Примена дескриптивне статистике у образовним истраживањима
Дескриптивна статистика је кључна компонента образовних истраживања јер омогућава концизне, јасне и лако разумљиве податке. У образовном контексту, подаци често обухватају широк спектар тема: резултате тестова ученика, резултате упитника о мотивацији, стопе похађања, резултате писмености, па чак и демографске податке као што су старост, пол и социоекономска позадина. Без одговарајуће обраде, ови подаци постају само бројеви које је тешко интерпретирати. Путем дескриптивне статистике, истраживачи могу представити услове из стварног света, идентификовати почетне обрасце и изградити солидну основу пре него што пређу на инференцијалну анализу.
Дефиниција и сврха дескриптивне статистике
Дескриптивна статистика је статистичка метода која се користи за прикупљање, организовање, сумирање и презентовање података тако да кључне информације буду јасно видљиве. Њена примарна сврха није генерализација резултата на ширу популацију, већ описивање карактеристика података. У образовним истраживањима, дескриптивна статистика помаже у одговору на питања као што су: како су распоређене оцене ученика? Колики је просечан резултат мотивације за учење? Да ли је већина ученика у одређеној категорији способности? Или колике су варијације у исходима учења међу ученицима?
Другим речима, дескриптивна статистика је „капија“ ка разумевању података. Пре него што закључе о утицају одређеног модела учења или односу између варијабли, истраживачи прво треба да разумеју општу слику података.
Врсте података и њихове импликације у образовању
Примена дескриптивне статистике је у великој мери под утицајем врсте прикупљених података. Подаци о образовању генерално укључују:
1. Номинални подаци, на пример пол (мушки/женски), смер (наука/друштвене науке), статус школе (државна/приватна).
2. Ординални подаци, на пример скала ставова од „у потпуности се слажем“ до „уопште се не слажем“ или категорије постигнућа (високо/средње/ниско).
3. Интервални подаци, на пример резултати психолошких тестова или резултати упитника који користе Ликертову скалу и који се у истраживачкој пракси третирају као интервали.
4. Подаци о односу, на пример резултати испита (0–100), присуство или време учења (сати).
Избор статистичких мера као што су средња вредност, медијана или мод, као и метод визуелизације података, требало би да буду прилагођени типу скале података ради тачније интерпретације.
Мере централизације: средња вредност, медијана и мод
Мере централне тенденције служе да укажу на „средњу“ вредност, односно вредност која најбоље представља податке. У образовним истраживањима:
– Просек се често користи за описивање резултата тестова. На пример, просечан резултат из математике у осмом разреду је 78. Ове информације помажу наставницима или истраживачима да виде укупни успех одељења.
– Медијана је корисна када подаци садрже екстремне вредности (аутлајере). На пример, ако неки ученици имају веома ниске или веома високе резултате, медијана може бити репрезентативнија од средње вредности.
– Режим је користан за категоријалне податке, на пример, најчешће заступљену категорију стила учења или најдоминантнији ниво мотивације.
У истраживањима евалуације учења, ове три мере се често користе заједно како би се добила потпунија слика.
Мере распона: распон, варијанса и стандардна девијација
Поред познавања тежишта података, истраживачи у образовању такође морају да разумеју колико су подаци разноврсни. Две класе могу имати исти просечан резултат, али се њихова дистрибуција разликује. Ту долазе до изражаја мере дисперзије.
– Распон је разлика између највише и најниже вредности. На пример, ако је најнижа вредност 40, а највиша 95, распон је 55. Распон пружа брз преглед варијација, али је осетљив на екстремне вредности.
– Варијанса и стандардна девијација се чешће користе јер пружају стабилније мере варијације. Мала стандардна девијација указује на релативно уједначене резултате ученика; велика стандардна девијација указује на велику разлику у исходима учења.
У образовним истраживањима, стандардна девијација се често користи за процену да ли је разред хомоген или хетероген, на пример пре одређивања експерименталних и контролних група.
