep og gjøre analysen raskere.

Utvalgsskjevhet

En feilkilde som er spesielt aktuell for maskinlæring og kunstig intelligens, og som også er relevant for læringsanalyse, er det vi kaller utvalgsskjevhet (Kommunal- og moderniseringsdepartementet, 2020). Utvalgsskjevhet kan vi få om datasettene som algoritmene trener på, bare inneholder opplysninger om en del av det relevante datagrunnlaget. Det kan lede til at resultatene viser til assosiasjoner der de ikke finnes, eller ikke viser til assosiasjoner der de faktisk finnes (Larsen, 2020). På denne måten kan algoritmene være mindre effektive, eller de kan bidra til å opprettholde eller forsterke samfunnsmessige skjevheter basert på for eksempel kjønn, bakgrunn eller sosioøkonomisk status.

For læringsanalyse innebærer denne utvalgsskjevheten en fare for at læringsanalysealgoritmene bidrar til å opprettholde og forsterke eksisterende ulikheter og diskriminering i utdanningen (Lester mfl., 2019; Selwyn, 2022). For å redusere skjevheter i læringsanalysealgoritmene er det viktig å nøye vurdere dataene som brukes til å trene algoritmene. Det hører også med å forsikre seg om at algoritmene regelmessig revideres og testes for skjevheter. Ved å i forkant innarbeide etiske prinsipper for hvordan læringsanalyse skal være utformet, og hvordan læringsanalyse skal gjennomføres, bidrar det til å fremme rettferdighet og likeverd i utdanningen.

4.4 Datakvalitet

Hva en analyse faktisk kan fortelle oss om læring og undervisning, er alltid uløselig knyttet til kvaliteten på dataene vi har tilgjengelig. Datakvalitet handler om hvorvidt eller hvor godt dataene stemmer overens med den situasjonen eller aktiviteten de representerer. Datakvalitet dreier seg altså blant annet om å sikre korrekte, komplette og aktuelle data. En må også se til at dataene ikke blir endret eller manipulert, tilsiktet eller utilsiktet, på måter som påvirker sluttresultatet. Dataene må være fullstendige, konsistente, nøyaktige, tidsaktuelle, valide og unike for at vi kan si vi har god datakvalitet (Pipino mfl., 2002). Av disse seks prinsippene er det ofte enklest å vurdere om dataene er fullstendige og valide, dernest om de er tidsaktuelle og unike. Det som oftest er vanskeligst å finne ut av, er om dataene er nøyaktige og konsistente.

Fullstendige data

Et viktig prinsipp for datakvalitet er fullstendige data, som refererer til at ingen data mangler. Det vil si at alle data som man forventet å samle inn faktisk er til stede. Det er ulike årsaker til at man får ufullstendige data, for eksempel manglende verdier eller at det skjer feil når dataene blir lagt inn. Manglende data eller ufullstendige registreringer kan føre til skjeve analyser, feilaktige konklusjoner eller unøyaktige prediksjoner. Framgangsmåten for å sikre seg at dataene er fullstendige, er å ha klare prosedyrer for datainnsamling, å validere dataenes nøyaktighet og konsistens og å rense dataene på en måte som tar for seg manglende verdier og ufullstendige registreringer. I læringsanalyse er det helt avgjørende å sørge for fullstendige data for å få meningsfull innsikt i elevenes og studentenes læring.

Konsistente data

Konsistente data handler om å samle inn de forventede versjonene av dataene og at de ikke inneholder motsetninger eller systematiske ujevnheter. Et enkelt eksempel som kan illustrere dette, er dersom en underviser ønsker å bruke informasjon om når studentene gjorde en læringsaktivitet. Hvis da datoene for når studentene deltok, er registrert i ulike datoformater, fører den inkonsekvente registreringen til ubrukelige data. Det blir vanskelig å skjønne hva dataene egentlig betyr, eller å sammenstille dem på meningsfylte måter.

Nøyaktige data

Nøyaktige data refererer til i hvilken grad dataene representerer det virkelige fenomenet eller informasjonen de er ment å representere (konstruktvaliditet), og hvor nær dataverdiene er de sanne verdiene for det underliggende fenomenet (validitet). Nøyaktige data er dermed data som er korrekte, presise, og de representerer det de er ment å representere. Framgangsmåten for å forbedre nøyaktigheten handler om å kvalitetssikre datakildene, å verifisere integritet og konsistens og om metoder for å rense og validere for å oppdage og korrigere feil. I læringsanalyse er det avgjørende med nøyaktige data for å gi pålitelig og gyldig innsikt i elevenes og studentenes læring.

Tidsaktuelle data

Tidsaktuelle data handler om at dataene må være samlet inn og tilgjengelige på et tidspunkt som gjør at informasjonen kan brukes på en god måte. I pedagogiske sammenhenger dreier dette seg ofte om hvor tett på læringssituasjonen dataene foreligger. Er ikke dataene fra en gitt læringssituasjon tilgjengelige på rett tidspunkt, vil ikke læreren, underviseren eller andre kunne bruke informasjonen til å forbedre elevenes eller studentenes opplæring.

Valide data

Valide data vil si at de må være gyldige – de må si noe om det de faktisk er ment å si noe om. Dersom målet med en læringsapp, for eksempel en kviss med flervalg, er å si noe om hva elevene kan om et gitt faglig tema, og elevene merker seg at det lengste svaret alltid er korrekt, og følgelig alltid velger dette uavhengig av innholdet, vil ikke dataene være valide. Dataene vil da ikke være et gyldig mål på elevens faglige innsikt i temaet.

Unike data

Unike data handler helt enkelt om at dataene ikke må registreres flere ganger enn de skal, altså at duplikater unngås.

5 Regelverk som er relevant for læringsanalyse

Deler av regelverket som er relevant for læringsanalyse, er grunnleggende normer som befinner seg på et overordnet nivå, som Grunnloven og konvensjoner. Andre deler av det relevante regelverket er ment for bestemte områder. Et eksempel på det er personvernregelverket som gjelder behandling av personopplysninger. Ellers spiller de sektorspesifikke regelverkene på utdanningsfeltet en sentral rolle ved regulering av læringsanalyse.

I dette kapitlet beskriver vi de delene av regelverket som gjelder for læringsanalyse. Det innebærer relevante bestemmelser i Grunnloven, FNs barnekonvensjon og Den europeiske menneskerettskonvensjonen (EMK). Deretter gjør vi rede for generelt regelverk som er relevant for læringsanalyse, som personvernregelverket og sektorregelverkene. Til slutt i kapitlet vil vi beskrive det pågående arbeidet i EU og i Europarådet som handler om generell regulering av kunstig intelligens.

5.1 Grunnloven og menneskerettighetskonvensjonene

Bestemmelsene i Grunnloven og de menneskerettslige konvensjonene kan ha flere funksjoner. Når det gjelder Grunnlovens rettslige funksjon, kan bestemmelsene for det første sette rammer for hva som er lovlig. For eksempel kan ikke lovgiver se bort fra behovene som barn har, når det utformes nye lover. For det andre kan Grunnloven fungere som tolkningsmoment når man tolker annet regelverk. For det tredje kan Grunnloven fungere som rettesnor i forbindelse med regelverksutvikling og ved annen politikkutvikling.

5.1.1 Retten til utdanning

Grunnloven

Retten til utdanning ble tatt inn i Grunnloven i forbindelse med grunnlovsrevisjonen i 2014. Menneskerettighetsutvalget la da til grunn at bestemmelsen ikke ville endre rettstilstanden fordi utvalget antok at dagjeldende opplæringslov og universitets- og høyskolelov var i samsvar med de internasjonale menneskerettighetskonvensjonene (Dokument 16 (2011–2012), pkt. 37.5.1). Grunnloven § 109 lyder (bokmål):

Enhver har rett til utdannelse. Barn har rett til å motta grunnleggende opplæring. Opplæringen skal ivareta den enkeltes evner og behov og fremme respekt for demokratiet, rettsstaten og menneskerettighetene.

Statens myndigheter skal sikre adgang til videregående opplæring og like muligheter til høyere utdannelse på grunnlag av kvalifikasjoner.

Retten til utdanning er en rettighet i seg selv, men også en forutsetning for å kunne realisere andre menneskerettigheter. Formuleringen «ivareta den enkeltes evner og behov» understreker at opplæringen ikke bare skal skje på samfunnets premisser (Dokument 16 (2011–2012), pkt. 37.5.2.2).

Grunnloven slår også fast at alle skal ha tilgang til videregående opplæring, og at denne retten gjelder uavhengig av kvalifikasjoner. På dette punktet går Grunnloven lenger enn det som følger av de internasjonale konvensjonene. Grunnlovsbestemmelsen inneholder også en plikt for staten til å legge til rette for høyere utdanning hvor evner og kvalifikasjoner er de bestemmende kriteriene for tilgang.

