Domů > Spomocník > Základní vzdělávání > Datově chytré školy
Odborný článek

Datově chytré školy

22. 2. 2021 Základní vzdělávání Spomocník
Autor
Bořivoj Brdička

Anotace

Zpráva o projektu australské Monash University, který mapuje využití analýzy výukových výsledků v tamních školách a zároveň ukazuje, kam tento rychle se rozvíjející obor směřuje.

Data Smart Schools, tak nazval svůj projekt na Monash University podporovaný australskou státní grantovou agenturou tým pod vedením profesora Dragana Gaševiče (původem Srb) [1]. Dragan je průkopníkem a velkou autoritou v oblasti analýzy výukových výsledků, nebo možná lépe analýzy výuky (learning analytics), protože se již dávno nejedná jen o výsledky, ale též o postupy. Na zavedení oboru Dragan od počátku spolupracoval s nám známým Georgem Siemensem. Cílem tohoto posledního projektu je uvést na pravou míru v současnosti někdy možná až přílišná očekávání spojená s nasazením digitálních technologií v rámci analýzy dat ve školství a zdokonalit dosud školami velmi nedostatečné využití této analýzy ku prospěchu žáků.

Dosavadní výsledky projektu ukazují, jak školství pokulhává za všeobecně zaváděnými postupy, které aplikují analýzu dat na řízení firem, institucí, a dokonce i společnosti (New Public Analytics [2]). Přitom je teoreticky evidentní, že bližší znalost žáků by jistě přispěla k lepšímu pochopení jejich potřeb a k možnosti vyšší individualizace výuky. Využití analýzy dat generovaných činností žáků k optimalizaci jejich postupu je velmi populární, a tak se ji pokouší do svých školských systémů integrovat celá řada komerčních subjektů.

Na analýze se podílí větší množství oborů – např. statistika, umělá inteligence, strojové učení. Existuje mnoho různých zdrojů dat – externích (např. certifikáty, státní zkoušky, docházka, státní registry), interních (např. výsledky školní práce, testy zadané učitelem). Pracuje-li žák na počítači nebo v rámci platformy, která umožňuje jeho činnost sledovat, může se učitel dozvědět mnohem více než jen výsledné skóre testu. Včasná znalost těchto informací umožňuje intervenovat mnohem dříve, než když se hodnotí pouze výstupy.

Není pochyb o tom, že je velký rozdíl mezi tím, když učitel ve třídě sleduje vždy jen jednoho z třiceti žáků a tím, když systém vidí vše, co dělá každý z nich. Potíž je v tom, že sběr osobních dat představuje určitý etický problém, který bude muset školství řešit. Zatím analýzu osobních dat bez nejmenších skrupulí na ovlivňování lidí používá jen komerční sektor a některé totalitní režimy (Když velký bratr dostane velká data). Opatrnost je tedy jistě na místě. Dokážeme podobné systémy nastavit tak, aby byly ku prospěchu studujících?

Ať chceme, nebo ne, obor learning analytics se ve světě prudce rozvíjí. Zkvalitňují se data samotná. Ideálním přístupem je, když si je samotný uživatel vědom, jaké informace o něm systém sbírá, a děje se tak s jeho souhlasem, protože mu to přináší zjevné výhody.

Existuje-li totiž dostatek dlouhodobých osobních dat, lze sledovat postup žáků. Na základě postupu lze posoudit studijní předpoklady a odhadnout možnou úspěšnost při studiu.

To znamená, že analýza studijních výsledků postavená na kvalitních datech již začíná být schopna rozpoznávat i úroveň některých nekognitivních (měkkých) kompetencí, jako je digitální gramotnost, schopnost samostatně se učit, řešit problémy ad.

