det handler om dataene.
på skolen din er det mye data som skal administreres. Det er informasjon om ansatte, læreplan, studenter og deres familier, tester, eksamener, forskrifter, budsjett, betalinger, lærerevalueringer, hendelser…
Får hodepine bare å tenke på det?
med alle dataene som flyter rundt skolen din, kan ideen om datadrevet instruksjon virke overveldende.
tross Alt tar det tid å fange, forstå og sette på jobbinformasjon om elevene dine.
ideen om datadrevet instruksjon er ikke ny. Men hvordan fungerer det akkurat? Hvilke tiltak kan du ta for å sikre at lærerne jobber godt med datadrevne instruksjoner?
la Oss først diskutere hva som er involvert i datadrevet instruksjon. Deretter avslører vi 11 trinn du kan ta i dag for å bygge en kultur med datadrevet instruksjon i skolen din.
i Tillegg har Vi satt sammen en nedlastbar liste over de 11 trinnene du kan holde på skrivebordet ditt!
hva er data drevet instruksjon?
kort sagt, datadrevet instruksjon innebærer å samle sammen en database med informasjon om elevene i hvert klasserom, og bruke denne informasjonen til å forbedre kvaliteten på undervisningen i klasserommet.
selv om mye av dette arbeidet utføres av lærerne selv, er det opp til skoleledelsen å bygge en kultur av datadrevet instruksjon.
hvert klasserom er fullt av studenter med sine egne behov, evner og forståelsesnivåer. Datadrevet instruksjon tar sikte på å ta hensyn til all denne informasjonen når du bygger læreplaner, eller til og med direkte når du underviser i klasserommet.
det er tre hovedtrinn involvert i datadrevet instruksjon:
- datainnsamling: Samle informasjon fra klassevurderinger og standardiserte testresultater, samt observasjoner fra læreren, og opprett en database på informasjon.
- dataanalyse: Skille viktig informasjon fra ikke-viktig informasjon. Se etter mønstre og dykk inn i årsakene bak disse resultatene. Trekke konklusjoner og formulere undervisningsplaner.
- Handling: Gratulerer klassen og gå til neste emne, eller forbered tid til å undervise bestemte ideer til klassen på nytt.
går dypere enn «hva»
Inntil nå har mange skoler tatt datadrevet instruksjon for å bety å bygge opp en database over hva elevene vet og hva de ikke vet.
men for å virkelig dra nytte av elevene i skolen din, må du forstå mer enn bare «hva».
Eksamen score og standardiserte testresultater bare fortelle deg kunnskapsnivået til studentene. Du må grave dypere for å forstå» hvorfor «og» hvordan » av situasjonen.
tenk deg for eksempel at flertallet av en vitenskapsklasse ikke har den nødvendige kunnskapen for å bestå den standardiserte testen. ‘Hva’ er klart: de mangler tilsvarende forståelse av emnet.
nå er det på tide å finne ut «hvorfor» og «hvordan».
så hvorfor gikk disse elevene glipp av viktig informasjon som ble undervist i klassen? Er det noen form for distraksjon som kan minimeres? Har måten informasjonen ble presentert har en effekt på deres forståelse?
så, Hvordan kan disse elevene bli re-undervist på en slik måte at informasjonen stikker? Hvis de klart forstod andre emner som ble undervist i samme semester, hvordan lærte de disse emnene? Hvordan kan du bruke de samme prinsippene for å undervise om informasjonen de ikke lærte?
Samle de nødvendige dataene for å svare på» hva»,» hvorfor «og» hvordan » er grunnlaget for datadrevet instruksjon.
så, hvilke strategier vil hjelpe deg med å utvikle skolens datakultur?
11 strategier for å bygge en kultur av datadrevet instruksjon på skolen
Involver lærere i prosessen
mens du som skoleleder legger grunnlaget for datadrevet instruksjon, er det lærerne som må gjøre det meste av de tunge løftene.
derfor er det viktig for lærere å være involvert i prosessen med å skape og bygge din datadrevne kultur.
