Odborný článek
Vize daty řízeného školství
5,0 (2 hodnocení)
Seriál
Analýza výukových výsledků
- 1.Vize daty řízeného školství
- 2.Daty řízené školství v praxi
- 3.Skutečné možnosti využití daty řízeného školství
Seriál
1. díl seriálu zabývajícího se analýzou výukových výsledků shrnující důvody, proč se systémy automatického hodnocení žáků vyvíjejí a na jakých principech jsou založeny.
Školství je oborem lidské činnosti, pro nějž platí stejná obecná pravidla jako pro jiné. Například to znamená, že i jeho řízení musí vycházet ze znalosti toho, co se na různých místech vzdělávacího procesu skutečně děje. Odhad, co určité současné rozhodnutí může v budoucnu způsobit (včetně nicnedělání), je nutně nedílnou součástí každého řídícího procesu. Problematikou do značné míry související jsme se zabývali již několikrát při snaze o popis budoucího vývoje školství (viz Vzdělávání budoucnosti – kurz chápání budoucího světa, Budoucnost vzdělávacích technologií) i přímým komentováním snahy zavádět daty řízené školství u nás (Daty řízené školství – naše budoucnost či nedostižný sen? nebo Daty řízené školství, politika a technologie). Vývoj jde ale rychle kupředu, a tak je třeba se k tématu vrátit.
V poslední době se mezi vedoucími pracovníky školství nejen u nás šíří představa, která způsobu řízení založenému na reálných datech získaných přímo od žáků dává zcela nový, dosud nebývalý význam (viz Technologická transformace školství v USA pokračuje). Americký federální ministr školství Arne Duncan přišel podporován některými liberálními politiky a významnými podnikateli (Bill Gates, Mark Zuckerberg, Rupert Murdoch ad.) dokonce s návrhem, aby učitelé byli odměňováni podle toho, co skutečně své žáky naučí (též viz červnový Kulatý stůl SKAV). Jedná se o na první pohled docela logický záměr, jenž se zdá být motivován snahou o zlepšení celkové úrovně školství. Přidá-li se k němu podpora médií, není vyloučené, že může být veřejností přijat kladně. Jeho realizace je však značně obtížná. Určitě stojí za to podívat se na tuto záležitost poněkud podrobněji.
V úvahách o tom, jak získat relevantní data o skutečných výukových výsledcích žáků, pro tuto chvíli zcela opustíme tradiční metody ověřování výukových výsledků ústním zkoušením či písemným testováním vyučujícím přímo ve třídě. Taková data, byť i uložená v systému řízení školy (např. Bakaláři), nelze nikdy považovat za nezávislá. Jiný způsob založený na centrálně organizovaném plošném testování hlavních předmětů typicky ve formě zaškrtávání správných odpovědí prováděném jednou za dlouhé časové období má obrovské množství negativních dopadů, o nichž se v poslední době u nás diskutovalo již mnohokrát (např. Strategie skutečné reformy školství). Vše nasvědčuje tomu, že budeme mít příležitost si ho vyzkoušet na vlastní kůži. Současná všudypřítomná existence technologií však do budoucna přináší i jiné, dříve netušené možnosti.
Připomeňme si, jak již v současnosti probíhá technologiemi podporovaná výuka. Nejčastěji se uplatňují modely kombinované, v nichž se část aktivit odehrává prezenčně ve škole a část distančně prostřednictvím internetu. Představme si takového běžného učitele, který pro potřeby svého předmětu zřizuje každé své třídě ve vhodném systému řízení výuky (např. Moodle) kurz, do něhož umisťuje všechny potřebné studijní materiály v elektronické podobě, nechává v něm žáky o problémech s výukou souvisejících diskutovat, odevzdávají sem své vypracované úkoly, procvičují zde zvládnutí aktuální látky a své znalosti si též ověřují pomocí testů. Vývoj a obsahová náplň tohoto prostředí nutně nemusí být jen na učiteli nebo na škole, je snadno představitelné, že může být alespoň na základní úrovni poskytováno jako hotový produkt zvnějšku.
