Table of Contents
הסעיף הבין-תחומי של למידה Analytics ו-ABET Accreditation
הסמכה טובה יותר משמש סימן איכות עבור תוכניות הנדסיות ומחשוב ברחבי העולם, אימות כי בוגרי לעמוד בסטנדרטים מקצועיים קפדניים.התהליך דורש ראיות מקיפים כי התלמידים להשיג תוצאות תוכנית מוגדרות - החל מפתרון בעיות טכניות לחשיבה אתית ועבודת צוות. איסוף נתונים הסמכה מסורתי לעתים קרובות מסתמכ על תהליכים ידניים, הערכות מפוזרות, והערכה מקצה-של-של-סוף, אשר יכול להיות זמן-consuming ו- prone לערים פערים לפערים.
ניתוח למידה מציע אלטרנטיבה משתנה.על ידי מדידה שיטתית, איסוף וניתוח נתונים על הלומדים והקשרים הלמידה שלהם, מוסדות יכולים ליצור ראיות מופעלות פעולה, נתונים המונעות באופן ישיר תומך מסגרת הערכה מבוססת תוצאה של ABET. גישה זו לא רק מייעלת את תהליך איסוף הראיות הסמכה אלא גם מאפשר שיפור מתמשך של תוכניות לימודים, הוראה ותמיכה סטודנט.
מאמר זה מספק מדריך מעשי, מעמיק להפחתת ניתוח למידה עבור הסמכה טובה - גילוי נקודות הנתונים החיוניות, אסטרטגיות יישום, הטבות, ומלכודות נפוצות. בין אם אתה ראש מחלקת הנדסה, רכזת או חבר סגל, אתה תמצא תובנות ניתנות פעולה כדי לחזק את היציבה של התוכנית שלך.
Defining Learning Analytics ב-Acreditor's Context
ניתוח למידה הוא המדידה, האיסוף, הניתוח והדיווח של נתונים על הלומדים ועל סביבותיהם לשם הבנה וקידוד למידה וההגדרות שבהן היא מתרחשת. בהקשר טוב יותר, זה אומר להפוך את נתוני הסטודנטים הגולמיים לראיות משמעותיות המוכיחות כיצד תלמידים טובים משיגים את תוצאות התוכנית (SOs) ותוצאות התלמידים (SOs) המוגדרות על ידי FLT:0A טוב יותר קריטריונים של הסמכה FLT: 1LT:1LT:1 LT:1 .
קריטריה של ABET עבור תוכניות הנדסה הסמכה (2023–2024) דורשות תוכניות כדי "תהליך הערכה והערכה כי מסמכים מעת לעת ומפגין את התואר שבו תוצאות התלמידים מושגות."ניתוח הלמידה מספק את התשתית כדי להתאים את רוב התיעוד הזה, נע בין sporadic, ראיות אקסדוטליות לאיסוף ראיות שיטתיות ומתמשך.
בניגוד לדיווח פשוט של ציונים, ניתוח למידה משלב מקורות נתונים רבים - הערכה של הריסות, מערכת ניהול למידה (LMS) פעילות, תגובות סקר, הגשתי דואר אלקטרוני, ואפילו השתתפות קו-קורסי - לצייר תמונה הוליסטית של הישגי התלמידים. כאשר תואמים עם תוצאות של ABET, נתונים אלה יכולים לשמש ליצירת לוחות-חרדיונים, דוחות, ודמיון כימדנים כי הם מצאו הסמכה משכנעת ומשכנעת.
המפתח להיערכות זו הוא מיפוי של כל משימה הערכה לתוצאות התלמידים הספציפיות.לדוגמה, פרויקט סופי בקורס עיצוב קסטון עשוי להיות קשור ישירות לתוצאה (c): "היכולת לעצב מערכת, רכיב או תהליך כדי לענות על הצרכים הרצויים" כלי ניתוח הלמידה יכולים לאסוף ציונים שפשף, טקסטי השתקפות סטודנט, והערכה עמיתים מפרויקט זה, ליזום אותם לתוך תוצאה שמדגימה על פני סמסטרים מרובים.
נקודות נתונים חיוניות לאיסוף ראיות טובות
שימוש יעיל בניתוח למידה עבור הסמכה מתחיל עם זיהוי נקודות הנתונים המספקים את הראיות המשמעותיות ביותר.קטגוריות הבאות כוללות את נתוני הליבה כי תוכניות צריך באופן שיטתי ללכוד ולנתח.
