শিক্ষক মূল্যায়নের শতবর্ষী বিবর্তন: একই ধারণা, কিন্তু বিশ্ববিদ্যালয়ভেদে এত পার্থক্য কেন? — পূর্বপ্রকাশিত লেখার ধারাবাহিকতায়, পর্ব ০২

অধিকারপত্র শিক্ষা সংস্কার ধারাবাহিক │ উচ্চশিক্ষা: নতুন সিরিজ — Student Evaluation of Teaching (SET)

১৯২০-এর দশকে Purdue University ও University of Washington-এ শিক্ষার্থীদের মতামত সংগ্রহের প্রাথমিক উদ্যোগ থেকে শুরু করে আজকের Harvard Q, Stanford-এর learning-focused feedback system এবং আধুনিক Multi-Source Evaluation—প্রায় এক শতাব্দীতে Student Evaluation of Teaching (SET)-এর ধারণা, উদ্দেশ্য ও প্রয়োগ আমূল বদলে গেছে।

এই ইতিহাস কেবল প্রশ্নমালা বা Questionnaire-এর বিবর্তনের ইতিহাস নয়। এটি একই সঙ্গে Student Voice, Measurement Science, Academic Accountability, Institutional Power এবং Teaching Improvement-এর ধারণাগত ও প্রাতিষ্ঠানিক বিবর্তনের ইতিহাস। একসময় শিক্ষার্থীর মতামতের প্রধান উদ্দেশ্য ছিল শিক্ষককে নিজের পাঠদানের শক্তি ও দুর্বলতা বুঝতে সাহায্য করা—অর্থাৎ শিক্ষকতার সামনে একটি ‘আয়না’ তুলে ধরা। সময়ের সঙ্গে সেই feedback-ই বিভিন্ন বিশ্ববিদ্যালয়ে course quality assurance, programme review, faculty development, promotion, tenure এবং institutional accountability-এর evidence হিসেবে ব্যবহৃত হতে শুরু করে। ফলে একটি formative feedback mechanism ধীরে ধীরে অনেক প্রতিষ্ঠানে high-stakes evaluative instrument-এ পরিণত হয়েছে।

এই নিবন্ধে তাই SET-এর ইতিহাসকে শুধু ঘটনাক্রম বা chronology হিসেবে উপস্থাপন করা হয়নি; বরং বিশ্লেষণ করা হয়েছে “evolution of purpose and practice” হিসেবে—অর্থাৎ সময়ের সঙ্গে শিক্ষক মূল্যায়নের উদ্দেশ্য কেন বদলেছে, এর ব্যবহার কীভাবে বিস্তৃত হয়েছে এবং একই ধারণা বিভিন্ন বিশ্ববিদ্যালয়ে কেন এত ভিন্ন প্রাতিষ্ঠানিক রূপ পেয়েছে।

এই পার্থক্য বোঝাতে কয়েকটি বাস্তব বিশ্ববিদ্যালয়-অভিজ্ঞতা বিশেষভাবে গুরুত্বপূর্ণ। Harvard-এর বর্তমান Q system-এ evaluation-এর সময়, confidentiality, aggregated results-এর ব্যবহার এবং শিক্ষার্থীদের course selection-এ নির্দিষ্ট তথ্য ব্যবহারের প্রশ্ন রয়েছে। অন্যদিকে Stanford শিক্ষার্থীর satisfaction-এর চেয়ে learning experience ও teaching improvement-কে অধিক গুরুত্ব দিয়ে feedback ব্যবস্থা পুনর্গঠন করেছে; সেখানে mid-term feedback এবং multi-source evaluation-এর ধারণাও গুরুত্বপূর্ণ। আবার University of Washington-এ ১৯২০-এর দশক থেকেই শিক্ষার্থীভিত্তিক teaching evaluation-এর ঐতিহাসিক ধারা গড়ে উঠেছে, যা পরবর্তীতে Instructional Assessment System (IAS) এবং বর্তমান online ও paper-based evaluation ব্যবস্থায় বিকশিত হয়েছে।

এই institutional contrast-গুলো একটি মৌলিক বিষয় সামনে আনে: Student Evaluation of Teaching কোনো একক, সর্বজনীন বা context-free পদ্ধতি নয়। একই ‘শিক্ষক মূল্যায়ন’ নামের নিচে বিশ্ববিদ্যালয়ভেদে এর উদ্দেশ্য, প্রশ্নমালার কাঠামো, data collection, confidentiality, ফলাফলে কার প্রবেশাধিকার থাকবে, শিক্ষার্থীদের কাছে কী প্রকাশ করা হবে এবং promotion বা tenure-এ ফলাফল কতটা ব্যবহার করা হবে—সবকিছুতেই উল্লেখযোগ্য পার্থক্য থাকতে পারে।

আর ঠিক এখানেই এই পর্বের মূল অনুসন্ধান: একই ধারণা যদি প্রায় এক শতাব্দী ধরে ব্যবহৃত হয়ে থাকে, তবে Harvard, Stanford, University of Washington কিংবা অন্য বিশ্ববিদ্যালয়ে তার প্রয়োগ এত আলাদা কেন? উত্তরটি শুধু প্রযুক্তি বা questionnaire-এর নকশায় নেই; বরং বিশ্ববিদ্যালয়ের academic culture, governance, purpose of evaluation, measurement philosophy এবং institutional accountability-র ধারণার মধ্যেই নিহিত।

Purdue ও Washington-এর প্রাথমিক student rating থেকে Harvard-এর Q এবং Stanford-এর learning-focused feedback—শিক্ষার্থী কর্তৃক শিক্ষক মূল্যায়নের ইতিহাস আসলে questionnaire-এর ইতিহাস নয়; এটি student voice, academic accountability, measurement science, institutional power এবং বিশ্ববিদ্যালয়ের নিজেকে বদলে নেওয়ার ইতিহাস

ধরা যাক, ১৯২০-এর দশকের কোনো বিশ্ববিদ্যালয়ের একজন শিক্ষার্থীকে হঠাৎ ২০২৬ সালের একটি আধুনিক ক্যাম্পাসে এনে একটি smartphone ধরিয়ে দেওয়া হলো। তাঁর সামনে একটি notification: “Your course evaluation is now open.” তিনি link-এ ঢুকে দেখলেন—শিক্ষক কতটা organised, course কতটা intellectually engaging, assessment কতটা clear, feedback কেমন, নিজের learning কতটা হয়েছে—এসব বিষয়ে তাঁকে response দিতে বলা হচ্ছে। শেষে আবার একটি open comment box: “এই course সম্পর্কে ভবিষ্যৎ শিক্ষার্থীদের কী বলতে চান?” প্রায় একশ বছর আগের সেই শিক্ষার্থীর কাছে দৃশ্যটি সম্ভবত একই সঙ্গে পরিচিত এবং বিস্ময়কর মনে হবে। পরিচিত—কারণ তাঁরও professor সম্পর্কে মতামত ছিল; বিস্ময়কর—কারণ সেই মতামত আজ একটি institutional data system-এর অংশ।

এবার দৃশ্যটি উল্টে দেওয়া যাক। ২০২৬ সালের একজন বিশ্ববিদ্যালয় শিক্ষার্থীকে প্রায় একশ বছর পেছনে পাঠানো হলো। Semester শেষ। তিনি অপেক্ষা করছেন evaluation email-এর জন্য। কিন্তু কিছুই এল না। Learning Management System নেই, online feedback নেই, dashboard নেই, five-point scale নেই। শিক্ষকের teaching ভালো না খারাপ—তা নিয়ে corridor-এ আলোচনা আছে, বন্ধুদের মধ্যে reputation আছে, কখনো complaint আছে; কিন্তু সেই অভিজ্ঞতাকে systematically questionnaire-এ এনে data বানানোর institutional technology তখনও জন্ম নিচ্ছে।

এই দুই দৃশ্যের মাঝখানে প্রায় এক শতাব্দীর ইতিহাস। আর ইতিহাসটি শুধু কাগজের questionnaire থেকে online form-এ যাওয়ার ইতিহাস নয়। এটি এমন একটি ধারণার evolution, যার meaning বারবার বদলেছে। কখনো এটি ছিল teacher improvement-এর আয়না, কখনো student voice-এর প্ল্যাটফর্ম, কখনো quality assurance-এর evidence, কখনো promotion ও tenure-এর input, আবার contemporary university-তে increasingly এটি broader multi-source evaluation of teaching and learning-এর একটি অংশ।

সুতরাং আজ যখন আমরা বলি “বিশ্ববিদ্যালয়ে শিক্ষার্থী শিক্ষককে মূল্যায়ন করবে”, তখন বাক্যটি যত সহজ শোনায়, বাস্তবতা তার চেয়ে অনেক জটিল। কারণ Harvard-এর course evaluation, Stanford-এর course feedback, University of Washington-এর Instructional Assessment System এবং কোনো voluntary public star-rating website—সবকিছুকে একই নামে “teacher evaluation” বলা গেলেও তাদের purpose, methodology, governance, audience এবং consequences এক নয়।

এখানেই এই আলোচনার কেন্দ্রীয় প্রশ্ন: একই ধারণা বিশ্ববিদ্যালয়ভেদে এত আলাদা কেন?

—উত্তরটি খুঁজতে হলে questionnaire-এর দিকে নয়, ইতিহাসের দিকে তাকাতে হবে।

আরো পড়ুন: শিক্ষককে নম্বর দেবে শিক্ষার্থী—কিন্তু সেই নম্বরের নম্বর দেবে কে? — পূর্ব প্রকাশের পর, পর্ব ০১│শিক্ষার্থীর কণ্ঠ অবশ্যই শুনতে হবে। কিন্তু ৪.৮ কি সত্যিই ৪.২-এর চেয়ে ‘ভালো শিক্ষক’? Star, score ও ranking-এর আড়ালে শিক্ষক মূল্যায়নের বিজ্ঞান, bias, context এবং statistical uncertainty কতটা দেখা হচ্ছে? অধিকারপত্র শিক্ষা সংস্কার ধারাবাহিক│উচ্চশিক্ষা নতুন সিরিজ- Student Evaluation of Teaching (SET)

বিশ্ববিদ্যালয়ে মূল্যায়নের তীর একসময় প্রায় পুরোপুরি একমুখী ছিল

বিশ্ববিদ্যালয়ের বহু শত বছরের ইতিহাসে assessment ছিল মূলত একটি একমুখী সম্পর্ক। শিক্ষক শেখাবেন, পরীক্ষা নেবেন, শিক্ষার্থীর কাজ বিচার করবেন এবং grade দেবেন। একে খুব সরলভাবে লেখা যায়—

Teacher teaches → Teacher examines → Teacher grades student.

শিক্ষার্থী অবশ্যই teacher সম্পর্কে মতামত রাখতেন। ভালো professor-এর reputation ছড়িয়ে পড়ত, খারাপ teaching নিয়েও অভিযোগ থাকত। কিন্তু সেগুলো সাধারণত informal। Teaching quality বোঝার জন্য scholarly reputation, departmental judgement, colleague perception কিংবা কর্তৃপক্ষের পর্যবেক্ষণের ওপর বেশি নির্ভর করা হতো।

কিন্তু উচ্চশিক্ষা যখন বড় হতে শুরু করল, তখন একটি মৌলিক সমস্যা সামনে এলো। একজন internationally respected scholar কি necessarily excellent classroom teacher? একজন brilliant researcher কি automatically difficult concept undergraduate শিক্ষার্থীর কাছে পরিষ্কার করে বোঝাতে পারেন? একজন celebrated academic কি fair assessment করেন—এটি কি তাঁর publication record দেখে জানা সম্ভব?

উত্তর স্পষ্ট—না।

এখানে বিশ্ববিদ্যালয় একটি information gap-এর মুখোমুখি হলো। Dean হয়তো একজন professor-এর research profile জানেন। Chair তাঁর administrative contribution জানেন। Colleague তাঁর seminar শুনেছেন। কিন্তু সপ্তাহে তিন দিন সকাল দশটার lecture-এ কী ঘটছে—এটি সবচেয়ে ধারাবাহিকভাবে কারা দেখছেন? —শিক্ষার্থীরা।

এই সাধারণ পর্যবেক্ষণই Student Evaluation of Teaching বা SET-এর intellectual foundation-এর অন্যতম ভিত্তি।

একটি analogy দিয়ে বিষয়টি বোঝা যায়। একটি হাসপাতালের পরিচালক একজন surgeon-এর degree, publication, seniority এবং professional reputation জানেন। কিন্তু রোগী কেমনভাবে informed consent পেয়েছেন, তাঁকে সম্মানের সঙ্গে treatment process বোঝানো হয়েছে কি না, doctor তাঁর প্রশ্ন শুনেছেন কি না—এসব অভিজ্ঞতার গুরুত্বপূর্ণ অংশ রোগীই জানেন। রোগী পুরো surgical competence বিচার করতে পারবেন না, কিন্তু তাঁর অভিজ্ঞতাও অমূল্য evidence। Teaching-এর ক্ষেত্রেও শিক্ষার্থী একই ধরনের privileged observer—সবকিছুর নয়, কিন্তু কিছু অত্যন্ত গুরুত্বপূর্ণ বিষয়ের।

১৯২০-এর দশক: “স্যার ভালো পড়ান” থেকে structured measurement

আধুনিক student rating-এর ইতিহাসে Purdue University-এর educational psychologist Hermann H. Remmers এবং University of Washington-এর psychologist Edwin R. Guthrie গুরুত্বপূর্ণ নাম। Purdue University Archives-এ সংরক্ষিত Remmers-এর papers-এ ১৯২৮ থেকে ১৯৬৩ সময়কালে student attitudes, evaluations এবং higher education নিয়ে তাঁর গবেষণার বিস্তৃত রেকর্ড পাওয়া যায়।

এই সময়ের বড় methodological innovation ছিল student opinion-কে structured data-তে রূপ দেওয়ার চেষ্টা। আগে শিক্ষার্থীর বক্তব্য হতে পারত—“Professor ভালো।” কিন্তু researcher প্রশ্ন করলেন—কী অর্থে ভালো?

• তাঁর explanation clear?
• Course organised?
• তিনি student interest তৈরি করেন?
• তিনি প্রশ্নকে উৎসাহিত করেন?

আজ একটি Likert-scale questionnaire এত পরিচিত যে এই পরিবর্তনের ঐতিহাসিক গুরুত্ব সহজেই চোখ এড়িয়ে যায়। কিন্তু এটি ছিল radical। কারণ subjective student experience-কে প্রথমবার এমনভাবে structure করার চেষ্টা হলো যাতে বহু শিক্ষার্থীর response একত্রে analyse করা যায়।

University of Washington-এর institutional records দেখায় যে সেখানে systematic student rating-এর প্রথম প্রচেষ্টা ১৯২০-এর দশকেই শুরু হয়েছিল। পরবর্তীকালে ১৯৭৪ সালে Instructional Assessment System বা IAS চালু হয়। আরও পরে ১৯৮৯–৯০ সালের একটি reliability analysis-এ ১,৫০,০০০-এর বেশি rating form এবং প্রায় ৭,০০০ class-এর data ব্যবহৃত হয়েছিল।

এটি একটি অসাধারণ evolutionary sequence: academic experiment → institutional practice → large-scale measurement system।

প্রথম যুগের সবচেয়ে গুরুত্বপূর্ণ দর্শন: শিক্ষককে শাস্তি নয়, শিক্ষককে আয়না

Early student evaluation-এর philosophy বুঝতে একটি analogy বিশেষভাবে কার্যকর। আয়না এবং দাঁড়িপাল্লা।

আয়না আপনাকে বলে—আপনাকে কেমন দেখাচ্ছে।

দাঁড়িপাল্লা দাবি করে—আপনার ওজন কত।

দুটিই useful। কিন্তু দুটির scientific burden এক নয়।

Student evaluation-এর প্রাথমিক ধারণায় student perception ছিল অনেকটাই professional mirror। শিক্ষক জানতে পারবেন—শিক্ষার্থীরা তাঁর teaching কীভাবে experience করছে। কোথায় confusion? কোথায় clarity? কোথায় interaction কম? কোথায় course organisation দুর্বল?

এটি formative philosophy। এখানে উদ্দেশ্য শিক্ষককে “৪.২” বানানো নয়; teaching improve করা।

সমস্যা শুরু হয় যখন একটি আয়নাকে দাঁড়িপাল্লার কাজ দিতে বলা হয়। একটি feedback instrument যদি teacher development-এর জন্য তৈরি হয়, কিন্তু পরে সেই একই score promotion, salary, tenure কিংবা contract renewal-এ ব্যবহার করা হয়, তাহলে instrument-এর validity requirements বদলে যায়। কারণ একটি imperfect signal professional reflection-এর জন্য যথেষ্ট হতে পারে; কিন্তু একজন মানুষের career নির্ধারণের ক্ষেত্রে একই uncertainty গ্রহণযোগ্য নাও হতে পারে।—এই distinction SET-এর পুরো ইতিহাস বোঝার জন্য অপরিহার্য।

Listen Parody - হাসতে হাসতে আয়নায় 😂 | Satirical Parody Songs | Social Comedy & Musical Satire | Funny Social Commentary | Multilingual Song Comedy Music

১৯৬০–৭০-এর দশক: measurement-এর সঙ্গে যুক্ত হলো ক্ষমতার প্রশ্ন

Student Evaluation of Teaching-এর evolution কখনোই purely statistical ছিল না। এটি measurement-এর ইতিহাস যেমন, তেমনি voice, authority এবং institutional power-এরও ইতিহাস।

বিশেষ করে ১৯৬০ ও ১৯৭০-এর দশকে বিশ্বের বহু বিশ্ববিদ্যালয় এমন এক সামাজিক ও রাজনৈতিক সময়ের মধ্য দিয়ে যাচ্ছিল, যখন campus আর শুধু lecture, examination ও degree-এর নিরিবিলি জগৎ ছিল না। Student activism, civil-rights movement, anti-war politics এবং institutional democracy নিয়ে বিতর্ক বিশ্ববিদ্যালয়ের ভেতরের পুরোনো power structure-কেও প্রশ্নের মুখে দাঁড় করায়।

প্রশ্ন উঠতে থাকে—বিশ্ববিদ্যালয় আসলে কাদের?

