បច្ចេកទេសដំណើរការទិន្នន័យស្ទង់មតិដោយប្រើប្រាស់ស្ថិតិមូលដ្ឋាន
ការស្ទង់មតិគឺជាវិធីសាស្រ្តមួយក្នុងចំណោមវិធីសាស្រ្តទូទៅបំផុតសម្រាប់ការប្រមូលទិន្នន័យពីអ្នកឆ្លើយតប មិនថាសម្រាប់ការស្រាវជ្រាវសិក្សា ការវាយតម្លៃសេវាកម្ម ការស្រាវជ្រាវទីផ្សារ ឬការធ្វើការសម្រេចចិត្តរបស់អង្គការនោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ ទិន្នន័យការស្ទង់មតិគឺគ្មានន័យទេ ប្រសិនបើមិនត្រូវបានដំណើរការជាប្រព័ន្ធ។ នេះជាកន្លែងដែលស្ថិតិជាមូលដ្ឋានចូលមកដើរតួនាទី៖ ជួយអ្នកស្រាវជ្រាវសង្ខេបទិន្នន័យ កំណត់គំរូ វាយតម្លៃនិន្នាការ និងទាញសេចក្តីសន្និដ្ឋានបឋម និងអាចវាស់វែងបាន។ អត្ថបទនេះពិភាក្សាអំពីបច្ចេកទេសដំណើរការទិន្នន័យការស្ទង់មតិដោយប្រើស្ថិតិជាមូលដ្ឋាន ចាប់ពីការរៀបចំទិន្នន័យរហូតដល់ការបកស្រាយលទ្ធផល។
១. ការយល់ដឹងអំពីប្រភេទទិន្នន័យស្ទង់មតិ
ជំហានដំបូងមុនពេលដំណើរការទិន្នន័យគឺការយល់ដឹងអំពីប្រភេទទិន្នន័យដែលកំពុងត្រូវបានប្រមូល។ ជាទូទៅ ទិន្នន័យស្ទង់មតិអាចរួមមាន៖
១. ទិន្នន័យប្រភេទ (គុណភាព)
ឧទាហរណ៍៖ ភេទ ចំណូលចិត្តលើម៉ាកយីហោ ស្ថានភាពការងារ។ ទិន្នន័យនេះជាធម្មតាត្រូវបានវិភាគដោយប្រើភាពញឹកញាប់ និងភាគរយ។
2. ទិន្នន័យលំដាប់លំដោយ
ឧទាហរណ៍៖ មាត្រដ្ឋានពេញចិត្ត (មិនពេញចិត្តខ្លាំង - ពេញចិត្តខ្លាំង) កម្រិតនៃការយល់ស្រប (មិនយល់ស្របយ៉ាងខ្លាំង - យល់ស្របយ៉ាងខ្លាំង)។ ទិន្នន័យលំដាប់មានលំដាប់ ប៉ុន្តែចម្ងាយរវាងប្រភេទមិនចាំបាច់ដូចគ្នានោះទេ។
៣. ទិន្នន័យជាលេខ (បរិមាណ)
ឧទាហរណ៍៖ អាយុ ចំណូល ចំនួននៃការទិញ។ ទិន្នន័យនេះអាចត្រូវបានវិភាគដោយប្រើរង្វាស់នៃទំនោរកណ្តាល ការបែកខ្ចាត់ខ្ចាយ និងបច្ចេកទេសផ្សេងៗទៀត។
ការយល់ដឹងអំពីមាត្រដ្ឋានវាស់វែង (នាមមាត្រ លំដាប់មាត្រ ចន្លោះពេល សមាមាត្រ) គឺមានសារៈសំខាន់ព្រោះវាកំណត់បច្ចេកទេសស្ថិតិសមស្រប និងរបៀបបង្ហាញលទ្ធផល។
២. ដំណាក់កាលរៀបចំ៖ ការកែសម្រួល និងការសម្អាតទិន្នន័យ