הערכה ישירה
הערכות ישירות מודדות את ביצועי הסטודנטים נגד תוצאות ספציפיות.אלה כוללים:
- (FLT:0) הערכת קורס של אמבד: ציוןים 1FIRECT 1 במבחנים, חידון, מעבדות ופרויקטים המפלטים במפורש לתוצאות התוכנית.שימוש בגישה מבוססת הריסות מבטיח שכל פריט הערכה תואם את הקריטריונים ABET.
- פרויקטים:0 Capstone and design Project:FLT:1ir שנים פרויקטים לעתים קרובות לשלב תוצאות מרובות. Analytics יכול לעקוב אחר ציוני דרך, הישגים אבן דרך, וערכת סגל.
- (ב) [27] בחינות ובדיקות סודיות: FELT: FE הבחינה עובר שיעורים, או תוצאות ממבחנים מקומיים מפותחים כי הישגי ביצועים.
- (FLT:0) פריטים של E-portfolio:FreaLT:1 , סטודנט-submted דגימות עבודה מתויגת על ידי תוצאה ודירוג באמצעות rubrics.פלטפורמות כמו Portfolium או אלקטרוני בנוי מקומי אלקטרוני אלקטרוני-פורטפוליוס יכול להאכיל נתונים ישירות לתוך לוחות נתונים אנליטיים.
הערכה ישירה
אמצעים עקיפים ללכוד תפיסות והערכה עצמית המשלימות ראיות ישירות:
- סקרי עזיבה:0 (סעיפים 1:FLT:1 End-of-course סקרים, סקרי יציאה בכירים וסקרי בוגרים המבקשים מהתלמידים לדרג את השגתם של תוצאות.אלה ניתן להינתן באמצעות מערכת ניהול באמצעות מערכת ההפעלה או כלים כמו Qualtrics.
- (ב) ⁇ :0 (ב) משוב מעסיק: 1 סקרים של מפקחי התמחות או מעסיקים של בוגרי לספק תוקף חיצוני של הישגי התוצאה.
- קבוצת FLT:0 (Focus) ופרוטוקולי ראיון:ראה פרק 1: (Qulitative Data from Student or סגל) שניתן יהיה לקודש לתוצאות באמצעות ניתוח טקסט.
מעורבות ונתוני התנהגות
בעוד שלא ראיות ישירות להשגה, מדדי מעורבות יכולים לסמן אזורים שבהם התלמידים עשויים להיות נאבקים, המאפשרים התערבות פרואקטיבית.
- פעילות:0LMS:FLT 1 (ב) 1 כניסה תדירות, תבניות גישה לתוכן, זמן הגשת משימות, השתתפות בפורום.
- (ב) ⁇ :0) ,התנדבות והשתתפות: 1 מתוך 1 מתוך מעורבות של מעמד הפועלים באמצעות כלי הצבעה או מעקב.
- (FLT:0)Time-on-task:FLT:1) זמן משוער בילה על פעילויות למידה, זמין מפלטפורמות הערכה מסוימות.
- (FLT:0 Social Network Analysis:FLT:1) Co-authored Tasks, ביקורת עמיתים ודפוסי שיתוף פעולה קבוצתיים שמשקפים תוצאות עבודת צוות.
נתונים דמוגרפיים וקונטקסטואליים
כדי להבטיח השגת תוצאות שוויוניות, תוכניות צריכות גם לאסוף ולנתח נתונים המבוזרים על ידי מאפיינים של סטודנטים כגון מין, מעמד מיעוט ייצוגי, נוכחות ראשונה של קולג', ורקע סוציו-אקונומי.זה תומך בדגש של ABET על מצוינות כוללת ומאפשר תוכניות לזהות פערים בהישגים על פני אוכלוסיות סטודנטים.
בניית תשתית Analytics ללמידה להסמכת
יישום מסגרת ניתוח למידה עבור ABET דורש תכנון זהיר, בחירת טכנולוגיה, ובעלי עניין לקנות-in. השלבים הבאים מתווה מפת דרכים מעשית.
