სოციოლოგია - Qwelly2024-03-29T06:32:20Zhttps://www.qwelly.com/group/sociology/forum/topic/listForTag?groupUrl=sociology&tag=%E1%83%A1%E1%83%9D%E1%83%AA%E1%83%98%E1%83%9D%E1%83%9A%E1%83%9D%E1%83%92%E1%83%98%E1%83%90&feed=yes&xn_auth=noდემოგრაფიული სტატისტიკა (გარდაცვალება)tag:www.qwelly.com,2021-09-19:6506411:Topic:15000412021-09-19T16:54:29.822Zლაშაhttps://www.qwelly.com/profile/lshisa
<div style="font-size: 16px; color: black;"><p> სტატისტიკა მეცნიერებაა, რომელიც გვთავაზობს ინტერპრეტირული დასკვნების ფართო არჩევანს. პანდემიის პერიოდში სტატისტიკა ძალიან პოპულარული გახდა - ყოველდღიურად ტელევიზიით, ინტერნეტით ისმოდა ინფიცირებულების, გარდაცვლილების და გამოჯანმრთელებულების სტატისტიკური მონაცემები. ამ მონაცემების წყალობით ხან „შეგვზღუდეს“ და ხანაც „გაგვათავისუფლეს“. ბოლო პერიოდში, განსაკუთრებული აქცენტი კოვიდით გარდაცვლილების რაოდენობაზე კეთდებოდა. ამ მხრივ, ვფიქრობ,…</p>
</div>
<div style="font-size: 16px; color: black;"><p> სტატისტიკა მეცნიერებაა, რომელიც გვთავაზობს ინტერპრეტირული დასკვნების ფართო არჩევანს. პანდემიის პერიოდში სტატისტიკა ძალიან პოპულარული გახდა - ყოველდღიურად ტელევიზიით, ინტერნეტით ისმოდა ინფიცირებულების, გარდაცვლილების და გამოჯანმრთელებულების სტატისტიკური მონაცემები. ამ მონაცემების წყალობით ხან „შეგვზღუდეს“ და ხანაც „გაგვათავისუფლეს“. ბოლო პერიოდში, განსაკუთრებული აქცენტი კოვიდით გარდაცვლილების რაოდენობაზე კეთდებოდა. ამ მხრივ, ვფიქრობ, საინტერესოა ძირითადი დემოგრაფიული მონაცემების წარმოდგენა.</p>
<p align="center"><a href="https://storage.ning.com/topology/rest/1.0/file/get/9582994874?profile=original" target="_blank" rel="noopener"><img title="დემოგრაფიული სტატისტიკა (გარდაცვალება)" alt="სტატისტიკა, დემოგრაფია, გარდაცვალება, სოციოლოგია, Qwelly" src="https://storage.ning.com/topology/rest/1.0/file/get/9582994874?profile=original" width="700"/></a></p>
<p>რამდენიმე შენიშვნა:</p>
<p>მონაცემები, 1995-2013 წლებში წარმოადგენს შეფასებით მონაცემებს; 2014 წლიდან კი ეყრდნობა რეგისტრირებულ მონაცემებს;</p>
<p>*2020 წელს, კორონავირისული ინფექციით გარდაიცვალა: 2528 ადამიანი; საშუალოდ, დღიურად გარდაიცვალა: 8 ადამიანი;</p>
<p>**2021 წელს, პირველ 6 თვეში, კორონავირუსული ინფექციით გარდაიცვალა 2799 ადამიანი; საშუალოდ, დღიურად გარდაიცვალა: 15 ადამიანი.</p>
</div> მრავალგანზომილებიანი გაზომვა და ფაქტორული ანალიზიtag:www.qwelly.com,2018-07-19:6506411:Topic:13349702018-07-19T10:53:50.145Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 25</strong><br></br> <em>ნაწილი I</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">შესავალი</h2>
<p> როგორი შეზღუდულიც არ უნდა იყოს ჩვენი ცოდნა ასტრონომიაში, ბევრი ჩვენგანი მაინც ახერხებს ჩრდილოეთის ცის ვარსკვლავთა უსასრულობიდან ვარსკვლავების გარკვეული დაჯგუფებების გამორჩევას და მათში კარგად ნაცნობი ირმის ნახტომის,…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 25</strong><br/> <em>ნაწილი I</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">შესავალი</h2>
<p> როგორი შეზღუდულიც არ უნდა იყოს ჩვენი ცოდნა ასტრონომიაში, ბევრი ჩვენგანი მაინც ახერხებს ჩრდილოეთის ცის ვარსკვლავთა უსასრულობიდან ვარსკვლავების გარკვეული დაჯგუფებების გამორჩევას და მათში კარგად ნაცნობი ირმის ნახტომის, ორიონისა და დიდი დათვის თანავარსკვლავედების ამოცნობას. რამდენიმე ჩვენგანი თუ შეძლებდა სამხრეთ ნახევარსფეროს ცაზე თანავარსკვლავედების ამოცნობას, რომელთაც დანახვისთანავე ცნობენ ავსტრალიის მცხოვრებნი.</p>
<p> ცხოვრების შემადგენელი რთული და კომპლექსური ელემენტების გამარტივებისკენ მიდრეკილება ვარსკვლავებზე დაკვირვებით არ შემოიფარგლება. თითოეული ჩვენგანი უამრავი სხვადასხვა გზით ცდილობს ფორმებისა და ტენდენციების დანახვას ერთი შეხედვით ერთმანეთთან დაუკავშირებელ მოვლენებში, რათა უკეთ გავარკვიოთ მათი მნიშვნელობა ჩვენს ყოველდღიურ ცხოვრებაში. არც განათლების სფეროს მკვლევრები არიან გამონაკლისნი.</p>
<p> ადამიანის მოღვაწეობის ამა თუ იმ სფეროს კვლევისას, საკვლევი ცვლადები ხშირად იმაზე რთული აღმოჩნდება ხოლმე, ვიდრე ეს კვლევის დაწყებამდე იყო ნავარაუდევი. ამის კარგი მაგალითია სწავლების სხვადასხვა სტილისა და მოსწავლის აკადემიური მიღწევის ურთიერთმიმართების კვლევა. ზოგადი განსხვავება პროგრესულ და ტრადიციულ, ფორმალურ და არაფორმალურ ქცევებს შორის საკმაოდ ბუნდოვანია და უარეს შემთხვევაში, არათანმიმდევრულ და საუკეთესო შემთხვევაში კი, არადამაჯერებელ შედეგებს იძლევა. სინამდვილეში, სწავლებისა და სწავლის კონტექსტში ისეთი ეპითეტები, როგორიცაა არაფორმალური ან ფორმალური, „მრავალგანზომილებიან ცნებებს“ უკავშირდებიან ანუ ცნებებს, რომლებიც რამდენიმე ცვლადისგან შედგებიან. „მრავალგანზომილებიანი სკალირება“, თავის მხრივ, ასეთ ცვლადებს შორის არსებული მსგავსებების შესახებ მსჯელობის გაანალიზების საშუალებაა, რითაც ამ მსჯელობების მრავალგანზომილებიანობის შეფასება ხდება შესაძლებელი (Bennett and Bowers 1977). რაც შეეხება სწავლების სტილსა და მოსწავლის აკადემიური მოსწრების კვლევას, არსებობს მოსაზრება, რომ საჭიროა მასწავლებლის ქცევის მრავალგანზომილებიანი ტიპოლოგიების შექმნა. მიჩნეულია, რომ ასეთი ტიპოლოგია მკვლევარს შესაძლებლობას მისცემს, ერთად დააჯგუფოს მასწავლებლების მსგავსი მსჯელობები საკლასო გარემოს ორგანიზაციისა და მართვის შესახებ და მოსწავლეების მოტივირების, შეფასებისა და სწავლების შესახებ.</p>
<p> ასეთი მსჯელობების დაჯგუფების უამრავი და მრავალფეროვანი ტექნიკა არსებობს. ყველა მათგანს აერთიანებს ის, რომ ისინი „დიდი რაოდენობით საზომებს შორის არსებული ძირითადი ცვლადების ბუნებისა და მათი რაოდენობის განსაზღვრის“ მეთოდებია. ამ განმარტებას კერლინგერი (1970) დაჯგუფების ერთ-ერთი კარგად ცნობილი ტექნიკის - „ფაქტორული ანალიზის“ - აღსაწერად იყენებს. წინამდებარე თავს ელემენტარული კავშირის ანალიზის განხილვით დავიწყებთ, რომლის განხორციელება ხელითაც შესაძლებელია, ხოლო შემდეგ წარმოგიდგენთ ფაქტორულ ანალიზს, რაც უმჯობესია კომპიუტერის გამოყენებით გაკეთდეს. და ბოლოს, მოკლედ მიმოვიხილავთ მრავალდონიან მოდელირებას და კლასტერულ ანალიზს, რომელიც ადამიანების ან ჯგუფების ორგანიზების მეთოდია და არა - ცვლადების.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ელემენტარული კავშირის ანალიზი: მაგალითი</em></strong></h3>
<p>ელემენტარული კავშირის ანალიზი (McQuitty 1957) მასწავლებლის პიროვნული კონსტრუქტების კავშირის შესწავლის ერთ-ერთი გზაა, რაშიც იგულისხმება თავისი მოსწავლეების შესახებ მასწავლებლის მიერ გამოთქმული მსჯელობების მრავალგანზომილებიანობის შეფასება. ის ცვლადების სიმრავლეში კონკრეტული ცვლადების კლასტერების იდენტიფიცირებასა და განსაზღვრას ცდილობს. ფაქტორული ანალიზის მსგავსად, როგორც ქვემოთ ვნახავთ, ელემენტარული კავშირის ანალიზით ურთიერთდაკავშირებულ ჯგუფებს ეძებენ. ამ ძიების მიზანს „ტიპების“ დადგენა წარმოადგენს. მაკქუიტი (1957) „ტიპს“ უწოდებს „ადამიანების ან სხვა ობიექტების კატეგორიას (ჩვენს მაგალითში, პიროვნულ კონსტრუქტებს), რომელიც ერთმანეთის მსგავს და დამოუკიდებელ წევრებს მოიცავს“.</p>
<p> დაწყებითი კლასების მასწავლებელმა თავისი მოსწავლეების შესახებ მისეულ ხედვაზე საუბრისას შვიდი განსხვავებული კონსტრუქტი მოგვცა (იხილეთ თავი 20). მან შემდეგი შესატყვის და არაშესატყვის კონსტრუქტები გამოყო: „ჭკვიანი“ (+), „სოციაბილური“ (+), „კარგი ვერბალური უნარების მქონე“ (+), „სანიმუშო ქცევის მქონე“ (+), „აგრესიული“ (-), „ხმაურიანი“ (-), და „უხეში“ (-).</p>
<p> ამის შემდეგ კლასის ჟურნალიდან შემთხვევითი შერჩევის წესით შეირჩა ოთხი ვაჟი და ექვსი გოგონა და მასწავლებელს სთხოვეს, რომ ისინი რანგების მიხედვით შეეფასებინა თითოეულ კონსტრუქტზე, სადაც პოზიცია 1-ით აღინიშნებოდა ის ბავშვი, რომელიც ყველაზე მეტად შეესაბამებოდა კონკრეტულ მოცემულ კონსტრუქტს, ხოლო პოზიცია 10 - მოცემული კონსტრუქტისთვის ყველაზე ნაკლებად შესატყვის ბავშვი. მასწავლებლის მიერ განხორციელებული რანჟირების შედეგები მოცემულია ჩანართში 25. 1. საყურადღებოა, რომ სამ კონსტრუქტში რანგების თანამიმდევრობა შებრუნებულია, რათა შენარჩუნებული ყოფილიყო მიმართულება შესატყვისი = 1-დან არაშესატყვისი = 10-მდე.</p>
<p>--------------------<br/> <strong>ჩანართი 25. 1</strong><br/> <strong>ათი ბავშვის რანგული რიგი შვიდი კონსტრუქტის მიხედვით</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214772?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214866?profile=original"/></p>
<p></p>
<p><em>წყარო: Cohen 1977</em><br/> --------------------</p>
<p> ჩანართში 25.2 წარმოდგენილია ჩანართში 25. 1 მოცემული შვიდი პიროვნული კონსტრუქტის რეიტინგებს შორის კორელაცია (ამ შემთხვევაში კორელაციის დასათვლელად გამოყენებულია სპირმენის რო).</p>
<p>--------------------<br/> <strong>ჩანართი 25. 2</strong><br/> <strong>შვიდ პიროვნულ კონსტრუქტს შორის კორელაციები</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214751?profile=original"/></p>
<p><em>წყარო: Cohen 1977</em><br/> --------------------</p>
<p> ელემენტარული კავშირის ანალიზი მკვლევარს მსგავისი ცვლადების დაჯგუფების საშუალებას აძლევს.</p>
<p></p>
<h2 align="center" style="font-size: 20px; color: black;">ელემენტარული კავშირის ანალიზის ეტაპები</h2>
<ol>
<li>25. 2 ჩანართში მოცემული მატრიცის თითოეულ სვეტში ხაზი გაუსვით ყველაზე ძლიერ, ანუ მაღალი კორელაციის კოეფიციენტს. ყურადღება არ მიაქციოთ უარყოფით ნიშნებს.</li>
<li>მთელ მატრიცაში გამოყავით ყველაზე მაღალი კორელაციის კოეფიციენტი. ორი ცვლადი, რომელთა შორისაცაა ეს კორელაცია, I კლასტერის პირველ ორ წევრს წარმოადგენენ.</li>
<li>შემდეგ გამოყავით ყველა ცვლადი, რომელიც I კლასტერში გაერთიანებულ ორ ცვლადს ჰგავს. ამისათვის, გადაათვალიერეთ მეორე ეტაპზე გამოკვეთილი ცვლადების შემცველი სტრიქონები და შეარჩიეთ ნებისმიერი ხაზგასმული კოეფიციენტი. ჩანართში 25. 3 დიაგრამის სახითაა მოცემული, თუ როგორ უკავშირდება კლასტერის ახალი წევრები I კლასტერის თავდაპირველად გამოყოფილ ორ წევრს.</li>
<li>ახლა გამოყავით ნებისმიერი ცვლადები, რომლებიც ყველაზე მეტად ჰგავს მესამე ეტაპზე გამოკვეთილ ცვლადებს. ეს პროცედურა იმდენჯერ გაიმეორეთ, ვიდრე ამ კლასტერისთვის ყველა ცვლადს არ ამოწურავთ.</li>
<li>I კლასტერში შემავალი ყველა ცვლადის გამორიცხვის შემდეგ იმდენჯერ გაიმეორეთ 2, 3 და 4 ეტაპები, ვიდრე ყველა ცვლადი კლასტერებში არ გაერთიანდება.</li>
</ol>
<p>--------------------<br/> <strong>ჩანართი 25. 3</strong><br/> <strong>შვიდ პიროვნულ კონსტრუქტს შორის მიმართების სტრუქტურირება</strong></p>
<p><strong>I კლასტერი</strong>: ცუდად მოქცევა = აგრესიული</p>
<p><strong>II კლასტერი</strong>: ხმაურიანი - ტლანქი/უხეში - არასოციაბილური <br/> კარგი ვერბალური უნარების მქონე = ჭკვიანი</p>
<p><em>= აღნიშნულია რეციპროკული მიმართება ცვლადებს შორის</em></p>
<p>წყარო: Cohen 1977<br/> --------------------</p>
</div>
<p></p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/dispersiuli" title="განსხვავების გაზომვა და საშუალოები, t კრიტერიუმი და დისპერსიული ანალიზი"><span style="color: blue;">◄ წინა თავი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" title="მალე განთავსდება"><span style="color: blue;">მომდევნო ნაწილი ►</span></a></div>
</td>
</tr>
</tbody>
</table> განსხვავების გაზომვა და საშუალოები, t კრიტერიუმი და დისპერსიული ანალიზიtag:www.qwelly.com,2018-02-21:6506411:Topic:13126552018-02-21T07:22:56.443Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 24</strong><br></br> <em>ნაწილი IV</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">ჯგუფთა შორის განსხვავების გაზომვა და საშუალოები</h2>
<p> მკვლევრებს ზოგჯერ აინტერესებთ, განსხვავდება თუ არა ერთმანეთისგან ორი ან მეტი ჯგუფი/ქვეშერჩევა და პასუხობენ, მაგალითად, ასეთ კითხვებს: „გოგონებისა და ვაჟების მიერ შესრულებულ…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 24</strong><br/> <em>ნაწილი IV</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">ჯგუფთა შორის განსხვავების გაზომვა და საშუალოები</h2>
<p> მკვლევრებს ზოგჯერ აინტერესებთ, განსხვავდება თუ არა ერთმანეთისგან ორი ან მეტი ჯგუფი/ქვეშერჩევა და პასუხობენ, მაგალითად, ასეთ კითხვებს: „გოგონებისა და ვაჟების მიერ შესრულებულ დავალებას შორის თუ არსებობს მნიშვნელოვანი განსხვავება?“; „მნიშვნელოვნად განსხვავებულია თუ არა შერეული უნარების მქონე მოსწავლეებისგან შემდგარი ოთხი მსგავსი კლასის ტესტში მიღებული ქულები, რომლებიც ერთი და იგივე პროგრამით სწავლობენ?“; „მნიშვნელოვნად განსხვავებული სტრესის დონე ახასიათებთ თუ არა A და B სკოლების მეექვსე კლასის მოსწავლეებს?“ ასეთ კითხვებზე პასუხის გასაცემად განსხვავების გაზომვაა საჭირო. წინამდებარე ქვეთავში განსხვავების საზომებს და განსხვავების გამოთვლის გზებს წარმოგიდგენთ. პროცესი ნულოვანი ჰიპოთეზიდან იწყვება, რომელიც ამტკიცებს, რომ „არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ორ ჯგუფს შორის“ ან “არ არსებობს სტატისტიკურად მნშვნელოვანი განსხვავება ოთხ ჯგუფს შორის” და თუ ნულოვანი ჰიპოთეზა არ იქნება მხარდაჭერილი, მაშინ ალტერნატიული იქნება მართებული, კერძოდ, ის, რომ „ორ (ან მეტ) ცვლადს შორის სტატისტიკურად სანდო განსხვავება არსებობს“.</p>
<p> ვიდრე განსხვავების გამოთვლას შევუდგებოდეთ, მანამდე უნდა განვსაზღვროთ:</p>
<ul>
<li>რა სახის მონაცემებთან ვმუშაობთ, რადგან ამაზეა დამოკიდებული გამოსაყენებელი სტატისტიკური კრიტერიუმის არჩევა;</li>
<li>შესადარებელი ჯგუფების რაოდენობა, რომელთა შორისაც ვადგენთ განხვავების არსებობა-არარსებობას. სტატისტიკური კრიტერიუმები, როგორც წესი, ორ ჯგუფად იყოფა: ისინი, რომლებიც ზომავენ ორ ჯგუფს შორის განსხვავებას და ისინი, რომლებიც ორზე მეტ ჯგუფს შორის განსხვავებას ზომავენ;</li>
<li>ერთმანეთზე დამოკიდებულია თუ დამოუკიდებელია შესადარებელი ჯგუფები. დამოუკიდებელი ჯგუფები სრულიად არ უკავშირდება ერთმანეთს, მაგალითად, გამოცდაზე გასული გოგონები და ვაჟები. დამოკიდებული ჯგუფები შეიძლება იყოს ერთი და იგივე ადამიანთა ნაკრების მიერ ორ ან მეტ ცვლადზე გაცემული პასუხი, ან ერთი და იგივე ჯგუფი, რომელიც ერთსა და იმავე ცვლადზე ორჯერ, სხვადასხვა დროს პასუხობს (მაგალითად, პრე-ტესტი და პოსტ-ტესტი).</li>
</ul>
<p> ამ საკითხებზე მიღებული გადაწყვეტილებები გამოსაყენებელი სტატისტიკური კრიტერიუმის არჩევანზე იმოქმედებენ. ამ ქვეთავში ჯერ პარამეტრული მონაცემების ორ ჯგუფს შორის განსხვავებას განვიხილავთ, შემდეგ - პარამეტრული მონაცემების სამ ან მეტ ჯგუფს შორის განსხვავებას. ამის შემდეგ არაპარამეტრული მონაცემების განხილვას შემოგთავაზებთ: ჯერ არაპარამეტრული მონაცემების ორ ჯგუფს შორის განსხვავების საკითხს განვიხილავთ და შემდეგ - არაპარამეტრული მონაცემების სამ ან მეტ ჯგუფს შორის განსხვავების. წინა მაგალითების მსგავსად, საილუსტრაციოდ SPSS-ის გამოთვლებს გამოვიყენებთ.</p>
<h2 align="center" style="font-size: 20px; color: black;">t კრიტერიუმი</h2>
<p> t კრიტერიუმით ვადგენთ, არსებობს თუ არა სტატისტიკურად მნიშვნელოვანი განსხვავება ორი ჯგუფის საშუალოს შორის, როდესაც პარამეტრული მონაცემები ნორმალური განაწილების მქონე შემთხვევითი შერჩევებიდანაა მიღებული. ის შემთხვევითად გადანაწილებული ორი ჯგუფის შესადარებლად გამოიყენება, მაგალითად, ექსპერიმენტში პრე-ტესტის და პოსტ-ტესტის ჯგუფები.</p>
<p> t კრიტერიუმის ორი ვერსია არსებობს: დამოუკიდებელი შერჩევებისთვის და დამოკიდებული (ანუ შეწყვილებული) შერჩევებისთვის. პირველი უშვებს, რომ ორი ჯგუფი არ არის ერთმანეთთან დაკავშირებული. მეორე უშვებს, რომ ეს ერთი ჯგუფია, რომელიც ერთდროულად ორ სხვადასხვა ცვლადს ან ორჯერ, დროის სხვადასხვა მომენტში ერთსა და იმავე ცვლადს პასუხობს. ჯერ პირველ მათგანს განვიხილავთ. t კრიტერიუმი უშვებს, რომ ერთი ცვლადი კატეგორიულია (მაგალითად, მამაკაცები და ქალები) და მეორე - უწყვეტი (მაგალითად, ტესტში მიღებული ქულები). სტატისტიკის გამოსათვლელი ფორმულის საფუძველი ასეთია:</p>
<p align="center">განთავსდება...</p>
<p> ვთქვათ, გვაინტერესებს, სტატისტიკურად მნიშვნელოვნად განსხვავებულია თუ არა შემთხვევით შერჩეული სკოლების ადმინისტრაციის წარმომადგენლების და მასწავლებლების პასუხი შეკითხვაზე, თუ რამდენად იღებენ მოსწავლეები დახმარებას, მითითებასა და მხარდაჭერას. მიღებული მონაცემები შეფარდების სკალას ეკუთვნის, რადგან მონაწილეებმა პასუხები ათქულიანი სისტემით უნდა შეაფასონ: რაც მეტია მინიჭებული ქულა, მით მეტია რესპოდენტის აზრით მოსწავლისთვის გაწეული ზემოთ დასახელებული მომსახურება. t კრიტერიუმი დამოუკიდებელი შერჩევებისთვის SPSS-ის ორი ცხრილითაა წარმოდგენილი. პირველ რიგში, ის ორი ჯგუფის პასუხების საშუალო ქულას გვაძლევს: 8.37 ადმინისტრაციის წარმომადგენლების ჯგუფისთვის და 8.07 - მასწავლებლებისთვის, ესე იგი, ორი ჯგუფის საშუალო განსხვავებულია. არის კი ეს განსხვავება სტატისტიკურად მნიშვნელოვანი, ანუ, მხარდაჭერილია თუ არა ნულოვანი ჰიპოთეზა („არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ადმინისტრაციის წარმომადგენლებსა და მასწავლებლებს შორის“)? მსჯელობას ნულოვანი ჰიპოთეზიდან ვიწყებთ (არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ორ ჯგუფს შორის“), შემდეგ ვადგენთ მნიშვნელოვნობის დონეს (α), რომელსაც გამოვიყენებთ ნულოვანი ჰიპოთეზის მხარდასაჭერად ან არ დასაჭერად. მაგალითად, შეგვიძლია ვთქვათ, „დავუშვათ, α = 0.05“. ამის შემდეგ ის მონაცემები გამოითვლება, რომელიც 24. 37 ჩანართშია მოცემული.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 37</strong><br/> <strong>საშუალო და სტანდარტული გადახრა t კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> t კრიტერიუმის გამოთვლისას SPSS ერთი შეხედვით, ბევრ ინფორმაციას გვაძლევს, რომლის დიდი ნაწილი ამჟამად გამოუსადეგარია ჩვენთვის. აქ მხოლოდ მონაცემების იმ ნაწილზე შევაჩერებთ თქვენს ყურადღებას, რომელიც ყველაზე მნიშვნელოვანია ჩვენი მიზნებისთვის. ესაა ლევენის ტესტი და მნიშვნელოვნობის დონე ორმხრივი კრიტერიუმისთვის (Sig. 2-ტაილედ) (ჩანართი 24. 38).</p>
<p> ლევენის ტესტიგვიჩვენებს, თუ რომელი სტრიქონი („დაშვებულია თანაბარი დისპერსია“ და „არ არის დაშვებული თანაბარი დისპერსია“) უნდა გამოვიყენოთ. შევხედოთ სვეტს „Sig.“ ლევენის ტესტში (0.004). თუ ალბათობის რიცხვითი მნიშვნელობა სტატისტიკურად მნიშვნელოვანია (როგორც ამ შემთხვევაში (0.004)), მაშინ დისპერსიები არ არის თანაბარი და ამიტომ, მეორე სტრიქონში წარმოდგენილი მონაცემები უნდა გამოვიყენოთ („არ არის დაშვებული თანაბარი დისპერსია“). თუ ალბათობის რიცხვითი მნიშვნელობა არ არის სტატისტიკურად მნიშვნელოვანი (p > 0.05), მაშინ დაშვებულია თანაბარი დისპერსია და პირველი სტრიქონის მონაცემებს ვიყენებთ („დაშვებულია თანაბარი დისპერსია“). მას შემდეგ, რაც გადავწყვეტთ, თუ რომელი სტრიქონის მონაცემები უნდა გამოვიყენოთ, ლევენის ტესტს შესრულებული აქვს თავისი საქმე და შეგვიძლია ცხრილის განხილვა განვაგრძოთ. ამჯერად ლევენის ტესტის შესახებ მხოლოდ იმას ვამბობთ, რომ მისი ფუნქციაა, განსაზღვროს, მოცემული ორი სტრიქონიდან რომელი სტრიქონის მონაცემები იქნება ჩვენთვის გამოსადეგი.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 38</strong><br/> <strong>დისპერსიის თანაბრობის ლევენის ტესტი t კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> მას შემდეგ, რაც გავარკვევთ, რომელი სტრიქონის მონაცემებს უნდა შევხედოთ (ჩვენ შემთხვევაში, მეორე სტრიქონი), გადავინაცვლებთ სვეტზე „Sig. (2-ტაილედ)“. ის გვიჩვენებს, რომ ორ ჯგუფს - ადმინისტრაციის წარმომადგენლებსა და მასწავლებლებს - შორის სტატისტიკურად მნიშვნელოვანი განსხვავებაა, ვინაიდან მნიშვნელოვნობის დონე 0.044-ია (ე. ი. p < 0.05). ამრიგად, შეგვიძლია ვთქვათ, რომ ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი და ორი ჯგუფის საშუალო სტატისტიკურად მნიშვნელოვნად განსხვავდება ერთმანეთისგან (p = 0.044). ასევე, შეგვიძლია ვთქვათ, რომ სკოლის ადმინისტრაციის წარმომადგენელთა ჯგუფის საშუალო (8.37) სტატისტიკურად მნიშვნელოვნად მაღალია, ვიდრე - მასწავლებლების ჯგუფის (0.07), ანუ, სკოლის ლიდერებს/ადმინისტრაციის წარმომადგენლებს მასწავლებლებისგან განსხვავებით, უფრო მეტად მიაჩნიათ, რომ მოსწავლეებს უწევენ დახმარებას, მითითებასა და მხარდაჭერას.</p>
<p> ისევ 24. 38 ჩანართს და სვეტს „Sig. (2-ტაილედ)“ შევხედოთ. ერთნაირი დისპერსიის არსებობა რომ ყოფილიყო დაშვებული (ანუ ლევენის ტესტს რომ პირველი სტრიქონის მონაცემებზე მიეთითებინა), მაშინ ორი ჯგუფის საშუალოს შორის ვერ ვნახავდით სტატისტიკურად მნიშვნელოვან განსხვავებას (p = 0.055 ანუ p > 0.05). ამრიგად, ზოგჯერ მნიშვნელოვანია, ვიცოდეთ, უნდა დავუშვათ თუ არა თანაბარი დისპერსიის არსებობა.</p>
<p> ჩვენს მაგალითში ვნახეთ, რომ ორი ჯგუფის საშუალო სტატისტიკურად მნიშვნელოვნად განსხვავდება ერთამნეთისგან, ანუ, სკოლის ადმინისტრაციის წარმომადგენლები და მასწავლებლები ერთნაირად არ ფიქრობენ იმის შესახებ, თუ როგორ უწევენ მოსწავლეებს დახმარებას, მითითებასა და მხარდაჭერას; პირველ ჯგუფს, ჩვეულებისამებრ, უფრო ლიბერალური დამოკიდებულება აქვს, ვიდრე მეორეს. კვლევის ინტერესში შედის იმის გარკვევა, თუ, მაგალითად, რა განაპირობებს და რა ახდენს გავლენას ასეთი განსხვავებული ხედვის ჩამოყალიბებაზე. მაგალითად, ამის მიზეზი შეიძლება ის იყოს, რომ ადმინისტრაციის წარმომადგენლები უფრო „ვარდისფერი სათვალით უყურებენ“ არსებულ სიტუაციას, ვიდრე მასწავლებლები და მასწავლებლები არიან ისინი, ვისაც ყოველდღიურად უწევთ მოსწავლეებთან მუშაობა, უფრო ახლოს არიან მათთან და უკეთ იციან მათი პრობლემების შესახებ, რაზეც ადმინისტრაციის წარმომადგენლები, შესაძლოა, თვალს ხუჭავდნენ.</p>
<p> t კრიტერიუმის წერილობითი სახით წარდგენა შემდეგნაირად შეგვიძლია:</p>
<p> ცვლადის „რამდენად კარგად რამდენად იღებენ მოსწავლეები დახმარებას, მითითებასა და მხარდაჭერას“ მიხედვით, სკოლის ადმინისტრაციის წარმომადგენელთა ჯგუფის საშუალო მაჩვენებელი (M = 8.37, SD = 2.085) სტატისტიკურად მნიშვნელოვნად მაღალია (ტ = 2.02, დფ = 811.992, ორმხრივი შემოწმება, p = 0.044) მასწავლებელთა ჯგუფის საშუალოზე (M = 8.07, SD = 2.462).</p>
<p> ახლა მეორე მაგალითი განვიხილოთ. ამჯერად ადმინისტრაციის წარმომადგენლები და მასწავლებლები ისევ ათქულიანი სისტემით აფასებენ დებულებას „სკოლაში ყურადღება ექცევა სწავლებასა და სწავლას“, ანუ, შედეგად შეფარდების სკალის მონაცემებს ვიღებთ. პირველი ჯგუფის საშუალო ქულაა 5.53, მეორის - 5.46. სტატისტიკურად მნიშვნელოვნად განსხვავდება თუ არა ეს საშუალოები ერთმანეთისგან? (ჩანართები 24. 39 და 24. 40)?</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 39</strong><br/> <strong>t კრიტერიუმი ადმინისტრაციის წარმომადგენელთა და მასწავლებელთა ჯგუფებისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 40</strong><br/> <strong>ადმინისტრაციის წარმომადგენელთა და მასწავლებელთა ჯგუფების დისპერსიების თანაბრობის ლევენის ტესტი</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> თუ ლევენის ტესტის (Sig.) შედეგებს განვიხილავთ, ვნახავთ, რომ დაშვებულია თანაბარი დისპერსიები (p = 0.728), ე. ი. პირველი სტრიქონის მონაცემები გვაინტერესებს. სვეტში „ Sig. (2-ტაილედ)“ ვნახავთ, რომ p = 0.610, ანუ, ორი ჯგუფის საშუალო არ არის ერთმანეთისგან სტატისტიკურად მნიშვნელოვნად განსხვავებული, მაშასადამე, ნულოვანი ჰიპოთეზა (არ არის სტატისტიკურად მნიშვნელოვანი განსხვავება ორი ჯგუფის საშუალოს შორის) მხარდაჭერილია. ამან არ უნდა შეგვაშფოთოს. სტატისტიკური მნიშვნელოვნობის დადგენა ან არ დადგენა ერთნაირად ღირებულია კვლევისთვის - ეს მოგებამოგების სიტუაციაა.</p>
<p> ამ შემთხვევაში მიუხედავად იმისა, რომ სკოლაში სწავლას და სწავლებას არასაკმარისი ყურადღება ექცევა შეგვიძლია ვთქვათ, რომ ადმინისტრაციის წარმომადგენლებსა და მასწავლებლებს ერთნაირი აზრი აქვთ იმის თაობაზე, რომ სკოლაში სწავლებას და სწავლას ყურადღება ექცევა, (საშუალოები 5.53 და 5. 46, შესაბამისად). ის ფაქტი, რომ ეს ორი ჯგუფი ერთნაირად ფიქრობს - ორივე მხარე ერთნაირად უყურებს ერთსა და იმავე პრობლემას - შემდგომი განვითარების დადებით პერსპექტივასა და ერთობლივ ხედვაზე მიგვითითებს, ანუ, მიუხედავად იმისა, რომ მდგომარეობა სავალალოა, მაინც არის ამ ვითარებაში პოზიტიური ელემენტი იმის გამო, რომ თანხვდება ამ ორი მხარის პოზიცია. კიდევ უფრო მძიმე იქნებოდა სიტუაცია, მათ მოსაზრებებს შორის დიდი განსხვავება რომ ყოფილიყო.</p>
<p> t კრიტერიუმის წერილობითი სახით წარდგენისას შემდეგი ფორმატი შეგვიძლია გამოვიყენოთ:</p>
<p> ცვლადის „სკოლაში ყურადღება ექცევა სწავლებას და სწავლას“ მიხედვით, ადმინისტრაციის წარმომადგენელთა ჯგუფის საშუალო ქულა (M = 5.53, SD = 2.114) სტატისტიკურად მნიშვნელოვნად არ განსხვავდება (ტ = 5.53, დფ = 998, ორმხრივი შემოწმება, p = 0.610) მასწავლებელთა საშუალო ქულისგან (M = 5.46, SD = 2.145). <br/> t კრიტერიუმი დამოუკიდებელი შერჩევებისთვის ძალიან გავრცელებული სტატისტიკური სიდიდეა და ჩვენ მისი სწორად გამოყენების მომხრენი ვართ.</p>
<p> შედარებით ნაკლებად გამოიყენება t კრიტერიუმი დამოკიდებული ანუ შეწყვილებული შერჩევებისთვის, ანუ, როდესაც ერთი და იგივე ჯგუფი ერთდროულად ორ სხვადასხვა ცვლადზე ან ერთსა და იმავე ცვლადზე დროის ორ სხვადასხვა მომენტში იძლევა პასუხს. ამ შემთხვევაში ორი ცვლადი შეწყვილებულია იმით, რომ მათ ერთი ჯგუფი აფასებს (ჩანართი 24. 41).</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 41</strong><br/> <strong>საშუალო და სტანდარტული გადახრა დამოკიდებული შერჩევების t კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> აქ ვნახულობთ, სტატისტიკურად მნიშვნელოვნად განსხვავდება თუ არა ერთმანეთისგან 1,000 რესპოდენტის მიერ ორი სხვადასხვა დებულების - „სკოლაში ყურადღება ეთმობა სწავლებას და სწავლას“ (საშუალო = 5.48) და „გაკვეთილების მომზადების ხარისხი“ (საშუალო = 7.17) - შეფასებით მიღებული პასუხის საშუალო (ჩანართი 24. 42).</p>
<p>---------------------------<br/> <strong>ჩანართი 24.42</strong><br/> <strong>საშუალო და სტანდარტული გადახრა დამოკიდებული შერჩევების კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ამ ცხრილის განხილვისას პირდაპირ ბოლო სვეტზე („Sig. (2-ტაილედ)“) შეგვიძლია შევაჩეროთ ყურადღება, სადაც ვნახავთ, რომ p = 0.000, ანუ p < 0.001. ეს შედეგი გვეუბნება, რომ ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი და ორი საშუალო სტატისტიკურად მნიშვნელოვნად განსხვავდება ერთმანეთისგან, მიუხედავად იმისა, რომ დებულებები ერთმა ჯგუფმა შეაფასა.</p>
<h2 align="center" style="font-size: 20px; color: black;">დისპერსიული ანალიზი</h2>
<p> t კრიტერიუმი რესპოდენტთა ორ ჯგუფს შორის განსხვავების შესასწავლად გამოიყენება; ასევე იმ შემთხვევებში, როდესაც ერთი ჯგუფის მიერ ორ სხვადასხვა თემაზე ერთდროულად გაცემულ პასუხებს ან ერთ თემაზე ორ სხვადასხვა დროს გაცემულ პასუხებს ვადარებთ ერთმანეთს. t კრიტერიუმის ორივე ვარიანტი შემთხვევით შერჩევიდან მიღებულ პარამეტრულ მონაცემებს იყენებს და უშვებს, რომ ყოველი ცალკეული მონაცემი დამოუკიდებელია დანარჩენებისგან. თუმცა, განათლების სფეროში წარმოებულ კვლევათა უმეტესობაში შეიძლება ორზე მეტ ჯგუფს შორის განხვავება გვაინტერესებდეს, მაგალითად, ეს შეიძლება იყოს ოთხი რეგიონის ან ოთხი სახის სკოლის საგამოცდო შედეგები. ამ შემთხვევაში t კრიტერიუმი არ გამოგვადგება და ამიტომ, დისპერსიულ ანალიზს უნდა მივმართოთ. დისპერსიული ანალიზი იგივე დაშვებებს ემყარება, რომელსაც t კრიტერიუმი: შემთხვევითი შერჩევა, ქულების ნორმალური განაწილება და პარამეტრული მონაცემები. ის სამი ან მეტი ჯგუფის შედარებისას შეგვიძლია გამოვიყენოთ. რამდენიმე სახის დისპერსიული ანალიზი არსებობს. აქ მხოლოდ ორ ყველაზე გავრცელებულ და ხშირად გამოყენებად ვერსიას განვიხილავთ: ერთფაქტორიან დისპერსიულ ანალიზს და ორფაქტორიან დისპერსიულ ანალიზს. დისპერსიული ანალიზი, t კრიტერიუმის მსგავსად, უშვებს, რომ დამოუკიდებელი ცვლადი (ცვლადები) კატეგორიალურია (მაგალითად, მასწავლებლები, მოსწავლეები, მშობლები, მმართველები), ხოლო დამოკიდებული ცვლადი - უწყვეტი (მაგალითად, ტესტში მიღებული ქულები).</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ერთფაქტორიანი დისპერსიული ანალიზი</em></strong></h3>
<p> ვთქვათ, ოთხი ტიპის სკოლა გვაქვს: სოფლის დაწყებითი, სოფლის საშუალო, ქალაქის დაწყებითი და ქალაქის საშუალო. დავუშვათ, რომ ამ ოთხივე ტიპის სკოლაში მათემატიკის ერთი და იგივე სტანდარტიზებული ტესტი ჩატარდა და მიღებული შედეგები პროცენტების სახით გამოისახა (ჩანართი 24. 43).</p>
<p> ცხრილში მოცემულია თითოეული ჯგუფის საშუალოები, სტანდარტული გადახრები, სტანდარტული შეცდომა, ნდობის ინტერვალები და ქულების მინიმალური და მაქსიმალური მნიშვნელობები. ამ ეტაპზე მხოლოდ საშუალოები გვაინტერესებს:</p>
<p align="center">განთავსდება...</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 43</strong><br/> <strong>აღწერითი სტატისტიკა დისპერსიული ანალიზისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> სტატისტიკურად მნიშვნელოვნად განსხვავდება თუ არა ეს საშუალოები ერთმანეთისგან? ამ კითხვაზე პასუხს დისპერსიული ანალიზი მოგვცემს. მსჯელობას ნულოვანი ჰიპოთეზით ვიწყებთ („ოთხი საშუალო სტატისტიკურად მნიშვნელოვნად არ განსხვავდება ერთმანეთისგან“) და შემდეგ ვადგენთ მნიშვნელოვნობის დონეს (α) ნულოვანი ჰიპოთეზის მხარდასაჭერად ან მისთვის მხარის არ დასაჭერად. მაგალითად, შეგვიძლია ვთქვათ, „ვთქვათ, α = 0.05“. SPSS-ში გამოთვლების შედეგად 24. 44 ჩანართში მოცემულ ცხრილს მივიღებთ.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 44</strong><br/> <strong>SPSS-ში გამოთვლილი ერთფაქტორიანი დისპერსიული ანალიზის შედეგები</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ცხრილი გვიჩვნებს, რომ სამი თავისუფლების ხარისხისთვის (df) F სტატისტიკა 8.976-ის ტოლია. F სტატისტიკა არის ჯგუფებს შორის საშუალოს კვადრატისა (დისპერსიისა) და ჯგუფს შიდა საშუალოს კვადრატის (დისპერსიის) ფარდობა, ანუ:</p>
<p align="center">განთავსდება...</p>
<p> დისპერსიული ანალიზის შედეგების ცხრილის ბოლო სვეტი „Sig.“ გვიჩვენებს, რომ საშუალოები სტატისტიკურად მნიშვნელოვნად განსხვავდებიან ერთმანეთისგან (p = 0.000). თუმცა, ეს იმას კი არ ნიშნავს, რომ ყველა საშუალო მნიშვნელოვნად განსხვავდება დანარჩენებისგან, არამედ იმას, რომ მხოლოდ ზოგიერთი მათგანია განსხვავებული. მაგალითად, შესაძლოა, სტატისტიკურად მნიშვნელოვნად არ განსხვავდებოდნენ ერთმანეთისგან სოფლის დაწყებითი და საშუალო სკოლების საშუალოები (შესაბამისად, 59.85 და 60.44 პროცენტი) და ქალაქის დაწყებითი და საშუალო სკოლების საშუალოები (შესაბამისად, 50.64 და 51.70 პროცენტი). თუმცა, შეიძლება სტატისტიკურად მნიშვნელოვნად განსხვავდებოდნენ ერთმანეთისგან სოფლის (დაწყებითი და საშუალო) და ქალაქის (დაწყებითი და საშუალო) სკოლები. როგორ უნდა გავარკვიოთ, რომელი ჯგუფები განსხვავდება ერთმანეთისგან?</p>
<p> ამისათვის რამდენიმე სხვადასხვა კრიტერიუმის გამოყენება შეგვიძლია, თუმცა აქ მხოლოდ ერთ, ყველაზე ფართოდ გამოყენებად კრიტერიუმს გაგაცნობთ: ტუკის ნამდვილად მნიშვნელოვანი სხვაობის კრიტერიუმი, რომელსაც უბრალოდ ტუკის კრიტერიუმსაც უწოდებენ (როგორც, მაგალითად, SPSS-ში). (კიდევ არსებობს, მაგალითად, ბონფერონისა და შეფეს კრიტერიუმები, რომლებიც უფრო მკაცრია, ვიდრე ტუკის კრიტერიუმი და ნაკლებად გამოიყენება). ტუკის კრიტერიუმი იმ ქვეშერჩევებს აჯგუფებს, რომელთა საშუალოები არ განსხვავდება ერთმანეთისგან სტატისტიკურად მნიშვნელოვნად და მათ სტატისტიკურად მნიშვნელოვნად განსხვავებული პირველი ჯგუფისგან მიჯნავს. ვნახოთ, რას ნიშნავს ეს ოთხი სკოლის მათემატიკის ტესტის შედეგების მაგალითზე (ჩანართი 24. 45)</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 45</strong><br/> <strong>ტუკის კრიტერიუმი</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ცხრილში თითოეული სახეობის სკოლა შედარებულია დანარჩენ სამს, მათ შორის სტატისტიკურად მნიშვნელოვანი განსხვავების არსებობის შესამოწმებლად. ცხრილიდან ჩანს, რომ სოფლის დაწყებითი სკოლა ჯერ სოფლის საშუალო სკოლასთანაა შედარებული (მარცხენა სვეტის პირველი სტრიქონის უჯრა „სოფლის დაწყებითი“) და მათ შორის არ აღმოჩნდა სტატისტიკურად მნიშვნელოვანი განსხვავება (Sig. = 0.996, ე. ი. p > 0.05). შემდეგ შედარებულია სოფლის დაწყებითი სკოლა და ქალაქის დაწყებითი სკოლა და დადგენილია, რომ მათ შორის სტატისტიკურად მნიშვნელოვანი განსხვავება არსებობს (Sig. = 0.002, ე. ი. p < 0.05). და ბოლოს, მოცემულია სოფლის დაწყებითი და ქალაქის საშუალო სკოლების შედარება, რომელიც, ასევე, სტატისტიკურად მნიშვნელოვან განსხვავებაზე მიუთითებს (Sig. = 0.003, ე. ი. p < 0.05). მარცხენა სვეტის შემდეგ უჯრაში მოცემულია სოფლის საშუალო სკოლა, რომელიც ჯერ შედარებულია სოფლის დაწყებით სკოლას და მისგან სტატისტიკურად მნიშვნელოვნად არ განსხვავდება (Sig. = 0.996, ე. ი. p > 0.05), შემდეგ ქალაქის დაწყებით სკოლასთან და მათ შორის სტატისტიკურად მნიშვნელოვანი განსხვავებაა დადგენილი (Sig. = 0.001, ე. ი. p < 0.05), ბოლოს კი, ქალაქის საშუალო სკოლასთან და და ეს შედარება მათ შორის სტატისტიკურად მნიშვნელოვან განსხვავებას ადგენს (Sig. = 0.001, ე. ი. p < 0.05). ანალიზი ანალოგიურად გრძელდება ქალაქის დაწყებითი და საშუალო სკოლებისთვის. ცხრილიდან ჩანს, რომ ორი ტიპის სოფლის სკოლა სტატისტიკურად მნიშვნელოვნად არ განსხვავდება ერთმანეთისგან და არც ორი ტიპის ქალაქის სკოლას შორისაა სტატისტიკურად მნიშვნელოვანი განსხვავება. სამაგიეროდ, ერთმანეთისგან სტატისტიკურად მნიშვნელოვანი განსხვავებაა სოფლისა და ქალაქის სკოლებს შორის. ამგვარად, ვხედავთ, რა შემთხვევაშია ნულოვანი ჰიპოთეზა მხარდაჭერილი და რა შემთხვევაში - არა.</p>
<p> ფაქტობრივად, SPSS-ში ტუკის კრიტერიუმი ამას ძალიან ნათლად და ზუსტად აჩვენებს (ჩანართი 24. 46).</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 46</strong><br/> <strong>ჰომოგენური ჯგუფები ტუკის კრიტერიუმის მიხედვით</strong></p>
<p align="center">განთავსდება...</p>
<p> მოცემულია ჰომოგენური ჯგუფების საშუალოები.</p>
<ul>
<li>a. გამოყენებულია შერჩევის ჰარმონიული საშუალო, რომლის მოცულობა = 147. 806.</li>
<li>b. ჯგუფების მოცულობები არათანაბარია. გამოყენეულია ჯგუფის მოცულობების ჰარმონიული საშუალო. I გვარის შეცდომის დონეები გარანტირებული არ არის.<br/> ---------------------------</li>
</ul>
<p> აქ მსგავსი საშუალოების მქონე ორი ჯგუფია გამოყოფილი და დაჯგუფებულია ის სკოლები, რომლებიც სტატისტიკურად არ განსხვავდებიან ერთმანეთისგან: ქალაქის დაწყებითი და საშუალო სკოლები (სვეტი „1“) და სოფლის დაწყებითი და საშუალო სკოლები (სვეტი „2“). ამ ჯგუფების საშუალოებს SPSS ავტომატურად მზარდი თანმიმდევრობით ალაგებს (ანუ, სვეტის დასაწყისში ყველაზე დაბალი საშუალოს მქონე ჯგუფია წარმოდგენილი, ხოლო ბოლოს - ყველაზე მაღალი საშუალოს მქონე ჯგუფი). ამრიგად, შეგვიძლია ვნახოთ, რომ სკოლებს შორის განსხვავებას ის კი არ ქმნის, რომ ზოგი მათგანი დაწყებითი ან საშუალოა, არამედ ის, რომ ზოგი სოფლისაა და ზოგი - ქალაქის, ანუ, განსხვავება გეოგრაფიულ ადგილმდებარეობას უკავშირდება და არა - სკოლის მოსწავლეთა ასაკობრივ ჯგუფს. ტუკის კრიტერიუმი გვეხმარება იმის დადგენაში, თუ ზუსტად რაში გამოიხატება ჯგუფებს შორის განსხვავება და მსგავსება. საშუალოების ჰომოგენურ ჯგუფებად გაერთიანებისას შეგვიძლია დავინახოთ, თუ რომელი საშუალოები ჰგვანან ერთმანეთს და, ამასთანავე, განხვავდებიან საშუალოების სხვა ჯგუფებისგან.</p>
<p> დისპერსიული ანალიზით ვადგენთ, განსხვავდებიან თუ არა სტატისტიკურად მნიშვნელოვნად ჯგუფები ერთმანეთისგან. ტუკის კრიტერიუმი გვიჩვენებს, თუ სად არის განსხვავება. მიზანშეწონილია ამ ორი კრიტერიუმის ერთობლივად გამოყენება. ცხადია, t კრიტერიუმის მსგავსად, აქაც ისეთივე მნიშვნელოვანია ჯგუფებს შორის განსხვავების ვერ აღმოჩენა, როგორც - აღმოჩენა. მაგალითად, თუ ვნახავთ, რომ ოთხი ჯგუფი (მშობლები, მასწავლებლები, მოსწავლეები და სკოლის ადმინისტრაციის წარმომადგენლები) არ განხვავდება ერთმანეთისგან გარკვეულ საკითხთან დამოკიდებულების მიხედვით, ვთქვათ, საბუნებისმეტყველო საგნებისთვის სწავლებისთვის მეტი საათების დათმობის საკითხთან მიმართებაში, მაშინ მყარი საფუძველი გვექნება ვიფიქროთ, რომ ამ შემთხვევაში შეთავაზეული სიახლის - საბუნებისმეტყველო საგნების უფრო ინტერსიური სწავლების - წარმატებულად დანერგვის შესაძლებლობა უფრო მეტია, ვიდრე ჯგუფებს შორის მნიშვნელოვანი განსხვავების არსებობის შემთხვევაში გვექნებოდა. განსხვავების აღმოჩენა ისევე მნიშვნელოვანი შეიძლება იყოს როგორც მისი არ აღმოჩენა,</p>
<p> დისპერსიული ანალიზი და ტუკის კრიტერიუმი წერილობითი სახით ასე შეგვიძლია გავაფორმოთ:</p>
<p> დისპერსიულმა ანალიზმა სოფლისა და ქალაქის სკოლებს შორის სტატისტიკურად მნიშვნელოვანი განსხვავება გამოავლინა (F = 8.976, p < 0.001). ტუკის კრიტერიუმმა აჩვენა, რომ სოფლის დაწყებითი და საშუალო სკოლების საშუალოები (შესაბამისად, 59.85 და 60.44) და ქალაქის დაწყებითი და საშუალო სკოლის საშუალოები ერთმანეთისგან სტატისტიკურად მნიშვნელოვნად არ განსხვავდება (შესაბამისად, 50.64 და 51.70). ტუკის კრიტერიუმის გამოთვლამ, ცვლადის „მათემატიკის სტანდარტიზებული ქულები“ მიხედვით, ორი ჰომოგენური ჯგუფი გამოავლინა: (ა) ქალაქის დაწყებითი და საშუალო სკოლები და (ბ) სოფლის დაწყებითი და საშუალო სკოლები. ეს ორი ჯგუფი ამ ცვლადის მიხედვით ერთმანეთისგან მკვეთრად და სტატისტიკურად მნიშვნელოვნად განსხვავებულია. სოფლისსკოლების საშუალო მაჩვენებელი სტატისტიკურად მნიშვნელოვნად აღემატემოდა ქალაქის სკოლების საშუალოს.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ორფაქტორიანი დისპერსიული ანალიზი</em></strong></h3>
<p> ზემოთ განხილული მაგალითი ერთფაქტორიანი დისპერსიულ ანალიზს წარმოადგენს, ანუ, სამ ან მეტ ჯგუფს შორის განსხვავებას ერთი დამოუკიდებელი ცვლადის მიხედვით. ასეთი შემთხვევების გარდა, დისპერსიულ ანალიზში (ANOVA) ერთზე მეტი დამოუკიდებელი ცვლადი შეიძლება იქნას გათვალისწინებული. ორფაქტორიანი დისპერსიული ანალიზი „ერთ ცვლადზე ორი დამოუკიდებელი ცვლადის (ფაქტორის) ეფექტის შესაფასებლად“ გამოიყენება (ჩოჰენ ანდ Hოლლიდაყ 1996: 277). განვიხილოთ მაგალითი, თუ როგორ მოქმედებს მოსწავლეთა ასაკი და სქესი საბუნებისმეტყველო მეცნიერებების გამოცდაზე ნაჩვენებ შედეგზე. ორფაქტორიანი დისპერსიული ანალიზი მკვლევარს არა მარტო თითოეული დამოუკიდებელი ცვლადის ეფექტის ნახვის საშუალებას აძლევს, არამედ, ორი ცვლადის ურთიერთქმედების ეფექტისაც ანუ, როგორ იცვლება ან რა გავლენას განიცდის სქესის ეფექტი, როდესაც ასაკობრივი ჯგუფის ეფექტთან ერთიანდება. მაგალითად, შესაძლოა, აღმოვაჩინოთ, რომ ასაკი განსხვავეულად მოქმედებს გამოცდის შედეგზე იმის მიხედვით, თუ რომელი სქესისაა მოსწავლე გოგონა თუ ვაჟი, ანუ სახეზე გვაქვს ურთიერქმედების ეფექტი.</p>
<p> ორფაქტორიანი დისპერსიული ანალიზისთვის მკვლევარს ორი დამოუკიდებელი კატეგორიალური (სახელდების სკალის, მაგალითად, სქესი, ასაკობრივი ჯგუფი) და ერთი უწყვეტი დამოკიდებული ცვლადი სჭირდება (მაგალითად, გამოცდაზე მიღწეული შედეგი). ორფაქტორიანი დისპერსიული ანლალიზი სამი ეფექტის გამოთვლის შესაძლებლობას გვაძლევს. ჩვენს მაგალითში ეს ეფექტებია:</p>
<ul>
<li>გამოცდის შედეგში სქესის მიხედვით განსხვავება;</li>
<li>გამოცდის შედეგში ასაკობრივი ჯგუფის მიხედვით განსხვავება;</li>
<li>გამოცდის შედეგზე სქესისა და ასაკობრივი ჯგუფის ურთიერთქმედების ეფექტი, მაგალითად, განსხვავებულ შედეგებს აჩვენებენ თუ არა გოგონები და ვაჟები ასაკობრივი ჯგუფების მიხედვით?</li>
</ul>
<p> ამის საილუსტრაციოდ SPSS-ს გამოვიყენებთ. SPSS, პირველ რიგში, აღწერით სტატისტიკას გვაძლევს, რომელიც 24. 47 ჩანართშია წარმოდგენილი.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 47</strong><br/> <strong>საშუალო და სტანდარტული გადახრა ორფაქტორიან დისპერსიულ ანალიზში</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> აქ მხოლოდ საშუალოები და სტანდარტული გადახრებია წარმოდგენილი. ამის შემდეგ SPSS შეცდომის დისპერსიების თანაბრობის ლევენის ტესტს, თავისუფლების ხარისხებსა და მნიშვნელოვნობის დონეებს ითვლის (ჩანართი 24. 48).</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 48</strong> <br/> <strong>დისპერსიების თანაბრობის ლევენის ტესტი ორფაქტორიან დისპერსიულ ანალიზში</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ამ ტესტით ვადგენთ, თანაბარია თუ არა საშუალოები სხვადასხვა ჯგუფში. უნდა ვნახოთ, მნიშვნელოვნობის დონე 0.05-ზე მეტია თუ არა. ჩვენ 0.05-ზე მეტი მნიშვნელოვნობის დონე, ანუ, სტატისტიკურად არამნიშვენლოვანი შედეგი გვჭირდება, რაც ნულოვანი ჰიპოთეზის მხარდაჭერას ნიშნავს. ამ შემთხვევაში ნულოვანი ჰიპოთეზაა ის, რომ ჯგუფებს შორის არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება საშუალოებისა და დისპერსიების მიხედვით (ანუ, ამით მხარს ვუჭერთ ANOVA-ს დაშვებებს). ჩვენს მაგალითში ეს ასე არ არის, ვინაიდან მნიშვნელოვნობის დონე 0.001-ია, რაც ნიშნავს, რომ შემდგომი ანალიზი სიფრთხილით უნდა განვახორციელოთ და გვახსოვდეს, რომ არ არის დაშვებული თანაბარი დისპერსიები - დარღვეულია დისპერსიული ანალიზის ერთ-ერთი დაშვება. ამის შემდეგ SPSS მნიშვნელოვან ინფორმაციას გვაძლევს (ჩანართი 24. 49).</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 49</strong> <br/> <strong>ცდის პირთა შორის სქემის ეფექტები ორფაქტორიან დისპერსიულ ანალიზში</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ცხრილში სამი დამოუკიდებელი ცვლადია მოცემული (სქესი, ასაკობრივი ჯგუფი, სქესი*ასაკობრივი ჯგუფი). სვეტი „Sig.“ გვიჩვენებს, რომ ამ სამი ცვლადისთვის მნიშვნელოვნობის დონეებია: 0.956, 0.004 და 0.244. შესაბამისად, ვხედავთ, რომ სქესი არ მოქმედებს სტატისტიკურად მნიშვნელოვნად საბუნებისმეტყველო მეცნიერების გამოცდის შედეგზე, ასაკობრივი ჯგუფი კი - მოქმედებს (p = 0.004). ასევე, სტატისტიკურად უმნიშვნელოა სქესისა და ასაკობრივი ჯგუფის ერთობლივი გავლენა გამოცდის შედეგზე, ანუ, გამოცდის შედეგზე ზემოქმედება სტატისტიკურად მნიშვნელოვნად არ განსხვავდება ქალებისა და კაცების შემთხვევაში (p = 0.244). SPSS ეფექტის ზომასაც ითვლის (პარციალური ეტა კვადრატი). მნიშვნელოვანი ცვლადისთვის, ასაკობრივი ჯგუფისთვის ის 0.014-ს შეადგენს, რაც გვიჩვენებს, რომ ეფექტის ზომა ძალიან მცირეა და გვაფიქრებინებს, რომ, მართალია, დადგინდა სტატისტიკური მნიშვნელოვნობა, საშუალოების მნიშვნელობებს შორის რეალური განსხვავება მაინც ძალიან მცირეა.</p>
<p> ერთფაქტორიანი დისპერსიული ანალიზის ანალოგიურად, აქაც შეგვიძლია ტუკის კრიტერიუმის გამოყენება ქვეშერჩევების საშუალოების ჰომოგენურ ჯგუფებში გასაერთიანებლად. SPSS-ში ქულების ორი ერთობლიობის გრაფიკულად გამოსახვაც შესაძლებელია, რაც თვალსაჩინოდ დაგვანახებს, თუ რა გავლენას ახდენს სქესის ფაქტორი ოთხ სხვადასხვა ასაკობრივ ჯგუფში (ანუ, მონაწილე ქალია თუ მამაკაცი) გამოცდაზე მიღებულ შეფასებაზე (ჩანართი 24. 50).</p>
<p>---------------------------<br/> <strong>ჩანართი 24.50</strong><br/> <strong>დამოუკიდებელი ცვლადის მიხედვით დაჯგუფებულ სიმრავლეთა ორი ჯგუფის გრაფიკული გამოსახვა</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ორფაქტორიანი დისპერსიული ანალიზი წერილობით ასე შეგვიძლია გავაფორმოთ:</p>
