Når forskere snakker om data er det all den informasjonen de samler inn (det empiriske materialet) som de skal analysere og tolke for å komme fram til konklusjoner [1]. Forskerne Schildkamp og Lai presiserer at når vi snakker om data som vi skal bruke i analyser, er det en viktig forutsetning at informasjonen både samles inn og brukes (analyseres) på en systematisk måte [2].
Tynne og tykke data
Se for deg at personen som står foran deg plutselig blunker til deg. Objektivt sett kan vi beskrive dette som at det ene øyelokket lukker og åpner seg raskt. Men hvordan skal du tolke det? Prøver personen å gi deg et tegn? Er det en flørt eller kun en ufrivillig rykning i øyelokket?
Dette eksempelet brukes av antropologen Clifford Geertz [3] for å synliggjøre forskjellen mellom objektive beskrivelser av observasjoner, og den jobben vi må gjøre for finne ut av hvilken mening vi skal legge i det vi ser. Han kalte de objektive beskrivelsene for «tynne», og hans forklaringer og tolkninger betegnet han som «tykke». Disse begrepene brukes også når vi snakker om data. Mer om det under.
I skolen har vi tilgang på en rekke data tilsvarende de objektive beskrivelsene i eksempelet over. Vi kaller dem gjerne for tynne data. Gjennom Nasjonalt Kvalitetsvurderingssystem (NKVS) har vi tilgang til en rekke data om skolen, og det aller meste er kvantitative data – eller tynne data - i form av statistikk om skolen. Disse dataene kommer blant annet fra Elevundersøkelsen, kartlegginger, resultater fra nasjonale prøver og eksamen [4].
Fordeler og utfordringer ved tynne data
Fordelene ved tynne data er mange:
- de kan gi et godt overblikk og gjør det mulig å sammenligne
- de gjør det mulig å foreta beregninger (eks sentralmål, spredningsmål)
- de kan sorteres (frekvensfordeling)
- de kan vise mønstre og utvikling over tid
Hva er så ulempene med tynne data? La oss gå tilbake til eksempelet med «blunket». Hvordan skal vi forstå disse «tynne dataene» og konteksten de kommer fra? Hvilken mening legger vi i dem? Data i seg selv «snakker ikke». Data for eksempel fra nasjonale prøver er abstrakte. Derfor må lærere og skoleledere gjøre et betydelig "oversettelsesarbeid" for at ny kunnskap skal oppleves som relevant for deres praksis [5].
Andre kilder til data
I tillegg til de offentlig tilgjengelige dataene om skolen, har lærere og skoleledere en god del informasjon om livet i skolen som kan gi en dypere forståelse og innsikt. Slike typer data samles gjerne inn mer uformelt [6]. Denne informasjonen kan brukes når lærere og skoleledere skal skape mening av de tynne dataene. Eksempler på kilder til slik informasjon er:
- Elevprodukter og lærerens underveisvurdering av disse
- Observasjon av atferd, for eksempel gjennom lærerens undervisning
- Lederens observasjoner gjennom skolevandring eller ved å «gå i gangene»
- Intervjuer/samtaler: Fokusgrupper, elevsamtaler
- Dokumenter (referater, planer og maler)
Når vi anvender denne typen informasjon til å skape en dypere forståelse av de tynne dataene gjennom analysearbeidet, frembringer vi såkalte «tykke» data.
Kilder
[1] Kleven, T.A. (red) (2002). Innføring i pedagogisk forskningsmetode. En hjelp til kritisk tolkning og vurdering (2. utg.) Oslo: Unipub.
[2] Lai, M., Schildkamp, K. (2013). Data-based Decision Making: An Overview. In: Schildkamp, K., Lai, M., Earl, L. (eds) Data-based Decision Making in Education. Studies in Educational Leadership, vol 17. Springer, Dordrecht. https://doi.org/10.1007/978-94-007-4816-3_2
[3] Wikipedia (2023). Thick Description. Lastet ned 23.02.2023 fra https://en.wikipedia.org/wiki/Thick_description
[4] NOU 2023:1 (2023). Kvalitetsvurdering og kvalitetsutvikling i skolen. Et kunnskapsgrunnlag
[5] Mausethagen, S. (2013). Reshaping teacher professionalism: An analysis of how teachers construct and negotiate professionalism under increasing accountability. (Doktorgradsavhandling). Oslo: Høgskolen i Oslo og Akershus.
[6] Schildkamp, K. (2019). Data-based decision-making for school improvement: Research insights and gaps. Educational Research 2019, 61:3, 257-273, https://doi.org/10.1080/00131881.2019.1625716