שלב 1: מפה החוצה לאבחון נקודות
התחל על ידי יצירת מריצה המקשרת כל תוצאה של סטודנט טוב יותר לקורסים ספציפיים, משימות, ו rubrics. עבור כל תוצאה, לזהות לפחות שניים עד שלושה נקודות הערכה ישירות המופצות על פני תוכנית הלימודים. מיפוי זה הוא הבסיס לכל איסוף הנתונים הבאים וניתוח. השתמש במחסן מרכזי - כגון גיליון אלקטרוני או כלי מיפוי משולב עם מערכת ההפעלה שלך - כדי לשמור על המיפוי.
שלב 2: בחירת איסוף נתונים וכלי Analytics
ערימה הטכנולוגיה הנכונה היא חיונית. מוסדות רבים מתחילים עם מערכת ניהול הלמידה הקיימת שלהם (למשל, Canvas, Blackboard, Moodle) ולהגדיל אותה עם פלטפורמות מיוחדות.
- (FLT:0) למד פלטפורמות Analytics: כלים כגון: 2DirectusFLT 3: 3 (קוד פתוח ללא קוד שניתן להתאים אישית לנתונים חינוכיים), Tableau עבור הדמיה, או בנוי ניתוח ב-PSD. Directus הוא גמיש במיוחד ליצירת לוחות נתונים ממערכות -LMS, SIS, סקר - לכלי תצוגה הסמכת יחיד.
- (FLT:0) מערכות ניהול ניהול ניהול:FLT:1 פלטפורמות כמו AEFIS, Watermark או LiveRubric אשר תומכים ישירות בהערכה וליצור דוחות של סטודנטים-outcome-ttainment.
- (FLT:0)E-Portfolio Systems:FLT:1 Solutions כמו Portfolium, Mahara או Folio לאיסוף ודירוג פריטים.
- (FLT:0) כלי מזון ו- Feedback:BuildFLT:1 , Qualtrics, Microsoft Forms, או בנוי-in-In LMS כדי לאסוף נתונים של הערכה עקיף.
שלב 3: הקמת מדיניות ניהול נתונים ופרטיות
ניתוח למידה כרוך בטיפול בנתונים רגישים לסטודנטים. מוסדות חייב לפתח מדיניות ברורה שכתובת:
- (ב) ⁇ :0) סטודנטים על איזה מידע נאסף, כיצד ישמשו, וכיצד הם יכולים לגשת לנתונים שלהם.
- (FLT:0) אפשרויות בחירה ובחירה: ההרחבה 1 (FLT:1) מספקים מנגנונים לתלמידים לבחור מתוך ניתוח שבו ניתן (למשל, מעקב התנהגותי לא קשור להערכות חובה).
- (FLT:0) אבטחת מידע: ההרחבה נתונים במעבר ובמנוחה, מגבילים את הגישה לאנשי צוות מורשים, וצייתו ל-FERPA (או תקנות שוות ערך) ולכל דרישות לוח ביקורת מוסדיות.
- (FLT:0)De-identification:FLT:103) לוחות נתונים משותפים באופן חיצוני עם צוותים הסמכה, איסוף ודה-זיהוי נתונים כדי להגן על פרטיות אישית.
שלב 4: תכנון Analytics דשורדות עבור בעלי מניות
לוחות דשטוש צריכים לשרת קהלים שונים עם רמות שונות של גרנוריות:
- (ב) ⁇ :0) ,FLT:1 לוחות זמנים בזמן אמת מראים כיצד התלמידים שלהם מתקדמים על תוצאות בקורסים שלהם, עם התראות לתלמידים נאבקים.
- (FLT:0) רכזי פרוגרמה וראש המחלקה:FIRLT:1 ; אגגורט צפיות של תוצאות בנוגע לסעיפים וסמסטרים, קווי מגמה והשוואה נגד השוואות.
- ועדת הסמכה:0 (א) ועדת הסמכה: FLT:1 דוחות ברמה גבוהה כי הערכת מפה ראיות לכל קריטריון טוב יותר, להשלים עם תמיכה בממצאים ופירושי נתונים.
- (ב) ⁇ :0) ⁇ : ⁇ 1:1 אשר מראה את התקדמותם על תוצאות, זיהוי נקודות חוזק ואזורים לשיפור (אופציונלי אך יכול לשפר את מעורבות התלמידים).
