داده های کوچک
پاسی سالبرگ و جاناتان هاسک،واشنگتن پست،9 می 2016
برگردان : مهدی بهلولی،روزنامه مردمسالاری،30 خرداد 95
یک چیزی که مدرسه های آمریکا را از مدرسه های سراسر جهان متفاوت می سازد چگونگی دیوار داده هاست؛ دیوارهایی که اغلب نتایج آزمون های استاندارد را نشان می دهند و راهروها و اتاق های آموزگاران را مزین می سازند. رنگ های سبز،زرد،و قرمز،سطوح عملکردی دانش آموزان و کلاس های درس را نشان می دهند. برای اصلاح گران جدی،این کار نوعی از شفافیت به حساب می آید که داده های بیشتری را درباره ی مدرسه ها در دید همگان می گذارد و به آن همچون بخشی از راه حل چگونگی پیشبرد بهبود آموزشی کارآمد می نگرند. اما اغلب آبی از این داده های تنظیم شده، برای شناخت فرایند یاددهی و یادگیری در کلاس های درس گرم نمی شود. آنها بر بنیاد شاخص های تحلیلی و آماری استوارند نه بر بنیاد هیجان ها و رابطه هایی که آموزش مدرسه را پیش می برند. آنها همچنین از بروندادها و برآمدها گزارش می دهند نه اثرات آموزش بر روی زندگی و ذهن یادگیرندگان.
پس از آنکه در آمریکا و در سال 2001 قانون "هیچ کودکی جا نماند" تصویب شد قانون گذاری آموزشی در آمریکا،آموزش و پرورش را ملزم ساخت که هر ساله از همه ی دانش آموزان پایه های 3 تا 8 در سواد خواندن- نوشتن و ریاضیات به کمک آزمون های استاندارد هماهنگ،آزمون گرفته شود. این آزمون ها البته افزون بر آزمون هایی است که خود ایالت ها برای پاسخگوساختن مدرسه ها و آموزگاران از دانش آموزان شان می گیرند. یکی از پیامدهای این کار،روندهای گوناگون ارزشیبابی آموزگار بود که در واکنش به داده های این آزمون ها،پدیدار گشت. هم اکنون برای دست یابی به این هدف های مهم،داده های بیشتری در دسترس است تا بتوانند به طور منطقی مورد مصرف قرار گیرند با این رو اما،هیچ بهبود چشمگیری در نتایج، به دست نیامده است.
اگر شما در یکی از سیستم های آموزشی نوین،یک مدیر مدرسه باشید به احتمال زیاد به گردآوری،تحلیل،ذخیره سازی،و آگاهی رسانی از حجم بزرگی از اطلاعات درباره ی مدرسه،آموزگاران،و دانش آموزان تان بر اساس این داده ها،اهمیت می دهید. به این اطلاعات "داده های بزرگ" می گویند،اصطلاحی که نخستین بار حدود سال 2000 باب شد و اشاره به مجموعه داده هایی می کند که آنقدر بزرگ و پیچیده هستند که پردازش آنها به کمک برنامه های پردازشگر معمولی،شدنی نیست. دو دهه پیش،نوعی از سیستم های مدیریتی داده های آموزشی به کار گرفته می شد که بر روی فاکتورهای ورودی سیستم آموزش و پرورش،همچون نام نویسی دانش آموز،مشخصات آموزگار،یا هزینه های آموزشی گرفته شده ی وزارتی عمل می کردند. اما امروزه،داده های بزرگ،گستره ای از شاخص ها درباره ی فرآیندهای یادهی- یادگیری را دربرمی گیرند و به طور روزافزونی درباره ی روندهای موفقیت تحصیلی دانش آموزان در گذر زمان،گزارش می دهند.
با وجود سرریز اطلاعات،سازمان های جهانی به ساختن بانک های اطلاعاتی منطقه ای و جهانی ادامه می دهند. چه سازمان ملل متحد باشد و چه بانک جهانی،یا هیات اجرایی اتحادیه اروپایی، یا کشورهای عضو سازمان همکاری اقتصادی و توسعه (OECD)، اصلاح گران جهانی امروزین،مشغول گردآوری و در اختیار گذاشتن اطلاعات بیشتر درباره ی توسعه انسانی نسبت به گذشته می باشند. فراتر از کارگزاران دولتی،بنگاه های آموزشی و مشورتی جهانی همچون پیرسون و مک کینزی وجود دارند که فرصت های شغلی را در بازار داده های بزرگ می بینند.
