God morgon.

Det är ett nöje att vara här.
Jag älskar Sverige-

-och är särskilt förtjust
i Stockholm.

I dag tänkte jag prata om
databaserat beslutsfattande.

Föregående talare
har berört det kortfattat.

Jag ska ta upp
det som vi tycker är viktigt-

-med databaserat beslutsfattande.

Jag kommer att presentera en metod
som vi har tagit fram för skolor-

-och även prata om vilka effekter
den här modellen kan få.

Sist rundar jag av med min slutsats-

-om huruvida mätdata är en fluga,
eller något bestående.

Många lärare som vi möter
ser mätdata som en trend-

-som snart kommer att vara bortglömd.

Vi får se.

Hur definierar vi
databaserat beslutsfattande?

Självfallet berör det datahantering-

-här med förbättrad inlärning
som målsättning.

Det innebär att man måste samla in
och analysera data-

-och diskutera datan med kollegor-

-med syftet att öka inlärningen.

Det låter enkelt,
men så är det sällan.

I det här läget behöver vi definiera
vad vi i vårt projekt ser som "data".

Ofta när jag säger ordet "data"...
Jag minns för några år sen-

-då jag var i Nacka här i Stockholm.

Där sa de
att de förknippade data med datorer-

-eller siffror,
men det är inte det jag avser.

Data kan vara siffror,
som i prestationsdata-

-men det kan även vara
inmatningsdata-

-som t.ex. könsfördelning bland
elever och tidigare utbildningsnivå.

Det kan handla om data som berör
kursplan och klassrumsinstruktioner.

Vi har även utdata,
som till exempel prestationsdata-

-men även data
som mäter välbefinnande.

Här ser ni några exempel:
demografiska data, enkätdata-

-klassrumsobservationer,
bedömningsdata, föräldraintervjuer...

Kort sagt all information
som berör hur skolan fungerar.

Om man tittar på
beslutsfattandet inom skolan-

-ser man att många beslut baseras
på intuition och antaganden-

-och inte på mätdata.

Men om nu många beslut
inom skolväsendet-

-baseras på antaganden,
måste vi först undersöka-

-hur väl vår intuition
stämmer överens med verkligheten.

Så jag tänkte undersöka-

-hur det ni tror er veta
står sig mot verkliga fakta.

Här är tre påståenden. Ni ska avgöra
om de är sanna eller falska.

Här är det första: "Pojkar
är bättre än flickor på matematik."

Räck upp handen
om ni tror att det stämmer.

Då kan ni som inte tror det
räcka upp handen.

Oj. Alla tror att det är falskt.

Bravo.
Faktum är nämligen att det är falskt.

Ert antagande stämde.

En kollega jämförde flera studier
kopplade till kön och prestation.

De allra flesta av dem
fann inga skillnader mellan könen.

Faktum är att flickor klarade sig
bättre än pojkar i vissa länder.

Där pojkarna klarade sig bättre
var könet ingen faktor-

-utan det berodde på kulturella
och sociala faktorer.

Då tar vi en till:
"Elever har olika inlärningsstilar."

"Det kräver olika instruktioner."

De vanligaste
ser ni här.

Hur många tror
att detta är sant?

Det var flertalet.
Vilka tror att det är falskt?

Nu vet vi att några
har gjort ett riktigt antagande-

-medan andra har en felaktig bild.
Då kollar vi facit.

Det är faktiskt falskt. Tyvärr hade
många av er en felaktig uppfattning.

Vi har tittat på många olika studier
utan att kunna hitta några bevis-

-för att detta har en positiv effekt.

Många skolor investerar
i det här med inlärningsstilar-

-och lärare försöker anpassa sig
till stilarna.

Men ingen studie som vi tittade på
fann några positiva effekter av det.

Det här var kul. Vi tar en till:

"Databaserat beslutsfattande
kan ge bättre elevprestationer."

Vilka håller med?

Det var flera stycken.
Vilka tror att det är falskt.

Några stycken.

Jag måste visst övertyga
en del av er.

Det är nämligen sant,
om man använder den rätt.

Om man med mätdata
identifierar tillgångar och brister-

-och om lärarna tillämpar datan
för att bemöta elevernas behov-

-så kan det höja elevprestationerna.

Vissa studier har påvisat detta-

-och lyckats kopplat dataanvändning
till förbättrade elevprestationer.

Vilka är då fördelarna?
Som de här tre påståendena visar-

-är en del av
våra antaganden riktiga-

-men många uppfattningar
inom skolväsendet är felaktiga.

Vi måste alltså fatta
bättre underbyggda beslut-

-och mäta
hur väl vi uppfyller våra mål.

Vi vet även att data kan hjälpa oss
att förbättra elevernas inlärning-

-och prestationer,
vilket leder till en bättre skola.

