Datengestützte Schulentwicklung
Schulen befinden sich in einer stetigen Weiterentwicklung. Weiterentwickeln bedeutet immer Veränderung. Veränderung wiederum braucht eine Zielrichtung, einen Fokus: Warum machen wir etwas?
Die Datengestützte Schul- oder Qualitätsentwicklung leistet zu dieser Fokussierung einen wichtigen Beitrag. Sie integriert datenbasierte Informationen systematisch in die Qualitätsarbeit. Hierbei werden relevante Daten nicht nur gesammelt, sondern in ihrem jeweiligen Kontext interpretiert und zu wertvollem, schulspezifischem Handlungswissen weiterentwickelt. Das Ziel ist es, Vermutungen durch belegbare Fakten zu ersetzen. So entstehen fundierte Entscheidungen für besonders relevante Themen, die dazu beitragen, dass Entwicklungsanstrengungen Schule und Unterricht nachweislich und nachhaltig besser machen.
Das EMSE-Netzwerk ist ein unabhängiges, institutionen- und länderübergreifendes Netzwerk zur „empiriegestützten Schulentwicklung“.
Weitere Informationen erhalten Sie unter: EMSE-Netzwerk – Universität Bielefeld (uni-bielefeld.de)
Zusammengefasst: Datengestützte Schulentwicklung ist ...
… ein systematischer Prozess, der darauf abzielt, die Qualität von Schule und Unterricht mit Blick auf das Lernen und die Entwicklung der Schülerinnen und Schüler
- in kohärenter Abstimmung der verschiedenen Ebenen
- auf der Grundlage systematisch gewonnener Daten
- als weiterer Beitrag zur professionellen Entscheidungsfindung
kontinuierlich zu verbessern.
Wie wird Datengestützte Schulentwicklung verstanden?
In der Schulentwicklung spielen Daten eine wichtige Rolle, um fundierte Entscheidungen treffen zu können und die Qualität von Bildung zu verbessern. Für eine Transformation des Schulsystems sind daher datenbasierte Schulentwicklungsprozesse und die Zusammenarbeit der verschiedenen Ebenen des Schulsystems unerlässlich (vgl. Grafik in Anlehnung an Sliwka/Klopsch, 2024, S. 73, sowie Fullan & Gallagher 2020, S. 36).
Die Hörfassung erklärend zum Schaubild wurde am 30.07.2025 mit OpenAI TTS Azure vertont.
Was sind Daten und welche Daten können in den Schulen verwendet werden?
Daten können in unterschiedliche Kategorien eingeteilt werden: externe, interne Daten, quantitative oder qualitative Daten, small oder big data. Im Folgenden findet sich eine Übersicht über die verschiedenen Datenquellen.
„große Daten“ – sind umfangreiche Datenerhebungen; sie umfassen systemweite, aggregierte Datenmengen, um Schulsysteme zu verbessern. Sie werden mit Hilfe digitaler Technologien analysiert und z.B. in einem Dashboard zusammengefasst.
- Landesweiter Lernstandserhebungen / Vergleichsarbeiten (z. B. Jahrgangsstufentest, Grundwissenstest, VERA)
- Statistische Kennzahlen, die von Schulträgern, Schulaufsicht etc. erstellt werden (ASV, ASD)
- Monitoringverfahren ausgewählter Bundesländer
- Ergebnisse von zentralen Abschlussprüfungen
- Studien zu Schulleistungsvergleichen (z. B. PISA; IGLU; TIMSS)
- Bildungsstatistiken zu Abschlussquoten, Notenschnitten, Einfluss sozialer Faktoren etc.
- usw.
„kleine Daten“ – sind spezifische und kontextbezogene Daten. Sie geben Einblicke in individuelle Lehr- und Lernprozesse, um passgenaue pädagogische Interventionen daraus zu entwickeln und den Schulalltag für alle Beteiligten zu optimieren.