שלב 5: Integrate Analytics למחזורים לשיפור מתמיד
הסמכה טובה היא לא אירוע חד פעמי; זה דורש הערכה מתמשכת ושיפור.ניתוח הלמידה צריך להאכיל לתוך תהליך שיפור מתמשך רשמי (נקרא לעתים קרובות "מחזור החיזוי") בכל סמסטר או שנה, תוצאות בדיקה נתונים, לזהות פערים וליישם שינויים - כגון שחזור משימות, עדכון משימות, שדרוג תנאים מוקדמים, או הצעת מסמך ממוקד.
יתרונות מעשיים של תהליך הסמכה למידה Analytics-Enabled
מוסדות משקיעים בניתוח למידה עבור ABET מדווחים על מספר יתרונות משמעותיים מעבר רק לדרישות הסמכה מספקות.
החלטות נהיגה בנתונים
במקום להסתמך על דעות או משוב אקסדוטלי, מחלקות יכולות לבסס החלטות תכנית לימודים על ראיות אובייקטיביות.לדוגמה, אם ניתוח מגלה שרק 60% מהתלמידים עומדים בתוצאות "חשיבה אתית" בתכנון בכיר, הפקולטה יכולה להציג מודול אתיקה חדש בתכנית הלימודים לתואר שני ולעקוב אחר שיפור במהלך השנה הבאה.
זיהוי מוקדם של סטודנטים בסיכון
לוחות מודעות ותפקוד מאפשרים ליועצים ולסגל לאתר סטודנטים אשר נופלים מאחורי תוצאות מוקדם בסמסטר. אינטרוונים - כגון הדרכות, הדרכה או קבוצות לימוד - ניתן לפרוס לפני ההערכות הסופיות, שיפור ההצלחה של התלמידים ולהקטין את מספר התלמידים שלא מצליחים לעמוד בתוצאות.
המונחים: Accreditation
עם מערכת ניתוח מעוצב היטב, הראיות הנדרשות לדו"ח עצמי הסמכה כבר מאורגן ועד התאריך.במקום לחדול לאסוף חפצים ולהפיק נתונים בחודשים שלפני ביקור, הצוותים יכולים ליצור דוחות באופן מיידי.זה מקטין את הלחץ, חוסך זמן, ומשאיר יותר מקום לניתוח ולסיפור סיפורים.
תוכנית משופרת Benchmarking
עם הזמן, נתוני ניתוח מצטבר מאפשרים למחלקות להשוות את התוצאות בסעיפים שונים, סמסטרים, או אפילו מוסדות עמיתים (אם הסכמי שיתוף נתונים קיימים). , ציון זה יכול להדגיש את התרגילים והתחומים הטובים ביותר לשיפור.
להפגין תרבות של איכות
הערכה טובה יותר ויותר מעריכה ראיות לכך שתוכנית עוסקת באבטחת איכות שיטתית, מבוססת ראיות.תוכנית ניתוח למידה חזקה אותות להערכת החוקרים כי המוסד לוקח הסמכה ברצינות ומחויב לשיפור מתמשך המוצב בנתונים.
אתגרים ושיקולים כאשר יישום למידה Analytics
למרות היתרונות, מוסדות מתמודדים עם כמה מכשולים בהפצה של ניתוח עבור הסמכה.להיות מודע לאתגרים אלה יכול לעזור לך לתכנן ביעילות.
Data Silos ו-Complexity
נתוני התלמידים חיים לעתים קרובות במערכות נפרדות - מערכת המידע של הסטודנטים (SIS), פלטפורמת e-portfolio, וכלים של צד שלישי הערכה. integraing מקורות אלה לתוך צינור ניתוח קוהרנטי ניתן לדרוש מבחינה טכנית.שימוש בפלטפורמת נתונים גמישה כמו Directus או מחסן נתונים ייעודי יכול לעזור איחוד מקורות, אבל זה דורש השקעה בפיתוח API ומיפוי נתונים.
הפקולטה קונה-In והדרכה
הפקולטה עשויה לעמוד בפני שינויים בתרגול ההערכה שלהם, במיוחד אם הם תופסים ניתוח כעקב או נטל מנהלי נוסף.התגברות על כך דורש תקשורת ברורה לגבי האופן שבו ניתוח יתמוך בהוראה (לא להעריך אותו), יחד עם התפתחות מקצועית על יצירת הריסות מובנות תוצאה ושימוש בכלים לוחיים.
