অধিকারপত্র শিক্ষা সংস্কার ধারাবাহিক│উচ্চশিক্ষা নতুন সিরিজ- Student Evaluation of Teaching (SET)-পর্ব ০১

বিশ্ববিদ্যালয়ে শিক্ষার্থী শিক্ষককে মূল্যায়ন করবেন—কিন্তু একটি ১–৫ score আসলে কী মাপে? Teaching quality, student experience, popularity, course difficulty নাকি expected grade? Sample size, response rate, bias, discipline, context, anonymity, public ranking এবং multiple evidence-এর আলোকে এই নিবন্ধ অনুসন্ধান করে কেন student voice অত্যন্ত গুরুত্বপূর্ণ হলেও একটি raw star score কখনোই একজন শিক্ষকের সম্পূর্ণ academic quality-এর সমার্থক হতে পারে না।

বিশ্ববিদ্যালয়ে শিক্ষার্থী কর্তৃক শিক্ষক মূল্যায়ন কি মানের আয়না, নাকি জনপ্রিয়তার তারকা-খেলা?

সেমিস্টারের শেষ সপ্তাহ। একজন শিক্ষক ক্লাসে ঢুকলেন। সামনে পরীক্ষা। পেছনের সারিতে ফিসফাস—কারও মাথায় CGPA, কারও মাথায় assignment, কারও প্রশ্ন, “স্যার, কমন দেবেন তো?” আর শিক্ষকের মাথায় হয়তো সম্পূর্ণ ভিন্ন প্রশ্ন—“এরা আসলে কতটা শিখল?” এতদিন দৃশ্যটি ছিল পরিচিত: শিক্ষক খাতা দেখেছেন, নম্বর দিয়েছেন, A, B, C কিংবা F লিখেছেন। কিন্তু ক্লাস শেষ হওয়ার সঙ্গে সঙ্গে দৃশ্যটি উল্টে গেল। এবার শিক্ষার্থীর হাতে একটি online evaluation form। প্রশ্ন করা হলো—শিক্ষক সময়মতো ক্লাস নেন কি না, বিষয়টি পরিষ্কার করে বোঝান কি না, assessment ন্যায়সংগত কি না, feedback যথাসময়ে দেন কি না, শিক্ষার্থীদের সম্মান করেন কি না। অর্থাৎ এতদিন যিনি মূল্যায়ন করতেন, এবার তিনিই মূল্যায়িত হচ্ছেন।

এটি শুধু আকর্ষণীয় নয়; আধুনিক বিশ্ববিদ্যালয়ের জন্য প্রয়োজনীয়ও। শিক্ষক শিক্ষার্থীকে মূল্যায়ন করবেন, অথচ semester-এর পর semester যাঁরা তাঁর teaching সরাসরি অনুভব করছেন তাঁদের অভিজ্ঞতা কোথাও শোনা হবে না—এমন একমুখী accountability আজ আর সহজে গ্রহণযোগ্য নয়। শিক্ষার্থীরা classroom-এর সবচেয়ে ধারাবাহিক প্রত্যক্ষদর্শী। Dean হয়তো বছরে কয়েকবার একজন শিক্ষককে দেখেন, Chair তাঁর administrative performance জানেন, সহকর্মী তাঁর scholarship সম্পর্কে ধারণা রাখেন; কিন্তু সপ্তাহের পর সপ্তাহ সেই শিক্ষক কীভাবে একটি ধারণা ব্যাখ্যা করেন, প্রশ্নের উত্তর দেন, feedback দেন, শিক্ষার্থীকে সম্মান করেন কিংবা assessment-এর নিয়ম পরিষ্কার করেন—এসব সবচেয়ে নিবিড়ভাবে দেখেন শিক্ষার্থীরাই।

কিন্তু সমস্যা শুরু হয় ঠিক তখন, যখন feedback ধীরে ধীরে verdict-এ, verdict score-এ, score ranking-এ এবং ranking তারকায় পরিণত হয়। একজন শিক্ষক ৪.৮, আরেকজন ৩.১; কারও মাত্র দুইটি review, কিন্তু তাঁর নামের পাশে জ্বলছে ২.৫। তখন বিশ্ববিদ্যালয় যেন একটু Amazon, একটু IMDb, আর একটু food-delivery app। পার্থক্য শুধু—এখানে পণ্যটি pizza নয়; এখানে মাপার চেষ্টা করা হচ্ছে teaching, যা একই সঙ্গে বুদ্ধিবৃত্তিক, মানবিক, পেশাগত, disciplinary এবং contextual একটি জটিল প্রক্রিয়া।

এখানেই মূল প্রশ্ন: একজন শিক্ষার্থী অবশ্যই শিক্ষক সম্পর্কে মতামত দিতে পারেন; কিন্তু সেই মতামত থেকে আমরা আসলে কী মাপছি? Teaching effectiveness? Student experience? Teacher popularity? Course difficulty? Expected grade? Personality? Classroom climate? নাকি এসবের একটি অদৃশ্য cocktail? এই প্রশ্নের উত্তর “শিক্ষার্থী কিছু বোঝে না”—এমন অবজ্ঞামূলক অবস্থান নয়। আবার “শিক্ষার্থী বলেছে, অতএব সেটিই চূড়ান্ত সত্য”—এটিও নয়। বিশ্ববিদ্যালয়ের কাজ এই দুই প্রান্তের মাঝখানে দাঁড়িয়ে student voice-কে evidence-এ এবং evidence-কে responsible academic judgement-এ রূপান্তর করা।

SET: শিক্ষককে বিচার, নাকি teaching experience বোঝার পদ্ধতি?

