Jak využívat žákovská data pro zdokonalení výuky?

V poslední době se poměrně hodně zabýváme budováním tzv. „školského ekosystému“. Zatím si jeho existenci v našich domácích podmínkách spíše jen představujeme. Máme-li být připraveni nasměrovat budoucí vývoj k prospěchu žáků, nezbude nám nic jiného než se začít připravovat. Nedávno jsme si všimli, že se v Severní Americe daří rozvíjet školský ekosystém dvěma firmám – Power School a Instructure (Rozvoj technologických ekosystémů v amerických školách). Na následujícím obrázku je model firmy Instructure. Podstatou, která nás zajímá, je to, že všechny moduly takového systému jsou kompatibilní a jsou schopny si předávat data.

Platforma Instructure jako ekosystém

Právě na ta data se podíváme trochu blíže z pohledu učitele. Celkem pěkný přehled naznačující možnosti, které učitelům a vzdělávacím institucím poskytují data o žácích, ukazuje Maliha Safiullah na portálu Emerging EdTech – How Educators Can Use Student Data to Drive Instruction [1].

Klasifikace žákovských dat:

Výsledky testů
Přestože je testování v současné době předmětem značné kritiky, zůstávají výsledky testů klíčovým ukazatelem výkonu žáků. Sledování a analýza skóre jednotlivých žáků slouží učitelům při určování tempa hodin, návrhu plánů hodin a nastavení didaktických postupů tak, aby se přizpůsobily jejich individuálním potřebám. Analýza výsledků testů je zásadní při vytváření standardů osnov, měření efektivity kurzů a realizaci specifických výukových strategií.

Docházka
Pravidelné záškoláctví zvyšuje pravděpodobnost předčasného ukončení školní docházky a snižuje akademické výsledky. Rozsáhlá absence narušuje smysl pro školní komunitu a negativně ovlivňuje třídní prostředí. Existence vhodného systému sledování docházky, k němuž má přístup kromě učitele i vedení školy a rodiče, je proto důležitým nástrojem pomáhajícím eliminovat tento problém v zárodku. V dlouhodobém horizontu pomáhá učitelům vyhodnotit efektivitu různých přístupů k výuce a vylepšovat své strategie.

Socio-emocionální učení
V současné době je sociální a emocionální učení nezbytnou dovedností podmiňující akademický úspěch. Provést analýzu žákovských digitálních dat za účelem zjištění jejich socio-emocionálního nastavení (wellbeingu) není snadné. Toto hodnocení bude vždy primárně založeno na osobním kontaktu. Do určité míry však lze některé indikátory použít (např. čas strávený s přístrojem, druh činnosti, způsob práce s výukovými materiály apod.). Měření a monitorování tzv. měkkých dovedností může být využito při návrhu co nejvhodnějších vzdělávacích programů.

Zavádění daty podporované výuky

1. Krok za krokem
Nikdy nezkoušejte zavést vše naráz. Jedná se o příliš komplexní problém, který je třeba řešit postupně. Začněte s jednou učební aktivitou, která žákovská data shromažďuje a analyzuje (např. Hour of Code, Khanova škola), a tu se pak snažte rozšiřovat. Přitom stavte na těch postupech, které se osvědčily. Cílem je dospět k plošnému využití celého ekosystému popsaného v úvodu.

2. Využívejte formativní hodnocení
Nejlepší praxí je do metodiky hodnocení žáků integrovat data z často opakovaných krátkých reakcí a rychlých kvízů tak, aby bylo možno poskytovat okamžitou zpětnou vazbu dříve než po dokončení vzdělávacího modulu. Je velmi důležité správně v rámci ekosystému nastavit, která data mohou být vyhodnocována automaticky a jakou roli hraje učitel. Je nezbytné, aby žák cítil jeho účast, ale na druhou stranu zase učitel nemůže být všude a pracovat nepřetržitě.

3. Při vytváření pracovních skupin využívejte data
Didaktický záměr při vytváření skupin může být v závislosti na situaci velice rozdílný – počínaje náhodným výběrem až po sofistikovaný výběr heterogenní či homogenní. Máme-li k dispozici dostatek dat o učení žáků, lze výběr založit např. na jejich kategorizaci podle stylu učení (Gardner) či úrovně dosažení vzdělávacích cílů (Bloom). Existuje několik dalších dostupných metod, které pomáhají pedagogům žáky seskupovat.

4. Zjišťujte úroveň podpory
Systém podpory hraje ve vzdělávání primární roli. Přímá podpora žáků ze strany učitele je v rámci ekosystému doplněna o všudypřítomnou pomoc online. Data o využití této pomoci mohou být cenným ukazatelem pro identifikaci stávající úrovně dosažení vzdělávacích cílů.

5. Zapojujte žáky do různých programů
Rozmanité odlišně navržené programy poskytují informace o specifických požadavcích studentů, jejich motivaci a schopnosti vnímat. Je vhodné zapojit žáky do různých aktivit a sledovat, které jsou pro ně individuálně vhodnější, tj. mají v nich lepší výsledky. Tato data lze využít k dokonalejší personalizaci činnosti všech žáků, tj. vybrat pro ně nejvhodnější aktivity a učební pomůcky.

6. Zajistěte účast rodičů
Rodiče jsou vždy těmi, kdo mají nejlepší vhled do chování žáků. Účast rodičů / zákonných zástupců při nastavování individuálních výukových cílů žáků a konkrétních aktivit pomáhá pedagogům monitorovat a rozvíjet efektivnější metody výuky.

7. Integrujte a využívejte technologie
Technologie pronikají do všech oborů a vyvolávají zásadní proměnu života na Zemi. Využití digitálních dat je všudypřítomné (datafikace). Jejich třídění a vyhodnocování je stále snadnější. Není pochyb o tom, že díky technologiím přichází doba, kdy bude školství v daleko vyšší míře aplikovat na datech založené řízení většiny procesů.

Pozor ale, při zavádění těchto na analýze dat založených postupů si musíme být vědomi limitů, které mají – viz např. Kobří efekt plošného testování, Je učení vidět? Polemika Johna Hattieho a Steena Larsena, Vzdělávání ve věku komplexity.

Literatura a použité zdroje

SAFIULLAH, Maliha. How Educators Can Use Student Data to Drive Instruction [online]. 2022. [cit. 2022-03-10]. Dostupné z: https://www.emergingedtech.com/2022/01/how-educators-can-use-student-data-to-drive-instruction/.