Oppimisanalytiikka.md

@@ -110,19 +110,19 @@ GitLab logien analysointi BELK-stackillä, joissa meillä oli asennettu seuraava
 | 6.2.4 | Kibana | Logien visualisointi | localhost | COMP4 |
 | 6.2.4 | Logstash | Logien analysointi | localhost | COMP4 |
 
-Filebeat:
+**Filebeat:**
 
 Filebeat on kevyt logien lähettämiseen tarkoitettu palvelu. Se on yhdistetty ELK-stackkiin ja on yksi monesta eri BEATS-vaihtoehdota. Käytimme tässä yhdistelmässä Filebeatia lähettämään tietystä logi-tiedostosta logidataa Logtashiin.
 
-GitLab:
+**GitLab:**
 
 GitLab on projektissa tarkkailemamme oppimisympäristö. GitLab on suunniteltu pääasiassa ohjelmistokehitys-projekteihin. GitLab palvelussa voidaan visualisoida, priorisoida sekä hallinnoida projektia sekä seurata sen edistymistä. GitLab sisältää myös ylläpitäjällä erilaisia seuranta-mahdollisuuksia admin-arealla. GitLab on myös open-source, joten sitä voidaan muokata. Saimme asennettua GitLabin helposti myös kontista, mutta sen asentaminen konttiin ei ole pakollista ja testasimme molempia vaihtoehtoja, niin localhost kuin docker asennusta.
 
-Kibana:
+**Kibana:**
 
 Kibana on datan visualisointityökalu. Tässä projektissa käytimme Kibanaa visualisoiman Elasticsearchilta saamaansa dataa. Datan avulla pystyimme visualisoimaan erilaisia graafeja, joista data on helposti luettavissa. Kibanan graafejen piirtämisessä oli aluksi opettelemista, mutta osoittautui lopulta helpommaksi kuin muiden visualisointityökalujen käyttö, joita kokeilimme. 
 
-Logstash: 
+**Logstash: **
 
 Logstash on logien parsimiseen tarkoitettu palvelu. Logstash toimii tässä tapauksessa logien parsimiseen sekä se lähettää logidataa elasticsearchille, joka varastoi sen. Logstashin konfiguroiminen tuotti eniten haasteita projektissa ja sen ajaminen kontista osoittautui yllättävän vaikeaksi. 
 
@@ -140,14 +140,14 @@ Google Cloud Matomo/Piwik toteutus:
 | 5.7 | Cloud hosted MySQL| Datan varastointi | localhost | COMP1|
 | 3.5.1 | Matomo | Datan analysointi ja kerääminen| localhost | COMP3 |
 
-Apache2: 
+**Apache2: **
 
 Apache2 kuuluu LAMP-stackkiin, jota käytetään yleisesti webbi-sviujen ylläpitämiseen. LAMP-stackin asennus oli osana Matomon UI:n pystytystä. 
 
 Cloud hosted MySQL:
 Cloud SQL on Googlen hallinnoima MySQL tietokanta. Valitsimme Googlen ylläpitämän tietokannan, koska siihen oli helpoin päästä pilven muilla koneilla kiinni ja se oli tietoturvallinen vaihtoehto. Database myös ottaa automaattisesti myös varmuuskopioita tietokannasta. Käytimme tietokantaa Matomon tietokantana.
 
-Matomo:
+**Matomo:**
 
 Matomo on entinen Piwik ja se on tarkoitettu webbi-sivujen käyttöasteen analysointiin. Se on avoimen lähdekoodin ohjelmisto. Matomo oli hyvä vaihtoehto, sillä se on itse ylläpidettävä, joten olet ainut, joka hallinnoi saatavaa tietoa, joten se toteuttaa GDPR:n. Matomo saatiin myös helposti yhdistettyä GitLabiin. Matomo analysoi mm. :
 
@@ -189,13 +189,13 @@ Sivustojen yleistä aktiivisuutta saatiin mitattua, mutta tarkempaa tietoa kuten
 
 Projektin yleistä aktiivisuutta saatiin seurattua. Tällä datalla opettaja voi seurata mm. paljonko jokin materiaali on käytössä.
 
-Toteutus 1:
+**Toteutus 1:**
 
 Parhaat tulokset saatiin injectoimalla Matomo, GitLab -palveluun. Palvelusta saatiin paljon erillaista statistiikkaa, mutta kohdennettua seurantaa projekteille ei saatu toteutettua, joka olisi eräittäin tärkeää oppimisanalytiikan kannalta. Yksittäisiä käyttäjiä pystyttiin seuraamaan käyttäjäprofiilista, muttei identifoimaan mitenkään, koska minkäänlaista user-id-trackingiä ei ollut. Käyttäjäprofiili antoi hyvin tietoa sivuista, jossa käyttäjä oli vieraillut ja kuinka pitkään. Sivuston hakukentällä haetut asiat pystyttiin myös kirjaamaan, jota voi hyödyntää kurssien parantamisessa.
 
 Matomon tarjoamat dashboardit olivat hyvin kattavia, mutta eivät muokattavissa oppimisanalytiikan kannalta tarvittaviin kokonaisuuksiin. Matomon keräämät datat ajettiin databasesta Power BI -palveluun ja koitettiin muokata kokonaisuuksiksi, joita voisi käyttää. Databasessa olevat statistiikat oli kuitenkin rakennettu niin että niistä oli erittäin vaikeaa tai jopa mahdotonta rakentaa analysointiin tarvittavia kokonaisuuksia. 
 
-Toteutus 2:
+**Toteutus 2:**
 
 Datan keräämistä koitettiin myös keräämällä ja suodattamalla GitLabin itse tuottamaa logia. BELK-stack hoiti logien kulun GitLabiltä aina Kibanalle asti, jossa dataa havainnollistettiin visuaalisesti.