Praktiknära forskning

talamuß-konceptet influeras av forskningsfälten Teaching Analytics (TA) och Learning Analytics (LA) och vilar på mångårig erfarenhet av verksamhetsutveckling och förändringsledning. För att stärka konceptets vetenskapliga grund kan varje implementering ha ett inslag av praktiknära forskning tillsammans med något av Sveriges lärosäten som utbildar i pedagogiska yrken. Detta genomförs vanligtvis inom ramen för ULF (utbildning, lärande, forskning - ett regeringsinitiativ från 2017 kring praktiknära skolforskning). På detta sätt stärks även organisationens och deltagarnas vetenskapliga förhållningssätt till sin verksamhet.

Teaching Analytics (TA)

Teaching Analytics är ett område som fokuserar på att samla in, analysera och använda data för att förstå och förbättra undervisningsprocesser och lärarprestationer. Medan Learning Analytics primärt handlar om att optimera studenters lärande, riktar sig Teaching Analytics mot att stödja lärare i deras pedagogiska arbete och förbättra undervisningens effektivitet. Här är några nyckelaspekter av Teaching Analytics:

1. Datainsamling: Data kan samlas in från olika källor, såsom undervisningsmaterial, lektionsplaneringar, klassrumsobservationer, studenternas prestationer, och interaktioner i klassrummet eller online.

2. Analys av undervisningsmetoder: Genom att analysera data kan lärare och forskare identifiera vilka undervisningsmetoder som är mest effektiva och vilka som behöver förbättras.

3. Feedback till lärare: Dataanalys kan ge lärare insikter om deras undervisning, inklusive vilka delar av deras undervisning som fungerar bra och vilka som kan förbättras. Detta kan inkludera realtidsfeedback eller rapporter som sammanfattar prestationer över tid.

4. Pedagogiska strategier: Genom att förstå hur olika undervisningsstrategier påverkar studenters lärande kan lärare anpassa sina metoder för att bättre möta elevernas behov.

5. Personlig utveckling: Data kan användas för att identifiera områden där lärare kan behöva ytterligare utbildning eller stöd, vilket bidrar till deras professionella utveckling.

6. Klassrumsinteraktion: Analyser av interaktioner mellan lärare och elever kan ge insikter om dynamiken i klassrummet och hur dessa interaktioner påverkar lärande och engagemang.

7. Effektivitet av tekniska verktyg: Genom att analysera användningen av olika tekniska verktyg och resurser i undervisningen kan lärare och administratörer avgöra vilka verktyg som ger mest värde och vilka som kan förbättras eller bytas ut.

8. Kurser och programutvärdering: Teaching Analytics kan användas för att utvärdera och förbättra hela kurser eller utbildningsprogram genom att analysera prestationer, engagemang och feedback från både lärare och elever.

Sammanfattningsvis syftar Teaching Analytics till att förbättra undervisningskvaliteten genom att tillhandahålla insikter baserade på data. Detta kan leda till mer informerade beslut om undervisningsstrategier och pedagogiska metoder, vilket i sin tur kan förbättra studenternas lärandeupplevelse och resultat.

Learning Analytics (LA)

Learning Analytics är ett forskningsområde och en praxis som fokuserar på att samla in, analysera och använda data om elever och deras lärandeprocesser för att förbättra utbildning och lärande. Det handlar om att använda olika typer av data, från studenters interaktioner med digitala lärmiljöer till deras prestationer och engagemang, för att förstå och optimera lärande och undervisning. Här är några nyckelkomponenter och användningsområden för Learning Analytics:

1. Datainsamling: Detta inkluderar insamling av data från olika källor såsom Learning Management Systems (LMS), online forum, quiz-resultat, inlämningsuppgifter, och mycket mer. Data kan också komma från sensorer, videoinspelningar och biometriska data.

2. Dataanalys: Analyser använder olika metoder, inklusive statistik, maskininlärning och datavisualisering, för att identifiera mönster och insikter om studenternas lärande.

3. Visualisering av data: Visualiseringar kan hjälpa lärare, studenter och administratörer att förstå komplexa data genom grafer, diagram och dashboards.

4. Prediktiv analys: Genom att använda historisk data kan Learning Analytics förutsäga framtida prestationer och identifiera studenter som kan behöva extra stöd.

5. Personalisering: Data kan användas för att skapa anpassade lärvägar för studenter, vilket gör att undervisningen kan skräddarsys efter individuella behov och preferenser.

6. Feedback och intervention: Real-time feedback kan ges till studenter för att hjälpa dem att förbättra sina prestationer och hålla sig på rätt spår. Lärare kan också använda data för att planera interventioner och stöd där det behövs mest.

7. Forskning och utveckling: Genom att analysera data kan forskare få en djupare förståelse för hur lärande sker och utveckla nya metoder och verktyg för utbildning.

Learning Analytics syftar alltså till att skapa en djupare förståelse för lärandeprocesser och förbättra utbildningspraktiker genom datadrivna insikter. Det är ett område som kombinerar utbildningsvetenskap med teknologiska och analytiska metoder för att stödja och förbättra lärande och undervisning.