Curriculum কে নির্ধারণ করবে? Student কি শুধু lecture শুনবে, note নেবে, examination দেবে এবং teacher-এর judgement গ্রহণ করবে—অর্থাৎ learning process-এর একজন passive recipient? নাকি তাঁরও institutional voice থাকবে? আর professor যদি student-এর performance evaluate করতে পারেন, তাহলে professor-এর teaching-এর accountability কার কাছে থাকবে?

এই বৃহত্তর প্রশ্নগুলোর ভেতর student evaluation নতুন একটি রাজনৈতিক ও নৈতিক অর্থ পেতে শুরু করে। আগে evaluation-এর প্রধান প্রশ্ন ছিল—“Teacher কীভাবে আরও ভালো পড়াতে পারেন?”

এখন তার পাশে আরেকটি প্রশ্ন এসে দাঁড়াল—“Student-এর অভিজ্ঞতা institutional decision-making-এ কতটা শোনা হবে?”

ফলে SET আর শুধু teaching improvement-এর একটি technical instrument রইল না; এটি ক্রমে student voice-এর institutional expression-এ পরিণত হলো। Classroom-এ শিক্ষার্থীর অভিজ্ঞতা প্রথমবারের মতো আরও structured, documented এবং institutionally visible evidence হিসেবে জায়গা পেতে শুরু করল।

এখান থেকেই SET-এর ভেতরে দুটি শক্তিশালী tradition পাশাপাশি চলতে শুরু করে: একটি—Teaching Development। এবং অন্যটি—Academic Accountability। তবে দুটিই প্রয়োজনীয়। কিন্তু দুটির purpose এক নয়।

Teaching Development-এর লক্ষ্য হলো শিক্ষককে এমন feedback দেওয়া, যা দিয়ে তিনি নিজের teaching নিয়ে reflection করতে পারেন, experiment করতে পারেন, দুর্বলতা শনাক্ত করতে পারেন এবং course redesign করতে পারেন। Academic Accountability-এর প্রশ্ন আলাদা: institution কীভাবে নিশ্চিত করবে যে teaching একটি গ্রহণযোগ্য professional standard বজায় রাখছে এবং সেই quality সম্পর্কে credible evidence রয়েছে?

সমস্যা শুরু হয় তখন, যখন এই দুই purpose-কে যথেষ্ট distinction ছাড়াই একই instrument-এর ওপর চাপিয়ে দেওয়া হয়।

ধরা যাক, একজন শিক্ষক জানেন semester শেষে পাওয়া feedback কেবল তাঁর নিজের professional development-এর জন্য। তিনি হয়তো নতুন teaching method পরীক্ষা করতে সাহস করবেন। একটি experimental assignment ব্যর্থ হতে পারে; নতুন discussion format প্রথমবার ঠিকমতো কাজ নাও করতে পারে। কিন্তু feedback যদি developmental হয়, failure-ও learning-এর অংশ হতে পারে।

এবার institutional incentive বদলে দেওয়া যাক।যদি শিক্ষক জানেন প্রতিটি student rating তাঁর promotion, tenure, contract renewal কিংবা merit decision-এর সঙ্গে সরাসরি যুক্ত হতে পারে, তাহলে একই feedback-এর psychological meaning বদলে যায়। Feedback তখন আর শুধু আয়না নয়; সেটি career consequence বহনকারী দাঁড়িপাল্লা হয়ে ওঠে।

আর দাঁড়িপাল্লা সামনে এলে behaviour-ও বদলাতে পারে।একজন শিক্ষক difficult content কম demanding করে তুলতে পারেন। কঠিন কিন্তু educationally valuable assessment এড়িয়ে যেতে পারেন। Unpopular কিন্তু প্রয়োজনীয় academic requirement শিথিল করার incentive তৈরি হতে পারে। এমনকি teaching improvement-এর পরিবর্তে student satisfaction maximise করা একটি rational behavioural response হয়ে উঠতে পারে।

এখানে business ও organisational incentive system-এর একটি পরিচিত principle কাজ করে: কোনো indicator-কে reward বা punishment-এর সঙ্গে যত শক্তভাবে যুক্ত করা হয়, মানুষ তত স্বাভাবিকভাবেই সেই indicator-কে optimize করার চেষ্টা করে। কিন্তু এখানেই গুরুত্বপূর্ণ distinction—Indicator optimize করা আর underlying quality improve করা একই ঘটনা নয়।

একটি metric কখনো quality-এর signal হতে পারে। কিন্তু reward system যদি metric-কেই লক্ষ্যবস্তুতে পরিণত করে, তাহলে মানুষ কখনো কখনো quality উন্নত করার বদলে score উন্নত করার পথ খুঁজতে পারে। SET-এর ক্ষেত্রে তাই measurement-এর প্রশ্নের সঙ্গে ধীরে ধীরে incentive design-এর প্রশ্নও যুক্ত হলো।

তারপর বিশ্ববিদ্যালয় দেখল—এই feedback থেকে তো সংখ্যা পাওয়া যায়!

SET-এর ইতিহাসে এখানেই সম্ভবত সবচেয়ে consequential মোড়গুলোর একটি। শুরুতে ছিল student opinion। Opinion-কে structured করার জন্য এলো questionnaire। Questionnaire থেকে তৈরি হলো rating। Rating থেকে এলো number। Number থেকে average। Average থেকে departmental table। Table থেকে comparison। Comparison থেকে ranking। এবং ranking সম্ভব হওয়ার পর administration-এর পরবর্তী প্রশ্নগুলো প্রায় অনিবার্য হয়ে উঠল—

• Promotion-এ এটি ব্যবহার করা যাবে না?
• Tenure decision-এ?
• Merit award-এ?
• Contract renewal-এ?

এইভাবেই formative feedback ধীরে ধীরে summative evaluation-এর জগতে প্রবেশ করল। পরিবর্তনটি শুধু administrative ছিল না; evaluation-এর ভাষাই বদলে গেল।

• Formative evaluation জিজ্ঞেস করে—“Teaching কীভাবে improve করা যায়?”
• Summative evaluation জিজ্ঞেস করে—“এই teacher কতটা effective?” আর
• high-stakes evaluation-এর প্রশ্ন আরও consequential—“এই evidence-এর ভিত্তিতে তাঁকে promote, retain বা reward করা হবে কি?”

প্রথম প্রশ্নটির লক্ষ্য improvement। দ্বিতীয়টির লক্ষ্য judgement। তৃতীয়টির সঙ্গে যুক্ত career consequence।

একই questionnaire যদি এই তিনটি প্রশ্নের উত্তর একসঙ্গে দিতে চায়, তাহলে তার ওপর methodological burden নাটকীয়ভাবে বেড়ে যায়। কারণ যে instrument একজন শিক্ষককে private feedback দেওয়ার জন্য যথেষ্ট useful, সেটি promotion বা tenure-এর মতো high-stakes decision-এর জন্য যথেষ্ট valid, reliable এবং fair—এমনটি স্বয়ংক্রিয়ভাবে ধরে নেওয়া যায় না।

এখানে আবারও আয়না ও দাঁড়িপাল্লার পার্থক্যটি গুরুত্বপূর্ণ।

একটি আয়না আপনাকে নিজের চেহারা দেখতে সাহায্য করে। কিন্তু সেই একই আয়না দিয়ে আপনার ওজন মাপা যায় না। Instrument খারাপ নয়; problem হলো তাকে এমন একটি judgement-এর জন্য ব্যবহার করা, যার জন্য সেটি তৈরি হয়নি।

SET-এর ক্ষেত্রেও প্রশ্নটি তাই শুধু—“এই feedback useful কি না?”

—নয়। আরও গুরুত্বপূর্ণ প্রশ্ন—“Useful for what?”

Patient satisfaction কি surgeon-এর পুরো competence বলে দেয়?

একটি medical analogy এই distinction-টিকে আরও স্পষ্ট করে। ধরা যাক, hospital একটি patient-satisfaction survey চালু করল। সেখানে রোগীকে জিজ্ঞেস করা হলো—receptionist ভদ্র ছিলেন কি না, অপেক্ষার সময় কেমন ছিল, doctor তাঁর সমস্যা মনোযোগ দিয়ে শুনেছেন কি না, treatment সম্পর্কে পরিষ্কার explanation দিয়েছেন কি না।

এসব প্রশ্নের উত্তর অত্যন্ত মূল্যবান। কারণ patient এসব অভিজ্ঞতার প্রত্যক্ষ observer। কিন্তু এবার যদি hospital সিদ্ধান্ত নেয় surgeon-এর promotion শুধু এই satisfaction score-এর ওপর নির্ভর করবে, তখন একটি methodological problem তৈরি হয়। Patient হয়তো surgeon-এর communication সম্পর্কে meaningful evidence দিতে পারেন; কিন্তু surgical technique, clinical judgement, case complexity, complication management কিংবা long-term clinical outcome-এর সম্পূর্ণ professional assessment তাঁর পক্ষে করা সম্ভব নয়।

Patient-এর evidence তাই অপ্রয়োজনীয় নয়। বরং গুরুত্বপূর্ণ—কিন্তু bounded। University teaching-এর ক্ষেত্রেও একই principle প্রযোজ্য।

Students classroom experience-এর privileged observers। তাঁরা clarity, organisation, respect, engagement, workload experience, feedback কিংবা learning environment সম্পর্কে এমন evidence দিতে পারেন, যা অন্য কোনো observer একইভাবে দিতে পারবেন না। কিন্তু সেই evidence-কে একজন academic-এর সম্পূর্ণ professional teaching competence-এর সমার্থক করে ফেললে student feedback-এর ওপর এমন একটি judgement-এর ভার চাপানো হয়, যা একা বহন করার জন্য সেটি তৈরি হয়নি।

এই কারণেই ১৯৬০–৭০-এর দশকের পর SET-এর ইতিহাসে মূল প্রশ্ন আর শুধু measurement-এর থাকল না। তার সঙ্গে যুক্ত হলো power। কে কাকে evaluate করছে? কার voice institution শুনছে? কে data দেখছে? সেই data কার career-এ কী consequence তৈরি করছে? এবং একটি developmental instrument কখন institutional judgement-এর instrument হয়ে উঠছে?

এখান থেকেই SET-এর ইতিহাসের একটি দীর্ঘস্থায়ী tension জন্ম নেয়—

• Student voice প্রয়োজন, কিন্তু voice ≠ verdict।
• Accountability প্রয়োজন, কিন্তু accountability ≠ popularity contest।
• Measurement প্রয়োজন, কিন্তু number ≠ complete professional judgement।

১৯৬০–৭০-এর দশক তাই student evaluation-কে শুধু আরও জনপ্রিয় করেনি; এর institutional meaning-ই বদলে দিয়েছে। একসময় feedback-এর প্রধান কাজ ছিল শিক্ষককে নিজের teaching দেখার জন্য একটি আয়না দেওয়া।কিন্তু যখন সেই feedback promotion, tenure এবং accountability-এর জগতে প্রবেশ করল, আয়নার পাশে এসে দাঁড়াল একটি দাঁড়িপাল্লা।

আর SET-এর পরবর্তী অর্ধশতাব্দীর সবচেয়ে কঠিন methodological ও ethical প্রশ্নগুলোর বড় অংশ জন্ম নিল ঠিক এখানেই—একটি instrument কখন আয়না থাকবে, কখন দাঁড়িপাল্লা হবে—আর দাঁড়িপাল্লা হলে কতটা ওজন বহন করার মতো শক্ত evidence তার সত্যিই আছে?

১৯৮০ ও ১৯৯০-এর দশক: “এক শিক্ষক = এক score”—এই ধারণা দুর্বল হতে শুরু করল

Measurement science বা psychometrics যত পরিণত হতে শুরু করল, teaching সম্পর্কে একটি মৌলিক সত্য তত স্পষ্ট হয়ে উঠল—teaching কোনো একমাত্রিক performance নয়; teaching multidimensional।

একজন professor নিজের subject knowledge-এ অসাধারণ হতে পারেন—জটিল theory, sophisticated argument কিংবা disciplinary debate তাঁর নখদর্পণে—কিন্তু classroom organisation-এ তিনি দুর্বল। আরেকজন শিক্ষক প্রাণবন্ত, engaging এবং students-কে আলোচনায় যুক্ত করতে অত্যন্ত দক্ষ; কিন্তু assignment-এর পরে প্রয়োজনীয় feedback দেন খুব কম। তৃতীয়জন demanding—তাঁর course সহজ নয়, grade পেতেও পরিশ্রম করতে হয়—কিন্তু assessment-এ তিনি exceptionally fair ও consistent। চতুর্থজন হয়তো charismatic lecturer নন, তাঁর class-এ নাটকীয় presentation নেই; কিন্তু semester শেষে দেখা গেল students-এর conceptual understanding গভীর হয়েছে এবং তাঁরা বিষয়টি নতুন পরিস্থিতিতে প্রয়োগ করতে শিখেছেন।

আরো পড়ুন: শিক্ষককে নম্বর দেবে শিক্ষার্থী—কিন্তু সেই নম্বরের বিচার করবে কে? অধিকারপত্র শিক্ষা সংস্কার ধারাবাহিক-এ উচ্চশিক্ষা নিয়ে পাঁচ পর্বের নতুন ধারাবাহিক “শিক্ষককে মূল্যায়ন করবে শিক্ষার্থী: কিন্তু কীভাবে? │তারকা আর রেটিংয়ের বাইরে শিক্ষক মূল্যায়নের আসল বিজ্ঞান—বাংলাদেশের বিশ্ববিদ্যালয়ের জন্য ন্যায়সংগত টিচিং ইভালুয়েশন মডেলটি কেমন হওয়া উচিত?

এখন প্রশ্ন হলো—এই চার ধরনের teaching reality-কে যদি শেষ পর্যন্ত একটি মাত্র সংখ্যায় নামিয়ে আনা হয়—“Overall teaching = 4.3” —তাহলে সেই 4.3 আসলে কতটুকু information বহন করছে?

সংখ্যাটি হয়তো একটি সামগ্রিক impression দিচ্ছে, কিন্তু teaching-এর ভেতরের শক্তি ও দুর্বলতার মানচিত্রটি অদৃশ্য করে দিচ্ছে। একজন শিক্ষক কেন 4.3 পেলেন—তাঁর clarity অসাধারণ বলে? নাকি engagement বেশি? Organisation দুর্বল হলেও fairness ভালো? Assessment feedback কম হলেও classroom environment supportive? একটি single score এসব প্রশ্নের উত্তর দেয় না।

এই উপলব্ধি থেকেই multidimensional evaluation-এর গুরুত্ব বাড়তে থাকে। Teaching-কে একটি overall impression হিসেবে না দেখে তার বিভিন্ন dimension আলাদা করে বোঝার চেষ্টা শুরু হয়—organisation, clarity, assessment and feedback, engagement, learning environment, respect, course structure এবং student support-এর মতো উপাদান ক্রমে evaluation-এর গুরুত্বপূর্ণ ক্ষেত্র হয়ে ওঠে।

এর ফলে evaluation-এর ভাষাও বদলাতে শুরু করে। একটি sophisticated system তখন আর শুধু বলে না—“এই শিক্ষক ভালো” কিংবা “এই শিক্ষক দুর্বল।” বরং আরও diagnostic প্রশ্ন করে: কোন dimension-এ তাঁর teaching শক্তিশালী? কোন জায়গায় শিক্ষার্থীরা ধারাবাহিক সমস্যার কথা বলছেন? কোন দুর্বলতাটি পরিবর্তনযোগ্য? এবং সবচেয়ে গুরুত্বপূর্ণ—কোথায় change actionable?

এই পরিবর্তনটি দেখতে ছোট, কিন্তু institutional philosophy-র দিক থেকে গভীর।

• Ranking-oriented system জিজ্ঞেস করে: “কে এগিয়ে?”
• Development-oriented system জিজ্ঞেস করে: “কোথায় উন্নতি দরকার?”

দুটি system একই questionnaire ব্যবহার করেও সম্পূর্ণ ভিন্ন academic culture তৈরি করতে পারে। প্রথমটি মানুষকে পরস্পরের সঙ্গে তুলনা করতে আগ্রহী; দ্বিতীয়টি একজন শিক্ষককে তাঁর নিজের teaching practice-এর ভেতরে শক্তি ও উন্নতির ক্ষেত্র শনাক্ত করতে সাহায্য করে। প্রথমটির স্বাভাবিক গন্তব্য leaderboard; দ্বিতীয়টির গন্তব্য reflection, feedback এবং professional  সমান গুরুত্বপূর্ণ প্রশ্ন—“মাপার পরে সেই information দিয়ে আমরা কী করতে চাই?”

