ပညာရေးဆိုင်ရာ သုတေသနတွင် ဖော်ပြချက်စာရင်းအင်းများ အသုံးချမှု
ဖော်ပြချက်စာရင်းအင်းများသည် တိကျရှင်းလင်းပြီး နားလည်ရလွယ်ကူသော အချက်အလက်များကို ခွင့်ပြုသောကြောင့် ပညာရေးဆိုင်ရာ သုတေသန၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ ပညာရေးဆိုင်ရာရှုထောင့်တွင် အချက်အလက်များသည် ကျောင်းသားစာမေးပွဲရမှတ်များ၊ လှုံ့ဆော်မှုမေးခွန်းလွှာရလဒ်များ၊ တက်ရောက်မှုနှုန်းများ၊ စာတတ်မြောက်မှုရမှတ်များနှင့် အသက်၊ ကျားမနှင့် လူမှုစီးပွားရေးနောက်ခံကဲ့သို့သော လူဦးရေဆိုင်ရာအချက်အလက်များအပါအဝင် အကြောင်းအရာအမျိုးမျိုးကို လွှမ်းခြုံထားလေ့ရှိသည်။ သင့်လျော်သော စီမံဆောင်ရွက်မှုမရှိပါက ဤအချက်အလက်များသည် အဓိပ္ပာယ်ဖွင့်ဆိုရန်ခက်ခဲသော ကိန်းဂဏန်းများသာ ဖြစ်လာသည်။ ဖော်ပြချက်စာရင်းအင်းများမှတစ်ဆင့် သုတေသီများသည် လက်တွေ့ကမ္ဘာအခြေအနေများကို တင်ပြနိုင်ပြီး၊ ကနဦးပုံစံများကို ဖော်ထုတ်နိုင်ပြီး ကောက်ချက်ချခွဲခြမ်းစိတ်ဖြာမှုသို့ မရွေ့လျားမီ ခိုင်မာသောအုတ်မြစ်ကို တည်ဆောက်နိုင်သည်။
ဖော်ပြချက်စာရင်းအင်းများ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် ရည်ရွယ်ချက်
ဖော်ပြချက်စာရင်းအင်းဆိုသည်မှာ အဓိကအချက်အလက်များကို ရှင်းရှင်းလင်းလင်းမြင်နိုင်စေရန် အချက်အလက်များကို စုဆောင်းရန်၊ စီစဉ်ရန်၊ အကျဉ်းချုပ်ရန်နှင့် တင်ပြရန်အသုံးပြုသော စာရင်းအင်းနည်းလမ်းတစ်ခုဖြစ်သည်။ ၎င်း၏ အဓိကရည်ရွယ်ချက်မှာ ရလဒ်များကို ပိုမိုကျယ်ပြန့်သောလူဦးရေထံ ယေဘုယျအားဖြင့် ပြုလုပ်ရန်မဟုတ်ဘဲ အချက်အလက်များ၏ ဝိသေသလက္ခဏာများကို ဖော်ပြရန်ဖြစ်သည်။ ပညာရေးဆိုင်ရာ သုတေသနတွင် ဖော်ပြချက်စာရင်းအင်းများသည် အောက်ပါမေးခွန်းများကို ဖြေဆိုရန် ကူညီပေးသည်- ကျောင်းသားအဆင့်များကို မည်သို့ဖြန့်ဝေသနည်း။ ပျမ်းမျှသင်ယူမှုလှုံ့ဆော်မှုရမှတ်ကား အဘယ်နည်း။ ကျောင်းသားအများစုသည် သတ်မှတ်ထားသောစွမ်းရည်အမျိုးအစားတွင် ရှိပါသလား။ သို့မဟုတ် ကျောင်းသားများအကြား သင်ယူမှုရလဒ်များတွင် မည်မျှကွဲပြားမှုရှိသနည်း။