Student Evaluation of Teaching বা SET-কে প্রথমেই সঠিক নামে বোঝা জরুরি। এটি মূলত কোনো course বা teaching period সম্পর্কে শিক্ষার্থীর অভিজ্ঞতা কাঠামোবদ্ধভাবে সংগ্রহের একটি ব্যবস্থা। এখানে সবচেয়ে গুরুত্বপূর্ণ শব্দটি হলো experience। একজন শিক্ষার্থী অত্যন্ত নির্ভরযোগ্যভাবে বলতে পারেন—শিক্ষক নিয়মিত ছিলেন কি না, learning outcomes পরিষ্কার করেছিলেন কি না, course organised ছিল কি না, assessment criteria আগে জানানো হয়েছিল কি না, feedback পাওয়া গেছে কি না, classroom respectful ছিল কি না কিংবা শেখার জন্য প্রয়োজনীয় interaction তৈরি হয়েছিল কি না।

কিন্তু এখানেই একটি সূক্ষ্ম সীমারেখা রয়েছে। একজন শিক্ষার্থী বলতে পারেন, “এই শিক্ষক আমাকে বিষয়টি বুঝতে সাহায্য করেছেন।” এটি একটি বৈধ student perception। কিন্তু সেখান থেকে যদি বলা হয়, “৪.৬ পাওয়া শিক্ষক বৈজ্ঞানিকভাবে ৪.২ পাওয়া শিক্ষকের চেয়ে শ্রেষ্ঠ”—তাহলে আমরা সম্পূর্ণ ভিন্ন ধরনের দাবি করছি। সেটি আর perception নয়; সেটি measurement claim। আর measurement claim করলেই প্রশ্ন আসে instrument-এর validity, reliability, sample size, response rate, distribution, bias, context এবং statistical uncertainty নিয়ে।

একটি thermometer-এর উদাহরণ নেওয়া যাক। থার্মোমিটারে ১০২ ডিগ্রি দেখলে আমরা জ্বরের কথা বলি, কারণ যন্ত্রটির construct পরিষ্কার—এটি temperature মাপে। কিন্তু একটি SET questionnaire-এ ৪.২ পাওয়া মানে ঠিক কী? শিক্ষক কতটা knowledgeable? কতটা clear? কতটা popular? Course কতটা সহজ? শিক্ষার্থী কত grade আশা করছেন? সবগুলো যদি একটি সংখ্যায় মিশে যায়, তবে সংখ্যাটি দশমিকের দুই ঘর পর্যন্ত নিখুঁত দেখালেও তার অর্থ নিখুঁত নাও হতে পারে। Precision of number এবং precision of meaning এক জিনিস নয়।

প্রায় এক শতাব্দীর যাত্রা: আয়না কীভাবে দাঁড়িপাল্লা হলো

আধুনিক student rating-এর ইতিহাস প্রায় এক শতাব্দী পুরোনো। ১৯২০-এর দশকে Purdue University-র educational psychologist Hermann H. Remmers এবং University of Washington-এর Edwin R. Guthrie-র কাজ SET-এর প্রাতিষ্ঠানিক বিকাশে গুরুত্বপূর্ণ হয়ে ওঠে। Remmers ও তাঁর সহযোগীরা instructor rating scale নিয়ে কাজ করেন; আর Guthrie-র ১৯২৭ সালের গবেষণার শিরোনামই ছিল Measuring Student Opinion of Teachers। শিরোনামটির শব্দচয়ন আজও শিক্ষণীয়—Student Opinion, “absolute teaching quality” নয়।

প্রথম যুগের দর্শন ছিল অনেকটাই formative। শিক্ষার্থীর অভিজ্ঞতা শিক্ষককে জানানো হবে, শিক্ষক সেটিকে আয়নার মতো ব্যবহার করবেন, নিজের teaching নিয়ে reflection করবেন এবং প্রয়োজন হলে পরিবর্তন আনবেন। অর্থাৎ পথটি ছিল:

feedback → reflection → improvement।

কিন্তু data একবার সংখ্যা হয়ে গেলে প্রশাসনের কাছে তার আকর্ষণ বাড়ে। প্রশ্ন উঠল—যদি teaching সম্পর্কে numerical information পাওয়া যায়, তাহলে promotion, merit pay, tenure কিংবা contract renewal-এ তা ব্যবহার করা হবে না কেন?

এভাবেই আয়না ধীরে ধীরে দাঁড়িপাল্লায় পরিণত হলো। Formative evaluation জিজ্ঞেস করে, “কীভাবে teaching আরও ভালো করা যায়?” Summative evaluation জিজ্ঞেস করে, “এই শিক্ষক কতটা ভালো?” আর high-stakes evaluation জিজ্ঞেস করে, “তাঁকে promote করা হবে কি না?” একই questionnaire দিয়ে এই তিন প্রশ্নের উত্তর দিতে চাইলে instrument-এর ওপর methodological burden বহুগুণ বেড়ে যায়। আয়না বলতে পারে—“আপনাকে এমন দেখাচ্ছে।” কিন্তু দাঁড়িপাল্লা যদি বলে—“আপনার ওজন ৭২.৪ কেজি”, তবে তার calibration নিয়ে অনেক কঠোর প্রশ্ন করতে হয়।

১৯৬০ ও ১৯৭০-এর দশকের student activism SET-কে আরও একটি অর্থ দেয়—student voice এবং institutional accountability। এরপর quality assurance-এর যুগে এটি routine institutional metric হয়ে ওঠে; ২০০০-এর দশকে paper form বদলে online survey আসে; আর আজ datafication-এর যুগে dashboard, analytics, automated text analysis এবং benchmarking যুক্ত হয়েছে। প্রযুক্তি sophisticated হয়েছে, কিন্তু প্রায় একশ বছর আগের মৌলিক প্রশ্নটি বদলায়নি: আমরা আসলে কী মাপছি?

