अनुसंधान, आँकड़ा विश्लेषण एवं निर्वचन-I
विश्वसनीयता और वैधता के मुद्दों का वर्णन कीजिए।
विश्वसनीयता (Reliability)
विश्वसनीयता किसी मापन उपकरण की संगति व स्थिरता को कहते हैं — यह कि समान परिस्थितियों में बार-बार प्रशासित करने पर वह किस सीमा तक समान परिणाम देता है।
विश्वसनीयता आकलन की विधियाँ
- पुनर्परीक्षण विधि (Test-retest) — समान समूह पर समान परीक्षण दो बार प्रशासित कर अंकों का सह-संबंध निकालना।
- अर्ध-विभाजन विधि (Split-half) — परीक्षण को दो भागों में बाँटकर दोनों के अंकों का सह-संबंध निकालना।
- समान्तर प्रारूप विधि — परीक्षण के दो समतुल्य प्रारूपों का उपयोग कर परिणामों का सह-संबंध निकालना।
- आंतरिक संगति (क्रोनबैक अल्फा) — परीक्षण की अंतर-पद संगति मापना।
विश्वसनीयता को प्रभावित करने वाले मुद्दे
- परीक्षण की लंबाई — छोटे परीक्षण प्रायः कम विश्वसनीय होते हैं।
- अस्पष्ट अथवा खराब ढंग से लिखे गए पद संगति को कम करते हैं।
- परीक्षण-दशाएँ (थकान, चिंता, वातावरण) त्रुटि उत्पन्न कर सकती हैं।
- परीक्षित समूह की विषमता विश्वसनीयता गुणांक को प्रभावित करती है।
वैधता (Validity)
वैधता उस सीमा को कहते हैं जिस तक कोई परीक्षण वही मापता है जिसे वह मापने का दावा/इरादा रखता है। इसे एक अच्छे परीक्षण की सबसे महत्वपूर्ण विशेषता माना जाता है।
वैधता के प्रकार
- विषयवस्तु वैधता — परीक्षण विषयवस्तु क्षेत्र को पर्याप्त रूप से कवर करता है या नहीं।
- मानदंड-संबंधी वैधता — परीक्षण अंकों का किसी बाह्य मानदंड (समकालिक/भविष्यसूचक) से सह-संबंध।
- संरचना वैधता (Construct Validity) — परीक्षण वास्तव में उस सैद्धांतिक संरचना को मापता है या नहीं, जिसे मापने हेतु वह अभिकल्पित है।
वैधता को प्रभावित करने वाले मुद्दे
- यदि परीक्षण विश्वसनीय नहीं है तो वह वैध नहीं हो सकता, परंतु केवल विश्वसनीयता वैधता की गारंटी नहीं देती।
- खराब ढंग से परिभाषित संरचनाएँ अथवा अस्पष्ट उद्देश्य वैधता को कम करते हैं।
- सांस्कृतिक, भाषाई एवं प्रासंगिक पूर्वाग्रह विभिन्न जनसंख्याओं में वैधता को खतरे में डाल सकते हैं।
विश्वसनीयता एवं वैधता दोनों ही आवश्यक व परस्पर-निर्भर विशेषताएँ हैं, जो किसी भी शोध उपकरण की समग्र गुणवत्ता व उपयोगिता निर्धारित करती हैं।
गुणात्मक डेटा विश्लेषण की प्रक्रिया का वर्णन कीजिए।
अर्थ
गुणात्मक आँकड़ा विश्लेषण, शोध प्रश्नों से संबंधित प्रतिमानों, विषयों एवं अर्थों की पहचान हेतु अ-संख्यात्मक आँकड़ों (पाठ, चित्र, ऑडियो/वीडियो प्रतिलेख) को व्यवस्थित रूप से संगठित, श्रेणीबद्ध एवं निर्वचित करने की प्रक्रिया है।
गुणात्मक आँकड़ा विश्लेषण के चरण
- आँकड़ा संगठन/प्रतिलेखन — साक्षात्कार, रिकॉर्डिंग एवं क्षेत्र-टिप्पणियों को लिखित पाठ में बदलना।
- परिचय (Familiarisation) — समग्र समझ हेतु आँकड़ों को बार-बार पढ़ना।
- कोडिंग — पाठ के अर्थपूर्ण खंडों को लेबल/कोड देना (मुक्त कोडिंग)।
- श्रेणीकरण — संबंधित कोडों को व्यापक श्रेणियों में समूहित करना।
- विषयों की पहचान — आँकड़ों में आवर्ती प्रतिमानों एवं केंद्रीय विषयों को पहचानना।
- निर्वचन — शोध प्रश्नों व मौजूदा साहित्य के संदर्भ में विषयों का अर्थ-निर्धारण।
- प्रतिवेदन — समृद्ध वर्णन, प्रत्यक्ष उद्धरणों व विषयगत वृत्तांतों द्वारा निष्कर्ष प्रस्तुत करना।
सामान्य उपागम
- विषयगत विश्लेषण (Thematic Analysis) — प्रतिमानों/विषयों की पहचान, विश्लेषण एवं प्रतिवेदन।
- अंतर्वस्तु विश्लेषण (Content Analysis) — पाठ्य सामग्री का व्यवस्थित श्रेणीकरण, कभी-कभी परिमाणन सहित।
- आधारित सिद्धांत उपागम (Grounded Theory) — स्वयं आँकड़ों से आगमनात्मक रूप से सिद्धांत विकसित करना।
