det handler om dataene.
i din skole er der mange data, der skal styres. Der er information om personale, læseplan, studerende og deres familier, prøver, eksamener, regler, budget, betalinger, lærerevalueringer, begivenheder…
at få hovedpine bare ved at tænke over det?
med alle de data, der flyder rundt på din skole, kan ideen om datadrevet instruktion virke overvældende.
når alt kommer til alt tager det tid at fange, forstå og arbejde med oplysninger om dine elever.
ideen om datadrevet instruktion er ikke ny. Men, hvordan fungerer det nøjagtigt? Hvilke handlinger kan du tage for at sikre, at lærere arbejder godt med datadrevet instruktion?
lad os først diskutere, hvad der er involveret i datadrevet instruktion. Derefter afslører vi 11 trin, du kan tage i dag for at opbygge en kultur af datadrevet instruktion i din skole.
plus, vi har sammensat en hentbar liste over de 11 trin, som du kan holde ved dit skrivebord!
hvad er datadrevet instruktion?
kort sagt indebærer datadrevet instruktion at samle en database med oplysninger om eleverne i hvert klasseværelse og bruge disse oplysninger til at forbedre kvaliteten af undervisningen i klasseværelset.
mens meget af dette arbejde udføres af lærerne selv, er det op til skoleledelse at opbygge en kultur med datadrevet instruktion.
hvert klasseværelse er fuld af studerende med deres egne behov, evner og forståelsesniveauer. Datadrevet instruktion sigter mod at tage al denne information i betragtning, når man bygger læseplaner, eller endda direkte, når man underviser i klasseværelset.
der er tre hovedtrin involveret i datadrevet instruktion:
- dataindsamling: indsamle oplysninger fra klassevurderinger og standardiserede testresultater samt observationer fra læreren og oprette en database om information.
- dataanalyse: Adskil væsentlige oplysninger fra ikke-væsentlige oplysninger. Hold øje med mønstre og dykke ned i årsagerne bag disse resultater. Drage konklusioner og formulere undervisningsplaner.
- handling: lykønske din klasse og flytte til det næste emne, eller forberede tid til at re-undervise visse ideer til klassen.
går dybere end “hvad”
indtil nu har mange skoler taget datadrevet instruktion for at betyde at opbygge en database over, hvad eleverne ved, og hvad de ikke ved.
men for virkelig at gavne eleverne i din skole, skal du forstå mere end bare “hvad”.
eksamensresultater og standardiserede testresultater fortæller dig kun de studerendes videnniveau. Du bliver nødt til at grave dybere for at forstå “hvorfor” og “hvordan” af situationen.
forestil dig for eksempel, at størstedelen af en videnskabsklasse ikke har den nødvendige viden til at bestå den standardiserede test. ‘Hvad’ er klart: de mangler tilsvarende forståelse af emnet.
nu er det tid til at finde ud af “hvorfor” og “hvordan”.
så hvorfor gik disse studerende glip af nøgleinformation, der blev undervist i klassen? Er der en form for distraktion, der kan minimeres? Har den måde, hvorpå oplysningerne blev præsenteret, haft indflydelse på deres forståelse?
Hvordan kan disse studerende derefter undervises på en sådan måde, at informationen klæber fast? Hvis de klart forstod andre emner, der blev undervist i samme semester, hvordan lærte de disse emner? Hvordan kan du anvende de samme principper til at undervise i de oplysninger, de ikke lærte?
indsamling af de nødvendige data for at besvare “Hvad”, “hvorfor” og “hvordan” er grundlaget for datadrevet instruktion.
så hvilke strategier vil hjælpe dig med at udvikle din skoles datakultur?
11 strategier til at opbygge en kultur af datadrevet instruktion i din skole
Involver lærere i processen
mens du som skoleleder sætter grundlaget for datadrevet instruktion, er det lærerne, der skal gøre det meste af det tunge løft.
derfor er det vigtigt for lærere at være involveret i processen med at skabe og opbygge din datadrevne kultur.
muligheder som denne hjælper lærere med at levere datadrevet instruktion og hjælper med at minimere testdagsangst for studerende, der er nye til Regents eksamen! https://t.co/CMAUaZE7N1
— (@YonkersScience) Februar 27, 2019
der er meget arbejde involveret i at skabe handlingsplaner, der kommer til hjertet af studerendes vurdering og dataanalyse. Så involver dine lærere i at lave disse planer. Kom sammen og opsæt de rutiner og standarder, der vil danne grundlag for datadrevet undervisning i din skole.