Další problém představuje schopnost učitelů s analýzou výuky pracovat. Jde o to, zda příslušný systém dokáže výsledky předávat (vizualizovat) tak, aby jim učitel rozuměl a dokázal poskytnout žákovi potřebnou pomoc v podobě účinné formativní okamžité zpětné vazby. Vývoj směřuje k aplikaci umělé inteligence, která bude schopna některé prvky pomoci realizovat automaticky. Cílem je tzv. personalizace. Role učitele ale bude vždy nezastupitelná.

Projekt Datově chytré školy bude zkoumat skutečné využívání dat v australských školách. Na úplném začátku definoval některé často používané pojmy, na nichž chce stavět:

Apofenie
Lidská tendence vnímat smysluplné vzorce v náhodných datech. Příkladem může být třeba tendence vidět v mracích tvary připomínající zvířata nebo tváře. Riziko, že v datech generovaných výukou učitel uvidí něco, co ve skutečnosti není pravda, existuje, je třeba o něm vědět a snažit se ho minimalizovat.
Datafikace (Co je datafikace?)
Interpretace individuálního chování a institucionálních postupů prostřednictvím digitálních dat, která jsou shromažďována, zpracovávána, a nakonec vydávají svědectví o tom, co studující dělá a jaké jsou výsledky jeho práce. Pojem datafikace je ve školství spojen s využitím nových systémů institucionální kontroly a správy, a také nových forem chápání vlastního vztahu jednotlivce ke škole a školní docházce.

Dragan Gasevic | Learning Analytics

Bude to pomalu již 10 let, co jsme poprvé začali na Spomocníkovi mluvit o datafikacivelkých datech. Již tenkrát jsme konstatovali, že se rodí nový obor, jehož úkolem ve školství bude informovat učitele o takových výsledcích analýzy dat, které přispějí k jejich pochopení, v jakém stavu se ten který žák nachází. Bez této informace nemůže účinně zasáhnout v jeho prospěch. Ve všem se však na stroje spoléhat nelze dokonce ani tehdy, budou-li schopné přizpůsobit (adaptovat) doporučený postup individuálním potřebám žáků. Profesor Gaševič náš konečný cíl již před 10 lety formuloval zcela jasně: To, co dnes potřebujeme mnohem více, jsou adaptivní žáci spíše než adaptivní počítačové systémy. [3]

Pozor, úplné přenechání hodnocení výukových výsledků strojům je spojeno se značným rizikem, které bychom měli vnímat. Sami řešitelé tohoto projektu (Neil Selwyn a Luci Pangrazio) na nedávném (online) sympoziu organizovaném z anglického Sheffieldu konstatovali, že je možná dobře, že jsou australské školy za anglickými pozadu ve využívání dat, protože díky tomu mají šanci se na zavedení lépe připravit. Nejspíše nikdy nebude vhodné přenechat rozhodování o dalším postupu (osudu) žáků počítačům – viz The surprising non-appearance of the datafied school.

Literatura a použité zdroje

[1] – GAŠEVIČ, Dragan; ROBERTO, Martinez-Maldonado. Data in the classroom: separating hype from reality. 2020. [cit. 2021-2-6]. Dostupný z WWW: [https://www.monash.edu/it/futurist/explore/ai-and-big-data/articles/data-in-the-classroom-separating-hype-from-reality].
[2] – SELWYN, Neil. Why we need to talk more about data (in education). 2020. [cit. 2021-2-6]. Dostupný z WWW: [https://data-smart-schools.net/2020/11/18/why-we-need-to-talk-more-about-data-in-education/].
[3] – BRDIČKA, Bořivoj. Adaptivní student, ne adaptivní výuka. 2016. [cit. 2021-2-6]. Dostupný z WWW: [https://spomocnik.rvp.cz/clanek/21095/].

Licence

Všechny články jsou publikovány pod licencí Creative Commons BY-NC-ND.

Hodnocení od uživatelů

Článek nebyl prozatím komentován.

Váš komentář

Pro vložení komentáře je nutné se nejprve přihlásit.

Článek není zařazen do žádného seriálu.