Les geven is een bijzonder vak, hoe lang je het ook doet, hoeveel talent je ook hebt, je bent nooit uitgeleerd. Elke leerling en elke groep heeft een eigen gebruiksaanwijzing en er is altijd wel iets nieuws om uit te proberen. Op de academie ontdekken aanstaande leraren met behulp van empirische studies welke leertheorieën over het algemeen effectief blijken te zijn, denk bijvoorbeeld aan het directe instructie model, de zone van naaste ontwikkeling van Vygotsky en dat er beter beloond dan gestraft kan worden. Deze studies bevatten vaak grote groepen deelnemers en er kan regelmatig gesproken worden van causale verbanden. Het probleem met leertheorieën is echter dat wanneer ze trouw één op één over worden genomen, er niet exact hetzelfde effect verwacht kan worden. Hoe effectief een bepaalde aanpak is hangt namelijk sterk af van de specifieke kenmerken van een bepaalde klas of individu. 

Het is dus aan de school en de leraar om zelf te onderzoeken welke aanpak het beste werkt om zo het leerproces te kunnen verbeteren. Dit kunnen zij op basis van intuïtie doen, maar puur op gevoel beslissingen maken gaat niet altijd goed (Van Gasse, Vanlommel, Vanhoof, & Van Petegem, 2016). Er worden stappen de verkeerde kant opgezet of dingen over het hoofd gezien. Leraren zouden hun kennis en expertise moeten aanvullen met data en onderzoek. Verschillende studies maken duidelijk dat dit een positief effect heeft. Zo blijkt uit een onderzoek dat leraren die op basis van data hun instructie in de klas verbeteren, hierdoor de leeropbrengsten voor hun leerlingen daadwerkelijk weten te verhogen. Ander onderzoek toont aan dat het gebruiken van data in diverse contexten echt een verschil maken voor het lesgeven en leren (Lai & McNaughton, 2012). 

Zelf onderzoek doen zorgt er niet alleen voor de doelgroep van het onderzoek identiek is aan de deelnemers, maar ook dat er gemakkelijk specifieke elementen in het onderwijs geïsoleerd worden. Op die manier kan heel precies worden onderzocht welke factor of actie een bepaald effect heeft en wat niet. Scholen kunnen zo continu met behulp hun eigen data het onderwijs evalueren en bestuderen wat werkt en wat niet (Diris, z.d.).

Wat is data en waarom wordt het verzameld?

Wanneer het gaat over data in het onderwijs, beseft men zich vaak niet hoe ontzettend veel er al verzameld wordt. Alles wat aan informatie vastgelegd en bewaard wordt, is namelijk te gebruiken als data voor onderzoek (Lucassen, 2017). Dit zijn niet alleen kwantitatieve data zoals gegevens uit het leerlingvolgsysteem, cijfers van de methodegebondentoetsen, informatie over de leerlingpopulatie, absenties en incidenten, maar ook kwalitatieve data zoals uit observaties en andere notities. Het gaat echter wel om gegevens die op een gestructureerde manier verzameld worden, met een bepaald doel. Het doel van de data kan bijvoorbeeld zijn om inzicht te geven in het functioneren van de school, ontdekken welk effect een interventie heeft gehad (Gelderblom & Vernooy, 2014), over het behalen van de doelen of voor ontwikkeling van het onderwijs (Schildkamp, 2012).

Om te kunnen spreken van data-ondersteunde ontwikkeling op een school, moet een school systematisch data verzamelen, analyseren en interpreteren (Schildkamp, 2012). Scholen die op zo’n manier met data werken, worden als de meest effectieve scholen gezien (Kohnstamm Instituut. , z.d.). De ervaring leert echter dat veel leraren data slechts administreren omdat dat van hen verwacht wordt door de schoolleider, het bestuur of de inspectie en data vooral gebruiken om de status quo te monitoren (Schildkamp & Kuiper, 2010). Dat is ontzettend zonde! Leraren hebben dan het gevoel nutteloos werk te verrichten, waardoor de motivatie daalt de werkdruk verhoogt (Eccles & Wigfield, 2002).

Regeldruk door administratie

De werkdruk in het onderwijs is vandaag de dag nog altijd hoger dan in andere sectoren (Hooftman, Mars, Janssen, De Vroome, Pleijers, Michiels, & Van den Bossche, 2017). Een van de belangrijkste oorzaken hiervan is de ervaren regeldruk. In dit begrip wordt zowel de oorzaak als het gevolg duidelijk: regels zijn de oorzaak, de ervaren druk is het gevolg. Deze regels gaan dan vooral over wat er geadministreerd moet worden: de zogenoemde registratieverplichting. Opvallend genoeg blijkt deze registratieverplichting vooral vanuit de scholen zelf te komen, niet van de inspectie (De Weerd & Van Bergen, 2017). Daar is dus gemakkelijk ruimte om veranderingen aan te brengen. 

In een onderzoek naar registratieverplichtingen in het primair onderwijs kwam naar voren dat 43% van de meldingen over problematische registratieverplichtingen van de leraren ging over over de gebruikte systemen en gegevens die op verschillende plekken ingevoerd moesten worden (Van Bergen, Paulussen-Hoogeboom, De Weerd, Bleeker, & Rossing, 2016). Voor bijna elke soort data is een ander registratiesysteem ter wereld gebracht, die allemaal net even anders werken.