ទិន្នន័យស្ទង់មតិច្រើនតែមានកំហុស ការចម្លង ឬការឆ្លើយតបមិនស៊ីសង្វាក់គ្នា។ ដូច្នេះ ជំហានសំខាន់ៗពីរគឺចាំបាច់៖
ក. ការកែសម្រួល
សូមពិនិត្យមើលភាពពេញលេញ និងភាពស៊ីសង្វាក់គ្នានៃចម្លើយរបស់អ្នកឆ្លើយតប។ ឧទាហរណ៍ ប្រសិនបើអាយុរបស់អ្នកឆ្លើយតបគឺ 8 ឆ្នាំ ប៉ុន្តែស្ថានភាពការងាររបស់ពួកគេគឺ "និយោជិត" នោះ សំណួរនេះត្រូវការពិនិត្យឡើងវិញ។
ខ. ការសម្អាត
សម្អាតទិន្នន័យពី៖
– ទិន្នន័យដែលបាត់ (តម្លៃដែលបាត់)៖ អ្នកឆ្លើយតបមិនបានឆ្លើយសំណួរមួយចំនួនទេ។
– តម្លៃខុសប្រក្រតី៖ តម្លៃខ្លាំងដែលមិនសមហេតុផល ឧទាហរណ៍ ចំណូល 1 ពាន់លានដុល្លារក្នុងមួយខែសម្រាប់ប្រជាជនទូទៅ។
– ការចម្លងចម្លើយ៖ អ្នកឆ្លើយតបបំពេញការស្ទង់មតិច្រើនជាងម្តង។
ការដោះស្រាយតម្លៃដែលបាត់អាចធ្វើបានដោយការលុបធាតុចូល ជំនួសវាដោយតម្លៃមធ្យម/មេឌីយ៉ាន (សម្រាប់ទិន្នន័យជាលេខ) ឬប្រើប្រភេទ "មិនបានឆ្លើយ" សម្រាប់ទិន្នន័យប្រភេទ - អាស្រ័យលើគោលបំណងនៃការវិភាគ និងសមាមាត្រនៃទិន្នន័យដែលបាត់។
៣. ការសរសេរកូដ និងការបញ្ចូលទិន្នន័យ
នៅពេលដែលទិន្នន័យស្អាតហើយ សូមសរសេរកូដវា ដែលមានន័យថាបំលែងចម្លើយទៅជាទម្រង់ដែលងាយស្រួលដំណើរការ។ ឧទាហរណ៍៖
– ភេទ៖ ប្រុស=១, ស្រី=២
– មាត្រដ្ឋាន Likert៖ មិនយល់ស្របយ៉ាងខ្លាំង = ១ ដល់ យល់ស្របយ៉ាងខ្លាំង = ៥
ការសរសេរកូដធ្វើឱ្យវាកាន់តែងាយស្រួលក្នុងការបញ្ចូលទិន្នន័យទៅក្នុងកម្មវិធីដូចជា Excel, SPSS, R ឬ Python។ ត្រូវប្រាកដថាបង្កើតសៀវភៅកូដ (ឯកសារដែលមានអថេរ និយមន័យ និងកូដ) ដើម្បីឱ្យការវិភាគរបស់អ្នកអាចត្រូវបានចម្លង និងយល់ដោយអ្នកដទៃ។
៤. ស្ថិតិពិពណ៌នា៖ ការសង្ខេបទិន្នន័យស្ទង់មតិ
ស្ថិតិពិពណ៌នាគឺជាស្នូលនៃដំណើរការទិន្នន័យដំបូង។ គោលបំណងរបស់ពួកវាមិនមែនដើម្បីសាកល្បងទ្រឹស្តីទេ ប៉ុន្តែដើម្បីផ្តល់នូវទិដ្ឋភាពទូទៅនៃលក្ខណៈរបស់ទិន្នន័យ។
ក. ការចែកចាយប្រេកង់ និងភាគរយ
សម្រាប់ទិន្នន័យប្រភេទ និងទិន្នន័យលំដាប់លំដោយ សូមគណនា៖
– ភាពញឹកញាប់ (ចំនួននៃការឆ្លើយតប)
– ភាគរយ (សមាមាត្រនៃចម្លើយសរុប)
លទ្ធផលឧទាហរណ៍៖