<p> საბუნებისმეტყველო მეცნიერების გამოცდის შედეგზე სქესისა და ასაკობრივი ჯგუფის გავლენის დასადგენად ორფაქტორიანი დისპერსიული ანალიზი გამოვიყენეთ. მონაწილეები ოთხ ასაკორივ ჯგუფად დაიყო: I ჯგუფი - 15-20 წელი, II ჯგუფი - 21-25 წელი, III ჯგუფი - 26-45 წელი და IV ჯგუფი - 46 წელი და მეტი. გამოვლინდა ასაკის მიხედვით სტატისტიკურად მნიშვნელოვანი ძირითადი გავლენა (F = 4.554, p = 0.004), თუმცა, ეფექტის ზომა მცირე აღმოჩნდა (პარციალური ეტა კვადრატი = 0.014). არ გამოვლინდა სქესისა (F = 0.003, p = 0.956) და ცვლადების ურთიერთქმედების ეფექტის (F = 1.390, p = 0.244) სტატისტიკურად მნიშვნელოვანი გავლენა.</p>
<h2 align="center" style="font-size: 20px; color: black;">მან-უიტნისა და უილკოქსონის კრიტერიუმები</h2>
<p> t კრიტერიუმის არაპარამეტრული ეკვივალენტია მან-უიტნის U კრიტერიუმი ორი დამოუკიდებელი შერჩევისთვის (Mანნ-ჭჰიტნეყ U ტესტ) და უილკოქსონის კრიტერიუმი (ჭილცოხონ ტესტ) ორი დამოკიდებული შერჩევისთვის. ორივე მათგანისთვის საჭიროა ერთი კატეგორიალური და მინიმუმ ერთი რიგის სკალის ცვლადი. ეს კრიტერიუმები საშუალებას გვაძლევს, ვნახოთ, მაგალითად, განსხვავდებიან თუ არა ერთმანეთისგან ქალები და მამაკაცები მოცემული სკალის რეიტინგების მიხედვით.</p>
<p> მან-უიტნის კრიტერიუმი რანგებს ემყარება და „ერთმანეთს ადარებს, თუ რამდენჯერ ენიჭება ერთი შერჩევიდან აღებულ ქულას უფრო მაღალი რანგი, ვიდრე მეორე შერჩევიდან აღებულ ქულას“ (Bryman and Cramer 1990: 129) და, ამგვარად, დაძლეულია ნიშანთა შეუღლების ცხრილის უჯრებში დაბალი სიხშირეების პრობლემა, რომელიც ხი-კვადრატის შემთხვევაში გვქონდა. განვიხილოთ მაგალითი. ვთქვათ, ხუთქულიან სკალაზე („სრულებით არ“, „ოდნავ“, „არც ისე“, „საკმაოდ“, „ძალიან“) შევაფასეთ კურსი და ახლა გვსურს, ვნახოთ, სტატისტიკურად მნიშვნელოვნად განსხვავებულად პასუხობენ თუ არა მამაკაცები და ქალები დებულებას (ცვლადს) „კურსი საკუთარი ტემპით მეცადინეობის საშუალებას იძლევა“. მსჯელობას ნულოვანი ჰიპოთეზით ვიწყებთ („არ არსებობს სტატისტიკურად სანდო განსხვავება ორ საშუალოს შორის“) და შემდეგ მნიშვნელოვნობის დონეს ვადგენთ (α) ნულოვანი ჰიპოთეზის მხარდასაჭერად ან მისთვის მხარის არ დასაჭერად. მაგალითად, შეგვიძლია, განვაცხადოთ, „დავუშვათ, α = 0.05“. ნიშანთა შეუღლების ცხრილმა, შესაძლოა 24. 51 ჩანართში წარმოდგენილი სურათი მოგვცეს.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 51</strong><br/> <strong>ნიშანთა შეუღლების ცხრილი მან-უიტნის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> არსებობს თუ არა ამ ორ ჯგუფს შორის სტატისტიკურად მნიშვნელოვანი განსხვავება? SPSS-ში გამოთვლის შედეგად, მან-უიტნის კრიტერიუმი 24. 52 და 24. 53 ჩანართებში წარმოდგენილ ინფორმაციას გვაწვდის.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 52</strong><br/> <strong>SPSS-ში რანგირების შედეგი მან-უიტნის U კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 53</strong><br/> <strong>SPSS-ის გამოთვლების შედეგი: მან-უიტნის U კრიტერიუმის მნიშვნელობა და მნიშვნელოვნობის დონე</strong></p>
<p align="center">განთავსდება...</p>
<p> a. დამაჯგუფებელი ცვლადი: სქესი<br/> ---------------------------</p>
<p> მან-უიტნის კრიტერიუმი იყენებს რანგებს (როგორც ჩანართში 24. 52) და გამოსათვლელი ფორმულის გამოყენებით იღებს U მნიშვნელობას, რომელიც ჩვენს მაგალითში 2732.500-ის ტოლია (SPSS ამას ავტომატურად აკეთებს). 24. 53 ჩანართში მოცემულ ცხრილში მნიშვნელოვან ინფორმაციას სვეტი „Asimp. sig. (2-tailed)“ შეიცავს - ორ ჯგუფს (მამაკაცები და ქალები) შორის აღმოჩენილი ნებისმიერი განსხვავების სტატისტიკური მნიშვნელოვნობის დონეს. აქ მნიშვნელოვნობის დონე (p = 0.019, ე. ი. p < 0.05) გვიჩვენებს, რომ ქალებისა და მამაკაცების პასუხები სტატისტიკურად მნიშვენლოვნად განხვავდება ერთმანეთისგან და ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი. t კრიტერიუმით და ტუკის კრიტერიუმით სწრაფად შეგვიძლია ვნახოთ, ზუსტად სად არის ჯგუფებს შორის განსხვავება (შესაბამისად, საშუალოებისა და ჰომოგენური ქვეჯგუფების ნახვის საშუალებით). სამწუხაროდ, მან-უიტნის კრიტერიუმი არ გვაძლევს ორ ჯგუფს შორის განსხვავების ზუსტად განსაზღვრის საშუალებას, ამიტომ ამის სანახავად ნიშანთა შეუღლების ცხრილთან გვიწევს დაბრუნება. ზემოთ მოტანილ მაგალითში ჩანს, რომ მამაკაცები უფრო მეტად თვლიან, რომ მოცემულმა კურსმა მათ საკუთარი ტემპით მეცადინეობის საშუალება მისცა, ვიდრე ქალები.</p>
<p> მან-უიტნის კრიტერიუმის წერილობით გაფორმება შემდეგნაირად შეგვიძლია:</p>
<p> ორი ჯგუფის პასუხებს შორის სტატისტიკურად მნიშვნელოვანი განსხვავების გამოსავლენად მან-უიტნის კრიტერიუმი იქნა გამოყენებული (U = 2732.500, p = 0.019) და დადგენილ იქნა სტატისტიკურად მნიშვნელოვანი განსხვავება მამაკაცებსა და ქალებს შორის. ნიშანთა შეუღლების ცხრილმა აჩვენა, რომ მამაკაცები უფრო მეტად თვლიან, რომ კურსმა მათ საკუთარი ტემპით მეცადინეობის საშუალება მისცა, ვიდრე ქალები.</p>
<p> ორი დამოკიდებული შერჩევისთვის (მაგალითად, ერთი ჯგუფი პასუხობს ერთზე მეტ დებულებას ან ერთ დებულებას დროის ორ სხვადასხვა მომენტში) უილკოქსონის კრიტერიუმი გამოიყენება და მონაცემების წარმოდგენა და გაანალიზება ზუსტად ისევე ხდება, როგორც მან-უიტნის კრიტერიუმის შემთხვევაში. მაგალითად, ჩანართებში 24. 54 და 24. 55 წარმოდგენილია ორი ცვლადი („კურსი სწორედ ისეთი იყო, როგორიც უნდა ყოფილიყო“ და „ლექტორი კარგად იყო მომზადებული“), რომლებსაც ერთი და იგივე ჯგუფი აფასებს. ცხრილში მოცემულია სიხშირეები. სტატისტიკურად მნიშვნელოვნად განსხვავდება თუ არა ერთმანეთისგან შეფასება კურსის ამ ორი დებულების მიხედვით?</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 54</strong><br/> <strong>პირველი ცვლადის სიხშირეები და პროცენტები უილკოქსონის კრიტერიუმში</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ვინაიდან ერთი ჯგუფი აფასებს ორ ცვლადს, შერჩევა არ არის დამოუკიდებელი, ამიტომ უილკოქსონის კრიტერიუმი უნდა გამოვიყენოთ. SPSS-ში მონაცემების ანალიზის შედეგი გვიჩვენებს, რომ ჯგუფის ორ ცვლადზე პასუხები სტატისტიკურად მნიშვნელოვნად განსხვავებულად ერთმანეთისაგან (ჩანართი 24.56 და 24.57)</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 55</strong><br/> <strong>მეორე ცვლადის სიხშირეები და პროცენტები უილკოქსონის კრიტერიუმში</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> უილკოქსონის კრიტერიუმის გაფორმება ისევე ხდება, როგორც მან-უიტნის კრიტერიუმის.</p>
<p> მან-უიტნისა და უილკოქსონის კრიტერიუმებისთვის ორ ჯგუფს შორის სტატისტიკურად მნიშვნელოვანი განსხვავების ვერ აღმოჩენა ისეთივე მნიშვენლოვანი შეიძლება იყოს, როგორც მათ შორის ასეთი განსხვავების აღმოჩენა, ვინაიდან პირველი შემთხვევა გვაფიქრებინებს, რომ შერჩევის ნომინალური მახასიათებლები არ ქმნიან სტატისტიკურად მნიშვნელოვან განსხვავებას დებულებების შეფასებაში, ანუ, დებულების შეფასება კონსისტენტურია განურჩევლად შერჩევის კონკრეტული მახასიათელებისა.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 56</strong><br/> <strong>რანგები და რანგების ჯამები უილკოქსონის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...</p>
<p> a. ლექტორი კარგად იყო მომზადებული < კურსი ზუსტად ისეთი იყო, როგორიც უნდა ყოფილიყო;</p>
<p> b. ლექტორი კარგად იყო მომზადებული > კურსი ზუსტად ისეთი იყო, როგორიც უნდა ყოფილიყო;</p>
<p> c. კურსი ზუსტად ისეთი იყო, როგორიც უნდა ყოფილიყო = ლექტორი კარგად იყო მომზადებული<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 57</strong><br/> <strong>მნიშვნელოვნობის დონე უილკოქსონის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<h2 align="center" style="font-size: 20px; color: black;">კრუსკალ-უოლისისა და ფრიდმენის კრიტერიუმები</h2>
<p> დისპერსიული ანალიზის არაპარამეტრული ეკვივალენტებია კრუსკალუოლისის კრიტერიუმი სამი და მეტი დამოუკიდებელი შერჩევისთვის და ფრიდმანის კრიტერიუმი სამი და მეტი დამოკიდებული შერჩევისთვის. ორივე კრიტერიუმი ერთ კატეგორიალურ და ერთ რიგის სკალის ცვლადს იყენებს და საშუალებას გვაძლევს ვნახოთ, განსხვავდება თუ არა ერთმანეთისგან რეიტინგის სკალაზე სამი ან მეტი ჯგუფი.</p>
<p> ეს კრიტერიუმები თითქმის ისევე მუშაობს, როგორც მან-უიტნის კრიტერიუმი - რანგებზეა დაფუძნებული. განვიხილოთ მაგალითი: მასწავლებლები სწავლების გამოცდილების წლების რაოდენობის მიხედვით გადაანაწილეს ჯგუფებში და სთხოვეს, შეეფასებინათ მათ მიერ დასწრებული კონკრეტული კურსის ერთ-ერთი ასპექტი („სასწავლო თემებსა და აქტივობებს პრაქტიკული გამოყენება აერთიანებდათ“). ერთ-ერთი მიღებული შედეგია ნიშანთა შეუღლების ცხრილი, რომელიც 24. 58 ჩანართშია წარმოდგენილი. განსხვავდებიან თუ არა ერთმანეთისგან მასწავლებლების ჯგუფები სტატისტიკურად მნიშვნელოვნად? მსჯელობას ნულოვანი ჰიპოთეზით ვიწყებთ („არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ოთხ ჯგუფს შორის“) შემდეგ ვირჩევთ მნიშვნელოვნობის დონეს (α) ნულოვანი ჰიპოთეზის მხარდასაჭერად ან მისთვის მხარის არ დასაჭერად, მაგალითად, ვამბობთ, „დავუშვათ, α= 0.05“.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 58</strong><br/> <strong>ნიშანთა შეუღლების ცხრილი კრუსკალ-უოლისის კრიტერიუმისთვის</strong></p>
<p> სწავლების წლების რაოდენობა*სასწავლო თემებსა და აქტივობებს პრაქტიკული გამოყენება აერთიანებდათ</p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> სტატისტიკურად მნიშვნელოვნად განსხვავება თუ არა ერთმანეთისგან ოთხი ჯგუფის შეფასებები? SPSS-ში კრუსკალ-უოლისის კრიტერიუმის გამოთვლები გვაძლევს ცხრილებს, რომლებიც წარმოდგენილია ჩანართში 24. 59 და 24. 60.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 59</strong><br/> <strong>რანგები კრუსკალ-უოლისის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 60</strong><br/> <strong>მნიშვნელოვნობის დონე კრუსკალ-უოლისის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...</p>
<p> a. კრუსკალ-უოლისის კრიტერიუმი<br/> b. დამაჯგუფებელი ცვლადი: სწავლების წლების რაოდენობა<br/> ---------------------------</p>
<p> ამ ცხრილებში აღნიშვნის ღირსი მნიშვნელოვანი რიცხვია 0.009 („Asymp.sig.“) - მნიშვნელოვნობის დონე. ვინაიდან ის 0.05-ზე ნაკლებია, შეგვიძლია დავასკვნათ, რომ ნულოვანი ჰიპოთეზა („არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ოთხ ჯგუფს შორის“) არ არის მხარდაჭერილი და შედეგები იმის მიხედვით იცვლება, თუ რამდენი წლის სამუშაო გამოცდილება აქვს რესპოდენტს. მან-უიტნის კრიტერიუმის მსგავსად, კრუსკალ-უოლისის კრიტერიუმი მხოლოდ იმას გვეუბნება, არის თუ არ არის სტატისტიკურად მნიშვნელოვანი განსხვავება და არა იმას, თუ სად არის ეს განსხვავება. იმის გასარკვევად, თუ ზუსტად სადაა განსხვავება, ნიშანთა შეუღლების ცხრილი უნდა გავარჩიოთ. მოცემულ მაგალითში მოყვანილი ცხრილიდან ჩანს, რომ მასწავლებლები, რომელთაც სწავლების 16-18 წლიანი გამოცდილება აქვთ, ყველაზე დადებითად არიან განწყობილნი კურსის მოცემული ასპექტისადმი.</p>
<p> კრუსკალ-უოლისის კრიტერიუმი წერილობით შემდეგნაირად შეგვიძლია გავაფორმოთ:</p>
<p> გამოყენებულ იქნას კრუსკალ-უოლისის კრიტერიუმი იმის დასადგენად, არის თუ არა რაიმე სტატისტიკურად მნიშვნელოვანი განსხვავება ოთხი ჯგუფის შეფასებას შორის. დადგენილ იქნას სტატისტიკურად მნიშვენლოვანი განსხვავება (χ2 = 11.595, p 0.009) ოთხ ჯგუფს შორის, რომელიც სწავლების გამოცდილების წლების რაოდენობის მიხედვით გამოიყოფა. ნიშანთა შეუღლების ცხრილმა აჩვენა, რომ ის მასწავლებლები, რომლებსაც 16-18 წლიანი სამუშაო გამოცდილება აქვთ, ყველაზე დადებითად აფასებენ ცვლადს „სასწავლო თემებსა და აქტივობებს პრაქტიკული გამოყენება აერთიანებდათ“.</p>
<p> ორი ან მეტი დამოკიდებული შერჩევისთვის (მაგალითად, ერთი ჯგუფი სამ ან მეტ დებულებას აფასებს, ან ერთი ჯგუფი დროის სამ სხვადასხვა მომენტში აფასებს ერთსა და იმავე დებულებას) ფრიდმანის კრიტერიუმი გამოიყენება. მაგალითად, 24. 61 - 24. 63 ჩანართებში მოცემულია სამი ცვლადი („კურსმა სწავლის სურვილი გაგვიღვიძა“, „კურსმა გვიბიძგა, რომ საკუთარ სწავლაზე თავად აგვეღო პასუხისმგებლობა“ და „სასწავლო თემებსა და აქტივობებს პრაქტიკული გამოყენება აერთიანებდათ“) და სამივეს ერთი და იგივე ჯგუფი აფასებს. ცხრილებში მოცემულია სიხშირეები. განსხვავდება თუ არა სტატისტიკურად მნიშვნელოვნად ერთმანეთისგან ჯგუფის მიერ სხვადასხვა დებულების შეფასება?</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 61</strong><br/> <strong>პირველი ცვლადის სიხშირეები ფრიდმანის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 62</strong><br/> <strong>მეორე ცვლადის სიხშირეები ფრიდმანის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 63</strong><br/> <strong>მესამე ცვლადის სიხშირეები ფრიდმანის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p> ფრიდმანის კრიტერიუმი საშუალო რანგსა და მნიშვენლოვნობის დონეს გვაძლევს. ჩანართებში 24. 64 და 24. 65 SPSS-ში წარმოებული გამოთვლების შედეგებია მოცემული.</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 64</strong><br/> <strong>რანჟირება ფრიდმანის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...<br/> ---------------------------</p>
<p>---------------------------<br/> <strong>ჩანართი 24. 65</strong><br/> <strong>მნიშვნელოვნობის დონე ფრიდმანის კრიტერიუმისთვის</strong></p>
<p align="center">განთავსდება...</p>
<p> a. ფრიდმანის ტესტი<br/> ---------------------------</p>
<p> ცხრილებიდან შეგვიძლია ვნახოთ, რომ ერთი ჯგუფის მიერ სამი ცვლადის შეფასება არ არის სტატისტიკურად მნიშვნელოვნად განსხვავებული ერთმანეთისგან 0.838 (0.05-ზე მეტი) მნიშვნელოვნობის დონეზე, ანუ, ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი. ფრიდმანის კრიტერიუმის შედეგები წერილობით გაფორმებისას იგივე ფორმატი შეგვიძლია გამოვიყენოთ, რასაც კრუსკალ-უოლესის კრიტერიუმისთვის ვიყენებდით.</p>
<p> კრუსკალ-უოლესისა და ფრიდმანის კრიტერიუმებისთვის, მან-უიტნისა და უილკოქსონის კრიტერიუმების ანალოგიურად, ჯგუფებს შორის სტატისტიკურად მნიშვენლოვანი განსხვავების არარსებობა ისევე მნიშვნელოვანი შეიძლება იყოს, როგორც არსებობა, ვინაიდან პირველ შემთხვევაში შეგვიძლია დავასკვნათ, რომ შერჩევის ნომინალური მახასიათებლები არ ზემოქმედებენ ჯგუფის მიერ მოცემულ შეფასებებზე, ანუ, შეფასება კონსისტენტურია და არ არის დამოკიდეული იმაზე, თუ კონკრეტულად რა მახასიათებლები გააჩნია ჯგუფს.</p>
<p> კონოვერის კ-შერჩევის დახრილობის კრიტერიუმი (Conover' k-sample slippage test) კრუსკალ-უოლისის კრიტერიუმის ალტერნატივაა.</p>
<p></p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/korelacia" title="იქს-კვადრატი, ურთიერთკავშირის გაზომვა, კორელაცია და რეგრესული ანალიზი"><span style="color: blue;">◄ წინა ნაწილი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/gazomva" title="მრავალგანზომილებიანი გაზომვა და ფაქტორული ანალიზი"><span style="color: blue;">მომდევნო თავი ►</span></a></div>
</td>
</tr>
</tbody>
</table>
</div> შრომითი მიგრაციის ფემინიზაციის გავლენა შვილების სოციალიზაციისა და რეალიზაციის პროცესებზე საქართველოშიtag:www.qwelly.com,2018-02-19:6506411:Topic:13123472018-02-19T17:48:44.238Zლიკა კაპანაძეhttps://www.qwelly.com/profile/230bh2cr3i5u1
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 22px; color: black;"><strong>სამაგისტრო ნაშრომი - ლიკა კაპანაძე</strong></h2>
<p align="center"><img alt="სამაგისტრო ნაშრომი, ილიაუნი, ლიკა კაპანაძე, ქველი, სოციოლოგია, Qwelly, sociology, lika kapanadze, thesis, MA" src="http://storage.ning.com/topology/rest/1.0/file/get/2064212372?profile=original" title="შრომითი მიგრაციის ფემინიზაციის გავლენა შვილების სოციალიზაციისა და რეალიზაციის პროცესებზე საქართველოში - ლიკა კაპანაძე"></img></p>
<p align="center"><em>სამაგისტრო ნაშრომი წარდგენილია ილიას სახელმწიფო უნივერსტიტების მეცნიერებისა და ხელოვნების ფაკულტეტზე სოციოლოგიის მაგისტრის აკადემიური ხარისხის მინიჭების მოთხოვნების შესაბამისად</em></p>
<p align="center">პროგრამა: სოციოლოგია<br></br> სამეცნიერო ხელმძღვანელი: <strong>ანა…</strong></p>
</div>
<div style="font-size: 15px; color: black;"><h2 style="font-size: 22px; color: black;" align="center"><strong>სამაგისტრო ნაშრომი - ლიკა კაპანაძე</strong></h2>
<p align="center"><img title="შრომითი მიგრაციის ფემინიზაციის გავლენა შვილების სოციალიზაციისა და რეალიზაციის პროცესებზე საქართველოში - ლიკა კაპანაძე" alt="სამაგისტრო ნაშრომი, ილიაუნი, ლიკა კაპანაძე, ქველი, სოციოლოგია, Qwelly, sociology, lika kapanadze, thesis, MA" src="http://storage.ning.com/topology/rest/1.0/file/get/2064212372?profile=original"/></p>
<p align="center"><em>სამაგისტრო ნაშრომი წარდგენილია ილიას სახელმწიფო უნივერსტიტების მეცნიერებისა და ხელოვნების ფაკულტეტზე სოციოლოგიის მაგისტრის აკადემიური ხარისხის მინიჭების მოთხოვნების შესაბამისად</em></p>
<p align="center">პროგრამა: სოციოლოგია<br/> სამეცნიერო ხელმძღვანელი: <strong>ანა კირვალიძე</strong>, <em>ასოცირებული პროფესორი</em></p>
<p align="center"><img title="ილიას სახელმწიფო უნივერსიტეტი, ლოგო" alt="ილიას სახელმწიფო უნივერსიტეტის ლოგო, ილიაუნის ლოგო, სამაგისტრო ნაშრომი, თეზისი, Qwelly, iliauni, sociology" src="http://storage.ning.com/topology/rest/1.0/file/get/2064196814?profile=original" width="250"/><br/> ილიას სახელმწიფო უნივერსიტეტი<br/> თბილისი, 2018</p>
<p></p>
<h2 style="font-size: 18px; color: black;"><strong><strong>აბსტრაქტი</strong></strong></h2>
<p> საერთაშორისო შრომითი მიგრაცია გლობალური მოვლენაა. საქართველოსთვის ეს პროცესი მნიშვნელოვან პრობლემას წარმოადგენს მისი მასშტაბებიდან და ინტენსიურობიდან გამომდინარე, სიტუაციას ართულებს ის ფაქტიც, რომ ემიგრირებული მოსახლეობის ზუსტი სტატისტიკა არ არსებობს, რადგან უმრავლესობა არალეგალურად არის წასული და ვერ ხდება მათი საკონსულო აღრიცხვა.</p>
<p> ტერმინი „შრომითი მიგრაციის ფემინიზაცია“ გამიყენება 80-იანი წლებიდან და გულისხმობს შრომით მიგრაციაში ქალთა აქტიურ მონაწილეობას და მათი, როგორც სამუშაო ძალის წინა პლანზე წამოწევას მსოფლიო მასშტაბით.</p>
<p> საკმაოდ რთული ამოცანაა ქალთა შრომითი მიგრაციის დადებითი და უარყოფითი ასპექტების შეფასება. რატომღაც საზოგადოების მხრიდან მის დადებით ეკონომიკურ როლზე აქცენტი ნაკლებად არის გამახვილებული, როდესაც შრომითი მიგრანტი ტოვებს თავის ქვეყანას უდიდეს რისკზე მიდის, მაგრამ გამართლების შემთხვევაში მოგებული რჩება არა მარტო ემიგრანტი და მისი ოჯახი, არამედ სახელმწიფოც. სამუშაო ძალის ექსპორტის შედეგად სახელმწიფოები იღებენ მნიშვნელოვან შემოსავალს ვალუტის სახით ემიგრანტთა გზავნილების ფორმით, რომლებიც გავლენას ახდენს დონორი ქვეყნის განვითარებაზე. გამოგზავნილი თანხის გამოყენება ხდება: ბავშვთა განათლებისთვის, უძრავი ქონების შესაძენად, ოჯახის სტატუსისა და მატერიალური მდგომარეობის ასამაღლებლად, სესხების დასაფარად.</p>
<p> ამ საკითხთან დაკავშირებული კვლევები ძირითადად ორიენტირებულია სტატისტიკური მონაცემების შეგროვებაზე და ნაკლედბად ამახვილებენ ყურადღებას იმ გავლენებზე, რასაც შრომითი მიგრაციის ფემინიზაცია იწვევს. მიგრაციის ფემინიზაცია კომპლექსური და რთული საკითხია, ამიტომ სიღრმისეულ შესწავლას და გაანალიზებას მოითხოვს. მიუხედავად ამ მოვლენის მასშტაბებისა და მნიშვნელობისა ქართულ საზოგადოებაში ამ საკითხს ნაკლები ყურადღება ეთმობა.</p>
<p> კვლევითი ნაშრომის მიზანია ერთის მხრივ შეისწავლოს შრომითი მიგრაციის ფემინიზაციის გავლენები საქართველოში დატოვებული ემიგრანტთა შვილების სოციალიზაციაზე და მათი შემდგომი რელიზაციის პროცესზე და მეორეს მხრივ იმ ცვლილებების გამოვლენა და გაანალიზება, რასაც ეს მოვლენა იწვევს ქართულ ოჯახში გენდერული როლების დინამიკის პროცესზე. საკითხის შესასწავლად თვისებრივი სოციოლოგიური კვლევის მეთოდის: სიღრმისეული ინტერვიუების გამოყენებით გაანალიზდა სამიზნე ჯგუფის მოსაზრებები და მათი დამოკიდებულებები.</p>
<p> კვლევის შედეგად გამოვლინდა: როგორ დადებით და უარყოფით გავლენას ახდენს შრომითი მიგრაციის ფემინიზაცია ქართველი ემიგრანტი ქალების შვილების სოციალიზაციისა და შემდგომი რელიზაციის პროცესებზე და როგორ ცვლის ეს მოვლენა ოჯახში გენდერული როლების დინამიკას. კვლევის შედეგები შესაძლოა მნიშვნელოვან მიგნებებს წარმოადგენდეს შემდგომში ამ საკითხების სიღრმისეულად შესასწავლად, რადგან მსგავსი ტიპის კვლევა, რომელშიც ქართველი ბავშვები წარმოადგენენ სამიზნე ჯგუფს არ ჩატარებულა.</p>
<p><strong>ძირითადი ტერმინები</strong>:</p>
<p><em>შრომითი მიგრაციის ფემინიზაცია, სოციალიზაცია, პიროვნული რეალიზაცია, გენდერული როლების დინამიკა.</em></p>
<p></p>
<p></p>
<p>იხილეთ ნაშრომი:</p>
<h1 style="font-size: 22px; color: black;" align="center">• <a rel="follow noopener" href="http://storage.ning.com/topology/rest/1.0/file/get/2064212762?profile=original" title="შრომითი მიგრაციის ფემინიზაციის გავლენა შვილების სოციალიზაციისა და რეალიზაციის პროცესებზე საქართველოში - ლიკა კაპანაძის სამაგისტრო ნაშრომი" target="_blank"><span style="color: #ff0000;"><strong>შრომითი მიგრაციის ფემინიზაციის გავლენა შვილების სოციალიზაციისა და რეალიზაციის პროცესებზე საქართველოში</strong></span></a> •</h1>
</div> მცირე საზოგადოების კაპიტალის ფორმები ვირტუალურ ქსელშიtag:www.qwelly.com,2018-02-18:6506411:Topic:13121712018-02-18T14:24:28.481Zლაშაhttps://www.qwelly.com/profile/lshisa
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 22px; color: black;"><strong>სამაგისტრო ნაშრომი - ლაშა ჩილინდრიშვილი</strong></h2>
<p align="center"><img alt="სამაგისტრო ნაშრომი, ილიაუნი, ლაშა ჩილინდრიშვილი, ქველი, სოციოლოგია, Qwelly, sociology, lasha chilindrishvili, thesis, MA" src="http://storage.ning.com/topology/rest/1.0/file/get/2064212598?profile=original" title="მცირე საზოგადოების კაპიტალის ფორმები ვირტუალურ ქსელში - ლაშა ჩილინდრიშვილი"></img></p>
<p align="center"><em>სამაგისტრო ნაშრომი წარდგენილია ილიას სახელმწიფო უნივერსტიტების მეცნიერებისა და ხელოვნების ფაკულტეტზე სოციოლოგიის მაგისტრის აკადემიური ხარისხის მინიჭების მოთხოვნების შესაბამისად</em></p>
<p align="center">პროგრამა: სოციოლოგია<br></br> სამეცნიერო ხელმძღვანელი: <strong>გიგი…</strong></p>
</div>
<div style="font-size: 15px; color: black;"><h2 style="font-size: 22px; color: black;" align="center"><strong>სამაგისტრო ნაშრომი - ლაშა ჩილინდრიშვილი</strong></h2>
<p align="center"><img title="მცირე საზოგადოების კაპიტალის ფორმები ვირტუალურ ქსელში - ლაშა ჩილინდრიშვილი" alt="სამაგისტრო ნაშრომი, ილიაუნი, ლაშა ჩილინდრიშვილი, ქველი, სოციოლოგია, Qwelly, sociology, lasha chilindrishvili, thesis, MA" src="http://storage.ning.com/topology/rest/1.0/file/get/2064212598?profile=original"/></p>
<p align="center"><em>სამაგისტრო ნაშრომი წარდგენილია ილიას სახელმწიფო უნივერსტიტების მეცნიერებისა და ხელოვნების ფაკულტეტზე სოციოლოგიის მაგისტრის აკადემიური ხარისხის მინიჭების მოთხოვნების შესაბამისად</em></p>
<p align="center">პროგრამა: სოციოლოგია<br/> სამეცნიერო ხელმძღვანელი: <strong>გიგი თევზაძე</strong>, <em>პროფესორი</em></p>
<p align="center"><img title="ილიას სახელმწიფო უნივერსიტეტი, ლოგო" alt="ილიას სახელმწიფო უნივერსიტეტის ლოგო, ილიაუნის ლოგო, სამაგისტრო ნაშრომი, თეზისი, Qwelly, iliauni, sociology" src="http://storage.ning.com/topology/rest/1.0/file/get/2064196814?profile=original" width="250"/><br/> ილიას სახელმწიფო უნივერსიტეტი<br/>
თბილისი, 2018</p>
<p></p>
<h2 style="font-size: 18px; color: black;"><strong><strong>აბსტრაქტი</strong></strong></h2>
<p> გლობალური ელექტრონული ქსელის დინამური განვითარება და მისი ინტეგრირება ადამიანთა ცხოვრების სხვადასხვა სფეროში უსწრებს ამ სფეროში მიმდინარე პროცესების მეცნიერულ გააზრებას. არადა, ისეთ მასშტაბური მოვლენა, როგორიცაა ინტერნეტი, რომელმაც მოახდინა მესამე ტექნოლოგიური რევოლუცია, აუცილებელ შესწავლას მოითხოვს და სოციოლოგიის თვალთახედვით, განსაკუთრებულ ინტერესს წარმოადგენს ვირტუალური საზოგადოებების კვლევა. ინტერნეტის ფენომენის წყალობით არა მხოლოდ ახალი საკომუნიკაციო საშუალება გაჩნდა, არამედ ახალი ტიპის საზოგადოების კრეაციის შესაძლებლობაც. ნაშრომში გამოკვლეულია ვირტუალურ საზოგადოებაში არამატერიალური კაპიტალის გავლენა, ვირტუალური ველის მაგალითად კი გამოყენებულია სოციალური ქსელი Qwelly. კვლევა აღწერლობითი და ანალიტიკური მეთოდებით ხორციელდებოდა. მიუხედავად იმისა, რომ ვირტუალური საზოგადოება შექმნილია რეალური ადამიანების მიერ და თავდაპირველად ვითარდებოდა კლასიკური სოციოლოგიის პრინციპებით, დროის განმავლობაში იგი იძენს მინიმუმ ერთ ფენომენალურ თვისებას, რომლის ანალოგი არ არსებობდა და ვერც იქნებოდა Offline საზოგადოებაში.</p>
<p><strong>ძირითადი ტერმინები</strong>:</p>
<p><em>გლობალური ქსელი, ვირტუალური სივრცე, ონლაინ საზოგადოება, ვირტუალური კაპიტალი, სიმბოლური კაპიტალი, კულტურული კაპიტალი, კიბერპროტეზი, ჰიპერრეალობა, სიმულაკრი, ინტერნეტი, აქტორი</em></p>
<p></p>
<p></p>
<p>იხილეთ ნაშრომი:</p>
<h1 style="font-size: 24px; color: black;" align="center">• <a title="მცირე საზოგადოების კაპიტალის ფორმები ვირტუალურ ქსელში - ლაშა ჩილინდრიშვილის სამაგისტრო ნაშრომი" target="_blank"><span style="color: #ff0000;"><strong>მცირე საზოგადოების კაპიტალის ფორმები ვირტუალურ ქსელში</strong></span></a> •</h1>
</div> იქს-კვადრატი, ურთიერთკავშირის გაზომვა, კორელაცია და რეგრესული ანალიზიtag:www.qwelly.com,2018-01-10:6506411:Topic:13055072018-01-10T07:28:00.260Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 24</strong><br></br> <em>ნაწილი III</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">იქს-კვადრატი (χ2 )</h2>
<p> განსხვავების შემოწმება მნიშვნელოვანი ოპერაციაა მონაცემებში გარკვევისას და ამ საკითხს მოგვიანებით უფრო სრულად განვიხილავთ. ჩვენ განსხვავების გამოსავლენად სტატისტიკური ტესტის ჩატარება შეგვიძლია. ამ კრიტერიუმს…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 24</strong><br/> <em>ნაწილი III</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">იქს-კვადრატი (χ2 )</h2>
<p> განსხვავების შემოწმება მნიშვნელოვანი ოპერაციაა მონაცემებში გარკვევისას და ამ საკითხს მოგვიანებით უფრო სრულად განვიხილავთ. ჩვენ განსხვავების გამოსავლენად სტატისტიკური ტესტის ჩატარება შეგვიძლია. ამ კრიტერიუმს იქს-კვადრატი (χ2) ეწოდება. ვიწყებთ ნულოვანი ჰიპოთეზით, რომელიც ამტკიცებს, რომ არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება, ვთქვათ, მამაკაცებსა და ქალებს შორის, თუ რამდენად მოსწონთ მათემატიკა და მონაცემების დანიშნულებაა, რომ ამ მტკიცებას არ დაუჭიროს მხარი. ვირჩევთ მნიშვნელოვნობის დონეს (α), რომელსაც გამოვიყენებთ ნულოვანი ჰიპოთეზის მხარდასაჭერად, ან მისთვის მხარის არ დასაჭერად. მაგალითად, შეგვიძლია, ვთქვათ, „დავუშვათ, α= 0.05“.</p>
<p> იქს-კვადრატი ზომავს სტატისტიკურად გამოთვლილ მოსალოდნელ შედეგსა და რეალურ შედეგს შორის განსხვავებას იმის გასარკვევად, არსებობს თუ არა მათ შორის სტატისტიკურად მნიშვნელოვანი განსხვავება, ანუ, ვნახულობთ, მნიშვნელოვანია თუ არა მიღებული სიხშირეები. ეს არის მოსალოდნელი და რეალურად მიღებული შედეგების „შესატყვისობის სიკარგის“ საზომი. მოსალოდნელი შედეგი ქვემოთ განხლულ სტატისტიკურ პროცესს ეფუძნება. სტატისტიკური სიდიდე იქს-კვადრატი სტატისტიკური მნიშვნელოვნობის ცნების შესასწავლადაა მოწოდებული და ალბათობის ცნებას ემყარება. აქ არ არის მისი მათემატიკური მხარის განხილვის დრო და ადგილი და, ძირითადად, იმიტომ, რომ კომპიუტერული პროგრამები ავტომატურად ითვლიან შედეგებს. მიუხედავად ამისა, ვიტყვით, რომ იქს-კვადრატის გამოსათვლელი ფორმულა ასეთია:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212726?profile=original" class="align-center"/></p>
<p> სადაც,</p>
<p>O = რეალურად დაკვირვებული სიხშირეები<br/> E = მოსალოდნელი სიხშირეები<br/> Σ = ჯამი</p>
<p> ზემოთ განხილულ ჰიპოთეტურ მაგალითში, ვთქვათ, კომპიუტერული პროგრამით (SPSS-ით) მივიღეთ, რომ მნივნელოვნობის დონეა 0.016, ანუ, მონაცემების ასეთი განაწილება უბრალო შემთხვევითობის შედეგი არ არის. გავიხსენოთ, რომ, ტრადიციულად, მნიშვნელოვნობის მინიმალური მისაღები დონეა 0.05 და ჩვენი მონაცემების მნიშვნელოვნობის დონე ამ რიცხვზე ნაკლებია, ესე იგი, ის სტატისტიკურად მნიშვნელოვანია. ამრიგად, შეგვიძლია ვიფიქროთ, რომ მამაკაცებისა და ქალების მიერ მოცემული პასუხები სტატისტიკურად მნიშვნელოვნად განსხვავდება ერთმანეთისგან და ეს განსხვავება არ არის შემთხვევითი, ანუ, ორ ჯგუფს შორის არსებულ განხვავებას თავისი მნიშვნელობა/აზრი აქვს. ამგვარად, ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი და ალტერნატიული ჰიპოთეზაა მართებული, ანუ, ორი ჯგუფის პასუხებს შორის არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება.</p>
<p> იქს-კვადრატით მიღებული შედეგები შემდეგნაირად შეგვიძლია გავაფორმოთ:</p>
<blockquote><p>როდესაც გამოვთვალეთ იქს-კვადრატი მამაკაცებისა და ქალების განაწილებისთვის მათემატიკისადმი მათი დამოკიდებულების მიხედვით, ამ ორ ჯგუფს შორის სტატისტიკურად მნიშვნელოვანი განსხვავება მივიღეთ (χ2 = 14.51, df = 2, p = 0.01).</p>
</blockquote>
<p> იქს-კვადრატი, ჩვეულებრივ, სახელდების სკალის მონაცემებთან გამოიყენება და ჩვენი მაგალითიც ამას აჩვენებს. იქს-კვადრატის გამოთვლისთვის საჭირო მონაცემები ნიშანთა შეუღლების ცხრილშია მოცემული, რომლის მაგალითი 24.21 ჩანართში შეგიძლიათ ნახოთ. ესაა 2×3 ნიშანთა შეუღლების ცხრილი, ანუ, ორი ჰორიზონტალური სტრიქონი და სამი სვეტი (ნიშანთა შეუღლების ცხრილები ამაზე მეტ ცვლადსაც შეიძლება შეიცავდეს). ამ ჩანართში მოცემული ცხრილი შეიცავს 60 სტუდენტის კოლეჯში გადანაწილებას სქესისა (მდედრობითი და მამრობითი) და არჩეული მიმართულებების (სოციალური მეცნიერებები, ხელოვნება და ჰუმანიტარული მეცნიერებები) მიხედვით (Morrison 1993: 132 – 4). ყოველ უჯრაში ჩაწერილი ორი რიცხვიდან ქვედა რიცხვი იმ სტუდენტების რეალურ რაოდენობას ასახავს, რომელმაც შესაბამისი მიმართულება აირჩია (სოციალური მეცნიერებები, ხელოვნება და ჰუმანიტარული მეცნიერებები), ხოლო ზედა რიცხვი სტუდენტების იმ რაოდენობის მაჩვენებელია, რომელსაც სრულიად შემთხვევით უნდა ველოდოთ ამ მიმართულებებზე. ეს რიცხვები სტატისტიკური გამოთვლითაა მიღებული და ამიტომ გვაქვს ათწილადები. მკვლევარს აინტერესებს, სქესის მიხედვით მიმართულების არჩევის რეალურად მიღებული განაწილება მნიშვნელოვნად განსხვავდება თუ არა იმ განაწილებისგან, რომელიც შეიძლებოდა კოლეჯში შემსვლელთა პოპულაციის შემთხვევითი ცვალებადობის შედეგად მიგვეღო (ჩანართი 24.21).</p>
<p>-------------------------<br/> <strong>ჩანართი 24.21.</strong><br/> <strong>2×3 ნიშანთა შეუღლების ცხრილი იქს-კვადრატისთვის</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212788?profile=original"/><br/> -------------------------</p>
<p> მკვლევარი ნულოვანი ჰიპოთეზით იწყებს, რომლის მიხედვითაც რეალურად მიღებული შედეგები და ის შედეგები, რომლებიც შეიძლებოდა პოპულაციაში შემთხვევით მიგვეღო ერთმანეთისგან მნიშვნელოვნად არ განსხვავდება. ხიკვადრატის გამოთვლის შემდეგ თუ დაკვირვებული, რეალურად მიღებული განაწილება განსხვავებული იქნება იმისგან, რასაც მხოლოდ შემთხვევით უნდა ველოდოთ, მაშინ მკვლევარმა უნდა განსაზღვროს, ეს განსხვავება სტატისტიკურად მნიშვნელოვანია თუ არა (ანუ, არ უნდა დაუჭიროს მხარი ნულოვან ჰიპოთეზას).</p>
<p> 60 სტუდენტის არჩევანის შესახებ ჩვენს მაგალითში იქს-კვადრატის ფორმულით მივიღეთ 14.64. ამ მნიშვნელობას იქს-კვადრატის განაწილების ცხრილში ვნახულობთ (იხ. ცხრილი 4 სტატისტიკური ცხრილების დანართში), რათა გავარკვიოთ, იქს-კვადრატის მიღებული მნიშვნელობა მიგვითითებს თუ არა რეალურად მიღებული და შემთხვევითად მოსალოდნელი შედეგების ერთმანეთისგან სტატისტიკურად მნიშვნელოვან განსხვავებაზე. იქს-კვადრატის განაწილების ცხრილის ნაწილი ქვემოთ არის წარმოდგენილი.</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212891?profile=original" class="align-center"/></p>
<p> მკვლევარი ნახავს, რომ გამოსათვლელი აქვს „თავისუფლების ხარისხი“ (მათემატიკური კონსტრუქტი, რომელიც მონაცემებზე დაწესებული შეზღუდვების რაოდენობას უკავშირდება). ბევრ შემთხვევაში თავისუფლების ხარისხის დასადგენად, საკმარისია, რომ ნიშანთა შეუღლების ცხრილის სტრიქონების რაოდენობას გამოვაკლოთ ერთი, იგივე ცხრილის სვეტების რაოდენობას გამოვაკლოთ ერთი და მიღებული ორი რიცხვი შევკრიბოთ. ამ შემთხვევაში, თავისუფლების ხარისხი გვექნება: (2 - 1) + (2 - 1) = 3. თავისუფლების ხარიხს შემდეგ ქვეთავში განვიხილავთ. (თავისუფლების ხარისხის მისაღები სხვა ფორმულის მიხედვით, ნიშანთა შეუღლების ცხრილის უჯრების საერთო რაოდენობას უნდა გამოვაკლოთ ერთი. ამ მეთოდს მოგვიანებით განვიხილავთ.) იქს-კვადრატის განაწილების ცხრილის გარჩევას მკვლევარი თავისუფლების ხარისხის შემცველი სვეტიდან იწყებს, პოულობს 3-ის ტოლ თავისუფლების ხარისხს და ნახულობს, რომ იქს-კვადრატის გამოთვლილი მნიშვნელობა (14.64) სტატისტიკურად მნიშვნელოვანია 0.01 დონეზე, ანუ უფრო მეტია, ვიდრე მოთხოვნილი მინიმალური 11. 34. ეს შედეგი მიუთითებს, რომ რეალურად მიღებული მონაცემების განაწილება მხოლოდ შემთხვევითად ვერ იქნებოდა ასეთი. ნიშანთა შეუღლების ცხრილში (ჩანართი 24.21) გამოსახული კონკრეტული რიცხვების საგანმანათლებლო და არა - სტატისტიკური თვალსაზრისით ინტერპრეტაციისას საყურადღებოა ქალების მცირე რაოდენობა საბუნებისმეტყველო მეცნიერებების და დიდი რაოდენობა ხელოვნებისა და ჰუმანიტარულ მიმართულებებზე, ხოლო მამაკაცების დიდი რაოდენობა საბუნებისმეტყველო მეცნიერებების მიმართულებაზე და ნაკლები - ხელოვნებასა და ჰუმანიტარულზე. მკვლევარი იტყოდა, რომ განაწილება სტატისტიკურად მნიშვნელოვანია და ამით, სავარაუდოდ, აღნიშნავდა, რომ კოლეჯმა უნდა რაღაც მოიფიქროს, რათა ქალები უფრო მეტად დააინტერესოს საბუნებისმეტყველო მეცნიერებებით, ხოლო კაცები - ხელოვნებითა და ჰუმანიტარული მიმართულებით.</p>
<p> იქს-კვადრატი ერთ-ერთი ფართოდ გამოყენებადი კრიტერიუმია და კონკრეტულად სახელდების სკალის მონაცემებისთვის გამოიყენება. რიგის, ინტერვალებისა და შეფარდების სკალების მონაცემებისთვის უფრო მძლავრი კრიტერიუმები არსებობს და მათ ცალკე განვიხილავთ. თუმცა, იქს-კვადრატის შეზღუდვებს ყურადღებით უნდა მოვეკიდოთ. იხ. 24.22 ჩანართში მოცემული მაგალითი.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.22</strong><br/> <strong>2×5 ნიშანთა შეუღლების ცხრილი იქს-კვადრატისთვის</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212974?profile=original"/><br/> -------------------------</p>
<p> მოცემული ცხრილისთვის იქს-კვადრატი რომ გვქონოდა გამოსათვლელი, უაღრესად ფრთხილად უნდა ვყოფილიყავით, ვინაიდან იქს-კვადრატის დაშვების თანახმად, ცხრილის უჯრედების ოც პროცენტზე მეტი ხუთ შემთხვევაზე ნაკლებს არ უნდა მოიცავდეს. ამ მაგალითში მოცემული ცხრილის ერთ უჯრაში ხუთი შემთხვევაა, მეორეში - სამი, ხოლო მესამეში - მხოლოდ ერთი, ესე იგი, ხუთზე ნაკლები ოდენობის შემთხვევის ათი უჯრიდან (ორი სტრიქონი - ქალები და მამაკაცები და თითოში ხუთი კატეგორია) სამი უჯრა გვაქვს. ეს ნიშნავს, რომ უჯრების 30 პროცენტი შეიცავს ხუთზე ნაკლებ შემთხვევას, თუმცა კომპიუტერი ხი-კვადრატს მაინც გამოთვლის, რომელიც, ცხადია, არასანდო იქნება. აქ იკვეთება მეოთხე თავში გამოთქმული მოსაზრება შერჩევის შესახებ, რომლის თანახმადაც ქვეშერჩევა დიდი უნდა იყოს. მაგალითად, თითოეულ კატეგორიაში ხუთი შემთხვევა რომ ყოფილიყო, ეს მინიმუმ 50 წევრიან შერჩევას ნიშნავდა (10×5) იმ დაშვებით, რომ მონაცემები თანაბრადაა განაწილებული. მიუხედავად იმისა, რომ ამ მაგალითში მოცემული შერჩევა გაცილებიდ დიდია (191), ის მაინც არ იძლევა გარანტიას, რომ ხუთშემთხვევიანი უჯრების რაოდენობა 20 პროცენტს არ გადააჭარბებს, რადგან მონაცემები არათანაბრადაა განაწილებული.</p>
<p> რადგან საჭიროა, რომ იქს-კვადრატის ნიშანთა შეუღლების ცხრილის უჯრების, სულ მცირე, 80 პროცენტში ხუთზე მეტი შემთხვევა იყოს სანდო მონაცემების მისაღებად იქს-კვადრატის გამოთვლა, მცირე მოცულობის შერჩევასთან მუშაობისას, შესაძლოა, უსარგებლო იყოს. ამგვარად, მკვლევარმა ეს კრიტერიუმი ფართომასშტაბიანი გამოკითხვებით მიღებული მონაცემებისთვის უნდა გამოიყენოს. თუ უჯრებში დაბალი სიხშირეების პრობლემა გვაქვს, მაშინ სხვა სტატისტიკური კრიტერიუმების გამოყენება შეგვიძლია, მაგალითად, ბინომიალური ტესტის და, უფრო ფართოდ გამოყენებადი, ფიშერის სიზუსტის კრიტერიუმი (Cohen and Holliday 1996: 218 – 20). შემთხვევათა მინიმალური რაოდენობა თითოეულ უჯრაში პრობლემურს ხდის იქს-კვადრატის გამოთვლას და, სახელდების სკალის მონაცემებთან ერთად, არსებობს ალტერნატიული სტატისტიკური სიდიდეები, რომელთა გამოთვლით აღნიშნული პრობლემის დაძლევა შეგვიძლია (მაგალითად, მან-უიტნის, უილკოქსონის, კრუსკალუოლისისა და ფრიდმანის კრიტერიუმები არაპარამეტრული - რიგის სკალის - მონაცემებისთვის და ტ კრიტერიუმი და დისპერსიული ანალიზი პარამეტრული - ინტერვალებისა და შეფარდების სკალის - მონაცემებისთვის).</p>
<p> იქს-კვადრატის გამოყენებით 2×2 ნიშანთა შეუღლების ცხრილის სახით წარმოდგენილი მონაცემების ანალიზის მეთოდები, ზოგადად, კარგად არის განხილული კვლევის მეთოდების სახელმძღვანელოებში. თუმცა, განათლების სფეროში მიღებული მონაცემები უფრო და უფრო ხშირად თავსდება არა ორგანზომილებიანი, არამედ მრავალგანზომილებიანი ცხრილის ფორმატში. ევერიტი (1977) მრავალგანზომილებიანი ცხრილების ანალიზის მეთოდების სასარგებლო მიმოხილვას გვთავაზობს.</p>
<h2 align="center" style="font-size: 20px; color: black;">თავისუფლების ხარისხი</h2>
<p> იქს-კვადრატის განხილვისას შემოვიტანეთ ტერმინი თავისუფლების ხარისხი. გორარდი (2001: 233) ამბობს, რომ „თავისუფლების ხარისხი არის იმ ქულების რაოდენობა, რომელიც დანარჩენი ქულების გამოთვლამდე უნდა ვიცოდეთ“. კოენი და ჰოლიდეი (1996) ნათლად განმარტავენ ამ ტერმინს:</p>
<blockquote><p>დავუშვათ, უნდა ავირჩიოთ ნებისმიერი ხუთი რიცხვი. რიცხვების აღებისას არჩევანის სრული თავისუფლება გვაქვს. ამრიგად, ხუთი თავისუფლების ხარისხი გვაქვს. თუმცა, დავუშვათ, შემდეგ გვითხრეს, რომ ჩვენ მიერ არჩეული ხუთი რიცხვის ჯამი 25-ის ტოლი უნდა იყოს. ჩვენ ოთხი რიცხვის არჩევის სრული თავისუფლება გვექნება, მაგრამ მეხუთე რიცხვი დანარჩენ ოთხზე იქნება დამოკიდებული. ვთქვათ, პირველი ოთხი არჩეული რიცხვია 7, 8, 9 და 10, რომელთა ჯამი 34-ია და თუ ხუთი რიცხვის შეკრებით 25 უნდა მივიღოთ, ამიტომ მეხუთე რიცხვი -9 უნდა იყოს.</p>
<p>7 + 8 + 9 + 10 - 9 = 25</p>
<p>შეიზღუდა ერთ-ერთი დაკვირვება, მხოლოდ ოთხს აქვს ცვალებადობის თავისუფლება, მეხუთემ დაკარგა თავისუფლება. შესაბამისად, ჩვენს მაგალითში თავისუფლების ხარისხი df = 4, რაც ასე მიიღება: N – 1 = 5 – 1 = 4.</p>
<p>ახლა დავუშვათ, ხუთი ნებისმიერი რიცხვის არჩევა გვთხოვეს, რომელთაგან პირველი ორის ჯამი 9-ის ტოლი უნდა იყოს და ხუთივეს ჯამი 25-ს შეადგენდეს. ერთი შეზღუდვა აშკარაა, როდესაც ვამბობთ, რომ პირველი ორი რიცხვის ჯამი 9-ის ტოლი უნდა იყოს. მეორე შეზღუდვა მაშინ ჩნდება, როდესაც ვითხოვთ, რომ ხუთივე რიცხვის ჯამი 25 იყოს. სხვა სიტყვებით, ორი თავისუფლების ხარისხი დავკარგეთ და გვრჩება df = 3 ანუ N – 2 = 5 – 2 = 3.<br/> (Cohen and Holliday 1996: 113)</p>
</blockquote>
<p> ნიშანთა შეუღლების ცხრილისთვის თავისუფლების ხარისხი გულისხმობს განაპირა ჯამების პირობებში ცხრილის უჯრებში მნიშვნელობების ჩაწერის თავისუფლებას და ეს ხარისხი, ჩვეულბრივ, არის (სტრიქონების რაოდენობა - 1) + (სვეტების რაოდენობა - 1). თავისუფლების ხარისხის სხვადასხვა ვარიანტი არსებობს და ამ საკითხთან დაკავშირებით მკითხველს უფრო დეტალური ტექსტების გაცნობას ვურჩევდით. აქ არ ვაპირებთ თავისუფლების ხარისხის შესახებ უფრო ვრცლად საუბარს, ვინაიდან ის ავტომატურად ითვლება ისეთ სტატისტიკურ პროგრამებში, როგორიც SPSS-ია.</p>
<h2 align="center" style="font-size: 20px; color: black;">ურთიერთკავშირის გაზომვა</h2>
<p> განათლების სფეროს კვლევის დიდი ნაწილი ცვლადებს შორის მიმართებების დადგენას შეეხება. მაგალითად, შეიძლება გვსურდეს, ვიცოდეთ, თუ როგორ უკავშირდება დამნაშავეობა სოციალურ კლასს; არსებობს თუ არა კავშირი განათლებაზე დახარჯული წლების რაოდენობასა და შემდგომში წლიურ შემოსავალს შორის; არის თუ არა რაიმე კავშირი პიროვნებასა და მიღწევას შორის. მაგალითად, არსებობს თუ არა რაიმე მიმართება საჯარო ბიბლიოთეკის წევრობასა და სოციალური კლასს შორის და თუ არსებობს, როგორია ეს მიმართება? არის თუ არა კავშირი სოციალურ კლასსა და საშუალო სკოლის პროგრამის სხვადასხვა სტრატაში მოხვედრას შორის? არსებობს თუ არა რაიმე კავშირი სქესსა და მანქანის მართვის გამოცდის (პირველად გასვლა) შედეგებს შორის?</p>
<p> ურთიერთკავშირის რამდენიმე მარტივი საზომი არსებობს, რომელიც ასეთი ურთიერთმიმართებების შემოწმების შესაძლებლობას იძლევა. ჩვენ ყველაზე ფართოდ გავრცელებული ასეთი საზომები შევარჩიეთ, რომლებიც შეჯამებული სახით წარმოდგენილია ჩანართში 24.23.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.23</strong><br/> <strong>კავშირის გავრცელებელი საზომები</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213170?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213289?profile=original"/></p>
<p><em>წყარო: Mouly 1978</em><br/> -------------------------</p>
<p> ჩანართში 24.23 წარმოდგენილი საზომებიდან ყველაზე მეტად გამოიყენება სპირმენის რანგული კორელაციის კოეფიციენტი რიგის სკალის მონაცემებისთვის და პირსონის შერეული მომენტის კორელაცია ინტერვალებისა და შეფარდების სკალების მონაცემებისთვის. ახლა მართებულია, რომ ცვლადების ბუნების აღსაწერად 24.23 ჩანართში გამოყენებული ზოგიერთი ტერმინი აგიხსნათ. კოენისა და ჰოლიდეის (1982; 1996) ნაშრომში წარმოდგენილია ამ ჩანართში ჩამოთვლილი კორელაციური ტექნიკების გამოყენებით ამოხსნილი ამოცანების მაგალითები და, ასევე, ურთიერთკავშირის სხვა საზომები, როგორიცაა კრუსკალის გამა, სომერსის დ და გატმანის ლამბდა.</p>
<p> დააკვირდით 24.13 ჩანართის პირველ სტრიქონში მოცემულ სიტყვებს პირსონის შერეული მომენტის საზომთან მიმართებაში. ვხედავთ, რომ ცვლადები არის „უწყვეტი“ და გაზომვის „ინტერვალებისა და შეფარდების“ სკალებს მიეკუთვნება.</p>
<p> უწყვეტია ცვლადი, რომელსაც, თეორიულად მაინც, სკალის ორ წერტილს შორის ნებისმიერი მნიშვნელობის მიღება შეუძლია. მაგალითად, წონა უწყვეტი ცვლადია. იგივე შეიძლება ითქვას დროისა და სიმაღლის შესახებ. წონამ, დრომ და სიმაღლემ ნებისმიერი შესაძლო მნიშვნელობა შეიძლება მიიღოს ნულსა და უსასრულობას შორის. ამ დიაპაზონში მათ რეალურად გაზომვას მხოლოდ სათანადო საზომი ინსტრუმენტის ცვალებადობა ზღუდავს.</p>
<p> ისევ მივუბრუნდეთ 24.23 ჩანართს და ვნახოთ, რა ხდება მეორე საზომთან (რანგული კორელაციის კოეფიციენტი ანუ კენდელის ტაუ) დაკავშირებით: აქ ნათქვამია, რომ ორი უწყვეტი ცვლადი გაზომვის რიგის სკალას მიეკუთვნება. ასოციაციის საზომი ფი კოეფიციენტის (24. 23 ჩანართის ცხრილის შუა ნაწილისკენ) გამოთვლაში ჩართული ცვლადები აღწერილია, როგორც „ჭეშმარიტად დიქოტომიური“ და გაზომვის სახელდების სკალაზე განთავსებული. ჭეშმარიტად დიქოტომიურ ცვლადებს (როგორიცაა სქესი ან მანქანის ტარების ტესტი) მხოლოდ ორი მნიშვნელობის მიღება შეუძლიათ (მამაკაცი და ქალი, გამოცდის ჩაბარება და გამოცდაზე ჩაჭრა).</p>