Quality Assurance যুগ: complex teaching একটি spreadsheet-এ ঢুকে গেল

১৯৮০ ও ১৯৯০-এর দশক থেকে higher education-এ accountability, performance management এবং Quality Assurance-এর ভাষা ক্রমে শক্তিশালী হতে থাকে। বিশ্ববিদ্যালয়কে তখন শুধু teaching করতে হবে—এটুকুই যথেষ্ট নয়; teaching-এর quality কীভাবে monitor করা হচ্ছে, কী evidence রয়েছে এবং institution কীভাবে accountability নিশ্চিত করছে—এসব প্রশ্নও ক্রমে গুরুত্বপূর্ণ হয়ে ওঠে।

একই data তখন তিনটি ভিন্ন জগতে প্রবেশ করতে শুরু করল। একজন শিক্ষক নিজের teaching উন্নত করার জন্য feedback ব্যবহার করতে পারেন। Department একই data দিয়ে course বা programme-এর quality monitor করতে পারে। আবার promotion, tenure, contract renewal কিংবা অন্য personnel decision-এও teaching evidence হিসেবে সেই data ব্যবহারের আগ্রহ তৈরি হতে পারে।

Administration-এর কাছে এর আকর্ষণ বোঝা কঠিন নয়। কারণ teaching complex; spreadsheet simple।

ধরা যাক, একজন Dean-এর অধীনে ২০০ faculty member। প্রত্যেকের teaching quality গভীরভাবে বোঝার জন্য যদি teaching materials, syllabus design, classroom observation, assessment strategy, student learning, feedback practice, pedagogical innovation এবং professional development—সবকিছু আলাদাভাবে পর্যালোচনা করতে হয়, তাহলে কাজটি সময়সাপেক্ষ, ব্যয়বহুল এবং judgement-intensive।

তার পাশে যদি একটি table থাকে—

Professor A: 4.52
Professor B: 4.12
Professor C: 3.81

—তাহলে institutional decision-making হঠাৎ অনেক সহজ মনে হয়।

একটি column। তিনটি number। Highest থেকে lowest sort করতে একটি click।

এখানেই management-এর একটি প্রায় timeless temptation কাজ করে—What is easily measurable begins to look like what matters most. অর্থাৎ কোনো বিষয় সহজে মাপা যায় বলেই ধীরে ধীরে মনে হতে পারে—সেটিই বুঝি সবচেয়ে গুরুত্বপূর্ণ বিষয়। যা spreadsheet-এ ঢোকে, সেটি দৃশ্যমান হয়; যা সহজে quantify করা যায় না, সেটি decision-making-এর টেবিলে তুলনামূলকভাবে অদৃশ্য হয়ে পড়তে পারে।

আর এখানেই metric-এর বিপদ। Metric নিজে শত্রু নয়। সমস্যা শুরু হয় তখন, যখন একটি useful indicator ধীরে ধীরে পুরো reality-এর substitute হয়ে ওঠে।

একজন মানুষের blood pressure তাঁর health সম্পর্কে অত্যন্ত গুরুত্বপূর্ণ information দেয়। অস্বাভাবিক blood pressure উপেক্ষা করা দায়িত্বশীল চিকিৎসা নয়। কিন্তু শুধু blood pressure দেখে কি একজন মানুষের সম্পূর্ণ health status নির্ধারণ করা সম্ভব? তাঁর blood sugar, cardiac condition, kidney function, physical fitness, medical history কিংবা অন্যান্য clinical evidence বাদ দিয়ে একটি মাত্র reading থেকে পুরো মানুষটির health judgement করা যেমন অসম্পূর্ণ, teaching evaluation-এও একই সতর্কতা প্রয়োজন। —SET score-ও তেমন।

এটি signal হতে পারে; পুরো signal system নয়।

এটি teaching-এর একটি গুরুত্বপূর্ণ dimension সম্পর্কে evidence দিতে পারে; কিন্তু একজন academic-এর সম্পূর্ণ teaching competence-এর সমার্থক নয়। বিশেষ করে একটি single overall score organisation, clarity, assessment quality, disciplinary pedagogy, intellectual challenge, fairness, student support এবং learning outcome—এসব জটিল dimension-কে একসঙ্গে ধারণ করতে পারে না।

এই কারণেই Quality Assurance যুগ SET-এর ইতিহাসে এক ধরনের paradox তৈরি করল। একদিকে evaluation আরও systematic হলো, data আরও institutional visibility পেল, teaching accountability-এর গুরুত্ব বাড়ল। অন্যদিকে সেই data যত বেশি administrative decision-এর ভেতরে প্রবেশ করল, complex teaching-কে simple metric-এ নামিয়ে আনার temptation-ও তত শক্তিশালী হলো। অর্থাৎ measurement-এর সাফল্যই নতুন একটি ঝুঁকি তৈরি করল—

যা মাপা যায়, সেটিই যেন বাস্তব; আর যা সহজে মাপা যায় না, সেটি যেন কম গুরুত্বপূর্ণ।

কিন্তু teaching-এর বড় একটি অংশ—intellectual challenge, mentorship, thoughtful course redesign, disciplinary judgement, long-term student development—সবসময় একটি neat numerical column-এ ধরা পড়ে না।

সেখানেই psychometrics-এর multidimensional lesson এবং Quality Assurance-এর administrative temptation মুখোমুখি দাঁড়ায়।

• একটি বলে—“Teaching-কে ভেঙে দেখুন; এর বহু dimension আছে।”
• অন্যটির temptation—“একটি number দিন; decision নিতে সুবিধা হবে।”

SET-এর পরবর্তী evolution-এর বড় অংশ আসলে এই দুই শক্তির মধ্যকার টানাপোড়েনের ইতিহাস: measurement প্রয়োজন, কিন্তু reductionism নয়; accountability প্রয়োজন, কিন্তু একটি metric-কে পুরো teaching reality বানিয়ে নয়।

শেষ পর্যন্ত তাই প্রশ্নটি শুধু একজন শিক্ষক 4.3 পেলেন কি না, সেটি নয়। আরও গুরুত্বপূর্ণ প্রশ্ন হলো—সেই 4.3-এর ভেতরে teaching-এর কোন গল্পটি দৃশ্যমান হলো—আর কোন গল্পগুলো সংখ্যাটির আড়ালে হারিয়ে গেল?

Listen Parody - “Bro, Trust Me!” 😂 সবাই এখন Expert | 4-Language Funny Parody Song | Bangla Hindi Urdu English

Digital যুগ: paper form গেল, কিন্তু পুরোনো সমস্যা গেল না

২০০০-এর দশকে Student Evaluation of Teaching দ্রুত digital হতে শুরু করল। বহু বিশ্ববিদ্যালয়ে classroom-এর paper questionnaire ধীরে ধীরে জায়গা ছেড়ে দিল email link ও online platform-কে। Scanner-এর বদলে এলো database, manual coding-এর জায়গা নিল automated analytics। Semester-to-semester tracking সহজ হলো; কয়েক মুহূর্তে হাজার হাজার response একত্র করা সম্ভব হলো; বিপুলসংখ্যক open-ended comment সংরক্ষণ, search এবং analysis করার সুযোগ তৈরি হলো।

Technology evaluation-এর scale, speed এবং analytical capacity—তিনটিকেই নাটকীয়ভাবে বাড়িয়ে দিল। একসময় যে কাজের জন্য শত শত paper form সংগ্রহ করতে হতো, scanner-এ তুলতে হতো, data clean করতে হতো এবং দীর্ঘ সময় ধরে report তৈরি করতে হতো, digital system সেই পুরো প্রক্রিয়াকে অনেক দ্রুত করে দিল। একজন department chair কয়েকটি click-এ একাধিক semester-এর trend দেখতে পারলেন। University administrator programme-level pattern শনাক্ত করতে পারলেন। Instructor নিজের course-এর historical feedback পাশাপাশি রেখে পরিবর্তন দেখতে পারলেন। হাজারো qualitative comment-ও আর filing cabinet-এর অন্ধকারে হারিয়ে গেল না; সেগুলো searchable data-তে পরিণত হলো। কিন্তু এই প্রযুক্তিগত বিপ্লবের মাঝেও প্রায় শতবর্ষ পুরোনো একটি epistemological প্রশ্ন একই জায়গায় দাঁড়িয়ে রইল—What exactly are we measuring?

Paper form digital হলো, কিন্তু measurement-এর মৌলিক সমস্যা digital হয়ে অদৃশ্য হয়ে গেল না। বরং পুরোনো প্রশ্নগুলোর পাশে এসে দাঁড়াল নতুন কিছু সমস্যা—low response rate, survey fatigue, extreme responders, automated ranking এবং dashboard effect।

Online evaluation-এর সবচেয়ে পরিচিত চ্যালেঞ্জগুলোর একটি হলো response rate। Classroom-এ হাতে paper form ধরিয়ে দিলে যে শিক্ষার্থী হয়তো সঙ্গে সঙ্গেই response দিতেন, email inbox-এ evaluation link পেয়ে তিনি ভাবতে পারেন—“পরে দেব।” সেই “পরে” অনেক সময় আর আসে না। ফলে digital system data collection-কে technically সহজ করলেও participation সবসময় বাড়ায় না। তখন প্রশ্ন শুধু “students কী বললেন?” নয়; তার পাশাপাশি জানতে হয়—কোন students বললেন, আর কারা নীরব থেকে গেলেন?

এর সঙ্গে যুক্ত হয় survey fatigue। একই semester-এ একাধিক course, institutional survey, programme feedback এবং নানা online questionnaire-এর notification পেতে পেতে শিক্ষার্থীরা ক্লান্ত হয়ে যেতে পারেন। তখন কেউ খুব দ্রুত সব item-এ একই response দিয়ে form শেষ করেন, কেউ মাঝপথে ছেড়ে দেন, আবার কেউ একেবারেই অংশ নেন না। ফলে প্রযুক্তি questionnaire পৌঁছে দেওয়ার ক্ষমতা বাড়ালেও thoughtful response নিশ্চিত করতে পারে না।

Digital environment আরও একটি প্রবণতাকে দৃশ্যমান করে—extreme responding। কোনো course নিয়ে অত্যন্ত সন্তুষ্ট কিংবা অত্যন্ত অসন্তুষ্ট শিক্ষার্থী response দিতে তুলনামূলকভাবে বেশি motivated হতে পারেন। যদি moderate experience-এর বড় একটি অংশ নীরব থাকে, তাহলে collected data পুরো classroom-এর experience-এর তুলনায় দুই প্রান্তের কণ্ঠকে বেশি দৃশ্যমান করে তুলতে পারে। তখন dataset বড় দেখালেও representativeness-এর প্রশ্ন থেকেই যায়। কিন্তু digital যুগের সম্ভবত সবচেয়ে আকর্ষণীয় পরিবর্তন ঘটল data দেখানোর পদ্ধতিতে।

একসময় evaluation result ছিল কয়েক পৃষ্ঠার report। এখন সেটি dashboard। সেখানে bar chart আছে, trend line আছে, percentile আছে, কখনো green–yellow–red indicator আছে। Management-এর জন্য এর সুবিধা স্পষ্ট: জটিল data দ্রুত দেখা যায়, pattern শনাক্ত করা যায়, decision-making সহজ হয়। কিন্তু এখানেই জন্ম নেয় dashboard effect।

Visualization জটিল information-কে সহজ করে—এটাই তার শক্তি। কিন্তু কখনো কখনো সেই simplification statistical uncertainty-কেও চোখের সামনে অপ্রয়োজনীয়ভাবে certain করে তুলতে পারে। একটি number যখন table-এ থাকে, আমরা হয়তো তার context খুঁজি; কিন্তু একই number যখন উজ্জ্বল green bar বা alarming red indicator হয়ে ওঠে, তখন visual signal নিজেই judgement-এর মতো আচরণ করতে শুরু করতে পারে।

ধরা যাক, দুই শিক্ষকের average rating 3.9 এবং 4.1। Dashboard-এর পাশাপাশি দুটি bar-এ 4.1-এর bar স্পষ্টতই একটু লম্বা। চোখ দ্রুত একটি গল্প তৈরি করে—দ্বিতীয় শিক্ষক ভালো। কিন্তু measurement science তখন আরও কয়েকটি প্রশ্ন করতে বলবে।

দুজনের sample size কত? Response rate একই ছিল? Rating distribution কেমন? একজন কি ৩০০ শিক্ষার্থীর mandatory introductory course পড়িয়েছেন, অন্যজন ২০ শিক্ষার্থীর advanced elective? Score-এর variability কত? Measurement uncertainty বিবেচনায় 0.2-এর difference আদৌ meaningful কি না?

এই তথ্যগুলো ছাড়া 3.9 বনাম 4.1 একটি arithmetic difference অবশ্যই; কিন্তু সেটি meaningful teaching difference কি না, সেই সিদ্ধান্ত আলাদা প্রশ্ন।

Digital system-এর আরেকটি temptation এখানেই—automated ranking। Data যখন database-এ আছে, তখন sort করা সহজ। Highest to lowest—একটি click। কে 4.8, কে 4.2, কে 3.6—মুহূর্তেই leaderboard তৈরি করা যায়। কিন্তু কোনো কাজ computationally সহজ হওয়া মানেই সেই কাজটি methodologically defensible—এমন নয়।

এই জায়গায় digital SET আমাদের একটি গুরুত্বপূর্ণ distinction শেখায়:

• Data availability ≠ Data validity।
• Visual clarity ≠ Statistical certainty।
• Computational ease ≠ Methodological legitimacy।

Technology আমাদের হাজার হাজার response সংগ্রহ করতে পারে। কয়েক সেকেন্ডে mean, median ও distribution হিসাব করতে পারে। বছরের পর বছর trend সংরক্ষণ করতে পারে। হাজারো Comment-এর মধ্যে recurring theme শনাক্ত করতে পারে। এমনকি contemporary analytics ও AI-assisted tools qualitative feedback-এর বিশাল corpus থেকেও pattern বের করতে পারে। কিন্তু technology নিজে সিদ্ধান্ত নিতে পারে না—কোন difference educationally meaningful, কোন comparison fair, কোন context relevant, কিংবা কোন score-এর ওপর কতটা institutional consequence আরোপ করা উচিত।

সেই কাজটি এখনও measurement science, contextual interpretation এবং informed academic judgement-এর। Digital technology তাই SET-এর ক্ষমতা বহুগুণ বাড়িয়েছে—কিন্তু তার প্রজ্ঞা স্বয়ংক্রিয়ভাবে বাড়ায়নি। বরং technology যত sophisticated হয়েছে, একটি পুরোনো সত্য তত বেশি গুরুত্বপূর্ণ হয়ে উঠেছে: যা সহজে গণনা করা যায়, তা সবসময় সবচেয়ে গুরুত্বপূর্ণ নয়; আর যা সুন্দরভাবে dashboard-এ দেখানো যায়, তা সবসময় সবচেয়ে নিশ্চিত জ্ঞান নয়।

Paper form চলে গেছে, scanner অনেক জায়গায় অতীত হয়েছে, database ও analytics এসেছে। কিন্তু মূল প্রশ্নটি এখনও আমাদের সামনে— আমরা কী মাপছি, কতটা নির্ভরযোগ্যভাবে মাপছি, এবং সেই measurement থেকে কত দূর পর্যন্ত সিদ্ধান্ত নেওয়া ন্যায়সংগত?

Digital যুগ SET-কে আরও দ্রুত করেছে, আরও বড় করেছে, আরও দৃশ্যমান করেছে।  কিন্তু “more data” আর “better judgement”—এই দুটির মাঝখানের দূরত্ব এখনও technology-কে নয়, বিশ্ববিদ্যালয়কেই অতিক্রম করতে হয়।

University of Washington: একটি প্রায় শতবর্ষী institutional evolution

Student Evaluation of Teaching কীভাবে একটি সাধারণ feedback mechanism থেকে ধীরে ধীরে একটি পূর্ণাঙ্গ institutional system-এ পরিণত হতে পারে, University of Washington-এর ইতিহাস তার একটি গুরুত্বপূর্ণ উদাহরণ। এখানে পরিবর্তনটি কোনো একদিনের policy decision-এর ফল নয়; বরং প্রায় এক শতাব্দী ধরে technology, measurement, institutional purpose এবং user behaviour-এর পরিবর্তনের সঙ্গে তাল মিলিয়ে গড়ে ওঠা একটি ধারাবাহিক evolution।

এর সূচনা ১৯২০-এর দশকে। সেই প্রাথমিক student-rating প্রচেষ্টা থেকে বহু দশক পেরিয়ে ১৯৭৪ সালে আসে Instructional Assessment System (IAS)। এরপর evaluation আর বিচ্ছিন্ন questionnaire-এর মধ্যে সীমাবদ্ধ থাকেনি; ক্রমে তা বৃহত্তর data system ও institutional infrastructure-এর অংশ হয়ে ওঠে। আজ University of Washington-এর course-evaluation ব্যবস্থা instructional development, administrative decision-making এবং student course selection—একাধিক উদ্দেশ্যকে সমর্থন করে। অর্থাৎ একই evaluation architecture-এর ভেতরে developmental, administrative এবং informational—তিন ধরনের প্রয়োজনই এসে মিলেছে।

এই দীর্ঘ বিবর্তনের আরেকটি আকর্ষণীয় দিক হলো technology। বর্তমান ব্যবস্থায় online এবং paper—দুই ধরনের administration-এরই সুযোগ রয়েছে। কিন্তু এখানেই University of Washington-এর অভিজ্ঞতা একটি গুরুত্বপূর্ণ সতর্কবার্তা দেয়: প্রযুক্তি নতুন হলেই measurement স্বয়ংক্রিয়ভাবে ভালো হয়ে যায় না। Online evaluation-এর response rate paper-based administration-এর তুলনায় কম হতে পারে, এবং response pattern-এর এই পরিবর্তন average rating-এর interpretation-কেও প্রভাবিত করতে পারে।

বিষয়টি আপাতদৃষ্টিতে ছোট মনে হলেও measurement science-এর জন্য এর তাৎপর্য গভীর।

Online survey-এর সুবিধা অসংখ্য। Data entry দ্রুত হয়, analysis সহজ হয়, বড় সংখ্যক শিক্ষার্থীর response একত্র করা যায়, qualitative বা open-ended comment সংরক্ষণ ও বিশ্লেষণ করা সহজ হয়। কাগজের স্তূপ, manual coding কিংবা physical storage-এর প্রয়োজনও অনেক কমে যায়। প্রযুক্তির দিক থেকে এটি নিঃসন্দেহে একটি বড় অগ্রগতি। কিন্তু technology শুধু data collection-এর মাধ্যম বদলায় না; কখনো কখনো response behaviour-ও বদলে দেয়।

একটি পরিচিত classroom scene কল্পনা করা যাক। Semester-এর শেষ দিকে শিক্ষক classroom ছেড়ে গেলেন, শিক্ষার্থীদের হাতে paper evaluation form দেওয়া হলো, এবং সেই সময়েই form পূরণের জন্য কয়েক মিনিট বরাদ্দ রাখা হলো। কক্ষে ১০০ জন শিক্ষার্থী থাকলে হয়তো ৮০ জনই form জমা দিলেন। Participation-এর জন্য আলাদা করে মনে রাখা, email খোঁজা কিংবা পরে সময় বের করার প্রয়োজন হলো না—evaluation তখন classroom activity-এরই একটি অংশ।

এবার একই evaluation email link-এর মাধ্যমে পাঠানো হলো। Notification এলো ফোনে। একজন শিক্ষার্থী ভাবলেন, “এখন নয়, পরে দেব।” আরেকজন email খুললেনই না। কেউ link খুলে অর্ধেক পূরণ করে রেখে দিলেন। কেউ পরীক্ষার প্রস্তুতির ব্যস্ততায় ভুলে গেলেন। সেই বহুল পরিচিত “পরে দেব” শেষ পর্যন্ত আর এলো না।

তখন গবেষকের সামনে নতুন একটি প্রশ্ন দাঁড়ায়। প্রথম প্রশ্নটি ছিল—“যারা উত্তর দিয়েছেন, তারা কী বলেছেন?”