læreruddannelse er også ekstremt vigtig. Når du sætter standarderne for dataindsamling, analyse og anvendelse, skal lærerne forstå præcis, hvad det betyder for dem i deres daglige aktiviteter ind og ud af klasseværelset.
så træne lærere til hurtigt at analysere data og drage konklusioner, der udløser handling, og dermed hjælpe dem med at implementere en datadrevet instruktionspolitik.
langsomt skalere din indsats
|
dykning i dataindsamling og analyse for hver klasse i hele din skole kan virke skræmmende.
det er fordi det er for meget arbejde.
i stedet for ‘alt-eller-intet’ tilgang, prøv at starte med kun en klasse.
indsamle data om studerendes videnniveauer, og hvordan de lærer. Med målet om at starte i det små skal du opbygge en proces, der gør data nemme at indsamle og oversætte til handling.
lad for eksempel lærere spore antallet af gange, eleverne beder om afklaring om et emne i klasseværelset, samt hvilke undervisningsstrategier de brugte på det tidspunkt. Disse data kan let oversættes til en handling: fjern undervisningsmetoder, der ikke præsenterer oplysningerne tydeligt.
når du begynder at se resultater i et eller to klasseværelser, kan du begynde at udvide de samme metoder til dataindsamling og anvendelse til resten af skolen.
sæt de rigtige standarder for vurderinger
spred dig ikke for tynd. Der er masser af ting, som eleverne skal lære. Og lærere kan have deres egne ideer om, hvad der er vigtig information i en lektionsplan.
for at have bestemte, stabile resultater i datadrevet instruktion skal du dog definere vurderingsstandarderne.
det betyder at tage hver enhed og besvare følgende spørgsmål:
- hvilke oplysninger er afgørende for eleverne at lære?
- Hvad skal de vide og forstå for at bestå SATs eller andre vigtige eksamener?
- hvilke oplysninger ville absolut være nødvendigt at blive genlært, hvis eleverne ikke havde mestret det på et bestemt tidspunkt?
når disse standarder er på plads, er det lettere for lærere og studerende at arbejde hen imod solide læringsmål og indsamle de nødvendige data til bedre undervisning.
Byg rutiner for interimsvurderinger
mens summative vurderinger er vigtige, skal du aldrig glemme, at læring er en løbende proces. Hvis et antal studerende aldrig mestrer et emne, der blev dækket i begyndelsen af skoleåret, ville det være lettere at løse problemet tidligere end i ugerne før sommerferien.
så arbejd med lærerne på din skole for at opbygge et system til midlertidige (eller formative) vurderinger.
Preserice lærere i #Read4563 udforske autentiske måder at kontrollere for forståelse før, under, & efter en lektion. Ikke flere kedelige regneark! #Formativeassessment # Datadriveninstruktion pic.twitter.com/kkxrFUp6sE
— Tamra Dollar (@TamraDollar) februar 21, 2019
først skal du tage de standarder, du har angivet ovenfor. Derefter opdele de vigtigste emner i løbet af skoleåret.
lad os for eksempel sige, at en engelsk klasse skal mestre emnet for sætningsstruktur inden udgangen af semesteret. Så tag dette emne og del det i dets hoveddele. Hvad er måldatoen for studerende til at mestre en forståelse af adjektiver, verb, emner, og objekter? Hvornår skal de forstå placeringen af alle disse dele i sætningen?
sæt derefter på baggrund af disse hoveddele af det væsentlige emne datoer for midtvejsvurderinger. Uanset om det er gennem test, teamprojekter, essays osv., skal studerende være i stand til at demonstrere mestring af det pågældende emne.
disse foreløbige vurderinger vil hjælpe lærerne med at planlægge hver elevs behov og give dem tid til at undervise i vigtige ideer, mens emnet stadig er i deres sind, snarere end uger eller måneder senere.
indsamle kun de data, du har brug for
|
en del af grunden til, at datadrevet instruktion er så skræmmende, er, at der bare er det. Meget. Data.
implementering af en vellykket strategi involverer kun udtynding af dataene til det, der er nødvendigt.
det er klart, at lærerne i din skole allerede har masser på deres tallerken: tilføj ikke vade gennem overdreven data til deres arbejdsbyrde.
