D’Curriculumsdivisioun vum SCRIPT huet iwwer en Zäitraum vu sechs Méint eng Analys vun den gesammelten Donnéeën duerchgefouert an an dësem Kontext eng manuell Analys esou wéi eng maschinn-assistéiert Analys (NLP) gemaach. Op Basis vun den Analysen, de Recommandatiounen vu verschiddenen Experten a Stakeholder, an der kontinuéierlech duerchgefouerter Recherch gouf fir September 2023 ee Synthees-Dokument (“Whitepaper”) ausgeschafft, dat d’Konklusiounen fir ee neien Plan d’études festhält. Nofolgend fannt Dir méi Detailer zur Analys- a Syntheesphas.

Analys (Januar 2023 – Juni 2023)

Manuell / Mënschlech Analys vum Korpus

Parallel mam Schluss vun der Consultatiounsphas huet eng nei Etapp vum Projet huet ugefaangen: D’Analys vum Korpus mat allen Aussoen, déi am Consultatiounsprozess zesummekomme sinn, dorënner déi néng CoLab-Rapporten. Iwwer en Zäitraum vu sechs Méint huet d’Curriculumsdivisioun d’Aussoen an der Déift analyséiert, dat mat Hëllef vu korpusanalytesche Methoden ewéi Diskurs- an Inhaltsanalys. Et goung dorëms, déi grouss Linne fir d’Reform vum Plan d’études erauszekristalliséieren. D’Aussoen aus dësem Korpus goufen am Kader vun der mënschlecher Analys thematesch an véier grouss Theemberäicher geclustert: (1) D’Rumm vun engem neien Plan d’études, (2) De “Kär” vun engem neien Plan d’études, (3) D’Evaluatioun an d’Orientatioun an der Grondschoul, (4) De Kader ronderëm de Plan d’études an d’Schoul. Folgend Quellen sinn an dës Korpus-Analys opgeholl ginn:

Maschinn-assistéiert Analys (NLP) vum Korpus (Januar 2023 – Abrëll 2023)

Déi manuell Analys gouf duerch eng maschinn-assistéiert Analys kompletéiert. Heifir gouf mam Lëtzebuerger Startup Zortify zesummegeschafft, fir iwwer de Wee vum Natural Language Processing (NLP) ze préiwen, ob an der mënschlecher Analys keng wichteg Theemefelder iwwersi goufen. Iwwer 6000 Aussoen goufen an dësem Kontext maschinn-assistéiert analysiert. D’Resultater hunn erginn, dass déi mënschlech Analys duerch d’Curriculumsdivisioun all déi Theemefelder, déi sech beim NLP erginn hunn, ofgedeckt huet. Am Folgenden gëtt de Prozess vun dëser Analys méi am Detail erkläert.

 

Firwat Natural Language Processing?

D'Analys vu grousse Quantitéite vu méisproochegen Donnéeën ass aarbechts- an zäitintensiv. NLP-Technologie erlaabt Computeren zu engem gewësse Grad, Text ze verstoen an z’interpretéieren. Zousätzlech si méisproocheg KI-Modeller fäeg, Textdaten ze interpretéieren a Cluster vu semantesch verwandten Textstécker ze erkennen. Dës Kategoriséierung mécht et méi einfach fir d’mënschlech Aen, Donnéeën a kuerzer Zäit ze deiten. Mat enger NLP-baséierter Analys kënnen Abléck a grouss Quantitéiten un Textdaten gewonne ginn.

NLP-Algorithmen kënnen deemno Musteren erkennen, Dokumenter kategoriséieren a relevant Informatiounen mat héijer Exaktheet extrahéieren. Dëst kann hëllefen, de Risiko vu Feeler ze reduzéieren an d‘Qualitéit vun enger Analys ze garantéieren.