Het struikelblok is vooral dat er maar beperkte koppelings- en uitwisselingsmogelijkheden zijn. Er moet dubbel invoerwerk of handmatige berekeningen verricht worden als data met elkaar vergeleken moet worden. Data over bijvoorbeeld leerprestaties alleen bieden niet altijd voldoende aanwijzingen voor de benodigde verbeteringen (Schildkamp & Handelzalts, 2011). Er is een combinatie van data nodig om bepaalde inzichten boven water te kunnen krijgen (Gelderblom, & Vernooy, 2014). Dit kost ontzettend veel tijd en verhoogt de werkdruk.

Wanneer leraren gevraagd worden naar het belangrijkste gevolg van de ervaren werkdruk, benoemen zij onvoldoende tijd te hebben om leerlingen te begeleiden die extra zorg nodig hebben (DUO, 2016). Nu  gebruiken leerkrachten beschikbare data vaak niet of nauwelijks optimaal, een gemiste kans (Schildkamp & Kuiper, 2010).

Hoe kunnen we dit oplossen?

In de eerste fase van data-ondersteund ontwikkelen draait het vooral om slim en efficiënt omgaan met bestaande data. Hierbij is het doel de werkdruk te verlagen door data samen te laten komen en berekeningen en visualisaties te automatiseren. Voordat er geautomatiseerd kan worden,  moet samen onderzocht worden wat voor data er binnen de organisatie verzameld worden met welk doel voor ogen. Er dient kritisch gekeken te worden naar wat nuttig en noodzakelijk is voor het onderwijsleerproces en hoe dit genoteerd kan worden. Alleen deze informatie moet worden vastgelegd, niet teveel en niet te weinig (Van Bergen et al.,, 2016). Hierbij moeten met het team duidelijke afspraken gemaakt worden over wie welke analyses maakt. Wanneer regeldruk en handmatig werk geen problemen meer zijn, kan de volgende stap gezet worden in data gebruik in het onderwijs: data gebruiken om het onderwijs te verbeteren.

Bronnen

De Weerd, M., & Van Bergen, K. (2017). Regeldruk en de Regeldrukagenda In het po, vo en mbo. Amsterdam: Regioplan

Diris, R. (z.d.). Academische Werkplaats Onderwijs – Data in het onderwijs. Geraadpleegd op 25 oktober 2019, van http://www.academischewerkplaatsonderwijs.nl/meedoen/nationale-wetenschapsagenda/data-het-onderwijs/

DUO. (2016). Werkdruk leerkrachten in het basisonderwijs. Verkregen van : https://www.duo-onderwijsonderzoek.nl/wp-content/uploads/2016/01/Rapportage-Werkdruk-Leerkrachten-PO-8-januari-2016-1.pdf

 Eccles, J. S., & Wigfield, A. (2002). Motivational beliefs, values, and goals. Annual Review of Psychology, 53, 109-132.

Gelderblom, G., & Vernooy, K. (2014). Het gebruik van data als basis voor effectieve onderwijsverbetering. Verkregen van: https://expertis.nl/wp-content/uploads/2015/09/KeesenGertMetenisweten.pdf

Hooftman, W. E., Mars, G. M. J., Janssen, B., De Vroome, E. M. M., Pleijers, A. J. S. F., Michiels, J. J. M., & Van den Bossche, S. N. J. (2017). Nationale Enquête Arbeidsomstandigheden 2016 Methodologie en globale resultaten. Leiden, Nederland: TNO.

Kohnstam Instituut. (z.d.). Innovatie in het primair onderwijs: strategieën, ervaringen en aanbevelingen. Een literatuurstudie naar werkzame principes.. Geraadpleegd van http://expeditieleerkracht.nl/wp-content/uploads/2017/04/innovatie-in-het-primair-onderwijs.pdf

Lai, M. K., & McNaughton, S. (2012). Testing the effectiveness of an intervention model based on data use: a replication series across clusters of schools. School Effectiveness and School Improvement: An International Journal of Research, Policy and Practice,23 (2), 203-228.

Lucassen, M. (2017, 7 september). Big data in het onderwijs: de uitdagingen. Geraadpleegd op 4 november 2019, van https://www.vernieuwenderwijs.nl/big-data-uitdagingen/

Schildkamp, K., & Kuiper, W. (2010). Data-informed curriculum reform: Which data, what purposes, and promoting and hindering factors. Teaching and Teacher Education,26, 482–496

 Schildkamp, K., & Handelzalts, A. (2011, April). Datateams for school improvement. Paper presented at the American Educational Research Association Conference, New Orleans, USA. 

Schildkamp, K. (2012). Opbrengstgericht werken: data-geïnformeerd onderwijs voor schoolverbetering. Geraadpleegd van https://www.researchgate.net/profile/R_Zwart/publication/271844839_Onderzoek_in_de_school_ter_discussie_doelen_criteria_en_dilemma’s/links/54d481cd0cf25013d0298f46.pdf#page=30 

Van Bergen, K., Paulussen-Hoogeboom, M., De Weerd, M., Bleeker, Y., & Rossing, H. (2016). Regeldruk in het primair onderwijs. Verkregen van: https://www.regioplan.nl/wp-content/uploads/data/file/2016/16007-Eindrapport-Regeldruk-in-het-po-Regioplan-9-september-2016.pdf 

Van Gasse, R., Vanlommel, K., Vanhoof, J., & Van Petegem, P. (2016). Teacher collaboration on the use of pupil learning outcome data: A rich environment for professional learning? Teaching and Teacher Education, 60, 387–397. doi:10.1016/j.tate.2016.07.004