Nástroje pro rozvoje vědecké gramotnosti: kvantitativní výzkum prováděný studenty na střední škole
Odborný článek
Nástroje pro rozvoje vědecké gramotnosti: kvantitativní výzkum prováděný studenty na střední škole
Příspěvek se zaměřuje na nástroje, které může učitel se svými studenty na střední škole používat k tomu, aby efektivně prováděli kvantitativní výzkum – od aplikací na tvorbu dotazníků až po analytické a vizualizační nástroje. Představuje praktický soubor aplikací vhodných pro rozvoj vědecké gramotnosti.
Článek vznikl jako součást řešení projektu Platforma pro transfer znalostí: informační gramotnost pro středoškoláky v otevřeném mash-up virtuálním učebním prostředí (TIGUP) podpořeného TA ČR – kód projektu TL02000040. Web: https://kisk.phil.muni.cz/onlife.
Pokud chceme hovořit o určité vědecké gramotnosti, tak jednou z věcí, kterou si studenit musí nesporně osvojit, je práce s kvalitativními a kvantitativními výzkumnými nástroji. Obecně je možné postupovat dvěma směry – buď od pečlivého teoretického vysvětlení jednotlivých konceptů, nebo naopak snahou o využití maximálně jednoduchých nástrojů, které se obejdou bez hluboké teorie, kterou je možné doplňovat postupně.
My se vydáme druhým směrem a pokusíme se nabídnout určitý přehled nástrojů, které je možné užít pro kvantitativní výzkumy. Domníváme se, že důležité je, aby student získal určitou výzkumnickou zkušenost, kterou bude postupně prohlubovat a rozvíjet. Zkušenost s časem nutným pro sběr dat, s vhodným zaznamenáváním dat, jejich zpracováním v určitém nástroji považujeme za zcela zásadní. Naopak způsob, jakým se vypočítají parametry proložené křivky, korelace nebo rozptyl, je vlastně něčím sekundárním, co jistě pomůže k pochopení toho, jak výzkum probíhá a co student vlastně zjistil, ale dle našeho soudu nejde o primární didaktický cíl.
Kvantitativní výzkumné nástroje mají, z hlediska rozvoje vědecké gramotnosti, jednu podstatnou výhodu – spojují přírodní, technické i společenské vědy. Výpočet mnohých parametrů je vlastně podobný, organizace dat také a stejně tak alespoň část nástrojů představuje společnou množinu, se kterou je možné v této oblasti výuky začít.
Ještě jedno drobné terminologické ujasnění – slovo nástroje má v metodologii širší význam, nástrojem může být rozhovor, pozorování, dotazník atp. Pro nás budou nástroje aplikace či programy, kterými výzkum budeme schopni určitým způsobem zpracovat.
Nástroje pro online sběr dat
První skupinou nástrojů, kterých bychom se rádi dotknuli, jsou ty, které slouží pro online sběr dat, tedy nejrůznější platformy pro dotazníky, kvízy a podobné aktivity. Obecně může být problémem online výzkumů složitě reflektovaná reprezentativnost dat – tedy kontrola nad tím, kdo odpovídá a zda je vzorek náhodný nebo něčím ovlivněný a také určité množství respondentů, kteří si budou odpovědi sami vymýšlet, což je jistě možné i u běžného prezenčního výzkumu, ale výskyt takového druhu chyb je pravděpodobně dílky lidskému faktoru a sociální situaci významně nižší (u většiny otázek).
Online sběr dat s sebou ale přináší také nesporné výhody – snadné a rychlé šíření dotazníků, možnost oslovit velké množství lidí nebo absenci závislosti na domácí lokalitě. Pokud chceme dělat výzkum například na více místech současně, stojíme před velkým problémem ekonomickým a organizačním, což je něco, co ve školním prostředí budeme pochopitelně zvažovat také.
Online dotazníky je možné vnímat jak jako samostatný výzkumný nástroj, tak také jako určitou doplňkovou metodu, která umožňuje například komparaci mezi daty z běžného dotazníku a z online výzkumu. Další možností, kterou musíme zmínit, je to, že online nástroje nabízejí většinou velice dobrou strukturaci dat a evidují je již v elektronické podobě. Pro mnoho výzkumů je proto praktické, že i klasické dotazníky s respondenty sbírají odpovědi přímo do online nástrojů, z nichž si pak data bereme pro další zpracování.
To, čemu by se studenti měli vyhnout zcela jistě, je tvorba dotazníků ve Wordu a dalších textových procesorech – je to neefektivní, bezpečnostně problematické, generuje to velkou zátěž na zpracování a klesá návratnost i konzistence a správnost dat, která se zde omezují podstatně hůře, než v případě online nástrojů pro specializovaný sběr dat.