တစ်နည်းအားဖြင့်ဆိုရသော် ဖော်ပြချက်စာရင်းအင်းများသည် ဒေတာကို နားလည်ရန် "တံခါးပေါက်" ဖြစ်သည်။ သတ်မှတ်ထားသော သင်ယူမှုပုံစံ၏ လွှမ်းမိုးမှု သို့မဟုတ် ကိန်းရှင်များအကြား ဆက်နွယ်မှုကို နိဂုံးချုပ်ခြင်းမပြုမီ သုတေသီများသည် ဒေတာ၏ အထွေထွေပုံရိပ်ကို ဦးစွာနားလည်ရန် လိုအပ်ပါသည်။
ပညာရေးတွင် ဒေတာအမျိုးအစားများနှင့် ၎င်းတို့၏သက်ရောက်မှုများ
ဖော်ပြချက်စာရင်းအင်းများ၏ အသုံးချမှုသည် စုဆောင်းထားသော အချက်အလက်အမျိုးအစားပေါ် မူတည်၍ ကြီးမားသော လွှမ်းမိုးမှုရှိသည်။ ပညာရေးဒေတာတွင် ယေဘုယျအားဖြင့် အောက်ပါတို့ ပါဝင်သည်-
၁။ အမည်ခံဒေတာ၊ ဥပမာ ကျား/မ၊ အဓိကဘာသာရပ် (သိပ္ပံ/လူမှုရေးသိပ္ပံ)၊ ကျောင်းအဆင့်အတန်း (ပြည်နယ်/ပုဂ္ဂလိက)။
၂။ အစဉ်လိုက်ဒေတာ၊ ဥပမာအားဖြင့် “လုံးဝသဘောတူသည်” မှ “လုံးဝသဘောမတူ” အထိ သဘောထားစကေး သို့မဟုတ် အောင်မြင်မှုအမျိုးအစားများ (မြင့်/အလယ်အလတ်/နိမ့်)။
၃။ ကြားကာလဒေတာ၊ ဥပမာအားဖြင့် Likert စကေးကို အသုံးပြုပြီး သုတေသနအလေ့အကျင့်တွင် ကြားကာလများအဖြစ် သတ်မှတ်သည့် စိတ်ပညာစမ်းသပ်မှုရမှတ်များ သို့မဟုတ် မေးခွန်းလွှာရလဒ်များ။
၄။ အချိုးဒေတာ၊ ဥပမာ စာမေးပွဲရမှတ်များ (၀–၁၀၀)၊ တက်ရောက်မှု သို့မဟုတ် လေ့လာမှုအချိန် (နာရီ)။
ပိုမိုတိကျသော အဓိပ္ပာယ်ဖွင့်ဆိုချက်အတွက် ပျမ်းမျှ၊ အလယ်အလတ် သို့မဟုတ် မုဒ်ကဲ့သို့သော စာရင်းအင်းတိုင်းတာမှုများ ရွေးချယ်ခြင်းအပြင် ဒေတာမြင်ယောင်ခြင်းနည်းလမ်းကို ဒေတာစကေးအမျိုးအစားနှင့် လိုက်လျောညီထွေဖြစ်အောင် ချိန်ညှိသင့်သည်။
ဗဟိုချုပ်ကိုင်မှုတိုင်းတာမှုများ- ပျမ်းမျှ၊ အလယ်အလတ်နှင့် မုဒ်
ဗဟိုအချက်အချာ၏ တိုင်းတာမှုများသည် “အလယ်အလတ်” တန်ဖိုး သို့မဟုတ် အချက်အလက်များကို အကောင်းဆုံးကိုယ်စားပြုသည့် တန်ဖိုးကို ညွှန်ပြရန် အသုံးပြုပါသည်။ ပညာရေးဆိုင်ရာ သုတေသနတွင်-
– ပျမ်းမျှ (ပျမ်းမျှ) ကို စာမေးပွဲရမှတ်များ သို့မဟုတ် စာမေးပွဲအဆင့်များကို ဖော်ပြရန် မကြာခဏ အသုံးပြုလေ့ရှိသည်။ ဥပမာအားဖြင့်၊ ရှစ်တန်း ပျမ်းမျှသင်္ချာရမှတ်မှာ ၇၈ ဖြစ်သည်။ ဤအချက်အလက်သည် ဆရာများ သို့မဟုတ် သုတေသီများအား အတန်း၏ အလုံးစုံစွမ်းဆောင်ရည်ကို မြင်တွေ့ရန် ကူညီပေးသည်။