मात्रात्मक विश्लेषण के विपरीत, गुणात्मक विश्लेषण पुनरावृत्तिपूर्ण एवं निर्वचनात्मक होता है, जिसमें शोधकर्ता को पूरी प्रक्रिया में आँकड़ों, कोडों एवं उभरते सिद्धांत के बीच आगे-पीछे जाना पड़ता है।
मापन से आप क्या समझते हैं? मापन के स्तरों का विस्तार से वर्णन कीजिए।
मापन का अर्थ
मापन, वस्तुओं अथवा व्यक्तियों के गुणों, विशेषताओं अथवा घटनाओं को एक विशिष्ट नियमों के समूह के अनुसार संख्या अथवा प्रतीक प्रदान करने की प्रक्रिया है, ताकि वे संख्याएँ मापे जा रहे गुण की मात्रा अथवा गुणवत्ता का प्रतिनिधित्व करें।
मापन के स्तर/मापनियाँ
- नामित स्तर (Nominal) — निम्नतम स्तर; संख्याएँ/लेबल आँकड़ों को बिना किसी मात्रात्मक मूल्य के भिन्न, अक्रमित श्रेणियों में वर्गीकृत करते हैं (जैसे लिंग: 1=पुरुष, 2=स्त्री; विषय संकाय)। केवल गणना व बहुलक का उपयोग किया जा सकता है।
- क्रमित स्तर (Ordinal) — आँकड़े सार्थक क्रम में रखे जाते हैं, परंतु क्रमों के बीच अंतराल समान अथवा ज्ञात नहीं होते (जैसे कक्षा में स्थान, ग्रेड A/B/C)। मध्यिका व प्रतिशतांक का उपयोग किया जा सकता है।
- अंतराल स्तर (Interval) — आँकड़े मानों के बीच समान अंतराल के साथ क्रमित होते हैं, परंतु कोई वास्तविक/निरपेक्ष शून्य बिंदु नहीं होता (जैसे सेल्सियस में तापमान, IQ अंक)। माध्य, मानक विचलन की गणना की जा सकती है; अनुपात सार्थक नहीं होते।
- अनुपात स्तर (Ratio) — उच्चतम स्तर; समान अंतराल व वास्तविक शून्य बिंदु होता है, जो गुण की पूर्ण अनुपस्थिति दर्शाता है (जैसे ऊँचाई, वजन, 100 में से अंक, आयु)। अनुपात सहित सभी गणितीय व सांख्यिकीय संक्रियाएँ सार्थक होती हैं।
शैक्षिक महत्व
- मापन का स्तर यह निर्धारित करता है कि आँकड़ों पर कौन-सी सांख्यिकीय तकनीकें वैध रूप से लागू की जा सकती हैं।
- अधिकांश शैक्षिक व मनोवैज्ञानिक मापन (परीक्षण अंक, दृष्टिकोण मापनी) को सांख्यिकीय प्रयोजनों हेतु सामान्यतः अंतराल-स्तर आँकड़ों के रूप में माना जाता है।
- मापन स्तरों को समझना शोधकर्ताओं को उपयुक्त उपकरण चुनने, सांख्यिकी के दुरुपयोग से बचने एवं शोध निष्कर्षों का सही निर्वचन करने में सहायता करता है।
वर्णनात्मक सांख्यिकी और भूखंडों (प्लॉट्स) की विस्तृत व्याख्या कीजिए।
वर्णनात्मक सांख्यिकी का अर्थ
वर्णनात्मक सांख्यिकी उन विधियों को कहते हैं जिनका उपयोग आँकड़ों को सार्थक ढंग से संगठित, सारांशित एवं प्रस्तुत करने हेतु किया जाता है, जो आँकड़ा-समूह की मूल विशेषताओं का वर्णन करती हैं, उससे परे कोई निगमन निकाले बिना।
प्रमुख वर्णनात्मक सांख्यिकी
- केंद्रीय प्रवृत्ति की माप — माध्य (अंकगणितीय औसत), मध्यिका (मध्य मान) एवं बहुलक (सर्वाधिक बारंबार मान) — आँकड़ा-समूह में "सामान्य" अंक दर्शाते हैं।
- विचरणशीलता/फैलाव की माप — परास, चतुर्थक विचलन, मानक विचलन एवं प्रसरण — अंक कितने फैले हुए हैं यह दर्शाते हैं।
- सापेक्ष स्थिति की माप — प्रतिशतांक, प्रतिशतांक रैंक एवं मानक अंक (z-स्कोर) — वितरण में किसी व्यक्तिगत अंक की स्थिति बताते हैं।
- संबंध की माप — सह-संबंध गुणांक — दो चरों के बीच संबंध की तीव्रता व दिशा दर्शाता है।
- आकृति की माप — वितरण की तिर्यकता (skewness) एवं कुकुदता (kurtosis)।
वर्णनात्मक सांख्यिकी में प्रयुक्त आलेखीय भूखंड (Plots)
- बारंबारता वितरण सारणी — कच्चे अंकों को बारंबारता सहित वर्ग-अंतरालों में संगठित करती है।
- स्तंभालेख (Histogram) — सतत आँकड़ों का बारंबारता वितरण दर्शाने वाला बार-प्रकार का ग्राफ।
- बारंबारता बहुभुज — वर्ग-अंतरालों के मध्य-बिंदुओं को जोड़ने वाला रेखा-ग्राफ।
- तोरणरेखा (Ogive) — संचयी बारंबारता दर्शाता है, आलेखीय रूप से प्रतिशतांक/मध्यिका ज्ञात करने हेतु प्रयुक्त।
- दंड आरेख (Bar Diagram) — श्रेणीबद्ध/नामित आँकड़ों की तुलना हेतु प्रयुक्त।
