ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ
ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਵਿਦਿਅਕ ਖੋਜ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹਨ ਕਿਉਂਕਿ ਇਹ ਸੰਖੇਪ, ਸਪਸ਼ਟ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਸਮਝੇ ਜਾਣ ਵਾਲੇ ਡੇਟਾ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਵਿਦਿਅਕ ਸੰਦਰਭ ਵਿੱਚ, ਡੇਟਾ ਅਕਸਰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ: ਵਿਦਿਆਰਥੀ ਟੈਸਟ ਸਕੋਰ, ਪ੍ਰੇਰਣਾ ਪ੍ਰਸ਼ਨਾਵਲੀ ਨਤੀਜੇ, ਹਾਜ਼ਰੀ ਦਰ, ਸਾਖਰਤਾ ਸਕੋਰ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਮਰ, ਲਿੰਗ, ਅਤੇ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਪਿਛੋਕੜ ਵਰਗੇ ਜਨਸੰਖਿਆ ਡੇਟਾ ਵੀ। ਸਹੀ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਬਿਨਾਂ, ਇਹ ਡੇਟਾ ਸਿਰਫ਼ ਸੰਖਿਆਵਾਂ ਬਣ ਜਾਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਰਾਹੀਂ, ਖੋਜਕਰਤਾ ਅਸਲ-ਸੰਸਾਰ ਦੀਆਂ ਸਥਿਤੀਆਂ ਪੇਸ਼ ਕਰ ਸਕਦੇ ਹਨ, ਸ਼ੁਰੂਆਤੀ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਅਨੁਮਾਨਤ ਵਿਸ਼ਲੇਸ਼ਣ ਵੱਲ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਠੋਸ ਨੀਂਹ ਬਣਾ ਸਕਦੇ ਹਨ।
ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਉਦੇਸ਼
ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਇੱਕ ਅੰਕੜਾ ਵਿਧੀ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ, ਸੰਗਠਿਤ ਕਰਨ, ਸੰਖੇਪ ਕਰਨ ਅਤੇ ਪੇਸ਼ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਜੋ ਮੁੱਖ ਜਾਣਕਾਰੀ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦੇਵੇ। ਇਸਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਵਿਸ਼ਾਲ ਆਬਾਦੀ ਲਈ ਆਮ ਬਣਾਉਣਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਵਰਣਨ ਕਰਨਾ ਹੈ। ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ, ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਅਜਿਹੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ: ਵਿਦਿਆਰਥੀ ਗ੍ਰੇਡ ਕਿਵੇਂ ਵੰਡੇ ਜਾਂਦੇ ਹਨ? ਔਸਤ ਸਿੱਖਣ ਪ੍ਰੇਰਣਾ ਸਕੋਰ ਕੀ ਹੈ? ਕੀ ਜ਼ਿਆਦਾਤਰ ਵਿਦਿਆਰਥੀ ਕਿਸੇ ਖਾਸ ਯੋਗਤਾ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹਨ? ਜਾਂ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਕਿੰਨੀ ਭਿੰਨਤਾ ਹੈ?
ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਦਾ "ਪ੍ਰਵੇਸ਼ ਦੁਆਰ" ਹਨ। ਕਿਸੇ ਖਾਸ ਸਿਖਲਾਈ ਮਾਡਲ ਦੇ ਪ੍ਰਭਾਵ ਜਾਂ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਸਿੱਟਾ ਕੱਢਣ ਤੋਂ ਪਹਿਲਾਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਪਹਿਲਾਂ ਡੇਟਾ ਦੀ ਆਮ ਤਸਵੀਰ ਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਸਿੱਖਿਆ ਵਿੱਚ ਡੇਟਾ ਦੀਆਂ ਕਿਸਮਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਪ੍ਰਭਾਵ
ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਇਕੱਤਰ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੀ ਕਿਸਮ ਤੋਂ ਬਹੁਤ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ। ਸਿੱਖਿਆ ਡੇਟਾ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:
