datadriven instruktion: Definition och 11 strategier

det handlar om data.

i din skola finns det mycket data att hantera. Det finns information om personal, läroplan, studenter och deras familjer, tester, tentor, regler, budget, betalningar, lärarutvärderingar, evenemang…

att få huvudvärk bara tänka på det?

med all den data som flyter runt din skola kan tanken på datadriven instruktion verka överväldigande.

när allt kommer omkring tar det tid att fånga, förstå och sätta i arbete information om dina elever.

tanken med datadriven instruktion är inte ny. Men hur exakt fungerar det? Vilka åtgärder kan du vidta för att se till att lärare fungerar bra med datadriven instruktion?

Låt oss först diskutera vad som är involverat i datadriven instruktion. Sedan avslöjar vi 11 steg du kan ta idag för att bygga en kultur av datadriven instruktion i din skola.

Plus, vi har sammanställt en nedladdningsbar lista över de 11 steg som du kan hålla vid ditt skrivbord!

vad är datadriven instruktion?

kort sagt innebär datadriven instruktion att samla en databas med information om eleverna i varje klassrum och använda den informationen för att förbättra kvaliteten på undervisningen i klassrummet.

medan mycket av detta arbete utförs av lärarna själva, är det upp till skolledningen att bygga en kultur av datadriven instruktion.

varje klassrum är fullt av elever med sina egna behov, förmågor och nivåer av förståelse. Datadriven instruktion syftar till att ta hänsyn till all denna information när man bygger läroplaner, eller till och med direkt när man undervisar i klassrummet.

det finns tre huvudsteg involverade i datadriven instruktion:

• datainsamling: samla information från klassbedömningar och standardiserade testresultat, samt observationer från läraren och skapa en databas med information.
• dataanalys: separera viktig information från icke-väsentlig information. Se upp för mönster och dyka in i orsakerna bakom dessa resultat. Dra slutsatser och formulera undervisningsplaner.
• åtgärd: gratulera din klass och gå vidare till nästa ämne, eller förbered dig på att åter undervisa vissa ideer till klassen.

går djupare än ”vad”

hittills har många skolor tagit datadriven instruktion för att skapa en databas över vad eleverna vet och vad de inte vet.

men för att verkligen gynna eleverna i din skola måste du förstå mer än bara ”vad”.

examenspoäng och standardiserade testresultat berättar bara kunskapsnivån för eleverna. Du måste gräva djupare för att förstå situationen ”varför” och ”hur”.

föreställ dig till exempel att majoriteten av en vetenskapsklass inte har den kunskap som krävs för att klara det standardiserade testet. ’Vad’ är tydligt: de saknar motsvarande förståelse för ämnet.

nu är det dags att räkna ut ”varför” och ”hur”.

så varför missade dessa elever viktig information som lärdes ut i klassen? Finns det någon form av distraktion som kan minimeras? Har hur informationen presenterades påverkat deras förståelse?

Hur kan då dessa elever omläras på ett sådant sätt att informationen fastnar? Om de tydligt förstod andra ämnen som undervisades under samma termin, hur lärde de sig dessa ämnen? Hur kan du tillämpa samma principer för att lära om den information de inte lärde sig?

samla in nödvändiga data för att svara på ”vad”, ”varför” och ”hur” är grunden för datadriven instruktion.

så, vilka strategier hjälper dig att utveckla din skolas Datakultur?

11 strategier för att bygga en kultur av datadriven instruktion i din skola

involvera lärare i processen

medan du som skolledare sätter grunden för datadriven instruktion, är det lärarna som måste göra det mesta av tunga lyft.

det är därför det är viktigt för lärare att vara involverade i processen att skapa och bygga din datadrivna kultur.

möjligheter som detta hjälper lärare att leverera datadriven instruktion och hjälper till att minimera testdagsangst för studenter som är nya på Regents exam! https://t.co/CMAUaZE7N1