- Kollegiale Hospitation
- Interview
- Systematisches Feedback in der Schulgemeinschaft, z.B. Schülerfeedback, Elternfeedback
- Befragungen in der Schulgemeinschaft
- Schriftliche Leistungserhebungen
- Lernstandsaufzeichnungen (z. B. Beobachtungen, individuelle Leistungsanalysen wie Portfolio/Lapbook)
- Fehlzeitenanalyse
- Evaluation einzelner Schulprojekte
- usw.
Die für die Schulentwicklung erhobenen Daten lassen sich in verschiedene Aspekte einordnen (vgl. Demski et al., 2012; Schulte et al., 2016):
- Art der Daten: quantitative Daten (d. h. Zahlen und Graphen als Ergebnis, z. B. Vergleichsarbeiten, PISA) versus qualitative Daten (Worterklärungen mit Interpretationen, z. B. Individualfeedback, Beobachtung, Interview); eine Mischform stellt dabei z. B. eine Umfrage dar
- Erhebung der Daten: schulintern, schulextern oder übergreifend
- Aussageebene: Bildungssystem, Schule, Klasse, Einzelfach, Lehrerschaft, Eltern und Erziehungsberechtigte, Schülerin/Schüler etc.
Somit ergibt sich eine große Datenmenge auf verschiedenen Ebenen und die Vorteile der einzelnen Datenerhebungsverfahren können genutzt werden (siehe auch hier).
Warum brauchen wir Daten?
Daten …
- … fördern ein systematisches Vorgehen im Schulentwicklungsprozess
- … geben einen objektiven Einblick in den Ist-Zustand der Schule
- … sind Grundlage für fundierte Entscheidungen
- … bauen Fehlannahmen ab
- … ermöglichen einen objektiven Vergleich
- … dienen der Überprüfung von Zielen und der Wirksamkeit der Maßnahmen
- … decken blinde Flecken auf
Datengestützt arbeiten im Team und mit externer Unterstützung
Ein datengestütztes Vorgehen hilft Schulen dabei, Probleme zu identifizieren, Lösungen zu testen und Veränderungen umzusetzen. Für jegliches datengestütztes Arbeiten in Schulen gilt, dass es einen intensiven Arbeitsprozess eingebettet sein muss und eine enge Zusammenarbeit im Team erfordert. Die Zusammensetzung eines schulische Datenteams aus mehreren Lehrkräften aus unterschiedlichen Jahrgangsstufen und Fachbereichen sowie der Schulleitung und ggf. deren Stellvertretung ist vergleichbar mit der einer Schulentwicklungs- oder Steuergruppe. Der Fokus des Datenteams liegt auf der gemeinsamen systematischen Nutzung von Daten, die zur Lösung schulischer Problemlagen einen entscheidenden Beitrag leisten. Für die Arbeit der Datenteams sind Kompetenzen erforderlich, insbesondere Data Literacy, die in vielen Schulen erst aufgebaut werden müssen.
Für die Implementierung des datengestützten Vorgehens bei der Schulentwicklung in Bayern gibt es das Angebot der Begleitung durch die Schulentwicklungsmoderation, ggf. der Beratung für datengestütztes Arbeiten und die Unterstützung durch das ISB. Eine kontinuierliche berufliche Weiterbildung aller Mitglieder eines Datenteams ist entscheidend für den Aufbau von Datenkompetenz und effektiven Praktiken zur Datennutzung.
Für die Arbeit mit den Daten ist das Vorgehen in Datenteams besonders nützlich. Zu den erfolgreichen Vorgehensweisen gehören
- regelmäßige Teambesprechungen,
- die Unterstützung durch Experten
- und strukturierte Prozesse für die Datenanalyse und Aktionsplanung. (Schildkamp & Ehren, 2013).
Das Data-Team-Verfahren [The data team procedure (Schildkamp & Ehren, 2013, p.56)] wird in acht Schritten beschrieben (siehe nachfolgende Grafik) und integriert die oftmals mehrfach erforderliche Rückkopplung von der Interpretation der Daten (Schritt 6) zu den Hypothesen (Schritt 2).