Teaching একটি সংখ্যা নয়—এটি multidimensional construct

একজন শিক্ষক একই সঙ্গে অসাধারণ researcher কিন্তু মাঝারি communicator হতে পারেন। আবার কেউ অসাধারণভাবে concepts explain করেন, কিন্তু assessment design দুর্বল। কেউ demanding, কিন্তু feedback চমৎকার; কেউ engaging, কিন্তু course organisation দুর্বল। অর্থাৎ teaching একমাত্রিক নয়। এই উপলব্ধি থেকেই Students’ Evaluations of Educational Quality বা SEEQ-এর মতো multidimensional model গুরুত্বপূর্ণ হয়ে ওঠে।

ধরা যাক, একজন শিক্ষক “clarity”-তে ৪.৫, “assessment and feedback”-এ ৩.৬, “organisation”-এ ৪.১ এবং “engagement”-এ ৪.৭ পেলেন। সব যোগ করে একটি overall score ৪.২৩ বানানো সহজ। কিন্তু তাতে সবচেয়ে actionable তথ্যটি হারিয়ে যেতে পারে—তাঁর মূল উন্নতির জায়গা assessment and feedback। অর্থাৎ একটি global score management-এর জন্য সুবিধাজনক হলেও teaching improvement-এর জন্য dimension-specific information অনেক বেশি মূল্যবান।

এখানেই “Teacher Evaluation” এবং “Evaluation of Teaching” কথার পার্থক্যটিও গুরুত্বপূর্ণ। শিক্ষার্থী সাধারণত একজন professor-এর পুরো academic identity—research quality, disciplinary scholarship, institutional service, postgraduate supervision, knowledge contribution—মূল্যায়নের অবস্থানে নেই। কিন্তু তাঁরা নিজেদের প্রত্যক্ষ করা teaching and learning experience সম্পর্কে গুরুত্বপূর্ণ evidence দিতে পারেন। তাই অনেক ক্ষেত্রে Evaluation of Teaching by Students ধারণাটি “Evaluation of Teachers by Students”-এর চেয়ে বৈজ্ঞানিকভাবে বেশি precise।

৪.৭ কি সত্যিই ৪.৪-এর চেয়ে ভালো?

ধরা যাক, শিক্ষক A পেয়েছেন ৪.৯/৫, কিন্তু respondent মাত্র পাঁচজন। শিক্ষক B পেয়েছেন ৪.৫/৫, respondent ১৪৮ জন। একটি public leaderboard যদি শুধু ৪.৯ এবং ৪.৫ দেখায়, তবে সেটি একটি গুরুত্বপূর্ণ statistical reality লুকিয়ে ফেলছে। পাঁচজনের sample-এ একজনের response-ই mean নাটকীয়ভাবে বদলে দিতে পারে। তাই n, অর্থাৎ sample size, score-এর পাশের অলংকার নয়; interpretation-এর মৌলিক অংশ।

Response rate-ও একইভাবে গুরুত্বপূর্ণ। একটি class-এ enrolment ১০০, কিন্তু response দিয়েছে ২২ জন। প্রশ্নটি শুধু এই ২২ জন কী বলেছেন তা নয়; প্রশ্ন হলো—বাকি ৭৮ জন কেন বলেননি? তাঁরা কি তুলনামূলক সন্তুষ্ট, উদাসীন, ব্যস্ত, নাকি dissatisfied? যারা খুব সন্তুষ্ট অথবা খুব অসন্তুষ্ট তারাই যদি disproportionately response দেয়, তাহলে non-response bias তৈরি হতে পারে। ফলে “৪.৩/৫” দেখানোর আগে অন্তত জানা দরকার—Enrolled = 100, Responded = 22, Response Rate = 22%।

Mean নিজেও পুরো গল্প বলে না। পাঁচজন শিক্ষার্থী যদি দেন ৩, ৩, ৩, ৩, ৩—mean ৩। আবার অন্য শিক্ষককে যদি দেওয়া হয় ১, ১, ৩, ৫, ৫—mean সেখানেও ৩। প্রথম ক্ষেত্রে consensus; দ্বিতীয় ক্ষেত্রে তীব্র polarisation। একই average, কিন্তু সম্পূর্ণ আলাদা classroom story। তাই responsible reporting-এ mean-এর পাশাপাশি median, response distribution, sample size, response rate এবং প্রয়োজনে dispersion দেখা উচিত।

আরও গুরুত্বপূর্ণ হলো reliability এবং validity-এর পার্থক্য। একটি questionnaire অত্যন্ত consistently কোনো কিছু মাপতে পারে—তার Cronbach’s alpha বা McDonald’s omega চমৎকার হতে পারে। কিন্তু সেটি যদি মূলত likability মাপে, আর আমরা তাকে “teaching effectiveness” বলে চালাই, তবে reliability আমাদের রক্ষা করবে না। Reliability জিজ্ঞেস করে—যন্ত্রটি ধারাবাহিক কি না; validity জিজ্ঞেস করে—যন্ত্রটি সঠিক জিনিসটি মাপছে কি না।

একই মাপের জামা সবার গায়ে দিলে fairness হয় না

University teaching-এর context এত বৈচিত্র্যময় যে একই questionnaire সব course-এ প্রয়োগ করলেই standardisation হয়, fairness নয়। ৩০০ শিক্ষার্থীর introductory lecture এবং ১০ জনের doctoral seminar দুটোই teaching, কিন্তু interaction-এর expectation একই নয়। Chemistry laboratory-তে safety, equipment ও demonstration গুরুত্বপূর্ণ; Fine Arts বা Architecture studio-তে critique এবং creative supervision; Medical clinical teaching-এ patient safety, professional judgement ও bedside supervision; Education practicum-এ field mentoring এবং application; online course-এ digital accessibility, response time ও platform interaction গুরুত্বপূর্ণ।