«អ្នកឆ្លើយតបរហូតដល់ 60% បានជ្រើសរើសសេវាកម្ម A និង 40% បានជ្រើសរើសសេវាកម្ម B»។
ការចែកចាយប្រេកង់ជាធម្មតាត្រូវបានបង្ហាញជាតារាង និងក្រាហ្វរបារ/ចំណិត ដើម្បីងាយស្រួលយល់។
ខ. រង្វាស់នៃទំនោរកណ្តាល
សម្រាប់ទិន្នន័យជាលេខ សូមប្រើ៖
– មធ្យមភាគ (មធ្យមភាគ)៖ ផលបូកនៃតម្លៃទាំងអស់ដែលចែកនឹងចំនួនអ្នកឆ្លើយសំណួរ។
- មេឌីយ៉ាន៖ តម្លៃកណ្តាលបន្ទាប់ពីទិន្នន័យត្រូវបានតម្រៀប។
– របៀប៖ តម្លៃដែលលេចឡើងញឹកញាប់បំផុត។
មធ្យមភាគគឺសមរម្យសម្រាប់ទិន្នន័យដែលមានការចែកចាយស៊ីមេទ្រីទាក់ទងគ្នា ខណៈពេលដែលមធ្យមភាគមានស្ថេរភាពជាងនៅពេលដែលមានអសមមាត្រ ឬការចែកចាយលំអៀង។ ម៉ូដនេះជារឿយៗមានប្រយោជន៍សម្រាប់ទិន្នន័យប្រភេទ ឬនៅពេលដែលអ្នកចង់ឃើញជម្រើសទូទៅបំផុត។
គ. ទំហំនៃការរីករាលដាល (ភាពប្រែប្រួល)
រង្វាស់នៃការបែកខ្ចាត់ខ្ចាយជួយកំណត់ថាតើចម្លើយរបស់អ្នកឆ្លើយខុសគ្នាប៉ុន្មាន៖
- ជួរ៖ ភាពខុសគ្នារវាងតម្លៃអតិបរមា និងអប្បបរមា។
– ភាពខុសគ្នា៖ ការ៉េមធ្យមនៃភាពខុសគ្នារវាងតម្លៃ និងមធ្យមភាគ។
– គម្លាតស្តង់ដារ៖ ឫសការ៉េនៃភាពខុសគ្នា ងាយស្រួលបកស្រាយជាង ពីព្រោះឯកតាគឺដូចគ្នានឹងទិន្នន័យដើម។
ឧទាហរណ៍ ក្រុមពីរអាចមានការពេញចិត្តជាមធ្យមដូចគ្នា ប៉ុន្តែគម្លាតស្តង់ដារខុសគ្នា - ក្រុមដែលមានគម្លាតស្តង់ដារធំជាងមានន័យថាចម្លើយរបស់អ្នកឆ្លើយមានភាពចម្រុះជាង។
៥. ការមើលឃើញទិន្នន័យ
ក្រាហ្វជួយបង្ហាញលទ្ធផលបានយ៉ាងរហ័ស និងច្បាស់លាស់។ ប្រភេទនៃការមើលឃើញទូទៅមួយចំនួនសម្រាប់ទិន្នន័យស្ទង់មតិ៖
– តារាងរបារ៖ សម្រាប់ទិន្នន័យប្រភេទ/លំដាប់។
– អ៊ីស្តូក្រាម៖ សម្រាប់ចែកចាយទិន្នន័យជាលេខ។
– Boxplot៖ បង្ហាញមេឌីយ៉ាន ក្វាទីល និងអុកស្លីយ៉េ។
– តារាងបន្ទាត់៖ ប្រសិនបើការស្ទង់មតិត្រូវបានធ្វើឡើងជាប្រចាំ (ស៊េរីពេលវេលា)។
ការមើលឃើញដ៏ល្អគួរតែត្រូវបានផ្តល់ចំណងជើង ស្លាកអ័ក្ស និងប្រភពទិន្នន័យ ដើម្បីជៀសវាងការបកស្រាយខុស។
៦. ការវិភាគ Crosstab
ការវិភាគតារាងឆ្លងកាត់ (Crosstabulation) ត្រូវបានប្រើដើម្បីមើលទំនាក់ទំនងរវាងអថេរប្រភេទ ឬអថេរលំដាប់ពីរ។ ឧទាហរណ៍៖
