.png)
Was sagt die Forschung? | Ein Überblick über zentrale Befunde
Zum Potenzial
datengestützer Qualitätsentwicklung
Datengestützte Qualitätsentwicklung gilt als vielversprechender Ansatz, um die Qualität von Schule und Unterricht zu verbessern und kontinuierlich weiterzuentwickeln. Angesichts der steigenden Zahl von Schüler*innen, die die Mindeststandards in den Basiskompetenzen in Deutsch und Mathematik nicht erreichen, rückt sie zunehmend in den Fokus bildungspolitischer Anstrengungen. (2)
Doch die zentrale Frage bleibt: Inwiefern steigert datengestützte Qualitätsentwicklung den Lernerfolg von Schüler*innen? Die Forschung liefert erste Antworten zu ihrem Potenzial.
Juni 2026
Was sagt die Forschung?
Zum Potenzial datengestützter Qualitätsentwicklung
Worum geht's?
Datengestützte Qualitätsentwicklung (kurz: DGQE) ist die systematische Nutzung vielfältiger schulischer Daten- und Informationsquellen, etwa Lernverlaufsdiagnostik, Elterngespräche, kollegiale Unterrichtsbeobachtungen, kollegiales Feedback aus Unterrichtshospitationen, Monitoringdaten, für pädagogische und bildungsbezogene Entscheidungsprozesse.
Der Kern datengestützter Qualitätsentwicklung: der Datennutzungszyklus
Der Datennutzungszyklus zeigt, worauf es bei datengestützter Qualitätsentwicklung ankommt: Das in unserem Kompetenzzentrum Datengestützte Qualitätsentwicklung entwickelte und erprobte Konzept beschreibt Datennutzung nicht als einmaligen Schritt, sondern als fortlaufenden Lern- und Entwicklungsprozess mit vier Phasen.
In der Rezeption betrachtet und beschreibt ein Team vorhandene Daten. In der Reflexion ordnet es die Daten gemeinsam ein. In der Aktion setzt es gemeinsam mit dem Kollegium die daraus abgeleitete Maßnahmen um. In der Evaluation prüft das Team deren Wirkung.
Im Mittelpunkt steht nicht das Sammeln von Daten, sondern ihre gemeinsame und zielbezogene Nutzung. Sie bildet die Grundlage für eine kontinuierliche Schul- und Unterrichtsentwicklung.
Durch regelmäßige Check-ins können Teams, die Fortschritte reflektieren und bei Bedarf frühzeitig die Maßnahmen anzupassen.
Die Dauer eines Zyklus variiert je nach Entwicklungsziel und kann über zwei bis drei Jahre reichen.
Abbildung: Wie datengestützte Qualitätsentwicklung funktioniert, zeigt der Datennutzungszyklus mit seinen Merkmalen und Phasen. (5)
Die wesentlichen Merkmale, datengestützter Qualitätsentwicklung
Damit die Datennutzung in diesem Zyklus zur Qualitätsentwicklung beiträgt, orientiert sie sich an fünf Merkmalen:
Sie ist mehrperspektivisch
Es werden verschiedene Datenquellen und Blickwinkel berücksichtigt.
Sie erfolgt zielbezogen
Sie richtet sich an konkreten Zielen der Schule oder übergeordneten Vorgaben aus.
Sie bleibt adaptiv
Sie passt sich dem Kontext, der Zielgruppe und dem Zweck an.
Sie funktioniert kollaborativ
Ein Team oder eine Steuergruppe analysiert und diskutiert die Daten und trägt den Prozess gemeinsam durch alle vier Phasen.
Sie geht systematisch vor
Die Daten werden in mehreren Schritten ausgewertet, reflektiert und in Entscheidungen übersetzt.
Sie findet kontinuierlich statt
Jede Evaluation liefert neue Erkenntnisse und bildet den Ausgangspunkt für den nächsten Zyklus.
Was wissen wir?
Viele Studien, ein Befund
Forschende erfassen in Metaanalysen, wie sich datengestützte Qualitätsentwicklung auf den Unterricht auswirkt. Sie verwenden dafür ein standardisiertes Maß, das die Ergebnisse verschiedener Studien vergleichbar macht.
Über viele verglichene Studien hinweg zeigt sich: Die Erhebung und Nutzung von Daten im Schul- und Unterrichtskontext geht im Durchschnitt mit einer positiven Wirkung auf den Lernerfolg von Schüler*innen einher. (1,6,11)
Wovon die Wirkung abhängt
Eine Metaanalyse aus dem Jahr 2025 fasst 86 Effektstärken aus 27 Primärstudien zusammen. Sie untersucht, wie Professionalisierungsmaßnahmen zur datengestützten Qualitätsentwicklung wirken.
Das Ergebnis: Solche Maßnahmen haben im Durchschnitt einen signifikant positiven Effekt auf den Lernerfolg von Schüler*innen. (6) Das bedeutet, datengestützte Qualitätsentwicklung kann wirksam sein, doch ihre Wirkung ist auch kontextabhängig. Daten allein führen nicht zu Verbesserungen.
Daten als Entscheidungsgrundlage
Schulische Akteur*innen müssen sie vor dem Hintergrund ihres eigenen Professionswissens sowie des schulischen Kontexts aktiv rezipieren und reflektieren, um daraus geeignete Maßnahmen abzuleiten.
So können Daten dazu beitragen, fundiertere pädagogische Entscheidungen zu treffen. Eine Lehrkraft kann auf dieser Basis beispielsweise erkennen, in welchen Bereichen sie einzelne Schüler*innen zusätzlich fördern sollte; eine Schulleitung sieht, welche Fortbildungen das Kollegium benötigt.
Wie funktioniert das auf den Ebenen des Bildungssystems?