তাই Physics laboratory-র শিক্ষককে Philosophy seminar-এর শিক্ষকের সঙ্গে raw global score দিয়ে rank করা অনেকটা ১০০ মিটার sprinter এবং marathon runner-কে শুধু “কে দ্রুত?” প্রশ্নে একই scoreboard-এ বসানোর মতো। দুজনই runner, কিন্তু performance construct এক নয়। একইভাবে compulsory course এবং elective course-এ baseline student attitude ভিন্ন হতে পারে; first-year course এবং postgraduate seminar-এর expectation ভিন্ন; নতুন course এবং বহু বছর ধরে refined course-এর conditions-ও এক নয়।

এ কারণে sophisticated SET design-এ common core items-এর পাশাপাশি context-sensitive modules থাকা দরকার। কিছু universal principle—respect, clarity, fairness, organisation—সবখানে প্রযোজ্য হতে পারে। কিন্তু laboratory, studio, clinical, practicum, online কিংবা team-taught course-এর জন্য supplementary items প্রয়োজন। Standardisation-এর অর্থ তাই সবাইকে একই প্রশ্ন করা নয়; বরং একই quality principles বজায় রেখে context অনুযায়ী valid measurement করা।

শিক্ষার্থীর rating-এ মানুষও থাকে—আর মানুষের সঙ্গে bias-ও থাকে

SET নিয়ে সবচেয়ে গুরুত্বপূর্ণ গবেষণাগত বিতর্কগুলোর একটি হলো bias। Gender, race, accent, age, attractiveness, charisma, course difficulty, expected grade, compulsory/elective status—বিভিন্ন contextual ও personal factor rating-এর সঙ্গে সম্পর্কিত হতে পারে। অর্থাৎ শিক্ষার্থী অসৎ বলেই bias হয়, বিষয়টি এমন নয়। Human judgement স্বভাবতই contextual।

একজন charismatic শিক্ষক lecture-এ অত্যন্ত entertaining হতে পারেন; অন্যজন কম নাটকীয় কিন্তু intellectually demanding। প্রথমজনের class শেষে শিক্ষার্থী হয়তো আনন্দিত; দ্বিতীয়জনের course হয়তো কঠিন, কিন্তু কয়েক বছর পরে তার শেখানো conceptual discipline বেশি কাজে লাগল। তাহলে semester-এর শেষ দিনে “overall satisfaction” দিয়ে দুজনকে তুলনা করলে আমরা কী মাপলাম—immediate affect, না durable learning?

Grade expectation-ও একটি গুরুত্বপূর্ণ confounder হতে পারে। শিক্ষার্থী যদি মনে করেন শিক্ষক generous grader, তাঁর rating বাড়তে পারে; কঠোর assessment perceived fairness-এর সঙ্গে মিশে যেতে পারে। এর মানে কঠোর শিক্ষক সবসময় কম rating পাবেন—এমন সরল দাবি করা ঠিক নয়; বরং এটুকু বোঝা জরুরি যে rating-এর causal interpretation সহজ নয়।

রাজনৈতিকভাবে polarised campus-এ আরও একটি স্তর যোগ হয়। শিক্ষক ও শিক্ষার্থীর রাজনৈতিক মতপার্থক্য, departmental conflict, personal dispute কিংবা organised campaign যদি rating-এ প্রবেশ করে, তবে public leaderboard academic evaluation থেকে reputational weapon-এ পরিণত হতে পারে। তাই anonymity যেমন genuine criticism রক্ষার জন্য জরুরি, তেমনি anonymity-কে defamatory বা abusive comment-এর লাইসেন্স হতে দেওয়া যায় না।

একটি ভালো questionnaire বানানো Google Form বানানোর মতো সহজ নয়

এখানে সবচেয়ে বড় ভুলটি প্রায়ই শুরু হয় instrument design-এ। দশ-পনেরোটি প্রশ্ন লিখে ১–৫ scale বসিয়ে দিলেই scientifically valid evaluation tool তৈরি হয় না। প্রথমে ঠিক করতে হয় construct—আমরা কী মাপব? Clarity? Organisation? Assessment and feedback? Engagement? Respectful learning environment? Course design? Student support? তারপর প্রতিটি construct-এর observable indicator নির্ধারণ করতে হয়।

Item হতে হবে নির্দিষ্ট, একার্থক এবং শিক্ষার্থীর observation-এর আওতায়। “Teacher is excellent”—এটি অস্পষ্ট global judgement। কিন্তু “Assessment criteria were communicated before the assignment”—এটি observable। “Teacher has outstanding scholarship”—এটি অধিকাংশ undergraduate student নির্ভরযোগ্যভাবে বিচার করতে পারবেন না। “The instructor explained difficult concepts in ways I could follow”—এটি তাঁদের প্রত্যক্ষ অভিজ্ঞতার অংশ।

Double-barrelled item এড়ানো জরুরি। “Teacher was clear and inspiring”—এখানে একজন clear কিন্তু inspiring নাও হতে পারেন। তখন student কোন অংশের উত্তর দেবেন? Leading question, emotionally loaded language এবং personality-focused item-ও বাদ দেওয়া উচিত। Pilot testing, cognitive interviewing, factor analysis, reliability assessment এবং validity evidence ছাড়া high-stakes use আরও সমস্যাজনক।

