Analyse af folkeskolelærernes arbejdstid. - teknisk rapport

Transkript

1 Analyse af folkeskolelærernes arbejdstid - teknisk rapport Capacent A/S

2 Indhold 1. Forord 1 2. Analysegrundlaget metode og data Initiale overvejelser Datakilderne 5 3. Stikprøven Grundlaget for udvælgelse af kommuner Grundlaget for udvælgelse af Udvælgelse af Udvælgelsesprocessen Indsamling og validering af data Dataindsamling Databehandlingsprocessen Styrkelse af datas kvalitet Test af data Udfordringer ved data Dataomfanget efter indsamling Dataomfanget efter validering Repræsentativitet Ekstrapolation Landsplan og stikprøve Vægte Tidsanvendelsen i perspektiv Arbejdstidselementerne 27

3 1. Forord Med baggrund i aftalen om kommunernes økonomi for 2006 mellem regeringen og Kommunernes Landsforening er der nedsat et udvalg, der skal kortlægge og behandle folkeskolelærernes arbejdstid. Lærernes arbejdstid skal belyses i forhold til arbejdstidsaftaler "Udvalget om analyse af folkeskolelærernes arbejdstid" skal beskrive og analysere, hvilken betydning den centrale arbejdstidsaftale og lokalt indgåede kommunale aftaler har på undervisningens omfang pr. lærer og det lokale ledelsesmæssige råderum. I denne sammenhæng har Capacent A/S forestået dataindsamlingen og den indledende databehandling til belysning af folkeskolelærernes arbejdstid. Oplysninger om folkeskolelærernes arbejdstid præsenteres i rapporten 'Overblik og varians'. Disse oplysninger anvendes også i analyserapporten, 'Indblik og forklaringer', hvori de sammenholdes med oplysninger om arbejdstidsaftalerne, der er behandlet i rapporten 'Kortlægning af aftaler om arbejdstid'. Dertil sammenholdes de indsamlede informationer om lærernes arbejdstid med kommunale nøgletal. Således beskriver rapporten 'Overblik og varians' de indsamlede data, mens analyserapporten, 'Indblik og forklaringer', søger at forklare årsager til variationer i lærernes arbejdstid. En teknisk rapport Det er valgt at udskille redegørelsen for den anvendte metode til indsamling af data om lærernes arbejdstid i denne selvstændige publikation, dels på grund af dens tekniske karakter, dels fordi der er et metodisk overlap mellem rapporterne 'Overblik og varians' og 'Indblik og forklaringer'. Denne selvstændige tekniske rapport vil ligeledes øge de to rapporters læsevenlighed, idet disse blot vil indeholde et resume, hvad angår metode, samt en henvisning til nærværende tekniske rapport. Denne rapport indledes med metodiske overvejelser om kilder, sammenhænge og datakvalitet. Herefter beskrives selve indsamlingen og behandlingen af informationerne i lærernes aktivitetsplaner på stikprøvene, hvorefter der vil være en diskussion af validitet og reliabilitet. Dernæst beskrives metoden til ekstrapolation af stikprøven til landsplan, hvorefter UNI-C's data, der bygger på nes egne indberetninger, sammenholdes 1

4 med data, der er indsamlet i forbindelse med dette projekt. Slutteligt vil elementerne i lærernes arbejdstid blive gennemgået. 2

5 2. Analysegrundlaget metode og data 2.1 Initiale overvejelser Forud for valget af metode til indsamling af information om folkeskolelærernes arbejdstid blev fire tilgange overvejet. Tilgang 1 Kvalitativ individbaseret Tilgang 2 Spørgeskema til skoleledelserne En mulighed var, at lærerne via kvalitative interview kunne komme med egne vurderinger af arbejdstidens fordeling. I praksis ville det imidlertid være overordentlig svært for medarbejderne at fordele egen arbejdstid uden at have et eksisterende datagrundlag at forholde sig til. Samtidig ville det være en meget ressourcekrævende metode, når der skal tilvejebringes et solidt og repræsentativt datagrundlag for den aktuelle population. Denne tilgang blev derfor fravalgt. Landets folke indberetter oplysninger om tidsanvendelse til Undervisningsministeriet gennem UNI-C, og en anden mulighed kunne være at anvende disse tal. Der er imidlertid tale om akkumulerede oplysninger pr. skole, og UNI-C-tallene angiver ikke tidsanvendelsen pr. lærer, samtidig med at arbejdstiden i UNI-C-tallene er opgjort på nogle få overordnede kategorier, der kun i begrænset omfang giver information om fordelingen af arbejdstiden 1. Derudover giver metoden bag UNI-C tallene, hvor ne selv indberetter deres tal, ikke sikkerhed for, hvordan de individuelle arbejdstidsop- 1 Skolerne indberetter årligt tallene til UNI-C, og det antages, at dette sker på baggrund af tal fra de administrative systemer (Tabulex og KMD m.fl.). Skolerne indberetter selv tallene til UNI-C på en skolekode, hvor tiden fordeles i forhold til personaletype og tidstype. Personaletype er her opdelt på: Ledere, konsulenter, lærere, børnehaveklasseledere og pædagoger, mens tidstype er opdelt på: Undervisning (alt inkl.), 20.1 specialundervisning (indgår i undervisning), 20.1 specialundervisning i 20.1 specialklasser (indgår i 20.1 specialundervisning), ikke-undervisning, individuel tid, ledelsestid, ferie og ferie/fridage/søgnehelligdage. 3