কিন্তু online evaluation-এর যুগে তার পাশে আরও একটি প্রশ্ন সমান গুরুত্বপূর্ণ হয়ে ওঠে—“যারা উত্তর দেননি, তারা কারা?”

কারণ non-response যদি পুরোপুরি random না হয়, তাহলে যারা questionnaire পূরণ করেছেন তাঁদের মতামত পুরো class-এর অভিজ্ঞতার প্রতিনিধিত্ব নাও করতে পারে। অত্যন্ত সন্তুষ্ট কিংবা অত্যন্ত অসন্তুষ্ট শিক্ষার্থীরা যদি তুলনামূলকভাবে বেশি response দেন, অথবা নির্দিষ্ট ধরনের শিক্ষার্থী ধারাবাহিকভাবে response না দেন, তাহলে final average শুধু teaching experience নয়—response behaviour-এর pattern-ও বহন করতে পারে।

এখান থেকেই response rate এবং non-response bias SET interpretation-এর গুরুত্বপূর্ণ অংশ হয়ে ওঠে। তখন একটি score দেখার সময় শুধু average জানাই যথেষ্ট নয়; জানতে হয় কতজন শিক্ষার্থী course-এ enrolled ছিলেন, তাঁদের মধ্যে কতজন response দিয়েছেন এবং যারা দেননি তাঁদের অনুপস্থিতি ফলাফলটিকে কোনো systematic দিকে ঠেলে দিতে পারে কি না।

University of Washington-এর দীর্ঘ অভিজ্ঞতা তাই SET-এর technological evolution সম্পর্কে একটি বড় শিক্ষা সামনে আনে: digitisation data collection-কে efficient করতে পারে, কিন্তু efficiency আর validity একই জিনিস নয়। একটি system দ্রুত data সংগ্রহ করতে পারে, সুন্দর dashboard তৈরি করতে পারে এবং কয়েক সেকেন্ডে average হিসাব করতে পারে—তবু সেই সংখ্যার অর্থ বোঝার জন্য response pattern, sample size এবং context-এর দিকে তাকাতে হয়। অর্থাৎ paper থেকে online-এ যাত্রা শুধু মাধ্যমের পরিবর্তন নয়; এটি measurement-এর সামনে নতুন প্রশ্নও তৈরি করেছে।

প্রযুক্তি আমাদের জিজ্ঞেস করতে শিখিয়েছে—“কত দ্রুত data সংগ্রহ করা গেল?”

কিন্তু measurement science আমাদের আরও গুরুত্বপূর্ণ প্রশ্নটি মনে করিয়ে দেয়—“যে data সংগ্রহ করা গেল, সেটি আসলে কাদের অভিজ্ঞতার প্রতিনিধিত্ব করছে?”

University of Washington-এর প্রায় শতবর্ষী institutional evolution-এর গুরুত্বপূর্ণ শিক্ষা সম্ভবত এখানেই: একটি evaluation system পরিণত হয় শুধু নতুন technology গ্রহণ করে নয়; নতুন technology যে নতুন methodological problem তৈরি করে, সেটিকেও চিনতে ও মোকাবিলা করতে শেখার মধ্য দিয়ে।

Stanford: “Professor কত ভালো?” থেকে “Student কীভাবে শিখল?”

Student Evaluation of Teaching-এর contemporary evolution বুঝতে Stanford-এর বর্তমান approach বিশেষভাবে গুরুত্বপূর্ণ। কারণ এখানে evaluation-এর কেন্দ্রবিন্দু ধীরে ধীরে একজন শিক্ষককে score দেওয়ার প্রশ্ন থেকে সরে গিয়ে আরও বিস্তৃত একটি educational inquiry-র দিকে যায়: এই course-এ teaching ও learning আসলে কীভাবে ঘটল?

Stanford-এর evaluation principles একটি মৌলিক বিষয় স্পষ্ট করে—teaching and learning evaluation কেবল semester শেষে পূরণ করা একটি course-feedback form-এর মধ্যে সীমাবদ্ধ নয়। End-term student feedback গুরুত্বপূর্ণ, কিন্তু তার পাশাপাশি mid-term feedback, peer review এবং instructor-এর self-reflection-ও teaching বোঝার গুরুত্বপূর্ণ source। কোনো single method একজন instructor-এর teaching quality-এর সম্পূর্ণ ছবি দিতে পারে না; প্রতিটি source কেবল একটি নির্দিষ্ট দিক থেকে বাস্তবতাকে দৃশ্যমান করে।

এই অবস্থানটি আসলে SET-এর প্রায় এক শতাব্দীর অভিজ্ঞতার একটি distilled lesson: একটি classroom-এর সত্য কোনো একক observer-এর কাছে সম্পূর্ণভাবে ধরা পড়ে না।

শিক্ষার্থীরা course-এর difficulty, engagement, boredom, clarity কিংবা নিজেদের learning experience সম্পর্কে অত্যন্ত গুরুত্বপূর্ণ evidence দিতে পারেন। তাঁরা বলতে পারেন lecture তাঁদের কাছে বোধগম্য ছিল কি না, assessment instructions পরিষ্কার ছিল কি না, classroom environment learning-এর জন্য সহায়ক ছিল কি না কিংবা feedback তাঁদের কাজে লেগেছে কি না। কারণ এসব তাঁদের প্রত্যক্ষ অভিজ্ঞতার অংশ।

কিন্তু এখানেই Stanford একটি গুরুত্বপূর্ণ boundary-ও স্বীকার করে। একজন instructor-এর disciplinary scholarship কতটা শক্তিশালী, তাঁর scholarly contribution কতটা original কিংবা সামগ্রিক teaching effectiveness-এর সব dimension কতটা উচ্চমানের—এসব বিষয়ে student rating-এর capacity সীমাহীন নয়। অর্থাৎ student voice মূল্যবান, কিন্তু student observation-এরও একটি epistemic boundary আছে।

Stanford-এর research-oriented guidance student rating ব্যাখ্যার ক্ষেত্রেও সতর্কতার প্রয়োজনীয়তা তুলে ধরে। Statistical validity-এর পাশাপাশি instructor gender, ethnicity, race, perceived attractiveness এবং course characteristics-এর মতো factor rating-কে কীভাবে প্রভাবিত করতে পারে—এসব প্রশ্নও সেখানে বিবেচনায় আসে। এর অর্থ student feedback বাতিল করা নয়; বরং feedback-কে এমনভাবে পড়া, যাতে একটি perception-based measure-কে তার সামর্থ্যের চেয়ে বেশি explanatory power দেওয়া না হয়।

এই বৃহত্তর চিন্তারই একটি প্রাতিষ্ঠানিক প্রকাশ দেখা যায় ২০১৫–১৬ academic year থেকে Stanford-এর end-term course-feedback redesign-এ। নতুন কাঠামোয় student learning এবং course experience-এর ওপর জোর বাড়ানো হয়। Reporting-এ frequency distribution ও response rate-এর মতো তথ্য গুরুত্ব পায়; qualitative comments এবং customised questions-এর সুযোগও বিস্তৃত হয়। কিন্তু এটিকে শুধু form redesign বললে পরিবর্তনটির গভীরতা ধরা পড়ে না।

এটি আসলে একটি conceptual redesign। যেখানে পুরোনো framing-এর কেন্দ্রে প্রশ্নটি ছিল—“How good is Professor X?”

এখানে framing ক্রমে জানতে চায়—“What happened in the learning process?”

প্রথম প্রশ্নটি সহজেই একজন ব্যক্তিকে কেন্দ্র করে verdict তৈরি করতে পারে। দ্বিতীয় প্রশ্নটি classroom-কে একটি educational process হিসেবে অনুসন্ধান করে। সেখানে শুধু “শিক্ষক ভালো না খারাপ”—এই binary judgement নয়; বরং জানতে চাওয়া হয় কোথায় learning ঘটেছে, কোথায় বাধাগ্রস্ত হয়েছে, কোন teaching practice সহায়ক ছিল, assessment কীভাবে কাজ করেছে এবং course design শিক্ষার্থীর learning experience-কে কীভাবে প্রভাবিত করেছে। অর্থাৎ evaluation-এর lens যখন person থেকে process-এর দিকে সরে যায়, তখন score-এর পাশাপাশি explanation-এর গুরুত্ব বাড়ে; judgement-এর পাশাপাশি inquiry আসে; এবং “teacher কেমন?” প্রশ্নটির পাশে আরও গুরুত্বপূর্ণ একটি প্রশ্ন দাঁড়ায়—“Student কীভাবে শিখল?”

Stanford-এর আরেকটি শিক্ষা: মৃতদেহ পরীক্ষা নয়, course চলতেই diagnosis

Traditional end-of-semester evaluation-এর ভেতরে একটি অদ্ভুত structural limitation রয়েছে। Feedback পাওয়া যায়—কিন্তু প্রায়ই এমন সময়ে, যখন সেই feedback দিয়ে বর্তমান course-এ আর কিছু পরিবর্তন করার সুযোগ থাকে না।

Semester শেষ। Students evaluation form পূরণ করছেন।

• কেউ লিখলেন—“Lecture খুব দ্রুত হয়েছে।”
• আরেকজন বললেন—“Assignment instructions পরিষ্কার ছিল না।”
• কেউ জানালেন—“কঠিন concept বোঝাতে আরও example দরকার ছিল।”

Feedbackগুলো হয়তো অত্যন্ত সঠিক, নির্দিষ্ট এবং কার্যকর। শিক্ষকও সেগুলো মনোযোগ দিয়ে পড়লেন। পরবর্তী semester-এ lecture pace কমালেন, assignment instructions নতুন করে লিখলেন, আরও example যোগ করলেন। 

System কাজ করল—কিন্তু একটি সমস্যা রয়ে গেল। যে শিক্ষার্থীরা সমস্যাটি শনাক্ত করেছিলেন, improvement-এর সুফল তাঁরা পেলেন না। তাঁদের course ইতোমধ্যেই শেষ।

এই সীমাবদ্ধতাকে একটি clinical analogy দিয়ে বোঝা যায়। রোগী hospital থেকে discharge হয়ে বাড়ি ফিরে যাওয়ার পর doctor যদি diagnosis করেন, diagnosis ভবিষ্যতের treatment-এ কাজে লাগতে পারে; কিন্তু বর্তমান রোগীর জন্য intervention-এর সুযোগ অনেকটাই চলে গেছে।

End-term evaluation-এর ক্ষেত্রেও একই সমস্যা। এটি ভবিষ্যৎ cohort-এর জন্য মূল্যবান হতে পারে, কিন্তু বর্তমান cohort-এর learning experience বদলানোর ক্ষমতা সীমিত। আর এখানেই mid-term feedback-এর গুরুত্ব।

Stanford course চলাকালীন feedback সংগ্রহের বিভিন্ন mechanism-এর ওপর গুরুত্ব দেয়—online feedback, small-group feedback এবং teaching consultation-এর মতো পদ্ধতির মাধ্যমে instructor semester শেষ হওয়ার আগেই student learning experience সম্পর্কে information পেতে পারেন। ফলে evaluation তখন আর শুধু retrospective judgement থাকে না; এটি course চলাকালীন পরিবর্তনের একটি instrument হয়ে ওঠে।

এর philosophy-কে একটি বাক্যে ধরা যায়—Evaluation as intervention, not merely judgement।

ধরা যাক, semester-এর মাঝামাঝি students জানালেন—lecture-এর pace খুব দ্রুত। Instructor পরবর্তী class থেকেই key concept-এর summary slide যোগ করলেন এবং difficult section-এ একটু বেশি সময় দিলেন।

Students বললেন—assessment expectations পরিষ্কার নয়। Instructor একটি rubric দিলেন, sample response দেখালেন কিংবা marking criteria ব্যাখ্যা করলেন।

Students জানালেন—class discussion-এ কয়েকজন শিক্ষার্থী সবসময় dominate করছেন, ফলে অন্যরা অংশ নেওয়ার সুযোগ পাচ্ছেন না। Instructor discussion structure বদলে small-group format চালু করলেন কিংবা participation-এর নতুন নিয়ম তৈরি করলেন।

এই জায়গাতেই formative evaluation তার সবচেয়ে বিশুদ্ধ অর্থ খুঁজে পায়। Evaluation তখন course শেষ হওয়ার পরে teaching-এর post-mortem নয়; course চলাকালীন learning-এর diagnostic instrument। এবং এই distinction-টি teacher evaluation-এর philosophy-ই বদলে দেয়।

Summative evaluation জিজ্ঞেস করতে পারে—“শেষ পর্যন্ত কেমন হলো?”

Formative evaluation আরও সময়োপযোগী একটি প্রশ্ন করে—“এখন কী ঘটছে—এবং এখনও কী বদলানো সম্ভব?”

Stanford-এর এই approach তাই SET-এর contemporary evolution সম্পর্কে একটি বড় শিক্ষা সামনে আনে: সেরা feedback শুধু অতীতকে score করে না; সময় থাকতে বর্তমানকে উন্নত করার সুযোগও তৈরি করে। কারণ শিক্ষার্থীর কণ্ঠের সবচেয়ে কার্যকর ব্যবহার সম্ভবত তখনই হয়, যখন তাঁদের অভিজ্ঞতা শুধু পরবর্তী cohort-এর জন্য archive হয়ে থাকে না—তাঁদের নিজেদের learning experience উন্নত করতেও ফিরে আসে।

Harvard: confidentiality, timing এবং selective transparency

Harvard Faculty of Arts and Sciences-এর “Q” course evaluation system Student Evaluation of Teaching-এর আরেক ধরনের institutional architecture সামনে আনে। এখানে শুধু শিক্ষার্থীরা কী প্রশ্নের উত্তর দিচ্ছেন, সেটিই গুরুত্বপূর্ণ নয়; কখন তাঁরা evaluation করছেন, কখন শিক্ষক ফলাফল দেখতে পাচ্ছেন, কার পরিচয় গোপন থাকছে এবং শেষ পর্যন্ত কোন তথ্য কার কাছে দৃশ্যমান হচ্ছে—পুরো ব্যবস্থাটিই evaluation design-এর অংশ।

Listen Parody - दो मिनट पढ़ा, ज्ञान है भारी, अब मैं डॉक्टर, जज, अधिकारी!│সবাই এখানে এক্সপার্ট,সবাই এক্সপার্ট,সবাই; সবাই এখানে এক্সপার্ট(SobaiEkhaneExpert)—a hilarious modern fusion hip-hop satirical bilingual parody

Harvard FAS-এ course evaluation সাধারণত semester-এর শেষ পর্যায়ে পরিচালিত হয়। পাঁচ বা তার বেশি enrolment থাকা FAS course-এর ক্ষেত্রে evaluation required। কিন্তু এর timing-এ রয়েছে একটি গুরুত্বপূর্ণ institutional safeguard: শিক্ষার্থীরা final grade দেখার পর আর course evaluate করতে পারেন না; অন্যদিকে instructional staff-ও final grades জমা দেওয়ার আগে evaluation results দেখতে পারেন না।

এই timing নিছক administrative convenience নয়। এর পেছনে রয়েছে একটি সুস্পষ্ট fairness logic।

ধরা যাক, একজন শিক্ষার্থী final grade দেখার পর শিক্ষককে evaluate করছেন। প্রত্যাশার চেয়ে ভালো grade পেলে তাঁর satisfaction rating বেড়ে যেতে পারে; আবার grade খারাপ হলে অসন্তোষ teaching evaluation-এর মধ্যে প্রবেশ করতে পারে। তখন questionnaire হয়তো শুধু classroom experience মাপছে না—তার সঙ্গে grade satisfaction বা dissatisfaction-ও মাপতে শুরু করছে।

এবার উল্টো দিকটি ভাবা যাক। শিক্ষক যদি final grading শেষ করার আগেই individual evaluation responses দেখতে পারেন, তাহলে শিক্ষার্থীর মনে অন্য ধরনের আশঙ্কা তৈরি হতে পারে। তিনি ভাবতে পারেন—সমালোচনামূলক feedback দিলে সেটি কি কোনোভাবে তাঁর grade-কে প্রভাবিত করবে? বাস্তবে retaliation ঘটুক বা না ঘটুক, retaliation-এর perceived risk-ই honest feedback-কে দুর্বল করার জন্য যথেষ্ট হতে পারে।

এই sequence-এর তাৎপর্য গভীর। এখানে timing নিজেই একটি methodological safeguard। অর্থাৎ ভালো evaluation system শুধু সঠিক প্রশ্ন করে না; সঠিক সময়ে প্রশ্ন করে এবং এমন সময়ে ফলাফল প্রকাশ করে, যাতে feedback ও grading একে অপরকে অপ্রয়োজনীয়ভাবে প্রভাবিত না করে।

Confidentiality-এর ক্ষেত্রেও Harvard একটি স্পষ্ট boundary তৈরি করে। Student responses confidential; instructor কোনো নির্দিষ্ট response বা comment-কে individual student-এর সঙ্গে link করতে পারেন না। এর উদ্দেশ্য শুধু privacy রক্ষা নয়—বরং এমন একটি psychological environment তৈরি করা, যেখানে শিক্ষার্থী তুলনামূলকভাবে স্বাধীনভাবে নিজের classroom experience সম্পর্কে কথা বলতে পারেন। কিন্তু এখানেই Harvard model-এ একটি আকর্ষণীয় মোড় রয়েছে।

Confidential মানেই সবকিছু locked away নয়। Valid Harvard ID holders course evaluation-এর একটি নির্দিষ্ট student-facing subset দেখতে পারেন। সেখানে aggregated quantitative results—যেমন distribution, average ও median—দেখানো হয়; পাশাপাশি future students-এর উদ্দেশ্যে করা নির্দিষ্ট open-ended প্রশ্নের verbatim responses-ও দৃশ্যমান হতে পারে। অর্থাৎ individual respondent-এর identity সুরক্ষিত রেখেও course সম্পর্কে কিছু aggregated ও নির্বাচিত information university community-এর নির্দিষ্ট অংশের কাছে পৌঁছানো সম্ভব।

এটি open-internet star rating নয়, যেখানে Google search করলেই একজন professor-এর নামের পাশে একটি score ভেসে উঠবে। আবার এটি এমন কোনো locked administrative file-ও নয়, যার ভেতরের information শিক্ষার্থী community-এর জন্য সম্পূর্ণ অদৃশ্য। বরং এটি layered access—কোন information কার প্রয়োজন, কোন উদ্দেশ্যে প্রয়োজন এবং কতটুকু দেখা ন্যায়সংগত, সেই ভিত্তিতে access-এর স্তর নির্ধারণ।

এই distinction-টি teacher evaluation নিয়ে বাংলাদেশের আলোচনার জন্যও বিশেষভাবে গুরুত্বপূর্ণ। কারণ “evaluation হবে কি না” প্রশ্নটির মতোই “result প্রকাশ করা হবে কি না” প্রশ্নটিও আসলে প্রয়োজনের তুলনায় অতিরিক্ত সরল।

“Public result” কথাটির ভেতরেই অন্তত পাঁচটি ভিন্ন জগৎ আছে

Teacher evaluation নিয়ে আলোচনায় প্রায়ই একটি প্রশ্ন শোনা যায়—“Result public হবে?”