Retten til utdanning i internasjonale konvensjoner

Etter EMKs tilleggsprotokoll 1 artikkel 2 skal ingen nektes retten til utdanning. EMK er blitt gjort til norsk lov ved vedtakelsen av menneskerettsloven av 1999 § 2 nr. 1. Dersom det er konflikt mellom konvensjonen og norsk lov, skal konvensjonen gå foran etter § 3. Norsk lov- og forskriftsverk må derfor holde seg innenfor rammene som konvensjonsforpliktelsene setter.

FNs konvensjon om økonomiske, sosiale og kulturelle rettigheter (ØSK) artikkel 13 fastsetter at statene skal respektere retten til utdanning. Bestemmelsen inneholder overordnede målsettinger om at «utdanningen skal ta sikte på full utvikling av menneskets karakter og forståelse av dets verdighet». Artikkel 13 slår også fast at grunnskoleundervisning skal være tvungen, tilgjengelig og fri for alle. Dessuten skal høyere utdanning også være tilgjengelig for alle, men basert på kvalifikasjoner. FNs barnekonvensjon artikkel 28 (utdanning) og artikkel 29 (utdanningens formål) inneholder tilsvarende formuleringer som EMK og ØSK. Både ØSK og barnekonvensjonen er gjort til norsk rett etter menneskerettsloven § 2 nr. 2 og 4. Et hovedtrekk ved konvensjonene er at de gir barn en rett og plikt til utdanning. Behovene den enkelte har, skal ivaretas, i tillegg til at myndighetene skal legge til rette for høyere utdanning.

5.1.2 Retten til privatliv

Grunnloven

I 2014 ble retten til privatliv tatt inn i Grunnloven § 102, bestemmelsen er slik (bokmål):

Enhver har rett til respekt for sitt privatliv og familieliv, sitt hjem og sin kommunikasjon. Husransakelse må ikke finne sted, unntatt i kriminelle tilfeller.

Statens myndigheter skal sikre et vern om den personlige integritet.

Grunnlovfestingen av retten til privatliv utgjorde ikke en endring i rettstilstanden, men var ment å speile essensen i de internasjonale menneskerettighetsbestemmelsene og bidra til å synliggjøre retten til privatliv gjennom en prinsipiell bestemmelse i Grunnloven (Dokument 16 (2011–2012), pkt. 30.6.5). Bestemmelsen sier ikke noe om det kan skje inngrep i retten til privatliv, og heller ikke noe om vilkårene for at det kan skje inngrep. Grunnlovsbestemmelsen har sammenheng med legalitetsprinsippet i Grunnloven § 113, som gir uttrykk for det sentrale prinsippet om at «myndighetenes inngrep overfor den enkelte må ha grunnlag i lov».

Da Stortingets kontroll- og konstitusjonskomité behandlet forslaget, uttalte komiteen at «forslaget skal leses som at systematisk innhenting, oppbevaring og bruk av opplysninger om andres personlige forhold bare kan finne sted i henhold til lov, benyttes i henhold til lov eller informert samtykke og slettes når formålet ikke lenger er til stede» (Innst. 186 S (2013–2014), pkt. 2.1.9). I tillegg til at inngrepet må ha grunnlag i lov, har Høyesterett uttalt at en lov som griper inn i privatliv eller den personlige integritet, må ivareta et legitimt formål og være forholdsmessig for å være i samsvar med Grunnloven § 102 (Rt. 2014 s. 1105, avsnitt 28; Rt. 2015 s. 93, avsnitt 60).

Det er nær sammenheng mellom Grunnloven § 102 og EMK artikkel 8 om retten til privatliv. Høyesterett har uttalt at Grunnloven § 102 må tolkes i lys av EMK artikkel 8, men har understreket at Høyesterett har et selvstendig ansvar for å tolke og utvikle Grunnloven (Rt. 2015 s. 93, avsnitt 57).

Den europeiske menneskerettskonvensjonen (EMK)

EMK artikkel 8 fastsetter retten til privatliv, bestemmelsen er slik (norsk oversettelse):

• 1. Enhver har rett til respekt for sitt privatliv og familieliv, sitt hjem og sin korrespondanse.

• 2. Det skal ikke skje noe inngrep av offentlig myndighet i utøvelsen av denne rettighet unntatt når dette er i samsvar med loven og er nødvendig i et demokratisk samfunn av hensyn til den nasjonale sikkerhet, offentlige trygghet eller landets økonomiske velferd, for å forebygge uorden eller kriminalitet, for å beskytte helse eller moral, eller for å beskytte andres rettigheter og friheter.

Den viktigste kilden til å fastslå innholdet i myndighetenes forpliktelser og individenes rettigheter er Den europeiske menneskerettsdomstolen (EMD). Domstolen har lagt til grunn at «privatliv» favner bredt, og har pekt på at beskyttelse av personopplysninger er av grunnleggende betydning for å sikre retten til respekt for privatlivet. Lagrer eller behandler offentlige myndigheter personopplysningene til noen, vil det virke direkte inn på privatlivet til vedkommende, uavhengig av om opplysningene blir brukt eller ei (Marper mot Storbritannia [storkammer] nr. 30562/04 og 30566/04, avsnitt 121). Å samle inn og behandle elever og studenters personopplysninger i læringsanalyse vil utgjøre et inngrep i retten til privatliv etter EMK artikkel 8. EMK inneholder rammer for hvordan myndighetene skal ivareta den grunnleggende retten til privatliv ved inngrep, og dette inkluderer blant annet regelverkstiltak.

Det sentrale formålet i artikkel 8 er å hindre at myndigheter griper vilkårlig inn i privatlivet, og denne forpliktelsen til å sikre retten til privatliv retter seg altså mot myndighetene. Likevel kan ikke myndighetene frasi seg ansvar ved å delegere forpliktelse til private aktører, og kravene i artikkel 8 gjelder også i disse tilfellene (Vukota-Bojić mot Sveits nr. 61838/10, avsnitt 47). Når det er en privat aktør som gjør inngrep i privatlivet, vil myndighetene kunne ha en positiv plikt til å sikre retten til privatliv. For eksempel kan de måtte gjøre nødvendige tiltak for å effektivt sikre at retten til privatliv er beskyttet (Craxi (No. 2) mot Italia nr. 25337/94).

For at et inngrep i privatlivet skal være i tråd med konvensjonen, må inngrepet bestå en test i tre deler. Inngrepet må

• skje i samsvar med loven

• følge et legitimt formål

• stå i et proporsjonalt forhold til formålet

Inngrepet må skje i samsvar med loven

Kravet om at inngrepet må skje i samsvar med loven handler om at det må foreligge et rettslig grunnlag i det nasjonale regelverket. I tillegg må det rettslige grunnlaget være tilstrekkelig forutsigbart for den inngrepet gjelder (Satakunnan Markkinapörssi Oy og Satamedia Oy mot Finland [storkammer] nr. 931/13, avsnitt 150 og 151). Det må også inneholde tilstrekkelige garantier mot vilkårlighet (L.H. mot Latvia nr. 52019/07, 2014). Hvilke garantier som er nødvendige, må ses i sammenheng med hva slags type inngrep det er, og størrelsen på det (P.G. og J.H. mot Storbritannia nr. 44787/98, 2001). Kravet om at inngrepet må være i samsvar med loven, er nært knyttet til kravet om at inngrepet er nødvendig i et demokratisk samfunn (Marper mot Storbritannia [storkammer] nr. 30562/04 og 30566/04, avsnitt 99).

Inngrepet må ha et legitimt formål og være proporsjonalt

At inngrepet har et legitimt formål, vil si at det må være nødvendig i et demokratisk samfunn, det må svare til et tvingende samfunnsmessig behov («pressing social need») og være proporsjonalt med behovet. I vurderingen har EMD generelt vurdert om inngrepet har vært i overensstemmelse med de grunnleggende prinsippene i Europarådets konvensjon av 28. januar 1981 nr. 108 om personvern i forbindelse med elektronisk databehandling av personopplysninger artikkel 5 (Den europeiske menneskerettsdomstolen, 2022, avsnitt 105). Disse grunnleggende prinsippene handler om minimering av innsamlede data, om dataene er riktige, adekvate og relevante, og om opplysningene er overflødige for det aktuelle formålet. I tillegg til dette kommer det krav om lagringsbegrensning og om at bruken av dataene må begrenses til formålet ved innsamlingen av dem.

Retten til privatliv i andre internasjonale konvensjoner

Retten til privatliv er også fastsatt i andre internasjonale konvensjoner, som Europarådets konvensjon om personvern i forbindelse med elektronisk databehandling fra 1981 – den eneste rettslig bindende internasjonale avtalen om personvern. I tillegg kommer blant annet artikkel 17 i FNs konvensjon om sivile og politiske rettigheter (SP), som etter menneskerettsloven § 2 nr. 3 gjelder som norsk lov.

5.1.3 Barn har et særskilt rettighetsvern

Menneskerettighetene gjelder også overfor barn. Barn har et særskilt rettighetsvern i Grunnloven og i andre menneskerettslige forpliktelser. FNs barnekonvensjon fra 1989 ble i 2004 tatt inn i norsk rett gjennom menneskerettsloven. Ved grunnlovsrevisjonen i 2014 ble § 104 vedtatt, og den lyder (bokmål):

Barn har krav på respekt for sitt menneskeverd. De har rett til å bli hørt i spørsmål som gjelder dem selv, og deres mening skal tillegges vekt i overensstemmelse med deres alder og utvikling.

