Docenten in het hele land zien een grotere behoefte om gegevens te verzamelen en te gebruiken om beslissingen te nemen terwijl ze werken om studenten te helpen. De pandemie heeft onze scholen ernstig verstoord en veel districten gebruikten alle studentgegevens die ze hadden om vast te stellen wie het moeilijk had en hoe ze het beste ondersteuning konden bieden.

Aangezien districten blijven reageren op de veranderende omstandigheden van de pandemie, blijft het van cruciaal belang om alle beschikbare gegevens te benutten om de resultaten van studenten te verbeteren om inzicht te krijgen in de factoren die het meest bijdragen aan het succes van studenten.

De kracht van het gebruik van data is enorm. Bij correct gebruik kan het helpen districten belangrijke beslissingen nemen over het stellen van doelen en het bieden van gerichte ondersteuning aan studenten. Of u nu nieuw bent in data-analyse in het basis- en voortgezet onderwijs of een ervaren veteraan, hier zijn drie praktische manieren om gegevens toe te passen om betere resultaten voor studenten te stimuleren.

1. Gebruik gegevens om een ​​holistisch beeld te zien om risicostudenten te identificeren en te ondersteunen 

Docenten kunnen en moeten gegevens gebruiken om een ​​holistisch beeld van elke leerling te krijgen. Eén datapunt van een enkele observatie vertelt nooit het volledige verhaal van een leerling. Door de academische, gedrags-, aanwezigheids- en betrokkenheidsgegevens van een student vast te leggen, kan een diep, geïnformeerd begrip worden verkregen van wie de student is, waar ze slagen en waar ontwikkeling nodig is. Dashboardgegevens uit verschillende interessegebieden kunnen vaak trends en vroege waarschuwingssignalen verhelderen, waardoor informatie wordt verstrekt om te identificeren welke studenten mogelijk ondersteuning nodig hebben.

Een middelbare school in Mississippi probeerde gegevens te visualiseren op basis van hun eigen risicomodel dat uit drie categorieën bestond: aanwezigheid, discipline en cijfers. Elke categorie had zijn eigen risicoscore variërend van nul tot drie. De combinatie van alle drie de categorieën genereerde een totale mogelijke risicoscore variërend van nul tot negen. Zie grafiek Aangepaste risicocriteria hieronder voor referentie. Voor aanwezigheid zou het missen van vijf of zes dagen school een aanwezigheidsrisico van twee opleveren, wat neigt naar een hoog risico op afwezigheden. Ervan uitgaande dat diezelfde student geen extra dagen school heeft gemist, geen disciplinaire gebeurtenissen heeft gehad en al zijn cijfers hoger waren dan 70, zou hun totale risicoscore twee blijven.

Het specificeren van een unieke en meerlagige rubriek voor elke risicocategorie leverde een rijke hoeveelheid informatie op en een natuurlijke manier om gegevens te ontleden en te analyseren. In dit geval ontdekte de schooladministratie dat chronisch verzuim het grootste risico vormde onder hun studentenpopulatie, waarbij 97% van de studenten ten minste één risicopunt had dat te wijten was aan afwezigheden. Disciplinaire gebeurtenissen waren over het algemeen verwaarloosbaar, met weinig algemene risicopunten uit deze categorie. Risico gebaseerd op lage prestaties in de klas bracht een interessant maar verontrustend patroon aan het licht. Hoewel weinig studenten risico liepen vanwege lage klascijfers, hadden de meeste studenten binnen deze groep een algemene hoge risicoscore (gemiddeld zes). Bovendien bleek uit deze gegevens dat studenten die een vak uit de klas zakten, meestal ook faalden in ten minste één ander vak.

Door de resultaten te filteren en te vergelijken op leerjaarniveau en andere demografische factoren, konden onderwijzers zien of er verschillen ontstonden op basis van de huidige omstandigheden van de leerlingen (bijv. dakloosheid of deelname aan een naschools programma). Met andere woorden, deze gegevens informeerden of sommige studenten, meer dan anderen, meer of minder vaak werden gezien als algemeen hoog risico of hoog risico door bepaalde categorieën.