S TATISTIKÄMNET I SKOLAN

I introduktionsdelen frågade jag om statistik är viktigt att lära sig i skolan. Det har förhoppningsvis framgått i min uppsats att det är viktigt att lära sig statistik i skolan och kanske då speciellt det som kallas för statistical literacy (Gal, 2002; Garfield och Ben-Zvi, 2007; Bakker, 2004). Begreppet innefattar vår förmåga att tolka, kritiskt granska och kommunicera statistisk information (Gal, 2002, Garfield och Ben-Zvi, 2007) och eftersom statistisk information av olika slag ständigt finns omkring oss och kräver att vi tar ställning till den, är det en förmåga som vi behöver i dagens samhälle. Denna förmåga består av flera aspekter och kompetenser; inte endast matematiskt- och statistiskt kun-nande utan också kontextuellt kunkun-nande och kritiskt ifrågasättande. Vidare

”uppstår” den inte automatiskt, utan måste övas. Statistical literacy är med andra ord en kunskap och kompetens som är synnerligen viktig att lära ut i dessa tider av ”fake news” och ”alternativa fakta”.

Trots att det är viktigt med statistical literacy; verkar det, vad jag förstår, finnas ett visst motstånd till statistikämnet bland såväl elever och lärare. För att an-vända Isakssons ord (”Lärarpodden: didaktorn”, 2015): ”Den svenska skolan har problem med att hantera statistik i undervisningen”. Enligt min erfarenhet är han inte den enda som tycker så. Det finns även vissa indikationer på att nästan fyra av fem ungdomar är osäkra när de ska avgöra om statistik i nyhets-rapportering framställs på ett manipulativt sätt eller ej (Karlsson, 2019). Sam-mantaget får detta mig att undra om detta kan ha att göra med lärarnas egen förförståelse i ämnet och kunskaper i hur statistik bör undervisas. Det får mig också att fundera över om det kan vara så att det saknas praktisk förankring i dagens statistikundervisning i skolan och om det i så fall är det som gör att eleverna upplever statistik som ”tråkigt” och svårt att förstå; med andra ord:

ska man skilja på statistisk beräkning och statistisk tolkning som Isaksson fö-reslår (”Lärarpodden: didaktorn”, 2015)? Jag försöker i de två följande styck-ena reflektera över frågorna.

4.2.1 Motstånd till statistikämnet hos lärare?

Jag har inga andra uppgifter på att det finns ett motstånd till statistikämnet bland lärare än det jag hört av andra och själv upplevt inom universitetet. Det finns i så fall säkert många tänkbara anledningar till detta motstånd, som i sin tur samverkar på flera nivåer. Denna text ska därför på intet vis betraktas som

28

en fullständig genomgång av dessa, utan snarare som några av mina egna re-flektioner vid skrivandet av denna uppsats. Kanske har Shoughnessy (2007) rätt i att matematiklärare generellt saknar (eller tycker att de saknar) den ut-bildning, begrepps- och ämnesdidaktiska kunskap som behövs för att under-visa i statistik. Möjligen är detta, i sin tur, kopplat till statistikämnets tvärve-tenskaplighet; tvärvetenskapligheten gör det kanske svårt för matematiklärare att få en uppfattning och översikt av vad statistikämnet ”är” och försvårar för-stås också för eleverna. Det är, till exempel, stora skillnader i pedagogiskt upp-lägg och genomgångna metoder, på beräkning och användning av statistikpro-gramvara, samt på fokus gällande tolkning och kontextualisering av resultat, inom högskole- och universitetskurser i matematisk statistik, biostatistik och epidemiologi, respektive samhällsstatistik och demografi. Inriktningen av den eller de kurser i statistik en matematiklärare själv läst kan således komma att i stor grad forma hens eget pedagogiska grepp och förståelse av ämnet. Ibland kan det kanske vara så att denna förförståelse kanske inte är den optimala för att lära ut statistik och då speciellt statistical literacy i skolan.

