Günümüz eğitim ekosistemi, VUCA (Volatility, Uncertainty, Complexity, Ambiguity- Değişken, Belirsiz, Karmaşık ve Muğlak) olarak kısaltılan bir çağda Dördüncü Sanayi Devrimi (IR 4.0) ile şekillenmektedir. Bilgi teknolojilerinin hızla yayılması, eğitim kurumlarını “akıllı örgütlerea” dönüşmeye zorlamakta ve veri odaklı (data-driven) karar alma süreçlerinin benimsenmesini gerektirmektedir (Mokhtar ve diğ., 2019).
IR 4.0’a bir yanıt olarak ortaya çıkan Eğitim 4.0, kampüs tabanlı sistemlerden uzaktan erişilebilir açık sistemlere, öğretmen merkezli yaklaşımdan deneyimsel öğrenmeye ve pasif öğrenciden aktif bilgi üreticisine geçişi simgelemektedir. Bu dönüşümde, veri odaklı eğitim, öğrenme süreçlerine dair daha isabetli kararlar verilmesini ve öğrenci ihtiyaçlarına göre kişiselleştirilmiş öğretimin desteklenmesini sağlamaktadır (Tikhonova ve Raitskaya, 2023).
Bu bağlamda bu makale, eğitimde veriye dayalı okul yönetiminin ve öğrenme analitiğinin rolünü, temel kavramları, uygulama alanlarını ve ilgili literatürü sistematik bir biçimde ele almayı amaçlamaktadır.
Veriye Dayalı Karar Verme ve Eğitimde Uygulamaları
Veriye Dayalı Karar Verme (VDKV) eğitimde , öğrenci ve okul başarısını artırmak amacıyla demografik, yönetsel, algısal ve başarıya dayalı çeşitli verilerin toplanması ve analiz edilmesine esas alan sistematik bir yaklaşımdır (Hamilton ve diğ., 2009). Uygulamada geleneksel veri kullanımının, yaygın olmasına karşın sistematik ve etkili olma konusunda yetersiz kaldığı görülmektedir (Schildkamp, 2019). VDKV, sadece veri toplamayı değil, bu verilerden elde edilen içgörülerin karar alma süreçlerine eklemlenmesini (entegre edilmesini) içerir.
VDKV’nin öğrenci başarısı üzerindeki etkisi üzerine yapılan araştırmaların farklı sonuçlar sunduğu görülmektedir. Bazı çalışmalar olumlu etkiler bildirirken (Carlson ve diğ., 2011; Van Geel ve diğ., 2016 gibi), bazıları, sınırlı veya olumsuz etkileri rapor etmiştir. Örneğin Grabarek ve Kallemeyn (2020) derleme çalışmalarında, uygulamaların %38’inin olumlu, %36’sının etkisiz ve %26’sının karışık sonuçlar sunduğunu belirtmişlerdir. Sözü edilen çalışmalarda başarılı uygulamalar genellikle sürekli mesleki gelişim, çoklu veri kullanımı ve sürekli iyileştirme konularında olduğu saptanmıştır. Araştırma verileri VDKV’nin eğitimde temelde aşağıdaki üç temel amaçla kullanıldığını göstermektedir (Fernandes, 2023):
Okul gelişimi. Okul düzeyinde iyileştirmeler için değerlendirme sonuçları ve anket verilerinin kullanılması.
Öğretim. Öğretmenlerin sınav ve ödev verilerini kullanarak öğretim stratejilerini şekillendirmesi.
Hesap verebilirlik. Velilere ve denetçilere bilgi sunumu.
Görülen o ki VDKV, etkili eğitim liderliğinin vazgeçilmez bir parçası haline gelmiştir. Veriyi kullanarak karar veren liderler, gelişim alanlarını belirleyebilir, ilerlemeyi takip edebilir, kaynakları stratejik şekilde dağıtabilir, öğretim kalitesini artırabilir ve paydaşları sürece dahil edebilir. Bu yaklaşım, öğrenci başarısını olumlu yönde etkileyerek okulun etkinliğini artırabilir ve sürekli gelişim kültürünü destekleyebilir. Eğitim alanındaki değişimlerle birlikte, veriye dayalı karar alma liderlik uygulamalarının ayrılmaz bir parçası olarak okulda pozitif dönüşüm ve eşit, kaliteli eğitim sağlamada kritik öneme sahip olacaktır (Fernandes, 2023).