- वृत्त आरेख (Pie Chart) — श्रेणियों के अनुपात को पूर्ण के भागों के रूप में दर्शाता है।
- प्रकीर्ण आरेख (Scatter Plot) — दो सतत चरों के बीच संबंध को दर्शाता है।
वर्णनात्मक सांख्यिकी व भूखंड मिलकर आँकड़ों का स्पष्ट, संक्षिप्त एवं दृश्यात्मक सारांश प्रदान करते हैं, जो शैक्षिक शोध में किसी भी निगमनात्मक विश्लेषण से पूर्व आवश्यक प्रथम चरण है।
सामान्य परिकल्पना वक्र क्या है और अनुसंधान में इसके महत्त्व की व्याख्या कीजिए।
प्रसामान्य प्रायिकता वक्र का अर्थ
प्रसामान्य प्रायिकता वक्र (NPC) एक सैद्धांतिक, सममित, घंटी के आकार का वक्र है, जो अनेक प्राकृतिक रूप से घटित होने वाले चरों के वितरण को दर्शाता है, जिसमें अधिकांश अंक माध्य के आसपास केंद्रित होते हैं तथा चरम सीमाओं पर कम अंक होते हैं।
मुख्य विशेषताएँ
- माध्य के सापेक्ष सममित, जिसमें माध्य = मध्यिका = बहुलक।
- घंटी के आकार का, एकबहुलकीय एवं क्षैतिज अक्ष के प्रति असमीपस्थ।
- विशिष्ट मानक विचलन इकाइयों में क्षेत्रफल का निश्चित अनुपात (68%-95%-99.7% नियम)।
अनुसंधान में प्रसामान्य वक्र का महत्व
- निगमनात्मक सांख्यिकी का आधार — अधिकांश प्राचलिक परीक्षण (t-परीक्षण, ANOVA, सह-संबंध) यह मानते हैं कि अंतर्निहित जनसंख्या प्रसामान्य रूप से वितरित है।
- अंकों का मानकीकरण — निर्वचन हेतु कच्चे अंकों को तुलनीय मानक अंकों (z, T, स्टेनाइन) में बदलने में सक्षम बनाता है।
- प्रायिकता का आकलन — किसी विशेष सीमा में अंक आने की प्रायिकता निर्धारित करने में सहायक, जो परिकल्पना परीक्षण हेतु आवश्यक है।
- परीक्षण निर्माण एवं मानकीकरण — पद-कठिनाई निर्धारित करने, मानक (norms) तय करने एवं वक्र पर छात्रों को श्रेणीकृत करने हेतु प्रयुक्त।
- व्यक्तियों/समूहों की तुलना — व्यक्ति के प्रदर्शन की समूह मानक से तुलना करने में सक्षम बनाता है।
- प्रतिदर्श से जनसंख्या तक सामान्यीकरण — केंद्रीय सीमा प्रमेय (Central Limit Theorem) प्रतिदर्श माध्यों के प्रसामान्य वितरण पर निर्भर करता है, जो शोधकर्ताओं को प्रतिदर्श से जनसंख्या तक निष्कर्ष सामान्यीकृत करने में सक्षम बनाता है।
अतः प्रसामान्य प्रायिकता वक्र शिक्षा में अधिकांश मात्रात्मक शोध अभिकल्पों, सांख्यिकीय परीक्षण एवं मनोमितीय मापन का आधारभूत सिद्धांत है।
'प्रतिचयन' क्या है और अनुसंधान में इसके महत्त्व का वर्णन कीजिए।
प्रतिचयन का अर्थ
प्रतिचयन (Sampling), किसी बड़ी जनसंख्या में से व्यक्तियों अथवा तत्वों के एक प्रतिनिधि उप-समूह (प्रतिदर्श) के चयन की प्रक्रिया है, ताकि प्रतिदर्श से निकाले गए निष्कर्षों को संपूर्ण जनसंख्या हेतु सामान्यीकृत किया जा सके।
अनुसंधान में प्रतिचयन का महत्व
- समय एवं लागत की मितव्ययिता — संपूर्ण जनसंख्या के अध्ययन की तुलना में प्रतिदर्श का अध्ययन कहीं कम खर्चीला व समय-साध्य है।
- व्यवहार्यता — जनसंख्या बहुत बड़ी अथवा भौगोलिक रूप से बिखरी होने पर शोध को संभव बनाता है।
- अधिक सटीकता — छोटे, प्रबंधनीय प्रतिदर्श के साथ अधिक सावधानीपूर्वक व विस्तृत आँकड़ा संकलन संभव है, जो कभी-कभी जल्दबाज़ी में की गई जनगणना से अधिक सटीक परिणाम देता है।
- निगमनात्मक सांख्यिकी के उपयोग को सक्षम बनाना — शोधकर्ताओं को उपयुक्त सांख्यिकीय तकनीकों द्वारा जनसंख्या के बारे में प्रायिकता-आधारित सामान्यीकरण करने में सक्षम बनाता है।
- विनाशकारी/गहन परीक्षण में व्यावहारिकता — जहाँ प्रत्येक इकाई का अध्ययन असंभव अथवा अव्यावहारिक हो, वहाँ प्रतिचयन ही एकमात्र व्यवहार्य विकल्प है।
- आँकड़ों की गुणवत्ता — बचाए गए संसाधनों को उपकरण की गुणवत्ता सुधारने एवं अ-अनुक्रिया/मापन त्रुटि कम करने में पुनर्निर्देशित किया जा सकता है।
