Data-Driven Instruction

Ačkoliv se může zdát, že řídit vzdělávání podle dat je v dnešní době díky velkému množství dat náročné, výsledky, které tato metoda přináší jsou více než pozitivní. Je nutné si uvědomit, že tato práce není pouze na učitelích, ale zejména na vedení škol, které by mělo cíleně budovat daty řízenou kulturu.

Datově řízená instruktáž se skládá ze tří hlavních kroků: sběru dat, analýze dat a samotného použití dat.

Mnoho škol v podstatě tvoří databáze, jejichž obsahem jsou informace o tom, co studenti ví a co neví. Pro lepší efektivitu využití dat, je proto nutné se zaměřit i na důvody proč danou věc studenti ví nebo neví, a jakým způsobem postupovat při dalším vyučování.[1]

Pro budování tohoto přístupu ve školách je vhodné využít tyto postupy:

1. Zahrnout do celého procesu učitele.
   V případě, že chceme zavést daty řízenou kulturu, musíme myslet na to, že většinu práce budou muset provést učitelé. Proto je nutné společně vytvořit plány, kterých se později bude škola držet. Učitele musí škola také dále vzdělávat, aby byli schopní s daty efektivně pracovat.
2. Postupně zvyšovat nároky.
   Je dobré započít pouze s jednou třídou, kde budou sbírány potřebná data, která pak mohou sloužit jako vzorec pro plánování. Po úspěšné implementaci pak mohou vzorce být rozšířeny do dalších tříd.
3. Definovat standardy hodnocení.
   Stanovení informací, co by student měl vědět. Určení informací, které bude student potřebovat k různým zkouškám a informací, které jsou stěžejní a v případě jejich neúspěšného naučení, je nutné učení opakovat.
4. Stanovit rutinního průběžného hodnocení.
   Prakticky jde o rozdělení výuky do menších částí, které budou následně vždy po určeném časovém úseku zkontrolovány. Student tak má více času dohnat nedostatky.
5. Sbírat pouze potřebná data.
   Je potřeba se vyvarovat redundanci dat. Zaměřit se pouze na reálně potřebná data, aby nedocházelo k přehlcení učitelů.
   Vhodné je také použití kvalitativních a kvantitativních dat dohromady.[2]
6. Stanovit viditelné cíle pro studenty.
   Díky tomu budou sami studenti schopní vidět svůj postup studiem, což může zvýšit chuť dosáhnout výsledků.
7. Využít nástrojů, které sledují proces učení u studenta.
8. Vytvořit rozpisy pro datovou analýzu.
   Nejdůležitější je stanovit si jednotný proces analýzy získaných dat. Takto analyzovaná data mohou být doplněna o individuální informace o každém studentovi.
9. Podporovat spolupráci mezi učiteli.
   Učitelé by neměli provádět datovou analýzu sami, ale dohromady s dalšími učiteli. Dochází tak k efektivnějšímu výkonu práce a rozvíjení pracovních vztahů.
10. Kontrolovat výsledky po opětovném učení.
    Je potřeba ověřit, zdali studenti tématu nyní již rozumí. K tomu lze využít interaktivních testů (Kahoot!,..)
11. Zmapovat vývoj školy jako celku.
    postupně sledovat vývoj od počátku snahy implementace. Díky tomu bude možné poznat rozdíl a úspěšnost implementace.[3]

Oproti tomu se objevuje i kritika daty řízené instruktáže. Steven Singer identifikuje hned šest problémů.

1. Nejedná se o vědecká data, tudíž je obtížné vyvozovat důsledky.
2. Nikdy nebylo potvrzeno, že je tento přístup efektivnější.
3. Může docházet k stereotypizaci, některé studenty může demotivovat.
4. Data nezachycují všechny důležité faktory. Zejména zmiňuje nedostatek lidského faktoru.
5. Dochází k „odlidšťování” studentů, ze studentů se stanou data.
6. Přístup si sám sobě rozporuje, jiné oblasti ve školách také nejsou řízeny daty.

Steven Singer tedy doporučuje se zaměřit spíše na vyučování orientované na studenty.[4]

Zdroje:

1. KAMPEN, Maria. Data Driven Instruction: Definition and 11 Strategies. In: Prodigy [online]. 2019 [cit. 2022–04–28]. Dostupné z: https://www.prodigygame.com/main-en/blog/data-driven-instruction/
2. Data-Driven Decision Making in Education: 11 Tips for Teachers & Administration. In: School of Education [online]. c2022, 2019 [cit. 2022–04–28]. Dostupné z: https://soeonline.american.edu/blog/data-driven-decision-making-in-education
3. KAMPEN, Maria. Data Driven Instruction: Definition and 11 Strategies. In: Prodigy [online]. 2019 [cit. 2022–04–28]. Dostupné z: https://www.prodigygame.com/main-en/blog/data-driven-instruction/
4. The Six Biggest Problems with Data-Driven Instruction. In: GADFLYONTHEWALLBLOG [online]. c2022, 2018 [cit. 2022–04–28]. Dostupné z: https://gadflyonthewallblog.com/2018/09/25/the-six-biggest-problems-with-data-driven-instruction/