<p> და ბოლოს, ყურადღება მიაქციეთ ტერმინს „წყვეტილი ანუ დისკრეტული ცვლადი“, რომელიც 24.23 ჩანართში მესამე სტრიქონში, კორეალციის წილის (ეტად) განსაზღვრისას გვხვდება. ადრე ვთქვით, რომ უწყვეტმა ცვლადმა სკალაზე ორ მნიშვნელობას შორის მოთავსებული ნებისმიერი მნიშვნელობა შეიძლება მიიღოს. ამის საპირისპიროდ, წყვეტილ, ანუ, დისკრეტულ ცვლადს მხოლოდ (სკალის კონკრეტული წერტილების შესატყვსი) მთელი რიცხვითი მნიშვნელობების მიღება შეუძლია. მაგალითად, უწყვეტი ცვლადია ფეხბურთის გუნდის წევრების რაოდენობა, რომელიც, ჩვეულებრივ, 11-ია, შეიძლება ნაკლებიც იყოს, მაგრამ ვერასოდეს იქნება, ვთქვათ, 7,5-ის ტოლი.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>პროცენტული სხვაობა</em></strong></h3>
<p> პროცენტული სხვაობა კავშირის მარტივი, ასიმეტრიული, საზომია. ასიმეტრიული საზომი ცალმხრივი კავშირის საზომია. შეგვიძლია ვთქვათ, რომ ესაა საზომი იმისა, თუ რამდენად მოიაზრებს ერთი ფენომენი მეორეს, მაგრამ არა - პირიქით. როგორც მალე ვნახავთ, სქესი შეიძლება მოიაზრებდეს მანქანის ტარების ტესტის წარმატებით ჩაბარებას ან გამოცდაზე ჩაჭრას, მაგრამ არა პირიქით. ასეთი კავშირი შებრუნებულად ვერასოდეს იქნება მართებული! საზომებს, რომლებიც ზომავს იმას, თუ რამდენად მოიაზრებს ორი ცვლადი ერთმანეთს, სიმეტრიული საზომები ეწოდებათ. ჩანართში 24.24 წარმოდგენილია საჯარო ბიბლიოთეკის წევრების პროცენტული განაწილება მათი სოციალური კლასისადმი მიკუთვნებულობის მიხედვით.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.24</strong><br/> <strong>საჯარო ბიბლიოთეკის წევრების პროცენტული განაწილება სოციალური კლასის მიხედვით</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213495?profile=original"/><br/> -------------------------</p>
<p> რა შეგვიძლია გავიგოთ 24.24 ჩანართში წარმოდგენილი მონაცემებიდან? ერთი სტრიქონის სხვადასხვა სვეტში მოცემული პროცენტული მაჩვენებლების შედარებით შეგვიძლია ვნახოთ, რომ საჯარო ბიბლიოთეკის წევრთა შორის საშუალო კლასის წარმომადგენლები 49 პროცენტით მეტნი არიან, ვიდრე მუშათა კლასის წარმომადგენლები. ერთი და იგივე სვეტის სხვადასხვა სტრიქონში მოცემული რიცხვების შედარებით ვნახავთ, რომ 72 პროცენტით მეტი საშუალო კლასის წარმომადგენელი უფრო არის საჯარო ბიბლიოთეკის წევრი, ვიდრე - არ არის. მონაცემები ინდივიდების სოციალური კლასის სტატუსისა და საჯარო ბიბლიოთეკის წევრობის კავშირზე მიგვითითებენ.</p>
<p> 24.24 ჩანართში მოცემული მონაცემების წაკითხვის მეორე გზა პროცენტული თანაფარდობის (%R) გამოთვლაა. მაგალითად, 24.24 ჩანართის მეორე სტრიქონში წარმოდგენილ მონაცემებს შევხედოთ. თუ 63-ს 14-ზე გავყოფთ (%R=4.5), შეგვიძლია ვთქვათ, რომ საშუალო კლასის წარმომადგენლებზე ოთხნახევარჯერ მეტი მუშათა კლასის წარმომადგენელი არ არის საჯარო ბიბლიოთეკის წევრი. პროცენტული სხვაობის მნიშვნელობა 0-დან (ორი ფენომენის ერთმანეთისგან სრულიად დამოუკიდებლობიდან) 100 პროცენტამდე (საკვლევის მიმართულებით სრულ კავშირამდე) იცვლება. ის ძალიან მარტივია გამოსათვლელად და გასაგებად. თუმცა, საყურადღეობოა, რომ პროცენტული სხვაობა, როგორც აქ განვსაზღვრეთ, მხოლოდ მაშინ შეგვიძლია გამოვიყენოთ, როდესაც ცვლადის მხოლოდ ორი კატეგორია გვაქვს, რომლის პროცენტებსაც ვთვლით და, რომელსაც ვადარებთ. პროცენტების გამოთვლა SPSS-ში „ჩროსსტაბ“ ბრძანების გამოყენებით შეგვიძლია და ეს წიგნის წინამდებარე ნაწილის თანმხლებ ვებსახელმძღვანელოშიც არის მითითებული. ამ საკითხთან დაკავშირებით წიგნის თანმხლებ ვებ გვერდზე, ასევე, განხილულია ფი კოეფიციენტი, ტეტრაქრონიკული კორელაციის კოეფიციენტი r (rt), შეჭიდულობის კოეფიციენტი C და პარციალური კავშირების დამოუკიდებელი მნიშვნელოვნობის კრიტერიუმები.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>კორელაციების ახსნა</em></strong></h3>
<p> 24.23 ჩანართში წარმოდგენილი კორელაციის ძირითადი ტექნიკებიდან სამი განსაკუთრებით საინტერესოა ჩვენთვის და სწორედ მათზე ვისაუბრებთ წინამდებარე თავის დარჩენილ ნაწილში. ესენია პირსონის შერეული მომენტის კორელაციის კოეფიციენტი, მრავალჯერადი კორელაცია და პარციალური, ანუ, ნაწილობრივი კორელაცია. ზოგადად, კორელაციური ტექნიკები ორი ცვლადის, ანუ, მონაცემთა ორი სიმრავლის შესახებ სამ კითხვაზე პასუხის გაცემას ემსახურება. პირველი კითხვაა: „არსებობს თუ არა კავშირი ორ ცვლადს (მონაცემთა სიმრავლეს) შორის?“ თუ ამ კითხვაზე პასუხია „დიახ“, მაშინ ჩნდება შემდეგი ორი კითხვა: „რა მიმართულება აქვს ამ კავშირს?“ და „რა სიდიდისაა ეს კავშირი?“ ამ კონტექსტში კავშირში ორი ცვლადის (ან მონაცემთა სიმრავლის) შეთანხმებულად/ერთად ცვლის ტენდენცია მოიაზრება. პირსონის შერეული მომენტის კორელაციის კოეფიციენტის, ასოციაციის ერთ-ერთი ყველაზე კარგად ცნობილი საზომის, მნიშვნელობა -1.0-დან +1.0-მდე იცვლება და ცვლადებს შორის კავშირს რაოდენობრივად გამოსახავს. კოეფიციენტის აღსანიშნად „r“ სიმბოლო გამოიყენება.</p>
<p> როდესაც ორი ცვლადი (ან მონაცემთა სიმრავლე) ერთი მიმართულებით იცვლება, ანუ, ერთის მნიშვნელობის ზრდასთან ერთად მეორეს მნიშვნელობაც იზრდება, ან ერთის შემცირებას მეორეს კლება ახლავს თან, მაშინ ვამბობთ, რომ დადებითი (პოზიტიური) კავშირი არსებობს. ასეთი მიმართების ამსახველი კორელაციები „+“ ნიშნით აღინიშნება, რაც კავშირის დადებით ბუნებას გამოხატავს. ამრიგად, კოეფიციენტი +1.0 მიგვითითებს ორი ფაქტორს შორის იდეალურ, სრულ დადებით კორელაციაზე, როგორიც, მაგალითად, წრის რადიუსსა და დიამეტრს შორის არსებობს, ხოლო კოეფიციენტი +0.8 – მაღალ დადებით კორელაციაზე, როგორიც არსებობს, მაგალითად, აკადემიურ მიღწევასა და ინტელექტს შორის. სადაც კორელაციის კოეფიციენტის წინ არანაირი ნიშანი არ წერია, იქ დადებითი კორელაცია იგულისხმება. უარყოფითი (ნეგატიური) კორელაცია, ანუ, კავშირი მაშინ გვაქვს, როდესაც ერთი ცვლადის მნიშვნელობის მატებას მეორეს მნიშვნელობის კლება ახლავს თან და, პირიქით, როდესაც ერთი ცვლადის მნიშვნელობის კლებასთან ერთად, მეორე იმატებს. უარყოფითი კორელაციები „-“ ნიშნით აღინიშნება. ამგვარად, კოეფიციენტი -1.0 იდეალურ, სრულ უარყოფით კორელაციას ასახავს, როგორიც, მაგალითად, ბავშვის მიერ ტესტში დაშვებული შეცდომების რაოდენობასა და ამ ტესტში მიღებულ ქულას შორის არსებობს, ხოლო კოეფიციენტი -0.30 - სუსტ უარყოფით კორელაციას, როგორიცაა, მაგალითად, გაკვეთილების გაცდენასა და ინტელექტს შორის. კოეფიციენტის წინ მდგარი ნიშნები სხვას არაფერს გამოხატავენ, თუ არა - ორი ცვლადის (ან მონაცემთა სიმრავლის) კავშირის მიმართულებას.</p>
<p> ზოგადად თუ ვიტყვით, მკვლევარს მიღებული კორელაციის ზომა, ანუ, სიდიდე უფრო მეტად აინტერესებს, ვიდრე მიმართულება. კორელაციის გამოთვლის პროცედურები ისეა აგებული, რომ ორ ნებისმიერ ცვლადს შორის არანაირი კავშირი გამოისახება ნულით (ანუ, 0.00), როგორც, ვთქვათ, სხეულის წონასა და ინტელექტს შორის. ეს ნიშნავს, რომ ერთი ცვლადის მნიშვნელობა აბსოლუტურად არ უკავშირდება მეორე ცვლადის მნიშვნელობას. თუ ერთი ცვლადის მნიშვნელობა მაღალია, მეორე შეიძლება ასევე მაღალი ან, პირიქით, დაბალი იყოს. იდეალური კორელაციები +1.00 და -1.00 იშვიათად გვხვდება და, როგორც ვნახავთ, სოციალურ კვლევაში კორელაციის კოეფიციენტები დაახლოებით +0.50-ის ტოლი ან უფრო ნაკლებია. კორელაციის კოეფიციენტი შეიძლება განვიხილოთ, როგორც მაჩვენებელი იმისა, თუ რამდენად არის შესაძლებელი ერთი მოცემული ცვლადით მეორეს წინასწარმეტყველება: ის კოვარიაციის ინდიკატორია. ორ ცვლადს შორის მიმართება შეგვიძლია ვიზუალურად გამოვსახოთ ორგანზომილებიან კოორდინატთა სისტემაში, სადაც თითო შეწყვილებული დაკვირვება ერთი წერტილით აღინიშნება. ამ გზით მიღებული წერტილების ერთობლიობას წერტილოვანი გაბნევის დიაგრამა ეწოდება და გაზომილ მახასიათებლებს შორის კავშირის ხარისხის გრაფიკულად შეფასების საშუალებას გვაძლევს. ჩანართში 24.25 მაგალითის სახით წარმოდგენილია განათლების სფეროს კვლევიდან აღებული ზოგიერთი წერტილოვანი გაბნევის დიაგრამა.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.25</strong><br/> <strong>კორელაციის წერტილოვანი გაბნევის დიაგრამები</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213553?profile=original"/><br/> -------------------------</p>
<p> მიუხედავად იმისა, რომ კორელაციები კვლევაში ფართოდ გამოიყენება და მათი გამოთვლა და ინტერპრეტაცია საკმაოდ მარტივია, კორელაციური ანალიზის წარმოებისას მკვლევარმა ოთხი მომენტი უნდა გაითვალისწინოს:</p>
<ul>
<li>არ დაუშვათ, რომ კორელაცია მიზეზ-შედეგობრივ კავშირს გულისხმობს (თუნდაც, იმიტომ, რომ, მაგალითად, დიდი ხელების ქონა, როგორც ჩანს, კორელირებს დიდი ფეხების ქონასთან, მაგრამ ეს არ ნიშნავს, რომ ინდივიდს იმიტომ აქვს დიდი ფეხები, რომ ხელებიც დიდი აქვს, ანუ, დიდი ფეხების ქონის მიზეზი არ არის დიდი ხელების ქონა).</li>
<li>ფრთხილად უნდა ვიყოთ, რომ არ დავუშვათ I გვარის შეცდომა - არ დავუჭიროთ მხარი ნულოვან ჰიპოთეზას, როდესაც ის სინამდვილეში მართალია.</li>
<li>ფრთხილად უნდა ვიყოთ, რომ არ დავუშვათ II გვარის შეცდომა - მხარი დავუჭიროთ ნულოვან ჰიპოთეზას, როდესაც ის სინამდვილეში არ არის მართალი.</li>
<li>სტატისტიკურ მნიშვნელოვნობაზე მითითებას ეფექტის ზომის მაჩვენებელიც უნდა ახლდეს თან.</li>
</ul>
<p> ჩანართში 24.26 წარმოდგენილია SPSS-ში კორელაციის კოეფიციენტის გამოთვლის ტიპური ფორმატი.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.26</strong><br/> <strong>პირსონის შერეული მომენტის კორელაციის კოეფიციენტი</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213584?profile=original"/></p>
<p> * კორელაცია მნიშვნელოვანია 0.05 დონეზე (ორმხრივი შემოწმება).<br/> ** კორელაცია მნიშვნელოვანია 0.01 დონეზე (ორმხრივი შემოწმება).<br/> -------------------------</p>
<p> ამ გამოგონილი მაგალითის შესახებ, რომელშიც 1,000 შემთხვევაა შეჯამებული, ოთხი რამ შეგვიძლია აღვნიშნოთ:</p>
<ul>
<li>იმ უჯრების მარცხნივ და მარჯვნივ მდებარე უჯრებში, რომლებშიც რიცხვი „1“ წერია, ერთი და იგივე მონაცემებია წარმოდგენილი, ანუ, სარკისებურადაა ასახული და თუ ძალიან ბევრი ცვლადის კორელაცია გვექნება, უნდა გადავწყვიტოთ, 1-ის შემცველი უჯრების (იდეალური კორელაცია, რადგან აქ ცვლადი თავის თავთან კორელირებს) მარჯვნივ მოცემული კორელაციები განვიხილოთ თუ მარცხნივ მოცემული.</li>
<li>ყოველ უჯრაში, სადაც ორი განსხვავებული ცვლადი კორელირებს, სამი რიცხვია მოცემული: ზედა რიცხვი კორელაციის კოეფიციენტია, შუათანა - მნიშვნელოვნობის დონე, ხოლო ბოლო - შერჩევის მოცულობა.</li>
<li>SPSS-ში ვარსკვლავით („* “) აღინიშნება სტატისტიკურად მნიშვნელოვანი კორელაციები.</li>
<li>ყველა კორელაცია დადებითია, რადგან ცხრილში უარყოფითი კოეფიციენტი არსადაა მოცემული.</li>
</ul>
<p> ეს ცხრილი ინფორმაციას გვაწვდის კორელაციის სიძლიერის (კოეფიციენტის ზომის), მიმართულების (დადებითი და უარყოფითი) და მნიშვნელოვნობის დონის შესახებ. კორელაციის კოეფიციენტი შეგვიძლია ეფექტის ზომადაც მივიჩნიოთ. მნიშვნელოვნობის დონეს (როგორც ზემოთ ითქვა), SPSS კოეფიციენტისა და შერჩევის მოცულობის საფუძველზე, ავტომატურად ითვლის, ამიტომ, რაც უფრო დიდია შერჩევის მოცულობა, მით მცირე კორელაციის კოეფიციენტია საკმარისი, რომ კავშირი სტატისტიკურად მნიშვნელოვანი იყოს და, პირიქით, რაც უფრო მცირე ზომისაა შერჩევა, მით მაღალი კოეფიციენტია საჭირო, რომ კავშირი სტატისტიკურად მნიშვნელოვნი იყოს.</p>
<p> კორელაციის აღნიშვნისას აუციელებელია ითქვას, თუ რომელი კრიტერიუმით იქნა იგი გამოთვლილი, რა მიმართულება აქვს (დადებითია თუ უარყოფითი) და მნიშვნელოვნების რა დონეზეა სტატისტიკურად სანდო (საჭიროებისამებრ). მაგალითად, ასე შეგვიძლია დავწეროთ:</p>
<blockquote><p>პირსონის შერეული მომენტის კორელაციის გამოყენებით დადგინდა სტატისტიკურად მნიშვნელოვანი კორელაცია სკოლაში სიარულსა და გამოცდაზე მოსწავლეების მიერ ნაჩვენებ შედეგს შორის (r = 0.87, p = 0.035). მოსწავლეებმა, რომლებიც ყველაზე ხშირად ესწრებოდნენ მეცადინეობებს, უფრო მაღალი შეფასება მიიღეს გამოცდაზე, ხოლო ვინც ყველაზე ნაკლებად ესწრებოდა - ყველაზე დაბალი.</p>
</blockquote>
<p> გარდა ამისა, შეიძლება ზოგჯერ, პირიქით, მნიშვნელოვანია იმის აღნიშვნა, რომ კორელაცია არ იქნა დადგენილი, მაგალითად:</p>
<blockquote><p>არ აღმოჩნდა სტატისტიკურად მნიშვნელოვანი კორელაცია საშინაო დავალების მომზადებისთვის დათმობილ დროსა და გამოცდის შედეგს შორის (r = 0.37, p = 0.43).</p>
</blockquote>
<p> კორელაციის წერილობით გაფორმების ორ მაგალითში მოცემულია ზუსტი მნიშვნელოვნობის დონეები, რომელსაც SPSS ავტომატურად ითვლის. ნაშრომში მნიშვნელოვნობის დონეების (საჭიროების შემთხვევაში) მითითების ალტერნატიული გზაც არსებობს: p < 0.05; p < 0.01; p = 0.05; p = 0.01. თუ სტატისტიკურად მნიშვნელოვანი კორელაცია ვერ მივიღეთ, მაშინ ვწერთ: p > 0.05 ან p = NS.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>არაწრფივი დამოკიდებულება</em></strong></h3>
<p> აქამდე განხილული კორელაციები წრფივ დამოკიდებულებას უშვებდა, ანუ, რაც უფრო მეტია ერთი თვისება, მით მეტია (ან ნაკლებია) მეორე, იქნება ეს დადებითი თუ უარყოფითი კავშირი. წერტილოვანი გაბნევის დიაგრამაზე შესაძლებელია წრფის (რეგრესიის წრფე) გავლება. თუმცა, წრფივი კავშირის არსებობას ყოველთვის ვერ დავუშვებთ. მაგალითად, განვიხილოთ სტრესის შემთხვევა: მცირეოდენმა სტრესმა შეიძლება გააუმჯობესოს შედეგი („ადრენალინის გამოყოფას შეუწყოს ხელი“), თუმცა, ძალიან ჭარბმა სტრესმა შეიძლება შედეგის გაუარესება გამოიწვიოს. სანამ სტრესი აუმჯობესებს შედეგს, დადებითი კორელაცია გვაქვს, ხოლო როდესაც ის შედეგის გაუარესებას იწყებს - უარყოფითი. შედეგად ვიღებთ არა წრფეს (რომელიც კავშირის წრფივობაზე მიგვითითებს), არამედ - მრუდს (რომელიც არაწრფივ დამოკიდებულებას ასახავს). ეს ყველაფერი გრაფიკულად შეგვიძლია გამოვსახოთ (ჩანართი 24.27). 24.27 ჩანართში წარმოდგენილ მაგალითში დაშვებულია, რომ კუნთური ძალის გაზომვა ერთ სკალაზეა შესაძლებელი. გრაფიკიდან ჩანს, რომ კუნთური ძალა მატულობს დაბადებიდან 50 წლის ასაკამდე და შემდეგ, კუნთების მოდუნებასთან ერთად, ისევ კლებულობს. გრაფიკის მარცხენა მხარე კუნთურ ძალასა და ასაკს შორის დადებით კორელაციას ასახავს, მარჯვენა კი - უარყოფითს, ანუ, არაწრფივი დამოკიდებულების შემთხვევასთან გვაქვს საქმე.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.27</strong><br/> <strong>არაწრფივი დამოკიდებულების ამსახველი მრუდი</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213707?profile=original"/><br/> -------------------------</p>
<p> ჰოპკინსი და მისი კოლეგები (1996: 92) არაწრფივი დამოკიდებულების სხვა მაგალითს გვთავაზობენ: ოთახის ტემპერატურა და კომფორტი. ტემპერატურის ოდნავ მომატებით შეიძლება მეტი კომფორტი შევიქმნათ - დადებითი კორელაცია, თუმცა, კიდევ უფრო მომატებით უკვე დისკომფორტი გვექმნება - უარყოფითი კორელაცია. ბევრი კორელაციური სტატისტიკური სიდიდე უშვებს წრფივი დამოკიდებულების არსებობას (მაგალითად, პირსონის შერეული მომენტის კოეფიციენტი). თუმცა, კორელაციური სტატისტიკის გაუაზრებლად ან ბრმად გამოყენების ნაცვლად, უმჯობესია, მკვლევარი დაფიქრდეს, სინამდვილეში, მიზანშეწონილია თუ არა წრფივი კავშირის არსებობის დაშვება და იქნებ უფრო მართებული იყოს არაწრიფივი დამოკიდებულება (ამ შემთხვევაში, მას უფრო რთული სტატისტიკა დასჭირდება, მაგალითად, η („ეტა“)) (Cohen and Holliday 1996: 84; Glass and Hopkins 1996, ნაწილი 8.7; Fowler et al. 2000: 81 – 89). არის კიდევ ერთი გზა: მათემატიკური პროცედურების გამოყენებით შესაძლებელია არაწრფივი დამოკიდებულების წრფივ დამოკიდებულებად გარდაქმნა. არაწრფივი დამოკიდებულების მაგალითებია:</p>
<ul>
<li>დირექტორის ზეწოლა და მასწავლებლის მუშაობის შედეგი;</li>
<li>მასწავლებლის ზეწოლა და მოსწვლის აკადემიური მოსწრება;</li>
<li>სასწავლო მასალის სირთულე და მოსწავლის აკადემიური მოსწრება;</li>
<li>თავდაჯერებულობა და წარმატება;</li>
<li>ასაკი და კუნთური ძალა;</li>
<li>ასაკი და ფიზიკური კონტროლი;</li>
<li>ასაკი და ყურადღების კონცენტრაცია;</li>
<li>ასაკი და სოციაბილურობა;</li>
<li>ასაკი და კოგნიტური უნარები.</li>
</ul>
<p> ჰოპკინსი და მისი კოლეგები (1996) თვლიან, რომ ცვლადი „ასაკი“ ხშირად არაწრფივად უკავშირდება სხვა ცვლადებს და ასევე, მიუთითებენ, რომ ცუდად აგებულმა ტესტმა შეიძლება არაწრფივი დამოკიდებულების შთაბეჭდილება შექმნას, თუ ტესტი ძალიან მარტივია („ჭერის ეფექტი“, როდესაც მოსწავლეთა უმრავლესობა მაღალ ქულას იღებს) ან ძალიან რთულია, თუმცა, სინამდვილეში, ეს არაწრფივობა მოჩვენებითია, რადგან ტესტის დებულებები არასაკმარისად რთულია ან არასაკმარისი დისკრიმინაციულობით ხასიათდებიან (Hopkins et al. 1996: 92). ამრიგად, კორელაციური კვლევის დაგეგმვისას ყურადღება უნდა მივაქციოთ, ცვლადებს შორის რა ტიპის დამოკიდებულების არსებობას ვუშვებთ - წრფივის თუ არაწრფივის.</p>
<h2 align="center" style="font-size: 20px; color: black;">კორელაციის კოეფიციენტები</h2>
<p> კორელაციის კოეფიციენტი ორ ცვლადს შორის კავშირის შესახებ გვაწვდის ინფორმაციას; თუმცა, არსებობს სხვა საზომები, რომლებიც ისეთი კავშირების დაზუსტების საშუალებას იძლევა, რომელშიც ორზე მეტი ცვლადია ჩართული. ისინი „მრავალჯერადი კორელაციის“ და „პარციალური კორელაციის“ საზომების სახელითაა ცნობილი.</p>
<p> მრავალჯერადი კორელაციის საზომები ერთდროულად სამ ან მეტ ცვლადს შორის კავშირის ხარისხზე მიუთითებენ. მაგალითად, შესაძლოა, დანაშაულს, სოციალურ კლასსა და დასვენების საშუალებებს შორის კავშირის სიძლიერის ცოდნა გვსურდეს. ან შეიძლება აკადემიურ მოსწრებას, ინტელექტსა და ნეიროტიციზმს შორის კავშირის დადგენით ვიყოთ დაინტერესებული. მრავალჯერადი კორელაცია, ანუ, „რეგრესია“, როგორც ზოგჯერ უწოდებენ, ნ ცვლადს შორის კავშირის ხარისხს გვიჩვენებს. ის არა მარტო დამოუკიდებელი და დამოკიდებული ცვლადების კორელაციას, არამედ - დამოკიდებული ცვლადების ურთიერთკორელაციებსაც უკავშირდება.</p>
<p> პარციალური (ანუ, ნაწილობრივი) კორელაცია მიზნად ისახავს ორ ცვლადს შორის კავშირის ხარისხის დადგენას მესამე ცვლადის გავლენის გაკონტროლების ან ნაწილობრივ ჩამოშორების პირობებში. გილფორდი და ფრაჩერი (Gუილფორდ and Fრუცჰტერ 1973) ორი ცვლადის პარციალურ კორელაციას განმარტავენ, როგორც კორელაციას, რომელიც ანულებს კორელირებულ ორ ცვლადზე მესამე ცვლადის (ან რამდენიმე ცვლადის) ეფექტს. მათ მაგალითის სახით მოაქვთ სხვადასხვა ასაკის ვაჟებისგან შემდგარი ჯგუფის წევრების სიმაღლისა და წონის კორელაცია, სადაც კორელაცია უფრო მაღალი იქნება წონასა და სიმაღლეს შორის, ვიდრე ჯგუფში, რომელიც მხოლოდ ერთი ასაკის ვაჟებისგან შედგება. ამის მიზეზი ნათელია: რადგან პირველ ჯგუფში ზოგი ვაჟი უფროსი იქნება და, შესაბამისად, უფრო მაღალი და მძიმე წონის. მაშასადამე, ასაკი ის ფაქტორია, რომელიც სიმაღლესა და წონას შორის კორელაციას ზრდის. რა თქვა უნდა, ასაკის გაკონტროლების (მუდმივად შენარჩუნების) შემთხვევაშიც კი, განურჩევლად ასაკისა, მაინც დადებითი და მნიშვნელოვანი კორელაცია გვექნება, რადგან მოსალოდნელია, რომ უფრო მაღალი ვაჟები წონით უფრო მძიმეებიც იქნებიან. განვიხილოთ კალათბურთში მიღწეულ წარმატებასა და კალათბურთის თამაშის გამოცდილებას შორის კავშირი. დავუშვათ, მესამე ფაქტორიც არსებობს. ცნობილია, რომ მოთამაშეების სიმაღლე მნიშვნელოვნად მოქმედებს დანარჩენ ორ ფაქტორზე. პარციალური კორელაციის ტექნიკების გამოყენებით შესაძლებელია ძირითადი ცვლადის კავშირის გაზომვა და, ამასთან, მეორადი ცვლადის ზემოქმედების გამორიცხვა. კორელაციური ანალიზი მარტივია - ცდის პირთა ერთი და იგივე ჯგუფისთვის ორი ან მეტი ქულის მოგროვებასა და კორელაციის კოეფიციენტის გამოთვლას გულისხმობს. ამ მარტივ დიზაინზე ბევრი სასარგებლო კვლევაა აგებული. თუმცა, ის კვლევები, სადაც უფრო რთულ, კომპლექსურ ურთიერთობებს შეისწავლიან, საკვლევი მიმართებების უფრო ზუსტი სურათის მისაღებად მრავალჯერად და პარციალურ კორელაციებს იყენებენ. და ერთი ბოლო შენიშვნა: აუცილებლად უნდა აღვნიშნოთ, რომ კორელაცია კავშირის საზომია და აუცილებლობით არ მიუთითებს ცვლადებს შორის მიზეზშედეგობრვი კავშირის არსებობაზე. კორელაცია მიზეზს არ გულისხმობს.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>კორელაციის კოეფიციენტის ინტერპრეტაცია</em></strong></h3>
<p> კორელაციის კოეფიციენტის გამოთვლის შემდეგ მისი ინტერპრეტაციის პრობლემა დგება. ამასთან დაკავშირებით ხშირად ისმის კითხვა, თუ რა სიდიდის უნდა იყოს კორელაციის კოეფიციენტი, რომ მნიშვნელობის მქონედ ჩავთვალოთ. ამ კითხვაზე პასუხის გაცემის სამი გზა არსებობს: კავშირის სიძლიერის, კავშირის სტატისტიკური მნიშვნელოვნობისა და კორელაციის კოეფიციენტის კვადრატის შესწავლა. კორელაციის კოეფიციენტის რიცხვობრივი მნიშვნელობის სიდიდე ზუსტად მიგვითითებს საკვლევ ცვლადებს შორის კავშირის სიძლიერეზე. დაბალი ან ნულთან მიახლოებული მნიშვნელობები სუსტ კავშირზე მიუთითებს, ხოლო თითქმის +1-ის ან -1-ის ტოლი - უფრო ძლიერ კავშირებზე. მაგალითისთვის, დავუშვათ, ხუთწლიანი სამუშაო გამოცდილების მქონე მასწავლებლის კლასში წარმატებულობა კორელაციაშია უნივერსიტეტის დამამთავრებელ ჯამურ ქულასთან და კორელაციის კოეფიციენტი r =+0.19. ახლა დავუშვათ, მასწავლებლის კლასში წარმატებულობის საზომზე მიღებული ქულა კორელაციაშია პროფესიული მიღწევის მოთხოვნილების საზომზე მიღებულ ქულასთან და ამ კორელაციის კოეფიციენტი 0.65-ის ტოლია. შეგვიძლია დავასკვნათ, რომ წარმატებულობისა და პროფესიული მიღწევის მოთხოვნილების ქულებს შორის უფრო ძლიერი კავშირია, ვიდრე - წარმატებულობასა და უნივერსიტეტის საბოლოო ქულას შორის.</p>
<p> როდესაც კორელაციის კოეფიციენტს შერჩევიდან ვიღებთ და გვინდა, რომ ის მთლიანი პოპულაციის შესახებ დასკვნის გასაკეთებლად გამოვიყენოთ, მაშინ მიღებული კორელაციის სტატისტიკურ მნიშვნელოვნობა უნდა განვიხილოთ. კორელაციის კოეფიციენტის მნიშვნელოვნობის დონე აჩვენებს განსხვავებულია თუ არა ნულისგან მიღებული კორელაცია, სანდოობის მოცემულ დონეზე. როგორც უკვე ვნახეთ, სტატისტიკურად მნიშვნელოვანი კორელაცია რეალურად არსებულ კავშირზე მიგვითითებს და არა - სრულიად შემთხვევითზე. კორელაციის სტატისტიკური მნიშვნელოვნობის დონეს მეტწილად იმ შემთხვევათა რაოდენობა განაპირობებს, რომლისთვისაც და რომელზე დაყრდნობითაც გამოითვლება კორელაციის კოეფიციენტი. ამგვარად, რაც უფრო მეტია შემთხვევათა რაოდენობა, კორელაციის კოეფიციენტის მით უფრო დაბალი მნიშვნელობაა საკმარისი, რომ კავშირი სტატისტიკურად მნიშვნელოვნად ჩაითვალოს სანდოობის მოცემულ დონეზე.</p>
<p> კვლევების ინტერპრეტაცია, რომლებშიც მიზნად ისახავენ კავშირის შესწავლას, ზოგადად, მათ სტატისტიკურ მნიშვნელოვნობაზე მითითებით ხდება, ხოლო კვლევები, რომელთა უმთავრესი მიზანი წინასწარმეტყველებაა, კორელაციის კოეფიციენტის სიძლიერეზეა დამოკიდებული. Aამიტომ, ამ უკანასკნელში კოეფიციენტი გაცილებით მაღალი უნდა იყოს, ვიდრე მიმართებების შემსწავლელ კვლევებში და ამიდენად, მნიშვნელოვნობის ცნებას იშვიათად ეხებიან.</p>
<p> კოეფიციენტის ინტერპრეტაციისადმი მესამე მიდგომა კორელაციის კოეფიციენტის კვადრატში აყვანას (r2) წარმოადგენს. კოეფიციენტის კვადრატი გვიჩვენებს ერთი ცვლადის დისპერსიის იმ წილს, რომელიც მეორე ცვლადთან მის წრფივ კავშირს შეგვიძლია მივაწეროთ. სხვა სიტყვებით, ის ორი ცვლადისთვის საერთო ნაწილის ოდენობაზე მიგვითითებს. თუ, მაგალითად, A და B ცვლადებს შორის კორელაცია 0.50-ია, მაშინ B ცვლადის ქულების ცვალებადობის 0.25 (0.502) წილი შეგვიძლია მივაწეროთ B ცვლადის ტენდენციას, წრფივად შეიცვალოს A ცვლადის ქულების ცვლასთან ერთად. ჩანართში 24.28 გრაფიკულადაა მოცემული კითხვისა და მათემატიკის ქულების საერთო დისპერსია იმ შემთხვევისთვის, როდესაც მათ შორის კორელაციის კოეფიციენტი 0.65-ის ტოლია.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.28</strong><br/> <strong>კითხვისა და მათემატიკის ქულებს შორის 0.65-ის ტოლი კორელაციის კოეფიციენტის ვიზუალური გამოსახულება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213790?profile=original"/></p>
<p> წყარო: Fox 1969<br/> -------------------------</p>
<p> კორელაციის კოეფიციენტის ინტერპრეტაციისას სამი რამ უნდა გვახსოვდეს: პირველი, კოეფიციენტი მარტივი რიცხვია და არ უნდა იქნეს ინტერპრეტირებული, როგორც პროცენტი. კორელაცია, რომელიც 0.50-ის ტოლია, არ ნიშნავს ცვლადებს შორის 50 პროცენტიან კავშირს. ასევე, 0.50-ის ტოლი კორელაციის კოეფიციენტი არ გვიჩვენებს ორჯერ მეტ კორელაციას, ვიდრე კოეფიციენტი 0.25. 0.50-ის ტოლი კორელაციის კოეფიციენტი, სინამდვილეში გვიჩვენებს, რომ 0.25-ის ტოლი კოეფიციენტის მქონე კორელაციასთან შედარებით, ცვლადებს შორის კიდევ უფრო ძლიერი კავშირია, ვიდრე - ორჯერ მეტი. ფაქტობრივად, რაც უფრო უახლოვდება კოეფიციენტის მნიშვნელობა +1 ან -1-ს, კოეფიციენტის აბსოლუტურ მნიშვნელობებს შორის უფრო მნიშვნელოვანი ხდება, ვიდრე იგივე ზომის განსხვავება დაბალი კორელაციების შემთხვევაში.</p>
<p> მეორე, კორელაცია, როგორც უკვე აღვნიშნეთ, აუცილებლობით არ გულისხმობს ორ ცვლადს შორის მიზეზ-შედეგობრივ კავშირს. მაშასადამე, არ უნდა ვიფიქროთ, რომ ერთი ფაქტორი იწვევს მეორე ფაქტორის ქულების სწორედ ამგვარ და არა სხვა მნიშვნელობებს. ყოველთვის არსებობს მესამე ფაქტორი, რომელიც ზემოქმედებს ორივე საკვლევ ცვლადზე. სავარაუდო მიზეზშედეგობრივი კავშირები შემდგომი ექსპერიმენტული კვლევით უნდა დადასტურდეს.</p>
<p> მესამე, კორელაციის კოეფიციენტის ინტერპრეტაცია არ უნდა მოხდეს არანაირი აბსოლუტური მნიშვნელობით. პოპულაციის მოცემული შერჩევის კორელაციის მნიშვნელობა აუცილებლობით არ იქნება იგივე, რასაც იმავე პოპულაციიდან აღებულ სხვა შერჩევაში მივიღებთ. კორელაციის მოცემული კოეფიციენტის მნიშვნელობაზე ბევრი ფაქტორი ზემოქმედებს და შერჩევებში მიღებული კორელაციის თუ იმ პოპულაციაზე განზოგადება გსურს, საიდანაც ავიღეთ ეს შერჩევები, მაშინ კორელაციის მნიშვნელოვნობა უნდა შევამოწმოთ.</p>
<p> ქვემოთ კორელაციის კოეფიციენტების ინტერპრეტაციისთვის ზოგად მითითებებს გთავაზობთ. ეს მითითებები ბორგისეულ (1963) ანალიზს ეფუძნება და უშვებს, რომ კორელაცია 100 ან მეტ ცდის პირისთვისაა გამოთვლილი.</p>
<p><strong>კორელაციის კოეფიციენტი 0.20 - 0.35</strong></p>
<p> კორელაციები, რომლებიც ხვდება 0.20 - 0.35 შუალედში, ცვლადებს შორის მხოლოდ სუსტ კავშირზე მიგვითითებს, თუმცა, შეიძლება სტატისტიკურად მნიშვნელოვანი იყოს. კორელაციის კოეფიციენტი 0.20 გვიჩვენებს, რომ ორი საზომისთვის დისპერსიის მხოლოდ 4 პროცენტია ({0.20×0.20}×100) საერთო. ამ დონის კორელაციებს შეიძლება შეზღუდული მნიშვნელობა ჰქონდეთ ურთიერთობების, კავშირების შემსწავლელი კვლევებისთვის, თუმცა, ინდივიდუალური თუ ჯგუფური წინასწარმეტყველების კვლევებისთვის სრულიად უმნიშვნელო და უსარგებლოა.</p>
<p><strong>კორელაციის კოეფიციენტი 0.35 - 0.65</strong></p>
<p> ამ დიაპაზონში კორელაციები სტატისტიკურად მნიშვნელოვანია ერთ პროცენტიანი დონის მიღმა. როდესაც კოეფიციენტი დაახლოებით 0.40-ის ტოლია, შესაძლებელია უხეში ჯგუფური წინასწარმეტყველება. როგორც ბორგი (1963) აღნიშნავს, ამ შუალედში მოხვედრილი კორელაციები გამოსადეგია, თუმცა, მხოლოდ მრავალჯერადი რეგრესიის განტოლებაში სხვა კორელაციებთან კომბინაციაში. ამ დიაპაზონის რამდენიმე კორელაციის კომბინირებით, ზოგ შემთხვევაში, შესაძლებელია ცალკეული წინასწარმეტყველება, რომელიც, შეცდომის მისაღებ ფარგლებში, სწორი იქნება. ამ დონის ცალკე, დამოუკიდებლად გამოყენებული კორელაციები ბევრს არაფერს მატებს ინდივიდუალურ წინასწარმეტყველებას, ვინაიდან ისინი სულ ოდნავ მეტი სიზუსტით წინასწარმეტყველებენ, ვიდრე ვარაუდით ან შემთხვევითად შერჩევის ზოგიერთი პროცედურის გამოყენებითაა შესაძლებელი.</p>
<p><strong>კორელაციის კოეფიციენტი 0.65 - 0.85</strong></p>
<p> ამ შუალედში მოხვედრილი კორელაციები შესაძლებელს ხდიან საკმარისად ზუსტ ჯგუფურ წინასწარმეტყვლებას დიაპაზონის ზედა ზღვართან მიახლოებული კორელაციებით ძალიან ზუსტად შეიძლება წინასწარმეტყველება: ჩვეულებრივ, შერჩევის ამოცანის გადაწყვეტისას, შეცდომის ძალიან მცირე ფარგლებში, საკმარისი სიზუსტით წინასწარმეტყველებენ წარმატებული კანდიდატების ფარდობითი წილის შესახებ. კორელაციების ამ დიაპაზონის ზედა ზღვართან მიახლოებული კოეფიციენტების მიხედვით გაცილებით მეტი სიზუსტით შეგვიძლია ინდივიდუალური წინასწარმეტყველება, ვიდრე შერჩევის ასეთი პროცედურების გამოყენების გარეშე შევძლებდით.</p>
<p><strong>0.85-ზე მეტი კორელაციის კოეფიციენტი</strong></p>
<p> ასეთი მაღალი კორელაცია ორ ცვლადს შორის მჭიდრო კავშირზე მიუთითებს. 0.85-ის ტოლი კორელაციის კოეფიციენტი გვიჩვენებს, რომ წინასწარმეტყველებისთვის გამოყენებულ საზომსა (ანუ ცვლადს) და ნაწინასწარმეტყველებ მეორე საზომს (ანუ ცვლადს) დისპერსიის დაახლოებით 72 პროცენტი საერთო აქვთ. განათლების სფეროში წარმოებულ კვლევებში, რომელთა უპირველესი მიზანი წინასწარმეტყველებაა, იშვიათად იღებენ ასეთ მაღალ კორელაციებს, თუმცა, როცა მაინც იღებენ, მათ როგორც ინდივიდუალური, ისე - ჯგუფური წინასწარმეტყველებისთვის იყენებენ.</p>
<h2 align="center" style="font-size: 20px; color: black;">რეგრესიული ანალიზი</h2>
<p> რეგრესიული ანალიზი მკვლევარს საშუალებას აძლევს, იწინასწარმეტყველოს „ერთი ცვლადის კონკრეტული მნიშვნელობა, როდესაც ვიცით (ან ვუშვებთ) მეორე ცვლადის (ცვლადების) მნიშვნელობა“ (Cohen and Holliday 1996: 88). ეს ცვლადების კავშირის მოდელირების საშუალებაა. წინამდებარე თავში მარტივ წრფივ რეგრესიასა და მრავალჯერად რეგრესიას განვიხილავთ.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>მარტივი წრფივი რეგრესია</em></strong></h3>
<p> მარტივი წრფივი რეგრესიის მოდელი მოიცავს ერთ ამხსნელ (დამოუკიდებელი ცვლადი) და ერთ ახსნილ ცვლადს (დამოკიდებული ცვლადი). მაგალითად, შეიძლება მეცადინეობაზე დახარჯული დროის (საათების) გამოცდაზე მიღებულ შეფასებაზე გავლენის ნახვა გვინდოდეს, რათა შეგვეძლოს იმის დანახვა, თუ რამდენად გაუმჯობესდება გამოცდის ნიშანი, თუ მოსწავლე მოცემული დროის (საათებს) განმავლობაში იმეცადინებს. მეცადინეობისთვის დათმობილი დრო (საათები) დამოუკიდებელი ცვლადია, ხოლო გამოცდაზე მიღწეული შედეგი - დამოკიდებული. კოორდინატთა სისტემაში, ტრადიციულად, როგორც 24.29 ჩანართში მოცემულ მაგალითში, დამოუკიდებელი ცვლადი ვერტიკალურ ღერძზე აღინიშნება, დამოკიდებული კი - ჰორიზონტალურზე. ჩანართში 24.29 წარმოდგენილ მაგალითში შეჯამებულია 50 მოსწავლის შემთხვევა მეცადინეობისთვის დათმობილი დროისა და გამოცდაზე მიღებული ნიშნის მიხედვით და ამ ორი ცვლადის განაწილების საჩვენებლად აგებულია წერტილთა გაბნევის დიაგრამა (SPSS ამ მოქმედებას ორ-სამ ღილაკზე დაჭერით ასრულებს). გრაფიკზე ორ ცვლადს შორის კავშირის საჩვენებლად საუკეთესოდ მორგებული წრფეც გავლებულია (SPSS ამასაც იოლად აკეთებს). საუკეთესოდ მორგებული წრფე არის უახლოესი წრფე, რომელიც შეიძლება აიგოს ქულების დისპერსიის გათვალისწინებით და ისე, რომ მონაცემთა ნახევარი მის ზემოთ აღმოჩნდეს, ნახევარი კი - მის ქვემოთ და ყოველი წერტილიდან მინიმალური შესაძლებელი მანძილით იყოს დაშორებული. მაგალითად, შეგვიძლია ვნახოთ, რომ ზოგი ქულა ძალიან ახლოსაა წრფესთან, ზოგი - შორის. არსებობს ამ წრფის განტოლება, რომლითაც შესაძლებელია მისი გამოთვლა, თუმცა ახლა აქ ამაზე არ შევჩერდებით.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.29</strong><br/> <strong>წერტილთა გაბნევის დიაგრამა რეგრესიის წრფით</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213909?profile=original"/><br/> -------------------------</p>
<p> გრაფიკიდან ჩანს, რომ, ზოგადად, რაც უფრო მეტია მეცადინეობისთვის დათმობილი დრო, მით მაღალია მიღწევის დონე. ეს კორელაციას ჰგავს. საუკეთესოდ მორგებული წრფე აქ არა მარტო დადებით კავშირს გამოხატავს, არამედ იმასაც, რომ ეს კავშირი ძლიერია (წრფის დახრილობა საკმაოდ დიდია, ანუ, წრფე საკმაოდ ციცაბოა). თუმცა, რეგრესია კორელაციისგან იმით განსხვავდება, რომ ის ერთი ცვლადის მნიშვნელობის ზუსტ წინასწარმეტყველებას იძლევა, როდესაც ვიცით მეორე ცვლადის მნიშვნელობა. მაგალითად, შეგვიძლია გამოვიცნოთ მიღწევის დონის მაჩენებელი, თუ მოსწავლემ იმეცადინა, ვთქვათ, ორი საათი (43 ქულა 80-დან), ოთხი საათი (72 ქულა 80-დან), ცხადია, დისპერსიის გათვალისწინების გარეშე. წერტილთა გაბნევის დიაგრამის გაგების გასამარტივებლად (მაგალითად, SPSS-ში) მასზე, მაგალითად, ბადის დამატება შეგვიძლია (ჩანართი 24.30).</p>
<p>-------------------------<br/> <strong>ჩანართი 24.30</strong><br/> <strong>წერტილთა გაბნევის დიაგრამა რეგრესიის წრფით</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213936?profile=original"/><br/> -------------------------</p>
<p> წრფის ფარგლებს გარეთ წინასწარმეტყველება სარისკოა. მარტივი რეგრესია მხოლოდ რეალური წრფის ფარგლებში მოხვედრილი მნიშვნელობების გამოსათვლელად გამოიყენება და არა - ამ ფარგლების მიღმა. ასევე, შეგვიძლია დავინახოთ, რომ, მართალია შესაძლებელია საუკეთესოდ მორგებული წრფის აგება (SPSS ამას ავტომატურად აკეთებს), მონაცემების შესატყვისი წერტილები მეტ-ნაკლებად დაშორებული იქნება მისგან, ანუ, ზოგი უფრო ახლოს იქნება, ზოგი - უფრო შორს. წრფესა და მონაცემების აღმნიშვნელ წერტილებს შორის მანძილს ნაშთი ეწოდება და ნებისმიერ ანალიზში ეს მანძილებიც უნდა აღინიშნოს (მათი გამოთვლა სტატისტიკური ფორმულით ხდება, თუმცა, ახლა ამაზე აქ არ შევჩერდებით).</p>
<p> რეგრესიის წრფისა და კოორდინატთა სისტემის ვერტიკალური ღერძის გადაკვეთის წერტილს თანაკვეთა ეწოდება. ამ თემას მოგვიანებით კიდევ მივუბრუნდებით, თუმცა ახლა ვიტყვით, რომ რეგრესიის წრფე არასოდეს იწყება ნულოვანი წერტილიდან იგი ვერტიკალურ ღერძზე ოდნავ ზემოდან იწყება.</p>
<p> ფაქტობრივად, რეგრესიის წრფის ასაგებად ყველა საჭირო გამოთვლა ავტომატურად კეთდება SPSS-ში.</p>
<p> ჩანართში 24.31 წარმოდგენილია SPSS-ის გამოთვლების ტიპური შედეგი.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.31</strong><br/> <strong>რეგრესიული ანალიზი: SPSS-ში წარმოებული გამოთვლის ტიპური შედეგი</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213987?profile=original"/><br/> -------------------------</p>
<p> ცხრილში მოცემულია R კვადრატი (r square), რომელიც გვიჩვენებს, თუ დამოკიდებული ცვლადის დისპერსიის რა ნაწილი აიხსნება გამოთვლაში მონაწილე დამოუკიდებელი ცვლადით. პირველ რიგში, ყურადღება მიაქციეთ, რომ ცხრილში ჯერ მოცემულია R კვადრატი, რომელიც 0.632-ის ტოლია და გვიჩვენებს, რომ რეგრესიის მოდელში დისპერსიის 63.2 პროცენტია გათვალისწინებული, რაც მაღალი მაჩვენებელია. მორგებული R კვადრატი (Adjusted R square) უფრო ზუსტია და მის გამოყენებას გირჩევთ, ვინაიდან მასში ავტომატურად არის გათვალისწინებული დამოუკიდებელი ცვლადების რაოდენობა. მორგებული R კვადრატის მნიშვნელობა, ჩვეულებისამებრ, უფრო მცირეა ხოლმე, ვიდრე R კვადრატის, რადგან მასში ის ფაქტიც გათვალისწინებულია, რომ ჩვენ შერჩევის მონაცემების მიხედვით ვაწარმოებთ გამოთვლებს და არა - პოპულაციის. ამ მაგალითში მორგებული R კვადრატის მნიშვნელობა 0.625-ია და, ისევ და ისევ, გვიჩვენებს, რომ ჩვენს მიერ აგებულ რეგრესიის მოდელში დამოუკიდებელი ცვლადი დამოკიდებული ცვლადის დისპერსიის 62.5 პროცენტს ხსნის, რაც მაღალი მაჩვენებელია, ესე იგი, ჩვენი რეგრესიის მოდელი ძლიერია. მუიჯსი (2004: 165) თვლის, რომ მორგებული R კვადრატის შემთხვევაში, შესატყვისობის სიკარგე შემდეგი ნიშნულებით განისაზღვრება:</p>
<p> <0.1 / სუსტი<br/> 0.11 - 0.3 / ზომიერი<br/> 0.31 - 0.5 / საშუალო<br/> >0.5 / ძლიერი</p>
<p> მეორე, ამის შემდეგ SPSS დისპერსიულ ანალიზსაც აკეთებს (ANOVA) (ჩანართი 24.32). SPSS იმაზე მეტ ინფორმაციას იძლევა, ვიდრე მკვლევარს სჭირდება. df-ის (თავისუფლების ხარისხის) განხილვა ზემოთ შეგიძლიათ ნახოთ. აქ მხოლოდ 24.32 ჩანართში მოცემული ცხრილის ბოლო სვეტს გავარჩევთ, რომელსაც სახელად „შიგ.“ ჰქვია. ეს მნიშვნელოვნობის დონეა და, ვინაიდან მნიშვნელოვნობა აქ 0.000-ია, დამოუკიდებელი (მეცადინეობისთვის დათმობილი დრო) და დამოკიდებული (მიღწევის დონე) ცვლადების სტატისტიკურად ძალიან მნიშვნელოვანი კავშირი გვაქვს (უფრო მჭიდრო, ვიდრე 0.001) (ჩანართი 24.32).</p>
<p>-------------------------<br/> <strong>ჩანართი 24.32</strong><br/> <strong>მნიშვნელობის დონე რეგრესიულ ანალიზში</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214039?profile=original"/><br/> -------------------------</p>
<p> ვინაიდან ეს მნიშვნელობა მნიშვნელოვან შედეგს შეიცავს, იგი მიგვითითებს, რომ აზრი აქვს ანალიზის გაგრძელებას. ამის შემდეგ SPSS სტანდარტიზებული და არასტანდარტიზებული კოეფიციენტების ცხრილს გვაძლევს. გირჩევთ, იხელმძღვანელოთ სტანდარტიზებული კოეფიციენტებით, სადაც ბეტა კოეფიციენტიც გათვალისწინებულია. ბეტა (β) კოეფიციენტი დამოკიდებული ცვლადის ცვლილების სტანდარტული გადახრის ერთეულის ზომაა, რომელიც შეესაბამება დამოუკიდებელი ცვლადის ერთი სტანდარტული გადახრის ერთეულით ცვლილებას. 24.33 ჩანართში მოცემულ მაგალითში ბეტა კოეფიციენტი 0.795-ის ტოლია, რაც გვეუბნება, რომ დამოუკიდებელი ცვლადის (მეცადინეობისთვის დათმობილი დროის) სტანდარტული გადახრის ერთეულით ყოველ ცვლილებას დამოკიდებული ცვლადის (მიღწევის დონე) 0.795-ით (ანუ 79.5 პროცენტით) შეცვლა ახლავს თან, ანუ, დამოუკიდებელი ცვლადის ერთი ერთეულით შეცვლას დამოკიდებული ცვლადის სამი-მეოთხედი ერთეულით შეცვლა შეესაბამება. ეს საუკეთესოდ მორგებული წრფის ციცაბო 226 განათლების სფეროში კვლევის კონტექსტი დახრილობასაც ხსნის, თუმცა ეს არ არის მთლად 45 გრადუსის ტოლი: ერთი ცვლადის ყოველი ერთეული მეორე ცვლადის მხოლოდ 79.5 პროცენტს შეესაბამება (ჩანართი 24.33).</p>
<p> ჩანართი 24.33 იმაზეც მიგვითითებს, რომ მიღებული შედეგები სტატისტიკურად ძალზე მნიშვნელოვანია („შიგ.“ სვეტი (0.000) 0.001-ზე ძლიერ მნიშვნელოვნობის დონეს გვიჩვენებს). საყურადღებოა ისიც, რომ 24.33 ჩანართის ცხრილში არის სტრიქონი „ჩონსტანტ“ (კონსტანტა, მუდმივა). ის ვერტიკალური ღერძისა და რეგრესიის წრფის კვეთის წერტილს, ანუ, თანაკვეთას გვიჩვენებს. ზოგჯერ მუდმივა (კონსტანტა) გამოირიცხება ხოლმე შემდგომი ანალიზიდან.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.33</strong><br/> <strong>ბეტა კოეფიციენტი რეგრესიულ ანალიზში</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214072?profile=original"/><br/> -------------------------</p>
<p> წერილობით ანგარიშში რეგრესია შემდეგნაირად შეგვიძლია წარმოვადგინოთ:</p>
<blockquote><p> მეცადინეობისთვის დათმობილი დროისა და მიღწევის დონის წერტილთა გაბნევის დიაგრამა ორ ცვლადს შორის წრფივ დადებით კავშირზე მიუთითებს, სადაც მორგებული R კვადრატი = 0.625. ცვლადისთვის „მეცადინეობისთვის დათმობილი დრო“ დადგენილ იქნა სტანდარტიზებული ბეტა კოეფიციენტი 0.795, რომელიც სტატისტიკურად მნიშვნელოვანი აღმოჩნდა (p < 0.001).</p>
</blockquote>
<h3 style="font-size: 16px; color: black;"><strong><em>მრავალჯერადი რეგრესია</em></strong></h3>
<p> წრფივ რეგრესიაში ერთ დამოკიდებულ ცვლადზე ერთი დამოუკიდებელი ცვლადის გავლენის გამოთვლა შეგვიძლია. თუმცა, უფრო სასარგებლო იქნებოდა, რომ ერთ დამოკიდებულ ცვლადზე ორი ან მეტი დამოუკიდებელი ცვლადის გავლენის გამოთვლა შეგვეძლოს. მრავალჯერადი რეგრესია ორ ან მეტ - ამხსნელ ანუ დამოუკიდებელ ცვლადებსა და ახსნილ, ანუ, დამოკიდებულ ცვლადს შორის კავშირის პროგნოზირებისა და ამ მიმართების წონის განსაზღვრის საშუალებას გვაძლევს. წინა მაგალითიდან ვიცით, რომ ბეტა კოეფიციენტი (β) გვიჩვენებს, თუ სტანდარტული გადახრის რამდენი ერთეულით შეიცვლება დამოკიდებული ცვლადი თითოეული დამოუკიდებელი ცვლადის ერთი სტანდარტული გადახრის ერთეულით ყოველი ცვლილებისას. გამოცდაზე მიღებული ნიშანი შეიძლება მეცადინეობისთვის დათმობილი დროისა და ინტელექტის შედეგი იყოს, ესე იგი, ასეთი ფორმულა გვექნება:</p>
<p style="text-align: center;">გამოცდაზე მიღებული ნიშანი = β მეცადინეობისთვის დათმობილი დრო + β ინტელექტი</p>
<p> ვთქვათ, SPSS-ით გამოვთვალეთ მეცადინეობისთვის დათმობილი დროისა და ინტელექტის β კოეფიციენტები და, შესაბამისად, მივიღეთ 0.65 და 0.30. ეს ორი დამოუკიდებელი ცვლადის ფარდობითი წონებია. ვთქვათ, გვინდა გავარკვიოთ, თუ რა ნიშანი მიიღო გამოცდაზე იმ მოსწავლემ, რომელსაც ინტელექტის კოეფიციენტი 110 აქვს და კვირაში 30 საათს მეცადინეობდა. ჩვენი ფორმულა შემდეგნაირ სახეს მიიღებს:</p>
<p style="text-align: center;">გამოცდაზე მიღებული ნიშანი = (0.65 × 30) + (0.30 × 110) = 19.5 + 33 = 52.5</p>
<p> თუ იგივე მოსწავლე კვირაში 40 საათს იმეცადინებს, მაშინ შეგვიძლია ვიწინასწარმეტყველოთ, რომ გამოცდაზე მისი ნიშანი იქნება: გამოცდაზე მიღებული ნიშანი = (0.65 × 40) + (0.30 × 110) = 26 + 33 = 59 ამით მკვლევარს დამოკიდებულ ცვლადზე, სხვა დამოუკიდებელი ცვლადების არსებობის პირობებში, კონკრეტული მოცემული დამოუკიდებელი ცვლადის ნაწინასწარმეტყველები ეფექტის ზუსტად ნახვის საშუალება ეძლევა. SPSS-ში ეფექტის ზომა მუდმივად გამოითვლება და ეს გამოთვლა ანალიზშიც შეგვიძლია ჩავრთოთ, მაგალითად, ასე:</p>
<p style="text-align: center;">გამოცდაზე მიღებული ნიშანი = მუდმივა + βმეცადინეობისთვის დათმობილი დრო + βინტელექტი</p>
<p> განვიხილოთ SPSS-ში გამოთვლის მაგალითი ორზე მეტი დამოუკიდებელი ცვლადით. ვთქვათ, გვინდა ვნახოთ, თუ რამდენად გააუმჯობესებს გამოცდაზე მიღებულ ნიშანს მოცემული დროის (საათების) დათმობა მეცადინეობისთვის ინტელექტისა (მაგალითად, ინტელექტის კოეფიციენტის - IQ) და საგნით დაინტერესების დონის ცოდნის პირობებში. წინა მაგალითიდან ვიცით, რომ ბეტა კოეფიციენტი (β) გვიჩვენებს, თუ სტანდარტული გადახრის რამდენი ერთეულით შეიცვლება დამოკიდებული ცვლადი დამოუკიდებელი ცვლადის სტანდარტული გადახრის ერთეულით ყოველი ცვლილების შესაბამისად. გვექნება შემდეგი ტოლობა:</p>
<p style="text-align: center;">გამოცდაზე მიღწეული დონე = მუდმივა + βმეცადინეობისთვის დათმობილი საათების რაოდენობა + β IQ + βსაგნით დაინტერესების დონე.</p>
<p> მუდმივას SPSS ავტომატურად თვლის. თითოეულ დამოუკიდებელ ცვლადს - მეცადინეობისთვის დათმობილ დროს (საათები), IQ-სა და საგნით დაინტერესების დონეს - დამოკიდებულ ცვლადთან, მიღწევის დონესთან, მიმართებაში თავისი ბეტა (β) კოეფიციენტი აქვს.</p>
<p> თუ SPSS-ით ვთვლით მრავალჯერად რეგრესიას (50 მოსწავლის მოგონილი მონაცემებით), 24.34 ჩანართში მოცემულ შედეგებს მივიღებთ.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.34</strong><br/> <strong>მრავალჯერადი რეგრესიის გამოთვლის შემაჯამებელი ცხრილი</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214086?profile=original"/><br/> -------------------------</p>
<p> მორგებული R კვადრატი ძალიან მაღალია (0.975) და მიუთითებს, რომ დამოკიდებული ცვლადის დისპერსიის 97.5 პროცენტი დამოუკიდებელი ცვლადებით აიხსნება (ჩანართი 24.34). ანალოგიურად, დისპერსიული ანალიზიც სტატისტიკურად უაღრესად მნიშვნლოვან შედეგს იძლევა (0.000) და გვიჩვენებს, რომ დამოუკიდებელი და დამოკიდებული ცვლადების ურთიერთკავშირი ძალიან ძლიერია (ჩანართი 24.35).</p>
<p>-------------------------<br/> <strong>ჩანართი 24.35</strong><br/> <strong>მნიშვნელოვნობის დონე მრავალჯერად რეგრესიულ ანალიზში</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214228?profile=original"/><br/> -------------------------</p>
<p> სამივე დამოუკიდებელი ცვლადის ბეტა (β) კოეფიციენტები მოცემულია 24.36 ჩანართში წარმოდგენილი ცხრილის სვეტში „სტანდარტიზებული კოეფიციენტები“. მუდივა 1.996-ის ტოლია.</p>
<p>-------------------------<br/> <strong>ჩანართი 24.36</strong><br/> <strong>ბეტა კოეფიციენტები მრავალჯერად რეგრესიულ ანალიზში</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214421?profile=original"/><br/> -------------------------</p>
<p> უნდა აღინიშნოს, რომ აქ სამი დამოუკიდებელი ცვლადისთვის ბეტა კოეფიციენტები ერთმანეთთან მიმართებაშია გამოთვლილი და არა - დამოუკიდებლად. ამგვარად, შეგვიძლია ვთქვათ, რომ ერთმანეთთან მიმართებით:</p>
<ul>
<li>დამოუკიდებელი ცვლადი „მეცადინეობისთვის დათმობილი დრო (საათები) “ ყველაზე მეტად დადებითად უკავშირდება მიღწევის დონეს (β = 0.920) და ეს კავშირი სტატისტიკურად მნიშვნელოვანია (სვეტი „შიგ.“ გვიჩვენებს, რომ მნიშვნელოვნობის დონე 0.000-ია, რაც 0.001-ზე ძლიერი მაჩვენებელია).</li>