तथापि, अच्छे प्रतिचयन हेतु पर्याप्त प्रतिदर्श आकार एवं उपयुक्त तकनीक के चयन में सावधानी आवश्यक है, ताकि प्रतिनिधित्व सुनिश्चित हो, प्रतिचयन त्रुटि न्यूनतम हो एवं अध्ययन से निकाले गए सामान्यीकरणों की वैधता बनी रहे।
विभिन्न प्रकार की परिकल्पनाओं का वर्णन कीजिए।
परिकल्पना का अर्थ
परिकल्पना, दो अथवा अधिक चरों के बीच अपेक्षित संबंध के बारे में एक अस्थायी, परीक्षण-योग्य कथन है, जो अनुभवजन्य अन्वेषण का मार्गदर्शन करने हेतु बनाया जाता है।
परिकल्पना के प्रकार
- शून्य परिकल्पना (H0) — यह बताती है कि चरों के बीच कोई सार्थक संबंध/अंतर नहीं है; यह वह परिकल्पना है जिसे वास्तव में सांख्यिकीय रूप से परखा जाता है।
- वैकल्पिक परिकल्पना (H1) — शून्य परिकल्पना के विपरीत, चरों के बीच सार्थक संबंध/अंतर होने का कथन करती है।
- दिशात्मक परिकल्पना — संबंध/अंतर की अपेक्षित दिशा निर्दिष्ट करती है (जैसे "विधि A, विधि B से अधिक उपलब्धि उत्पन्न करती है")।
- अ-दिशात्मक परिकल्पना — दिशा निर्दिष्ट किए बिना संबंध/अंतर की भविष्यवाणी करती है (जैसे "विधि A व विधि B की उपलब्धि में अंतर है")।
- सरल परिकल्पना — एक स्वतंत्र व एक आश्रित चर के बीच संबंध बताती है।
- जटिल परिकल्पना — दो से अधिक चरों से जुड़ा संबंध बताती है।
- अनुभवजन्य/कार्यकारी परिकल्पना — अवलोकन पर आधारित परिकल्पना, जिसे कार्य-मार्गदर्शक के रूप में उपयोग किया जाता है, परीक्षण एवं संशोधन के अधीन।
- सांख्यिकीय परिकल्पना — ऐसे रूप में कथित परिकल्पना जिसे सांख्यिकीय प्रक्रियाओं द्वारा परखा जा सके।
अच्छी परिकल्पना की विशेषताएँ
- स्पष्ट, विशिष्ट एवं परीक्षण-योग्य।
- मौजूदा ज्ञान व सिद्धांत के अनुरूप।
- चरों के बीच ऐसा संबंध बताती है जिसे अनुभवजन्य रूप से सत्यापित किया जा सके।
- सरल एवं क्रियात्मक (operational) शब्दों में कथित।
अनुसंधान में एकपुच्छीय और द्विपुच्छीय परीक्षण के बीच अंतर स्पष्ट कीजिए।
एकपुच्छीय परीक्षण (One-Tailed Test)
- इसका उपयोग तब किया जाता है जब परिकल्पना दिशात्मक हो — यह भविष्यवाणी करते हुए कि मान किसी विशिष्ट मान से या तो अधिक है या कम, दोनों नहीं।
- अस्वीकृति क्षेत्र (क्रांतिक क्षेत्र) का संपूर्ण भाग वितरण की एक पूँछ (दाएँ अथवा बाएँ) में होता है।
- उदाहरण: "विधि A, विधि B की तुलना में सार्थक रूप से उच्च अंक उत्पन्न करती है" (केवल "अधिक" हेतु परीक्षण)।
- सार्थकता तक पहुँचने हेतु छोटे क्रांतिक मान की आवश्यकता होती है, जिससे निर्दिष्ट दिशा में H0 को अस्वीकार करना सांख्यिकीय रूप से "आसान" हो जाता है, परंतु विपरीत दिशा में प्रभाव छूटने का जोखिम रहता है।
द्विपुच्छीय परीक्षण (Two-Tailed Test)
- इसका उपयोग तब किया जाता है जब परिकल्पना अ-दिशात्मक हो — केवल यह भविष्यवाणी करते हुए कि अंतर है, बिना दिशा निर्दिष्ट किए।
- अस्वीकृति क्षेत्र वितरण की दोनों पूँछों के बीच विभाजित होता है।
- उदाहरण: "विधि A व विधि B के अंकों में सार्थक अंतर है" (किसी भी दिशा में अंतर हेतु परीक्षण)।
- प्रत्येक पूँछ पर बड़े क्रांतिक मान की आवश्यकता होती है (चूँकि सार्थकता स्तर दोनों पूँछों में विभाजित होता है), जिससे यह अधिक रूढ़िवादी (conservative) होता है।
मुख्य अंतर
- आधार — एकपुच्छीय, दिशात्मक परिकल्पनाओं से संबंधित; द्विपुच्छीय, अ-दिशात्मक परिकल्पनाओं से संबंधित।
- अस्वीकृति क्षेत्र — वितरण की एक पूँछ बनाम दोनों पूँछें।
- संवेदनशीलता — एकपुच्छीय परीक्षण भविष्यवाणी की गई दिशा में प्रभाव का पता लगाने हेतु अधिक संवेदनशील; द्विपुच्छीय परीक्षण अधिक सतर्क, किसी भी दिशा में प्रभाव का पता लगाता है।
- उपयोग — शैक्षिक शोध में द्विपुच्छीय परीक्षण अधिक सामान्यतः प्रयुक्त होते हैं, जब तक कि दिशात्मक भविष्यवाणी हेतु सुदृढ़ सैद्धांतिक औचित्य न हो।
