14/11/ Καθορισμός & επιλογή συμμετεχόντων 1/16. Διαδικασία συλλογής δεδομένων. 1. Καθορισμός & επιλογή συμμετεχόντων 2/16

Transcript

1 Διαδικασία συλλογής δεδομένων Στόχοι Καθορισμός & επιλογή συμμετεχόντων- Εξασφάλιση άδειας Επιλογή του είδους των πληροφοριών για συλλογή Επιλογή των οργάνων μέτρησης Διαχείριση της συλλογής δεδομένων 1. Καθορισμός & επιλογή συμμετεχόντων 1/16 Καθορισμός ποιος & τι θα μελετηθούν Ποια θα είναι η μονάδα ανάλυσης (άτομο, σχολείο, περιοχή σχολείου κλπ.) Από ποιον θα πάρουμε τις πληροφορίες δεδομένα για να απαντήσουμε στα ερωτήματα & υποθέσεις Πολλές φορές μπορεί να είναι διαφορετικές μονάδες στην ίδια έρευνα, άλλες για την ανεξάρτητη, άλλες για την εξαρτημένη μεταβλητή 1. Καθορισμός & επιλογή συμμετεχόντων 2/16 Πληθυσμός: ένα σύνολο ατόμων με κοινά χαρακτηριστικά Πληθυσμός στόχος: μία ομάδα ατόμων του πληθυσμού με κάποιο κοινό χαρακτηριστικό που μπορεί να εντοπιστεί και να μελετηθεί Δείγμα: το υποσύνολο ενός πληθυσμού στόχου στο οποίο εφαρμόζεται μια έρευναμε σκοπό να γενικεύσει τα ευρήματα της για τον πληθυσμό στόχο : η διαδικασία με την οποία από έναν πληθυσμό επιλέγεται ένα δείγμα 1. Καθορισμός & επιλογή συμμετεχόντων 3/16 Δείγμα: Τα δείγματα αποτελούν εκτιμήσεις του πληθυσμού Η διαφορά μεταξύ του δείγματος και του πληθυσμού είναι αυτό που αποκαλείται σφάλμα ς 1. Καθορισμός & επιλογή συμμετεχόντων 4/16 Πληθυσμός Πληθυσμός στόχος Δείγμα 1. Καθορισμός & επιλογή συμμετεχόντων 5/16 Γιατί ; Φοιτητές Φοιτητές Πανεπιστημίου Κρήτης 20 φοιτητές από κάθε τμήμα του πανεπιστημίου Κόστος Καθηγητές λυκείου Καθηγητές Φυσικής Όλοι οι καθηγητές Φυσικής στα λύκεια της Κρήτης Νηπιαγωγεία & παιδικοί σταθμοί Νηπιαγωγεία & παιδικοί σταθμοί στην Ελλάδα Κάποια νηπιαγωγεία & παιδικοί σταθμοί από όλη την Ελλάδα Χρόνος Προσβασιμότητα Η στρατηγική επιλογής του δείγματος επηρεάζει τα αποτελέσματα της έρευνας 1

2 1. Καθορισμός & επιλογή συμμετεχόντων 6/16 πιθανοτήτων (probability sampling) Αντιπροσωπευτικό δείγμα του πληθυσμού στόχου μη πιθανοτήτων (nonprobability sampling) Μη αντιπροσωπευτικό δείγμα Τύποι ς 1. Καθορισμός & επιλογή συμμετεχόντων 7/16 πιθανοτήτων (probability sampling) Απλή Τυχαία Simple random Συστηματική τυχαία Systematic random Κατά συστάδες Cluster Στρωσιγενής Stratified Πολυεπίπεδη Multistage μη πιθανοτήτων (nonprobability sampling) ς ευκολίας Convenience sampling χιονοστιβάδας Snowball sampling 1. Καθορισμός & επιλογή συμμετεχόντων 8/16 κάθε μέλος του πληθυσμού στόχου έχει ίση & ανεξάρτητη πιθανότητα να επιλεγεί στο δείγμα απλή διαδικασία Τυχαία συμβατότητα με πολλά στατιστικά τεστ απαιτείται πλήρης λίστα του συνολικού πληθυσμού κάτι ως πληροφορία δεν είναι πάντα εύκολα προσβάσιμη 1. Καθορισμός & επιλογή συμμετεχόντων 9/16 Επιλογή δείγματος με βάση ένα συστηματικό κανόνα π.