– ဒေတာတွင် အစွန်းရောက်တန်ဖိုးများ (outliers) ပါဝင်သည့်အခါ အလယ်အလတ်ကိန်းသည် အသုံးဝင်ပါသည်။ ဥပမာအားဖြင့် ကျောင်းသားအချို့တွင် ရမှတ်အလွန်နည်းခြင်း သို့မဟုတ် အလွန်မြင့်မားခြင်းရှိပါက အလယ်အလတ်ကိန်းသည် ပျမ်းမျှထက် ပိုမိုကိုယ်စားပြုနိုင်ပါသည်။
– မုဒ်သည် အမျိုးအစားအလိုက်ဒေတာအတွက် အသုံးဝင်သည်၊ ဥပမာအားဖြင့် အများဆုံးတွေ့ရသော သင်ယူမှုပုံစံအမျိုးအစား သို့မဟုတ် လှုံ့ဆော်မှုအလွှမ်းမိုးဆုံးအဆင့်။
သင်ယူမှုအကဲဖြတ်သုတေသနတွင်၊ ဤတိုင်းတာမှုသုံးခုကို ပိုမိုပြည့်စုံသောရုပ်ပုံတစ်ခုရရှိရန် မကြာခဏအတူတကွအသုံးပြုကြသည်။
ပျံ့နှံ့မှုတိုင်းတာမှုများ- အကွာအဝေး၊ ကွဲလွဲမှုနှင့် စံသွေဖည်မှု
အချက်အလက်များ၏ ဒြပ်ဆွဲအားဗဟိုကို သိရှိခြင်းအပြင်၊ ပညာရေးဆိုင်ရာ သုတေသီများသည် အချက်အလက် မည်မျှကွဲပြားသည်ကို နားလည်ရန်လည်း လိုအပ်ပါသည်။ အတန်းနှစ်တန်းသည် ပျမ်းမျှရမှတ်တူညီနိုင်သော်လည်း ၎င်းတို့၏ ဖြန့်ဖြူးမှု ကွဲပြားသည်။ ဤနေရာတွင် ပျံ့နှံ့မှုတိုင်းတာမှုများသည် အရေးပါလာသည်။
– အတိုင်းအတာသည် အမြင့်ဆုံးနှင့် အနိမ့်ဆုံးတန်ဖိုးများအကြား ကွာခြားချက်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ အနိမ့်ဆုံးတန်ဖိုးသည် ၄၀ ဖြစ်ပြီး အမြင့်ဆုံးမှာ ၉၅ ဖြစ်ပါက အတိုင်းအတာသည် ၅၅ ဖြစ်သည်။ အတိုင်းအတာသည် ကွဲပြားမှုကို အမြန်ခြုံငုံသုံးသပ်ချက်ပေးသော်လည်း အစွန်းရောက်တန်ဖိုးများအပေါ် ထိခိုက်လွယ်သည်။
– ကွဲလွဲမှုနှင့် စံသွေဖည်မှုကို ပိုမိုတည်ငြိမ်သော ကွဲလွဲမှုတိုင်းတာမှုများကို ပေးစွမ်းသောကြောင့် ပိုမိုအသုံးများသည်။ စံသွေဖည်မှုနည်းပါးခြင်းသည် ကျောင်းသားရမှတ်များ ညီမျှကြောင်း ညွှန်ပြပြီး စံသွေဖည်မှုကြီးမားခြင်းသည် သင်ယူမှုရလဒ်များတွင် ကွာဟချက်ကြီးမားကြောင်း ညွှန်ပြသည်။