Questionnaire-এ quantitative এবং qualitative—দুই ধরনের data-ই থাকা ভালো। Number signal দেয়; comment diagnosis-এর দিকে নিয়ে যায়। “Assessment clarity = 3.1” বলছে সমস্যা আছে। কিন্তু “Rubric assignment জমা দেওয়ার আগের দিন দেওয়া হয়েছিল”—এটি বলছে সমস্যাটি কোথায়। তবে open comment-এর ক্ষেত্রেও moderation protocol দরকার—pedagogical criticism সংরক্ষণ করতে হবে, কিন্তু threat, discriminatory abuse, ব্যক্তিগত অপমান কিংবা অপ্রাসঙ্গিক অভিযোগ আলাদা handling-এর দাবি রাখে।

Administration-ই কখনো ফল বদলে দিতে পারে

একই questionnaire ভিন্নভাবে administer করলে ভিন্ন quality-এর data পাওয়া সম্ভব। শিক্ষক যদি class-এর সামনে দাঁড়িয়ে বলেন, “এখন আমাকে rate করো”—তাহলে social desirability এবং perceived pressure তৈরি হতে পারে। আবার grade প্রকাশের পরে evaluation নিলে grade satisfaction rating-কে প্রভাবিত করতে পারে। তাই summative SET-এর ক্ষেত্রে একটি শক্তিশালী নীতি হলো—evaluation course শেষের দিকে নেওয়া যেতে পারে, কিন্তু individual results শিক্ষককে দেওয়া হবে final grade submission-এর পরে।

শুধু enrolled students-এর response নিশ্চিত করাও জরুরি। University email দিয়ে login করা identity verification দিতে পারে, কিন্তু সেটি course participation-এর নিখুঁত প্রমাণ নয়, যদি system course enrolment-এর সঙ্গে যুক্ত না থাকে। আদর্শভাবে platform জানবে respondent সত্যিই ওই course/section-এ enrolled কি না; কিন্তু analysis dataset-এ identity এমনভাবে বিচ্ছিন্ন করা হবে যাতে শিক্ষক individual student-কে শনাক্ত করতে না পারেন।

Small-n suppression-ও অত্যন্ত গুরুত্বপূর্ণ। দুই, তিন বা পাঁচজনের response থেকে publicly visible teacher score তৈরি করা statistical এবং ethical—দুই দিক থেকেই ঝুঁকিপূর্ণ। Institution একটি minimum reporting threshold নির্ধারণ করতে পারে, অথবা small classes-এর data কয়েক semester aggregate করতে পারে। বিশেষ করে postgraduate seminar, supervision বা specialised course-এ anonymity রক্ষা করাও গুরুত্বপূর্ণ; তিনজনের class-এ “anonymous comment” অনেক সময় বাস্তবে anonymous থাকে না।

Public star ranking: এখানেই সবচেয়ে বেশি সতর্কতা দরকার

Developmental feedback এবং public ranking একই জিনিস নয়। একজন শিক্ষক নিজের dashboard-এ dimension-specific feedback দেখছেন—এটি professional development। Department aggregate trend দেখছে—এটি quality assurance। কিন্তু সেই data public website-এ নামের পাশে ৩.২, ৪.৭ কিংবা পাঁচটি তারকা হিসেবে দেখানো সম্পূর্ণ ভিন্ন intervention।

Public disclosure হলে instrument-এর social function বদলে যায়। তখন score student feedback-এর বাইরে reputation, course selection, colleague perception, promotion climate এমনকি online harassment-এ প্রভাব ফেলতে পারে। ফলে public ranking-এর জন্য validity, representativeness, due process, small-sample protection এবং right to respond-এর burden অনেক বেশি।

বিশ্ববিদ্যালয় hotel নয়; professor ride-sharing driver-ও নন। Customer satisfaction-এর metaphor উচ্চশিক্ষায় সীমিত। শিক্ষার্থী অবশ্যই stakeholder, rights-holder এবং learning process-এর active participant; কিন্তু university education-এর লক্ষ্য সবসময় immediate satisfaction maximisation নয়। কখনো ভালো teaching intellectually uncomfortable, demanding এবং challenging হতে পারে। তাই “আমি পছন্দ করেছি” এবং “আমি গভীরভাবে শিখেছি”—এই দুই construct একই ধরে নেওয়া উচিত নয়।

SET-এর authority কার হাতে থাকবে?

Teacher evaluation-এর সবচেয়ে অবহেলিত প্রশ্নটি questionnaire নয়, governance। কে system চালাবে? কে raw data দেখবে? কে comment moderation করবে? কে statistical model ঠিক করবে? কে score প্রকাশ করবে? কে ভুল interpretation-এর বিরুদ্ধে appeal শুনবে? কে evaluator-কে evaluate করবে?

বিশ্ববিদ্যালয়ের কোনো student organisation student voice নিয়ে advocacy করতে পারে, independent feedback platformও তৈরি করতে পারে—এটি civic participation-এর অংশ। কিন্তু informal বা voluntary platform-এর rating এবং university-authorised personnel evaluation এক জিনিস নয়। যদি ফল promotion, contract, disciplinary action বা formal reputation-এ প্রভাব ফেলে, তাহলে authority, due process, data governance এবং accountability স্পষ্ট হতে হবে।

একটি defensible architecture-এ Academic Council, Senate বা উপযুক্ত statutory academic authority overarching policy অনুমোদন করতে পারে; একটি independent Teaching Evaluation Governance Committee standards, ethics, bias ও appeal তদারক করতে পারে; Teaching and Learning বা Quality Assurance Unit administration ও faculty development পরিচালনা করতে পারে; Institutional Research Unit de-identified statistical analysis করতে পারে; IT/Data Protection Unit access control, security, retention এবং audit নিশ্চিত করতে পারে। Department contextual interpretation করবে, কিন্তু raw identifiable response পাওয়ার প্রয়োজন নেই।