Ved handlinger og avgjørelser som berører barn, skal barnets beste være et grunnleggende hensyn.

Barn har rett til vern om sin personlige integritet. Statens myndigheter skal legge forholdene til rette for barnets utvikling, herunder sikre at barnet får den nødvendige økonomiske, sosiale og helsemessige trygghet, fortrinnsvis i egen familie.

Grunnlovsbestemmelsen om barns rettigheter tar særlig sikte på å framheve de behovene som ikke dekkes opp av de andre menneskerettighetsbestemmelsene (Dokument 16 (2011–2012), pkt. 32.5.1). Grunnlovfestingen av barns rettigheter har rettslig betydning, både som tolkningsmoment når regelverk skal tolkes og ved å sette rammer for hva lovgiver kan vedta. Bestemmelsen har også politisk og symbolsk betydning. Den politiske betydningen vil gjøre at beslutningstakere setter hensynet til barn som et mål for politikkutformingen. Den symbolske betydningen er at «barn synliggjøres i den norske konstitusjonen».

Grunnloven § 104 første avsnitt fastsetter at retten til medbestemmelse i spørsmålene som gjelder barnet selv, og at barnets mening skal tillegges vekt i lys av alder og utvikling.

At barnets beste er et grunnleggende hensyn, er fastsatt i barnekonvensjonen artikkel 3 nr. 1. Barnets beste som et grunnleggende hensyn betyr at hensynet ikke skal vurderes på samme nivå som andre hensyn. Barns spesielle situasjon handler om deres avhengighet, modenhet, juridiske status og tilsier at de ofte vil være uten stemme.

Dette fører i sin tur til at barn har mindre mulighet enn voksne til å skulle føre en sterk sak for interessene sine (FNs barnekomité, 2013, pkt. 37). Barnekomiteens uttalelser har som formål å utdype hvordan statene skal gjennomføre FNs barnekonvensjon og iverksette tiltak som er egnet til å oppfylle forpliktelsene i konvensjonen og fremme barns rettigheter. Barnets beste vil kunne komme i konflikt med andre interesser og rettigheter – for eksempel interessene og rettighetene andre barn, foreldre og allmennheten har. Barnets beste skal veies opp mot andre hensyn, og det som tjener barnet best skal ha størst vekt (FNs barnekomité, 2013, pkt. 39). I forslaget til ny opplæringslov foreslår departementet å lovfeste prinsippet om barnets beste i en egen og generell paragraf (Prop. 57 L (2022–2023), pkt. 10.5.1). Forslaget går også ut på å inkludere elever over 18 år i virkeområdet til bestemmelsen.

Etter Grunnloven § 104 andre avsnitt har barn rett til vern om sin personlige integritet, noe som inkluderer vern av privatlivet. Barnekonvensjonen artikkel 16 nr. 1 beskytter også barnets rett til privatliv og familieliv, den norske oversettelsen er slik:

• 1. Intet barn skal utsettes for vilkårlig eller ulovlig innblanding i hans eller hennes privatliv, familie, hjem eller korrespondanse og heller ikke for ulovlige angrep mot hans eller hennes ære eller omdømme.

• 2. Barnet har rett til lovens beskyttelse mot slik innblanding eller slike angrep.

FNs barnekomité har utarbeidet en egen kommentar om barns rettigheter i digitale miljøer, og kommentaren inneholder flere uttalelser som er relevante for læringsanalyse. Noe kommentaren understreker, er at behandlingen av barns personopplysninger som skjer i skolen, og myndigheters innsamling og behandling av opplysninger, kan utgjøre en trussel mot barns personvern (FNs barnekomité, 2021, pkt. 67).

5.2 Personvernregelverk

Læringsanalyse vil i de fleste tilfeller involvere behandling av personopplysninger. Personopplysningsloven § 1 gjennomfører EUs personvernforordning18 i norsk rett. Det overordnede formålet med personvernforordningen er å sikre vern av fysiske personer og rettighetene deres når noen behandler personopplysninger om dem. Personvernforordningen stiller krav til hvordan behandlingen av personopplysninger kan og bør skje.

Forordningen inneholder også en rekke bestemmelser om å opprette en tilsynsmyndighet og rollen denne tilsynsmyndigheten skal ha. I Norge er dette Datatilsynet. I gjennomgangen av personvernregelverket under tar vi utgangspunkt i bestemmelser med særlig relevans for læringsanalyse.

Behandling av personopplysninger

Personvernregelverkets anvendelsesområde er vidt. Personvernforordningen artikkel 2 nr. 1 slår fast at forordningen gjelder for «helt eller delvis automatisert behandling av personopplysninger». Det er ikke intuitivt hva som menes med uttrykket behandling, men det er nærmere definert i artikkel 4 nr. 2:

Enhver operasjon eller rekke av operasjoner som gjøres med personopplysninger, enten automatisert eller ikke, f.eks. innsamling, registrering, organisering, strukturering, lagring, tilpasning eller endring, gjenfinning, konsultering, bruk, utlevering ved overføring, spredning eller alle andre former for tilgjengeliggjøring, sammenstilling eller samkjøring, begrensning, sletting eller tilintetgjøring.

I bestemmelsen følger det en ikke-uttømmende liste over ulike operasjoner der man gjør noe med personopplysninger som kan defineres som behandling. Konseptet «behandling» kan bestå av en operasjon eller av flere operasjoner som knytter seg til flere av stegene i behandlingen. Bestemmelsen er teknologinøytral i den forstand at bestemmelsen ikke begrenser seg til å gjelde spesifikke teknikker. Det er ikke et krav at operasjonen skal være automatisk.

Læringsanalyse vil ofte kunne bestå av flere operasjoner. For eksempel vil behandlingene innsamling, lagring, bruk, sammenstilling og sletting være operasjoner som vil være typiske for læringsanalyse.

Personopplysninger

Dersom ikke opplysningene kan identifisere en person i tråd med kravene i forordningen, regner vi opplysningene som anonyme. Er det anonyme data som behandles, gjelder ikke personvernforordningen. Det er et viktig poeng at den rettslige forståelsen av hvilke opplysninger som er anonyme, skiller seg fra den alminnelige og dagligdagse bruken av uttrykkene anonyme eller anonymiserte opplysninger. Personopplysninger er definert i forordningen artikkel 4 nr. 1.

Bestemmelsen inneholder fire elementer som følger direkte av ordlyden: (1) «enhver opplysning», (2) «om en», (3) «identifisert eller identifiserbar», (4) «fysisk person». Elementene «enhver opplysning» og «fysisk person» vil i tilfellet læringsanalyse ikke by på tolkningsutfordringer. I rettspraksis fra EU-domstolen har det blitt gjort klart at «personopplysning» skal forstås vidt (C-434/16 (Nowak), 2017, avsnitt 33).

Når det gjelder elementet «om en» («relating to»), har EU-domstolen lagt til grunn at informasjon som er gitt som svar av en kandidat under en eksamen, er å regne som personopplysninger. I avgjørelsen slo også EU-domstolen fast at sensors kommentarer til kandidatens besvarelse hører til kandidatens personopplysninger (C-434/16 (Nowak), 2017, avsnitt 42).

For læringsanalyse er det et relevant spørsmål når informasjon vil være tilstrekkelig frikoblet fra en person, slik at man befinner seg utenfor virkeområdet til definisjonen av personopplysninger i artikkel 4 nummer 1. I mange tilfeller vil det være vanskelig å avgjøre hvor grensen går mellom personopplysninger og anonyme opplysninger (Datatilsynet, 2015). Som ekspertgruppen gjør rede for i første delrapport, er det et uavklart spørsmål hvilke kriterier som skal legges til grunn for å vurdere om en fysisk person er identifiserbar. Det har blitt argumentert for to tolkninger. På den ene siden finner vi en risikobasert tilnærming. Her er det avgjørende om det foreligger rimelig sannsynlighet for at behandlingsansvarlig eller andre ved hjelp av avansert teknologi kan identifisere den fysiske personen. På den andre siden blir anonymisering ansett som et resultat av en prosess som irreversibelt forhindrer identifisering, slik at det ikke vil være mulig å identifisere den fysiske personen.

Ekspertgruppen understreker at siden grensen mellom personopplysninger og anonyme opplysninger er så uklar, vil det kunne være vanskelig å avklare anvendelsesområdet til personvernregelverket i læringsanalyse.

Hvem er ansvarlig for behandling av personopplysninger ved læringsanalyse?

Personvernforordningen baserer seg på ansvarsprinsippet i artikkel 5 nr. 2. Ansvarsprinsippet innebærer at den behandlingsansvarlige har ansvar for at behandlingen er lovlig og i samsvar med kravene forordningen stiller ellers. De personene behandlingen gjelder, har rettigheter overfor den behandlingsansvarlige, og den behandlingsansvarlige har en forpliktelse til å oppfylle rettighetene de registrerte har.