6 lysninger eksporteres og kategoriseres på ne, og det ville kræve omfattende valideringsarbejde at gøre tallene for ne sammenlignelige. Hermed blev det vurderet, at anvendelse af disse data eller igangsætning af en tilsvarende dataindsamling var udelukket. Til brug for analyserne i forbindelse med nærværende undersøgelse var der behov for oplysninger med et højere detaljeringsniveau 2, samtidig med at validitetsaspekterne ville medføre et ikke ubetydeligt arbejde. Tilgang 3 Selvangivelse Tilgang 4 Indsamling af aktivitetsplaner Alternativt kunne medarbejderne blive bedt om at registrere egen tidsanvendelse over en given periode. Denne tilgang ville dog ikke egne sig, når opgavesammensætningen varierer meget over tid. F.eks. ville prøver og censoropgaver kun blive registreret, hvis analysen blev gennemført i eksamensperioder. Samtidig ville metoden være ressourcebelastende i forhold til de involverede lærere, og risikoen for usikkerhed og manipulation med svar samt for frafald ville være relativt høj. Denne tilgang blev derfor fravalgt. Det blev vurderet, at kravet om at gennemføre en omfattende analyse med en høj grad af repræsentativitet i praksis kun kunne lade sig gennemføre ved at indsamle eksisterende data om folkeskolelærernes arbejdstid. Den mest specifikke og eksisterende dokumentation for, hvordan folkeskolelæreres arbejdstid fordeler sig, findes i de individuelle aktivitetsplaner, der udarbejdes for alle lærere. Forud for hver normperiode udarbejder skoleledelsen aktivitetsplaner for de enkelte lærere. Planerne angiver lærernes arbejdsopgaver med tilhørende timebudgetter. Aktivitetsplanerne specificerer ret detaljeret fordelingen af lærernes arbejdstid på forskellige aktiviteter. Da der er tale om planer, siger de dog ikke nødvendigvis noget om, hvordan tiden i praksis bliver anvendt hen over skoleåret, men der findes ikke alternativ dokumentation for den anvendte tid i form af timeregistreringer eller lignende. Varierende registreringspraksis Aktivitetsplanerne opstilles og dokumenteres i praksis i forskellige softwareapplikationer (TR2000 og KMD Matrix) baseret på en delvist varierende registreringspraksis mellem ne. Der anvendes således ikke én fælles standardiseret kontoplan for aktiviteterne ne imellem. Det betød, at der i forbindelse med denne undersøgelse skulle foretages en vis reorganisering og ombrydning af data, førend forskellige s data kunne sammenstilles. Denne reorganisering er sket i samråd med ne. På nogle justeres aktivitetsplanerne gennem året, så de mere får karakter af et driftsresultat end af en plan. På de fleste foreligger aktivitetsplanerne dog kun i form af det oprindelige planlægningsgrundlag, som 2 Havde formålet med undersøgelsen tilsagt, at udelukkende oplysninger på dette højere aggregeringsniveau havde været nødvendigt, ville det i stedet have været en mulighed at tage udgangspunkt i nes indberetninger til UNI-C. Dette ville imidlertid udelukke muligheden for at undersøge mange af de sammenhænge, der er centrale i analyserapporten, 'Indblik og forklaringer'. 4

7 det så ud før normperiodens (skoleårets) start. En central forudsætning for at gennemføre en omfattende kortlægning af lærernes arbejdstid har været, at data i aktivitetsplanerne kunne kopieres digitalt fra nes planlægningssystem til en samlet analysedatabase. Den valgte proces vedrørende dataindsamlingen er beskrevet nærmere i kapitel Datakilderne Den samlede analyse af lærernes arbejdstid særligt analyserne præsenteret i rapporterne 'Kortlægning af aftaler om arbejdstid', 'Overblik og varians' samt 'Indblik og forklaringer' baseres på tre centrale datakilder og gennemføres på fire dataniveauer som illustreret i figuren nedenfor. Aggregeringer Land Kommune Skole Individ Aftaleforhold Socioøkonomi Planlagt arbejdstid Figur 2.1 Dataniveauer og kilder Kilder De tre centrale sæt af datakilder er: Planlagt arbejdstid. Disse data er oparbejdet fra læreres aktivitetsplaner for skoleåret 2005/2006 fordelt på 102 i 45 kommuner. Aktivitetsplanerne indeholder (i varierende omfang) detaljerede oplysninger om lærernes planlagte arbejdstid fordelt på arbejdstidselementer og med detaljer om fag, klassetrin etc. Rapporten 'Overblik og varians' behandler disse oplysninger indgående aggregeret til skoleniveau, mens analyserapporten, 'Indblik og forklaringer', sammenstiller den planlagte arbejdstid på skoleniveau med en lang række andre faktorer. Aftaleforhold. Oplysningerne om aftaleforhold er baseret på registreringer af henholdsvis 271 kommuners lokalaftaler (heraf er 48 registreret detaljeret) og 110 skoleaftaler. Der er redegjort for aftaleforholdene og registreringerne i rapporten 'Kortlægning af aftaler om arbejdstid', og de anvendes i analyserapporten, 'Indblik og forklaringer', hvor det analyseres, om aftaleforholdene kan bidrage til at forklare variationer i anvendelsen af lærernes arbejdstid. 5