<li>დამოუკიდებელი ცვლადი „ინტელექტი“ უარყოფითად მოქმედებს მიღწევის დონეზე (β = -0.062), მაგრამ ეს სტატისტიკურად უმნიშვნელოა (0.644-ის პირობებში p > 0.05).</li>
<li>დამოუკიდებელი ცვლადი „საგნით დაინტერესებულობის დონე“ დადებითად მოქმედებს მიღწევის დონეზე (β = 0.131), მაგრამ ეს სტატისტიკურად უმნიშვნელოა (0.395-ის პირობებში p > 0.05).</li>
<li>ერთადერთი დამოუკიდებელი ცვლადი, რომელიც მოქმედებს მიღწევის დონეზე „მეცადინეობისთვის დათმობილი დრო (საათები)“.</li>
</ul>
<p> ამრიგად, თუ ვიცით, რამდენი საათი დაუთმო მოსწავლემ მეცადინეობას, მისი IQ და საგნით დაინტერესებულობის დონე, შეგვიძლია გამოცდაზე მისი მოსალოდნელი შედეგის წინასწარმეტყველება.</p>
<p> მრავალჯერადი რეგრესია იმით არის სასარგებლო, რომ მისი საშუალებით რამდენიმე ცვლადის აღება და დამოკიდებულ ცვლადზე გავლენაში მათი ფარდობითი წონების გამოთვლაა შეიძლება. თუმცა, სიფრთხილეც გვმართებს: ცვლადები შეიძლება ურთიერთქმედებდნენ და ერთმანეთთან კორელირებდნენ (მრავალჯერადი წრფივი დამოკიდებულების საკითხი). მაგალითად, გორარდი (2001) წერს, რომ:</p>
<blockquote><p> სიღარიბე და ეთნიკური წარმომავლობა, როგორც, ჩანს, გარკვეულად კორელირებენ ერთმანეთთან, ასე რომ, მათი ერთად გამოყენება საერთო ცვალებადობის ორჯერ გამოყენებას ნიშნავს. თუ ცვლადების მრავალჯერადი წრფივი დამოკიდებულება დავადგინეთ (მაგალითად, თუ ცვლადებს შორის კორელაციის კოეფიციენტები 0.80-ზე მაღალია), მაშინ ან ერთ-ერთი ცვლადი უნდა ამოვიღოთ გამოთვლებიდან, ან ახალი ცვლადი უნდა შევქმნათ, რომელიც ამ მჭიდროდ ურთიერთდაკავშირებულ ორ ცვლადს გააერთიანებს.<br/> (Gorard 2001: 172)</p>
</blockquote>
<p> SPSS, ფაქტობრივად, ავტომატურად ამოაკლებს ცვლადებს იმ გამოთვლებიდან, სადაც მათ შორის ძლიერი კოვარიაციაა (მრავალჯერადი წრფივი დამოკიდებულებაა).2</p>
<p> მრავალჯერადი რეგრესიის წერილობით გაფორმებისას (ხშირად, SPSS-ში მიღებულ) ცხრილებთან ერთად, მაგალითის სახით, შემდეგი ფორმულირება შეგვიძლია გამოვიყენოთ:</p>
<blockquote><p> გამოყენებულ იქნა მრავალჯერადი რეგრესია. მიღებული შედეგები თითოეულ ცვლადისთვის მოიცავს მორგებულ R კვადრატს (0.975), დისპერსიულ ანალიზსა (p < 0.001) და სტანდარტიზებულ β კოეფიციენტს (β = 0.920, p < 0.001; β = -0.062, p = 0.644; β = 0.131, p = 0.395). შესამჩნევია, რომ, ერთმანეთთან მიმართებაში, მიღწევის დონეზე „მეცადინეობისთვის დათმობილი დრო“ ყველაზე მეტ გავლენას ახდენს, „საგნით დაინტერესებულობის დონე“ მცირედ და სტატისტიკურად უმნიშვნელოდ მოქმედებს, ხოლო „ინტელექტი“ - უარყოფითად, მაგრამ, ასევე, სტატისტიკურად უმნიშვნელოდ.</p>
</blockquote>
<p> რეგრესიული ტექნიკების გამოყენებისას მათ საფუძვლად მდებარე დაშვებები უნდა გავითვალიწინოთ. გორარდი (2001: 213) ამ დაშვებებს შემდეგნაირად აღწერს:</p>
<ul>
<li>გაზომვა შემთხვევით შერჩევაზე (უკიდურეს შემთხვევაში, ალბათურ შერჩევაზე მაინც) წარმოებს;</li>
<li>ყველა გამოყენებული ცვლადის მნიშვნელობას ნამდვილი რიცხვი უნდა წარმოადგენდეს (ან, უკიდურეს შემთხვევაში, დამოკიდებულ ცვლადს მაინც);</li>
<li>აქ უკიდურესი ქულები არ არსებობს;</li>
<li>ყველა ცვლადი შეცდომის გარეშეა გაზომილი;</li>
<li>დამოკიდებულ და დამოუკიდებელ ცვლადებს (სათითაოდ და ერთად აღებულს) შორის დაახლოებით წრფივი კავშირია;</li>
<li>დამოკიდებული ცვლადი დაახლოებით ნორმალურადაა განაწილებული (ან, უკიდურეს შემთხვევაში, შემდეგი დაშვებაა მართალი);</li>
<li>დამოკიდებული ცვლადის ნაშთები (გამოთვლილ და რეალურად მიღებულ ქულებს შორის სხვაობა) დაახლოებით ნორმალურადაა განაწილებული;</li>
<li>თითოეული ცვლადის დისპერსია უცვლელია სხვა დანარჩენი ცვლადების მნიშვნელობათა დიაპაზონისთვის (ან, უკიდურეს შემთხვევაში, შემდეგი დაშვებაა მართალი);</li>
<li>დამოკიდებული ცვლადის ნაშთები თანაბარი და უცვლელი დისპერსიით ხარიათდება დამოუკიდებელი ცვლადების ყოველი მნიშვნელობისთვის;</li>
<li>ნაშთები არ კორელირებენ დამოუკიდებელ ცვლადებთან;</li>
<li>დამოკიდებული ცვლადის ნაშთების საშუალო ნულის ტოლია დამოუკიდებელი ცვლადების ყოველი მნიშვნელობისთვის (ან დაახლოებით წრფივად უკავშირდებიან დამოკიდებულ ცვლადს);</li>
<li>არცერთ დამოუკიდებელ ცვლადს არ აქვს სრული/იდეალური წრფივი კავშირი სხვა დამოუკიდებელ ცვლადთან (არ გვაქვს იდეალური „მულტიკოლინეარობა“. Aანუ, მრავალჯერადი წრფივი დამოკიდებულება);</li>
<li>ნებისმიერი ორი შემთხვევისთვის ნაშთებს შორის კორელაცია ნულის ტოლი უნდა იყოს (თითოეული შემთხვევა დამოუკიდებელია დანარჩენებისგან).</li>
</ul>
<p> მიუხედავად იმისა, რომ რეგრესია და მრავალჯერადი რეგრესია ყველაზე ხშირად ინტერვალებისა და შეფარდების სკალის მონაცემებთან გამოიყენება, ბოლო დროს შემუშავდა პროცედურები, რომლებიც რიგის სკალის მონაცემებზე რეგრესიული ანალიზის წარმოების შესაძლებლობას იძლევა (SPSS Inc 2002). ეს უაღრესად მნიშვნელოვანია რეიტინგის სკალებიდან რეგრესიის გამოთვლისთვის.</p>
<p> პალანტის (Pallant 2001: 136) აზრით, მრავალჯერადი რეგრესიის გამოყენებისას ყურადღება უნდა მიექცეს შერჩევის მოცულობას. იგი ამბობს, რომ თითოეული დამოუკიდებელი ცვლადისთვის 15 შემთხვევა მაინცაა საჭირო და შერჩევის მინიმალური მოცულობის განსასაზღვრად შესაძლებელია შემდეგი ფორმულის გამოყენება: შერჩევის მოცულობა ≥ 50 + (8 × დამოუკიდებელი ცვლადების რაოდენობა), ესე იგი, ათი დამოუკიდებელი ცვლადისთვის მინიმუმ 130 (ანუ 50 + 80) ადამიანისგან შემდგარი შერჩევაა საჭირო.</p>
<p> </p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/mnishvnelovnoba" title="სტატისტიკური მნიშვნელოვნობა, ჰიპოთეზის შემოწმება და ეფექტის ზომა"><span style="color: blue;">◄ წინა ნაწილი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/dispersiuli" title="განსხვავების გაზომვა და საშუალოები, t კრიტერიუმი და დისპერსიული ანალიზი"><span style="color: blue;">მომდევნო ნაწილი ►</span></a></div>
</td>
</tr>
</tbody>
</table>
</div> სტატისტიკური მნიშვნელოვნობა, ჰიპოთეზის შემოწმება და ეფექტის ზომაtag:www.qwelly.com,2018-01-03:6506411:Topic:13042772018-01-03T13:14:59.406Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 24</strong><br></br> <em>ნაწილი II</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">სტატისტიკური მნიშვნელოვნობა</h2>
<p> სტატისტიკური ანალიზის უდიდესი ნაწილი სტატისტიკური მნიშვნელოვნების ცნებაზეა დამოკიდებული. კირკი (1999: 337) მიუთითებს, რომ „სტატისტიკურად მნიშვნელოვანია შედეგი, რომელიც ვერ აიხსნება შემთხვევითობით“.…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 24</strong><br/> <em>ნაწილი II</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">სტატისტიკური მნიშვნელოვნობა</h2>
<p> სტატისტიკური ანალიზის უდიდესი ნაწილი სტატისტიკური მნიშვნელოვნების ცნებაზეა დამოკიდებული. კირკი (1999: 337) მიუთითებს, რომ „სტატისტიკურად მნიშვნელოვანია შედეგი, რომელიც ვერ აიხსნება შემთხვევითობით“. ჰიპოთეტურ-დედუქციურ ტიპის კვლევა ხშირად იწყება ერთი ან რამდენიმე ჰიპოთეზით. ეს რაოდენობრივ კვლევაში ჰიპოთეზის შემოწმების არსია. ჩვეულებრივ, ორი ტიპის ჰიპოთეზა არსებობს. ნულოვანი, ძირითადი ტიპის ჰიპოთეზა აცხადებს, რომ, მაგალითად, არ არსებობს კავშირი ორ ცვლადს შორის, ან არაფერი შეცვლილა მონაწილეებში პრე-ტესტსა და პოსტ-ტესტს შორის დროის მონაკვეთში, ან სამი სკოლა არ განსხვავდება ერთმანეთისგან გამოცდის შედეგების მიხედვით, ან ქალები და მამაკაცები არ განსხვავდებიან ერთმანეთისგან ამა თუ იმ პასუხების მიხედვით. ნულოვანი ჰიპოთეზა კარგად ერგება პოპერის პოზიციას, რომლის თანახმადაც, მეცნიერების არსი მის (ჰიპოთეზის) აუცილებელ ფალსიფიცირებაში მდგომარობს.</p>
<p> საქმე ისაა, რომ ჰიპოთეზის ნულოვანი ფორმით წამოყენება მკვლევრისგან იმის დამტკიცებას მოითხოვს, რომ ნულოვანი ჰიპოთეზა არ არის სწორი. ეს სიტუაცია სასამართლოს ჰგავს, სადაც მოსამართლე უდანაშაულობის პრეზუმციით იწყებს მუშაობას და ისე უნდა დაამტკიცოს დანაშაული, რომ მასში დაეჭვების არანაირი რაციონალური საფუძველი არ არსებობდეს. მარტივი დადებითი ჰიპოთეზის მხარდაჭერა ხშირად ადვილია, თუმცა ასეთი ჰიპოთეზა, დადასტურდების შემთხვევაშიც, შეიძლება მაინც არ გვქონდეს მისი მიღების საკმარისი საფუძველი, ვინაიდან მიღებული შედეგები, შესაძლოა, სულ სხვა ჰიპოთეზებს შეესატყვისებოდეს. მაგალითად, დავუშვათ, ჩვენი ჰიპოთეზაა, რომ მონეტა დეფორმირებულია და, მაშასადამე, ასიმეტრიული. მონეტას ვაგდებთ 100-ჯერ და ვნახულობთ, რომ 60-ჯერ რიცხვის მხარით დაეცა. ადვილი იქნებოდა, პირდაპირ გამოგვეტანა დასკვნა, რომ მონეტა დეფორმირებულია, მაგრამ, ასევე, ადვილად შესაძლებელია, რომ ეს შედეგი სხვა მიზეზებით იხსნებოდეს. ცხადია, მონეტა 100 აგდებიდან 99-ჯერ რომ დაცემულიყო რიცხვის მხარეს, ჩვენი ჰიპოთეზა უფრო სწორი იქნებოდა. ნულოვანი ჰიპოთეზა მტკიცებულებაა, რომელიც არა მარტო იმას მოითხოვს, რომ „არ იქნას მხარდაჭერილი“ ნეგატიური ჰიპოთეზა, არამედ იმ ზღვრის მითითებასაც მოითხოვს, რომლის ზემოთაც ნულოვან ჰიპოთეზას „არ უჭერენ მხარს“ და რომლის ქვემოთაც „უჭერენ მხარს“. მონეტის მაგალითში შეიძლება საჭირო იყოს, რომ რიცხვის მხარე 100-დან 95 შემთხვევაში, ან 100-დან 99 ან, თუნდაც, 1,000-დან 999 შემთხვევაში ჯდებოდეს, რათა მეტი დარწმუნებით ვთქვათ, რომ ნულოვანი ჰიპოთეზა არ დასტურდება.</p>
<p> აქ ტერმინოლოგიას დიდი სიფრთხილით ვიყენებთ. ზოგი მკვლევარი ამბობს, რომ ნულოვანი ჰიპოთეზა „უარყოფილია“, ზოგიც კი ამბობს, რომ ის „დამტკიცებულია“ ან „არ არის დამტკიცებული“, სხვები კი ამბობენ რომ „მიღებულია“ ან „არ არის მიღებული“. ჩვენ ვამჯობინებთ ტერმინებს „მხარდაჭერილია“ ან „არ არის მხარდაჭერილი“. ეს არ არის მხოლოდ სემანტიკა ან პედანტურობა; ეს სიფრთხილის ნიშანია. ნულოვანი ჰიპოთეზის უარყოფა არ არის მისი „არ დადასტურება“ ან „მხარის არ დაჭერა“, უარყოფა აბსოლუტურ და უნივერსალურ მდგომარეობას გულისხმობს, რომელსაც კვლევა, სავარაუდოდ, ვერ მიაღწევს, ვინაიდან მკაცრი პარამეტრებითაა შემოსაზღვრული და ყველა შემთხვევისთვის არ გამოდგება. ამასთან, „დადასტურება“ და „არ დადასტურება“, „უარყოფის“ მსგავსად, ძალიან კატეგორიული, აბსოლუტური და უნივერსალური ტერმინებია კვლევისთვის, რომელსაც საბოლოოდ მოცემულ საზღვრებში ვიღებთ. ასევე, ვერ „მივიღებთ“ ნულვან ჰიპოთეზას, რადგან ნულოვანი ჰიპოთეზა ცალსახად და გარკვევით არასოდეს არ დადასტურდება.</p>
<p> ჰიპოთეზის მეორე ტიპს ალტერნატიული ჰიპოთეზა ეწოდება. თუ ნულოვანი ჰიპოთეზა ამტკიცებს, რომ რაიმე არ არსებობს (მაგალითად, ცვლილება, ურთიერთობა, განსხვავება), ალტერნატიული ჰიპოთეზის მიხედვით, არსებობს რაღაც, და ეს რაღაც არის მაგალითად, ცვლილება სკოლის მოსწავლეების ქცევაში; არის განსხვავება მოსწავლეების მათემატიკასა და საბუნებისმეტყველო მეცნიერებაში მიღებულ ქულებს შორის; არის განსხვავება ხუთ სხვადასხვა სკოლაში გამოცდების შედეგებს შორის; არის განსხვავება ასეთი და ამგვარი კლასის პრე-ტესტსა და პოსტ-ტესტს შორის. ჰიპოთეზის ასეთი სუსტი ფორმა ხშირად არის ხოლმე მხარდაჭერილი, როცა ნულოვანი ჰიპოთეზა „არ არის მხარდაჭერილი“, ანუ, თუ ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი, მაშინ ალტერნატიული ჰიპოთეზაა მხარდაჭერილი.</p>
<p> დასახელებულ ორი სახის ჰიპოთეზას, ჩვეულებრივ, შემდეგნაირად წერენ ხოლმე:</p>
<ul>
<li>H0: ნულოვანი ჰიპოთეზა;</li>
<li>H1: ალტერნატიული ჰიპოთეზა.</li>
</ul>
<p> ზოგჯერ ალტერნატიულ ჰიპოთეზას HA-ითაც აღნიშნავენ. ასე მაგალითად, მკვლევარს შეიძლება ასეთი ნულოვანი და ალტერნატიული ჰიპოთეზები ჰქონდეს:</p>
<ul>
<li>H0: საკონტროლო და ექსპერიმენტული ჯგუფები არ განსხვავდებიან ერთმანეთისგან მათემატიკის პოსტ-ტესტში მიღებული შედეგების მიხედვით;</li>
<li>ან არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ქალებისა და მამაკაცების ინგლისური ენის გამოცდის შეფასებებს შორის;</li>
<li>ან არ არსებობს სტატისტიკურად მნიშვნელოვანი კორელაცია მასწავლებლის მიერ გაწეულ დახმარებასა და საგნისთვის მინიჭებულ მნიშვნელობას შორის;</li>
<li>H1: საკონტროლო და ექსპერიმენტული ჯგუფები სტატისტიკურად მნიშვნელოვნად განსხვავდებიან ერთმანეთისგან მათემატიკის პოსტტესტში მიღებული შედეგების მიხედვით;</li>
<li>ან არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ქალებისა და მამაკაცების მიერ ინგლისური ენის გამოცდაზე მიღებულ შეფასებებს შორის;</li>
<li>ან არსებობს სტატისტიკურად მნიშვნელოვანი დადებითი კორელაცია მათემატიკისა და მეცნიერების ტესტებში მიღებულ ქულებს შორის.</li>
</ul>
<p> ნულოვანი ჰიპოთეზა უფრო ძლიერი ჰიპოთეზაა და უფრო მყარ მტკიცებულებას საჭიროებს იმისათვის, რომ ის არ იქნას მხარდაჭერილი. ალტერნატიული ჰიპოთეზა, უკან დახევის პოზიციაა, რომელსაც მაშინ იღებს მკვლევარი, როდესაც პირველ, ნულოვან ჰიპოთეზა არ მტკიცდება. ალტერნატიული ჰიპოთეზა ნულოვანის ლოგიკურად საწინაარმდეგო დებულებაა. მკვლევარმა ნულოვანი ჰიპოთეზით უნდა დაიწყოს და მხოლოდ მაშინ გადაერთოს ალტერნატიულ ჰიპოთეზაზე, როდესაც ნულოვანის მხარდაჭერა შეუძლებელი ხდება.</p>
<p> სტატისტიკური მნიშვნელოვნობის ცნების უკეთ გასაგებად კორელაციური კვლევიდან ავიღოთ მაგალითი. კორელაცია საშუალებას აძლევს მკვლევარს, გაარკვიოს, არსებობს თუ არა ორ ცვლადს შორის კავშირი და თუ არსებობს, რამდენად ძლიერია ის (ამ საკითხს უფრო სრულად ოდნავ მოგვიანებით განვიხილავთ). დავუშვათ, ბევრ ადამიანს დავაკვირდით და ვნახეთ, რომ დიდი ხელების მქონე ადამიანებს ფეხებიც დიდი ჰქონდათ, პატარა ხელების მქონეთ კი - პატარა ფეხები (იხ. Morrison 1993: 136 – 40). გადავწყვეტთ, კვლევის ჩატარებას იმის გამოსაკვლევად, არსებობს თუ არა რაიმე კავშირი ფეხის ზომასა და ხელის ზომას შორის, თუ ეს კავშირი მხოლოდ შემთხვევითია. 100 ადამიანს ვუზომავთ ხელებსა და ფეხებს და ვნახულობთ, რომ 100-დან 99 შემთხვევაში დიდი ფეხების მქონე ადამიანებს, ხელებიც დიდი ჰქონდათ. დარწმუნებულები, რომ მნიშვნელოვანი მიმართება აღმოვაჩინეთ, იგივენაირ გაზომვებს 1,000 ადამიანზე ვატარებთ და ვნახულობთ, რომ 1,000 შემთხვევიდან 999-ში ეს მიმართება დასტურდებოდა. როგორც ჩანს, ეს შემთხვევითობასა და უბრალო დამთხვევაზე მეტია. როგოც ჩანს, შეგვიძლია დაწრმუნებით ვთქვათ, რომ თუ ადამიანს დიდი ხელები აქვს, მაშინ მას ფეხებიც დიდი ექნება. საიდან ვიცით, როდის შეგვიძლია ამის მტკიცება? როდის ვიცით, რომ შეგვიძლია, დარწმუნებულნი ვიყოთ ამ წინასწარმეტყველებაში?</p>
<p> სტატისტიკური მიზნებისთვის, თუ ვნახავთ, რომ ეს მიმართება სახეზეა 100- დან 95 შემთხვევაში, ანუ, შემთხვევითობით განსხვავების მხოლოდ 5 პროცენტი აიხსნება, მაშინ გარკვეული ხარისხის დარწმუნებით შეგვიძლია ვთქვათ, რომ ორ ცვლადს შორის, ამ შემთხვევაში ხელისა და ფეხის ზომას შორის, მჭიდრო კავშირი უნდა იყოს. ხელისა და ფეხის ზომის თანხვედრა ყოველი 100 ადამიანიდან მხოლოდ ხუთთან იქნება შემთხვევითი და ამას მნიშვნელოვნობის 0.05 დონე ეწოდება. თუ ვნახავთ, რომ ეს მიმართება ყოველ 100 შემთხვევაში 99- ჯერაა სახეზე (როგორც ხელისა და ფეხის ზომის მაგალითში), ანუ, შემთხვევითობა მხოლოდ განსხვავების 1 პროცენტს ხსნის, კიდევ უფრო მეტი დარწმუნებით შეგვიძლია ვთქვათ, რომ ორ ცვლადს შორის ძალიან მჭიდრო კავშირი უნდა იყოს. ყოველ ას შემთხვევაში, ის მხოლოდ ერთხელ იქნება შემთხვევითი და ეს გაფორმდება, როგორც მნიშვნელოვნობის 0.01 დონე. თუ ვნახავთ, რომ ყოველი 1,000 შემთხვევიდან 999-ჯერ გვაქვს ასეთი მიმართება (როგორც ხელებისა და ფეხების ზომის მაგალითში), ანუ, შემთხვევითობით მხოლოდ განსხვავების 0.1 პროცენტი აიხსნება, მაშინ კიდევ უფრო მეტი დარწმუნებით შეგვიძლია ვთქვათ, რომ ორ ცვლადს შორის ძალიან ძლიერი კავშირია. ყოველ 1,000 შემთხვევაში ის მხოლოდ ერთხელ იქნება შემთხვევითი და ეს გაფორმდება, როგორც მნიშვნელოვნობის 0.001 დონე.</p>
<p> ჩვენ ნულოვანი ჰიპოთეზით ვიწყებთ, რომელიც ამტკიცებს, რომ არ არსებობს კავშირი ხელისა და ფეხის ზომას შორის. ჩვენი ამოცანაა ნულოვანი ჰიპოთეზა არ იყოს მხარდაჭერილი. თუ შევძლებთ, ვაჩვენოთ, რომ ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი პოპულაციის 95, 99 ან 99.9 პროცენტში, მაშინ ნათელი გახდება, რომ ხელისა და ფეხის ზომას შორის სტატისტიკურად მნიშვნელოვანი მიმართება არსებობს მნიშვნელოვნობის, შესაბამისად, 0.05, 0.01 ან 0.001 დონეზე. მნიშვნელოვნობის ეს სამი დონე - 0.05, 0.01 და 0.001 - ის დონეებია, რომელსაც ხშირად იღებენ მკვლევრები შედეგების სტატისტიკური მნიშვნელოვნობის საჩვენებლად. როგორც წესი, კვლევებში პირველი ორი დონე გამოიყენება ხოლმე. მკვლევარი იტყოდა, რომ ნულოვანი ჰიპოთეზა (ორ ცვლადს შორის არ არსებობს სტატისტიკურად მნიშვნელოვანი კავშირი) არ იქნა მხარდაჭერილი მნიშვნელოვნობის (პ) 0.05, 0.01 ან 0.001 დონეზე. აქვე მივუთითებთ, რომ გამოვიყენეთ ტერმინი „სტატისტიკურად მნიშვნელოვანი“ და არა - უბრალოდ „მნიშვნელოვანი“. უცილებელია, რომ ეს ტერმინი სწორედ ასეთი ფორმით გამოვიყენოთ.</p>
<p> მოდით, მეორე მაგალითი ავიღოთ. ვთქვათ, ხელისა და ფეხის გასაზომად შევქმენით 1-დან 8-მდე სკალა, რომლის გამოყენებითაც რვა ადამიანს გავუზომეთ ხელები და ფეხები და ასეთი შედეგები მივიღეთ:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213121?profile=original" class="align-center"/></p>
<p> მიღებული შედეგების მიხედვით, შეგვიძლია ვთქვათ, რომ ხელისა და ფეხის ზომას შორის იდეალური კორელაციაა: ყველას, დაწყებული პირველი ინდივიდიდან რომელსაც ორივე კიდურის ზომა 1 აქვს და მერვე ინდივიდით დასრულებული, რომელსაც ხელებიც და ფეხებიც 8 ზომის აქვს. ეს იდეალური დადებითი კორელაციაა (ერთი ცვლადის, მაგალითად, ხელის ზომის, ზრდას თან ახლავს მეორე ცვლადის, ფეხის ზომის, ზრდაც და თუ ერთი ცვლადი იკლებს, იკლებს მეორეც). მათემატიკური ფორმულის გამოყენებით სპირმენის კორელაციის კოეფიციენტი შეგვიძლია გამოვთვალოთ (SPSS-ში ავტომატურად გამოითვლება):</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212999?profile=original" class="align-center"/></p>
<p> სადაც, d = ქულების განსხვავებას თითოეულ წყვილში, Σ = ჯამს, N = ცდის პირთა რაოდენობას. ამ იდეალური კორელაციის გამოთვლა კავშირის ინდექსს/კოეფიციენტს გვაძლევს, რომელიც +1.00-ის ტოლია.</p>
<p> დავუშვათ, ამჯერად სხვა რვა ადამიანზე ჩავატარეთ იგივე კვლევა და ასეთი შედეგები მივიღეთ:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213215?profile=original" class="align-center"/></p>
<p> ამჯერად, ხელის 1 ზომის მქონე ინდივიდს ფეხი 8 ზომა აქვს, ხოლო 8 ზომის ხელის მქონე ინდივიდს - 1 ზომა ფეხი. ეს იდეალური უარყოფითი კორელაციაა (ერთი ცვლადის ზრდას, მაგალითად, ხელის ზომის, თან ახლავს მეორე ცვლადის, ფეხის ზომის კლება და ერთი ცვლადის კლებასთან ერთად მეორე იზრდება). იგივე მათემატიკური ფორმულის გამოყენებით გამოვთვლით ამ იდეალურ უარყოფით კორელაციას და მივიღებთ კავშირის ინდექსს/კოეფიციენტს, რომელიც ამჯერად, - 1.00-ის ტოლი იქნება.</p>
<p> ცხადია, ასეთი იდეალური დადებითი ან უარყოფითი კორელაციის პოვნა ძალიან იშვიათად არის შესაძლებელი. საქმე ისაა, რომ კორელაციების კვლევისას მივიღებთ კორელაციის კოეფიციენტებს, რომლებიც დაახლოებით - 1.00-სა და +1.00-ს შორის იქნება მოთავსებული. როგორ მივხვდებით, რომ მიღებული კორელაციის კოეფიციენტი სტატისტიკურად მნიშვნელოვანია?</p>
<p> ვთქვათ, მესამეჯერაც შევარჩიეთ სხვა რვა ადამიანი და ხელებისა და ფეხების იგივე გაზომვები ჩავატარეთ. გაზომვის შედეგები სათითაოდ შევიტანეთ ცხრილში (A ცდის პირიდან H ცდის პირამდე) - დავაფიქსირეთ თითოეულის ფეხისა და ხელის ზომა. ამჯერად, მათ შორის მიმართება არც ისე ნათელია, ვინაიდან რანგული რიგი უფრო არაერთგვაროვანი და შერეულია. მაგალითად, A ცდის პირს აქვს 2 ზომა ხელი და 1 ზომა ფეხი, ხოლო B ცდის პირს - 1 ზომა ხელი და 2 ზომა ფეხი და ა. შ.:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213182?profile=original" class="align-center"/></p>
<p> კორელაციის გამოსათვლელი ფორმულის გამოყენებით ვნახავთ, რომ ამ რვა ადამიანისთვის კორელაციის კოეფიციენტი 0.7957-ია. არის თუ არა ეს სტატისტიკურად მნიშვნელოვანი? მნიშვნელოვნობის ცხრილში (ცხრილები 2 და 3 სტატისტიკური ცხრილების დამატებაში) ვადგენთ რამდენად მნიშვნელოვანია სტატისტიკურად კოეფიციენტი მოცემული კონკრეტული რაოდენობის შემთხვევებისთვის, მაგალითად:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213423?profile=original" class="align-center"/></p>
<p> ცხრილში ვხედავთ, რომ რვა შემთხვევისთვის კორელაციის კოეფიციენტი 0.78 ან მეტი უნდა იყოს, რომ 0.05 მნიშვნელოვნობის დონეზე სტატისტიკურად მნიშვნელოვნად ჩაითვალოს, ხოლო 0.01 დონეზე მნიშვნელოვნად მისაჩნევად, ის 0.875-ის ტოლი ან მეტი უნდა იყოს. ვინაიდან მესამე ჯგუფში მიღებული კორელაციის კოეფიციენტი 0.7857-ის ტოლია, ის უფრო მაღალია, ვიდრე მნიშვნელოვნობის 0.05 დონის მისაღწევად საჭირო სიდიდე, მაგრამ უფრო ნაკლები, ვიდრე 0.01 დონისთვისაა (0.875) საჭირო. ამიტომ შეგვიძლია ვამტკიცოთ, რომ ხელისა და ფეხის ზომას შორის დადგენილი კავშირი არ უჭერს მხარს ნულოვან ჰიპოთეზას სტატისტიკური მნიშვნელოვნობის 0.05 დონეზე.</p>
<p> ხელისა და ფეხის ზომის ზემოთ განხილული პირველი მაგალითი ძალიან ნათელია, რადგან შერჩევაში 100 ადამიანია. თუ 100-ზე მეტი ან ნაკლები ადამიანი გვეყოლება, საიდან გავიგებთ, ორ ცვლადს შორის კავშირი სტატისტიკურად მნიშვნელოვანია თუ არა? ვთქვათ, 30 ინდივიდის მონაცემი გვაქვს. ამ შემთხვევაში, ვინაიდან შერჩევის მოცულობა მცირეა, შეიძლება შევყოყმანდეთ იმის მტკიცებისას, რომ ხელებისა და ფეხების ზომებს შორის ძლიერი კავშირი არსებობს, თუ კიდურების ზომების თანხვედრას 27 შემთხვევაში აღმოვაჩენთ (ანუ, შერჩევის 90 პროცენტში). ახლა დავუშვათ, რომ 1,000 ადამიანისგან შემდგარი შერჩევა გვქვს და კიდურების ზომების თანხვედრა 700 შემთხვევაში გვაქვს. მიუხედავად იმისა, რომ აქ შერჩევის მხოლოდ 70 პროცენტში აღინიშნება ხელისა და ფეხის ზომის კავშირი, შერჩევის დიდი მოცულობის გამო, შეგვიძლია უფრო დარწმუნებულნი ვიყოთ მონაცემებში, ვიდრე - მცირე მოცულობის შერჩევისას.</p>
<p> სტატისტიკური მნიშვნელოვნობა შერჩევის მოცულობის მიხედვით იცვლება (როგორც სტატისტიკური მნიშვნელოვნობის ზემოთ მოცემული ცხრილიდანად შეგვიძლია დავინახოთ). მნიშვნელოვნობის დონის განსასაზღვრად ორი სიდიდე გვჭირდება: შერჩევის მოცულობა და, კორელაციური კვლევის შემთხვევაში, კორელაციის კოეფიციენტი, ხოლო სხვა სახის კვლევაში - სათანადო კოეფიციენტები ან მონაცემები (სხვადასხვაგვარი ასეთი მონაცემი არსებობს, გააჩნია გამოყენებულ კრიტერიუმს). მნიშვნელოვნობის ზემოთ მოცემული ცხრილი გვიჩვენებს, რომ კორელაციის კოეფიციენტი შეიძლება შემცირდეს, მაგრამ მაინც მნიშვნელოვანი დარჩეს, რადგან შერჩევის მოცულობა იზრდება. (ეს შერჩევის კრეიჩისა და მორგანისეულ (Krejcie and Morgan 1970) პრინციპს ეხმიანება, რომელიც მეოთხე თავში განვიხილეთ, კერძოდ, პოპულაციის მოცულობის ზრდასთან ერთად შერჩევის შემთხვევითობის წილი მცირდება.) ეს სტატისტიკური მნიშვნელოვნობის კრიტიკოსებისთვის საკამათო საკითხია, რომლებიც ამტკიცებენ, რომ თითქმის შეუძლებელია სტატისტიკური მნიშვნელოვნების ვერ აღმოჩენა დიდ შერჩევებში, რადგან კოეფიციენტი შეიძლება ძალიან დაბალი იყოს და მაინც მნიშვნელოვნად ითვლებოდეს.</p>
<p> ცხრილიდან სტატისტიკური მნიშვნელოვნობის დასადგენად საჭიროა მოცემული მნიშვნელოვნობის დონის შერჩევის მოცულობის მიხედვით ნახვა, ან კომპიუტერული პროგრამით მონაცემების დამუშავება სათანადო სტატისტიკური სიდიდის მისაღებად. ხელსა და ფეხის ზომის შესახებ მესამე მაგალითის განხილვისას წარმოდგენილი მნიშვნელოვნობის ცხრილის პირველი სვეტი შერჩევაში ადამიანების რაოდენობას გვიჩვენებს, დანარჩენი ორი სვეტი კი - მნიშვნელოვნობას ორ დონეზე. ამგვარად, თუ შერჩევაში 30 ადამიანი გვყავს, მაშინ კორელაციის კოეფიციენტი 0.36-ის ტოლი მაინც უნდა იყოს, რომ კავშირი სტატისტიკურად მნიშვნელოვნად ჩაითვალოს მნიშვნელოვნობის 0.05 დონეზე, ხოლო თუ ჩვენი შერჩევა მხოლოდ 10 ადამიანისგან შედგება, იმავე 0.05 დონეზე სტატისტიკურად მნიშვნელოვანი კავშირის მისაღებად 0.65-ის ტოლი კორელაციის კოეფიციენტი გვჭირდება. კომპიუტერული სტატისტიკური პროგრამების უმეტესობა (მაგალითად, SPSS) ავტომატურად ითვლის სტატისტიკური მნიშვნელოვნობის დონეს. SPSS, მაგალითად, ავტომატურად აღნიშნავს ვარსკვლავით თითოეულ შემთხვევას, რომელიც მნიშვნელოვანია 0.05 და 0.01 ან უფრო მცირე დონეზე. კორელაციურ ანალიზს უფრო დაწვრილებით მოგვიანებით განვიხილავთ.</p>
<h2 align="center" style="font-size: 20px; color: black;">ჰიპოთეზის შემოწმება</h2>
<p> კორელაციური ანალიზის ზემოთ მოცემული მაგალითი ჰიპოთეზის შემოწმების უფრო ფართო საკითხის ილუსტრაციას წარმოადგენს. ჰიპოთეზის შემოწმება ოთხ ეტაპს მოიცავს:</p>
<p><em><strong>I ეტაპი</strong></em></p>
<p> როგორც ზემოთ უკვე ვთქვით, რაოდენობრივი კვლევა ნულოვანი ჰიპოთეზით იწყება, მაგალითად:</p>
<ul>
<li>ნიშანთა შეუღლების ცხრილში მონაცემთა განაწილება არ არის სტატისტიკურად მნიშვნელოვანი;</li>
<li>არ არსებობს სტატისტიკურად მნიშვნელოვანი კორელაცია ორ ფაქტორს შორის;</li>
<li>ორი ჯგუფის საშუალო სტატისტიკურად მნიშვნელოვნად არ განსხვავდება ერთმანეთისგან;</li>
<li>სტატისტიკურად მნიშვნელოვნად არ განსხვავდება ერთმანეთისგან ჯგუფის მიერ პრე-ტესტსა და პოსტ-ტესტში მიღებული ქულების საშუალოები;</li>
<li>სამი ან მეტი ჯგუფის საშუალო სტატისტიკურად მნიშვნელოვნად არ განსხვავდება ერთმანეთისგან;</li>
<li>არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება ორ ქვეშერჩევას შორის;</li>
<li>არ არსებობს სტატისტიკურად მნიშვნელოვანი განსხვავება სამ ან მეტ ქვეშერჩევას შორის;</li>
<li>არ არსებობს X დამოუკიდებელი ცვლადის მიხედვით Y დამოკიდებული ცვლადის შესახებ მნიშვნელოვანი წინასწარმეტყველების შესაძლებლობა;</li>
<li>არ არსებობს X, Y, Z და ა. შ. დამოუკიდებელი ცვლადის მიხედვით A დამოკიდებული ცვლადის შესახებ მნიშვნელოვანი წინასწარმეტყველების შესაძლებლობა.</li>
</ul>
<p> მკვლევრის ამოცანაა, მხარი დაუჭიროს ან არ დაუჭიროს ნულოვან ჰიპოთეზას.</p>
<p><em><strong>II ეტაპი</strong></em></p>
<p> ნულოვანი ჰიპოთეზის ჩამოყალიბების შემდეგ მკვლევარი მნიშვნელოვნობის დონეს (α) ადგენს, რომელსაც ამ ჰიპოთეზის მხარდაჭერის ან მხარის არ დაჭერისთვის გამოიყენებს. ესაა ალფას (α) დონე. ალფას დონეს მკვლევარი განსაზღვრავს. ჩვეულებისამებრ, ეს 0.05-ია, ანუ შემთხვევების 95 პროცენტში ნულოვანი ჰიპოთეზა არ არის მხარდაჭერილი. წერილობითი სახით გაფორმებისას ვიტყვით: „დავუშვათ, α = 0.05“. თუ მკვლევარს უფრო მეტი სიმკაცრის შეტანა სურს კვლევაში, მაშინ, ალფას უფრო მაღალ დონეს აიღებს (α = 0.01 ან α = 0.001). ეს იმ რისკის დონეა, რომლითაც მას სურს, რომ მხარი დაუჭიროს ან არ დაუჭიროს ნულოვან ჰიპოთეზას.</p>
<p><em><strong>III ეტაპი</strong></em></p>
<p> ნულოვანი ჰიპოთეზის ჩამოყალიბებისა და მნიშვნელოვნობის დონის განსაზღვრის შემდეგ მკვლევარს უკვე შეუძლია ისე დათვალოს და დაამუშაოს მონაცემები, როგორც მოცემული კვლევის ფორმატს შეესაბამება (მაგალითად, გაზომოს კავშირი, განსხვავება, რეგრესია და წინასწარმეტყველების შესაძლებლობა).</p>
<p><em><strong>IV ეტაპი</strong></em></p>
<p> მონაცემების გაანალიზების შემდეგ მკვლევარს უკვე შეუძლია მხარი დაუჭიროს ან არ დაუჭიროს ნულოვან ჰიპოთეზას და სწორედ ეს უნდა აღინიშნოს მან ანგარიშში.</p>
<p> მნიშვნელოვანია ორი ტიპის ჰიპოთეზის ერთმანეთისგან განსხვავება (Wright 2003: 132): მიზეზ-შედეგობრივისა და დაკავშრებულობის. როგორც თავად დასახელებიდან ჩანს, მიზეზ-შედეგობრივი ჰიპოთეზა ვარაუდობს, რომ X სტიმული გამოიწვევს Y შედეგს, როგორც ეს, მაგალითად, ექსპერიმენტულ დიზაინში ხდება. დაკავშირებულობის ჰიპოთეზა აღწერს, თუ როგორც შეიძლება უკავშირდებოდეს ერთი ცვლადი მეორეს და არ არის აუცილებელი, რომ ეს მიზეზ-შედეგობრივი კავშირი იყოს (მაგალითად, როგორც ეს კორელაციურ ანალიზშია).</p>
<p> სიფრთხილე გვმართებს იმასთან დაკავშირებით, რომ დაკავშირებულობის ჰიპოთეზა (მაგალითად, სქესი) მიზეზ-შედეგობრივად არ მივიჩნიოთ, ვინაიდან სქესს, შესაძლოა, რეალურად არ ჰქონდეს მიზეზ-შედეგობრივი ეფექტი.</p>
<p> ჰიპოთეზის შემოწმებისას უნდა ვერიდოთ I და II გვარის შეცდომების დაშვებას. I გვარის შეცდომა მაშინ ხდება, როდესაც მხარს არ ვუჭერთ ნულოვან ჰიპოთეზას, როდესაც ის სინამდვილეში ჭეშმარიტია. ეს განსაკუთრებით პრობლემურია, როდესაც შერჩევის მოცულობის ზრდასთან ერთად მნიშვნელოვანი კავშირის დადგენის შესაძლებლობაც იზრდება, განურჩევლად იმისა, ეს კავშირი მართლა არსებობს თუ არა (ღოსე and შულლივან 1993: 168); ამიტომ, მკვლევარს ალფასთვის (α) უფრო მაღალი ზღვრი (მაგალითად, 0.01 ან 0.001) დაწესება სჭირდება. II გვარის შეცდომა მაშინ ხდება, როდესაც მხარს ვუჭერთ ნულოვან ჰიპოთეზას და ის სინამდვილეში არ არის ჭეშმარიტი (ეს ხშირად ხდება, როდესაც ძალიან მკაცრი მნიშვნელოვნობის დონეებია დაწესებული, ესე იგი, საჭიროა, რომ მკვლევარმა დაწიოს ალფას (α) დონე (მაგალითად, 0.1 ან 0.2)). I და II გვარის შეცდომები წარმოდგენილია ჩანართში 24. 15</p>
<p>--------------------------<br/> <strong>ჩანართი 24.15</strong><br/> <strong>I და II გვარის შეცდომები</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213509?profile=original"/><br/> --------------------------</p>
<h2 align="center" style="font-size: 20px; color: black;">ეფექტის ზომა</h2>
<p> სტატისტიკური მნიშვნელოვნობის გამოყენებისას სიფრთხილეა საჭირო. სტატისტიკური მნიშვნელოვნობა არ არის იგივე, რაც საგანმანათლებლო მნიშვნელოვნობა. მაგალითად, შეიძლება სტატისტიკურად მნიშვნელოვანი კორელაცია აღმოვაჩინოთ მათემატიკის მეცადინეობისთვის დათმობილ დროსა და ტელევიზორის ყურებისთვის დახარჯულ დროს შორის, მაგრამ ეს შეიძლება სულაც არ იყოს ღირებული. ანალოგიურად, შეიძლება დავადგინოთ, რომ ქალები და კაცები სტატისტიკურად მნიშვნელოვნად არ განსხვავდებიან ერთმანეთისგან იმით, თუ რამდენად მოსწონთ ან არ მოსწონთ მათ ფიზიკა, თუმცა უფრო დეტალურმა განხილვამ, შესაძლოა, აჩვენოს, რომ, ვთქვათ, უფრო მეტ მამაკაცს მოსწონს ფიზიკა, ვიდრე - ქალს, მაგრამ ეს განსხვავება ვერ აღწევს მნიშვნელოვნობის 0.05 დონეს. შესაძლოა ეს 0.065 იყოს. ამ შემთხვევაში, თქმა იმისა, რომ განსხვავება არ არსებობს, ანუ, ნულოვანი ჰიპოთეზის მხარდაჭერა, არარეკომენდებულია. აქ ორი საკითხი დგება: პირველი, მნიშვნელოვნობის დონის ზღვარი, მართალია, მაღალია, მაგრამ თვითნებურადაა აღებული; მეორე, უყურადღებოდ არ უნდა დავტოვოთ კოეფიციენტები, რომლებიც დადგენილი ზღვრის ქვემოთ ხვდება. ეს პრობლემა ეფექტის ზომის, როგორც მნიშვნელოვნობის დონეების ალტერნატივის, განხილვისკენ გვიბიძგებს.</p>
<p> ვინაიდან სტატისტიკური მნიშვნელოვნება, შერჩევის მოცულობასა და კოეფიციენტზეა (მაგალითად, კორელაციის კოეფიციენტზე) დამოკიდებული, მიიჩნევენ, რომ ის, როგორც ასეთი, ეფექტის ინდექსად არ გამოდგება (Thompson 1994; 1996; 1998; 2001; 2002; Fitz-Gibbon 1997: 43; Rozenboom 1997: 335; Thompson and Snyder 1997; Wilkinson and The Task Force on Statistical Inference, APA Board of Sciencific Affairs 1999; Olejnik and Algina 2000; Capraro and Capraro 2002; Wright 2003; Kline 2004), სტატისტიკური მნიშვნელოვნობის მიღწევა შესაძლებელია ან მცირე მოცულობის შერჩევისთვის მაღალი კოეფიციენტის, ან დიდი მოცულობის შერჩევისთვის დაბალი კოეფიციენტის ქონის პირობებში. აქ პრობლემა ისაა, რომ ვერ გავარკვევთ, თუ რა შედეგი ექნება კვლევას, რომელიც სტატისტიკურ მნიშვნელოვნობას იყენებს (Coe 2000: 9). მთავარია შევძლოთ იმის თქმა, თუ რა იძლევა ასეთ განსხვავებას შერჩევის მოცულობა თუ კოეფიციენტი. ამის საშუალებას ეფექტის ზომა გვაძლევს.</p>
<p> სტატისტიკური მნიშვნელოვნობა საჭიროა ჩავანაცლოთ ეფექტის ზომის შესახებ ინფორმაციით, ან ეს უკანასკნელი მასთან ერთად გამოვიყენოთ (American Psychological Association 1994: 18; 2001; Wilkinson and The Task Force on Statistical Inference, APA Board of Schiencific Affairs 1999; Kline 2004). ფაქტობრივად, ეფექტის ზომას უფრო მნიშვნელოვნად მიიჩნევენ, ვიდრე მნიშვნელოვნებას და ბევრ საერთაშორისო სამეცნიერო ჟურნალში ან სტატისტიკური მნიშვნელოვნობის ნაცვლად ეფექტის ზომას მოიხსენიებენ, ან მოითხოვენ, რომ მნიშვნელოვნობის დონის მაჩვენებელს ეფექტის ზომის ინდექსიც ახლდეს თან (Olejnik and Algina 2000; Capraro and Capraro 2002; Thompson 2002). სტატისტიკური მნიშვნელოვნობის ზღვარს თვითნებურად, შემთხვევით დაწესებულ და უსარგებლო ზღვრად მიიჩნევენ - „მეცნიერული მეთოდის დამახინჯებული/გაფუჭებული ფორმა“ (ჩარვერ 1978), განათლების სფეროში ჩატარებული კვლევისთვის დამაბრკოლებელია და არა - ხელმშემწყობი. ის უკრიტიკო ერთგულებისკენ გვიბიძგებს და არა - ეფექტის ზომის დახვეწილი, სენსიტური და სასარგებლო ცნების გამოკვლევისკენ (იხ. Fitz-Gibbon 1997: 118). მართლაცდა, საღმა აზრმა უნდა უკარნახოს მკვლევარს, რომ ეფექტის ზომის დიფერენციალური საზომი უფრო გამოსადეგია, ვიდრე სტატისტიკური მნიშვნელოვნობა.</p>
<p> ეფექტის ზომა არის:</p>
<p> <em>ორ ჯგუფს შორის განსხვავების რაოდენობრივად გამოსახვის საშუალება. მაგალითად, თუ ორი ჯგუფიდან ერთი „ექსპერიმენტულ პირობებში“ იმყოფებოდა, ხოლო მეორე - არა („საკონტროლო„), მაშინ ეფექტის ზომა ამ პირობების ეფექტურობის საზომი იქნება.</em><br/> <em>(Coe 2000: 1)</em></p>
<p> ის მკითხველს ეუბნება, თუ „რამდენად დიდია ეფექტი, ანუ, იმას, რასაც არ ამბობს პ-ს [სტატისტიკური მნიშვნელოვნობის] მნიშვნელობა“ (Wright 2003: 125). ეფექტის ზომა (Thompson 2002: 25) „შერჩევის შედეგების ნულოვანი ჰიპოთეზისგან გადახრის ხარისხს გვიჩვენებს“. ის სტანდარტული გადახრების გამოყენებით გამოითვლება.</p>
<p> ვუდის (1995: 393) მიხედვით, ეფექტის ზომის გამოთვლა მნიშვნელოვნობის დონის შერჩევის მოცულობაზე გაყოფით არის შესაძლებელი. გლასი და მისი კოლეგები (1981: 29, 102) ეფექტის ზომას შემდეგნაირად ითვლიან:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213674?profile=original" class="align-center"/></p>
<p> რომელი ჯგუფის სტანდარტული გადახრა უნდა იყოს მოცემული წილადის მნიშვნელში – საკონტროლოსი თუ ექსპერიმენტულის, განსჯის საგანს წარმოადგენს. თუმცა, ქოს (Coe 2000: 7) მიაჩნია, რომ საკონტროლო ჯგუფის სტანდარტული გადახრის გამოყენება სჯობს, რადგან ის „სტანდარტული გადახრის საუკეთესო შეფასებაა, ვინაიდან პოპულაციის იმ რეპრეზენტაციული ჯგუფისგან შედგება, რომელსაც ექსპერიმენტული ზემოქმედება არ განუცდია“. თუმცა, იგი (2000) იმასაც ამბობს, რომ, ალბათ, კიდევ უკეთესია სტანდარტული გადახრის „გაერთიანებული“ შეფასების გამოყენება, რადგან ის უფრო ზუსტია, ვიდრე მხოლოდ საკონტროლო ჯგუფის სტანდარტული გადახრა. გაერთიანებული სტანდარტული გადახრის გამოსათვლელად ის შემდეგი სახის ფორმულას გვთავაზობს:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213815?profile=original" class="align-center"/></p>
<p> სადაც, NE = ექსპერიმენტული ჯგუფის წევრების რაოდენობას, NC = საკონტროლო ჯგუფის წევრების რაოდენობას, SDE = ექსპერიმენტული ჯგუფის სტანდარტულ გადახრას, SDC = საკონტორლო ჯგუფის სტანდარტულ გადახრას.</p>
<p> შესაბამისად, გაერთიანებული სტანდარტული გადახრის გამოყენებით ეფექტის ზომის ფორმულა ასეთი იქნება (Muijs 2004: 136):</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213729?profile=original" class="align-center"/></p>
<p> სადაც, გაერთიანებული სტანდარტული გადახრა = (ერთი ჯგუფის სტანდარტულ გადახრა + მეორე ჯგუფის სტანდარტული გადახრა).</p>
<p> ეფექტის ზომის გამოთვლის რამდენიმე განსხვავებული გზა არსებობს, მაგალითად, (Richardson 1996; Capraro and Capraro, 2002: 771): R2, დადგენილი R2 , η 2 , ω 2 , კრამერის V, კენდელის W, კოჰენის d და ეტა. სხვადასხვა სტატისტიკური მიდგომები ეფექტის ზომის სხვადასხვა/განსხვავებულ გამოთვლას იყენებენ. მაგალითად, მუიჯსის (Muijs 2004) შემოთავაზებული ფორმულა გვაძლევს სტატისტიკურ სიდიდეს, რომესაც კოჰენის d ეწოდება.</p>
<p> ეფექტის ზომის მნიშვნელობა 0-სა და 1-ს შორის თავსდება (ზოგი ფორმულა 1-ზე მეტ ეფექტის ზომას გვაძლევს, იხ. Coe 2000). კოჰენის დ-ს გამოყენების შემთხვევაში:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213955?profile=original"/></p>
<p> კორელაციურ მონაცემებში ეფექტის ზომად კორელაციის კოეფიციენტი გამოიყენება კავშირის მიმართულების შესახებ ინფორმაციასთან ერთად (ანუ, დადებითია კორელაცია თუ უარყოფითი). კორელაციის კოეფიციენტის (ეფექტის ზომის) ინტერპრეტაცია ასეთია:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213898?profile=original"/></p>
<p> კორელაციის კოეფიციენტების ინტერპრეტაციას უფრო დეტალურად ამ თავში მოგვიანებით შემოგთავაზებთ. თომპსონი (2001; 2002) დამაჯერებლად ამტკიცებს, რომ ეფექტის ზომის ტრივიალური ინტერპრეტაციები, როგორიცაა „მცირე“, „საშუალო“ და „დიდი“, ისეთივე წინდაუხედავი ფიქსირებული საზომებია, როგორიც სტატისტიკური მნიშვნელოვნობის შემთხვევაში გვქონდა. იგი წერს, რომ „თუ ადამიანები ეფექტის ზომის ინტერპრეტაციას ისე ხისტად მოახდენენ, როგორც სტატისტიკური შემოწმებისას α = 0.05 გამოიყენებოდა, მაშინ უბრალოდ ბრიყვები ვიქნებით, მხოლოდ სხვა საზომით ხელში“ (Thompson 2001: 82 – 3). ის, ასევე, ამტკიცებს, რომ მნიშვნელოვანია ვერიდოთ ფიქსირებული ნიშნულების გამოყენებას (ანუ, ზღვრების დაწესებას) და ეფექტის ზომა ადრეულ კვლევებში აღმოჩენილ, ნდობის ინტერვალებთან და სიმძლავრის ანალიზთან კავშირში განვიხილოთ. ვრაიტი (2003: 125) ეფექტის ზომის საზომის ერთეულების (units) მითითებასაც მნიშვნელოვნად მიიჩნევს, მაგალითად, საწყისი ცვლადების საზომსა და სტანდარტულ (მაგალითად, სტანდარტული გადახრებით) ერთეულებს. ეს უკანასკნელი მაშინ გამოგვადგება, თუ სხვადასხვა ცვლადი სხვადასხვა სკალაზეა გაზომილი.</p>
<p> ნდობის ინტერვალები მეოთხე თავში განვიხილეთ. ეს არის „პარამეტრის რეალური პოპულაციის მნიშვნელობა“ (Wright 2003: 126), მაგალითად, პოპულაციის 90 პროცენტი, 95 პროცენტი, 99 პროცენტი. ნდობის ინტერვალი გამოითვლება, როგორც 1 - α, ანუ, ალბათობა იმისა, რომ ქულა წინასწარ განსაზღვრულ ქულათა დიაპაზონში მოხვდება (მაგალითად, 95 პროცენტიანი ან 99 პროცენტიანი ალბათობით).</p>
<p> ტესტის სიმძლავრე არის „ტესტის უნარი - ერთმანეთისგან გამიჯნოს ეფექტის ზომა და შემთხვევითი ცვალებადობა“ (Gorard 2001: 14), „შერჩევის კონკრეტული მოცულობის შემთხვევაში კონკრეტული ეფექტის ზომის უარყოფის ალბათობა (ანუ H0-ის უარყოფის კრიტიკული დონე) α-ს მოცემულ დონეზე“ (Wright 2003: 126). ვრაიტი (2003) თვლის, რომ ის მინიმუმ 80 პროცენტი უნდა იყოს და, ჩვეულებრივ, α-ს 5 პროცენტიან დონეზე.</p>
<p> დამოუკიდებელი შერჩევების t კრიტერიუმისთვის ეფექტის ზომის (ეტა კვადრატის) გამოსათვლელად შემდეგი ფორმულა გამოიყენება:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214016?profile=original" class="align-center"/></p>
<p> სადაც, t = t-ს მნიშვნელობას (SPSS-ით გამოთვლილი), N1 = ერთი შერჩევის წევრთა რაოდენობას და N2 = მეორე შერჩევის წევრთა რაოდენობას. განვიხილოთ დებულების შეფასების მაგალითი, რომელშიც ორი ჯგუფი მონაწილეობდა: სკოლის მმართველობის წარმომადგენლებისა და მასწავლებლების (ჩანართები 24. 16 და 24. 17).</p>
<p>--------------------------<br/> <strong>ჩანართი 24.16</strong><br/> <strong>საშუალო და სტანდარტული გადახრა ეფექტის ზომაში</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214048?profile=original"/><br/> --------------------------</p>
<p> აქ t = 1.923, როცა N1 = 347 და N2 = 653. შესაბამისად, ფორმულა ასეთ სახეს მიიღებს:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214077?profile=original" class="align-center"/></p>
<p> კოჰენის (1998) მიხედვით, 0.01 = ძალიან მცირე ეფექტს, 0.06 = ზომიერ ეფექტს და 0.14 = ძალიან დიდ ეფექტს. ამ მაგალითში მიღებული შედეგი 0.003 ოდნავ შესამჩნევი ეფექტია, ანუ, ცვლადის „რამდენად იღებენ მოსწავლეები დახმარებასა და მხარდაჭერას“ დისპერსიის მხოლოდ 0.3 პროცენტი აიხსნება იმით, თუ რომელ ჯგუფს მიეკუთვნება რესპოდენტი - მასწავლებლებს თუ სკოლის მმართველობის წარმომადგენლებს.</p>
<p>--------------------------<br/> <strong>ჩანართი 24.17</strong><br/> <strong>დისპერსიების ტოლობა: ლევენის ტესტი</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214124?profile=original"/><br/> --------------------------</p>
<p> დამოკიდებული შერჩევების (მოგვიანებით განვიხილავთ) t კრიტერიუმისთვის ეფექტის ზომა (ეტა კვადრატი) შემდეგი ფორმულით გამოითვლება:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214268?profile=original" width="231" class="align-center"/></p>
<p> დავუშვათ, მოსწავლეების ერთმა და იგივე ჯგუფმა შეფასების 100-ქულიანი სისტემით მათემატიკასა და საბუნებისმეტყველო მეცნიერებებში გარკვეული ქულები მიიღეს (ჩანართი 24. 18 და 24. 19).</p>
<p> ეფექტის ზომა შემდეგნაირად შეიძლება გამოითვალოს (SPSS-ის გამოყენებით):</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214308?profile=original" width="469" class="align-center"/></p>
<p>--------------------------<br/> <strong>ჩანართი 24.18</strong><br/> <strong>დამოკიდებული შერჩევების საშუალოები და სტანდარტული გადახრები</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214294?profile=original"/><br/> --------------------------</p>
<p> ამ მაგალითში ეფექტის ზომა 0.216-ია, რაც ძალიან დიდი ეფექტია, ესე იგი, ორი ჯგუფის ქულები არსებითად განხვავდება ერთმანეთისგან. დისპერსიული ანალიზისთვის (მოგვიანებით განვიხილავთ) ეფექტის ზომა შემდეგნაირად გამოითვლება</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214322?profile=original" width="383" class="align-center"/></p>
<p>--------------------------<br/> <strong>ჩანართი 24.19</strong><br/> <strong>დამოკიდებული შერჩევების განსხვავების შემოწმება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214478?profile=original"/><br/> --------------------------</p>
<p> SPSS-ში ეს მოცემულია, როგორც „პარციალური ეტა კვადრატი“. მაგალითად, წარმოვიდგინოთ, რომ საჯარო გამოცდაზე მათემატიკაში მიღწეული შედეგების მიხედვით სკოლების ოთხ ჯგუფს შორის განსხვავების ეფექტის ზომის გამოთვლა გვსურს. ეს ჯგუფებია: სოფლის დაწყებითი, სოფლის საშუალო, ქალაქის დაწყებითი და ქალაქის საშუალო სკოლები. დისპერსიული ანალიზის შედეგები წარმოდგენილია ჩანართში 24. 20.</p>
<p>--------------------------<br/> <strong>ჩანართი 24.20</strong><br/> <strong>ეფექტის ზომა დისპერსიულ ანალიზში</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214608?profile=original"/><br/> --------------------------</p>
<p> ამ ფორმულაში რიცხივით მნიშვნელობების შეტანის შემდეგ მივიღებთ:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214545?profile=original" class="align-center"/></p>
<p> რიცხვი 0.021 მცირე ეფექტზე მიგვითითებს, ანუ, ეს ოთხი ჯგუფი მცირედ განსხვავდება ერთმანეთისგან მათემატიკაში მიღწეული შედეგებით (ყურადღება მიაქციეთ, რომ ეს გაცილებით მცირე განსხვავებაა, ვიდრე ამას მნიშვნელოვნობის 0.006 დონე აჩვენებს, რომელიც ოთხ ჯგუფს შორის სტატისტიკურად ძალიან მნიშვნელოვან განსხვავებაზე მეტყველებს).</p>
<p> რეგრესიულ ანალიზში (მოგვიანებით განვიხილავთ) პრედიქტორი ცვლადის ეფექტის ზომა ბეტა კოეფიციენტით გამოისახება. ეფექტის ზომის ინტერპრეტაციისას მუიჯი (2004: 194) შემდეგ ნიშნულებს გვთავაზობს:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214674?profile=original"/></p>
<p> </p>
<p> ჰეჯისი (Hedges 1981) და ჰანტერი და მისი კოლეგები (Hunter et al 1982) ალტერნატიულ ფორმულებს გვთავაზობენ, რათა გათვალისწინებული იყოს შერჩევის მოცულობის ცვალებადობით გამოწვეული განსხვავებული წონები. ყველაზე ხშირად ეფექტის ზომის ორ ინდექსს იყენებენ, ესენია საშუალოთა შორის სტანდარტიზებული სხვაობა და კორელაციები (Hunter ეტ ალ. 1982: 373), თუმცა, არაპარამეტრული სტატისტიკური სიდიდეებიც შეგვიძლია გამოვიყენოთ, მაგალითად, მედიანა. ლიპსი (Lipsey 1992: 93 – 100) ეფექტის ზომების, ეფექტის ზომის საშუალოებისა და ჰომოგენურობის შესამოწმებლად სტატისტიკური კრიტერიუმების ნაკრებს გვთავაზობს.</p>