डेटा विश्लेषण का कम्प्यूटर सॉफ्टवेयर क्या है?
अर्थ
डेटा विश्लेषण हेतु कम्प्यूटर सॉफ्टवेयर से तात्पर्य विशेष कम्प्यूटर अनुप्रयोगों/प्रोग्रामों से है, जो सांख्यिकीय, गणितीय एवं दृश्यांकन तकनीकों का उपयोग कर शोध आँकड़ों को कुशलता व सटीकता से संगठित, संसाधित, विश्लेषित एवं प्रस्तुत करने हेतु अभिकल्पित होते हैं।
प्रमुख प्रकार/उदाहरण
- SPSS (सामाजिक विज्ञान हेतु सांख्यिकीय पैकेज) — वर्णनात्मक व निगमनात्मक सांख्यिकी (t-परीक्षण, ANOVA, सह-संबंध, प्रतिगमन) हेतु शैक्षिक व सामाजिक विज्ञान शोध में सबसे व्यापक रूप से प्रयुक्त सॉफ्टवेयर।
- माइक्रोसॉफ्ट एक्सेल — आँकड़ा प्रविष्टि, बुनियादी गणना, क्रमबद्धता, चार्ट व प्रारंभिक सांख्यिकीय विश्लेषण हेतु प्रयुक्त।
- R — उन्नत सांख्यिकीय संगणन व आलेखिकी हेतु एक निःशुल्क, मुक्त-स्रोत प्रोग्रामिंग भाषा व सॉफ्टवेयर परिवेश।
- Python (Pandas, NumPy, SciPy जैसी लाइब्रेरी सहित) — आँकड़ा शुद्धिकरण, सांख्यिकीय विश्लेषण व मशीन लर्निंग अनुप्रयोगों हेतु प्रयुक्त।
- AMOS/LISREL — संरचनात्मक समीकरण मॉडलिंग व संपुष्टिकारक कारक विश्लेषण हेतु प्रयुक्त।
- NVivo/ATLAS.ti — गुणात्मक आँकड़ा कोडिंग व विश्लेषण हेतु विशेष सॉफ्टवेयर।
डेटा विश्लेषण सॉफ्टवेयर के कार्य
- आँकड़ा प्रविष्टि, शुद्धिकरण, भंडारण व प्रबंधन।
- वर्णनात्मक सांख्यिकी (माध्य, मानक विचलन, बारंबारता) की गणना।
- निगमनात्मक सांख्यिकीय परीक्षण व परिकल्पना परीक्षण करना।
- आँकड़ों के ग्राफ, चार्ट व दृश्य निरूपण उत्पन्न करना।
- शोध लेखन हेतु तैयार सांख्यिकीय रिपोर्ट व आउटपुट सारणियाँ बनाना।
ऐसे सॉफ्टवेयर ने शैक्षिक शोध में जटिल, बड़े पैमाने के आँकड़ा विश्लेषण को उन्नत गणितीय प्रशिक्षण के बिना शोधकर्ताओं के लिए भी तीव्र, अधिक सटीक व सुलभ बना दिया है।
निम्नलिखित में से किन्हीं दो पर संक्षिप्त टिप्पणियाँ लिखिए: (i) एस.पी.एस.एस. डेटा विश्लेषण (ii) माइक्रोसॉफ्ट एक्सेल (iii) डेटा की कोडिंग।
(i) एस.पी.एस.एस. (SPSS) डेटा विश्लेषण
- SPSS (सामाजिक विज्ञान हेतु सांख्यिकीय पैकेज) एक व्यापक सॉफ्टवेयर है, जो शिक्षा, मनोविज्ञान व सामाजिक विज्ञानों में मात्रात्मक आँकड़ों के विश्लेषण हेतु व्यापक रूप से प्रयुक्त होता है।
- स्प्रेडशीट जैसे इंटरफेस के माध्यम से आँकड़ा प्रविष्टि, चर परिभाषा एवं प्रोग्रामिंग कौशल के बिना मेन्यू-संचालित सांख्यिकीय विश्लेषण सक्षम बनाता है।
- वर्णनात्मक सांख्यिकी, सह-संबंध, t-परीक्षण, ANOVA, प्रतिगमन, कारक विश्लेषण व विश्वसनीयता विश्लेषण करता है।
- प्रकाशन-योग्य सारणियाँ, चार्ट व आउटपुट रिपोर्ट उत्पन्न करता है।
(ii) माइक्रोसॉफ्ट एक्सेल
- आँकड़ा प्रविष्टि, संगठन व बुनियादी सांख्यिकीय गणना हेतु व्यापक रूप से उपलब्ध स्प्रेडशीट प्रोग्राम।
- माध्य, मानक विचलन, सह-संबंध एवं अन्य गणनाओं हेतु अंतर्निहित फलन, साथ ही चार्ट उपकरण प्रदान करता है।
- उन्नत सॉफ्टवेयर के उपयोग से पूर्व प्रारंभिक आँकड़ा शुद्धिकरण, क्रमबद्धता व सरल विश्लेषण हेतु उपयोगी।
- सुलभ व उपयोग में आसान, परंतु जटिल बहु-चर सांख्यिकीय प्रक्रियाओं हेतु सीमित।
(iii) डेटा की कोडिंग
- कोडिंग, आँकड़ों (विशेषतः गुणात्मक/श्रेणीबद्ध अनुक्रियाओं) की श्रेणियों को संख्यात्मक अथवा प्रतीकात्मक मूल्य प्रदान करने की प्रक्रिया है, ताकि व्यवस्थित विश्लेषण संभव हो सके।
- उदाहरण: सांख्यिकीय प्रसंस्करण हेतु "पुरुष" को 1 एवं "स्त्री" को 2 के रूप में कोड करना।
- गुणात्मक शोध में, कोडिंग में पाठ के खंडों को विषयों अथवा अवधारणाओं का प्रतिनिधित्व करने वाले वर्णनात्मक कोड देना शामिल है।
- उचित कोडिंग संकलित आँकड़ों के सांख्यिकीय/सॉफ्टवेयर-आधारित विश्लेषण की सटीकता, संगति व सरलता सुनिश्चित करती है।
