Les éducateurs de tout le pays constatent un besoin accru de collecter et d’utiliser des données pour éclairer les décisions alors qu’ils s’efforcent d’aider les élèves. La pandémie a gravement perturbé nos écoles et de nombreux districts ont utilisé toutes les données sur les élèves dont ils disposaient pour identifier ceux qui étaient en difficulté et la meilleure façon de leur apporter un soutien.

Alors que les districts continuent de réagir aux circonstances changeantes de la pandémie, il reste essentiel de tirer le meilleur parti de toutes les données disponibles pour améliorer les résultats des élèves afin de comprendre les facteurs qui contribuent le plus à la réussite des élèves.

Le pouvoir de l’utilisation des données est immense. Lorsqu'il est utilisé correctement, il peut aider les quartiers prendre des décisions vitales concernant la définition d’objectifs et la fourniture d’un soutien ciblé aux étudiants. Que vous soyez nouveau dans l'analyse de données de la maternelle à la 12e année ou un vétéran chevronné, voici trois façons pratiques d'appliquer les données pour aider à obtenir de meilleurs résultats pour les élèves.

1. Utilisez les données pour avoir une image globale afin d'identifier et de soutenir les étudiants à risque 

Les enseignants peuvent et doivent utiliser les données pour obtenir une vision globale de chaque élève. Un point de données provenant d’une seule observation ne raconte jamais l’histoire complète d’un élève. La capture des données académiques, comportementales, d'assiduité et d'engagement d'un élève peut fournir une compréhension approfondie et éclairée de qui est l'élève, de ses réussites et des domaines dans lesquels son développement est nécessaire. La création de tableaux de bord provenant de différents domaines d’intérêt peut souvent mettre en lumière les tendances et les signes avant-coureurs, fournissant ainsi des informations permettant d’identifier les étudiants qui pourraient avoir besoin d’aide.

Un collège du Mississippi a cherché à visualiser des données basées sur son modèle à risque local composé de trois catégories : assiduité, discipline et notes. Chaque catégorie avait son propre score de risque allant de zéro à trois. La combinaison des trois catégories a généré un score de risque total possible allant de zéro à neuf. Voir le tableau Critères de risque personnalisés ci-dessous pour référence. En ce qui concerne l'assiduité, manquer cinq ou six jours d'école entraînerait un risque d'assiduité de deux, tendant vers un risque élevé d'absences. En supposant que le même élève n'a manqué aucun jour d'école supplémentaire, n'a subi aucun incident disciplinaire et que toutes ses notes étaient supérieures à 70, son score total à risque resterait de deux.

La spécification d'une rubrique unique et à plusieurs niveaux pour chaque catégorie de risque a fourni une riche quantité d'informations et un moyen naturel d'analyser et d'analyser les données. Dans ce cas, l'administration scolaire a découvert que l'absentéisme chronique représentait le risque le plus élevé parmi sa population étudiante, 97 % des élèves présentant au moins un point de risque attribuable aux absences. Les événements disciplinaires étaient globalement négligeables, avec peu de points de risque globaux provenant de cette catégorie. Le risque basé sur de faibles performances en classe a révélé une tendance intéressante mais troublante. Même si peu d’élèves étaient à risque en raison de leurs faibles notes en classe, la plupart des élèves de ce groupe avaient un score global à risque élevé (une moyenne de six). De plus, ces données ont révélé que les élèves qui échouaient dans une matière en classe échouaient généralement également dans au moins une autre matière.

Le filtrage et la comparaison des résultats par niveau scolaire et d'autres facteurs démographiques ont permis aux éducateurs de voir si des différences apparaissaient en fonction de la situation actuelle des élèves (par exemple, sans abri ou participant à un programme parascolaire). En d’autres termes, ces données ont permis de déterminer si certains élèves, plus que d’autres, étaient plus ou moins fréquemment observés comme présentant un risque global élevé ou un risque élevé selon des catégories particulières.