Die Qualitätsagentur hat das Data-Team-Verfahren vereinfacht und einen handlungsleitenden und für die Schulpraxis geeigneten Kreislauf für datengestütztes Arbeiten entwickelt. Mit diesem Kreislauf datengestützten Arbeitens wird eine effektive Datennutzung in sechs Schritten ermöglicht. Der Kreislauf zeigt die notwendigen Schritte, die eine Schule – bestenfalls gemeinsam mit Unterstützung durch ein Tandem aus Schulentwicklungsmoderator/BiUSe und ggf. zusätzlich einer Person, die in Fragen zum datengestützten Arbeiten berät – durchlaufen sollten.
Die Erstellung einer Ist-Stand-Analyse umfasst die Problembeschreibung, die Erschließung der Daten und das Sinnstiften (Schritte 1–3).
Schritt 1: Problem beschreiben
Am Anfang steht die Identifikation eines Problems* und die daraus resultierende Festlegung von Fragen und Hypothesen, die durch die Datennutzung überprüft werden sollen. Dieser Schritt ist von größter Wichtigkeit, wird aber in der Praxis häufig übersprungen.
Die Qualität und Wirksamkeit der nachfolgenden Schritte hängt maßgeblich von der korrekten Problemidentifikation ab.
Die zentralen Fragen im Schritt „Problem beschreiben“ sind
- Was ist das drängendste Problem unserer Schule?
- Welches Thema ist derzeit für die Entwicklung unserer Schule besonders wichtig?
Wichtig: Wenn Ihre Schule damit beginnt, Daten zu erheben, ohne das Problem präzise definiert zu haben, passen die Informationen, die Sie aus den Daten gewinnen können, evtl. nicht zu den eigentlichen Bedarfen Ihrer Schule.
*Hinweis: Der Begriff Problem umfasst verschiedene Ausgangssituationen: Je nach Ausgangslage der Schule kann ein richtiges Problem, eine Herausforderung, ein aktuelles Schulentwicklungsziel oder eine bestimmte Fragestellung etc., die mit Daten beantwortet werden soll, im Fokus stehen.
Manchmal ist es zielführend, sich zunächst einen Gesamtüberblick über die verschiedenen Qualitätskriterien und -anforderungen aus dem Qualitätstableau zu verschaffen. Die Qualitätsagentur empfiehlt hierfür die Fragebögen zur Ist-Stand-Analyse, die Sie mit dem passgenauen Umfragetool mit Limesurvey®– PAUL für Schulen sehr einfach durchführen können. Sicher wird Ihnen das drängendste Problem bewusst, wenn Sie sich intensiv mit den Ergebnissen dieser Befragungen befassen. Haben Sie Ihr Problem identifiziert, dann beschreiben Sie es unbedingt so genau wie möglich, so wie es an dieser Stelle beschrieben ist.
Beantworten Sie diese Fragen, um das Problem besser zu verstehen:
- Wie äußert sich das Problem in der Praxis?
- Welche (negativen) Konsequenzen ergeben sich aus diesem Problem/Thema?
- Was sind mögliche Ursachen für dieses Problem/Thema?
Die Problembeschreibung erfolgt auf der Grundlage des Qualitätsverständnisses. Dieses ist im Bayerischen Qualitätstableau festgeschrieben. Wo finden wir im Qualitätstableau, Kriterien bzw. Anforderungen, die zu unserer Problembeschreibung passen? Verwenden Sie das Qualitätstableau als Grundlage für die genauere Betrachtung ihres Problems/Themas. Die dazugehörende Indikatorenliste und die Erläuterungen zu allen Modulen des QT geben weitere wertvolle Impulse.
Die Zieldimensionen im SCP finden ihre Entsprechung im bayerischen Qualitätstableau.
