Genom att samla in och analysera information om elevernas prestationer, närvaro och mående kan skolor enklare följa upp och utveckla undervisningskvaliteten och se till så att fler uppnår målen. Arbetet görs i mångt och mycket redan på skolor i landet – men det saknas kompetens och systematik, menar Robert Hegestedt, doktorand i data- och systemvetenskap på Stockholms universitet.
Datadrivet arbete i skolan – Nyckeln till bättre utbildningskvalitet
Skola Genom att samla in och analysera information om elevernas prestationer, närvaro och mående kan skolor enklare följa upp och utveckla undervisningskvaliteten och se till så att fler uppnår målen. Arbetet görs i mångt och mycket redan på skolor i landet – men det saknas kompetens och systematik, menar Robert Hegestedt, doktorand i data- och systemvetenskap på Stockholms universitet.

Foto: Åsa Karlén/Stockholms universitet
Någonting är fel
Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.
Kvalitetsmagasinet premium
Läs vidare – starta din prenumeration
Redan prenumerant? Logga in och läs vidare.
Datadrivet arbete innebär att systematisk samla in information om skolans verksamhet för att skapa en tydlig bild av styrkor och svagheter. Viktiga mätpunkter är meritvärden, elevers och lärares nöjdhet genom Skolenkäten, närvaro och relationen mellan resultat på nationella prov och slutbetyg.
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


