Minority report ve škole: zachrání data potenciální „odpadlíky“?
Analýza dat, modelování a předpovídání budoucího vývoje je již běžnou praxí v celé škále odvětví. Kromě oblasti podnikání, která tak sleduje chování zákazníka, nebo kriminologie s kontroverzním tématem predikce zločinu, proniká tento způsob nakládání s daty i do oblasti školství.
Přestože se nejedná o žádnou novinku (snahy sbírat a využívat data o žácích, studentech, ale i učitelích se objevily už před více než dvaceti lety), s nástupem nových technologií pro zpracování tzv. Velkých dat zažívá právě školství v oblasti práce s daty v posledních letech největší boom. Cílem je sledovat vztahy mezi známkami, které žák během studia získá, jeho docházku, ale i demografické údaje, a na základě toho zachytit „odpadlíky“ (dropouts) ještě předtím, než ukončí studium, nebo odhalit slabá místa ve výuce.
Velká data ve školách: známky, absence, barva pleti nebo chudoba v sousedství
Jako podklad pro analýzu dat ale neslouží jen známky, i když jsou často zajímavým ukazatelem například z pohledu období, ve kterém je student získal. Výzkum více než 2,5 milionu záznamů o prospěchu studentů Univerzity v Georgii například ukázal, že 85 % studentů, kteří obdrželi v prvním semestru z hlavních předmětů hodnocení A nebo B úspěšně dokončilo studium, oproti 25 %, kteří měli „céčko“.
Zajímavé, i když zavádějící a potenciálně nebezpečné (riziko stereotypizace a zjednodušování závěrů), je sledování známek nebo úspěšnosti z pohledu pohlaví, sociálního zázemí, či etnické příslušnosti (hlavně v případě škol na území USA). Co se týká dat o absenci, nebo naopak účasti, lze například zkoumat, zda počet absencí přímo souvisí s prospěchem, jaká je příčina častých absencí žáků (může se například jednat o žáky ze sociálně slabších rodin…), nebo jaký vliv na prospěch a úspěšnost má účast na školních aktivitách.
Na základě výsledků výzkumů dat žáků a studentů se výzkumníci a analytici snaží vytvořit varovný systém, který by rozpoznával rizikové vzorce u právě studujících studentů, a spustil „alarm“ ve chvíli, kdy podle algoritmu hrozí, že student školu nedokončí. Tito studenti pak mohou využít možnost osobní konzultace, změnit studijní program nebo například získat finanční pomoc při studiu. Na základě analýz se totiž mimo jiné podařilo sestavit algoritmus, který „předpoví“, kdy student pravděpodobně opustí školu kvůli potížím s financemi.
O čem „dashboard“ mlčí
Přestože většina škol, která statistickou analýzu dat využívá (i přes veliký boom dat jich stále není příliš mnoho) si výsledky vesměs chválí a těší se z pohledu na rostoucí křivku úspěšnosti studentů, není tato metoda zcela přesná a neomylná. Jakkoli je využití statistiky k identifikaci problémů naprosto korektní, má jako každý nástroj svá slabá místa a řadu rizik. Jedním z nich je individualita osobnosti a jedinečný kontext situace každého studenta, a to nelze vyjádřit pouhými čísly. Pro jednoho žáka může být například deset absencí velký problém, kdežto pro dalšího, který se například z důvodu složité rodinné situace třikrát stěhoval, je to vlastně zázrak. Ten ale čistá statistika nerozliší, a v jejích očích jsou oba stejní.
Vzpomínky na školu: fotky z lyžáku, staré učebnice i datová stopa
Známky, absence, školní aktivity, a další záznamy nashromážděné za dobu studia, tvoří nesmazatelnou datovou stopu, která po nás zůstane i poté, co už jsme poztráceli staré fotografie ze školních akcí a zbavili se nepotřebných sešitů a učebnic. Datové soubory totiž kromě textů, fotografií nebo videozáznamů obsahují i tzv. metadata, která jsou zdrojem dalších informací. Rizikem je, i přes jejich ochranu, případné zneužití.
Závěr
Data o žácích mohou být dobrým pomocníkem při identifikaci nějakého konkrétního problému nebo za účelem sledování určitých vzorců chování žáků, ale tvoří jen zlomek informací o jejich osobnosti, chování a myšlení, což může být problém i tzv. „odpadlíků“. Neúplná data zkreslují skutečnost o žákovi, a nejsou relevantní pro efektivní rozhodování pedagoga. Nejdůležitější je, aby pedagog kromě statických dat využíval své zkušenosti a studenta nebo žáka hodnotil individuálně, nejen jako číslo.
Použité zdroje:
The Hechinger Report: Here’s the New Way Colleges Are Predicting Student Grades. Time.com [online]. 2014 [cit. 2018–04–18]. Dostupné z: http://time.com/3621228/college-data-tracking-graduation-rates/
MARCUS, Jon. Like retailers tracking trends, colleges use data to predict grades, graduations. The Hechinger Report [online]. 10.12.2014 [cit. 2018–04–18]. Dostupné z: http://hechingerreport.org/like-retailers-tracking-trends-colleges-use-data-predict-grades-graduations/
Rovira S, Puertas E, Igual L (2017) Data-driven system to predict academic grades and dropout. PLoS ONE 12(2): e0171207. https://doi.org/10.1371/journal.pone.0171207
PICCIANO, Anthony G. Data-driven decision making for effective school leadership. Upper Saddle River, N.J.: Pearson Education, c2006. ISBN 0131187228.
Rovira S, Puertas E, Igual L (2017) Data-driven system to predict academic grades and dropout. PLoS ONE 12(2): e0171207. https://doi.org/10.1371/journal.pone.0171207