Research, Data Analysis and Interpretation-I
Describe the issues of Reliability and Validity.
Reliability
Reliability refers to the consistency and stability of a measuring instrument — the extent to which it produces the same results on repeated administration under similar conditions.
Methods of Estimating Reliability
- Test-retest method — administering the same test twice to the same group and correlating scores.
- Split-half method — dividing the test into two halves and correlating scores of both halves.
- Parallel forms method — using two equivalent forms of a test and correlating results.
- Internal consistency (Cronbach's Alpha) — measuring inter-item consistency of the test.
Issues Affecting Reliability
- Length of the test — shorter tests tend to be less reliable.
- Ambiguous or poorly worded items reduce consistency.
- Test-taking conditions (fatigue, anxiety, environment) can introduce error.
- Heterogeneity of the group being tested affects reliability coefficients.
Validity
Validity refers to the degree to which a test measures what it claims/intends to measure. It is considered the most important quality of a good test.
Types of Validity
- Content validity — whether the test adequately covers the content domain.
- Criterion-related validity — correlation of test scores with an external criterion (concurrent/predictive).
- Construct validity — whether the test truly measures the theoretical construct it is designed to measure.
Issues Affecting Validity
- A test cannot be valid if it is not reliable, but reliability alone does not guarantee validity.
- Poorly defined constructs or unclear objectives reduce validity.
- Cultural, linguistic and contextual biases can threaten validity across different populations.
Both reliability and validity are essential and interdependent qualities that determine the overall quality and usefulness of any research instrument.
Describe the process of Qualitative Data Analysis.
Meaning
Qualitative data analysis is the process of systematically organising, categorising and interpreting non-numerical data (text, images, audio/video transcripts) to identify patterns, themes and meanings relevant to the research questions.
Steps in Qualitative Data Analysis
- Data organisation/transcription — converting interviews, recordings and field notes into written text.
- Familiarisation — reading and re-reading the data to gain an overall understanding.
- Coding — assigning labels/codes to meaningful segments of text (open coding).
- Categorisation — grouping related codes into broader categories.
- Identifying themes — recognising recurring patterns and central themes across the data.
- Interpretation — making sense of themes in relation to the research questions and existing literature.
- Reporting — presenting findings through rich description, direct quotes and thematic narratives.
Common Approaches
- Thematic analysis — identifying, analysing and reporting patterns/themes.
- Content analysis — systematically categorising textual content, sometimes with quantification.
- Grounded theory approach — developing theory inductively from the data itself.