8 Socioøkonomi. Fra en række eksterne kilder nøgletal.dk, Danmarks Statistik, Undervisningsministeriet og UNI-C er indsamlet datasæt, som i analyserapporten, 'Indblik og forklaringer', benyttes til at vurdere, om disse kan bidrage til at forklare variationer i anvendelsen af lærernes arbejdstid. Enkelte oplysninger er desuden anvendt på et overordnet niveau i rapporten 'Overblik og varians' til at nedbryde landsresultater til f.eks. forskellige kommunetyper. Data fra de omtalte kilder er knyttet til enten individ-, skole- eller kommuneniveauet, mellem hvilke det er muligt at aggregere. I rapporten 'Kortlægning af aftaler om arbejdstid' arbejdes med aftalestrukturen på skole-, kommune- og landsniveau. I rapporten 'Overblik og varians' anvendes individoplysninger om den enkelte lærers arbejdstid, men udelukkende som en aggregeret størrelse på skoleniveau. Da fokus er på forskelle mellem, arbejdes der med en beregnet fuldtidsansat gennemsnitslærer pr. skole i stedet for de faktiske individuelle lærere. I analyserapporten, 'Indblik og forklaringer', kobles oplysninger på kommunalt niveau med oplysninger om den enkelte skole og om lærergruppen på skolen dvs. aggregerede individoplysninger med det formål at undersøge, hvordan forklaringsfaktorer på forskelle analyseniveauer påvirker fordelingen af lærernes arbejdstid. Der er således tale om såvel aggregerede individforklaringer (f.eks. forskelle, der kan tilskrives lærernes gennemsnitsalder) som forhold ved skolen (f.eks. skoleaftalen), kommunen (f.eks. sociale og økonomiske forhold, der skaber rammen for alle kommunens ) og den centrale landsdækkende aftale om lærernes arbejdstid (f.eks. muligheden for aldersreduktion af arbejdstiden). I den forbindelse er det også værd at bemærke, at det samme forhold kan have betydning på forskellige niveauer, men af forskellige årsager. Den enkelte lærers alder kan således have betydning for vedkommendes opgaver og fordeling af arbejdstiden, mens den aggregerede gennemsnitsalder på en skole kan give andre oplysninger indikationer på kultur, mulighed for erfaringsudveksling etc. På samme måde må det også forventes, at de konkrete aftaler, der har betydning for den enkelte lærers arbejdstid, har baggrund i en kombination af lærerens egne præferencer, skoleledelsens prioriteringer, kommunalbestyrelsens beslutninger og centralaftalens overordnede rammer. Forhold, der som udgangspunkt tilhører ét forklaringsniveau, kan dermed spille ind på de øvrige niveauer også et forhold, der behandles mere indgående i analyserapporten, 'Indblik og forklaringer'. Den konkrete aggregering er foretaget på grundlag af vægte, som har gjort det muligt at ekstrapolere data fra skoleniveau til landsplan. Disse vægte baseres på kendskabet til nes og kommunernes størrelser i såvel stikprøven som på landsplan. Da stikprøven er udtaget med henblik på at sikre repræsentativitet på landsplan, kan der ved brug af vægte opregnes fra ne i stikprøven til landsdækkende resultater for alle folke (se også kapitel 5 nedenfor). 6

9 3. Stikprøven Kortlægningen beskrevet i rapporten 'Kortlægning af aftaler om arbejdstid' om aftalestrukturer og kortlægningen af lærernes arbejdstid i rapporten 'Overblik og varians' er baseret på én og samme omfattende stikprøveudvælgelse. Dermed er der sikret en direkte sammenhæng mellem arbejdstidsaftalerne og arbejdstidsopgørelserne for de, der indgår i stikprøven, hvilket er en forudsætning for en tværgående analyse. Stikprøven er udtaget, så det er muligt at ekstrapolere kortlægningsresultaterne til landsplan ved at opregne i forhold til kommunestørrelse og skolestørrelse. Udvælgelsen af ne i de udvalgte kommuner er foretaget, således at de er repræsentative for så vidt angår skolestørrelse, kommunestørrelse og kommunens geografiske placering (øst eller vest for Storebælt). Små er ikke omfattet af analysen, fordi disse har så få elever, at der udelukkende anvendes ikke-klassedelt undervisning. På den baggrund blev der til stikprøven udvalgt 110 af i alt folke. De 110 blev estimeret til at repræsentere aktivitetsplaner fra lærere. 7

