Hier ist eine Faustregel für Sie: Die Begeisterung eines Individuums über den Einsatz von “Daten” in der Bildung ist direkt proportional zu seiner Entfernung von tatsächlichen Studenten. Politische Entscheidungsträger und Ökonomen beziehen sich im Allgemeinen auf Kinder in der Gesamtheit und betrachten sie offenbar hauptsächlich als eine Quelle von zu knirschenden Zahlen. Sie tun dies sogar noch mehr als Berater und Superintendenten, die mehr tun als Schulleiter, die mehr tun als Lehrer. Die besten Lehrkräfte tendieren dazu, vor ernsthaften Diskussionen über die Vorteile von “datengetriebenem Unterricht”, die Verwendung von “Datencoaches”, “Datenwänden” und dergleichen zurückzuschrecken.
Erschwerend kommt hinzu, dass die fraglichen Daten in der Regel nur standardisierte Testergebnisse sind – auch wenn, wie ich an anderer Stelle erläutert habe, dies nicht der einzige Grund ist, durch diese Datenverlangsamung gestört zu werden. Und es hilft nicht, wenn der Prozess der Quantifizierung von Kindern (und Lernen) mit Adjektiven wie “personalisiert” oder “angepasst” geschmückt ist.
Aber hier ist die Frage von heute: Wenn uns das Sammeln und Sortieren von Daten über Studenten beunruhigt, wie sollten wir uns über die wachsende Rolle von Big Data fühlen?
Beginnen wir damit, dass dieser Begriff keine präzise Bedeutung zu haben scheint. Manche Leute nehmen an, dass es sich nur auf das Sammeln von mehr numerischen Informationen bezieht. Einige sagen, es bezieht sich in erster Linie auf die statistischen Modellierungstechniken, die verwendet werden, um Vorhersagen basierend auf den gesammelten Daten zu treffen. Und mindestens ein Autor glaubt, dass der Begriff jetzt hauptsächlich von Kritikern verwendet wird – um sich auf eine besorgniserregende Einstellung gegenüber Daten zu beziehen.
Um fair zu sein, kann das Aufsaugen großer Mengen numerischer Deskriptoren manchmal Muster erkennen und Vorhersagen treffen. Wie eine Luftaufnahme bietet sie eine einzigartige Perspektive, die ihren Nutzen hat. Christian Rudder plädiert in seinem 2014 erschienenen Buch ” Dataclysm” für Big Data und seine Überzeugungskraft mag teilweise darauf beruhen , dass er witzig, unprätentiös, politisch progressiv ist und gerne über Sex spricht. “Es sind nicht Zahlen, die uns unsere Menschlichkeit verweigern; es ist die berechnete Entscheidung, nicht mehr menschlich zu sein “, argumentiert er an einem Punkt.
Aber das, fürchte ich, ist nur eine Version der alten Entrüstung, dass Technologie per se neutral ist, dass alles davon abhängt, wie sie benutzt wird. Inzwischen hätten wir erkennen müssen, dass Methoden die Ziele prägen und insbesondere die Technik einen kausalen Einfluss hat. (Lies Neil Postmans Amusing Usher to Death und Nicholas Carrs The Shallows, wenn du noch nicht überzeugt bist.) Die rücksichtslose Reduktion von Menschen auf Zahlen ist anstößig, egal was mit diesen Zahlen gemacht wird. Eine Luftaufnahme kann per definitionem die Individualität der Menschen vor Ort nicht erfassen, und es gibt einen Preis, wenn wir unsere Tage damit verbringen, die Menschheit – oder sogar Literatur [1] – auf diese Weise zu betrachten.
Ein Teil des Problems besteht darin, dass wir die Bedeutung dessen, was sich für die Datenanalyse nicht eignet, ignorieren oder minimieren. Es ist eher wie der alte Witz über den Kerl, der nachts in der Nähe einer Straßenlaterne nach seinen verlorenen Schlüsseln sucht, obwohl er sie dort nicht abgelegt hat. (“Aber das Licht ist hier so viel besser!”) Kein Wunder, dass die Bildungsforschung, die zunehmend von Ökonomen betrieben wird, zunehmend auf riesige Datensätze angewiesen ist, die aus standardisierten Testergebnissen bestehen. Diese Punkte können lausige Darstellungen des Lernens sein – und in der Tat ungeheuer irreführend. Aber durch Kaugummi sind sie sicher verfügbar.