VDKV uygulamalarının temelde bir kurama dayandığı görülür. Bu bir değişim kuramıdır. Bu kuram, genellikle öğretmenlerin veri okuryazarlığının sınıf uygulamalarını ve öğrenci başarısını artıracağı varsayımına dayanır (Mandinach ve Jimerson, 2016). Ancak bu yaklaşım, öğrenmenin karmaşıklığını göz ardı etmekte bu nedenle de eleştirilmektedir. Zira veri kullanımını etkileyen faktörler arasında iş birliği, liderlik, okul kültürü, öğretmen bilgi ve becerileri, profesyonel gelişim, ölçme araçları ve öğretmen tutumları gibi değişkenler yer almaktadır (Hoogland ve diğ., 2016). Takdir edilir ki etkili VDKV için dijital araçların erişilebilirliği, veri kalitesi ve farklı veri türlerinin birleştirilebilirliği de kritik öneme sahiptir.
Öğrenme Analitiği ve Veriye Dayalı Öğrenme Deneyimi Tasarımı
Öğrenme Analitiği (ÖA), öğrenme sürecini geliştirmek amacıyla öğrenenlerle-öğrencilerle ilgili verilerin toplanması, analiz edilmesi ve raporlanmasına odaklanan bir alan, bir yaklaşımdır (Nevase, 2025). ÖA’nın, geleneksel değerlendirme yöntemlerinin sınırlılıklarını aşarak, çevrim içi ortamlarda daha bütüncül ve kişiselleştirilmiş bir öğrenme anlayışı sunduğu görülmektedir. Öğrenme analitiği süreci genellikle dört temel analitik türünü içerir (Nevase, 2025):
Tanımlayıcı analiz. Ne olduğunu özetler. Pek tabii ki geçmiş performans verilerini esas alır.
Tanılayıcı analiz. Neden olduğunu belirler. Başarı/başarısızlık nedenleri ayrıntılı olarak betimlenir.
Öngörücü (predictive) analiz. Gelecekte ne olabileceğini tahmin eder.
Önerici ( prescriptive) analiz. En iyi öğrenme stratejileri için öneriler sunar.
ÖA, öğrenci katılımı, öğrenci performans ve davranış verilerini analiz ederek eğitimi iyileştirmeyi amaçlar. ÖA, yapay zekâ ve makine öğrenimi teknolojilerinden yararlanarak öğretmenlerin öğretimi kişiselleştirmesine ve risk altındaki öğrencilerin erken belirlenmesine olanak tanır. Ancak yaklaşımın verilerin yanlılığı, algoritmaların pedagojik uygulamalarla uyumsuzluğu ve etik konular (veri gizliliği, güvenlik, algoritmik önyargı) gibi zorlukları bulunmaktadır (Ahmad ve diğ., 2023; Tahiru, 2021).
OECD bünyesinde yapılan bir çalışma (2021) eğitim kurumlarında öğrenme analitiğinin kurumsal düzeyde nasıl benimsenebileceğine odaklanmakta ve uygulanabilir çerçeveler ile benimseme modellerini incelemektedir. Çalışmaya göre son on yılda öğrenme analitiği çokça tartışılsa da, bu teknolojinin sistematik ve bütüncül biçimde yaygınlaştığı çok az örnek bulunmaktadır. Yükseköğretim kurumları genelde öğrenci ve öğretmen panelleri gibi deneysel adımlar atsa da, bu çabalar henüz kapsamlı bir kurumsal dönüşüme dönüşmemiştir. K-12 okullarında öğrenme analitiği uygulamaları ise daha da sınırlıdır. Oysa eğitim alanı verilerinin artışı, gelişmiş analiz araçları ve algoritmalar sayesinde büyük bir potansiyel taşımaktadır.
Zira ÖA, öğrenme süreçlerini ve ortamlarını analiz ederek eğitimsel karar alma süreçlerini destekler. Bunun için de kurumlar içinde bu sistemlerin benimsenmesi için açık iletişim, paydaş katılımı ve iyi tanımlanmış benimseme modelleri gereklidir. Ancak bu modeller ülke, kurum ve bağlama göre değişebilir. Çalışmada K-12 düzeyinde öğrenme analitiğinin potansiyelinden faydalanmak için mikro (öğrenme süreci ve öğrenci performansı izlemesi), mezo (eğitim programı-müfredat planlaması, öğretmen yönetimi, mesleki gelişim), ve makro (ilçe yönetimi, kaynak kullanımı, politika uyumu) düzeylerinde bütüncül bir analiz çerçevesi önerilmektedir ( OECD, 2021).
