Miroslav Chraska, Milan Klement
Využití shlukové analýzy při
vytváření typologie studentů
Edukacja - Technika - Informatyka 2/1, 241-247
Miroslav C
HRÁSKA,
Milan
K
LEMENT Univerzita Palackého v Olomouci, Česká republikaVyužití shlukové analýzy při vytváření typologie studentů
1. Cíl výzkumu
Cílem výzkumu bylo rozdělit české a polské vysokoškolské studenty pomocí shlukové analýzy do základních skupin, a porovnat, zda jsou tyto skupiny ve svých typických charakteristikách podobné, či rozdílné.
2. Použité metody
Jako výzkumná metoda pro získání výchozích dat byl zvolen dotazník a sémantický diferenciál, který byl studentům na obou univerzitách předložen ve dvou jazykově ekvivalentních formách. Získaná data byla dále vyhodnocena pomocí shlukové analýzy [Meloun, Militký, Hill 2005] v programu STATISTICA Cz 9.0. Do shlukové analýzy [Chráska 2008] tak vstoupily následující proměnné: známka z matematiky (M), českého (ČJ) nebo polského jazyka (PJ) na konci střední školy, známky u maturity, nejvyšší vzdělání otce a matky (kódované 1–6), pohlaví studenta (kódováno 0 = muž, 1 = žena), měsíční četnost využití osobního počítače (PC) pro potřeby výuky a zábavy a hodnocení a energie pojmů vzdělání, já a osobní počítač, získané pomocí sémantického diferenciálu.
3. Popis výzkumného vzorku
Výzkumný vzorek tvořilo 46 studentů Univerzity Palackého (26 studentů oboru Technická a informační výchova a 20 studentů oboru Učitelství pro 1. stupeň ZŠ) a 75 studentů Univerity v Rzeszowe (42 studentů oboru Edukacja techniczno-informatyczna a 33 studentů oboru Pedagogika-Učitelství 1-3). Šlo tedy o studenty se shodným zaměřením.
4. Průběh výzkumu
Při vytváření typologie studentů můžeme v prvním přiblížení vycházet z výsledků shlukové analýzy, kdy studenty, podle míry podobnosti v sledovaných proměnných, necháme rozdělit do několika typických skupin (viz obr. 1 – studenti ČR – UP v Olomouci a obr. 2 – studenti RP – Univerzita v Rzeszowe). Z obrázků je patrné, že studenti v obou zemích jeví tendenci se shlukovat do dvou (v obrázcích jsou vyznačeny zakroužkováním) až tří skupin s tím, že studenti 1 a 2 v České republice se od ostatních studentů zásadně liší. Pro další postup výzkumu jsme zvolili dvě základní skupiny. Dalším krokem potom bylo studenty pomocí shlukové analýzy metodou k-průměrů rozdělit do dvou
předpokládaných skupin tak, aby obě skupiny vykazovaly co největší rozdíl ve sledovaných proměnných – grafické srovnání je provedeno v obr. 3 a 4.
