Omgevingsanalyse als beleidsinstrument Strategisch omgaan met gegevens Paul Mahieu & Jan Vanhoof

Inhoud Omdat gegevens belangrijk zijn 3 stellingen Een model 4 cases slotbeschouwing

Inhoud Omdat gegevens belangrijk zijn 2 stellingen Een model cases slotbeschouwing

Meten is weten Omdat De minister het zegt: “informatierijke schoolomgeving” De internationale trend heet: * evidence based management * data driven decision making * data driven development De inspectie er een zaak van maakt: “e / i / q” -scan

Voorontwerp van decreet betreffende de kwaliteit in het onderwijs § 2. Met het oog op het realiseren van de vermelde doelstellingen, moet een onderwijsinstelling ten minste: 1° de onderwijsreglementering respecteren (cf. minimumdoelen, erkenningsvoorwaarden, financiering- en subsidiëringsvoorwaarden; 2° beschikken over voldoende beleidsvoerend vermogen daartoe; 3° een eigen kwaliteitssysteem hanteren, met inbegrip van een vorm van zelfevaluatie waar de regelgeving dit vereist.

Implicaties voor schoolbeleid? Kortom: Om in een context van deregulering en het vergroten van de autonomie onderwijskwaliteit te waarborgen, moet de mogelijkheid van scholen om de beleidsruimte te benutten groot zijn. Vandaar de opkomst van termen als beleidsvoerend vermogen, beleidskracht, interne kwaliteitszorg en zelfevaluatie Vandaar de opkomst van geïnformeerde schoolontwikkeling

Meten is weten Omdat Het een meerwaarde geeft aan het schoolbeleid Het een antwoord is op een maatschappelijke vraag/verwachting Het mogelijk is dank zij o.a. nieuwe wettelijke en technische opportuniteiten

Inhoud Omdat gegevens belangrijk zijn 2 stellingen Een model cases slotbeschouwing

2 stellingen Cijfers zeggen op zich niets Onderzoek is geen doel

Gegevens gegevens meten + code, legende, … informatie weten + ervaring kennis + wijsheid actie doen

Gegevens – informatie - kennis 7.52 / 8.38 8.52 / 9.38 9.52 / 10.38 … 8.22 / 9.08 9.22 / 10.08 10.22 / 11.08

Gegevens – informatie - kennis Antwerpen / Turnhout 7.52 / 8.38 8.52 / 9.38 9.52 / 10.38 … Turnhout / Antwerpen 8.22 / 9.08 9.22 / 10.08 10.22 / 11.08

Gegevens – informatie - kennis Antwerpen / Turnhout 7.52 / 8.38 8.52 / 9.38 9.52 / 10.38 … Turnhou / Antwerpen 8.22 / 9.08 9.22 / 10.08 10.22 / 11.08

Vraag: Welke gegevens / kennis / vormen van kennismanagement Zijn beschikbaar / nodig voor de uitbouw van kwaliteitsvol onderwijs ?

2 stellingen Cijfers zeggen op zich niets Onderzoek is geen doel

Kwaliteitszorg als systematische en geïnformeerde beleidsvoering Plannen Plannen Aanpassen Aanpassen Doen Doen Controleren Controleren 16

Geïnformeerde schoolontwikkeling: Beleidsgerichte invalshoek

Geïnformeerde schoolontwikkeling: onderzoeksgerichte invalshoek Een heldere vraag als uitgangspunt vooropstellen Relevant Gekaderd Werk maken van doelmatige gegevensverzameling Een gepaste strategie voor de gegevensverzameling kiezen Validiteit bewaken Betrouwbaarheid bewaken Bewaken van de efficiëntie en haalbaarheid Het beantwoorden van de vraag - Interpretatie

Bij de interpretatie: Een gepaste basis voor beoordeling Een normgericht referentiekader: Hoe goed doen wij het in vergelijking met anderen? Een criteriumgericht referentiekader: Hoe goed doen wij het in vergelijking met onze eigen verwachtingen/standaarden? Een schoolgericht referentiekader. Hoe goed doen wij het in vergelijking met voorheen?

Inhoud Omdat gegevens belangrijk zijn 2 stellingen Een model cases slotbeschouwing

Een model CIPO context (omgeving) input (wat komt binnen) proces (hoe doen we het) output (wat gaat uit

Meten is weten Een model MRMM macro (wereld tot Vlaanderen) regio (Antwerpen) meso (de school) micro (de klas)

Van Pisa tot ouderbezoek C Context I Input P Proces O output Macro Regio Meso Micro

5 cases C Context I Input P Proces O output Macro Regio Meso Micro

Inhoud Omdat gegevens belangrijk zijn 2 stellingen Een model cases slotbeschouwing

5 cases C Context I Input P Proces O output Macro Regio Meso Micro

Segregatiecurve in Antwerpen (2008)

In- en uitstromers SO in Antwerpen

C Context I Input P Proces O output Macro Regio Meso Micro

Meso-context bronnen: Het “café” om de hoek Eigen (markt)onderzoek Omgevingsanalyse (LOP) Desk research van eigen gegevens (personeel, publiek, leveranciers, …) Raden en organen Toekomstverkenning

3de jaar handel School1 School2 School3 School4 School5 School6

Semantische differentiaal Groot Moeilijk Wit … Klein Gemakkelijk Zwart …

Toekomstverkenning Backcasting Scenario’s Gaming en simulatie Modellen Netwerk-analyse Delphi-onderzoek SWOT-analyse

C Context I Input P Proces O output Macro Regio Meso Micro

Meso-input Inhoud: GOK-indicatoren Recruteringskaarten Thuistaal Trekkende bevolking Opleiding moeder Thuisloos Vervangingsinkomen Recruteringskaarten Schoolachterstand Anderstalige nieuwkomers

Meso-input Bron LOP (schoolfiches) Interne gegevens CLB Marktonderzoek

C Context I Input P Proces O output Macro Regio Meso Micro

Meso-proces & output Inhoud: Voortgang leerlingen Voortgang onderwijsproces Doorstroming lln. Schoolontwikkelingsproces

Meso-proces & output Bron: Zelf-evaluaties Schooldoorlichting AGODI via LOP (zittenblijven, doorstroom BuO) SIBO (www.schoolfeedback.be) Rapporten klassenraden

Schoolfeedbackproject als casus Ontwikkeling van een systeem voor geautomatiseerde aanmaak en distributie van schoolfeedback voor elke school die dat wil Voor de leergebieden / groepen naar keuze Op basis van toetsen & modellen ontwikkeld in wetenschappelijk onderzoek Ontwikkelingsperspectief

Voorbeeld feedbackrapport Feedback op schoolniveau Concepten Leerwinst Corrigeren voor instroomkenmerken Toegevoegde waarde Groeicurven Kruistabellen Representatie instroomkenmerken in diagrammen (cirkel, staaf, blokken) en boxplot Toelichtingen gestandaardiseerd Feedback op leerlingniveau: ruwe vaardigheidsscores percentielzones

Om af te ronden

Inhoud Omdat gegevens belangrijk zijn 2 stellingen Een model cases slotbeschouwing

Gebruik Instrumenteel: Concrete actiepunten Conceptueel: anders kijken en een verfijnder beeld Symbolisch: Legitimatie voor keuzes Strategisch: basis voor verantwoording Motiverend en prikkelend Leerlinggericht

Barrières Wantrouwen tegenover data Gebrek aan opleiding Werken met data geen deel van de job Leerkracht = vak- en handelingsgericht, niet datagericht Data leidt weg van onderwijzen … => geen datagerichte cultuur