Danske Uddannelsesdata hvad består de af og hvad kan vi bruge dem til? Kristian Ørnsholt Kristian.ornsholt@stil.dk Kontorchef Center for Data og Analyse Styrelsen for It og Læring
Ministeriets Maslows-rejse i data Data skal påskønnes af brugerne (Fokus brugervenlighed, dashboards m.v) Data valideres for at være pålidelige og sikre Fulde realisering af datapotentialet (Avancerede analyser, Rådata slippes løs, klasserumsdata) Data udstilles til sektoren og offentligheden (Datavarehus/styringsdagsorden) Fysiske behov Data skabes lokalt og indsamles centralt LASI 2016, 07-09-2016 Styrelsen for It og Læring 2
Datavarehuset styring med få klare mål LASI 2016, 07-09-2016 Styrelsen for It og Læring 3
Vores brugere Vores departement med underliggende styrelser (STIL og STUK) Uddannelsesinstitutionerne o Selvejende institutioner o Kommuner og folkeskoler Offentligheden (forældre, presse etc.) Andre myndigheder Forskere LASI 2016, 07-09-2016 Styrelsen for It og Læring 4
Mål og succeskriterier Understøtte reformers styringsdagsorden ved nem adgang til data Ledelsesinformation på et mere dynamisk grundlag Anvendelse af data skal ikke kræve kendskab til bagvedliggende kilde- og fagsystemer Hurtigere indsamling og omløbstid Flere data i beredskabet mindske behovet for ad-hoc indsamlinger og undersøgelser LASI 2016, 07-09-2016 Styrelsen for It og Læring 5
Kommunerapporter med nationale måltal Andel, som er gode til dansk, læsning Figuren viser fiktive data Adgang kræver login LASI 2016, 07-09-2016 Styrelsen for It og Læring 6
Dashboards Med ophæng i åbenhedsinitiativ for data i grundskolen LASI 2016, 07-09-2016 Styrelsen for It og Læring 7
Stor interesse for uvm.dk/skoletal Pressemøde i STIL den 2. feb. 2016 release lige efter Stormløb den første dag tilgang måtte lukkes i lange tidsrum Næsten 100.000 besøg første døgn nu mere roligt niveau (knap 1.000) LASI 2016, 07-09-2016 Styrelsen for It og Læring 8
Baggrunden for at udvikle dashboards Vi ønskede: at præsentere et nuanceret alternativ til ranglister baseret på fx 9. kl. afgangskarakterer at offentliggøre data let tilgængeligt og let anvendeligt at lave et værktøj, hvor skoler og kommuner kan sammenlignes på en enklere måde ift. datavarehusets umiddelbare rapportmuligheder Et værktøj, som er fuldt integreret med datavarehuset datamæssigt LASI 2016, 07-09-2016 Styrelsen for It og Læring 9
Er du blevet mobbet i dette skoleår? Trivselsdata, 4.-9. kl., 2015/16, elever i Lyngby Kommune LASI 2016, 07-09-2016 Styrelsen for It og Læring 10
Visning og distribution af data på mange niveauer Teknisk kompleksitet Big data, mange datakilder, klasserumsdata API-dataudtræk, fx til læringsplatforme Excel services, pivot tabel udtræk Kommunerapporter, reporting serv. Pædagogisk formidling Overbliks-dashboard LASI 2016, 07-09-2016 Styrelsen for It og Læring 11
Big data kan understøtte læringsprocesser, men det kræver tilgængelighed Teknisk kompleksitet API-dataudtræk, fx til læringsplatforme Excel services, pivot tabel udtræk Kommunerapporter, reporting serv. Overbliks-dashboard Formidling og tilgængelighed LASI 2016, 07-09-2016 Styrelsen for It og Læring 12
Eksempel: Socioøkonomisk reference Hvad er det: Statistisk kontrol for elevernes sociale baggrund i fht. karakterer og frafald. Socioøkonomisk refererer til elevernes sociale og økonomiske baggrund, mens reference fortæller, at tallet kan bruges som et sammenligningsgrundlag for institutionens faktisk opnåede karakterer hhv. frafald. Uddannelsesområder: Analyseredskab for de gymnasiale uddannelser og grundskolen, så de har et mere nuanceret grundlag at vurdere eksamensresultaterne på set i forhold til elevernes faglige og sociale baggrund. EUD er på vej LASI 2016, 07-09-2016 Styrelsen for It og Læring 13