Passt das Problem/Thema der Schule zu den Zieldimensionen des SCP? Es wird den Schulen nicht schwerfallen, aus diesen Dimensionen des SCP eine oder mehrere auszuwählen, in denen sie sich wieder findet.
Hypothesen sind Annahmen über Wirkzusammenhänge, die geeignet sind, die Ursachen eines Problems zu erklären (z. B. "Eine lernförderliche Umgebung verbessert die Schülerleistung in Mathematik"). Werden diese Annahmen durch pädagogisch-empirische Forschung überprüft und bewiesen, bilden sie die Grundlage für sogenannte Wirkmodelle, die zentrale Zusammenhänge und Wirkungsweisen im System Schule beschreiben. Reflektieren Sie Ihre eigenen Vermutungen über die Ursachen eines Problems stets anhand wissenschaftlich fundierten Wirkmodelle.
Beispiel für ein Wirkmodell zu Mathematik-Leistungen (Grafik).
Was ist zu tun, wenn keine empirisch belegten Hypothesen und Wirkmodelle bekannt sind? Die Consensus-App (https://consensus.app/) ermöglicht beispielsweise einen raschen Überblick zu allen denkbaren Themen und dem diesbezüglichen aktuellen Forschungsstand. Sie hilft in diesem Beispiel Einflussfaktoren auf Mathematikleistungen in der Mittelschule zu finden und eigene Vermutungen mit wissenschaftlich nachgewiesene Einflussfaktoren abzugleichen.
Auszug aus den Ergebnisse der Consensus-App :
„Zentrale Hypothesen und Einflussfaktoren für Mathematik-Leistungen
→ Schüler und Schülerinnen mit einem hohen Mathematik-spezifischen Selbstkonzept erzielen bessere Leistungen.
→ Motivation, Interesse und intrinsische Motivation fördern die Leistung.
→ Mathematikangst wirkt sich negativ aus und kann durch eine gute Schüler-Lehrer-Beziehung abgemildert werden.
→ Kognitive Fähigkeiten (z.B. Arbeitsgedächtnis, kognitive Kontrolle) sind entscheidend, insbesondere bei komplexeren Aufgaben.
→ Selbstreguliertes Lernen und Engagement (kognitiv, affektiv, behavioristisch) sind wichtige Prädiktoren.
Fazit
Die Vermutung, dass eine lernförderliche Umgebung die Mathematik-Leistungen der Schülerinnen und Schüler beeinflusst, ist empirisch nicht belegt. Andere Faktoren sind bedeutsamer.“
Die Hypothesen zur Erklärung des Problems führen zu einer gezielten Auswahl der Daten. Welche Daten haben wir eigentlich schon und welche fehlen uns noch? Welche Daten eignen sich, um das Problem genauer zu verstehen?
Die Schlüsselbegriffe in den Hypothesen weisen auf erforderliche Daten hin. Es ist jedoch wichtig, dass es die „richtigen“ Begriffe sind, sog. Konstrukte, die wissenschaftlich beschrieben und definiert wurden und somit auch messbar sind. Nutzlich sind hierzu die Erfahrung externer Experten.
Mit den richtigen Begriffen identifizieren Sie die Daten, die Sie zum besseren Verständnis des Problems benötigen. Mithilfe der Consensus-App haben Sie empirisch überprüfte Hypothesen zur Verbindung von Mathematik-Leistungen mit Motivation, Interesse, Selbstkonzept gefunden. Es sind also Daten zu den Mathematikleistungen erforderlich, zum mathematik-spezifischen Selbstkonzept und Interesse sowie zur Motivation. Zu den Daten, die Aufschluss über die Mathematikleistungen geben, gehören Notenspiegel mit allen mündlichen und schriftlichen Zensuren, Aufzeichnungen der Lehrkräfte zu den Leistungen der Schülerinnen und Schüler, VERA 3 und VERA 8 sowie Jahrgangsstufenarbeiten. Das Befragungstool für die interne Evaluation BETSIE enthält Fragebogen-Bausteine zu Motivation, Interesse, Selbstkonzept, so dass Sie damit erheben können, wie es um die Motivation und das Interesse der Schülerinnen und Schüler für das Fach Mathematik bestellt ist und wie sie ihre eigenen Kompetenzen im Fach Mathematik einschätzen.