কিন্তু প্রশ্নটি এখানেই শেষ হতে পারে না। আরও গুরুত্বপূর্ণ প্রশ্ন হলো—public কার কাছে?

একটি evaluation result শুধু instructor-এর কাছে থাকতে পারে। আবার instructor ও department—উভয়ের কাছে দৃশ্যমান হতে পারে। Institutional quality-assurance unit longitudinal analysis-এর জন্য সেটি ব্যবহার করতে পারে। Authenticated university students course selection-এর প্রয়োজনে ফলাফলের একটি নির্দিষ্ট অংশ দেখতে পারেন। অথবা কোনো restriction ছাড়াই পুরো internet-এর সামনে তা প্রকাশ করা হতে পারে।

প্রযুক্তিগতভাবে প্রতিটি ক্ষেত্রেই বলা যায় information “share” করা হয়েছে। কিন্তু ethical, professional এবং social consequences-এর দিক থেকে এগুলো একই ঘটনা নয়।

ধরা যাক, একজন শিক্ষক নিজের private dashboard-এ dimension-specific results দেখছেন—কোথায় তাঁর organisation শক্তিশালী, কোথায় feedback নিয়ে শিক্ষার্থীদের অসন্তোষ, কোথায় course redesign প্রয়োজন। এটি মূলত professional development।

একই data-এর longitudinal trend department দেখছে—এক semester-এর বিচ্ছিন্ন score নয়, বরং কয়েক বছর ধরে teaching pattern কীভাবে বদলাচ্ছে। এটি quality assurance-এর অংশ হতে পারে।

বর্তমান শিক্ষার্থীরা authenticated university portal-এ historical course information-এর একটি carefully selected অংশ দেখছেন, যাতে ভবিষ্যৎ course selection সম্পর্কে তাঁরা informed decision নিতে পারেন। এটি student information।

কিন্তু একই evaluation যদি পুরো internet-এর জন্য উন্মুক্ত হয় এবং একটি সাধারণ web search-এ professor-এর নামের পাশে “2.7 stars” স্থায়ীভাবে দৃশ্যমান থাকে, তখন ঘটনাটি আর শুধু internal feedback থাকে না। সেটি একজন শিক্ষকের professional reputation-কে প্রভাবিত করা একটি public reputational intervention-এ পরিণত হতে পারে। অর্থাৎ data একই হতে পারে; কিন্তু audience বদলে গেলে data-এর social meaning-ও বদলে যায়।

একটি analogy দিয়ে বিষয়টি আরও স্পষ্ট করা যায়। একজন রোগীর confidential medical report-এ লেখা কোনো তথ্য এবং একই তথ্য newspaper headline-এ প্রকাশিত হওয়া—তথ্যগতভাবে একই বিষয় হতে পারে। কিন্তু দুটি ঘটনার social consequence, privacy implication এবং ethical meaning সম্পূর্ণ আলাদা। Information-এর content বদলায়নি; বদলেছে audience, context এবং purpose।

SET-এর ক্ষেত্রেও একই নীতি প্রযোজ্য। এই কারণে transparency-কে binary choice—“public” অথবা “private”—হিসেবে দেখা যথেষ্ট নয়। বরং অন্তত কয়েকটি স্তর আলাদা করে ভাবা প্রয়োজন: instructor-only access, departmental access, institutional access, authenticated student access এবং unrestricted public access। প্রতিটি স্তরের উদ্দেশ্য আলাদা, benefit আলাদা, risk-ও আলাদা।

এখানেই Harvard-এর selective-transparency model একটি বড় conceptual lesson দেয়: transparency মানেই সর্বজনীন প্রকাশ নয়; responsible transparency মানে purpose অনুযায়ী appropriate access। ফলে একটি mature evaluation system শুধু জিজ্ঞেস করে না— “আমরা কী data সংগ্রহ করব?”

তার পাশাপাশি জিজ্ঞেস করে—“এই data কে দেখবে, কখন দেখবে, কতটুকু দেখবে এবং কোন উদ্দেশ্যে ব্যবহার করবে?”

কারণ questionnaire কীভাবে design করা হলো, সেটি যেমন measurement-এর প্রশ্ন; audience কীভাবে design করা হলো, সেটিও evaluation-এর প্রশ্ন।

শেষ পর্যন্ত তাই teacher evaluation-এ confidentiality এবং transparency পরস্পরের শত্রু নয়। সঠিক institutional architecture-এ দুটিকে একই সঙ্গে রক্ষা করা সম্ভব—একদিকে respondent-এর identity ও honest feedback-এর নিরাপত্তা, অন্যদিকে legitimate users-এর জন্য প্রয়োজনীয় information access।

Harvard model-এর গুরুত্বপূর্ণ শিক্ষা সম্ভবত এখানেই: 

ভালো transparency সেই ব্যবস্থা নয়, যেখানে সবাই সবকিছু দেখতে পারে; ভালো transparency সেই ব্যবস্থা, যেখানে সঠিক ব্যক্তি সঠিক উদ্দেশ্যে সঠিক মাত্রার information দেখতে পারে।

Course evaluate করছি, না teacher?—দায় কার, সেটিই প্রথম প্রশ্ন

সমকালীন শিক্ষক মূল্যায়নব্যবস্থার একটি গুরুত্বপূর্ণ প্রশ্ন এখানেই সামনে আসে: শিক্ষার্থীর অভিজ্ঞতায় কোনো সমস্যা ধরা পড়লে আমরা আসলে কাকে মূল্যায়ন করছি—course-কে, teacher-কে, নাকি পুরো learning environment-কে? প্রশ্নটি আপাতদৃষ্টিতে সহজ, কিন্তু এর উত্তর ভুল হলে একটি course-এর কাঠামোগত দুর্বলতার দায় অনায়াসে গিয়ে পড়তে পারে একজন শিক্ষকের ওপর।

Stanford-এর end-term feedback system এই পার্থক্যটি গুরুত্বের সঙ্গে বিবেচনা করে। সেখানে মূল course experience-এর জন্য standard course feedback form ব্যবহৃত হয়; আবার section, laboratory কিংবা discussion group পরিচালনাকারী instructor-এর জন্য রয়েছে পৃথক feedback ব্যবস্থা। এর পেছনে যুক্তিটি গুরুত্বপূর্ণ: একটি course-এর সামগ্রিক অভিজ্ঞতা এবং একজন নির্দিষ্ট শিক্ষকের teaching performance সবসময় একই বিষয় নয়।

ধরা যাক, একটি course তিনজন শিক্ষক মিলে পড়াচ্ছেন। Syllabus প্রয়োজনের তুলনায় অতিরিক্ত ভারী, textbook দুর্বল, পরীক্ষার সময়সূচি অপরিকল্পিত, laboratory-তে প্রয়োজনীয় সুবিধাও পর্যাপ্ত নয়। অথচ তিন শিক্ষকের একজন অত্যন্ত যত্ন নিয়ে পড়ান, কঠিন বিষয় সহজ করে বোঝান এবং শিক্ষার্থীদের প্রয়োজনীয় সহায়তা দেন। তারপরও course শেষে শিক্ষার্থীরা সামগ্রিক অভিজ্ঞতা নিয়ে অসন্তুষ্ট হতে পারেন। এখন সেই অসন্তোষের overall score যদি সরাসরি তিনজন শিক্ষকের ব্যক্তিগত teaching score হিসেবে গণ্য করা হয়, তাহলে তৈরি হবে একটি গুরুতর attribution error—যে সমস্যার দায় যার নয়, মূল্যায়নের সংখ্যাটি তার ঘাড়েও সেই দায় চাপিয়ে দেবে।

এই কারণেই একটি পরিণত evaluation system শুধু score সংগ্রহ করে না; score-এর উৎসও শনাক্ত করার চেষ্টা করে। সে প্রশ্ন করে—কোন অভিজ্ঞতাটি course-level, কোনটি instructor-level, আর কোনটি institution-level? Classroom-এর projector নষ্ট থাকা একজন শিক্ষকের teaching incompetence নয়। Laboratory-তে reagent না থাকা তাঁর personality problem নয়। Curriculum অতিরিক্ত ভারী হওয়ার দায়ও সবসময় একজন individual teacher-এর নয়। Teaching ও learning একটি ecosystem; সেখানে দায়িত্ব যেমন বিভিন্ন স্তরে বণ্টিত, মূল্যায়নের ক্ষেত্রেও দায়ের attribution তেমনি যথাযথভাবে বণ্টিত হওয়া প্রয়োজন। অর্থাৎ আধুনিক শিক্ষক মূল্যায়নের একটি মৌলিক নীতি হওয়া উচিত: যে সমস্যার উৎস যেখানে, মূল্যায়নের দায়ও সেখানে।

Mean-এর মোহ: ৪.৩ কি সত্যিই সবসময় ৪.১-এর চেয়ে ভালো গল্প বলে?

সংখ্যার একটি অদ্ভুত মনস্তাত্ত্বিক ক্ষমতা আছে—সংখ্যা আমাদের নিশ্চয়তার অনুভূতি দেয়। কোনো শিক্ষকের evaluation score যদি লেখা হয় 4.37, সেটি দেখামাত্রই যেন ফলাফলটি অত্যন্ত বৈজ্ঞানিক, সূক্ষ্ম এবং নির্ভুল বলে মনে হয়। দশমিকের দুই ঘর আমাদের চোখে precision তৈরি করে। কিন্তু এখানেই একটি গুরুত্বপূর্ণ সতর্কতা প্রয়োজন: precision of display আর precision of knowledge এক জিনিস নয়। একটি সংখ্যা যত নিখুঁতভাবে লেখা যায়, বাস্তবতা সম্পর্কে আমাদের জ্ঞানও যে ততটাই নিখুঁত—এমন কোনো নিশ্চয়তা নেই।

একটি সরল উদাহরণ ধরা যাক। Teacher A-এর পাঁচজন শিক্ষার্থীর rating হলো—3, 3, 3, 3, 3। Mean = 3। Teacher B-এর rating—1, 1, 3, 5, 5। তাঁরও Mean = 3। Spreadsheet-এর একটি column-এ দুজন শিক্ষককে পাশাপাশি রাখলে ফলাফল অভিন্ন: 3.0 এবং 3.0। কিন্তু classroom-এর গল্প কি সত্যিই একই?

একেবারেই নয়। প্রথম ক্ষেত্রে শিক্ষার্থীদের মধ্যে প্রায় সম্পূর্ণ consensus রয়েছে। দ্বিতীয় ক্ষেত্রে classroom experience গভীরভাবে polarised—কেউ অত্যন্ত অসন্তুষ্ট, আবার কেউ অত্যন্ত সন্তুষ্ট। Mean এই দুই বিপরীত বাস্তবতাকে একটি সংখ্যার নিচে চাপা দিয়ে দিয়েছে। তাই একটি average কখনো কখনো সত্য বলেও পুরো সত্য বলে না।

আরেকটি দৃশ্য কল্পনা করা যাক। Teacher X-এর score 4.9, কিন্তু response দিয়েছেন মাত্র পাঁচজন—n=5। Teacher Y-এর score 4.5, response দিয়েছেন ১৫০ জন—n=150। একটি সরল leaderboard সঙ্গে সঙ্গে ঘোষণা করতে পারে: X এগিয়ে। কিন্তু একজন গবেষক এখানেই থামবেন না। তিনি জানতে চাইবেন—sample size কত? মোট শিক্ষার্থীর কত শতাংশ response দিয়েছেন? Rating-এর distribution কেমন? Course-এর ধরন কী? ফলাফল কতটা স্থিতিশীল?

কারণ X-এর ক্ষেত্রে মাত্র একজন শিক্ষার্থীর rating বদলে গেলেই average উল্লেখযোগ্যভাবে পাল্টে যেতে পারে। Y-এর ১৫০টি response-এর মধ্যে একজনের মতামত পরিবর্তিত হলে average প্রায় অপরিবর্তিত থাকবে। ফলে score-এর পাশে n না দেখানো মানে ফলাফলের একটি গুরুত্বপূর্ণ অংশ আড়াল করা। অনেকটা নির্বাচনের ফলাফল দেখানো, কিন্তু কতজন ভোট দিয়েছেন সেই turnout-টি না বলার মতো।

সংখ্যা তাই গুরুত্বপূর্ণ; কিন্তু সংখ্যার সঙ্গে তার context-ও data-এর অংশ।

সব বিশ্ববিদ্যালয়ে একই questionnaire কেন চলে না—কারণ সব classroom একই classroom নয়

এক মুহূর্তের জন্য বিশ্ববিদ্যালয়ের পাঁচটি classroom কল্পনা করা যাক।

• প্রথমটিতে ৪০০ শিক্ষার্থীর introductory Economics lecture।
• দ্বিতীয়টিতে আটজন গবেষক নিয়ে doctoral Philosophy seminar।
• তৃতীয়টি Chemistry laboratory।
• চতুর্থটি Architecture studio।
• পঞ্চমটি Medical clinical rotation।

—পাঁচটিই university teaching। কিন্তু পাঁচ জায়গায় “good teaching” কি একই আচরণ, একই দক্ষতা এবং একই অভিজ্ঞতার নাম?

একটি mass lecture-এ organisation, clarity এবং large-group communication অত্যন্ত গুরুত্বপূর্ণ। ছোট doctoral seminar-এ বেশি গুরুত্বপূর্ণ হতে পারে dialogue, intellectual challenge এবং sophisticated argument পরিচালনার ক্ষমতা। Chemistry laboratory-তে demonstration-এর পাশাপাশি safety ও supervision অপরিহার্য। Architecture studio-তে critique, iterative feedback এবং creative guidance গুরুত্বপূর্ণ। আর clinical teaching-এ patient safety, professional judgement এবং bedside instruction-এর মতো বিষয় মূল্যায়নের কেন্দ্রে চলে আসে।

এই পাঁচটি সম্পূর্ণ ভিন্ন teaching environment-কে একটি মাত্র generic questionnaire দিয়ে মাপতে চাওয়া অনেকটা একজন football goalkeeper এবং একজন marathon runner-কে একই fitness test দিয়ে ranking করার মতো। দুজনই athlete—কিন্তু তাঁদের excellence-এর প্রকৃতি এক নয়। অর্থাৎ তাঁদের performance construct আলাদা।

এই বাস্তবতা থেকেই আধুনিক evaluation design ক্রমে common principles + contextual items মডেলের দিকে এগোয়। Respect প্রায় সব teaching context-এই গুরুত্বপূর্ণ। Fairness-ও তাই। Clarity-র প্রয়োজনও প্রায় সর্বজনীন। কিন্তু clinical supervision কোনো Philosophy seminar-এর relevant criterion নয়; আবার online platform usability একটি bedside clinical rotation-এর কেন্দ্রীয় teaching indicator হওয়ার কথা নয়।

তাই standardisation মানে identical measurement নয়; standardisation মানে defensible common rules। সবার প্রতি ন্যায়সংগত হতে হলে সবাইকে হুবহু একই প্রশ্ন করতেই হবে—এ ধারণা শুনতে fair হলেও বাস্তবে কখনো কখনো উল্টো unfair হয়ে উঠতে পারে। প্রকৃত fairness আসে একই শিক্ষাগত নীতি বজায় রেখে ভিন্ন teaching context-এর প্রাসঙ্গিক পার্থক্যকে স্বীকৃতি দেওয়ার মধ্য দিয়ে।

“American practice” বলেও আসলে কোনো একক model নেই

বাংলাদেশে শিক্ষক মূল্যায়ন নিয়ে আলোচনায় প্রায়ই দুটি বাক্য শোনা যায়—“বিদেশে teacher evaluation হয়” কিংবা “American university-তে students teacher-কে rate করে।” বক্তব্য দুটি broadly সত্য হলেও বিশ্লেষণের দিক থেকে অসম্পূর্ণ। কারণ “বিদেশ” যেমন কোনো একক উচ্চশিক্ষাব্যবস্থা নয়, তেমনি American practice-ও কোনো single model নয়।

যুক্তরাষ্ট্রের বিশ্ববিদ্যালয়গুলোর মধ্যেই evaluation philosophy ও institutional architecture-এ উল্লেখযোগ্য বৈচিত্র্য রয়েছে। Harvard-এর Q system-এ evaluation-এর timing, confidentiality, access এবং selective reporting-এর একটি নির্দিষ্ট কাঠামো রয়েছে। Stanford তুলনামূলকভাবে learning-focused এবং multi-source philosophy-র ওপর জোর দেয়। অন্যদিকে University of Washington-এর Instructional Assessment System কয়েক দশকের institutional evolution বহন করে এবং instructional development, administrative decision-making ও student information—একাধিক উদ্দেশ্যকে সমর্থন করে। অর্থাৎ “international practice” আসলে singular নয়—এটি plural: practices।

এই বহুত্বটি নিছক প্রশাসনিক বৈচিত্র্য নয়; এর গভীরে রয়েছে বিশ্ববিদ্যালয়গুলোর নিজস্ব educational philosophy, governance tradition, legal environment, student culture এবং academic employment structure। যে প্রতিষ্ঠানের প্রধান লক্ষ্য developmental feedback, তার questionnaire ও reporting architecture একরকম হবে। যেখানে evaluation results শিক্ষার্থীদের course selection-এ সহায়তা করে, সেখানে transparency ও reporting-এর কাঠামো ভিন্ন হবে। আর যেখানে একই data promotion, tenure বা অন্য personnel decision-এ ব্যবহৃত হয়, সেখানে measurement-এর validity, reliability, fairness এবং due process-এর burden স্বাভাবিকভাবেই আরও বেশি।

অতএব কোনো আন্তর্জাতিক model দেখেই প্রথম প্রশ্নটি হওয়া উচিত নয়—“তাদের questionnaire-এ কী কী প্রশ্ন আছে?” বরং আরও গুরুত্বপূর্ণ প্রশ্ন হলো—“তারা এই evaluation কেন করছে, কার জন্য করছে এবং ফলাফলটি শেষ পর্যন্ত কোন সিদ্ধান্তে ব্যবহার করছে?”

