Guide de stratégie d'instruction axé sur les données

Cette ressource a été conçue comme un outil étape par étape pour les éducateurs intéressés par des moyens d'utiliser des données pour informer leur pratique pédagogique. Cet outil peut être utilisé par des particuliers ou des équipes pour guider l'identification d'une déclaration de problème, une sélection de sources de données, une analyse des données, une planification de l'action et des ajustements à la pratique.

Selon votre expérience Utilisant des données, vous pouvez choisir une étape pour vous concentrer sur ou suivre le processus complet du début à la fin. Chaque étape du processus comprend une série de questions à prendre en compte et à des conseils sur la manière de faciliter des conversations significatives et ciblées avec des collègues sur les données

Il n'y a pas de bon type de données à utiliser pour ce processus; Cependant, nous vous recommandons de commencer par des données qui existent dans votre sphère d'influence. Par exemple, la recherche des données à l'échelle de l'école peut fournir des informations intéressantes sur le contexte dans lequel vous enseignez, mais peut être difficile à influencer au niveau de la classe. Au lieu de cela, la priorité aux données relatives à ce qui se passe dans votre propre salle de classe (e.. Les scores d'évaluation des élèves ou les observations de votre classe) peuvent générer des informations plus significatives et plus approfondies pouvant être utilisées pour éclairer les ajustements d'instruction.

Il peut être utile de réfléchir à des questions possibles que vous avez sur la réussite des élèves, les pratiques pédagogiques ou les conditions de classe propices à l'apprentissage. Ce brainstorming initial peut vous aider à articuler une déclaration de problème ou une question de guidage qui aidera à diriger votre processus d'enquête de données.

Identifiez une déclaration de problème - feuille de calcul

Une fois que vous avez identifié l'énoncé de problème ou la question de guidage que vous souhaitez enquêter plus loin, la prochaine étape consiste à identifier les sources de données spécifiques à examiner. Bien que les données de test standardisées puissent servir d'outil précieux pour comprendre les tendances des résultats des élèves dans nos écoles, ils peuvent ne pas toujours fournir aux éducateurs des données en temps réel nécessaires pour prendre des décisions quotidiennes sur la manière de régler le mieux les instructions des étudiants. Il existe toutefois un large éventail d'autres données que les éducateurs collectent tous les jours qui peuvent fournir des informations immédiates et précieuses sur les élèves qui informe et influent sur la manière dont nous enseignons, ainsi que dans lesquels et ce que nous examinons, réajuste et réessayons

Sources de données - feuille de calcul

Une fois que vous avez identifié un ensemble de données à examiner, il peut être utile de prendre en compte les moyens de visualiser vos données. En regardant des feuilles de calcul emballées avec des scores de test de l'étudiant peut être accablante et rendre difficile de tirer des motifs potentiels. Au lieu de cela, prendre le temps de générer des graphiques simples ou des graphiques peut faire une grande différence pour rendre les données accessibles et significatives.

Après avoir retiré vos données dans un format convivial, vous devez examiner, analyser et interpréter les données pour déterminer les étapes suivantes les plus appropriées. À ce stade, concentrez-vous sur la création d'observations de données: qu'observons-nous dans les données? Quels motifs remarquons-nous? Que pouvons-nous déduire des forces et des défis de nos étudiants?

Prenez un moment pour accuser réception des limitations de vos données. Par exemple, les données ne peuvent afficher qu'une seule année de performance des élèves plutôt qu'une série d'années qui soutiennent une tendance. Cela ne signifie pas que les données ne seront pas utiles; Cependant, il peut y avoir des limites aux conclusions que vous pouvez dessiner. Ce processus pourrait également inviter la réflexion sur des sources de données supplémentaires qui pourraient être utiles pour mieux comprendre votre déclaration de problème.