Schritt 2: Daten erschließen
In diesem Schritt beginnt die tatsächliche Datennutzung. Es geht darum, relevante Daten zu identifizieren, zusammenzustellen und aufzubereiten. Konkret soll die Schule ...
… bereits vorhandene Daten im Blick haben.
… relevante Datenquellen auswählen.
… Möglichkeiten zur weiteren Datengewinnung kennen:
- Angebote der Qualitätsagentur, z. B. kollegiale Hospitation, Schüler-Feedback, systematische Beobachtung (z. B. der Pausensituation),
- Methodenkoffer
… die Daten verstehen und korrekt in den Kontext einordnen
… auf die Qualität und Aussagekraft der genutzten Daten achten
… Unterstützungsmöglichkeiten nutzen
Schritt 3: Sinn stiften
Mit Sinn stiften ist eine tiefe Auseinandersetzung mit und ein intensiver Austausch über Daten gemeint. Ein multiperspektivisches Team aus Schulleitung, Personen aus dem Kollegium, der Schulentwicklungsmoderation und der Beratung für datengestütztes Arbeiten muss die gesammelten Daten gemeinsam lesen, verstehen und kontextualisieren. Die Informationen aus den Daten werden auf der Basis empirischer Befunde, persönlicher Erfahrungen und dem situativen Kontext verarbeitet. Es geht darum den Daten eine Bedeutung für das schulische Handeln zu geben.
Um einen tiefgreifenden Austausch über Daten in Gang zu setzen, sind folgende Fragen hilfreich:
- Auswählen: Welche Ergebnisse in den Daten überraschen? Welche fallen besonders ins Auge?
- Vergleichen: Wie verhalten sich die Ergebnisse zu meinen Erfahrungen (als Lehrkraft bzw. Schulleitung und zu anderen, ähnlichen Schulen, Klassen, …?
- Bewerten: Was sagen uns die Daten zum identifizierten Problem/Thema der Schule? bzw. Ergibt sich aus den Daten eine weitere Problemstellung?
- Verknüpfen: Wo stehen die unterschiedlichen Daten in Zusammenhang miteinander? Wo gibt es Widersprüche?
- Aushandeln: Wo stimmen wir im Team überein und wo nicht?
Für ein erfolgreichen und zielführenden Datenaustausch sind eine Reihe von Kompetenzen hilfreich, die zur Data Literacy gezählt werden. Stellen Sie sicher, dass wenigstens eine Person in ihrem Datenteam diese Fähigkeiten mitbringt.
Es ist notwendig, Informationen aus Grafiken, Tabellen oder anderen Präsentationsformen korrekt abzulesen und zu deuten. Dabei ist unbedingt ein Bewusstsein für das Risiko von Fehlinterpretationen erforderlich, um eine kritische Einordnung des inhaltlichen Gehaltes der Daten zu gewährleisten und relevante Informationen zu identifizieren.
Alle Mitglieder des Datenteams beteiligen sich daran, den Daten Bedeutung und Sinn zu geben. Dieser Schritt erfordert Einbeziehung des schulischen und unterrichtlichen Kontexts, um die Ergebnisse sinnvoll interpretieren und bewerten zu können. Die so gewonnenen Erkenntnisse müssen anschließend in Bezug zu den in der Problembeschreibung formulierten Hypothesen gesetzt werden. Der gesamte Prozess des Sinnstiftens ist eine notwendige Vorarbeit zur Formulierung von Zielen, denn diese sollen sich fundiert und logisch aus den analysierten Daten heraus ergeben.
Neben einwandfreien technischen Voraussetzungen, die einen störungsfreien Datenzugang ermöglichen, sind die Einstellung zum datengestützten Arbeiten, die Führungskompetenz der Schulleitung und die Schulkultur Gelingensbedingungen für einen sinnstiftenden Umgang mit Daten.