10 3.1 Grundlaget for udvælgelse af kommuner Den planlagte stikprøve blev stratificeret på kommuneniveau efter kommunestørrelse og geografi, jf. opdelingen i tabellen nedenfor. Tabel 3.1 Kommuner efter størrelse og geografi Antal kommuner Stikprøve (antal kommuner) Størrelse Vest Øst I alt Vest Øst I alt Små Mellem Større Store Storbyer I alt Kilde: nøgletal.dk, oplysninger fra UNI-C samt egne beregninger. Opdeling i kommunestørrelse er opgjort efter antallet af indbyggere og sorteret efter 33-percentilen, 66-percentilen og 90-percentilen samt en selvstændig gruppe til de fire største byer. Geografi er opgjort i øst og vest. Nedenstående tabel angiver de værdier, der er anvendt til at opdele kommuner efter størrelse. Tabel 3.2 Kommuner fordelt efter percentiler Kategori Antal indbyggere Små Under 33-percentilen < Mellem Mellem 33- og 66-percentilen Større Mellem 66- og 90-percentilen Store Over < Storbyer De fire storbyer Kilde: nøgletal.dk. Stratificeringen efter kommunestørrelse og geografi anvendes i rapporten 'Overblik og varians' til at ekstrapolere fra stikprøve af til landsplan (se kapitel 5). De fire storbyer er København, Århus, Odense og Aalborg. 8

11 3.2 Grundlaget for udvælgelse af Udvælgelsen af ne i de udvalgte kommuner er foregået således, at den planlagte stikprøve er repræsentativ for så vidt angår skolestørrelse (elevtal), jf. tabellen nedenfor. Tabel 3.3 Skoler efter størrelse på landsplan Størrelse Folke Mindre (mellem 20 og 250 elever) 567 Mellemstore (mellem 251 og 450 elever) 434 Store (mere end 450 elever) 595 I alt Kilde: UNI-C og Undervisningsministeriet. 3.3 Udvælgelse af I den planlagte stikprøves 48 kommuner findes 382, og det har været et mål, at der blandt de 382 folke i de 48 kommuner skulle udvælges 110 folke. I udvælgelsen af folke er der lagt vægt på en repræsentativ fordeling for så vidt angår skolestørrelse, kommunestørrelse og geografi. Venstre side i tabellen nedenfor viser, hvordan de 382 i de udvalgte 48 kommuner er fordelt med hensyn til kommunestørrelse, geografi og skolestørrelse (elevtal). Tabellen viser, at 40% af ne er placeret i de tre udvalgte storbyer, og at mere end 53% er placeret i enten en storby eller en stor kommune. En proportional stikprøve ville dermed medføre, at et stort antal skulle besøges i et begrænset antal kommuner. Derfor blev der i stedet anvendt en disproportional udvælgelse, så den planlagte stikprøve indeholder forholdsmæssigt flere fra mindre kommuner end fra store. Dette er vist i højre side af tabellen nedenfor, hvoraf vægtningen også fremgår. Her ses det, hvordan vægtningen resulterer i, at der ville skulle besøges f.eks. 1,9 mellemstor skole i en lille kommune øst for Storebælt. Disse tal er derfor efterfølgende justeret en smule, så der kun blev arbejdet med naturlige tal (se også afsnit 4.8 for en fordeling af de besøgte ). 9