এখানে role-based access জরুরি। শিক্ষক নিজের course-এর aggregated results ও moderated comments দেখতে পারেন। Department chair প্রয়োজনীয় summary ও longitudinal trend দেখতে পারেন। Institutional researcher de-identified dataset নিয়ে system-level analysis করতে পারেন। কিন্তু কে কোন data দেখতে পারবেন, কতদিন সংরক্ষণ হবে, কখন delete হবে, breach হলে কী হবে—এসব published policy-তে থাকতে হবে।

আর অবশ্যই faculty member-এর right to respond থাকতে হবে। কোনো unusual score, coordinated response, factual allegation বা serious adverse interpretation থাকলে review mechanism থাকা দরকার। Accountability একমুখী হলে সেটি accountability নয়; সেটি ক্ষমতা। তাই শিক্ষককে accountable করার আগে evaluation system-কেও accountable করতে হবে।

একবারের score নয়—trajectory দেখুন

একজন শিক্ষকের এক semester-এর score তাঁর professional identity নয়। নতুন course, নতুন curriculum, unusual cohort, large class, emergency disruption—অনেক কিছু একটি semester-কে প্রভাবিত করতে পারে। তাই longitudinal model বেশি informative: Semester 1 → Semester 2 → Semester 3 → Semester 4। একই weakness recurring কি না, professional development-এর পরে improvement হয়েছে কি না, course redesign-এর পরে pattern বদলেছে কি না—এসব দেখা যায়।

এই পদ্ধতির মানবিক এবং বৈজ্ঞানিক—দুই সুবিধাই আছে। একজন শিক্ষক ৩.৬ থেকে ৩.৯, তারপর ৪.২-এ গেলে তাঁর trajectory teaching improvement-এর শক্তিশালী evidence হতে পারে। বিপরীতে একবার ৪.৮ পাওয়া মানেই sustained excellence নয়। বিশ্ববিদ্যালয়ের লক্ষ্য যদি development হয়, তাহলে snapshot-এর চেয়ে trajectory বেশি অর্থবহ।

এখানেই benchmarking-ও সতর্কভাবে করতে হবে। সবচেয়ে defensible benchmark হতে পারে নিজের previous semester, একই course-এর previous offering, একই discipline বা similar course level। সবচেয়ে দুর্বল benchmark হলো heterogeneous university-এর সব শিক্ষককে একটি global leaderboard-এ সাজানো। Statistical sophistication conceptual mismatch দূর করতে পারে না।

Student voice অত্যন্ত গুরুত্বপূর্ণ—কিন্তু একমাত্র evidence নয়

আধুনিক higher education-এর সবচেয়ে defensible অবস্থান SET বাতিল করা নয়; বরং তাকে সঠিক জায়গায় বসানো। একটি mature teaching-evaluation architecture হতে পারে:

Student Feedback + Peer Review + Teaching Portfolio + Course and Assessment Design + Self-Reflection + Professional Development + Appropriate Learning Evidence + Contextual Information

কারণ প্রত্যেক source আলাদা জানালা খুলে দেয়। Student জানেন lived classroom experience। Peer reviewer disciplinary pedagogy ও teaching practice পর্যবেক্ষণ করতে পারেন। Teaching portfolio curriculum design ও reflective development দেখায়। Assessment materials alignment এবং academic rigour সম্পর্কে evidence দেয়। Professional-development record দেখায় শিক্ষক feedback-এর পর কী করেছেন। কোনো এক source পুরো বাড়ি দেখায় না।

এটিই triangulation-এর মূল দর্শন। আদালতে একটি সাক্ষ্য গুরুত্বপূর্ণ, কিন্তু জটিল মামলায় forensic evidence, documents, context এবং একাধিক testimony একত্রে বিচার করা হয়। বিশ্ববিদ্যালয়ে একজন শিক্ষকের career সম্পর্কে high-stakes judgement তার চেয়ে কম সতর্ক হওয়ার কারণ নেই।

বাংলাদেশের জন্য copy-paste নয়, context-sensitive architecture দরকার

বাংলাদেশের বিশ্ববিদ্যালয়ে student evaluation নিয়ে আগ্রহ বাড়া ইতিবাচক। শিক্ষার্থীর কণ্ঠকে institutional quality assurance-এর অংশ করা প্রয়োজন। কিন্তু বিদেশের একটি questionnaire download করে Google Form-এ বসিয়ে দিলেই “international standard” তৈরি হয় না। Form copy করা যায়; evaluation culture copy করা যায় না।

যে বিশ্ববিদ্যালয়ে teacher–student relationship তুলনামূলক hierarchical, সেখানে honest feedback-এর জন্য trust-building প্রয়োজন। যেখানে political polarisation প্রবল, সেখানে anti-retaliation এবং anti-manipulation safeguard প্রয়োজন। যেখানে faculty development support নেই, সেখানে শিক্ষককে low score দিয়ে “improve করুন” বলা অনেকটা রোগ নির্ণয় করে prescription না দেওয়ার মতো। আর যেখানে teaching-এর চেয়ে অন্য achievement promotion-এ বেশি reward পায়, সেখানে SET চালু করলেই teaching culture রাতারাতি বদলে যাবে না।

বাংলাদেশের জন্য তাই একটি three-layer hybrid model কার্যকর হতে পারে। প্রথম স্তরে semester-এর মাঝামাঝি ৪–৬টি প্রশ্নের confidential formative feedback থাকবে—কী কাজ করছে, কোথায় confusion, pace কেমন, assessment instruction পরিষ্কার কি না। এই data শিক্ষক নিজের course সংশোধনের জন্য ব্যবহার করবেন; high-stakes decision-এ যাবে না।

