यहां आपके लिए अंगूठे का नियम है: शिक्षा में “डेटा” के रोजगार के बारे में एक व्यक्ति का उत्साह वास्तविक छात्रों से उसकी दूरी के लिए सीधे आनुपातिक है। नीति निर्माताओं और अर्थशास्त्री आम तौर पर कुल मिलाकर बच्चों को संदर्भित करते हैं, जाहिर है कि उन्हें अधिक संख्या में स्रोतों के स्रोत के रूप में देखते हैं। वे परामर्शदाताओं और अधीक्षकों से भी अधिक करते हैं, जो इसे प्रिंसिपल से ज्यादा करते हैं, जो शिक्षकों से अधिक करते हैं। वास्तव में, सर्वोत्तम शिक्षक, “डेटा-निर्देशित निर्देश”, “डेटा कोच,” “डेटा दीवारों” और जैसे उपयोग के लाभों के बारे में ईमानदार बात से पीछे हट जाते हैं।
मामलों को और भी खराब बनाना, प्रश्न में डेटा आम तौर पर मानक स्कोर स्कोर होते हैं – भले ही मैंने कहीं और समझाया है, यह इस डेटामैंगरिंग से परेशान होने का एकमात्र कारण नहीं है। और यह मदद नहीं करता है जब बच्चों (और सीखने) को मापने की प्रक्रिया को “वैयक्तिकृत” या “अनुकूलित” जैसे विशेषणों से तंग किया जाता है।
लेकिन आज का सवाल है: यदि छात्रों के बारे में डेटा एकत्रित करना और छेड़छाड़ करना हमें असहज बनाता है, तो हमें बिग डेटा की बढ़ती भूमिका के बारे में कैसा महसूस करना चाहिए?
आइए ध्यान दें कि इस शब्द का एक सटीक अर्थ प्रतीत नहीं होता है। कुछ लोग मानते हैं कि यह सिर्फ अधिक संख्यात्मक जानकारी एकत्र करने के लिए संदर्भित करता है। कुछ कहते हैं कि यह मुख्य रूप से सांख्यिकीय मॉडलिंग तकनीकों को संदर्भित करता है जो कि डेटा एकत्र किए जाने के आधार पर पूर्वानुमान बनाने के लिए उपयोग किया जाता है। और कम से कम एक लेखक का मानना है कि शब्द अब ज्यादातर आलोचकों द्वारा उपयोग किया जाता है – डेटा के प्रति चिंताजनक रूप से पूजा करने के दृष्टिकोण को संदर्भित करने के लिए।
निष्पक्ष होने के लिए, बड़ी संख्या में संख्यात्मक वर्णनकर्ताओं को खाली करने से हम कभी-कभी पैटर्न देखने और भविष्यवाणियां करने की अनुमति दे सकते हैं। एक हवाई दृश्य की तरह, यह एक अद्वितीय परिप्रेक्ष्य प्रदान करता है जिसका उपयोग होता है। क्रिश्चियन रुडर अपनी 2014 की पुस्तक डेटाटाइम्स में बड़े डेटा के लिए एक मामला बनाते हैं , और उनकी प्रेरणा आंशिक रूप से इस तथ्य पर निर्भर हो सकती है कि वह मजाकिया, नम्र, राजनीतिक रूप से प्रगतिशील है, और सेक्स के बारे में बात करना पसंद करता है। “यह संख्याएं नहीं हैं जो हमें हमारी मानवता से इंकार कर देगी; यह मानव होने से रोकने के लिए गणना का निर्णय है, “वह एक बिंदु पर तर्क देता है।
लेकिन यह, मुझे डर है, पुराने कैनर्ड का सिर्फ एक संस्करण है कि प्रौद्योगिकी, प्रति से, तटस्थ है, यह सब कुछ इस बात पर निर्भर करता है कि इसका उपयोग कैसे किया जाता है। अब तक हमें एहसास होना चाहिए था कि विधियों पर विशेष रूप से लक्ष्यों और प्रौद्योगिकी पर छाप छोड़ने का एक कारण प्रभाव पड़ता है। (यदि आप अभी तक विश्वास नहीं कर रहे हैं तो नील पोस्टमैन के अपने आप को मौत और निकोलस कैर के शैलियों को मनोरंजक पढ़ें।) उन संख्याओं के साथ किए गए कार्यों के बावजूद मनुष्यों की बेकार कमी आक्रामक है। परिभाषा के अनुसार एक हवाई दृश्य जमीन पर लोगों की व्यक्तित्व को पकड़ने में विफल रहता है, और अगर हम अपने दिन मानवता को देख रहे हैं – या यहां तक कि साहित्य [1] – इस तरह से भुगतान करने की कीमत है।