12 Fordelingen af de 382 i de udvalgte kommuner Antal i en disproportional stikprøve Kommunestørrelse og geografi 1 Lille 2 Mellem 3 Større 4 Store 5 Storbyer Sum Mindre Tabel 3.4 Antal i de 48 kommuner og fordelingen af 110 i en disproportional stikprøve Mellemstore Store Sum Vægt Mindre Mellemstore Store Vest ,1% 1,00 8,9 2,8 2,8 14,5 13,2% Øst ,9% 1,00 3,3 1,9 0,0 5,2 4,7% Vest ,4% 1,00 11,7 5,6 6,5 23,9 21,7% Øst ,4% 1,00 1,9 1,9 2,4 6,0 5,5% Vest ,4% 1,00 6,5 6,0 4,3 16,8 15,3% Øst ,7% 1,00 4,3 4,3 8,9 17,3 15,8% Vest ,3% 0,50 1,9 1,9 2,8 6,5 6,0% Øst ,0% 0,50 1,7 1,2 2,6 5,4 4,9% Vest ,0% 0,20 1,0 1,8 5,5 8,2 7,5% Øst ,8% 0,20 0,5 2,4 3,2 5,9 5,4% ,5 29,6 38,8 110,0 28,5% 27,5% 44,0% 100% 37,8% 26,9% 35,3% 100% Det forventede antal aktivitetsplaner fra de udvalgte folke blev estimeret til Estimatet er baseret på grundlag af lærerårsværk beregnet som elevtallet divideret med 10,8 3. Sum 3.4 Udvælgelsesprocessen I praksis er udvælgelsen af den planlagte stikprøve (med ovenstående justeringer) sket i følgende trin: 1. Blandt alle kommuner (undtagen de fire storbyer) er udvalgt 45 kommuner forholdsmæssigt inden for hvert stratum. Dertil er udvalgt tre af de fire storbyer, så der i alt er repræsenteret 48 kommuner. 2. Derpå er der blandt ne i de udvalgte 48 kommuner udvalgt 110 folke simpelt tilfældigt inden for strata efter elevtal (herfra undtaget små med under 20 elever). 3. Efter udvælgelsen er skoleforvaltningerne i de 48 kommuner kontaktet med henblik på at vurdere mulighederne for at anvende de pågældende. I samråd med forvaltningerne blev fem i den forbindelse erstattet med andre i samme kommune, således at repræsentativiteten ikke er blevet påvirket af dette. Tilsvarende er en enkelt kommune fravalgt og erstattet af en anden kommune med samme karakteristika. Udskiftningerne skyldtes forskellige forhold, herunder bl.a. ønsket om størst mulig aftalevarians inden for den enkelte kommune, at nogle sko- 3 10,8 er Undervisningsministeriets tal for lærer-/elevratio baseret på OECD's publikation "Education at a Glance 2005", tabel D2.2, side

13 ler på daværende tidspunkt undergik ledelsesudskiftning, og endelig at en enkelt skole deltog i en omfattende evaluering foretaget af Danmarks Evalueringsinstitut, hvilket lagde beslag på de nødvendige essourcer. 4. Endelig blev skolelederen på hver udvalgt skole kontaktet med henblik på en aftale om et besøg. Samtlige læreres aktivitetsplaner på de pågældende er omfattet af undersøgelsen. Det har således i praksis været nødvendigt at afvige marginalt fra den stikprøvestrategi, som er omtalt ovenfor. Dette behandles i forbindelse med den følgende redegørelse for konsekvenserne af datavalideringen, hvor et mindre antal måtte udgå af den planlagte stikprøve. 11

14 4. Indsamling og validering af data For hver normperiode udarbejdes for den enkelte lærer en individuel aktivitetsplan, der angiver arbejdsopgaver og tidsforbrug, således at alle lærerens timer for en given normperiode er fordelt på aktivitetsplanen. På aktivitetsplanen er der således afsat tid til undervisning, forberedelse (individuel tid), udviklingstid, pausetid og andre relaterede opgaver. Timerne i aktivitetsplanen er bindende og kan kun justeres ved at lægge yderligere timer til. Som nævnt i kapitel 2 har informationerne i lærernes aktivitetsplaner for skoleåret 2005/2006 været den centrale datakilde i undersøgelsen af lærernes arbejdstid. Processen for indsamlingen af disse data beskrives i det følgende. Kommunikation og forberedelse 4.1 Dataindsamling Forud for skolebesøgene rettede Capacent henvendelse til forvaltningschefen i de udvalgte stikprøvekommuner, der gav tilladelse til indhentning af informationer om lærernes arbejdstid fra nes databaser. Forvaltningerne formidlede Capacents information ud til de involverede, som dermed blev orienteret om de forestående besøg. Capacent kontaktede herefter alle med henblik på at booke mødeaftaler af halvanden til to timers varighed med skoleledelsen og for om muligt på forhånd at få fremsendt deres skoleaftaler og eksempler på aktivitetsplaner. Parallelt blev der udviklet to dataudtræksprogrammer som støtte for gennemførelsen af udtræksprocessen på de enkelte, der skulle gøre det muligt at udtrække data fra nes databaser automatisk og i den forbindelse strukturere data, så alle oplysninger kunne gennemses i samarbejde med skoleledelsen. Udtræksprogrammerne er udviklet af KMD og Tabulex. I en periode på tre uger op til nes sommerferie blev de 110 udvalgte i de 48 stikprøvekommuner besøgt af dataindsamlere. Et besøg bestod af en indledende præsentation af formålet med kortlægningen og et kvalitativt interview omkring fokusområder. Herefter blev der foretaget et 12

