미국 전역의 교육자들은 학생들을 돕기 위해 일할 때 결정을 알리기 위해 데이터를 수집하고 사용해야 할 필요성이 더 크다고 보고 있습니다. 팬데믹은 우리 학교를 심각하게 혼란에 빠뜨렸고, 많은 학군은 어려움을 겪고 있는 사람과 지원을 가장 잘 제공하는 방법을 식별하는 데 필요한 모든 학생 데이터를 사용했습니다.
학군이 팬데믹의 진화하는 상황에 계속 대응함에 따라 학생의 성과를 개선하기 위해 사용 가능한 모든 데이터를 최대한 활용하는 것은 학생의 성공에 가장 크게 기여하는 요인을 이해하는 데 여전히 중요합니다.
데이터 활용의 힘은 대단합니다. 적절하게 사용하면 도움이 될 수 있습니다 지구 목표를 설정하고 학생들을 대상으로 한 지원을 제공하는 데 중요한 결정을 내립니다. K-12의 데이터 분석이 처음이건 노련한 베테랑이건 상관없이 다음은 더 나은 학생 결과를 이끌어내는 데 도움이 되는 데이터를 적용하는 세 가지 실용적인 방법입니다.
1. 데이터를 사용하여 위험에 처한 학생 식별 및 지원을 위한 전체적인 그림 보기
교육자는 데이터를 사용하여 각 학생에 대한 전체적인 관점을 얻을 수 있고 사용해야 합니다. 단일 관찰에서 얻은 하나의 데이터 포인트는 결코 학생의 전체 이야기를 말해주지 않습니다. 학생의 학업, 행동, 출석 및 참여 데이터를 캡처하면 학생이 누구인지, 어디에서 성공하고 있으며 어디에서 발전이 필요한지 깊이 있고 정보에 입각한 이해를 제공할 수 있습니다. 다양한 관심 영역의 데이터를 대시보드하면 종종 추세와 조기 경고 신호를 조명하여 지원이 필요한 학생을 식별할 수 있는 정보를 제공할 수 있습니다.
미시시피의 한 중학교는 출석, 규율 및 성적의 세 가지 범주로 구성된 자체 개발 위험 모델을 기반으로 데이터를 시각화하려고 했습니다. 각 범주에는 XNUMX에서 XNUMX 사이의 고유한 위험 점수가 있었습니다. 세 가지 범주를 모두 결합하면 XNUMX에서 XNUMX 사이의 총 가능한 위험 점수가 생성되었습니다. 차트 참조 사용자 지정 위험 기준 참고로 아래. 출석의 경우 70~XNUMX일 결석하면 출석 위험이 XNUMX가 되며 결석 위험이 높은 경향이 있습니다. 같은 학생이 결석한 날이 없고 징계 사건이 없고 모든 성적이 XNUMX점 이상이라고 가정하면 위험에 처한 총 점수는 XNUMX로 유지됩니다.
각 위험 범주에 대해 고유한 다중 계층 루브릭을 지정하면 풍부한 정보와 데이터를 구문 분석하고 분석하는 자연스러운 방법이 제공됩니다. 이 경우 학교 행정실은 학생 인구 중 만성 결석이 가장 큰 위험을 차지한다는 사실을 발견했으며, 97%의 학생이 결석으로 인한 하나 이상의 위험 지점을 가지고 있습니다. 징계 사건은 이 범주에서 오는 전반적인 위험 포인트가 거의 없어 전반적으로 무시할 수 있었습니다. 교실에서의 낮은 성과에 기반한 위험은 흥미롭지만 문제가 되는 패턴을 드러냈습니다. 낮은 학급 성적으로 인해 위험에 처한 학생은 거의 없었지만 이 그룹에 속한 대부분의 학생은 전반적으로 위험도가 높은 점수(평균 XNUMX점)를 받았습니다. 더욱이, 이 데이터는 한 교실 과목에서 낙제한 학생들이 일반적으로 적어도 다른 과목에서도 낙제를 하고 있음을 보여주었습니다.
# 결석 | # 위반 | # 70 미만의 등급 | 점수 |
0 – 1 | 0 | 0 | 0 |
2 – 4 | 1 – 2 | 1 | 1 |
5 – 6 | 3 | 2 | 2 |
7 이상 | 4 이상 | 3 이상 | 3 |
0 – 3 | 0 – 3 | 0 – 3 | 0 – 9 |
학년 수준 및 기타 인구통계학적 요인별로 결과를 필터링하고 비교함으로써 교육자들은 학생의 현재 상황(예: 노숙자 경험 또는 방과후 프로그램 참여)에 따라 차이가 나타나는지 확인할 수 있습니다. 다시 말해서, 이 데이터는 일부 학생이 다른 학생보다 더 많이 또는 특정 범주에 의해 전반적으로 고위험 또는 고위험으로 다소 자주 관찰되었는지 여부를 알려줍니다.