Het volle potentieel benutten van datateams
Auteurs: Blanca Wilde López en Arjen Nanninga
Beeld ter illustratie. Bron: unsplash.com
Data is niet meer weg te denken uit het onderwijs. Leerresultaten, tevredenheids- onderzoeken, absentiecijfers, doorstroomgegevens—scholen verzamelen en analyseren een enorme hoeveelheid informatie. Maar in plaats van helderheid te scheppen, kan al die data juist overweldigend zijn. Wat betekenen al die cijfers nu echt? Welke inzichten helpen om het onderwijs te verbeteren? En hoe voorkom je dat je verdwaalt in spreadsheets zonder daadwerkelijke actie te ondernemen?
Datateams kunnen hierbij een uitkomst bieden. Door op een gestructureerde manier met data te werken, kunnen scholen niet alleen beter onderbouwde beslissingen nemen, maar ook gericht werken aan kwaliteitsverbetering.
We merken dat steeds meer scholen met een datateam werken. Dat is in potentie een mooie ontwikkeling. Tegelijkertijd zien we dat scholen vaak worstelen met de implementatie, taakstelling en inzet van dit soort teams. In deze blog willen we een paar van die uitdagingen inzichtelijk maken en nadenken over mogelijke interventies.
De meerwaarde van datateams
Onderzoek laat zien dat docenten data vaak individueel analyseren en hun bevindingen nauwelijks delen met collega’s (Van Gasse, Vanlommel, Vanhoof, Van Petegem, 2016). Dit solistisch werk vergroot de kans op subjectieve interpretaties en beperkt de mogelijkheden om gezamenlijk tot betere inzichten te komen. Samenwerking is essentieel om data effectief te benutten. Dat betekent dat je van individueel werken toe wilt werken naar collaboratief werken.
● Individueel werken: docenten analyseren data zelfstandig, maar zonder externe validatie kan dit leiden tot vooringenomen conclusies.
● Coöperatief werken: docenten delen hun bevindingen, maar zonder diepgaande gezamenlijke analyse blijft de impact beperkt.
● Collaboratief werken: docenten analyseren samen data, reflecteren op elkaars bevindingen en ontwikkelen gezamenlijke strategieën. Dit leidt tot rijkere inzichten en minder subjectieve interpretaties (Vangasse & Vanlommel, 2017).
Een datateam is een manier om die collaboratieve werkwijze vorm te geven. Een groep docenten en schoolleiders werkt daarbij systematisch met data om onderwijsprocessen te verbeteren. Dit team richt zich op het analyseren van gegevens, het identificeren van patronen en het ontwikkelen van gerichte interventies op basis van objectieve inzichten.
Uit onderzoek blijkt dat scholen die structureel met datateams werken, betere onderwijsresultaten behalen en effectiever inspelen op leerbehoeften van leerlingen (Schildkamp et al., 2016). De voordelen van een goed functionerend datateam zijn onder andere:
● Verhoogde professionalisering: docenten ontwikkelen vaardigheden om data kritisch te analyseren en te gebruiken voor onderwijsverbetering.
● Betere besluitvorming: beslissingen worden minder gebaseerd op intuïtie en meer op feitelijke inzichten.
● Gerichtere interventies: in plaats van algemene beleidswijzigingen, kunnen scholen gerichter werken aan verbeteringen die echt effect hebben op het leerproces.
● Meer samenwerking: door samen data te analyseren en te bespreken, ontstaat er een lerende cultuur binnen de school waarin kennis wordt gedeeld en onderbouwde keuzes worden gemaakt.
Strategisch vs. opportunistisch datagebruik
Datateams worden in veel scholen opgericht met de bedoeling om beter onderbouwde beslissingen te nemen. In theorie werken deze teams systematisch: ze formuleren een onderzoeksvraag, verzamelen en analyseren data en trekken conclusies die leiden tot gerichte verbeteracties. Maar in de praktijk zien we vaak een andere dynamiek. Datateams worden niet altijd structureel ingezet en hun werk blijft soms beperkt tot incidentele vragen van de schoolleiding, zonder duidelijke langetermijnstrategie. Dit leidt tot opportunistisch datagebruik: data wordt slechts ingezet wanneer het uitkomt, bijvoorbeeld om een eerder gevormde mening te onderbouwen.