Obr. 1 Str. diagram pro 39 případů - ČR Úplné spojení Euklid. vzdálenosti 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 0 20 40 60 80 100 120 140 V zd ál en os t sp oj e
Obr. 2 Str. diagram pro 57 případů - RP Úplné spojení Euklid. vzdálenosti R P -P 31 R P -P 16 R P -P 30 R P -P 14 R P -P 9 R P -P 28 R P -P 29 R P -P 11 R P -E T IM 25 R P -P 3 R P -P 27 R P -E T IM 9 R P -P 7 R P -E T IM 12 R P -P 20 R P -E T II 11 R P -P 6 R P -P 10 R P -E T IM 13 R P -E T II 12 R P -P 15 R P -E T IM 10 R P -P 19 R P -P 32 R P -E T IM 24 R P -P 1 R P -E T II 7 R P -P 4 R P -E T IM 5 R P -E T IM 27 R P -E T IM 4 R P -E T IM 20 R P -E T IM 1 R P -E T IM 26 R P -E T II 6 R P -E T II 4 R P -P 13 R P -P 8 R P -E T IM 11 R P -E T II 5 R P -P 18 R P -E T IM 16 R P -E T IM 17 R P -E T IM 6 R P -E T IM 21 R P -E T II 14 R P -E T IM 15 R P -E T IM 14 R P -E T II 10 R P -E T II 8 R P -E T II 9 R P -E T II 3 R P -E T IM 28 R P -P 26 R P -P 17 R P -E T IM 7 R P -E T II 2 0 20 40 60 80 100 Vz dá len os t s po je Skupina 2 Skupina 1 Skupina 1 Skupina 2
Obr. 3 Graf průměrů všech shluků - studenti UP v Olomouci Z ná m ka M Z ná m ka Č J M a tu ri ta 1 M a tu ri ta 2 M a tu ri ta 3 M a tu ri ta 4 V zd ěl án í O tc e V zd ěl án í M at ky P C v ýu ka ja k ča st o P C z áb av a ja k ča st o vz dě lá ní h vz dě lá ní e os ob ní p oč ít ač h os ob ní p oč ít ač e já h já e P oh la ví -r -5 0 5 10 15 20 25 30 35 40 Shluk 1 Shluk 2
Obr. 4 Graf průměrů všech shluků - studenti UR Rzeszow
Z ná m ka M Z ná m ka P J V zd ěl án í O tc e V zd ěl án í M at ky P C v ýu ka ja k ča st o P C z áb av a ja k ča st o P oh la ví -r M a tu ri ta 1 r M a tu ri ta 2 r M a tu ri ta 3 r V z d V z d ě lá n í e P C h P C e Já h Já e -10 0 10 20 30 40 50 60 70 80 90 Shluk 1 Shluk 2
Abychom mohli určit, zda se jednotlivé shluky studentů v obou zemích od sebe významně liší, bylo provedeno srovnání pomocí analýzy rozptylu. Tyto výsledky uvádí tab. 1 a 2. Z nich je patrné, ve kterých sledovaných proměnných se skupiny zásadně liší. Program STATISTICA Cz 9.0 dále umožňuje také iden-tifikovat členy jednotlivých shluků, avšak vzhledem k rozsahu příspěvku zde uvedeme jen jeden příklad (viz tab. 3).
Tabulka 1 Průměrné hodnocení jednotlivých proměnných v ČR ve shluku 1 a 2
Prům. shluků - ČR Proměnná Shluk čís.1 Shluk čís. 2 Signifikance Známka M Známka ČJ M aturit a 1 M aturit a 2 M aturit a 3 M aturit a 4 Vzdělání Otce Vzdělání M atky PC výuka jak často PC zábava jak často vzdělání h vzdělání e osobní počítač h osobní počítač e já h já e Pohlaví-r 1,923 2,385 0,158 1,692 2,231 0,046 1,538 1,923 0,163 1,654 1,769 0,699 1,846 2,154 0,329 2,077 2,077 1,000 4,231 4,308 0,897 4,077 4,077 1,000 16,962 37,077 0,001 10,538 32,308 0,000 5,323 5,308 0,970 4,492 4,815 0,433 5,269 5,723 0,266 3,454 3,446 0,985 5,246 5,231 0,962 4,062 4,077 0,974 0,846 0,462 0,011
V České republice tvoří shluk 1 studenti s významně lepším prospěchem v českém jazyce, s menší četností využití PC pro výuku i zábavu a tvoří jej častěji ženy. Ve shluku 1 převažují studenti učitelství pro 1. stupeň ZŠ nad studenty oboru Technická a informační výchova.
V Polsku tvoří shluk 1 studenti s významně lepším prospěchem v polském jazyce, s lepším prospěchem u maturity, s lepším hodnocením pojmu vzdělávání a tvoří jej také častěji ženy. Ve shluku 1 taktéž převažují studenti učitelství pro 1. stupeň ZŠ. Obě skupiny se však v Polsku neliší v četnosti používání PC pro potřebu výuky a zábavy.
Je tedy možné říci, že zásadní rozdíl mezi skupinami studentů v ČR a RP je v četnosti využití PC pro potřebu výuky a zábavy, která je u českých studentů ve shluku 2 výrazně větší než u polských studentů ve shluku 2.