Für eine erfolgreiche Zusammenarbeit im Datenteam ist es entscheidend, dass ein gemeinsames Verständnis von Problemen und deren zentralen Ursachen und Zusammenhängen besteht. Werden die Daten nur oberflächlich betrachtet, indem z. B. nur die Ergebnisse von leistungsschwachen Gruppen und der Schülerinnen und Schüler nicht deutscher Herkunft fokussiert werden, besteht leicht die Gefahr, dass voreilige Schlüsse gezogen werden.
Im Datenteam sollte eine grundsätzlich positive Einstellung zur Datennutzung bestehen. Die Mitglieder des Datenteams müssen sich darüber einig sein, dass Daten eine Relevanz haben und qualitätvolle Informationen liefern. Das bedeutet nicht, dass in allen Fragen Einigkeit bestehen muss. Die unterschiedlichen Perspektiven im Team können zu kontroversen Diskussionen führen, bei denen Emotionen oft eine bedeutende Rolle spielen.
Für eine tiefe Auseinandersetzung mit Daten ist daher eine starke, unterstützende und gut kommunizierende Leitung unerlässlich. Das gemeinsame Ringen um Entscheidungen, die letztlich von allen getragen werden können, erfordert insbesondere bei der Schulleitung die Fähigkeit, ungewöhnliche Ideen und Widersprüchlichkeiten auszuhalten, anstatt vorschnell mit Kritik zu reagieren oder Debatten zu unterbinden. Die Führungskompetenz ist entscheidend für ein gegenseitiges Vertrauen im Datenteam.
Kooperatives Vorgehen und Vertrauen sind für ein datengestütztes Arbeiten unerlässlich. Die Schulleitung trägt maßgeblich zu einer solchen Schulkultur bei.
Zur Implementierung des Sinnstiftens in die Praxis sollte die Schule zunächst durch externe Fachleute angeleitet werden. Perspektivisch benötigt die Schule keine Unterstützung von außen mehr und das datengestützte Arbeiten kann zur regelhaften Vorgehensweise in der Schule werden.
Schritt 4: Ziele setzen
Mit den gewonnenen Informationen aus der Sinnstiftung werden entsprechende Ziele formuliert. Die Ziele sind
- SMART zu formulieren.
- durch Indikatoren zur Überprüfung der Zielerreichung zu ergänzen.
- mit den Zieldimensionen Startchancen-Programm im Einklang.
- im Qualitätstableau wiederzufinden.
Wir verweisen hier explizit auf die Broschüre „Von der externen Evaluation zur Ziel- und Handlungsvereinbarung“ (Seite 16 – 18): https://www.isb.bayern.de/schulqualitaet/qualitaetssicherung/externe-evaluation/zielvereinbarungen/
Schritt 5: Maßnahmen planen und umsetzen
Für die Planung und Umsetzung von Maßnahmen ist es hilfreich,
- die Erläuterungen zum Qualitätstableau zu nutzen.
- wenn diese wissenschaftlich auf Wirksamkeit geprüft wurden.
- die Überprüfung der Wirksamkeit stets mitzudenken.
- diese im Schulentwicklungsprogramm zu verankern.
Auch für diesen Schritt empfehlen wir als Impulsgeber die Broschüre „Von der externen Evaluation zur Ziel- und Handlungsvereinbarung“ (Seite 19 - 21) https://www.isb.bayern.de/schulqualitaet/qualitaetssicherung/externe-evaluation/zielvereinbarungen
Schritt 6: Evaluationen durchführen
Im Zuge der Umsetzung erfolgt auch die Evaluation. Hier wird anhand von Daten zu den in Schritt 4 festgelegten Indikatoren der Zielerreichung überprüft, ob die Ziele erreicht wurden und sich die ausgewählten Maßnahmen auf das zu Beginn identifizierte Problem ausgewirkt haben.