— Alex Servello (@YonkersScience) Februari 27, 2019

det finns mycket arbete med att skapa handlingsbara planer som kommer till hjärtat av studentbedömning och dataanalys. Så involvera dina lärare i att göra dessa planer. Kom ihop och sätt upp de rutiner och standarder som kommer att ligga till grund för datadriven undervisning i din skola.

lärarutbildning är också oerhört viktigt. När du har ställt in standarderna för datainsamling, analys och tillämpning måste lärare förstå exakt vad det betyder för dem i deras dagliga aktiviteter in och ut ur klassrummet.

så, utbilda lärare att snabbt analysera data och dra slutsatser som gnista åtgärder, vilket hjälper dem att genomföra en datadriven instruktion politik.

skala långsamt dina ansträngningar

|

dykning i datainsamling och analys för varje klass i hela skolan kan verka skrämmande.

det beror på att det är för mycket arbete.

istället för ’allt-eller-ingenting’ – metoden, försök att börja med bara en klass.

samla in data om elevernas kunskapsnivåer och hur de lär sig. Med målet att börja små, bygg en process som gör data enkla att samla in och översätta till handling.

låt till exempel lärare spåra hur många gånger eleverna ber om förtydligande om ett ämne i klassrummet, liksom vilka undervisningsstrategier de använde vid den tiden. Dessa data kan enkelt översättas till en åtgärd: ta bort undervisningsmetoder som inte presenterar informationen tydligt.

när du börjar se resultat i ett eller två klassrum kan du börja expandera samma metoder för datainsamling och tillämpning till resten av skolan.

Ställ in rätt standarder för bedömningar

sprid dig inte för tunn. Det finns många saker som eleverna ska lära sig. Och lärare kan ha sina egna tankar om vad som är viktig information i en lektionsplan.

men för att få bestämda, stabila resultat i datadriven instruktion måste du definiera bedömningsstandarderna.

det betyder att ta varje enhet och svara på följande frågor:

• vilken information är viktig för eleverna att lära sig?
• Vad behöver de veta och förstå för att klara SATs eller andra viktiga tentor?
• vilken information skulle absolut behöva läras om om eleverna inte hade behärskat den vid en viss tid?

när dessa standarder är på plats är det lättare för lärare och elever att arbeta mot solida inlärningsmål och samla in nödvändiga data för bättre undervisning.

Bygg rutiner för interimsbedömningar

medan summativa bedömningar är viktiga, Glöm aldrig att lärande är en pågående process. Om ett antal studenter aldrig behärskade ett ämne som täcktes i början av skolåret, skulle det vara lättare att ta itu med problemet tidigare än veckorna före sommaruppehållet.

så arbeta med lärarna på din skola för att bygga ett system för interimistiska (eller formativa) bedömningar.

Preservice lärare i #Read4563 utforska autentiska sätt att kontrollera för förståelse före, under, & efter en lektion. Inga fler tråkiga kalkylblad! @ TWUreadingdept # formativeassessment #DataDrivenInstruction pic.twitter.com/kkxrFUp6sE

ta först de standarder som du ställer ovan. Dela sedan huvudämnena under hela skolåret.

låt oss till exempel säga att en engelskklass måste behärska ämnet meningsstruktur i slutet av terminen. Så ta det ämnet och dela det i dess huvuddelar. Vad är måldatumet för studenter att behärska en förståelse av adjektiv, verb, ämnen, och objekt? När behöver de förstå placeringen av alla dessa delar i meningen?

sedan, baserat på dessa huvuddelar av det väsentliga ämnet, ange datum för interimsbedömningar. Oavsett om det är genom tester, teamprojekt, uppsatser etc., eleverna måste kunna visa behärskning av ämnet i fråga.

dessa interimsbedömningar kommer att hjälpa lärare att planera för varje elevs behov, vilket ger dem tid att undervisa om väsentliga tankar medan ämnet fortfarande är i deras sinne, snarare än veckor eller månader senare.

samla bara in de data du behöver

|

en del av anledningen till att datadriven instruktion är så skrämmande är att det bara är så. Mycket. Data.

att genomföra en framgångsrik strategi innebär att man bara gallrar ner data till vad som är nödvändigt.

självklart har lärarna i din skola redan mycket på sin tallrik: lägg inte till att vada genom överdriven data till deras arbetsbelastning.

se istället till att dina datainsamlingsprocesser centrerar på information som är nödvändig. Även om det är viktigt att se till att dina bedömningar är standardiserade, som diskuterats ovan, skulle ett annat sätt att göra detta vara att ge lärare specifika riktlinjer för hur man samlar in och analyserar Studentdata.

på så sätt samlar alla inblandade lärare bara in nödvändiga data, och den tid de spenderar på att analysera data är mer fokuserad på vad som verkligen är viktigt.