Sonuç olarak görüleceği üzere, ÖA eğitim kurumları için büyük fırsatlar sunsa da, bu potansiyelin tam olarak kullanılabilmesi için bütüncü stratejilere, açık iletişime ve kapsayıcı uygulama modellerine ihtiyaç vardır.
OECD’nin bu çalışmasında (2021) ayrıca öğrenme analitiğinin genel durumu değerlendirilmiş ve şunlar ileri sürülmüştür:
• Öğrenme analitiği, özetleyici-sonul (summative), anlık (real-time) ve öngörücü (predictive) analizlerle eğitim süreçlerine katkı sağlar.
• Bugüne kadar yapılan çalışmalar genellikle bireysel derslere odaklanmış, kurumsal düzeydeki etkiler üzerine yeterince kanıt sunulamamıştır.
• Uygulamada karşılaşılan zorluklar arasında; teknik kapasite eksikliği, kültürel direnç ve veri etiğiyle ilgili sorular öne çıkmaktadır: Verinin sahipliği kimde? hangi veriler paylaşılmalı veya gizli kalmalı? Öğretmenler bu verilerle ne yapabilir? Ve benzeri sorular veriye dayalı kanıtlanmalıdır.
ÖA’nın uygulama alanları. OECD’nin bu çalışmasına (2021) göre ÖA’nın uygulama alanları şöyle belirtilmiştir:
Eğitim programı geliştirme. Öğrencileri iş gücü piyasasına daha iyi hazırlayacak özel eğitim programları tasarlanabilir.
Ders materyallerinin yeniden tasarımı. Esnek öğrenme fırsatları ve öğretmenler için talebe göre mesleki gelişim olanakları sunabilir.
İdari işler. Bütçeleme, satın alma, tesis yönetimi, insan kaynakları gibi operasyonel süreçlerde analitik sistemler verimliliği artırabilir.
Öğrenci kayıt süreçleri. Kişiselleştirilmiş kayıt ve yerleştirme uygulamaları geliştirilebilir; hastalık veya devamsızlık durumlarında iletişim çözümleri sunulabilir.
Çalışmanın politika önerileri ve gelecek stratejileri de aşağıda sıralanmaktadır(OECD; 2021):
Veriye dayalı uygulama geliştirme. Öğrenme analitiğinin öğrenme üzerindeki etkisini gösterecek daha fazla kanıt toplanmalı, buna dayalı politikalar geliştirilmelidir.
Benimsemenin yaygınlaştırılması. Kurumsal kültürel değişime hazırlık sağlanmalı; standartlar, ilkeler ve uygulama rehberleri oluşturulmalıdır.
Veri sağlayıcıları ve kullanıcılarına rehberlik. Güvenilir ve etik uygulamalar; standartlar, akreditasyon, denetimler ve kanıta dayalı önerilerle desteklenmelidir.
Öğrenmeye etki odaklılık. Öğrenme analitiği öncelikle eğitsel adaleti ve etkililiği artırmaya hizmet etmelidir; hesap verebilirlik ve mali verimlilik ikinci planda kalmalıdır.
Ticari çözüm sağlayıcıların rolü. Giderek artan sayıda özel şirket (örneğin BrightBytes) öğrenme analitiği sistemleri sunmaktadır. Ancak bu çözümlerin etkisi bağımsız araştırmalarla değerlendirilmeli ve doğrulanmalıdır.
Sonuç olarak, öğrenme analitiği büyük potansiyele sahip olsa da, bunu gerçekleştirmek için politika yapıcılar, araştırmacılar ve uygulayıcıların birlikte çalışması; veri okuryazarlığı, etik kurallar ve kapsayıcı stratejiler geliştirmesi gerekmektedir.