Dock kan det vara svårt
att hantera mätdata.

Många skolor i Nederländerna
och i andra länder-

-använder sig inte av data,
eller gör det i liten utsträckning.

Anledningarna till detta är flera.
Under samarbetet med Nacka-

-har jag hört samma sak
som jag hör hemma:

"Vi har så mycket mätdata:
prestationsdata"-

-"enkätundersökningar, klassrums-
observationer... Var ska vi börja?"

En annan sak som vi ser
i skolor och på universitet-

-är att många problem som upptäcks-

-leder till omedelbara åtgärder.

Det här fungerar ofta dåligt. Utan
kunskap om problemets bakgrund-

-kommer åtgärderna
troligtvis inte att lösa problemet.

Då måste vi försöka med något annat,
som antagligen inte heller fungerar.

Detta får ingen effekt,
förutom att skapa onödiga åtgärder-

-som sedan implementeras
utan hänsyn till problemets kärna.

Så vi utvecklade
vår modell med mätdata-team.

Som ni ser består steg ett i
att definiera problemet-

-och steg sju i att implementera
lämpliga åtgärder.

Där emellan har vi många andra steg.

Vi måste hitta roten till problemet
genom att ta fram hypoteser.

Vi behöver samla in mätdata
och se om de stödjer våra antaganden.

Vi måste kvalitetssäkra datan,
analysera den och dra slutsatser.

Sen kan vi vidta åtgärder,
som vi senare utvärderar.

Jag vet att det går undan,
men jag ska gå igenom alla steg-

-och ge rikligt med exempel
för vart och ett.

Vi arbetar i team, och inte med
enskilda lärare och skolledare.

I dessa grupper samarbetar lärare och
skolledare för att lösa problem-

-som till exempel
ett lågt elevdeltagande.

Det är dock alltid ett problem
som skolan själv har definierat.

Vi arbetar med skolorna under två år.

Under den tiden
går vi igenom åtta faser.

Vi erbjuder även
en extrakurs i dataanalys.

Vi vet att många lärare och skol-
ledare har svårt att analysera data.

Vi har hållit på sedan 2009.

Det gläder mig att vi även
har mätdata-team här Sverige.

Vi arbetar med Nacka kommun
och vi har även team i England.

Många är positiva till våra resultat.

Det bästa med det är inte
att jag får tala på konferenser-

-och att folk visar intresse
för vår metod-

-utan att skolorna vi arbetar med
berättar om oss för andra skolor.

Det är ett bättre sätt att expandera
på, än att förlita sig på föreläsare.

Nu tänkte jag gå igenom
de åtta faserna.

I fas ett definierar man problemet.

Som ni ser börjar dataanvändning
enligt oss inte med datan.

Den börjar med ett problem
som man vill lösa.

Vi ber lärarna berätta
vad de inte tycker om i sin skola.

Vad är de missnöjda med? Vilka
problem har de brottats länge med?

Skolan väljer ut ett problem,
varefter vi samlar in mätdata om det.

Det första vi säger åt gruppen är:
"Visa för oss att ni ha ett problem."

"Samla in mätdata
om hur stort problemet verkligen är."

Vi rekommenderar
att man samlar in mätdata för tre år.

Som vi alla vet kan enskilda läsår
sticka ut, positivt eller negativt-

-så vi letar efter trender.
Det är viktigt.

Ofta visar det sig nämligen
att det verkliga problemet-

-inte är det man trodde.

Ett team trodde att problemet
var störst i en viss årskurs-

-men det visade sig gälla
en annan årskull.

Det var något som datan visade dem.

Vi går vidare med
att definiera utgångsläget.

Det kan vara "45 procent av eleverna
har inte godkänt i matte".

Vi sätter dessutom upp mål.

Vi vill ju att alla ska bli godkända,
men vi måste vara realistiska.

Här sa man att högst 30 %
fick bli underkända-

-och året därefter högst 15 %.

Problemformuleringen är alltså den
första fasen för mätdata-teamet.

Nästa fas är jag väldigt förtjust i.
Jag har själv jobbat med skolor.

I en grupp med lärare och skolledare-

-ser man ofta olika orsaker
bakom samma problem.

Det är nyttigt att diskutera
alla dessa möjliga orsaker.

Därför brainstormar vi. Säg att de
brottas med dåliga matteresultat.

Vad beror detta på?

Dessutom letar vi i publikationer
efter nya rön inom aktuella fält.

Den stora utmaningen ligger i
att göra problemet mätbart.

Ofta kan till exempel
högstadielärare säga-

-att problemet finns i årskurs 1-6.

Eller så skyller man
på skolans policy.

Men hur gör man detta mätbart?
Vi säger att vi kan undersöka saken-

-men att de måste tala om
hur vi ska göra.