Ställ in mål som är synliga för studenter

lärarna är inte de enda som är involverade i att samla in och analysera Studentdata: eleverna kan också engagera sig!

när allt kommer omkring är slutspelet för datadriven instruktion att hjälpa eleverna att nå utbildningsmål. Så visa dem hur de gör med dessa mål!

detta kan göras genom att skapa visuella mål och låta eleverna mäta sina egna framsteg. Hjälp lärare att planera tid för studentens självanalys. Ge barnen möjlighet att se tillbaka på sitt arbete, se vad de har åstadkommit och utveckla en tillväxtinriktning.

för att göra denna strategi verkligen sticker ut, gör framstegen visuella.

|

när du till exempel kommer till slutet av en enhet kan lärare använda klassrumssystem (eller ’clickers’) för att få en snabb överblick över hur mycket klassen förstår ämnet. Dessa roliga, interaktiva tester tillåter alla elever (även de riktigt blyga i ryggen) att delta.

i slutet av testet producerar de flesta klicksystem ett stapeldiagram som visar hur många elever som valde varje svarval. Detta ger elever och lärare en enkel bild av de framsteg de har gjort, eller där de fortfarande saknar.

använd EdTech som visar inlärningsframsteg för studenter

det är ingen hemlighet att ed-tech gör framsteg i klassrummet.

men visste du att det faktiskt kan hjälpa dig (och dina lärare) att implementera datadriven instruktion?

faktum är att 75% av lärarna identifierar datadriven instruktion som en topptrend för EdTech.

det är upp från bara 28% i 2017.

varför ökningen? Eftersom de flesta ed-tech-program utnyttjar svaren från eleverna för att ge lärare tydliga uppgifter om vad som händer i klassrummet.

Prodigy är ett gratis, läroplanerat Mattespel som hjälper dig att enkelt kvantifiera elevernas lärande och prestation. Eleverna älskar den spelbaserade inlärningsplattformen, där de svarar på kompetensbyggande matematiska frågor för att gå på äventyr och utforska nya världar. Du kommer att älska de kraftfulla rapportverktygen som hjälper till att driva elevernas lärande.

du kommer att kunna hitta lättlästa rapporter som beskriver exakt vilka färdigheter eleverna har behärskat, liksom vilka de är svaga i. Detta gör dataanalysering ännu enklare, eftersom informationen redan har samlats in och organiserats. Lärare kan sedan fatta välgrundade beslut som hjälper hela klassrummet att lära sig bättre.

vill du se hur många Prodigy-användare som finns i din byggnad? Fyll i formuläret nedan för att boka en gratis demo! 👇

skapa ett schema för dataanalys

det är dags att ge dina lärare riktlinjer för att analysera data.

till exempel, istället för att be lärare att skriva ut sina slutsatser efter att ha läst igenom data, skapa en enhetlig process för dataanalys. Du kan göra detta genom att skapa rapporter med korta, specifika frågor som lärare måste svara på en skala från 1-10 baserat på de data de har samlat in.

• vilken typ av behärskning har klassen (eller studenten) i detta ämne?
• hur förberedd är klassen att svara på frågor om detta ämne på ett standardiserat test?
• kan klassen med lätthet förklara sin förståelse för detta ämne?

sedan kan lärare lista specifika kunskapsluckor eller svagheter som de har sett i antingen enskilda elever eller klassen som helhet.