“Was ist ausgelassen?”, Dann ist eine kritische Frage zu stellen. Ein anderer ist: “Wer profitiert davon?” Noam Scheiber, ein Reporter, der sich mit Arbeitsplatzproblemen beschäftigt, hat kürzlich beobachtet, dass große Daten “die Machtasymmetrie zwischen Ausbeutern und Ausbeutern massiv erhöhen”. (Mehr dazu finden Sie bei Cathy O’Neil Buch Weapons of Math Destruction [2]) Und diese Fragen müssen ebenso wie anderswo nach Big Data in der Bildung gefragt werden. Im Zusammenhang mit der K-12-Schulbildung sind, wie bereits erwähnt, standardisierte Testergebnisse erforderlich – nicht nur eine summative Prüfung und oft eine High-Stakes-Prüfung, sondern ein unerbittliches Testprogramm (neu verpackt als “formative Beurteilung”). Das soll das Unterrichten das ganze Jahr hindurch vorantreiben. In letzter Zeit hat die selbe reduktive Sensibilität unter dem Motto “Lernergebnis-Assessment” in die Hochschulbildung ausgewandert, sehr zur Bestürzung vieler, die dort lehren.
Aber “Daten” im College können sich auch auf Grade beziehen. [3] Eine interessante Fallstudie erschien Anfang 2017 in einem größtenteils unkritischen Bericht, der in der New York Times erschien . Es scheint, dass verschiedene Unternehmen Universitäten davon überzeugt haben, für Computerprogramme zu bezahlen, die Predictive Analytics verwenden, um den Fortschritt der Schüler zu überwachen, wobei die Idee darin liegt, herauszufinden, wann ein niedriger Grad in einem bestimmten Kurs mit einem Risiko verbunden sein könnte, irgendwann auszufallen. “Unsere Big Data müssen nicht genau wissen, warum ein Schüler eine schlechte Note bekommt”, erklärte ein Administrator. “Wir schauen uns ein Muster an.”
Was die Datenanalytiker vermitteln, ist die Fähigkeit, mehr Zahlen zu knacken, nicht nur auf GPAs, sondern auch auf die individuellen Kursnoten aller (Schüler). Beachten Sie, dass niemand vorschlägt, Probleme zu erkennen, indem er sich mit den Schülern hinsetzt und sie fragt, wie es läuft – zumindest nicht, bis der Computer diejenigen kennzeichnet, die Probleme haben. Die Risikodiagnose basiert auf dem, was die Software über ihre Noten sagt und nicht darauf, was die Schüler selbst sagen.
Darüber hinaus sind wir eingeladen zu akzeptieren, dass, wenn die Schüler in diesem Kurs keine gute Note bekommen, sie dies wahrscheinlich auch nicht tun werden – und dies spiegelt einen Mangel an den Schülern wider und nicht die Qualität der Kurse – was ist unterrichtet werden und wie. Die Aufregung um Big Data – mehr Zahlen als je zuvor! – ist eine verführerische Ablenkung von beunruhigenden Fragen darüber, was diese Zahlen darstellen. Oder was sie unbedingt ausschließen.
In Analogie zu diesen weit verbreiteten Behauptungen, dass “Studien zeigen”, ist es vorteilhaft, Schüler in fortgeschrittenen Mathematik-Kurse in der High School zu machen. Solche Behauptungen werden ehrerbietig zitiert, obwohl sie ein Lehrbuchbeispiel für einen so genannten Selektionseffekt bieten: Es ist nicht so sehr, dass das Rechnen den Schülern hilft, sondern dass die Arten von Schülern, die das Kalkül nehmen, ohnehin später gut laufen würden. Zweitens, “nützlich” bedeutet oft “korreliert mit dem Erfolg in späteren Mathe-Kursen”, was die Frage aufwirft, warum die überwiegende Mehrheit der Schüler eine von ihnen nehmen muss. [4] (Die Forschung beweist auch überzeugend, dass es vorteilhaft ist, Latin 1 zu nehmen … in dem Sinne, dass dies die eigenen Noten in Latin 2 erheblich verbessern wird.) Mein Punkt ist, dass das gleiche gilt für Aussagen über den Wert von Knackdaten Intro-Kurse, in denen es wichtig ist, eine gute Note zu bekommen.