Lassen sich Veränderungen im schulischen Alltag und im Unterricht nachweisen? Gibt es messbare Verbesserungen bei den Leistungen der Schülerinnen und Schüler? Konnte eine Verbesserung oder eine Lösung des Problems erreicht werden, oder ist ein erneuter und angepasster Durchlauf des Kreislaufs notwendig?
Ziele wurden erreicht! Maßnahmen sind wirksam! Dann vergessen sie nicht …
… Ihre Erfolge zu feiern!
- Selbstcheck zur Überprüfung der Qualität von Bildungsmaterialien: Qualitäts-Schnellcheck | twillo
- Medienkompetenz-Navigator: Der Medienkompetenz-Navigator | mebis Magazin (bycs.de)
- Qualitätskriterien für Medienkonzepte: Qualitätskriterien für Medienkonzepte | mebis Magazin (bycs.de)
- Der Nutzen von Schülerfeedback: nutzen.pdf (bayern.de)
- Evaluation von E-Learning-Angeboten: Evaluation von E-Learning-Angeboten | mebis Magazin (bycs.de)
- Datenbasierte Unterrichtsentwicklung und ihr Zusammenhang zur Schülerleistung: Datenbasierte Unterrichtsentwicklung und ihr Zusammenhang zur Schülerleistung | SpringerLink
- Datengestützte Schulentwicklung - Leit-IDEEN: Impulse für Schulaufischt und Schulleitung (LiGa – Lernen im Ganztag): DatengestuetzteSchulentwicklung_Leitideen_LiGa.pdf (schulaufsicht.de)
- Schul- und Unterrichtsreform durch ergebnisorientierte Steuerung (S. 131-153): Bildungsmonitoring zwischen Berichterstattung und Steuerungsanspruch – Entwicklungslinien und akteurtheoretische Implikationen | SpringerLink
- Wie Schulen lösungsorientiert mit Daten umgehen können: Datengestützte Schulentwicklung: Lösungsorientiert mit Daten umgehenDatengestützte Schulentwicklung - Wie Schulen lösungsorientiert mit Daten umgehen können – (deutsches-schulportal.de)
- 30. EMSE-Fachtagung vom 09. – 10.12.2021 (virtuell) in Stuttgart: Sandy Taut & Roland Seifert: Datengestützte kooperative Unterrichtsentwicklung: Erfahrungen im Rahmen der externen Schulevaluation in Bayern: PowerPoint-Präsentation (uni-bielefeld.de)
- 30. EMSE-Fachtagung vom 09. – 10.12.2021 (virtuell) in Stuttgart: Dr. Kim Schildkamp: Data-informed decision making: from compliance to improvement: Microsoft PowerPoint - Keynote Schildkamp data use (uni-bielefeld.de)
Altrichter, H. (2010): Schul- und Unterrichtsentwicklung durch Datenrückmeldung. In K. M. Merki (Hrsg.). Handbuch Neue Steuerung im Schulsystem. VS, Verlag für Sozialwissenschaften. S. 219-254.
Altenrath, M., Hofhues, S. & Lange, J. (2021): Optimierung, Evidenzbasierung, Datafizierung. Systematisches Review zum Verhältnis von Daten und Schulentwicklung im internationalen Diskurs. MedienPädagogik 44, (Datengetriebene Schule).
Benischek, I & Beer, R. (Hrsg.) (2024 ): Datengestützte Schul- und Unterrichtsentwicklung in Österreich, Erziehung und Unterricht, Österreichische pädagogische Fachzeitschrift, Heft 5–6, Sonderedition für das IQS.
Demski, D., Rosenbusch, C., van Ackeren, I., Clausen, M. & Schmidt, U. (2012): Steuerung von Schule durch evidenzbasierte Einsicht? Konzeption und erste Befunde des Forschungsverbundes EviS. In S. Hornberg (Hrsg.). Deregulierung im Bildungswesen. Münster, Waxmann. S. 131-150.
