S.T.E.M.A.C. = Science - Technology - Engineering - Mathematics - Art - Culture
S.T.E.A.M. = Science - Technology - Engineering - Art - Mathematics

Σχεδιασμός, ανάπτυξη, εφαρμογή έρευνας με το SPSS.

Στην ανάρτηση αυτή προτείνεται ένας οδηγός που αφορά την περιγραφή του σχεδιασμού έρευνας, στην οποία χρησιμοποιούνται ποσοτικές ερευνητικές προσεγγίσεις προκειμένου να μελετηθούν οι επιπτώσεις της μεθοδολογίας S.T.E.M. στην εκπαιδευτική διαδικασία. Έτσι με την ευκαιρία δίνεται η πορεία για την εξαγωγή επιστημονικών συμπερασμάτων για οποιοδήποτε ερευνητικό πρόβλημα που θα μπορούσε να απασχολήσει την εκπαιδευτική κοινότητα. Προϋπόθεση της διεξαγωγής της έρευνας είναι η ευχέρεια του μελετητή στη διαχείριση του στατιστικού πακέτου SPSS

Θα ακολουθήσουν άλλα μικρότερα άρθρα με παραδείγματα για τη χρήση του SPSS που θα περιέχουν εικόνες (print screens), όπως σε αυτό το άρθρο, για να γίνει πλήρως κατανοητή η χρήση του.
Επιλέγουμε ένα τυχαίο ερευνητικό πρόβλημα :

Ερευνητικό πρόβλημα :
«Ποιες είναι οι διαθέσεις των μαθητών απέναντι σε συγκεκριμένη διδακτική προσέγγιση με μεθοδολογία S.T.E.M. για κάποιο μάθημα; Είναι η προσέγγιση αυτή αποτελεσματική;»

Σημειώσεις:
    I.   Πληθυσμός είναι η ευρύτερη ομάδα (μαθητών) για την οποία μπορούμε να γενικεύσουμε τα συμπεράσματα της έρευνας.
   II.   Δείγμα είναι η μικρότερη ομάδα (μαθητών) η οποία συμμετέχει σε μία έρευνα και για την οποία συλλέγουμε δεδομένα (ερωτηματολόγια, μετρήσεις κλπ).
 III.   Ερευνητικές προσεγγίσεις/μέθοδοι είναι η διερευνητική/περιγραφική προσέγγιση, η πειραματική προσέγγιση, η σύγκριση διαφορικών ομάδων και η συναφειακή προσέγγιση. 
IV.   Στο ερευνητικό πρόβλημα που επιλέξαμε θα πρέπει να διατυπωθούν δύο ερευνητικά ερωτήματα.  
  V.   Θα επιλεγούν δύο ποσοτικές ερευνητικές προσεγγίσεις/μέθοδοι τις οποίες θα χρησιμοποιήσουμε στη μελέτη του προβλήματος.
VI.   Θα πρέπει να εξηγηθεί ποιος είναι ο εικονικός πληθυσμός της έρευνας και ποιο το δείγμα που θα επιλεγεί για την κάθε μία ερευνητική προσέγγιση/μέθοδο, ειδικότερα τι μέγεθος θα είχε και ποια θα ήταν τα χαρακτηριστικά του.
VII.   Θα πρέπει να γίνει περιγραφεί ποια διαδικασία θα ακολουθήσουμε στην εφαρμογή των συγκεκριμένων ερευνητικών προσεγγίσεων/μεθόδων που επιλέχθηκαν, για τη διερεύνηση των ερευνητικών ερωτημάτων όπως θα διατυπωθούν.

   Όπως αναφέρθηκε θα ασχοληθούμε με το Ερευνητικό Πρόβλημα: «Ποιες είναι οι διαθέσεις των μαθητών απέναντι σε συγκεκριμένη διδακτική προσέγγιση με μεθοδολογία S.T.E.M. για κάποιο μάθημα; Είναι η προσέγγιση αυτή αποτελεσματική;»
   Η διδακτική μας προσέγγιση είναι δύο διδακτικά ψηφιακά σενάρια που έχουν αναρτηθεί στην πλατφόρμα I.S.E., στον Αίσωπο ή σε οποιαδήποτε άλλη πλατφόρμα προκειμένου να αξιοποιηθεί η διδασκαλία με ανακαλυπτική μέθοδο.
Έτσι το ερευνητικό πρόβλημα θα μπορούσε να εξειδικευθεί: «Ποιες είναι οι διαθέσεις των μαθητών απέναντι σε συγκεκριμένες διδακτικές προσεγγίσεις S.T.E.M. σε ψηφιακό σενάριο σε κάποιο μάθημα;»  
Τα προτεινόμενα ερευνητικά ερωτήματα που μπορούν να τεθούν από τους εκπαιδευτικούς που θα εφαρμόσουν το ψηφιακό αυτό σενάριο είναι :

