Oppgrader til nyeste versjon av Internet eksplorer for best mulig visning av siden. Klikk her for for å skjule denne meldingen
Ikke pålogget
{{session.user.firstName}} {{session.user.lastName}}
Du har tilgang til Idunn gjennom , & {{sessionPartyGroup.name}}
<Læring av IKTKapittel 9 av 11

Kapittel 8

Digitale skiller

Ove Edvard Hatlevik er forsker ved Senter for IKT i utdanningen. Han har vært involvert i flere studier av skolens digitale tilstand og i kartlegging av digitale ferdigheter. Han interesserer seg spesielt for motivasjon og læringsstrategier i skole og arbeidsliv. Han er utdannet lærer og har erfaring som lærer i videregående skole.

Massimo Loi har en ph.d. i Economics and Management. Han er forsker ved Senter for IKT i Utdanningen, der han arbeider med prøveutvikling, dataanalyse og evaluerte effekter av politikkutforming på læringsutbytte. Han har kompetanse innenfor flernivåanalyse, økonometri og testmetodikk.

Rolf Vegar Olsen er leder for Enhet for kvantitative utdanningsanalyser (EKVA) ved Institutt for lærerutdanning og skoleforskning (ILS) ved Universitetet i Oslo. Han har i mange år vært involvert i de internasjonale skoleundersøkelsene, i all hovedsak PISA. Han interesserer seg spesielt for metodiske spørsmål knyttet til tester. Han har også flere års erfaring som lærer i videregående skole.

>

I de fleste landene finnes det digitale skiller som er knyttet til både tilgang, bruk og ferdigheter. I Norge er det små skiller i tilgang og bruk av datamaskiner, men det er klare skiller i elevenes digitale ferdigheter. I alt 24 % av de norske elevene skårer på det laveste ferdighetsnivået eller under. Analyser av data viser at det er kjønn (jentene presterer bedre enn guttene), elevenes ambisjoner om fremtidig utdanning og sosioøkonomiske forhold som i størst grad forklarer variansen i skårer på prøver i Norge.

In most countries there are digital divides linked to access, use and skills. There are small traces of divides in access and use of computers in Norway, but a clear divide in students' skills. In total 24 percent of the Norwegian students perform at the lowest proficiency level or below. Data analyses show that gender (girls perform better that boys), students’ educational aspirations and socioeconomic background are the variables that primarily explain the variance in test scores in Norway.

8.1 Innledning

I dette kapitlet vil det bli brukt andre typer analyser enn det som er anvendt i de tidligere kapitlene. Det skyldes primært at vi ønsker å studere digitale skiller og undersøke hvilke forhold som kan forklare variasjon i digitale ferdigheter.

Begrepet digitale skiller er brukt om ulikheter i tilgang til og bruk av teknologi (Compaine 2001; Gudmundsdottir 2011; Hargittai 2002; Pedró 2007; Warschauer 2002). Boyd (2014, s. 158) beskriver en tidligere forhåpning om at Internett ville bidra til utjevning av forskjeller som kan knyttes til sosiale klasser og etnisk bakgrunn. Imidlertid viser forskning at Internett og teknologi ikke i seg selv bidrar til å jevne ut forskjeller i eksempelvis skoleprestasjoner og tilgang til arbeidsmarkedet. En viktig grunn til dette er at de som bruker teknologi, er preget av den betydningen som sosioøkonomisk bakgrunn har i samfunnet uavhengig av teknologi (Kolko mfl. i boyd, 2014).

Opprinnelig dreide begrepet digitale skiller seg primært om hvilken tilgang man har til digitale verktøy og medier. Det er stadig flere elever og skoler som får tilgang til IKT (Hatlevik mfl. 2013). Digitale skiller i Norge og andre velstående land dreier seg dermed ikke lenger om tilgang til teknologi, men om hva elever bruker teknologien til, og hvordan de bruker den. Pedró (2007) beskriver dette som en overgang fra 1. generasjons digitale skiller i tilgang til 2. generasjons digitale skiller i bruk. Gjennom ICILS-undersøkelsen får vi informasjon som kan knyttes til ulike former for digitale skiller. Et spesielt viktig bidrag fra ICILS-studien er at man for første gang kan studere ulikhetene i elevenes faktiske eller demonstrerte digitale ferdigheter, og videre at man kan vurdere slike skiller i en internasjonal sammenlignende kontekst.

I dette kapitlet presenterer vi resultater som viser i hvilken grad norske elevers digitale ferdigheter (se kapittel 2 for en definisjon) er relatert til ulike bakgrunnsvariabler som beskriver elevene (sosioøkonomisk hjemmebakgrunn, kjønn, fødested/språkbakgrunn). Videre vil vi også presentere resultater som viser i hvilken grad ulikheter i elevenes digitale ferdigheter kan knyttes til hvilken skole de går på.

Ifølge kulturell reproduksjonsteori er skolen en arena som fremhever og dyrker idealer som er rådende i middelklassen og høyere sosiale lag (Bourdieu 1984). Elever som kommer fra en slik bakgrunn, vil derfor også ha bedre tilgang på sosiale, kulturelle og økonomiske ressurser som kan bidra til å fremme holdninger, konvensjoner, språk, identitet og til sjuende og sist de sosiale, emosjonelle og kognitive kompetanser som anses som viktige og riktige. Nå er det riktignok mange grunner til å stoppe opp og vurdere hvor relevante slike teorier om sosial reproduksjon er i dag, hvor vi lever i et samfunn med relativt små klasseskiller og hvor det opplagt ikke er noen direkte kausale lenker fra det å ha foreldre med lang utdanning, høy inntekt og tilgang til kulturelle opplevelser, til det å være en kompetent bruker av teknologi. Frønes (2002) peker imidlertid på at tilgang til og bruk av teknologi må settes inn i en større sammenheng. Det er ikke teknologien i seg selv som er utslagsgivende, men det at mennesker i sin praksis, også med moderne teknologi, tar med seg holdninger og konvensjoner som i ulik grad gjenspeiler de rådende idealer i samfunnet. Selv om teknologien nå er nærmest universelt tilgjengelig i vårt land og blir brukt i alle husstander, tilsier dette likevel ikke at hjemmets støtte til å utvikle kompetent bruk av digitale ressurser er likelig fordelt. Kulturell reproduksjonsteori er på denne måten en relevant referanseramme også for en studie som ICILS, som ønsker å kartlegge digitale skiller. Vi ønsker derfor gjennom denne studien også å se på hvordan ulikheter både i tilgang til, bruk av og beherskelse av digital teknologi er knyttet til ulike kjennetegn ved elevenes sosiale bakgrunn. Denne sosiale bakgrunnen er en kontekst både for hjemmeforhold og forhold ved skolen.

8.2 Annen forskning om digitale skiller i Norge

Det er et mål i de fleste land at skolen skal fungere sosialt utjevnende, slik at man uavhengig av hjemmebakgrunn, kjønn, etnisitet, religion, bosted og skoletilhørighet skal ha et likt utdanningstilbud og like muligheter for å nyttiggjøre seg utdanning for personlig vekst og utvikling (OECD 2013). Når man definerer sosial utjevning på denne måten, betyr ikke det at alle skal prestere likt, men at elevprestasjonene i minst mulig grad skal være relatert til slike bakgrunnsfaktorer. Det å oppnå gode prestasjoner i målinger av sentrale skolefaglige kompetanser har vist seg å være en svært viktig prediktor for å lykkes i overgangen mellom skole og høyere utdanning og videre inn i arbeidslivet (OECD 2010).