Veuillez noter: Bien que l'examen indépendant des données puisse être utile pour réfléchir à ce qui se passe dans nos salles de classe, nous vous recommandons vivement de se connecter avec au moins un autre collègue à examiner de manière collaborative vos données et de réfléchir à des étapes d'action potentielles en réponse à les motifs que vous voyez émergent.

Une fois que vous avez terminé le protocole de dialogue Data, vous pouvez utiliser vos conclusions pour identifier les objectifs d'apprentissage des élèves sur lesquels concentrer les améliorations et cartographier des mesures d'action spécifiques pour ajuster votre pratique. Votre analyse de données peut vous amener à identifier les modèles d'apprentissage des élèves, y compris des forces et des défis communs. Dans cette étape, vous pouvez vous engager dans des conversations avec des collègues pour formuler des hypothèses sur les raisons de ces modèles, y compris pourquoi les étudiants effectuent d'une certaine manière et comment les ajustements spécifiques à votre instruction peuvent aider les élèves à atteindre vos objectifs d'apprentissage. Sur la base de vos hypothèses, vous pouvez décider de changer ou de compléter votre programme d'études, d'essayer de nouvelles stratégies pédagogiques ou de rechercher des ressources alternatives pour mieux soutenir l'apprentissage des élèves.

Au cours de la première décennie du XXIe siècle, un enthousiasme pour utiliser des données pour informer l'enseignement avait écrasé U.. La scolarisation d'autres domaines, notamment de la fabrication, de la médecine et des sports (où, comme dans l'enseignement, la prise de décision utilisée principalement sur l'instinct d'intestin). En particulier, des élus et d'autres influenceurs politiques - e. ., Représentants du Congrès, des gouvernements publics, des fondations et des districts scolaires, ainsi que des entrepreneurs de technologies et des marketing de curriculum - ont fait valoir que l'utilisation des données dans l'enseignement peut améliorer les résultats des étudiants, en particulier dans les écoles touchées par la pauvreté du quartier.

Pour la plupart, toutefois, les défenseurs ont négligé de dire avec précision comment les données pourraient améliorer l'enseignement et l'apprentissage ou de montrer aux enseignants quelle est la pratique informée des données et comment elle se sent - et oui, comment on se sent question. Dans les contextes de fabrication de premier ordre, les équipes sportives, les cliniques de santé et les écoles, l'utilisation des données ne remplacent pas simplement l'intuition au niveau des gut; Au contraire, l'utilisation de données complète le sens intuitif des pratiquants expérimentés de quoi faire ensuite (Baker, 2016; Gawande, 2007; Senge, 2006).

À ce jour, les partisans de la consommation de données dans les écoles ont eu tendance à sous-estimer la complexité de l'enseignement, et ils ont trop confiance en la puissance des données de test standardisées pour améliorer l'instruction. En outre, peu de plaidoiries ont accordé beaucoup d'attention aux moyens par lesquels les données de test des élèves pourraient être intéressantes et informatives aux étudiants eux-mêmes, alimentant leur propre agence lorsqu'ils tentent de surmonter les effets de la pauvreté.

En outre, la communauté de la recherche pédagogique a été compliquée de diffuser cette vue trop simpliste sur la manière dont les données peuvent conduire des instructions. En 2012, à la suite d'un examen approfondi des recherches existantes dans ce domaine, la Fondation Spencer a conclu que les appels insistants des réformateurs politiques à la pratique axée sur les données sur une base de recherche mince. En fait, les chercheurs savaient peu de choses sur la manière dont les données pourraient mieux informer l'enseignement, dans quels contextes, et dans quelles conditions. La Fondation a publié un appel à propositions visant à approfondir cette base de recherche, financer un certain nombre d'études de niveau macro, suivie d'un ensemble de 13 celles de l'école et de la classe. L'étude que je décris ici est l'une des dernières. (Voir Barnes & Fives, 2018, pour des méthodes et des résultats de cette information et 10 autres études financées par la fondation.)