Veriye dayalı öğrenme deneyimi tasarımı. Literatürde veriye dayalı öğrenme deneyimi tasarımı (VDÖDT) geliştirildiği görülmektedir. VDÖDT, öğrenci ihtiyaçlarına göre şekillendirilen, etkili ve kişiselleştirilmiş öğrenme ortamları yaratmayı amaçlamaktadır. Bu yaklaşım üç aşamadan oluşmaktadır (LXD expert, 2023):
Veri toplama. Öğrenme yönetim sistemleri, değerlendirme araçları ve öğrenci geri bildirimleri gibi kaynaklardan nitel ve nicel verilerin toplanması,
Veri analizi. İstatistiksel ve analitik araçlarla verilerin analiz edilerek desenlerin ve ilişkilerin ortaya çıkarılması,
Değişikliklerin uygulanması. Analiz sonuçlarına göre tasarımın iyileştirilmesi, etkilerin izlenmesi ve sürekli geri bildirim döngülerinin kurulması.
Görüleceği üzere VDÖDT, VDKV ile ÖA’nın bütünleştirilmesine dayanmaktadır. Buna göre öncelikle ÖA uygulamaları ile öğrencilere ilişkin gerekli veriler toplanmalı sonra da bu verilere dayalı karar verilmelidir. Başarılı bir VDÖDT için net öğrenme hedefleri belirleme (SMART kriterleri olan; spesifik, ölçülebilir, başarılır, ilişkili ve zaman sınırlı hedefler ), çoklu veri kaynaklarından faydalanma ve uyarlanabilir öğrenme stratejilerinin uygulanması gereklidir.
Öğrenme analitiği için araçlar ve teknolojileri. VDKV süreçlerinin önem kazanmasıyla birlikte, öğrenme analitiğini destekleyen çok sayıda araç ve teknoloji geliştirilmiştir. Bu araçlar, öğrenme süreçlerini izleme, analiz etme ve raporlama işlevleriyle, daha etkili ve kişiselleştirilmiş öğrenme deneyimlerinin tasarlanmasına olanak tanımaktadır. Öğrenme analitiği alanında, veriye dayalı karar alma süreçlerini desteklemek amacıyla geliştirilen başlıca araç ve teknolojiler aşağıda sıralanmaktadır (LXD expert, 2023 ):
Öğrenme yönetimi sistemleri( Learning management systems-LMS). Bu konuda Moodle, Blackboard, Canvas gibi sistemler; katılım, ilerleme ve başarı düzeylerine dair analiz ve raporlar sunabilmektedir.
Öğrenme kayıt depoları (Learning record stores-LRS). Watershed, Learning Locker gibi platformlar; XAPI standardı ile çoklu kaynaklardan veri toplayarak öğrenici davranışlarını kaydeder ve analiz eder.
Veri görselleştirme araçları. Tableau, Power BI, Google Data Studio gibi araçlar; karmaşık verileri anlaşılır grafik ve panellerle sunarak karar alma süreçlerini kolaylaştırmaktadır.
Eğitsel analitik platformları. Cluelabs, Gainsight, IntelliBoard gibi sistemler; öngörücü analizler, desen tanıma ve gelişmiş raporlama sunarak öğrenme tasarımını desteklemektedir.
Yapay zekâ ve makine öğrenimi araçları. IBM Watson, Google Cloud ML gibi araçlar; büyük ölçekli, yapılandırılmamış verileri analiz ederek daha derin ve kişiselleştirilmiş içgörüler sağlamaktadır.
Sosyal ağ analizi (SNA) araçları. SocNetV, NodeXL gibi araçlarla, öğrenciler arası etkileşim analiz edilerek iş birliğine dayalı öğrenme süreçleri optimize edilebilmektedir.
Görülen o ki kullanılacak araçların seçimi, örgütün hedeflerine, kaynaklarına ve iyileştirilmek istenen öğrenme tasarımı boyutlarına bağlıdır. Doğru araçların entegrasyonu sayesinde, öğrenicilerin ihtiyaç ve davranışlarına dair kapsamlı veriler elde edilerek daha etkili ve ilgi çekici öğrenme deneyimleri geliştirilebilir.
Veriye Dayalı Yönetim ve Öğrenme Analitiğinin Bütünleştirilmesi
VDKV ve ÖA yaklaşımları birlikte kullanıldığında, eğitim sistemlerinde daha bütüncü bir dönüşüm sağlanabilmektedir (Mandinach ve Gummer, 2016). Bu birliktelikte ÖA mikro düzeyde bireysel öğrenmeyi şekillendirirken, VDKV makro düzeyde politika ve uygulamaları şekillendirir. Bu entegrasyonun başlıca avantajları şöyle sıralanabilir (Schildkamp ve Lai, 2013):
• Sorunlara proaktif yaklaşım
• Kanıta dayalı politika üretimi
• Kaynakların verimli kullanımı
• Hesap verebilirlik ve şeffaflık ve
• Sürekli gelişim kültürü
Ne var ki bu bütünleştirme girişiminde bazı zorluklar da bulunmaktadır. Bunlar aşağıda olduğu gibi sıralanabilir (Slade ve Prinsloo, 2013 ; Schildkamp ve diğer., 2019):
Veri gizliliği. Öğrenci verilerinin korunması, veri koruma sistemi ve benzeri düzenlemeler ile güvence altına alınmalıdır.