समस्या का एक हिस्सा यह है कि हम डेटा एनालिटिक्स को जो कुछ भी उधार नहीं देते हैं, उसके महत्व को अनदेखा या कम करना समाप्त करते हैं। यह उस आदमी के बारे में पुराने मजाक की तरह है जो रात में अपनी खोई हुई चाबियों को सड़क की रोशनी के पास खोजता है, भले ही वह उन्हें छोड़ न दे। (“लेकिन प्रकाश यहां इतना बेहतर है!”) कोई आश्चर्य नहीं कि शिक्षा अनुसंधान – अर्थशास्त्रियों द्वारा तेजी से किया जाता है – मानकीकृत परीक्षण परिणामों से युक्त विशाल डेटा सेट पर तेजी से निर्भर करता है। उन स्कोर सीखने के लुभावना प्रतिनिधित्व हो सकते हैं – और, वास्तव में, भ्रामक रूप से भ्रामक। लेकिन, गम द्वारा, वे निश्चित रूप से आसानी से उपलब्ध हैं।
“क्या छोड़ा गया है?”, तो, पूछने के लिए एक महत्वपूर्ण सवाल है। दूसरा यह है: “इससे कौन लाभान्वित है?” नोएम Scheiber, एक संवाददाता जो कार्यस्थल के मुद्दों को कवर करता है, ने हाल ही में देखा है कि बड़ा डेटा “शोषक और शोषण के बीच बिजली असमानता को बड़े पैमाने पर बढ़ा रहा है।” (इसके लिए, कैथी ओ’नील की जांच करें गणित विनाश के हथियार बुक करें। [2]) और इन प्रश्नों को शिक्षा में बड़े डेटा के बारे में कहीं और पूछने की आवश्यकता है। के -12 स्कूली शिक्षा के संदर्भ में, जैसा कि मैंने पहले ही उल्लेख किया है, इसमें आमतौर पर मानकीकृत परीक्षण स्कोर शामिल होते हैं – न केवल एक सारांशक, और अक्सर उच्च-स्टेक्स, परीक्षा, लेकिन परीक्षण का एक निरंतर नियम (“रचनात्मक मूल्यांकन” के रूप में पुन: संग्रहित) यह पूरे साल शिक्षण को चलाने के लिए है। हाल ही में यह वही अपरिवर्तनीय संवेदनशीलता उच्च शिक्षा में लीचिंग कर रही है, जो “सीखने के परिणामों के मूल्यांकन” के बैनर के तहत वहां पढ़ाने वाले लोगों की निराशा के लिए बहुत अधिक है।
लेकिन कॉलेज में “डेटा” भी ग्रेड का उल्लेख कर सकता है। [3] एक दिलचस्प मामला अध्ययन 2017 की शुरुआत में न्यूयॉर्क टाइम्स में दिखाई देने वाले ज्यादातर अनैतिक खाते में दिखाई दिया। ऐसा लगता है कि विभिन्न कंपनियों ने कंप्यूटर प्रोग्रामों के लिए भुगतान करने के लिए विश्वविद्यालयों को आश्वस्त किया है जो छात्रों की प्रगति की निगरानी के लिए पूर्वानुमानित विश्लेषिकी का उपयोग करते हैं, यह विचार करना चाहिए कि किसी विशेष पाठ्यक्रम में निम्न ग्रेड किसी बिंदु पर बाहर निकलने के जोखिम से जुड़ा हो सकता है। एक प्रशासक ने समझाया, “हमारे बड़े डेटा को यह जानने की जरूरत नहीं है कि एक छात्र को खराब ग्रेड क्यों मिलता है।” “हम एक पैटर्न देख रहे हैं।”
डेटा विश्लेषकों का क्या कहना है कि जीपीए पर न केवल सभी छात्रों को अलग-अलग पाठ्यक्रम ग्रेड पर देखने के लिए अधिक संख्याओं को कम करने की क्षमता है। ध्यान दें कि कोई भी छात्रों के साथ बैठकर समस्याओं से निपटने का प्रस्ताव नहीं दे रहा है और उनसे पूछ रहा है कि चीजें कैसे चल रही हैं – कम से कम तब तक जब तक कंप्यूटर परेशानी न हो। जोखिम निदान इस बात पर आधारित है कि सॉफ्टवेयर अपने ग्रेड के बारे में क्या कहता है, इसके बजाय छात्र स्वयं क्या कह सकते हैं।