<p> მუიჯსი (Muijs 2004: 126) მიუთითებს, რომ ეფექტის ზომის საზომი ნიშანთა შეუღლების ცხრილისთვის იქს-კვადრატი კი არ უნდა იყოს, არამედ ფი (phi), რომელიც იქს-კვადრატის გამოთვლილი მნიშვნელობისა და შერჩევის მთლიანი მოცულობის ფარდობიდან კვადრატული ფესვის ტოლია. იგი ასეთ მაგალითს გვთავაზობს: „თუ იქს-კვადრატი = 14.810 და შერჩევის მოცულობა 885-ის ტოლია, მაშინ ფი = 14.810/885 = 0.0167 და შემდეგ, აქედან კვადრატული ფესვი = 0.129“.</p>
<p> ეფექტის ზომა მგრძნობიარეა მთელი რიგი გავლენებისადმი. მათ შორის (Coe 2000):</p>
<ul>
<li><em>შეზღუდული დიაპაზონი</em>: რაც უფრო მცირეა ქულების დიაპაზონი, მით მეტია მაღალი ეფექტის ზომის მიღების შესაძლებლობა, მაშასადამე, ეფექტის ზომის გამოთვლისას მნიშვნელოვანია მთლიანი პოპულაციის (და არა მხოლოდ ერთი ჯგუფის) ანუ გაერთიანებული სტანდარტული გადახრის გამოყენება. აქ მნიშვნელოვანია შერჩევის შესაძლო შეზღუდული დიაპაზონის მითითება (მაგალითად, კარგად განვითარებული უნარების მქონე სტუდენტების ჯგუფი და არა ყველანაირი უნარის ფართო სპექტრი).</li>
<li><em>ნორმალურისგან განსხვავებული განაწილება</em>: ეფექტის ზომა, ჩვეულებისამებრ, ნორმალური განაწილების არსებობას უშვებს, ასე რომ, ნებისმიერი განაწილება, რომელიც ნორმალურისგან განხვავდება, უნდა აღინიშნოს.</li>
<li><em>გაზომვის სანდოობა</em>: გამოყენებული ინსტრუმენტის (მაგალითად, რაც უფრო გრძელია ტესტი, ან რაც უფრო მეტი დებულება ზომავს ერთ ფაქტორს, მით უფრო სანდო შეიძლება იყოს ის) სანდოობა (სიზუსტე, სტაბილობა და სიმყარე).</li>
</ul>
<p> არსებობს პროგრამული პაკეტები, რომელთა ჩამოტვირთვაც შესაძლებელია და რომლითაც შესაძლებელია ეფექტის ზომის გამოთვლა მინიმალური რაოდენობის მონაცემების შეტანით, მაგალითად:</p>
<ul>
<li>გრანტ დევილის (Grant Devilly) Efect Size Generator;</li>
<li>მარლი უოტკინსის (Mrley Watkins) Efect Size Calculator (სხვა სიდიდეებთან ერთად ითვლის კოჰენის დ-სა და ჰეჯის მიუკერძოებელ d-ს).</li>
</ul>
<p> </p>
<p> </p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/raodenobivi" title="რაოდენობრივი მონაცემების ანალიზი"><span style="color: blue;">◄ წინა ნაწილი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/korelacia" title="იქს-კვადრატი, ურთიერთკავშირის გაზომვა, კორელაცია და რეგრესიული ანალიზი"><span style="color: blue;">მომდევნო თავი ►</span></a></div>
</td>
</tr>
</tbody>
</table>
</div> რაოდენობრივი მონაცემების ანალიზიtag:www.qwelly.com,2017-12-14:6506411:Topic:13013542017-12-14T15:19:07.923Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 24</strong><br></br> <em>ნაწილი I</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">შესავალი</h2>
<p> რაოდენობრივი მონაცემების ანალიზის პერსპექტივა ბევრ დამწყებ მკვლევარს აშინებს, რომლებიც არა მარტო თავს არიდებენ სტატისტიკაზე ფიქრს, არამედ ფუნდამენტურად ეწინააღმდეგებიან კიდეც იმას, რასაც ისინი „ბუნების მათემატიზაციას“…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 24</strong><br/> <em>ნაწილი I</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">შესავალი</h2>
<p> რაოდენობრივი მონაცემების ანალიზის პერსპექტივა ბევრ დამწყებ მკვლევარს აშინებს, რომლებიც არა მარტო თავს არიდებენ სტატისტიკაზე ფიქრს, არამედ ფუნდამენტურად ეწინააღმდეგებიან კიდეც იმას, რასაც ისინი „ბუნების მათემატიზაციას“ უწოდებენ (Horkheimer 1972). ზოგი შემოგვედავება, რომ განათლების სფეროში ცნებათა დიდი ნაწილი, რიცხობრივ ანალიზზე უბრალოდ არ დაიყვანება. ისინი ამტკიცებენ, რომ სტატისტიკა დახვეწილი პროცესისა და დაუმუშავებელი ცნების კომბინაციაა.</p>
<p> ჩვენ არცერთ ამ მოსაზრებას არ ვემხრობით. რაოდენობრივი მონაცემების ანალიზი, თვისებრივ ანალიზთან შედარებით, არც მეტად მნიშვნელოვანია და არც ნაკლებად. მისი გამოყენება მთლიანად მიზნისთვის შესატყვისობაზეა დამოკიდებული. რაოდენობრივი ანალიზის მიზანმიმართულად უარყოფა არაფერია, თუ არა იდეოლოგია ან ცრუწრმენა.</p>
<p> რაოდენობრივი მონაცემების ანალიზი კვლევის მძლავრი ფორმაა, რომელიც, ნაწილობრივ, პოზიტივისტური ტრადიციიდან მომდინარეობს. ის ხშირად მსხვილმასშტაბიან კვლევას უკავშირდება, თუმცა მისი გამოყენება უფრო მცირე ზომის კვლევაშიც შეიძლება, რომელიც შემთხვევის შესწავლას, პრაქტიკის კვლევას, კორელაციურ კვლევასა და ექსპერიმენტს მოიცავს. შემდეგ თავებში გაჩვენებთ, თუ როგორ შეიძლება რიცხობრივი მონაცემების გაფორმება და ანალიზისთვის საჭირო ფართოდ გავრცელებული სტატისტიკის გამოყენებასაც გიჩვენებთ.</p>
<p> რიცხობრივი ანალიზი კომპიუტერული პროგრამით შეიძლება განხორციელდეს, მაგალითად, ასეთია „სტატისტიკური პაკეტი სოციალური მეცნიერებებისთვის“ (SPSS, Minitab, Excel). კომპიუტერული პროგრამები გამოთვლებისთვის სტატისტიკურ ფორმულებს იყენებენ. ვითვალისწინებთ რა ამ პროგრამების არსებობას, თავს ვარიდებთ ვრცელი სტატისტიკური ფორმულების გამოყენებას, თუმცა, სადაც სასარგებლოდ მივიჩნევთ, დეტალურ განხილვას შემოგთავაზებთ. ჩვენი უპირველესი მიზანია იმ ცნებების მაქსიმალურად გასაგებად და მარტივად ახსნა, რომლებიც სტატისტიკურ ანალიზს უდევს საფუძვლად. პურისტების უკმაყოფილება რომ არ გამოვიწვიოთ, გავრცელებულ ტექნიკებს დაწვრილებით განვიხილავთ და სადაც საჭირო იქნება, დამხმარე ვებ გვერდებსაც მივუთითებთ. აქ განხილული სტატისტიკური მეთოდები მჭიდროდ უკავშირდება SPSS-ს, სოციალურ მეცნიერებებში ყველაზე ფართოდ გავრცელებულ სტატისტიკურ პაკეტს. ხშირად ხდება, როდესაც ასეთი (როგორც SPSS-ს გამოაქვს მანიპულაციების შედეგები) სახით მოცემული შედეგის განხილვით უფრო მარტივია შესრულებული ოპერაციების გაგება, ვიდრე გრძელი პროზაული ახსნა-განმარტებით.</p>
<p> სტატისტიკური მეთოდების განხილვას ძირითადი ცნებების განსაზღვრით დავიწყებთ (მონაცემების სკალები, პარამეტრული და არაპარამეტრული მონაცემები, აღწერითი და დასკვნითი სტატისტიკა, დამოკიდებული და დამოუკიდებელი ცვლადები). შემდეგ სტატისტიკური მნიშვნელოვნების ცნებას და ბოლოს, ზოგიერთ მარტივ სტატისტიკურ სიდიდეს მიმოვიხილავთ.</p>
<h2 align="center" style="font-size: 20px; color: black;">მონაცემების სკალები</h2>
<p> მონაცემთა ანალიზის დაწყებამდე, საჭიროა გავარკვიოთ, რა ტიპის რიცხვებთან გვაქვს საქმე. ამას სკალების, ანუ, მონაცემების დონეების კარგად ნაცნობ საკითხამდე მივყავართ. ქვემოთ ოთხი სკალა ისეთი თანმიმდევრობით არის განხილული, რომ ყოველი შემდგომი სკალა მის წინ მდგომს მოიცავს.</p>
<p> • <em><strong>სახელდების სკალა</strong></em> უბრალოდ კატეგორიებს აღნიშნავს, ვთქვათ, 1 აღნიშნავს ამა თუ იმ კატეგორიას, 2 - სხვა სახის კატეგორიაზე მიუთითებს და ა. შ., მაგალითად, „1“ შეიძლება მამაკაცებს აღნიშნავდეს, „2“ - ქალებს. კატეგორიები ურთიერთგამომრიცხავია და არანაირი რიცხვითი მნიშვნელობა არ გააჩნიათ. მაგალითად, განვიხილოთ ფეხბურთელების მაისურებზე დაწერილი რიცხვები: ჩვენ ვერ ვიტყვით, რომ მოთამაშე, რომლის მაისურსაც ნომერი 4 აწერია, ორჯერ მეტია რაღაცით, იმ მოთამაშეზე, რომელსაც მაისურზე ნომერი 2 აქვს გამოსახული და არც რაიმეთია იმ მოთამაშის ნახევარი, რომელსაც ნომერი 8-ის მქონე მაისური აცვია. რიცხვი 4 უბრალოდ კატეგორიაზე მიგვითითებს. სინამდვილეში, სახელდების მონაცემებს ხშირად კატეგორიალურ მონაცემებსაც უწოდებენ. მონაცემები დაყოფილია, მაგრამ არ გააჩნიათ რიგი. სახელდების სკალის მონაცემები ისეთ ერთეულებს მოიცავს, როგორიცაა სქესი, ასაკობრივი ჯგუფი (მაგალითად, 30-35, 36-40), სასწავლო საგანი, სკოლის ტიპი, სოციო-ეკონომიკური სტატუსი. სახელდების სკალის მონაცემები წყვეტილ (დისკრეტულ) ცვლადებს, სრულიად განცალკევებულ კატეგორიებს აღნიშნავენ, მაგალითად, ქალები შეადგენენ ნომერ 1 კატეგორიას, მამაკაცები - ნომერ 2 კატეგორიას (ვერ გვექნება 1.25 ან 1.99 მნიშვნელობები). რიცხვი უბრალოდ მოსახერხებელი მოკლე დასახელებაა.</p>
<p> • <em><strong>რიგის სკალა</strong></em> არა მარტო მონაცემების კლასიფიკაციას ახდენს, არამედ რიგის მიხედვითაც ალაგებს მათ. ეს შეიძლება რეიტინგის სკალა იყოს, მაგალითად, სადაც „სრულიად ვეთანხმები“ უფრო ძლიერია, ვიდრე „ვეთანხმები“, ან „ძალიან ხშირად“ უფრო მეტია, ვიდრე „ძალიან იშიათად“. ამ სკალაზე შესაძლებელია მონაცემების რიგის მიხედვით დალაგება, სუსტიდან ძლიერისკენ, პატარიდან დიდისკენ, დაბალიდან მაღლისკენ, ყველზე ნაკლებად მნიშვნელოვანიდან ყველაზე მეტად მნიშვნელოვნამდე და ა. შ., თუმცა მაინც არ გვაქვს საზომი ერთეული - საზომი, რომელიც თანაბარ ინტერვალებს იყენებს. მაშასადამე, ვერ დავუშვებთ, რომ რიგის სკალაზე წერტილებს შორის მანძილები ტოლია, ანუ, მანძილი „ძალიან მცირესა“ და „მცირეს“ შორის შეიძლება არ იყოს იგივე, რაც მანძილი „ბევრსა“ და „ძალიან ბევრს“ შორის. მაგალითად, ვერ ვიტყვით, რომ 5-ქულიან სკალაზე (1 = საერთოდ არ ვეთანხმები, 2 = არ ვეთანხმები, 3 = არც ვეთანხმები, არც არ ვეთანხმები, 4 = ვეთანხმები, 5 = სრულიად ვეთანხმები) ქულა 4 ორჯერ მეტ თანხმობას ნიშნავს, ვიდრე ქულა 2, ქულა 1 ხუთჯერ მეტი არდათანხმებაა, ვიდრე ქულა 5. თუმცა, შეგვიძლია მათი თანმიმდევრობის, რიგის მიხედვით დალაგება: „საერთოდ არა“, „ძალიან მცირედ“, „მცირედ“, „საკმაოდ ბევრი“, „ძალიან ბევრი“, ანდა „საერთოდ არ ვეთანხმები“, „არ ვეთანხმები“, „არც ვეთანხმები, არც არ ვეთანხმები“, „ვეთანხმები“, „სრულიად ვეთანხმები“, ესე იგი შესაძლებელია ნებისმიერი კატეგორიის მონაცემების „უფრო ნაკლები, ვიდრე“ და „უფრო მეტი, ვიდრე“ წესის მიხედვით რანჟირება. რიგის სკალის მონაცემებს მიეკუთვნება ისეთი სკალები, როგორიცაა რეიტინგისა და ლაიკერტის სკალები და ხშირად გამოიყენება მოსაზრებებისა და დამოკიდებულებების საკვლევად.</p>
<p> • <em><strong>ინტერვალების სკალაზე</strong></em> შემოდის საზომი ერთეული - სკალის პუნქტებს შორის რეგულარული და თანაბარი ინტერვალები და, ამასთან, მას წინა ორი - რიგისა და სახელდების - სკალის თვისებებიც აქვს. ეს სკალა საშუალებას გვაძლევს, „ზუსტად ვიცოდეთ, რამდენად დაშორებულები არიან ერთმანეთისაგან ინდივიდები, საგნები ან მოვლენები, რაც ჩვენი კვლევის ფოკუსს შეადგენს“ (Cohen and Holliday 1996: 9). ვინაიდან აქ მონაცემებს შორის ზუსტი და თანაბარი ინტერვალები გვაქვს, ინტერვალების სკალის მონაცემებს ზოგჯერ თანაბარი ინტერვალების სკალებსაც უწოდებენ (მაგალითად, ცელსიუსის 3 და 4 გრადუსებს შორის იგივე მანძილია, რაც ცელსიუსის 98 და 99 გრადუსებს შორის). თუმცა, ინტერვალების სკალის მონაცემებში ნამდვილი ნული არ გვაქვს. განვიხილოთ ორი მაგალითი. ტემპერატურის ფარენგეიტის სკალაზე წყლის გაყინვის ტემპერატურაა 32 გრადუსი და არა ნული (როგორც ეს ცელსიუსის სკალაზეა), ამდენად, ვერ ვიტყვით, მაგალითად, რომ ფარენგეიტის 100 გრადუსზე ორჯერ მეტად ცხელა, ვიდრე ფარენგეიტის 50 გრადუსზე, ვინაიდან გაზომვა ფარენგეიტის სკალაზე ნულიდან არ იწყება. ფაქტობრივად, ფარენგეიტის 50 გრადუსზე ორჯერ ცხელი ფარენგეიტის 68 გრადუსი იქნება (({50 – 32} × 2) + 32). ახლა მეორე მაგალითი: ბევრი IQ-ტესტი ქულების მინიჭებას 70 ქულიდან იწყებს, ესე იგი, უმდაბლესი შესაძლო ქულაა 70. ჩვენ ვერ ვიტყვით, რომ პიროვნებას, რომლის ინტელექტის კოეფიციენტი 150- ის ტოლია, ორჯერ მეტი ინტელექტი აქვს, ვიდრე პიროვნებას, რომლის მაჩვენებელი 75-ის ტოლია, ვინაიდან ათვლის წერტილი 70-ია. 150 ქულის მქონე პიროვნებას ორჯერ მეტი გაზომილი ინტელექტი ექნება იმ პიროვნებასთან შედარებით, რომლის მაჩვენებელი ამავე სკალაზე 110-ის ტოლია ({150 – 70}÷2). ინტერვალების სკალა პრაქტიკაში იშვიათად გამოიყენება და ამ სკალის მონაცემებისთვის იგივე (მიზნებისა და გამოყენების არეალის მქონე) სტატისტიკური სიდიდეები შეგვიძლია გამოვიყენოთ, რომელიც მეოთხე სკალაზე, ანუ, შეფარდების სკალზე გამოიყენება.</p>
<p> • <em><strong>შეფარდების სკალას</strong></em> სამივე წინა სკალის ძირითადი თვისებები გააჩნია: კლასიფიკაცია, რიგი და საზომის თანაბარი ინტერვალები, მაგრამ ამას ემატება მეოთხე და მძლავრი მახასიათებელი - ნამდვილი ნული. ეს მკვლევარს პროპორციების უპრობლემოდ განსაზღვის საშუალებას აძლევს: „ორჯერ მეტი“, „ორჯერ ნაკლები“, „სამჯერ მეტი რაოდენობა“ და ა. შ. ვინაიდან აბსოლუტური ნული გვაქვს, შესაძლებელია ყველა არითმეტიკული მოქმედების - შეკრების, გამოკლების, გამრავლებისა და გაყოფის - შესრულება. მანძილის საზომები, ფული ბანკში, მოსახლეობა, საშინაო დავალების შესრულებაზე დახარჯული დრო, სწავლების წლები, შემოსავალი, ცელსიუს ტემპერატურა ტესტში მიღებული ნიშნები და ა. შ., - ეს ყველაფერი შეფარდების სკალის მონაცემებია, ვინაიდან მათ შეუძლიათ ჰქონდეთ „ნამდვილი“ (აბსოლუტური) ნულის შესატყვისი სიდიდე. ვთქვათ, ბანკში ათასი დოლარი მაქვს. ორჯერ ნაკლები ფული მექნებოდა, თუ ბანკში ათასი კი არა, 500 დოლარი მექნებოდა. თუ გამოცდაზე 90 ქულა დავაგროვე, ეს ორჯერ მეტი იქნებოდა იმ შემთხვევასთან შედარებით, 45 ქულა რომ დამეგროვებინა. შეფარდების და ოთხივე არითმეტიკული მოქმედების გამოყენების შესაძლებლობა ამ სკალას მონაცემების ყველაზე ძლიერ სკალად აქცევს. ინტერვალებისა და შეფარდების სკალის მონაცემები უწყვეტი ცვლადებია, რომლებსაც მოცემულ კონკრეტულ დიაპაზონში ნებისმიერი მნიშვნელობის მიღება შეუძლიათ. ინტერვალებისა და შეფარდების სკალების მონაცემების დამუშავებისას, როგორც წესი, უფრო მძლავრი სტატისტიკური სიდიდეები გამოიყენება, ვიდრე - სახელდებისა და რიგის სკალის მონაცემების შემთხვევაში.</p>
<p> მონაცემების ამ ოთხი სკალის აღწერა მნიშვნელოვანია, ვინაიდან სტატისტიკური კრიტერიუმის არჩევა სწორედ იმაზეა დამოკიდებული, თუ რომელ სკალას მიეკუთვნება მონაცემები. არასწორია, თუ უფრო მაღალი (მკაცრი) სკალისთვის განკუთვნილ სტატისტიკას დაბალი (სუსტი) სკალის მონაცემებისთვის გამოვიყენებთ, მაგალითად, სახელდების სკალის მონაცემებისთვის არ უნდა გამოვთვალოთ საშუალო არითმეტიკული (საშუალო) და არც რიგის სკალის მონაცემებისთვის უნდა გამოვიყენოთ ტკრიტერიუმი და დისპერსიული ანალიზი (განხილულია ქვემოთ). რომელი სკალის მონაცემისთვის რომელი სტატისტიკური კრიტერიუმი უნდა გამოვიყენოთ, ცოტა ქვემოთაა განხილული. ამ ქვეთავს ვრაიტის (ჭრიგჰტ 2003) მოსაზრებით დავასრულებთ, რომლის თანახმადაც გაზომვის სკალა რომელიმე კონკრეტულ ცვლადს კი არ ახასიათებს, არამედ ისაა, რასაც მკვლევარი „აკუთვნებს ამ ცვლადს მის შესახებ ჩვენი თეორიის საფუძველზე. ეს ჩვენი რწმენაა ამ ცვლადის შესახებ“. ამით ავტორი მიუთითებს, რომ უნდა დავასაბუთოთ, რატომ ვაკუთვნებთ ცვლადს სახელდების, რიგის, ინტერვალებისა თუ შეფარდების სკალას და არ დავუშვათ, რომ ეს თავისთავად ცხადია.</p>
<h2 align="center" style="font-size: 20px; color: black;">პარამეტრული და არაპარამეტრული მონაცემები</h2>
<p> არაპარამეტრულია მონაცემები, რომლებიც პოპულაციის შესახებ არ აკეთებენ დაშვებებს, ჩვეულებრივ, იმიტომ, რომ არაფერია ცნობილი პოპულაციის მახასიათებლების შესახებ. სანდო დასკვნების გაკეთების მიზნით პარამეტრული მონაცემები დაშვებას აკეთებენ პოპულაციის მახასიათებლების შესახებ. მათში ხშირად არის დაშვებული ქულების ნორმალური, გაუსის განაწილება, როგორც მაგალითად, კითხვის ტესტში მიღებული ქულებია განაწილებული (თუმცა, როგორც ვრაიტი (2003: 128) ამბობს, ფსიქოლოგიაში, რეალურად, ნორმალური განაწილება ძალიან იშვიათია). პრაქტიკაში ეს განსხვავება შემდეგს ნიშნავს: სახელდებისა და რიგის სკალის მონაცემები არაპარამეტრულად არის მიჩნეული, ხოლო ინტერვალებისა და შეფარდების სკალის მონაცემები - პარამეტრულად. ეს განსხვავება ისევე მნიშვნელოვანია, როგორც უკვე აღწერილი ოთხი სკალა, ვინაიდან სტატისტიკური ტესტის შერჩევა მონაცემების რაგვარობაზეა დამოკიდებული. პარამეტრული სტატისტიკის არაპარამეტრული მონაცემებისთვის გამოყენება არასწორია, თუმცა არაპარამეტრული სტატისტიკის პარამეტრული მონაცემებისთვის გამოყენება შესაძლებელია (თუმცა, ეს არ არის გავრცელებული პრაქტიკა, რადგან ეს სტატისტიკური კრიტერიუმები ნაკლებად ძლიერია). არაპარამეტრული მონაცემები ხშირად მიიღება კითხვარებით და გამოკითხვით (თუმცა, მათ პარამეტრული მონაცემებიც შეიძლება მოგვცენ), ხოლო პარამეტრულ მონაცემებს ექსპერიმენტები და ტესტები (მაგალითად, გამოცდაზე მიღებული ნიშანი) გვაძლევენ.</p>
<h2 align="center" style="font-size: 20px; color: black;">აღწერითი და დასკვნითი სტატისტიკა</h2>
<p> აღწერითი სტატისტიკის ფუნქცია სწორედ ის არის, რაზეც სახელწოდებაც მიუთითებს: ის აღწერს და წარმოადგენს მონაცემებს, მაგალითად, ჯამური სიხშირეების სახით. აქ მოიაზრება, მაგალითად:</p>
<ul>
<li>მოდა (ქულა, რომელიც ყველაზე ბევრმა ადამიანმა მიიღო);</li>
<li>საშუალო (საშუალო ქულა);</li>
<li>მედიანა (ქულა, რომელიც რანჟირებული ადამიანების ჯგუფის შუათანა წევრმა მიიღო და მის ზემოთ და ქვემოთ ქულების თანაბარი რაოდენობაა განლაგებული);</li>
<li>უმცირესი (მინიმალური) და უდიდესი (მაქსიმალური) ქულები;</li>
<li>ვარიაბელურობის დიაპაზონი (უდიდეს და უმცირეს ქულებს შორის სხვაობა);</li>
<li>დისპერსია (ქულების საშუალოსგან განსხვავების საზომი; ეს არის ცალკეულ ქულებსა და საშუალოს შორის სხვაობის კვადრატების საშუალო);</li>
<li>სტანდარტული გადახრა (SD: საშუალოს მიმართ ქულების გაფანტულობის, ანუ, დიაპაზონის საზომი; გამოითვლება, როგორც კვადრატული ფესვი დისპერსიიდან);</li>
<li>სტანდარტული შეცდომა (SE: შერჩევის საშუალოების სტანდარტული გადახრა);</li>
<li>ასიმეტრიულობა (რამდენად ასიმეტრიულია ანუ გადახრილია მონაცემები განაწილების „ნორმალური“ მრუდიდან);</li>
<li>დახრილობა (რამდენად ციცაბოა ან ბრტყელია მონაცემების განაწილების გრაფიკის ფორმა. საზომი იმისა, თუ რამდენად წამახვილებულია განაწილება და რამდენად ციცაბოა მონაცემების დახრა, ანუ, მონაცემების გაფანტვა პიკის ირგვლივ).</li>
</ul>
<p> ასეთი სტატისტიკური სიდიდეების მიხედვით დასკვნა და პროგნოზირება არ ხდება; ისინი, უბრალოდ, სხვადასხვანაირად გამოხატავენ შედეგებს.</p>
<p> ამის საპირისპიროდ, დასკვნითი სტატისტიკა შეგროვილ მონაცემებზე დაყრდნობით, დასკვნებისა და პროგნოზების გაკეთებას ცდილობს. დასკვნით სტატისტიკაში შედის, მაგალითად, ჰიპოთეზების შემოწმება, კორელაციები, რეგრესია და მრავალჯერადი რეგრესია, განსხვავების შემოწმება (მაგალითად, t კრიტერიუმები და დისპერსიული ანალიზი, ფაქტორული ანალიზი და სტრუქტრული განტოლების მოდელირება). ზოგჯერ მარტივი სიხშირეები და აღწერითი სტატისტიკა, შესაძლოა, საკმარისი იყოს მონაცემების აღსაწერად და აღწერითი მონაცემების ზედმიწევნით გადმოცემა შეიძლება მნიშვნელოვანი იყოს, თუმცა, ხშირად მკვლევრებისთვის დასკვნითი სტატისტიკა გაცილებით ღირებულია და, როგორც წესი, დასკვნით სტატისტიკა უფრო ძლიერია.</p>
<h2 align="center" style="font-size: 20px; color: black;">ცალმხრივი და ორმხრივი კრიტერიუმის ტესტები</h2>
<p> სტატისტიკური სიდიდეების გამოყენებისას მკვლევრებს ზოგჯერ უწევთ გადაწყვეტილების მიღება იმის შესახებ, თუ როგორი კრიტერიუმის ტესტი გამოიყენონ - ცალმხრივი თუ ორმხრივი. ეს ნაწინასწარმეტყველები შედეგის რაგვარობაზეა დამოკიდებული. ცალმხრივი კრიტერიუმის შემთხვევაში მკვლევარი წინასარმეტყველებს, რომ, მაგალითად, ერთი ჯგუფი უფრო მაღალ ქულას მიიღებს, ვიდრე მეორე, ხოლო ორმხრივი კრიტერიუმის ტესტი არ აკეთებს ასეთ დაშვებას. ცალმხრივი კრიტერიუმის ტესტი უფრო ძლიერია, ვიდრე - ორმხრივი კრიტერიუმის, ვინაიდან ის პოპულაციისა და შედეგის მიმართულების შესახებ აკეთებს დაშვებას (ანუ, ერთ ჯგუფს უფრო მაღალი ქულა ექნება, ვიდრე მეორეს) და, აქედან გამომდინარე, დადასტურების შემთხვევაში, უფრო მძლავრია, ვიდრე ორმხრივი კრიტერიუმის ტესტი. ცალმხრივი კრიტერიუმის ტესტი მიმართულების მქონე ჰიპოთეზის შემთხვევაში გამოიყენება (მაგალითად: „მოსწავლეები, რომლებიც ტელევიზორის ყურების გარეშე ასრულებენ საშინაო დავალებას, უკეთეს შედეგებს აჩვენებენ, ვიდრე ისინი, ვინც ჩართულ ტელევიზორთან მეცადინეობენ“), ხოლო ორმხრივი კრიტერიუმის - მიმართულების არმქონე ჰიპოთეზის შემთხვევაში (მაგალითად: „წყნარ და ხმაურიან გარემოში შესრულებული საშინაო დავალებები განსხვავდება ერთმანეთისგან“). მიმართულების მქონე ჰიპოთეზა მიუთითებს „მეტზე“ ან „ნაკლებზე“, მიმართულების არმქონე ჰიპოთეზა კი - მხოლოდ განსხვავებაზე და არაფერს ამბობს იმაზე, თუ რაში გამოიხატება ეს განხვავება.</p>
<h2 align="center" style="font-size: 20px; color: black;">დამოკიდებული და დამოუკიდებელი ცვლადები</h2>
<p> კვლევაში ხშირად ცვლადების ურთიერთმიმართება აინტერესებთ. დამოუკიდებელი ცვლადი ის ცვლადია, რომელიც ნაწილობრივ ან მთლიანად იწვევს კონკრეტულ შედეგს. ეს სტიმულია, რომელიც გავლენას ახდენს პასუხზე, წინაპირობა ან ფაქტორი, რომელიც შეიძლება შეიცვალოს შედეგზე ზემოქმედების მიზნით (მაგალითად, ექსპერიმენტულ ან სხვა პირობებში). დამოკიდებული ცვლადი, თავის მხრივ, შედეგად მიღებული ცვლადია, რომელსაც ნაწილობრივ ან მთლიანად იწვევს წინმსწრები ცვლადი. ეს არის დამოუკიდებელი ცვლადის ეფექტი, შედეგი, ანუ დამოუკიდებელ ცვლადზე პასუხი. ეს მრავალი სტატისტიკური კრიტერიუმის ფუნდამენტური ცნებებია.</p>
<p> მაგალითად, შეიძლება გვსურდეს, ვნახოთ, ზრდის თუ არა სახლში მეცადინეობა მოსწაველების აკადემიურ მოსწრებას, ვთქვათ, მათემატიკაში. ჩვენ უფრო მეტ სამეცადინოს მივცემთ მათ სახლში და გავზომავთ შედეგს და ვნახავთ, მაგალითად, რომ მათემატიკის ტესტში მოსწავლეებმა უკეთესი შედეგი აჩვენეს. დამოუკიდებელმა ცვლადმა გარკვეული შედეგი მოგვცა. ან იქნებ ეს ასე არ არის? იქნებ: (ა) მათემატიკის ტესტის შიშით მოსწავლეები უფრო კონცენტრირებულები, მოტივირებულები და მონდომებულები გახდნენ გაკვეთილებზე; (ბ) მოსწავლეებს მოსწონდათ მათემატიკა და მათემატიკის მასწავლებელი და ამიტომ მეცადინეობდნენ უკვეთ და არა - ტესტის შიშით; (გ) მოსწავლეებმა კარგად გამოიძინეს ტესტის წინ და ამიტომ, მხნედ გრძნობდნენ თავს; (დ) სინამდვილეში, მათემატიკის ტესტში მიღებულმა შედეგმა იმოქმედა იმაზე, თუ რამდენი იმეცადინეს სახლში - რაც უფრო მაღალი ნიშანი ჰქონდათ სტუდენტებს მიღებული, მით მეტად მოტივირებულნი იყვნენ, რომ სახლში მათემატიკა ემეცადინათ; (ე) საშინაო დავალების მომატებამ მათემატიკის სწავლის მოტივაციაც გაზარდა და ამან, თავის მხრივ, მათემატიკის ტესტში უკეთესი შედეგი გამოიწვია; (ვ) მოსწავლეებს უთხრეს, რომ თუ კარგად არ გააკეთებდნენ ტესტს, დაისჯებოდნენ და სასჯელს მიღებული ქულების მიხედვით მიიღებდნენ - დაბალი ქულის შემთხვევაში, მეტად დაისჯებოდნენ.</p>
<p> მნიშვნელოვანია, რისი დანახვა შეგვიძლია აქ: რაც შეეხება (ა)-ს, მიზეზშედეგობრივ მიმართებაში სხვა გარეშე ფაქტორებია (საშინაო დავალებასთან ერთად) ჩარეული. (ბ)-ს შემთხვევაში, ნავარაუდები მიმართება რეალურად არ არსებობს: სახლში სამუშაოს მომატებასა და ტესტში უკეთესი შედეგის მიღებას შორის უფრო ძლიერ მიზეზ-შედეგობრივ კავშირს საგნისა და მასწავლებლის მოწონება ქმნის, რაც მოსწავლეებს გააქტიურებისკენ უბიძგებს, რისი გვერდითი შედეგი ტესტის მაღალი ქულები იყო. (გ)-ში შუალედური ცვლადი (ცვლადი, რომელმაც გავლენა მოახდინა ტესტირების პროცესზე, მაგრამ რომელზეც უშუალოდ არ განხორციელებულა დაკვირვება, არ გაზომილა და დაქვემდებარებია მანიპულირებას) მოქმედებდა. (დ)-სა და (ე)-ს შემთხვევაში, ფაქტობრივად, ტესტმა გამოიწვია სახლში მეცადინეობის მომატება და არა, პირიქით, ესე იგი, შებრუნებული მიზეზ-შედეგობრიობა იყო. რაც შეეხება (ვ)-ს, სახლში მეცადინეობის ოდენობა უარყოფითად კორელირებდა სასჯელის ოდენობასთან: რაც უფრო მაღალი იყო მიღებული ნიშანი, მით ნაკლები იყო სასჯელი. ფაქტობრივად, აქ შეიძლება მიზეზ-შედეგობრივი კავშირი წრფივი მოდელისთვის დამახასიათებელ კავშირზე უფრო სუსტი, უფრო მრავალმიმართულებიანი და მრავალმხრივი იყოს და ქსელს უფრო ჰგავდეს, ვიდრე წრფეს.</p>
<p> ეს მაგალითი დამოკიდებული და დამოუკიდებელი ცვლადების შესახებ მთელ რიგ საკითხებზე მიგვითითებს:</p>
<ul>
<li>მიზეზ-შედეგობრივი კავშირის მიმართულება ყოველთვის მკაფიო არ არის: დამოუკიდებელი ცვლადი, თავის მხრივ, შეიძლება დამოკიდებულ ცვლადად<br/> იქცეს და პირიქით;</li>
<li>მიზეზ-შედეგობრიობა შეიძლება ორმიმართულებიანი იყოს;</li>
<li>კავშირის დაშვება შეიძლება არ ნიშნავდეს მიზეზ-შედეგობრიობივ კავშირს;</li>
<li>შეიძლება არსებობდეს მთელი რიგი სხვა ფაქტორებისა, რომლებიც მოცემული შედეგის მიღებაში მონაწილეობენ;</li>
<li>გამოვლენილი მიზეზების (დამოუკიდებელი ცვლადების) უკან შეიძლება სხვა მიზეზები (დამოუკიდებელი ცვლადები) იდგნენ, რომლებიც დამოკიდებულ ცვლადზე მოქმედებენ;</li>
<li>დამოუკიდებელი ცვლადი შეიძლება რაღაც სხვას იწვევდეს და ეს რაღაც სხვა, თავის მხრივ, მიღებულ შედეგს განაპირობებდეს (დამოკიდებულ ცვლადს);</li>
<li>მიზეზ-შედეგობრიობა შეიძლება არაწრფივი იყოს და არა - წრფივი;</li>
<li>კავშირის მიმართულება შეიძლება უარყოფითი იყოს და არა - დადებითი;</li>
<li>კავშირის სიძლიერე შეიძლება მკაფიო არ იყოს.</li>
</ul>
<p> ბევრი სტატისტიკური კრიტერიუმი დამოკიდებული და დამოუკიდებელი ცვლადებით ოპერირებს (მაგალითად, ექსპერიმენტებში იყენებენ t კრიტერიუმს და დისპერსიულ ანალიზის, რეგრესიას და მრავალჯერად რეგრესიას), ზოგი კი - არა (მაგალითად, კორელაციური სტატისტიკა და ფაქტორული ანალიზი). თუ ისეთ კრიტერიუმს ვიყენებთ, რომელიც დამოკიდებულ და დამოუკიდებელ ცვლადებს საჭიროებს, მაშინ დიდი სიფრთხილე უნდა გამოვიჩინოთ იმის დაშვებისას, თუ რომელი არის ან არ არის დამოკიდებული ცვლადი ან დამოუკიდებელი ცვლადი, მიზეზ-შედეგობრიობა მართლაც ისეთი მარტივია, როგორც ამას კრიტერიუმი უშვებს თუ არა. გარდა ამისა, ბევრი სტატისტიკური კრიტერიუმი წრფივ დამოკიდებულებას ემყარება (მაგალითად, კორელაცია, რეგრესია და მრავალჯერადი რეგრესია, ფაქტორული ანალიზი), როდესაც, ფაქტობრივად, ცვლადებს შორის მიმართება შეიძლება წრფივი არც იყოს (ზოგ კომპიუტერულ პროგრამას, მაგალითად, SPSS არაწრფივი მიმართების დამუშავების შესაძლებლობას იძლევა). მკვლევარმა ფუნდამენტური გადაწყვეტილება უნდა მიიღოს ცვლადებს შორის მიმართების რაგვარობაზე - წრფივია ის თუ არა და შემდეგ, ამ გადაწყვეტილების შესაბამისად, შეარჩიოს სათანადო სტატისტიკური კრიტერიუმები.</p>
<p> ყველა ამ მოსაზრებას თუ შევაჯამებთ, ნათელი გახდება, რომ მკვლევარმა უნდა განიხილოს:</p>
<ul>
<li>რომელ სკალას მიეკუთვნება მისი მონაცემები?</li>
<li>პარამეტრულია მისი მონაცემები თუ არაპარამეტრული?</li>
<li>აღწერითი სტატისტიკაა საჭირო თუ დასკვნითი?</li>
<li>საჭიროა თუ არა დამოუკიდებელი და დამოკიდებული ცვლადების გამოყოფა?</li>
<li>ცვლადებს შორის კავშირი წრფივია თუ არაწრფივი?</li>
</ul>
<p> მომზადებულმა მკვლევარმა წინასწარ უნდა გაიაზროს და გადაწყვიტოს, მონაცემების ანალიზის რომელ მეთოდს გამოიყენებს. ეს ძალიან მნიშვნელოვანია, რადგან გავლენას ახდენს კვლევის ინსტრუმენტების არჩევაზე. მაგალითად, მკვლევარმა გულდასმით უნდა დაგეგმოს კითხვარის სქემა და სტრუქტურა, რათა კომპიუტერული დამუშავებისთვის და ანალიზისთვის მონაცემების შეყვანა გაუადვილდეს. კითხვარის შეუსაბამო სქემამ მონაცემების შეყვანა და ანალიზი შეიძლება დააბრკოლოს. მონაცემების ანალიზის დაგეგმვისას გასათვალისწინებელია:</p>
<ul>
<li>როგორ დავამუშავებთ და გავაანალიზებთ შეგრივილ მონაცემებს?</li>
<li>როგორ გადავამოწმებთ და დავადასტურებთ ანალიზის შედეგებს?</li>
</ul>
<p> ასევე, გადაწყვეტილებები უნდა მივიღოთ იმ სტატისტიკური კრიტერიუმების თაობაზე, რომლებსაც მონაცემების ანალიზში გამოვიყენებთ, რადგან ეს გავლენას მოახდენს კვლევის დებულებებზე (მაგალითად, კითხვარში) და რაოდენობრივი და თვისებრივი მონაცემების ანალიზისთვის საჭირო პროგრამის შერჩევაზე, როგორიცაა, მაგალითად, SPSS და NUD. IST.</p>
<h2 align="center" style="font-size: 20px; color: black;">სანდოობა</h2>
<p> საჭიროა ვიცოდეთ, თუ რამდენად სანდოა ინსტრუმენტი, რომელსაც მონაცემების შესაგროვებლად ვიყენებთ. სანდოობა რაოდენობრივ ანალიზში ორგვარად გამოიხატება და ორივე მათგანი შინაგანი შეთანხმებულობის საზომს წარმოადგენს, ესენია: შუაზე გახლეჩვის ტექნიკა და კოეფიციენტი ალფა. ორივე შემთხვევაში, გამოითვლება სანდოობის კოეფიციენტი, რომელიც 0-სა და 1-ს შორის შეიძლება მოთავსდეს. შუაზე გახლეჩვის სანდოობა წინა თავებში უკვე განვიხილეთ. მისი გამოსათვლელი ფორმულაა:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213271?profile=original" class="align-center"/></p>
<p> სადაც, r = ინსტრუმენტის ნახევრებს შორის არსებული რეალური კორელაციას (ამის გამოსათვლელად საჭიროა კითხვარის, შინაარსისა და სირთულის მიხედვით, ორ თანაზომიერ ნაწილად გაყოფა). ასე მაგალითად, თუ კითხვარის ორ ნახევარს შორის კორელაციის კოეფიციენტი 0.85-ის ტოლია, მაშინ ფორმულა ასეთ სახეს მიიღებს:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213191?profile=original" class="align-center"/></p>
<p> ამრიგად, შუაზე გახლეჩვის სანდოობის კოეფიციენტია 0.919, რაც ძალიან მაღალია. თუ შესაბამის უჯრას გავააქტიურებთ, SPSS შუაზე გახლეჩვის სანდოობას ავტომატურად გამოითვლის.</p>
<p> სანდოობის, როგორც შინაგანი შეთანხმებულობის, გამოთვლის მეორე გზაა კრონბახის ალფას გამოთვლა, რომელსაც ხშირად, უბრალოდ, სანდოობის ალფა კოეფიციენტს უწოდებენ. კრონბახის ალფა დებულებებს შორის კორელაციების კოეფიციენტს ითვლის, ანუ, ესაა თითოეული დებულების კორელაცია ყველა სხვა დანარჩენი დებულების ჯამთან. ის დებულებებს შორის შინაგანი შეთანხმებულობის საზომია (და არა, მაგალითად, ადამიანებს შორის). ეს არის საშუალო კორელაცია ყველა საკვლევ დებულებას შორის და იგი მრავალდებულებიანი სკალებისთვის გამოიყენება. SPSS-ში კრონბახის ალფას გამოთვლა ღილაკზე დაჭერით ხდება. ალფას ფორმულაა:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213301?profile=original" class="align-center"/></p>
<p> სადაც n = ტესტის ან გამოკითხვის დებულებების რაოდენობას (მაგალითად, კითხვარში) და რიი = დებულებებს შორის ყველა კორელაციის საშუალოს. ვთქვათ, გამოკითხვის კითხვარი 10 დებულებისგან შედგება და მათ შორის საშუალო კორელაცია 0.738-ის ტოლია. ალფა კორელაცია შემდეგნაირად შეგვიძლია გამოვთვალოთ:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213445?profile=original" class="align-center"/></p>
<p> ამრიგად, ალფა კოეფიციენტი 0.97 მივიღეთ, რაც ძალიან მაღალია. ალფა კოეფიციენტები მოცემულია სტატისტიკური ცხრილების ა დანართში. შუაზე გახლეჩვის და ალფა კოეფიციენტებისთვის გამოსადეგია შემდეგი სახის ინფორმაცია:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213550?profile=original"/></p>
<p> ბრაიმენი და კრამერი (Bryman and Cramer 1990: 71) თვლიან, რომ სანდოობის მისაღები დონეა 0.8, თუმცა სხვებს მიაჩნიათ, რომ მისაღებია კოეფიციენტი 0.67 და მეტი.[1]</p>
<h3 style="font-size: 16px; color: black;"><strong><em>მონაცემების აღწერა: სიხშირეები, პროცენტები და ნიშანთა შეუღლების ცხრილები[2]</em></strong></h3>
<p> ეს არის ანალიზის ფორმა, რომელიც არსებულ მონაცემებზეა დამოკიდებული და ყველაზე მეტად იმის დანახვა აინტერესებს, რასაც თავად მონაცემები გვიჩვენებენ. ასეთი ანალიზი შეგვიძლია დეტექტივს შევადაროთ, რომელიც მტკიცებულებებს მიჰყვება. მონაცემები, ჩვეულებისამებრ, აღწერითია. აქ ინტენსიურად გამოიყენება მონაცემების წარმოდგენის ვიზუალური ტექნიკები. შესაბამისად, ხშირად გამოიყენება სიხშირეები, პროცენტები და მონაცემების გრაფიკურად გამოსახვის ტექნიკები. მონაცემების გრაფიკულად გამოსახვის ტექნიკა მონაცემების ანალიზისთვის განკუთვნილ პროგრამულ პაკეტებში შეგიძლიათ ნახოთ, მაგალითად:</p>
<ul>
<li>სიხშირეებისა და პროცენტების ცხრილები;</li>
<li>სვეტებიანი დიაგრამები (სახელდებისა და რიგის სკალის მონაცემებისათვის);</li>
<li>ჰისტოგრამები (უწყვეტი - ინტერვალებისა და შეფარდების სკალების - მონაცემებისთვის);</li>
<li>ხაზოვანი გრაფიკები;</li>
<li>წრიული დიაგრამები;</li>
<li>დიაპაზონის მაჩვენებელი დიაგრამები;</li>
<li>წერტილთა გაბნევის დიაგრამები;</li>
<li>ფოთლებიანი ღეროს დიაგრამები;</li>
<li>მართკუთხა დიაგრამები (ულვაშებიანი/ულვაშა მართკუთხედები).</li>
</ul>
<p> მონაცემების გამოსახვის ამ ფორმების უმრავლესობაში მონაცემები სხვადასხვაგვარად ლადგება არჩეული დიაგრამის ან გრაფიკის სახეობის მიხედვით. მართალია, გრაფიკები და დიაგრამები შეიძლება მიმზიდველად გამოიყურებოდეს, ისინი ხშირად არაფერს ეუბნებიან მკითხველს განსხვავებულს, ვიდრე უბრალო ცხრილები რომელიც საბოლოო ანგარიშში უფრო ნაკლებ ადგილს იკავებს. ეს პრობლემა განსაკუთრებით წრიულ დიაგრამებს, სვეტებიან დიაგრამებსა და ჰისტოგრამებს ეხება და იგივე მონაცემების გამოსახვა უფრო კომპაქტურად, ცხრილის სახით არის შესაძლებელი. ნათელია, რომ აქ მნიშვნელოვანია აუდიტორიისადმი შესატყვისობის საკითხი: ზოგი მკითხველისთვის დიაგრამები უფრო მისაღები და ადვილად გასაგები შეიძლება იყოს, ვიდრე რიცხვებით სავსე ცხრილები. სხვა სახის დიაგრამები და გრაფიკები შეიძლება ცხრილებზე მეტ ინფორმაციას გვაწვდიდეს, მაგალითად, ხაზოვანი გრაფიკები, მართკუთხა დიაგრამები და წერტილთა გაბნევის დიაგრამები რეგრესიის წრფითურთ. აქ არ განვიხილავთ თითოეული სახეობის გრაფიკისა და დიაგრამის ძლიერ და სუსტ მხარეებს, თუმცა მოკლედ ვიტყვით, რომ:</p>
<ul>
<li>სვეტებიანი დიაგრამა კატეგორიალური და წყვეტილი მონაცემების წარმოსადგენად (მაღალი-დაბალი) გამოდგება;</li>
<li>გრაფიკების აგებისას მესამე განზომილების (მაგალითად, სიღრმე, სისქე) გამოყენება, საჭიროების გარდა, მიზანშეწონილი არ არის. მესამე განზომილება გრაფიკს დამატებით ინფორმაციას უნდა მატებდეს;</li>
<li>უწყვეტი მონაცემების გამოსახვისთვის ჰისტოგრამები გამოდგება;</li>
<li>მრავალჯერადი ხაზოვანი გრაფიკები ტენდენციების საჩვენებლადაა სასარგებლო, განსაკუთრებით, უწყვეტი ცვლადების შემთხვევაში, როდესაც ერთდროულად ერთი ან რამდენიმე ცვლადი გვაქვს;</li>
<li>წრიული და სვეტებიანი დიაგრამები თანაფარდობის, პროპორციების საჩვენებლადაა მიზანშეწონილი;</li>
<li>ცვლედებს შორის ურთიერთდამოკიდებულების გამოსახვა ნიშანთა შეუღლების ცხრილებით (განხილულია ქვემოთ) შეიძლება;</li>
<li>მართკუთხა დიაგრამები ერთ დიაგრამაზე რამდენიმე ცვლადის მნიშვნელობის განაწილების საჩვენებლად გამოდგება, მათ დიაპაზონთან და მედიანასთან ერთად;</li>
<li>შედგენილი სვეტებიანი დიაგრამა ერთ დიაგრამაზე ერთი ცვლადის ფარგლებში სხვადასხვა ჯგუფის სიხშირეების საჩვენებლად გამოდგება, როდესაც ერთი ან მეტი ცვლადი გვაქვს;</li>
<li>წერტილთა გაბნევის დიაგრამა ერთ დიაგრამაზე ორ ცვლადს შორის ურთიერთობის ან ორი ან მეტი ცვლადის რამდენიმე წყვილს შორის ურთიერთობის საჩვენებლადაა გამოსადეგი.</li>
</ul>
<p> მარტივ დონეზე მონაცემები სიხშირეებისა და პროცენტების სახით შეგვიძლია წარმოვადგინოთ (მაგალითად, კურსის შეფასების მონაცემების ნაწილი) (ჩანართი 24.1).</p>
<p>----------------------<br/> <strong>ჩანართი 24.1.</strong><br/> <strong>სიხშირეები და პროცენტები კურსის შეფასებისთვის</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213720?profile=original"/></p>
<p> ამ მარტივი ცხრილის მიხედვით (ჩანართი 24.1) შეგვიძლია ვთქვათ, რომ:</p>
<ul>
<li>დებულებას უპასუხა 191 ადამიანმა.</li>
<li>რესპოდენტების უმარავლესობა ფიქრობს, რომ კურსი „არც ისე “ ძნელი იყო (98 რესპოდენტი ანუ 51.3 პროცენტი). მოდალური ქულა ის კატეგორია ან ქულაა, რომელსაც ყველაზე მეტი რესპონდენტი ამბობს.</li>
<li>შედეგები ასიმეტრიულია, რესპოდენტთა მხოლოდ 10.5 პროცენტი ხვდება კატეგორიებში „საკმაოდ“ და „ძალიან“.</li>
<li>იმ ადამიანთა რიცხვი უფრო მეტია, ვინც ფიქრობს, რომ კურსი „სულ არ იყო რთული“, ვიდრე იმათი, ვინც ფიქრობს, რომ კურსი „საკმაოდ“ და „ძალიან“ რთული იყო.</li>
<li>მთლიანობაში კურსი ოდნავ რთული იყო და არა - ძალიან რთული.</li>
</ul>
<p> ვთქვათ, ამ ცხრილში მოცემული მონაცემების უფრო ღრმად შესწავლა გვსურს. მაგალითად, შეიძლება იმის გაგება გვინდოდეს, თუ როგორ უპასუხეს ამ დებულებას ქალებმა და მამაკაცებმა. ეს ინფორმაცია ნიშანთა შეუღლების მარტივი ცხრილის სახით შეგვიძლია გადმოვცეთ იმ შემთხვევაში, თუ მივყვებით ჩვეულ წესს და სახელდების სკალის მონაცემებს (ქალები და მამაკაცები) სტრიქონში მოვათავსებთ, რიგის სკალის მონაცემებს (5-ქულიან სკალაზე მიღებულ შეფასებებს) კი - სვეტებში. ნიშანთა შეუღლების ცხრილები უბრალოდ მონაცემთა გამოსახვის საშუალებაა, სადაც ერთი ცვლადი მეორესთან მიმართებაშია წარმოდგენილი და ცხრილის ყოველ უჯრაში შესაბამისი რიცხვია ჩაწერილი. (ეს ცხრილები ავტომატურად კეთდება ისეთ პროგრამებში, როგორიც SPSS-ია).</p>
<p>----------------------<br/> <strong>ჩანართი 24.2.</strong><br/> <strong>ნიშანთა შეუღლების ცხრილი ჯამური მაჩვენებლებით</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213870?profile=original"/><br/> ----------------------</p>
<p> ჩანართი 24.2 მთელი შერჩევისთვის გვიჩვენებს, რომ მამაკაცებზე (13.1 პროცენტი) თითქმის სამჯერ მეტი ქალი (38.2 პროცენტი) ფიქრობს, რომ კურსი „არც ისე“ რთული იყო, ორი მესამედიდან სამ მეოთხედამდე მეტი ქალი (19.9 პროცენტი), ვიდრე მამაკაცი (5.8 პროცენტი) ფიქრობს, რომ კურსი „ოდნავ“ რთული იყო და დაახლოებით სამჯერ მეტ კაცს (1.6 პროცენტი), ვიდრე ქალს (0.5 პროცენტი) მიაჩნია, რომ კურსი „ძალიან რთული“ იყო. თუმცა, ისიც შეგვიძლია ვნახოთ, რომ ორ ქვეჯგუფში ინდივიდების რაოდენობა არათანაბარი იყო: შერჩევის დაახლოებით სამ მეოთხედს ქალები შეადგენდნენ (73.8 პროცენტი) და დაახლოებითYერთ მეოთხედს (26.2 პროცენტი) - მამაკაცები.</p>
<p> განსხვავებული მოცულობის ქვეშერჩევების პრობლემის გადაჭრის ორი გზა არსებობს: ერთია შერჩევის მორგება, ჩვენს შემთხვევაში, მამაკაცების ქვეშერჩევის ზუსტ რიცხვზე გამრავლება, რათა ორი ქვეშერჩევა ერთნაირი მოცულობის იყოს (141/50=2.82). მეორე გზაა მონაცემების სტრიქონების მიხედვით გაანალიზება და არა - ჯამური მაჩვენებლების მიხედვით, ესე იგი, ცალკე იმის დადგენა, თუ მამაკაცების რა წილმა მოგვცა ესა თუ ის პასუხი და ცალკე - რა პასუხები მოგვცეს ქალებმა ცვლადის იგივე კატეგორიებზე (ჩანართი 24.3).</p>
<p>----------------------<br/> <strong>ჩანართი 24.3.</strong><br/> <strong>ნიშანთა შეუღლების ცხრილი სტრიქონების ჯამური მაჩვენებლებით</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214011?profile=original"/><br/> ----------------------</p>
<p> თუ ფიქრობთ, რომ ეს ორი გამოთვლა და შემდეგ, მისი ხელახალი გამოთვლა რთულია (მთლიანი ჯამური პროცენტები და სტრიქონების ჯამური პროცენტული მაჩვენებლები), მაშინ გაითვალისწინეთ: ბევრ კომპიუტერულ პროგრამაში, მაგალითად, SPSS-ში (რომელიც ამ მაგალითში გამოვიყენეთ) ეს კლავიშზე ერთი დაწკაპუნებით კეთდება.</p>
<p> მეორე ცხრილში (ჩანართი 24.3) შეგვიძლია ვნახოთ, რომ:</p>
<ul>
<li>მამაკაცები და ქალები თანმიმდევრულ პასუხებს იძლევიან კატეგორიებზე „არც ისე“ და „ძალიან“;</li>
<li>უფრო მეტი კაცი (6 პროცენტი), ვიდრე ქალი (0.7 პროცენტი) ფიქრობს, რომ კურსი „ძალიან რთული“ იყო;</li>
<li>მთლიანობაში, ოდნავ მეტი ქალი (91.1 პროცენტი: {12.1 + 27 + 52 პროცენტი}), ვიდრე კაცი (86 პროცენტი: {14 + 22 + 50 პროცენტი}), თვლის, რომ კურსი არც ისე რთული იყო;</li>
<li>ქალებისა და მამაკაცების პასუხების ზოგადი სურათები მსგავსი იყო, ანუ, ორივე ქვეჯგუფისთვის, პასუხების პროცენტული მაჩვენებლების მიხედვით, ძლიერიდან სუსტისკენ კატეგორიები იდენტურად დალაგდა.</li>
</ul>
<p> უნდა ითქვას, რომ მეორე ცხრილი უფრო გამოსადეგია, ვიდრე პირველი, ვინაიდან მასში მოცემულია პროცენტული მაჩვენებლები სტრიქონების მიხედვით, რაც ორი ჯგუფის - ქალებისა და მამაკაცების - შედარების შესაძლებლობას იძლევა. ამასთან, ვთვლით, რომ, ჩვეულებრივ, უმჯობესია ორივეს - რეალური სიხშირეებისა და მათი შესატყვისი პროცენტების - მითითება, მაგრამ შედარება პროცენტული მაჩვენებლების მიხედვით უნდა მოხდეს. ამას იმიტომ ვამბობთ, რომ მნიშვნელოვანია, მკითხველმა იცოდეს, თუ რა რეალური რიცხვების საფუძველზე წარმოებს შედარება. მაგალითად, პირველ ცხრილში (ჩანართი 24.2) უბრალოდ იმ მამაკაცების პროცენტული მაჩვენებელი რომ გვქონოდა, ვინც კურსი „ძალიან ძნელად“ მიიჩნია (1.6 პროცენტი), კურსის ავტორებისთვის ეს შემაშფოთებელი ინფორმაცია იქნებოდა. თუმცა, როდესაც გავარკვევთ, რომ 1.6 პროცენტი სულ რაღაც 3 ადამიანია 141-დან, მაშინ ეს ნაკლებ შემაშფოთებელი იქნება. შერჩევის 1.6 პროცენტი 50 ადამიანი რომ ყოფილიყო, მაშინ ნამდვილად გვექნებოდა შფოთვის მიზეზი. პროცენტულმა მაჩვენებლებმა შეიძლება დაფაროს რეალური რიცხვები და ამიტომ, მკითხველმა ეს რიცხვებიც უნდა იცოდეს.</p>
<p> კონკრეტულ ფაქტორებზე ყურადღების გასამახვილებლად ნიშანთა შეუღლების ცხრილის კონკრეტული უჯრა უნდა განვიხილოთ (მაგალითად, 24.3 ჩანართში ქალების პასუხების სტრიქონში ძალიან მაღალი, 52 პროცენტი, მის გვერდით მდგარ 8.5 პროცენტთან შედარებით). ეს ცხრილის რამდენიმე უჯრის მონაცემის გაერთიანების შემთხვევაშიც გამოსადეგია, როგორც ეს ზემოთ განხილულ მაგალითში გავაკეთეთ. მაგალითად, თუ გავაერთიანებთ მამაკაცების „საკმაოდ“ და „ძალიან“ კატეგორიებში მოხვედრის მონაცემებს (8 პროცენტი + 6 პროცენტი = 14 პროცენტი), შეგვიძლია ვნახოთ, რომ იგი არა მარტო „სრულებით არა“ კატეგორიის ტოლია, არამედ უფრო ცოტა შემთხვევას მოიცავს, ვიდრე მამაკაცებისთვის ცალკე აღებული ნებისმიერი სხვა კატეგორია, ესე იგი, კომბინირებული კატეგორია გვიჩვენებს, რომ კურსს ძალიან რთულად ცოტა ადამიანი მიიჩნევს.</p>
<p> გაერთიენებული კატეგორიები, შესაძლოა, მონაცემებში ზოგადი ტენდენციების საჩვენებლად გამოგვადგეს. მაგალითად, ცხრილებში (ჩანართები 24.1 - 24. 3) „სრულებით არა“, „ოდნავ“ და „არც ისე“ კატეგორიებში მოცემული შედეგების კომბინაცია გვიჩვენებს, რომ კურსის სირთულის პრობლემა ძალიან მცირეა, ანუ, ზოგადად, თუ ვიტყვით, კურსი ძალიან რთული არ ყოფილა.<br/> <br/> გაერთიანებული კატეგორიები დათანხმება-არ დათანხმების რეიტინგულ სკალებშიც შეიძლება გამოგვადგეს. მაგალითად, განვიხილოთ კონკრეტულ დებულებაზე 200 ადამიანის მიერ გაცემული პასუხები (ჩანართი 24.4):</p>
<p>----------------------<br/> <strong>ჩანართი 24.4</strong><br/> <strong>დათანხმებისა და არ დათანხმების რეიტინგის სკალა</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064213995?profile=original"/><br/> ----------------------</p>
<p> 24.4 ჩანართში მოცემული ცხრილის ინტერპრეტაცია სხვადასხვანაირად შეიძლება. მაგალითად, იმ ადამიანების რაოდენობა, რომლებიც „სრულიად ეთანხმებიან“ უფრო მეტია, ვიდრე იმ ადამიანებისა, (20 პროცენტი), რომლებიც „სრულიად არ ეთანხმებიან“ (15 პროცენტი), ანდა მოდალური ქულა „არც ვეთანხმები, არც არ ვეთანხმები“ ცენტრალურ ნეიტრალურ კატეგორიაში ხვდება (ცენტრლაური ტენდენცია). თუმცა, ამაზე შორსაც შეგვიძლია წავიდეთ. თუ დათანხმებისა და არ დათანხმების საერთო თანაფარდობის გარკვევა გვინდა, მაშინ არ დათანხმების ორი კატეგორიის მონაცემების ჯამი 35 პროცენტს გვაძლევს (15 პროცენტი + 20 პროცენტი), ხოლო დათანხმების ორი კატეგორიისა - 30 პროცენტს (10 პროცენტი + 20 პროცენტი), ესე იგი, არ დათანხმების შემთხვევები უფრო მეტი იყო, ვიდრე - დათანახმების, მიუხედავად იმ ფაქტისა, რომ უფრო მეტი რესპოდენტი „სრულიად ეთანხმებოდა“, ვიდრე - „სრულიად არ ეთანხმებოდა“, ანუ, დაიკარგა დათანხმებისა და არ დათანხმების სიძლიერე. დათანხმებისა და არ დათანხმების ორ-ორი კატეგორიის შეკრება ზოგად სურათს გვაძლევს და არა - დეტალურს. თუმცა, თუ ამას გავაკეთებთ, მაშინ იმ ფაქტსაც უნდა მივაქციოთ ყურადღება, რომ არ დათანხმების ორი კატეგორიის ჯამი (35 პროცენტი) იმდენივეა, რაც „არც ვეთანხმები, არც არ ვეთანხმები“ კატეგორიის მაჩვენებელი. ამ შემთხვევაში, შეგვიძლია ვიფიქროთ, რომ მოდალური კატეგორია „არც ვეთანხმები, არც არ ვეთანხმები“ ბიმოდალობით ჩანაცვლდა: არ დათანხმება ერთი მოდაა და „არც ვეთანხმები, არც არ ვეთანხმები“ - მეორე.</p>
<p> კატეგორიების კომბინირება შეიძლება ეფექტური იყოს, მაგრამ მას პრობლემებიც ახლავს თან. მაგალითად, განვიხილოთ სამი ცხრილი (ჩანართები 24.5 - 24.7). პირველ ცხრილში გამოგონილი კურსის საერთო შეფასებაა მოცემული, რომელშიც კმაყოფილების სამი დონეა გამოყოფილი (დაბალი, საშუალო და მაღალი) (ჩანართი 24.5).</p>