– ការពេញចិត្ត (ពេញចិត្ត/មិនពេញចិត្ត) ដោយផ្អែកលើភេទ
- ការជ្រើសរើសផលិតផលតាមក្រុមអាយុ
លទ្ធផលនៃ Crosstab ជាធម្មតាត្រូវបានបង្ហាញជាភាគរយក្នុងមួយជួរដេក ឬក្នុងមួយជួរឈរ។ នេះមានប្រយោជន៍សម្រាប់កំណត់អត្តសញ្ញាណភាពខុសគ្នានៃលំនាំរវាងក្រុមនានា។
មីសាល់យ៉ា៖
«ភាគរយនៃអ្នកឆ្លើយតបដែលពេញចិត្តគឺខ្ពស់ជាងនៅក្នុងក្រុមអាយុ 26-35 ឆ្នាំបើប្រៀបធៀបទៅនឹងអាយុ 18-25 ឆ្នាំ»។
ទោះបីជាការវិភាគឆ្លងតារាងនៅតែមានលក្ខណៈពិពណ៌នាក៏ដោយ លទ្ធផលជារឿយៗបម្រើជាមូលដ្ឋានសម្រាប់ការវិភាគបន្ថែម។
៧. ដំណើរការមាត្រដ្ឋាន Likert៖ ការដាក់ពិន្ទុ និងការបកស្រាយ
ការស្ទង់មតិជាច្រើនប្រើមាត្រដ្ឋាន Likert ពី 1–5 ឬ 1–7។ បច្ចេកទេសដំណើរការរួមមាន៖
១. គណនាពិន្ទុជាមធ្យមក្នុងមួយធាតុ
ឧទាហរណ៍ ការវាយតម្លៃជាមធ្យមសម្រាប់ “គុណភាពសេវាកម្ម” គឺ ៤.២ លើ ៥។
2. បង្កើតលិបិក្រម/សមាសធាតុ
ប្រសិនបើមានធាតុច្រើនដើម្បីវាស់វែងគោលគំនិតមួយ (ឧទាហរណ៍ “ការពេញចិត្ត” មានសំណួរចំនួន 5) ពិន្ទុអាចត្រូវបានបូកសរុប ឬធ្វើជាមធ្យមដើម្បីបង្កើតជាតម្លៃសន្ទស្សន៍មួយ។
៣. ការចាត់ថ្នាក់ពិន្ទុ
ពិន្ទុអាចត្រូវបានបម្លែងទៅជាប្រភេទដូចជា ទាប-មធ្យម-ខ្ពស់ ជាមួយនឹងដែនកំណត់ជាក់លាក់។
នៅក្នុងការបកស្រាយរបស់ Likert វាជាការសំខាន់ណាស់ក្នុងការលើកឡើងពីមាត្រដ្ឋានដែលបានប្រើ និងពន្យល់ពីអត្ថន័យនៃពិន្ទុ ដើម្បីឱ្យអ្នកអានយល់ពីបរិបទ។
៨. ការត្រួតពិនិត្យភាពជឿជាក់សាមញ្ញ (ស្រេចចិត្ត)
ប្រសិនបើអ្នកកំពុងបង្កើតលិបិក្រមពីសំណួរច្រើន វាជាគំនិតល្អក្នុងការត្រួតពិនិត្យភាពស៊ីសង្វាក់គ្នាផ្ទៃក្នុងរបស់វា។ រង្វាស់ទូទៅមួយគឺអាល់ហ្វារបស់ Cronbach។ ខណៈពេលដែលវាលើសពី "ស្ថិតិមូលដ្ឋាន" សុទ្ធសាធបន្តិច គោលគំនិតនេះនៅតែត្រូវបានគេប្រើជាញឹកញាប់នៅក្នុងដំណើរការស្ទង់មតិ។ តម្លៃអាល់ហ្វាខ្ពស់ជាង (ឧទាហរណ៍ ≥ 0,7) ជាទូទៅបង្ហាញថាធាតុទាំងនោះកំពុងវាស់វែងរចនាសម្ព័ន្ធដូចគ្នាយ៉ាងស៊ីសង្វាក់គ្នា។
៩. ការបកស្រាយលទ្ធផល និងការរាយការណ៍