Det kan vara en svår utmaning.
Jag har ett par exempel.

Det första gällde att många elever
fick gå om sista året.

Deras hypotes pekade ut skolk
och missade lektioner som orsaken.

Man antog att de elever som gick om
hade sämre studievanor.

När det gällde matten talade man om
specifika färdigheter hos eleven.

Allt detta är mätbart. Man kan mäta
antalet missade lektioner-

-och i Nederländerna kartlägger vi
elevernas studieförmåga.

Dessutom kan man titta
på bedömningsdata.

Så fas två slår fast vilken typ av
mätdata som man behöver samla in.

Vi försöker använda befintliga data.

Skolor har gott om tillgänglig data.

Den försöker vi utnyttja
i mesta möjliga mån.

Om datan inte finns i skolan,
använder vi etablerade verktyg.

Som forskare vet jag hur svårt det är
att utforma en enkät.

Våra grupper gör aldrig egna enkäter.

I stället väljer vi ut
redan etablerade verktyg.

Utifrån hypotesen samlar vi in
kvalitativ eller kvantitativ data.

Kvantitativ data mäts i siffror:
enkäter, utvärderingar...

Kvalitativ data kan vara klassrums-
observationer och elevintervjuer.

Här har jag några exempel.
Vi samlar ofta in prestationsdata-

-men även enkätsvar
om motivation, återkoppling-

-och kursplaner, samt klassrums-
observationer och intervjuer.

Innan vi analyserar datan
måste vi kvalitetssäkra den.

Jag vet inte hur det är i Sverige-

-men i Nederländerna finns det
dessvärre mycket undermålig data.

Hur många av er
har någon gång fyllt i en enkät-

-och slagits av att frågorna
är mycket diffusa och märkliga?

Vilka av er har upplevt detta?

Vi kan alltså sluta oss till att
många använder undermåliga enkäter.

Men om man ämnar fatta beslut
utifrån datan-

-måste man se till
att den är av god kvalitet.

Så vi kvalitetssäkrar datan.
Det är en ganska enkel procedur.

Det kan räcka med att vi teamet
diskuterar vad vi tycker om enkäten-

-eller om vi anser att en viss analys
är rimlig. Vi samtalar kring detta.

De flesta lärare och skolledare
ställer sig kritiska till mätdata.

Under projektets gång har vi stött på
många problem med datan.

Vi har sett otaliga
undermåliga enkäter.

Ibland har vi inte kunnat hitta
relevant data.

Den kan ha gått förlorad, eller så
finns det bara data för ett år-

-och vem vet om det året
var representativt?

Så det är ett annat problem.

Men om man kvalitetssäkrar datan
och slår fast att den är brukbar-

-så kan man analysera den.
Den här fasen skrämde många lärare.

"Mätdata-analys" låter
storskaligt och komplicerat-

-men så behöver det inte vara.
Låt oss gå tillbaka till exemplet.

"Elever som tog examen
har högre närvaro än de som gick om."

Här behöver man bara räkna
hur många elever-

-som faller inom varje kategori.

Det kan alltså vara enkelt
eller komplicerat.

Därför erbjuder vi
en extra analyskurs-

-där vi lär lärarna
att analysera data i Excel.

Det är en enkel programvara
som de flesta har på sin dator.

Vi räknar ut genomsnitt,
standardavvikelser och gör t-test.

De flesta lärare
är lite nervösa vid kursens början-

-men efteråt
är de alltid mycket nöjda.

Ibland går de till sin skola
samma kväll-

-för att analysera
redan insamlad data.

Det är ganska lätt
när man vet hur man ska göra.

Vi tar även upp
analyser av kvalitativ data.

Det är viktigt om man gör
observationer eller intervjuer.

Utsagor och förlopp
finns nedtecknade-

-men hur gör man
för att dra slutsatser utifrån detta?

Det är också något som vi berör.

Slutligen, efter alla dessa faser,
kan vi komma fram till en slutsats.

Är vår hypotes om orsaken
bakom vårt problem-

-riktig eller inte?

Om den inte är riktig,
måste vi gå tillbaka till fas två-

-och utreda andra möjliga orsaker.

Om den stämmer,
kan vi fortsätta till fas sju.

Vi har gjort en översikt över våra
team. Under åren 2012-2014-

-arbetade vi med totalt 32 team,
och vi listade samtliga hypoteser.

Som ni ser stämde många av dem.

Våra team accepterade
sammanlagt 33 hypoteser.

Återigen ser vi dock många exempel
på felaktiga antaganden.

45 av alla hypoteser
som vi undersökte-

-visade sig vara felaktiga.
Föreställ er alla åtgärder-

-som skolorna kunde ha infört
på grund av dessa.

Ett sånt slöseri med tid och pengar.

Lyckligtvis identifierade vi dem
som felaktiga.