<p>----------------------<br/> <strong>ჩანართი 24.5</strong><br/> <strong>კურსით კმაყოფილება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214068?profile=original"/><br/> ----------------------</p>
<p> ამ ცხრილში ვნახოთ, რომ მოდალური კატეგორიაა „დაბალი“ (95 ხმა, 42.2 პროცენტი), ხოლო ყველაზე ნაკლები ხმები მიიღო კატეგორიამ „მაღალი” (45 ხმა, 20 პროცენტი), ესე იგი, რესპოდენტები მთლიანობაში, კურსით უკმაყოფილონი დარჩნენ. ცხრილში, კატეგორია „მაღალი“ გვიჩვენებს, რომ ქალები უფრო კმაყოფილები არიან კურსით, ვიდრე მამაკაცები, ხოლო მამაკაცები, ქალებთან შედარებით, კურსით ზომიერად კმაყოფილები ჩანან.</p>
<p> თუმცა, თუ ამ კატეგორიებს (დაბალი და საშუალო) გავაერთიანებთ, მაშინ სულ სხვა სურათს მივიღებთ (ჩანართი 24.6).</p>
<p>----------------------<br/> <strong>ჩანართი 24.6</strong><br/> <strong>რეიტინგის სკალების გაერთიანებული კატეგორიები</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214090?profile=original"/><br/> ----------------------</p>
<p> პროცენტების მიხედვით ვნახავთ, რომ მთლიანობაში, ქალები უფრო კმაყოფილები არიან კურსით, ვიდრე მამაკაცები და მამაკაცები უფრო უკმაყოფილოები არიან კურსით, ვიდრე - ქალები. თუმცა, თუ ამ კატეგორიებს სხვაგვარად გავაერთიანებთ (საშუალო და ზომიერი), მაშინ სრულიად განსხვავებული სურათს მივიღებთ (ჩანართი 24.7).</p>
<p>----------------------<br/> <strong>ჩანართი 24.7</strong><br/> <strong>რეიტინგის სკალების გაერთიანებული კატეგორიების რეპრეზენტაცია</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214247?profile=original"/><br/> ----------------------</p>
<p> პროცენტული მაჩვენებლები გვიჩვენებს, რომ ქალები და მამაკაცები დიდად არ განსხვავდებიან ერთმანეთისგან და ორივე ჯგუფი კმაყოფილია კურსით. აქ საქმე კატეგორიების კომბინირებას, ანუ, ცხრილების შემჭიდროვებას ეხება და გირჩევთ, ასეთი კომბინირება უდიდესი სიფრთხილით გააკეთოთ. ასეთ შემთხვევაში, შედეგები ზოგჯერ უფრო მკაფიოა, ზოგჯერ კი მიღებული სურათი შეიძლება დამახინჯდეს კიდეც. ჩვენს მაგალითში საწყისი ცხრილის შენარჩუნება უფრო მართებულია, ვიდრე მისი უფრო მცირე რაოდენობის კატეგორიებზე დაყვანა.</p>
<p> მონაცემების შესწავლისას შეგვიძლია ვნახოთ, რამდენად თანაბრად ან ფართოდაა ისინი განაწილებული. მაგალითად, ხაზოვანი გრაფიკი გვიჩვენებს, თუ როგორ პასუხობენ რესპოდენტები კითხვაზე - ”როგორ ეხმარებით მოსწავლეებს სწავლის პროცესში?”. ათ ქულიან სკალაზე განაწილების გზით, კითხვას 400-მა რესპოდენტმა უპასუხა (ჩანართი 24.8).</p>
<p>----------------------<br/> <strong>ჩანართი 24.8</strong><br/> <strong>რამდენად ზრუნავთ და ემხრობით მოსწავლეებს სწავლის პროცესში?</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214468?profile=original"/><br/> ----------------------</p>
<p> ჩანართი 24.8 გვიჩვენებს, რომ მონაცემები ასიმეტრიულია, მეტი პასუხი სკალის ზედა (მარჯვენა) ბოლოში გროდება. გრაფიკი ნელნელა ეშვება ქვემოთ ნეგატიური, მეორე (მარცხენა) ბოლოსკენ; მაგრამ მიუხედავად იმისა, რომ უმაღლესი ქულები სკალის მარჯვენა ბოლოშია თავმოყრილი, გრაფიკი ნეგატიურად ასიმეტრიულია, რადგან გრძელი „კუდი“ ქვემოთ ეშვება.</p>
<p> ამის საპირისპიროდ, შევხედოთ გრაფიკს, რომელზეც გამოსახულია სკოლის თანამშრომლების მიერ საკუთარი ინიციატივით სკოლაში ამა თუ იმ როლის აღება. გრაფიკზე წარმოდგენილია 150 რესპოდენტის მიერ 10 ქულიან სკალაზე გაცემული პასუხები (ჩანართი 24.9).</p>
<p>----------------------<br/> <strong>ჩანართი 24.9</strong><br/> <strong>თანამშრომლების მიერ კოორდინატორის როლის საკუთარი ინიციატივით აღება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214491?profile=original"/><br/> როგორც ვხდავთ, გრძელი „კუდი“ დიაპაზონის ზედა ბოლოსკენ ეშვება და ქულების უმეტესობა დიაპაზონის ქვედა ბოლოსკენაა თავმოყრილი. მიუხედავად იმისა, რომ ქულების დიდი ნაწილი დიაპაზონის ქვედა ბოლოსკენაა თავმოყრილი, გრძელი „კუდის“ ზედა მხარისკენ დაშვების გამო, განაწილებას დადებითად ასიმეტრიული ეწოდება. მონაცემების ასიმეტრიულობა მონაცემები მნიშვნელოვანი და საყურადღებო მახასიათებელია.</p>
<p> ინტერვალების და შეფარდების სკალის შემთხვევაში, მოდალური ქულებისა და ნიშანთა შეუღლების ცხრილების გარდა, საშუალო (საშუალო არითმეტიკული) და სტანდარტული გადახრა შეგვიძლია გამოვთვალოთ. ვთქვათ, გვაქვს 1,000 მოსწავლის ტესტის შედეგი, რომელშიც მაქსიმალური შეფასება 10 ქულაა (ჩანართი 24.10).</p>
<p>----------------------<br/> <strong>ჩანართი 24.10</strong><br/> <strong>ტესტის ქულების განაწილება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214580?profile=original" class="align-center"/><br/> ----------------------</p>
<p> ამ მაგალითში შეგვიძლია, გამოვთვალოთ საშუალო, რომელიც 5.48-ის ტოლია. ასევე, შეგვიძლია, სტანდარტული გადახრის გამოთვლა, რომელიც ქულების გაფანტულობის სტანდარტულ საზომს წარმოადგენს, ანუ, გვიჩვენებს, თუ რამდენად განსხვავდება თითოეული ქულა განაწილების საშუალოსგან. ქვემოთ მოცემულია სტანდარტული გადახრის გამოთვლის უმარტივესი ფორმულა (ამის რამდენიმე გზა არსებობს):</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214633?profile=original"/></p>
<p> მცირე სტანდარტული გადახრა გვიჩვენებს, რომ ქულები ერთადაა შეჯგუფებული, ხოლო დიდი სტანდარტული გადახრა, მათ ფართოდ გაფანტულობაზე მიგვითითებს. სტანდარტული გადახრა ავტომატურად, ერთ ღილაკზე დაჭრით გამოითვლება ისეთ კომპიუტერულ პროგრამებში, როგორიც SPSS-ია.</p>
<p> ამ მაგალითში სტანდარტული გადახრა 2.134-ის ტოლია. რას გვეუბნება ეს მაჩვენებელი? პირველ რიგში, ის გვიჩვენებს, რომ მიღებული ნიშნები არ არის მაღალი (საშუალო 5.48). მეორე, ის, ასევე, გვიჩვენებს, რომ ქულებს შორის საკმაო ცვალებადობაა და მესამე, მიგვანიშნებს, რომ ქულები ძალიან არათანაბრადაა გაფანტული, ფაქტობრივად, ქულების ერთი კლასტერი 3 და 4 კატეგორიების ახლოს გვაქვს, ხოლო მეორე - 7 და 8 კატეგორიების ახლოს. აი, სწორედ აქ გამოგვადგება ხაზოვანი გრაფიკი ქულების წარმოსადგენად, რადგან ის ამ ორ პიკს ნათლად გვიჩვენებს (ჩანართი 24.11).</p>
<p>----------------------<br/> <strong>ჩანართი 24.11</strong><br/> <strong>ტესტის ქულების გაზომვის გრაფიკი</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214670?profile=original"/></p>
<p> სტანდარტული გადახრის მითითება მნიშვნელოვანია. მაგალითად, განვიხილოთ შემდეგი მაგალითი. შევხედოთ რიცხვების სამ ჯგუფს:</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214781?profile=original"/></p>
<p> თუ ამ რიცხვებს სამი ცალკეული გრაფიკის სახით გამოვსახავთ, ძალიან განსხვავებულ შედეგებს მივიღებთ.</p>
<p> ჩანართი 24.12 გვიჩვენებს, რომ საშუალოზე დიდ გავლენას ახდენს ერთი ქულა 20, რომელიც განცალკევებულია ყველა სხვა ქულისგან (უკიდურესი ქულა - „ოუტლიერ“ - ქულა, რომელიც დაშორებულია სხვა ქულებისგან). ფაქტობრივად, ყველა სხვა დანარჩენი ოთხი ქულა საშუალოს ქვემოთ მდებარეობს. ქულა 20 არღვევს მონაცემების პროპორციულობას და მოქმედებს საშუალოზე - ზრდის მის მნიშვნელობას. ზოგიერთი სტატისტიკური პაკეტი (მაგალითად, SPSS) უკიდურესი რიცხვითი მნიშვნელობების გაუქმების საშუალებას იძლევა. თუ მონაცემები ფართოდაა გაფანტული, მაშინ ცენტრალური ტენდენციის საზომად მიზანშეწონილია არა საშუალოს, არამედ მედიანის გამოყენება. SPSS-ის საშუალებით ეს ყველაფერი ღილაკზე დაჭერით ავტომატურად კეთდება. მედიანა მონაცემების დიაპაზონის შუაში მდგომი ქულაა. თუ დაკვირვებათა წყვილი რაოდენობა გვაქვს, მაშინ მედიანა ორი შუათანა ქულის საშუალო იქნება.</p>
<p>----------------------<br/> <strong>ჩანართი 24.12</strong><br/> <strong>საშუალოს ირგვლივ განაწილება და უკიდურესი მდგომი ქულა</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214727?profile=original"/><br/> ----------------------</p>
<p> ჩანართი 24.13 გვიჩვენებს, რომ ერთი ქულა ზუსტად საშუალოს ტოლია, დანარჩენები კი მისგან გარკვეულად განსხვავდებიან. ქულები ფართოდ არიან გაფანტულნი და გრაფიკი ბრტყელია (ბრტყელ/ბლაგვპიკიანი განაწილება).</p>
<p>----------------------<br/> <strong>ჩანართი 24.13</strong><br/> <strong>ქულების ბრტყელ/ბლაგვპიკიანი განაწილება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214915?profile=original"/></p>
<p> ჩანართი 24.14 გვიჩვენებს საშუალოსთან ძალიან ახლოს თავმოყრილ ქულებს, რომელთა შესაბამის გრაფიკულ გამოსახულებას ძალიან წამახვილებული პიკი აქვს (მახვილპიკიანი განაწილება)</p>
<p>----------------------<br/> <strong>ჩანართი 24. 14</strong><br/> <strong>ქულების მახვილპიკიანი განაწილება</strong></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064214922?profile=original"/><br/> ----------------------</p>
<p> წარმოდგენილი ჩანართის ძირითადი არსი შემდეგია: საკმარისი არ არის უბრალოდ საშუალოს გამოთვლა და მისი მითითება. უფრო სრული სურათის მისაღებად ქულების გაფანტვასაც უნდა მივაქციოთ ყურადღება. ამისათვის გვჭირდება სტანდარტული გადახრა, რომელიც მონაცემების დიაპაზონსა და გაფანტულობის ხარისხს გვიჩვენებს, თუმცა, სტანდარტული გადახრა უკიდურესი ქულებისადმი მგრძნობიარეა. ზოგი ქულა ფართოდ იქნება გაფანტული (პირველი გრაფიკი), ზოგი - თანაბრად (მეორე გრაფიკი), ზოგი კი - ერთად იქნება თავმოყრილი (მესამე გრაფიკი). დიდი სტანდარტული გადახრა ქულების ფართოდ გაფანტულობაზე მიუთითებს, მცირე კი - ქულების ერთად შეჯგუფებაზე.</p>
<p> ზოგადი წესია, რომ საშუალო გამოსადეგი სტატისტიკური სიდიდეა, თუ მონაცემები სიმეტრიულია (ანუ, თუ ისინი განაწილების მრუდის რომელიმე ბოლოსკენ არ გროვდებიან), ან თუ არ არსებობს უკიდურესი ქულები, რომლებიც განაწილების დისპროპორციას გამოიწვევდნენ. გავიხსენოთ, რომ საშუალო, როგორც მხოლოდ სტატისტიკური გამოთვლა, ზოგჯერ შეიძლება უცნაურ შედეგებსაც გვაძლევდეს, ამის მაგალითია პიროვნების რხევები.</p>
<p> მედიანა რიგის სკალის მონაცემებისთვის გამოდგება, მაგრამ მას რომ აზრი ჰქონდეს, ბევრი ქულაა საჭირო და არა მხოლოდ - რამდენიმე. მედიანას შემთხვევაში, უკიდურესი ქულის პრობლემა დაძლეულია და ამიტომ, ის გამოსადეგია ასიმეტრიული განაწილებისთვის. მოდალური ქულა ყველა სკალის მონაცემისთვის გამოდგება, განსაკუთრებით, სახელდებისა და რიგის სკალებისთვის, ანუ, წყვეტილი და არა - უწყვეტი მონაცემებისთვის და მასზე უკიდურესი ქულები არ იმოქმედებს. თუმცა, ის თავის ძალას კარგავს, ბევრი, სხვადასხვა მნიშვნელობის მქონე ქულის არსებობის შემთხვევაში, რომელთა შორისაც ერთნაირი სიხშირით ბევრი ქულა გვხვდება (მაგალითად, როცა რეიტინგის სკალაზე მხოლოდ რამდენიმე პუნქტია).</p>
<p> ალბათობის ტესტის ლაიკერტის ტიპის მაგალითებში გამოყენება წიგნის თანმხლებ ვებ გვერდზეა მოცემული.</p>
<h2 align="center" style="font-size: 20px; color: black;">შეჯამება</h2>
<p> რა შეგვიძლია გავაკეთოთ მარტივი სიხშირეების საშუალებით მონაცემების აღწერით ანალიზში? ამ კითხვაზე პასუხი მონაცემების სკალზეა დამოკიდებული (სახელდების, რიგის, ინტერვალების, შეფარდების). ოთხივე სკალისთვის შეგვიძლია დავთვალოთ სიხშირეები და პროცენტები და ისინი სხვადასხვანაირად განვიხილოთ. ასევე, შეგვიძლია, გამოვთვალოთ მოდა და წარმოვადგინოთ ნიშანთა შეუღლების ცხრილები. ამ ცხრილებში შეგვიძლია, გავაერთიანოთ კატეგორიები და შევამჭიდროვოთ ცხრილები ისე, რომ საწყისი მონაცემების სენსიტიურობა არ დაიკარგოს. გარდა ამისა, შეგვიძლია, გამოვთვალოთ მედიანა, რომელიც განსაკუთრებით გამოსადეგია, მონაცემების ფართოდ გაფანტულობის ან უკიდურესი ქულების არსებობის შემთხვევაში. ინტერვალებისა და შეფარდების სკალის მონაცემებისთვის, ასევე, შეგვიძლია, საშუალო და სტანდარტული გადახრა გამოვთვალოთ. საშუალო ქულების საშუალო არითმეტიკულია, სტანდარტული გადახრა კი საშუალოს ირგვლივ ქულების გაფანტვის დიაპაზონს გვიჩვენებს, ანუ, შეგვიძლია ვნახოთ, მონაცემები ფართოდაა გაფანტული (მაგალითად, როგორც ბრტყელ/ბლაგვპიკიან განაწილებაში), თუ გამოკვეთილი პიკის ირგვლივაა შემჭიდროვებული (მახვილპიკიან განაწილებაში). სიხშირეებისა და პროცენტების განხილვისას მონაცემების ასიმეტრიულობასც უნდა გავითვალისწინოთ, ანუ, უნდა ვნახოთ არის თუ არა გრაფიკი სკალის ერთი ან მეორე ბოლოსკენ ასიმეტრიული. დადებითი ასიმეტრიის შემთხვევაში, გრაფიკის გრძელი „კუდი“ სკალის დადებით მხარესაა, ხოლო მონაცემების დიდი ნაწილი უარყოფით, ბოლოშია თავმოყრილი. უარყოფითი ასიმეტრიის შემთხვევაში კი, პირიქით, გრაფიკის გრძელი „კუდი“ უარყოფით მხარეს მდებარეობს და მონაცემების ძირითადი ნაწილი დადებით ბოლოშია თავმოყრილი.</p>
<p></p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/dafuznebuli" title="დაფუძნებული თეორია"><span style="color: blue;">◄ წინა ნაწილი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/mnishvnelovnoba" title="სტატისტიკური მნიშვნელოვნობა, ჰიპოთეზის შემოწმება და ეფექტის ზომა"><span style="color: blue;">მომდევნო ნაწილი ►</span></a></div>
</td>
</tr>
</tbody>
</table>
</div>
<p></p>
<p>[1] Bynner and Stribley ( (1979: 242) ალფას მნიშვნელობების სასარგებლო ცხრილს გვთავაზობენ, რომელშიც მოცემულია rii-ის მნიშვნელობები 0.05-დან 0.80-მდე და დებულებების ნომრების მნიშვნელობები 2-დან 50-მდე. შესაძლებელია ალფას მნიშვნელობების ინტერპოლაცია. იხ. Bynner, J. and Stribley, K. M. (eds.) (1979) Social Research: Principles and Procedures. London: Londgman and the Open University Press, Table 19. 1.</p>
<p>[2] - ცროსს-ტაბულატიონ –ლიტერატურაში ხშირად პირდაპირ ასე გამოიყენება (მთარგმნელის შენიშვნა)</p> დაფუძნებული თეორიაtag:www.qwelly.com,2017-12-08:6506411:Topic:13002452017-12-08T11:07:05.302Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 23</strong><br></br> <em>ნაწილი II</em></p>
<div style="font-size: 15px; color: black;"><p> თვისებრივი მონაცემების შემთხვევაში ახალი თეორია თანდათანობით, მონაცემებზე დაყრდნობით შეიძლება ჩამოყალიბდეს. თეორიის ჩამოყალიბების მნიშვნელოვან მეთოდს დაფუძნებული თეორია წარმოადგენს. დაფუძნებული თეორია უფრო ინდუქციურია, ვიდრე კონტენტ ანალიზი, რადგან თეორიები მონაცემებიდან წარმოიქმნება და…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 23</strong><br/> <em>ნაწილი II</em></p>
<div style="font-size: 15px; color: black;"><p> თვისებრივი მონაცემების შემთხვევაში ახალი თეორია თანდათანობით, მონაცემებზე დაყრდნობით შეიძლება ჩამოყალიბდეს. თეორიის ჩამოყალიბების მნიშვნელოვან მეთოდს დაფუძნებული თეორია წარმოადგენს. დაფუძნებული თეორია უფრო ინდუქციურია, ვიდრე კონტენტ ანალიზი, რადგან თეორიები მონაცემებიდან წარმოიქმნება და მონაცემების მოპოვებამდე არ არსებობს. სტრაუსი და კორბინი (Strauss and ჩორბინ 1994: 273) აღნიშნავენ: „დაფუძნებული თეორია თეორიის ჩამოყალიბების ზოგადი მეთოდოლოგიაა, რომელიც სისტემატურად შეგროვილ და გაანალიზებულ მონაცემებს ეფუძნება“. დაფუძნებული თეორიის პრინციპების შეჯამების საილუსტრაციოდიხ. წიგნის თანმხლები ვებგვერდი. საყურადღებოა ამ განსაზღვრების რამდენიმე მახასიათებელი:</p>
<ul>
<li>თეორია არ არის წინასწარ განსაზღვრული და შემოწმებული, იგი და განვითარებადია;</li>
<li>თეორია მონაცემებიდან ყალიბდება და ვითარდება და არა - პირიქით;</li>
<li>თეორიის ჩამოყალიბება მონაცემების სისტემატური შეგროვებისა და ანალიზის შედეგი და თანმხლები პროცესია;</li>
<li>ტენდენციები თეორიები იმპლიციტურად, თავისთავად არსებობს მონაცემებში, უბრალოდ საჭიროა მათი აღმოჩენა.</li>
</ul>
<p> გლასერი (1996) თვლის, რომ „დაფუძნებული თეორია მონაცემებიდან თეორიის სისტემატური ჩამოყალიბებაა“; ეს ინდუქციური პროცესია, რომელშიც ყველაფერი ინტეგრირებულია და მონაცემების წყობას (პატერნებს) თავად მონაცემებივე ქმნიან და არა - მკვლევარი, ვინაიდან მოქმედებები სხვა მოქმედებებთანაა დაკავშირებული. გლასერისა და სტრაუსის (1967) ძირითად ნაშრომში უარყოფილია მარტივი წრფივი მიზეზობრიობა და მონაცემების კონტექსტიდან ამოვარდნა. ავტორები ამავე ნაშრომში ამტკიცებენ, რომ სამყარო, რომელშიც მონაწილეები ცხოვრობენ, მრავალპარამეტრიანი, მრავალგანზომილებიანი და შეკრულია. როგორც გლასერი (1996) ამბობს, „სამყარო არ ჩნდება ვაკუუმში“ და მკვლევარმა მხედველობაში უნდა იქონიოს მოქმედებების ურთიერთდაკავშირებულობა. ყოველდღიურ ცხოვრებაში მოქმედებები ერთმანეთთანაა დაკავშირებული და ადამიანები ბუნებრივად ამყარებენ ამ კავშირებს. ეს ყოველდღიური ცხოვრების ნაწილია და ამიტომ დაფუძნებული თეორია წვდება კვლევის ნატურალისტურ ელემენტს და მას სისტემატური მეთოდოლოგიის სახით აყალიბებს. ყოველდღიური, ყოფითი მოქმედებების კომპლექსურობისა და ურთიერთდაკავშირებულობის გაგების მცდელობისას დაფუძნებული თეორია ადამიანების მოქმედებას ზუსტად და დაწვრილებით აღწერს. ის მოქმედებებში არსებულ არათანმიმდევრულობას, წინააღმდეგობებს, წყვეტასა და დაკავშირებულობას ითვალისწინებს. როგორც გლასერი (1996) ამბობს, „დაფუძნებული თეორია იმითაა მიმზიდველი, რომ ის ზუსტად იმას წვდება, რაც ხდება.“ ფლიკი (1998: 41) წერს, რომ „მიზანს არა ცვლადებად დაყოფის გზით კომპლექსურობის შემცირება, არამედ კონტექსტის დამატებით კომპლექსურობის გაზრდა წარმოადგენს“.</p>
<p> დაფუძნებული თეორია სისტემატური თეორიაა, რომელიც თეორიული შერჩევისთვის, მუდმივი შედარების კოდირებისთვის, ძირითადი ცვლადების იდენტიფიცირებისთვის და თეორიის შევსებისთვის სისტემატიზირებულ მეთოდებს (განხილულია ქვემოთ) იყენებს. დაფუძნებული თეორია არ გამორიცხავს რაოდენობრივ მეთოდებს, პირიქით, ის ეფუძნება მათ (Glaser 1996) იმ თვალსაზრისით, რომ თვისებრივი მონაცემებისთვის სტატისტიკურ ტექნიკებში გამოყენებული ზოგიერთი ანალიტური მეთოდის (მაგალითად, მრავალგანზომილებიანი ანალიზის) გამოყენებას ცდილობს. დაფუძნებულ თეორიაში მკვლევარი არკვევს, თუ რა არის რელევანტური. საგულისხმოა, რომ გლასერისა და სტრაუსის (1967) ნაშრომის სახელწოდებაა: „დაფუძნებული თეორიის აღმოჩენა“ (The Discovery of Grounded Theory).</p>
<p> დაფუძნებული თეორია ყველაზე მეტად თეორიის ხედვით განსხვავდება რაოდენობრივი, პოზიტივისტური კვლევისგან. პოზიტივისტურ კვლევაში ჯერ თეორია არსებობს, რომელიც მოწმდება და მკვლევარი მონაცემებიდან ასკვნის, არის თუ არა თეორია მყარი და შესაძლებელია თუ არა მისი დასაბუთება. მონაცემებს „აიძულებენ“, რომ მოერგოს თეორიას. დაფუძნებული თეორია, პირიქით, არ ცდილობს მონაცემების წინასწარ განსაზღვრულ თეორიაზე მორგებას (Glasser and Strauss 1967: 3). სინამდვილეში, ინდუქციურ და დედუქციურ</p>
<p> კვლევას შორის განსხვავება იმაზე ნაკლებად შესამჩნევია, ვიდრე ეს ერთი შეხედვით ჩანს. მაგალითად, დედუქციური დასკვნის ჩამოაყალიბებამდე, მკვლევარმა თეორია და კატეგორიები ინდუქციურად უნდა ჩამოაყალიბოს. დაფუძნებული თეორია მონაცემებით იწყებს, რომლებიც შემდეგ გაანალიზდება და გადაისინჯება, რათა შესაძლებელი გახდეს მათგან თეორიის ჩამოყალიბება. ის მხოლოდ მონაცემებიდან როდი იღებს სათავეს; თეორია მიიღება მონაცემებიდან - ის დაფუძნებულია მონაცემებზე და წარმოიქმნება მათგან. როგორც ლინკოლნი და გუბა (1985: 205) ამტკიცებენ, დაფუძნებული თეორია საკვლევ სიტუაციას უნდა ერგებოდეს.</p>
<p> გლასერი (1996) წერს, რომ „ფორსირების მეთოდოლოგიები ძალიან გაბატონებული იყო“, განსაკუთრებით პოზიტივისტურ კვლევაში. ამრიგად, დაფუძნებული თეორია იძულებული იყო უარი ეთქვა წინასწარ არსებული თეორიებით კვლევის ფორსირებაზე ან მისი ბუნების შეზღუდვაზე. ვინაიდან დაფუძნებული თეორია გამიჯნულია ნებისმიერი წინასწარ მიღებული იდეისგან და მონაცემებს თეორიის წარმოქმნის საშუალებას უტოვებს, ამ მიმართულებით მომუშავე მკვლევარს გარკვეული უნარები ესაჭიროება, მაგალითად:</p>
<ul>
<li>ტოლერანტობა და მიმღებლობა მონაცემებისა და ახლად წარმოქმნილი ერთეულების მიმართ;</li>
<li>გაუგებრობასა და უკან დახევასთან (დისკომფორტის განცდა, იმ შემთხვევაში, თუ თეორიის მომენტალური და მკაფიო გამოვლინება ვერ ხერხდება) შეგუება;</li>
<li>თეორიის დროზე ადრე, დაუმთავრებელი სახით ფორმულირებისთვის წინააღმდეგობის გაწევა;</li>
<li>მონაცემებისადმი დიდი ყურადღების გამოჩენის უნარი;</li>
<li>მზაობა თეორიის ჩამოყალიბების პროცესში ჩართვისთვის და არა - მისი შემოწმებისთვის. ეს ემპირიული, გამოცდილებაზე დაფუძნებული მეთოდოლოგიაა;</li>
<li>განვითარების პროცესში მყოფ კატეგორიებთან და არა - წინასწარ განსაზღვრულ, მზა კატეგორიებთან, მუშაობის უნარი.</li>
</ul>
<p> ვინაიდან თეორია არ არის წინასწარ განსაზღვრული, საკვლევი თემის შესახებ არსებული ლიტერატურის მიზანმიმართული კითხვა არც ისე შედეგიანია, როგორც სხვა სახის კვლევებში (მაგალითად, კვლევის საკითხების ჩამოყალიბებისთვის ლიტერატურის მიმოხილვის გამოყენება). სინამდვილეში, ეს სახიფათოც კი შეიძლება იყოს, ვინაიდან შეიძლება დროზე ადრე დაიხუროს საკვლევი თემა ან წინასწარ განისაზღვროს, თუ რას დაინახავს მკვლევარი მონაცემებში. ასევე, მკვლევარმა შეიძლება მოცემულ პრიზმაში დაინახოს მონაცემები და არა - ახალი კუთხით. ვინაიდან მკვლევარმა არ იცის, რას აღმოაჩენს, შესაბამისად, ვერც ის ეცოდინება ზუსტად, თუ რა უნდა წაიკითხოს თეორიის დაფუძნებამდე. მან ფართო სპექტრის ლიტერატურა უნდა იკითხოს, საკვლევ სფეროზე და მის გარეთ და არა - ვიწროდ სპეციალიზებული და კონკრეტული მიმართულებით ფოკუსირებული.</p>
<p> დაფუძნებული თეორიის რამდენიმე ელემენტი არსებობს, რომლებიც მის სისტემატურ ბუნებას ქმნიან. ახლა, სწორედ ამ ელემენტებს განვიხილავთ.</p>
<h2 align="center" style="font-size: 20px; color: black;">თეორიული შერჩევა</h2>
<blockquote><p> თეორიულ შერჩევაში მონაცემები მუდმივი გამეორების საფუძველზე გროვდება და მკვლევარი მანამდე ავსებს შერჩევას, ვიდრე საკმარისი მონაცემი არ დაუგროვდება იმისათვის, რომ აღწეროს საკვლევ კონტექსტში ან სიტუაციაში მიმდინარე მოვლენები და ვიდრე „თეორიულ სისავსეს“ (განხილულია ქვემოთ) არ მიაღწევს. მკვლევარს წინასწარ ვერ ეცოდინება, როდის დადგება ეს მომენტი, იგი კვლევის დასრულებამდე ვერ განსაზღვრავს შერჩევის მოცულობას ან რეპრეზენტაციულობას. თეორიულ შერჩევაში მონაცემების შეგროვება იმდენი მონაცემის მიღებამდე გრძელდება, რამდენიც საკმარისი იქნება მიმდინარე მოვლენის თეორიული ახსნის ფორმულირებისთვის და მისი ძირითადი მახასიათებლების შემადგენელი ნაწილების აღწერისთვის. ეს რეპრეზენტაციულობის საკითხი კი არ არის, არამედ თეორიის წარმოქმნის საშუალებას იძლევა. როგორც გლასერი და სტრაუსი (1967) წერენ თეორიული შერჩევა მონაცემების შეგროვების პროცესია, რომელიც თეორიის ჩამოყალიბებას ისახავს მიზნად და სადაც ანალიტიკოსი ერთდროულად აგროვებს, ახდენს მონაცემების კოდირებას და აანალიზებს თავის [სიც.]მონაცემებს და გადაწყვეტს, რა მონაცემები შეაგროვოს მომავალში და სად მოიპოვოს ისინი, რათა ობიექტურად ჩამოაყალიბოს თავისი თეორია, ანუ ისე, როგორც რეალურად ყალიბდება და ვითარდება. მონაცემების შეგროვების ამ პროცესს ჩამოყალიბების პროცესში მყოფი თეორია აკონტროლებს.<br/> (Glasser and Strauss 1967: 45)</p>
</blockquote>
<p> გლასერი და სტრაუსი წერენ, რომ „თეორიის აღმოჩენისთვის შესადარებელი ჯგუფების არჩევის ბაზისური კრიტერიუმი წარმოქმნის პროცესში მყოფი კატეგორიების შემდგომი განვითარებისთვის მათი თეორიული შესატყვისობაა“ (Glasser and Strauss 1967: 49) და არა, შერჩევის ტრადიციული სტრატეგიები.</p>
<h2 align="center">კოდირება</h2>
<blockquote><p>კოდირება მონაცემების დანაწევრებისა და ხელახლა გაერთიანების პროცესია. მონაცემების დანაწევრებისას ისინი სტრიქონებად, აბზაცებად ან სექციებად იყოფა. ეს ფრაგმენტები, შემდეგ კოდირების მეშვეობით ხელახლა წესრიგდება, რათა ახლებული ხედვის ჩამოყალიბებით მთელ რიგ სხვადასხვაგვარ შემთხვევებს შორის მსგავსებები და განსხვავებებიშევისწავლოთ. კოდირება საწყის ეტაპზე დამაბნეველია უამრავი აშკარად ერთმანეთის შეუსაბამო მასალის თვალსაზრისით; თუმცა, კოდირების პროცესთან და თემების გამოკვეთასთან ერთად, ანალიზი უფრო ორგანიზებული და სტრუქტურირებული ხდება.<br/> (Ezzy 2002: 94)</p>
</blockquote>
<p> დაფუძნებულ თეორიაში სამი სახის კოდირება არსებობს: ღია, ღერძული და სელექციური; კოდირების მიზანია მონაცემების ადვილად სამართავ ნაწილებად დაყოფა, რათა ხელი შეუწყოს და გააადვილოს საკვლევი ფენომენის გაგება. ღია კოდირება მონაცემების შესწავლას, ანალიზის ერთეულების გამოყოფას და მნიშვნელობების, გრძნობების, მოქმედებების, მოვლენების და ა.შ. კოდირებას მოიცავს. მკვლევარი ახდენს მონაცემების კოდირებას, საჭიროებისამებრ, ქმნის ახალ კოდებს, კატეგორიებსა და ქვეკატეგორიებს და, სადაც მართებულია, მანამ აერთიანებს კოდებს, ვიდრე სრულად არ მოახდენს მის ხელთ არსებული ტექსტის კოდირებას. ღერძული კოდირება კატეგორიებსა და კოდებს შორის კავშირების დამყარებას და „ცენტრალური კატეგორიების ღერძების ირგვლივ კოდების გაერთიანებას“ ცდილობს (Ezzy 2002: 91). ღერძული კოდირების არსი კატეგორიების ურთიერთდაკავშირებაა (Cresswell 1998: 57). აქედან გამომდინარე, ხდება კოდების გამოკვლევა, მათი ურთიერთმიმართებების შესწავლა და კოდების და კატეგორიების არსებულ თეორიასთან შედარება. სელექციური კოდირება ძირითადი კოდის იდენტიფიცირებას გულისხმობს; ამასთან, გამოიკვეთება და დაზუსტდება ძირითად კოდსა და სხვა კოდებს შორის მიმართება (Ezzy 2002: 93) და კოდირების სქემა უკვე არსებულ თეორიასთან შედარდება. კრესველი (Cresswell 1998: 57) წერს, რომ „სელექციური კოდირებისას მკვლევარი ადგენს „თხრობის ხაზს“ და წერს ამბავს, რომელიც ღერძული კოდირების მოდელში კატეგორიებს აერთიანებს“.</p>
<p> კოდირებისპროცესთან ერთად მკვლევარი აყალიბებს ცნებებს და ერთმანეთთან აკავშირებს მათ. ფლიკი და მისი კოლეგები (2004: 19) ამტკიცებენ, რომ „მონაცემების განმეორებით კოდირებას ცნებებს შორის მჭიდრო ურთიერთობამდე და, აქედან გამომდინარე, თეორიამდე მივყავართ“, ანუ, თეორიულ ფორმულირებაში გათვალისწინებულია მონაცემების მრავალფეროვნება და სიმდიდრე.</p>
<h2 align="center" style="font-size: 20px; color: black;">მუდმივი შედარება</h2>
<p> ღია, ღერძული და სელექციური კოდირება მუდმივი შედარების მეთოდს იყენებს. მუდმივი შედარებისას მკვლევარი ახალ მონაცემებს ადარებს უკვე არსებულ მონაცემებსა და კატეგორიებს ისე, რომ კატეგორიები იდეალურად მოერგოს მონაცემებს. თუ მონაცემები და კატეგორიები ან, სინამდვილეში, თეორია და მონაცემები არ შეესაბამება ერთმანეთს, მაშინ კატეგორიები და თეორიები მანამდე უნდა მოდიფიცირდეს, ვიდრე ყველა მონაცემი არ აიხსნება. წინააღმდეგობრივი და განსხვავებული შემთხვევების გარეშე რომ შესაძლებელი გახდეს კარგად მორგებული მონაცემების მიღება და აკომოდაცია, ახალი და განვითარებადი კატეგორიები იქმნება. გლასერი და სტრაუსი (1967: 102) წერენ, რომ „ერთდროული კოდირების მუდმივი შედარების მეთოდისა და ანალიზის მიზანია თეორიის ჩამოყალიბება... ექსპლიციტური კოდირებისა და ანალიტიკური პროცედურების გამოყენებით“. ეს თეორია არ არის მოწოდებული „უნივერსალობის დასადგენად ან შემოთავაზებული მიზეზების ან სხვა თვისებების დასამტკიცებლად. ვინაიდან დასამტკიცებელი არაფერია, მუდმივი შედარების მეთოდი... მხოლოდ მონაცემების სისავსეს საჭიროებს და არა - ყველა არსებული მონაცემის განხილვას“.</p>
<p> მუდმივი შედარებისას კატეგორიებისა და ფორმირებადი (დაფუძნებული) თეორიისთვის ყველა არსებული მონაცემის მორგებისას განსხვავებული, ნეგატიური და საწინააღმდეგო შემთხვევები მნიშვნელოვან როლს ასრულებენ. მუდმივი შედარება ის პროცესია, „რომელშიც სხვადასხვა მონაცემების თვისებების და კატეორიების ერთმანეთთან უწყვეტი შედარება ხდება მანამდე, სანამ ცვალებადობა საერთოდ არ გაქრება“ (Glaser 1996), ანუ, ვიდრე თეორიული სისავსე არ მიიღწევა. მუდმივი შედარებისას ერთმანეთს ადარებენ მონაცემებს სიტუაციების, დროის, ადამიანთა ჯგუფების მიხედვით და ეს მთელი რიგი მეთოდების გამოყენებით ხდება. ეს პროცესი ტრიანგულაციის მეთოდოლოგიურ ცნებას ეხმიანება. გლასერისა და სტრაუსის (1967: 105 – 13) მოსაზრებით, მუდმივი შედარების მეთოდი ოთხ ეტაპს მოიცავს. ეს ეტაპებია: თითოეული კატეგორიის შესაფერისი შემთხვევებისა და მონაცემების შედარება; ამ კატეგორიებისა და მათი თვისებების გაერთიანება; თეორიის მოხაზვა; თეორიის ფორმულირება. პირველი ეტაპი მოიცავს შემთხვევების კოდირებასა და მათ შედარებას იმავე და განსხვავებულ ჯგუფებში გაერთიანებულ წინა შემთხვევებთან და იმავე კატეგორიაში მოხვედრილ სხვა მონაცემებთან. მეორე ეტაპი გულისხმობს ჩანიშვნების, კომენტარების გაკეთებასა და შემდგომ კოდირებას. ამ ეტაპზე „იცვლება მუდმივი შედარების ერთეულები; ეს ჯერ შემთხვევისა და შემთხვევის შედარებაა, ხოლო შემდეგ — შემთხვევისა და კატეგორიის თვისების შედარება, რომელიც შემთხვევების თავდაპირველი შედარების შედეგად არის მიღებული“ (Glasser and Strauss 1967: 108). მესამე ეტაპი - საზღვრების დადგენა, თეორიისა და კატეგორიების დონეზე მიმდინარეობს. ამ ეტაპზე ხდება ძირითადი ერთგვაროვნების და თვისებების აღმოჩენა, შესაბამისად, მცირდება განხორციელებულ ცვლილებათა რიცხვი. ამასთან, ეს ის ეტაპია, რომელზეც თეორიული სისავსე მიიღწევა. ბოლო ეტაპი, თეორიის ფორმირება, მაშინ ხდება, როდესაც მკვლევარს შეგროვილი და შექმნილი აქვს კოდირებული მონაცემები, ჩანაწერები/ჩანიშვნები ამ მონაცემების შესახებ და თეორია, რომელიც საბოლოდ წერილობითი სახით ფორმდება.</p>
<p> მონაცემების ნაწილების გადასინჯვით, კერძოდ, დამადასტურებელი, ნეგატიური და განსხვავებული შემთხვევების მოძიებით, მკვლევარს ეძლევა საშუალება, კონკრეტული თეორიისთვის მიიღოს ამ შემთხვევების „შუალედური ჯამი“. მკვლევარი საკვლევი ფენომენებისთვის ალტერნატიურ თეორიებსაც აყალიბებს და ანალოგიურად ითვლის დამადასტურებელ, ნეგატიურ და განსხვავებულ შემთხვევებს. ლინკოლნისა და გუბას (1985) მტკიცებით, ყველაზე მყარია თეორია, რომელშიც ყველაზე ბევრი დამადასტურებელი და ყველაზე ცოტა ნეგატიური და განსხვავებული შემთხვევა მოიძებნება.</p>
<p> ლეკომტისა და პრეისლის (1933: 256) აზრით, მუდმივი შედარებისას ხდება კატეგორიების ინდუქციური კოდირების კომბინირება (ზემოთ განვიხილეთ) და ამ პროცესით მიღებული კოდების იმავდროული შედარება სხვა მოვლენებთან და სოციალურ შემთხვევებთან, რომლებიც სხვადასხვა დროსა და სივრცეში იქნა აღმოჩენილიდა კოდირებული. ასეთი შედარება საშუალებას იძლევა სხვადასხვა კატეგორიის მიხედვით ერთმანეთს შედარდეს სოციალური ფენომენები, რის შედეგადაც აუცილებლად წარმოქმნება ახალი განზომილებები, კოდები და კატეგორიები. გლასერი (1978) მიუთითებს, რომ მუდმივი შედარება შეიძლება მონაცემების შეგროვებასთან ერთად დაიწყოს, გაგრძელდეს ძირითადი საკითხებისა და კატეგორიების ძიებისას, მონაცემებში განმეორებადი მოვლენების ან აქტივობების აღმოჩენისას, რომლებიც ძირითად კატეგორიებად იქცევა კატეგორიების დიაპაზონის გაფართოვებისას. ეს პროცესი წერის დროსაც კი შეიძლება გრძელდებოდეს, რომელიც, თავის მხრივ, კვლევის პარალელურად, უწყვეტად უნდა მიმდინარეობდეს, რათა შესაძლებელი იყოს ფენომენის ისეთი მოდელის ან ახსნის ჩამოყალიბება, რომელიც ფუნდამენტურ სოციალურ პროცესებსა და ურთიერთობებს ახსნიდა.</p>
<h2 align="center" style="font-size: 20px; color: black;">ძირითადი ცვლადები და თეორიული სისავსე</h2>
<p> მუდმივი შედარების გამოყენებით ძირითადი ცვლადების დადგენა ხდება. ეს ის ცვლადებია, რომლითაც მონაცემების დიდი ნაწილი აიხსნება და რომლებიც, რაც შეიძლება, მჭიდროდაა დაკავშირებული ერთმანეთთან. ესაა ცვლადები, რომლის ირგვლივაც იყრის თავს მონაცემების უმრავლესობა. როგორც ფლიკი და მისი კოლეგები (2004: 19) აღნიშნავენ, „ცნებების თანმიმდევრულ გაერთიანება სურთ ან რამდენიმე ძირითად კატეგორიასთან და ამით, ფორმირებადი თეორიის ბირთვამდე მივყავართ“.</p>
<p> თეორიული სისავსე მაშინ მიიღწევა, როდესაც ახალი მონაცემების დამატების მიუხედავად, ახალი კოდები ან კატეგორიები აღარ წარმოიქმნება, აღარ არსებობს ახალი მიგნებები და, ასევე, ჩვენ ხელთ არსებული ყველა მონაცემი ძირითადი კატეგორიებითა და ქვეკატეგორიებით აიხსნება (Glaser and Strauss 1967: 61). როგორც ეზი (2002: 93) შენიშნავს: „თეორიული სისავსე მაშინ მიიღწევა, როცა დასრულებული კოდირება ჩამოყალიბების პროცესში მყოფი თეორიის ადეკვატურია და ავსებს მას“. ცხადია, კატეგორიების სისავსის შესახებ დარწმუნებით ვერასოდეს ვიმსჯელებთ, ვინაიდან ინდუქციას თავისი შეზღუდვები აქვს, ანუ, შეიძლება ახალ მონაცემებში ისეთი მონაცემიც ერიოს, რომელიც არსებულ თეორიას უკუაგდებს. სისავსესთანაა შეწყვილებული თეორიული დასრულებულობა, როდესაც თეორიას შეუძლია მონაცემების სრულად და დამაკმაყოფილებლად ახსნა.</p>
<h2 align="center" style="font-size: 20px; color: black;">დაფუძნებული თეორიის ჩამოყალიბება</h2>
<p> დაფუძნებული თეორია თეორიული შერჩევის, კოდირების, მუდმივი შედარების, ძირითადი ცვლადების იდენტიფიცირებითა და მონაცემების, კატეგორიებისა და კოდების სისავსის მიღწევით, არსებული მონაცემებიდან თავისთავად, ძალდატანების გარეშე ყალიბდება (რის თეორიზებაზეც არ უნდა იყოს ლაპარაკი), და ყველა მონაცემს ხსნის. მიღებული თეორიის ადეკვატურობის შეფასება რამდენიმე კრიტერიუმითაა შესაძლებელი. გლასერი და სტრაუსი (1967: 237) ოთხ ასეთ კრიტერიუმს გვთავაზობენ:</p>
<ul>
<li>თეორიისა და მონაცემების ურთიერთშესაბამისობის ხარისხი; რამდენად კარგად ერგებიან ისინი ერთმანეთს.</li>
<li>რამდენად ადვილად გასაგებია თეორია მოცემულ სფეროში მომუშავე ჩვეულებრივი, რიგითი ადამიანისთვის.</li>
<li>თეორიის უნარი, იყოს ზოგადი „მნიშვნელოვან სფეროებში მრავალრიცხოვანი ყოველდღიური ყოფითი სიტუაციებისთვის და არა - მხოლოდ კონკრეტული ტიპის სიტუაციისთვის“.</li>
<li>„ვინაიდან ყოველდღიური სიტუაციები დროთა განმავლობაში იცვლება“, თეორია „სიტუაციის სტრუქტურასა და პროცესზე ნაწილობრივი კონტროლის“ საშუალებას უნდა იძლეოდეს, ანუ, „პიროვნებას, რომელიც მას იყენებს, საკმარისად შეეძლოს ყოველდღიური სიტუაციების გაკონტროლება და ამისათვის მიზანშეწონილი იყოს ამ თეორიის გამოყენება“ (Glaser and Strauss 1967: 245).</li>
</ul>
<p> სტრაუსი და კორბინი (1994: 253 – 6) თეორიის შეფასების რამდენიმე კრიტერიუმს გვთავაზობენ:</p>
<ul>
<li>რამდენად ადეკვატურად და ქმედითად ხსნის თეორია მონაცემებს?</li>
<li>მონაწილეებისადმი თეორიის შესატყვისობა და სარგებლიანობა;</li>
<li>რამდენად მჭიდროდ ერგება თეორია მონაცემებსა და შესასწავლ ფენომენს და რა პირობებშია ის მართებული.</li>
<li>როგორ ერგება ღერძული კოდირება კატეგორიებსა და კოდებს?</li>
<li>მოიცავს თუ არა თეორია ნეგატიურ და განსხვავებულ შემთხვევებს?</li>
<li>როგორ ერგება თეორია სფეროში არსებულ რელევანტურ ლიტერატურას?</li>
<li>როგორ იქნა არჩეული პირველი, საწყისი შერჩევა? რის საფუძველზე?</li>
<li>რა ძირითადი კატეგორიები გამოიკვეთა?</li>
<li>რომელმა მოვლენებმა, შემთხვევებმა, მოქმედებებმა და ა. შ. (როგორც ინდიკატორებმა) მიუთითეს ძირითად კატეგორიებზე?</li>
<li>რომელი კატეგორიების საფუძველზე განხორციელდა თეორიული შერჩევა? იყო თუ არა ეს კატეგორიების რეპრეზენტაციული?</li>
<li>რა ჰიპოთეზები გამოითქვა კონცეპტუალური მიმართებების (ანუ, კატეგორიებს შორის) შესახებ და რის საფუძველზე ჩამოყალიბდა და შემოწმდა ისინი?</li>
<li>ხდებოდა თუ არა ისე, რომ არ არსებობდა ჰიპოთეზები რეალურად ნანახის შესახებ? როგორ იქნა ახსნილი ეს განსხვავებული შემთხვევები (განსვლები ჰიპოთეზასა და რეალურად ნანახს შორის)? რა გავლენა მოახდინა ნანახმა ჰიპოთეზაზე?</li>
<li>როგორ და რატომ შეირჩა ბირთვული კატეგორია (უეცრად, თანდათანობით, რთულად, მარტივად)? რის საფუძველზე?</li>
<li>მოხდა თუ არა ცნებების ჩამოყალიბება და სისტემაში ჩართვა?</li>
<li>იყო თუ არა დიდი რაოდენობის კონცეპტუალური ბმა და კარგად განვითარებული კატეგორიები?</li>
<li>მოიაზრება თუ არა თეორიაში ცვალებადობა? ამ ცვალებადობის ასახსნელად გათვალისწინებულ იქნა თუ არა ფართოდ განსაზღვრული პირობები?</li>
<li>იქნა თუ არა მხედველობაში მიღებული თეორიის ჩამოყალიბებაში შესული ცვლილება?</li>
</ul>
<p> ცხადია, აღნიშნული მიდგომა, რომელშიც თეორია მონაცემებიდან წარმოიქმნება და მათ ეფუძნება, კრიტიკის გარეშე არ რჩება. მაგალითად, სილვერმენს (1993: 47) მიაჩნია, რომ მიდგომა კვლევის ადრეულ ეტაპზე ვერ ითვალისწინებს თეორიებს, რომლებიც წარმართავენ ამ კვლევას (ანუ, მონაცემები თეორიულად ნეიტრალური კი არ არის, არამედ - თეორიით შევსებულია) და შეიძლება ისეთ კატეგორიებს იძლეოდეს რომელთაც აუცილებლობით არ გააჩნიათ ამხსნელი პოტენციალი. ეს ის შენიშვნები და წინააღმდეგობებია, რომლებიც გათვალისწინებულ და გამოყენებულ უნდა იქნას თვისებრივი კვლევის გააზრებისას.</p>
<h2 align="center" style="font-size: 20px; color: black;">ინტერპრეტაცია თვისებრივი მონაცემების ანალიზში: მრავალშრიანი ტექსტები</h2>
<p> სიტყვას მრავალი მნიშვნელობა აქვს. ის კონტექსტისადმი უაღრესად მგრძნობიარეა. თვისებრივი მონაცემების ანალიზში ხშირად ხდება, როცა ინტერპრეტაცია და ანალიზი შერწყმული და ფაქტობრივად, ერთმანეთის თანმხლებია. გულუბრყვილობა იქნებოდა, გვეფიქრა, რომ თვისებრივი მონაცემების ანალიტიკოსს შეუძლია ანალიზისა და ინტერპრეტაციის ერთმანეთისგან გამიჯვნა, რადგან თავად სიტყვებია ინტერპრეტაცია და საჭიროებენ ინტერპრეტაციას. ამასთან, ტექსტს მნიშვნელობის რამდენიმე დონე აქვს და თვისებრივ მკვლევარს ამ განსხვავებული დონეების, ანუ, შრეების ასახვა უნდა შეეძლოს. აქ მნიშვნელოვანია პროექციისა და კონტრტრანსფერის საკითხები: მკვლევრის მიერ წარმოებული ანალიზი, შესაძლოა, იმდენადვე წარმოაჩენდეს მას, რამდენადაც თავად გასაანალიზებელ ტექსტს, როგორც ანალიზის დონეების შერჩევაში, ისე - შესასწავლი ტექსტის დისკურსისთვის განზრახვისა და ფუნქციის მიწერაში. ქვემოთ მოცემული მაგალითი ამის ნათელი დადასტურებაა (Cummings 1985). ეს არის პირველკლასელთა მეცადინეობისას გამართული მოკლე საუბრის ტრანსკრიპტი, რომლის გაანალიზება რამდენიმე დონეზეა შესაძლებელი.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>საილუსტრაციო მაგალითი: პირველკლასელთა მეცადინეობისას გამართული დისკუსია</em></strong></h3>
<p> ეს არის 5-6 წლის 27 ბავშვებისგან შემდგარი კლასი. ბავშვები ხალიჩაზე სხედან, მასწავლებელი - სკამზე. ბავშვებისთვის ახლახანს მიიღეს ახალი, უფასო სახელმძღვანელოები. წიგნების მიღებიდან რამდენიმე დღის შემდეგ მასწავლებელი თვლის, რომ მან კლასთან ერთად უნდა გადაათვალიეროს ისინი. (აღნიშვნები: „მ“ - მასწავლებელი, „ბბ“ - ბავშვები, „ბ“ - ბავშვი)</p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064211769?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064211959?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212113?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212361?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212392?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212526?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212650?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212775?profile=original"/></p>
<p><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064212835?profile=original"/></p>
<p> ახლა, მოცემული მაგალითის ანალიზის დონეები განვიხილოთ. ისმის კითხვა: „რა ისწავლეს ამ მაგალითში ბავშვებმა?“ ამ კითხვაზე რამდენიმე პასუხიგ ვექნება. პირველ რიგში, ფორმალურ დონეზე, სასწავლო პროგრამასთან დაკავშირებულ პასუხს მივიღებთ: ბავშვები ცოტაოდენ ინფორმაციას იღებენ ენის (კითხვა, ლაპარაკი, მოსმენა, ლექსიკა, გამოთქმა, ასოების სიტყვებში ჩართვის (მაგალითად, „ტალახი“ და „ბალახი“), საბუნებისმეტყველო მეცნიერების (კონდენსაცია, ცხელი და ცივი, ცხელი ჰაერის ამწევი ძალა, ცხელი ჰაერი და გაზით სავსე ბუშტები) და ნიადაგის (ტალახიანი ჭაობი) შესახებ. აქ საქმე აკადემიურ სასწავლო პროგრამას ეხება. თუმცა, მეორე დონეზე ბავშვები განვითარების სხვა ასპექტებს სწავლობენ და არა მარტო აკადემიური, არამედ პიროვნული, სოციალური, ემოციური და ინტერპერსონალური განვითარების ასპექტებსაც, მაგალითად, რიგრიგობით ლაპარაკს, თანამშრომლობას, საერთო მხიარულებას, ერთმანეთის მოსმენას, კოლექტიურ საქმიანობაში წვლილის შეტანას და მეტყველების დროს გარისკვას (გარისკვა, რომ შეიძლება დასცინონ, თუ ერთმანეთში აურევს ერთი სიტყვის ორ მნიშვნელობას, ტალახსა და ტუალეტის მნიშვნელობით გამოყენებულ უხეშ ტერმინს).</p>
<p> მესამე დონეზე კლასში ლაპარაკის ნებართვა შეინიშნება. ანალიზი რომ გაიოლდეს, მაგალითში გადანომრილია ტექსტის სტრიქონები და დაცულია მოვლენების ქრონოლოგია. ტესტის გულდასმით ანალიზის შემთხვევაში შეგვიძლია გავარჩიოთ შემდეგი:</p>
<ul>
<li>საუბრის დიდი ნაწილი მიმდინარეობს თანმიმდევრობით მასწავლებელი → მოსწავლე → მასწავლებელი → მოსწავლე და ა. შ. ( სტრიქონები 28 - 48).</li>
<li>ეს თანმიმდევრობა იშვიათად ირღვევა, მაგალითად, მასწავლებელი → მოსწავლე → მოსწავლე (სტრიქონები 3 - 7 და 14 - 16).</li>
<li>სადაც თანმიმდევრობა ირღვევა, ეს მასწავლებლის მითითებით ხდება. იგი კონკრეტულ ბავშვებს მიმართავს (სტრიქონები 48 - 52, 64 - 69, 84 - 88, 94- 98).</li>
<li>როდესაც საუბრის თანმიმდევრობა მასწავლებლის ნებართვის გარეშე ირღვევა, მასწავლებელი საუბარში ერევა და აღადგენს თანმიმდევრობას, ან აკონტროლებს საუბრის მიმდინარეობას (სტრიქონები 54 - 56, 70 - 71, 103 - 104).</li>
<li>აშკარაა, რომ დამსწრე 27 ბავშვის უმეტესობა საუბარში იშვიათად მონაწილეობს - მასწავლებელი მხოლოდ უშუალოდ, პირდაპირ ეკითხება ან ლაპარაკისკენ უბიძგებს რამდენიმე კბავშვს, ეს ბავშვები არიან: ვიკი, ლუკი, ბენი, პოლი, ჯეიმსი და ოლგა.</li>
<li>ბავშვები საუბარს თითქმის არასოდეს იწყებენ (სტრიქონები 43, 65, 101). საუბრის დიდი ნაწილი მასწავლებლის ინიციატივის პასუხია (სტრიქონები 3, 11, 20, 25, 28, 32, 34, 36 და. ა. შ.).</li>
<li>მასწავლებელი მხოლოდ მაშინ მიყვება ბავშვის წამოწყებულ საუბარს, როდესაც ეს მის მიზნებს შეესაბამება (სტრიქონები 43 - 46).</li>
<li>თითქმის ყველა მოქმედების ინიციატორი მასწავლებელია. ასე, რომ ყველაფრის გაშუალება მასწავლებლის მეშვეობით ხდება.</li>
<li>როდესაც ბავშვი ამბობს რაიმეს, რაც მოსწონს მასწვლებელს ან გაკვეთილის მისეულ გეგმაში შედის, ბავშვი ჯილდოვდება (სტრიქონები 34, 42, 54, 58, 76 და 96, 98 (სიტყვა „დიახ“), 102) და მასწავლებელი იმეორებს მოსწავლის სწორ პასუხს (სტრიქონები 16 - 17, 20 - 21, 29 - 30, 35 - 36, 41 - 42).</li>
<li>მასწავლებელი ბავშვებს მიანიშნებს მოსალოდნელ პასუხებზე (სტრიქონები 10 - 11, 40 - 41, 76 - 77, 82 - 83).</li>
<li>როდესაც მასწავლებელი საუბარს ვეღარ აკონტროლებს, ის კლასში ქცევის წესების მკაფიოდ განმარტებას იწყებს(სტრიქონები 56, 71, 104)</li>
<li>როდესაც მასწავლებელი გადაწყვეტს, რომ გაკვეთილზე წინ წაწევის დროა, ის წყვეტს მიმდინარე განხილვას და შემდეგ თემაზე გადადის (სტრიქონი 76).</li>
<li>ბავშვებთან კარგი ურთიერთობის შენარჩუნებას მასწავლებელი სახუმარო ჩანართების საშუალებით ცდილობს (სტრიქონები 90 - 93), მაგრამ შემდეგ ისევ უბრუნდება თემას (სტრიქონი 94).</li>
<li>საუბრის უმეტესი ნაწილი, მეტყველების აქტების მიხედვით, ემოციურია (პერლოკუციურია და აღწევს მასწავლებლის მიერ გაკვეთილისთვის დასახულ მიზანს). ვიდრე ილოკუციური, (ღია და თავისუფალი მრავალმიმართულებიანი დისკუსია არ არის სადაც შედეგი არაპროგნოზირებადია).</li>
<li>მასწავლებელიბევრად მეტს ლაპარაკობს, ვიდრე ბავშვები.</li>
</ul>
<p> მეოთხე დონეზე მოცემული მასალიდან თეორიის გამოკვეთაშეგვიძლია.ტექსტიდან აშკარად ჩანსუფლებამოსილებით (ძალაუფლებით) ღიად და ფარულად ოპერირების ფაქტი, რაც იმაზე მიუთითებს, რომ ბავშვები ძალიან ეფექტურად სწავლობენ ფარულ კურიკულუმს, როდესაც ძირითად მახასიათებელს უფლებამოსილებაწარმოადგენს, მაგალითად:</p>
<ul>
<li>მასწავლებელი უფლებამოსილია გადაწყვიტოს ვინ, როდის და რის შესახებ ისაუბრებს და შეაფასოს საუბრის ხარისხი (cf.Edwards 1980).</li>