χ. Γνωρίζοντας τον αριθμό δείγματος που θέλουμε τον διαιρούμε με τον πληθυσμό (έστω ν) και μετά αρχίζοντας από ένα τυχαίο σημείο επιλέγουμε το κάθε νιοστό άτομο Ευκολία Ταχύτητα Συστηματική 1. Καθορισμός & επιλογή συμμετεχόντων 10/16 Οταν στον πληθυσμό υπάρχουν ομαδοποιήσεις που δημιουργούνται φυσικά μη διαθέσιμη λίστα του πληθυσμού κατά συστάδες οικονομία (όταν υπάρχει μεγάλη διασπορά στον πληθυσμό) μειονέκτημα στη στατιστική ανάλυση των δεδομένων 1. Καθορισμός & επιλογή συμμετεχόντων 11/16 επίπεδο γραμματισμού στα παιδιά πρώτης δημοτικού του νομού Ρεθύμνου (100 μαθητές δείγμα) ταξινόμηση του πληθυσμού (π.χ. έστω υπάρχουν 50 τάξεις πρώτης δημοτικού στο Ρέθυμνο) λήψη τυχαίου δείγματος 20 τάξεων λήψη τυχαίου δείγματους μαθητών από κάθε τάξη (5 μαθητές) σύνολο δείγματος 100 μαθητές (20Χ5) κατά συστάδες 2

3 1. Καθορισμός & επιλογή συμμετεχόντων 12/16 χρησιμοποιείται όταν υπάρχουν υποομάδες (στρώματα) διαφορετικών μεγεθών που θέλουμε να ερευνήσουμε π.χ. χωρίζουμε σε ομοιογενείς ομάδες (αγόρια - κορίτσια) και επιλέγουμε από κάθε ομάδα ένα τυχαίο δείγμα αναλογικά ή μη αναλογικά (proportional or disproportional sampling) Στρωσιγενής 1. Καθορισμός & επιλογή συμμετεχόντων 13/16 Συνδυασμός μεθόδων Πολυεπίπεδη π.χ. κατά συστάδες και μετά τυχαία για την επιλογή δείγματος μέσα σε κάθε συστάδα π.χ. Στρωσιγενής και μετά συστηματική για την επιλογή δείγματος από κάθε στρώμα 1. Καθορισμός & επιλογή συμμετεχόντων 14/16 «Αξιολόγηση της ποιότητας στην προσχολική αγωγή» στρωσιγενής (13 περιφέρειες) κατά συστάδες (τυχαία επιλογή ενός δήμου ανά περιφέρεια) τυχαία 40 σχολικών μονάδων ανά δήμο (13Χ40 = 520 σχολικές μονάδες) Πολυεπίπεδη 1. Καθορισμός & επιλογή συμμετεχόντων 15/16 Το δείγμα αποτελείται από συμμετέχοντες που ήταν πρόθυμοι & διαθέσιμοι Έρευνες με φοιτητές ενός πανεπιστημίου Έρευνες με υπαλλήλους μιας εταιρείας ευκολίας 1. Καθορισμός & επιλογή συμμετεχόντων 16/16 Ο ερευνητής ζητά από τους συμμετέχοντες να προτείνουν άλλους που θα μπορούσαν να γίνουν μέλη του δείγματος χιονοστιβάδας Μέγεθος δείγματος Το μέγεθος του δείγματος πρέπει να αυξάνει όταν: υπάρχουν πολλές μεταβλητές αναμένονται μικρές διαφορές ή χαμηλές συσχετίσεις το δείγμα χωρίζεται σε υποομάδες το δείγμα είναι ετερογενές στις διάφορες μεταβλητές της έρευνας 3

4 Μέγεθος δείγματος Όσο πιο μεγάλο είναι το δείγμα τόσο πιο εύκολα εντοπίζονται στατιστικά σημαντικές διαφορές μεγάλα δείγματα έχουν χαμηλή μεταβλητότητα (αποκλίσεις από το μέσο όρο) άρα μεγάλη ευαισθησία (ανίχνευση διαφορών) μεγάλα δείγματα όμως απαιτούν μέγαλο κόστος στην έρευνα (χρόνο, χρήμα κλπ.) Μέγεθος δείγματος Όσο μεγαλύτερη ανομοιογένεια στον πληθυσμό, τόσο μεγαλύτερο δείγμα χρειαζόμαστε Όσο πιο μεγάλη ακρίβεια επιθυμούμε, τόσο μεγαλύτερο δείγμα χρειαζόμαστε Αν είναι «στρωσιγενής» (stratified) η μεθοδολογία μας, τότε χρειαζόμαστε πιο μικρό δείγμα από ότι αν είναι «κατά