Etter definisjonen i artikkel 4 nr. 7 kan en behandlingsansvarlig være «en fysisk person, en offentlig myndighet, en institusjon eller ethvert annet organ».

Det som avgjør om behandlingsansvarlig er ansvarlig for behandlingen, er om den alene eller sammen med andre bestemmer formålet med behandlingen og hvilke midler som skal brukes i behandlingen. For grunnopplæringen er det kommunene og fylkeskommunene som er behandlingsansvarlige. Når det gjelder private skoler, er skolens styre skoleeier, og ansvaret for behandlingen ligger da til skolens styre. Det er skoleeier som har ansvaret for at behandlingen av personopplysninger skjer i samsvar med reglene i personopplysningsloven og personvernforordningen. I høyere utdanning og i høyere yrkesfaglig utdanning er det utdanningsinstitusjonen som er behandlingsansvarlig når personopplysninger blir behandlet i virksomheten.

Behandlingsansvarlige kan inngå avtale med andre aktører eller virksomheter slik at de behandler personopplysninger på den behandlingsansvarliges vegne. En slik aktør kalles databehandler. Ved læringsanalyse kan databehandlere være for eksempel leverandører av ressurser med funksjonalitet for læringsanalyse. Forholdet mellom behandlingsansvarlig og databehandler blir regulert i en databehandleravtale. Denne avtalen avgrenser hvordan databehandleren kan behandle personopplysninger på vegne av den behandlingsansvarlige. Den behandlingsansvarlige kan bare bruke databehandlere som gir tilstrekkelige garantier for at behandlingen av personopplysningene følger kravene i loven i praksis og ivaretar rettighetene til de registrerte. Personvernkommisjonen peker på at det er gunstig at databehandleravtalen fastsetter at databehandler skal bruke bestemte innebygde løsninger som er egnet til å ivareta personvernet (NOU 2022: 11).

Databehandleren har ikke mulighet til å behandle dataene på andre måter enn det som følger av databehandleravtalen. Det er et sentralt poeng at databehandlere som bryter databehandleravtalen eller selv avgjør behandlingens mål og midler, er å regne som behandlingsansvarlig etter artikkel 28 nr. 10.

Dersom det er to eller flere aktører som sammen fastsetter mål og midler ved behandling av personopplysninger, skal aktørene ha felles behandlingsansvar etter artikkel 26 nr. 1. I disse tilfellene skal aktørene bestemme hvordan ansvaret for å oppfylle pliktene ved behandlingen skal fordeles, med mindre dette er regulert i regelverket.

Personvernprinsippene

Skoleeierne og institusjonene i høyere utdanning og høyere yrkesfaglig utdanning er ansvarlige for å sikre at prinsippene for å behandle personopplysninger i personvernforordningen artikkel 5 er fulgt. (Se boks 5. 1 for beskrivelse av personvernprinsippene.) Personvernkommisjonen oppsummerer:

De fleste bestemmelsene i personvernforordningen inneholder vanlige rettsregler. I tillegg er det formulert seks personvernprinsipper, se artikkel 5 nr 1. Prinsippene er en slags grunn-normer for behandling av personopplysninger, og gir generelle retningslinjer for hva en skal legge vekt på for å ivareta personvernet. Prinsippene er utviklet over en periode på mer enn 40 år, og har lenge ligget til grunn for ulik europeisk personvernlovgivning. De er alltid relevante og alltid obligatoriske å ta hensyn til. (NOU 2022: 11, s. 40)

5.2.1 Krav til rettslig grunnlag i personvernforordningen

For at behandlingen av personopplysninger skal være lovlig, må det finnes et rettslig grunnlag for den aktuelle behandlingen. Personvernforordningen artikkel 6 inneholder seks mulige rettslige grunnlag for å behandle personopplysninger.

Ekspertgruppen viste i første delrapport at det først og fremst er to av de rettslige grunnlagene i artikkel 6 nr. 1 som er relevante for å behandle personopplysninger i læringsanalyse:

• c. [B]ehandlingen er nødvendig for å oppfylle en rettslig forpliktelse som påhviler den behandlingsansvarlige […].

• e. [B]ehandlingen er nødvendig for å utføre en oppgave i allmennhetens interesse eller utøve offentlig myndighet som den behandlingsansvarlige er pålagt […].

Felles for behandling av personopplysninger i forbindelse med en «rettslig forpliktelse» eller at det er en «oppgave i allmennhetens interesse», er at artikkel 6 nr. 3 krever at det skal fastsettes et grunnlag i unionsretten (forordninger og direktiver fra EU) eller i nasjonal rett. Det er altså ikke tilstrekkelig å alene benytte artikkel 6 nr. 1 bokstav c eller e som grunnlag for behandlingen, det må også være et grunnlag i det nasjonale regelverket.

I forordningens fortalepunkt 41 blir det uttalt at når forordningen viser til rettslig grunnlag eller lovgivningsmessig tiltak, «krever dette ikke nødvendigvis en regelverkakt vedtatt av et parlament». I forarbeidene til personopplysningsloven legger Justis- og beredskapsdepartementet til grunn at «lov- og forskriftsbestemmelser kan utgjøre supplerende rettsgrunnlag» (Prop. 56 LS (2017–2018), pkt. 6.3.2). Dermed vil både lov og forskrift kunne brukes som rettslig grunnlag. Departementet uttalte også at forordningens regler til rettslig grunnlag i nasjonalt regelverk må tolkes og anvendes på bakgrunn av kravene i Grunnloven § 102 og EMK artikkel 8.

Krav til utforming av rettslig grunnlag etter artikkel 6 nr. 1 c og e i nasjonal rett

Det er flere forhold som gjelder når man vurderer om en bestemmelse i nasjonalt regelverk hører til kategorien «rettslig forpliktelse» eller «oppgave i allmennhetens interesse» etter artikkel 6 nr. 1.

En praktisk og viktig konsekvens er at behandlingen som skjer med grunnlag i «allmennhetens interesse», utløser en rett for de registrerte til å protestere mot behandlingen etter artikkel 21 (se nærmere om dette i 5.2.3). Dette betyr at dersom behandlingsgrunnlaget hører til kategorien «rettslig forpliktelse», vil det innskrenke rettighetene den registrerte har. Dette tilsier økt varsomhet ved å utforme supplerende rettslig grunnlag i regelverket som baserer seg på en «rettslig forpliktelse».

For «oppgave i allmennhetens interesse» kan det være tilstrekkelig at det supplerende rettsgrunnlaget forutsetter eller pålegger at en offentlig institusjon må utføre en oppgave som krever at institusjonen må behandle personopplysninger for å kunne løse den aktuelle oppgaven.

Når vil en bestemmelse høre til kategorien «rettslig forpliktelse»?

Når det er tale om at et rettslig grunnlag er en «rettslig forpliktelse», skal formålet med behandlingen av personopplysningene være fastsatt i nasjonalt regelverk etter forordningens artikkel 6 nr. 3. Likevel trenger ikke et rettslig grunnlag som er en «rettslig forpliktelse», å uttrykkelig regulere den behandlingen som plikten anviser om (Prop. 56 LS (2017–2018), pkt. 6.3.2).

I deler av den juridiske litteraturen har det vært et uavklart spørsmål om artikkel 6 nr. 1 bokstav c kan utgjøre et rettsgrunnlag når det offentlige er behandlingsansvarlig (Kotschy, 2020). I forarbeidene til personopplysningsloven blir det uttalt at private aktørers behandling av personopplysninger kan være nødvendig for å oppfylle en rettslig forpliktelse og en oppgave i allmennhetens interesse (Prop. 56 LS (2017–2018), pkt. 6.5). Datatilsynet legger til grunn at en rettslig forpliktelse kan utgjøre et rettslig grunnlag for en offentlig myndighet som er behandlingsansvarlig (Datatilsynet, 2022a). Personvernkommisjonen forutsetter at artikkel 6 nr. 1 bokstav c gjelder overfor et offentlig forvaltningsorgan som er behandlingsansvarlig (NOU 2022: 11). Det samme synspunktet legges også til grunn andre steder i den juridiske litteraturen, hvor det blir påpekt at det burde komme fram tydeligere av forordningen eller fortalepunkter dersom grunnlaget «rettslig forpliktelse» skulle vært forbeholdt private aktører (Udsen, 2022).

Dersom en bestemmelse om å kunne behandle personopplysninger bare autoriserer eller gir noen adgang til å gjøre noe, vil ikke bestemmelsen være dekket av «rettslig forpliktelse» (Kotschy, 2020). Når det er regelverk som innebærer at offentlige myndigheter kan foreta seg noe som krever behandling av personopplysninger, vil bestemmelsen dekkes av artikkel 6 nr. 1 bokstav e «oppgave i allmennhetens interesse». Datatilsynet uttaler at et behandlingsgrunnlag basert på en «rettslig forpliktelse» tilsier at det ikke eksisterer noen reelle alternative måter å oppnå formålet med behandlingen fastsatt i forpliktelsen uten å behandle opplysningene (Datatilsynet, 2022a).

