 |
Ideální učitel by odhadl skutečné pořadí četnosti chyb a své značky by umístil přesně na modrou osu. Nejlepší učitel byl ten s kroužky. Učitel s křížky nemá tušení (a koreluje negativně), jenže dost mimo je i střední učitel s čtverečky. Zdroj: Neil Brown, Educator Beliefs vs Student Data
|
Nechci v tomhle krátkém příspěvku zabřednout do nuancí, ani nepředkládám jednoduché řešení (ano, cesta od teoretického poznatku k využití ve třídě je dlouhá, a výzkumníci tomu ne vždy pomáhají). Chci jen upozornit na zajímavý výzkum, na kterém ukážu, jak je spoleh na vlastní úsudek nebezpečný.
Příklad: chyby při programování v Javě
Neil Brown a Amjad Altadmri z Univerzity v Kentu se zajímali o to, jaké chyby studenti dělají při programování v Javě a jaké chyby od nich očekávají učitelé (čerpal jsem z popisu stručně a lidsky, dostupný je i vědecký článek).Motivací je pochopitelný předpoklad, že dobrý učitel má studentům pomoci přestat ty chyby dělat, a že jim to půjde snáz, když budou relevantní chyby očekávat. Výzkumníci určili typické chyby, např. zmatení kulatých a hranatých závorek, volání metod se špatnými typy parametrů, záměna porovnání a přiřazení. Učitele požádali, aby chyby seřadili podle četnosti výskytu. Studenty nechali ty chyby prostě udělat, a pak je spočítali a seřadili.
Zajímalo je, nakolik se vzájemně shodují názory 76 zúčastněných učitelů a nakolik se názory učitelů shodují se skutečnou četností chyb (resp. s pořadím podle četností). Výpočet Spearmanova koeficientu pořadové korelace ukázal, že se učitelé shodují překvapivě málo (0,400 — čím blíž k 1, tím lepší shoda). Že se málo shodují s realitou, už pak překvapení není (názory celé skupiny učitelů se různí, takže skutečným hodnotám jich bude zákonitě odpovídat jen málo). Vysvětlení se nabízelo: mezi učiteli bylo mnoho začátečníků, třeba výsledky „kazili“. Autoři tedy zkusili vybrat jen zkušené učitele. Výsledek byl stejný!
Není na místě začít ukazovat na učitele s tím, že neví, co dělají. Výsledky studie lze interpretovat všelijak. Myslím ale, že jde o pěknou ukázku nespolehlivosti vlastního úsudku, zejména pokud jej máme zobecnit (třeba byl odhad učitelů pro jejich vlastní třídy správný).
Přidám ještě pozitivnější a hlavně využitelnější ukázku. Výzkum např. ukázal, jak zlidštěné chybové hlášky (např. „S tímhle nevím, co mám dělat, tak zkusím prostě pokračovat dalším krokem“ spolu se smutným obličejem herní postavičky místo obvyklejšího „Syntax error“) pomáhají studentům vytrvat a ve výsledku se víc naučit.
Závěrem
Didaktika je humanitní věda a jako taková trpí poněkud nepříjemnou vlastností. Její výsledky, když už je máme, často působí triviálně. Zejména technicky zaměřeným lidem (např. mnoha informatikům) tak připadá, že se didaktika zaměřuje na zbytečné pitvání věcí, na které přece stačí zdravý rozum. Něco ale přehlíží: chtějí se tady spoléhat na stejný zdravý rozum, který nám říká, že Země je přece placatá, stroje těžší vzduchu přece nemohou létat a programování přece zvládnou jedině nadaní žáci (a jednou za dva roky možná i jedna žákyně).Nejpozději od střední školy a dál se učíme, jak se nenechat ošálit vlastními dojmy a co je na světě jinak, než se na první pohled zdá. Není důvod, aby vzdělávání fungovalo jinak. Někde se s názorem trefíme, někde ne (příkladů najdeme bohatě třeba v historii). Ale nebudeme to vědět, dokud to pečlivě a metodicky neověříme. Bez didaktiky a výzkumu zbyde jen hádání.
Hezká ukázka toho, že si máme ověřovat, že co dělámě, je správné, protože to nemusí být na první pohled zřejmé. Jen se mi pořád nedaří to propojit s didaktikou. Pravděpodobně si máme myslet, že právě ten učitel, který ví, jaké chyby jeho žáci dělají, učí nejlépe. Hádám, že to ten výzkum neověřoval (nečetl jsem ho). Kdyby to ale byla pravda, nepotřebujeme žádné didaktické teorie a spousty vědátorů by přišlo o práci. Pak by nám stačilo umět analyzovat data.