Veri okuryazarlığı eksikliği. Yöneticiler ve öğretmenler için veri yorumlama eğitimi adeta zorunlu tutulmalıdır.
Teknolojik altyapı sorunları ve kültürel direnç. Eğitimcilerin alışkanlıklarını değiştirmeleri zaman alabilir.
Sonuç olarak; veriye dayalı okul yönetimi ve öğrenme analitiği, çağdaş eğitim sistemlerinin başarısı için vazgeçilmezdir. Bu yaklaşımların başarıyla uygulanması, eğitimin her düzeyinde kaliteyi artıracak ve öğrencilerin potansiyelini en üst düzeye çıkaracaktır. Eğitim politikalarının, liderliğin ve teknolojik yeniliklerin bu dönüşüm sürecinde entegre bir şekilde çalışması şart görülmektedir.
Veri Temelli Liderlik ve Eğitimci 4.0
VDKV, günümüz eğitim liderliğinin önemli bir unsuru olarak kabul edilmektedir. Zira sistematik veri toplama ve analiz sayesinde liderler, öğrenci performansı ve okul etkinliği hakkında değerli bilgiler edinerek kaynakları stratejik olarak dağıtabilir ve öğretimi iyileştirebilir. Bu yaklaşım, sürekli gelişim kültürünü destekleyerek tüm öğrenciler için adil ve kaliteli eğitimin sağlanmasında kritik öneme sahiptir.
Eğitim 4.0 bağlamında, Eğitici 4.0, dijital çağın gerekliliklerine uyum sağlayan, yenilikçi öğretim yöntemlerini benimseyen bir öğretim elemanını ifade eder. Eğitici 4.0, geleneksel öğretimden uzaklaşarak, ters yüz öğrenem (flipped classroom), oyunlaştırma ve MOOC gibi stratejileri kullanır (Mokhtar ve diğ., 2019). Eğitici 4.0’ın yeni rolleri arasında öğrenme deneyimi tasarımcısı ve öğrenme analisti olma yer almaktadır. Bu roller, öğretmenlerin veri temelli öğretimi yönlendiren, aktif ve yenilikçi aktörler olmalarını gerektirir. Öğretmenlerin etkili veri kullanımı için gerekli beceriler Gummer ve Mandinach (2015) tarafından şölye tanımlanmıştır: Problem belirleme, veri toplama, analiz etme, karar alma ve değerlendirme döngüsü. Kippers ve diğ., 2018) ise öğretmenlerin özellikle araştırma sorusu belirleme ve veri analizi konularında zorlandığını belirtmiştir. Bu nedenle, profesyonel öğrenme toplulukları gibi iş birliğine dayalı mesleki gelişim modelleri hayata geçirilmelidir (Schildkamp ve diğ., 2016).
Sonuç olarak; Veriye dayalı okul yönetimi ve öğrenme analitiği, eğitimde kaliteyi artırma potansiyeline sahip güçlü araçlardır. Bu bağlamda veri temelli yaklaşımların başarıyla uygulanabilmesi için, okul geliştirme süreçlerinin sınıf içi uygulamalardan okul politikalarına kadar birçok düzeyde ele alınması gerekmektedir. Eğitim reformlarının başarılı olması için okul kültürü, öğretmen motivasyonu ve yerel bağlamlar göz önünde bulundurulmalı (Fullan, 2007) ve etkili okul geliştirme için ortak bir dil geliştirilmelidir (Sykes ve diğ., 2010).
Sonucun sonucu: Eğitim kurumları, IR 4.0 çağının dinamiklerine uyum sağlamak için veri sistemlerini kullanıcı ihtiyaçlarına göre tasarlamalı ve öğrenme analitiğini benimsemelidir. VDKV’nin okullarda günlük işleyişin ayrılmaz bir parçası haline getirilmesi, sürekli iyileştirme ve öğrenci merkezli bir eğitim ortamı için kritik öneme sahiptir.