איכות ויציבות
ניתוח למידה הוא רק טוב כמו הנתונים זה ingests.אם rubrics הם מעוצבים בצורה גרועה, לא מתאים לתוצאות, או מוחל באופן עקבי על ידי מדריכים, הראיות המתקבלות יהיו בלתי אמינות. להשקיע בפגישות נורמטיביות שבו סגל calibrate השימוש שפשףric, לשקול שימוש בציון אוטומטי עבור קריטריונים מוגדרים היטב לשיפור עקביות.
Overwhelm Data Volume
ללא תכנון מתחשב, לוחות נתונים אנליטיים יכולים להציג כל כך הרבה מדדים כי מקבלי ההחלטות סובלים מעומס מידע. להתמקד על קבוצה קטנה של אינדיקטורים ביצועי מפתח (KPIs) המקשרים ישירות לכל תוצאה של סטודנט, ולספק אפשרויות למקדח לאחור לניתוח עמוק יותר בעת הצורך. השתמש בעקרונות עיצוב של נתונים כדי להדגיש את הממצאים הקריטיים ביותר.
שמירה על הרגע
מחזורי הסמכה הם ארוכים (בדרך כלל שש שנים) זה נפוץ עבור יוזמות ניתוח לאבד קיטור לאחר אימון עצמי מוצלח. כדי לשמור על התנופה, להטביע ניתוח לתוך ממשל אקדמי קבוע - כגון ישיבות מחלקות, ביקורות ועדת תכנית לימודים, דוחות התוכנית השנתי. Appoint רכז ניתוח ייעודי או הוועדה כדי להבטיח שהמערכת תישאר פעילה ותפתח עם קריטריונים משתנים.
דוגמאות אמיתיות בעולם ו Case Studies
כמה מוסדות יש בהצלחה שילוב ניתוח למידה לתוך תהליכי הסמכה ABET שלהם, בעוד פרטים ספציפיים משתנים, נושאים נפוצים מופיעים.
בבית ספר להנדסה ציבורית גדול במערב התיכון, קורס עיצוב בכיר עוצב מחדש לכלול מערכת הגשת דיגיטלית אשר באופן אוטומטי תג הפרויקט לספק את התוצאות ABET (a) באמצעות (k) ציונים רובריים מסגל וממדריכי התעשייה הוזון לתוך לוח מחוונים מותאם אישית שנבנה על ידי CMS ללא ראש בדומה ל-Directus. במשך ארבע שנים, התוכנית הציגה שיפור קבוע בתוצאה, אשר היה מתועד הערכה עצמית ו-מדומים ל-Simtuors.
מכללה להנדסה פרטית קטנה יותר השתמש בפלטפורמת e-portfolio וכלי ניתוח למידה לאסוף פריטים מכל הקורסים הדרושים. הם אוטומטיים את הדור של "דיווחי השגה" הראו אחוז מהתלמידים נפגשים כל תוצאה, שבורה עד שנה, כמובן, וקבוצת דמוגרפית.המערכת גם שסומנת כאשר תוצאות של קורס היו נמוכות סטטיסטית מהמחלקה הממוצעת, תוך בחינה מהירה במהלך בדיקה לוחמת, כדי בחינה מוצלחת של צוות יכול לענות על מנת לענות על מנת לענות על הפחתת זמן הביקורים, היה לענות על כך, היה לענות על ראיות מסוגלות.
דוגמה בולטת נוספת מגיעה מהאוניברסיטה שהשתמשה בניתוחי למידה כדי לטפל בחולשה מסוימת שזוההה במחזור ההסמכה הקודם: תוצאות הסטודנטים (ד) - "היכולת לפעול בצוותים רב תחומיים" על ידי ניתוח נתונים מפורומים של ניהול מערכות דיון של מערכת ניהול וציוני הערכה עמיתים, התוכנית זיהתה כי תלמידים רבים לא היו מעורבים באותה מידה בפרויקטים של צוות.הם מיושמות מודול הדרכה ומשימות מבנים מחדש, וסיבוב הבא של ניתוח הראו שיפור משמעותי בין תוצאות ניתוח נתונים אלה, לבין פעולה מוכחות, בין פעולה רצופים, לבין ביצועים מתקדמים, לבין ביצועים חזקים יותר, בין תוצאות פעולה.