Socioøkonomiske baggrundsvariable Baggrundsoplysningerne er: Elevens køn, alder, herkomst Forældrenes højeste fuldførte uddannelse og bruttoindkomst Familiestatus (GYM/EUD) Elevens prøvekarakterer fra 9. klasse (gennemsnit af de bundne prøvefag) (GYM/EUD) Elevens adgangsvej inden start på uddannelsen og evt. gennemførsel af 10.kl. LASI 2016, 07-09-2016 Styrelsen for It og Læring 14
Eksempel - eksamensresultat på de gymnasiale uddannelser og betydningen af elevens baggrundsforhold 10 9 8 7 6 5 4 3 Karaktergennemsnit ved stx 2015- eksamen fordelt på forældres højeste uddannelse 5,8 6,5 6,5 6,9 7,4 8,2 8,8 LASI 2016, 07-09-2016 Styrelsen for It og Læring 15
Socioøkonomisk reference 9.kl. afgangseksamen Eksempel, socioøkonomisk reference for 2 skoler i Gribskov kommune: LASI 2016, 07-09-2016 Styrelsen for It og Læring 16
Socioøkonomisk reference 9.kl. afgangseksamen Eksempel, socioøkonomisk reference for 2 skoler i Gribskov kommune: Gilbjergskolen 2014/15 nedbrudt på fag: LASI 2016, 07-09-2016 Styrelsen for It og Læring 17
Klyngeanalyse af beslægtede folkeskoler Formål Gruppere folkeskoler i skole-familier, som er klynger af skoler med sammenlignelige rammevilkår, som ikke påvirkes direkte af skolerne. Motivere skolerne til sparring med skoler fra familien i forhold til at identificere best-practice og dermed understøtte skolens udvikling. LASI 2016, 07-09-2016 Styrelsen for It og Læring 18
Identifikation af skole-familier De 1.300 folkeskoler klynges skolerne i grupper ( familier ), som er karakteriseret ved omtrent samme niveau af: Forældrenes højeste fuldførte uddannelse Forældrenes bruttoindkomst Andel ikke-vestlige indvandrere Skoletype (eks. klassetrin, specialklasser eller ej) LASI 2016, 07-09-2016 Styrelsen for It og Læring 19
Eksempel på opdeling af stratum i skole-familier Udgangspunkt: Det stratum, som er defineret som Skoler med alle årgange (0.-9. klasse) Uden specialklasser Under 10% ikke-vestlige indvandrere I dette stratum er identificeres 10 distinkte skole-familier (klynger) med hver mellem 9 og 67 skoler. 0.-9. klasse u. specialklasser <10% ikke-vestlige indvandrere 10 klynger Klynge 1 Klynge 2 Klynge 3 Klynge 4 Klynge 5 Klynge 6 Klynge 7 Klynge 8 Klynge 9 Klynge 10 9 skoler 12 skoler 15 skoler 18 skoler 24 skoler 38 skoler 40 skoler 44 skoler 52 skoler 67 skoler LASI 2016, 07-09-2016 Styrelsen for It og Læring 20
Eksempel på en skolefamilie Skolenr. Andel ikke-vestlige indvandrere Andel ufaglærte/gymnasiale uddannede forældre Andel mellemlange/lange uddannede forældre Andel forældres gennemsnitlig bruttoindkomst <300.000 kr. Elevernes trivsel Fravær Skolestørrelse Socioøkonomisk reference 1 500< 8% 6% 73% 25% 3,7 4,7% På niveau 2 500< 5% 5% 64% 17% 3,8 4,4% På niveau 3 500< 2% 5% 68% 11% 3,8 5,3% På niveau 4 500< 5% 5% 72% 13% 3,8 4,7% Bedre 5 500< 6% 5% 70% 17% 3,8 6,6% Bedre 6 500< 2% 4% 70% 7% 3,8 5,3% På niveau 7 500< 5% 5% 70% 19% 3,8 6,1% På niveau 8 500< 2% 2% 74% 8% 3,9 4,8% På niveau 9 500< 3% 3% 77% 12% 3,9 7,0% På niveau 10 500< 2% 6% 59% 19% 3,8 6,0% På niveau 11 500< 2% 5% 60% 13% 3,9 3,7% Bedre 12 500< 4% 3% 66% 14% 3,9 4,3% På niveau 13 500< 1% 3% 67% 14% 4,0 4,0% På niveau 14 500< 5% 6% 67% 16% 3,8 4,4% På niveau 15 500< 7% 7% 76% 31% 3,8 5,2% På niveau 16 500< 7% 6% 65% 15% 3,8 5,1% På niveau 17 500< 2% 5% 68% 15% 3,8 4,7% På niveau 18 500< 2% 3% 71% 13% 3,9 4,0% På niveau Landsgen. 251-500 9% 11% 41% 35% 3,8 5,4% LASI 2016, 07-09-2016 Styrelsen for It og Læring 21
