Big-Data-Analyse ist Klassenprimus

Tool für die Prognose der Lehrleistung offenbart Lehrer und Schüler, die ihre Hausaufgaben machen müssen

Das Wichtigste im Überblick

  1. 1

    Herkömmliche Einstellungsmethoden sind zeitraubend, formlos und unkoordiniert.

  2. 2

    Die Big-Data-Analyse kann den für die Einstellung Verantwortlichen neue Einblicke verschaffen, um Lehrer mit den gewünschten Fähigkeiten zu finden.

  3. 3

    Pädagogen können Leistungsprognosen sowohl für Schüler als auch für Lehrer realisieren.

Bildung ist eine Investition auf vielen Ebenen. Für den Schüler besteht sie hauptsächlich aus Zeitaufwand und Engagement, in der Hoffnung, dass das Gelernte – mit der richtigen Anleitung – eine Investition in seine Zukunft darstellt. Lernen kann häufig Vergnügen bereiten, und ein Lehrer, der eine Klasse zu motivieren weiß, kann Unsicherheiten während des Lernens in ein Gefühl des Erfolgs verwandeln.

Auf lange Sicht ist es nicht nur für den Schüler, sondern auch für den Lehrer eine Herausforderung, die Begeisterung am Unterricht aufrechtzuerhalten. Den Unterricht Jahr für Jahr interessant zu gestalten, erfordert ein hohes Maß an Kompetenz und die Schüler bemerken es schnell, wenn Lehrer ein wenig abgestumpft sind.

Auch auf die Schulbehörden, die für die Einstellung von hunderten Lehrern zuständig sind und stets die Schüler-Erfolgsquoten im Blick haben, kommen erhebliche Investitionen zu. In einem Land, das eine so vielschichtige Bevölkerung wie die USA hat, führt allein die richtige Qualifikation jedoch nicht immer zu einer glücklichen bzw. dauerhaften Anstellung. Eine Schule benötigt Lehrer, die idealerweise zu den unverwechselbaren Merkmalen im Hinblick auf Kultur, Umgebung und sogar Klima passen. 

„Wir haben eine voraussagende psychometrische Bewertung entwickelt, die von Big Data gespeist wird.“

Mit den herkömmlichen Methoden die Richtigen zu finden, kann sehr mühsam sein und beschränkt sich auf die Bereitstellung bedeutsamer Informationen über jeden Bewerber. Vielleicht hilft eine unkonventionelle Methode weiter? Wir sprachen mit Don Fraynd, Mitbegründer von TeacherMatch*, einer Firma, die Big-Data-Analyse für die Einstellung von Lehrern einsetzt. Das als „Educators Professional Inventory“ (EPI) bekannte System soll nicht nur Zeit sparen, sondern bietet laut Marketingkampagne die Möglichkeit, „den zukünftigen Einfluss der in Frage kommenden Lehrkräfte auf die Leistungen der Schüler vorauszusagen“ und „besser fundierte, faire, objektive und vernünftige Entscheidungen für Einstellungen zu treffen“.

Fraynd beschreibt den Prozess in seinen Worten so: „Mit unseren Nachforschungen bei TeacherMatch wollten wir herausfinden, ob wir etwas an den Anfang des Verfahrens stellen könnten, das beschäftigte pädagogische Leiter unterstützen könnte. Was wir entwickelt haben, ist diese voraussagende psychometrische Bewertung, die von Big Data gespeist wird und in die weiterhin einfließt, was wir als iterative Rückkopplung bezeichnen.“

Die TeacherMatch zugrunde liegende Funktionalität wurde mit Unterstützung eines Forschungskonsortiums von fähigen Köpfen aus den Bereichen Informationstechnik, Psychologie und Pädagogik erarbeitet. In Jahrzehnten gewonnene Daten über die Effektivität von Lehrern und Erfolgsmethoden wurden untersucht, um die nutzbringendsten Erkenntnisse, umsetzbare Strategien und Schlüsselmerkmale festzulegen, die man anwenden kann, um den Auswahlprozess zu verbessern. 

Die ersten Erkenntnisse führten zu vier hauptsächlichen Aspekten der Fragestellung: Lehrkompetenzen, Qualifikationen, kognitive Fähigkeit und einstellungsbezogene Faktoren. Diese Gebiete beinhalten Hunderte von identifizierten Fähigkeiten aufgrund eher offensichtlicher Faktoren, wie z. B. Berufserfahrung, bis zu subtileren Bereichen, die Einfluss auf die Entwicklung der Schüler haben können.