Pokud bychom měli uvést některé nejzajímavější nebo nejdostupnější nástroje, se kterými je možné ve školním prostředí pracovat, pak určitě můžeme zmínit následující:
Google Forms – je asi nejznámější a nejsnáze dostupná platforma pro tvorbu dotazníků či kvízů. Data jsou automaticky exportována do tabulky a doplněna jednoduchých náhledem. Hodí se spíše pro menší a méně náročné dotazníky. Velkou výhodou je jednoduché ovládání a nulová cena.
Microsoft Forms – velice podobný produkt jako Google Forms, ale od Microsoftu. Umožňuje tvořit jednoduché ankety, náročnější výzkumy, dotazníky.
TypeForm – je asi nejpopulárnějším nástrojem na tvorbu pěkných dotazníků. Klade velký důraz na vizuální stránku, ale podporuje také logické skoky, větvení dotazníku atp. Velkou nevýhodou je ale cenová náročnost.
Surveymonkey – tradiční výzkumný nástroj na tvorbu dotazníků. Zdarma dostupná verze je vhodná jen pro malé výzkumy.
Tripetto – nabízí obrovské množství funkcí a možností, jak pracovat se složitými výzkumy, včetně větvení a základní analýzy výsledků. Jde o přímého konkurenta TypeForm. Nevýhodou je trochu složitější ovládání, výhodou pokročilé funkce, které jsou zcela nesrovnatelné například s Google Forms.
Základní zpracování
Většinou chceme ještě dříve, než s daty nějakým dalším způsobem pracujeme, mít možnost určitých základních úprav, čištění, případně jednoduchých výpočtů. Data jsou málo kdy v takovém stavu, aby bylo možné je hned pouštět směrem k finálnímu zpracování a analýze, obvykle si je i nějak dělíme nebo s nimi jinak operujeme.
Zde budeme poměrně konzervativní a doporučíme klasické tabulkové procesory. Je v podstatně jedno, zda se rozhodneme pro LibreOffice Calc,Excel nebo Google tabulky. Každé řešení má své výhody a stinné stránky. Obecně si dovolíme doporučit Excel tam, kde s daty pracuje primárně jednotlivec, a Google tabulky v případě týmové práce. Grafy a analytické výsledky jsou z obou nástrojů většinou poměrně omezené, jde zde skutečně primárně o jednoduchou organizaci výzkumných dat.
Excel: nástroj pro základní management jednoduchých dat
Pokud data výzkumník sbírá v offline podobě, pak to budou pravděpodobně právě tabulkové procesory, které budou sloužit pro zápis získaných informací, ale třeba i pro zápis měření ve fyzikálním praktiku.
V této fázi práce s daty je zcela zásadní trvat na jejich vhodném a smysluplném popisu a logickém formátování. Pokud někdy narážíme u studentů na problémy s výzkumem, často jde právě o špatně zaznamenaná data, u kterých v určitý okamžik není vůbec jasné, co vlastně znamenají a jak se s nimi má pracovat. Velice doporučujeme práci s komentáři v záhlaví buněk, pečlivé popisy výzkumného souboru nebo i přítomnost odkazů na zdrojové dokumenty nebo popis metodologie. Je podstatné vést studenty k tomu, že jednotlivá měření jsou zaznamenána na řádcích a parametry či proměnné tvoří sloupce. V opačném případě bude složité je dávat do analytických nástrojů nebo bude nutné převracet řádky za sloupce, což může působit matoucím dojmem.
Užitečné je také verzování – je vhodné vést studenty k tomu, že každou analýzu dat, kterou sem případně ukládají, mají oddělenou od předchozích, případně alespoň od zdrojových dat, aby bylo vždy jasné, co je předmětem jejich datového zkoumání a co jsou empirická získaná data. Podobně doporučujeme nechávat si někde všechna data, tedy včetně těch, které smažeme během čištění.
Kvantitativní analytické nástroje
Pokud už máme data sesbíraná, můžeme se pokusit o jejich statistické zpracování a vizualizaci. V případně běžného školního výzkumného projektu jde především o statistiky deskriptivní, případně o popis jednoduchých korelací nebo funkčních závislostí. Velice zjednodušeně řečeno chceme, aby výstupem z této části práce s daty byl graf anebo nějaký parametr, se kterým studenti mohou dále pracovat.
Pokud se rozhodneme pro statisticky náročnější funkce, jako je třeba t-test sloužící pro porovnání odlišnosti jedné a druhé skupiny dat nebo robustnější ANOVA test, není asi nutné příliš vysvětlovat vlastní výpočet, ale o to větší pozornost je vhodné věnovat interpretaci – co znamenají jednotlivé hodnoty? Jak se mění při změně dat? Jaké hodnoty jsou a jaké nejsou statisticky významné?