συστάδες» (cluster) Όσο πιο πολύπλοκη είναι η στατιστική ανάλυση, τόσο μεγαλύτερο δείγμα χρειαζόμαστε Σφάλμα ς το σφάλμα ς (sampling error) αναφέρεται σε διαφορές μεταξύ του δείγματος και του πληθυσμού οι οποίες υπάρχουν επειδή αυτές οι συγκεκριμένες παρατηρήσεις έτυχε να επιλεχθούν εάν επιλεγούν πολλά τυχαία ισομεγέθη δείγματα από έναν πληθυσμό, η μέση τιμή του κάθε δείγματος θα διαφέρει οι μέσες τιμές αυτών των δειγμάτων θα είναι ομαλά κατανεμημένες η μέση τιμή όλων των δειγμάτων δεν θα διαφέρει σημαντικά από τη μέση τιμή του πληθυσμού Σφάλμα ς 2. Εξασφάλιση άδειας Από ιδρύματα ή φορείς (π.χ. υπουργείο, περιφέρεια) Από μεμονωμένους συμμετέχοντες Από γονείς συμμετεχόντων που δεν είναι ενήλικες 3. Επιλογή είδους πληροφοριών για συλλογή Ένα όργανο μέτρησης είναι εργαλείο για μετρήσεις, παρατηρήσεις, ή τεκμηρίωση ποσοτικών δεδομένων και υπάρχουν διάφοροι τύποι οργάνων μέτρησης: Μέτρησης απόδοσης (τεστ ελέγχου απόδοσης) Μέτρησης στάσεων (συναισθήματα απέναντι σε θέματα) Μέτρησης συμπεριφορών (παρατηρήση συμπεριφοράς) Μέτρησης αντικειμενικών πληροφοριών (έγγραφα, αρχεία) 4

5 4. Επιλογή οργάνων μέτρησης 1/13 Δημοσιευμένα άρθρα σε επιστημονικά περιοδικά Έρευνα σε βάσεις δεδομένων (π.χ. tests-print) Ανάπτυξη ενός νέου οργάνου μέτρησης 4. Επιλογή οργάνων μέτρησης 2/13 Έχει αναπτυχθεί κάποιο εργαλείο πρόσφατα; Αναφέρεται το εργαλείο εκτεταμένα από άλλους ερευνητές; Υπάρχουν διαθέσιμες αξιολογήσεις του εργαλείου; Ταιριάζει η διαδικασία με τα ερευνητικά ερωτήματα & ερευνητικές υποθέσεις; Κριτήρια επιλογής Υπάρχουν πληροφορίες για την αξιοπιστία και την εγκυρότητα των τιμών από προηγούμενες χρήσεις του εργαλείου; 4. Επιλογή οργάνων μέτρησης 3/13 αξιοπιστία οι τιμές από τη μέτρηση των μεταβλητών είναι σταθερές και συνεπείς το όργανο μετράει με συνέπεια εγκυρότητα οι τιμές από τη μέτρηση μεταβλητών έχουν νόημα - το όργανο μετράει αυτό ακριβώς που ισχυρίζεται ότι μετράει 4. Επιλογή οργάνων μέτρησης 4/13 Αξιοπιστία (reliability) Σταθερότητα, χρονική σταθερότητα, ελέγχου επανελέγχου (stability, temporal stability, test-retest) Παρατηρητών Κριτών (observers reliability, inter & intra -rater) Εσωτερική συνέπεια (internal consistency) π.χ. Θέματα ενός παράγοντα ερωτηματολογίου π.χ. ένα μέτρο είναι αξιόπιστο όταν κάθε φορά που μετράμε την ίδια απόσταση μας δίνει την ίδια τιμή π.χ. ένα ερωτηματολόγιο συμπεριφοράς να καταγράφει την πραγματική συμπεριφορά και όχι για παράδειγμα τις στάσεις ενός ατόμου ή τα πιστεύω του Κάθε μέτρηση έχει σφάλμα, δεν είναι απόλυτα αξιόπιστη Τυχαίο σφάλμα (random error) Συστηματικό σφάλμα (systematic error bias) 4. Επιλογή οργάνων μέτρησης 5/13 4. Επιλογή οργάνων μέτρησης 6/13 Τυχαίο σφάλμα Παράγοντες οι οποίοι, με τυχαίο τρόπο επηρεάζουν τη μέτρηση των υπό εξέταση μεταβλητών Αυξάνουν ή μειώνουν τις παρατηρούμενες τιμές Το άθροισμα των τυχαίων σφαλμάτων ισούται με μηδέν π.χ., η διάθεση των συμμετεχόντων Συστηματικό σφάλμα Είναι τα σφάλματα τα οποία επηρεάζουν συστηματικά (ί διο τρόπο) όλες τις μετρήσεις Επηρεάζει θετικά ή αρνητικά την μέση τιμή της μέτρησης π.χ. λανθασμένη χρήση των οργάνων ή παράβλεψη ορισμένων φαινομένων ή εξωτερικά αίτια που μπορεί να αλλάξουν τα αποτελέσματα του πειράματος (υγρασία, πίεση, θερμοκρασία κ.λ.π) 5