Tartışma ve Sonuç ve Öneriler
Bu çalışma, Dördüncü Sanayi Devrimi ve Eğitim 4.0 çağında VDKV ve ÖA yaklaşımlarının eğitim kurumları için taşıdığı kritik önemi ortaya koymaktadır. VUCA olarak kısaltılan değişken, belirsiz, karmaşık, muğlak ortamında, veri odaklı yaklaşımların okul geliştirme, öğretim iyileştirme ve öğrenci deneyimi tasarımı açısından vazgeçilmez olduğu vurgulanmaktadır.
VDKV uygulamalarının literatürdeki yeri ve zorlukları incelendiğinde, bu yaklaşımların öğrenci başarısı üzerindeki etkilerine dair farklı sonuçlar olduğu görülmüştür. Başarılı uygulamalar genellikle sürekli mesleki gelişim, çoklu veri kullanımı ve sürekli iyileştirme konularına odaklanmaktadır. Veri kullanımını olumsuz etkileyen faktörler arasında veri okuryazarlığı eksikliği, liderlik yetersizlikleri, okul kültürü ve sistemik değişim kuramlarının öğrenmenin karmaşıklığını göz ardı etmesi gibi sorunlar bulunmaktadır. Etkili VDKV için herhalde dijital araç erişilebilirliği ve veri kalitesi kritik öneme sahiptir.
ÖA, öğrencilerin süreç verilerini analiz ederek kişiselleştirilmiş öğrenme ortamları yaratma potansiyeline sahiptir. Ancak OECD (2021) çalışmasında da belirtildiği gibi, bu alanda büyük bir potansiyel olmasına rağmen, kurumsal düzeyde bütüncü ve sistematik yaygınlaşma sınırlıdır. Uygulamadaki zorluklar arasında teknik kapasite eksikliği, kültürel direnç, veri gizliliği ve algoritmik önyargılar öne çıkmaktadır. ÖA'nın gelecekteki rolü, eğitimde adalet ve etkililiği artırmaya odaklanmalıdır.
Türkiye örneklerinde yapılan bazı çalışmalar (Cemaloğlu ve Duykuluoğlu, 2022; Doğan ve Ottekin-Demirbolat, 2023; Toptaş, 2023) VDKV'nin kuramsal kabulünün yüksek olduğunu, ancak uygulamada ciddi sınırlılıklarla karşılaşıldığını göstermektedir. Öne çıkan sonuçlar şunlardır:
Yönetici yeterlilikleri. Okul yöneticileri veri analizine yeterince hakim değildir ve bu alanda eğitime ihtiyaç duymaktadır. Kıdemli yöneticiler daha çok deneyim ve sezgiye dayanırken, daha az deneyimli yöneticiler sayısal verilere odaklanmaktadır.
Veri kullanım amaçları. Veriler çoğunlukla dış denetim ve hesap verebilirlik amacıyla kullanılmakta, eğitimsel gelişim için sistematik analiz ve yorumlama süreçleri yetersiz kalmaktadır.
Merkeziyetçi yapı ve kültürel direnç. Merkeziyetçi yönetim anlayışı, veri okuryazarlığı eksikliği ve veri kültürü yoksunluğu, veriye dayalı karar alma sürecini kısıtlamaktadır.
Pozitif korelasyon. Veriye dayalı karar alma ile öğretmen iş birliği ve öğrenci başarısı arasında pozitif ve anlamlı bir ilişki tespit edilmiştir. Öğretmenlerin veri kullanımı düzeyi, öğrencilerin akademik başarısını açıklamada önemli bir etkendir.
Veriye dayalı okul yönetimi ve öğrenme analitiğinin eğitim sistemine etkin eklemlenmesi için mikro ve makro düzeyde stratejiler geliştirilmelidir. Daha açık olarak bu çalışmanın önerileri iki boyutta sunulabilir:
Makro düzey / politika ve sistem düzeyli öneriler. Bunlar aşağıda sunulmaktadır:
Veri odaklı politika geliştirme. Öğrenme analitiğinin eğitim etkililiğini kanıtlayacak daha fazla araştırma yapılmalı ve bu kanıtlara dayalı politikalar oluşturulmalıdır. Politika yapıcılar, veri kullanımı standartları, ilkeleri ve rehberleri belirlemelidir.