Kravet til nødvendighet og forholdsmessighet

For at behandlingen skal være lovlig, må den være «nødvendig». Kravet til nødvendighet gjelder både når behandlingen handler om å «oppfylle en rettslig forpliktelse» og når behandlingen går ut på å «utføre en oppgave i allmennhetens interesse». Personvernforordningen forteller ikke hva uttrykket «nødvendig» innebærer.

Kravet til nødvendighet retter seg både mot hvilke opplysninger som blir behandlet, og selve behandlingsaktiviteten(e). Opplysninger som ikke er relevante for behandlingens formål, vil heller ikke være nødvendige å behandle. Kravet til nødvendighet av behandlingen må ses i sammenheng med området som reguleres (Kotschy, 2020). I forarbeidene til utlendingsloven uttaler Justis- og beredskapsdepartementet seg om nødvendighetskriteriet:

Opplysningene skal ha saklig sammenheng med formålet eller formålene som søkes oppnådd ved behandlingen. Det er ikke tilstrekkelig at opplysningene kan være nyttige. Opplysningene må enten alene, eller sett i sammenheng med andre opplysninger, ha betydning i arbeidet eller for å utøve myndighet. (Prop. 59 L (2017–2018), pkt. 4.1.3.2)

Justis- og beredskapsdepartementet skriver i en tolkningsuttalelse hvordan de tolker nødvendighetskriteriet:

[…] forstår vi det slik at det ikke stilles et absolutt krav om at den konkrete behandlingen er strengt nødvendig, særlig ikke at det er strengt nødvendig at behandlingen skjer på en bestemt måte. (Justis- og beredskapsdepartementet, 2022, pkt. 3.2)

EU-domstolen har blant annet uttalt at kravet til nødvendighet vil kunne være oppfylt i tilfeller hvor behandlingen: «contributes to the more effective application» av det aktuelle regelverket (C-524/06 (Huber), 2008, avsnitt 62).

Om nødvendighetskriteriet er oppfylt, vil bero på en konkret vurdering av den aktuelle rettslige forpliktelsen eller oppgaven i allmennhetens interesse og den aktuelle behandlingen av personopplysninger. Vi vil se nærmere på om dette gjelder for behandling av personopplysninger i læringsanalyse, i kapittel 10.2.

Artikkel 6 nr. 3 slår fast at det nasjonale supplerende rettsgrunnlaget basert på artikkel 6 nr.1 bokstav c og e skal stå i et rimelig forhold til det målet som man søker å oppnå. Forholdsmessighet handler om de valgte midlene som skal realisere målet, og midlene i denne sammenheng er typen data (kvalitet), mengden data (kvantitet) og måten dataene behandles på. I forordningens fortalepunkt 39 uttales det at personopplysninger «bør behandles bare dersom formålet med behandlingen ikke med rimelighet kan oppfylles på annen måte». EU-domstolen formulerer forholdsmessighetsprinsippet slik: «Under the principle of proportionality, limitations may be made only if they are necessary and genuinely meet objectives of general interest recognised by the European Union or the need to protect the rights and freedoms of others» (C-439/19 Latvijas Republikas Saeima [Storkammer], 2021, avsnitt 105). Dette innebærer at inngrepet i personvernet må være rettferdiggjort sett opp mot den forpliktelsen eller det formålet ved oppgaven i allmennhetens interesse som behandlingen av personopplysninger skal oppfylle. For å kunne møte kravet til forholdsmessighet, vil begrensninger eller tiltak knyttet til behandlingen som reduserer ulempene være relevante.

Kravet til klart og presist rettslig grunnlag i nasjonalt regelverk

Det går ikke uttrykkelig fram av forordningens bestemmelser at det supplerende rettslige grunnlaget må være klart og presist formulert. Dersom det er tale om et inngrep i retten til privatliv etter Grunnloven § 104 eller EMK artikkel 8, kan det nemlig være nødvendig med et mer spesifikt supplerende rettslig grunnlag i nasjonal rett enn det forordningens bestemmelser tilsier (Prop. 56 LS (2017–2018), pkt. 6.3.2). I fortalepunkt 41 er det slått fast at det rettslige grunnlaget i regelverket «bør imidlertid være tydelig og presist, og anvendelsen av det bør være forutsigbar for personer som omfattes av det, i samsvar med rettspraksisen til Den europeiske unions domstol (‘Domstolen’) og Den europeiske menneskerettighetsdomstol». EU-domstolen understreker at inngrep må være nødvendige og proporsjonale, og at regelverket som gir adgang til å gjøre inngrep, «must lay down clear and precise rules governing the scope and application of the measure in question» (C-439/19 Latvijas Republikas Saeima [Storkammer], 2021, avsnitt 105).

Det nasjonale handlingsrommet ved utforming av rettslig grunnlag i regelverket

Artikkel 6 nr. 3 anviser hva det supplerende rettsgrunnlaget fastsatt etter artikkel 6 nr.1 bokstav c og e kan inneholde av særlige bestemmelser for å tilpasse anvendelsen av reglene i forordningen. De særlige bestemmelsene kan blant annet gjelde de generelle vilkårene om behandlingens lovlighet, type opplysninger som blir behandlet, berørte registrerte, enhetene som opplysningene kan utleveres til, formålene med dette, formålsbegrensning, lagringsperiode og behandlingsaktiviteter og framgangsmåter for behandling.

I forordningens fortalepunkt 10 følger det at ved behandling av personopplysninger for å oppfylle en rettslig forpliktelse eller for å utføre en oppgave i allmennhetens interesse «bør medlemsstatene kunne opprettholde eller innføre nasjonale bestemmelser for nærmere å presisere anvendelsen av reglene i denne forordningen». I denne sammenhengen forstår Justis- og beredskapsdepartementet forordningen slik at det som utgangspunkt er adgang til å gi regler som presiserer prinsippene i artikkel 5 nr. 1, særlig for prinsippet om formålsbegrensning, dataminimering, riktighet, lagringsbegrensning og integritet og konfidensialitet (Prop. 56 LS (2017–2018), pkt. 6.5). Departementet uttaler at det er usikkert om artikkel 6 nr. 2 og nr. 3 åpner for å kunne skjerpe kravene til behandlingen utover det som vil følge av de generelle reglene i forordningen. Samtidig viser departementet til at prinsippene i forordningen er så skjønnsmessige at skillet mellom presiserende og skjerpende regler er flytende.

Et sentralt poeng for læringsanalyse er at artikkel 6 nr. 2 og nr. 3 ikke gir adgang til å fastsette mindre strenge krav enn det som vil følge av en tolkning av forordningens generelle regler (Prop. 56 LS (2017–2018), pkt. 6.5). Forordningen oppstiller på dette området minimumskrav som nasjonale myndigheter kan gjøre strengere.

Rettslig grunnlag ved behandling av særlige kategorier personopplysninger

Personvernforordningen artikkel 9 nr. 1 fastsetter at å behandle særlige kategorier personopplysninger er forbudt. De særlige kategoriene personopplysninger i artikkel 9 utgjør opplysninger om:

rasemessig eller etnisk opprinnelse, politisk oppfatning, religion, filosofisk overbevisning eller fagforeningsmedlemskap, samt behandling av genetiske opplysninger og biometriske opplysninger med det formål å entydig identifisere en fysisk person, helseopplysninger eller opplysninger om en fysisk persons seksuelle forhold eller seksuelle orientering

For å kunne behandle denne typen personopplysninger må et av grunnlagene i artikkel 9 nr. 2 være til stede. Blant de mulige grunnlagene for å behandle helseopplysninger er bokstav g: «Behandling nødvendig av hensyn til viktige allmenne interesser». For forskning kan bokstav j benyttes som grunnlag for behandlingen, altså såfremt den er «nødvendig for formål knyttet til vitenskapelig […] forskning eller for statistiske formål i samsvar med artikkel 89 nr. 1».

Felles for grunnlagene i bokstav g og j er at de for det første krever at det er et rettslig grunnlag for bruken i nasjonal rett. For det andre følger det av artikkel 9 nr. 2 bokstav g at behandlingen skal stå i et rimelig forhold til det målet som man søker å oppnå, må være forenelig med det grunnleggende innholdet i retten til vern av personopplysninger og sikre egnede og særlige tiltak for å verne den registrertes grunnleggende rettigheter og interesser. Når man vurderer behandlingens nødvendighet og proporsjonalitet, vil opplysningenes karakter være sentral når typen inngrep og størrelse vurderes. Hva som ligger i kravene om å sikre egnede og tilstrekkelig tiltak, gir ikke forordningen noe klart svar på (Prop. 56 LS (2017–2018), pkt. 7.1.3). Imidlertid mener Justis- og beredskapsdepartementet at det primære formålet med garantiene vil være å sikre grunnleggende personvernprinsipper når personopplysninger blir behandlet. Samtidig viser departementet til at hva garantiene vil kunne gå ut på, varierer betydelig, og at en mulig form for tiltak er regler som spesifiserer selve behandlingen.