কারণ purpose বদলালে শুধু questionnaire নয়—পুরো evaluation architecture-ই বদলে যায়।

সবচেয়ে গুরুত্বপূর্ণ contemporary shift: student satisfaction থেকে student learning

Student Evaluation of Teaching নিয়ে বিতর্কের একটি বড় সমস্যা তৈরি হয় তখন, যখন শিক্ষার্থীকে অজান্তেই একজন customer হিসেবে কল্পনা করা হয়। Customer একটি pizza order করলেন; pizza তাঁর পছন্দ হলো না; তিনি দিলেন দুই stars। Consumer marketplace-এ এই logic খুবই পরিচিত। কিন্তু university education কি restaurant service-এর মতো কোনো পণ্য, যেখানে শিক্ষার্থী শুধু গ্রহণ করবেন এবং শেষে satisfaction score দেবেন?

উচ্চশিক্ষার সম্পর্কটি তার চেয়ে অনেক বেশি জটিল। শিক্ষার্থী অবশ্যই stakeholder, rights-holder এবং university community-এর গুরুত্বপূর্ণ সদস্য। তাঁর অভিজ্ঞতা, কণ্ঠ ও বিচার মূল্যবান। কিন্তু learning process-এ তিনি কেবল service receiver নন; তিনি নিজেও একজন সক্রিয় participant। একজন শিক্ষক অসাধারণ course design করতে পারেন, পরিষ্কারভাবে পড়াতে পারেন, ভালো learning materials দিতে পারেন এবং যথাযথ feedback-ও দিতে পারেন। কিন্তু শিক্ষার্থী যদি class-এ অংশ না নেন, assigned reading না করেন, assignment-এ প্রয়োজনীয় effort না দেন কিংবা learning activities-এ যুক্ত না হন, তাহলে learning outcome-কে কেবল instructor-এর performance দিয়ে ব্যাখ্যা করা যায় না।

এখানেই contemporary evaluation philosophy-তে একটি গভীর পরিবর্তন ঘটছে। প্রশ্নটি ধীরে ধীরে “শিক্ষক আমাকে কতটা সন্তুষ্ট করেছেন?” থেকে সরে গিয়ে হয়ে উঠছে—“এই course-এ আমার learning কীভাবে ঘটেছে?” Stanford-এর বর্তমান course-feedback philosophy-তেও student learning experience ও self-reflection-এর ওপর এই গুরুত্ব লক্ষ করা যায়।

এই পরিবর্তনটি শুধু questionnaire-এর ভাষার পরিবর্তন নয়; এটি responsibility বোঝার ধরনও বদলে দেয়। তখন learning-এর সাফল্য বা ব্যর্থতার পুরো দায় একজন শিক্ষকের কাঁধে চাপিয়ে দেওয়া হয় না। বরং দেখা হয়—teacher কী করেছেন, student কীভাবে অংশ নিয়েছেন, course কীভাবে design করা হয়েছে, প্রয়োজনীয় resources ছিল কি না এবং institution learning-এর জন্য কতটা সহায়ক পরিবেশ তৈরি করেছে। অর্থাৎ আধুনিক evaluation-এর দৃষ্টি ধীরে ধীরে teacher as a person থেকে teaching as a process, এবং সেখান থেকে learning as a shared ecosystem-এর দিকে বিস্তৃত হচ্ছে।

এই পরিবর্তনের তাৎপর্য গভীর। কারণ তখন evaluation আর শুধু কাউকে score দেওয়ার যন্ত্র থাকে না; এটি হয়ে ওঠে learning system-কে বোঝার একটি পদ্ধতি। এবং এখানেই student evaluation-এর পরিণত রূপের সবচেয়ে গুরুত্বপূর্ণ প্রশ্নটি সামনে আসে—“Teacher কত নম্বর পেলেন?”—তার চেয়ে বড় প্রশ্ন: “Learning কোথায় ঘটল, কোথায় বাধাগ্রস্ত হলো, এবং সেই অভিজ্ঞতার কোন অংশের দায় কার?”

Multi-source evaluation: একটি জানালা গুরুত্বপূর্ণ, কিন্তু সেটিই পুরো বাড়ি নয়

Student Evaluation of Teaching বা SET নিয়ে সমকালীন গবেষণা ও প্রাতিষ্ঠানিক চর্চা আমাদের সম্ভবত একটি গুরুত্বপূর্ণ জায়গায় নিয়ে এসেছে: সমাধানটি SET বাদ দেওয়া নয়; বরং SET-কে তার যথাযথ জায়গায় বসানো। শিক্ষার্থীর অভিজ্ঞতা শিক্ষকতার মান বোঝার জন্য অত্যন্ত গুরুত্বপূর্ণ evidence, কিন্তু সেটিই teaching quality সম্পর্কে একমাত্র বা চূড়ান্ত evidence নয়।

Stanford-এর evaluation philosophy-তেও এই অবস্থানটি স্পষ্ট। Learner feedback গুরুত্বপূর্ণ, কিন্তু teaching evaluation-এর এটি একটি source মাত্র; এর পাশাপাশি colleague বা peer input, instructor-এর self-reflection এবং অন্যান্য প্রাসঙ্গিক evidence-ও প্রয়োজন। গবেষণার ভাষায় এই বহুমাত্রিক evidence একত্র করে একটি বিষয়কে বোঝার পদ্ধতিকে triangulation হিসেবে দেখা যায়।

একটি বাড়ির সামনে দাঁড়িয়ে একটি জানালা দিয়ে ভেতরে তাকানোর কথা ভাবা যাক। জানালাটি দিয়ে আপনি living room দেখতে পাচ্ছেন। আপনি যা দেখছেন, তা সত্য; দৃশ্যটি কাল্পনিক নয়। কিন্তু সেই সত্যটিই পুরো বাড়ি নয়। জানালাটি আপনাকে বাড়ির একটি গুরুত্বপূর্ণ অংশ দেখিয়েছে—সবকিছু নয়।

Teaching evaluation-এ student feedback অনেকটা সেই জানালার মতো। Peer observation আরেকটি জানালা; teaching portfolio আরেকটি; assessment design আরেকটি; instructor self-reflection আরও একটি। এর সঙ্গে longitudinal evidence যোগ হলে বোঝা যায় সময়ের সঙ্গে একজন শিক্ষকের teaching কীভাবে বদলেছে—তিনি feedback থেকে শিখেছেন কি না, course redesign করেছেন কি না, কিংবা তাঁর teaching practice-এ ধারাবাহিক উন্নতির কোনো trajectory আছে কি না।

প্রতিটি জানালা আবার আলাদা ধরনের দৃশ্য দেখায়। শিক্ষার্থীরা সবচেয়ে ভালো বলতে পারেন classroom-এর lived experience সম্পর্কে—শিক্ষকের explanation বোধগম্য ছিল কি না, feedback সময়মতো পাওয়া গেছে কি না, learning environment সম্মানজনক ছিল কি না, assessment expectations পরিষ্কার ছিল কি না। একজন peer expert বিচার করতে পারেন disciplinary pedagogy, content organisation এবং teaching strategy। Teaching portfolio দেখাতে পারে শিক্ষকের pedagogical philosophy, course redesign এবং সময়ের সঙ্গে তাঁর professional growth। Assessment materials থেকে বোঝা যেতে পারে learning objectives, assessment এবং academic rigour-এর মধ্যে alignment কতটা রয়েছে। আর longitudinal evidence দেখাতে পারে একটি semester-এর বিচ্ছিন্ন snapshot নয়, বরং দীর্ঘ সময়ের পরিবর্তনের রেখাটি।

এখানে student voice-এর গুরুত্ব কমানো হচ্ছে না; বরং তাকে তার যথাযথ epistemic position-এ স্থাপন করা হচ্ছে। শিক্ষার্থীর কণ্ঠ তখন আর সর্বময় verdict নয়, আবার উপেক্ষণীয় মতামতও নয়—এটি teaching quality বোঝার জন্য অপরিহার্য, কিন্তু বৃহত্তর evidence architecture-এর একটি গুরুত্বপূর্ণ অংশ।

ইতিহাস আমাদের bias সম্পর্কেও বিনয়ী হতে শিখিয়েছে

Teacher evaluation-এর শতবর্ষী অভিজ্ঞতা আমাদের আরেকটি অস্বস্তিকর কিন্তু জরুরি সত্যের সামনে দাঁড় করিয়েছে: human judgement কখনো সম্পূর্ণ context-free নয়। আমরা যা দেখি, যেভাবে দেখি এবং যে অর্থে তা ব্যাখ্যা করি—সবকিছুর ওপরই কোনো না কোনোভাবে context-এর প্রভাব থাকে।

SET নিয়ে দীর্ঘদিনের গবেষণায় gender, race, ethnicity, perceived attractiveness, accent, class size, course type এবং student preparedness-এর মতো নানা variable student rating-এর সঙ্গে কীভাবে সম্পর্কিত হতে পারে, তা নিয়ে প্রশ্ন উঠেছে। Stanford-এর evaluation guidance-ও student rating ব্যাখ্যার ক্ষেত্রে এ ধরনের contextual factor সম্পর্কে সতর্ক থাকার প্রয়োজনীয়তার কথা তুলে ধরে।

এর অর্থ এই নয় যে শিক্ষার্থীরা অসৎ কিংবা ইচ্ছাকৃতভাবে অন্যায় মূল্যায়ন করেন। Bias মানেই conscious prejudice নয়। মানুষের perception নিজেই context-sensitive। একই আচরণ ভিন্ন পরিবেশে ভিন্নভাবে অনুভূত হতে পারে; একই level-এর academic demand ভিন্ন ধরনের শিক্ষার্থীর কাছে ভিন্ন অভিজ্ঞতা তৈরি করতে পারে।

ধরা যাক, একজন শিক্ষক first-year-এর বাধ্যতামূলক Statistics course পড়াচ্ছেন—যেখানে অনেক শিক্ষার্থী বিষয়টি নিয়েই উদ্বিগ্ন, কেউ কেউ course-টি নিতে অনিচ্ছুক, আবার academic preparedness-ও অসম। অন্যদিকে আরেকজন শিক্ষক একটি advanced elective পড়াচ্ছেন, যেখানে শিক্ষার্থীরা নিজের আগ্রহেই course বেছে নিয়েছেন এবং শুরু থেকেই highly motivated। দুই শিক্ষকই একই ১–৫ scale-এ evaluated হলেন। কিন্তু সেই scale-এর “4” কি দুই classroom-এ একই psychological এবং educational meaning বহন করছে?

তা ধরে নেওয়ার আগে অন্তত বৈজ্ঞানিকভাবে প্রশ্ন করা প্রয়োজন।

একইভাবে একজন শিক্ষক difficult course-এ কঠোর academic standard বজায় রাখছেন, আর অন্যজন এমন একটি popular elective পড়াচ্ছেন যেখানে baseline student interest-ই অনেক বেশি। শুধু raw rating পাশাপাশি রেখে তুলনা করলে আমরা হয়তো teacher effect-এর পাশাপাশি course effect, student motivation এবং contextual differences-ও অজান্তে মাপছি।

এই কারণেই evaluation যত high-stakes হবে—promotion, tenure, contract renewal কিংবা অন্য গুরুত্বপূর্ণ personnel decision-এ যত বেশি ব্যবহৃত হবে—contextual interpretation, multiple evidence এবং informed academic judgement-এর প্রয়োজনও তত বাড়বে। সংখ্যার গুরুত্ব তখন কমে না; বরং সংখ্যাটি কী বলছে এবং কী বলতে পারছে না, দুটোই বোঝা আরও জরুরি হয়ে ওঠে।

ইতিহাসের সবচেয়ে বড় irony: প্রযুক্তি বদলেছে, মৌলিক প্রশ্নটি বদলায়নি

Teacher evaluation-এর প্রযুক্তিগত ইতিহাস দেখলে পরিবর্তনের গতি বিস্ময়কর। ১৯২০-এর দশকে ছিল paper rating; ১৯৭০-এর দশকে তা institutional system-এর রূপ পেল; ১৯৯০-এর দশকে যুক্ত হলো quality assurance-এর শক্তিশালী কাঠামো; ২০০০-এর দশকে evaluation চলে গেল online platform-এ; ২০১০-এর দশকে এলো dashboard ও sophisticated reporting; আর ২০২০-এর দশকে analytics, automated text processing এবং AI-assisted analysis নতুন সম্ভাবনা তৈরি করছে।

প্রযুক্তি প্রায় আমূল বদলে গেছে। কিন্তু শতবর্ষের এই দীর্ঘ যাত্রার শেষে দাঁড়িয়েও সবচেয়ে মৌলিক প্রশ্নটি আশ্চর্যজনকভাবে পুরোনো—Student আসলে কোন বিষয়ে competent observer?

শিক্ষার্থী কি বলতে পারেন শিক্ষক সময়মতো feedback দিয়েছেন কি না? অবশ্যই পারেন। Assessment instructions পরিষ্কার ছিল কি না? সেটিও তাঁর প্রত্যক্ষ অভিজ্ঞতার অংশ। Classroom respectful ছিল কি না? তিনি বলতে পারেন। কোনো difficult concept-এর explanation তাঁর learning-এ সহায়ক হয়েছিল কি না? এ ক্ষেত্রেও তাঁর evidence অত্যন্ত গুরুত্বপূর্ণ।

কিন্তু একই undergraduate course evaluation দিয়ে কি নির্ধারণ করা উচিত একজন professor-এর disciplinary scholarship আন্তর্জাতিক মানের কি না? না—সেটি এই instrument-এর উপযুক্ত কাজ নয়। তাঁর research methodology কতটা sophisticated, scholarly contribution কতটা original কিংবা disciplinary knowledge কতটা গভীর—এসব প্রশ্নের জন্য অন্য observer, অন্য evidence এবং অন্য assessment process প্রয়োজন।

অর্থাৎ sophisticated evaluation মানে questionnaire-এ আরও বেশি প্রশ্ন যোগ করা নয়। বরং sophistication-এর একটি মৌলিক নীতি হলো— Right question to the right observer।

যিনি যে অভিজ্ঞতার সবচেয়ে কাছাকাছি, তাঁর কাছ থেকে সেই evidence নেওয়া; আর যে বিষয়ে তাঁর পর্যবেক্ষণসীমা নেই, সেখানে তাঁর rating-কে অপ্রয়োজনীয় authority না দেওয়া। Measurement science-এর ভাষায় এটিই হয়তো SET-এর শতবর্ষী ইতিহাসের সবচেয়ে সংক্ষিপ্ত শিক্ষা।

বাংলাদেশের জন্য প্রথম শিক্ষা: questionnaire copy করা যায়, evaluation culture নয়

বাংলাদেশের বিশ্ববিদ্যালয়গুলোতে Student Evaluation of Teaching চালু বা পুনর্গঠনের সবচেয়ে সহজ পথটি দেখতে বেশ আকর্ষণীয়। কোনো আন্তর্জাতিক বিশ্ববিদ্যালয়ের questionnaire download করা হলো, সেটি বাংলায় অনুবাদ করা হলো, Google Form-এ কয়েকটি ১–৫ scale বসানো হলো, semester শেষে link পাঠিয়ে দেওয়া হলো—এবং মনে হলো evaluation system তৈরি হয়ে গেছে। কিন্তু শতবর্ষের আন্তর্জাতিক অভিজ্ঞতা আমাদের ঠিক উল্টো কথাই বলে: form তৈরি হওয়ার জায়গায় evaluation system শেষ হয় না; বরং সেখান থেকেই তার আসল কাজ শুরু।

Harvard-এর Q system শুধু কয়েকটি প্রশ্নের সমষ্টি নয়। এর সঙ্গে যুক্ত রয়েছে evaluation কখন হবে, শিক্ষার্থী কখন response দেবেন, instructor কখন ফলাফল দেখতে পারবেন, confidentiality কীভাবে রক্ষা করা হবে, কারা কোন data দেখতে পারবেন এবং student-facing information কীভাবে প্রকাশিত হবে—এসব নিয়ে একটি পূর্ণাঙ্গ institutional architecture।

Stanford-এর ক্ষেত্রেও evaluation শুধু end-term form নয়। এর সঙ্গে mid-term feedback, peer input, self-reflection এবং contextual interpretation-এর মতো উপাদান যুক্ত। University of Washington-এর IAS-ও নিছক একটি software platform নয়; এর পেছনে রয়েছে কয়েক দশকের institutional learning ও development। অর্থাৎ questionnaire হলো evaluation system-এর visible surface। এর নিচে থাকে অনেক বড় একটি invisible infrastructure— Policy, Trust, Governance, Statistics, Ethics, Data Protection, Faculty Development এবং Due Process।

একটি iceberg-এর কথা ভাবা যায়। পানির ওপরে দৃশ্যমান ছোট অংশটি questionnaire; কিন্তু যে বিশাল কাঠামো সেটিকে ভাসিয়ে রাখে, তার অধিকাংশই পানির নিচে।

বাংলাদেশ যদি শুধু questionnaire-টি copy করে, তাহলে আমরা iceberg-এর চূড়াটি পাব; পুরো evaluation system নয়।

বাংলাদেশের জন্য দ্বিতীয় শিক্ষা: ইতিহাসের ধাপ এড়িয়ে shortcut নিলে ঝুঁকি তৈরি হয়

পশ্চিমা উচ্চশিক্ষায় SET আজকের অবস্থায় এক দিনে পৌঁছায়নি। প্রায় এক শতাব্দীর পথে student opinion থেকে structured rating, সেখান থেকে formative feedback, accountability, psychometrics, quality assurance, bias research, digitalisation, contextual interpretation এবং শেষ পর্যন্ত multi-source evaluation-এর ধারণা বিকশিত হয়েছে। প্রতিটি ধাপে নতুন সুবিধা এসেছে, আবার নতুন সমস্যাও ধরা পড়েছে; সেই সমস্যার উত্তর খুঁজতে গিয়ে পরবর্তী ধাপের জন্ম হয়েছে।

এখন কল্পনা করা যাক, বাংলাদেশ এই দীর্ঘ methodological journey-এর মধ্যবর্তী ধাপগুলো পাশ কাটিয়ে সরাসরি দৃশ্যমান technological endpoint-টি গ্রহণ করল—

• Professor X — 4.7 stars।
• Professor Y — 2.9 stars।

দেখতে আধুনিক। দ্রুত বোঝা যায়। Dashboard-এ সুন্দরও দেখায়। কিন্তু প্রশ্ন হলো—এই সংখ্যার পেছনে reliability কোথায়? Validity কীভাবে পরীক্ষা করা হয়েছে? Response rate কত? Course context কী? Bias কীভাবে বিবেচনায় নেওয়া হয়েছে? কারা result দেখবেন? শিক্ষক appeal করতে পারবেন কি না? Low score-এর পরে professional development-এর ব্যবস্থা কী?