در این میان، شناخته شده ترین برنامه، پیزا (PISA برنامه ارزشیابی جهانی دانش آموزان) OECD است که سواد خواندن،ریاضی و علمی دانش آموزان 15 ساله ی سراسر جهان را اندازه می گیرد. OECD هم اکنون همچنین یک GPS آموزشی،یا سیستم مکان یابی جهانی را سرپرستی می کند که هدف آن این است که به سیاستگذاران بگوید که نظام های آموزشی شان در کجای شبکه جهانی قرار دارند و چگونه به سوی هدف های دلخواه شان حرکت کنند. OECD آشکارا به یک رهبر حهانی در جنبش داده های بزرگ در آموزش و پرورش بدل گشته است.
با وجود همه ی این اطلاعات تازه و سودمندی هایی که به همراه دارند در چگونگی بهره گیری از داده های بزرگ در بهسازی های آموزشی کاستی های آشکاری دیده می شود. در واقع،اهل فن و سیاستگذاران اغلب فراموش می کنند که داده های بزرگ،در بهترین حالت،تنها همبستگی میان متغیرها در آموزش و پرورش را نشان می دهند و نه یک رابطه ی علت و معلولی را. همانگونه که هر کتاب مقدماتی درس آمار به ما خواهد گفت همبستگی به معنای رابطه ی علت و معلولی نیست. برای نمونه داده های پیزا،می گویند که "کامیاب ترین نظام های آموزشی،آنهایی هستند که کیفیت را با عدالت آمیخته اند." آنچه که ما باید به یاد بسپاریم این است که این جمله بیان می کند که موفقیت تحصیلی دانش آموز(کیفیت) و عدالت (استواری پیوند میان موفقیت دانش آموز و پیش زمینه ی خانوادگی او) در نظام های آموزشی در یک زمان رخ می دهد. اما این بدین معنا نیست که یک متغیر علت متغیر دیگر است. همبستگی،بخش مهمی از شواهد در سیاست گذاری آموزشی است اما برای واقعی بودن باید اثبات شود و بنابراین همه ی رابطه های علی ِ احتمالی بایستی به دقت وارسی شوند.
مساله این است که سیاستگذاران آموزشی سراسر جهان،هم اکنون مشغول اصلاح نظام های آموزشی شان از رهگذر همبستگی های مبتنی بر داده های بزرگ هستند؛داده هایی که از سیستم های ارزشیابی های ملی دانش آموزان شان و آزمون های جهانی بدست می آیند و این کار را بدون شناخت کافی از جزییاتی انجام می دهند که در مدرسه ها اهمیت دارند. برای نمونه یک پایان نامه ی دکترا در دانشگاه کمبریج،به تازگی نتیجه گرفت که مهم ترین کشورهای OECD که در ارزیابی آزمون های پیزا نقش دارند در سیاست های آموزشی شان،دگرگونی هایی عمدتا مبتنی بر داده های پیزا پدید آورده اند تا عملکردشان در آزمون های آینده پیزا را بهبود بخشند. اما آیا دگرگونی های استوار بر داده های بزرگ،به راستی به درد بهبود یاددهی- یادگیری در مدرسه ها و کلاس های درس می خورند؟
باور ما این است که رفته رفته دارد آشکار می شود که داده های بزرگ،به تنهایی نمی توانند به نظام های آموزشی سر و سامان بدهند. تصمیم گیرندگان بایستی درک بهتری از آن چیزی داشته باشند که آموزش خوب نامیده می شود و این که این آموزش چگونه به یادگیری بهتر در مدرسه ها می انجامد. اینجاست که اطلاعات درباره ی جزییات،همبستگی ها و گزارش ها در مدرسه ها،مهم می شوند. این همان چیزی است که مارتین لیندستورم "داده های کوچک" می نامد : سرنخ های کوچکی که پرده از جهت گیری و روندهای بزرگ برمی دارند. در آموزش و پرورش،این سرنخ های کوچک،اغلب در ساختار ناپیدای مدرسه ها پنهان می شوند. درک این ساختار باید اولویتی شود برای بهبود آموزش و پرورش.