15 udtræk af skolens database, og dette udtræk blev sorteret i et Excel-ark, hvorefter en kategorisering af alle aktiviteter blev foretaget i samarbejde med skoleledelsen. Kategorisering fandt sted på baggrund af en skabelon eller standardkontoplan (se også kapitel 7 i denne rapport og kapitel 4 i rapporten 'Overblik og varians' for en mere deltaljeret gennemgang). Data måtte eftersendes fra nogle På en række var det ikke muligt at foretage et udtræk. Dette skyldtes som oftest, at ne arbejder i et Citrix-miljø, hvor al installation af programmer skal foretages centralt af kommunens it-afdeling. Disse udtræk blev følgelig eftersendt af ne/forvaltningerne. Da alle udtræk var foretaget, blev alt indsamlet data indlæst i en til formålet designet database. De modtagne udtræk var i forskellige formater, såsom KMD Matrix (36) 4, Tabulex TR2000 (63), Excel-ark (8), Lotus Notesdatabaseudtræk vist i Excel-ark (2), MS Works (1) samt pdf-filer (1). Forskelligheden af de mange formater afslørede et behov for systematisering og harmonisering af oplysningerne, hvilket blev påbegyndt. Mange forskellige dataformater 4.2 Databehandlingsprocessen Databehandlingen indledtes således allerede på ne, i forbindelse med at data blev udtrukket fra nes databaser ved kodningen eller kategoriseringen af lærernes aktiviteter. Denne uundværlige databearbejdning sikrede en forståelse af de ofte meget indforståede betegnelser for lærernes aktiviteter. De udtrukne data blev efter skolebesøgene indlæst i tre separate databaser tilpasset TR2000, KMD Matrix og Excel-baserede systemer. Herefter blev udestående aktiviteter fra besøgene kodet, herunder suppleret med nye koder for bl.a. bruttotid, som ikke var indeholdt i den oprindelige standardkontoplan 5. Konvergering af kategoriseringer på tværs af For at muliggøre en sammenligning blev alle aktivitetslinjer gennemgået med henblik på at ensrette kodningerne således at f.eks. alle aktiviteter vedrørende juleafslutninger blev kodet 'Anden undervisning' (A9). I denne sammenhæng blev nogle oprindelige kodninger revideret, idet der ikke var konsensus blandt ne med hensyn til kategoriseringen af samme aktivitet. Herudover blev alle aktivitetsbetegnelser gennemgået og ensrettet (stavefejl rettet og forskellige forkortelser ensrettet), alt imens de oprindelige betegnelser er bibeholdt i databasen, så hele datavalideringen kan spores bagud. Der viste sig i den forbindelse et behov for at udvikle og præcisere aktivitetskategorier for at identificere præcist, hvor alle aktiviteter skulle kategoriseres. I den forbindelse skete der en justering af den oprindelige standardkontoplan. Dette reviderede kodeark findes i kapitel 6. 4 Tal i parentes angiver antallet af, der anvender pågældende format. 5 Udgangspunktet for den anvendte standardkontoplan var en skabelon, KL har udviklet, der kategoriserer lærernes arbejdstid. 13

16 Stor afvigelse i registreringspraksis 4.3 Styrkelse af datas kvalitet Den indledende datavalidering afslørede, at mange s udtræk var mangelfulde og/eller utilstrækkelige. Dette bevirkede, at en ny dialog blev igangsat med ne med det formål at indsamle supplerende information, som ikke var til stede i registreringssystemerne. Denne manuelle udbedring med tilføjelse af data var ganske omfattende, da en lang række f.eks. ikke registrerer ferie og søgnehelligdage. Dette skyldes en lang række forskellige årsager; for nogle s vedkommende eksisterer der udelukkende en nettotidsaftale i kommunen, mens andre ikke har haft det registreret på en måde, så informationen er blevet udtrukket. Som konsekvens har disse informationer måttet tilføjes manuelt for samtlige lærere på de, hvor det har været muligt. Det gælder ferie (F1), søgnehelligdage (F2), frihed som følge af 6. ferieuge (F6) og stamoplysninger såsom alder, køn, id, bruttotid og nettotid. Denne manuelle indtastningsperiode har forløbet sideløbende med den anden tværgående datavalidering, hvor kategoriseringerne er blevet præciseret i tilfælde af f.eks. fradrag i bruttotid som aldersreduktion og frikøb m.m. Aldersreduktion er således registreret i en selvstændig delkategori under F- hovedkategorien (F4), som er en bruttotidskategori, således at den indgår på lige fod med ferie og søgnehelligdage. Derimod er frikøb (G5) fratrukket bruttotiden, hvorfor den reelt behandles som en reduktion af beskæftigelsesgraden. Frikøb indgår dermed ikke i beregninger af bruttotiden. Endelig er al data fra de forskellige formater blevet samlet i en database efter endt datavalidering med henblik på at sikre, at alle aktiviteter på tværs af formater er kategoriseret identisk. Summen af antal timer pr. skole er løbende kontrolleret Årsværktest Differencetest Dialog om validering af data 4.4 Test af data I forbindelse med kvalitetssikring af data er der løbende blevet afstemt og foretaget datavalidering. Forud for udsendelse af valideringsbreve til ne er der foretaget en input/output-test, hvor det er sikret, at summen af udtræk foretaget på ne (eller modtaget efterfølgende) er identisk med summen efter de tværgående valideringer. Herudover er der foretaget en årsværkstest, hvor der via en bruttotidsberegning og timesummering for de enkelte lærere på de respektive er blevet sammenlignet årsværk på ne, og det har herved været muligt at sammenholde de to fremkomne brutto- og nettotidstal for den enkelte skole for at sikre overensstemmelse. Endelig er der blevet foretaget en såkaldt differencetest på alle KMD Matrix- for at sikre, at al arbejdstid blev talt med dette f.eks. for de, der via en aftaleakkord har pausetid registreret i samme aktivitet (og derved række) som undervisningstid. Først herefter er der udsendt valideringsbreve, hvor ne er blevet bedt om at forholde sig til skolens sumtal fordelt på de enkelte delkategorier samt hovedkategorier. Skolerne har fået tilsendt en med uddybende infor- 14