इसके अलावा, हमें यह स्वीकार करने के लिए आमंत्रित किया जाता है कि यदि छात्रों को इस कोर्स में कोई अच्छा ग्रेड नहीं मिलता है, तो शायद वे उस में भी नहीं होंगे – और यह पाठ्यक्रमों की गुणवत्ता के बजाय छात्रों के साथ एक कमी को दर्शाता है – क्या है सिखाया जा रहा है और कैसे। बड़े डेटा पर उत्साह – पहले से कहीं अधिक संख्या! – उन संख्याओं का प्रतिनिधित्व करने के बारे में परेशान करने वाले प्रश्नों को प्रस्तुत करने से एक मोहक व्याकुलता है। या वे क्या जरूरी है कि बाहर निकलें।
समानता के अनुसार, उन व्यापक दावों के बारे में सोचें जो “अध्ययन दिखाते हैं” छात्रों को हाई स्कूल में उन्नत गणित पाठ्यक्रम लेने के लिए फायदेमंद है। इस तरह के दावे इस तथ्य के बावजूद सम्मानित रूप से उद्धृत किए गए हैं कि वे चयन प्रभाव कहलाते हुए पाठ्यपुस्तक उदाहरण प्रदान करते हैं: यह इतना नहीं है कि कैलकुस लेने से विद्यार्थियों की मदद मिलती है लेकिन कैलकुस लेने वाले छात्रों के प्रकार बाद में अच्छा प्रदर्शन करेंगे। दूसरा, “फायदेमंद” अक्सर “गणित पाठ्यक्रमों पर सफलता के साथ सहसंबंधित” का अर्थ बनता है, जो सवाल पूछता है कि छात्रों के विशाल बहुमत में से किसी को भी लेने की आवश्यकता क्यों है। [4] (शोध भी दृढ़ता से साबित करता है कि लैटिन 1 लेना फायदेमंद है … इस अर्थ में कि ऐसा करने से लैटिन 2 में किसी के ग्रेड में काफी सुधार होगा।) मेरा मुद्दा यह है कि यह आंकड़ों को क्रंच करने वाले आंकड़ों के मूल्य के बारे में घोषणाओं के बारे में भी सच है परिचय पाठ्यक्रम जहां यह एक अच्छा ग्रेड प्राप्त करने के लिए माना जाता है।
कोई भी जिसने छात्रों को प्रशिक्षण देने के लिए उत्साह देखा है, “ग्रिट” या “विकास मानसिकता” विकसित करने के लिए यह जानना चाहिए कि बच्चे को ठीक करने पर ध्यान केंद्रित करने का क्या अर्थ है, ताकि वह इस बारे में असुविधाजनक प्रश्न पूछने के बजाय सिस्टम के अनुकूल हो सके सिस्टम ही बड़े डेटा मूल रूप से ग्रेड के आधार पर हमें अधिक जानकारी देते हैं, जिसके बारे में बच्चों को फिक्सिंग (और कैसे और कब) की आवश्यकता होती है, जिससे यह कम संभावना है कि कोई भी विनाशकारी प्रभावों को चुनौती देने के लिए सोचता है – और विकल्पों का पता लगाने के लिए – ग्रेडिंग छात्रों के अभ्यास । [5]
पूर्वानुमानित विश्लेषण विश्लेषकों को यह विश्वास करने की अनुमति देता है कि वे अपने आरोपों पर सावधानीपूर्वक नजर रखते हैं, जबकि वास्तव में वे कॉलेज के प्रत्येक छात्र के अनुभव , उसकी जरूरतों, भय, आशाओं, विश्वासों और दिमाग की स्थिति के बारे में कुछ नहीं सीख रहे हैं। “वैयक्तिकृत” डेटा सेट बनाना, अंडरस्कोर करता है कि छात्रों के साथ बातचीत कितनी व्यक्तिगत है, और यह उस समस्या को भी जोड़ सकती है। साथ ही यह दृष्टिकोण इंसानों को अकादमिक प्रदर्शन डेटा के ढेर तक कम कर देता है, यह इस बारे में महत्वपूर्ण विचारों को भी हतोत्साहित करता है कि शिक्षण और मूल्यांकन सहित सिस्टम, उन मनुष्यों को कैसे प्रभावित करता है।