1.  Η εφαρμογή του σεναρίου στην πλατφόρμα του I.S.E. διευκόλυνε τους μαθητές να κατανοήσουν την ύλη (από τα αποτελέσματα των quiz των φάσεων του σεναρίου);
2.  Η επίδοση των μαθητών βελτιώθηκε μετά την εφαρμογή των δραστηριοτήτων ανακαλυπτικής μάθησης στα σενάρια; 

Οι εκπαιδευτικοί θα επεξεργαστούν τα αποτελέσματα των quiz των φάσεων των σεναρίων. Το εργαλείο ISE και μόνο αυτό μας δίνει στατιστικά δεδομένα στο τέλος της διαδικασίας της ανακαλυπτικής διερευνητικής μάθησης από το menu «Αξιολόγηση». Θα αξιοποιήσουμε αυτά τα αποτελέσματα για να ελέγξουμε το ερευνητικό μας πρόβλημα.
Τα ίδια ερωτήματα θα πρέπει να δοθούν σε δείγμα που το μάθημα έχει διδαχθεί με τον παραδοσιακό δασκαλοκεντρικό τρόπο.
Έτσι θα είναι δυνατόν να γίνει η σύγκριση μεταξύ εφαρμογής του σεναρίου και της κλασικής μεθόδου διδασκαλίας που εφαρμοζόταν συνήθως.

Επιλογή δυο ποσοτικών ερευνητικών προσεγγίσεων/μεθόδων που θα  χρησιμοποιούσαμε για τη μελέτη του παραπάνω ερευνητικού προβλήματος.

Επιλέγουμε α) τη διερευνητική περιγραφική προσέγγιση και β) τη συναφειακή προσέγγιση για τη μελέτη του προαναφερόμενου ερευνητικού μας προβλήματος. Ο λόγος επιλογής της διερευνητικής περιγραφικής προσέγγισης είναι ότι μπορούμε να εφαρμόσουμε μεθόδους περιγραφικής στατιστικής ανάλυσης. Τα αποτελέσματα των quiz των μαθητών που θα μας δώσει η πλατφόρμα του ISE από το menu «Αξιολόγηση» θα μπορέσουμε να τα επεξεργαστούμε και να λάβουμε πίνακες και γραφικές παραστάσεις. Ο λόγος επιλογής της συναφειακής προσέγγισης είναι ότι θα μπορέσουμε να μελετήσουμε τη σχέση μεταξύ των μεταβλητών χρησιμοποιώντας τους δείκτες συνάφειας. Έχουμε ένα δείγμα από κάποιες τάξεις που έκαναν τα ψηφιακά αυτά σενάρια έτσι εξασφαλίζουμε μετρήσεις για κάθε μια από τις παραπάνω περιγραφόμενες μεταβλητές. Με την κατάλληλη διαδικασία θα υπολογίσουμε την αριθμητική τιμή του δείκτη συνάφειας μεταξύ των μεταβλητών που θα έχουμε καταχωρήσει στο SPSS (Statistical Package for Social Sciences). Η εξαγωγή πινάκων και διαγραμμάτων από το στατιστικό αυτό πακέτο είναι υψίστης σημασίας.

Συντελεστής αξιοπιστίας Cronbach α
  Οι διάφοροι δείκτες αξιοπιστίας παρέχουν εκτίμηση του ποσοστού της κοινής διακύμανσης μεταξύ παρατηρούμενου και πραγματικού σκορ. Ελέγχουν την ακρίβεια μέτρησης της έρευνας στο δείγμα. 
  Ένας από τους πιο δημοφιλής και διαδεδομένους δείκτες αξιοπιστίας είναι αυτός που καθιερώθηκε από τον Cronbach (1951) και ονομάζεται συντελεστής αξιοπιστίας Cronbach’s α (alpha) ή δείκτης εσωτερικής συνάφειας ή συνέπειας.
Ο δείκτης αυτός θεωρητικά έχει τη δυνατότητα να κυμαίνεται από το –άπειρο έως το 1. Στο σημείο αυτό μπορούμε να παρατηρήσουμε για το συγκεκριμένο δείκτη ότι έχουν αξία μόνο οι θετικές τιμές.