Z tab. 1 a 2 jsou také patrné i další rozdíly mezi českými a polskými studenty (např. rozdílné vnímání pojmů), které však nebyly předmětem této analýzy.
Tabulka 2 Průměrné hodnocení jednotlivých proměnných v RP ve shluku 1 a 2
Prům. shluků - RP Proměnná Shluk 1 čís.1 Shluk 2 čís.2 Signifikance Známka M Známka PJ Vzdělání Otce Vzdělání M atky PC výuka jak často PC zábava jak často Pohlaví-r M aturit a 1r M aturit a 2r M aturit a 3r Vzdělání h Vzdělání e PC h PC e Já h Já e 3,393 3,276 0,555 3,821 3,379 0,025 2,750 2,759 0,978 3,179 3,103 0,846 17,893 15,621 0,402 25,143 23,931 0,595 0,714 0,276 0,001 78,571 46,862 0,000 73,750 55,241 0,000 63,536 56,310 0,079 4,950 4,414 0,044 4,621 4,497 0,669 5,971 5,579 0,190 2,900 2,938 0,904 5,764 5,262 0,111 3,300 3,510 0,485 Tabulka 3 Členové shluku 2 v České republice
Členy shluku číslo 2 - ČR
a vzdálenosti od přislušného středu shluku Shluk obsahuje 13 příp. Vzdálen. PSP30 - T EIV PSP34 - T EIV PSP37 - T EIV PSP38 - T EIV PSP40 - T EIV PSP51.2 - 1. st ZŠ PSP92 - T EIV PSP113 - 1. st ZŠ PSP138 - T EIV PSP140 - T EIV PSP228 - T EIV PSP229 - T EIV PSP233 - T EIV 3,70543 22,82011 4,30926 2,70286 2,75867 2,06871 2,05766 2,13001 16,97413 2,69927 4,24947 4,30571 4,37255
Závěr
Ze zjištěných výsledků vyplynulo, že studenty v České republice i v Polsku lze pomocí shlukové analýzy rozdělit do dvou základních skupin. Tyto skupiny jsou však podle svých charakteristických vlastností v obou zemích poněkud odlišné. Vzhledem k rozsahu výběru však nemůžeme tyto skutečnosti zcela zo-becnit, otázkou také zůstává, zda není možné a vhodné studenty rozčlenit do více skupin. Příspěvek se tak snažil spíše naznačit možné netradiční cesty vy-užití shlukové analýzy při vytváření nejen typologií studentů.
Příspěvek vznikl za podpory GAČR v rámci řešení projektu č. P407/11/1306 („Evaluace vzdělávacích materiálů určených pro distanční vzdělávání a e-lear-ning”, řešitel: PhDr. Milan Klement, Ph.D.).
Literatura
Chráska M. (2008), Uplatnění vícerozměrných statistických metod v pedagogickém výzkumu. Olomouc: Votobia. ISBN 80-244-0897-X.
Meloun M., Militký J., Hill M. (2005), Počítačová analýza vícerozměrných dat v příkladech. Praha: Academia. ISBN 80-200-1335-0.
Resumé
Příspěvek popisuje, jakým způsobem můžeme pomocí shlukové analýzy vytvářet návrhy typologií studentů. Postup je prezentován na příkladu výzkumného šetření u populace českých a polských studentů.
Klíčová slova: shluková analýza, sémantický diferenciál, typologie studentů VŚ.
Usage of cluster analysis for creating a typology of students Abstract
The entry describes the way how to create suggestions of typologies of stu-dents by the means of a cluster analysis. The proceeding is showed in example of the research done by a population of Czech and Polish students.
Wykorzystanie metody analizy skupień do tworzenia typologii grup studenckich
Streszczenie
W artykule opisano możliwości wykorzystania analizy skupień do tworzenia wzorów typologii studentów. Procedurę tę przedstawiono w postaci przykłado-wych badań przeprowadzonych na grupach studentów czeskich i polskich.
Słowa kluczowe: analiza skupień, semantyczne zróżnicowanie, typologia