দ্বিতীয় স্তরে end-of-course structured evaluation থাকবে। শুধু verified enrolled students অংশ নেবেন; response anonymous থাকবে; teacher results দেখবেন grade submission-এর পরে; course-focused এবং instructor-focused items আলাদা থাকবে; quantitative score-এর পাশাপাশি qualitative comment থাকবে; এবং report-এ sample size, response rate ও distribution দৃশ্যমান হবে। খুব ছোট sample public বা comparative reporting-এ suppress করা হবে।

তৃতীয় স্তরে নির্দিষ্ট সময় পর multi-source teaching review হবে। সেখানে student feedback-এর longitudinal pattern, peer observation, teaching portfolio, assessment design, course materials, professional development, self-reflection এবং প্রাসঙ্গিক learning evidence একত্রে বিবেচিত হবে। Promotion, teaching award বা অন্য high-stakes decision এই স্তরে হবে—একটি semester-এর একটি star score দিয়ে নয়।

সবচেয়ে জরুরি প্রশ্ন: feedback-এর পরে কী হলো?

একটি বিশ্ববিদ্যালয় বছরে লাখো response সংগ্রহ করতে পারে। চমৎকার dashboard বানাতে পারে। Faculty-wise bar chart, department-wise average, percentile—সবই থাকতে পারে। কিন্তু feedback-এর পরে যদি কিছুই না বদলায়, তবে পুরো exercise ধীরে ধীরে ritual হয়ে যায়।

তাই “closing the feedback loop” অপরিহার্য। শিক্ষার্থীদের জানানো যেতে পারে: “আপনারা বলেছিলেন assignment instructions অস্পষ্ট ছিল; আগামী semester থেকে rubric আগে দেওয়া হবে।” অথবা, “Students requested more examples; additional tutorial sessions have been introduced।” এতে শিক্ষার্থী বুঝবেন তাঁদের feedback data warehouse-এ হারিয়ে যায়নি।

শিক্ষকেরও support দরকার। Low rating পাওয়া শিক্ষককে শুধু warning দিলে defensive culture তৈরি হতে পারে। Teaching consultation, peer mentoring, instructional-design support, assessment workshop কিংবা professional-development opportunity দিলে evaluation learning system-এ পরিণত হয়। ভালো evaluation-এর লক্ষ্য মানুষকে humiliation-এর মাধ্যমে rank করা নয়; professional practice উন্নত করা।

তাহলে শিক্ষার্থী কর্তৃক শিক্ষক মূল্যায়ন—সহজ কাজ?

একেবারেই নয়। একটি online form বানানো সহজ। পাঁচটি তারকা আঁকা আরও সহজ। Mean বের করা কয়েক সেকেন্ডের কাজ। কিন্তু valid, reliable, fair, context-sensitive, ethically governed এবং educationally useful evaluation system তৈরি করা অত্যন্ত কঠিন কাজ।

কারণ এখানে একই সঙ্গে psychometrics, statistics, pedagogy, higher-education governance, data protection, organisational culture, ethics এবং due process কাজ করে। Questionnaire design ভুল হলে construct ভুল মাপা হবে। Sampling দুর্বল হলে representation প্রশ্নবিদ্ধ হবে। Administration ভুল হলে response contaminated হতে পারে। Analysis দুর্বল হলে number misleading হবে। Governance দুর্বল হলে ভালো data-ও অন্যায় সিদ্ধান্তে ব্যবহৃত হতে পারে।

তাই কেউ যদি বলেন, “Professor X-এর rating 4.2”, একজন researcher-এর পরের প্রশ্ন হওয়া উচিত—কোন instrument? কোন construct? কত respondent? response rate কত? distribution কী? কোন course? compulsory না elective? কোন discipline? single semester না longitudinal? raw না adjusted? bias পরীক্ষা হয়েছে? validity evidence কী? score formative, নাকি summative?

—এই প্রশ্নগুলোর উত্তর ছাড়া ৪.২ অবশ্যই একটি সংখ্যা; data-ও বটে—কিন্তু এখনো পূর্ণাঙ্গ evidence নয়।

‘YES’ এবং ‘NO’—দুটিই একসঙ্গে বলা সম্ভব

Teacher evaluation-এর পক্ষে থাকা এবং simplistic teacher ranking-এর বিরোধিতা করা পরস্পরবিরোধী নয়। বরং একটি mature academic position ঠিক এটিই। —YES to student voice. YES to academic accountability. YES to systematic teaching evaluation. But NO to pretending that a complex academic profession can be reduced to an unqualified star contest.

কোনো নতুন উদ্যোগের statistical validity, representativeness, fairness বা governance নিয়ে প্রশ্ন উঠলে সেটিকে উদ্যোগবিরোধিতা বলা উচিত নয়। বিশ্ববিদ্যালয়ের সৌন্দর্যই হলো—ভালো উদ্যোগকেও evidence-এর আলোয় পরীক্ষা করা যায়। একটি উদ্যোগ নিখুঁত না হওয়া অপরাধ নয়; কিন্তু সীমাবদ্ধতা জানা সত্ত্বেও তাকে সংশোধন না করাই বড় সমস্যা। বিশ্ববিদ্যালয় নিজেই যদি learning institution হয়, তাহলে তার evaluation system-ও শেখার এবং evolve করার ক্ষমতা রাখবে।