Muligheter som dette hjelpe lærere levere data-drevet instruksjon og bidrar til å minimere test dag angst for studenter som er nye Til Regents eksamen! https://t.co/CMAUaZE7N1
— Alex Servello (@YonkersScience) februar 27, 2019
Det er mye arbeid involvert i å lage handlingsplaner som kommer til hjertet av studentvurdering og dataanalyse. Så, involvere lærerne i å gjøre disse planene. Kom sammen og sett opp rutiner og standarder som vil være grunnlaget for datadrevet opplæring i skolen din.
Lærerutdanning er også ekstremt viktig. Når du setter standarden for datainnsamling, analyse og bruk, må lærerne forstå nøyaktig hva det betyr for dem i deres daglige aktiviteter inn og ut av klasserommet.
så lær opp lærere til raskt å analysere data og trekke konklusjoner som setter i gang tiltak, og dermed hjelpe dem med å implementere en datadrevet instruksjonspolicy.
sakte skalere din innsats
|
Dykking i datainnsamling og analyse for hver klasse i hele skolen kan virke skremmende.
Det er fordi det er for mye arbeid.
i Stedet for ‘alt-eller-ingenting’ tilnærming, prøv å starte med bare en klasse.
Samle data om studentenes kunnskapsnivå, og hvordan de lærer. Med målet om å starte små, bygge en prosess som gjør data enkle å samle inn og oversette til handling.
la for eksempel lærere spore antall ganger elevene ber om avklaring om et emne i klasserommet, samt hvilke undervisningsstrategier de brukte på det tidspunktet. Disse dataene kan enkelt oversettes til en handling: fjern undervisningsmetoder som ikke presenterer informasjonen tydelig.
Når du begynner å se resultater i ett eller to klasserom, kan du begynne å utvide de samme metodene for datainnsamling og søknad til resten av skolen.
Sett de riktige standardene for vurderinger
ikke spre deg for tynn. Det er mange ting som elevene skal lære. Og lærere kan ha sine egne ideer om hva som er viktig informasjon i en leksjon plan.
men for å ha klare, stabile resultater i datadrevet instruksjon, må du definere vurderingsstandardene.
det betyr å ta hver enhet og svare på følgende spørsmål:
- Hvilken informasjon er viktig for elevene å lære?
- Hva vil de trenger å vite og forstå for å bestå SATs eller andre viktige eksamener?
- Hvilken informasjon ville absolutt trenger å bli re-undervist hvis elevene ikke hadde mestret det av en viss tid?
når disse standardene Er på plass, er det lettere for lærere og elever å jobbe mot solide læringsmål, og å samle inn nødvendige data for bedre undervisning.
Bygg rutiner for interimvurderinger
mens summative vurderinger er viktige, må du aldri glemme at læring er en pågående prosess. Hvis en rekke studenter aldri behersket et emne som ble dekket i begynnelsen av skoleåret, ville det være lettere å løse problemet tidligere enn i ukene før sommerferien.
så arbeid med lærerne på skolen din for å bygge et system for midlertidige (eller formative) vurderinger.
Lærerstudenter i #Read4563 utforsk autentiske måter å se etter forståelse før, under, & etter en leksjon. Ingen flere kjedelige regneark! @TWUreadingdept #formativeassessment #DataDrivenInstruction pic.twitter.com/kkxrFUp6sE
— Tamra Dollar (@TamraDollar) februar 21, 2019
Først tar du standardene du angir ovenfor. Del deretter hovedtemaene gjennom hele skoleåret.
la oss for eksempel si at en engelsk klasse må mestre temaet setningsstruktur innen semesterets slutt. Så ta det emnet og del det i hoveddelene. Hva er målet dato for studenter å mestre en forståelse av adjektiver, verb, fag, og objekter? Når trenger de å forstå plasseringen av alle disse delene i setningen?
deretter, basert på disse hoveddelene av det essensielle emnet, sette datoer for interimvurderinger. Enten det er gjennom tester, gruppeprosjekter, essays, etc., studentene må kunne demonstrere mestring av emnet i spørsmålet.
disse midlertidige vurderingene vil hjelpe lærerne med å planlegge for hver elevs behov, og gi dem tid til å undervise i viktige ideer mens emnet fortsatt er i tankene, i stedet for uker eller måneder senere.
Samle bare dataene du trenger
|
En del av grunnen til at data drevet instruksjon er så skremmende er at det er bare så. Mye. Data.
Implementering av en vellykket strategi innebærer å tynne ned dataene bare til det som er nødvendig.