Vi har även genomfört kvalitativa
studier där vi intervjuade elever-

-eller gjorde observationer
för att identifiera problemet.

Ibland stötte vi på patrull.
I tretton fall hade vi hypoteser-

-som vi varken kunde verifiera
eller avskriva.

Antingen var datan bristfällig-

-eller så kunde vi inte hitta
nödvändig data.

Men om vår hypotes
visar sig vara riktig-

-och om vi kan ta till oss den,
så kan vi vidta åtgärder.

Då kan vi göra något
för att lösa problemet.

Nu utarbetar vi en handlingsplan
i teamet.

Vi diskuterar hur vi kan tillämpa det
vi vet om orsaken i en handlingsplan.

Det kan vara svårt. Datan kan säga
att eleverna inte förstår procent.

Många blir underkända i matte
eftersom de inte kan procenträkning.

Frågan är
vad man då ska göra som lärare.

Man kan repetera vissa avsnitt
eller använda olika hjälpmedel-

-och nya instruktionsstrategier för
att ge eleverna en bättre förståelse.

Så datan kan staka ut riktningen, men
aldrig komma med kompletta lösningar.

Här behövs skolpersonalens
kompetenser och erfarenhet.

Efter det diskuterar vi vilka
åtgärder som problemet kräver.

Under åren har vi
vidtagit många olika åtgärder.

Här ser ni några exempel.

Dessa kommer inte från
ett enskilt team, utan från flera.

Ett team hittade brister
i återkopplingen i klassrummet.

De behövde ge eleverna mer feedback.

Inte bara om resultat,
utan även om lärandeprocessen.

Många skolor
har visat sig ha hattiga kursplaner-

-med dålig kontinuitet,
så många handlingsplaner-

-har således handlat om kursplaner.

Då enskilda elever blev underkända-

-utarbetade man handlingsplaner
med fokus på handledning-

-såväl som olika strategier för att
instruera elever i klassrummet.

Sen tycker många att de är färdiga.

"Nu har vi implementerat åtgärderna
som ska lösa problemet."

Dessvärre återstår fortfarande
fas åtta - utvärderingen.

Den är oerhört viktig,
för vi utvärderar inte bara-

-huruvida man har löst problemet,
utan även själva processen.

När en handlingsplan är utformad-

-måste man säkerställa
att den implementeras på rätt sätt.

Det här är mycket viktigt.
Vidtar alla berörda sagda åtgärder?

Jag tänker illustrera det här
med ett matte-team-

-vars elever
hade svårt för procenträkning.

De valde att fokusera på repetition-

-men insåg att även om
procenträkningen krävde extra tid-

-så fick det inte ske på bekostnad av
andra viktiga färdigheter.

Lade de för mycket tid på procent-
räkning, skulle annat bli lidande.

De kom på att de skulle repetera
procenträkning varje lektion-

-men med ett kort quiz.

Förhoppningsvis
skulle detta motivera eleverna-

-och bara ta 5-10 minuter
av varje lektion.

Sedan kunde man fortsätta
med andra saker.

De frågade eleverna vad de tyckte
om sitt matte-quiz.

Eleverna hade matematik
fem gånger i veckan.

Samtliga sa att det var tråkigt.
De hade börjat avsky procenträkning-

-eftersom de hade ett quiz varje dag.

Om skolan hade kört på
utan att utvärdera-

-skulle de troligtvis inte
ha uppnått ett önskat resultat.

Så i stället för att repetera varje
lektion, gjorde man det veckovis.

Det var en liten justering
som fick en stor inverkan.

Slutligen vill vi självfallet veta
om åtgärderna haft någon effekt.

Har vi löst problemet och uppfyllt
det mål som vi satte upp i fas ett?

Då tittar vi på problemformuleringen
och ser om så är fallet.

Det här är alltså våra åtta faser.
Vi har arbetat med skolor sen 2009.

I Nederländerna har drygt 50 skolor
använt vår metod.

Vi vill veta hur det går för dem, så
vi jobbar mycket med uppföljning.

Jag har sju nederländska kollegor.

Tillsammans gör vi uppföljningar
och utbildar nya team.

Vi har tittat på
hur de olika teamen fungerar.

Vissa team har varit
mer framgångsrika än andra.

Då vill vi veta vilka faktorer som
påverkar arbetet i ett datateam-

-och självfallet också
huruvida metoden fungerar.

Om vi tittar på verksamheten
i datateamen, så ser vi att fas två-

-då man försöker göra möjliga orsaker
mätbara, kan vålla stora problem.

Ett team som jag arbetade med
hade många elever-

-som gick om
sekundärutbildningens fjärde årskurs.

Teamet lade skulden
på skolans nya policy.

Då var jag ju tvungen
att fråga mer om policyn.

