Aprakstošās statistikas pielietojums izglītības pētījumos
Aprakstošā statistika ir būtiska izglītības pētījumu sastāvdaļa, jo tā ļauj iegūt kodolīgus, skaidrus un viegli saprotamus datus. Izglītības kontekstā dati bieži aptver plašu tēmu loku: skolēnu testu rezultātus, motivācijas anketu rezultātus, apmeklētības rādītājus, lasītprasmes rādītājus un pat demogrāfiskos datus, piemēram, vecumu, dzimumu un sociālekonomisko izcelsmi. Bez pienācīgas apstrādes šie dati kļūst par vienkāršiem skaitļiem, kurus ir grūti interpretēt. Izmantojot aprakstošo statistiku, pētnieki var attēlot reālās pasaules apstākļus, identificēt sākotnējos modeļus un izveidot stabilu pamatu, pirms pāriet uz secinošo analīzi.
Aprakstošās statistikas definīcija un mērķis
Aprakstošā statistika ir statistiska metode, ko izmanto, lai apkopotu, organizētu, apkopotu un attēlotu datus, lai galvenā informācija būtu skaidri redzama. Tās galvenais mērķis nav vispārināt rezultātus uz plašāku populāciju, bet gan aprakstīt datu raksturlielumus. Izglītības pētījumos aprakstošā statistika palīdz atbildēt uz tādiem jautājumiem kā: kā tiek sadalītas skolēnu atzīmes? Kāds ir vidējais mācību motivācijas rādītājs? Vai lielākā daļa skolēnu atrodas noteiktā spēju kategorijā? Vai cik lielas atšķirības ir mācību rezultātos starp skolēniem?
Citiem vārdiem sakot, aprakstošā statistika ir "vārti" datu izpratnei. Pirms secināt par konkrēta mācīšanās modeļa ietekmi vai mainīgo lielumu savstarpējo saistību, pētniekiem vispirms ir jāsaprot datu vispārējais priekšstats.
Datu veidi un to ietekme izglītībā
Aprakstošās statistikas piemērošanu lielā mērā ietekmē apkopoto datu veids. Izglītības dati parasti ietver:
1. Nominālie dati, piemēram, dzimums (vīrietis/sieviete), specialitāte (zinātne/sociālās zinātnes), skolas statuss (valsts/privāta).
2. Kārtas dati, piemēram, attieksmes skala no “pilnīgi piekrītu” līdz “pilnīgi nepiekrītu” vai sasniegumu kategorijas (augsts/vidējs/zems).
3. Intervālu dati, piemēram, psiholoģisko testu rezultāti vai anketu rezultāti, kuros izmantota Likerta skala un kurus pētniecības praksē uzskata par intervāliem.
4. Attiecību dati, piemēram, eksāmenu rezultāti (0–100), apmeklētība vai mācību laiks (stundas).
Statistisko rādītāju, piemēram, vidējās vērtības, mediānas vai režīma, izvēle, kā arī datu vizualizācijas metode jāpielāgo datu skalas veidam, lai nodrošinātu precīzāku interpretāciju.
Centralizācijas mērījumi: vidējais rādītājs, mediānais rādītājs un režīms
Centrālās tendences mērījumi kalpo, lai norādītu uz “viduspunkta” vērtību jeb vērtību, kas vislabāk atspoguļo datus. Izglītības pētījumos:
– Vidējais rādītājs (vidējais rādītājs) bieži tiek izmantots, lai aprakstītu testa rezultātus vai eksāmenu atzīmes. Piemēram, astotās klases vidējais matemātikas rezultāts ir 78. Šī informācija palīdz skolotājiem vai pētniekiem redzēt klases kopējo sniegumu.
– Mediāna ir noderīga, ja datos ir ekstremālas vērtības (novirzes). Piemēram, ja dažiem studentiem ir ļoti zems vai ļoti augsts rezultāts, mediāna var būt reprezentatīvāka nekā vidējais rādītājs.
– Režīms ir noderīgs kategoriskajiem datiem, piemēram, visbiežāk sastopamajai mācīšanās stila kategorijai vai dominējošākajam motivācijas līmenim.
Mācību vērtēšanas pētījumos šie trīs rādītāji bieži tiek izmantoti kopā, lai iegūtu pilnīgāku priekšstatu.
Izplatības mērījumi: diapazons, dispersija un standartnovirze
Papildus datu smaguma centra izpratnei izglītības pētniekiem ir jāsaprot arī datu daudzveidība. Divām klasēm var būt vienāds vidējais rādītājs, taču to sadalījums atšķiras. Šeit spēlē lomu dispersijas rādītāji.
– Diapazons ir starpība starp augstāko un zemāko vērtību. Piemēram, ja zemākā vērtība ir 40 un augstākā ir 95, diapazons ir 55. Diapazons sniedz ātru pārskatu par variācijām, bet ir jutīgs pret ekstremālām vērtībām.
– Variācija un standartnovirze tiek izmantotas biežāk, jo tās nodrošina stabilākus variācijas mērījumus. Neliela standartnovirze norāda uz relatīvi vienmērīgiem studentu rezultātiem; liela standartnovirze norāda uz lielu atšķirību mācību rezultātos.