Mittels Mehrebenenanalyse (Hierarchical Linear Modelling, HLM) wurden einhundert hochgradig prognostische Elemente identifiziert und in die Plattform integriert. Die Mehrebenenanalyse ist die Stütze des EPI, denn sie berücksichtigt Muster und Beziehungen zwischen den Elementen, probabilistische Aussagen und Schülerdaten. Durch die Einführung von Value-Added Modeling (VAM) als Variable in der Mehrebenenanalyse kann die Lehrereffektivität anhand der Beobachtung der Schülerentwicklung bei dem betreffenden Lehrer gemessen werden.

Wobei TeacherMatch wirklich hofft, seinen Nutzen unter Beweis stellen zu können, ist die Anwendung des Strukturgleichungsmodells (Structural Equation Modeling, SEM), eine Erweiterung, mit der die Lernfähigkeit des EPI entwickelt werden soll. Das SEM wird zusammen mit R*, der kostenlosen Softwareumgebung für statistische Berechnungen und Darstelllungen, die einen Großteil der Analysen des EPI abdeckt, eingesetzt und vergleicht die erwartete Leistung von Lehrkräften mit deren tatsächlichen Ergebnissen. Die Gesamtleistung der Lehrer in einer Schule oder einem Schulbezirk kann ebenfalls dargestellt werden; dieser Aspekt hängt jedoch davon ab, inwiefern die Bildungsanstalten Daten zur Analyse in das System zurückliefern.

Deshalb ist der Anspruch, den zukünftigen Einfluss von Lehrkräften auf Schüler voraussagen zu können, nur zu verwirklichen, wenn die Schulen mitwirken, um Kontext zu liefern. Im Lauf der Zeit könnte diese Analyse auch dazu beitragen, festzustellen, welche Faktoren aus den verschiedenen Bereichen und Unterbereichen die wichtigsten für den Erfolg in einer bestimmten Umgebung sind.

Lehrer lernen das EPI im Rahmen ihrer Stellensuche bei TeacherMatch kennen. Nachdem sie ihren Lebenslauf hochgeladen und ein Kandidatenportfolio ausgefüllt haben, gelangen sie zum EPI. Die hier durchgeführten psychometrischen Tests sind kein einfaches, von einer Website kopiertes Skript, sondern maßgeschneidert, um die Kompetenzen des Bewerbers in einer schulischen Umgebung hervorzuheben. Diejenigen, die Lehrer einstellen, können die Eignung des Bewerbers anhand von Farben für den „EPI Norm Score“, die von dunkelgrün für gute Eignung über gelb und orange bis zu rot für schlechtere Eignung reichen, auf einen Blick erkennen.

Dieses Konzept macht es leicht möglich, die Bewerber zu filtern, und während diese Art der Analyse für Arbeit suchende Lehrer unangenehm erscheinen mag, so funktioniert sie doch in beide Richtungen. TeacherMatch verfolgt das Ziel, Lehrkräfte zu finden, die in einer bestimmten Umgebung erfolgreich arbeiten können und mit ihrer Aufgabe zufrieden sind, statt beim Korrigieren von Arbeiten auf der Stelle zu treten.

*Marken oder Produktnamen sind Eigentum der jeweiligen Inhaber.

Weitere Informationen:

Lassen Sie sich unsere beliebten Planungsleitfäden und Erkenntnisse direkt an Ihr Postfach liefern.

Jetzt anfordern

Weitere Artikel

Starbucks ebnet mit Datenanalyse den Weg zum individuellen Angebot

Mehr darüber

Bekannte Restaurantkette schlägt mit forensischer Datenanalyse und digitalen Kiosksystemen eine neue Richtung ein.

Mehr darüber

John Lewis und Marks & Spencer machen sich die Kraft von vorausschauendem Marketing und Big Data im Einzelhandel zunutze.

Mehr darüber

Zugehörige Ressourcen

Intel® Xeon® E7-v3-Prozessoren liefern schnellere Echtzeitanalyse.

Weitere Informationen

Dieses Video zeigt, welche erstaunlichen Dinge zwei Intel-Kunden durch Echtzeitanalyse mit Lösungen, die auf Servern mit Intel® Xeon® Prozessoren basieren, realisieren können.

Weitere Informationen

Vor der Implementierung eines Analysesystems müssen IT-Abteilungen diese wichtigen Aspekte in Betracht ziehen.

Weitere Informationen