Varför var den problematisk?
Hur vi skulle mäta detta?

Ett par år tidigare
hade man infört en ny policy.

Elever som gick ut tredje året
med underkänt i fem ämnen-

-fick lov att fortsätta
i den fjärde årskursen.

Man sköt problemet framför sig.
I stället för att gå om trean-

-med underkänt i fem ämnen,
gick de nu om fyran.

Vi beslutade att vi skulle
kontrollera saken, vilket var enkelt.

Vi tittade på vilka elever som gick
ut trean med underkänt i fem ämnen-

-och sedan på hur de låg till
i slutet av årskurs fyra.

Det visade sig att samtliga
gick ut fyran utan problem.

Kanske fick sig eleverna en
tankeställare och ansträngde sig mer.

Man hade haft fel om orsaken.
Att gå från att beskylla en policy-

-till att få fram en mätbar hypotes
kan vara vanskligt.

Intressant nog
har samtliga av alla våra team-

-haft fel i sin första hypotes.

Tänk på det. Drygt 50 skolor-

-och samtligas första hypoteser
var felaktiga.

Återigen ser vi hur fel vi ofta har.

För det mesta är de orsaker som
teamen först vill utreda externa.

Skulden läggs på primärutbildningen,
politiska beslut eller föräldrar.

De sistnämnda blir ofta syndabockar.

Jag brukar säga att det ligger
i vår natur. Jag gör likadant.

Jag håller i ett antal masterkurser.

Om många av mina studenter
blir underkända, antar jag-

-att de har festat
istället för att plugga.

Men så börjar jag fundera
på kursinnehållet-

-och överväga om jag
borde förändra något.

Så det ligger i vår natur att leta
efter brister utanför oss själva.

Det slog oss att det här var
nödvändigt för våra mätdata-team.

Vi har sett att när man börjar med
att utreda en yttre orsak-

-så skapar detta tillit inom gruppen.
Det känns tryggt.

Vi samlar in data, och i slutändan
relaterar vi den till vår egen roll.

Detta kan vara skrämmande,
så det måste finnas tillit i teamet-

-om man ska klara av det, och då är
det bra att börja med en yttre orsak.

Dessutom är huvudsyftet
att utvecklas i yrkesrollen.

Självklart vill vi lösa
skolornas respektive problem-

-men vårt främsta syfte
är att fortbilda.

Vi vill att lärare och skolledare-

-ska börja använda mätdata
kontinuerligt.

Även om man utreder en extern orsak,
så tränar man på de åtta faserna.

Man samlar in och analyserar data,
och diskuterar den med kollegorna.

Alltså lär man sig att hantera data.

Det tredje skälet
kan nog vara det viktigaste.

Vi vet att vi lär oss
av våra misstag.

Vi lär oss allra bäst om vi gör fel.

Om man utreder en hypotes-

-som visar sig vara felaktigt,
så tar det skruv.

Ofta säger lärarna: "Jag har jobbat
på skolan i 20 år"-

-"och alltid trott
att det här låg bakom."

Eller så har man skyllt på
brister inom primärutbildningen.

Att få reda på att man har haft fel
gör starkt intryck.

Dessutom visar det på vikten av data.

Ett av mina första team
bestod av olika ämneslärare.

En undervisade i bild och musik.

Hon sa till mig att mätdataanvändning
inte var nåt för henne.

"Konst och musik
är visuellt och känslobaserat."

"Jag ser inte nyttan med mätdata."

Jag sa: "Det gör inget.
Kul att du är här."

"Jag är glad att du tar chansen
att vara med i teamet."

Så prövade vi några av hennes
hypoteser, två eller tre stycken.

Samtliga var felaktiga.
Efteråt sa hon:

"Jo, Kim. Dina data
var visst viktiga, trots allt."

"Om alla de här antagandena
var felaktiga"-

-"kan jag gå runt med fler, så jag
måste arbeta mer med mätdata."

Lyckligtvis har de flesta team över
tid gått från extern attribution-

-då man skyller ifrån sig -
till intern attribution-

-då man frågar sig vad teamet,
lärare och skolledare-

-kan göra för att lösa problemet.

Jag tycker om grafer. Nu vet vi ju
att inlärningsstilar bara är en myt-

-men om de nu fanns,
skulle jag vara visuellt orienterad.

Jag har valt ut fyra team
från vår första pilotstudie.

X-axeln anger antalet möten.

M1, M2, M3
betyder "möte 1", och så vidare.

Y-axeln anger djupet i
frågeställningen. "0" står för ytlig-

-vilket innebär att teamet
diskuterar vädret-

-ett populärt ämne i Nederländerna.

"1" innebär att de pratar om data-

-men utan att koppla den
till sin egen verksamhet.