Internasjonalt viser Eurostats data at de gruppene i samfunnet med lavest digital kompetanse er de eldre, de inaktive (arbeidsledige/uføre) og de med kort utdannelse (Ferrari 2012). Dette bekrefter viktigheten av skolens satsing på digital kompetanse og samtidig utjevning av sosiale skiller. I regjeringens digitale agenda (Meld. St. 23 (2012–2013)) understrekes det hvordan samfunnet skal forebygge digitale skiller. Når det gjelder 1. generasjons digitale skiller, har Utdanningsdirektoratet informasjon om tilgangen til datamaskiner siden 2004/2005 i norske skoler.1

Når det gjelder 2. generasjons digitale skiller, har Monitor-studien (Egeberg mfl. 2012; Hatlevik mfl. 2013) informasjon om hvordan bruken av datamaskiner har endret seg. I figur 8.1 har vi laget en oversikt over prosentvis endring i henholdsvis tilgang til datamaskin og andel elever som bruker IKT ut over fire timer per uke. Figur 8.1 viser hvordan antallet datamaskiner per elev har endret seg, og hvordan bruken av datamaskiner har endret seg i perioden 2005–2013.

Figur 8.1 viser forskjeller mellom skoletyper. Resultatene antyder økt bruk og tilgang fra 2005. Det ser ut som om tilgangen følger en mer lineær utvikling, mens bruken viser en rask endring i perioden 2009–2011. Når det gjelder bruk av datamaskiner på skolen og elevers digitale kompetanse, vet vi fra andre studier at tettheten av datamaskiner, og bruk av IKT i skoletiden i seg selv, har liten eller ingen korrelasjon med digital kompetanse i norsk skole (Fraillon mfl. 2014; Hatlevik mfl. 2013; Hatlevik mfl. 2015). Det finnes imidlertid studier som viser at digitale skiller er relatert til elevenes skoleprestasjoner og familiebakgrunn (Hatlevik mfl. 2015a; 2015b; Krumsvik mfl. 2013).

Figur 8.1. Prosentvis endring fra 2005 i tilgang til pc og andel elever med bruk ut over fire timer per uke (er også presentert i Ludvigsen-utvalgets rapport, våren 2014).

Skiller fremkommer også i kartlegging av norske elevers lesing av digitale tekster, men det er verdt å merke seg at sosial bakgrunn forklarer en langt mindre del av spredningen i digital lesekompetanse enn lesing på papir. Samtidig er det imidlertid slik at hvilken skole man går på, har betydelig mer å si for digital lesing enn for lesing på papir (Frønes og Narvhus 2011). En rimelig tolkning av dette er at det finnes tydelige forskjeller mellom hvordan skoler legger til rette for å utvikle elevenes digitale lesekompetanse. Det blir derfor viktig også å studere hvordan skolens planer, strategier og prioriteringer kan bli nyttige verktøy i utvikling av elevenes digitale ferdigheter. Skolen er derfor en sentral arena for å motvirke sosiale skiller og digitale skiller.

8.3 Elevers hjemmebakgrunn i ICILS

Det er ikke helt enkelt å utvikle mål på elevenes sosioøkonomiske hjemmebakgrunn i en internasjonal kontekst. For det første kan sosial status operere ulikt i ulike kontekster (Yang 2003). Sosioøkonomisk status er et klassisk sosiologisk begrep som i all hovedsak er utviklet i en dominerende vestlig tradisjon. I tillegg vet vi at mange elever er usikre på hvilken utdanning foreldrene har, og de kan være usikre på hva de skal svare på et åpent spørsmål om hva foreldrene gjør på jobb. Dessuten kan elever oppfatte det som litt sårbart å rapportere slike variabler om foreldrene, noe som spesielt kan gi seg utslag i overrapportering. Disse usikkerhetene og systematiske feilene som elevers selvrapportering gir, medfører at statistiske mål på effekter eller sammenhenger blir mindre enn dem man får dersom man har tilgang til foreldrenes egne rapporteringer eller registerdata (Sirin 2005). Det er likevel ingen grunn til å tro at dette gir systematiske feilkilder som påvirker sammenligninger med land som på mange måter er like oss selv.

I ICILS-undersøkelsen måles elevenes sosioøkonomiske hjemmebakgrunn gjennom spørsmål til elevene om foreldrenes utdanning og yrke. I tillegg svarer elevene på et spørsmål om antall bøker hjemme. Det var også et spørsmål til elevene om hvor lang utdanning de selv ser for seg å skulle ta. En nærmere presentasjon av disse variablene gis nedenfor.

Foreldrenes utdanning og forventet utdanning

I spørreskjemaet ble elevene bedt om å angi høyeste fullførte utdanning for både mor og far. Det var fem kategorier fra «ikke fullført ungdomsskolen» til «høgskole eller universitet i 3 år eller mer». Ut fra dette har man laget en variabel som angir den høyeste utdanningen til enten mor eller far (HISCED), og det er denne vi bruker i våre analyser. Som påpekt ovenfor er det imidlertid grunn til å være litt forsiktig i analysene av denne variabelen. Dette er basert på selvrapportering fra elevene, og mange elever har ikke god kunnskap om foreldrenes utdanning. Ved å sammenligne med tilgjengelig statistikk fra SSB2 over utdanningsnivå for ulike aldersgrupper i befolkningen ser vi at elevene overrapporterer andelen foreldre med en universitets- eller høgskoleutdannelse, spesielt for far. ICILS-elevene rapporterer at 49 % av fedrene og 55 % av mødrene har en slik utdanning, noe som gir en total HISCED, hvor 66 % av elevene har minst én forelder med høgskole- eller universitetsutdanning på tre år eller mer. Et enkelt overslag basert på SSBs statistikk for utdanningsnivå i befolkningen tilsier at andelene nok ligger nærmere 35 % og 45 % for henholdsvis fedre og mødre. Et lignende spørsmål om foreldrenes utdanningsnivå har også vært inkludert i PISA- og TIMSS-undersøkelsene, men ulikhetene i svarkategoriene for disse spørsmålene er så store at det er svært problematisk å sammenligne effekten av foreldrenes utdanningsnivå på tvers av studiene.

I tillegg hadde spørreskjemaet til elevene i ICILS-undersøkelsen et tilsvarende spørsmål hvor eleven selv skal angi hvilket utdanningsnivå han eller hun sikter mot (SISCED). Dette er en variabel som reflekterer to litt ulike forhold. For det første kan også denne variabelen brukes som en indikator på elevenes sosioøkonomiske hjemmebakgrunn siden utdanningsambisjoner i noen grad gjenspeiler forventninger hjemmefra, og det er rimelig å forvente at foreldre med høy utdanning i større grad forventer at barna også tar en høy utdanning. Men i tillegg er dette en variabel som gjenspeiler elevens egne forventninger, og i så måte kan variabelen oppfattes som en generell mestringsforventning om sitt eget utdanningspotensial.

