Datadrevne beslutninger blir i økende grad anerkjent som en kritisk komponent i grunnskoleutdanning, som forbedrer personlig læring, forbedrer vurdering og tilbakemelding, optimaliserer ressursallokering og fremmer tidlig intervensjon. Disse beslutningene blir informert ved å analysere ulike typer data, for eksempel akademiske prestasjoner, ikke-akademiske faktorer, program- og systemdata og persepsjonsdata. I sin tur hjelper denne analysen lærere med å ta informerte valg som direkte påvirker elevenes læring og skolens effektivitet.

Til tross for fordelene, byr det på utfordringer å implementere datadrevet beslutningstaking i utdanning. Skoleledere og lærere kan trenge mer tid, verktøy, kompetanse og faglig utvikling for å samle inn, analysere og tolke data effektivt. Dessuten er det et skille mellom å være datarik og data-drevet. Innsamling av data er viktig, men det kan øke presset på lærere som allerede kan være overbelastet med ansvar. Datastyringssystemer av høy kvalitet som automatiserer innsamlings- og analyseprosessene er nøkkelen for institusjoner som ønsker å skifte mot en datadrevet modell.

Nylig snakket EdSurge med Becky Mathison, assisterende overlege for innovasjon, undervisning og læring ved Winnetka offentlige skoler, Illinois, om hvordan distriktet hennes støtter lærere i effektiv og effektiv dataanalyse og bruk. Med over 10 års erfaring i administrative roller på distriktsnivå med fokus på pensum, instruksjon og vurdering, har hun omfattende ekspertise i å bygge og avgrense databasebeslutningssystemer. Før hennes administrative roller var Mathison naturfaglærer på ungdomsskolen, ledet team på klassetrinn og naturfagavdelingen. I løpet av denne tiden dukket først interessen hennes for forholdet mellom elevenes læringsutbytte og datadrevet innsikt frem, og veiledet hennes tilnærming til å forstå elevenes fremgang og informere om fremtidige utdanningsstrategier.

EdSurge: Hvorfor er datadrevet beslutningstaking viktig i grunnskoleutdanning på klasseroms- og distriktsnivå?

Mathison: Data kan bidra til å informere mange instruksjonsstrategier, noe som er spesielt viktig i den nåværende alderen der skolene blir bedt om å gjøre mer og mer. Balansen mellom kvantitative og kvalitative data er viktig. Når det gjelder kvantitative data, er det uvurderlig å ha noe som er normert. Det gjør det mulig å sammenligne en elevs vekst over tid og også notere deres prestasjoner mot referanser. Det er en måte å finne ut hvor vi skal skinne lyset vårt på.

En annen tilnærming innebærer å analysere studentarbeidsprøver og lærertilbakemeldinger, og tilby et mer helhetlig syn på elevenes behov. Tidligere, som lærer, var hovedfokuset på å levere innhold. Men i dag er det en økende erkjennelse av viktigheten av å dedikere mer tid i løpet av skoledagen til sosial-emosjonell læring og fysisk aktivitet og gi elevene mer autonomi i læringen. Kvalitative data er fortsatt like effektive i denne forbindelse.

Fra et system- eller distriktsperspektiv er det veldig viktig å sikre konsistens mellom og mellom klassetrinn. Avtalte sett med data – enten det er universelle screeners, vanlige formative vurderinger med en rubrikk eller prosjekter som studentene jobber med – gir oss en måte å kalibrere på tvers av systemet slik at vi kan finne ut hvor vi kan trenge å gjøre justeringer med pensum eller gjøre ting annerledes med bemanning på grunn av elevbehov.

Hvordan øker dynamikken i kvantitative og kvalitative data effektiviteten og effektiviteten til pedagogiske beslutningsprosesser?

Å ha kvantitative data lett tilgjengelig øker effektiviteten til profesjonelle læringsfellesskap (PLS) som kommer sammen. Hvis du raskt er i stand til å gruppere elever etter data, kan det spare mye tid slik at lærere rundt bordet kan bruke hjernekraften sin til å analysere hva dataene betyr, fastslå inkonsekvenser, identifisere når mer informasjon er nødvendig og diskutere elever som kan ha nytte av fra studenttjenester eller til og med akselerasjon på klassetrinn.

Når den programmatiske matchingen på høyt nivå er gjort, kommer de kvalitative dataene inn. I PLS kan lærere se på disse studentgruppene fra et helbarnsperspektiv. De kan gjennomgå studentarbeidsprøver og identifisere styrkeområder eller ferdigheter som trenger forbedring, noe som hjelper oss med å finne riktig støtte som trengs for hver elev.

Hvordan støtter du lærere og ansatte i å effektivt samle inn, analysere og bruke elevdata for å informere om undervisningspraksisen deres?