"2" innebär att de diskuterar datan
och relaterar den till verksamheten-

-och på så sätt skapar ny kunskap
som kan leda till förbättringar.

Som ni ser uppvisar samtliga team
en stigande kurva-

-bortsett från det röda teamet.
Det håller sig nere vid botten-

-och avbryter processen
efter möte nummer sex.

Jag arbetade själv
med de här skolorna.

I egenskap av utbildare
gjorde det röda laget mig frustrerad.

Det kändes som om jag
inte kunde få teamet att utvecklas.

Det var besvärligt,
men forskaren i mig jublade-

-över att ett team fungerade sämre.

Att jämföra dem med de andra,
som fungerade, var mycket lärorikt.

Vi lärde oss mycket
av det här teamet.

Vi försökte urskilja
vad som gjorde teamet ineffektivt-

-kontra vad som
gjorde resten framgångsrika.

Vi fann att ledarskapet var viktigt.
Många här är skolledare.

Om ni väljer att använda data
i er skola, så är ni oumbärliga.

Ni måste motivera personalen-

-och underlätta för dem
att jobba med mätdata.

Vi arbetar långsiktigt.
Varje projekt tar två år.

Vi träffas i genomsnitt tolv gånger
om året, ungefär var tredje vecka.

Som skolledare måste ni se till
att lärarna har tid att närvara.

Ni måste även vara goda förebilder.
Tar inte ni hänsyn till mätdata-

-kommer inte lärarna att göra det.

På den här "röda" skolan-

-försökte skolledaren använda data
för att peka ut en enskild lärare.

Skolledaren hade redan från början
problem med en matematiklärare.

I stället för att tala med läraren-

-försökte han göra datateamets möten
till ett forum för sitt missnöje.

Det är inte syftet med vår metod.

Teamen ska förbättra skolor
genom dataanvändning-

-och inte skuldbelägga individer.

Ni kan nog tänka er
hur mötena blev-

-med skolledaren på ena sidan av
bordet, och lärarna på den andra.

Även den andra faktorn - samarbete -
framstod genast som grundläggande.

Jag har berört vikten av
att samarbeta inom teamet.

Man måste dock även samarbeta
med andra kollegor.

Under det första pilotprojektet
insåg vi inte-

-vikten av att inkludera
deltagarnas kollegor.

Mätdata-teamet består av 6-8
personer, men åtgärdsprogrammen-

-kan ofta påverka samtlig personal.

Därför är det viktigt att teamet
kommunicerar med sina kollegor-

-och inkluderar dem i sitt arbete
i största möjliga utsträckning.

Punkt tre är "frivillighet". Det röda
teamets lärare ville inte delta-

-utan blev kommenderade.
En gnutta tvång gör ingen skada-

-men att köra över folk
fungerar aldrig.

Det är en tillgång
att ha en kritiker i teamet.

Någon som är känd för att
ogilla den här typen av insatser.

Av erfarenhet vet vi
att det som då sker-

-om läraren blir positivt inställd
till att använda mätdata-

-och ger uttryck för det,
är att kollegorna tar intryck.

Här har vi en kritisk individ-

-som plötsligt gör en helomvändning
angående metoden.

Då måste det finnas nåt bra med den.

Det är även viktigt
med ett gemensamt mål.

Det röda teamet var ett matteteam.
De ansåg att matematik var svårt-

-och att det var därför
många elever blev underkända.

Om man inte
är överens om problemet-

-eller har ett gemensamt mål,
så fungerar det inte.

Man måste fokusera på elevernas
inlärning, och inte på yttre saker.

Mätdata-teamets fokus ska ligga på
att förbättra elevernas inlärning.

Datan måste ses i en relevant
kontext. Fiktiv data-

-eller data från andra skolor är inte
intressant, bara den egna skolans.

Våra åtta faser
har varit effektiva i Nederländerna.

De skapar en struktur
som gör processen greppbar.

För de flesta lärare
är det här något nytt.

Det är åtta faser,
så många lärare tror-

-att åtta faser betyder åtta träffar.

Dessvärre krävs det ofta fler än så-

-men det gör det ändå överskådligt.

Jag vill trycka på vikten av sam-
arbete mellan universitet och skola.

Och det är verkligen ett samarbete.
Vi utbildar skolpersonal-

-men vi lär oss även mycket av dem
och vi uppdaterar konstant vår metod.

Så det är fråga om ett utbyte.

Så har vi resultaten. Som forskare
vill jag veta om det fungerar.

Det första tecknet på det
är att vi började med fyra team-

-och nu har 50 stycken,
bland annat i Sverige och i Belgien.

Det räcker dock inte för mig
som forskare.

Jag vill kartlägga effekter
på flera plan.

Vi började på ett generellt plan:
Trivs folk med metoden?

Om lärarna inte gör det...
Jag är själv lärare och mycket envis.