Foreldrenes yrke

Utgangspunktet for å måle foreldrenes yrkesstatus var to åpne spørsmål hvor elevene for både mor og far skulle oppgi hva slags yrke de hadde, og hva de gjorde i jobben sin. Disse svarene ble brukt for å kode yrkene etter et internasjonalt rammeverk, International Standard Classification of Occupations – ISCO 08 (International Labour Organization 2007). Disse kodene ble så transformert til en kontinuerlig skala, International Socioeconomic Index (ISEI), som angir yrkenes sosioøkonomiske status på en skala fra 16 til 90 (Ganzeboom mfl. 1992; Ganzeboom og Treiman 1996). Også her ble den høyeste verdien til henholdsvis mor og far brukt dersom eleven hadde oppgitt data for begge (HISEI). Nøyaktig samme prosedyre er blitt brukt i PISA, men så langt har PISA valgt å fortsette å bruke en noe eldre versjon av ISCO for å bevare sammenlignbarheten tilbake i tid. Studier viser at verdiene for ISEI-indeksen, basert på ulike versjoner av ISCO, samvarierer sterkt (Ganzeboom 2010). Dette er likevel en liten kilde til usikkerhet når vi i dette kapitlet sammenligner med resultater fra PISA 2012.

Antall bøker hjemme

I tillegg inkluderer elevspørreskjemaet et spørsmål om antall bøker hjemme (BOK). Det kan synes litt paradoksalt å ha med et slikt spørsmål i en studie som handler om elevers digitale kompetanse. Det er opplagt ikke slik at det å ha bøker hjemme er en ressurs som i seg selv bidrar til å utvikle digital kompetanse. Grunnen til at spørsmålet likevel er med, er at antall bøker hjemme fortsatt holder stand som en markør for elevens kulturelle kapital i hjemmet. Poenget er altså at sammenhengen mellom antall bøker hjemme og prestasjoner gjenspeiler at noen elever har større tilgang til språk, holdninger, verdier o.l. som støtter opp om den typen læring som skjer i skolene. Dette spørsmålet, i en eller annen variant, har vært inkludert i alle de internasjonale undersøkelsene de siste 20 årene. Et helt identisk spørsmål var inkludert også i TIMSS-undersøkelsen som ble gjennomført i 2011, riktignok for ett år yngre elever. Dette gjør det mulig å studere hvordan elevenes hjemmeforhold påvirker ulike typer kompetanser. Som tidligere nevnt hadde elevers hjemmebakgrunn en betydelig svakere sammenheng med elevers digitale lesekompetanse enn lesing på papir (Frønes og Narvhus 2011). Det er derfor rimelig å forvente at elevenes hjemmebakgrunn er svakere relatert til elevenes digitale kompetanse enn til deres dyktighet i matematikk og naturfag.

Foreldres utdanning, yrke og elevers forventet utdanning

Før vi ser nærmere på hvordan elevenes sosioøkonomiske bakgrunn henger sammen med digitale skiller, presenterer vi nedenfor hvordan foreldrenes utdanningsnivå (HISCED), elevens egne ambisjoner om utdanning (SISCED) og foreldrenes yrkesstatus (HISEI) er relatert til hverandre. Figur 8.2 viser hvordan henholdsvis foreldres utdanningsnivå og elevenes egne utdanningsambisjoner er relatert til foreldrenes sosioøkonomiske yrkesstatus (HISEI).

Figur 8.2. Sosioøkonomisk yrkesstatus som funksjon av foreldrenes utdanningsnivå og elevenes egne studieambisjoner.

Det er en tydelig sammenheng mellom elevenes rapportering av foreldrenes utdanningsnivå og sosioøkonomisk yrkesstatus. Skalaen for sosioøkonomisk yrkesstatus er i utgangspunktet basert på analyser av omfattende datasett om ulike yrkers utdannings- og inntektsnivå. Den tydelige sammenhengen mellom yrkenes sosioøkonomiske status og foreldrenes utdanning (den sorte linjen i figur 8.2) må derfor i stor grad sies å være som forventet. Imidlertid fremstår ikke sammenhengen mellom elevenes utdanningsambisjoner og yrkenes sosioøkonomiske status (den røde linjen i figur 8.2) som like tydelig. Her må det imidlertid legges til at gruppen elever som sikter mot en veldig kort utdanning, er veldig liten, om lag 2 % av elevene, og det er derfor ganske stor usikkerhet knyttet til dette ene punktet i grafen. Ser vi bort fra dette ene punktet, fremstår begge sammenhengene som ganske like hverandre.

Figur 8.3 viser hvordan foreldrenes utdanningsnivå er relatert til elevenes egne ambisjoner om utdanning.

Figur 8.3. Sammenhengen mellom elevens utdanningsambisjon og foreldrenes utdanningsnivå.

Med unntak for den lille gruppen av elever som ser for seg en kort utdanning, viser figur 8.3 at det er en tydelig sammenheng mellom elevenes utdanningsambisjoner og foreldrenes utdanningsnivå. 60 % av elevene har en utdanningsambisjon som tilsvarer foreldrenes utdanningsnivå, og 21 % har ambisjon om en høyere utdanning enn det foreldrenes høyeste utdanning er. Det er dermed også en gruppe som rapporterer at de ser for seg å ta en lavere utdanning enn sine foreldre. Vi kommer tilbake til disse gruppene i kapittel 8.4 når vi ser på sammenhengen mellom elevers sosioøkonomiske hjemmebakgrunn og deres prestasjoner på den digitale prøven, samt tilgang til, bruk av og holdninger til IKT. Videre vil vi senere i kapitlet bruke alle disse variablene, sammen med andre variabler som beskriver elevene, i ulike regresjonsanalyser.

8.4 Elevers hjemmebakgrunn og digitale skiller

I det følgende vil vi se på hvordan kjennetegn ved elevenes sosioøkonomiske bakgrunn er relatert til skår på den faglige prøven i ICILS. Vi vil også kort oppsummere hvordan relasjonen er mellom hjemmets sosioøkonomi og elevens bruk og tilgang til IKT hjemme. Vi vil gjennomgående sammenligne de norske elevene med elever fra noen andre som det er naturlig å sammenligne med. Vi har her valgt ut land som i likhet med Norge er relativt høyt presterende. Vi velger å ta med Danmark som et land som er veldig likt vårt, med et ganske likt utdanningssystem, omtrent like prestasjoner på ICILS-undersøkelsen og med god tilgang til IKT-ressurser både på skolen og hjemme.3 I tillegg har vi tatt med Nederland, Tyskland og Polen, som er de tre andre nordeuropeiske landene som deltok i ICILS. Dessuten har vi inkludert Tsjekkia siden dette landet skåret høyest av alle land i undersøkelsen. Nederland, Tyskland og Tsjekkia har alle utdanningssystemer hvor elevene som deltar i undersøkelsen, går i ulike skoleslag. I Tyskland har man også ulikheter i opplæringen på tvers av delstatene, og Nederland har et høyt innslag av offentlig finansierte privatskoler. Polen har ganske nylig innført en felles opplæring som svarer til vårt ungdomstrinn, etter modell av de nordiske systemene. I Polen og Tsjekkia er IKT et eget fag i skolen, mens det i de tre andre landene arbeides med IKT integrert i de andre fagene (Fraillon mfl. 2014, s. 49–66).