Jeder, der den Enthusiasmus für die Ausbildung von Schülern beobachtet hat, um mehr “Grit” zu zeigen oder eine “Wachstumsmeinung” zu entwickeln, sollte wissen, was es bedeutet, sich auf das Fixieren des Kindes zu konzentrieren, damit er sich besser an das System anpassen kann, als unbequeme Fragen zu stellen System selbst. Big Data gibt uns im Grunde mehr Informationen, basierend auf Noten, welche Kinder repariert werden müssen (und wie und wann), sodass es noch weniger wahrscheinlich ist, dass jemand denkt, die destruktiven Effekte von – und Alternativen zu – der Praxis der Benotung von Schülern in Frage zu stellen . [5]
Predictive Analytics ermöglicht es Administratoren, zu glauben, dass sie ihre Gebühren im Auge behalten, während sie tatsächlich nichts über die Erfahrungen des Studenten in Bezug auf das College, seine Bedürfnisse, Ängste, Hoffnungen, Überzeugungen und Geisteszustände lernen. Das Erstellen eines “personalisierten” Datensatzes unterstreicht, wie persönlich die Interaktion mit den Studenten ist, und sie kann dieses Problem sogar noch verschärfen. Zur gleichen Zeit, in der dieser Ansatz den Menschen auf einen Haufen akademischer Leistungsdaten reduziert, entmutigt er auch kritisches Denken darüber, wie sich das System, einschließlich Lehren und Bewerten, auf diese Menschen auswirkt.
Keine dieser Einwände wird angesprochen, indem auch Daten über andere Aspekte des Lebens von Studenten gesammelt werden. Derselbe Artikel in der New York Times beschreibt ein Experiment, bei dem “Erstsemester erfasst werden … während sie ihre Ausweise ziehen, um in die Bibliothek oder das Fitnessstudio zu gehen, ein Essen in der Cafeteria zu bezahlen oder ein Sweatshirt im Buchladen zu kaufen” Interaktion. “Diese Daten erlauben uns nicht zu behaupten, dass wir einen bestimmten Schüler kennen. Sie veranlassen uns auch nicht, strukturelle Probleme mit ihrer Ausbildung zu untersuchen. Was die Erweiterung von Big Data bewirkt, wirft zusätzliche Besorgnis über Big Brother auf, da mehr Aktivitäten von Studenten überwacht werden. (Es weist auch auf die beunruhigende Möglichkeit hin, dass einige Schulen gefährdete Schüler anweisen könnten, ihnen nicht zu helfen, sondern sie loszuwerden, um die rechtzeitige Abschlussquote der Einrichtung zu verbessern.)
Wenn Pädagogen Schüler auf Daten reduzieren, verpassen sie eine Menge. Wenn sie sich auf Big Data verlassen, können sie die Situation noch verschlimmern.
ANMERKUNGEN
1. Ja, die Zahlknacker haben es sich zur Aufgabe gemacht, anhand von Computertabellen über das Auftreten bestimmter Wörter in einer umfangreichen Sammlung von Büchern Rückschlüsse auf die Literatur zu ziehen. Wenn Ihre Reaktion darauf beruht, dass etwas Wichtiges übersehen wurde, wäre wahrscheinlich die gleiche Reaktion angemessen, wenn große Daten für Bildung oder Psychologie verwendet werden.
2. Siehe auch Frank Pasquales Black Box Society und diese Bibliographie anderer Kritiken. Für einen kurzen Überblick über methodische Belange – eine Erinnerung, dass die Daten oft viel weniger sagen, als wir annehmen, siehe diesen Aufsatz.
3. Dies sollte eine nützliche Erinnerung daran sein, dass das Problem nicht nur bei einer bestimmten Messgröße liegt, sondern auch bei der Quantifizierung selbst. Anstatt zu fragen “Wie messen wir …?” Sollten Pädagogen und politische Entscheidungsträger fragen: “Wie beurteilen wir …?”, Um zu verhindern, dass sie sich in die Teilmenge der Bewertung einklinken, die eine Reduktion auf Zahlen erfordert.
4. Zum ersten Punkt siehe den verstorbenen Grant Wiggins, “Ein Diplom, das es wert ist”, Educational Leadership , März 2011, S. 31-2. Zum zweiten Punkt, siehe Andrew Hacker, The Math Myth – Und andere Stammwahn (New Press, 2016). Siehe auch Nicholson Baker, “Falsche Antwort: Der Fall gegen Algebra II”, Harper’s , September 2013, S. 31-8.
5. Ich habe gehört, dass Manager unter dem Einfluss des Management-Gurus W. Edwards Deming, als ein Fließbandarbeiter bei Toyota versagte, ihm die Hand schütteln und ihm dafür danken würden, dass er geholfen hat, einen Designfehler im System zu entlarven. Diese Manager erkannten, dass das System in erster Linie für den Erfolg oder Misserfolg von Personen am Arbeitsplatz verantwortlich ist – was darauf hindeutet, dass die Belohnung oder Bestrafung von Menschen (zum Beispiel mit Incentive-Plänen und anderen Pay-for-Performance-Programmen) nicht nur manipulativ und destruktiv ist intrinsische Motivation, sondern auch einfach eine Übung, um den Punkt zu verfehlen.