Om jag ogillar något, gör jag det
inte. Så detta tittade vi på först.

Är deltagarna nöjda?
Lyckligtvis visar vår data på-

-att lärarna är mycket nöjda
med mätdata-användningen.

Ibland klagar de dock på
att processen är långsam.

När vi utvecklade metoden
var den tänkt att ta ett år.

Efter ett år insåg vi
att det krävdes ett till.

Alla team befann sig fortfarande i
fas två och utredde möjliga orsaker.

Vi förväntade oss att teamen
skulle vara negativt inställda-

-eftersom man hade hållit på
i över ett år-

-utan att komma förbi fas två.

Men samtliga lärare var positiva.
De sa att de hade lärt sig mycket-

-och att det var viktigt
att avfärda alla villospår-

-men att de behövde mer stöttning.

Så nu arbetar vi i teamen i två år.

Vi mätte även huruvida de
blev bättre på att hantera data-

-och förbättrade sina datakunskaper.
Främjar mätdata-teamen detta?

Det kontrollerade vi genom att ge
alla deltagare ett diagnostiskt prov-

-i början av interventionen,
och ett till efter två år.

Som ni nog kan förstå
beklagar sig många över detta.

"Ett prov? Jag är ingen elev."

Men det är i forskningssyfte,
så de ställer upp.

Resultatet visade
på ökade datakunskaper.

Det gjorde oss mycket glada.

Vi vill även veta om lärare och
skolledare använder data i vardagen.

Det gör man ju i teamet,
men tillämpar man kunskaperna-

-som man har fått i mätdata-teamet
även i andra kontexter?

Vi fann att så var fallet
på många skolor.

Men vi måste även vara självkritiska,
för en del har fortfarande svårt-

-att använda data
utanför mätdata-teamet.

Jag vill visa er några kommentarer
som vi har fått från våra deltagare.

"Antaganden är ofta felaktiga."
Det har vi berört.

"Nu vet vi mer om fakta och siffror."
Nästa mening gillar jag.

I Nederländerna är läraryrket
i hög grad individualiserat.

Lärare diskuterar sällan
med varandra.

En lärare sa:
"Lärarna har börjat samtala om data"-

-"innehåll och didaktik."
Det låter ju väldigt bra.

Den sista frågan är självfallet om vi
lyckas lösa det aktuella problemet-

-och huruvida metoden
främjar elevernas inlärning.

Vi ser tecken på
att teamen har gjort detta.

Ett team förbättrade resultaten
i engelska, ett annat i matematik.

Dock håller vi just nu på
att analysera all data.

Med 50 team
har vi kolossala mängder data-

-som vi nu håller på att analysera.

Vi har dock även sett att inte alla
skolor har lyckats lösa sina problem.

Åtminstone inte än.
Men processen fortgår.

Vissa av skolorna
brottas med komplexa problem.

Först efter två år
har de börjat vidta åtgärder.

Förhoppningsvis
når de resultat efter tre år.

Detta är dock extra komplexa fall.
Många skolor har löst sina problem.

Även här är många nöjda.
Arbetet får positiva biverkningar-

-och lärarna indikerar
att de har lärt av varandra.

Det leder mig fram till min slutsats.

Att använda data tar tid. Att använda
data i ett team enligt vår metod-

-tar i genomsnitt två år. Detta är
dock den övergripande cykeln.

Vi har även många exempel på lärare
som använder metoden i klassrummet.

En geografilärare kom till en träff
som rörde elever som behövde gå om.

"Det här hör väl inte hit", sa han.

"Men jag gav mina elever ett prov,
och många av dem fick underkänt."

"Jag lade in all data i Excel
som vi har lärt oss."

"-och kunde identifiera
två problemområden."

"Dem ska jag repetera nästa lektion."
Det är samma cykel-

-fast mindre och snabbare.

Vi har sett att metoden kan ge
önskvärda resultat på olika plan.

Allt börjar med en attitydförändring.
När jag startade projektet 2008-

-sågs mätdata
som en modefluga.

Många lärare var kritiska.
"Efter 20 år känner jag mina elever."

Efter att ha deltagit i ett
mätdata-team får man en ny attityd.

Man inser vikten av mätdata.

Metoden förutsätter vissa kunskaper.

Vi trodde främst att det skulle
gälla analysen av datan.

Det gör det också, men de följande
åtgärderna verkar vara än viktigare.

Som jag sa kan datan hjälpa en att
identifiera orsaken till problemet-

-men sen behövs
skolpersonalens expertis-

-när datan
ska ge upphov till åtgärder.

Detta kan vara en krävande fas.

Slutligen gläder det mig att metoden
kan förändra kulturen på en skola.

En av skolledarna sa:
"Det är så lustigt."

"Plötsligt frågar alla lärare
efter mätdata."