5.2.2 Krav til å gjennomføre vurdering av personvernkonsekvenser (DPIA19)

I noen tilfeller har den behandlingsansvarlige en plikt til å vurdere konsekvensene den planlagte behandlingen av personopplysninger har for personvernet. Plikten til å vurdere personvernkonsekvensene vil etter artikkel 35 nr. 1 bli utløst dersom det er sannsynlig at den planlagte behandlingen vil utgjøre høy risiko for rettighetene og frihetene til de personene behandlingen gjelder.

Etter artikkel 35 nr. 4 skal tilsynsmyndigheten (Datatilsynet) utarbeide en liste over behandlingsaktiviteter som omfattes av kravet til å vurdere personvernkonsekvensene. I Datatilsynets oversikt inngår blant annet «behandling av personopplysninger for å evaluere læring, mestring og trivsel i skoler eller barnehager. Dette inkluderer alle utdanningsnivåer, fra barne- og ungdomsskole, videregående skoler og høyere utdanning» (Datatilsynet, 2019, pkt. 2). Dette betyr at læringsanalyse som forutsetter behandling av personopplysninger, er av høy risiko, og det er et krav at personvernkonsekvenser blir vurdert.

Når det gjelder innholdet i vurderingene av personvernkonsekvenser, fastsetter artikkel 35 nr. 7 fire elementer:

• en systematisk beskrivelse av de planlagte behandlingsaktivitetene og formålene med behandlingen

• en vurdering av om behandlingsaktivitetene er nødvendige og står i rimelig forhold til formålene

• en vurdering av risikoene for de registrertes rettigheter og friheter

• de planlagte tiltakene for å håndtere risikoen, sikre vern av personopplysninger og påvise at bestemmelsene i forordningen overholdes

Artikkel 35 nr. 9 fastsetter at dersom det er relevant skal den behandlingsansvarlige innhente synspunkter på den planlagte behandlingen fra de registrerte eller representantene deres. Med andre ord betyr det at skoleeieren bør innhente elevenes og foreldrenes eller deres representanters syn på behandlingen. Tilsvarende bør institusjonene i høyere utdanning og høyere yrkesfaglig utdanning innhente studentenes eller representantenes syn på behandlingen.

Artikkel 29-gruppen (2017) peker på at å innhente synspunkter kan skje på ulike måter avhengig av den aktuelle konteksten, for eksempel kan det gjøres ved hjelp av spørreundersøkelser. Dersom synspunktene til de registrerte går på tvers av vurderinger som behandlingsansvarlig har gjort, skal behandlingsansvarlig dokumentere hvordan opplysningene følges opp. Velger behandlingsansvarlig ikke å innhente synspunktene til de registrerte, bør også dette dokumenteres.

Datatilsynet kaller slike vurderinger av personvernkonsekvenser en kontinuerlig prosess, spesielt i de tilfellene hvor behandlingen av personopplysninger endres (Datatilsynet, 2019). At behandlingen av personopplysninger endrer seg, kan ofte være tilfelle om man bruker kunstig intelligens.

5.2.3 De registrertes rettigheter

Personvernforordningen kapittel 3 inneholder bestemmelser om de registrertes rettigheter. Disse rettighetene gir elevene og studentene mulighet til å verne om personopplysningene sine og rettighetene sine. Enkelte av bestemmelsene retter seg mot behandlingsansvarlig (informasjonsplikten i artiklene 12–14), og behandlingsansvarlig plikter uansett å legge til rette for at de registrerte kan utøve rettighetene sine.

Om barns rettigheter i personvernregelverket

Utgangspunktet i personvernforordningen er at alle har de samme rettighetene ved behandling av personopplysninger. Det vil innebære at barn og voksne har de samme rettighetene. Forordningen sier ikke noe om hvem som regnes som barn. Det var opprinnelig foreslått å definere barn som personer under 18 år, men denne definisjonen ble ikke tatt med i den vedtatte teksten.

Forordningens fortalepunkt 38 understreker imidlertid at barns personopplysninger har et særlig vern. Som begrunnelse vises det til at barn er «mindre bevisste på aktuelle risikoer, konsekvenser og garantier samt på de rettigheter de har når det gjelder behandling av personopplysninger».

Når det er tale om informasjon om rettigheter og å kommunisere om dem med barn, skal den behandlingsansvarlige ifølge artikkel 12 nr. 1 legge fram informasjonen på en «kortfattet, åpen, forståelig og lett tilgjengelig måte og på et klart og enkelt språk».

Foreldres adgang til å utøve rettigheter på vegne av barnet

I personvernregelverket er det ingen regler som uttrykkelig regulerer adgangen foreldre har til å gjøre gjeldende barnets rettigheter.

I retningslinjene fra Det europeiske personvernrådet om innsyn i personopplysninger etter artikkel 15, understreker personvernrådet at å få innsyn i personopplysningene sine er en rettighet for barn, og at det er barnet selv som har rett til å utøve rettigheten. Samtidig viser personvernrådet til at det, avhengig av barnets modenhet og kapasitet, vil kunne være nødvendig for foreldre å utøve rettigheten på vegne av barnet (Det europeiske personvernrådet (EDPB), 2022).

Datatilsynet tar utgangspunkt i at det ikke gjelder en generell myndighetsalder på utdanningsområdet, og peker på at det ikke finnes en personvernrettslig myndighetsalder (Datatilsynet, 2023). Samtidig legger Datatilsynet til grunn at foreldre har foreldreansvar fram til barnet er 18 år, og at foreldre som utgangspunkt kan be om innsyn i opplysninger som er lagret om barnet i læringsplattformer. Imidlertid uttaler Datatilsynet også at det vil måtte vurderes skjønnsmessig i det konkrete tilfellet, hvor blant annet alderen på barnet, graden av modenhet og typen personopplysninger vil inngå i vurderingen av om foreldre kan be om innsyn på vegne av barnet.

Ekspertgruppen peker på at den rettslige adgangen for foreldre til å gjøre gjeldende rettigheter på vegne av barnet er svært skjønnsmessig regulert. Det kan være krevende å vurdere dette uten tydelige føringer, samtidig som fleksibiliteten gjør det mulig å tilpasse vurderinger til den enkelte eleven og omstendighetene for øvrig.

Når det gjelder foreldres selvstendige rett til opplysninger om barn, fastsetter barneloven § 47 at foreldre med foreldreansvar som hovedregel har rett til opplysninger om barnet når de ber om det. Eventuelle avslag kan påklages til statsforvalteren.

Retten til informasjon

For informasjon som er samlet inn fra den registrerte, skal vedkommende etter artikkel 13 blant annet få informasjon om formålene ved den planlagte behandlingen og det rettslige grunnlaget for behandlingen. I tillegg skal den registrerte få informasjon om lagringstid og informasjon om retten til å kunne utøve rettighetene ellers i forordningen.

Ved læringsanalyse blir ikke alltid personopplysninger samlet direkte fra elever og studenter. Når personopplysninger ikke er samlet inn fra den registrerte, utløses den skjerpende informasjonsplikten i artikkel 14. I tillegg til kravene etter artikkel 13 innebærer artikkel 14 blant annet at den registrerte skal få informasjon om hvilke kategorier av personopplysninger som blir behandlet, og hvilken kilde personopplysningene som er samlet inn, kommer fra.

Rett til innsyn

Artikkel 15 fastsetter at de registrerte har rett til innsyn i personopplysninger om seg selv. I tillegg inneholder bestemmelsen en oversikt over hva slags informasjon de registrerte har rett til å få innsyn i. Av det som er relevant for elever og studenter, er særlig retten til å få innsyn i hvilke personopplysninger som behandles, til hvilke formål de behandles, i lagringstiden på dem, og i de kriteriene som fastsetter lengden på lagringstiden.

Rett til retting og sletting

Retten til retting i artikkel 16 gir de registrerte en rett til å få uriktige opplysninger om seg selv rettet av den behandlingsansvarlige. Retten til retting må ses i sammenheng med formålet med behandlingen. Dersom formålet for eksempel er å evaluere eller måle kompetansen til en elev eller student, er det graden av presisjon og feil i besvarelser som gir grunnlaget for å kunne oppnå behandlingens formål. Slike feil vil ikke gi grunnlag til retting etter personvernregelverket (C-434/16 (Nowak), 2017, avsnitt 53). Likevel kan det oppstå tilfeller der en eksamensbesvarelse og kommentarene sensoren har gitt til denne, kan vise seg å være uriktige i forordningens forstand. Et eksempel er hvis besvarelsen har blitt byttet med en annen, eller at deler av besvarelsen har blitt borte slik at ikke besvarelsen er komplett.

Retten til sletting gir i artikkel 17 de registrerte en rett til å få personopplysninger slettet av den behandlingsansvarlige. Ofte blir denne retten omtalt som «retten til å bli glemt». Visse vilkår må være oppfylt for at retten til sletting skal gjelde. Blant annet har den registrerte rett til å få slettet opplysninger som ikke lenger er nødvendige å behandle for formålet, eller der personopplysningene har vært behandlet ulovlig. Retten til sletting vil også være til stede dersom den registrerte har protestert mot behandlingen etter artikkel 21 og det ikke foreligger tungtveiende interesser for behandlingen.

Bestemmelsen gjelder ikke for behandlinger som er nødvendige for å oppfylle rettslige forpliktelser og oppgaver i allmennhetens interesse, jf. artikkel 17 nr. 3.