Jak již bylo řečeno, nelze očekávat, že by grafy nebo tyto statistické výpočty měli dělat studenti ručně. Nedává to smysl ani z hlediska kurikula a kompetenční výbavy, ale ani z hlediska faktického poznání o světě. Omezovat se na „předpočítačové“ možnosti není šťastné, byť je jasné, že se zvyšujícím se matematickým porozuměním jednotlivým funkcím a testům roste i možnost je hlouběji a poučeněji využívat.
SciDAVis
Určitě k těmto činnostem není dobré používat tabulkové procesory, jejichž možnosti jsou designovány spíše na obchodní prezentace než na zpracování vědeckých dat. Doporučujeme proto sáhnout po některém z adekvátních specializovaných nástrojů. Z těch, které jsou bezplatné a použitelné ve školním prostředí, vybíráme alespoň následující:
SciDAVis – aplikace s ne zcela rychlým vývojem je určená speciálně pro školní prostředí. Velkou výhodou je, že obsahuje skutečně běžně potřebné „školní“ funkce a také určitá didaktizace celého grafického rozhraní. Je vhodný především pro méně náročné školní projekty.
Veusz – nabízí poněkud neobvyklé grafické rozhraní, na které si člověk musí chvíli zvykat, ale pro tvorbu grafů, především pak těch ve 3D je skutečně velice zajímavým nástrojem. Oproti svým konkurentům nenabízí téměř žádné analytické nástroje, ale soustředí se skutečně jen na práci s grafy.
LabPlot – jeho nevýhodou pro uživatele z Mac OS či Windows je skutečnost, že je vyvíjený v grafickém rozhraní pro Linuxové KDE. Na druhou stranu nabízí skutečně vysoce profesionální funkce, velké množství různých nástrojů a rychlý vývoj a inovace. Dokáže si poradit také s živými daty.
Pokud studenti pracují s grafy, je vhodné systematicky s nimi pracovat jak na základních metodologických zásadách (například kdy a jak je možné grafem proložit jakou křivku, kdy lze extrapolovat a kdy nikoliv), ale také o formálních stránkách tvorby, jako je výběr vhodného formátu grafu, popisků os atp. To vše je pro další práci podstatné a rozvíjí to onu vědeckou gramotnost, o kterou nám ve vztahu k výzkumům jde na středních školách zřejmě primárně.
SciDAVis
Závěrem
Takto vizualizovaná a analyzovaná data představují nepochybně teprve substrát, se kterým je třeba dále pracovat. Studenti by měli být schopni tato data vhodným způsobem použít v adekvátním prezentačním nástroji. Je možné se setkat s pořádáním studentských mikrokonferencí, kde jednotlivci nebo týmy sdílejí své výsledky s postery nebo s ročníkovými pracemi. Sem bude nepochybně spadat také schopnost psát odborný text, řádně citovat a své výsledky porovnávat s tím, co je známé z předchozích výzkumů.
Na tomto místě si dovolíme jen dvě drobné notičky. Předně je vhodné zvážit publikační nástroj. I když se lze setkat s tím, že LaTeX bude pro sázení dokumentů ideální, domníváme se, že většinou si lze úspěšně vystačit s méně náročnými programy. Jak Word, tak i LibreOffice Writer mají poměrně pěkné nástroje na práci s rovnicemi, a především druhý jmenovaný se výborně hodí na tvorbu laboratorních protokolů, protože editaci rovnic umí provádět přímo v LaTeXovém kódu (s vhodným „klikátkem“) a zbytek textu se zpracovává klasickým textovým procesorem.
Současně nemůžeme pominout možné spojení výzkumů s výukou matematiky a informatiky, například formou výuky práce v jazyce R, na který je možné navázat také různé vizualizační nástroje. Umět pracovat v R je dnes kompetencí nesmírně žádanou, protože jde o klíčový nástroj pro téměř libovolné datové modelování nebo pokročilou analýzu velkých dat. Pokud si R studenti osvojí, jistě půjde o dobrou investici směrem k jejich dalšímu akademickému působení a současně to může vést k hlubšímu porozumění toho, jak různé teorie, modely a způsoby zpracování dat vlastně fungují.
Literatura a použité zdroje
COHEN, Louis; MANION, Lawrence; MORRISON, Keith. Research Methods in Education. Routledge, 2002. 464 s. ISBN 1134646070.
SMITH, Malcolm. Research Methods in Accounting. Sage, 2003. 256 s. ISBN 1412933528.
KAPLAN, David. The SAGE Handbook of Quantitative Methodology for the Social Sciences. SAGE, 2004. 528 s. ISBN 1483365875.