শুধু technological endpoint copy করা মানে methodological journey-টিকে এড়িয়ে যাওয়া।

এটি অনেকটা আধুনিক aircraft cockpit-এর চকচকে digital screen দেখে ধরে নেওয়া—বিমান চালানোর মূল রহস্য বুঝে গেছি। অথচ safe aviation শুধু screen-এর ওপর দাঁড়িয়ে নেই; তার পেছনে রয়েছে pilot training, instrument calibration, redundancy, communication protocol, weather analysis, maintenance এবং emergency procedures-এর বিস্তৃত infrastructure।

Teacher evaluation-এরও একটি cockpit আছে। Dashboard তার দৃশ্যমান অংশ। কিন্তু infrastructure ছাড়া dashboard আধুনিক দেখাতে পারে—নির্ভরযোগ্য evaluation নিশ্চিত করতে পারে না।

বাংলাদেশের জন্য তৃতীয় শিক্ষা: institutional ও রাজনৈতিক context উপেক্ষা করার সুযোগ নেই

কোনো university evaluation system vacuum-এর মধ্যে কাজ করে না। এটি যে সমাজে, যে academic culture-এ এবং যে power relationship-এর মধ্যে পরিচালিত হয়, সেই context তার কার্যকারিতা ও বিশ্বাসযোগ্যতাকে গভীরভাবে প্রভাবিত করে।

যেখানে student–teacher relationship অত্যন্ত hierarchical, সেখানে শিক্ষার্থীর সত্যিকারের মতামত পাওয়ার জন্য anonymity ও confidentiality বিশেষ গুরুত্বপূর্ণ। শিক্ষার্থী যদি মনে করেন তাঁর সমালোচনামূলক মন্তব্য কোনোভাবে পরিচয় শনাক্ত করে শিক্ষকের কাছে পৌঁছে যেতে পারে, তাহলে questionnaire technically anonymous হলেও psychologically anonymous নাও হতে পারে।

যেখানে রাজনৈতিক polarisation প্রবল, সেখানে coordinated rating, organised retaliation কিংবা group-based campaigning-এর সম্ভাবনা বিবেচনায় safeguard প্রয়োজন। আবার খুব ছোট class-এ নাম না থাকলেও comment-এর ভাষা, উল্লেখিত ঘটনা কিংবা ব্যক্তিগত অভিজ্ঞতার সূত্র ধরে respondent কে ছিলেন তা অনুমান করা সম্ভব হতে পারে। ফলে anonymity শুধু software setting-এর প্রশ্ন নয়; এটি institutional trust-এর প্রশ্নও।

আরেকটি গুরুত্বপূর্ণ বিষয় হলো incentive structure। কোনো বিশ্ববিদ্যালয়ের promotion system যদি teaching excellence-কে যথাযথভাবে মূল্য না দেয়, তাহলে শুধু SET চালু করেই teaching culture বদলে যাবে না। একইভাবে faculty development support না রেখে একজন শিক্ষককে low score দেখিয়ে বলা হলো—“আপনার teaching improve করুন”—তাতেও evaluation-এর উদ্দেশ্য পূরণ হয় না।

এটি অনেকটা diagnostic test করার পর একজন doctor বললেন, “আপনার একটি সমস্যা আছে।” রোগী স্বাভাবিকভাবেই জিজ্ঞেস করলেন, “Treatment কী?” উত্তর এলো—“তার ব্যবস্থা নেই।”

Diagnosis আছে, treatment নেই।

ঠিক তেমনি evaluation without development support institutionally incomplete। মূল্যায়ন তখন উন্নয়নের infrastructure না হয়ে শুধু সমস্যা শনাক্ত করার bureaucratic ritual-এ পরিণত হওয়ার ঝুঁকি তৈরি করে।

বাংলাদেশের জন্য একটি সম্ভাব্য evolutionary model: এক ধাপে verdict নয়, ধাপে ধাপে evidence

শতবর্ষের আন্তর্জাতিক অভিজ্ঞতা থেকে শিক্ষা নিয়ে বাংলাদেশের বিশ্ববিদ্যালয়গুলো চাইলে একটি staged evaluation architecture গড়ে তুলতে পারে—যেখানে শুরুতেই high-stakes ranking নয়, বরং ধাপে ধাপে feedback, evidence এবং professional judgement তৈরি হবে।

• প্রথম স্তর হতে পারে mid-semester formative feedback। এখানে প্রশ্ন থাকবে অল্প, precise এবং actionable। ফলাফল থাকবে মূলত private ও developmental; কোনো ranking নয়। উদ্দেশ্য হবে semester শেষ হওয়ার আগেই শিক্ষককে course correction-এর সুযোগ দেওয়া। Lecture-এর pace খুব দ্রুত হলে তিনি তা পরিবর্তন করতে পারবেন; assessment instruction অস্পষ্ট হলে ব্যাখ্যা দিতে পারবেন; learning activities কার্যকর না হলে redesign করতে পারবেন। ফলে feedback-এর সুফল পাবেন সেই শিক্ষার্থীরাই, যাঁরা feedback দিয়েছেন।
• দ্বিতীয় স্তর হতে পারে end-of-course structured evaluation। এখানে কেবল verified enrolled students অংশ নেবেন; response হবে anonymous; course-level এবং instructor-level items যথাসম্ভব আলাদা থাকবে; quantitative rating-এর সঙ্গে qualitative comments থাকবে; এবং ফলাফলের সঙ্গে sample size ও response rate দৃশ্যমান থাকবে। Grade submission-এর পরে instructor access এবং খুব ছোট sample-এর ক্ষেত্রে small-n suppression-এর মতো safeguard বিবেচনা করা যেতে পারে।
• তৃতীয় স্তর হতে পারে periodic multi-source teaching review। এখানেই longitudinal student feedback-এর সঙ্গে যুক্ত হবে peer observation, teaching portfolio, assessment design, professional development record, instructor self-reflection এবং প্রাসঙ্গিক learning evidence। একজন শিক্ষকের teaching সম্পর্কে high-stakes judgement—যদি সেটি promotion, tenure বা অন্য personnel decision-এ ব্যবহৃত হয়—তাহলে ideally এই বিস্তৃত evidence layer-এ হওয়া উচিত; একটি semester-এর একটি বিচ্ছিন্ন star score-এর ওপর নয়।

এই model কোনো Harvard, Stanford কিংবা Washington model-এর blind imitation নয়। বরং প্রায় এক শতাব্দীর আন্তর্জাতিক institutional learning থেকে প্রয়োজনীয় নীতি নিয়ে বাংলাদেশের নিজস্ব context-এ তার contextual adaptation।

এখানে লক্ষ্য “বিদেশে যেমন আছে, তেমন করা” নয়। লক্ষ্য—কেন তারা আজকের অবস্থায় পৌঁছেছে, সেই শেখাটিকে কাজে লাগানো।

সবচেয়ে গুরুত্বপূর্ণ evolution: “Rate the professor” থেকে “Improve the learning system”

Student Evaluation of Teaching-এর প্রায় এক শতাব্দীর বিবর্তনকে যদি একটি বাক্যে ধারণ করতে হয়, সম্ভবত বলা যায়—The object of evaluation has gradually expanded from the person to the learning system.

• শুরুর প্রশ্নটি ছিল—Teacher কেমন?
• তারপর প্রশ্ন হলো—Teaching কেমন?
• এরপর—Course কেমন?

আর contemporary evaluation increasingly আরও বড় একটি পরিসরে জানতে চাইছে—Learning experience কেমন?

Assessment কি learning objectives-এর সঙ্গে aligned? শিক্ষার্থীরা meaningfulভাবে engaged? Learning environment কি inclusive ও respectful? প্রয়োজনীয় resources কি যথেষ্ট? Feedback কি actionable ও timely? Institution কি teacher এবং student—উভয়কেই কার্যকর learning-এর জন্য প্রয়োজনীয় support দিচ্ছে?

এই পরিবর্তনটি গুরুত্বপূর্ণ, কারণ এটি evaluation-কে blame culture থেকে improvement culture-এর দিকে নিয়ে যাওয়ার সম্ভাবনা তৈরি করে। তখন কোনো সমস্যা দেখা দিলেই প্রথম প্রশ্ন হয় না—“কোন শিক্ষক দায়ী?” বরং প্রশ্ন হয়—“Learning process-এর কোথায় সমস্যা তৈরি হয়েছে, কেন হয়েছে এবং সেটি সংশোধনের দায়িত্ব কার?”

কারণ teaching কখনোই কেবল একজন ব্যক্তির isolated performance নয়। Teaching একটি ecology। সেখানে শিক্ষক নিঃসন্দেহে central actor, কিন্তু তিনি একমাত্র actor নন। শিক্ষার্থী, curriculum, assessment, technology, classroom resources, departmental policy এবং institutional support—সব মিলিয়েই learning experience তৈরি হয়।

এই কারণেই SET-এর contemporary evolution-এর সবচেয়ে পরিণত রূপ সম্ভবত teacher-কে কম মূল্যায়ন করা নয়; বরং teacher-কে বৃহত্তর learning system-এর ভেতরে আরও সঠিকভাবে মূল্যায়ন করা।

শেষ পর্যন্ত তাই প্রশ্নটি “Professor কত stars পেলেন?”—এখানে থেমে থাকে না।

আরও গুরুত্বপূর্ণ প্রশ্ন হয়ে ওঠে—“আমাদের learning system কতটা ভালো কাজ করছে—এবং তাকে আরও ভালো করতে student, teacher ও institution-এর প্রত্যেকের কাছ থেকে কোন evidence প্রয়োজন?”

এই প্রশ্নেই teacher evaluation একটি rating exercise থেকে ধীরে ধীরে institutional learning-এর প্রক্রিয়ায় পরিণত হয়।

তাহলে একশ বছরের ইতিহাস আমাদের কী শেখাল?

প্রায় এক শতাব্দীর পথ পেরিয়ে Student Evaluation of Teaching আজ এমন এক জায়গায় এসে দাঁড়িয়েছে, যেখান থেকে পেছনে তাকালে একটি বিষয় স্পষ্ট হয়—এই ইতিহাস কেবল questionnaire বদলানোর ইতিহাস নয়; এটি student voice, teaching improvement, measurement, accountability, institutional governance এবং academic judgement সম্পর্কে বিশ্ববিদ্যালয়ের ধারণা বদলে যাওয়ার ইতিহাস। Paper form থেকে digital dashboard, simple rating থেকে multi-source evaluation—প্রতিটি পর্যায় কিছু নতুন সম্ভাবনা তৈরি করেছে, আবার প্রতিটি নতুন সম্ভাবনা সামনে এনেছে নতুন সতর্কতার প্রয়োজন। এই দীর্ঘ অভিজ্ঞতা থেকে অন্তত কয়েকটি মৌলিক শিক্ষা বিশেষভাবে গুরুত্বপূর্ণ।

• প্রথম শিক্ষা—student voice indispensable। Classroom-এর গল্প শিক্ষক একা বলতে পারেন না। একজন শিক্ষক জানেন তিনি কী পড়াতে চেয়েছেন, কেন একটি নির্দিষ্ট teaching method ব্যবহার করেছেন কিংবা একটি assessment কী উদ্দেশ্যে তৈরি করেছেন। কিন্তু শিক্ষার্থীরা জানেন সেই teaching তাঁরা কীভাবে experience করেছেন—ব্যাখ্যাটি তাঁদের কাছে পরিষ্কার ছিল কি না, classroom respectful ছিল কি না, assessment expectations বোঝা গিয়েছিল কি না, feedback কাজে লেগেছিল কি না। ফলে শিক্ষার্থীর কণ্ঠ teaching quality বোঝার ক্ষেত্রে কোনো সৌজন্যমূলক সংযোজন নয়; এটি অপরিহার্য evidence। Teacher classroom-এর গুরুত্বপূর্ণ narrator, কিন্তু একমাত্র narrator নন।
• দ্বিতীয় শিক্ষা—student rating complete teaching evaluation নয়। শিক্ষার্থীর অভিজ্ঞতা মূল্যবান বলেই সেই অভিজ্ঞতাকে সীমাহীন authority দিতে হবে—এমন নয়। একটি জানালা দিয়ে বাড়ির একটি সত্যিকারের অংশ দেখা যায়, কিন্তু পুরো বাড়ি দেখা যায় না। একইভাবে student feedback classroom-এর lived experience সম্পর্কে গুরুত্বপূর্ণ evidence দিতে পারে; কিন্তু disciplinary expertise, curriculum design, scholarly depth, assessment rigour কিংবা দীর্ঘমেয়াদি pedagogical development বিচার করতে অন্য evidence প্রয়োজন। তাই student rating-কে বাদ দেওয়াও ভুল, আবার তাকে সম্পূর্ণ teaching judgement হিসেবে ব্যবহার করাও সমানভাবে সমস্যাজনক। পরিণত evaluation system-এর কাজ হলো student voice-কে যথাযথ গুরুত্ব দেওয়া, কিন্তু তার epistemic boundary-ও বোঝা।
• তৃতীয় শিক্ষা—purpose determines design। একটি evaluation system কেন তৈরি করা হচ্ছে, সেই প্রশ্নের উত্তরই অনেকাংশে নির্ধারণ করে সেটি কীভাবে তৈরি হওয়া উচিত। শিক্ষককে semester-এর মাঝামাঝি course improvement-এর জন্য private feedback দেওয়া এবং একই শিক্ষককে promotion বা tenure-এর জন্য মূল্যায়ন করা এক ধরনের কাজ নয়। প্রথমটির উদ্দেশ্য development; দ্বিতীয়টির consequences অনেক বেশি high-stakes। ফলে একটি developmental instrument-এ যে মাত্রার uncertainty গ্রহণযোগ্য হতে পারে, career-affecting decision-এ একই uncertainty গ্রহণযোগ্য নাও হতে পারে। Feedback-এর আয়না আর promotion-এর দাঁড়িপাল্লা একই scientific burden বহন করে না। Purpose বদলালে instrument, evidence, interpretation এবং safeguard—সবকিছুর মানদণ্ডও বদলাতে হয়।
• চতুর্থ শিক্ষা—context matters। University teaching কোনো একরঙা activity নয়। একটি Chemistry laboratory, doctoral seminar, Architecture studio, ৪০০ শিক্ষার্থীর mass lecture এবং medical clinical rotation—সবই teaching, কিন্তু ভালো teaching-এর প্রকাশ প্রতিটি ক্ষেত্রে এক নয়। কোথাও organisation গুরুত্বপূর্ণ, কোথাও intellectual dialogue; কোথাও safety ও supervision, কোথাও critique ও creative guidance, আবার কোথাও bedside judgement। ফলে একই questionnaire, একই benchmark কিংবা একই raw score দিয়ে সব teaching context বিচার করা বাহ্যিকভাবে standardised মনে হলেও বাস্তবে misleading হতে পারে। Fair evaluation মানে context মুছে ফেলা নয়; বরং common principles-এর সঙ্গে relevant context-কে যুক্ত করা।
• পঞ্চম শিক্ষা—statistics matters। একটি score কখনো একা কথা বলে না; তার সঙ্গে কথা বলে sample size, response rate, distribution, median এবং variability। 7 দেখতে 4.5-এর চেয়ে বড়—এটি arithmetic সত্য। কিন্তু educational interpretation-এর জন্য এটুকু যথেষ্ট নয়। 4.7 যদি পাঁচজনের response থেকে আসে এবং 4.5 যদি ১৫০ জনের response থেকে আসে, তাহলে দুই সংখ্যার evidentiary strength একই নাও হতে পারে। একই mean-এর পেছনেও কোথাও consensus, কোথাও তীব্র polarisation লুকিয়ে থাকতে পারে। তাই average-কে context থেকে বিচ্ছিন্ন করে পড়া মানে একটি দীর্ঘ গল্পের শুধু শেষ লাইনটি পড়ে পুরো কাহিনি অনুমান করা। Score data; কিন্তু score-এর context-ও data।
• ষষ্ঠ শিক্ষা—governance matters। Evaluation-এর প্রশ্নগুলো কী হবে, সেটি যত গুরুত্বপূর্ণ, সংগৃহীত data নিয়ে পরে কী হবে—সেটিও ততটাই গুরুত্বপূর্ণ। কে raw data দেখতে পারবেন? Instructor কখন result পাবেন? Department কী দেখতে পারবে? শিক্ষার্থীদের কাছে কোন অংশ প্রকাশ করা হবে? কত ছোট sample হলে result suppress করা হবে? Qualitative comment কীভাবে ব্যবহৃত হবে? Promotion committee কতটা weight দেবে?—এসব প্রশ্ন questionnaire design-এর বাইরের বিষয় মনে হলেও আসলে evaluation architecture-এর কেন্দ্রীয় অংশ। একই data private developmental feedback হতে পারে, আবার অন্য access structure-এ সেটিই public reputational judgement হয়ে উঠতে পারে। Data-এর meaning শুধু data-তে থাকে না; কে, কখন, কেন এবং কোন সিদ্ধান্তে সেটি ব্যবহার করছে—তার মধ্যেও থাকে।
• সপ্তম শিক্ষা—evaluation must lead somewhere। Feedback সংগ্রহ করাই কোনো evaluation system-এর চূড়ান্ত সাফল্য নয়। শিক্ষার্থীরা সময় নিয়ে মতামত দিলেন, শিক্ষক একটি dashboard পেলেন, department report সংরক্ষণ করল—তারপর কিছুই বদলাল না; তাহলে evaluation ধীরে ধীরে একটি semester-end ritual-এ পরিণত হয়। Feedback-এর অর্থ তৈরি হয় তখনই, যখন তার পরে reflection, conversation, course redesign, faculty development কিংবা প্রয়োজনীয় institutional support আসে। Diagnosis যদি treatment-এর দিকে না যায়, diagnosis-এর উপযোগিতা সীমিত হয়ে পড়ে। একইভাবে evaluation-এর পর improvement-এর পথ না থাকলে measurement আছে, কিন্তু learning নেই।