Während Metaanalysen einen Forschungsüberblick liefern, zeigen einzelne Studien, wie datengestützte Qualitätsentwicklung konkret auf den verschiedenen Ebenen des Bildungssystems wirken kann:
Was bedeutet das für die Praxis?
Die Befunde zeigen: Datengestützte Qualitätsentwicklung kann über alle Ebenen wirksam sein, wenn Daten nicht nur erhoben, sondern systematisch für Steuerung, Schulentwicklung und adaptiven Unterricht verwendet werden. (2,3,6,9)
Zugleich machen die Studien deutlich, unter welchen Voraussetzungen sich dieses Potential entfaltet:
Der Prozess ist langfristig angelegt.
Schulische Akteur*innen erhalten bei Einführung und Umsetzung passende Professionalisierungsangebote und wirksame Unterstützung.
Schulen und das schulische Unterstützungssystem schaffen die nötigen Strukturen, die eine produktive datengestützte Praxis ermöglichen.
Die Akteur*innen im Bildungssystem arbeiten ebenenübergreifend zusammen.
Datengestützte Qualitätsentwicklung wirkt
Eine konsequente datengestützte Qualitätsentwicklung über alle Ebenen zeigt Wirkung bis hin zu den Schüler*innen.
Großes Potenzial für Startchancen-Schulen
Insbesondere Schulen in herausfordernden Lagen können von datengestützter Qualitätsentwicklung profitieren, wenn sie auf dieser Basis die Kompetenzentwicklung ihrer Schüler*innen fördern.
Quellenverzeichnis
1 Ansyari, M. F., Groot, W., & De Witte, K. (2022). A systematic review and meta-analysis of data use professional development interventions. Journal of Professional Capital and Community, 7(3), 256–289. https://doi.org/10.1108/JPCC-09-2021-0055
2 Hawlitschek, P., Karst, K., Henschel, S. & Rangel, U. (2025). Netzwerkgestützte Professionalisierung von Schulleitungsmitgliedern für die datengestützte Qualitätsentwicklung an Schulen in herausfordernden Lagen. Zeitschrift für Erziehungswissenschaft, 29(2), 457–488. https://doi.org/10.1007/s11618-025-01346-8
3 Holtappels, H.G. & Brücher, L. (2021). Entwicklungen in den Projektschulen: Qualitätsverbesserungen und Aufbau von Schulentwicklungskapazität. In I. van Ackeren, H.G. Holtappels, N. Bremm & A. Hillebrand-Petri (Hrsg.), Schulen in herausfordernden Lagen – Forschungsbefunde und Schulentwicklung in der Region Ruhr. Das Projekt „Potenziale entwickeln – Schulen stärken“ (S. 128–166). Beltz Juventa. https://doi.org/10.25656/01:21381
4 Karst, K., Bonefeld, M., Dotzel, S., Fehringer, B. C. O. F., & Steinwascher, M. (2022). Data-based differentiated instruction: The impact of standardized assessment and aligned teaching material on students’ reading comprehension. Learning and Instruction, 79, 101597. https://doi.org/10.1016/j.learninstruc.2022.101597
5 Karst, K., Kuhn, D., Gernert, V., Thielmann, M., & AG SMART (2025). Handreichung zur datengestützten Qualitätsentwicklung mit zahlreichen Materialien – Teil 1. Projekt SchuMaS. Universität Mannheim. https://ezw.rptu.de/fileadmin/empschul/Dokumente/IKOM_DGQE/SchuMaS_Handreichung_Teil1.pdf
6 König, J., Blömeke, S., Cramer, C., et al. (2025). Effectiveness of interventions in teacher education: Synthesis of reviews (2010–2024). Zeitschrift für Erziehungswissenschaft, 28, 1345–1412. https://doi.org/10.1007/s11618-025-01319-x
7 Mandinach, E. B., & Schildkamp, K. (2021). Misconceptions about data-based decision making in education: An exploration of literature. Studies in Educational Evaluation, 69, 100842. https://doi.org/10.1016/j.stueduc.2020.100842
8 Muijs, D., Harris, A., Chapman, C., Stoll, L., & Russ, J. (2004). Improving schools in socioeconomically disadvantaged areas – A review of research evidence. School Effectiveness and School Improvement, 15(2), 149–175. https://doi.org/10.1076/sesi.15.2.149.30433
9 Racherbäumer, K., Funke, C., van Ackeren, I., & Clausen, M. (2013). Datennutzung und Schulleitungshandeln an Schulen in weniger begünstigter Lage. Empirische Befunde zu ausgewählten Aspekten der Qualitätsentwicklung. In I. van Ackeren, M. Heinrich & F. Thiel (Hrsg.), Evidenzbasierte Steuerung im Bildungssystem? Befunde aus dem BMBF-SteBisVerbund (12. Beiheft der Zeitschrift DDS – Die Deutsche Schule). (S. 226 – 254). Waxmann.
10 Slavin, R. E., Cheung, A., Holmes, G., Madden, N. A., & Chamberlain, A. (2013). Effects of a data-driven district reform model on state assessment outcomes. American Educational Research Journal, 50 (2), 371–396. https://doi.org/10.3102/0002831212466909
11 Spiele, S., Janssen, J. J., Schildkamp, K., & Poortman, C. L. (2025). The effect of teacher data use professional development interventions on student achievement: A meta-analysis and qualitative comparative analysis. Studies in Educational Evaluation, 87, 101528. https://doi.org/10.1016/j.stueduc.2025.101528
12 van Geel, M., Keuning, T., Visscher, A. J., & Fox, J.-P. (2016). Assessing the effects of a school-wide data-based decision-making intervention on student achievement growth in primary schools. American Educational Research Journal, 53(2), 360–394. https://doi.org/10.3102/0002831216637346