Selvfølgelig har lærerne på skolen din allerede mye på tallerkenen sin: ikke legg til vasser gjennom overdreven data til arbeidsbelastningen.
i Stedet må du sørge for at datainnsamlingsprosessene fokuserer på informasjon som er viktig. Mens du sørger for at vurderingene dine er standardiserte, er det viktig, som diskutert ovenfor, en annen måte å gjøre dette på, å gi lærere spesifikke retningslinjer for hvordan man samler inn og analyserer studentdata.
på den måten samler alle de involverte lærerne bare nødvendige data, og tiden de bruker på å analysere dataene, er mer fokusert på det som virkelig er viktig.
Angi mål som er synlige for studenter
lærerne er ikke de eneste som er involvert i å samle inn og analysere studentdata: elevene kan også bli involvert!
tross Alt, er sluttspillet av data drevet instruksjon for å hjelpe elevene å nå pedagogiske mål. Så, vise dem hvordan de gjør med disse målene!
Dette kan gjøres ved å skape visuelle mål og la elevene måle sin egen fremgang. Hjelp lærere planlegge tid for student selvanalyse. Gi barna muligheten til å se tilbake på arbeidet sitt, se hva de har oppnådd og utvikle et growth mindset.
for å gjøre denne strategien virkelig skiller seg ut, gjør fremgangen visuell.
|
når du for eksempel kommer til slutten av en enhet, kan lærere bruke klasseromsresponsystemer (eller’ clickers’) for å få en rask oversikt over hvor mye klassen forstår av emnet. Disse morsomme, interaktive tester tillater alle studenter (selv de veldig sjenerte i ryggen) å delta.
på slutten av testen produserer de fleste klikkersystemer et stolpediagram som viser hvor mange studenter som valgte hvert svarvalg. Dette gir elever og lærere en enkel oversikt over fremgangen de har gjort, eller hvor de fortsatt mangler.
Bruk EdTech som viser læringsfremgang for studenter
det er ingen hemmelighet at ed-tech gjør fremskritt i klasserommet.
men visste du at det faktisk kan hjelpe deg (og lærerne dine) til å implementere datastyrt instruksjon?
faktisk identifiserer 75% av lærerne datadrevet instruksjon som en topp trend For EdTech.
Det er opp fra bare 28% i 2017.
hvorfor økningen? Fordi de fleste ed-tech-programmer utnytter svarene fra elevene for å gi lærerne klare data om hva som skjer i klasserommet.
Prodigy Er en gratis, pensum-justert matematikk spill som hjelper deg enkelt kvantifisere student læring og prestasjon. Studentene elsker den spillbaserte læringsplattformen, hvor de svarer på ferdighetsbyggende matematikkspørsmål for å gå på eventyr og utforske nye verdener. Du vil elske de kraftige rapportverktøyene som bidrar til å drive elevenes læring.
Du vil kunne finne lettleste rapporter som beskriver nøyaktig hvilke ferdigheter elevene har mestret, samt hvilke de er svake i. Dette gjør dataanalysering enda enklere, siden informasjonen allerede er samlet og organisert. Lærere kan da ta informerte beslutninger som hjelper hele klasserommet til å lære bedre.
Vil du se hvor Mange Prodigy-brukere som er i bygningen din? Fyll ut skjemaet nedenfor for å bestille en gratis demo! 👇
Lag en tidsplan for dataanalyse
Det er på tide å gi lærerne retningslinjer for å analysere data.
for eksempel, i stedet for å be lærerne om å skrive ut sine konklusjoner etter å ha lest gjennom dataene, opprett en enhetlig prosess for dataanalysering. Du kan gjøre dette ved å opprette rapporter med korte, spesifikke spørsmål som lærere må svare på en skala fra 1-10 basert på dataene de har samlet inn.
- Hva slags mestring har klassen (eller studenten) i dette emnet?
- hvor forberedt er klassen på å svare på spørsmål om dette emnet på en standardisert test?