OdpovědětVymazatAno, s tím předpokladem, že znalost typických chyb zlepšuje práci učitele, se tady pracuje. Vlastně je to opřené o koncept pedagogické znalosti obsahu. A ne, výzkum tohle neověřoval (a autoři na nebezpečí zbrklé interpretace upozorňují). To je jedna z těch otravných vlastností vědeckého přístupu a pak jeho výsledků. Pitvá důležité otázky na jednotlivé kousky, které samy o sobě říkají málo. Jenže když se to nerozdělí, tak není jasné, na co vlastně výzkum odpovídá.
VymazatJá myslím, že ten předpoklad pravdivý je (tedy pokud předpokládáme další přiměřené okolnosti, jako třeba že ten učitel se znalostí těch chyb nějak pracuje a výuku jim přizpůsobuje). Protipólem by byl třeba extra vnímavý a intuitivní učitel, který by prostě reagoval na chyby studentů za běhu a učil tak nějak univerzálně. To se mi zdá (pozor! zdravý selský rozum!) nepravděpodobné.
O žádné teorie a vědátory tím ale nepřicházíme. Koneckonců právě ve zmiňovaném výzkumu se ty typické chyby čerpaly z nějakých logů nějakého online kurzu. Ale smyslem analýzy dat je zobecnění, nejspíš tedy ve formě teorie, pokud možno s nějakou predikční schopností. A naopak, máme-li nějakou teorii (třeba že funguje konektivistické učení, ať si rejpnu), tak je ověřujeme na právě na empirických datech. Jasně že v didaktice a pedagogice najdeme teorie, jejichž platnost je podepřena spíš esejistickou prací než daty, koneckonců jsme na humanitní půlce spektra. Ale i z těch se vědci, chtějí-li si tak říkat, snaží ukrajovat a kousek za kouskem podrobovat metodickému ověření souladu s realitou.
A samozřejmě, znalost typických chyb jistě není jediným znakem dobrého učitele. Myslím, že se vědátoři o práci bát nemusí.
Mým záměrem bylo upozornit na existenci celého proudu názorů říkajících, že stačí sebrat dostatečné množství dat a výuku lze na jejich základě řídit téměř automaticky. Prostě by se používaly metody s největším pozitivním efektem. Zbývá tam nějaký prostor pro vědu?
OdpovědětVymazatTo je ale trošku nešťastně položená otázka. Rozhodně bych netvrdil, že sběr a vyhodnocování těch dat není věda. To, že se teď data technicky vzato sbírají snáz a ve větším množství a že máme stále pokročilejší algoritmy pro jejich analýzu na situaci v principu nic nemění. Ještě pořád jsme to my, kdo se musíme rozhodovat, co vlastně chceme (vysoký výkon průměrného žáka? minimum podprůměrných žáků?) a odpovědi na naše otázky v těch datech hledat, pokud to jde. A to s vědomím, že pokud z nějaké metriky uděláme cíl, přestane být dobrou metrikou.
VymazatNo a pak se taky otvirá celá nová oblast: totiž zkoumání, jak vlastně funguje vzdělávání, pokud je informované velkými daty. Samozřejmě je na místě to zkoumat pomocí velkých dat ;-) ale nic to nemění na tom, že otázky klademe nadále my.
Automatické řízení je fajn v nějakém dobře definovaném a poměrně úzkém kontextu ("učím se počítat na Khan Academy"), ale pořád jsme daleko od toho, abychom tak řídili celé vzdělání (dokonce ani "učím se matematiku" by myslím moc nefungovalo).
Přemýšlím, odkud tebou zmiňované názory pramení. Jestli od "klasických" didaktiků (to bych se trochu divil), nebo od techniků, kteří se nějak nachomýtli ke vzdělávání a prostě uplatňují nástroje, na které jsou zvyklí (s určitým rizikem, že se nehodí na danou úlohu, nebo že problémy, které jejich nástroje nevyřeší, prostě ani neuvidí). Ale tohle fakt nevím.
Tento komentář byl odstraněn administrátorem blogu.
OdpovědětVymazatZa mě je to velmi dobře popsané, ale bohužel je to prostě o tom, že většinou to skončí na tom, že většina učitelů umí ovládat tak maximálně software MS Windows a to ještě na úrovni, že zmáčknou čudlík, ono se to nějak zapne a pak si tam najdou tu ikonku, kterou velmi dobře znají.
OdpovědětVymazat