Deutsche Kinder- und Jugendstiftung (2022). Datengestützte Schulentwicklung. Leit-IDEEN – Impulse für Schulaufsicht und Schulleitung. Abzurufen unter . Zuletzt abgerufen am 02.03.2023
Döring, N. & Bortz, J. (2016): Forschungsmethoden und Evaluation. Wiesbaden, Springerverlag.
Hejtmanek, R. A., Hahn, St., Schulte, K., Klein E. D. (2024): Data Richness in Schulen unterstützen. Eine Handreichung für Akteur*innen aus dem Unterstützungssystem, 2. Auflage, Dortmund. (Link)
Klopsch, B., & Sliwka, A. (2020): Schulqualität als Resultat einer Verschränkung von Systemebenen. Datengestützte Schulentwicklung in der Provinz Alberta, Kanada. Abzurufen unter Schulqualität als Resultat einer Verschränkung von Systemebenen. Datengestützte Schulentwicklung in der Provinz Alberta, Kanada (pedocs.de), zuletzt geöffnet am 01.03.2023
Lichtinger, U. & Rigger, U. (2021): Grundkurs Schulmanagement XXX. Schule wird gelingen mit Flourishing SE. Carl Link Verlag.
Mandinach, E. B., & Gummer, E. S. (2016): What does it mean for teachers to be data literate: Laying out the skills, knowledge, and dispositions. Teaching and teacher education, 60, 366-376.
Müller, S. (2018): Diagnostizieren und Bestandsaufnahme, in: Buhren, C. G. / Rolff, H.-G.: Handbuch Schulentwicklung und Schulentwicklungsberatung, 2. neu ausgestattete Auflage, Weinheim und Basel, Beltz Verlag, S. 90-108.
Schildkamp, K. & Datnow, A. (2022): When Data Teams Struggle: Learning from Less Successful Data Use Efforts. Leadership and Policy in Schools, 21 (2), 147-166.
Schildkamp, K., & Ehren, M. C. M. (2013): From "intuition"- to "data"-based decision making in Dutch secondary schools? In K. Schildkamp, M. K. Lai, & L. Earl (Eds.), Data-based decision making in education: Challenges and opportunities (pp. 49-67). (Studies in educational leadership; Vol. 17, No. 17). Springer
Schildkamp, K., Poortman, C. L. & Handelzalts, A. (2016): Data teams for school improvement, School Effectiveness and School Improvement, 27:2.
Schildkamp, Kim (2019): Data-based decision-making for school improvement: Research insights and gaps, Educational Research, 61:3, 257-273.
Schildkamp, Kim, Cindy Poortman, Hans Luyten & Johanna Ebbeler (2017): Factors promoting and hindering data-based decision making in schools, School Effectiveness and School Improvement, 28:2, 242-258.
Schulte, K., Fickermann, D., & Lücken, M. (2016): Das Hamburger Prozessmodell datengestützter Schulentwicklung. DDS–Die Deutsche Schule, 108(2), 176-190.
Sliwka, A./Klopsch, B. (2024): Das lernende Schulsystem. Paradigmenwechsel in der Bildung, Weinheim und Basel, Beltz-Verlag.
Wienke, M. & Ritter, M. (2024): Forschungsergebnisse der daten- und evidenzbasierten Schulentwicklung – eine systematische Literaturrecherche. Schulpraxis entwickeln (Spe). Journal für forschungsbasierte Schulentwicklung. 4 (2), S. 16–46.
Wurster, S., Richter, D. & Lenski, A. E. (2017): Datenbasierte Unterrichtsentwicklung und ihr Zusammenhang zur Schülerleistung. Zeitschrift für Erziehungswissenschaft, 20(4), 628-650.
Voelzke, N. (2024): Rezension zu Schildkamp, K. & Datnow, A. (2022) In: Forschungsmonitor Schule. Online verfügbar www.forschungsmonitor-schule.de. Zuletzt aufgerufen am 03.09.2025.