"Det har aldrig hänt förut." Eller...

I lärarrummet sitter en lärare och
kläcker ur sig lösryckta antaganden-

-varpå en annan lärare påpekar:
"Så jobbar vi inte här längre."

"Vi bygger våra beslut på mätbar
data." Det här är positiva exempel.

Vi har många fler.
Hade jag haft mer tid-

-kunde jag dra åtskilliga andra.

Vi har även sett att metoden
kan främja elevernas inlärning.

En annan viktig sak
är att skolorna är entusiastiska.

Det här är den första studie-

-där jag slipper vädja
till skolor att delta.

Skolorna kontaktar oss
och vill vara med i våra projekt.

Det är ju förstås angenämt.

Så initiativet tas ofta av skolorna.
De tipsar varandra.

Det är något vi uppmuntrar.
Så ryktet sprider sig-

-men oberoende av oss,
vilket känns bra.

Därmed återstår ett sista påstående:

Datateamen är här för att stanna.

Tack så mycket, Kim.
Det har varit mycket intressant.

Jag har några frågor.
Jag tyckte om din definition.

Data är inte bara siffror,
utan kan även vara kvalitativ.

Nedifrån-och-upp-perspektivet
var en annan intressant aspekt.

Hur ni förklarar framgången
i Nederländerna?

Nu expanderar ni till andra länder.

Är alla lika entusiastiska,
eller är Nederländerna unikt?

Jag har mött samma entusiasm
här i Sverige-

-även om Nacka ju inte
är representativt för hela landet.

Jag tror att det finns flera skäl
till att metoden fungerar.

Det viktigaste
tror jag lustigt nog är-

-att vi inte utgår från datan.

Man måste inleda med att fokusera på
ett problem som skolan vill åtgärda.

Vi börjar med ett specifikt problem.

Det får styra datainsamlingen.
Den andra aspekten-

-är att initiativet kommer nerifrån.

Vi började i liten skala
med fyra team i Nederländerna.

En skolnämnd gillade vad de såg
och bad oss om hjälp.

Utbildningsdepartementet fick
upp ögonen och bad oss expandera.

Slutligen pratade skolor sinsemellan,
varpå enskilda skolor hörde av sig.

Det har varit till stor hjälp.

Är ni finansierade av staten?
Jag är bara lite nyfiken.

Det är vi till viss del. Politikerna
har betonat vikten av mätdata.

Alla skolor får statliga medel.

En del är öronmärkt för mätdata.

Skolorna har alltså budgeterat
för satsningar på mätdata-användning.

Jag kom att tänka på en sak
när du visade diagrammet-

-där man kunde följa teamen.
Det har att göra med det röda teamet.

Har ni mött samma problem
i andra skolor?

Det är inte alltid så lätt att komma
tillrätta med den typen av konflikt.

Numera har vi alltid ett förberedande
möte med alla skolor-

-som vill bilda ett mätdata-team. Vi
träffar skolledaren och några lärare.

Vi frågar dem
om de kan uppfylla våra kriterier.

Till exempel måste skolledaren
se till att lärarna hinner delta.

Träffarna äger alltid rum
på schemalagd arbetstid.

Om de inte kan lösa det,
avråder vi skolan från att delta.

Det är en av de saker
vi numera kontrollerar direkt.

Vi vet att det är en förutsättning.
Självfallet har vi tappat vissa team.

Här lägger jag fram positiva exempel-

-men det finns även mindre lyckade.

Som tur är de undantagsfall.

Det låter intressant.
Här sitter ju många skolledare.

De kanske vill
bilda ett mätdata-team på sin skola.

Vad bör de i så fall
framför allt tänka på?

En sak som vi har lärt oss är
vikten av att själv delta i teamet-

-i egenskap av skolledare
eller arbetslagsledare.

När man diskuterar
ett specifikt problem-

-har skolledare ofta ett annat
perspektiv och ser andra orsaker-

-än vad lärarna gör.
Detta berikar diskussionen.

För det andra
frågar lärare oss ibland:

"Hur kan vi i teamet
vara säkra på"-

-"att våra åtgärder
faktiskt blir genomförda?"

Med en skolledare i teamet
kan de få sådana garantier.

För det tredje måste skolledaren
delta aktivt.

I många mindre framgångsrika team-

-ingick skolledaren i teamet, men
var bara med på hälften av träffarna.

Det signalerar att mätdata-användning
inte är något viktigt-

-eftersom skolledaren
prioriterar annat.

Så man måste delta.

I en del andra team är skolledaren
med på vår första träff-

-och betonar att arbetet i teamet är
viktigt, även om hen inte kan delta.

Efter det tittar de in då och då
och frågar hur det går.

-Jag förstår. Tack så mycket.
-Tack.

Översättning: David Lind
www.btistudios.com