8.4.1 Hjemmebakgrunn og prestasjoner på prøven

Figur 8.4 viser hvordan foreldrenes høyeste sosioøkonomiske yrkesstatus er relatert til elevenes digitale ferdigheter. Et hovedpoeng med denne figuren er at sammenhengen er rimelig lineær, og korrelasjonskoeffisientene som er rapportert ved siden av landene, viser at sammenhengen er omtrent den samme i alle landene. Dette er ganske ulikt det man ser i PISA-undersøkelsen i 2012. Den norske korrelasjonskoeffisienten er omtrent lik den som ble observert for tilsvarende sammenheng i PISA (uavhengig av om man ser på matematikk, lesing eller naturfag). Korrelasjonskoeffisientene var for alle de andre landene betydelig høyere i PISA (0,35–0,40). Med andre ord ser vi altså at de sosioøkonomiske skillene knyttet til digital kompetanse, er lavere i de fleste land enn tilsvarende skiller knyttet til mer tradisjonelle skolefaglige kompetanser – bare ikke i Norge. At linjene er litt forskjøvet i forhold til hverandre, viser kun at landene har ulik gjennomsnittlig skår på digital ferdighet med Tsjekkia på topp.

Figur 8.4. Sammenhengen mellom foreldrenes sosioøkonomiske yrkesstatus og elevenes prestasjoner (korrelasjonskoeffisienter i parentes).

Figur 8.5a. Sammenhengen mellom foreldrenes utdanning og elevenes prestasjoner.

Figur 8.5b. Sammenhengen mellom elevenes utdanningsambisjoner og deres prestasjoner.

Figur 8.5a viser at sammenhengen mellom foreldrenes høyeste utdanning og elevenes prestasjoner også er ganske tydelig, men ikke like lineær for alle land. For Norges del er det tydeligste skillet mellom elever som har foreldre med kun grunnskole, og de med foreldre som har fullført minst videregående skole. Det samme ser vi også i Polen og Tsjekkia. For Nederland er skillet spesielt stort mellom foreldre som kun har videregående, og de med lengre utdanning. I Tyskland er bildet ganske uklart, mens Danmark har en ganske jevn stigning i elevenes prestasjoner langs hele utdanningsspekteret. Figur 8.5b viser at elevenes utdanningsambisjoner er sterkt relatert til elevenes prestasjoner. I de fleste land er dette en ganske lineær sammenheng, med unntak av Tyskland, som også her har relativt lavere prestasjoner for elever som sikter mot å ta en kort utdanning etter videregående skole. Vi ser også at det i Tyskland og Nederland er størst forskjell i prestasjoner mellom dem med svært lave utdanningsambisjoner og dem som sikter seg inn mot å fullføre videregående, mens det i Norge er det å ta en bachelorgrad eller høyere som skiller mest. Elevenes egne utdanningsambisjoner har en sterkere effekt på elevens prøveskår enn foreldrenes fullførte utdanning. Dette er for så vidt ikke overraskende, gitt at elevenes egne ambisjoner er noe mer enn en beskrivelse av deres sosioøkonomiske bakgrunn. Denne variabelen er, som påpekt over, også et uttrykk for en indre drivkraft i form av et langsiktig mål.

Figur 8.6 viser hvordan antall bøker hjemme er relatert til prestasjoner i henholdsvis digitale ferdigheter i ICILS-undersøkelsen og matematikk i TIMSS. Vi må huske på at skalaene i disse to undersøkelsene refererer til ulike begreper, og de er standardisert etter et internasjonalt gjennomsnitt hvor sammensetningen av land er ulik. For denne sammenligningen har vi derfor valgt å standardisere de norske elevenes skårer slik at det nasjonale gjennomsnittet for begge undersøkelsene er satt til 0, og med et standardavvik lik 1.

Figur 8.6. Sammenhengen mellom antall bøker hjemme i ICILS og TIMSS.

Når vi gjør dette, ser vi at sammenhengen mellom norske elevers hjemmebakgrunn og matematikkskår er betydelig sterkere enn tilsvarende sammenheng for digital kompetanse. Her skal vi legge til at sammenhengen med matematikkskår gjelder for 8. trinns elever i 2011, mens den for digitale ferdigheter er basert på ICILS, altså 9. trinns elever i 2013. Hadde vi i stedet valgt å sammenligne med tilsvarende sammenheng for naturfagskåren fra TIMSS 2011, ville bildet vært akkurat det samme. Uttrykt som korrelasjonskoeffisienter er sammenhengene vist i figuren lik 0,26 og 0,40 for henholdsvis ICILS og TIMSS. Dersom vi hadde inkludert figurer med tilsvarende sammenheng for de landene som vi hittil har sammenlignet med, ville vi sett at den er ganske lik på tvers av landene.

Vi hadde på forhånd en forventning om at elevenes hjemmebakgrunn ville være sterkere relatert til målinger av dyktigheter som gjenspeiler tradisjonelle skolefag. Det viser seg imidlertid å være vanskelig å trekke noen generelle konklusjoner om dette. På den ene siden har digital kompetanse slik dette er målt i ICILS, en svakere statistisk sammenheng med elevenes hjemmebakgrunn (målt ved antall bøker hjemme) enn det man ser for TIMSS innen matematikk og naturfag. På den annen side ser vi altså at sammenhengen med foreldrenes sosioøkonomiske yrkesstatus er omtrent den samme for norske elever i ICILS som i PISA.

8.4.2 Hjemmebakgrunn og tilgang til og bruk av IKT i hjemmet

I spørreskjemaet ble elevene spurt om antallet stasjonære og bærbare datamaskiner i hjemmet. Vi lagde en ny variabel ved å summere antall bærbare og stasjonære datamaskiner hjemme. Dette er en variabel med fire kategorier: «ingen datamaskiner», «en datamaskin», «to datamaskiner» og «tre eller flere datamaskiner». Resultatene viser at 92 % av de norske elevene har «3 datamaskiner eller flere», 6 % av elevene har «2 datamaskiner», 1 % har «1 datamaskin» og 1 % har «ikke datamaskin» hjemme. Dette er altså en ekstremt skjevfordelt variabel, og vi velger derfor ikke å presentere eksplisitte analyser hvor denne variabelen inngår. Generelt er det ingen eller en svak positiv sammenheng mellom antall datamaskiner i hjemmet og de ulike målene på elevenes sosioøkonomiske hjemmebakgrunn.

Vi har også gjort analyser for å studere i hvilken grad elevers hjemmebakgrunn er relatert til hvor mye de bruker IKT hjemme. Resultatene viser ingen signifikante sammenhenger mellom hjemmebakgrunn og bruk hjemme.

Dessuten har vi undersøkt om elevers hjemmebakgrunn kan forklare antall års erfaring med å bruke IKT. Resultatene viser at foreldres yrke og antall bøker hjemme har en svak positiv sammenheng med hvor mange års erfaring elevene har med å bruke IKT. Det er ingen sammenheng når det gjelder foreldres utdanning eller forventet utdanningslengde i forhold til antall års erfaring med IKT.

Totalt sett kan vi derfor konkludere med at verken tilgangen til datamaskiner eller omfanget av IKT-bruk i hjemmet er relatert til elevenes sosioøkonomiske hjemmebakgrunn.

8.4.3 Hjemmebakgrunn og mestringsforventning

Vi har også sett på hvordan hjemmebakgrunn er relatert til elevenes mestringsforventning for henholdsvis elementær og avansert IKT-bruk (se kapittel 6). Generelt viser disse analysene at slike sammenhenger ikke finnes eller er svært svake.