بی گمان،در گردآوری داده های کوچک در آموزش،هیچ یگانه راه سرراستی وجود ندارد. شاید مهم ترین گام آینده،شناخت محدودیت های سیاست ها و کنش های جاری باشد که بر بنیاد داده های بزرگ استوارند. اعتماد سفت و سخت به داده های گردآوری شده از بیرون،بسا که در سیاست گذاری گمراه کننده باشد. در زیر الگوهایی می بینیم از آنچه که به عنوان رویکرد داده های کوچک در عمل به نظر می رسند :
- کاهش ارزشیبابی های ملی ِ کمی – بنیاد دانش آموزان تا یک کمینه ی بایسته، و متوجه کردن منابع ذخیره شده برای بالا بردن کیفیت ارزشیابی های طراحی شده در مدرسه ها،و آموزش آموزگاران در شیوه های ارزشیابی جانشین دیگر. شواهد نشان می دهند که ارزشیابی های طراحی شده و ارزشیابی های دیگر مدرسه ای نسبت به آزمون های استاندارد مرسوم احتمال خیلی زیادتری دارند تا کیفیت آموزش و پرورش را بهبود بخشند.
- نیرومند ساختن خودرهبری گروهی مدرسه ها به این روش که به آموزگاران،ناوابستگی بیشتری از بروکراسی ببخشیم و بر کار گروهی در مدرسه ها سرمایه گذاری بیشتری کنیم. با این کار،سرمایه اجتماعی بالا خواهد رفت و ثابت می شود که در ساخت اعتماد در درون آموزش و بهبود یادگیری دانش آموزان، جنبه ای سرنوشت ساز است.
- اختیار بخشیدن به دانش آموزان با درگیر ساختن آنان در ارزشیابی،و بازتاب دادن یادگیری خودشان و سپس وارد کردن آن اطلاعات به درون داوری انسانی گروهی درباره ی یاددهی و یادگیری(حمایت شده با داده های بزرگ ملی). به دلیل این که روش های متفاوتی وجود دارد که دانش اموزان می توانند در مدرسه ها،فعال و هوشمند باشند و اینگونه نیست که تنها یک روش اندازه گیری عملکرد دانش آموزان،موفقیت آنان را نشان خواهد داد. صداهای دانش آموزان درباره ی رشد خودشان چه بسا همان سرنخ های ریزی باشند که می توانند پرده از جهت گیری و روندهای مهم بهبود آموزش بردارند.
- ادواردز دمینگ زمانی گفته بود : "بدون داده، شما فردی با باوری دیگر هستید." اما دمینگ نمی توانست اندازه و سرعت سیستم داده هایی را تصور کند که ما امروزه از آن برخورداریم. خودکارسازی، که همواره بر داده های گردآوری شده تکیه می کند هم اکنون دارد زندگی های روزمره ی ما را دگرگون می سازد. امروزه رانندگان،دیگر نیاز به شناخت چگونگی به کارگیری نقشه ها ندارند. آنها می توانند از مسیریاب های هوشمندی بهره بگیرند که بهترین راه ها را به آنها نشان می دهند. خلبانان خطوط هوایی زمان بیشتری را صرف پرواز خودکار می کنند تا پروازی که خودشان آن را هدایت می کنند. روندهای همانند در نظام های آموزشی با بی شمار اصلاح گرانی پیگیری می شود که در "برهم زدن" مدرسه ها،آنگونه که هستند،می کوشند.
شکی نیست که داده های بزرگ با آگاهی بخشی از همبستگی هایی که در گذشته رخ داده،برای بهسازی جهانی آموزش و پرورش سودمند است. اما برای بهبود یاددهی و یادگیری،شایسته تر آن است که اصلاح گران آموزشی توجه بیشتری به داده های کوچک – به گوناگونی و زیبایی که در هر کلاس درس وجود دارد- و به رابطه های علی که در زمان حال آشکار می شوند،نمایند. اگر ما پیشبرد کار را از رهگذر داده های کوچک آغاز نکنیم چه بسا خیلی زود پی ببریم که ما داریم توسط داده های بزرگ و همبستگی های دروغین،راه برده می شویم.
آدرس متن اصلی :
آدرس ترجمه :