 

Ziler vun der maschinn-assistéierter Analys

Ewéi schonn erwänt gouf niewent der manueller Analys vun der Curriculumsdivisioun zousätzlech eng maschinn-assistéiert natierlech Sproochveraarbechtungs-Analys (Natural Language Processing – NLP) duerchgefouert. De SCRIPT huet mat Zortify, engem AI Start-up aus Lëtzebuerg, zesummegeschafft, fir esou eng maschinn-assistéiert Analys mat de folgenden Ziler duerchzeféieren:

  1. Verglach vun der manueller (mënschlecher) Analys mat der NLP-Analys
  2. Potentiell "blann Flecken" a virdrun onerkannten Relatiounen tëscht den Donnéeën z'identifizéieren

 

Prozess

Am Kader vun der Léierplang-Revisioun vun der Grondschoul (“Plan d’études”) huet de SCRIPT e Consultatiounsprozess mat ongeféier 750 Fachleit aus dem Educatiouns- an Elterenberäich, 350 Kanner a weideren Partie Prenanten duerchgefouert. Dëse Consultatiounsprozess huet d‘Sammele vu qualitativen Donnéeë vun Acteuren (z. B. Enseignanten) iwwer verschidden Theemen am Zesummenhang mat der Grondschoulreform beinhalt (z. B. Visioun fir d'Grondschoul, transversal Kompetenzen, Evaluatioun, asw.). Am Consultatiounsprozess goufen ënnert anerem sechs Workshops ("CoLabs") mat Léierpersonal aus dem Fondamental an dem Secondaire, zwee Workshops mam Conseil supérieur de l'éducation nationale (CSEN), ee Workshop mat Elterevertrieder an 29 Ateliere mat am Ganzen 350 Kanner duerchgefouert. All Workshop huet sech mat engem oder méi spezifeschen Theemen beschäftegt, déi mat der Léierplangrevisioun a Relatioun stinn.

No all CoLab-Workshop goufen déi gesammelt qualitativ Donnéeën synthetiséiert an an ee CoLab-Rapport zesummegefaasst. Fir esou CoLab-Rapporten ze kreéieren, verschafft d’Curriculumsdivisioun déi qualitativ gesammelten Donnéeën: si ginn fir d'éischt manuell kodéiert an duerno nei organiséiert, thematesch analyséiert a gruppéiert. Déi néng CoLab-Rapporten aus der Consultatiounsphas goufen online op www.curriculum.lu publizéiert.

Op Basis vun dësen néng CoLab-Rapporten a weideren gesammelten Donnéeën gouf vun der Curriculumsdivisioun eng extensiv Synthees duerchgefouert (manuell Analys). Dës qualitativ Synthees enthält och d‘Aussoen aus de Rapporten vum CSEN, de Vertrieder vun den Elteren a Schüler etc. (vollstänneg Opzielung siehe uewen).

Am Kader vun der maschinn-assistéierter Analys gouf wärend der Datepreparatioun, der Exploratioun an der Analysphas eng kollaborativ Approche tëscht den Datewëssenschaftsexperten vun Zortify an der Curriculumsdivisioun, de Consultatiounsexperten, verfollegt, fir déi richteg Virbereedung vun den Donnéeën a hir beschtméiglech Analys ze garantéieren. Zortify huet eng algorithmesch Cluster-Analys als méiglech Optioun identifizéiert an duerchgefouert. Ongeféier 6038 Echantillon (individuell Aussoen) goufen heifir als Donnéeën aus 7 Annexen vun CoLab-Rapporten extrahéiert. (7 vun den insgesamt 9 CoLab-Rapporten goufen am Kader vun der NLP-Analys vun Zortify ënnersicht. De Rapport vum CoLab-Workshop mat den Elterevertrieder an deen vun den Atelieren mat de Kanner konnten hei net berücksichtegt ginn, well d’Daten (nach) net an der néideger Form zur Verfügung stoungen. Dës zwee Rapporten goufen awer an déi manuell Analys mat opgeholl.) D‘Informatiounen bestinn ënner anerem aus den an de Workshops gestalltene Froen, den Titelen vun den Äntwerten an e puer manuellen Annotatiounen. Wéinst der ënnerschiddlecher Struktur vun den Annexen sinn net all dës Informatiounen bei all Annexe verfügbar. D’Annexen gehéieren zu den Rapporten vun de CoLab-Workshops a sinn um Internetsite vun der Curriculumsdivisioun bei den Informatiounen vum jeeweilegen CoLab-Workshop ze fannen.

