Oké, stel je even voor: je bent KC’er of directeur en de toetsperiode is net achter de rug. Jullie zitten (uiteraard ) te popelen om te beginnen met analyseren op schoolniveau. Maar welke data zijn hierbij eigenlijk handig en nuttig om te gebruiken? Met als belangrijkste doel voor ogen: het onderwijs verbeteren.
Daar ga ik je in deze blog mee op weg helpen.
Misschien denk je wel (en dat weet ik eigenlijk wel zeker) allereerst aan de toetsresultaten. De harde cijfers dus. En dat is helemaal correct en tevens juist ;). Maar als je alleen die data gebruikt, krijg je niet per se een volledig en betrouwbaar beeld.
In de literatuur (Ikemoto & Marsh, 2007; Marsh, 2012) worden vier verschillende typen data onderscheiden. Hieronder een korte uitleg van deze typen, met ook gelijk ook een vertaalslag van mij naar het primair onderwijs. Want waar kun je dan aan denken als je deze data wilt meenemen in je analyse?
Even een side note: het artikel van Ikemoto en Marsh (2007), waarop ik me hieronder onder andere baseer, is gebaseerd op een heranalyse van twee eerdere onderzoeken binnen het Amerikaanse onderwijs. Dus nee, niet één op één over te nemen, maar het biedt zeker ideeën voor het analyseren van data hier in Nederland.
1. Input data
Dit gaat onder andere over kenmerken van leerlingen. Denk hierbij bijvoorbeeld aan de leerlingpopulatie (schoolweging en spreiding), maar ook aan de ondersteuningsbehoeften van leerlingen. Welke ondersteuning hebben leerlingen op jullie school nodig (van licht tot zwaar) en hoe is dit verdeeld over de groepen?
Wanneer je een lage schoolweging hebt, zul je bijvoorbeeld minder snel tevreden zijn met scores rond het landelijk gemiddelde. Dit neem je dus steeds mee tijdens het kijken en analyseren van de resultaten.
Even vanuit mijn eigen ervaring: zorg dat je heel helder hebt hoe jullie specifieke leerlingpopulatie eruitziet voordat je de cijfers induikt. Dus niet alleen de schoolweging en spreiding helder hebben (en wat dit betekent voor jullie school), maar ook zicht hebben op de extra ondersteuningsbehoeften per groep.
Zijn er bijvoorbeeld groepen waarvan we, gezien deze gegevens, meer of juist minder mogen verwachten? Voor de ene groep kan het gemakkelijker zijn om bepaalde resultaten te behalen dan voor de andere. Zonder daarbij natuurlijk lage verwachtingen te hebben!
2. Proces data
Dit zijn gegevens over de processen binnen de school. Klinkt wat vaag, toch? 😉
Even wat concreter: dit kan bijvoorbeeld gaan over de kwaliteit van de instructie. Hier moet je als MT dus zicht op hebben, bijvoorbeeld door lesobservaties uit te voeren. Maar je kunt ook denken aan het onderwijsaanbod, de doorgaande leerlijn en de uitvoering van eerdere schoolafspraken.
Zeker interessant om deze gegevens erbij te pakken wanneer je bepaalde resultaten wilt verklaren. Wat weten we bijvoorbeeld al over de kwaliteit van ons onderwijs en wat zou kunnen verklaren waarom bepaalde resultaten achterblijven of juist heel goed zijn?
3. Resultaatdata (outcome data)
Dit zijn dan de welbekende toetsscores, zowel methodegebonden als niet-methodegebonden, die inzicht geven in de resultaten of opbrengsten van het onderwijs.
Denk dat dit geen verdere uitleg nodig heeft ;).
4. Tevredenheids- en ervaringsgegevens (statisfaction data)
Misschien eentje waar je niet zo snel aan zou denken, maar die wat mij betreft een heel mooie toevoeging kan zijn.
Denk hierbij aan de uitkomsten van tevredenheidsonderzoeken onder ouders of leerlingen, maar ook aan meningen en ervaringen van leerkrachten, leerlingen en ouders die jullie als MT of leerkrachten hebben verzameld.
Deze gegevens kunnen helpen bij het zoeken naar mogelijke verklaringen voor bepaalde resultaten.
Misschien wordt het zelfs wel een actie om deze gegevens te verzamelen. Bijvoorbeeld wanneer je de lage AVI-resultaten wilt verklaren en wilt onderzoeken hoe het staat met het leesplezier van leerlingen. Trek hierin dan vooral samen op met de leescoördinator, die hier vast ook ideeën over heeft!
En nu naar de praktijk bij jou op school
Welke data zouden jullie nog wat meer mogen gebruiken wanneer je start met de analyse op schoolniveau na de M- of E-afname?
Hoe komt het dat jullie deze gegevens nu nog niet gebruiken? En hoe kunnen jullie dit bij de volgende afname wel gaan doen?
En… als je daar als MT niet helemaal uitkomt, kun je natuurlijk altijd even contact met mij opnemen. Ik help jullie graag verder met scherper analyseren en vervolgens gericht verbeteren!
Bron:
Ikemoto, G. S., & Marsh, J. A. (2007). Cutting through the “data-driven” mantra: Different conceptions of data-driven decision making. In P. A. Moss (Ed.), Evidence and decision making (pp. 105–131). National Society for the Study of Education.
