Как школе принимать решения на основе данных: путь к эффективному управлению
В последние годы в секторе образования наблюдается рост количества собираемых данных. Соответственно растёт и тренд на их аналитику. Согласно прошлогоднему исследованию компании Gartner, к 2025 году около 80% организаций начального и среднего образования будут использовать те или иные цифровые инструменты образовательной аналитики.
Наиболее перспективным подходом к использованию аналитики в настоящее время считается принятие решений на основе данных (data-driven decision-making, DDDM) – когда решения принимаются исходя из статистического анализа, а не личного опыта, эмоций или интуиции.
Например, если средние оценки по контрольным работам внезапно упали, интуитивным решением кажется уменьшить сложность заданий. Однако анализ учебных данных выявит реальные причины проблемы: вполне возможно, стоит изменить учебную программу, методы преподавания или выделить учеников, с которыми нужно поработать индивидуально.
Школьные данные и где они обитают
К каким вообще данным имеет доступ школа и на каком уровне? На уровне учителя доступны статистика посещаемости, оценки по системе принятой в школе (зачёт-незачёт, количество баллов), учебные планы и программы, комментарии коллег-преподавателей и обратная связь от учеников. Анализ этих данных – это, например, исследование формата работы конкретного преподавателя или успеваемости конкретного ученика.
На уровне школы накапливается гораздо больше данных – огромный массив за весь учебный год по преподавателям и ученикам. Он включает в себя не только отметки о посещении и успеваемости, но и демографическую информацию о школьниках, данные из CRM и систем медицинского сопровождения, контроля поведения или управления доступом в школу.
Кроме того, есть данные из внешних источников: результаты школьных опросов, данные контролирующих организаций, обратная связь от родителей и даже информация с личных страниц учеников в соцсетях. Всё это также используется при построении моделей и формулировке гипотез.
Какая бывает аналитика данных и что она даёт
Интерпретировать и применять информацию можно по-разному. Аналитика бывает четырёх различных типов: описательная, диагностическая, прогнозирующая и предписывающая.
Различие между уровнями аналитики заключается в том, что чем более зрелые аналитические процессы, тем меньше участия человека требуется в принятии решений.
Например, в описательной аналитике обработка данных и принятие решений выполняются человеком (информационные технологии лишь помогают собирать и визуализировать данные), в то время как в предписывающей и анализ данных, и выдача результатов производится автоматически.
Ниже посмотрим, что означает каждый уровень аналитики.
Описательная аналитика
Анализ показателей, которые показывают, что произошло исторически, то есть в прошлом, или происходит прямо сейчас. Это отчёты о посещаемости, ведомости оценок, или данные о том, какой кабинет свободен и какой учитель способен заменить заболевшего коллегу.
Диагностическая аналитика
Это выявление причин прошедших событий или явлений на основе описательных данных. В отличие от описательной аналитики, она отвечает не на вопрос «что произошло», а на вопрос «почему это произошло». Например, класс разделили на две подгруппы по английскому языку. Анализируя данные, можно понять, как разделение повлияло на успеваемость учеников и как их результаты соотносятся со внешними оценками за предмет (результатами централизованных экзаменов).
Прогнозирующая аналитика
Этот тип аналитики использует статистические модели и алгоритмы для прогнозирования будущих событий на основе имеющихся данных. Скажем, предсказать, добьётся ли конкретный ученик поставленной цели или посчитать, сколько комплектов учебников по предмету закупать школе в будущем году.
Предписывающая аналитика
Предписывающая, или прескриптивная, аналитика предлагает действия на основе анализа данных: порекомендовать ученику пройти определённые курсы, или открыть в школе дополнительные вакансии, или спланировать новые профили обучения.
Какие проблемы возникают при сборе данных
Разумеется, при большой разрозненности данных и огромном их объёме возникают многочисленные проблемы со сбором и анализом.
- Каждый источник аккумулирует и хранит данные по-своему. Поэтому очень важны технологические решения, позволяющие собирать все данные в одном месте, выгружать их и манипулировать ими.
- Данные не всегда отражают объективную реальность. Учебные заведения могут искажать результаты, предоставляемые ими для отчётности. Ученики могут сообщать о себе ложную или противоречивую информацию: так, в таблицах посещаемости итальянских университетов регулярно появляется студент Джузеппе Гарибальди.
- Наконец, одного сбора big data в школах недостаточно: потребуется и грамотная обработка и анализ данных, и воплощение полученных с его помощью решений – трудная задача для руководителя и всего педагогического коллектива.
Как начать работать с данными в школе
Чтобы стать data-driven образовательным учреждением, одного решения недостаточно: нужны материальные и человеческие ресурсы и понимание, как работать с информацией. План внедрения управления на основе данных разбивается на следующие шаги:
- Определите, из каких источников к вам поступают данные и насколько они точны, актуальны и адекватны.
- Выберите правильные инструменты. Для простых задач достаточно Excel или Google Sheets. Для более продвинутого анализа придётся создавать собственную аналитическую систему (например, на основе PowerBI или Tableau) или покупать готовые решения. Например, некоторые системы управления школами содержат сильный аналитический модуль.
- Настройте собственно инфраструктуру: системы учёта и хранения информации, систематизацию её в подходящем формате, регулярную выгрузку в базу данных. Оптимальное решение – собрать все источники на одной платформе, чтобы обеспечить централизованный и удобный доступ к данным.
- Научите команду работать с данными. Вам понадобится инициативное ядро сотрудников, готовых внедрять data-driven подход вместе с вами. Обеспечьте их обучение и поддержку.
- Визуализируйте. Графическое представление информации наглядно показывает взаимосвязи между процессами и картину происходящего. Например, визуализация оценок ученика эффективно демонстрирует его успеваемость родителям и учителям.
- Используйте для анализа правильные математические модели. Так, для работы с малыми группами учеников не подойдут статистические законы, описывающие большие наборы данных (например, нормальное распределение).
- Помните, что вероятных причин у явления может быть несколько. Например, внезапный провал в оценках объясняется тем, что дети опоздали на контрольные, или это были майские праздники и часть школьников уехала на каникулы, или одновременно с уроками проводилась олимпиада, или что-то ещё. В любом случае результат анализа ценен не сам по себе, а как путь к последующему взаимодействию с коллегами.
Использование данных помогает школам более точно оценивать свою работу, выявлять проблемы и находить пути их решения. Конечно, он не заменяет самого процесса обучения. Однако этот инструмент позволяет лучше понимать потребности и возможности всех участников образовательного процесса, повышать его качество и создавать условия для развития учеников.
Использование данных помогает школам более точно оценивать свою работу, выявлять проблемы и находить пути их решения. Конечно, он не заменяет самого процесса обучения. Однако этот инструмент позволяет лучше понимать потребности и возможности всех участников образовательного процесса, повышать его качество и создавать условия для развития учеников.
