Datadrivna beslut erkänns alltmer som en kritisk komponent i grundskoleutbildning, vilket förbättrar personligt lärande, förbättrar bedömning och feedback, optimerar resursallokering och främjar tidiga insatser. Dessa beslut informeras genom att analysera olika typer av data, såsom akademisk prestation, icke-akademiska faktorer, program- och systemdata samt perceptionsdata. Denna analys hjälper i sin tur lärare att göra välgrundade val som direkt påverkar elevernas lärande och skolans effektivitet.

Trots fördelarna innebär det utmaningar att implementera datadrivet beslutsfattande i utbildningen. Skolledare och lärare kan behöva mer tid, verktyg, expertis och professionell utveckling för att samla in, analysera och tolka data effektivt. Dessutom finns det en skillnad mellan vara datarik och data driven. Det är viktigt att samla in data, men det kan öka trycket på lärare som redan kan vara överbelastade med ansvar. Högkvalitativa datahanteringssystem som automatiserar insamlings- och analysprocesserna är nyckeln för institutioner som vill övergå till en datadriven modell.

Nyligen pratade EdSurge med Becky Mathison, biträdande föreståndare för innovation, undervisning och lärande vid Winnetka offentliga skolor, Illinois, om hur hennes distrikt stöder utbildare i effektiv och effektiv dataanalys och användning. Med över 10 års erfarenhet av administrativa roller på distriktsnivå med fokus på läroplan, undervisning och bedömning, har hon omfattande expertis i att bygga och förfina databasbeslutssystem. Före sina administrativa roller var Mathison en naturvetenskapslärare på mellanstadiet, ledde klassnivåteam och vetenskapsavdelningen. Under den här tiden väcktes hennes intresse för relationen mellan elevers läranderesultat och datadrivna insikter först, vilket ledde hennes inställning till att förstå elevernas framsteg och informera om framtida utbildningsstrategier.

EdSurge: Varför är datadrivet beslutsfattande viktigt i grundskoleutbildning på klassrums- och distriktsnivå?

Mathison: Data kan hjälpa till att informera många instruktionsstrategier, vilket är särskilt viktigt i den nuvarande åldern där skolor uppmanas att göra mer och mer. Balansen mellan kvantitativ och kvalitativ data är väsentlig. När det gäller kvantitativ data är det ovärderligt att ha något som är normerat. Det gör det möjligt att jämföra en elevs tillväxt över tid och även notera deras prestationer mot riktmärken. Det är ett sätt att ta reda på var vi ska skina vårt ljus.

Ett annat tillvägagångssätt innebär att analysera studenternas arbetsprover och lärarfeedback, vilket ger en mer holistisk syn på elevernas behov. Tidigare, som lärare, var det primära fokus på att leverera innehåll. Men idag finns det en växande insikt om vikten av att ägna mer tid under skoldagen åt socialt-emotionellt lärande och fysisk aktivitet och ge eleverna mer självständighet i sitt lärande. Kvalitativ data förblir lika betydelsefull i detta avseende.

Ur ett system- eller distriktsperspektiv är det verkligen viktigt att säkerställa överensstämmelse mellan och mellan årskurser. Överenskomna uppsättningar data – oavsett om det är universella screeners, vanliga formativa bedömningar med en rubrik eller projekt som studenterna arbetar med – ger oss ett sätt att kalibrera över systemet så att vi kan ta reda på var vi kan behöva göra justeringar med läroplanen eller göra saker annorlunda med bemanning på grund av elevbehov.

Hur ökar dynamiken i kvantitativa och kvalitativa data effektiviteten och effektiviteten i pedagogiska beslutsprocesser?

Att ha kvantitativ data lättillgänglig ökar effektiviteten hos professionella lärande gemenskaper (PLC) som kommer samman. Om du snabbt kan gruppera elever efter data kan det spara mycket tid så att pedagoger runt bordet kan använda sin hjärna för att analysera vad data betyder, fastställa inkonsekvenser, identifiera när mer information behövs och diskutera elever som kan ha nytta av från studenttjänster eller till och med acceleration på betygsnivå.

När väl den programmatiska matchningen på hög nivå är gjord kommer kvalitativa data in i bilden. I PLC kan lärare titta på dessa elevgrupper ur ett helbarnsperspektiv. De kan granska elevarbeten och identifiera styrka eller färdigheter som behöver förbättras, vilket hjälper oss att avgöra vilket stöd som behövs för varje elev.

Hur stödjer du lärare och personal i att effektivt samla in, analysera och använda elevdata för att informera om deras undervisningsmetoder?

