Các nhà giáo dục trên toàn quốc đang nhận thấy nhu cầu lớn hơn trong việc thu thập và sử dụng dữ liệu để đưa ra các quyết định khi chúng hoạt động để giúp đỡ học sinh. Đại dịch đã làm gián đoạn nghiêm trọng các trường học của chúng tôi, và nhiều học khu đã sử dụng bất kỳ dữ liệu học sinh nào mà họ có để xác định ai đang gặp khó khăn và cách hỗ trợ tốt nhất.

Khi các học khu tiếp tục ứng phó với tình hình phát triển của đại dịch, việc tận dụng tối đa tất cả các dữ liệu sẵn có để cải thiện kết quả của học sinh vẫn là điều quan trọng để hiểu các yếu tố đóng góp nhiều nhất vào thành công của học sinh.

Sức mạnh của việc sử dụng dữ liệu là vô cùng to lớn. Khi được sử dụng đúng cách, nó có thể giúp quận đưa ra các quyết định quan trọng về việc thiết lập mục tiêu và cung cấp hỗ trợ có mục tiêu cho học sinh. Cho dù bạn là người mới làm quen với phân tích dữ liệu ở K-12 hay là một cựu chiến binh dày dạn kinh nghiệm, đây là ba cách thực tế để áp dụng dữ liệu nhằm giúp thúc đẩy kết quả học tập của học sinh tốt hơn.

1. Sử dụng dữ liệu để xem một bức tranh toàn diện để xác định và hỗ trợ các học sinh gặp rủi ro 

Các nhà giáo dục có thể và nên sử dụng dữ liệu để có được cái nhìn tổng thể về từng học sinh. Một điểm dữ liệu từ một quan sát đơn lẻ không bao giờ nói lên toàn bộ câu chuyện của học sinh. Việc nắm bắt dữ liệu học tập, hành vi, tham gia và mức độ tham gia của học sinh có thể cung cấp sự hiểu biết sâu sắc, đầy đủ thông tin về học sinh đó là ai, họ đang thành công ở đâu và cần phát triển ở đâu. Dữ liệu tổng hợp từ các lĩnh vực quan tâm khác nhau thường có thể làm sáng tỏ các xu hướng và dấu hiệu cảnh báo sớm, cho vay thông tin để xác định học sinh nào có thể cần hỗ trợ.

Một trường trung học cơ sở ở Mississippi đã tìm cách trực quan hóa dữ liệu dựa trên mô hình rủi ro cây nhà lá vườn của họ bao gồm ba hạng mục: chuyên cần, kỷ luật và điểm. Mỗi danh mục có điểm rủi ro riêng, từ XNUMX đến XNUMX. Việc kết hợp cả ba loại đã tạo ra tổng điểm rủi ro có thể có, từ XNUMX đến XNUMX. Xem biểu đồ Tiêu chí Rủi ro Tùy chỉnh dưới đây để tham khảo. Đối với việc đi học, vắng mặt năm hoặc sáu ngày học sẽ dẫn đến nguy cơ đi học là hai, có xu hướng dẫn đến nguy cơ vắng mặt cao. Giả sử rằng cùng một học sinh không nghỉ học thêm ngày nào, không có kỷ luật nào và tất cả các điểm của anh ta đều cao hơn 70, thì tổng điểm có nguy cơ của họ sẽ vẫn là hai.

Việc chỉ định một điểm đánh giá đa cấp và duy nhất cho mỗi loại rủi ro đã cung cấp một lượng thông tin phong phú và một cách tự nhiên để phân tích cú pháp và phân tích dữ liệu. Trong trường hợp này, ban giám hiệu nhà trường phát hiện ra rằng nghỉ học triền miên chiếm nhiều nguy cơ nhất trong số học sinh của họ, với 97% học sinh có ít nhất một điểm rủi ro do nghỉ học. Các sự kiện kỷ luật nhìn chung không đáng kể, với ít điểm rủi ro tổng thể đến từ loại này. Rủi ro dựa trên hiệu suất thấp trong lớp học cho thấy một mô hình thú vị nhưng đáng lo ngại. Mặc dù một số ít học sinh gặp rủi ro do điểm lớp học thấp, hầu hết học sinh trong nhóm này đều có điểm số nguy cơ cao tổng thể (trung bình là sáu). Hơn nữa, dữ liệu này tiết lộ rằng những sinh viên không đạt một môn học trên lớp thường cũng sẽ trượt ít nhất một môn học khác.

Việc lọc và so sánh kết quả theo cấp lớp và các yếu tố nhân khẩu học khác cho phép các nhà giáo dục xem liệu có xuất hiện sự khác biệt dựa trên hoàn cảnh hiện tại của học sinh hay không (ví dụ, trải qua tình trạng vô gia cư hoặc đang tham gia một chương trình sau giờ học). Nói cách khác, dữ liệu này cho biết liệu một số sinh viên, nhiều hơn những sinh viên khác, ít hay nhiều được coi là có nguy cơ cao tổng thể hay rủi ro cao theo các danh mục cụ thể.