Elever med forventning om en kort utdanning eller elever som har foreldre i lavstatusyrker, rapporterer om høyere forventning til egne ferdigheter i avansert IKT-bruk sammenlignet med andre elever. Det dreier seg om svake sammenhenger, og vi er forsiktige med å trekke konklusjoner om hva dette skyldes. Mestringsforventning knyttet til avansert IKT-bruk har ikke sammenheng med foreldres høyere utdanning eller antall bøker i hjemmet.

Mestringsforventning knyttet til elementær IKT-bruk har en svak positiv sammenheng med antall bøker hjemme, foreldres yrke og forventet utdanningslengde.

8.5 Elever med minoritetsbakgrunn

I det følgende presenterer vi resultater for tilgang til datamaskiner i hjemmet og skår på den digitale prøven for to grupper av elever som vi for enkelthets skyld betegner som minoritets- og majoritetselever. Denne klassifiseringen er basert på elevenes svar på et spørsmål om de og foreldrene ble født i landet eller ikke. Elever som enten selv er født i et annet land eller som har to foreldre som er født i et annet land, kaller vi her for enkelthets skyld minoritetselever. Tabell 8.1 viser prosentandeler minoritetselever i Norge og de landene som vi har valgt å sammenligne med. Her er Polen utelatt siden ingen elever ble klassifisert som å være minoritetselever.

Tabell 8.1. Prøveskår for minoritets- og majoritetselever.

Land (prosentandel minoritetselever)

Status

Minoritetselever

Majoritetselever

Norge (13 %)

498

543

Danmark (9 %)

499

549

Nederland (11 %)

498

541

Tyskland (20 %)

498

534

Tsjekkia (3 %)

551

554

Det fremgår veldig tydelig av tabell 8.1 at de nordeuropeiske landene er preget av en svært lik situasjon der minoritetselevene skårer rundt det internasjonale gjennomsnittet (500), mens majoritetselevene skårer om lag 40 poeng høyere. Det er også rimelig å anta at sammensetningen av minoritetselever i disse landene har mange likhetstrekk. Tsjekkia fremstår imidlertid helt annerledes ved at også minoritetselevene skårer veldig høyt. Vi registrerer at gruppen med minoritetselever er svært lav i Tsjekkia sammenlignet med de andre landene. Vi har imidlertid ingen ytterligere detaljer om hvem disse minoritetselevene er i de ulike landene, og det er derfor vanskelig å forklare hvorfor situasjonen er en annen i Tsjekkia. Når andelene er så små, kan det være rimelig å tenke seg at elevene i minoritetsgruppen her primært består av foreldre som har innvandret fra et naboland. Resultatene fra PISA 2012 er for øvrig ganske sammenlignbare hvor forskjellene mellom majoritets- og minoritetselever er ganske lik for disse fire nordeuropeiske landene, mens den er noe lavere for Tsjekkia (OECD 2013, s. 73). I ICILS-undersøkelsen ble også elevene spurt om hvilket språk de snakker hjemme. Når vi foretar tilsvarende analyser ved å bruke denne variabelen i stedet, får vi omtrent samme resultat som gjengitt i tabell 8.1.

I tabell 8.2 oppgir vi antall datamaskiner i hjemmet for minoritets- og majoritetselever. Tabellen viser andel elever som har fra ingen til tre datamaskiner eller mer. Resultatene tyder på at tilgangen til datamaskiner er god for de aller fleste elevene, men at majoritetselevene i noe større grad bor i hjem med tre eller flere datamaskiner. Ulikhetene som ble observert i skår på den faglige prøven, kan derfor ikke knyttes til ulik tilgang til maskiner i hjemmet. Generelt krever oppgavene i ICILS-studien at elevene forholder seg til tekster av varierende lengde og kompleksitet, og det er derfor rimelig å tenke at forskjellen i skår mellom majoritets- og minoritetselevene først og fremst er knyttet til språk- og leseferdigheter.

Tabell 8.2. Antall datamaskiner hjemme for minoritets- og majoritetselever.

Tilgjengelige datamaskiner hjemme

Status

Minoritetselever (%)

Majoritetselever (%)

Ingen

1,2

0,7

1 datamaskin

4,7

0,1

2 datamaskiner

9,4

5,2

3 datamaskiner eller flere

84,6

93,1

8.6 En samlet analyse av bakgrunnsfaktorer og prøveskår

Så langt har vi kun sett på sammenhenger mellom enkeltvariabler som beskriver elevers bakgrunn og deres prestasjoner på prøven. Det er opplagt at slike bakgrunnskarakteristikker i tillegg samvarierer, og at det er ulike kombinasjoner av disse karakteristikkene som kan bidra til å skape digitale skiller. Dette er det imidlertid vanskelig å studere og beskrive på en kompakt og enkel måte. I tabell 8.3 presenterer vi hovedresultatene fra en multippel regresjonsanalyse som viser hvordan noen av disse elevkarakteristikkene (uavhengige variabler) samlet relaterer seg til elevenes prøveskår (avhengig variabel). I tabell 8.3 oppgis det en regresjonskoeffisient for hver av de uavhengige variablene. Disse koeffisientene uttrykker hvor mye prøveskåren øker når den uavhengige variabelen øker med 1 (samtidig som alle de andre uavhengige variablene holdes konstant).

I analysen har vi inkludert disse variablene (med variabelverdier i klammer):

  • kjønn (gutt [0] eller jente [1])

  • minoritetselev (nei [0] eller ja [1])

  • forventet utdanning (hvor fullført videregående skole er referansekategori)

  • foreldres høyeste utdanning (lav [1], middels [2] eller høy status på utdanning [3])

  • antall bøker hjemme (mindre enn 11 bøker [1], 11–25 bøker [2], 26–100 bøker [3] eller over 100 bøker [4])

  • antall datamaskiner hjemme (ingen datamaskin [0], én datamaskin [1], to datamaskiner [2] eller tre eller flere datamaskiner [3])

  • har Internett hjemme (nei [0] eller ja [1])

  • elevens mestringsforventning for elementære oppgaver (standardisert indeks av elevens svar på spørsmålene hvor gjennomsnittet er satt til 50, og standardavviket er 10)

Noen av disse variablene er ordinale variabler med flere kategorier, det vil si at de har kategorier som følger en ordning fra lave verdier til høye verdier, men hvor avstanden mellom verdiene er ukjent. Slike variabler kan ikke uten videre inkluderes som uavhengige variabler i en regresjonsanalyse, siden dette er en analyse som forventer at avstanden mellom naboliggende kategorier er lik hele veien. Det er imidlertid mulig å inkludere ordinale variabler med bare to kategorier, såkalte dikotome variabler. Regresjonskoeffisienten for slike variabler uttrykker en sammenligning mellom de gruppene som variabelen skiller elevene i. Eksempelvis betyr tallet 19 for variabelen Jente at gitt alt annet likt, skårer jenter i gjennomsnitt 19 poeng bedre enn guttene. Dette kan man sammenligne med en absolutt kjønnsforskjell på 23 poeng (se kapittel 4). Med andre ord er forskjellen knyttet til kjønn kun i ubetydelig grad påvirket av de andre variablene som er inkludert i modellen.

