David Greger E-mail: david.greger@pedf.cuni.cz Tisková zpráva o přidané hodnotě víceletých gymnázií na základě zjištění longitudinálního výzkumu ClOse.

Prezentace na téma: "David Greger E-mail: david.greger@pedf.cuni.cz Tisková zpráva o přidané hodnotě víceletých gymnázií na základě zjištění longitudinálního výzkumu ClOse."— Transkript prezentace:

1 David Greger E-mail: david.greger@pedf.cuni.cz
Tisková zpráva o přidané hodnotě víceletých gymnázií na základě zjištění longitudinálního výzkumu ClOse David Greger Konference AŘG ČR, , Tábor, Hotel Dvořák

2 Analýzu a interpretaci výzkumu prováděli:
Výzkum CLoSE (Czech Longitudinal Study in Education) je podpořen Grantovou agenturou ČR v rámci projektu „Vztahy mezi dovednostmi, vzděláváním a výsledky na trhu práce: longitudinální studie“, na kterém spolupracují Národohospodářský ústav AV ČR, Pedagogická fakulta Univerzity Karlovy a Národní vzdělávací fond. Analýzu a interpretaci výzkumu prováděli: David Greger, Patrícia Martinková, Adéla Drabinová, Martin Chvál, Jana Straková Na tvorbě testů dále spolupracovali: František Brož, Martina Kekule, Veronika Laufková, Karel Starý, Hana Voňková

3 Zdroje Longitudinální výzkum CLoSE (Czech Longitudinal Study of Education) financovaný GAČR (NHÚ AV, NVF) 2012 – 2018 3 kohorty 2000 předškolních dětí – vstup do povinného vzdělávání 5000 žáků, kteří se účastnili v roce 2011 ve 4. ročníku ZŠ výzkumu IEA TIMSS a PIRLS 2011 – přechod na 2. stupeň ZŠ, respektive VG, dále přechod na střední školu 2000 dospělých, kteří se účastnili v roce 2011 výzkumu OECD PIAAC – sledování po dobu 4 let

4

5 Kohorta 2: „přechod na 2. stupeň ZŠ a VG“, 4. až 9. ročník
Návaznost na výzkum TIMSS & PIRLS 2011 populaci žáků 4. ročníku: 177 škol, N = 4578 žáků. Dostupná data z testů matematiky, čtenářské gramotnosti, dotazník žákovský, školní, rodičovský i dotazník učitelů. CLoSE 5. ročník: Výzkum přechodů žáků na VG (dotazníkové šetření) N = 4438 žáků, 163 škol (215 tříd), z toho 870 (19,6 %) se hlásilo na VG gymnázium a 507 (11,4 %) bylo přijato (58 % úspěšnost). Překryv mezi daty TIMSS and PIRLS and CLoSE 5. ročník: N = 3681 (80 % žáků z původního výzkumu CLoSE). CLoSE 6: N = 6221 žáků. Soubor rozšířen o žáky víceletých gymnázií (1626 studentů ve 43 školách, z toho 180 studentů z původního výběru TIMSS & PIRLS 2011) a 4595 žáků ve 143 základních školách. CLoSE 9: N = 6126 žáků. Z Toho 1637 žáků VG (ze 42 škol) a 4489 žáků ZŠ (140 škol). Současná analýza překryv CLoSE 6. a 9. ročník: 5229 studentů (408 tříd ze 180 škol), kteří absolvovali testy CLOSE z matematiky, českého jazyka, čtenářských dovedností v 6. i v 9. ročníku a vyplnili žákovský dotazník.

