Datengestützte Schulentwicklung

Das EMSE-Netzwerk ist ein unabhängiges, institutionen- und länderübergreifendes Netzwerk zur „empiriegestützten Schulentwicklung“.

Weitere Informationen erhalten Sie unter: EMSE-Netzwerk – Universität Bielefeld (uni-bielefeld.de)

„große Daten“ – sind umfangreiche Datenerhebungen; sie umfassen systemweite, aggregierte Datenmengen, um Schulsysteme zu verbessern. Sie werden mit Hilfe digitaler Technologien analysiert und z.B. in einem Dashboard zusammengefasst. 

• Landesweiter Lernstandserhebungen / Vergleichsarbeiten (z. B. Jahrgangsstufentest, Grundwissenstest, VERA)
• Statistische Kennzahlen, die von Schulträgern, Schulaufsicht etc. erstellt werden (ASV, ASD)
• Monitoringverfahren ausgewählter Bundesländer
• Ergebnisse von zentralen Abschlussprüfungen
• Studien zu Schulleistungsvergleichen (z. B. PISA; IGLU; TIMSS)
• Bildungsstatistiken zu Abschlussquoten, Notenschnitten, Einfluss sozialer Faktoren etc.
• usw.

„kleine Daten“ – sind spezifische und kontextbezogene Daten. Sie geben Einblicke in individuelle Lehr- und Lernprozesse, um passgenaue pädagogische Interventionen daraus zu entwickeln und den Schulalltag für alle Beteiligten zu optimieren.

• Kollegiale Hospitation
• Interview
• Systematisches Feedback in der Schulgemeinschaft, z.B. Schülerfeedback, Elternfeedback
• Befragungen in der Schulgemeinschaft
• Schriftliche Leistungserhebungen
• Lernstandsaufzeichnungen (z. B. Beobachtungen, individuelle Leistungsanalysen wie Portfolio/Lapbook)
• Fehlzeitenanalyse
• Evaluation einzelner Schulprojekte
• usw.

Die für die Schulentwicklung erhobenen Daten lassen sich in verschiedene Aspekte einordnen (vgl. Demski et al., 2012; Schulte et al., 2016):  

• Art der Daten: quantitative Daten (d. h. Zahlen und Graphen als Ergebnis, z. B. Vergleichsarbeiten, PISA) versus qualitative Daten (Worterklärungen mit Interpretationen, z. B. Individualfeedback, Beobachtung, Interview); eine Mischform stellt dabei z. B. eine Umfrage dar
• Erhebung der Daten: schulintern, schulextern oder übergreifend
• Aussageebene: Bildungssystem, Schule, Klasse, Einzelfach, Lehrerschaft, Eltern und Erziehungsberechtigte, Schülerin/Schüler etc.

Somit ergibt sich eine große Datenmenge auf verschiedenen Ebenen und die Vorteile der einzelnen Datenerhebungsverfahren können genutzt werden (siehe auch hier).

 

• Ermöglichung einer systematischen, anstatt willkürlichen Qualitätsentwicklung;
• Erfassung des Ist-Werts und Abgleich mit Soll-Wert;
• Verdeutlichung von Potenzial/Handlungsbedarf einer Schule;
• Blick auf verschiedene Ebenen (Schulebene, Klassenebene, Ebene der Schülerinnen und Schüler);
• Nutzung verschiedener Quellen (externe Evaluation, interne Evaluation, Feedback, Unterrichtsbeobachtung, Schülerleistungsstudien etc.) je nach Bedarf;
• detaillierte Analyse externer und interner Daten;
• Erfüllung von Gütekriterien der diagnostischen Messinstrumente (Reliabilität, Objektivität, Validität) im Sinne der klassischen Testtheorie;
• Datenerhebungen als gemeinsame Grundlage für Gespräche und Zielvereinbarungen mit den jeweiligen Schulaufsichten (weitere Informationen: Einführung in die datengestützte Schulentwicklung unter: Onlineportal für die Schulaufsicht) 

Datenbasierte Schulentwicklung ermöglicht eine genaue Erfassung des Ist-Werts (= momentan gemessener Wert, z. B. Ergebnisse einer Lernstandserhebung) und ein anschließendes Abgleichen mit dem Soll-Wert (= angestrebter Wert eines quantitativen Merkmales eines Systems, z. B. Bildungsstandards). Das bayerische Qualitätstableau „Bayern macht gute Schule“ kann bei der Formulierung eines angestrebten Zielzustandes helfen und dient somit als Grundlage für eine datengestützte Schulentwicklung. Es orientiert sich an zentralen Merkmalen von Schul- und Unterrichtsqualität, welche anhand von verschiedenen Modulen beschrieben werden, beispielsweise Modul A: Lehren und Lernen. Die Module können mithilfe von konkreten Indikatoren erfasst und messbar gemacht werden.

Durch das Aufzeigen von Diskrepanzen zwischen Ist- und Soll-Wert können also Zielerreichungen überprüft werden und anschließend bisherige Ziele und Maßnahmen angepasst sowie neue Ziele und Maßnahmen gesetzt werden. All das wird im Schulentwicklungsprogramm festgehalten, welches die kurz- und mittelfristigen schulischen Entwicklungsziele der Einzelschule zu einem Handlungsprogramm bündelt (vgl. BayEUG, Art. 2). Der Leitfaden „Schulentwicklungsprogramm“ soll den Schulen eine praktische Hilfestellung für die Arbeit am und mit dem Instrument anbieten.