Vi främjar en positiv datakultur och utvecklar datakompetens i hela distriktet. Som distriktsadministratör låter jag lärare veta att jag ser data som en utgångspunkt för att ställa frågor för att bättre förstå vad som fungerar och vad som inte fungerar, och i slutändan arbeta mot en optimal elevupplevelse.

Att utveckla datakompetens innebär att inte bara prata om varför vi använder data utan också hur man använder screeningverktyg och vad exakt data betyder. Vi närmar oss detta med en kombination av professionell utveckling och löpande, jobbinbäddat stöd. Den professionella utvecklingsdelen av det är budskap: Det är därför vi som distrikt är på väg i den här riktningen, det här är de olika verktyg och stöd vi kommer att ge dig och det här är värdet av data. Sedan har vi ett team av coacher som samarbetar med byggnadsadministratörer för att hjälpa lärare att använda verktygen, samla in data och förstå vad det betyder i deras sammanhang.

Vårt distrikt använder två dataverktyg: ett för att analysera data lokalt och det andra för att ge lärarnas data till hands. Alltför ofta måste lärare söka på flera plattformar för att samla in elevdata. De kan använda tre olika plattformar för universell screening, en annan för närvaro och ännu en för att ta reda på incidentrapporter. Otus har tillåtit oss att slå samman dessa uppgifter så att en lärare kan gå till rapportdelen av en elevprofil och få tillgång till all information på ett och samma ställe. För närvarande har vi mestadels kvantitativ data i systemet. Vi lägger dock till mer kvalitativ data med olika dokumentuppladdningar. Vi håller till exempel på att avsluta en översyn av en läs- och skrivkunnighet på nivå ett. Vi har planer på att ladda upp resultaten av gemensamma formativa bedömningar i systemet och eventuellt även ladda upp själva bedömningarna.

Jag vill också nämna vikten av samhällsutbildning kring datakompetens så att föräldrar förstår att när de får bedömningsinformation är det en ögonblicksbild i tiden. Vi strävar efter att samarbeta med familjer i vår inställning till datakompetens. Ett av våra mål i år var att öka föräldrakommunikationen kring elevers lärande. Vi skickade hem alla våra bedömningsrapporter. Det var värdefullt eftersom det hjälpte föräldrar att förstå olika bedömningar, men varje rapport såg olika ut och använde olika rapporteringsmetoder, vilket kräver en annan nivå av datakompetens.

Nästa år planerar vi att använda Otus med föräldrar. De kommer att kunna logga in på ett ställe och lättare få tillgång till testresultaten. De olika dataresultaten kommer att bryta ned betydelsen av varje [testresultat] samtidigt som de visuellt representerar data på ett liknande sätt.

Vilka åtgärder vidtar du för att kontinuerligt övervaka och utvärdera effektiviteten av datadrivna metoder?

Vi har en stegvis process som börjar på distriktsnivå och går ut till klassrumsnivå. Tre gånger om året, efter att vi har samlat in universell screeningdata, är vårt första steg att träffa distriktsadministratörer och byggnadsadministratörer, där vi tittar på data för systemet. En del av det jag tar med i det mötet är olika aktiviteter eller fokusområden som rektorerna kan tänkas vilja ta upp i sina byggnader. Därefter, nästa vecka, är det ett möte för byggnadsledargruppen, som inkluderar rektorn och lärarledarna i byggnaden, där de tittar igenom data och bestämmer fokusområden utifrån deras skolförbättringsplan. Slutligen träffas vart och ett av klassnivålagen för att gå igenom data. Vid dessa teammöten kommer det inte bara att finnas klassrumslärare utan även interventionister, speciallärare och ibland närstående konstlärare. Vi har turen som distrikt att ha detta system på plats tre gånger om året. Målet är dock att ha fler av dessa samtal under tiden.

Datadrivet beslutsfattande liknar andra evidensbaserade metoder i skolor, som att ha en garanterad och hållbar läroplan eller att använda bedömning för lärandeprocesser. Data informerar oss om hur vi bäst kan svara på elevernas behov och arbeta mot de bästa elevernas resultat. Att verkligen analysera data hjälper våra distrikts- och skolledare att stödja våra lärare så att de i sin tur kan stödja varje elev.

Klicka här att lära sig hur Otus stödjer skolledare att fatta säkra, välgrundade beslut som driver elevernas tillväxt.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.edsurge.com/news/2024-04-10-how-data-drives-strategies-for-improved-student-outcomes