D'Echantillonen goufen op Basis vun hirer semantescher Ähnlechkeet mat engem Maschinnléier-Algorithmus identifizéiert a mat engem méisproochege Sproochmodell Clusteren op Basis vun hirer inhaltlecher Proximitéit geformt an doduercher een Set vun (Haapt-)Theemen erstallt. Den Algorithmus huet Schlësselwierder, déi an de Cluster vun den Echantillon erausstinn, extrahéiert a konnt domadder Indikatiounen vum Inhalt vun de Proben an all Cluster ginn. Beispill vun engem Cluster: => "Kompetenz" à Kompetenzen, Kompetent, Entwécklung, Informéieren, Experten. Theemen mat nëmmen enger klenger Unzuel vu Proben konnt den Algorithmus net semantesch an engem vun de Cluster klassifizéieren.

Dëse Clustering vun den Donnéeën gouf an zwou Phasen duerchgefouert. Fir d'Analys ze optimiséieren, gouf an enger 1. Phas de Clustering vun engem Deel vun den Donnéeën (2 Annexen) duerch mënschlech Kontroll validéiert: Een “neutralen” SCRIPT-Matarbeechter – dat heescht een, deen virdrun net an d’Datesammlung an an den Analysprozess involvéiert war – huet dësen éischten Clustering kontrolléiert, annotéiert a Feedback iwwer d'Clusteretiketten an d’Resultater un d'Datewëssenschaftler vun Zortify geliwwert. Doropshin goufen d’Algorithmen adaptéiert bzw. ajustéiert. D’mënschlech Annotatiounen hu gehollef, maschinnengeneréiert Kategorien ëmzearrangéieren. An enger 2. Phas goufen dono all 7 CoLab-Rapporten zesummen analyséiert.

Ausserdeem gouf déi semantesch Ähnlechkeet tëscht der Aféierungspresentatioun vun de CoLab-Workshops an den Theemen, déi an de CoLab-Rapporten identifizéiert goufen, ënnersicht, fir den Impakt vun der Aféierungspresentatioun op verschidden Diskussiounstheemen ze gesinn. D‘Zil vun dëser Analys war, Theemen ze identifizéieren, déi mat deenen an der Presentatioun iwwerteneestëmmen, an doniewent Theemen ze erkennen, déi net an der Presentatioun behandelt goufen.

 

Resultater

An dësem Pilotprojet gouf probéiert, potentiell blann Flecken an virdrun onerkannten Relatiounen tëschent den Donnéeën ze erkennen an déi manuell Analys vu qualitativen Donnéeën duerch eng maschinn-assistéierter Analys mat Hëllef vun Natural Language Processing )NLP) ze (ënner)stëtzen.

D’NER-Analys (Named Entity Recognition) konnt leider net zu sënnvolle Resultater féieren, well sech d‘Participanten an hiren Aussoen net vill op spezifesch Plazen an Organisatiounen bezéien. D’NER-Analys gouf applizéiert, fir spezifesch Entitéite wéi Organisatiounen a Plazen z’identifizéieren an ze extrahéieren. D‘Iddi war, dass d‘Rapporten schlussendlech d‘Wichtegkeet vun der Bedeelegung vu verschiddenen Organisatiounen fir d‘Zukunft vun de Schoulen ënnersträichen. Dëst sollt ënnersichen, wéi eng Entitéiten erausstiechen an déi méiglech Relatiounen tëscht hinnen opweisen (z. B. fir ze verstoen, wien d'Acteuren sinn, wou se an der Bildungslandschaft ze verorten sinn, etc.).