Rett til dataportabilitet

Retten til dataportabilitet, altså muligheten til å flytte data (innhold) mellom forskjellige tjenester og systemer, innebærer ifølge personvernforordningen artikkel 20 at de registrerte som utgangspunkt har «rett til å motta personopplysninger om seg selv som vedkommende har gitt til en behandlingsansvarlig, i et strukturert, alminnelig anvendt og maskinlesbart format og skal ha rett til å overføre nevnte opplysninger til en annen behandlingsansvarlig».

Rett til å protestere

Retten til å protestere mot en behandling i forordningens artikkel 21 innebærer at de registrerte ved forespørsel kan stoppe en ellers lovlig behandling av personopplysninger. Dersom vilkårene for retten til å protestere er oppfylt, vil den registrerte også kunne kreve at personopplysningene som behandles blir slettet. Retten til å protestere foreligger hvis det rettslige grunnlaget for behandlingen er en «oppgave i allmennhetens interesse» etter artikkel 6 nr. 1. Det innebærer at retten til å protestere ikke foreligger hvis det rettslige grunnlaget for behandlingen er en «rettslig forpliktelse» etter artikkel 6 nr. 1 bokstav c.

Det er ett sentralt unntak for retten til å protestere i forordningens artikkel 21 nr. 1. Dersom den behandlingsansvarlige kan «påvise at det foreligger tvingende berettigede grunner for behandlingen som går foran den registrertes interesser», så kan behandlingen av personopplysningene fortsette. Denne vurderingen vil etter ordlyden ta utgangspunkt i «grunner knyttet til vedkommendes særlige situasjon».

Det er ikke avklart hvordan det nærmere innholdet i retten til å protestere skal fastlegges i utdanningssammenheng. Personvernnemnda har behandlet flere saker som gjelder retten til å protestere og sletting, og har kommet til at det forelå «tvingende berettige grunner for behandlingen».20 Slik ekspertgruppen vurderer det, har ingen av disse sakene direkte relevans for læringsanalyse, for de har først og fremst omhandlet sletting av treff i søkemotorer og arkivplikt veid opp mot de registrertes interesser.

Det har vært knyttet usikkerhet til hvordan retten til å protestere skal håndteres rent praktisk. Eksempler på det er dersom rettigheten utløser mange forespørsler, og ikke minst altså spørsmålet om hvordan den behandlingsansvarlige skal håndtere forespørsler om å protestere mot behandlingen (Prop. 56 LS (2017–2018), pkt. 10.5.4).

Retten til å ikke være gjenstand for automatiserte avgjørelsesprosesser

Avgjørelser som er helautomatiserte er regulert i forordningens artikkel 22. Det følger av bestemmelsen i nr. 1 at den registrerte har rett til å ikke være gjenstand for en «avgjørelse som utelukkende er basert på automatisert behandling, herunder profilering, som har rettsvirkning for eller på tilsvarende måte i betydelig grad påvirker vedkommende». Tre vilkår må være til stede for at den registrerte har rett til å ikke være gjenstand for en automatisk avgjørelse: 1) «avgjørelse» 2) «utelukkende er basert på automatisert behandling, herunder profilering», 3) «som har rettsvirkning for eller på tilsvarende måte i betydelig grad påvirker vedkommende».

For det første må det være snakk om en «avgjørelse», altså noe som indikerer at det er tatt en beslutning eller gjort vurderinger som vil kunne være utgangspunkt for videre handling.

For det andre er det vilkår om at avgjørelsen «utelukkende er basert på automatisert behandling, herunder profilering». Profilering innebærer etter definisjonen i artikkel 4 nr. 4 «enhver form for automatisert behandling av personopplysninger som innebærer å bruke personopplysninger for å vurdere visse personlige aspekter knyttet til en fysisk person».

At avgjørelsen er «utelukkende basert på automatisert behandling», forutsetter at en person ikke er i stand til å reelt sett påvirke avgjørelsen. Tilfeller hvor en person er involvert i beslutningsprosessen, men ikke aktivt tar stilling til den automatiserte vurderingen før vedkommende formelt treffer avgjørelsen, vil falle under artikkel 22 (Bygrave, 2020). I en situasjon hvor det er snakk om beslutningsstøtte som personen som treffer avgjørelsen, reelt sett vurderer, gjelder ikke artikkel 22.

For det tredje må avgjørelsen ha «rettsvirkning for eller på tilsvarende måte i betydelig grad påvirker vedkommende [den registrerte personen]». Dette vil typisk inkludere vedtak i forvaltningen, som har rettsvirkning i den forstand at vedtaket fastsetter rettigheter og plikter. Hva som vil kunne påvirke vedkommende på tilsvarende måte, vil kunne være krevende å fastlegge konkret. Imidlertid må avgjørelsene kunne ha konsekvenser som i alvorlig grad vil kunne påvirke velferden til vedkommende. Artikkel 29-gruppen (2018) gir eksempler på hva som kan falle inn i kategorien, og har med følgende eksempel fra utdanningssektoren: «decisions that affect someone’s access to education, for example university admissions» (s. 22). I tillegg viser Artikkel 29-gruppen til at terskelen for at avgjørelsen i betydelig grad påvirker vedkommende kan være nådd når det er snakk om avgjørelser med tydelig påvirkning på omstendigheter, atferd eller valg, som kan ha betydelige langvarige eller permanente virkninger, og som vil kunne føre til diskriminering eller ekskludering av enkelte.

På nærmere vilkår kan det gjøres unntak fra retten til å ikke være gjenstand for en automatisert avgjørelse. Etter artikkel 22 nr. 2 bokstav b vil nasjonale myndigheter kunne fastsette regelverk som tillater automatiserte avgjørelser, under forutsetning av at det er fastsatt egnede tiltak for å verne den registrertes friheter og rettigheter.

Etter artikkel 22 nr. 4 kan ikke automatiserte avgjørelser bygge på særlige kategorier personopplysninger i artikkel 9 nr. 1. Likevel kan det gjøres unntak fra utgangspunktet hvis behandlingen er nødvendig av «viktige allmenne interesser» i samsvar med artikkel 9 nr. 2 bokstav g, og det blir innført egnede tiltak til å verne rettighetene og frihetene til de registrerte.

5.3 Regelverket i utdanningssektoren

Det er et omfattende lov- og forskriftsverk som regulerer utdanningssektoren. I dette delkapitlet viser vi til overordnede bestemmelser som fastsetter formålet med utdanningen. Vi drøfter imidlertid de generelle bestemmelser om behandling av personopplysninger og mulige supplerende rettslige grunnlag for de ulike utdanningsnivåene i kapitlene 10.3–10.5.

5.3.1 Regelverket i grunnopplæringen

Det er i hovedsak opplæringsloven og forskrift til opplæringsloven som er de relevante regelverkene for læringsanalyse i grunnopplæringen. Privatskoleloven gjelder grunnskoleopplæring og videregående opplæring med rett til statstilskudd. For å unngå dobbeltbehandling drøfter vi ikke bestemmelsene i privatskoleloven og tilhørende forskrift. Vi legger til grunn at vurderinger og forslag knyttet til opplæringsloven har samme relevans for de tilsvarende bestemmelsene i privatskoleloven.

I sluttfasen av arbeidet vårt la Kunnskapsdepartementet fram forslag til ny opplæringslov (Prop. 57 L (2022–2023)). I denne beskrivelsen tar vi imidlertid utgangspunkt i bestemmelsene i dagens lov.

Opplæringens formål

Opplæringsloven § 1-1 fastsetter opplæringens formål over syv avsnitt. Bestemmelsen gir blant annet uttrykk for de verdiene som skal ligge til grunn for opplæringen, hva opplæringen skal bidra til og gi innsikt i. Formålsbestemmelsen retter seg ikke direkte mot pedagogiske metoder som skal ligge til grunn for opplæringen, men i det femte avsnittet fastsettes det at «[e]levane og lærlingane skal utvikle kunnskap, dugleik og holdningar for å kunne meistre liva sine og for å kunne delta i arbeid og fellesskap i samfunnet. Dei skal få utfalde skaparglede, engasjement og utforskartrong». I sjette avsnitt blir det uttrykt at elevene «skal ha medansvar og rett til medverknad».

Bestemmelser i opplæringsloven med spesifikk relevans for grunnskolen

Det følger av opplæringsloven § 2-1 første avsnitt at barn og unge har plikt til grunnskoleopplæring og rett til en «offentleg grunnskoleopplæring i samsvar med denne lova og tilhøyrande forskrifter». I opplæringsloven § 13-1 blir det slått fast i første avsnitt at kommunen har plikt til å oppfylle retten barn og unge har til grunnskoleopplæring, for alle som er bosatt i kommunen. Når det gjelder innhold og vurdering i opplæringen, følger det av opplæringsloven § 2-3 tredje avsnitt at Kunnskapsdepartementet blant annet kan gi forskrifter om «omfanget av opplæringa og gjennomføringa av opplæringa».