Sørg i stedet for, at dine dataindsamlingsprocesser centrerer sig om oplysninger, der er vigtige. Mens du sørger for, at dine vurderinger er standardiserede, er det vigtigt, som diskuteret ovenfor, en anden måde at gøre dette på ville være at give lærerne specifikke retningslinjer for, hvordan man indsamler og analyserer studerendes data.
på den måde indsamler alle de involverede lærere kun nødvendige data, og den tid, de bruger på at analysere disse data, er mere fokuseret på, hvad der virkelig er vigtigt.
Sæt mål, der er synlige for studerende
lærerne er ikke de eneste, der er involveret i indsamling og analyse af elevdata: eleverne kan også blive involveret!
slutspillet med datadrevet instruktion er trods alt at hjælpe eleverne med at nå uddannelsesmål. Så vis dem, hvordan de har det med disse mål!
dette kan gøres ved at skabe visuelle mål og give eleverne mulighed for at måle deres egne fremskridt. Hjælp lærere med at planlægge tid til studerendes selvanalyse. Giv børnene mulighed for at se tilbage på deres arbejde, Se hvad de har opnået og udvikle en vækst tankegang.
for at gøre denne strategi virkelig skiller sig ud, gør fremskridtene visuelle.
|
for eksempel, når de kommer til slutningen af en enhed, kan lærere bruge klasseværelsesresponssystemer (eller ‘klikkere’) for at få et hurtigt overblik over, hvor meget klassen forstår om emnet. Disse sjove, interaktive tests giver alle studerende (selv de virkelig genert i ryggen) mulighed for at deltage.
i slutningen af testen producerer de fleste kliksystemer et søjlediagram, der viser, hvor mange studerende der valgte hvert svarvalg. Dette giver elever og lærere et let overblik over de fremskridt, de har gjort, eller hvor de stadig mangler.
brug EdTech, der viser læringsfremskridt for studerende
det er ingen hemmelighed, at ed-tech gør fremskridt i klasseværelset.
men vidste du, at det faktisk kan hjælpe dig (og dine lærere) med at implementere datadrevet instruktion?
faktisk identificerer 75% af lærerne datadrevet instruktion som en toptrend for EdTech.
det er op fra kun 28% i 2017.
hvorfor stigningen? Fordi de fleste ed-tech-programmer udnytter svarene fra eleverne til at give lærerne klare data om, hvad der foregår i deres klasseværelse.
Prodigy er et gratis, læseplan-justeret matematikspil, der hjælper dig med nemt at kvantificere studerendes læring og præstation. Studerende elsker den spilbaserede læringsplatform, hvor de besvarer færdighedsopbyggende matematiske spørgsmål for at gå på eventyr og udforske nye verdener. Du vil elske de kraftfulde rapportværktøjer, der hjælper med at drive elevernes læring.
du vil være i stand til at finde letlæselige rapporter, der beskriver præcis, hvilke færdigheder eleverne har mestret, samt hvilke de er svage i. Dette gør dataanalyse endnu lettere, da informationen allerede er indsamlet og organiseret. Lærere kan derefter træffe informerede beslutninger, der hjælper hele klasseværelset med at lære bedre.
vil du se, hvor mange Prodigy-brugere der er i din bygning? Udfyld nedenstående formular for at bestille en gratis demo! 👇
lav en tidsplan for dataanalyse
det er på tide at give dine lærere retningslinjer for analyse af data.
for eksempel, i stedet for at bede lærerne om at skrive deres konklusioner efter at have læst dataene, skal du oprette en ensartet proces til dataanalyse. Du kan gøre dette ved at oprette rapporter med korte, specifikke spørgsmål, som lærerne skal besvare på en skala fra 1-10 baseret på de data, de har indsamlet.
- hvilken slags mestring har klassen (eller eleven) i dette emne?
- hvor forberedt er klassen til at besvare spørgsmål om dette emne på en standardiseret test?
- kan klassen let forklare deres forståelse af dette emne?
derefter kan lærere liste specifikke videnhuller eller svagheder, som de har set hos enten individuelle studerende eller klassen som helhed.