מגמות עתידיות: למידה Analytics והסמכת
הנוף של ניתוח למידה וההסמכה מתפתח.מנהיגי התוכנית צריכים לצפות בהתפתחויות המתעוררות אלה.
חינוך מבוסס תחרותי ומיקרו-תחומי
ככל שיותר תוכניות הנדסיות לאמץ חינוך מבוסס על חוציות (CBE) ומציעות תגים דיגיטליים או מיקרו-תחומיות, ניתוח למידה הופך אפילו יותר עקרוני.במקום לעקוב אחר תוצאות בדרגה הקורס, מערכות יעקובו אחר שליטה אישית על פני כל תוכנית הלימודים. ABET כבר החל לחקור קריטריונים עבור מסלולים לא מסורתיים חינוך, וניתוח יהיה חיוני לספק ראיות חיוניות במודלים אלה.
אינטליגנציה מלאכותית ו- Predictive Analytics
מודלים של למידת מכונות יכולים לחזות אילו תלמידים נמצאים בסיכון לא להשיג תוצאות ספציפיות זמן רב לפני סוף קורס.ניתוחים חיזוי אלה, בשילוב עם המלצות התערבות אוטומטיות, יהיה נפוץ יותר.עם זאת, תוכניות חייב להשתמש בכלים כאלה באופן אתי, להימנע מטיות ולהבטיח כי תחזיות משמשים לתמיכה, לא לעט, תלמידים.
לוחות עת אמיתיים
הדור הבא של תוכנת הסמכה יציע כנראה חי, לוחות נתונים אינטראקטיביים כי הערכות יכולים לחקור במהלך ביקורי האתר.זה יחליף דוחות סטטיים PDF עם ויזואליזציה נתונים דינמיים, תמיכה בחקירה מעמיקה יותר וצמצום הנטל של הכנת מסמך מראש.
תקני יכולת פעולה
מיזמים כגון IMS Global Learning Consortium:0Caliper Analytics AnalyticsFIRLT 1 ו- OneRoster Specation הופכים את זה לקל יותר להחליף נתונים בין כלים חינוכיים.כפי שסטנדרטים אלה מתבגרים, שילוב ניתוח למידה בפלטפורמות יהיה פשוט יותר, צמצום המחסום הטכני עבור מוסדות קטנים יותר.
תחילתו: תוכנית פעולה מעשית
אם התוכנית שלך בתחילת המסע הזה, שקול את השלבים הבאים לטווח קצר:
- (FLT:0) שיטות הערכה נוכחיות: FLT:1) לזהות קורסים כבר יש משימות מובנות תוצאות והריסות. לקבוע איזה נתונים כבר נלכדים (גם אם באופן ידני).
- צוות חוצה תפקוד:0 (Form a cross-functional Team:cioFLT:1) Include סגל, יועצים, צוות IT, רכזי הערכה ומנהל בכיר כדי לקדם את היוזמה.
- (FLT:0Select קורס טייס אחד או תוצאה: FIRLT:1 במקום לנסות לשנות הכל בבת אחת, לבחור קורס אחד או תוצאה אחת כדי להוכיח את הערך של ניתוח.
- (FLT:0) Invest בפלטפורמת נתונים גמישה:ראהFLT:1) , הערכת אפשרויות קוד פתוח כגון Directus או פתרונות מסחריים המאפשרים התאמה אישית לנתוני המוסד שלך.היכולת להתחבר למקורות מרובים היא קריטית.
- (ב) ,0) , קומוניקטיבי מוקדם ולעתים קרובות: שתף את החזון שלך עם סגל, סטודנטים, ומועצות ייעוץ.שקיפות בונה אמון ולהפחית התנגדות.
- (FLT:0)Plan לשיפור מתמשך: FLT:1Build, a brief review Cycle - רבע או סמסטר מבוסס - שבו נתונים ניתחו, פעולות נדונות, שינויים יועדו.
על ידי לקיחת השלבים האלה, התוכנית שלך יכולה לנוע מהיערכות ידנית, מלחיץ להכנה לפרקטיקה מנומנמת, נתונים לא רק דרישות ABET אבל גם באמת לשפר את הלמידה של התלמידים.ניתוח הלמידה הוא לא פתרון קסם, אלא כאשר הוא מיושם בחשיבה, זה הופך להיות בעל ברית חזק במרדף אחר מצוינות חינוכית וחשבונאות מקצועית.