<li>მასწავლებელი უფლებამოსილია, გააკონტროლოს ბავშვების საკმაოდ დიდი ჯგუფი (27 ბავშვი იატაკზე ზის, მასწავლებელი - სკამზე, ესე იგი, ფიზიკურად მათზე ზემოთაა).</li>
<li>მასწავლებელი საუბრის და მისი მიმდინარეობის კონტროლის მეშვეობით აკონტროლებს კლასს და ამყარებს დისციპლინას, ხოლო როდესაც ამას ვეღარ ახერხებს (სტრიქონები 56, 71, 104), მაშინ მისი კონტროლი გაცილებით თვალსაჩინო და ღია ხდება. ეს ბერნშტეინის (Bernstein 1975) „უჩინარი პედაგოგიკის“ მაგალითია, როდესაც მასწავლებლის მიერ ბავშვის კონტროლი იმპლიციტურია (ნაგულისხმევია) და არა - ექსპლიტური, ანუ, ღიად მოცემული; როდესაც, იდეალურ ვარიანტში, მასწავლებელი აწყობს კონტექსტს, რომლის გადაწყობასა და შესწავლას ბავშვებისგან მოელიან, სადაც კონკრეტული უნარების გადაცემასა და ათვისებაზე ნაკლები აქცენტი კეთდება.</li>
<li>ეს ნათელი მაგალითია იმისა, თუ რამდენად მნიშვნელოვანია ბავშვების მიერ გაკვეთილების იმ ფარული სასწავლო პროგრამის ათვისება (ჟაცკსონ 1968), რომელშიც მათ იმის სწავლა უწევთ, თუ როგორ გაუმკლავდნენ უფლებამოსილებასა (ძალაუფლებასა) და ავტორიტეტს, დაჯილდოვებას, უარყოფას, დაგვიანებას, ჯგუფის წევრობას, ინდივიდუალურობის დაკარგვას, წესებს, რუტინასა და სოციალურად მისაღებ ქცევას. როგორც ჯეკსონი (1968) ამბობს, თუ ბავშვებმა კარგად უნდა ისწავლონ სკოლაში, ამისათვის ისევე მნიშვნელოვანია, თუ მეტად არა, ფარული სასწავლო გეგმის ათვისება და მიყოლა, როგორც ფორმალური გეგმის.</li>
<li>ეს თეორიის სტრუქტურირების გიდენსისეული (1976; 1984) ცნების მაგალითიცაა, რომელშიც კლასში მიმდინარე საუბარი კლასში ძალაუფლების განსხვავებისა და ასიმეტრიის შენარჩუნების მიზეზი, გამაშუალებელი და შედეგია, რომელიც განამტკიცებს მასწავლებლის კონტროლს, ძალაუფლებასა და ავტორიტეტს.</li>
<li>მასწავლებელი რთულ მდგომარეობაშია, რადგან ერთადერთი უფროსია 27 ბავშვთან და ამიტომ მისი ქცევა, სავარაუდოდ, კეთილგანწყობით მოტივირებულია და, ფაქტობრივად, დაძლევის ანუ გადარჩენის სტრატეგიებს ასახავს, რათა მოუაროს დიდი რაოდენობით ინფორმაციას და შეძლოს დისციპლინის დამყარება - ჯგუფის კონტროლი.</li>
<li>ბავშვები სწავლობენ, რომ დამჯერები უნდა იყვნენ და რომ მათი როლი მორჩილებაა და თუ დაუჯერებენ მასწავლებელს და შეთავაზებულ გეგმას შეასრულებენ, დაჯიდოვდებიან.</li>
<li>„ძირითადი ცვლადი“ (დაფუძნებული თეორიის ტერმინებით) უფლებამოსილებაა (ძალაუფლებაა): მასწავლებელი თავის უფლებამოსილების (ძალაუფლების) გამყარებითა და შენარჩუნებით მოქმედებს. როდესაც მისი გამყარება და გამტკიცება ფარული პედაგოგიკით შეიძლება, მაშინ ის ფარულია; როდესაც ეს არ მუშაობს, მაშინ ის თვალსაჩინო ხდება.</li>
</ul>
<p> ახლა მეოთხე დონეზე უნდა ვიკითხოთ, მკვლევარი ძალიან ბევრს ხომ არ ხედავს ტექსტში და მის ზედმეტად ინტერპრეტაციას ახდენს, საკუთარი პიროვნული საფიქრალებით ან უფლებამოსილებასთან და ავტორიტეტთან დაკავშირებული ნეგატიური გამოცდილებით დატვირთული; ვინაიდან, მეტწილად, საკუთარ თავს აპროეცირებს მონაცემების ინტერპრეტაციაში, მოჭარბებულ ყურადღებას ხომ არ უთმობს დისციპლინის საკითხებს. იქნებ მასწავლებელი უბრალოდ სოციალურად მისაღებ ქცევას ასწავლის თავის მოსწავლეებს და საუბარს ნაყოფიერად წარმართავს, პროფესიულ ამოცანას სენსიტიურად და ოსტატურად ასრულებს და ბავშვებსაც რთავს ამასში და, სინამდვილეში, მის ქცევას არაფერი აქვს საერთო უფლებამოსილებასთან. გარდა ამისა, მეოთხე დონეზე შეგვიძლია დავინახოთ, რომ ტექსტში მოცემული გზავნილების ასახსნელად რამდენიმე თეორია გამოიკვეთა და ისიც შეგვიძლია ვნახოთ, თუ როგორ შეუძლია ტრანსკრიპტის ერთ პატარა, მარტივ მონაკვეთს რამდენიმე დაფუძნებული ან წინასწარ განსაზღვრული/არსებული თეორიის მხარდაჭერა. აქ რთული კითხვაა: „რომელი ინტერპრეტაციაა სწორი?“ ამ კითხვას არ აქვს ერთადერთი სწორი პასუხი, სავარაუდოდ, ყოველი მათგანი სწორია.</p>
<p> საკლასო კომუნიკაციის ტრანსკრიპტში მხოლოდ ისაა ჩაწერილი, რაც ითქვა. ადამიანები მიზანმიმართულად დაფარავენ ინფორმაციას. ზოგიერთი ბავშვი უფრო ენაწყლიან თანატოლს დაუთმობს სიტყვას და სხვები თამაშგარე აღმოჩნდებიან. აქ მხოლოდ ჩაწერილი ინფორმაცია გვაქვს. მიუხედავად იმისა, რომ ტრანსკრიპტის გაკეთებისას ზოგიერთი სხვა მახასიათებლის დაფიქსირებასაც ცდილობენ (მაგალითად, ერთდროულად მოლაპარაკე ბავშვები), ის ვერ ასახავს კლასში მიმდინარე ყველა მოვლენას. მაგალითად, საიდან გვეცოდინება, ზოგმა ბავშვმა მოიწყინა თუ არა, ან ზოგს ეძინება, ჩხუბობს, სულ სხვა წიგნს კითხულობს და ა. შ.? აქ მხოლოდ შერჩეული მოვლენების ჩანაწერი გვაქვს და მხოლოდ ის მოვლენებია შერჩეული, რომელთა ჩაწერაც - ტრანსკრიპტად გადაქცევა შესაძლებელი იყო.</p>
<p> წარმოდგენილ მაგალითში შეგვიძლია დავინახოთ, რომ ტექსტი მრავალშრიანია. აქ საქმე ანალიზის მოთხოვნილ ან ლეგიტიმურ დონეს შეეხება და, ასევე, იმას, თუ როგორ ერევა ანალიზი ინტერპრეტაციას. თვისებრივ კვლევაში ხშირად გაერთიანებულია ანალიზი და ინტერპრეტაცია, რაც ვალიდობისა და სანდოობის საკითხს ბადებს. აქ „ორმაგი ჰერმენევტიკის“ პრობლემა გვაქვს: როგორც მკვლევრები, ჩვენ იმ სამყაროს წევრები ვართ, რომელსაც ვიკვლევთ და ამიტომ ვერ ვიქნებით ნეიტრალურები. ამასთან, ჩვენ უკვე ინტერპრეტირებულ სამყაროში ვცხოვრობთ. მორისონი (2003) უფრო ვრცლად ამბობს, რომ პრობლემა კიდევ უფრო შორსმიმავალია. შევხედოთ ზემოთ მოცემულ მაგალითს:</p>
<ul>
<li>მასწავლებელი და მოსწავლეები სიტუაციის თავიანთი ინტერპრეტაციების („სამყაროს მათეული განსაზღვრების“) საფუძველზე მოქმედებენ.</li>
<li>რეალური მოქმედებები ერთი მედიუმიდან (დაკვირვებები, მოქმედებები და ცოცხალი მოვლენები) მეორე მედიუმად (წერილობით) გარდაიქმნება იმით, რომ მხოლოდ ტრანსკრიპტს ანუ მათი ინტერპრეტაციების ინტერპრეტაციას მიჰყვებიან.</li>
<li>შემდეგ მკვლევარი წერილობითი მონაცემების (მესამე ჰერმენევტიკა) ინტერპრეტაციას ახდენს და სელექციურ ანგარიშს წერს (მეოთხე - ოთხმაგი პერმენევტიკა, ინტერპრეტაციის ინტერპრეტაციის ინტერპრეტაციის ინტერპრეტაცია!).</li>
<li>შემდეგ მკითხველი თავის საკუთარი ბიოგრაფიისა და გამოცდილების ჭრილში ახდენს მკვლევრის დაწერილი ინტერპრეტაციის ინტერპრეტაციას (მეხუთე - ხუთმაგი ჰერმენევტიკა).</li>
</ul>
<p> ასეთი თანმიმდევრული ინტერპრეტაციების პირობებში ძნელია, არ ვიფიქროთ, რომ თვისებრივ კვლევაში სანდოობა და ვალიდობა იოლად შეიძლება შემცირდეს. მკვლევრის შესაძლო მიკერძოებული ინტერპრეტაციების გამოვლენაზე მიმართული რეფლექსიურობა ბევრს ვერაფერს მოიმოქმედებსმის შესამცირებლად: ადამიანს შემიძლია განვაცხადო ჩემი შესაძლო მიკერძოებებისა და ინტერპრეტაციების შესახებ, მაგრამ ეს აუცილებლობით არ ნიშნავს იმას, რომ ისინი მაშინვე შეწყვეტენ მიკერძოებულობას და სელექციურობას. ეს, სავარაუდოდ, რეფლექსიურობის შეზღუდულობაზე მიგვითითებს. სანდოობისა და ვალიდობის გასაზრდელად რეფლექსიურობასაკმარისი არ არის.</p>
<p></p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/kontenti" title="კონტენტ ანალიზი"><span style="color: blue;">◄ წინა ნაწილი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/raodenobivi" title="რაოდენობრივი მონაცემების ანალიზი"><span style="color: blue;">მომდევნო თავი ►</span></a></div>
</td>
</tr>
</tbody>
</table>
</div> კონტენტ ანალიზიtag:www.qwelly.com,2017-11-29:6506411:Topic:12990242017-11-29T08:45:05.524Zლაშაhttps://www.qwelly.com/profile/lshisa
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br></br> <strong>თავი 23</strong><br></br> <em>ნაწილი I</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">შესავალი</h2>
<p> წინამდებარე თავში თვისებრივი მონაცემების ანალიზის ორი ძირითადი ფორმაა განხილული- კონტენტ ანალიზი და დაფუძნებული თეორია. აქვეა, მოცემული ამ მეთოდების გამოყენების ორი ვრცელი მაგალითი. თვისებრივი მონაცემების ანალიზს ხშირად…</p>
</div>
<p align="right"><span style="color: red;"><strong>კვლევის მეთოდები განათლებაში</strong></span><br/> <strong>თავი 23</strong><br/> <em>ნაწილი I</em></p>
<div style="font-size: 15px; color: black;"><h2 align="center" style="font-size: 20px; color: black;">შესავალი</h2>
<p> წინამდებარე თავში თვისებრივი მონაცემების ანალიზის ორი ძირითადი ფორმაა განხილული- კონტენტ ანალიზი და დაფუძნებული თეორია. აქვეა, მოცემული ამ მეთოდების გამოყენების ორი ვრცელი მაგალითი. თვისებრივი მონაცემების ანალიზს ხშირად კონტენტ ანალიზის ფორმა აქვს. თვისებრივი მონაცემების ანალიზის ერთ-ერთ მუდმივად არსებულ პრობლემას დიდი რაოდენობის წერილობითი მონაცემების შემცირება და ოპტიმალურ რაოდენობამდე დაყვანა წარმოადგენს. მონაცემების შემცირება თვისებრივი ანალიზის ძირითადი ელემენტია, რომელიც თვისებრივი მონაცემების თვისების გათვალისწინებით ხორციელდება. აღნიშნულისმიღწევის ერთ-ერთი გავრცელებული პროცედურა კონტენტ ანალიზია - პროცესი, რომლითაც „ტექსტებში მოცემულიდიდი რაოდენობის სიტყვები გაცილებით მცირე რაოდენობის კატეგორიებში ერთიანდება“ (Weber 1990: 15). ამ პროცედურის მიზანი მასალის სხვადასხვა გზით შემცირებაა (Flick 1998: 192). კატეგორიები, ჩვეულებრივ, თეორიული კონსტრუქტებიდან ან მკვლევრისთვის საინტერესო სფეროებიდან მიიღება, რომლებიც ანალიზის დაწყებამდე, წინასწარაა განსაზღვრული (წინასწარი კატეგორიზაცია) და მიღებული მასალისგან ნაკლებად იქმნება თუმცა, ცხადია, ემპირიული მონაცემების მიხედვით მათი შეცვლა შესაძლებელია.</p>
<h2 align="center" style="font-size: 20px; color: black;">რა არის კონტენტ ანალიზი?</h2>
<p> ტერმინი „კონტენტ ანალიზი“ („შინაარსის ანალიზი“) ხშირად არა ზუსტად გამოიყენება. ფაქტობრივად, ის უბრალოდ წერილობითი მონაცემების, მათი ძირითადი შინაარსისა და მოწოდებული ცნობის - შეჯამებასა და წარდგენას გულისხმობს. უფრო ზუსტად, კონტენტ ანალიზი განისაზღვრება, როგორც წერილობითი მონაცემების შინაარსის დეტალური ანალიზის, შესწავლისა და დასაბუთების ზუსტი და თანმიმდევრული პროცედურების ერთობლიობა (Flick 1998: 192; Mayring 2004: 266). კრიპენდორფის (Krippendorp 2004: 18) მიხედვით, ეს არის „კვლევის ტექნიკა, რომელიც ტექსტებიდან (ან მნიშვნელობის მქონე სხვა შინაარსიდან) მათი (ამ ტექნიკების) გამოყენების კონტექსტის შესახებ გამეორებადი და ვალიდური დასკვნების გასაკეთებლად არის განკუთვნილი“. ტექსტი განისაზღვრება, როგორც ნებისმიერი წერილობითი კომუნიკაციის მასალა, რომლის წაკითხვა, ინტერპრეტაცია და გაგება ანალიტიკოსების გარდა, სხვებმაც უნდა შესძლონ (Krippendorp 2004: 30).</p>
<p> კონტენტ ანალიზი მასობრივი საკომუნიკაციო საშუალებებისა და საჯარო გამოსვლების ანალიზის საფუძველზე შეიქმნა და ორივე ფორმის საკომუნიკაციო მასალის, როგორც სტრუქტურირებულის, ასევე არასტრუქტურირებულის შესწავლაზე ვრცელდება. ის შეიძლება გამოყენებული იყოს „იმ მნიშვნელოვანი პრობლემების შესასწავლად, რომლებიც თავს იჩენს კულტურის, სოციალური სტრუქტურისა და სოციალური ურთიერთქმედების თანხვედრისას; ასევე, ექსპერიმენტულ კვლევებში დამოკიდებული ცვლადების ჩამოყალიბებასა და ჯგუფების, როგორც საზოგადოების მიკრომოდელების, შესასწავლად“ (Weber 1990: 11) .კონტენტ ანალიზის ჩატარება ნებისმიერი სახის წერილობითი მასალაზეა შესაძლებელი–დოკუმენტებიდან ინტერვიუს ტრანსკრიპტებამდე და მედია პროდუქტებიდან პირად ინტერვიუებამდე. კონტენტ ანალიზის სისტემურობისა და წესებით განსაზღვრულობის გამო, მას ხშირად დიდი მოცულობის ტექსტების გასაანალიზებლადიყენებენ.ამასთან, საკმაოდ მნიშვნელოვანია ისიც, რომ მეთოდის ასეთი მოწესრიგებულობა კომპიუტერული ანალიზის განხორციელების საშუალებასაც იძლევა.</p>
<p> კონტენტ ანალიზი რამდენიმე თვისების გამოა მიმზიდველი. პირველ რიგში, ის შეუჩნეველი მეთოდია (Krippendorp 2004: 40) – ადამიანს, სხვებისგან შეუმჩნევლად შეუძლია დაკვირვების წარმოება. (Robson 1993: 280) კონტენტ ანალიზი ენასა და ლინგვისტურ მახასიათებლებზე, კონტექსტის მნიშვნელობაზე ფოკუსირდება, სისტემატური და გადამოწმებადია (მაგალითად, კოდებისა და კატეგორიების გამოყენებით), ვინაიდან ანალიზის წესები ნათელი, გამჭვირვალე და ყველასთვის ხელმისაწვდომია (Mayring 2004: 267 – 9). ამასთან, ვინაიდან მონაცემები უცვლელი ფორმითაა (ტექსტების სახით) წარმოდგენილი, შესაძლებელია მათი ხელახალი ანალიზი.</p>
<p> ბევრი მკვლევარი კონტენტ ანალიზს თვისებრივი მონაცემების რაოდენობრივი ანალიზის ალტერნატივად მიიჩნევს, მაგრამ ეს ასე არ არის; მიუხედავად ამისა, მას ფართოდ იყენებენ ვერბალური მონაცემებიდან რიცხობრივი მონაცემების მისაღებად. როგორც ანდერსონი და არსენო (Anderson and Arsenault 1998: 101 – 2) სამართლიანად მიუთითებენ, კონტენტ ანალიზით არა მხოლოდგარკვეული თემების ფარდობითი სიხშირისა და მნიშვნელოვნების აღწერააა შესაძლებელი, არამედ წერილობით მასალებში მიკერძოების, ცრურწმენების ან პროპაგანდის შეფასებაც შეიძლება.</p>
<p> ვებერისთვის (1990: 9) კონტენტ ანალიზის მიზანს გამოკითხვებისთვის განკუთვნილ ღია კითხვების კოდირება, ინდივიდის, ჯგუფის, ინსტიტუციური ან საზოგადოებრივი საქმიანობების ფოკუსების გამოვლენა და კომუნიკაციურ შინაარსში გამოკვეთილი პატერნებისა და ტენდენციების აღწერა წარმოადგენს. ეს უკანასკნელი კონტენტ ანალიზში სხვადასხვა სტატისტიკური ტექნიკის როლზე მიუთითებს. ვებერი (1990: 10) სამართლიანად თვლის, რომ კონტენტ ანალიზით წარმოებულ საუკეთესო კვლევებში ტექსტების (ტექსტში იგულისხმება ნებისმიერი ფორმის წერილობითი კომუნიკაცია) როგორც რაოდენობრივი, ისე - თვისობრივი ანალიზი გამოიყენება.</p>
<p> კონტენტ ანალიზისას მოცემული ტექსტის გაანალიზება, მოცულობის შემცირება, გარჩევა და შეჯამებული სახით წარმოდგენა ხდება. აღნიშნული ხორციელდება წინასწარ არსებული კატეგორიებისა და ტექსტზე მუშაობის პროცესში გამოკვეთილი თემების საშუალებით და მიზნად თეორიის განზოგადებას ან შემოწმებას ისახავს. ამ კატეგორიებთან მიმართებაში მეთოდური, გამეორებადი, დაკვირვებადი და წესებს დაქვემდებარებული ანალიზი გამოიყენება. კრიპენდორფის (2004: 22 – 4) აზრით, ტექსტს რამდენიმე მახასიათებელი აქვს, რომელიც კონტენტ ანალიზის განსაზღვრებას უკავშირდება; მათ შორისაა ის ფაქტი, რომ ტექსტს ობიექტური, მკითხველისგან დამოუკიდებელი თვისებები არ გააჩნია. ტექსტს მრავალგვარი მნიშვნელობა აქვს და მრავალგვარ ინტერპრეტაციას ექვემდებარება. მისი ცალსახა მნიშვნელობის და აზრის მიგნება და აღწერა შეუძლებელია. რათქმაუნდა, ტექსტში მოცემული მნიშვნელობები შეიძლება პიროვნული იყოს და უკავშირდებოდეს განსაზღვრულ კონტექსტს, დისკურსებსა თუ მიზნებს. აქედან გამომდინარე, მნიშვნელობა კონტექსტის მიხედვით უნდა იქნას მოძიებული. ამასთანავე, კონტენტ ანალიზი აღწერს კომუნიკაციის თვალსაჩინო მახასიათებლებს (Krippendorp 2004: 46) (კითხულობს, ვინ ვის რას და როგორ ეუბნება), აკეთებს დასკვნებს კომუნიკაციის წინაპირობებისა (კომუნიკაციის მიზეზები, მიზნები და კონტექსტი: Mayring 2004: 267) და შედეგების (კომუნიკაციის ეფექტები) შესახებ. კრიპენდორფს (2004: 75 – 7) მიაჩნია, რომ კონტენტ ანალიზი მაშინაა ყველაზე წარმატებული, როდესაც „ლინგვისტურად აგებული ფაქტების“ ოთხ სხვადასხვა კლასად დაყოფა ხდება; ეს კლასებია: თვისებები (ატრიბუტები), სოციალური ურთიერთობები, საზოგადო ქცევები და ინსტიტუციური რეალობები.</p>
<h2 align="center" style="font-size: 20px; color: black;">როგორ ტარდება კონტენტ ანალიზი?</h2>
<p> ეზის (Ezzy 2002: 83) მიხედვით, კონტენტ ანალიზი ტექსტების (ერთეულების) შერჩევით იწყება. შემდეგ ანალიზის ერთეულები (მაგალითად, სიტყვები, წინადადებები) და ანალიზში გამოსაყენებელი კატეგორიები განისაზღვრება. კოდირებისა და კატეგორიებში გაერთიანების მიზნით ხდება ტექსტის მიმოხილვა; შემდეგ კი დაითვლება და აღირიცხება სიტყვების, კოდებისა და კატეგორიების სიხშირეები. აქედან იწყება სტატისტიკური ანალიზისა და რაოდენობრივი მეთოდების გამოყენება, რასაც შედეგების ინტერპრეტაცია მოჰყვება. მარტივად რომ ვთქვათ, კონტენტ ანალიზი მოიცავს კოდირებას, კატეგორიზაციას(მნიშვნელობის მქონე კატეგორიების შექმნა, რომლებშიც გაერთიანდება ანალიზის ერთეულები - სიტყვები, ფრაზები, წინადადებები და ა. შ.), შედარებასა (კატეგორიების შედარება და მათი ურთიერთდაკავშირება) და დასკვნას - ტექსტიდან თეორიული დასკვნების გამოტანას.</p>
<p> ანდერსონი და არსენო (1998: 102) კონტენტ ანალიზის რაოდენობრივ ბუნებაზე მიუთითებენ, როდესაც ამბობენ, რომ „უმარტივეს დონეზე, კონტენტ ანალიზი დოკუმენტებში ცნებების, სიტყვების ან ხდომილობების დათვლას და მათი ცხრილების სახით წარმოდგენას მოიცავს“. ამ მოკლე განმარტებაში კარგად არის გამოხატულიკონტენტ ანალიზის პროცესის არსებითი მახასიათებლები:</p>
<ul>
<li>ტექსტის ანალიზის ერთეულებად დაყოფა;</li>
<li>ერთეულების სტატისტიკური ანალიზი;</li>
<li>ანალიზის მაქსიმალურად ეკონომიური ფორმით წარდგენა.</li>
</ul>
<p> ჩამონათვალში არ ჩანს კონტენტ ანალიზის ზოგიერთი სხვა მნიშვნელოვანი მახასიათებელი, როგორიცაა მაგალითად, ანალიზის ერთეულების (კატეგორიების) ურთიერთკავშირის შესწავლა, თემების თანმიმდევრული ბუნება და თეორიის შემოწმება, განვითარება და ჩამოყალიბება.კონტენტ ანალიზის მთელი პროცესი თერთმეტ თანიმდევრულ ეტაპს გულისხმობს.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 1: კვლევის კითხვების განსაზღვრა, რომელსაც კონტენტ ანალიზმა უნდა გასცეს პასუხი</em></strong></h3>
<p> ეს ეტაპი, ასევე, გულისხმობს იმის განსაზღვრას, თუ რისი მიღება სურს მკვლევარს იმ ტექსტიდან, რომელზედაც კონტენტ ანალიზი ტარდება. საკვლევი საკითხის ფორმირებაში შეიძლება წვლილი შეიტანოს იმ თეორიამ, რომლის შემოწმებაც ხდება, ან სულაც, ამ თეორიიდან მომდინარეობდეს.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 2: იმ პოპულაციის განსაზღვრა, საიდანაც ტექსტების ერთეულები უნდა შეირჩეს</em></strong></h3>
<p> პოპულაციაში იგულისხმება არა მარტო ადამიანები, არამედ, უმეტეს შემთხვევაში, ტექსტი - ანალიზის სფეროები. მაგალითად, რას ვააანალიზებთ: გაზეთებს, პროგრამებს, ინტერვიუს ტრანსკრიპტებს, სახელმძღვანელოებს, საუბრებს, საჯარო სარგებლობის დოკუმენტებს, საგამოცდო ნაწერებს, ელექტრონულ გზავნილებს, ინტერნეტ-დიალოგებს თუ სხვას?</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 3: შერჩევის განსაზღვრა</em></strong></h3>
<p> ადამიანების შერჩევის წესები დოკუმენტების შერჩევისასაც შეგვიძლია გამოვიყენოთ. მკვლევარმა უნდა გადაწყვიტოს, დოკუმენტების ალბათურ შერჩევას აკეთებს თუ არაალბათურს; შერჩევის რომელ ფორმას იყენებს: სტრატიფიცირებულს(ამ შემთხვევაში მიუთითოს როგორ სტრატებს გამოიყენებს), შემთხვევითს, ხელმისაწვდომს, სფეროს, კლასტერულს, მიზნობრივს, სისტემატურ, დროის, ზვავისებრს და სხვ. (იხ. თავი 4) რობსონი (1993: 275 – 9) შერჩევის სტრატეგიის ზუსტად განსაზღვრის აუცილებლობაზე მიუთითებს, მაგალითად, ამა თუ იმ დოკუმენტების ნაკრები, ესა თუ ის დროის მონაკვეთი (მაგალითად გაზეთებისთვის), ამდენი და ამდენი სატელევიზიო პროგრამა ან ინტერვიუ. შერჩევასთან დაკავშირებული ძირითადი საკითხები ტექსტების შერჩევაზეც ვრცელდება: რეპრეზენტაციულობა, ხელმისაწვდომობა, შერჩევის მოცულობა და შედეგების განზოგადება.</p>
<p> კრიპენდორფი (2004: 145) მიუთითებს, რომ საქმე შეიძლება გვქონდეს „ერთმანეთის მომცველი ჩანაწერის ერთეულებთან“, როდესაც ერთი ერთეული მეორე ერთეულშია მოცემული, მაგალითად, შერჩეული გაზეთების შემთხვევაში, ასეთი ვითარება შეიძლება გვქონდეს:</p>
<blockquote><p> მოცემულ გაზეთში საკითხი შეირჩა; გაზეთში შერჩეულ საკითხზე თავის მხრივ, შეირჩა სტატიები; გაზეთში შერჩეულ საკითხზე შერჩეულ სტატიებში შერჩეულ იქნა აბზაცები; შემდეგ, გაზეთში შერჩეულ საკითხზე შერჩეულ სტატიაში შერჩეული აბზაცების შემადგენელი წინადადებების შერჩევა მოხდა.<br/> (Krippendorp 2004: 145)</p>
</blockquote>
<p> ეს პროცესი საფეხურეობრივი შერჩევის ეკვივალენტურია რომელიც მეოთხე თავშია განხილული.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 4: დოკუმენტის შექმნის კონტექსტის განსაზღვრა</em></strong></h3>
<p> ეს პროცესი შეისწავლის, მაგალითად, თუ როგორ შეიქმნა მასალა (Flick 1998: 193); ვინ მონაწილეობდა მის შექმნაში; ვინ ესწრებოდა შექმნის პროცესს; ვისგან იქნა მოწოდებული დოკუმენტები; როგორ მოხდა მასალის ჩაწერა და/ან რედაქტირება; სურდა თუ არა პიროვნებას სიმართლის თქმა, შეეძლო თუ არა სიმართლის თქმა და თქვა თუ არა მან სიმართლე; არის თუ არა მონაცემები ზუსტად ჩაწერილი (Robson 1993: 273); არის თუ არა მონაცემებიდადასტურებული, სარწმუნო და დამაჯერებელი; ასევე, დავადგენთ დოკუმენტების შექმნის კონტექსტს, შევისწავლით დოკუმენტებში მოცემული მტკიცებულებების შერჩევასა და შეფასებას.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 5: ანალიზის ერთეულების განსაზღვრა</em></strong></h3>
<p> ანალიზის ერთეულების განსაზღვრა შეიძლება მრავალდონეზე გაკეთდეს, მაგალითად, ანალიზის ერთეული შეიძლება იყოს სიტყვა, ფრაზა, წინადადება, აბზაცი, მთლიანი ტექსტი, ადამიანები და თემები. რობსონი (1993: 276), გაზეთის ანალიზისთვის ისეთ დამატებით ერთეულებს იყენებს, როგორებიცაა: მოცემულ თემაზე სტატიების რაოდენობა, სვეტის სიგანე (სანტიმეტრებში), სათაურის მოცულობა, ერთ გვერდზე სტატიების რაოდენობა, ფოტოების რაოდენობა და ტიპი. მის მიერ დამატებული ერთეულები გვიჩვენებს, თუ რამდენად ზედმიწევნით და გააზრებულად უნდა შეარჩიოს მკვლევარმა ანალიზის ერთეულები. ანალიზის განსხვავებული დონეები სანდოობის განსხვავებულ საკითხებს წამოჭრიან, რაზეც მოგვიანებით ვისაუბრებთ. სავარაუდოდ, შესაძლებელი იქნება ანალიზის ერთეულების იმავე კატეგორიის ტექსტში გაერთიანება, რომელსაც იგივე ან მსგავსი მნიშვნელობა ექნება თავად ტექსტის კონტექსტში (სემანტიკური ვალიდობა) (Krippendorp, 2004: 296); თუმცა, ეს შეიძლება პრობლემური იყოს (მოგვიანებით განვიხილავთ). ანალიზის ერთეულების აღწერა გაზომვისა და დათვლის ერთეულებსაც მოიცავს.</p>
<p> <em>კოდირების ერთეული</em> მასალის ის უმცირესი ელემენტია, რომლის გაანალიზებაც შესაძლებელია, ხოლო კონტექსტუალური ერთეული ის უდიდესი ტექსტუალური ერთეულია, რომელიც შეიძლება ერთ კატეგორიაში შეგვხვდეს.</p>
<p> კრიპენდორფი (2004: 99 – 101) სამი სახის ერთეულს განასხვავებს: შერჩევის ერთეულები ის ერთეულებია, რომლებიც ჩართულია ანალიზში ან გამორიცხულია ანალიზიდან; ეს შერჩევის ერთეულებია. ჩაწერის/კოდირების ერთეულები ის ერთეულებია, რომლებსაც შერჩევის ერთეულები მოიცავენ და უფრო მცირე ზომისაა, ვიდრე შერჩევის ერთეულები ამიტომ, მათ ერთეულებისთვის ჩვეული კომპლექსურობა არ ახასიათებთ; ისინი აღწერის ერთეულებია კონტექსტის ერთეულები კი „ტექსტუალური თემების ერთეულებია, რომლებიც საზღვრებს უწესებენ ჩაწერის ერთეულების აღწერილობაში გასათვალისწინებელ ინფორმაციას“. ეს ის ერთეულებია, რომლებიც „შემოფარგლავენ ინფორმაციას, რომელიც მკვლევარს ჩაწერის/კოდირების ერთეულების დახასიათებისას სჭირდება“ (Krippendorp 2004: 101, 103).</p>
<p> გარდა ამისა, კრიპენდორფი (2004) შერჩევის ერთეულების ხუთ ნაირსახეობას გვთავაზობს, ესენია: ფიზიკური (მაგალითად, დრო, ადგილი, ზომა), სინტაქსური (სიტყვები, გრამატიკა, წინადადებები, აბზაცები, თავები, სერიები და ა. შ.), კატეგორიული (კატეგორიის წევრებს რაღაც აქვთ საერთო), პროპოზიციული (კონკრეტული კონსტრუქციების ანუ პროპოზიციების მოხაზვა) და თემატური (ტექსტების თემებად და კატეგორიების კომბინაციებად გაერთიანება). კატეგორიების საკითხი შემდეგ ეტაპზე მიგვითითებს. კრიტერიუმია ის, რომ ანალიზის ყოველი ერთეული (კატეგორია - კონცეპტუალური, აქტუალური, კლასიფიკაციის ელემენტი, კლასტერი, საკითხი) შეძლებისდაგვარად წყვეტილი (დისკრეტული) უნდა იყოს და, ამასთანავე, მთლიანის ინტეგრირებულობას ინარჩუნებდეს, ესე იგი, ყოველი ერთეული კონტექსტისა და სხვა მონაცემთა ზუსტი გამოხატულება უნდა იყოს და არა - დამახინჯებული. ანალიზის ერთეულების შექმნა მონაცემებისთვის კოდების მინიჭებით არის შესაძლებელი (Miles and Huberman 1984). ეს „ელემენტების ერთ მთელში გაერთიანების “პროცესის მსგავსია (Lincoln and Guba 1985: 203).</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 6: ანალიზისას გამოსაყენებელი კოდების განსაზღვრა</em></strong></h3>
<p> შინაარსისა და ცნებების განსაზღვისას კოდებს შეიძლება სხვადასხვა დონის კონკრეტულობა და ზოგადობა ახასიათებდეს. შეიძლება გვქონდეს კოდები, რომლებიც, თავის, მხრივ, სხვა კოდებს მოიცავენ და ასე იქმნება იერარქიული კლასიფიკაცია - ერთი კოდი მეორეს მოიცავს და თავადაც სხვა კოდში ერთიანდება, რაც შედეგად კოდების ხისებრ დიაგრამას ქმნის. ზოგი კოდი ძალიან ზოგადია, ზოგი კი - უფრო კონკრეტული. კოდები დიდი რაოდენობით მასალას ერთად კრავს და გარკვეული წესითა და სტრუქტურით აერთიანებს. ისინი სიტყვებს სიტყვებად ტოვებენ და კონტექსტის სპეციფიკურობას/კონკრეტულობას ინარჩუნებენ. კოდები შეიძლება აღწერითი იყოს (Bogdan and Biklen 1992: 167 – 72) და სიტუაციის კოდებს, სუბიექტების თვალსაზრისებს, ადამიანებსა და საგნებზე მსჯელობის თავისებურებებს, პროცესთან, აქტივობასთან, მოვლენასთან, სტრატეგიასთან, ურთიერთობასა და სოციალურ სტრუქტურასთან, ასევე მეთოდებთან დაკავშირებულ კოდებსმოიცავდეს. თუმცა, მონაცემებთან დაკავშირებული სიზუსტის დასაცავად უნდა აღინიშნოს, რომ კოდები მიღებული მონაცემებიდან უფრო მიიღება, ვიდრე წინასაწარ ზოგადად განსაზღვრული გზით. შესაბამისად, კოდის მისანიჭებლად მკვლევარი ყველა მონაცემს სათითაოდგანიხილავს. კოდი არის სიტყვა ან აბრევიატურა, რომელიც საკმაოდ ახლოსაა იმასთან, რასაც აღწერს და მკვლევარს ერთი შეხედვით შეუძლია მიხვდეს, თუ რას აღნიშნავს ის (ამ მხრივ, კოდი განსხვავდება რიცხვისგან). მაგალითად, კოდი „ნდობა“ პიროვნების სანდოობას შეიძლება მოიაზრებდეს, კოდი „ძალაუფლება“ - ჯგუფში პიროვნების სტატუსს ან ძალაუფლებას.</p>
<p> მაილსისა და ჰაბერმანის (1984) მიხედვით, უმჯობესია კოდები, შეძლებისდაგვარად, წყვეტილი (დისკრეტული)იყოს; ასევე, კოდირება რაც შეიძლება ადრე უნდა დაიწყოს, რადგან გვიან დაწყებული კოდირება ანალიზს ასუსტებს; თუმცა, ასევე, არსებობს საფრთხე, რომ ადრეულმა კოდირებამ შესაძლოა მნიშვნელოვნად იმოქმედოს შემდგომ კოდირებაზე. ავტორები მიუთითებენ, რომ მონაცემებზე მუშაობის პროცესში ოთხმოცდაათამდე კოდის გაჩერებაა შესაძლებელი ადამიანის მუშა მეხსიერებაში. თუმცა, ცხადია, ეს პროცესი მრავალჯერადად მეორდება, რომლის შედეგადაც ზოგიერთი ადრეულ ეტაპზე გამოყენებული კოდი შეიძლება შეიცვალოს და, პირიქით, აუცილებელია, რომ მკვლევარმა მონაცემები რამდენჯერმე გადასინჯოს, რათა უზრუნველყოს კოდირების კონსისტენტურობა დახვეწილობა, მოდიფიცირება და ყოვლისმომცველობა (ზოგიერთი კოდი შეიძლება ზედმეტი აღმოჩნდეს, ზოგი კი უფრო მცირე კოდებად დაიყოს). მონაცემების კოდირებით მკვლევარს სიხშირეებისა (რომელი კოდები გვხვდება ყველაზე ხშირად) და ტენდენციების (რომელი კოდები გვხვდება ერთობლივი ფორმით) გამოვლენა შეუძლია.</p>
<p> ჰამერსლი და ატკინსონი (1983: 177 – 8) თვლიან რომ, მონაცემებში საფუძვლიანად გასარკვევად, უპირველეს ყოვლისა, საჭიროა მათი წაკითხვა და ხელახალი გადაკითხვა. ასევე, აუცილებელია კითხვის დროს ყურადღების გამახვილება ნებისმიერ საინტერესო ტენდენციაზე, მოულოდნელ, უცნაურ და გასაკვირ მახასიათებლებზე, ნებისმიერ თვალსაჩინო არათანმიმდევრულობასა ან წინააღმდეგობრიობაზე (მაგალითად, ჯგუფებს შორის, ინდივიდებსა და ჯგუფებს შორის ან ადამიანების ნათქვამსა და მათ მოქმედებას შორის).</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 7: ანალიზის კატეგორიების შექმნა</em></strong></h3>
<p> კატეგორიები ტექსტის კონსტრუქტების ან ძირითადი მახასიათებლების მთავარი დაჯგუფებებია, რომლებიც ანალიზის ერთეულებს შორის კავშირებზე მიგვითითებენ. მაგალითად, მასწავლებლების სტრესის შესახებ ტექსტს შეიძლება ჰქონდეს ისეთი დაჯგუფებები, როგორიცაა „მასწავლებლის სტრესის მიზეზები“, „მასწავლებლის სტრესის ბუნება“, „სტრესის დაძლევის გზები“ და „სტრესის შედეგები“. მკვლევარმა თავად უნდა გადაწყვიტოს, ჰქონდეს თუ არა ურთიერთგამომრიცხავი კატეგორიები (მათი არსებობა სასურველი, მაგრამ რთულია). მკვლევარმა, ასევე უნდა დაადგინოს რამდენად ფართო ან ვიწრო იქნება თითოეული კატეგორია, კატეგორიის ზოგადობის რიგი, ანუ, დონე (ზოგიერთი კატეგორია შეიძლება ძალიან ზოგადი იყოს და მოიცავდეს სხვა უფრო კონკრეტულ კატეგორიებს; ამ შემთხვევაში ანალიზი მხოლოდ ერთი კატეგორიის დონეზე უნდა გაკეთდეს; სხვადასხვა დონის კატეგორიები ერთი და იმავე ანალიზში არ ერთიანდება და, შესაბისად, მათთან ერთი და იგივე ანალიზის გამოყენება არ შეიძლება. კატეგორიების შესახებ დასკვნას მკვლევარი აკეთებს, ხოლო კონკრეტული სიტყვები ან ანალიზის ერთეულები დასკვნებს ნაკლებად ექვემდებარება. რაც უფრო ვუახლოვდებით დასკვნის გაკეთებას, მით ნაკლებია სანდოობა და მეტია მკვლევრის გეგმების მონაცემებთან შერევის შესაძლებლობა.</p>
<p> შინაარსის ვალიდობის უზრუნველსაყოფადკატეგორიები ამომწურავი უნდა იყოს. რობსონი (1993: 277) ამტკიცებს, რომ კონტენტ ანალიზი „იმდენადაა კარგი, რამდენადაც კარგია მისი კატეგორიების სისტემა“ და მასში შეიძლება შედიოდეს: განსახილველი საგანი, მიმართულება (როგორ უდგებიან საკითხს - დადებითად თუ უარყოფითად), ღირებულებები, მიზნები, მიზნების მისაღწევად გამოყენებული მეთოდები, მახასიათებლები (ადამიანების აღსაწერად გამოყენებული მახასიათებლები), აქტორები (ვინ არის განხილვის საგანი), უფლებამოსილება (ვისი სახელით კეთდება განცხადებები), ადგილმდებარეობა, კონფლიქტი (წყაროები და დონეები) და შედეგები (კონფლიქტის გადაჭრის გზა).</p>
<p> ამ ეტაპს (ანუ კატეგორიების შექმნას) ზოგჯერ „სფეროს ანალიზსაც“ უწოდებენ. ეს გულისხმობს ერთეულების გაერთიანებას კლასტერებში, ჯგუფებში, ტენდენციებში, თემებსა და თანმიმდებრულ კლასებში სფეროების ჩამოყალიბების მიზნით. სფერო არის ნებისმიერი სიმბოლური კატეგორია, რომელიც თავის მხრივ, სხვა კატეგორიებს მოიცავს (Spradley 1979: 100). ამ ეტაპზე მკვლევრისთვის შეიძლება სასარგებლო იყოს მონაცემების ხელახალი კოდირება სფეროების კოდებში, ან უკვე გამოყენებული კოდების გადასინჯვა და ნახვა, თუ რამდენად ბუნებრივად ერთიანდებიან ისინი კლასტერებად და შემდეგ თითოეული კლასტერისთვის საერთო კოდის მინიჭება. ჰამერსლი და ატკინსონი (1983) გვიჩვენებენ, თუ როგორ შეიძლება დებულებების ერთზე მეტი კატეგორიისთვის მიკუთვნება და ეს სასურველად მიაჩნიათ, რადგან ამ გზით მონაცემების სიმდიდრეა შენარჩუნებული. აღნიშნული პროცედურა „კატეგორიზაციის“ პროცესის (Lincoln and Guba 1985) მსგავსია, რომელიც გულისხმობს „კომპლექსური, უნიფიცირებული (ერთ მთელში გაერთიანებული)“ მონაცემებით ინფორმაციის აღწერასა და დასკვნების გამოტანს. უნიფიცირების პროცესი გულისხმობს ანალიზის მნიშვნელობის ერთეულებში მონაცემების მოთავსებას, მონაცემების შესწავლასა და იმის განსაზღვრას, თუ რას წარმოადგენს ეს ერთეულები. მნიშვნელობის ერთეული უბრალოდ მონაცემთა ის ცაკლეული ნაწილია, რომელსაც მკვლევარი მნიშვნელოვნად მიიჩნევს ის შეიძლება ისეთი მცირე იყოს, როგორიცაა სიტყვა ან ფრაზა, ან ისეთი დიდი მოცულობის, როგორიცაა აბზაცი, აბზაცების ჯგუფი ან, სულაც, მთლიანი ტექსტი, რომელსაც თავისთავად აქვს თავისი მნიშვნელობა.</p>
<p> სპრედლი (1979) თვლის, რომ სფეროების დადგენა ოთხი ანალიტიკური ამოცანის შესრულებით არის შესაძლებელი:</p>
<ul>
<li>სიტყვა-სიტყვით ჩაწერილი ინტერვიუს შერჩევისა და საველე ჩანაწერების არჩევა;</li>
<li>საგნების სახელწოდებების მოძიება;</li>
<li>შერჩევიდან შესაძლო ტერმინების დადგენა/იდენტიფიცირება;</li>
<li>დამატებით ჩანაწერებში სხვა პუნქტების მოძიება. სპრედლიამ ამოცანების შესრულების ექვს ეტაპს გამოყოფს:</li>
<li>ერთი სემანტიკური მიმართების შერჩევა;</li>
<li>სფეროს ანალიზის ფორმის მომზადება;</li>
<li>რესპონდენტების დებულებების შერჩევის გამოყოფა;</li>
<li>შესაძლო ზოგადი დასახელებების მოძიება, რომლებიც ასევე დადგენილ სემანტიკურ მიმართებას ერგებიან;</li>
<li>თითოეული დადგენილი სფეროსთვის სტრუქტურული კითხვების ფორმულირება;</li>
<li>ყველა ჰიპოთეტური სფეროს ჩამოთვლა.</li>
</ul>
<p> ამრიგად, სფეროს ანალიზის მიზანს სიმბოლოების ურთიერთმიმართების დადგენა წარმოადგენს (Spradley 1979: 157).</p>
<p> კოდების მსგავსად, კატეგორიებიც შეიძლება კონკრეტულობის და ზოგადობის სხვადასხვა დონით ხასიათდებოდეს. ზოგი კატეგორია უფრო ზოგადი და ყოვლისმომცველია, ზოგი კი,- ნაკლებად. როგორც წესი, კოდები უფრო კონკრეტულია ხოლმე, ვიდრე კატეგორიები. ეს კვანძებსა და კოდებს შორის განხვავებაზე მიგვითითებს. კოდი ტექსტის ნაწილის იარლიყია, სახელწოდებაა, ხოლო კვანძი არის კატეგორია, რომელშიც თავსდება, ანუ, გროვდება სხვადასხვა კოდი. მკვლევრის სურვილის შესაბამისად, კვანძი შეიძლება იყოს ცნება, იდეა, პროცესი, ადამიანთა ჯგუფი, ადგილი და ნებისმიერი სხვა დაჯგუფება; იგი მაორგანიზებელი კატეგორიაა. კოდები სპეციფიკურ ტექსტურ მომენტებს აღწერენ, ხოლო კვანძები კატეგორიათა ჩარჩოში აერთიანებენ ამ კოდებს და ერთმანეთთან აკავშირებენ კოდირებულ სეგმენტებსა და ცნებებს. ტექსტი შეგვიძლია შევადაროთ წიგნს, რომლის თავები კვანძებია, ხოლო აბზაცები - კოდები. კვანძები რამდენიმენაირად შეიძლება შეიკრას, მაგალითად, ერთი ცნება შეიძლება განსაზღვრავდეს მეორეს, ანლოგიკურად ან ემპირიულად (აღმოჩნდეს, რომ ერთმანეთის თანხლებით ჩნდებიან ტექსტში) უკავშირდებოდნენ ერთმანეთს (Krippendorp 2004: 296).</p>
<p> უნდა გვახსოვდეს, რომ კოდებისა და კატეგორიების შექმნით შეგვიძლია მიმართულება მივცეთ კვლევასა და მის შედეგებს, ანუ, მკვლევარი შეიძლება ძალიან შორს წავიდეს კვლევის პროცესში. მაგალითად, იგი შეიძლება სკოლაში კლასგარეშე აქტივობებს სწავლობდეს და აღმოაჩინოს, რომ ეს არაშემეცნებით და არააკადემიურ სფეროში იძლევა სასარგებლო შედეგს და არა - აკადემიურში, თუმცა, რეალურად, ეს შეიძლება სულაც არ იყოს ასე. საქმე ისაა, რომ შემეცნებითი/აკადემიური და არაშემეცნებითი/არააკადემიური სფეროების ერთმანეთისგან გამიჯვნას თავად კოდები და კატეგორიები იწვევენ და არა - რესპოდენტების გონებაში არსებული მონაცემები. თუ მკვლევარი სპეციალურად დაინტერესდებოდა ამის შესახებ, ან აკადემიურ და არააკადემიურ სფეროებს შორის კავშირის ამსახველ კოდებსა და კატეგორიებს შეიმუშავებდა, მაშინ უფრო მეტს აღმოაჩენდა, ვიდრე მანამდე შეეძლო დაედგინა. ეს ის საფრთხეა, რომელიც კოდებისა და კატეგორიების გამოყენებით მონაცემების წინასწარ განსაზღვრასთან არის დაკავშირებული.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 8: მონაცემების კოდირება და კატეგორიზაცია</em></strong></h3>
<p> კოდებისა და კატეგორიების დადგენის შემდეგ უკვე შესაძლებელია ანალიზის დაწყება. ეს პროცესი ტექსტისთვის კოდებისა და კატეგორიების რეალურად მიწერას გულისხმობს. კერლინგერი (1970) კოდირებას განსაზღვრავს, როგორც ანალიზის მიზნით კითხვებზე პასუხებისა და რესპოდენტის ინფორმაციის კონკრეტულ კატეგორიებად გარდაქმნას. როგორც ვნახეთ, ბევრი კითხვა წინასწარ კოდირებულია, ეს ნიშნავს, რომ შესაძლებელია თითოეული პასუხის დაუყონებლივ და პირდაპირ ქულად გარდაქმნა. წინასწარ კოდირებული კითხვების მაგალითებია რეიტინგის სკალები და პასუხების ვარიანტების ჩამონათვალი. კოდირება არის მონაცემის ერთეულისთვის კატეგორიის სახელის მიწერა, რომელიც ან წინასწარაა განსაზღვრული, ან მონაცემების შეგროვების შემდეგ მათი მიხედვით განისაზღვრება.</p>
<p> მეირინგი (Mayring 2004: 268 – 9) მიუთითებს, რომ შემაჯამებელი კონტენტ ანალიზი მასალას ისეთ მოცულობამდე ამცირებს, რომელიც უკეთესად სამართავია და ამავე დროს, შინაარსის სიზუსტეც შენარჩუნებულია. ავტორი ასევე აღნიშნავს, რომ კატეგორიების ინდუქციური ფორმირება შემაჯამებელი კონტენტ ანალიზის მეშვეობით ტექსტური მასალიდან კატეგორიების ინდუქციურად წარმოქმნის პროცესს წარმოადგენს. აღნიშნული ექსპლიციტური კონტენტ ანალიზის საწინააღმდეგო პროცესია. შემაჯამებელი კონტენტ ანალიზის საწინააღმდეგოდ, ტექსტის ანალიზისა და კატეგორიების ლოკალიზაციისთვის დამატებით ინფორმაციას ეძებს. პირველი ამცირებს კონტექსტუალურ დეტალებს, მეორე კი - ინარჩუნებს მათ. მასტრუქტურირებელი კონტენტ ანალიზი ფილტრავს ტექსტის ნაწილებს, რათა წინასწარ შემუშავებული კრიტერიუმის საფუძველზე მასალის სხვადასხვა ნაწილების შედარების საშუალება მოგვცეს.</p>
<p> აუცილებელია იმის განსაზღვრა, თუ რას ვანიჭებთ კოდს თვითონ ცნების არსებობას თუ ტექსტში მისი შეხვედრის სიხშირეს. ეს მნიშვნელოვანია, ვინაიდან პირველ შემთხვევაში, როდესაც მხოლოდ ცნების არსებობას ვაფიქსირებთ, დაიკარგება ინფორმაცია მისი შეხვედრის სიხშირის შესახებ, ხოლო სიხშირე, შესაძლოა, ტექსტში ცნების მნიშვნელოვნებაზე მიუთითებდეს. გარდა ამისა, კოდირებისას უნდა გადაწყდეს, მხოლოდ კონკრეტული სიტყვების კოდირება უნდა მოხდეს, თუ მსგავსი მნიშვნელობის მქონე სიტყვებისაც. სავარაუდოდ, პირველი მონაცემების მნიშვნელოვან დაკარგვას გამოიწვევს, რადგან სიტყვები ხშირად არ მეორდება იმ ცნებების სახით, რომელსაც ისინი გამოხატავენ. მეორე შემთხვევაში, შეიძლება გარკვეული სიტყვებისა და ფრაზების ნიუანსები დაიკარგოს. მართლაც, ზოგიერთი ორატორი თავის გამოსვლებში შეიძლება განზრახ იყენებდეს ორაზროვან სიტყვებს ან ფრაზებს.</p>
<p> ტრანსკრიპტის კოდირებისას მკვლევარი როგორც წესი, სისტემურად, სტრიქონ-სტრიქონ მიჰყვება ტექსტს და ყოველ მონაცემს მისთვის შესატყვის კოდს მიაწერს, მაგალითად:</p>
<p> <a href="http://storage.ning.com/topology/rest/1.0/file/get/2064211719?profile=original" target="_self"><img src="http://storage.ning.com/topology/rest/1.0/file/get/2064211719?profile=original" width="488" class="align-center"/></a></p>
<p> თვალსაჩინოა, რომ ამ მაგალითში კოდები აბრევიატურებია, რომლებიც მკვლევარს საშუალებას აძლევს ადვილად მიხვდეს, რა საკითხია ამ კოდებით აღნიშნული, ვინაიდან კოდი მიახლოებულია საკითხთან (კოდირების ეს ფორმა უფრო მოსახერხებელია, ვიდრე თითოეული მონაცემისთვის კოდების სახით რიცხვების მიწერა, რომლებიც არანაირად არ მიანიშნებს მონაცემის ან კატეგორიის შინაარსზე). მაილსი და ჰაბერმანის (1994) მიხედვით, აბრევიატურების არ არსებობის შემთხვევში, კოდების სახელწოდებები საკმარისად უნდა წააგავდეს ორიგინალურ მონაცემს, რათა მკვლევარმა კოდის მიხედვით შინაარსის დადგენა შესძლოს.</p>
<p> არსებობს რამოდენიმე კომპიუტერული პროგრამა, რომელიც აიოლებს კოდირებას (მაგალითად, ETHNOGRAPH, N-Vivo), თუმცა ამ შემთხვევაში, ორიგინალური ტრანსკრიპტის ელექტრონული ვერსია უნდა არსებობდეს. ერთერთი ასეთი პროგრამა, ჩოდე-A-თეხტ, განსაკუთრებით სასარგებლოა დიალოგების რაოდენობრივი და თვისებრივი ანალიზისათვის (სისტემა აუდიო და ვიდეო სიგნალებსაც იღებს).</p>
<p> კოდირების პირველი საფეხურის შემდეგ მკვლევარს უკვე შეუძლია ტენდენციებისა და თემების დანახვა და განზოგადების დაწყება (მაგალითად, კოდების სიხშირეების დათვლით). მკვლევარს კოდების უფრო ზოგად კლასტერებში დაჯგუფებაც შეუძლია, ანუ იწყებს მონაცემთა ფაქტორებად დაყოფას.</p>
<p> მაილსი და ჰაბერმანი (1994) მიუთითებენ, რომ ტექსტის დამუშავებისას მუშა მეხსიერებაში ერთდროულად ოთხმოცდაათი კოდის შეჩერებაა შესაძლებელი; თუმცა, აღნიშნავენ, რომ მონაცემების ხელახალი კოდირება შეიძლება მეორე ან მესამე წაკითხვისას მოხდეს. ადრე გამოყენებული კოდები შეიძლება დაიხვეწოს მოგვიანებით გამოყენებულ კოდების საფუძველზე, რათა კოდები უფრო კონკრეტული და გასაგები გახდეს, ან პირიქით, გაერთიანდეს ის კოდები, რომლებიც ზედმეტად კონკერტულია. ეს ავტორები ამტკიცებენ, რომ კოდები მკვლევარს საშუალებას უნდა აძლევდეს, მოიცვას მონაცემების კომპლექსურობა და სირთულე. სავარაუდოდ, ყველაზე დიდ პრობლემას, ღია კითხვების კოდირება და ქულებში გადაყვანა წარმოადგენს. ამ შემთხვევაში ორი გამოსავალია: მიუხედავად იმისა, რომ პასუხი ღიაა, ინტერვიუერმა მაგალითად, წინასწარ ისე შეიძლება გადააკოდიროს ინტერვიუს განრიგი, რომ რესპოდენტის თავისუფლად საუბრისას, მისი პასუხების ან მათი ნაწილების შინაარსისთვის წინასწარ განსაზღვრული შესატყვისი კოდების მინიჭება მოახერხოს. ასეთი სახის კლასიფიკაციის გაკეთება პილოტური კვლევების დროსაა შესაძლებელი.</p>
<p> ალტერნატიული გზა მონაცემების ინტერვიუს დასრულების შემდეგ კოდირებაა. ინტერვიუს შედეგად მიღებულ მასალაზე, რომელსაც შეიძლება შეჯამებული სახე ჰქონდეს,ან აუდიო ჩამწერის დახმარებით გაკეთებული სიტყვა-სიტყვითი ტრანსკრიპტი იყოს, მკვლევარმა კონტენტ ანალიზი რამდენიმე ხელმისაწვდომი პროცედურიდან ერთ-ერთის გამოყენებით შეიძლება ჩაატაროს, მაგალითად, სკალირების, ქულების მინიჭების, რანჟირების, პასუხების დათვლისა და ა. შ.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 9: მონაცემთა ანალიზი</em></strong></h3>
<p> მონაცემთა კოდირებისა და კატეგორიზაციის შემდეგ მკვლევარს შეუძლია ტექსტში თითოეული კოდის ან სიტყვის სიხშირის და თითოეულ კატეგორიაში სიტყვების რაოდენობის დათვლა. ეს ძიების პროცესია, რომელიც მრავალნაირად შეიძლება მიმდინარეობდეს, მაგალითად, სიტყვების, კოდების, კვანძების და კატეგორიების ფორმით. ზოგი სიტყვა შეიძლება ერთზე მეტ კატეგორიაში მოხვდეს, მაგალითად, როდესაც ერთი კატეგორია მეორის ქვესიმრავლეა ანუ, ერთი კატეგორია მეორეს მოიცავს. ვებერი (1990: 21 – 4) თვლის, რომ უმჯობესია, დასაწყისში, მთლიან ტექსტზე მუშაობის ნაცვლად, ტექსტის შერჩეულ მცირე მონაკვეთზე ვიმუშაოთ. ეს საშუალებას მოგვცემს, შევამოწმოთ კოდირება და კატეგორიზაცია და, ასევე, შევიტანოთ საჭირო ცვლილებები. სემანტიკური თანმიმდევრულობის დასაცავად კი სრული ტექსტები უნდა გაანალიზდეს.</p>
<p> სიტყვები და ცალკეული კოდები თავისთავად ბევრის მომცემი არ არის და ამიტომ მნიშვნელოვანია სიტყვებსა და კოდებს შორის კავშირებისკენ, ანუ, კატეგორებისა და მათ შორის მიმართებებისკენ გადანაცვლება. სფეროებს შორის მიმართებებისა და კავშირების დადგენა მონაცემების შენარჩუნებას, მათ სიმდიდრეს და „კონტექსტით განპირობებული?“ უზრუნველყოფს. კავშირების აღმოჩენა დამადასტურებელი შემთხვევების გამოვლენით, მონაცემების ქვესიმრავლეებს შორის „საფუძვლად არსებული ასოციაციების“ (LeCompte and Preissle 1992: 246) და კავშირების მოძიებით არის შესაძლებელი.</p>
<p> ვებერის (1990: 54) აზრით, ტექსტის მოძიება უმჯობესია კატეგორიების და არა - ცალკეული სიტყვების საფუძვლზე განხორციელდეს, ვინაიდან კატეგორიები ცალკეულ სიტყვებზე მეტს გვაძლევენ, იყენებენ რა სინონიმებსა და კონცეპტუალურად ახლოს მდგომ მნიშვნელობებს. მკვლევარს შეუძლია დათვალოს როგორც კატეგორიები, ისე სიტყვები. Fფაქტობრივად, მას შეუძლია კონკრეტულად განსაზღვროს, რომელ დონეზე შეიძლება განხორციელდეს დათვლა, ანუ, რას დაითვლის, მაგალითად, სიტყვებს, ფრაზებს, კოდებს, კატეგორიებსა თუ თემებს.</p>
<p> ამ პროცედურის შედეგი ისაა, რომ სიტყვების, კოდების, კვანძებისა და კატეგორიების სიხშირეები მათ აქტუალურობაზე მიუთითებს. ეს შეიძლება ასე იყოს ან არც იყოს ასე, ვინაიდან გარკვეულ ტექსტებში (მაგალითად, სიტყვით გამოსვლებში) სიტყვის ან კატეგორიის შემდგომი მოხსენიება, შესაძლოა, რთულად იყოს გამოთქმული. სიხშირე არ არის მნიშვნელოვნების ტოლფასი, ხოლო სულ არაფრის თქმა (კომენტარისგან თავის შეკავება) ისეთივე მნიშვნელოვანი შეიძლება იყოს, როგორიც რაიმე ნათქვამი. კონტენტ ანალიზისას უფრო მოცემულის, ნათქვამის ანალიზი ხდება, ვიდრე იმისა, რაც გამოტოვებულია, ან არ თქმულა (Anderson and Arsenault 1998: 104). ამასთან, როგორც ვებერი (1990) ამბობს:</p>
<blockquote><p> გზადაგზა არსებითი სახელები შეიძლება ნაცვალსახელებით შეიცვალოს; წამოჭრილი საკითხის განვითარებამ შეიძლება არაპროდუქტიული გამეორებით გამოწვეული მრავალსატყვაობა მოიტანოს, ტექსტის მოცულობის შეზღუდვამ შეიძლება ხელი შეგვიშალოს თემასთან დაკავშირებაში; ზოგი თემის წამოწევა შეიძლება სხვებთან შედარებით უფრო მეტ ძალისხმევას საჭიროებდეს.<br/> (Weber 1990: 73)</p>
</blockquote>
