Varför använda Learning Analytics i skolan?

Vad är nästa stora steg för skolans digitalisering?

”Har vi inte för många tester och prov redan?” tycker du kanske och det finns såklart olika åsikter om screening och testning i skolan.  Men samtidigt så vet vi att tidig upptäckt möjliggör tidiga insatser. Det screeningmaterial som skolan använder bör också användas för att följa utveckling över tid och följa upp om de insatser man har satt in har gett effekt.

Eftersom tekniken fortsätter att utvecklas och blir en mer integrerad del av våra vardagsliv är det kanske bara naturligt att också använda tekniken för att förbättra utbildningen vi ger våra barn och unga. En typ av teknik som lovar att göra detta till verklighet är användningen av det som man i den anglosaxiska världen kallar ”Learning Analytics” och ”Data mining”. Med dessa verktyg försöker man hitta sätt att utnyttja den ökande mängden data som finns tillgängliga om elever för att bättre förstå inlärningsprocesserna och de sociala och motiverande faktorerna kring lärande. En del tror att detta kan bli nästa stora steg för skolans digitalisering.

Vad är Learning Analytics?

Learning analytics är ett relativt nytt och området som ännu inte är helt klart definierat, men förenklat så handlar det om mätning, insamling, analys och rapportering av data om elever och deras sammanhang, i syfte att förstå och optimera inlärning och miljöer för lärande.

Genom att regelbundet samla in, analysera och följa upp data om elevernas inlärning och skolupplevelse hoppas man kunna besvara frågor, upptäcka samband och mäta utveckling baserat på objektiv information.

Vilken nytta har skolan av att samla in data?

Kort sagt, menar man att skolan har mycket att vinna på att samla in och analysera data för bättre undervisning.

Den insamlade datan kan t.ex användas till att:

• Markera styrkor och luckor inom läsning och kärnämnen
• Identifiera och stödja barn med ytterligare behov
• Leverera bevis för förbättringar i hela skolan
• Avslöja hinder för lärande
• Ge bevis på framsteg
• Förslag på undervisningsstrategier

Hur gör man?

1. Innan du börjar, se till att all data du använder är av god kvalitet (normerad, standardiserad, validerad)
2. Tilldela någon på ledningsnivå huvudansvar för att samordna data, program, analys och uppföljning
3. Presentera resultat i tydliga tabeller, diagram som underlag för uppföljning
4. Följ upp resultat och sätt upp nya mål
5. Arbeta vidare med olika delar av ”Data mining”

"Data mining" handlar om att söka efter mönster, samband och trender i stora datamängder. Inom skolan skulle t.ex dessa områden passa:

• Klassificering: Kategorisera och sortera elever, bestäm deras inlärningsstilar och preferenser
• Prediktiv modellering: Framkallande av modeller som kan förutsäga om (och när) en elev kommer att klara en kurs eller inte eller så småningom kommer att ta examen eller hoppa av skolan
• Klustring: Gruppera liknande elever (baserat på beteende, prestation osv.) eller gruppera liknande kurser, uppdrag etc, utforska samarbetsinlärningsmönster
• Biclustering: Hitta vilka frågor (uppgifter, kurser) som är svåra eller enkla för vilka elever.
• Samverkande filtrering och rekommendationer: Rekommendera lämpliga inlärningsobjekt, baserat på analysen av elevens egna och andra elevers prestationer, rekommendera korrigerande lektioner till elever