Därefter måste de analysera de data som samlats in om undervisningsmetoder. Med samma skala 1-10 kan de Betygsätta de olika undervisningsmetoderna de använde av hur väl klassen svarade på dem.

slutligen bör lärare lista minst 3 åtgärder de planerar att vidta för att förbättra sin undervisning för nästa enhet. Detta skulle kunna omfatta åter undervisning vissa ämnen, eller ändra upp sina i klassrummet metoder för att göra informationen fastnar bättre.

nu måste du bygga ett schema för dina lärare att analysera dessa data.

vissa skolor ställer in specifik tid i lärarnas schema för att analysera de data de har samlat in. Helst skulle detta vara snart efter bedömningar görs.

att ha en tydlig process och schema hjälper lärare och skolledare att hålla koll på elevernas framsteg.

uppmuntra lärare att samarbeta med varandra

när det gäller dataanalys bör lärare veta att de inte behöver gå ensam. När du planerar tid för dataanalys, uppmuntra lärare att arbeta tillsammans för att få igenom de data de har samlat in.

denna metod hjälper både lärare och elever att dra nytta av datadriven instruktion. De säger att två fungerar bättre än en, och det här är ett utmärkt exempel: två eller flera lärare arbetar tillsammans för att förstå de data de har samlat in och brainstorma tankar om hur man går vidare.

Lärarsamarbete är också en form av professionell utveckling. Lärare kommer att lära sig värdefulla färdigheter från varandra och bygga på varandras ideer för att skapa en ännu bättre inlärningsupplevelse i klassrummet.

granska effekterna av återundervisning

så, efter bedömning, behövde en klass omundervisning av ett viktigt ämne. Istället för att bara gå igenom informationen igen och gå vidare är det viktigt att lärare återkommer sina bedömningar för att säkerställa att eleverna verkligen får känslan av informationen.

att använda klicktest som nämnts ovan är ett bra sätt att få en snabb överblick över klassens övergripande förståelse av ett ämne. Denna metod tar inte mycket tid och gör det möjligt för lärare att se omedelbar feedback om omundervisningen hade önskad effekt.

kartlägga utvecklingen av din skola som helhet

visa det här inlägget på Instagram

tankar för datasäsong från @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

A post shared by Teaching Excellence (@teachingexcellence) on Nov 15, 2018 at 2:45pm PST

när din datadrivna instruktionsplan är på plats blir det intressant att se vilken skillnad det gör i dina klassrum.

så se till att spela in en baslinje från startpunkten. Lagra de första klassrumsbedömningarna och analysen som lärare tog bort från de data de samlade in.

detta gör att du kan se de otroliga resultat som datadriven instruktion ger. Som ett exempel använde New Mexico School for the Arts datadrivna instruktionsprinciper för att öka deras kunskaper om PARCC math-tester från 29 till 40 procent och på PARCC English language arts från 80 till 87 procent.

nedladdningsbar lista över de 11 viktiga stegen mot datadriven instruktion

vilken typ av resultat kan din skola se?

börja bygga en kultur av datadriven undervisning i din skola idag genom att ladda ner vår gratis, kondenserade lista över de steg du kan ta.

slutsats: Ge din skola fördelen med datadriven instruktion

att använda data för att förbättra inlärningsupplevelserna i din skola är framtidens väg. Lärare behöver veta vad som händer i elevernas huvuden för att hjälpa dem, och du måste förstå vad som händer i klassrum för att bättre styra din skola.

kom ihåg att datadriven instruktion innefattar tre viktiga steg:

• datainsamling
• dataanalys
• åtgärd

genom att besluta om standarder och ge riktlinjer till lärare hjälper du till att bygga en kultur av datadriven undervisning i din skola.

skolledare? Prova Prodigy – den fria, läroplananpassade matematikplattformen som används av mer än en miljon lärare och skolledare över 90 000 skolor.

skolledare kan använda Prodigy till:

• Gauge student förberedelse för standardiserad testning
• informera datadrivna instruktionsinsatser och driva studentprestation
• ange elevernas arbetsklassnivåer och deras nivåer på nyckelsträngar

fyll i formuläret nedan för att se din byggnads användare!