17 mation om den præcise kategorisering af deres aktivitetsrækker og om selve valideringsmetoden. Skolerne er blevet bedt om at logge ind på en hjemmeside med unikt brugernavn og password for at kontrollere skolens tal, hvorefter skolen har haft mulighed for at kommentere på oversigten. For en række har det været nødvendigt med en rykkerprocedure. Skolens kommentarer har været af stor betydning for den endelige validering, og der har i nogle tilfælde været behov for at foretage nye kategoriseringer og nyregistrering af supplerende information. Afvigetest Sideløbende med valideringsdialogen med ne er der foretaget yderligere kvalitetssikringsskridt. Der er blevet foretaget såkaldte afvigetest på al data kontinuerligt. Ved at analysere delkategoriernes andel af nes totale bruttotid har det været muligt at sammenligne data på tværs af. På baggrund af disse andele er det undersøgt, hvordan de enkelte placerer sig i forhold til hinanden. Selv om ne ikke nødvendigvis skal fordele arbejdstiden ens, kan denne sammenligning bruges som indikation på, om en skole afviger (for) markant fra de øvrige. Fraktiler som grundlag for fejlsøgning Rent praktisk er testen foregået ved, at der er beregnet en række percentiler, som har udgjort grænserne for, hvornår en skole afveg for meget fra de øvrige. Det skal dog bemærkes, at en afvigelse ikke automatisk har ført til, at oplysningerne er blevet udelukket fra analyse, men at de er blevet undersøgt nærmere. Endelig har afvigetesten haft fokus på, hvorvidt enkelte delkategorier har manglet eller har haft forkerte proportioner. Eksempelvis har det været muligt at identificere, om en skole har manglet oplysninger om ferie, eller om det registrerede timetal ikke afspejler de timer, der forventes af antallet af undervisere. Datavalideringen blev afsluttet den 22. september 2006, kl , hvor ne via en mail med et link til en web-fremvisning af deres endelige tal fik mulighed for at komme med afsluttende bemærkninger. 4.5 Udfordringer ved data Gennem dataindsamlingen og den efterfølgende behandling og kvalitetssikring blev data løbende opkvalificeret, jf. processen beskrevet i kapitel 2. Databearbejdningen blev kompliceret af, at ikke alle udtræk var af en tilstrækkelig datakvalitet. Det drejede sig om udtræk modtaget fra, der anvendte såvel Tabulex- og Matrixsystemer som (i særlig grad) andre systemer. Herudover er det ikke alle, der har været i stand til at vende tilbage med supplerende information om uklarheder, hvilket har forlænget kvalitetsanalysen af data. 15

18 De typiske problemstillinger i forbindelse med datavalideringen var følgende: Registreringspraksis mellem er meget varierende. Dette er imødekommet ved, at Capacent har valideret nes kategorisering af tiden på arbejdstidselementerne i samråd med ne. Arbejdstidselementer og aktiviteter defineres og forstås meget forskelligt på ne. Dette er så vidt muligt søgt håndteret ved, at en del af kategoriseringen er foretaget af eller i samråd med Capacents konsulenter. Der har manglet oplysninger om ferietid, frihed som følge af 6. ferieuge og søgnehelligdage. Dette er løst i dialog med ne. I visse tilfælde forekommer timelønnede vikarers tid at være samlet og konteret som en eller få lærere med høj undervisningsandel. Dette har ikke ladet sig korrigere. Timer til flekstidsansatte/frikøb. Disse kategorier dækker over lærere, der er ansat i fleksjob eller tilknyttet forvaltningen som konsulent. Disse er tilknyttet skolen med en fuld bruttotidsstilling, hvortil der er knyttet et bruttotidsfradrag, der dækker den flekstid eller tid i forvaltningen, hvor læreren ikke arbejder på skolen. Ved frikøb/fleksjob kan en tilsyneladende fuldtidsansat lærer eksempelvis have lavere individuel tid, da denne tid beregnes ud fra lærerens tid på skolen, der i dette tilfælde er reduceret på grund af bruttotidsfradraget. Af denne grund er denne aktivitetskategori udtaget af F-kategorien, da der ellers ville opstå en kunstigt stor variation i individuel tid. Udviklingstid (ekstra individuel tid) forekommer undertiden konteret som "almindelig" individuel tid eller omvendt. Der er ikke korrigeret herfor i datagrundlaget, men i rapporten præsenteres data også summeret for de to nævnte kategorier. Oplysninger om pausetid har skiftevis været registreret som en del af undervisningen og som selvstændige registreringer. Capacent har imødekommet denne problemstilling ved i samråd med ne at adskille undervisning og pausetid, hvor disse har været opgjort samlet. Manglende individoplysninger såsom køn, alder og fag. Det har ikke været muligt at supplere data. Mange omkonteringer af samlekategorier (opsplitninger på op til 11 delkategorier). På baggrund af den omfattende valideringsproces, hvor datas sammenlignelighed og kvalitet er styrket markant, vurderes datas reliabilitet på skoleniveau som høj. Kvalitetssikringen af data har som vist i det ovenstående været omfattende og har indebåret manuel fejlretning af data, udbedring af manglende data (særligt i forhold til omregning fra nettotid til bruttotid) og decideret reparation af databaser. Således er datas kvalitet højnet væsentligt. Fokus i valideringsprocessen har været at sikre konsistens og kvalitet i opgørelsen af nes timesummer opgjort på delkategorier. Det har imidler- 16