Izglītības pētījumos standartnovirze bieži tiek izmantota, lai novērtētu, vai klase ir homogēna vai heterogēna, piemēram, pirms eksperimentālo un kontroles grupu noteikšanas.
Datu sadalījums: slīpums un smaile
Svarīgi ir arī datu sadalījuma modeļi. Rezultātu dati var būt nobīdīti pa kreisi (daudz augstu rezultātu) vai nobīdīti pa labi (daudz zemu rezultātu). Mācību vērtējumos šāda veida sadalījums var liecināt par testa grūtības pakāpi. Ja liela daļa studentu saņem zemus rezultātus un sadalījums ir nobīdīts pa labi, tas var liecināt, ka materiāls nav saprasts, mācību metode ir neefektīva vai instruments ir pārāk sarežģīts.
Ekscesa koeficientu var analizēt arī, lai noteiktu, vai dati ir pārāk "sagrupēti" ap centru vai izkliedēti. Lai gan šī analīze ir tehniskāka, sadalījuma izpratne palīdz pētniekiem izvēlēties atbilstošas uzlabotas analīzes metodes.
Datu prezentācija: tabulas un vizualizācijas
Viena no aprakstošās statistikas stiprajām pusēm ir tās spēja prezentēt datus saistošā un komunikatīvā veidā. Izglītības pētījumos bieži izmantotie prezentācijas formāti ir šādi:
1. Frekvences sadalījuma tabula: parāda studentu skaitu noteiktā vērtību diapazonā, piemēram, 0–59, 60–69, 70–79 utt.
2. Stabiņu diagramma: piemērota kategoriskiem datiem, piemēram, motivācijas līmenim (augsts/vidējs/zems) vai anketas atbilžu izvēlēm.
3. Histogramma: izmanto, lai skatītu skaitlisku datu, piemēram, testa rezultātu, sadalījumu.
4. Sektordiagramma: attēlo proporcijas, piemēram, studentu procentuālo daļu pēc dzimuma vai apmeklējuma kategorijas.
5. Kastes diagramma: palīdz īsi apskatīt mediānu, kvartiles un novirzes, kas ir noderīga, salīdzinot vairākas klases vai grupas.
Pareiza vizualizācija padara pētījumu rezultātus vieglāk lasāmus skolotājiem, direktoriem un politikas veidotājiem.
Pielietojuma piemēri izglītības pētniecībā
Pieņemsim, ka pētnieks vēlas izprast devītās klases skolēnu dabaszinību mācību rezultātus pēc video mācību līdzekļu izmantošanas. Apkopotie dati ir 30 skolēnu pēcpārbaudes rezultāti.
Aprakstošās statistikas pielietošanas soļi var būt šādi:
– Aprēķiniet vidējo rādītāju, lai uzzinātu vidējo klases sasniegumu.
– Aprēķiniet mediānu, lai redzētu vidējo vērtību, kas ir izturīgāka pret ekstremālām vērtībām.
– Aprēķiniet standartnovirzi, lai novērtētu, vai mācību rezultāti ir vienādi.
– Izveidojiet histogrammu, lai redzētu vērtību sadalījumu.
– Izveidojiet kategoriju tabulu (piemēram: ļoti labi, labi, pietiekami, mazāk), lai atvieglotu interpretāciju.
No šiem rezultātiem pētnieki var secināt, piemēram, ka vidējā atzīme ir uzlabojusies un lielākā daļa skolēnu ir labo vērtējumu kategorijā, lai gan joprojām ir daži skolēni, kuriem nepieciešama papildu palīdzība.
Aprakstošās statistikas priekšrocības izglītības pētniekiem un praktiķiem
Aprakstošās statistikas pielietošana sniedz reālas priekšrocības, tostarp:
1. Izprast sākotnējos nosacījumus pirms mācību intervences veikšanas (pirmspārbaude) un pēc tās (pēcpārbaude).
2. Atšķirību noteikšana starp skolēniem vai starp klasēm, izmantojot datu variācijas.
3. Vienkāršojiet lielos datus kodolīgā un jēgpilnā informācijā.
4. Atbalstīt lēmumu pieņemšanu, piemēram, nosakot korekcijas programmas, bagātināšanu vai mācību stratēģiju uzlabojumus.
5. Vispirms aplūkojot datu sadalījumu un raksturlielumus, pārbaudiet tālākas analīzes, piemēram, t-testa vai ANOVA, iespējamību.
Pennutup
Aprakstošā statistika ir būtisks izglītības pētījumu pamats. Izmantojot centrālās tendences, izkliedes, sadalījuma un dažādu datu prezentācijas veidu mērījumus, pētnieki var objektīvi un sistemātiski aprakstīt mācību situācijas. Tās pielietojums ir noderīgs ne tikai akadēmiskiem mērķiem, bet arī veicina ikdienas izglītības praksi: palīdz skolotājiem izprast skolēnu vajadzības, palīdz skolām novērtēt programmas un palīdz politikas veidotājiem izstrādāt kvalitātes uzlabošanas stratēģijas. Ar labu aprakstošās statistikas izpratni izglītības pētījumi būs spēcīgāki, informatīvāki un atbilstošāki mācību procesa uzlabošanai.