De ordinale variablene med mer enn to kategorier kan også inkluderes gjennom en enkel rekoding hvor kategoriene blir representert gjennom flere dikotome variabler. På denne måten kan man i regresjonsanalysen få uttrykt en sammenligning mellom enkeltkategorier i den ordinale variabelen med en valgt referansekategori. Elevenes forventede utdanningsnivå har fire kategorier, og i analysen brukes fullført videregående skole som referansekategori. Det vil si at analysen vil gi resultater hvor de andre utdanningsnivåene sammenlignes med det å ha foreldre med eller egne forventninger om å ha fullført videregående skole. Vi har sett at effekten av antall bøker hjemme er ganske lineær (se figur 8.6), og den er derfor behandlet som en kontinuerlig variabel. I tillegg har vi inkludert foreldrenes utdanningsnivå som en kontinuerlig variabel med tre alternative verdier, samt en samleskår for elevens mestringsforventning.

Tabell 8.3. Multippel regresjonsmodell med prøveskår som avhengig variabel og elevkarakteristikker som uavhengige variabler. Statistisk signifikante koeffisienter (p> 0,05) er uthevet. a Ikke inkludert fordi det er veldig få minoritetselever i Polen. b Ikke inkludert fordi så å si alle elever rapporterer å ha Internett hjemme.

 

Norge

Tsjekkia

Danmark

Tyskland

Polen

Kjønn (jente)

21,02

4,58

13,39

11,56

2,48

Minoritetselev

–28,34

2,1

–30,41

–11,42

a

Forventet utdanning

 

 

 

 

 

Ungdomstrinn

–11,89

–10,55

–23,61

–36,77

–33,29

Fullført vgs.

Referansekategori

Høgskole eller universitet inntil 2 år

9,62

18,71

12,21

–7,96

25,34

Høgskole eller universitet i 3 år eller mer

28,3

33,82

24,11

21,45

46,16

Foreldres høyeste utdanning

11,44

9,21

8,8

3,29

7,54

Antall bøker hjemme

7,94

10,12

7,93

16,65

8,91

Antall datamaskiner hjemme

0,52

2,01

1,18

5,41

3,41

Har Internett hjemme

b

7,72

b

b

32,04

Mestringsforventning

17,6

12,8

12,5

10,3

20,9

Konstant

395,42

420,64

443,2

379,44

337,47

R2

0,22

0,24

0,18

0,28

0,30

N

2,339

2,981

1,671

2,001

2,736

Resultatene i tabell 8.3 viser at i Norge har kjønn, elevens egen forventning om høyere utdanning (høgskole eller universitet i tre år eller mer), foreldrenes utdanning, bøker hjemme og mestringsforventning knyttet til elementær bruk av IKT en positiv sammenheng med prøveskår. Mens minoritetsstatus har en signifikant negativ sammenheng med prøveskår. Modellen har nokså like resultater på tvers av landene vi sammenligner med. I Tsjekkia og Polen er det imidlertid ingen sammenheng med kjønn når analysen utføres med mange ulike variabler. Antall datamaskiner hjemme slår kun ut i Tyskland, mens det å ha Internett hjemme slår ut i Polen.

I alle landene har mestringsforventning en positiv sammenheng med prøveskåren. Dette er en variabel med gjennomsnitt 50 og standardavvik 10. Det betyr at en endring i mestringsforventning med et standardavvik betyr en endring i prøveskår med 17,6 skårepoeng i Norge, 12,8 skårepoeng i Tsjekkia, 12,5 skårepoeng i Danmark, 10,3 skårepoeng i Tyskland og 20,9 skårepoeng i Polen.

Totalt sett kan disse variablene som karakteriserer ulike sider ved elevenes hjemmeforhold, sammen med mestringsforventning, forklare 22 % av variansen i de norske elevenes prøveskår. I Tsjekkia, Danmark, Tyskland og Polen gir regresjonsanalysen med disse variablene en forklart varians av prøveskåren lik henholdsvis 24 %, 18 %, 28 % og 30 %.

8.7 Variasjon innen og mellom skoler

I alle analysene ovenfor som involverer prøveskår, har formålet vært å se på hvordan variasjonen i elevenes skår er relatert til andre variabler. Dette fortsetter vi med i det følgende, men her ønsker vi å foreta en analyse som deler opp denne variasjonen i to komponenter. Det at elevenes skårer varierer, kan knyttes til at de går på en bestemt skole som skårer høyere eller lavere enn andre skoler. I tillegg er det variasjon mellom elevene som hører til den samme skolen. I det som kalles for flernivåanalyse, tar man hensyn til at det er brukt et tostegs design hvor man først har trukket ut skoler og deretter trukket ut elever. Det betyr at elevene fra samme skole har en del likhetstrekk knyttet til bakgrunn eller historikk som kan skille disse elevene fra grupper av elever som kommer fra andre skoler.

I flernivåanalysen har vi inkludert mange av de samme variablene som ble inkludert i regresjonsanalysen presentert i tabell 8.3, men vi har i tillegg inkludert variabler som beskriver elevenes bruk av IKT. I tillegg har man for analysene på skolenivå inkludert ulike ressursvariabler. I Norge ligger mesteparten av variasjonen i prøveskår innen skoler. Det er kun 11 % av variasjonen i prøveskår som kan knyttes til at det er forskjeller mellom skolenes gjennomsnittlige prestasjonsnivå. Sammen med Danmark, Slovenia og Tsjekkia er Norge blant de landene hvor det er minst forskjeller mellom skolene når det gjelder resultater. Det er generelt vanskelig å sammenligne disse andelene med andre studier fordi ulike land har ulik alder for overgang til videregående skoler. For de to skandinaviske landene er andelene som kan knyttes til hvilken skole man går i, sammenfallende med det man observerer også i PISA. Situasjonen er imidlertid en helt annen i PISA for Tsjekkia og Slovenia (hvor forskjellene mellom skolene er langt høyere), men dette kan i stor grad forstås ved at inndelingen til videregående opplæring skjer noe tidligere for disse landene (Mullis mfl. 2012).

Forhold på individnivå er blant annet antall års erfaring med IKT, bruk av datamaskin hjemme ukentlig og omfanget av læringsaktiviteter med IKT. Tilgang til IKT-ressurser og manglende IKT-ressurser for undervisning er eksempler på forhold på skolenivå.