इन आपत्तियों में से कोई भी छात्रों के जीवन के अन्य पहलुओं के बारे में डेटा एकत्र करके संबोधित नहीं किया जाता है। वही न्यूयॉर्क टाइम्स लेख “ताजा लोगों को ट्रैक करने” के साथ एक प्रयोग का वर्णन करता है क्योंकि वे लाइब्रेरी या जिम जाने के लिए अपने पहचान पत्र स्वाइप करते हैं, कैफेटेरिया में भोजन के लिए भुगतान करते हैं या किताबों की दुकान में एक स्वेटरशॉट खरीदते हैं “सामाजिक मापने के प्रयास में” बातचीत। “डेटा के उन बिट्स हमें दावा करने की अनुमति नहीं देते कि हम किसी दिए गए छात्र को जानते हैं। न ही वे हमें अपनी शिक्षा के साथ अंतर्निहित संरचनात्मक मुद्दों की जांच करने के लिए प्रेरित करते हैं। बड़े डेटा का विस्तार क्या करता है बिग ब्रदर के बारे में अतिरिक्त चिंताओं को उठाता है क्योंकि छात्रों की गतिविधियों की निगरानी की जा रही है। (यह परेशान करने की संभावना का भी सुझाव देता है कि कुछ स्कूल जोखिम वाले छात्रों को उनकी मदद करने के लिए ध्वजांकित नहीं कर सकते हैं बल्कि उनसे छुटकारा पाने के लिए संस्थान की समय-समय पर स्नातक दर में सुधार कर सकते हैं।)
जब शिक्षक छात्रों को डेटा को कम करते हैं, तो वे बहुत भयानक याद करते हैं। जब वे बड़े डेटा पर भरोसा करते हैं, तो वे चीजों को और भी बदतर बना सकते हैं।
टिप्पणियाँ
1. हां, संख्या क्रंचर्स ने किताबों के विशाल संग्रह में विशिष्ट शब्दों की उपस्थिति के कंप्यूटर सारणी के आधार पर साहित्य के बारे में निष्कर्ष निकालने का कार्य निर्धारित किया है। यदि आपकी प्रतिक्रिया यह है कि कुछ महत्वपूर्ण याद किया गया है, तो शिक्षा या मनोविज्ञान पर बड़े डेटा को लाने के लिए शायद वही प्रतिक्रिया उचित होगी।
2. फ्रैंक पासक्वेल की ब्लैक बॉक्स सोसायटी और अन्य आलोचकों की इस ग्रंथसूची को भी देखें। पद्धति संबंधी चिंताओं की एक छोटी समीक्षा के लिए – एक अनुस्मारक कि डेटा अक्सर हमें मानने से बहुत कम बताता है, इस निबंध को देखें।
3. यह एक उपयोगी अनुस्मारक होना चाहिए कि समस्या सिर्फ एक विशेष मीट्रिक के साथ ही नहीं बल्कि मात्रा पर निर्भरता के साथ है। पूछने के बजाय “हम कैसे मापते हैं …।” शिक्षकों और नीति निर्माताओं को आकलन के सबसेट में खुद को लॉक करने से बचने के लिए “हम कैसे आकलन करते हैं …?” पूछना चाहिए जो संख्याओं में कमी की मांग करता है।
4. पहली बात पर, देर से अनुदान Wiggins देखें, “एक डिप्लोमा वर्थ होने,” शैक्षिक नेतृत्व , मार्च 2011, पीपी 31-2। दूसरे बिंदु पर, एंड्रयू हैकर, द मैथ मिथ – और अन्य स्टेम डेल्यूशन (नई प्रेस, 2016) देखें। निकोलसन बेकर को भी देखें, “गलत उत्तर: द केस अगेन्स्ट अल्जीब्रा II,” हार्पर , सितंबर 2013, पीपी 31-8।
5. मैंने सुना है कि प्रबंधन गुरु डब्ल्यू एडवर्ड्स डेमिंग के प्रभाव में, जब टोयोटा में एक असेंबली लाइन वर्कर खराब हो गया, तो प्रबंधकों ने अपना हाथ हिलाया और सिस्टम में डिज़ाइन दोष का पर्दाफाश करने में मदद के लिए धन्यवाद दिया। इन प्रबंधकों को एहसास हुआ कि प्रणाली मुख्य रूप से कार्यस्थल में व्यक्तियों की सफलता या विफलता के लिए ज़िम्मेदार है – जो इंगित करती है कि लोगों को पुरस्कृत या दंडित करना (उदाहरण के लिए, प्रोत्साहन योजनाओं और अन्य भुगतान के लिए प्रदर्शन योजनाओं के साथ) न केवल मनोरंजक और विनाशकारी है अंतर्निहित प्रेरणा, लेकिन बिंदु को याद करने में भी एक अभ्यास है।