Vi fremmer en positiv datakultur og utvikler datakompetanse på tvers av distriktet. Som distriktsadministrator la jeg lærere vite at jeg ser på dataene som et utgangspunkt for å stille spørsmål for bedre å forstå hva som fungerer og ikke fungerer, og til slutt jobbe mot en optimal elevopplevelse.

Å utvikle datakompetanse betyr å snakke gjennom ikke bare hvorfor vi bruker data, men også hvordan man bruker screeningsverktøy og hva dataene betyr. Vi nærmer oss dette med en kombinasjon av faglig utvikling og løpende, jobbinnbakt støtte. Den faglige utviklingsdelen av det er meldinger: Dette er grunnen til at vi som distrikt er på vei i denne retningen, dette er de forskjellige verktøyene og støttene vi skal gi deg, og dette er verdien av data. Deretter har vi et team av trenere som samarbeider med bygningsadministratorer for å støtte lærere i å bruke verktøyene, samle inn data og forstå hva det betyr i deres kontekst.

Distriktet vårt bruker to dataverktøy: det ene for å analysere data lokalt og det andre for å legge dataene til fingertuppene til lærerne. Altfor ofte må lærere søke på flere plattformer for å samle elevdata. De kan bruke tre forskjellige plattformer for universell screening, en annen for oppmøte og enda en for å finne ut om hendelsesrapporter. Otus har tillatt oss å slå sammen disse dataene slik at en lærer kan gå til rapportdelen av en elevprofil og få tilgang til all denne informasjonen på ett sted. Foreløpig har vi stort sett kvantitative data i systemet. Vi legger imidlertid til flere kvalitative data med forskjellige dokumentopplastinger. For eksempel er vi i ferd med å avslutte en tier-one leseplangjennomgang. Vi har planer om å laste opp resultatene av vanlige formative vurderinger inn i systemet og eventuelt laste opp selve vurderingene.

Jeg vil også nevne viktigheten av samfunnsopplæring rundt datakompetanse, slik at foreldre forstår at når de mottar vurderingsinformasjon, er det ett øyeblikksbilde i tid. Vi tar sikte på å samarbeide med familier i vår tilnærming til datakompetanse. Et av målene våre i år var å øke foreldrekommunikasjonen rundt elevenes læring. Vi sendte hjem alle vurderingsrapportene våre. Det var verdifullt fordi det hjalp foreldre med å forstå ulike vurderinger, men hver rapport så annerledes ut og brukte ulike rapporteringsmetoder, noe som krever et annet nivå av datakompetanse.

Neste år planlegger vi å bruke Otus med foreldre. De vil kunne logge på ett sted og få tilgang til testresultatene lettere. De forskjellige dataresultatene vil bryte ned betydningen av hvert [testresultat] mens de visuelt representerer dataene på en lignende måte.

Hvilke tiltak tar du for å kontinuerlig overvåke og evaluere effektiviteten til datadrevne praksiser?

Vi har en trinnvis prosess, som starter på distriktsnivå og går ut til klasseromsnivå. Tre ganger i året, etter at vi har samlet inn universelle screeningsdata, er vårt første skritt å møte distriktsadministratorer og bygningsadministratorer, hvor vi ser på dataene for systemet. Noe av det jeg tar med i det møtet er ulike aktiviteter eller fokusområder som rektorene kan tenke seg å ta opp i sine bygninger. Deretter, den påfølgende uken, er det et bygningsledergruppemøte, som inkluderer rektor og lærerledere i bygningen, hvor de ser gjennom dataene og bestemmer fokusområder gitt deres skoleforbedringsplan. Til slutt møtes hvert av klassetrinnene for å gå gjennom dataene. På disse teammøtene vil det ikke bare være klasseromslærere, men også intervensjonister, spesialpedagoger og noen ganger relaterte kunstlærere. Vi er heldige som distrikt som har dette systemet på plass tre ganger i året. Målet er imidlertid å ha flere av disse samtalene i mellomtiden.

Datadrevet beslutningstaking ligner på annen evidensbasert praksis i skoler, som å ha en garantert og levedyktig læreplan eller å bruke vurdering for læringsprosesser. Data informerer oss om hvordan vi best kan svare på studentenes behov og jobbe mot de beste elevresultatene. Å virkelig analysere data hjelper distrikts- og skolelederne våre med å støtte lærerne våre slik at de på sin side kan støtte hver elev.

Klikk her for å lære hvordan Otus støtter skoleledere til å ta selvsikre, informerte beslutninger som driver elevvekst.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://www.edsurge.com/news/2024-04-10-how-data-drives-strategies-for-improved-student-outcomes