আর এই সাতটি শিক্ষার ভেতর দিয়ে সম্ভবত আরও একটি বড় শিক্ষা উঠে আসে—একটি সংখ্যা যত precise দেখায়, তার meaning তত precise—এমন কোনো নিয়ম নেই। 4.37 সংখ্যাটি দশমিকের দুই ঘর পর্যন্ত লেখা যায়; কিন্তু সেই দৃশ্যমান precision আমাদের বলে না response কতজন দিয়েছেন, কারা দেননি, course context কী ছিল, distribution কেমন, measurement error কতটা, কিংবা শিক্ষার্থীরা আসলে কোন dimension-এর অভিজ্ঞতা rating করেছেন।

এখানেই সংখ্যার প্রতি সম্মান এবং সংখ্যার সীমা সম্পর্কে সচেতনতা—দুটো একসঙ্গে প্রয়োজন। ভালো evaluation system সংখ্যা ভয় পায় না; আবার সংখ্যাকে এমন authority-ও দেয় না, যা সেই সংখ্যা বহন করতে সক্ষম নয়।

প্রায় একশ বছরের SET ইতিহাস তাই শেষ পর্যন্ত আমাদের কোনো সহজ formula দেয় না। বরং আরও পরিণত একটি বোধ তৈরি করে: শিক্ষার্থীর কণ্ঠ শুনতে হবে, কিন্তু তাকে verdict বানানো যাবে না; measurement করতে হবে, কিন্তু context হারিয়ে নয়; accountability নিশ্চিত করতে হবে, কিন্তু due process বিসর্জন দিয়ে নয়; আর evaluation করতে হবে, কিন্তু তার শেষ গন্তব্য হতে হবে improvement।

এই জায়গা থেকেই teacher evaluation-এর ইতিহাসের সবচেয়ে গুরুত্বপূর্ণ উপলব্ধিটি সামনে আসে—ভালো evaluation সেই ব্যবস্থা নয়, যা সবচেয়ে বেশি score তৈরি করতে পারে; ভালো evaluation সেই ব্যবস্থা, যা evidence-এর শক্তি ও সীমা দুটোই বুঝে ন্যায়সংগত academic judgement তৈরি করতে পারে।

শেষ কথা: ইতিহাস teacher evaluation বাতিল করতে শেখায় না—আরও বুদ্ধিমান করতে শেখায়

Student Evaluation of Teaching-এর সীমাবদ্ধতার দীর্ঘ তালিকা দেখে একটি সহজ সিদ্ধান্তে পৌঁছানো tempting হতে পারে—“তাহলে SET বাদ দিলেই তো হয়।” কিন্তু প্রায় এক শতাব্দীর ইতিহাস আমাদের ঠিক উল্টো শিক্ষা দেয়। SET-এর দুর্বলতা নিয়ে প্রশ্ন উঠেছে বলেই এটি অপ্রয়োজনীয় হয়ে যায়নি; বরং সেই প্রশ্নগুলোই একে ক্রমাগত বদলাতে, সংশোধিত হতে এবং আরও পরিণত হতে বাধ্য করেছে।

একসময় মূলত rating ছিল। তারপর প্রশ্ন উঠল—এই rating কতটা reliable? Reliability-এর পর এলো validity-এর প্রশ্ন: আমরা যা মাপতে চাইছি, questionnaire কি সত্যিই সেটিই মাপছে? এরপর গবেষণা সামনে আনল bias ও context-এর জটিলতা। শুধু mean যথেষ্ট কি না, সেই প্রশ্ন থেকে গুরুত্ব পেল distribution, sample size ও response rate। Semester শেষে feedback দিয়ে লাভ কতটা, সেই সীমাবদ্ধতা থেকে গুরুত্ব পেল mid-term feedback। Student rating একা teaching quality-এর সম্পূর্ণ ছবি দিতে পারে কি না, সেই প্রশ্ন থেকে যুক্ত হলো peer review, instructor self-reflection, teaching portfolio এবং শেষ পর্যন্ত multi-source evaluation। অর্থাৎ criticism SET-কে ধ্বংস করেনি; criticism SET-কে refine করেছে।

এখানেই বিশ্ববিদ্যালয়ের প্রকৃত বুদ্ধিবৃত্তিক শক্তির একটি সুন্দর প্রকাশ দেখা যায়। University শুধু সমাজকে প্রশ্ন করে না, শিক্ষার্থীকে পরীক্ষা করে না, গবেষণার মাধ্যমে প্রতিষ্ঠিত ধারণাকেও challenge করে না—নিজের measurement system-কেও প্রশ্ন করে। যে instrument দিয়ে অন্যকে মূল্যায়ন করা হচ্ছে, সেই instrument নিজে কতটা valid, fair এবং trustworthy—বিশ্ববিদ্যালয় শেষ পর্যন্ত সেই প্রশ্নও নিজের কাছেই ফিরিয়ে আনে।

বাংলাদেশের উচ্চশিক্ষার জন্য তাই মূল প্রশ্নটি শুধু “teacher evaluation করব, না করব না?”—এত সরল হওয়া উচিত নয়। আরও গুরুত্বপূর্ণ প্রশ্ন হলো—

কোন evaluation architecture শিক্ষার্থীর কণ্ঠকে সত্যিকার অর্থে মূল্য দেবে, শিক্ষককে ন্যায়সংগতভাবে accountable রাখবে, teaching improvement-এর পথ তৈরি করবে এবং একই সঙ্গে academic dignity, methodological validity, confidentiality ও due process রক্ষা করবে?

এই প্রশ্নের উত্তর কোনো একটি বিদেশি বিশ্ববিদ্যালয়ের questionnaire-এ প্রস্তুত অবস্থায় পাওয়া যাবে না। Harvard-এর Q system Harvard-এর নিজস্ব institutional history, governance এবং academic culture-এর ভেতর দিয়ে গড়ে উঠেছে। Stanford-এর বর্তমান approach তার learning-focused pedagogical evolution-এর প্রতিফলন। University of Washington-এর IAS-ও কয়েক দশকের institutional development ও accumulated experience-এর ফল। ফলে বাংলাদেশের জন্য সবচেয়ে কার্যকর পথ কোনো একটি model হুবহু copy করা নয়; বরং আন্তর্জাতিক evidence থেকে শেখা এবং সেই শেখাকে নিজের বাস্তবতায় রূপ দেওয়া।

বাংলাদেশকেও তাই নিজের evaluation architecture তৈরি করতে হবে—international evidence থেকে শিখে, কিন্তু blind imitation এড়িয়ে; নিজের academic ও institutional context বুঝে; student voice নিশ্চিত করে, কিন্তু তাকে একমাত্র verdict না বানিয়ে; teacher dignity রক্ষা করে, কিন্তু accountability দুর্বল না করে; scientific measurement ব্যবহার করে, কিন্তু সংখ্যাকে তার সামর্থ্যের চেয়ে বেশি authority না দিয়ে। আর সবচেয়ে বড় কথা, feedback-কে punishment-এর mechanism নয়, learning ও professional development-এর infrastructure হিসেবে গড়ে তুলে।

প্রায় একশ বছর আগে বড় প্রশ্নটি ছিল—“শিক্ষার্থী কি শিক্ষক সম্পর্কে মতামত দেওয়ার যোগ্য?”

শতবর্ষের অভিজ্ঞতা সেই প্রশ্নকে অনেকটাই পেছনে ফেলে এসেছে। আজকের প্রশ্ন আরও কঠিন, আরও সূক্ষ্ম এবং সম্ভবত আরও গুরুত্বপূর্ণ—“শিক্ষার্থী যে মূল্যবান evidence দেয়, বিশ্ববিদ্যালয় সেটিকে কতটা বৈজ্ঞানিক, ন্যায়সংগত, contextual এবং দায়িত্বশীলভাবে ব্যবহার করতে পারে?”

সম্ভবত teacher evaluation-এর historical evolution-এর সবচেয়ে বড় অর্জন এখানেই। আমরা student voice থেকে ফিরে যাইনি; বরং সেই voice-এর শক্তি এবং সীমা—দুটিই বুঝতে শিখেছি।

আমরা শিখেছি—

• voice এবং verdict এক নয়।
• Rating এবং reality এক নয়।
• Number এবং judgement এক নয়।
• Transparency এবং public humiliation এক নয়।
• Accountability এবং popularity contest-ও এক নয়।

এই পার্থক্যগুলো সূক্ষ্ম মনে হতে পারে; কিন্তু একটি ন্যায়সংগত evaluation system এবং একটি punitive rating system-এর মধ্যকার দূরত্ব অনেকটাই তৈরি হয় ঠিক এই জায়গাগুলোতে।

কারণ ভালো university সেই প্রতিষ্ঠান নয়, যেখানে সবচেয়ে বেশি শিক্ষককে score দেওয়া হয় কিংবা সবচেয়ে sophisticated dashboard-এ তাঁদের ranking দেখানো হয়। ভালো university বরং সেই প্রতিষ্ঠান, যে জানে—কোন evidence কার কাছ থেকে নিতে হবে; কোন প্রশ্নের উত্তর দেওয়ার জন্য সেই evidence উপযুক্ত; কোন context-এর মধ্যে সেটি পড়তে হবে; কোন decision-এ তাকে কতটা weight দেওয়া যুক্তিসংগত; এবং কোথায় সংখ্যার সীমা স্বীকার করে informed academic judgement প্রয়োগ করতে হবে।

এই উপলব্ধির পরে teacher evaluation-এর ভবিষ্যৎকে পাঁচটি তারার মধ্যে খুঁজে পাওয়া কঠিন। ভবিষ্যতের সূত্র সম্ভবত অন্য জায়গায়:

• কম star, বেশি evidence;
  কম ranking, বেশি reflection;
  কম popularity contest, বেশি learning;
  কম single-score judgement, বেশি contextual interpretation;
  কম punitive measurement, বেশি responsible academic accountability।

এবং সম্ভবত আরও একটি কথা যোগ করা প্রয়োজন—

কম verdict, বেশি understanding।

কারণ teacher evaluation-এর চূড়ান্ত উদ্দেশ্য যদি শুধু কে ভালো আর কে খারাপ—এই তালিকা তৈরি করা হয়, তাহলে প্রায় একশ বছরের measurement science, institutional learning এবং pedagogical evolution থেকে আমরা খুব সামান্যই শিখলাম। কিন্তু যদি evaluation আমাদের বুঝতে সাহায্য করে কোথায় teaching কার্যকর হচ্ছে, কোথায় learning বাধাগ্রস্ত হচ্ছে, কোথায় teacher-এর support প্রয়োজন, কোথায় course redesign দরকার এবং কোথায় institution-কেই নিজের দায়িত্বের দিকে তাকাতে হবে—তাহলে evaluation সত্যিকার অর্থেই educational improvement-এর অংশ হয়ে ওঠে।

সেই জায়গাতেই শতবর্ষী SET-এর ইতিহাস শেষ হয় না। বরং একটি বৃত্ত যেন পূর্ণ হয়। একসময় student evaluation শুরু হয়েছিল শিক্ষককে নিজের teaching দেখার জন্য একটি ‘আয়না’ দেওয়ার আকাঙ্ক্ষা থেকে। সময়ের সঙ্গে সেই আয়না হয়ে উঠেছিল ‘দাঁড়িপাল্লা’—score, comparison, promotion এবং accountability-এর instrument। আর এক শতাব্দীর অভিজ্ঞতা শেষে উচ্চশিক্ষা যেন আবার শিখছে: দাঁড়িপাল্লা প্রয়োজন হতে পারে, কিন্তু আয়নাটিকেও হারিয়ে ফেলা যাবে না। কারণ বিশ্ববিদ্যালয়ের সবচেয়ে পরিণত evaluation system সেই ব্যবস্থা নয়, যা শুধু মাপতে জানে।

সেই ব্যবস্থা, যা জানে—কী মাপতে হবে, কেন মাপতে হবে, কার কাছ থেকে মাপতে হবে, সংখ্যাটিকে কত দূর পর্যন্ত বিশ্বাস করতে হবে এবং সেই evidence দিয়ে শেষ পর্যন্ত কীভাবে teaching ও learning-কে আরও ভালো করতে হবে।

এই জায়গাতেই শতবর্ষী SET ইতিহাস শেষ হয় না। বরং এখান থেকেই তার পরবর্তী অধ্যায় শুরু হয়।

পাদটীকা: পাঠকের জন্য

Distinctive Questions

প্রতিটি পর্বের জন্য একটি dominant question রাখলে পুরো সিরিজটি আরও disciplined হবে।

• পর্ব ১: “শিক্ষার্থী শিক্ষককে মূল্যায়ন করবেন কেন—এবং একটি score আসলে কী বলে?”
• পর্ব ২ — বর্তমান নিবন্ধ: “Student feedback কোথা থেকে এলো, এবং এক শতাব্দীতে তার purpose ও institutional meaning কেন বদলে গেল?”
• পর্ব ৩: “পৃথিবীর বিভিন্ন বিশ্ববিদ্যালয় এই ধারণাকে বাস্তবে কীভাবে প্রয়োগ করছে?”
• পর্ব ৪: “একটি scientifically valid, reliable এবং context-sensitive evaluation instrument কীভাবে তৈরি করা যায়?”
• পর্ব ৫: “Evaluation-এর data, authority ও consequences কার হাতে থাকবে—এবং fairness, privacy, accountability ও due process কীভাবে নিশ্চিত হবে?”

এভাবে প্রতিটি article-এর নিজস্ব intellectual territory থাকবে, অথচ একটি article-এর শেষ প্রশ্ন পরবর্তী article-এর প্রথম প্রশ্ন হয়ে উঠবে।

এই progression-ই পাঁচটি আলাদা feature-কে একটি coherent intellectual series-এ পরিণত করতে পারে।

সিরিজটির Editorial Flow অনুযায়ী এই পর্বের চূড়ান্ত অবস্থান

বর্তমান নিবন্ধটির সবচেয়ে যথার্থ editorial identity তাই হবে—পর্ব ০২ │ HISTORY: Teacher Evaluation-এর Evolution of Purpose and Practice, যাতে :

• Central Thesis: Student evaluation-এর শতবর্ষী ইতিহাস questionnaire-এর ইতিহাস নয়; এটি feedback-এর purpose, student voice, measurement, accountability এবং institutional power বদলে যাওয়ার ইতিহাস।
• Narrative Movement: Opinion → Structured Rating → Feedback → Student Voice → Score → Accountability → High-Stakes Evidence → Learning-Focused Evaluation → Multi-Source Evaluation।
• প্রধান Metaphor: আয়না → দাঁড়িপাল্লা → learning system। 
• Concluding Question: এমন একটি প্রশ্ন, যা পাঠককে সরাসরি তৃতীয় পর্বে নিয়ে যায়—এক শতাব্দীর ইতিহাস যদি আমাদের শেখায় যে teacher evaluation-এর কোনো একক, context-free model নেই, তাহলে আজ পৃথিবীর বিভিন্ন বিশ্ববিদ্যালয় এই একই ধারণাকে বাস্তবে কীভাবে প্রয়োগ করছে—এবং তাদের model-গুলো কোথায়, কেন ও কতটা ভিন্ন?

—সেখান থেকেই শুরু হবে পর্ব ৩—WORLD PRACTICE।

লেখক: অধ্যাপক ড. মাহবুবুর রহমান লিটু, উপদেষ্টা , অধিকারপত্র (odhikarpatranews@gmail.com)

#TeacherEvaluationHistory #StudentEvaluation #SET #StudentVoice #TeachingQuality #HigherEducationHistory #AcademicAccountability #EducationalMeasurement #TeachingEvaluation #UniversityReform #Harvard #Stanford #UniversityOfWashington #HigherEducation #শিক্ষক_মূল্যায়ন #উচ্চশিক্ষা #শিক্ষাসংস্কার #অধিকারপত্র #OdhikarPatra