ပညာရေးဆိုင်ရာ သုတေသနတွင်၊ စံသွေဖည်မှုကို စမ်းသပ်မှုအုပ်စုများနှင့် ထိန်းချုပ်အုပ်စုများကို မဆုံးဖြတ်မီ အတန်းတစ်ခုသည် တစ်သားတည်းဖြစ်မဖြစ် သို့မဟုတ် မတူညီမှုရှိမရှိ အကဲဖြတ်ရန်အတွက် မကြာခဏ အသုံးပြုလေ့ရှိသည်။
ဒေတာဖြန့်ဖြူးမှု- စောင်းနှင့် ထိပ်ဖျား
ဒေတာဖြန့်ဖြူးမှုပုံစံများလည်း အရေးကြီးပါသည်။ ရမှတ်ဒေတာကို ဘယ်ဘက်သို့ စောင်းသွားနိုင်သည် (ရမှတ်မြင့်များစွာ) သို့မဟုတ် ညာဘက်သို့ စောင်းသွားနိုင်သည် (ရမှတ်နိမ့်များစွာ)။ သင်ယူမှုအကဲဖြတ်မှုများတွင်၊ ဤဖြန့်ဖြူးမှုအမျိုးအစားသည် စာမေးပွဲ၏ အခက်အခဲအဆင့်ကို ညွှန်ပြချက်တစ်ခု ဖြစ်နိုင်သည်။ ကျောင်းသားအများစုသည် ရမှတ်နိမ့်များ ရရှိပြီး ဖြန့်ဖြူးမှုသည် ညာဘက်သို့ စောင်းနေပါက၊ ၎င်းသည် သင်ရိုးညွှန်းတမ်းကို နားမလည်သေးခြင်း၊ သင်ယူမှုနည်းလမ်းသည် ထိရောက်မှုမရှိခြင်း သို့မဟုတ် ကိရိယာသည် အလွန်ခက်ခဲလွန်းခြင်းကို ညွှန်ပြနိုင်သည်။
Kurtosis ကို ဒေတာသည် ဗဟိုတွင် "စုစည်း" လွန်းခြင်း သို့မဟုတ် ပျံ့နှံ့နေခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။ ဤခွဲခြမ်းစိတ်ဖြာမှုသည် ပိုမိုနည်းပညာပိုင်းဆိုင်ရာဖြစ်သော်လည်း၊ ဖြန့်ဖြူးမှုကို နားလည်ခြင်းသည် သုတေသီများအား သင့်လျော်သော အဆင့်မြင့်ခွဲခြမ်းစိတ်ဖြာမှုနည်းစနစ်များကို ရွေးချယ်ရန် ကူညီပေးသည်။
ဒေတာတင်ပြချက်- ဇယားများနှင့် မြင်ယောင်မှုများ
ဖော်ပြချက်စာရင်းအင်းများ၏ အားသာချက်များထဲမှတစ်ခုမှာ အချက်အလက်များကို ဆွဲဆောင်မှုရှိပြီး ဆက်သွယ်ပြောဆိုနိုင်သောပုံစံဖြင့် တင်ပြနိုင်စွမ်းဖြစ်သည်။ ပညာရေးဆိုင်ရာ သုတေသနတွင် အသုံးများသော တင်ဆက်မှုပုံစံများတွင် အောက်ပါတို့ ပါဝင်သည်-
၁။ ကြိမ်နှုန်းဖြန့်ဖြူးမှုဇယား- တန်ဖိုးအပိုင်းအခြားတစ်ခုရှိ ကျောင်းသားအရေအတွက်ကို ပြသထားသည်၊ ဥပမာ ၀–၅၉၊ ၆၀–၆၉၊ ၇၀–၇၉ စသည်ဖြင့်။
၂။ ဘားဇယား- လှုံ့ဆော်မှုအဆင့် (မြင့်/အလယ်အလတ်/နိမ့်) သို့မဟုတ် မေးခွန်းလွှာအဖြေရွေးချယ်မှုများကဲ့သို့သော အမျိုးအစားအလိုက်ဒေတာများအတွက် သင့်လျော်သည်။
၃။ ဟစ်စတိုဂရမ်- စမ်းသပ်မှုရမှတ်များကဲ့သို့သော ဂဏန်းဒေတာများ ဖြန့်ဖြူးမှုကိုကြည့်ရှုရန် အသုံးပြုသည်။