Συντελεστής Pearson
Οι συντελεστές που θα υπολογιστούν στο SPSS, αναφέρονται στη γραμμικής φύσεως σχέση που μπορεί να συνδέει δύο μεταβλητές. Οι πιο γνωστοί συντελεστές γραμμικής συσχέτισης είναι οι συντελεστές Pearson, Spearman και Kendall. Η κύρια διαφορά των τριών αυτών συντελεστών είναι ότι ο συντελεστής Pearson (r) υπολογίζεται με βάση τα δεδομένα, ενώ οι άλλοι δύο λαμβάνουν υπόψη τους τις τάξεις μεγέθους των δεδομένων..Στη δική μας έρευνα προτείνεται να χρησιμοποιηθεί ο παραμετρικός στατιστικός δείκτης Pearson (r). Οι τιμές που μπορεί να πάρει o συντελεστής αυτός είναι από -1 έως +1. Αρνητικές τιμές του συντελεστή γραμμικής συσχέτισης δύο μεταβλητών σημαίνει ότι έχουμε την ύπαρξη αρνητικής γραμμικής συσχέτισης. Δηλαδή, οι μεγαλύτερες τιμές της μίας μεταβλητής τείνουν να αντιστοιχούν στις μικρότερες τιμές της άλλης μεταβλητής. Θετικές τιμές του συντελεστή γραμμικής συσχέτισης είναι ένδειξη θετικής γραμμικής συσχέτισης μεταξύ των δύο μεταβλητών. Δηλαδή, οι μεγαλύτερες τιμές της μίας μεταβλητής τείνουν να αντιστοιχούν στις μεγαλύτερες τιμές της άλλης μεταβλητής. Τιμές κοντά στο μηδέν αποτελούν ένδειξη ότι δεν υπάρχει στατιστικά σημαντική γραμμική συσχέτιση μεταξύ των δύο μεταβλητών.
  Όσο πιο μεγάλες είναι οι τιμές του συντελεστή συσχέτισης ή όσο πιο κοντά βρίσκονται στο 1 (σε απόλυτη τιμή πάντα), τόσο πιο ισχυρή είναι η γραμμική συσχέτιση μεταξύ τους. Ο συντελεστής συσχέτισης Pearson (r) υποθέτει κανονικότητα των δεδομένων χωρίς να μπορεί να λάβει υπόψη του τιμές Nominal, (λαμβάνει μόνο scale και ordinal). Για μεγάλα δείγματα, μεγέθους 30 παρατηρήσεων και πάνω, όσο το μέγεθος του δείγματος μεγαλώνει, οι τιμές των συντελεστών “πλησιάζουν” η μία την άλλη.
Οι πίνακες με τον συντελεστή συσχέτισης Pearson (r) εξάγονται με τη βοήθεια του πακέτου στατιστικής ανάλυσης SPSS, ακολουθώντας τη διαδρομή Analyze → Correlate → Bivariate.
Όταν ο συντελεστής Pearson (r) παίρνει τιμές κοντά στη μονάδα (κατ’ απόλυτη τιμή, – ή +), τότε θεωρούμε ότι υπάρχει ισχυρή γραμμική συσχέτιση των δύο μεταβλητών που εξετάζουμε. Αντίθετα όταν οι τιμές του συντελεστή πλησιάζουν το μηδέν, θεωρούμε ότι δεν υπάρχει σημαντική γραμμική συσχέτιση. Συντελεστής συσχέτισης 1.00 ή -1.00 δηλώνει τέλεια συσχέτιση μεταξύ των δύο μεταβλητών.

Τα πεδία τιμών και η επεξήγησή τους είναι:
Aν r = ±1 υπάρχει τέλεια γραμμική συσχέτιση.
Αν − 0,3 ≤ r < 0,3 δεν υπάρχει γραμμική συσχέτιση.
Αν − 0,5 < r ≤ −0,3 ή 0,3 ≤ r < 0,5 ασθενής γραμμική συσχέτιση.
Αν − 0,7 < r ≤ −0,5 ή 0,5 ≤ r < 0,7 μέση γραμμική συσχέτιση.
Αν − 0,8 < r ≤ −0,7 ή 0,7 ≤ r < 0,8 ισχυρή γραμμική συσχέτιση.
Αν −1 < r ≤ −0,8 ή 0,8 ≤ r < 1 πολύ ισχυρή γραμμική συσχέτιση.

Πληθυσμός και δείγμα έρευνας

Για παράδειγμα, ο πληθυσμός μας είναι οι μαθητές της Γ τάξης ΕΠΑΛ σε περιοχές με τα ίδια χαρακτηριστικά (βιομηχανική ζώνη, υψηλά ποσοστά ανεργίας). Το δείγμα μας σε συνεργασία με άλλους εκπαιδευτικούς είναι :
  1. η τελευταία τάξη από το Α ΕΠΑΛ
  2. η τελευταία τάξη από ένα Β ΕΠΑΛ
  3. η τελευταία τάξη από ένα Γ ΕΠΑΛ.
Απαιτούνται άλλα τρία σχολεία που θα γίνει το μάθημα με τον κλασικό τρόπο όπως γινόταν μέχρι σήμερα.