ដំណើរការទិន្នន័យល្អគួរតែនាំឱ្យមានរបាយការណ៍ច្បាស់លាស់។ នៅក្នុងរបាយការណ៍របស់អ្នក ត្រូវប្រាកដថារួមបញ្ចូល៖
– ប្រវត្តិរូបអ្នកឆ្លើយសំណួរ (ប្រជាសាស្ត្រសំខាន់ៗ)
– សេចក្តីសង្ខេបនៃលទ្ធផលក្នុងមួយអថេរសំខាន់
– តារាង/ក្រាហ្វពាក់ព័ន្ធ
- ការបកស្រាយមិនបំផ្លើស
ជៀសវាងការសន្និដ្ឋានអំពី «មូលហេតុ និងផលប៉ះពាល់» ប្រសិនបើការស្ទង់មតិគ្រាន់តែជាការពិពណ៌នា។ ដើម្បីបង្កើតទំនាក់ទំនងឱ្យកាន់តែរឹងមាំ ការរចនាការស្រាវជ្រាវសមស្រប និងការធ្វើតេស្តស្ថិតិសន្និដ្ឋានគឺត្រូវបានទាមទារ។
១០. កំហុសទូទៅដែលត្រូវជៀសវាង
កំហុសមួយចំនួនដែលតែងតែកើតឡើងក្នុងដំណើរការទិន្នន័យស្ទង់មតិ៖
– មិនធ្វើការសម្អាតទេ ដូច្នេះលទ្ធផលមានភាពលំអៀង
- ការប្រើប្រាស់មធ្យមភាគលើទិន្នន័យប្រភេទដែលមិនមានលំដាប់លំដោយ
- មិនពន្យល់ពីមាត្រដ្ឋានវាស់វែង
– មិនអើពើនឹងតម្លៃដែលបាត់ដោយគ្មានយុទ្ធសាស្ត្រច្បាស់លាស់
- ការបង្ហាញក្រាហ្វដោយគ្មានស្លាក ឬបរិបទ
តាមរយៈការជៀសវាងកំហុសទាំងនេះ លទ្ធផលនៃការវិភាគកាន់តែមានសុពលភាព និងអាចទុកចិត្តបាន។
Penutup
បច្ចេកទេសដំណើរការទិន្នន័យស្ទង់មតិដោយប្រើស្ថិតិមូលដ្ឋានពាក់ព័ន្ធនឹងជំហានសំខាន់ៗមួយចំនួន៖ ការយល់ដឹងអំពីប្រភេទទិន្នន័យ ការសម្អាត និងការសរសេរកូដការឆ្លើយតប ការសង្ខេបទិន្នន័យតាមរយៈស្ថិតិពិពណ៌នា ការមើលឃើញព័ត៌មាន និងការបកស្រាយលទ្ធផលបានត្រឹមត្រូវ។ ស្ថិតិមូលដ្ឋានមិនត្រឹមតែជួយធ្វើឱ្យទិន្នន័យកាន់តែ "អាចអានបាន" ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងពង្រឹងគុណភាពនៃការសម្រេចចិត្តផ្អែកលើការស្ទង់មតិផងដែរ។ ជាមួយនឹងដំណើរការស្អាត និងមានតម្លាភាព ទិន្នន័យស្ទង់មតិអាចក្លាយជាប្រភពនៃការយល់ដឹងដ៏មានតម្លៃ និងត្រឹមត្រូវសម្រាប់តម្រូវការស្រាវជ្រាវផ្សេងៗ និងការអនុវត្តរបស់អង្គការ។
ប្រសិនបើអ្នកចង់បាន ខ្ញុំក៏អាចជួយអ្នកបង្កើតតារាងគំរូ ទម្រង់របាយការណ៍លទ្ធផលស្ទង់មតិ ឬជំហានដំណើរការទិន្នន័យស្ទង់មតិនៅក្នុង Excel/SPSS រួមជាមួយនឹងរូបមន្ត និងគំរូផងដែរ។