6 Εγκυρότητα 4. Επιλογή οργάνων μέτρησης 7/13 Εγκυρότητα (validity) περιεχομένου δομική κριτηρίου Περιεχομένου (content validity) ΠΟΣΟ ΚΑΛΑ Δομική (construct validity) ΜΕ ΠΟΣΗ ΑΚΡΙΒΕΙΑ Κριτηρίου (criterion validity) ΠΟΣΟ ΧΡΗΣΙΜΟ ΣΤΗΝ ΠΡΟΒΛΕΨΗ συγκλίνουσα διακρίνουσα ταυτόχρονη πρόβλεψης προφανής 4. Επιλογή οργάνων μέτρησης 8/13 Εγκυρότητα περιεχομένου (content validity) Η εγκυρότητα περιεχομένου αναφέρεται στον βαθμό στον οποίο το εργαλείο μέτρησης καλύπτει πλήρως και ισοδύναμα όλες τις διαστάσεις του υπό εξέταση φαινομένου (π.χ., το ερωτηματολόγιο παρακίνησης να μετράει και την εσωτερική & εξωτερική) Τα εργαλεία μέτρησης δεν μπορεί να είναι ιδιαίτερα εκτενή, λόγω χώρου, χρόνου και κινήτρων των συμμετεχόντων 4. Επιλογή οργάνων μέτρησης 9/13 Εγκυρότητα περιεχομένου (content validity) Προσεκτική επιλογή των ερωτήσεων-θεμάτων ώστε να αντιπροσωπεύονται σε βάθος και πλάτος οι κύριες εκφάνσεις του φαινομένου Πως επιτυγχάνεται η εγκυρότητα περιεχομένου; Κατανόηση της θεωρίας Μελέτη ήδη υπαρχόντων εργαλείων Εξέταση του εργαλείου από ειδικούς 4. Επιλογή οργάνων μέτρησης 10/ Δομική εγκυρότητα (construct validity) Η μεγαλύτερη πρόκληση για τους ερευνητές στο χώρο των κοινωνικών επιστημών Είναι περίπλοκη και για τον έλεγχο της χρησιμοποιούνται στατιστικές & πρακτικές διαδικασίες Αναφέρεται στο βαθμό στον οποίο ένα εργαλείο μέτρησης πράγματι μετράει την έννοια ή τις έννοιες (εννοιολογική εγκυρότητα) για τις οποίες αυτό το εργαλείο έχει δημιουργηθεί π.χ. Το εργαλείο TSES μετράει πράγματι την αυτόαποτελεσματικότητα των εκπαιδευτικών; 4. Επιλογή οργάνων μέτρησης 11/13 Συγκλίνουσα (convergent) Μετρήσεις εννοιών που θεωρητικά αναμένεται να συσχετίζονται, να συσχετίζονται. Οι μετρήσεις του οργάνου να «συγκλίνουν» με μετρήσεις οργάνων παρεμφερών εννοιών π.χ. Movement ABC & Test Of Motor Impairment (TOMI) Δομική εγκυρότητα Construct validity Διακρίνουσα (discriminant) Μετρήσεις εννοιών που θεωρητικά ΔΕΝ αναμένεται να συσχετίζονται, να ΜΗ συσχετίζονται. Οι μετρήσεις του οργάνου να είναι «διακριτές» από μετρήσεις οργάνων παρεμφερών εννοιών π.χ. κατάθλιψη & άγχος Προφανής Λογική (face) Αναφέρεται στο βαθμό που φαίνεται ότι το όργανο μέτρησης πράγματι μετράει αυτό που ισχυρίζεται Υποκειμενική κρίση στάδιο ανάπτυξης εργαλείου συγχέεται με την εγκυρότητα περιεχομένου 6