Och d'Sentimentanalys, also eng Ënnersichung vu Bezéiungen an Emotiounen géintiwwer bestëmmten Sujeten, gouf verworf, well si keng zousätzlech Informatiounen geliwwert huet.

Beim Clustering vu relevante Aussoen aus den Annexen vun de CoLab-Rapporten goufen op Basis vun der semantescher Ähnlechkeet gréisstendeels Iwwerteneestëmmungen mat der manueller Analys fonnt. Och déi extrahéiert Schlësselwierder tëscht der Maschinn an der manueller Analys konnten als gréisstendeels kongruent identifizéiert ginn. Duerch d'Kombinatioun vun dësen zwou Approche gouf zudeem verifizéiert, dass déi analyséiert CoLab-Rapporten d'Haaptthemen aus de CoLab-Workshops ofgedeckt hunn.

Déi "Grouss Clusteren" aus der maschinn-assistéierter Analys sinn:

  • A) Evaluatioun a Bewäertung mat den Ënnertheemen: Vilfalt vu Methoden, Erausfuerderungen an der Bewäertung, Noutwennegkeet vun der Bewäertung, Autoevaluatioun, Methoden an Tools fir Evaluatioun a Bewäertung, Evaluatiounsintervaller wéi och Kloerheet an Transparenz vun der Evaluatioun.
  • B) Kommunikatioun an Zesummenaarbecht tëscht Enseignanten, Elteren a Schüler mat den Ënnertheemen: Zesummenaarbecht tëscht verschiddenen Acteuren an der Schoul, Kommunikatioun mat Elteren, Kommunikatioun tëscht Léierpersonal, Elteren a Schüler, Kommunikatioun an Interaktioun tëscht Léierpersonal an Elteren, Zesummenaarbecht tëscht Enseignanten an Éducateuren, Zesummenaarbecht tëscht Éducateuren an Elteren, Kommunikatioun an Zesummenaarbecht tëscht Schoulen an Elteren, Ënnerstëtzung fir Schüler (a Kommunikatioun mat Elteren)
  • C) Zesummenaarbecht a Kommunikatioun als Kompetenzen fir Schüler, mam Ënnertheema wéi sozial Fäegkeeten
  • D) Methoden vu Sproochenunterrecht mat den Ënnertheemen: Notzung vu verschiddene Sproochen am Klassesall, Sprooche-Léiermaterial, Ënnerstëtzung fir a mat Sproochen (ze) léieren
  • E) Praktesch Fäegkeeten, wéi multi- oder interdisziplinär a Liewens-Fäegkeeten
  • F) Iwwergäng tëscht Léierzyklen
  • G) Emotionaalt a soziaalt Léieren
  • H) Lëtzebuergesch als Integratiounssprooch
  • I) E flexibelen (Stonnen-)Zäitplang
  • J) Schülerparticipatioun
  • K) Individuell Approchen
  • L) Digitaliséierung
  • M) Ënnerstëtzung fir Schüler mat spezielle Besoinen
  • N) Kompetenz-baséierten Unterrecht

Limitatiounen fir déi maschinn-assistéiert Analys erginn sech doduerch, dass déi qualitativ Donnéeën vun Ufank un fir eng manuell Analys geduecht waren. Weiderhin gouf net mat Réidonnéeën, mee mat Annexen vu CoLab-Rapporten geschafft, an deenen d’Donnéeën scho liicht verschafft gi waren. Doduerch hunn net all d’Analyspisten (z. B. NER-Analys, Sentimentanalys) Resultater konnte liwweren.

D’Resultater vum Clustering vun iwwer 6000 Aussoen hunn awer erginn, dass déi mënschlech Analys duerch d’Curriculumsdivisioun all déi Theemefelder, déi den Algorithmus identifizéiert huet, ofdeckt. Domadder konnt d’Qualitéit vun der mënschlecher Analys ënnermauert ginn.