Samotná přítomnost žáků v takovém virtuálním výukovém prostředí generuje velké množství dat, která lze k hodnocení využít. Již současné verze systémů řízení výuky dovolují s těmito daty pracovat (kromě tolik oblíbeného volně dostupného Moodle je ve hře např. americký Blackboard nebo v Británii oblíbený norský Fronter). Moodle, který jako standardní nástroj podpory všech předmětů provozuje i naše katedra, u každého uživatele generuje tzv. „Sestavy o činnosti“, pomocí nichž lze snadno z jednoho místa přehlédnout, co uživatel v systému za poslední období dělal, které dokumenty otevíral, jak dlouho mu trvalo, než přešel na další apod. To, že v systému zůstávají všechny výsledky testů, cvičení i odevzdané soubory, je samozřejmé.
Ukázka celkového přehledu výsledků kurzu v MoodleUkázka celkového přehledu výsledků kurzu v Moodle
Učitel i žák u svých vlastních výsledků mají možnost všechna uložená data zkoumat, analyzovat a vyvozovat z nich určité závěry. Je celkem zřejmé, že informace tohoto typu budou mít docela jiný význam u výuky prezenční, kombinované a plně distanční. Vývoj nezadržitelně směřuje k tomu, že se bude stále více výukových aktivit odehrávat prostřednictvím technologií. Nutně to vždy ani nemusí být plnohodnotný počítač, stačí smartfoun připojený do internetu (viz Mobilní telefony LEGÁLNĚ ve výuce). To znamená, že k dispozici bude stále více dat, která lze za účelem získání přehledu o výsledcích žáka použít.
Vlastně vzniká celý nový specializovaný výzkumný obor, který se anglicky nazývá Learning Analytics. Byla o něm zmínka již v posledním Horizon Reportu 2011. Jak už to tak bohužel v případě školství bývá, u jeho zrodu nestál primárně zájem zlepšit výukové výsledky žáků. Má dva hlavní předchůdce (viz Shum a Ferguson v Citacích). Prvním je vytěžování dat (Data mining), jež patří již dost dlouho k nástrojům používaným manažery různých organizací za účelem optimalizace rozhodování. Druhým inspiračním zdrojem je analýza návštěvnosti webových stránek (Web Analytics). To je obor zajímavý pro ty podnikatele, kteří se snaží na své webové stránky přilákat co nejvíce návštěvníků typicky proto, aby maximalizovali zisk z reklamy na nich umístěné. V poslední době se začíná rozvíjet i další příbuzný obor specializovaný na analýzu účasti v sociálních sítích. Tato analýza je založena na zkoumání osobních zájmů a zvyklostí uživatelů, a tak se velmi často pohybuje na samé hranici etické únosnosti toho, co by měl poskytovatel internetových služeb o svých zákaznících vědět. Je to problém, na nějž naráží i analýza výukových výsledků, a proto se k němu ještě vrátíme.
Dospět od uložených dat k informacím použitelným k řízení – v našem teoretickém případě k nastavení optimální trajektorie výuky pro každého studenta či žáka nebo dokonce až k posouzení kvality jednotlivých škol či schopností jednotlivých učitelů – je velmi komplikovaný proces. Jedná se zde o práci s tzv. „velkými“ daty, jejichž zpracování probíhá docela jinými výzkumnými postupy, než na jaké jsme byli dosud zvyklí (viz Jaká je budoucnost pedagogického výzkumu?). Na rozdíl od klasického zkoumání jen omezeného množství okamžitých vlastností určitého vzorku osob je možno do analýzy zahrnout průběžné informace o každodenní činnosti a výsledcích každého hodnoceného jedince.
George Siemens (viz Citace) popisuje obecně současné internetové aplikace zpracovávající velká data v 5 postupných vývojových úrovních a předkládá příklady z praxe:
Není pochyb o tom, že velká data znamenají revoluci ve statistickém zpracování výsledků. Školství za vývojem vedeným komerčními zájmy zatím poněkud pokulhává. Přesto již dnes existují příklady naznačující, jak by mohla aplikace analýzy výukových výsledků v praxi brzy vypadat. O tom ale až příště.
SHUM, Simon B.; FERGUSON, Rebecca. Social Learning Analytics [online]. 2011. [cit. 2011-08-12]. Dostupné z: http://kmi.open.ac.uk/publications/pdf/kmi-11-01.pdf.
SIEMENS, George. Strata Conference Wrap Up: Big Data, Big Opportunities [online]. 2011. [cit. 2011-08-12]. Dostupné z: http://www.elearnspace.org/blog/2011/02/21/strata-conference-wrap-up/.
Tento materiál je publikován pod licencí Creative Commons – Uveďte původ – Neužívejte komerčně – Nezpracovávejte 3.0 ČR.