I analysen er følgende variabler inkludert (med variabelverdier i klammer):

Elevnivå

  • antall datamaskiner hjemme (kodet som ingen [0], én datamaskin [1], to datamaskiner [2] eller tre eller flere datamaskiner [3])

  • antall års erfaring med IKT (kodet som [0, 2, 4 eller 6] ut fra antall år)

  • bruk av datamaskin hjemme ukentlig (kodet som sjeldnere enn ukentlig bruk [0] og minst ukentlig bruk [1])

  • bruk av datamaskin på skolen ukentlig (kodet som sjeldnere enn ukentlig bruk [0] og minst ukentlig bruk [1])

  • undervisning knyttet til digitale ferdigheter,4 dette er en indeks basert på 8 spørsmål (internasjonalt standardisert)

  • jente (gutt [0] eller jente [1])

  • forventet utdanning (hvor fullført videregående skole er referansekategori)

  • elevers sosioøkonomiske bakgrunn (standardisert indeks med foreldres yrke, foreldres utdanningsnivå og bøker hjemme)

Skolenivå

  • tilgang til IKT-ressurser for undervisning og læring5 (basert på svar fra IKT-koordinator om tilgang på skolen til ni ulike IKT-ressurser (internasjonalt standardisert)

  • manglende IKT-ressurser for undervisning, basert på lærersvar som er aggregert på skolenivå (internasjonalt standardisert)

  • skolens erfaring med IKT i undervisning og for læring, basert på svar fra IKT-koordinator (kodet som Bruker ikke datamasin [0], Færre enn 5 år [2,5], Minst 5, men færre enn 10 år [7,5] og 10 år eller mer [12,5])

  • skolens andel av elever med ukentlig bruk av datamaskin hjemme

  • skolens gjennomsnitt for variabel på elevnivå: undervisning knyttet til digitale ferdigheter (se punkt i forrige avsnitt om elevnivå)

  • skolens gjennomsnittlige sosioøkonomiske bakgrunn

Det er laget to slike flernivåmodeller, og disse er presentert i tabell 8.4. Den eneste forskjellen på disse to modellene er at modell 2 også inkluderer bakgrunnsinformasjon om elevene.

I den første modellen undersøkes betydningen av tilgang til, bruk av og erfaringer med IKT. Vi ser at svært få av regresjonskoeffisientene er statistisk signifikante. Det som slår positivt ut, er antall års erfaring med å bruke IKT og det at man har minst ukentlig bruk av datamaskin hjemme. I den andre modellen kontrollerer vi også for kjønn, forventet utdanning og de sosioøkonomiske indikatorene. Den første modellen forklarer kun 6 % av variasjonen i prøveskår innen skoler og 33 % av variasjon mellom skoler. Den andre modellen forklarer 18 % av variasjonen i prøveskår innen skoler og 49 % av variasjon mellom skoler. For mer utfyllende informasjon om denne analysen viser vi til den internasjonale rapportens kapittel 8 (Fraillon mfl. 2014).

Det er mulig å se dette i et komparativt perspektiv ved å trekke inn funn fra andre land. Vi har i figur 8.5 kopiert en analyse som er presentert i den internasjonale rapporten. Dette er en analyse som viser hvordan forskjellene mellom elevene, her representert ved den statistiske størrelsen varians, fordeler seg mellom eller innen skoler. Figuren viser altså i hvilken grad forskjeller mellom elevene kan knyttes til hvilken skole de går på, eller om de kan knyttes til ulikheter innad i skolen de går på. I denne figuren viser den første tallkolonnen andelen av variansen som kan knyttes til hvilken skole man går i. Denne andelen er beregnet som andel av den gjennomsnittlige totale variansen internasjonalt.

Tabell 8.4. Flernivåanalyse for prøveskår (ustandardiserte regresjonskoeffisienter). Statistisk signifikante koeffisienter (p > 0,05) er uthevet.

 

 

Modell
1

Modell
2

Elev

Antall datamaskiner hjemme

2,3

–1,0

Antall års erfaring med IKT

4,8

4,7

Bruk av datamaskin hjemme ukentlig

18,2

20,6

Bruk av datamaskin på skolen ukentlig

1,8

2,3

Undervisning knyttet til digitale ferdigheter

2,9

1,0

Skole

Tilgang IKT-ressurser for undervisning og læring

4,9

1,9

Manglende IKT-ressurser for undervisning

–2,6

–4,7

Skolens erfaring med IKT i undervisning og for læring

0,9

2,2

Skolens andel av elever med ukentlig bruk av datamaskin hjemme

0,7

0,6

Skolens gjennomsnitt for undervisning knyttet til digitale ferdigheter

5,1

4,0

Bakgrunns-informasjon for skole og elev

Kjønn

 

21,8

Forventet utdanning

 

 

Ungdomstrinn

 

–18,4

Fullført vgs.

 

referanse

Høgskole eller universitet inntil 2 år

 

8,7

Høgskole eller universitet i 3 år eller mer

 

25,2

Elevers sosioøkonomiske bakgrunn

 

12,1

Skolens gjennomsnittlige sosioøkonomiske bakgrunn

 

10,7

 

Prosentandel av variansen innen skoler som modellen kan gjøre rede for

6 %

18 %

 

Prosentandel av variansen mellom skoler som modellen kan gjøre rede for

33 %

49 %

Figur 8.7. Andel forklart variasjon innad og mellom skoler.

Resultatene i figur 8.7 viser at Norge, Slovenia, Danmark og Tsjekkia har lavere total varians enn mange av de andre deltakerne (total bredde på søylene som viser variansen i figurens høyre del). I tillegg har disse landene lite variasjon mellom skolene, og den største delen av variasjonen er i stedet innenfor de enkelte skolene.6 Bildet som tegner seg, er veldig likt det man ser også i andre internasjonale undersøkelser. Men for Tsjekkia er bildet veldig annerledes enn i for eksempel PISA: Når det gjelder digital kompetanse, så presterer ikke bare elevene godt. Det er også liten forskjell mellom elevene og mellom skolene. I tillegg fremstår også Tsjekkia her som et land med høy grad av utjevning. PISA tegner et ganske annet bilde. I denne sammenhengen er det også verdt å legge merke til at for Korea er bildet også et annet enn det man ser i PISA. I PISA fremstår Korea med høye prestasjoner og liten spredning i elevenes faglige prestasjoner, mens de i ICILS har relativt beskjedne prestasjoner og høy spredning. Vi vet imidlertid for lite om hvordan undervisningen er organisert i de to landene til å kunne komme med gode forklaringer på hvorfor de to landene omtrent har byttet plass når vi sammenligner ICILS med PISA.

8.8 Oppsummering

Begrepet digitale skiller har oppstått i en tid og i land hvor det var eller er store forskjeller i tilgangen til og bruken av IKT i skolen og samfunnet for øvrig. I analysen av ICILS-data er dette utviklet til også å gjelde skiller i elevers digitale kompetanser som systematisk kan knyttes til elevenes bakgrunn eller hvilken skole de går på.

I de fleste land finnes det digitale skiller knyttet til tilgang, bruk og ferdigheter. I noen land er det utfordringer knyttet til digitale skiller ved tilgang, og i andre land er utfordringene knyttet til digitale skiller ved bruk. I Norge er det kun små skiller knyttet til tilgang eller bruk av datamaskiner. Men ICILS-studien viser at det er digitale skiller knyttet til elevenes ferdigheter. Det er et mindretall av elevene som plasserer seg på de to øverste prestasjonsnivåene. Samtidig skårer 24 % av de norske elevene på det laveste ferdighetsnivået eller under det laveste ferdighetsnivået på prøven. Gitt ambisjonene i rammeverket for grunnleggende ferdigheter kan ikke dette sies å være tilfredsstillende. Det er likevel viktig å påpeke at Norge fremstår som et land hvor disse skillene er mindre enn dem man observerer i de fleste andre land.