Nora Isacoff, Dana Karin, Susan Neuman, et j'ai mené cette recherche avec l'aide de James Kemple et de ses collègues de l'Alliance de la recherche pour les écoles de New York. Nous nous sommes concentrés sur neuf écoles primaires de haute pauvreté à New York, que nous avons sélectionnées pour leur réputation parmi les dirigeants de district et de réseau pour utiliser des données pour informer les instructions.

Plus de trois ans, nous avons étudié la consommation de données de ces écoles dans l'enseignement de l'alphabétisation aux niveaux de 4ème et 7ème année. Nous avons utilisé des transcriptions à faible inférence des actions et des mots des enseignants et des étudiants, suivis des conversations basées sur la transcription avec les enseignants. Nous avons plongé au fond de leur enseignement, à la recherche de tous les signes d'utilisation des données dans leur pratique. S'appuyant sur les observations et les entretiens, nous avons également étudié d'autres aspects des systèmes d'utilisation des données de leurs écoles, à la suite de conseils de Judith Warren Little (2012) pour alterner entre une vue en gros plan et grand angle lors de l'étude de la consommation de données dans les écoles, ainsi que James Spillane et ses collègues (2011, 2014) conseils pour répondre à la manière dont une routines organisationnelles d'une école médiane l'utilisation des données. Dans notre livre récent, des données et de notre enseignement: aller au-delà de la pensée magique à une pratique efficace (McDonald, Isacoff, & Karin, 2018), nous partageons des conclusions détaillées de cette étude, notamment des portraits de pratique prometteurs et avertis.

Dans cet article, je propose une comptabilisation distillée de quatre conclusions majeures de l'étude. Le premier concerne les deux types principaux d'enseignants de données utilisent pour informer leur enseignement; la seconde avec la manière dont les enseignants s'appuient sur des données lors de décisions complexes, à instance à instaurer; Le troisième avec les écoles de systèmes doit construire pour soutenir l'utilisation des données intelligentes dans l'enseignement; et le quatrième avec le rôle que les étudiants peuvent jouer dans le processus.

Parmi les écoles que nous avons étudiées, celles qui ont eu le plus de succès à utiliser des données pour augmenter l'apprentissage des élèves donnaient une attention égale et complémentaire, une attention particulière à ce que nous appelons des données de gros test (par exemple, des données de l'alphabétisation obligatoire de l'État tests ou des tests annuels d'une croissance de l'apprenante en anglais) et de ce que nous appelons des données intimes (données collectées par des enseignants eux-mêmes).

Un enseignant nous a dit qu'il aime les chiffres, pas seulement ceux qui ont été transmis à son école dans des rapports de test de l'État, mais ceux qu'il se génère de courir des archives de ses évaluations de la lecture orale des étudiants et de celles-ci Ses étudiants génèrent quand ils auto-évaluent leur engagement en lecture silencieuse. Puis il a ajouté: "Et c'est aussi des données [me montrant une pile de notes collantes] - peu de messages à moi-même comme" Travailler avec Maya en gardant une trace des personnages ". En fait, presque tous les éducateurs que nous avons interviewés, tous deux dans notre Les écoles les plus efficaces et les moins efficaces, distinguaient entre des données de gros test et des données intimes (bien qu'ils leur appelaient par différents noms). Et nous avons trouvé, à travers nos 90 transcriptions d'entrevue, que chaque fois qu'un enseignant a fait référence à l'un de ces types de données, ils ont bientôt mentionné l'autre aussi.

Néanmoins, bon nombre de ces personnes interrogées nous ont dit qu'ils pensaient que les fonctionnaires de district, sous-estimé les données intimes, la plus souvent formatives, que les enseignants collectés. Cette hypothèse représentait en partie pourquoi certaines écoles que nous avons étudiées sont sous-estimées au bord de l'enseignement des données. Un modèle commun dans de telles écoles devait supposer que la plupart des données qu'un enseignant nécessaire à l'enseignement pourrait être trouvée dans les résultats des tests annuels - en particulier des analyses de points indiquant si un étudiant avait rencontré une norme d'apprentissage donnée. Les enseignants ont ensuite été censés utiliser les données pour regrouper les élèves pour retirer et leur instruction ultérieure, nous avons observé, souvent invoquée sur ou imitait d'anciens éléments de test, de sorte que leur enseignement est devenu une sorte de préparation de test.

