Rady k daty řízenému vzdělávání

Daty řízené vzdělávání v sobě zahrnuje několik podoblastí. Jedna z nich se označuje jako Data-driven decision making (DBDM), resp. Data-informed decision making. Hovoříme-li o tomto tématu, můžeme si představit systematický sběr a analýzu různých druhů dat k utváření rozhodnutí v rámci edukačního procesu. [1]

Rozhodování založené na datech je široce skloňovaný pojem především v rámci tzv. business intelligence, tedy analýze a interpretaci dat v byznysovém sektoru. Firmy často mají své speciální expertní týmy zaměřené na zpracování dat, protože práce s daty není triviální záležitostí. Jaká úskalí skrývá tento přístup aplikovaný do edukačního procesu v rámci DBDM a jaké se nabízejí řešení? Tomu se věnuje přehledová studie [2], ze které vychází následující text shrnující několik vybraných doporučení.

Před vlastní prací s daty je potřeba vytyčit si cíle.

Jedním z rizik, které je zřejmě univerzální pro disciplínu zpracování dat, je to, že začneme pracovat s daty, aniž bychom si předem určili, o co nám vlastně jde. Je důležité proto před samotnou analýzou strávit čas diskuzí nad cíli, kterých chceme dosáhnout a formulovat si měřitelné veličiny, které můžeme později porovnat s realitou.

Jak by ale takové cíle vlastně měly vypadat?

Nesoustřeďte se jenom na vylepšování skóre studentů v testech, ale také na další důležité aspekty, jako např. jejich duševní zdraví a rovnost.

Ukazuje se, že pokud se celá práce s daty pohybuje pouze okolo (standardizovaných) testů a optimalizace výsledků studentů, aniž by se braly v potaz širší souvislosti celého vzdělávacího procesu, může ze strany učitelů docházet k negativistickém přístupu zejména vůči slabším studentům, kteří “kazí” školní výsledky. Obecně je třeba upustit od uvažování pouze v rovině tradičních testů — k naplnění jiných cílů je zapotřebí získávat různorodá data a používat sofistikovanější technologie a aplikace, které práci s takovými daty umožňují. [3]

Závěry a důsledky vyhodnocujte v týmech.

Je důležité, aby se proces interpretace dat odehrával v kolektivu více lidí, jelikož stejná data mohou znamenat různé věci pro různé lidi. Lidé mají přirozenou tendenci interpretovat výsledky na základě jejich vlastních zkušeností, popř. zkreslovat si je podle vlastních existujících domněnek. [3]

Aktivně zapojte studenty do celého procesu.

Důležitou myšlenkou je povýšení studentů z “předmětů” datově řízeného rozhodování na aktivní činitele. Tento přístup jim může dopomoct k lepšímu pochopení očekávání a kritérií jejich hodnocení spolu s vnitřní motivací k učení. Aktivní role studentů však zatím bohužel nebyla příliš zkoumána. [1]

Bez dat (o vzdělávání) učitelé nevědí, jaký je rozdíl mezi aktuálním žákovým učením a jeho vzdělávacími cíli, a bez expertízy nevědí, jak tento rozdíl odstranit. [2]

Rozhodování založené na datech vyžaduje důsledný přístup ze strany učitelů, ale i institucí, které by je měly v tomto snažení podporovat a poskytovat zázemí. Vzhledem k tomu, že je tento postup hojně rozšířený v byznysu, mohlo by se dle mého názoru uvažovat čím dál víc o vzájemném propojení expertů na data a expertů na učení.

Studie tak poukazuje na možná úskalí, které plynou z neodborného zacházení s daty, ale zároveň ukazuje na to, že data mohou tvořit velmi důležitou součást edukačního procesu a pomoci k jeho zlepšení.

Zdroje:

1. HAMILTON, Laura, et al. Using student achievement data to support instructional decision making. 2009.
2. MANDINACH, Ellen B.; SCHILDKAMP, Kim. Misconceptions about data-based decision making in education: An exploration of the literature. Studies in Educational Evaluation, 2021, 69: 100842.
3. SCHILDKAMP, Kim, et al. How school leaders can build effective data teams: Five building blocks for a new wave of data-informed decision making. Journal of educational change, 2019, 20.3: 283–325.