Dernæst skal de analysere de indsamlede data om undervisningsmetoder. Ved hjælp af den samme 1-10 skala kan de bedømme de forskellige undervisningsmetoder, de brugte, efter hvor godt klassen reagerede på dem.
endelig skal lærerne liste mindst 3 handlinger, de planlægger at tage for at forbedre deres undervisning til den næste enhed. Dette kan omfatte genundervisning af bestemte emner eller ændring af deres metoder i klasseværelset for at gøre informationen bedre.
nu skal du oprette en tidsplan for dine lærere til at analysere disse data.
nogle skoler sætter bestemt tid i lærernes tidsplan for at analysere de data, de har indsamlet. Ideelt set ville dette være kort efter vurderinger er foretaget.
at have en klar proces og tidsplan hjælper lærere og skoleledere med at holde styr på elevernes fremskridt.
opmuntre lærere til at samarbejde med hinanden
når det kommer til dataanalyse, skal lærere vide, at de ikke behøver at gå alene. Når du planlægger tid til dataanalyse, skal du opfordre lærerne til at arbejde sammen for at komme igennem de data, de har indsamlet.
denne metode hjælper både lærere og studerende med at høste fordelene ved datadrevet instruktion. De siger, at to fungerer bedre end en, og dette er et godt eksempel: to eller flere lærere, der arbejder sammen for at forstå de data, de har indsamlet, og brainstorme ideer om, hvordan man går videre.
Lærersamarbejde er også en form for faglig udvikling. Lærere vil lære værdifulde færdigheder fra hinanden og bygge ud af hinandens ideer for at skabe en endnu bedre læringsoplevelse i klasseværelset.
gennemgå virkningerne af re-undervisning
så efter vurdering havde en klasse brug for genundervisning af et væsentligt emne. I stedet for bare at gennemgå informationen igen og gå videre, er det vigtigt, at lærerne gennemgår deres vurderinger for at sikre, at eleverne virkelig får følelsen af informationen.
brug af klikkertest som nævnt ovenfor er en fantastisk måde at få et hurtigt overblik over klassens samlede forståelse af et emne. Denne metode tager ikke meget tid og giver lærerne mulighed for at se øjeblikkelig feedback om, hvorvidt genundervisningen havde den ønskede effekt.
kortlægge forløbet af din skole som helhed
se dette indlæg på Instagramtanker til datasæson fra @bakerripley Ms. Barnhart ???? – – – – – #teach #teachingexcellence #teachertraining #acp #teachercertification #professionaldevelopment #education #teachemup #houston #houstonlove #TElove #education #educator #impact #authentic #learning #teacher #teachersofinstagram #teachersofig #commonassessments #review #testing #datadriveninstruction#data#studentachievement#reflect
når din datadrevne instruktionsplan er på plads, vil det være interessant at se, hvilken forskel det gør i dine klasseværelser.
så sørg for at registrere en basislinje fra udgangspunktet. Gem de første klassevurderinger og den analyse, som lærerne tog væk fra de data, de indsamlede.
dette giver dig mulighed for at se de utrolige resultater, som datadrevet instruktion bringer. Som et eksempel brugte den nye skole for Kunst datadrevne instruktionsprincipper til at øge deres færdigheder på PARCC math tests fra 29 Til 40 procent og på PARCC English language arts fra 80 til 87 procent.
Hentbar liste over de 11 vigtigste trin mod datadrevet instruktion
hvilken slags resultater kunne din skole se?
begynd at opbygge en kultur af datadrevet instruktion i din skole i dag ved at hente vores gratis, kondenserede liste over de trin, du kan tage. Hr.
konklusion: Giv din skole fordelen ved datadrevet instruktion
brug af data til at forbedre læringsoplevelser i din skole er fremtidens vej. Lærerne skal vide, hvad der foregår i deres elevernes hoveder for at hjælpe dem, og du skal forstå, hvad der sker i klasseværelserne for bedre at kunne lede din skole.
husk, datadrevet instruktion involverer tre vigtige trin:
- dataindsamling
- dataanalyse
- handling
ved at beslutte standarder og give retningslinjer til lærere hjælper du med at opbygge en kultur af datadrevet instruktion i din skole.
skoleleder? Prøv Prodigy – den gratis, læseplanjusterede matematikplatform, der bruges af mere end en million lærere og skoleledere på tværs af 90.000 skoler.
skoleledere kan bruge Prodigy til:
- Gauge student forberedelse til standardiseret test
- Informer datadrevet instruktionsindsats og drive student achievement
- find elevernes arbejdsniveauer og deres niveauer på nøglestrenge
Udfyld nedenstående formular for at se din bygnings brugere!