En revanche, dans les écoles les plus prospères, les enseignants n'ont pas attendu les analyses d'articles de gros essais (qui sont souvent arrivés bien après les premières semaines d'école) mais ont généré leurs propres données axées sur les normes en engageant immédiatement les étudiants. dans des tâches de lecture et d'écriture authentiques et enregistrez les résultats. Ensuite, lorsqu'ils ont reçu des analyses d'articles de gros essais, les enseignants de ces écoles se sont rassemblés dans des équipes de niveau de niveau et des sujets afin de lire les deux jeux de données côte à côte à côté et de planifier des chemins d'enseignement conçus pour donner des preuves futures de croissance et de preuves supplémentaires de Besoins.

Un système efficace d'utilisation des données dans l'enseignement doit aider les enseignants à décider quoi faire dans le moment, car ils se battent avec les exigences complexes et les dilemmes, ils sont confrontés à la classe. Guidé par l'analyse de l'enseignement de David Cohen (2011), nous avons identifié trois exigences essentielles en particulier.

La deuxième demande implique de déterminer comment construire des relations mutuellement respectueuses et bénéfiques avec les étudiants. Pour prendre des décisions concernant le climat, les règles, les normes interpersonnelles, etc., il peut être utile de rechercher les données de base de l'école et de collecter des informations de familles. Mais les données les plus importantes ont tendance à être les informations recueillies au moyen de contacts étroits et perspicaces avec les étudiants eux-mêmes. Ici aussi, nous avons constaté que dans la plupart des écoles, les enseignants vont par leur instinct pour décider de la manière de construire de bonnes relations de classe, mais dans les écoles les plus efficaces, les enseignants partagent ces informations (e.., Trade à leurs impressions comme à quels élèves semblent avoir du mal à lutter contre l'anxiété sociale ou si un groupe a déjà répondu aux possibilités de choisir leurs propres sujets d'essai).

Enfin, la troisième demande a trait à l'évaluation des étudiants déjà connus et de ce qu'ils ont appris d'une leçon ou d'une unité particulière. Encore une fois, il est utile que les enseignants puissent s'appuyer sur des connaissances en profondeur de contenu - par exemple, un enseignant qui sait que peu d'interprétation littéraire pourrait ne pas remarquer qu'un étudiant a du mal à garder une trace des personnages et des développements de tracé. Dans les écoles les plus efficaces, nous avons constaté que les collègues s'aideront mutuellement à prendre conscience des signes d'un élève qui luttent avec de telles compétences, et ils se rempliront dans les forces et les faiblesses de chaque élève.

Si les enseignants doivent gérer ces demandes - décider de quoi enseigner, comment créer des relations et comment évaluer les progrès des étudiants - ils auront besoin de plus que de bonnes données (données de test et de données intimes collectées par des enseignants eux-mêmes). Ils devront également avoir certains résultats d'enseignement dans leur répertoire, des moyens d'agir sur ce qu'ils savent sur les étudiants individuels. De nos observations, nous avons trouvé que quatre de ces mouvements sont particulièrement importants: appuyer sur les élèves de repenser une idée ou d'essayer quelque chose à nouveau (tout en gardant à l'esprit la différence entre une presse respectueuse et une poussée rigide); retirer de côté un étudiant d'une manière qui démontre sa soin et ne stigmatise pas; poser des questions de manière à respecter les modes de pensée et de connaissance des élèves et ne rencontre pas de pêche aux bonnes réponses; Et s'éloigner - pas dans l'abandon, mais comme un signe de confiance dans la capacité de l'élève à atteindre.