- kan klassen enkelt forklare sin forståelse av dette emnet?
deretter kan lærere liste opp spesifikke kunnskapshull eller svakheter som de har sett i enten enkelte studenter eller klassen som helhet.
deretter må de analysere dataene som samles inn om undervisningsmetoder. Ved å bruke den samme 1-10-skalaen kan de vurdere de forskjellige undervisningsmetodene de brukte av hvor godt klassen reagerte på dem.
til Slutt bør lærerne liste minst 3 handlinger de planlegger å ta for å forbedre sin undervisning for neste enhet. Dette kan omfatte re-undervisning visse emner, eller endre opp sine i klasserommet metoder for å gjøre informasjonen pinne bedre.
nå må du lage en tidsplan for lærerne dine for å analysere dataene.
Noen skoler angir bestemt tid i tidsplanen for lærerne for å analysere dataene de har samlet inn. Ideelt sett vil dette være kort tid etter vurderinger er gjort.
å Ha en klar prosess og tidsplan hjelper lærere og skoleledere til å holde styr på elevenes fremgang.
Oppmuntre lærere til å samarbeide med hverandre
når det gjelder dataanalysering, bør lærerne vite at de ikke trenger å gjøre det alene. Når du planlegger tid for dataanalysering, oppfordrer du lærerne til å jobbe sammen for å komme gjennom dataene de har samlet inn.
denne metoden hjelper både lærere og elever til å høste fordelene av datadrevet instruksjon. De sier at to fungerer bedre enn en, og dette er et godt eksempel: to eller flere lærere jobber sammen for å forstå dataene de har samlet og brainstorm ideer om hvordan man skal fortsette.
Lærersamarbeid er også en form for faglig utvikling. Lærerne vil lære verdifulle ferdigheter fra hverandre, og bygge av hverandres ideer for å skape en enda bedre læringsopplevelse i klasserommet.
Gjennomgå effektene av re-undervisning
Så, etter vurdering, trengte en klasse re-undervisning av et viktig tema. I stedet for bare å gå gjennom informasjonen igjen og gå videre, er det viktig at lærerne går tilbake til sine vurderinger for å sikre at elevene virkelig får følelsen av informasjonen.
bruk av klikkertester som nevnt ovenfor er en fin måte å få en rask oversikt over klassens generelle forståelse av et emne. Denne metoden vil ikke ta mye tid, og lar lærerne se umiddelbar tilbakemelding på om re-undervisningen hadde ønsket effekt.
Kartlegge fremdriften av skolen som helhet
Se dette innlegget På InstagramTanker for datasesongen 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 instruksjonsplan er på plass, vil det være interessant å se hvilken forskjell det gjør i klasserommene dine.
så sørg For å registrere en grunnlinje fra utgangspunktet. Lagre de første klasseromsvurderingene og analysen som lærerne tok bort fra dataene de samlet inn.
Dette vil tillate deg å se de utrolige resultatene som data drevet instruksjon bringer. Som Et eksempel brukte New Mexico School for The Arts datadrevne instruksjonsprinsipper for å øke sin ferdighet PÅ parcc matteprøver fra 29 til 40 prosent, og PÅ parcc engelskspråklig kunst fra 80 til 87 prosent.
Nedlastbar liste over de 11 viktigste trinnene mot datadrevet instruksjon
Hva slags resultater kan skolen din se?
Begynn å bygge en kultur av datadrevne instruksjoner på skolen din i dag ved å laste ned vår gratis, kondenserte liste over trinnene du kan ta. 👇
Konklusjon: Gi skolen din fordelen av datadrevet instruksjon
Bruk av data for å forbedre læringsopplevelser på skolen din er veien for fremtiden. Lærere trenger å vite hva som skjer i elevenes hoder for å hjelpe dem, og du må forstå hva som skjer i klasserom for å bedre lede skolen din.
Husk at datadrevet instruksjon innebærer tre viktige trinn:
- datainnsamling
- dataanalyse
- Handling
ved å bestemme standarder og gi retningslinjer til lærere, vil du bidra til å bygge en kultur av datadrevet instruksjon på skolen din.
skoleleder? Prøv Prodigy-den gratis, pensumjusterte matematikkplattformen som brukes av mer enn en million lærere og skoleledere på 90 000 skoler.
Skoleledere kan bruke Prodigy til:
- Gauge student forberedelse til standardisert testing
- Informer datadrevet instruksjonsinnsats og kjør studentprestasjon
- Presisere elevenes arbeidsklassenivåer og deres nivåer på viktige tråder
Fyll ut skjemaet nedenfor for å se bygningens brukere!