1. ਨਾਮਾਤਰ ਡੇਟਾ, ਉਦਾਹਰਨ ਲਈ ਲਿੰਗ (ਪੁਰਸ਼/ਔਰਤ), ਮੁੱਖ (ਵਿਗਿਆਨ/ਸਮਾਜਿਕ ਵਿਗਿਆਨ), ਸਕੂਲ ਦੀ ਸਥਿਤੀ (ਰਾਜ/ਨਿੱਜੀ)।
2. ਆਮ ਡੇਟਾ, ਉਦਾਹਰਨ ਲਈ "ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹਿਮਤ" ਤੋਂ "ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਸਹਿਮਤ" ਤੱਕ ਦਾ ਇੱਕ ਰਵੱਈਆ ਪੈਮਾਨਾ, ਜਾਂ ਪ੍ਰਾਪਤੀ ਸ਼੍ਰੇਣੀਆਂ (ਉੱਚ/ਦਰਮਿਆਨੀ/ਨੀਵਾਂ)।
3. ਅੰਤਰਾਲ ਡੇਟਾ, ਉਦਾਹਰਨ ਲਈ ਮਨੋਵਿਗਿਆਨਕ ਟੈਸਟ ਸਕੋਰ ਜਾਂ ਪ੍ਰਸ਼ਨਾਵਲੀ ਨਤੀਜੇ ਜੋ ਲਿਕਰਟ ਸਕੇਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਅਤੇ ਖੋਜ ਅਭਿਆਸ ਵਿੱਚ ਅੰਤਰਾਲਾਂ ਵਜੋਂ ਮੰਨੇ ਜਾਂਦੇ ਹਨ।
4. ਅਨੁਪਾਤ ਡੇਟਾ, ਉਦਾਹਰਨ ਲਈ ਪ੍ਰੀਖਿਆ ਸਕੋਰ (0-100), ਹਾਜ਼ਰੀ, ਜਾਂ ਅਧਿਐਨ ਸਮਾਂ (ਘੰਟੇ)।
ਵਧੇਰੇ ਸਟੀਕ ਵਿਆਖਿਆ ਲਈ ਅੰਕੜਿਆਂ ਦੇ ਮਾਪਾਂ ਜਿਵੇਂ ਕਿ ਔਸਤ, ਮੱਧਮਾਨ, ਜਾਂ ਮੋਡ, ਅਤੇ ਨਾਲ ਹੀ ਡੇਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦੇ ਢੰਗ ਦੀ ਚੋਣ ਨੂੰ ਡੇਟਾ ਸਕੇਲ ਦੀ ਕਿਸਮ ਦੇ ਅਨੁਸਾਰ ਐਡਜਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਕੇਂਦਰੀਕਰਨ ਦੇ ਮਾਪ: ਮੱਧਮਾਨ, ਮੱਧਮਾਨ, ਅਤੇ ਮੋਡ
ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਮਾਪ "ਮੱਧ ਬਿੰਦੂ" ਮੁੱਲ, ਜਾਂ ਉਹ ਮੁੱਲ ਦਰਸਾਉਂਦੇ ਹਨ ਜੋ ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ। ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ:
– ਔਸਤ (ਔਸਤ) ਅਕਸਰ ਟੈਸਟ ਸਕੋਰ ਜਾਂ ਪ੍ਰੀਖਿਆ ਗ੍ਰੇਡਾਂ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਅੱਠਵੀਂ ਜਮਾਤ ਦੇ ਗਣਿਤ ਦੇ ਔਸਤ ਸਕੋਰ 78 ਹਨ। ਇਹ ਜਾਣਕਾਰੀ ਅਧਿਆਪਕਾਂ ਜਾਂ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਕਲਾਸ ਦੇ ਸਮੁੱਚੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
- ਮੱਧਮਾਨ ਉਦੋਂ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਡੇਟਾ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੁੱਲ (ਆਊਟਲੀਅਰ) ਹੁੰਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਕੁਝ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਬਹੁਤ ਘੱਟ ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅੰਕ ਹਨ, ਤਾਂ ਮੱਧਮਾਨ ਔਸਤ ਨਾਲੋਂ ਵਧੇਰੇ ਪ੍ਰਤੀਨਿਧ ਹੋ ਸਕਦਾ ਹੈ।
- ਮੋਡ ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਲਾਭਦਾਇਕ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਅਕਸਰ ਹੋਣ ਵਾਲੀ ਸਿੱਖਣ ਸ਼ੈਲੀ ਸ਼੍ਰੇਣੀ ਜਾਂ ਪ੍ਰੇਰਣਾ ਦਾ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪੱਧਰ।
ਸਿੱਖਣ ਮੁਲਾਂਕਣ ਖੋਜ ਵਿੱਚ, ਇਹਨਾਂ ਤਿੰਨਾਂ ਮਾਪਾਂ ਨੂੰ ਅਕਸਰ ਇੱਕ ਵਧੇਰੇ ਸੰਪੂਰਨ ਤਸਵੀਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇਕੱਠੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਫੈਲਾਅ ਦੇ ਮਾਪ: ਰੇਂਜ, ਵਿਭਿੰਨਤਾ, ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ
ਡੇਟਾ ਦੇ ਗੰਭੀਰਤਾ ਕੇਂਦਰ ਨੂੰ ਜਾਣਨ ਤੋਂ ਇਲਾਵਾ, ਵਿਦਿਅਕ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਕਿ ਡੇਟਾ ਕਿੰਨਾ ਵਿਭਿੰਨ ਹੈ। ਦੋ ਕਲਾਸਾਂ ਦਾ ਔਸਤ ਸਕੋਰ ਇੱਕੋ ਜਿਹਾ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਦੀ ਵੰਡ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਫੈਲਾਅ ਦੇ ਮਾਪ ਖੇਡ ਵਿੱਚ ਆਉਂਦੇ ਹਨ।
– ਰੇਂਜ ਸਭ ਤੋਂ ਉੱਚੇ ਅਤੇ ਸਭ ਤੋਂ ਹੇਠਲੇ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਸਭ ਤੋਂ ਘੱਟ ਮੁੱਲ 40 ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ 95 ਹੈ, ਤਾਂ ਰੇਂਜ 55 ਹੈ। ਰੇਂਜ ਪਰਿਵਰਤਨ ਦੀ ਇੱਕ ਤੇਜ਼ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਪਰ ਅਤਿਅੰਤ ਮੁੱਲਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ।
- ਭਿੰਨਤਾ ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ ਵਧੇਰੇ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਇਹ ਭਿੰਨਤਾ ਦੇ ਵਧੇਰੇ ਸਥਿਰ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਮਿਆਰੀ ਭਟਕਣਾ ਮੁਕਾਬਲਤਨ ਬਰਾਬਰ ਵਿਦਿਆਰਥੀ ਸਕੋਰ ਦਰਸਾਉਂਦਾ ਹੈ; ਇੱਕ ਵੱਡਾ ਮਿਆਰੀ ਭਟਕਣਾ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਇੱਕ ਵੱਡੇ ਪਾੜੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ, ਮਿਆਰੀ ਭਟਕਣਾ ਅਕਸਰ ਇਹ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਕੀ ਕੋਈ ਵਰਗ ਸਮਰੂਪ ਹੈ ਜਾਂ ਵਿਭਿੰਨ, ਉਦਾਹਰਣ ਵਜੋਂ ਪ੍ਰਯੋਗਾਤਮਕ ਅਤੇ ਨਿਯੰਤਰਣ ਸਮੂਹਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ।
ਡਾਟਾ ਵੰਡ: ਢਲਾਣ ਅਤੇ ਸਪਾਈਕ
ਡੇਟਾ ਵੰਡ ਪੈਟਰਨ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਸਕੋਰ ਡੇਟਾ ਖੱਬੇ ਪਾਸੇ (ਬਹੁਤ ਸਾਰੇ ਉੱਚ ਸਕੋਰ) ਜਾਂ ਸੱਜੇ ਪਾਸੇ (ਬਹੁਤ ਸਾਰੇ ਘੱਟ ਸਕੋਰ) ਤਿਰਛਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਿੱਖਣ ਦੇ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ, ਇਸ ਕਿਸਮ ਦੀ ਵੰਡ ਟੈਸਟ ਦੇ ਮੁਸ਼ਕਲ ਪੱਧਰ ਦਾ ਸੂਚਕ ਹੋ ਸਕਦੀ ਹੈ। ਜੇਕਰ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਇੱਕ ਵੱਡੀ ਪ੍ਰਤੀਸ਼ਤ ਘੱਟ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ ਅਤੇ ਵੰਡ ਸੱਜੇ ਪਾਸੇ ਤਿਰਛਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਸੰਕੇਤ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਸਮੱਗਰੀ ਨੂੰ ਸਮਝਿਆ ਨਹੀਂ ਗਿਆ ਹੈ, ਸਿੱਖਣ ਦਾ ਤਰੀਕਾ ਬੇਅਸਰ ਹੈ, ਜਾਂ ਸਾਧਨ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ।
ਕਰਟੋਸਿਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਕੀ ਡੇਟਾ ਕੇਂਦਰ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਹੁਤ ਜ਼ਿਆਦਾ "ਕਲੱਸਟਰਡ" ਹੈ ਜਾਂ ਫੈਲਿਆ ਹੋਇਆ ਹੈ। ਜਦੋਂ ਕਿ ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਵਧੇਰੇ ਤਕਨੀਕੀ ਹੈ, ਵੰਡ ਨੂੰ ਸਮਝਣਾ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਢੁਕਵੀਆਂ ਉੱਨਤ ਵਿਸ਼ਲੇਸ਼ਣ ਤਕਨੀਕਾਂ ਦੀ ਚੋਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਡਾਟਾ ਪੇਸ਼ਕਾਰੀ: ਟੇਬਲ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ
ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਇੱਕ ਖੂਬੀ ਡੇਟਾ ਨੂੰ ਦਿਲਚਸਪ ਅਤੇ ਸੰਚਾਰੀ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ, ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਪੇਸ਼ਕਾਰੀ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
1. ਬਾਰੰਬਾਰਤਾ ਵੰਡ ਸਾਰਣੀ: ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਖਾਸ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਸੰਖਿਆ ਦਰਸਾਉਂਦੀ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ 0–59, 60–69, 70–79, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਹੋਰ।
2. ਬਾਰ ਚਾਰਟ: ਪ੍ਰੇਰਣਾ ਪੱਧਰ (ਉੱਚ/ਮੱਧਮ/ਨੀਵਾਂ) ਜਾਂ ਪ੍ਰਸ਼ਨਾਵਲੀ ਉੱਤਰ ਵਿਕਲਪਾਂ ਵਰਗੇ ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ।
3. ਹਿਸਟੋਗ੍ਰਾਮ: ਟੈਸਟ ਸਕੋਰ ਵਰਗੇ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਦੀ ਵੰਡ ਨੂੰ ਦੇਖਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
4. ਪਾਈ ਚਾਰਟ: ਅਨੁਪਾਤ ਦਰਸਾਉਂਦਾ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ ਲਿੰਗ ਜਾਂ ਹਾਜ਼ਰੀ ਸ਼੍ਰੇਣੀ ਦੁਆਰਾ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ।
5. ਬਾਕਸਪਲਾਟ: ਮੱਧਮਾਨ, ਚੌਥਾਈ ਅਤੇ ਆਊਟਲੀਅਰ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਕਈ ਕਲਾਸਾਂ ਜਾਂ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਵੇਲੇ ਉਪਯੋਗੀ।
ਸਹੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਅਧਿਆਪਕਾਂ, ਪ੍ਰਿੰਸੀਪਲਾਂ ਅਤੇ ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਲਈ ਖੋਜ ਨਤੀਜਿਆਂ ਨੂੰ ਪੜ੍ਹਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ।
ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ ਐਪਲੀਕੇਸ਼ਨ ਦੀਆਂ ਉਦਾਹਰਣਾਂ
ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਖੋਜਕਰਤਾ ਵੀਡੀਓ-ਅਧਾਰਤ ਸਿਖਲਾਈ ਮੀਡੀਆ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਬਾਅਦ ਨੌਵੀਂ ਜਮਾਤ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਵਿਗਿਆਨ ਸਿਖਲਾਈ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਮਝਣਾ ਚਾਹੁੰਦਾ ਹੈ। ਇਕੱਤਰ ਕੀਤਾ ਗਿਆ ਡੇਟਾ 30 ਵਿਦਿਆਰਥੀਆਂ ਤੋਂ ਪੋਸਟ-ਟੈਸਟ ਸਕੋਰ ਹਨ।
ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਕਦਮ ਇਹ ਹੋ ਸਕਦੇ ਹਨ:
- ਔਸਤ ਕਲਾਸ ਪ੍ਰਾਪਤੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰੋ।
- ਮੱਧਮਾਨ ਦੀ ਗਣਨਾ ਕਰੋ ਤਾਂ ਜੋ ਮੱਧਮ ਮੁੱਲ ਦੇਖਿਆ ਜਾ ਸਕੇ ਜੋ ਕਿ ਅਤਿਅੰਤ ਮੁੱਲਾਂ ਪ੍ਰਤੀ ਵਧੇਰੇ ਰੋਧਕ ਹੈ।
- ਸਿੱਖਣ ਦੇ ਨਤੀਜੇ ਇਕਸਾਰ ਹਨ ਜਾਂ ਨਹੀਂ, ਇਸਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਮਿਆਰੀ ਭਟਕਣ ਦੀ ਗਣਨਾ ਕਰੋ।
- ਮੁੱਲਾਂ ਦੀ ਵੰਡ ਦੇਖਣ ਲਈ ਇੱਕ ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਓ।
- ਵਿਆਖਿਆ ਦੀ ਸਹੂਲਤ ਲਈ ਇੱਕ ਸ਼੍ਰੇਣੀ ਸਾਰਣੀ ਬਣਾਓ (ਉਦਾਹਰਣ ਵਜੋਂ: ਬਹੁਤ ਵਧੀਆ, ਚੰਗਾ, ਕਾਫ਼ੀ, ਘੱਟ)।
ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਤੋਂ, ਖੋਜਕਰਤਾ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਨ, ਉਦਾਹਰਣ ਵਜੋਂ, ਔਸਤ ਗ੍ਰੇਡ ਵਧਿਆ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਵਿਦਿਆਰਥੀ ਚੰਗੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹਨ, ਹਾਲਾਂਕਿ ਅਜੇ ਵੀ ਕੁਝ ਵਿਦਿਆਰਥੀ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਾਧੂ ਸਹਾਇਤਾ ਦੀ ਲੋੜ ਹੈ।
ਵਿਦਿਅਕ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਲਈ ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੇ ਲਾਭ
ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਅਸਲ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
1. ਸਿੱਖਣ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਪਹਿਲਾਂ (ਪ੍ਰੀ-ਟੈਸਟ) ਅਤੇ ਬਾਅਦ (ਪੋਸਟ-ਟੈਸਟ) ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ ਨੂੰ ਸਮਝੋ।
2. ਡੇਟਾ ਭਿੰਨਤਾਵਾਂ ਰਾਹੀਂ ਵਿਦਿਆਰਥੀਆਂ ਵਿਚਕਾਰ ਜਾਂ ਕਲਾਸਾਂ ਵਿਚਕਾਰ ਪਾੜੇ ਦਾ ਪਤਾ ਲਗਾਉਣਾ।
3. ਵੱਡੇ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਅਤੇ ਅਰਥਪੂਰਨ ਜਾਣਕਾਰੀ ਵਿੱਚ ਸਰਲ ਬਣਾਓ।
4. ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰੋ, ਉਦਾਹਰਨ ਲਈ ਉਪਚਾਰਕ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ, ਸੰਸ਼ੋਧਨ ਕਰਨਾ, ਜਾਂ ਸਿੱਖਿਆ ਰਣਨੀਤੀਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ।
5. ਪਹਿਲਾਂ ਡੇਟਾ ਦੀ ਵੰਡ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਦੇਖ ਕੇ, ਟੀ-ਟੈਸਟ ਜਾਂ ਐਨੋਵਾ ਵਰਗੇ ਹੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਿਵਹਾਰਕਤਾ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ।
ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ
ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਵਿਦਿਅਕ ਖੋਜ ਵਿੱਚ ਇੱਕ ਜ਼ਰੂਰੀ ਨੀਂਹ ਹਨ। ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ, ਫੈਲਾਅ, ਵੰਡ, ਅਤੇ ਡੇਟਾ ਪੇਸ਼ਕਾਰੀ ਦੇ ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਦੇ ਮਾਪਾਂ ਰਾਹੀਂ, ਖੋਜਕਰਤਾ ਸਿੱਖਣ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦਾ ਨਿਰਪੱਖ ਅਤੇ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਵਰਣਨ ਕਰ ਸਕਦੇ ਹਨ। ਇਸਦਾ ਉਪਯੋਗ ਨਾ ਸਿਰਫ਼ ਅਕਾਦਮਿਕ ਉਦੇਸ਼ਾਂ ਲਈ ਲਾਭਦਾਇਕ ਹੈ ਬਲਕਿ ਰੋਜ਼ਾਨਾ ਵਿਦਿਅਕ ਅਭਿਆਸ ਵਿੱਚ ਵੀ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ: ਅਧਿਆਪਕਾਂ ਨੂੰ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਨਾ, ਪ੍ਰੋਗਰਾਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ ਸਕੂਲਾਂ ਦੀ ਸਹਾਇਤਾ ਕਰਨਾ, ਅਤੇ ਗੁਣਵੱਤਾ ਸੁਧਾਰ ਰਣਨੀਤੀਆਂ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਦੀ ਸਹਾਇਤਾ ਕਰਨਾ। ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਇੱਕ ਚੰਗੀ ਸਮਝ ਦੇ ਨਾਲ, ਵਿਦਿਅਕ ਖੋਜ ਅਧਿਆਪਨ ਅਤੇ ਸਿੱਖਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਮਜ਼ਬੂਤ, ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਅਤੇ ਵਧੇਰੇ ਢੁਕਵੀਂ ਹੋਵੇਗੀ।