19 tid ikke været muligt at gennemgå en lignende valideringsproces som den ovenfor beskrevne på individniveau (dette ville bl.a. indebære, at samtlige lærere i stikprøven skulle validere deres egne tal). I stedet er der arbejdet med aggregerede individoplysninger (kønsfordeling og aldersgennemsnit) på skoleniveauet, hvor valideringen er foregået. Grundlaget er et meget stort antal aktivitetsplaner 4.6 Dataomfanget efter indsamling Efter endt dataindsamling repræsenterede de 110 samlet omkring datasæt, der beskrev planlagte aktiviteter for folkeskolelærere. Et datasæt indeholder en række variable, der beskriver hver enkelt aktivitet med hensyn til indhold, udførende part, timeforbrug m.v. I praksis beskrives en enkelt lærers arbejdstid således med i gennemsnit knap 50 datasæt (registreringer i databasen). Der er tale om forskellige datasystemer, der anvendes på ne, både til planlægningen af lærernes arbejdstid, men også den tekniske lagring af disse data i nes eller forvaltningernes databaser. På den baggrund varierer data afhængigt af, hvilket system aktivitetsplanerne er dokumenteret i. Ud over data vedrørende lærere og vikarer omfatter databasen med de indsamlede data tilsvarende datasæt for ledere, børnehaveklasseledere, skolesekretærer etc. Disse er ikke behandlet nærmere i forbindelse med kvalitetssikringen af data og indgår ikke i arbejdstidsopgørelserne. 4.7 Dataomfanget efter validering Efter endt datavalidering er resultatet, at otte har måttet udgå, således at totalen bliver en endelig stikprøve på 102 i 45 kommuner indeholdende aktivitetsplaner. Årsagerne til frafaldet er overvejende tekniske problemer i nes databaser, mangelfulde oplysninger fra ne eller manglende validering fra nes side. Muligheden for dataanalyser varierer blandt ne De indsamlede data foreligger på forskellige aggregeringsniveauer for ne. Således er der en skole, hvor data ikke har ladet sig nedbryde til de hovedkategorier, der opereres med i kortlægningen. Her kendes det totale antal timer for skolens lærere, men kun nedbrudt på alternative tværgående aggregeringsniveauer, der ikke nødvendigvis matcher kategorierne anvendt i denne kortlægning. Tilsvarende er der, hvor data ikke kan nedbrydes på individniveau. I den efterfølgende figur er det vist, hvilke data det er lykkedes at indsamle blandt de 102 validerede. 17

20 Figur 4.1 Oversigt over, hvilke data/ agregreringsniveuaer der er modtaget fra ne Fag Klassetrin Ugenorm Alder Køn Individniveau Skoleniveau Besøgte Optimering af stikprøven 4.8 Repræsentativitet På baggrund af stikprøven af (se kapitel 3) er relevante kommunale forvaltninger indledningsvis blevet kontaktet med henblik på at vurdere mulighederne for at anvende de pågældende. I samråd med forvaltningerne blev fem i den forbindelse erstattet med andre i de samme kommuner. Dette frafald med efterfølgende erstatning vurderes ikke at være af betydning for datarepræsentativiteten. På samme måde blev en enkelt kommune, der bad sig fravalgt på grund af tidspres, erstattet af en alternativ kommune med samme karakteristika. Udskiftningerne skyldtes dels ønsket om størst mulig aftalevarians inden for den enkelte kommune, dels at nogle på daværende tidspunkt undergik ledelsesudskiftning, og endelig at en enkelt skole deltog i en omfattende evaluering foretaget af Danmarks Evalueringsinstitut, hvilket lagde beslag på de nødvendige essourcer. På grund af de omtalte afvigelser er der ikke fuldstændig overensstemmelse mellem den planlagte stikprøve og de, der reelt er besøgt. Det fremgår af tabellen nedenfor. 18