6 1. Sociální skladba žáků na ZŠ a VG
Tabulka 1: Počty a podíly žáků a škol dle SES v ZŠ a VG Základní školy Gymnázia N [%] Celkem 3758 1471 SES kvintil žáka   SES 1 (-2.74, -0.88) 976 25.96 71 4.83   SES 2 (-0.89, -0.24) 885 23.54 161 10.94   SES 3 (-0.25, 0.30) 813 21.63 239 16.25   SES 4 ( 0.31, 0.98) 644 17.13 397 26.99   SES 5 ( 0.99, 2.03) 441 11.73 603 40.99 SES kvintil školy   SES 1 (-1.29, -0.48) 44 31.88 0.00   SES 2 (-0.49, -0.20) 43 31.16   SES 3 (-0.21, 0.07) 32 23.19 3 7.14   SES 4 ( 0.08, 0.53) 15 10.87 14 33.33   SES 5 (0.54, 1.16) 4 2.90 25 59.52 50 % 68 %

7 Sociální skladba žáků na ZŠ a VG
Data CLoSE potvrzují zjištění předchozích výzkumů a dokládají, že na víceletých gymnáziích studují žáci z výrazně podnětnějšího rodinného zázemí. Když rozdělíme žáky dle sociálně-ekonomického statusu rodiny (SES –kombinace vzdělání rodičů, prestiž povolání a počet knih v domácnosti) do pěti skupin, 68 % žáků gymnázií tvoří žáci z dvou nejvyšších skupin SES, zatímco na základních školách je žáků s takto podnětným rodinným zázemím jen 28 %. Naopak, ze dvou pětin žáků z rodin s nižším sociálně-ekonomickým statusem jich je na gymnáziích jen necelých 16 %, zatímco na základních školách tvoří tito žáci celou polovinu žáků. Nicméně i mezi základními školami jsou velké rozdíly v sociální skladbě žáků a 13 % ZŠ má podobnou skladbu žáků jako víceletá gymnázia (školy výběrové, soukromé či jinak prestižní)

8

9 Graf: Procento rozptylu výsledků v matematice vysvětleného sociálně-ekonomickým statusem žáka a sociálně–ekonomickým statusem školy (TIMSS 2011, 4. ročník ZŠ, na základě HLM modelů).

10 2. Rozdíly ve výsledcích dívek a chlapců
Tabulka 1: Podíly žáků dle pohlaví na ZŠ a VG (data CLoSE) Základní školy Gymnázia N [%] Pohlaví žáka   Dívky 1793 47.70 754 51.26   Chlapci 1966 52.30 717 48.74 Z úplných dat 6127 žáků ve výzkumu v ročníku CLoSE plyne, že na VG je 52,2 % dívek; Dle statistik MŠMT je ve VG celkem 54 % dívek. Z výsledků výzkumů mezinárodních i domácích výzkumů víme, že děvčata mají lepší výsledky v českém jazyce a chlapci zase v matematice. Ale vzhledem k tomu, že nemáme longitudinální/panelová data, nevíme nic o tom, jak se výsledky chlapců a dívek vyvíjejí v čase.

11 Tabulka 3. Průměrné výsledky chlapců a dívek v testech v 9. ročníku
Rozdíly ve výsledcích dívek a chlapců Tabulka 2. Průměrné výsledky chlapců a dívek v testech v 6. ročníku testy CLoSE Matematika Čtenářské dovednosti Jazykové dovednosti Chlapci -0.16 -0.41 -0.44 Dívky -0.20 -0.21 -0.10 Vyšší hodnota (lepší výsledek v testu) tučně; všechny rozdíly statisticky významné; Dívky jsou lepší v českém jazyce, chlapci v matematice; Největší rozdíl mezi chlapci a děvčaty je v jazykové gramotnosti; Tabulka 3. Průměrné výsledky chlapců a dívek v testech v 9. ročníku Matematika Čtenářské dovednosti Jazykové dovednosti Chlapci 0.34 0.35 0.13 Dívky 0.21 0.43 0.59

12 Rozdíly ve výsledcích dívek a chlapců
Tabulka 4. Rozdíly průměrů v 6. a 9. ročníku (vyjadřuje posun chlapců a dívek). Matematika Čtenářská gramotnost Jazykové dovednosti Chlapci 0.51 0.76 0.57 Dívky 0.41 0.64 0.69 Chlapci se zlepšují více než děvčata v matematice (rozdíly se zvyšují) a čtenářské gramotnosti (rozdíly se snižují), dívky naopak v jazykových dovednostech (rozdíly se zvyšují) To může mít i implikace pro vzdělávací politiku. Přijímací zkoušky na SŠ obsahují test z matematiky a českého jazyka. Test z jazyka kombinuje jak zjišťování čtenářské gramotnosti (v menší míře), tak i jazykové dovednosti (ve větší míře), naše data naznačují, že taková skladba testu může více zvýhodňovat dívky. Bylo by třeba ověřit na datech z přijímacího řízení pořádaného CERMATEM.