7 4. Επιλογή οργάνων μέτρησης 12/13 Εγκυρότητα κριτηρίου (criterion validity) Η εγκυρότητα κριτηρίου αφορά στη σχέση μεταξύ ενός εργαλείου ή δοκιμασίας με κάποιο αποδεκτό (εξωτερικό) κριτήριο της έννοιας που εξετάζεται Η εγκυρότητα κριτηρίου χρησιμοποιείται συχνά για τη δημιουργία ενός ερωτηματολογίου μικρότερης έκτασης π.χ. TSES full & short form, επαγγελματική ικανοποίηση & απουσίες από την εργασία, κίνητρα για φυσική δραστηριότητα & συμμετοχή σε φυσικές δραστηριότητες 4. Επιλογή οργάνων μέτρησης 13/13 Εγκυρότητα κριτηρίου Criterion validity Ταυτόχρονη (concurrent) H σχέση μίας δοκιμασίας με μία άλλη δοκιμασία την ίδια χρονική περίοδο για την οποία είμαστε βέβαιοι ότι μετράει την έννοια/χαρακτηριστικό που μελετάται π.χ. Για μείωση θεμάτων, αφορά στο βαθμό συσχέτισης μεταξύ του νέου ερωτηματολογίου και του υπάρχοντος. VO 2 : Τεστ Cooper & δαπεδο-εργόμετρο Πρόβλεψης (predictive) Αναφέρεται στο βαθμό που το όργανο μέτρησης μπορεί να προβλέψει μελλοντικές συμπεριφορές/συνέπειες π.χ. Η φυσική δραστηριότητα στην παιδική ηλικία προβλέπει το ποσοστό σωματικού λίπους στην εφηβεία; Ο βαθμός πτυχίου προβλέπει την ακαδημαϊκή καριέρα; Κλίμακες μέτρησης 1/3 Κατηγορικές μετρήσεις (categorical) Ονομαστικές (nominal) Δύο ή περισσότερες κατηγορίες που διαφέρουν μεταξύ τους. Περιγράφουν χαρακτηριστικά με βάση τα οποία τοποθετούνται οι συμμετέχοντες Διατακτικές (ordinal) Ιεράρχιση σε μία σειρά με βάση ένα χαρακτηριστικό/ έννοια/γνώρισμα. Σχετικές θέσεις χωρίς να έχουμε πληροφορία για τις αποστάσεις (π.χ. το 9-8 = 2-1;) Συνεχείς μετρήσεις (continuous) Διαστημάτων (interval) Ιεράρχιση σε μία σειρά, με υποτιθέμενες ίσες αποστάσεις μεταξύ των σημείων της κλίμακας Αναλογικές (ratio) Έχει όλα τα χαρακτηριστικά της κλίμακας διαστήματος συν το ότι υπάρχει ένα απόλυτο μηδέν που χαρακτηρίζει την απουσία του χαρακτηριστικού Κλίμακες μέτρησης 2/3 Φύλο Απόσταση που διανύουν οι φοιτητές για το πανεπιστήμιο Θερμοκρασία Ηλικία Τύπος αυτοκινήτου Αριθμός μητρώου φοιτητών Χρώμα ματιών Μήκος Κλίμακες μέτρησης 3/3 Κατηγορικές μετρήσεις (categorical) Ονομαστικές (nominal) Φύλο Αριθμός μητρώου φοιτητών Χρώμα ματιών Κατηγορίες, ονόματα μόνο Διατακτικές (ordinal) Τύποι αυτοκινήτου Υπάρχουν κατηγορίες (πχ. κάμπριο, κόμπακτ, σπορ κλπ.), όμως δύσκολο να εντοπιστούν διαφορές Συνεχείς μετρήσεις (continuous) Διαστημάτων (interval) Θερμοκρασία Είναι το ίδιο η διαφορά 4-5 βαθμούς με την αντίστοιχη 34-35; Το 0 ο δε σημαίνει απουσία θερμοκρασίας. Αναλογικές (ratio) Ηλικία Μήκος Απόσταση που διανύουν οι φοιτητές για το πανεπιστήμιο Τα 20χρ. είναι διπλάσια από τα 10, 2χιλ. διπλάσια των 4 5. Διαχείριση της συλλογής δεδομένων Ανάπτυξη τυποποιημένων διαδικασιών για τη χορήγηση/εφαρμογή ενός οργάνου Εκπαίδευση των ερευνητών για τη συλλογή δεδομένων Εξασφάλιση άδειας για την πρόσβαση και τη χρήση δημόσιων ή ιδιωτικών εγγράφων Σεβασμός για τα άτομα και το μέρος/η (site) κατά τη συλλογή δεδομένων (δεοντολογικά ζητήματα) 7