Im Kontext von Schulentwicklungsprozessen spielen Bestandsaufnahmen und Diagnosen eine wichtige Rolle, denn sie liefern Erkenntnisse, auf deren Basis systematisch und zielführend weitergearbeitet werden kann. Entwicklungs- und Erhaltungsziele einer Schule werden in einem ca. fünfjährigen Turnus extern evaluiert (s. Qualitätsagentur am Landesamt für Schule, Gunzenhausen: Externe Evaluation), können jedoch auch jederzeit intern evaluiert werden (Interne Evaluation). Selbsteinschätzungsbögen, welche von der Qualitätsagentur am Landesamt für Schule zur Verfügung gestellt werden, bieten Hilfestellung.

Wesentlich für jede Art der Datenerhebung ist, dass die Daten nicht nur erhoben, sondern genutzt werden. Die gemeinsame Analyse und der Austausch über die Ergebnisse, das Datenfeedback, gehören zu den wichtigsten Arbeitsschritten einer datengestützten Schulentwicklung.

• Selbstcheck zur Überprüfung der Qualität von Bildungsmaterialien: Qualitäts-Schnellcheck | twillo
• Medienkompetenz-Navigator: Der Medienkompetenz-Navigator | mebis Magazin (bycs.de)
• Qualitätskriterien für Medienkonzepte: Qualitätskriterien für Medienkonzepte | mebis Magazin (bycs.de)
• Der Nutzen von Schülerfeedback: nutzen.pdf (bayern.de)
• Evaluation von E-Learning-Angeboten: Evaluation von E-Learning-Angeboten | mebis Magazin (bycs.de)
• SELFIE - Instrument für interne Evaluation im Kontext digitaler Schulentwicklung

• Datenbasierte Unterrichtsentwicklung und ihr Zusammenhang zur Schülerleistung: Datenbasierte Unterrichtsentwicklung und ihr Zusammenhang zur Schülerleistung | SpringerLink
• Datengestützte Schulentwicklung - Leit-IDEEN: Impulse für Schulaufischt und Schulleitung (LiGa – Lernen im Ganztag): DatengestuetzteSchulentwicklung_Leitideen_LiGa.pdf (schulaufsicht.de)
• Schul- und Unterrichtsreform durch ergebnisorientierte Steuerung (S. 131-153): Bildungsmonitoring zwischen Berichterstattung und Steuerungsanspruch – Entwicklungslinien und akteurtheoretische Implikationen | SpringerLink
• Wie Schulen lösungsorientiert mit Daten umgehen können: Datengestützte Schulentwicklung: Lösungsorientiert mit Daten umgehenDatengestützte Schulentwicklung - Wie Schulen lösungsorientiert mit Daten umgehen können – (deutsches-schulportal.de)
• 30. EMSE-Fachtagung vom 09. – 10.12.2021 (virtuell) in Stuttgart: Sandy Taut & Roland Seifert: Datengestützte kooperative Unterrichtsentwicklung: Erfahrungen im Rahmen der externen Schulevaluation in Bayern: PowerPoint-Präsentation (uni-bielefeld.de)
• 30. EMSE-Fachtagung vom 09. – 10.12.2021 (virtuell) in Stuttgart: Dr. Kim Schildkamp: Data-informed decision making: from compliance to improvement: Microsoft PowerPoint - Keynote Schildkamp data use (uni-bielefeld.de)

Altrichter, H. (2010): Schul- und Unterrichtsentwicklung durch Datenrückmeldung. In K. M. Merki (Hrsg.). Handbuch Neue Steuerung im Schulsystem. VS, Verlag für Sozialwissenschaften. S. 219-254.

Demski, D., Rosenbusch, C., van Ackeren, I., Clausen, M. & Schmidt, U. (2012): Steuerung von Schule durch evidenzbasierte Einsicht? Konzeption und erste Befunde des Forschungsverbundes EviS. In S. Hornberg (Hrsg.). Deregulierung im Bildungswesen. Münster, Waxmann. S. 131-150.

Deutsche Kinder- und Jugendstiftung (2022). Datengestützte Schulentwicklung. Leit-IDEEN – Impulse für Schulaufsicht und Schulleitung. Abzurufen unter . Zuletzt abgerufen am 02.03.2023

Döring, N. & Bortz, J. (2016): Forschungsmethoden und Evaluation. Wiesbaden, Springerverlag.

Klopsch, B., & Sliwka, A. (2020): Schulqualität als Resultat einer Verschränkung von Systemebenen. Datengestützte Schulentwicklung in der Provinz Alberta, Kanada. Abzurufen unter Schulqualität als Resultat einer Verschränkung von Systemebenen. Datengestützte Schulentwicklung in der Provinz Alberta, Kanada (pedocs.de), zuletzt geöffnet am 01.03.2023

Lichtinger, U. & Rigger, U. (2021): Grundkurs Schulmanagement XXX. Schule wird gelingen mit Flourishing SE. Carl Link Verlag.

Müller, S. (2018): Diagnostizieren und Bestandsaufnahme, in: Buhren, C. G. / Rolff, H.-G.: Handbuch Schulentwicklung und Schulentwicklungsberatung, 2. neu ausgestattete Auflage, Weinheim und Basel, Beltz Verlag, S. 90-108.

Schulte, K., Fickermann, D., & Lücken, M. (2016). Das Hamburger Prozessmodell datengestützter Schulentwicklung. DDS–Die Deutsche Schule, 108(2), 176-190.

Sliwka, A./Klopsch, B. (2024): Das lernende Schulsystem. Paradigmenwechsel in der Bildung, Weinheim und Basel, Beltz-Verlag. 

Wurster, S., Richter, D. & Lenski, A. E. (2017): Datenbasierte Unterrichtsentwicklung und ihr Zusammenhang zur Schülerleistung. Zeitschrift für Erziehungswissenschaft, 20(4), 628-650.

 

Inhaltliche Aufbereitung 2023 in Zusammenarbeit mit Kerstin Schwenkschuster (Praktikantin am ISB, März 2023). Überarbeitung Februar 2025.