Για να υπάρξει μεγαλύτερη αξιοπιστία τα σενάρια θα πρέπει να επαναληφθούν - εφαρμοστούν πάλι την επόμενη σχολική χρονιά στα επόμενα τμήματα που τώρα είναι στη Β τάξη των ΕΠΑΛ. Ο τόπος που έχουν επιλεγεί τα (Β) και (Γ) ΕΠΑΛ μπορεί να είναι τελείως διαφορετικός και μακρινός αλλά να έχει παρόμοια επαγγελματικά και οικονομικά χαρακτηριστικά με του (Α) ΕΠΑΛ. Τα σενάρια που θα διδαχθούν θα μας δώσουν (στατιστικά) αποτελέσματα στα τρία αυτά τμήματα φέτος και στα επόμενα τρία την επόμενη σχολική χρονιά για να ελέγξουμε το ερευνητικό μας πρόβλημα κάτω από το πρίσμα συγκεκριμένου μαθήματος - ενότητας.

Διαδικασία που θα ακολουθηθεί στην εφαρμογή των συγκεκριμένων ερευνητικών προσεγγίσεων/μεθόδων.

Θα αξιοποιήσουμε τα αποτελέσματα της αξιολόγησης των μαθητών από την πλατφόρμα ISE που λαμβάνουμε μετά την εφαρμογή του σεναρίου. Επίσης θα πρέπει να δοθεί συμπληρωματικά ένα γραπτό ερωτηματολόγιο στους μαθητές που εφάρμοσαν το σενάριο αλλά και ένα μικρό για τους εκπαιδευτικούς που συμμετείχαν στην έρευνα με τις τάξεις τους.

Τα αποτελέσματα που εξάγονται αυτόματα από την πλατφόρμα ISE είναι 3 αρχεία σε μορφή excel και δυο ραβδογράμματα σε μορφή pdf. Από τα δυο pdf προκύπτουν στατιστικά δεδομένα της επίδοσης των μαθητών συνολικά.

Από τα τρία αρχεία σε excel προκύπτουν πληροφορίες :

·         για την επίδοση των μαθητών
·         τις προσπάθειες επιτυχείς και ανεπιτυχείς στις απαντήσεις των quiz
·         τους χρόνους σε κάθε φάση του σεναρίου που χρειάστηκαν
·         scores pre-test από την 1η φάση διατύπωσης υποθέσεων και scores post-test από τις φάσεις μεταγνώσης και αξιολόγησης

  Συμπληρωματικά θα δοθεί ερωτηματολόγιο στους μαθητές με πολύ λίγες ερωτήσεις σχετικές με το ερευνητικό ερώτημα που θέσαμε στην έρευνα μας.

Οι ερωτήσεις αυτές θα μπορούσε να είναι σχετικές με το αν :

·      Επιθυμούν να εφαρμόσουν μελλοντικά άλλο σενάριο ;
·      Πιστεύουν ότι απόκτησαν επαρκή γνώση με τη  μέθοδο αυτή διδασκαλίας εκτέλεσης ψηφιακού σεναρίου ;
·      Υπήρξε δυσκολία στην εφαρμογή του σεναρίου ;
·      Ενεργοποίησε το ενδιαφέρον των μαθητών ;
·      Οι μαθητές συμμετείχαν ενεργητικά; (συζητούσαν μεταξύ τους και με το δάσκαλο; )
·      H εκτέλεση του σεναρίου βελτίωσε την επίδοση των μαθητών στο συγκεκριμένο μάθημα ;

    Από αυτά τα ερωτήματα αναμένουμε να προκύψουν σημαντικές πληροφορίες για τη χρησιμότητα εκτέλεσης ψηφιακών διδακτικών σεναρίων σε σχέση με την αποκόμιση κέρδους σε γνώση για τους μαθητές σε αυτή τη διδακτική παρέμβαση.

Όλα τα αποτελέσματα εισάγονται στο SPSS προκειμένου να γίνει επεξεργασία διαφόρων μεταβλητών που έχουν καθοριστεί στην αρχή της καταχώρησης των στοιχείων.

Βιβλιογραφία:

Κορρές, Κ., (2016). Βασικές αρχές μεθοδολογίας εκπαιδευτικής έρευνας. Αθήνα.
Όλα τα διαγράμματα που παρατίθενται είναι από ποσοτική ανάλυση στο SPSS έρευνας του αρθρογράφου.

Πολύδωρος Σταυρόπουλος
Μηχανολόγος, Εκπαιδευτικός 
MSc STEM στην Εκπαίδευση
Παιδαγωγικό Τμήμα ΑΣΠΑΙΤΕ
Μέλος του Δ.Σ. Ε3STEM