Bestemmelser i opplæringsloven med spesifikk relevans for videregående opplæring

Retten til videregående opplæring er fastsatt i opplæringsloven § 3-1 hvor det følger at «[e]levar, lærlingar, praksisbrevkandidatar og lærekandidatar har rett til opplæring i samsvar med denne lova og tilhøyrande forskrifter». Det er fylkeskommunen som etter opplæringsloven § 13-3 første avsnitt har plikt til å oppfylle retten til videregående opplæring for alle som bor i fylkeskommunen. Etter opplæringsloven § 3-4 første avsnitt kan Kunnskapsdepartementet gi forskrifter blant annet omfanget og gjennomføringen av den videregående opplæringen.

5.3.2 Regelverket i høyere utdanning og høyere yrkesfaglig utdanning

Det er flere lover og forskrifter som regulerer høyere utdanning og høyere yrkesfaglig utdanning. Universitetene og høyskolene er regulert i universitets- og høyskoleloven. Studiekvalitetsforskriften21 gjelder kvalitetssikring og kvalitetsarbeid i både høyere utdanning og høyere yrkesfaglig utdanning. Studietilsynsforskriften22 gjelder kun høyere utdanning. Fagskolene er regulert i fagskoleloven, fagskoleforskriften23 og fagskoletilsynsforskriften24.

Formål

Formålsbestemmelsen i universitets- og høyskoleloven § 1-1 fastsetter at ett av formålene til institusjonene er å «tilby høyere utdanning på høyt internasjonalt nivå». Universitets- og høyskoleloven § 1-3 formulerer oppgavene institusjonene har. Her heter det at institusjonene blant annet skal «tilby høyere utdanning basert på det fremste innenfor forskning, faglig og kunstnerisk utviklingsarbeid og erfaringskunnskap». Etter universitets- og høyskoleloven § 1-5 første avsnitt har institusjonene ansvar for å sikre at undervisning «utøves i overensstemmelse med anerkjente vitenskapelige, kunstfaglige, pedagogiske og etiske prinsipper».

Fagskoleloven § 1 slår fast at lovens formål «er å legge til rette for fagskoleutdanning av høy kvalitet og for at fagskolestudentene får gode utdanningsvilkår». Når det gjelder krav til fagskoleutdanningen følger det av fagskoleloven § 4 tredje avsnitt at utdanningen «skal bygge på kunnskap og erfaring fra ett eller flere yrkesfelt og være i samsvar med relevante pedagogiske, etiske, kunstfaglige og vitenskapelige prinsipper».

5.4 Regulering av kunstig intelligens (KI)

Det er sannsynlig at reguleringen av kunstig intelligens blir utvidet i nær framtid med to nye europeiske regelverk. De nye reguleringene av kunstig intelligens går lengre enn den generelle reguleringen i personvernforordningen og de spesifikke reglene om bruk av personopplysninger til blant annet profilering i artikkel 22. De to nye regelverksforslagene på det europeiske nivået tar mål av seg til å regulere blant annet utviklingen, markedsføringen og bruken av kunstig intelligens. Den første er EUs foreslåtte KI-forordning (EU-kommisjonen, 2021), og den andre er Europarådets foreslåtte konvensjon om KI (Europarådet, 2023).

Disse foreslåtte regelverkene kan påvirke hvordan kunstig intelligens blir brukt i læringsanalyse. Utviklingen kan føre til at enkelte etiske prinsipper blir rettsliggjort, som i sin tur kan føre til en mer transnasjonal utvikling av læringsanalyseteknologier innenfor Europa. Da kan nye aktører komme til og andre mekanismer bli etablert, noe som vil være relevant for utdanningssektoren.

5.4.1 EUs forordning om kunstig intelligens

I april 2021 foreslo EU-kommisjonen en KI-forordning: Artificial Intelligence Act. Det overordnede målet med forslaget er todelt: på den ene siden å gjøre det enklere å utnytte potensialet i kunstig intelligens, blant annet ved å fjerne barrierer som knytter seg til handel. På den andre siden handler det om å beskytte samfunn og individer mot skader, særlig når det gjelder personlig sikkerhet og menneskerettigheter.

Forordningen vil gjelde «systemer» med kunstig intelligens, som er definert veldig bredt i artikkel 3 nr. 1 (dansk oversettelse):

system med kunstig intelligens (AI-system): software, der er udviklet ved hjælp af en eller flere af de i bilag I anførte teknikker og tilgange, og som med henblik på et givet sæt mål, der er fastsat af mennesker, kan generere output såsom indhold, forudsigelser, anbefalinger eller beslutninger, der påvirker de miljøer, de interagerer med

En risikobasert tilnærming er brukt til å både definere reguleringsnivået til hvert KI-system og til å anvende forordningen (Mahler, 2022). Når det gjelder reguleringsnivået, skiller forslaget mellom fire hovedkategorier av risikoer. Det er KI-systemer som (1) inneholder uakseptable risikoer og derfor er forbudt, (2) som er høyrisikosystemer som må overholde spesifikke krav, (3) som representerer begrensede risikoer og kommer med færre krav, og (4) som har minimal risiko og ingen krav som gjelder (Veale og Borgesius, 2021).

Kunstig intelligens i utdanning er etter forordningens vedlegg III nr. 3 kategorisert som høyrisiko på bestemte områder:

• (a) AI-systemer, der er beregnet til at fastslå, om fysiske personer skal optages, eller hvordan de skal fordeles, på uddannelsesinstitutioner

• (b) AI-systemer, der er beregnet til evaluering af studerende på uddannelsesinstitutioner og til at vurdere personer i forbindelse med prøver, der normalt kræves for at få adgang til uddannelsesinstitutioner

Kapittel 2 av forordningen inneholder en rekke krav til høyrisikosystemer, blant annet et risikostyringssystem, gode treningsmodeller og god datastyring, teknisk dokumentasjon, registering av dataprosesser, gjennomsiktighet og formidling av opplysninger til brukere, menneskelig tilsyn, nøyaktighet, robusthet og cybersikkerhet (artiklene 8–15 i Avsnitt III). Artiklene 16–51 beskriver i detalj hvilke forpliktelser som leverandører og brukere av høyrisiko KI-systemer har.

5.4.2 Europarådets konvensjon om kunstig intelligens

Høsten 2019 etablerte Europarådet en innsatsgruppe som skulle vurdere mulighetene og truslene som kunstig intelligens medfører for menneskerettighetene (Kommunal- og moderniseringsdepartementet, 2020). Etter en innledende rapport ble komiteen formalisert i 2022 som en Committee on Artificial Intelligence (CAI) (Europarådet, 2023). I januar 2023 la komiteen fram et utkast til konvensjon: «Revised Zero Draft [Framework] Convention on Artificial Intelligence, Human Rights, Democracy and the Rule of Law». Som i EU-forslaget er oppmerksomheten rettet mot systemer, og definisjonen av KI er bred, men konvensjonsutkastet vektlegger funksjonaliteter mer:

«artificial intelligence system» means any algorithmic system or a combination of such systems that, as defined herein and in the domestic law of each Party, uses computational methods derived from statistics or other mathematical techniques to carry out functions that are commonly associated with, or would otherwise require, human intelligence and that either assists or replaces the judgment of human decision-makers in carrying out those functions. Such functions include, but are not limited to, prediction, planning, classification, pattern recognition, organisation, perception, speech/sound/image recognition, text/sound/image generation, language translation, communication, learning, representation, and problem-solving […]

Rekkevidden konvensjonen vil få, er muligens større enn forslaget fra EU vil få, fordi konvensjonen retter seg mot hele livssyklusen til KI-systemene uavhengig av om det er offentlige eller private aktører involvert i designen, utviklingen eller bruken av dem (artikkel 4). Artiklene 5–11 inneholder en rekke plikter for statene. Dette inkluderer plikt til å forsikre seg om at bruken av KI i forvaltningsvedtak respekterer menneskerettigheter, å minimere skader ved å bruke KI-systemer og å vurdere mulige risikoer. Utdanning er eksplisitt nevnt i artikkel 8(a):

Each Party shall, within its respective jurisdiction, ensure that: […] the application of an artificial intelligence system in provision of goods, facilities and services in essential areas, such as but not restricted to, health, family care, housing, energy consumption, transport, food supply, education, employment, finance, environmental protection, digital information, media and communication is fully compatible with its domestic law and any applicable international law insofar as these require relevant public and private actors to respect human rights and fundamental freedoms.

Resten av konvensjonen inneholder prinsipper som gjelder design, utvikling og ulike typer bruk av KI-systemer (artiklene 12–18), overvåkningmekanismer (artiklene 19–23), og risikovurdering og trening (artiklene 24–26). Viktige prinsipper inkluderer likebehandling og ikke-diskriminering, respekt for personvern, overensstemmelse med lov, ansvarlig oppfølging (accountability), transparens og sikkerhetsrutiner. I tillegg handler prinsippene om å hindre skadelige innovasjonsprosesser, legge til rette for offentlig debatt og bidra til økt digital kompetanse i befolkningen. Statene skal også sikre at leverandører og brukere tar hensyn til og vurderer KI-relaterte risikoer.