Hierin ligt dan ook meteen een van de grootste valkuilen in datagebruik: confirmation bias: de neiging om alleen informatie te zoeken of te interpreteren die onze bestaande overtuigingen bevestigt. Denk bijvoorbeeld aan:
Selectieve interpretatie van data bij overstap po naar vo
Bij de overstap van primair naar voortgezet onderwijs kunnen gegevens van leerlingen soms selectief worden geïnterpreteerd. Een enkele lagere score op bijvoorbeeld begrijpend lezen kan zwaarder meewegen dan nodig, vooral als die past binnen een (onbewuste) verwachting gebaseerd op achtergrond of cultuur van de leerling.
Beoordeling van onderwijsvernieuwingen bij de invoering van nieuwe didactische methoden zoeken scholen vaak naar bevestiging van de effectiviteit. Evaluaties richten zich dan vooral op positieve resultaten, terwijl tegenvallende uitkomsten worden verklaard door 'kinderziektes' of externe factoren. Hierdoor wordt het werkelijke effect van een interventie niet eerlijk beoordeeld.
Interpretatie van toetsresultaten: scholen hanteren regelmatig data uit toetsen om de effectiviteit van hun onderwijs te monitoren. Wanneer resultaten positief zijn, wordt dit vaak toegeschreven aan goed onderwijs. Wanneer resultaten tegenvallen, worden externe factoren (zoals thuissituatie of motivatie van leerlingen) sneller als verklaring aangehaald, in plaats van kritisch te kijken naar het onderwijsproces zelf.
Het belang van korte en lange datacycli
Om strategisch datagebruik te bevorderen, benadrukt Jimerson et al. (2020) dat scholen zowel korte als lange datacycli beter kunnen moeten hanteren:
● Korte datacycli: Snelle analyses om directe aanpassingen te maken, bijvoorbeeld toetsresultaten gebruiken om lessen te verbeteren.
● Lange datacycli: Analyse van trends en diepgaand onderzoek naar onderwijsverbeteringen op de lange termijn.
Door deze werkwijze te integreren in een datateam, kunnen scholen voorkomen dat data slechts wordt ingezet als momentopname en wordt het een vast onderdeel van kwaliteitszorg.
Datateams als losstaande hulpmiddelen
Wat we in de praktijk veel tegenkomen is dat datateams op scholen slechts sporadisch worden ingezet. In plaats van een vaste rol te spelen in de kwaliteitszorg van de school, worden ze pas opgeroepen als er een specifiek vraagstuk speelt. Denk aan de vraag: "Kunnen we aantonen dat onze interventie werkt?" in plaats van: "Welke interventies hebben de meeste impact?" Dit verschil lijkt subtiel, maar heeft grote gevolgen: in het eerste geval wordt data vooral gebruikt om een vooraf gewenste conclusie te bevestigen, terwijl in het tweede geval de data leidend is voor het beleid.
Daarnaast zien we dat data in sommige gevallen vooral in het belang van de schoolleiding wordt gebruikt, in plaats van in het belang van docenten en leerlingen.
Hoe maken we de omslag naar strategisch datagebruik?
Om datateams echt impactvol te maken, is een strategische aanpak nodig. Dit betekent dat data niet alleen wordt verzameld als het uitkomt, maar structureel wordt ingezet om het onderwijs te verbeteren. Hoe kunnen scholen deze omslag maken?
Werk met een vaste cyclus – Zorg ervoor dat datateams structureel worden ingezet en niet alleen bij specifieke vragen. Door regelmatig data te verzamelen, te analyseren en hierop te reflecteren, wordt het een vast onderdeel van de kwaliteitszorg.
Stel open onderzoeksvragen – In plaats van te zoeken naar bevestiging van bestaande overtuigingen, is het belangrijk om open vragen te stellen die echt inzicht geven. Bijvoorbeeld: "Wat zegt onze data over de ontwikkeling van leerlingen?" in plaats van "Kunnen we bewijzen dat onze aanpak werkt?"
Maak data toegankelijk voor docenten – Data zou niet alleen een hulpmiddel moeten zijn voor de schoolleiding, maar juist voor docenten. Door hen actief te betrekken bij het proces en de resultaten te koppelen aan hun lessen, wordt data een waardevol instrument voor onderwijsverbetering.