Veri ekosisteminin kurulması. Merkeziyetçi yapılar gevşetilerek, yerel özgünlükleri dikkate alan, ancak aynı zamanda bütüncü-entegre bir veri ekosistemi kurulmalıdır. Bölgelerarası veri merkezleri oluşturulmalı ve veri sistemlerinin işlevselliği artırılmalıdır.
Ticari çözüm sağlayıcıların değerlendirilmesi. Özel şirketler tarafından sunulan öğrenme analitiği sistemlerinin etkisi, bağımsız araştırmalarla sınanmalı ve etik uygulamalar güvence altına alınmalıdır.
Eğitim programlarının reformu. Yöneticilerin ve öğretmenlerin veri okuryazarlığını artıracak, uygulamaya yönelik programlar geliştirilmeli var olanlar gözden geçirilmelidir.
Mezo ve mikro düzey / okul yönetimi ve öğretmenler için öneriler. Bunlar da aşağıda özetlenmektedir:
Sürekli mesleki gelişim ve veri okuryazarlığı eğitimi. Okul yöneticileri ve öğretmenlere yönelik, veri toplama, analiz etme, yorumlama ve karar alma döngüsünü kapsayan sürekli eğitimler düzenlenmelidir. Özellikle profesyonel öğrenme toplulukları gibi iş birliğine dayalı modeller desteklenmelidir.
Veri kültürünün oluşturulması. VDKV, tek seferlik projeler yerine okul kültürünün ve günlük işleyişin ayrılmaz bir parçası haline getirilmelidir. Verilerin, hesap verebilirlik yerine okul gelişimi ve öğrenci iyileştirmesi için kullanılması teşvik edilmelidir.
Teknolojik altyapı iyileştirmesi: Verilerin kalitesini artırmak için hibrit sistemler ve otomatik doğrulama kontrolleri eklemlenmelidir. Okul yöneticileri için veri gösterge panelleri geliştirilmelidir.
Bütüncü karar alma yaklaşımı. Karar alma süreçlerinde sadece nicel verilere değil; öğrencilerin bireysel geçmişleri, çevresel bağlamları, sosyal ve duygusal ihtiyaçları gibi nitel verilere de önem verilmelidir. Veri temelli yaklaşımlar, sezgi ve deneyimle dengeli bir şekilde kullanılmalıdır.
Yararlanılan Kaynaklar
Ahmad, S., Alshboul, J. ve Shahin, G. (2023). The role of AI and learning analytics in Personalized Learning. Journal of Educational Technology , 48(1), 121-135.
Carl son, L., Borman, G.D. ve Robinson, M. (2011). The impact of data-driven decision-making on student achievement, 33(4), 481-502.
Cemaloğlu, N. ve Duykuluğlu, A. (2022 ). Okulda Veriye Dayalı Yönetim Uygulamalarının Değerlendirilmesi. Nevşehir Hacı Bektaş Üniversitesi, Sosyal Bilimler Enstitüsü Dergisi, 12(2), 691-708.
Custer, S., King, E. M., & Sethi, T. (2018). Toward data-driven education systems: Insights into using information to measure results and manage change. Retrieved from (https://www.brookings.edu/wp-content/uploads/2018/02/toward-data-driveneducation-systems.pdf)
Doğan, E. ve Ottekin-Demirbolat, A. (2023). Data-Driven Decision-Making Process In School Management. Kastamonu Education Journal, 31(3), 331-346. doi: 10.24106/kefdergi.910848
Fernandes, J. (2023). The role of data-driven decision-making in effective educational leadership. Academy of Educational Leadership Journal, 27(S2), 1-3.
Freiermuth, N., Mareike Mareike, S., Gerick, J. ve Eickelmann, B. (2020). Understanding School-Level Decision-Making Processes. Educational Management Quarterly, 18(3), 210-225.
Fullan, M. (2007). The New Meaning Of Educational Change. Teachers College Press.
Grabarek, L. Ve Kallemeyn, D. (2020). A Review Of Data-Driven Decision-Making Studies İn Education. Educational Research Review, 30, 100344.
Gummer, E. ve Mandinach, E. (2015). Professional Competencies For Data Use. Journal of Educational Measurement, 52(3), 321-340.
.Hamilton, L., Stecher, B. M., Yuan, S. L., Thompson, C. ve Asera, Y. W ( 2009). Data-driven Decision-Making İn Education: A Synthesis Of Research. Review of Educational Research, 79(2), 567-590.