Progressionsdataprojektet - dataunderstøttet læring i Folkeskolen Formål: At levere videns- og praksisbaserede anbefalinger til, hvordan data om elevernes læring, progression, og trivsel, kan indsamles, kombineres, vises, og understøtte at alle elever bliver så dygtige, som de kan. Forudsætningerne: Brugerportalinitiativet har sikret, at læringsplatforme udbredes til alle folkeskoler, hvilket sikrer en standardiseret it-infrastruktur for dataudveksling i Folkeskolen Digitale læremidler anvendes i fortsat stigende omfang De politiske målsætninger: Data som en af vejene for at opfylde de nationale uddannelsespolitiske målsætninger Læringsmålstyret undervisning Følge elevens læring, progression og trivsel LASI 2016, 07-09-2016 Styrelsen for It og Læring 22
Den nye værdi for skolerne Ambitionen med progressionsdataprojektet er at aktivere data fra klasserummet, så lærerens pædagogiske indsats kan understøttes vha. systematisk anvendelse af data på en måde der visuelt, fokuseret og overskueligt kan kvalificere deres forståelse, skøn og beslutninger. Data fra klasserummet kan fx være data fra elevernes brug af digitale læremidler, herunder o elevernes opfyldelse af Fælles Mål o Andre former for progressionsmåling o aktivitetsdata og procesdata Fraværsregistreringer Trivselsmålinger (lokale og centrale). Nationale test resultater Elevers selvevaluering af faglig progression og trivsel LASI 2016, 07-09-2016 Styrelsen for It og Læring 23
Det nye for os i ministeriet Traditionelt har vi bragt nye data i spil ved, at vi indsamler data centralt, validerer data, og offentliggør data i datavarehuset. Det sikrer høj datakvalitet, men data er ikke højfrekvente og er ikke dagsaktuelle. I progressionsdataprojektet bringer vi nye data i spil ved at udvikle visninger af data, som er højfrekvente - skabes i princippet dagligt i klasserummet og som er dagsaktuelle. Data er så ikke underlagt samme datakvalitetskontrol, og data hjemtages ikke til centralt brug. LASI 2016, 07-09-2016 Styrelsen for It og Læring 24
Overblik over progressionsprojektet LASI 2016, 07-09-2016 Styrelsen for It og Læring 25
Projektets forventede mål og resultater Projektet varer til udgangen af 2017 Afprøvning af brugskoncepter på 12 skoler Anbefalinger til hvordan dataunderstøttelse af læringsprocesser kan implementeres fremadrettet via Koncepter for datavisninger i skolernes læringsplatforme, digitale elevplaner mm. Standarder for dataformater for de data, der skabes lokalt, fx ved elevernes brug af digitale læremidler, trivselsmåling, opfyldelse af Forenklede Fælles Mål. Visionen er, at læringsplatforme geares bedre til at understøtte arbejdet med progression - uafhængigt af skolens systemlandskab, og hvilke læremidler skolen anvender til undervisningen. LASI 2016, 07-09-2016 Styrelsen for It og Læring 26
Store ambitioner Trivsel, læring skal dataunderstøttes i Folkeskolen med progressionsprojektet Gymnasiereformen retter et fokus på at dataunderstøtte læringsprocesser Flere avancerede analyser, udvikling af automatiserede algoritmer i adm.systemer til at hjælpe institutionerne med at fastholde og vejlede elever Fysiske behov LASI 2016, 07-09-2016 Styrelsen for It og Læring 27
Spørgsmål? Kristian Ørnsholt Kristian.ornsholt@stil.dk Kontorchef Center for Data og Analyse