Kanske är motståndet också en konsekvens av att det helt enkelt forskats för lite på lärares kunskap och undervisningsmetoder inom statistikdidaktik, som Shoughnessy (2007) fört fram. Vi kanske helt enkelt vet för lite för att ”fixa till problemet” och då lönar det sig inte att spekulera, beskylla eller leta synda-bockar. Merryman (2006) pekar till exempel på att även om statistical literacy explicit har förts in i Nya Zeelands läroplan, är det sparsamt utvärderat och hon menar också på att det finns skäl att tro att det alltid inte undervisas. Men vi vet i alla fall till exempel att Lee et al. (2014) i sin studie ger några rekommen-dationer gällande utformning av statistisk utbildning för lärare för att öka lä-rarnas egen förmåga till transnumeration, vilket, så klart, är en förutsättning för att lärarna ska kunna lära ut det till elever. Vi vet också att Bakker (2004) och Shoughnessy (2007) för fram argument för vikten av att explicit införa statistical literacy och transnumeration i skolans läroplaner, och det finns sä-kerligen många fler exempel. Dessa potentiella lösningar kan dock ta tid att införliva, även om jag instämmer i att de är mycket viktiga aktioner.

Men vi har faktiskt också forskningsresultat som mer handfast visar hur en lärare kan göra statistikundervisningen mer meningsfull för eleverna redan nu.

Till exempel visar Gordon och Nicholas (2009) samt Merryman (2006) på an-vändbara pedagogiska grepp för att öka statistical literacy hos elever genom användandet av engagerande exempel i undervisningen. Statistikmomenten i matematikundervisningen i skolan lämpar sig också ypperligt för att göra be-räkningar och grafer i digitala verktyg och programmering används således med fördel vid statistisk problemlösning. Denna dynamiska interaktion mellan data, kontext och användare främjar den del av statistiskt tänkande som kallas

29

för transnumeration (Bakker, 2004; Pfannkuch, Rubick och Yoon, 2002;

Shoughnessy, 2007).

4.2.2 Skilja på statistisk beräkning och statistisk tolkning?

I introduktionsdelen nämndes Isakssons åsikter att tolkning av grafer och be-skrivande statistik förstås mycket lättare av eleverna när momentet faller inom samhällsorienterande ämnen, jämfört med inom matematikämnet (”Lärarpod-den: didaktorn”, 2015). Gordon och Nicholas (2009) beskriver också, i deras undersökning om användandet av engagerande exempel i undervisningen, att några av lärarna ville tona ned matematiken – beräkningarna – i statistikunder-visningen i syfte att behålla engagemang. Som tidigare nämnts, är detta också något jag själv erfarit på olika sätt. Förutom Isakssons samarbete med Statist-iska centralbyrån (StatistStatist-iska centralbyrån (b)) finns även andra goda exempel där verkliga data används som grund i undervisningen i skolan. Gapminder (https://gapminder.org), ett interaktivt visualiseringsverktyg som hjälper oss att förstå världen och våra fördomar med hjälp av dynamiska statistiska repre-sentationer av data, används till exempel i större utsträckning i skolan, se till exempel lärarhandledningen av Markstedt, Arevius och Gränström. Fokus i dessa båda exempel är dock tolkningsdelen, inte beräkningsdelen.

Upplevs statistikämnet som svårt och tråkigt av eleverna eftersom fokus i ma-tematikämnet och således även i den statistik som undervisas i skolan är räkningar, medan den mer omvärldsförankrade tolkningen av grafer och be-skrivande statistik överlämnas åt, till exempel, samhällsorienterande ämnen?

Är slutsatsen då att dessa två delar bör skiljas åt? Svaret är nej – tolkning och beräkning ska inte separeras; både tidigare nämnda statistikdidaktiska mo-deller och teorier, men även min egen erfarenhet och övertygelse, talar emot det. Beräkning och tolkning är, båda två, viktiga delar för att lära ut och be-härska statistiskt tänkande och statistical literacy och ska således snarare syn-tetiseras och kopplas samman för eleverna, inte skiljas åt. För att behärska statistical literacy behövs enligt Gal (2002) en synergi av till exempel mate-matiskt och statistiskt kunnande, men också att elever kan kontextualisera – se verkligheten bakom data – och tänka kritiskt. Vidare kan inte transnumeration, en viktig del statistiskt tänkande och statistisk problemlösning, tränas och

”uppstå” bara genom att tolka beskrivande statistik och grafer; dynamisk in-teraktion med data är en viktig del (Pfannkuch, Rubick och Yoon, 2002; Wild och Phannkuch, 1999; Lee et al., 2014).

30