13 3. Výsledky žáků víceletých gymnázií a základních škol v 9
3. Výsledky žáků víceletých gymnázií a základních škol v 9. ročníku (kvartě) Tabulka 5: Počty a podíly žáků dle výsledků v 9. třídě v jednotlivých typech škol. Základní školy Gymnázia N [%] Celkem 3758 1471 Matematika   M 1 (-2.59, -0.59) 989 26,31 57 3,87   M 2 (-0.60, -0.04) 940 25,01 106 7,21   M 3 (-0.05, 0.51] 814 21,65 232 15,77   M 4 (0.52, 1.18] 617 16,41 429 29,16   M 5 (1.19, 2.49] 399 10,61 647 43,96 Čtenářská gramotnost Č 1 (-2.53, -0.30) 1004 26,71 42 2,86 Č 2 (-0.31, 0.22) 898 23,89 148 10,06 Č 3 (0.22, 0.64) 808 21,50 238 16,18 Č 4 (0.64, 1.10) 608 16,17 438 29,76 Č 5 (1.10, 2.47) 441 11,73 605 41,13 11 % 13 %

14 A jaká je tedy přidaná hodnota škol
A jaká je tedy přidaná hodnota škol? A liší se přidaná hodnota základních škol a víceletých gymnázii?

15 Co je to přidaná hodnota a jak se může měřit?
Výsledky žáků z velké míry ovlivňuje rodinné prostředí, dispozice žáků, vliv vrstevnické skupiny aj. Rozvoj zvláště v reakci na determinismus a pesimismus sociologických studií (Coleman 1966, Jencks 1972) ukazujících na malý význam/efekt školy na výsledky žáků (jen okolo 10 % variance ve výsledcích žáků přisouzených škole), zbytek především charakteristiky žáka (rodinné zázemí, etnicita aj.)

16 Co je to přidaná hodnota a jak se může měřit?
Proti tomu výsledky proudu zvaného efektivita školy, které využívaly longitudinálních dat ukázaly, že na přírůstek vědění (progress, později přidaná hodnota) je vliv školních faktorů vyšší větší, a dokonce mnohdy výraznější než efekt rodinného zázemí. Např. P. Sammonsová (1984) zjistila, že v posunu žáků mezi 1. a 3. ročníkem vzdělávání ze vysvětlit školními faktory 24 % rozdílů, zatímco faktory rodinného zázemí je 7 %. Rozvinul se vleký proud výzkumů, který identifikuje, které charakteristiky škol přispívají k větší „efektivitě“ vzdělávání.

17 Přidaná hodnota a její měření (definice OECD)
„Modely přidané hodnoty měří příspěvek školy k pokroku žáka vůči předem určeným školním vzdělávacím cílům. Příspěvek je očištěná hodnota od jiných faktorů, které také přispívají k pokroku žáka v učení.“ „Modely zjišťování přidané hodnoty jsou třídou statistických modelů, které se užívají k určení odhadu příspěvku školy k žákově učení měřenému pomocí trajektorií testových skóre.“

18 Přidaná hodnota Cílem měření přidané hodnoty je očistit výsledky žáků právě o složky, které nejsou výsledkem pedagogického působení školy (rodinné zázemí, pohlaví, selekce, i peer. efekt) a tak případně i férově hodnotit výsledky jednotlivých škol, než vyjádřením hrubého skóru. Jde o statistické modely pro určení posunu žáka, který můžeme připsat působení školy, nejde o obecný význam že nic nepřidávají.