উদ্দেশ্যও এখানে গুরুত্বপূর্ণ। যদি teacher evaluation রাজনৈতিক প্রতিপক্ষকে চিহ্নিত করা, ব্যক্তিগত ক্ষোভ মেটানো, humiliation তৈরি করা কিংবা popularity contest বানানোর হাতিয়ার হয়, তবে সেটি academic accountability নয়। কিন্তু যদি উদ্দেশ্য হয় শিক্ষার্থীর অভিজ্ঞতাকে সম্মান দেওয়া, teaching উন্নত করা, assessment ও feedback-এর দুর্বলতা চিহ্নিত করা এবং university culture-কে আরও accountable করা—তবে সেই উদ্যোগকে অবশ্যই স্বাগত জানাতে হবে। এরপর দায়িত্ব হলো তাকে আরও scientific, fair এবং institutionally legitimate করা।

শেষ প্রতিফলন: নম্বর দেওয়ার আগে নম্বরেরও পরীক্ষা চাই

একসময় শিক্ষক হাতে লাল কলম নিয়ে শিক্ষার্থীর খাতায় লিখতেন—“আরও উন্নতি প্রয়োজন।” আধুনিক বিশ্ববিদ্যালয়ে শিক্ষার্থীও শিক্ষককে সেই কথাটি বলতে পারবেন। এতে বিশ্ববিদ্যালয়ের ভয় পাওয়ার কারণ নেই। আত্মবিশ্বাসী academic institution criticism বন্ধ করে না; criticism-কে evidence-এ রূপান্তর করে।

কিন্তু একই সঙ্গে একটি মৌলিক সত্য মনে রাখতে হবে—মানুষকে মাপার আগে মাপার যন্ত্রকেও পরীক্ষা করতে হয়। ভুল thermometer দিয়ে জ্বর মাপলে রোগীর শরীরকে দায়ী করা যায় না। একইভাবে দুর্বল questionnaire, tiny sample, low response rate, biased interpretation অথবা opaque governance দিয়ে একটি teacher score তৈরি করে সেটিকে objective truth বলা যায় না।

ভবিষ্যতের ভালো বিশ্ববিদ্যালয়ে তাই শিক্ষার্থীর কণ্ঠ থাকবে—স্বাধীন, স্পষ্ট এবং সম্মানিত। শিক্ষকের accountability থাকবে। কিন্তু তার পাশে থাকবে measurement science, contextual interpretation, peer judgement, professional development, data governance এবং academic due process। Student evaluation হবে একটি গুরুত্বপূর্ণ জানালা—কিন্তু পুরো বাড়ি নয়।

সবচেয়ে defensible সূত্রটি তাই হতে পারে:

Common Principles + Context-Sensitive Instruments + Multiple Evidence Sources + Appropriate Statistical Models + Longitudinal Interpretation + Transparent Governance + Human Academic Judgement

শেষ পর্যন্ত প্রশ্নটি “শিক্ষার্থী শিক্ষককে মূল্যায়ন করতে পারবে কি না”—এখানে আটকে থাকার সময় পেরিয়ে গেছে। আরও পরিণত প্রশ্ন হলো: শিক্ষার্থীর অমূল্য অভিজ্ঞতাকে আমরা কতটা বৈজ্ঞানিক, ন্যায়সংগত এবং দায়িত্বশীলভাবে ব্যবহার করতে পারি?

শিক্ষার্থীর মতামত অমূল্য; কিন্তু মতামত নিজে measurement নয়। Rating হলো data; কিন্তু rating নিজে verdict নয়। Statistics evidence-কে শক্তিশালী করতে পারে; কিন্তু ভুল construct-কে sophisticated mathematics দিয়ে সত্য বানাতে পারে না। আর governance ছাড়া ভালো instrument-ও অন্যায়ের হাতিয়ার হয়ে উঠতে পারে।

একজন ভালো শিক্ষককে পাঁচটি তারায় বন্দী করা যায় না। আবার শিক্ষার্থীর কণ্ঠ উপেক্ষা করেও ভালো বিশ্ববিদ্যালয় তৈরি করা যায় না। প্রজ্ঞা হলো এই দুই সত্যকে একই সঙ্গে ধারণ করা—শিক্ষার্থীকে কথা বলতে দেওয়া, শিক্ষককে জবাবদিহির মধ্যে রাখা, কিন্তু সেই কণ্ঠকে চূড়ান্ত রায়ে পরিণত করার আগে evidence, context, statistics, fairness এবং due process-এর কঠিন পরীক্ষায় উত্তীর্ণ করা। কারণ বিশ্ববিদ্যালয়ের আসল কাজ শুধু নম্বর দেওয়া নয়; নম্বরটি কতটা ন্যায়সংগত, সেটিও পরীক্ষা করা।

আগামী পর্বে পড়ুন:

শিক্ষক মূল্যায়নের শতবর্ষী বিবর্তন: একই ধারণা, কিন্তু বিশ্ববিদ্যালয়ভেদে এত পার্থক্য কেন? — পূর্ব প্রকাশের পর, পর্ব ০২ │একসময় student feedback ছিল শিক্ষকের সামনে ধরা ‘আয়না’; পরে সেটিই হলো promotion-এর ‘দাঁড়িপাল্লা’। প্রায় ১০০ বছরে teacher evaluation কীভাবে feedback থেকে data, score, accountability ও high-stakes evidence হলো?

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

#শিক্ষক_মূল্যায়ন #StudentEvaluation #StudentVoice #SET #TeachingQuality #AcademicAccountability #HigherEducation #UniversityReform #TeacherEvaluation #EducationalMeasurement #AcademicQuality #UniversityGovernance #DhakaUniversity #DUCSU #ডাকসু #উচ্চশিক্ষা #শিক্ষাসংস্কার #OdhikarPatra #অধিকারপত্র