Дистрибуција података: Нагиб и шиљак
Обрасци дистрибуције података су такође важни. Подаци о резултатима могу бити искривљени улево (много високих резултата) или искривљени удесно (много ниских резултата). У евалуацијама учења, ова врста дистрибуције може бити показатељ нивоа тежине теста. Ако велики проценат ученика добије ниске резултате и дистрибуција је искривљена удесно, то би могло указивати на то да градиво није схваћено, да је метод учења неефикасан или да је инструмент претежак.
Куртоза се такође може анализирати како би се утврдило да ли су подаци превише „груписани“ око центра или су раштркани. Иако је ова анализа више техничке природе, разумевање дистрибуције помаже истраживачима да изаберу одговарајуће напредне технике анализе.
Презентација података: Табеле и визуелизације
Једна од предности дескриптивне статистике је њена способност да представи податке на занимљив и комуникативан начин. У образовним истраживањима, уобичајено коришћени формати презентације укључују:
1. Табела расподеле фреквенција: приказује број студената у одређеном опсегу вредности, на пример 0–59, 60–69, 70–79 и тако даље.
2. Стубичасти дијаграм: погодан за категоријалне податке као што су ниво мотивације (висок/средњи/низак) или избори одговора на упитник.
3. Хистограм: користи се за приказ дистрибуције нумеричких података као што су резултати тестова.
4. Кружни дијаграм: приказује пропорције, на пример проценат ученика по полу или категорији похађања.
5. Boxplot: помаже да се укратко виде медијана, квартили и аутлајери, корисно при поређењу неколико класа или група.
Правилна визуелизација олакшава читање резултата истраживања наставницима, директорима школа и креаторима политике.
Примери примене у образовним истраживањима
На пример, истраживач жели да разуме исходе учења науке код ученика деветог разреда након коришћења видео образовних медија. Прикупљени подаци су резултати тестова од 30 ученика.
Кораци за примену дескриптивне статистике могу бити:
– Израчунајте просек да бисте сазнали просечан успех у разреду.
– Израчунајте медијану да бисте видели средњу вредност која је отпорнија на екстремне вредности.
– Израчунајте стандардну девијацију да бисте проценили да ли су исходи учења уједначени.
– Направите хистограм да бисте видели расподелу вредности.
– Направите табелу категорија (на пример: врло добро, добро, довољно, мање) ради лакшег тумачења.
Из ових резултата, истраживачи могу закључити, на пример, да је просечна оцена повећана и да је већина ученика у категорији добрих, иако и даље постоје неки ученици којима је потребна додатна помоћ.
Предности дескриптивне статистике за истраживаче и практичаре у образовању
Примена дескриптивне статистике пружа стварне користи, укључујући:
1. Разумети почетне услове пре него што се спроведе интервенција учења (преттест) и после (посттест).
2. Откривање разлика између ученика или између разреда путем варијација података.
3. Поједноставите велике податке у сажете и смислене информације.
4. Подршка доношењу одлука, на пример одређивање програма корекције, обогаћивања или побољшања наставних стратегија.
5. Потврдите изводљивост даље анализе, као што је t-тест или ANOVA, тако што ћете прво погледати дистрибуцију и карактеристике података.
Пенутуп
Дескриптивна статистика је суштински темељ у истраживањима у образовању. Користећи мере централне тенденције, дисперзије, дистрибуције и различитих облика презентације података, истраживачи могу објективно и систематски описати ситуације учења. Њена примена није корисна само у академске сврхе, већ доприноси и свакодневној образовној пракси: помаже наставницима да разумеју потребе ученика, помаже школама у евалуацији програма и помаже креаторима политике у развоју стратегија за побољшање квалитета. Уз добро разумевање дескриптивне статистике, истраживања у образовању биће јача, информативнија и релевантнија за побољшање процеса наставе и учења.