၄။ စက်ဝိုင်းဇယား- အချိုးအစားများကို ပြသသည်၊ ဥပမာအားဖြင့် ကျား/မ သို့မဟုတ် တက်ရောက်မှုအမျိုးအစားအလိုက် ကျောင်းသားရာခိုင်နှုန်း။
၅။ Boxplot: median၊ quartiles နှင့် outliers များကို အတိုချုံးမြင်ရန် ကူညီပေးပြီး class များ သို့မဟုတ် group များကို နှိုင်းယှဉ်သည့်အခါ အသုံးဝင်ပါသည်။
သင့်လျော်သော မြင်ယောင်ကြည့်ခြင်းသည် ဆရာ၊ ဆရာမများ၊ ကျောင်းအုပ်ကြီးများနှင့် မူဝါဒချမှတ်သူများအတွက် သုတေသနရလဒ်များကို ဖတ်ရှုရလွယ်ကူစေသည်။
ပညာရေးဆိုင်ရာ သုတေသနတွင် အသုံးချမှု ဥပမာများ
ဥပမာအားဖြင့် သုတေသီတစ်ဦးသည် ဗီဒီယိုအခြေပြု သင်ယူမှုမီဒီယာကို အသုံးပြုပြီးနောက် ကိုးတန်းကျောင်းသားများ၏ သိပ္ပံသင်ယူမှုရလဒ်များကို နားလည်လိုသည်။ စုဆောင်းရရှိသော အချက်အလက်များသည် ကျောင်းသား ၃၀ ထံမှ စာမေးပွဲအပြီးရမှတ်များဖြစ်သည်။
ဖော်ပြချက်စာရင်းအင်းများကို အသုံးချရန် အဆင့်များမှာ အောက်ပါအတိုင်းဖြစ်နိုင်သည်။
- အတန်းတွင်း ပျမ်းမျှအောင်မြင်မှုကို ရှာဖွေရန် ပျမ်းမျှတန်ဖိုးကို တွက်ချက်ပါ။
– အစွန်းရောက်တန်ဖိုးများကို ပိုမိုခံနိုင်ရည်ရှိသော အလယ်တန်ဖိုးကိုကြည့်ရှုရန် အလယ်တန်ဖိုးကို တွက်ချက်ပါ။
– သင်ယူမှုရလဒ်များ တစ်ပြေးညီဖြစ်မဖြစ် အကဲဖြတ်ရန် စံသွေဖည်မှုကို တွက်ချက်ပါ။
- တန်ဖိုးများ၏ ဖြန့်ဖြူးမှုကို ကြည့်ရှုရန် histogram တစ်ခု ဖန်တီးပါ။
– အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို လွယ်ကူချောမွေ့စေရန်အတွက် အမျိုးအစားဇယားတစ်ခု ဖန်တီးပါ (ဥပမာ- အလွန်ကောင်း၊ ကောင်း၊ လုံလောက်၊ နည်း)။
ဤရလဒ်များမှ သုတေသီများသည် ဥပမာအားဖြင့် ပျမ်းမျှအဆင့် မြင့်တက်လာပြီး ကျောင်းသားအများစုသည် ကောင်းမွန်သော အမျိုးအစားတွင် ရှိနေသော်လည်း အပိုဆောင်းအကူအညီ လိုအပ်သော ကျောင်းသားအချို့ ရှိနေသေးသည်။
ပညာရေးဆိုင်ရာ သုတေသီများနှင့် လက်တွေ့လုပ်ဆောင်သူများအတွက် ဖော်ပြချက်စာရင်းအင်းများ၏ အကျိုးကျေးဇူးများ