 

Diskurs(analys), Kader & Recherch (2020-2023)

D’Curriculumsdivisioun huet kontinuéierlech de gesellschaftlechen, schouleschen a wëssenschaftlechen Diskurs verfollegt. Zu verschiddenen Theemen, ewéi zur “Méisproochegkeet” an zur “digitaler Transformatioun”, huet si weiderhin gezielten national an international Recherch gemaach, fir hire Wëssensstand ze verdéiwen. De bestoenden gesetzlechen Kader gouf analyséiert an d’Divisoun huet en continue Gespréicher gefouert, Recommandatiounen opgeholl an Evenementer besicht, fir méiglechst vill ënnerschiddlech Standpunkter ze héieren an hiert Wëssen a bestëmmte Kärberäicher weiderzëentwéckelen. All dës Impulser sinn mat an d’Synthees-Dokument “Whitepaper” agefloss.

Op Basis vun den Analysen aus dem Consultatiounsprozess, der Analys vum bestoenden gesetzleche Kader a vum Diskurs, der (wëssenschaftlecher) Recherche an der Expertis, déi d’Divisioun vun der Curriculumsentwécklung iwwert déi lescht Joren opgebaut huet, gëtt am September 2023 ee Whitepaper iwwert de Projet publizéiert (LU & FR).

 

Synthees – De Whitepaper (September 2023)

Dräi grouss Etappen am Projet 'Plan d’études 2025' konnten fir d’Rentrée 2023/2024 ofgeschloss ginn:

  1. De Consultatiounsprozess mam Terrain
  2. D’Analys vun alle gesammelten Informatiounen
  3. D’Synthees dorauser, déi elo als Whitepaper virläit!

Am Whitepaper mam Titel “Een neie Plan d’études fir den Enseignement fondamental” ginn déi grouss Linne virgestallt, déi fir den neie Plan d’études solle richtungsweisend ginn: D’Rumm vum neie Plan d’études, déi fënnef Schlësselkompetenzen (Multiliteracy-Kompetenz, Selbstkompetenz, Sozialkompetenz, Reflexiounskompetenz an Transformatiounskompetenz) an déi véier Pilieren (Wuelbefannen, Participatioun, Méisproochegkeet an Digitalitéit), op deenen den neie Plan d’études wäert opgebaut ginn.

Am Whitepaper gëtt doriwwer eraus erkläert, dass den neie Plan d’études fir d’Rentrée 2026/2027 wäert implementéiert an eng digital Plattform säin Dréi- an Angelpunkt wäert ginn.

Mir freeën eis, Iech dëse Whitepaper kënnen ze presentéieren. Dir fannt en hei als PDF op Lëtzebuergesch an op Franséisch ënnen op dëser Säit ugespéngelt.

Zousätzlech kënnt Dir nodréiglech hei drënner den Event ukucken, op deem de Whitepaper der breeder Bildungslandschaft presentéiert an dono an enger Table ronde diskutéiert gouf (Dauer: 1:47:47). Dësen Event war am Forum Geesseknäppchen, den 3. Oktober 2023 vun 16 bis 18 Auer. 

  • 0:00-8:00 – Virwuert vum Educatiounsminister Här Claude Meisch
  • 8:00-50:00 – Presentatioun vum Whitepaper vum Direkter vum SCRIPT Här Luc Weis
  • 50:00-1:47:47 – Table ronde mat den Invitéeën Philippe Kloos, Regionaldirekter vu Sanem, Dany Semedo, President vum Bureau exécutif vun der Conférence nationale des élèves (CNEL), Vanessa Schetgen, Enseignante a Vizepresidentin vum Syndicat national des enseignants (SNE), Halldor Halldorsson, Responsablen vun der Divisioun fir Curriculumsentwécklung (SCRIPT), an Alain Massen, President vun der nationaler Elterevertriedung.

Source: Vimeo

 

Dekoratioun: faarwecht Seel