19 Měření přidané hodnoty (různé modely, různé odpovědi)
Vždy je třeba kontrolovat pro předchozí výsledky žáků (v čase 1, u nás 6. ročník) Pokud jsou data k dispozici, je třeba kontrolovat i sociální složení žáků /na úrovni žáka i školy. Různé statistické postupy (smíšené lineární modely, propensity score matching)

20 Zlepšení jednotlivých škol mezi 6. a 9. ročníkem povinného vzdělávání

21 Výsledky ZŠ a VG Matematika Čtenářská gramotnost Jazykové dovednosti

22 Různé modely přidané hodnoty přinášejí odlišné odpovědi
Jednodušší model (zohledňuje jen výsledky v 6. ročníku) Lepší model (zohledňuje jen výsledky v 6. ročníku, i dalších charakteristiky školy)

23 matematiky, čtení a gramatiky v 9.ročníku
Odhady efektů v modelech znalosti matematiky, čtení a gramatiky v 9. ročníku s příslušnými p-hodnotami. Matematika Čtení Gramatika Odhad p-hodnota Hlavní efekty   Absolutní člen 0.336 <0.001* 0.495 0.615   Skóre v 6. ročníku 0.783 0.542 0.627   Chlapec 0.098 0.059 0.002* -0.257   SES žáka 0.074 0.099 0.089   SES školy 0.108 0.045* 0.123 0.047 0.287   Víceletá gymnázia 0.046 0.583 0.164 0.006* 0.088 0.198 Interakce s gymnázii -0.194 -0.229 -0.182 0.060 0.130 -0.088 0.015* 0.053 0.146 -0.029 0.235 -0.028 0.215 -0.041 0.064+ 0.244 0.114 0.206 0.176 0.096+ * označuje faktory, které v modelu byly signifikantní na hladině 0,05. + označuje faktory, které v modelu byly signifikantní na hladině 0,10. matematiky, čtení a gramatiky v 9.ročníku Odhady efektů v modelech znalosti s příslušnými p-hodnotami.

24 Výsledná zjištění Podrobnější model je lepší pro vyjádření přidané hodnoty školy. Proto prezentujeme především jeho výsledky, které ukázaly, že VG nemají v průměru vyšší přidanou hodnotu než ZŠ v matematice a jazykových dovednostech. Naopak přidanou hodnotu VG jsme potvrdili v případě čtenářské gramotnosti.

25 Výsledná zjištění Základní školy i víceletá gymnázia mohou mít výraznou a nadprůměrnou přidanou hodnotu, nebo naopak podprůměrnou. Ukazuje se, že VG i výběrové základní školy těží především z podnětnosti žákovských kolektivů a jejich vzájemného působení (efekt vrstevníků) Pojem přidaná hodnota je třeba chápat jako statisticky počítaný přírůstek znalostí (dovedností) za určité období, nikoliv jako slovo, že gymnázia nic nepřinášejí (dětem a rodičům)

26 Proč ses hlásil/a na 8G? (v %) CLOSE 2012

27 Jaká jsou tvá očekávání od studia na 8G (v %) CLoSE 2012

28 A co z toho plyne pro rozhodování rodičů a jednotlivých dětí?
Je třeba zvažovat každou konkrétní školu (ZŠ i gymnázium) dle jejich charakteristik. A vycházet ze znalosti svého dítěte. Ne každé dítě se zlepší na VG a ne každé VG přidává více než ZŠ. Záleží na konkrétní škole.

29 Graf zlepšení modelových žáků v matematice

30 Graf zlepšení modelových žáků v matematice (s konfidenčními intervaly)

31 A co z výzkumu plyne pro vzdělávací politiku?
Je třeba se zamyslet nad rolí selektivity v českém vzdělávacím systému (nejde jen o gymnázia, ale i o selektivní základní školy) a možnými řešeními a jejich důsledky. Neznamená to zrušit víceletá gymnázia, jak někteří zjednodušeně uvádí. Je třeba uvažovat o lepším hodnocení kvality škol, než je srovnání nesrovnatelných průměrů výsledků žáků a je třeba zohledňovat kontext.

32 Děkuji za pozornost! david.greger@pedf.cuni.cz