Unlike quantitative analysis, qualitative analysis is iterative and interpretive, requiring the researcher to move back and forth between data, codes and emerging theory throughout the process.
What do you mean by Measurement? Describe the levels of measurement in detail.
Meaning of Measurement
Measurement is the process of assigning numbers or symbols to attributes, characteristics or events of objects or persons, according to a specific set of rules, so that the numbers represent the quantity or quality of the attribute being measured.
Levels/Scales of Measurement
- Nominal level — the lowest level; numbers/labels simply classify data into distinct, unordered categories with no quantitative value (e.g., gender: 1=male, 2=female; subject stream). Only counting and mode can be used.
- Ordinal level — data are ranked in a meaningful order, but the intervals between ranks are not equal or known (e.g., class rank, grades A/B/C). Median and percentile can be used.
- Interval level — data are ordered with equal intervals between values, but there is no true/absolute zero point (e.g., temperature in Celsius, IQ scores). Mean, standard deviation can be computed; ratios are not meaningful.
- Ratio level — the highest level; has equal intervals and a true zero point, representing complete absence of the attribute (e.g., height, weight, marks out of 100, age). All mathematical and statistical operations, including ratios, are meaningful.
Educational Significance
- The level of measurement determines which statistical techniques can be validly applied to the data.
- Most educational and psychological measurements (test scores, attitude scales) are typically treated as interval-level data for statistical purposes.
- Understanding measurement levels helps researchers choose appropriate tools, avoid misuse of statistics, and correctly interpret research findings.
Explain the descriptive statistics and plots in detail.
Meaning of Descriptive Statistics
Descriptive statistics refers to methods used to organise, summarise and present data in a meaningful way, describing the basic features of a dataset without drawing inferences beyond it.
Major Descriptive Statistics
- Measures of Central Tendency — mean (arithmetic average), median (middle value) and mode (most frequent value) — indicate the "typical" score in a dataset.
- Measures of Variability/Dispersion — range, quartile deviation, standard deviation and variance — indicate how spread out the scores are.
- Measures of Relative Position — percentiles, percentile ranks and standard scores (z-scores) — locate an individual score within the distribution.
- Measures of Relationship — correlation coefficient — indicates the strength and direction of association between two variables.
- Measures of Shape — skewness (asymmetry) and kurtosis (peakedness) of the distribution.
Graphical Plots Used in Descriptive Statistics
- Frequency distribution table — organises raw scores into class intervals with frequencies.
- Histogram — bar-type graph showing frequency distribution of continuous data.
- Frequency polygon — line graph connecting midpoints of class intervals.
- Ogive (cumulative frequency curve) — shows cumulative frequencies, used to find percentiles/medians graphically.
- Bar diagram — used for categorical/nominal data comparisons.
- Pie chart — shows proportion of categories as parts of a whole.
- Scatter plot — depicts the relationship between two continuous variables.
Together, descriptive statistics and plots provide a clear, concise and visual summary of data, forming the essential first step before any inferential analysis in educational research.
What is Normal Probability Curve and explain its importance in research.
Meaning of Normal Probability Curve
The Normal Probability Curve (NPC) is a theoretical, symmetrical, bell-shaped curve that represents the distribution of many naturally occurring variables, in which most scores cluster around the mean and fewer scores occur at the extremes.
Main Features
- Symmetrical about the mean, with mean = median = mode.
- Bell-shaped, unimodal and asymptotic to the horizontal axis.
- Fixed proportions of area under specific standard deviation units (68%-95%-99.7% rule).
Importance of the Normal Curve in Research
- Basis for inferential statistics — most parametric tests (t-test, ANOVA, correlation) assume the underlying population is normally distributed.
- Standardisation of scores — enables conversion of raw scores into comparable standard scores (z, T, stanine) for interpretation.
- Estimating probability — helps determine the probability of a score falling within a particular range, essential in hypothesis testing.
- Test construction and standardisation — used to fix item difficulty, determine norms, and grade students on a curve.
- Comparing individuals/groups — allows comparison of an individual's performance to the group norm.
- Sample-to-population generalisation — the Central Limit Theorem relies on the normal distribution of sample means, enabling researchers to generalise findings from sample to population.
Thus, the normal probability curve is a foundational concept underlying most quantitative research designs, statistical testing and psychometric measurement in education.
What is 'Sampling' and describe the importance in Research.
Meaning of Sampling
Sampling is the process of selecting a representative subset (sample) of individuals or elements from a larger population, so that conclusions drawn from the sample can be generalised to the entire population.
Importance of Sampling in Research
- Economy of time and cost — studying a sample is far less expensive and time-consuming than studying the entire population.
- Feasibility — makes research possible when the population is very large or geographically dispersed.
- Greater accuracy — with a smaller, manageable sample, more careful and detailed data collection is possible, sometimes yielding more accurate results than a hurried census.
- Enables use of inferential statistics — allows researchers to make probabilistic generalisations about the population using appropriate statistical techniques.
- Practicality in destructive/intensive testing — where studying every unit is impossible or impractical, sampling is the only viable option.
- Quality of data — resources saved can be redirected toward improving instrument quality and reducing non-response/measurement error.
However, good sampling requires care in selecting an adequate sample size and appropriate technique to ensure representativeness, minimise sampling error, and maintain the validity of generalisations made from the study.