Creëer een cultuur van kritisch denken – Zorg ervoor dat datagebruik niet draait om het vinden van ‘het juiste antwoord’, maar om het stellen van de juiste vragen. Dit vraagt om een open cultuur waarin kritisch denken wordt aangemoedigd en waarin fouten maken mag.
Creëer een cultuur van kritisch denken – Zorg ervoor dat datagebruik niet draait om het vinden van ‘het juiste antwoord’, maar om het stellen van de juiste vragen. Dit vraagt om een open cultuur waarin kritisch denken wordt aangemoedigd en waarin fouten maken mag (Jimerson et al., 2020).
Conclusie
Datagebruik in het onderwijs biedt enorme kansen, maar alleen als het bewust, strategisch en collaboratief wordt ingezet. Te vaak zien we dat data op een opportunistische manier wordt gebruikt: als verantwoording richting beleidsmakers of als bevestiging van bestaande overtuigingen, in plaats van als een instrument voor daadwerkelijke schoolverbetering.
Datagebruik effectief inzetten gaat verder dan alleen het verzamelen van gegevens. Scholen die een langetermijnstrategie hanteren, waarin zowel korte als lange datacycli worden benut, boeken aantoonbaar betere resultaten. Dit vraagt om een cultuur van kritisch denken, waarin schoolleiders en docenten niet alleen data verzamelen, maar deze ook gezamenlijk interpreteren, bevragen en omzetten in concrete acties.
Om deze omslag te maken, kunnen scholen de volgende principes hanteren:
● Werk met een vaste datacyclus: Structureer datagebruik zodat het een integraal onderdeel wordt van de kwaliteitszorg.
● Vermijd confirmation bias: Stel open onderzoeksvragen en betrek meerdere perspectieven bij de analyse.
● Zorg voor samenwerking: Data-analyse is geen individuele taak, maar een gedeelde verantwoordelijkheid binnen een schoolteam.
● Creëer een lerende cultuur: Stimuleer kritisch denken en wees bereid om aannames en beleid aan te passen op basis van nieuwe inzichten.
Datagebruik mag geen doel op zich zijn, maar moet een krachtig middel zijn om het onderwijs structureel te verbeteren. Door data niet alleen te verzamelen, maar er ook op een strategische en collaboratieve manier mee te werken, kunnen scholen het potentieel van datateams daadwerkelijk benutten.
Literatuurlijst
Coburn, C. E., & Turner, E. O. (2011).
Research on data use: A framework and analysis. Measurement: Interdisciplinary Research and Perspectives, 9(4), 173–206. https://doi.org/10.1080/15366367.2011.626729
Datnow, A., & Park, V. (2014).
Data-driven leadership. San Francisco: Jossey-Bass.
Jimerson, J. B., Reames, E. H., & Dukes, K. (2020).
Striving for equity: District leadership for narrowing opportunity and achievement gaps. Harvard Education Press.
Kahneman, D. (2011).
Thinking, fast and slow. New York: Farrar, Straus and Giroux.
Nickerson, R. S. (1998).
Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220. https://doi.org/10.1037/1089-2680.2.2.175
Schildkamp, K., & Kuiper, W. (2010).
Data-informed curriculum reform: Which data, what purposes, and promoting and hindering factors. Teaching and Teacher Education, 26(3), 482–496. https://doi.org/10.1016/j.tate.2009.06.007
Schildkamp, K., & Lai, M. K. (2013).
Evaluating data-based decision making in education: Challenges and opportunities. Teachers and Teaching: Theory and Practice, 19(2), 170–183. https://doi.org/10.1080/13540602.2013.771553
Schildkamp, K., Poortman, C. L., Luyten, H., & Ebbeler, J. (2016).
Factors promoting and hindering data-based decision making in schools. School Effectiveness and School Improvement, 27(2), 257–280. https://doi.org/10.1080/09243453.2015.1056192
Van Gasse, R., Vanlommel, K., Vanhoof, J., & Van Petegem, P. (2016).
Teacher collaboration on the use of pupil learning outcome data: A rich environment for professional learning? Teaching and Teacher Education, 60, 387–397. https://doi.org/10.1016/j.tate.2016.07.004
Van Gasse, R., & Vanlommel, K. (2017).
From data to knowledge: The role of professional learning communities in developing data use. Journal of Professional Capital and Community, 2(3), 131–145. https://doi.org/10.1108/JPCC-12-2016-0034