Som man har sett i alle internasjonale undersøkelser, er Norge blant de landene som har lavest variasjon mellom skoler. I stedet er variasjonen for de norske elevene å finne innen hver enkelt skole. Dette reflekterer nok i all hovedsak bakenforliggende strukturelle forhold som hvordan utdanning er organisert i Norge, heller enn spesifikke forhold knyttet til opplæringen av digitale ferdigheter. Videre analyser av digitale skiller i ferdigheter viser at det er kjønn, elevers forventning om utdanning og elevenes sosioøkonomiske forhold som i størst grad kan forklare variansen i prøveskår. Dette er for øvrig også i tråd med det man observerer i andre internasjonale undersøkelser. Det er få indikasjoner på kjennetegn ved skolene, ut over gjennomsnittlig sosioøkonomisk bakgrunn, som kan forklare variansen i digitale ferdigheter. Dette vil vi diskutere nærmere i kapittel 9, hvor vi blant annet går gjennom hovedfunn i undersøkelsen.

Litteratur

Bourdieu, P. (1984). Distinction: a social critique of the judgement of taste. London: Routledge & Kegan Paul.

Boyd, D. (2014). it’s complicated. London: Yale University Press.

Compaine, B.M. (2001). The digital divide: Facing a crisis or creating a myth? Cambridge, Mass.: MIT Press.

Egeberg, G., Gudmundsdottir, G.B., Hatlevik, O.E., Ottestad, G., Skaug, J.H. og Tømte, K. (2012). Monitor 2011. Skolens digitale tilstand. Oslo: Senter for IKT i utdanningen.

Ferrari, A. (2012). Digital Competence in practice: An analysis of frameworks. Seville: JRC-IPTS.

Fraillon, J., Ainley, J., Schulz, W., Friedman, T. og Gebhardt, E. (2014). Preparing for life in a digital age. The IEA International Computer and Information Literacy Study. International report. Amsterdam: Springer International Publishing.

Frønes, I. (2002). Digitale skiller: utfordringer og strategier. Bergen: Fagbokforlaget.

Frønes, T.S. og Narvhus, E.K. (2011). Elever på nett. Digital lesing i PISA 2009. Oslo: Enhet for kvantitative utdanningsanalyser, ILS/UiO.

Ganzeboom, H.B.G. (2010). A New International Socio-Economic Index [ISEI] of Occupational Status for the International Standard Classification of Occupation 2008 [ISCO-08] Constructed with Data from the ISSP 2002–2007; with an Analysis of Quality of Occupational Measurement in ISSP. Paper presented at the Annual Conference of International Social Survey Programme, Lisbon. Hentet 18.05.2015 http://www.harryganzeboom.nl/Pdf/2010-Ganzeboom-ISEI08-ISSP-Lisbon-(paper).pdf

Ganzeboom, H.B.G., de Graaf, P.M. og Treiman, D.J. (1992). A standard international socio-economic index of occupational status. Social Science Research, 21, 1–56.

Ganzeboom, H.B.G. og Treiman, D.J. (1996). Internationally Comparable Measures of Occupational Status for the 1988 International Standard Classification of Occupations. Social Science Research, 25(3), 201–239.

Gudmundsdottir, G.B. (2011). From digital divide to digital opportunities? A critical perspective on the digital divide in South African schools. Doktoravhandling, Det utdanningsvitenskapelige fakultet, Universitetet i Oslo.

Hargittai E. (2002). Second-Level Digital Divide: Differences in People's Online Skills. First Monday, 7(4).

Hatlevik, O.E., Egeberg, G., Gudmundsdottir, G.B., Loftsgarden, M. og Loi, M. (2013). Monitor 2013. Oslo: Senter for IKT i utdanningen.

Hatlevik, O.E., Ottestad, G. og Throndsen, I. (2015). Predictors of Digital Competence in 7th Grade: Students’ Motivation, Family Background, and Culture for Professional Development in Schools. Journal of Computer-Assisted Learning, 31, 220–231.

Hatlevik, O.E., Gudmundsdottir, G.B. og Loi, M. (2015a). Digital diversity among upper secondary students: A multilevel analysis of the relationship between cultural capital, self-efficacy, strategic use of information and digital competence. Computers and Education, 81, 345–354.

Hatlevik, O.E., Gudmundsdóttir, G.B. og Loi, M. (2015b). Examining factors predicting students’ digital competence. Journal of Information Technology Education Research, 14, 123–137. Hentet 10.02.2015 fra http://www.jite.org/documents/Vol14/JITEV14ResearchP123-137Hatlevik0873.pdf

International Labour Organization (2007). International Standard Classification of Occupations: ISCO-2008. Genève: International Labour Office.

Kolko, B.E., Nakamura, L. og Rodman, G.B. (2000). Race in Cyberspace: An Introduction. I B.E. Kolko, L. Nakamura og G.B. Rodman (red.), Race in Cyberspace (1–14). New York: Routledge.

Krumsvik, R.J., Egelandsdal, K., Sarastuen, N.K., Jones, L.Ø. og Eikeland, O.J. (2013). Sammenhengen mellom IKT-bruk og læringsutbytte (SMIL) i videregående opplæring. Bergen: Universitetet i Bergen.

Meld. St. 23 (2012–2013). Digital agenda for Norge. IKT for vekst og verdiskaping. Oslo: Fornyings-, administrasjons- og kirkedepartementet.

Mullis, I.V.S., Martin, M.O., Minnich, C.A., Stanco, G.M., Arora, A., Centurino, V.A.S. og Castle, C.E. (red.) (2012). TIMSS 2011 Encyclopedia: Education Policy and Curriculum in Mathematics and Science. Volume I and II. Boston: TIMSS & PIRLS International Study Centre.

OECD (2010). Pathways to Success. How knowledge and skills at age 15 shape future lives in Canada. Paris: OECD Publishing.

OECD (2013). PISA 2012 Results: Excellence through Equity. Giving every student the chance to succeed (Volume II). Paris: OECD Publishing.

Pedró, F. (2007). The New Millennium Learners: Challenging our Views on Digital Technologies and Learning. Nordic Journal of Digital Literacy, 2(4), 43–60.

Sirin, S.R. (2005). Socioeconomic Status and Academic Achievement: A Meta-Analytic Review of Research. Review of Educational Research, 75(3), 417–453. doi: 10.3102/00346543075003417.

Warschauer, M. (2002). Reconceptualizing the digital divide. First Monday, 7(7). Hentet 10.02.2015 fra http://firstmonday.org/article/view/967/888

Yang, Y. (2003). Measuring socioeconomic status and its effects at individual and collective levels: A cross-country comparison. (Vol. Gothenburg Studies in Educational Sciences, 193). Gøteborg: Acta Universitatis Gothoburgensis.

1 www.gsi.udir.no
2Hentet 20. april 2015 fra http://www.ssb.no/181254/personer-16-%C3%A5r-og-over-etter-utdanningsniv%C3%A5-kj%C3%B8nn-og-alder
3Som gjort rede for i kapittel 4, hadde Danmark og Nederland lavere deltakelse enn studien krever.
4Students’ reports on learning CIL tasks at school.
5School experience with using ICT for teaching and learning.
6Verdien 8 % her kan synes å være inkonsistent med verdien 11 % rapportert foran. Men dette skyldes at 11 % uttrykker andel av den norske spredningen som kan knyttes til hvilken skole eleven tilhører, mens 8 % uttrykker den samme spredningen mellom skoler relativt til den gjennomsnittlige internasjonale spredningen.

Idunn bruker informasjonskapsler (cookies). Ved å fortsette å bruke nettsiden godtar du dette. Klikk her for mer informasjon