<p> მკვლევარმა შეიძლება შეაჯამოს ტექსტიდან გამომდინარე დასკვნები, მოძებნოს ტენდენციები, კანონზომიერებები და ტექსტის სხვადასხვა სეგმენტებს შორის არსებული კავშირები, ასევე, შეამოწმოს ჰიპოთეზები. კატეგორიებისა და მონაცემების შეჯამება სტატისტიკური ტექნიკების მიზანია, რაც ტენდენციების, სიხშირეების, პრიორიტეტებისა და მიმართებების გამოთვლის საშუალებას იძლევა. მონაცემების ანალიზის ეტაპზე რამდენიმე მიდგომისა და მეთოდის გამოყენება შეიძლება. კრიპენდორფის (2004: 48 – 53) მიხედვით, მათ შორის შეიძლება იყოს:</p>
<ul>
<li><em>ექსტრაპოლაციები</em>: ტენდენციები და განსხვავებები;</li>
<li><em>სტანდარტები</em>: შეფასებები და მსჯელობები;</li>
<li><em>ინდექსები</em>: მაგალითად, ურთიერთობების, ხდომილობის და რამდენიმე ხდომილობის თანხვედრის სიხშირეების ინდექსები, შესატყვისი და არაშესატყვისი ერთეულების რაოდენობა;</li>
<li><em>ლინგვისტური რეპრეზენტაციები</em>:</li>
</ul>
<p> სიხშირეების დათვლის შემდეგ შესაძლებელია სტატისტიკური ანალიზის განხორციელება და შემდეგი მეთოდების გამოყენება:</p>
<ul>
<li><em>ფაქტორული ანალიზი</em>: მსგავსი პასუხების დაჯგუფება;</li>
<li><em>მონაცემების ცხრილების სახით წარმოდგენა</em>: სიხშირეების ან პროცენტების;</li>
<li><em>ნიშანთა შეუღლების ცხრილები (კროს-ტაბულაცია)</em>: მატრიცის შექმნა, რომელშიც სიტყვები ანუ კოდები სვეტების დასახელებებია, ხოლო სახელდების სკალის ცვლადები (მაგალითად, გაზეთი, წელი, სქესი) - სტრიქონების;</li>
<li><em>კორელაცია</em>: სიტყვებს, კოდებს და კატეგორიებს შორის კავშირის სიძლიერისა და მიმართულების დადგენა;</li>
<li><em>გრაფიკური გამოსახვა</em>: მაგალითად, დროის მონაკვეთში ან ტექსტებში კონკრეტული სიტყვების, ცნებების, კატეგორიების შეხვედრის სიხშირეების გრაფიკურად გამოსახვა;</li>
<li><em>რეგრესია</em>: ერთი ცვლადის/სიტყვის/კოდის/კატეგორიის ღირებულების დადგენა მეორესთან მიმართებაში - ასოციაციის ფორმა, რომელიც რეგრესიის წრფის ზუსტ მნიშვნელობებსა და გრადიენტს ანუ დახრის კუთხეს გვაძლევს;</li>
<li><em>მრავალჯერადი რეგრესია</em>: დამოკიდებულ ცვლადებში დამოუკიდებელი ცვლადების წონის გამოთვლა;</li>
<li><em>სტრუქტურული განტოლების მოდელირება და LISREL ანალიზი</em>: მიზეზშედეგობრიობის სხვადასხვა მიმართულების და მიზეზ-შედეგობრივი მიმართებების ანალიზში სხვადასხვა კავშირის წონის დადგენა;</li>
<li><em>დენდროგრამები</em>: ხისებრი დიაგრამები კატეგორიებსა და კოდებს, კოდებსა და კვანძებს შორის დამოკიდებულების საჩვენებლად.</li>
</ul>
<p> სტატისტიკური სიდიდეების გამოთვლა და წარდგენა 24-26-ე თავებშია განხილული. ამ ეტაპზე მხოლოდ იმას ვიტყვით, რომ ანალიზისთვის შესაძლებელია თვისებრივი მონაცემების ანუ სიტყვების რიცხობრივ მონაცემებად გარდაქმნა.</p>
<p> თუ ანალიზის ნაკლებად რაოდენობრივი ფორმაა საჭირო, მაშინ ეს გამორიცხავს ზემოთ აღწერილ სტატისტიკური პროცედურების თვისებრივ ვერსიას. მაგალითად, მკვლევარს შეუძლია ცნებებსა და კატეგორიებს შორის კავშირის დადგენა და ამ კავშირების სიძლიერისა და მიმართულების შესწავლა (რამდენად მჭიდროდ უკავშირდებიან ისინი ერთმანეთს და რამდენად დადებითია, ან რამდენად უარყოფითია ეს კავშირი). ბევრი კომპიუტერული პროგრამა იძლევა სტატისტიკური პროცედურების თვისობრივი ეკვივალენტების შესრულების საშუალებას.</p>
<p> ასევე, სასარგებლოა ძირითადი კატეგორიების იდენტიფიცირება (იხ. დაფუძნებული თეორია). ძირითადი კატეგორია ის კატეგორიაა, რომელსაც ყველაზე მეტი ახსნითი შესაძლებლობა აქვს და რომელსაც სხვა კატეგორიები და ქვეკატეგორიები, სავარაუდოდ, ხშირად და მჭიდროდ უკავშირდება (Strauss 1987: 11). რობსონი (1993: 401) თვლის, რომ თვისებრივი მონაცემებიდან დასკვნების გაკეთება შესაძლებელია დათვლით, ტენდენციების გამოკვეთით (განმეორებადი თემების ანუ ტენდენციების დაფიქსირებით), კლასტერების გამოყოფით (ადამიანების, საკითხების, მოვლენების და ა. შ., რომლებსაც მსგავსი მახასიათებლები აქვთ), ცვლადების დაკავშირებით, მიზეზ-შედეგობრივი ქსელების შექმნითა და შედეგების თეორიული ჩარჩოსთვის დაკავშირებით.</p>
<p> მიუხედავად იმისა, რომ თვისობრივი მონაცემების ანალიზისას რიცხობრივი მიდგომის ან პარადიგმების გამოყენება შეიძლება მათი პოზიტივისტურობის გამო გააკრიტიკონ, გასათვალისწინებელია დაფუძნებული თეორიის ერთ-ერთი ფუძემდებლის, გლასერის (Glaser 1996) სიტყვებიც, რომელიც ამბობდა, რომ დაფუძნებული თეორია არა მარტო თვისებრივ მონაცემებთან რაოდენობრივი პარადიგმებს გამოყენებას არ ცდილობს, არამედ პარადიგმული სიზუსტეც მიუღებელი იყო თვისებრივი მონაცემების ანალიზის რეალური სამყაროსთვის, სადაც წარმმართველი მიზანთან შესატყვისობა ან დაქვემდებარება უნდა იყოს. შესამჩნევია, რომაილსი და ჰაბერმანი (1984) მხარს უჭერენ მონაცემების გრაფიკულად გამოსახვას, როგორც თვისებრივი მონაცემების შემცირების ეკონომიურ საშუალებას. ასეთი გრაფიკები მიზეზ-შედეგობრივ მიმართებაზე მითითებისა და მონაცემთა შეჯამების საშუალებას იძლევა.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 10: შეჯამება</em></strong></h3>
<p> ამ ეტაპზე მკვლევარს შეუძლია უკვე შესწავლილი სიტუაციის ძირითადი მახასიათებლების შეჯამება. შეჯამებაში მოცემული იქნება ძირითადი ფაქტორები, საკითხები, ცნებები და შემდგომი კვლევის მიმართულებები.ესარის გარდატეხის ეტაპი მონაცემების შეგროვებისას, ვინაიდან ამ დროს ხდება მონაცემებიდან აქამდე მოძიებული ძირითადი თემების, საკითხებისა და პრობლემების გამოკვეთა და შემდგომი კვლევის გზების დასახვა. შეჯამების წერისას გამოიყენება როგორც თავად მონაცემებიდან, ისე მკვლევრის დასკვნით მიღებული ცნებები (Hammersley and Atkinson 1983: 178).</p>
<p> აქ მკვლევარს თეორიის ჩამოყალიბების მოსამზადებელი ეტაპების გავლა მოუწევს. პატონი (1980) თვისებრივი ანალიზის შემთხვევაში შემდეგ ეტაპებს გამოყოფს:</p>
<ul>
<li>კვლევისა და ანალიზის ფოკუსის პოვნა;</li>
<li>მონაცემების ორგანიზება, დამუშავება, მოწესრიგება და გადამოწმება;</li>
<li>თვისებრივი აღწერის ანუ ანალიზის დაწერა;</li>
<li>კატეგორიების, ტიპოლოგიებისა და სახელწოდებების ინდუქციურად შექმნა;</li>
<li>კატეგორიების ანალიზი იმის გასარკვევად, თუ სად არის საჭირო შემდგომი დაზუსტება და ჯვარედინი დაზუსტება;</li>
<li>ამ კატეგორიების გამოხატვა და ტიპური შემთხვევების აღნიშვნა მეტაფორების საშუალებით (იხ. Pitman and Maxwell 1992: 747);</li>
<li>ურთიერთმიმართებების, მიზეზებისა და შედეგების შესახებ დასკვნების გაკეთება.</li>
</ul>
<p> ბოგდანი და ბიკლენი (1992: 154 – 63) რამდენიმე მნიშვენლოვან ფაქტორს გამოყოფენ, რომელიც მკვლევარმა ამ ეტაპზე უნდა გაითვალისწინოს. ამ ფაქტორთა რიცხვში შედის: საკუთარ თავზე ზემოქმედების მოხდენა იმ გადაწყვეტილებების მისაღებად, რომელიც ხელს შეუწყობს კვლევის ფოკუსის გამოყოფას, დავიწროებას და კვლევის ტიპის განსაზღვას; ასევე, ანალიტიკური კითხვების ჩამოაყალიბება; მონაცემების შეგროვების დაგეგმვისას ადრინდელი დაკვირვებით მიღებული მოანცემების გამოყენება, დაკვირვებების შესახებ რეფლექსიური ჩანაწერების გაკეთება, საკუთარი იდეებისა და მოსაზრებების ცდის პირებისთვის გაცნობა, საველე სამუშაოებისა და კვლევის წარმოების პარალელურად შესაბამისი ლიტერატურის ანალიზი, კვლევის დასაზუსტებლად ცნებების, მეტაფორების, ანალოგიების და ვიზუალური საშუალებების შექმნა.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 11: სპეკულაციური დასკვნების გაკეთება</em></strong></h3>
<p> სპეკულაციური დასკვნების ეტაპი მნიშვნელოვანი ეტაპია, ვინაიდან მას კვლევა აღწერიდან დასკვნების გაკეთებაზე გადაჰყავს. ამ ეტაპზე მკვლევარს, ემპირიულ მტკიცებულებებზე დაყრდნობით, სიტუაციის, ზოგიერთი ძირითადი ელემენტისა და სავარაუდოდ, მათი მიზეზების ახსნების შემოთავაზება მოეთხოვება. ეს ჰიპოთეზის ჩამოყალიბებისან სამუშაო პიჰოთეზების ფორმირების პროცესია, რომელიც თეორიის გენერირებას უწყობს ხელს.</p>
<p> თეორიის გენერირების ეტაპი დაფუძნებულ თეორიას უკავშირდება და ამ საკითხს მოგვიანებით მივუბრუნდებით. ახლა გთავაზობთ კონტენტ ანალიზის მაგალითს, რომელშიც არ არის გამოყენებული სტატისტიკური ანალიზი, თუმცა მონაცემების ანალიზისადმი სისტემატურ მიდგომას მაინც გვიჩვენებს, რაც კონტენტ ანალიზის არსს წარმოადგენს.</p>
<h2 align="center" style="font-size: 20px; color: black;">კონტენტ ანალიზის საილუსტრაციო მაგალითი</h2>
<p> წინამდებარე მაგალითში მკვლევარს უკვე გაკეთებული აქვს სამსახურში მიღებული სტრესის შესახებ მონაცემების ტრანსკრიპტი, რომლებიც, ვთქვათ, რამდენიმე მასწავლებლის ანგარიშიდან და ინტერვიუდან არის აღებული და რომელშიც უკვე შეჯამებულია ძირითადი მომენტები. წარმოიდგინეთ, რომ თითოეული ანგარიში ან ინტერვიუ სათითაოდ არის დაწერილი და ცალკე ფაილებად ინახება (მაგალითად, კომპიუტერში) და ახლა ანალიზისთვის ერთიანი მონაცემების სახითაა წარმოდგენილი. პრაქტიკულად, რაც გვაქვს, უკვე ინტერპრეტირებული მონაცემებია და არა სტენოგრაფიული ჩანაწერი.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 1: მონაცემებზე ინტერპრეტაციული კომენტარების მიწერა</em></strong></h3>
<p> თითოეული მონაცემის გასწვრივ კოდის/კატეგორიის/დესკრიპტორის აღმნიშვნელი სიტყვაა მიწერილი (მსხვილი შრიფტით), ესე იგი, შეჯამებული მონაცემები უკვე წარმოდგენილია 33 შემაჯამებელი წინადადების სახით.</p>
<ul>
<li>სტრესს იწვევს გაცრუებული მოლოდინები, ანუ დასახული მიზნის მიუღწევლობა, უკმაყოფილება საკუთარი საქციელის გამო, ზოგჯერ, თავად მასწავლებლების მოდუნება და ბედს დამორჩილება.მიზეზი</li>
<li>სტრესს იწვევს პროფესიული საქმეებისათვის თავისუფალი დროის დათმობის საჭიროება. მაგრამ, სტრესის მიზეზი თავისუფალი დროის დახარჯვა კი არ არის, არამედ მასწავლებლის მიერ საკუთარ გეგმებთან/სურვილებთან დაკავშირებით კომპრომისის გაკეთებაა მიზეზი.</li>
<li>სტრესის მიზეზი რამოდენიმე მოთხოვნის ერთდროულად შესრულების მოთხოვნიდან გამომდინარეობს .თავად ის ფაქტი, რომ ეს მოთხოვნები ერთდროულად არსებობს, მათი ერთდროულად დაკმაყოფილების შეუძლებლობაზე მიუთითებს. ამრიგად, სტრესი სიტუაციის დაძლევის პრობლემაშია - ეს გამოუვალი სიტუაციაა. ბუნება</li>
<li>ერთი წყაროდან წარმოქმნილი სტრესი დამატებით სტრესს ქმნის, რაც უძილობას იწვევს – ეს კი იმის ნიშანია, რომ ყველაფერი უკიდურეს ზომამდეა მისული. შედეგი</li>
<li>სტრესს განაპირობებს ის მნიშვნელობა, რომელსაც პიროვნება იმ აქტივობებს მიაწერს, რომელშიც იგი მონაწილეობს. ბუნება. სტრესს იწვევს ინდივიდის პატიოსნების/ღირებულებების არა მხოლოდ გამოცდა, არამედ ეჭვქვეშ დაყენება. მიზეზი</li>
<li>სტრესი „ფრუსტრაციიდან“ წარმოიქმნება – ფრუსტრაციას სტრესამდე მივყავართ, რაც თავის მხრივ, ისევ სტრესს იწვევს, შემდეგ ისევ ფრუსტრაციამდე და ა. შ. - მანკიერი წრე. ბუნება</li>
<li>როდესაც კარგად დაწყობილი გეგმები ირევა, ეს შეიძლება სტრესული იყოს. მიზეზი</li>
<li>სტრესის მანკიერი წრე ძილის დარღვევასაც იწვევს, რაც თავის მხრივ, სტრესს იწვევს. ბუნება</li>
<li>სტრესის შემცირება ხშირად მხოლოდ სიმპტომებზე მოქმედებს და არა - მიზეზებზე, მიზეზი ერთადერთი, რაც ამ შემთხვევაში შეიძლება გვქონდეს, ისაა, რომ სტრესორები არ უჩინარდება და სტრესი ძლიერდება. მიზეზი</li>
<li>სტრესის ეფექტი ფიზიკურია, რაც, თავის მხრივ, უფრო დიდ სტრესს იწვევს - კიდევ ერთი ჩაკეტილი წრე. შედეგი</li>
<li>სტრესი დაქვეითებული ენთუზიაზმიდან/პასუხისმგებლობიდან/მისწრაფებიდან/ მოლოდინიდან წარმოქმნება. მიზეზი</li>
<li>სამუშაოს ზეწოლა ამცირებს მისწრაფებას, რომელიც ამცირებს სტრესს. მიზეზი</li>
<li>სტრესი მეგობრებთან ურთიერთობით მცირდება. გამკლავება</li>
<li>სტესს იწვევს ის, რაც ინდივიდის კონტროლს მიღმაა. მიზეზი</li>
<li>სტრესი პრობლემურ მოსწავლეებთან ურთიერთობიდან მომდინარეობს. მიზეზი</li>
<li>სტრესი წარუმატებელი მენეჯმენტის გამო ჩნდება. მიზეზი</li>
<li>სტრესი კმაყოფილების განცდის უქონლობისგან ჩნდება. მიზეზი</li>
<li>სტრესი თავისთავად იშვიათად წარმოიქმნება. ის, როგორც წესი, რამდენიმე ფაქტორის კომბინაციაა - ზვავივითაა, თანდათანობით მატულობს და ძლიერდება. ბუნება</li>
<li>სტრესს პროფესიული პირობების გაუარესება იწვევს, რასაც მასწავლებლი ვერ აკონტროლებს. მიზეზი. სტრესი კონტროლისა და ავტონომიის დაკარგვის შედეგად ყალიბდება. მიზეზი</li>
<li>პროფესიული პირობების გაუარესებით გამოწვეული სტრესის შედეგები გეომეტრიული პროგრესიით იზრდება. ბუნება</li>
<li>სტრესი წარმოიქმნებამაშინაც, როდესაც პროფესიული სტანდარტების დათმობის საშიშროება ჩნდება. მიზეზი</li>
<li>სტრესი მოუგვარებელი საქმეების გამო შეიძლბა გაჩნდეს. მიზეზი</li>
<li>სტრესის მიზეზი პროფესიული კომპრომისი შეიძლება იყოს, რაც ინდივიდის კონტროლს არ ექვემდებარება. მიზეზი</li>
<li>სტრესის ინტენსიობას მისი ზომა განაპირობებს - დიდი ყუმბარის აფეთქება მყისიერი ზიანის გამომწვევია. ბუნება</li>
<li>სტრესს თვითგადარჩენის გზის არარსებობა იწვევს; სიტუაცია ჩაკეტილია და კიდევ უფრო მეტ სტრესს იწვევს. უცხვირო ჩაიდნის მსგავსად, რომელიც დუღილისას ჯერ ლითონს აწვება, მერე კი ფეთქდება. მიზეზი</li>
<li>სტრესი გადატვირთვიდან და ფრუსტრაციიდან - კონტროლის დაკარგვიდან მომდინარეობს. სტრესი მაშინ იჩენს თავს, როდესაც ადამიანები თავიანთ სამუშაო გარემოსვერ აკონტროლებენ. მიზეზი</li>
<li>სტრესს გადატვირთვა იწვევს. მიზეზი</li>
<li>სტრესი ჩნდება მაშინაც, როდესაც ინდივიდი ხედავს, რომ მის გაკეთებულ საქმეს სხვა აფუჭებს თავისი უცოდინრობით. მიზეზი</li>
<li>სტრესი გვხვდება მაშინ, როდესაც მისი შემცირების არავითარი შესაძლებლობა არ არსებობს. ამრიგად, თუ სტრესის „ორთქლის გამოშვება“ არ ხდება, ის სულ უფრო და უფრო მოიმატებს. მიზეზი, ბუნება</li>
<li>სტრესთან გამკლავება რელაქსაციითა და ვარჯიშით შეიძლება. გამკლავება</li>
<li>სტრესის შემცირების ისეთი თვითდამაზიანებელი ქცევებით, როგორიცაა ალკოჰოლოს მიღება და მოწევა. გამკლავება, ბუნება</li>
<li>სტრესი იმ საქმიანობებისადმი მინიჭებული მნიშვნელობის ფუნქციაა, რომელსაც მონაწილეები ახორციელებენ. ბუნება</li>
<li>რაც უფრო ახლო ურთიერთობა აქვს ინდივიდს სტრესის გამომწვევ ადამიანებთან, მით მწვავეა სტრესი. ბუნება</li>
</ul>
<p> მონაცემების ძალიან მიახლოვებითი კოდირება სამი ან ოთხი კატეგორიის მიხედვით მოხდა. შეიძლებოდა მონაცემების გაცილებით უფრო ზუსტად კოდირება, მაგალითად, თუ თითოეულ კონკრეტულ მიზეზს საკუთარი კოდი ექნებოდა. მართლაც, გარკვეული თეორიული მიმდინარეობა დაგვისაბუთებდა, რომ საწყის ეტაპზე კონკრეტული კოდების შექმნა მნიშვნელოვანია. მკვლევარმა შეიძლება გადაწყვიტოს სიტყვების (და შემდეგ სიტყვების სიხშირეების) ან მნიშვნელობების კოდირება – სიტყვების და არა მნიშვნელობების კოდირება ზოგჯერ სახიფათოა, რადგან ადამიანები ერთიდაიგივე აზრს სხვადასხვა სიტყვებით გამოთქვამენ ხოლმე.</p>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 2: მონაცემების დახარისხება ძირითადი არეების მიხედვით</em></strong></h3>
<p> გამოყენებული კოდები ოთხ ძირითად არეში განთავსდა, ესენია:</p>
<ul>
<li>სტრესის მიზეზები;</li>
<li>სტრესის ბუნება;</li>
<li>სტრესის შედეგები;</li>
<li>სტრესთანბრძოლა.</li>
</ul>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 3: თითოეული თემის დასახელება და დებულებების ხსენების სიხშირეების მიწერა</em></strong></h3>
<p> თითოეული თემის შესატყვისი მონაცემები ერთად გროვდება და დებულების გასწვრივ იმდენი ნიშანი (/) იწერება, რამდენჯერად ის მასწავლებელმა ახსენა.</p>
<p> <strong>სტრესის მიზეზები</strong></p>
<ul>
<li>გაცრუებული მოლოდინი/მისწრაფება - /</li>
<li>გაღიზიანება - /</li>
<li>სხვებს არ გააქვთ თავისი - /</li>
<li>სხვები ნებდებიან/ფარ-ხმალს ყრიან - /</li>
<li>პროფესიული მოთხოვნები, მაგალითად, პრობლემური მოსწავლეები - /</li>
<li>პროფესიული საქმეებისთვის თავისუფალი დროის დათმობის საჭიროება - /</li>
<li>სამუშაოსთან დაკავშირებული სირთულეები - /</li>
<li>თავისუფალი დროისა და სივრცის უქონლობა - /</li>
<li>საკუთარი ან სხვების პროფესიული სტანდარტებისა და პატიოსნების დათმობა - ///</li>
<li>ჩაშლილი გეგმები- /</li>
<li>სტრესი თავისთავად იწვევს სტრესის გაძლიერებას- /</li>
<li>სტრესის მიზეზების შემცირების უუნარობა - /</li>
<li>ენთუზიაზმის/პასუხისმგებლობის/მისწრაფების შემცირება - /</li>
<li>სამუშაოს ზეწოლა/წნეხი - /</li>
<li>ის, რაც საკუთარი კონტროლის მიღმაა - /</li>
<li>წარუმატებელი მენეჯმენტი ან მმართველობა - /</li>
<li>დაუკმაყოფილებლობა - /</li>
<li>პროფესიული პირობების გაუარესება - /</li>
<li>კონტროლისა და ავტონომიის დაკარგვა - //</li>
<li>პრობლემური სიტუაციის მოწესრიგების უუნარობა- /</li>
<li>პრობლემური სიტუაციისგან თავის დაღწევის უუნარობა- /</li>
<li>სამუშაოთი გადატვირთვა - /</li>
<li>იმის ყურება, თუ როგორ აფუჭებენ სხვები ინდივიდის მიერ წარმატებით გაკეთებულ საქმეს -/</li>
</ul>
<p> <strong>სტრესის ბუნება</strong></p>
<ul>
<li>სტრესიგანპირობებულია იმ მნიშვნელობით, რომელსაც მონაწილეები მათ მიერ შესრულებულ საქმიანობებს ანიჭებენ. - /</li>
<li>სტრესი მაშინ იჩენს თავს, როდესაც ერთდროულად ბევრი მოთხოვნაა, ანუ როდესაც სიტუაცია გამოუვალია - /</li>
<li>სტრესი კუმულაციურია (ზვავივით მატულობს და გროვდება), სანამ უკიდურეს ზღვარს არ მიაღწევს - /</li>
<li>სტრესი მანკიერი წრეა - //</li>
<li>სტრესის ეფექტი გეომეტრიული პროგრესიით იზრდება - /</li>
<li>სტრესის ინტერსივობა მისი ზომის ფუნქციაა - /</li>
<li>თუ სტრესს არ აქვს გამოსავალი, „ორთქლის გამოსაშვები ხვრელი“, იგი უფრო ძლიერდება- //</li>
<li>სტრესთან გამკლავების მცდელობამ თვითდამაზიანებელ ქცევამდე (თამბაქოს მოწევა ან ალკოჰოლის მიღება) შეიძლება მიიყვანოს ადამიანი - /</li>
<li>სტრესი დამოკიდებულია იმაზე, თუ რა მნიშვნელობას ანიჭებს ადამიანი გასაკეთებელ საქმეებს - /</li>
<li>რაც უფრო ახლო ურთიერთობა აქვს ინდივიდს სტრესის გამომწვევ ადამიანებთან, მით მწვავეა სტრესი - /</li>
</ul>
<p> <strong>სტრესის შედეგები</strong></p>
<ul>
<li>უძილობა ან ფიზიკური რეაქცია - /</li>
<li>სტრესის შედეგები თავისთავად იწვევს მეტ სტრესს. - /</li>
<li>თვითდამაზიანებელი ქცევა- /</li>
</ul>
<p> <strong>სტრესთან გამკლავება</strong></p>
<ul>
<li>ფიზიკური აქტივობა ან ვარჯიში - /</li>
<li>მეგობრებთან ურთიერთობა - /</li>
<li>ალკოჰოლის მიღება და მოწევა - /</li>
</ul>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 4: მესამე ეტაპზე გაკეთებული ჩამონათვალის გადასინჯვა და საკითხების დაჯგუფება (კატეგორიასთან გადაფარვისთავიდან არიდება)</em></strong></h3>
<p> ამ ეტაპზე დაჯგუფებული მონაცემები ხელახლაა გაანალიზებული და ისინი ოთხიძირითადი დაჯგუფის სახითაა წარმოდგენილი (სტრესის მიზეზები, სტრესის ბუნება, სტრესის შედეგები და სტრესთან ბრძოლა)</p>
<p> <strong>სტრესის მიზეზები</strong></p>
<p><em>► <strong>პიროვნული ფაქტორები</strong></em></p>
<ul>
<li>გაცრუებული მოლოდინი/მისწრაფება - /</li>
<li>გაღიზიანება - /</li>
<li>პროფესიული საქმეებისთვის თავისუფალი დროის დათმობის საჭიროება - /</li>
<li>თავისუფალი დროისა და სივრცის არქონა- /</li>
<li>სტრესი თავისთავად მეტ სტრსს იწვევს - /</li>
<li>სტრესის მიზეზების შემცირების უუნარობა - /</li>
<li>ენთუზიაზმის/პასუხისმგებლობის/მისწრაფების შემცირება - /</li>
<li>ის, რაც საკუთარი კონტროლის მიღმაა - /</li>
<li>დაკმაყოფილების გრძნობის არქონა - /</li>
<li>კონტროლისა და ავტონომიის დაკარგვა - //</li>
<li>პრობლემის მოგვარების უნარის უქონლობა - /</li>
<li>გამოსავალის არარსებობა- /</li>
</ul>
<p><em>► <strong>ინტერპერსონალური ფაქტორები</strong></em></p>
<ul>
<li>გაღიზიანება - /</li>
<li>სხვების მიერ მიზნის მიუღწევლობა- /</li>
<li>სხვებისთვის დანებება/ფარ-ხმლის დაყრა- /</li>
<li>საკუთარი ან სხვების პროფესიული სტანდარტებისა და პატიოსნების დათმობა - ///</li>
<li>იმის ყურება, თუ როგორ აფუჭებენ სხვები ინდივიდის მიერ წარმატებით გაკეთებულ საქმეს -/</li>
</ul>
<p><em>► <strong>მენეჯმენტი</strong></em></p>
<ul>
<li>სამუშაოს ზეწონა - /</li>
<li>ის, რაც კონტროლს მიღმაა - /</li>
<li>წარუმატებელი მენეჯმენტი ან მმართველობა - /</li>
<li>პროფესიული პირობების გაუარესება - /</li>
<li>იმის ყურება, თუ როგორ აფუჭებენ სხვები ინდივიდის მიერ წარმატებით გაკეთებულ საქმეს - /</li>
</ul>
<p><em>► <strong>პროფესიული საკითხები</strong></em></p>
<ul>
<li>სხვების მიერ მიზნის მიუღწევლობა- /</li>
<li>პროფესიული მოთხოვნები, მაგალითად, პრობლემური მოსწავლეები - /</li>
<li>პროფესიული საქმეებისთვის თავისუფალი დროის დათმობის საჭიროება - /</li>
<li>სამუშაოსთან დაკავშირებული სირთულეები - /</li>
<li>საკუთარი ან პროფესიული სტანდარტებისა და პატიოსნების დათმობა - ///</li>
<li>გეგმების ჩაშლა- /</li>
<li>სამუშაოს ზეწოლა - /</li>
<li>პროფესიული პირობების გაუარესება - /</li>
<li>სამუშაოთი გადატვირთვა - /</li>
<li>კონტროლისა და ავტონომიის დაკარგვა - //</li>
</ul>
<p> <strong>სტრესის ბუნება</strong></p>
<p><em>► <strong>ობიექტური</strong></em></p>
<ul>
<li>სტრესი განპირობებულია იმ მნიშვნელობით, რასაც მონაწილეები გასაკეთებელ აქტივობებს ანიჭებენ - /</li>
<li>სტრესი მაშინ იჩენს თავს, როდესაც ერთდროულად ბევრი მოთხოვნაა, - /</li>
<li>სტრესი კუმულაციურია (ზვავივით მატულობსდა გროვდება), სანამ უკიდურეს ზღვარსარ მიაღწევს - /</li>
<li>სტრესი მანკიერი წრეა - //</li>
<li>სტრესის ეფექტი გეომეტრიული პროგრესიით იზრდება - /</li>
<li>სტრესის ინტერსივობა მისი ზომის ფუნქციაა - /</li>
<li>თუ სტრესს გამოსავალი არ აქვს, ის უფრო ძლიერდება- //</li>
<li>სტრესთან გამკლავების მცდელობამ ადამიანი შეიძლება თვითდამაზიანებელ ქცევამდე (თამბაქოს მოწევა ან ალკოჰოლის მიღება) მიიყვანოს - /</li>
</ul>
<p><em>► <strong>სუბიექტური</strong></em></p>
<ul>
<li>სტრესი განპირობებულია იმ მნიშვნელობით, რასაც მონაწილეები გასაკეთებელ აქტივობებს ანიჭებენ- /</li>
<li>რაც უფრო ახლო ურთიერთობა აქვს ინდივიდს სტრესის გამომწვევ ადამიანებთან, მით მწვავეა სტრესი - /</li>
</ul>
<p> <strong>სტრესის შედეგები</strong></p>
<p><em>► <strong>ფიზიოლოგიური</strong></em></p>
<ul>
<li>უძილობა - /</li>
</ul>
<p><em>► <strong>ფიზიკური</strong></em></p>
<ul>
<li>ფიზიკური რეაქციები - //</li>
<li>თამბაქოს მოწევის გაძლიერება - /</li>
<li>ალკოჰოლის მოჭარბებული მოხმარება - /</li>
</ul>
<p><em>► <strong>ფსიქოლოგიური</strong></em></p>
<ul>
<li>გაღიზიანება - /</li>
</ul>
<p> <strong>სტრესთან გამკლავება</strong></p>
<p><em>► <strong>ფიზიკური</strong></em></p>
<ul>
<li>ფიზიკური აქტივობა და ვარჯიში - /</li>
<li>სოციალური სოლიდარობა, განსაკუთრებით, ახლობელ ადამიანებთან - ///</li>
<li>მეგობრებთან ურთიერთობა - /</li>
</ul>
<p><em>► <strong>სოციალური</strong></em></p>
<ul>
<li>სოციალური სოლიდარობა, განსაკუთრებით, ახლობელ ადამიანებთან - ///</li>
<li>მეგობრებთან ურთიერთობა - /</li>
</ul>
<h3 style="font-size: 16px; color: black;"><strong><em>ეტაპი 5: მეოთხე ეტაპზე გამოყოფილი ჯგუფების ან შედეგების კომენტირება და მათი მნიშვნელობების განხილვა</em></strong></h3>
<p> წინა ეტაპების დასრულების შემდეგ მკვლევარს უკვე შეუძლია ზოგად და კონკრეტულ მომენტებს დაუთმოს ყურადღება, მაგალითად:</p>
<ul>
<li>სტრესის უამრავი მიზეზი არსებობს (დაასახელეთ რაოდენობა);</li>
<li>სტრესიდან გამოსვლის ძალიან ცოტა გზა არსებობს, ასე რომ, მისი აკუმულირება ალბათ, გარდაუვალია.</li>
<li>სტრესის მიზეზები პიროვნულ ფაქტორებში იღებს სათავეს და არა - მენეჯმენტში, პროფესიული საქმიანობასა თუ სხვ. (აქ დაასახელეთ სიხშირეები).</li>
<li>სამუშაოსთან დაკავშირებული მოთხოვნები უფრო ნაკლებ სტრესს იწვევს, ვიდრე სხვა ფაქტორები (მაგალითად, მენეჯმენტი). ანუ, ადამიანებმა მუშაობის დაწყებისას იციან, რას უნდა ელოდონ თავიანთი სამუშაოდან, მაგრამ პრობლემა სადღაც სხვაგანაა, თუნდაც - მენეჯმენტში (დაასახელეთ სიხშირეები).</li>
<li>კონტროლის დაკარგვა მნიშვნელოვანი ფაქტორია (დაასახელეთ სიხშირეები).</li>
<li>ადამიანების მიმართ არსებული გამოწვევები, და მათი პიროვნული ინტეგრირებულობის/თვითშეფასების ეჭვქვეშ დაყენება ძალიან სტრესულია (დაასახელეთ სიხშირეები).</li>
<li>სტრესის ბუნება კომპლექსურია და რამდენიმე ურთიერთმოქმედ კომპონენტს მოიცავს (დაასახელეთ სიხშირეები).</li>
<li>სტრესი ადამიანის ცხოვრების ყველა სფეროში იჭრება.</li>
<li>სტრესის დასაძლევად ზომების მიუღებლობა აგვარებს პრობლემას; სტრესის დასაძლევად ზომების მიღება აგვარებს პრობლემას.</li>
<li>სტრესის ბუნების სუბიექტური ასპექტები ისეთივე მნიშვნელოვანია, როგორიც ობიექტური (დაასახელეთ სიხშირეები).</li>
<li>სტრესის შედეგი პიროვნული უფროა, ვიდრე - პიროვნების გარეთ არსებული (მაგალითად, სისტემური ან სისტემის დამაზიანებელი) (დაასახელეთ სიხშირეები).</li>
<li>სტრესის შედეგები თითქმის უკლებლივ უარყოფითია და არა - დადებითი (დაასახელეთ სიხშირეები).</li>
<li>სტრესის შედეგების განცდაუფრო არაკოგნიტურია, მაგალითად, ემოციური და ფსიქოლოგიური, ვიდრე - კოგნიტური (დაასახელეთ სიხშირეები).</li>
<li>სტრესთან გამკლავების ცოტა გზა არსებობს (სიხშირეები), ესე იგი, შეზღუდულია სტრესის შემცირების შესაძლებლობები.</li>
</ul>
<p> გაანალიზებული მაგალითის ეტაპებში ასახულია ის თემები, რომლებიც კონტენტ ანალიზის წინა განხილვისას წამოიჭრა; თუმცა მაგალითში არ არის გაკეთებული სტატისტიკური ანალიზი და არც სიტყვებია დათვლილი. კონტენტ ანალიზის მიმართ სამართლიანობის დასაცავად ზოგიერთი იტყოდა, უფრო სწორედ კი, მოითხოვდა, რომ მონაცემებმა აუცილებლად უნდა გაიაროს შემდგომი ანალიზი. რაც კარგია განხილულ ანალიზში, ესაა რამდენიმე მნიშვნელოვანი საკითხის წამოჭრა:</p>
<ul>
<li>მკვლევარმა მონაცემები მიმოიხილა როგორც კატეგორიებს შორის ასევე თავად კატეგორიებში დაჯგუფებების პატერნების, თემების, განზოგადებებისა, ასევე ვარაუდებისა და უჩვეულო შედეგების სანახავად.</li>
<li>მკვლევარი იღებს გადაწყვეტილებას, არის თუ არა სიხშირეები მნიშვნელოვანი, ან არის თუ არა საკითხი მნიშვნელოვანი მაშინაც კი, თუ ის მხოლოდ ერთხელ ან რამდენჯერმე არის ნახსენები.</li>
<li>მკვლევარმა მოიძია და წარმოადგინა დებულებების დამადასტურებელი და უარმყოფელი მტკიცებულებები.</li>
<li>ანალიზის ბოლო ეტაპი თეორიის ჩამოყალიბებაა, იმის შესაჯამებლად, რაც სტრესის ასახსნელად ითქვა. ასევე, შეიძლება მნიშვნელოვანი იყოს, შემდგომი ანალიზისას მიზეზ-შედეგობრივი მიმართების დადგენის მცდელობაც: რა რისი მიზეზია და რა მიმართულება აქვს მიზეზობრივ კავშირს. ასევე, შეიძლება სასარგებლო იყოს დიაგრამების აგება მიმართულებების, ძლიერი მხარეებისა და დადებითი/უარყოფითი ბუნების საჩვენებლად.</li>
</ul>
<h2 align="center" style="font-size: 20px; color: black;">კონტენტ ანალიზში კომპიუტერის გამოყენება</h2>
<p> ლეკომტი და პრეისლი (1993) საინფორმაციო ტექნოლოგიების თვისებრივ კვლევაში გამოყენების შესაძლო გზებს აჯამებენ (ასევე, იხ. Tesch 1990). როგორც ქვემოთ მოცემული ჩამონათვალიდან შეგვიძლია დავინახოთ, თვისებრივ კვლევაში ტექნოლოგიების გამოყენება მრავალფეროვანია. მონაცემები უნდა დამუშავდეს და რადგან სიტყვიერი მონაცემების დამუშავება შრომატევადი საქმეა, არსებობს მონაცემთა დამუშავებისა და ანალიზის რამდენიმე პროგრამული პაკეტი, მკვლევრებმა სრულად უნდა გამოიყენონ ყველა არსებული გამოთვლითი ტექნოლოგია. თვისებრივ კვლევაში საინფორმაციო ტექნოლოგიები შემდეგი დანიშნულებით შეიძლება გამოვიყენოთ (LeCompte and Preissle 1993: 280 – 1):</p>
<ul>
<li>მონაცემების შენახვა და შემოწმება (მაგალითად, კორექტურის);</li>
<li>მონაცემების თანმიმდევრულად დალაგება და სეგმენტებად დაყოფა, მონაცემების გამრავლება (ასლები);</li>
<li>ჩანაწერების წარმოება იმ ვითარებების აღწერის ჩათვლით, რომელშიც გაკეთდა ეს ჩანაწერები;</li>
<li>მონაცემებში სიტყვის ან ფრაზის ძიება და მოძიებულის ამოკრეფა;</li>
<li>ტექსტის ერთეულებისთვის საიდენტიფიკაციო ნიშნების მინიჭება (მაგალითად, კითხვარის პასუხები) ისე, რომ შემდგომ შესაძლებელი იყოს მათი დახარისხება;</li>
<li>ტექსტზე კომენტარებისა და დანართების გაკეთება;</li>
<li>მონაცემების დაყოფა ერთეულებად, რომლებიც მკვლევრის მიერ წინასწარ განსაზღვრულია, ან თავად მონაცემების ბუნებრივი ენის მიხედვით განისაზღვრა;</li>
<li>მონაცემების წინასწარი კოდირება;</li>
<li>ერთგვაროვანი შედარების ხელშეწყობისა და კლასიფკაციის სქემების დახვეწის მიზნით მონაცემების ცალკეული ნაწილების დახარისხება, ხელახლა გადახარისხება, კრიტიკული შედარება, კლასიფიკაცია და ხელახალი კლასიფიკაცია;</li>
<li>ჩანაწერების კოდირება და მათი იმავე კლასიფიკაციის ჩარჩოში მოქცევა;</li>
<li>მონაცემების გაერთიანება, ხელახალი გაერთიანება და მათი კატეგორიებში დაბრუნება;</li>
<li>სიხშირეების დათვლა (მაგალითად, სიტყვების, ფრაზების, კოდების);</li>
<li>მონაცემების ჯვარედინად გადამოწმება (მონაცემების ერთზე მეტ კატეგორიაში კოდირების და კატეგორიებს შორის კავშირების დადგენის შესაძლებლობა);</li>
<li>ისეთი მონაცემების გამოვლენა, რომლებიც ერზე მეტ კატეგორიაში ხვდება;</li>
<li>მონაცემების შედარებისა და დაპირისპირების მიზნით ქვესიმრავლეებიდან (მაგალითად, სქესი) მონაცემების კოდირებული და კვანძებად გაერთიანებული სეგმენტების ამოღება;</li>
<li>მონაცემის ისეთი ნაწილების მოძიება, რომლებიც გარკვეული თანმიმდევრობითაა დალაგებული (მაგალითად, ქრონოლოგიურად); კოდირებულ კატეგორიებს შორის კავშირების დადგენა;</li>
<li>კატეგორიებს შორის მიმართებების დადგენა (მაგალითად, იერარქიული, დროითი, ურთიერთობითი, დაქვემდებარებული, დამაქვემდებარებელი);</li>
<li>საბოლოო ანგარიშში მონაცემების ციტირება.</li>
</ul>
<p> კელეს (Kelle 1995) მოსაზრებით, კომპიუტერი განსაკუთრებით ეფექტურია თვისებრივი კვლევისთვის დამახასიათებელი ისეთ ხშირად წამოჭრილ პრობლემასთან გამკლავებისას, როგორიცაა გადატვირთული, ჭარბი მონაცემებიდან საჭირო მონაცემების ამოკრეფა. ამტკიცებენ, რომ კომპიუტერი მკვლევარს საშუალებას აძლევს, გამოიყენოს კოდები, შენიშვნები, დიდი მოცულობის ტექტსების სისტემები, სელექციური Mმოძიება, თანხვედრილი კოდები, ასევე, თვისებრივი მონაცემები რაოდენობრივად დათვალოს. (ასევე, იხ. Seidel and Kelle 1905). ეს, თავის მხრივ, ელემენტების ერთმანეთთან დაკავშირების, ქსელების აგებისა და, საბოლოო ჯამში, თეორიის შექმნის შესაძლებლობას იძლევა (Seidel and Kelle 1995). ლონკილა (Lonkila 1995) მიუთითებს, თუ როგორ შეიძლება კომპიუტერის გამოყენებამ ხელი შეუწყოს დაფუძნებული თეორიის ჩამოყალიბებას კოდირების, მუდმივი შედარების, კავშირების, ჩანიშვნების, ანოტაციების, დანართების, დიაგრამების, გადამოწმების გამოყენებით, რასაც საბოლოო ჯამში, თეორიის ჩამოყალიბება მოჰყვება. კელე და ლაური (Kelle and Lაურიე 1995: 27) თვლიან, რომ ამ პროცესში კომპიუტერული მეთოდების გამოყენება ზრდის ვალიდობასა (შერჩევების მართვით) და სანდოობას (მოცემულ თემაზე ყველა მონაცემის მოპოვებითა და ამით მონაცემების სარწმუნოების გაზრით). კომპიუტერი, ძირითადად, მონაცემების კოდირებისა და კომპილაციისთვის გამოიყენება (Kelle 1995: 62 – 104). ლონკილა (1995) კოდების რამდენიმე სახეს გამოყოფს: ღია კოდირების შედეგად წარმოიქმნება კატეგორიები და განისაზღვრება მათი თვისებები და განზომილებები. ღერძული კოდირება ერთი კატეგორიის შიგნით მუშაობს, ერთმანეთთან აკავშირებს ამ კატეგორიის ქვეჯგუფებს და ერთ კატეგორიას მეორესთან. ეს შეიძლება ეხებოდეს შესასწავლ მოვლენას, ამ მოვლენის გამომწვევ პირობებს, კონტექტს, რომელშიც ხორციელდება მოვლენა, მასთან დაკავშიებულ მოქმედებებსა და ურთიერთობებს, შედეგებსა და სიტუაციაში მოქმედ პირებს. სელექციური კოდირება ტექსტური მონაცემების ძირითად კატეგორიებს ადგენს, რომელთაც თეორიის ჩამოალიბებისთვის აერთიანებს. სეიდელი და კელე (1995) თვლიან, რომ კოდებით შეიძლება ტექსტის, მოვლენისა თუ ფაქტის მონიშვნა, და, ასევე, მათი გამოყენება მონაცემების ქსელების შესაქმნელად.</p>
<p> თვისებრივი მონაცემებისთვის არსებობს მთელი რიგი ისეთი კომპიუტერული პროგრამების პაკეტებისა (იხ. Kelle 1995), როგორიცაა, მაგალითად: AQUAD, ATLAS/ti, HyperQuad2, Hyper-RESEARCH, Hypersoft, Kwaliton, Martin, MAXqda, WINMAX, QSR.NUD.IST, Nvivo, QUALPRO, Textbase Alpha, ETHNOGRAPH, ATLAS.ti, Code-A-Text, Decision Explorer და Diction. ზოგიერთი მათგანი განხილული აქვთ პრეინსა და მის კოლეგებს (Pრეინ et al. 1995: 190 – 209). რეალურად, ეს პროგრამები თავად კი არ აანალიზებენ მონაცემებს (რაოდენობრივი მეთოდების ანალიზისთვის განკუთვნილი პროგრამებისგან განსხვავებით), არამედ ეხმარებიან მკვლევარს ამაში. კელე (2004: 277) შენიშნავს, რომ ეს პროგრამები იმდენად არ აანალიზებენ ტექსტს, რამდენადაც შემდგომი ანალიზისთვის მის ორგანიზებასა და სტრუქტურირებას ახდენენ.</p>
<p> ამ პროგრამების მიმზიდველობას დიდი მოცულობის ტექსტობრივ მასალასთან სწრაფად თავის გართმევის საშუალებას ქმნის; მონაცემების გამოთვლისა და მოძიებისას გამორიცხავს ადამიანურ შეცდომას; ასევე, ათავისუფლებს მკლვევარს ზოგიერთი მექანიკური დავალებისგან. სიტყვების, ფრაზების, კოდების, კვანძებისა და კატეგორიების შეთხვევაში, კომპიუტერული პროგრამით შესაძლებელია:</p>
<ul>
<li>ტექსტების, კოდების, კვანძებისა და კატეგორიების მოძიება და ჩამატება;</li>
<li>ტექსტის გაფილტრვა;</li>
<li>უკუთვლა;</li>
<li>დაჯგუფებული მონაცემების სასურველი შერჩევის კრიტერიუმის მიხედვით წარმოდგენა, როგორც ტექსტებს შიგნით, ასევე რამდენიმე ტექსტში ერთად</li>
<li>სტატისტიკური ანალიზის თვისებრივი ეკვივალენტების განხორციელება, როგორიცაა:<ul>
<li>- ლოგიკური ძიება (ისეთი ტექსტების თანაკვეთა, რომლებიც ერთზე მეტი კოდით ან კვანძითაა აღნიშნული, „და“ და „ან“ კავშირების გამოყენებით; ერთდროულად შეხვედრებისა და გადაფარვების ძიება);</li>
<li>- სიახლოვის ძიება (მონაცემების კლასტერული გაერთიანებებისა და კვანძის ან კოდის ნებისმიერ მხარესთან დაკავშირებული კონტექსტური მონაცემების ძებნა);</li>
<li>- შეზღუდვები, „ხეები“ და ნიშანთა შეუღლების ცხრილები (მონაცემების ძიებაში ჩართვა ან გამორიცხვა, კონკრეტულ კვანძში შემავალი კოდების და სხვა კვანძების მომცველი კვანძების ძიება)</li>
</ul>
</li>
<li>ურთიერთდაკავშირებული კვანძებისა და კოდების დენდროგრამების აგება (ხის სტრუქტურა);</li>
<li>მონაცემების თანმიმდევრულად წარმოდგენა და ტექსტის მისთვის უახლოესი მასალის ფარგლებში განთავსება აუცილებელი კონტექსტით უზრუნველყოფის მიზნით;</li>
<li>ტექსტის შერჩევა კომბინირებული კრიტერიუმების მიხედვით (მაგალითად, ერთდროულად გამოჩენა, ერთობლივი განლაგება);</li>
<li>ტექსტებსა და ტექსტების პასაჟებს შორის მსგავსებების, განსხვავებებისა და ურთიერთობების ანალიზის შესაძლებლობა;</li>
<li>ტექსტის კომენტირება და მის შესახებ ჩანიშვნების ჩაწერა.</li>
</ul>
<p> ამას გარდა, მასალის კოდირების, ძიების, ამოკრეფვისა და წარდგენის გასაიოლებლად პროგრამა შეიძლება ლექსიკონებს და ტერმინების ანბანურ საძიებელსაც შეიცავდეს.</p>
<p> ვინაიდან კოდირების წესები და კატეგორიები ცნობილია და წესებით იმართება, კომპიუტერული ანალიზი განსაკუთრებით სასარგებლო შეიძლება იყოს ტექსტების მოძებნის, დაჯგუფებისთვის როგორც კონკრეტული სიტყვების, ისე - მსგავსი მნიშვნელობი მქონე სიტყვების მიხედვით. ცალკეულ სიტყვებსა და სიტყვების დათვლისას შეიძლება უყურადღებოდ დარჩეს კონტექსტის მნიშვნელობა. ამიტომ შეიქმნა ისეთი კომპიუტერული პროგრამები, რომლებიც კონტექსტის ძირითად სიტყვებს (Key-Words-In-Context) პოულობენ. ასეთი პროგრამების უმეტესობას ჩანიშვნების გაკეთების ფუნქცია გააჩნია, ანუ, შესაძლებელია იმ ტექსტის თანმხლები კომენტარების გაკეთება, რომელიც ძირითად ტექსტს არ მიეკუთვნება და სურვილისამებრ, გამოირიცხოს ან ჩაერთოს ტექსტური მასალის ანალიზში. გარდა ამისა, ბევრი პროგრამული პაკეტი მოიცავს ტექსტის ანოტაციის და დანართის გაკეთების ფუნქციას, რომელიც ტექსტთან ერთად ინახება, სადაც იქვეა მითითებული, რომ ეს არის ანოტაცია და არა - ძირითადი ტექსტის ნაწილი.</p>
<p> კომპიუტერები ვერაფერს გააკეთებენ „ადამიანის ხელის“ გარეშე, ვინაიდან მაინც ადამიანმა უნდა გადაწყვიტოს და შექმნას კოდები და კატეგორიები, გადაამოწმოს მონაცემები და მოახდინოს მათი ინტერპრეტაცია. ანალოგიურად, „მკაცრადაა შეზღუდული ტექსტების ალგორითმული ინტერპრეტაციები“ (Kelle 2004: 277), ვინაიდან ტექსტები იმაზე მეტს შეიცავს, ვიდრე მექანიკურად გაანალიზირებადი მასალაა. გარდა ამისა, კელე (2004: 283) თვლის, რომ შეიძლება პრობლემები შეიქმნას ისეთ შემთხვევებში, როდესაც დაშვებები, რომელსაც კომპიუტერული პროგრამა ეყრდნობა, არ შეესაბამება მკვლევრის მიზნებს ან პროგრამა არ იძლევა თვისებრივ კვლევასთან დაკავშირებული ანალიტიკური ტექნიკების საჭირო არჩევანსა და დიაპაზონს. კელე (2004) ამტკიცებს, რომ კომპიუტერული პროგრამა დაფუძნებული თეორიის ტექნიკებს უფრო მჭიდროდ შეიძლება უკავშირდებოდეს, ვიდრე სხვა ტექნიკებს (მაგალითად, ჰერმენევტიკა, დისკურსის ანალიზი) (Coffey et al. 1996); პროგრამა შეიძლება წარმართავდეს ანალიზს და არა - პირიქით (Fielding and Lee 1998). ის ძირითადად კატეგორიების კოდირებითაა დაკავებული (Siedel and Kelle 1995). შეგვიძლია დაბეჯითებით ვთქვათ, რომ პროგრამული უზრუნველყოფა არ არის ისეთი ეფექტური, როგორიც რაოდენობრივი მონაცემების ანალიზი, იმ თვალსაზრისით, რომ ტექსტის შეტანა უაღრესად შრომატევადი საქმეა და პროგრამა ანალიზს კი არ აკეთებს, არამედ მხოლოდ იმით ეხმარება მკვლევარს ანალიზის წარმოებაში, რომ ალაგებს მონაცემებს და იმახსოვრებს კოდებს, კვანძებს და ა. შ</p>
<h2 align="center" style="font-size: 20px; color: black;">სანდოობა კონტენტ ანალიზში</h2>
<p> ტექსტებისა და მათი კონტენტ ანალიზის სანდოობის განხილვისას რამდენიმე საკითხია გასათვალისწინებელი და თვისებრივი მონაცემების ანალიზისას ამისთვის, ფაქტობრივად, სხვადასხვაგვარი საშუალება გამოიყენება, მაგალითად;</p>
<ul>
<li>ნებითი და უნებლიე მტკიცებულებები (Robson 1993: 273): ნებითი მტკიცებულება ის მტკიცებულებაა, რომლის გამჟღავნებაც განზრახული იყო, ხოლო უნებრიე მტკიცებულება ისეთი მტკიცებულებაა, რომლის შესახებაც ტექსტიდან შეგვიძლია დავასკვნათ და რომლიც გაცემაც ინფორმაციის წყაროს განზრახულიარ ჰქონდა.</li>
<li>ტექსტი, შესაძლოა, მკვლევრის გათვალისწინების გარეშე, არა კვლევისათვის, არამედ სრულიად სხვა მიზნით დაიწერა (რაც ხშირად ხდება დოკუმენტების შემთხვევაში). შესაბამისად, მკვლევარმა უნდა იცოდეს ტექსტის ავტორის განზრახვა, ან უნდა შეეძლოს მის შესახებ დასკვნის გაკეთება.</li>
<li>დოკუმენტები შეიძლება შეზღუდული, სელექციური, ნაწილობრივი, მიკერძოებული, არანეიტრალური და არასრული იყოს, ვინაიდან ისინი სრულიად სხვა მიზნით შეიქმნა და არა — კვლევისთვის (ვალიდობისა და სანდოობის საკითხი);</li>
<li>დოკუმენტებში, შესაძლოა, გაძნელდეს მიზეზ-შედეგობრიობის შესახებ დასკვნა - ისინი კონკრეტული სიტუაციის მიზეზი ან შედეგი შეიძლება იყოს.</li>
<li>ტექსტის კლასიფიკაცია, შესაძლოა, არათანმიმდევრული იყოს (პრობლემა, რომელსაც ზოგჯერ ამსუბუქებს კომპიუტერული ანალიზი) ადამიანისთვის ჩვეული შეცდომის, კოდირებაზე მომუშავე პერსონალის ცვალებადობისა (ინდივიდის შიგნით და ინდივიდებს შორის ცვალებადობა) და კოდირების წესების ორაზროვნების გამო (Weber 1990: 17).</li>
<li>ტექსტი შეიძლება არ იყოს დამოწმებული ან შეუძლებელი იყოს მისი დამოწმება;</li>
<li>სიტყვები იმთავითვე ორაზროვანი და მრავალპარამეტრულია (ომოგრაფების პრობლემა). მაგალითად, რას ნიშნავს სიტყვა „სკოლა“: შენობას, ადამიანთა ჯგუფს, შემოქმედთა გარკვეულ გაერთიანებას (მაგალითად, იმპრესიონისტული სკოლა), დეპარტამენტს (სამედიცინო სკოლა), არსებით სახელს, ზმნას (სწავლება, განათლება, წარმართვა, გავარჯიშება, კონტროლი, ინსტიტუტში სიარული), ინსტიტუტში გატარებულ დროის მონაკვეთს („სკოლის შემდეგ ფეხბურთის სათამაშოდ დარჩნენ“), ზედსართავ სახელს (მაგალითად, სასკოლო დღე), აქტივობის სფეროს (მაგალითად, „ძლიერი დარტყმის სკოლა“), ადამიანთა ჯგუფს, რომელიც გარკვეული პრინციპების ერთგულია (მაგალითად, უტილიტარისტული სკოლა), ცხოვრების სტილს (მაგალითად, „ძველი სკოლის წარმომადგენელი ბატონი“), გარკვეული მიზნის ირგვლივ შეკრებილი ადამიანების ჯგუფს (მაგალითად, თამაშის სკოლა) და ა. შ. ეს განსაკუთრებით პრობლემური საკითხია კომპიუტერული პროგრამების შემთხვევაში, რომლებშიც შეიძლება სიტყვები მათი მნიშვნელობების გარეშე ანალიზირდებოდეს;</li>
<li>კოდირებისას და კატეგორიზაციისას შეიძლება დაიკარგოს კონკრეტული სიტყვების ნიუანსები და მათი დამატებითი მნიშვნელობები (კონოტაციები);</li>
<li>კატეგორიების განსაზღვრებები და თემები შეიძლება ბუნდოვანი, ორაზროვანი იყოს, რადგან ისინი დასკვნითი ხასიათისაა;</li>
<li>ზოგიერთი სიტყვა შეიძლება ერთსა და იმავე საერთო კატეგორიაში შედიოდეს, მაგრამ მეტ-ნაკლები მნიშვნელობა ჰქონდეს იმ კატეგორიისთვის (სიტყვების შეწონვის სისტემა შეიძლება სანდო არ იყოს);</li>
<li>მსგავს კატეგორიებში დაჯგუფებულ სიტყვებს შეიძლება განსხვავებული კონოტაციები ჰქონდეთY და მათ უფრო ნიუანსირებულად იყენებდნენ, ვიდრე კატეგორია აღიარებს.</li>
<li>კატეგორია, შესაძლოა, მკვლევრის გეგმებს და მის მიერ მიწერილ მნიშვნელობა უფრო ასახავდეს, ვიდრე იმას, რაც რეალურადაა ტექსტში მოცემული, ან, რასაც ტექსტის შემქმნელები (მაგალითად, რესპოდენტები) გულისხმობდნენ.</li>
<li>მონაცემების გაერთიანებამ შეიძლება სანდოობა შეამციროს. მაშინ, როდესაც ანალიზისისას წინადადებებს, ფრაზებს, სიტყვებსა და სრულ ტექსტებს შეიძლება მაღალი სანდოობა ჰქონდეთ, აბზაცებსა და ტექსტის უფრო დიდი ზომის, მაგრამ არასრული ნაწილებს — დაბალი (Weber 1990: 39).</li>
<li>დოკუმენტში სათქმელი შეიძლება მიზანმიმართულად იყოს გამოტოვებული, გაზვიადებულად ან დაკნინებულად ნათქვამი (Weber 1990: 73)</li>
</ul>
<p> უფრო ფართო დონეზე, ეზი (Ezzy 2002: 84) კონტენტ ანალიზის შეზღუდვას გვთავაზობს და ამტკიცებს, რომ ვინაიდან კოდირება და კატეგორიზაცია წინასწარ განსაზღვრულია, კონტენტ ანალიზი უკვე არსებული თეორიის შესამოწმებლად ან დასასაბუთებლად გამოდგენა და არა - ახლის შესაქმნელად, თუმცა, აქ, ალბათ, არასათანადოდაა შეფასებული კონტენტ ანალიზის ახალი თეორიის ჩამოყალიბებისთვის გამოყენების შესაძლებლობები, განსაკუთრებით, დაფუძნებული თეორიის შემთხვევაში (განხილულია ქვემოთ). კონტენტ ანალიზისას ხშირად წინასწანაა ცნობილი, თუ რას ეძებენ ტექსტში და რა კატეგორიებით მოხდება მისი გაანალიზება. ეზის (2002: 85) აზრით, ამით ანალიზის კატეგორიების მონაცემებისადმი რეაქციულობა მცირდება და, შედეგად, მონაცემების ანალიზი მკვლევრის გეგმების მიხედვით წარიმართება და არა - რაიმე „სხვა“ გეგმით. ამგვარად, შესაძლებელი ხდება არსებული თეორიის შემოწმება. ფაქტობრივად, მეირინგის (2004: 269) მტკიცებით, თუ კვლევის კითხვა ძალიან ზოგადია, ან თუ კვლევა შესწავლითია, მაშინ უმჯობესი იქნება კონტენტ ანალიზზე უფრო ღია პროცედურების, მაგალითად, დაფუძნებული თეორიის გამოყენება.</p>
<p> მიუხედავად იმისა, რომ ინდუქციური მიდგომები კონტენტ ანალიზის ადრეულ ეტაპებზე შეიძლება გამოირიცხოს, ეს არ ნიშნავს, რომ ისინი შემდგომ ეტაპებზეც გამორიცხული იქნება, ვინაიდან შესაძლებელია, მკვლევრმა წამოაყენოს და მონაცემებიდან ინდუქციურად გამოკვეთოს თემები და ინტერპრეტაციები და არა -მაინცდამაინც კატეგორიებიდან ან უკვე არსებული თეორიებიდან. აქედან გამომდინარე, თქმა იმისა, რომ კონტენტ ანალიზი უარს ამბობს ინდუქციაზე ან არსებული თეორიის შემოწმებით შემოიფარგლება (Ezzy 2002: 85), უსამართლობა იქნება. ეს კონტენტ ანალიზის მოქნილობაზე მცდარი წარმოდგენაა. ფლიკი (1998) თვლის, რომ თუ წინასწარ მომზადებული კატეგორიები მონაცემებს ვერ ერგებიან, ისინი უნდა მოდიფიცირდეს.</p>
<p></p>
<table style="width: 100%;" align="center">
<tbody><tr><td><div style="font-size: 12px; text-align: left;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/midgomebi" title="თვისებრივი მონაცემების ანალიზის მიდგომები"><span style="color: blue;">◄ წინა თავი</span></a></div>
</td>
<td><div style="font-size: 12px; text-align: right;"><a rel="follow" href="http://www.qwelly.com/group/sociology/forum/topics/dafuznebuli" title="დაფუძნებული თეორია"><span style="color: blue;">მომდევნო ნაწილი ►</span></a></div>
</td>
</tr>
</tbody>
</table>
</div>