Hoogland, L., Visscher, A. M., van der Kleij, M. ve Scheerens, J. P. (2016). Factors İnfluencing Data Use İn Educational Settings. Journal of Educational Psychology, 108(4), 512-530.
Jimerson, S., West, S. A., Furlong, M.J. ve Miller, J. L. (2019). Student participation in reform processes: Motivations and Challenges. Educational Psychology Journal, 40(1), 15-30.
Kallon Kelly, A., Tierney, R. J., Saeed, S. ve Fortune, N. (2020). Long-term Capacity Building Efforts İn Professional Development. International Journal of Educational Development, 77, 102242.
Kippers, W., Wolterinc, C. H., Schildkamp, K., Poortman, C. L. ve Visscher, A. J. ( 2018). Teacher Challenges in Determining Research Questions And Data Analysis. Educational Research Journal, 55(2), 199-215..
Levin, B. (2000). Students’ Involvement in Educational Reforms. Journal of School Reform, 9(2), 110-125.
Lodge, J. (2005). Student Participation in Data Utilization Processes. Education and Society, 23(1), 50-65.
LXD expert. (2023). Learning Analytics and Data-Driven Approaches to Improve Learning Experience Design. https://cluelabs.com/blog/learning-analytics-and-data-driven-approaches-to-improve-learning-experience-design/
Mandinach, E. ve Jimerson, S. (2016). The Underlying Theory Of Change in VDKV Applications. Educational Leadership Quarterly, 55(4),412-430.
McBurnie, C., Beoku-Betts, I., Waistell, D. ve Naloo, M. (2021). Advancing Data-Driven Decision-Making for School Improvement: Findings from the One Tablet Per School Improvement. EdTech Hub supported by The World Bank and UKAid. https://docs.edtechhub.org/lib/MPRD5RKR/download/HD5EI92W/McBurnie%20et%20al.%20-%202021%20-%20Advancing%20Data-Driven%20Decision-Making.pdf
Meckes, A., & Carrasco, R. (2010). Data-driven Policy interventions And Social Inequality in Chile. International Journal of Education, 30(2), 150-165.
Mokhtar, S., Alshboul, J., & Shahin, G. (2019). Towards Data-driven Education with Learning Analytics for Educator 4.0. International Journal of Physics: Conference Series, 1-7.
Nevase, S. (2025). Learning Analytics: Transforming Education Through Data-Driven Insights. https://elearningindustry.com/learning-analytics-transforming-education-through-data-driven-insights
OECD, (2021). Digital Education Outlook 2021 Pushıng The Frontıers With Artificial Intelligence, . And Robots. Please cite this publication as:
https://doi.org/10.1787/589b283f-en. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2021_589b283f-en.html
Raudonyte, J. (2019). Designing Data Systems For Contextual Needs. Data Management Journal, 12(1), 88-102.
Schildkamp, K. (2019). Systematic and Effective Data Usage İn Education. Educational Leadership, 77(1), 12-18.
Schildkamp, K.,Poortman, C.L., Ebbeler; J. (2016). Professional Learning Communities in Data-Based Practices. Journal of School Effectiveness and School Improvement, 27(3), 450-470.
Sykes, G., Thomson, C., McNulty, M. ve Quartell, L. (2010). Developing a Common Language For Effective School Development. Educational Administration Quarterly, 46(5), 780-800.
Tahiru, A. (2021). Challenges of AI and Learning Analytics in Education. Journal of Technology in Education,15(3), 210-225.
Tikhonova, E., & Raitskaya, L. (2023). Education 4.0: The Concept, Skills, And Research. Journal of Language and Education, 9(1), 5–11.
Tobin, G., Muralidharan , K., Singh, A. Ve Ganimian, A. (2015). Using Student Assessment Data For Targeted Support in Madhya Pradesh, India. International Journal of Educational Research, 71, 55-68.
Toptaş, B. (2023). Okul Yönetiminde Veriye Dayalı Karar Verme ve Mesleki İşbirliğinin Akademik Başarı İle İlişkisi. Yayımlanmamış Doktora Tezi . A: Ü. Eğitim Bilimleri Enstitüsü
.Van Geel, T., Schildkamp, C. L., Poortman, C, Luyten, H ve Visscher,A. J. (2016). The effects of Data-Driven Decision-Making On Student Outcomes. Educational Effectiveness and School Improvement, 27(1), 1-20.