Как использовать анализ данных о добавленной стоимости для улучшения обучения школьников: руководство для школ и лидеров школьных округов

В этой матрице есть еще две «говорящие» зоны. Классы и предметы, попавшие в верхний левый угол матрицы, представляют учебные программы, в которых успеваемость учеников, возможно, и высока, но прогресс оказывается ниже ожидаемого. Весьма вероятно, что преподавание в этих классах и этих предметов стало слишком рутинным и (или) перестало развиваться. Педагоги в этих сферах считают свою работу эффективной, потому что ученики успешно проходят тесты, но проблема, скорее всего, в том, что этим успехом они обязаны предыдущим учителям или благоприятной домашней обстановке, которая способствует качественному обучению. Преподавателям этих проблемных классов нужны долгосрочные цели, связанные с прогрессом их учеников.

Последняя интересующая нас зона матрицы – нижний правый угол – представляет программы, в которых ученики добиваются прогресса, превышающего ожидаемый, но при этом их средняя успеваемость оказывается ниже ожидаемого уровня. Обратите внимание, что в нашем примере эта часть матрицы осталась пустой. Но обычно в крупных городских округах сюда попадает несколько предметных областей. Программы, оказавшиеся в этой части матрицы, должны быть тщательно изучены. Педагоги, работающие в этих областях, нашли способ добиваться постоянного прогресса от учеников, которые изначально сильно отставали от своих сверстников.

Можно увидеть и другие закономерности, которые выходят за пределы анализа квадрантов. С помощью цветовой маркировки входных данных в соответствии с изучаемым предметом окружная рабочая группа сможет легко заметить закономерности, связанные со школьными предметами. В нашем примере большое беспокойство вызывает математика. Все пять курсов математики с 4-го по 8-й классы попали в первые две колонки. Это значит, что ни в одном из классов не удается достичь даже ожидаемого уровня прогресса в математике. Поэтому с точки зрения крупномасштабных паттернов математика требует пристального внимания.

Те же самые данные можно раскрасить в соответствии с годом обучения (классом), и тогда мы увидим, что программы для 4-х и 7-х классов оказались достаточно сильными, а в остальных классах – сравнительно неэффективными.

Тезис 3 Изучите дезагрегированные данные, чтобы определить сильные стороны и вызовы

Окружная рабочая группа должна изучить и дезагрегированные данные – т. е. информацию по подгруппам, чтобы найти закономерности другого рода. Например, нередко хороший учебный план оказывается эффективным не для всех учеников, а неудачный учебный план, напротив, некоторым ученикам помогает достичь хороших результатов. Единственный способ увидеть это состоит в изучении дезагрегированной информации о прогрессе, которая покажет паттерны прогресса для различных подгрупп учащихся. На рис. 4.3 вы видите графическую составляющую подборки диагностических отчетов, связанных с удручающими результатами по математике, наблюдаемыми в нашем примере. Графические данные сопровождаются числовой информацией, но нам для выявления важных закономерностей достаточно графиков.

Отчеты, представленные на рис. 4.3, сформированы компанией SAS, округа получают доступ к таким отчетам через систему услуг EVAAS института SAS Institute, Inc.

В нашем примере темно-серые столбики на графиках, показанных на рис. 4.3, представляют недавние подгруппы учеников округа. В каждом отчете-графике темный столбик с левого края соответствует ученикам, по уровню успеваемости попадающим в 20 % учеников штата с самой низкой успеваемостью. Аналогично темный столбик с правого края соответствует ученикам округа, по уровню успеваемости попадающим в 20 % учеников штата с самой высокой успеваемостью.

Три остальных столбца представляют учеников трех остальных подгрупп-квинтилей. Светло-серые столбики представляют ту же информацию, но в отношении предыдущих групп учеников. Толстая горизонтальная линия на каждом графике соответствует уровню ожидаемого прогресса для каждой подгруппы учеников. Темные и светлые столбики, идущие вниз от этой линии, представляют подгруппы учеников, чей уровень прогресса оказался ниже ожидаемого, а те, что находятся над этой линией, соответствуют подгруппам учащихся, добившихся превышающего ожидания прироста. В каждом случае высота столбца соответствует величине отличия полученного прогресса от ожидаемого уровня.