ဖော်ပြစာရင်းအင်းများကို အသုံးချခြင်းသည် အောက်ပါတို့အပါအဝင် တကယ့်အကျိုးကျေးဇူးများကို ပေးစွမ်းသည်-
၁။ သင်ယူမှုကြားဝင်ဆောင်ရွက်မှုမပြုလုပ်မီ (စမ်းသပ်မှုမတိုင်မီ) နှင့် ပြုလုပ်ပြီးနောက် (စမ်းသပ်မှုပြီးနောက်) ကနဦးအခြေအနေများကို နားလည်ပါ။
၂။ ဒေတာကွဲပြားမှုများမှတစ်ဆင့် ကျောင်းသားများအကြား သို့မဟုတ် အတန်းများအကြား ကွာဟချက်များကို ထောက်လှမ်းခြင်း။
၃။ ကြီးမားသောဒေတာကို တိုတိုနှင့် အဓိပ္ပာယ်ရှိသော အချက်အလက်အဖြစ် ရိုးရှင်းအောင်လုပ်ပါ။
၄။ ဆုံးဖြတ်ချက်ချမှတ်ခြင်းကို ပံ့ပိုးပါ၊ ဥပမာအားဖြင့် ပြန်လည်ကုစားရေးအစီအစဉ်များ၊ အရည်အချင်းမြှင့်တင်ရေး သို့မဟုတ် သင်ကြားရေးဗျူဟာများ တိုးတက်ကောင်းမွန်အောင် လုပ်ဆောင်ခြင်းတို့ကို ဆုံးဖြတ်ခြင်း။
၅။ အချက်အလက်များ၏ ဖြန့်ဖြူးမှုနှင့် ဝိသေသလက္ခဏာများကို ဦးစွာကြည့်ရှုခြင်းဖြင့် t-test သို့မဟုတ် ANOVA ကဲ့သို့သော နောက်ထပ်ခွဲခြမ်းစိတ်ဖြာမှု၏ ဖြစ်နိုင်ခြေကို အတည်ပြုပါ။
ပိတ်
ဖော်ပြချက်စာရင်းအင်းများသည် ပညာရေးဆိုင်ရာသုတေသနတွင် မရှိမဖြစ်အခြေခံအုတ်မြစ်တစ်ခုဖြစ်သည်။ ဗဟိုလမ်းကြောင်း၊ ပျံ့နှံ့မှု၊ ဖြန့်ဖြူးမှုနှင့် အချက်အလက်တင်ပြမှုပုံစံအမျိုးမျိုးကို တိုင်းတာမှုများမှတစ်ဆင့် သုတေသီများသည် သင်ယူမှုအခြေအနေများကို ဓမ္မဓိဋ္ဌာန်ကျကျနှင့် စနစ်တကျဖော်ပြနိုင်သည်။ ၎င်း၏အသုံးချမှုသည် ပညာရေးဆိုင်ရာရည်ရွယ်ချက်များအတွက်သာမက နေ့စဉ်ပညာရေးဆိုင်ရာအလေ့အကျင့်တွင်လည်း အထောက်အကူပြုသည်- ဆရာ၊ ဆရာမများအား ကျောင်းသားများ၏လိုအပ်ချက်များကို နားလည်စေရန်ကူညီပေးခြင်း၊ ကျောင်းများအား ပရိုဂရမ်များကို အကဲဖြတ်ရာတွင် ကူညီပေးခြင်းနှင့် မူဝါဒချမှတ်သူများအား အရည်အသွေးတိုးတက်မှုဗျူဟာများ ရေးဆွဲရာတွင် ကူညီပေးခြင်း။ ဖော်ပြချက်စာရင်းအင်းများကို ကောင်းစွာနားလည်ခြင်းဖြင့် ပညာရေးဆိုင်ရာသုတေသနသည် ပိုမိုအားကောင်းလာမည်ဖြစ်ပြီး၊ ပိုမိုအသိပေးမှုရှိလာမည်ဖြစ်ပြီး၊ သင်ကြားရေးနှင့် သင်ယူမှုလုပ်ငန်းစဉ်ကို တိုးတက်ကောင်းမွန်စေရန် ပိုမိုသက်ဆိုင်လာမည်ဖြစ်သည်။