Describe the various types of hypothesis.
Meaning of Hypothesis
A hypothesis is a tentative, testable statement about the expected relationship between two or more variables, formulated to guide empirical investigation.
Types of Hypotheses
- Null Hypothesis (H0) — states that there is no significant relationship/difference between variables; the hypothesis actually tested statistically.
- Alternative Hypothesis (H1) — states that there is a significant relationship/difference between variables, contrary to the null hypothesis.
- Directional Hypothesis — specifies the expected direction of the relationship/difference (e.g., "Method A produces higher achievement than Method B").
- Non-directional Hypothesis — predicts a relationship/difference without specifying its direction (e.g., "There is a difference in achievement between Method A and Method B").
- Simple Hypothesis — states a relationship between one independent and one dependent variable.
- Complex Hypothesis — states a relationship involving more than two variables.
- Empirical/Working Hypothesis — a hypothesis based on observation, used as a working guide, subject to testing and revision.
- Statistical Hypothesis — a hypothesis stated in a form that can be tested through statistical procedures.
Characteristics of a Good Hypothesis
- Clear, specific and testable.
- Consistent with existing knowledge and theory.
- States a relationship between variables that can be empirically verified.
- Simple and stated in operational terms.
Differentiate between one tailed and two tailed tests in Research.
One-Tailed Test
- Used when the hypothesis is directional — predicting that a value is either greater than or less than a specific value, but not both.
- The entire region of rejection (critical area) lies in one tail (either the right or left) of the distribution.
- Example: "Method A produces significantly higher scores than Method B" (only tests for "greater than").
- Requires a smaller critical value to reach significance, making it statistically "easier" to reject H0 in the specified direction, but risks missing an effect in the opposite direction.
Two-Tailed Test
- Used when the hypothesis is non-directional — predicting simply that there is a difference, without specifying direction.
- The region of rejection is split between both tails of the distribution.
- Example: "There is a significant difference in scores between Method A and Method B" (tests for difference in either direction).
- Requires a larger critical value at each tail (since the significance level is split between two tails), making it more conservative.
Key Differences
- Basis — one-tailed corresponds to directional hypotheses; two-tailed corresponds to non-directional hypotheses.
- Region of rejection — one tail vs both tails of the distribution.
- Sensitivity — one-tailed tests are more sensitive to detect an effect in the predicted direction; two-tailed tests are more cautious, detecting effects in either direction.
- Use — two-tailed tests are more commonly used in educational research unless there is strong theoretical justification for a directional prediction.
What is Computer Software of Data Analysis?
Meaning
Computer software for data analysis refers to specialised computer applications/programmes designed to organise, process, analyse and present research data efficiently and accurately, using statistical, mathematical and visualisation techniques.
Major Types/Examples
- SPSS (Statistical Package for Social Sciences) — the most widely used software in educational and social science research for descriptive and inferential statistics (t-test, ANOVA, correlation, regression).
- Microsoft Excel — used for data entry, basic calculations, sorting, charts and preliminary statistical analysis.
- R — a free, open-source programming language and software environment for advanced statistical computing and graphics.
- Python (with libraries like Pandas, NumPy, SciPy) — used for data cleaning, statistical analysis and machine learning applications.
- AMOS/LISREL — used for structural equation modelling and confirmatory factor analysis.
- NVivo/ATLAS.ti — specialised software for qualitative data coding and analysis.
Functions of Data Analysis Software
- Data entry, cleaning, storage and management.
- Computation of descriptive statistics (mean, SD, frequency).
- Performing inferential statistical tests and hypothesis testing.
- Generating graphs, charts and visual representations of data.
- Producing statistical reports and output tables ready for research write-up.
Such software has made complex, large-scale data analysis in educational research faster, more accurate and accessible even to researchers without advanced mathematical training.
Write short notes on any two of the following: (i) SPSS Data Analysis (ii) Microsoft Excel (iii) Coding of Data.
(i) SPSS Data Analysis
- SPSS (Statistical Package for Social Sciences) is a comprehensive software widely used for analysing quantitative data in education, psychology and social sciences.
- Enables data entry via a spreadsheet-like interface, variable definition, and menu-driven statistical analysis without requiring programming skills.
- Performs descriptive statistics, correlation, t-tests, ANOVA, regression, factor analysis and reliability analysis.
- Generates publication-ready tables, charts and output reports.
(ii) Microsoft Excel
- A widely available spreadsheet programme used for data entry, organisation and basic statistical computation.
- Offers built-in functions for mean, standard deviation, correlation and other calculations, along with charting tools.
- Useful for preliminary data cleaning, sorting, and simple analyses before more advanced software is used.
- Accessible and easy to use, but limited for complex multivariate statistical procedures.
(iii) Coding of Data
- Coding is the process of assigning numerical or symbolic values to categories of data (especially qualitative/categorical responses) to enable systematic analysis.
- Example: coding "Male" as 1 and "Female" as 2 for statistical processing.
- In qualitative research, coding involves labelling segments of text with descriptive codes representing themes or concepts.
- Proper coding ensures accuracy, consistency and ease of statistical/software-based analysis of collected data.