เทคนิคการวิเคราะห์สถิติที่ใช้ในงานวิจัยทางการศึกษาด้วย Microsoft Excel คู่มือสำหรับครูและนักวิจัยไทย
การทำวิจัยทางการศึกษาในปัจจุบันต้องอาศัยการวิเคราะห์ข้อมูลเชิงสถิติเพื่อให้ได้ผลลัพธ์ที่น่าเชื่อถือและสามารถนำไปใช้ประโยชน์ได้จริง สำหรับครูและนักวิจัยชาวไทยที่สนใจพัฒนานวัตกรรมการเรียนการสอน การเข้าใจเทคนิคการวิเคราะห์สถิติพื้นฐานจึงเป็นทักษะที่สำคัญยิ่ง โดยเฉพาะอย่างยิ่งการใช้โปรแกรม Microsoft Excel ซึ่งเป็นเครื่องมือที่หาได้ง่ายและใช้งานสะดวก บทความนี้จะนำเสนอเทคนิคการวิเคราะห์สถิติหลักที่ใช้ในงานวิจัยทางการศึกษา โดยอ้างอิงจากโปรแกรมวิเคราะห์ผลการวิจัยที่พัฒนาโดยดร สุทธิลักษณ์ กันธิพันธ์ ซึ่งครอบคลุมตั้งแต่การหาประสิทธิภาพเครื่องมือ การเปรียบเทียบผลสัมฤทธิ์ ไปจนถึงการวัดความพึงพอใจของผู้เรียน
ในงานวิจัยทางการศึกษา โดยเฉพาะการวิจัยเพื่อพัฒนานวัตกรรมหรือสื่อการเรียนการสอน ผู้วิจัยจำเป็นต้องใช้เทคนิคทางสถิติเพื่อประเมินคุณภาพและประสิทธิผลของสิ่งที่พัฒนาขึ้นมา การวิเคราะห์ข้อมูลที่ดีจะช่วยให้ผู้วิจัยสามารถตอบคำถามวิจัยได้อย่างชัดเจน รวมทั้งสามารถนำเสนอผลการวิจัยได้อย่างมีหลักฐานเชิงประจักษ์ เทคนิคสถิติที่จะกล่าวถึงในบทความนี้แบ่งออกเป็นสามส่วนหลักตามวัตถุประสงค์ของการวิเคราะห์ ได้แก่ การหาประสิทธิภาพของเครื่องมือหรือนวัตกรรม การเปรียบเทียบผลสัมฤทธิ์ทางการเรียนก่อนและหลังการใช้นวัตกรรม และการวิเคราะห์ความพึงพอใจของผู้เรียน แต่ละเทคนิคมีวิธีการคำนวณและการตีความผลที่แตกต่างกัน แต่ล้วนมีความสำคัญในการตัดสินใจว่านวัตกรรมที่พัฒนาขึ้นนั้นมีคุณภาพและสามารถนำไปใช้ได้จริงหรือไม่
การหาประสิทธิภาพเครื่องมือด้วยค่า E1/E2
การหาประสิทธิภาพของเครื่องมือหรือนวัตกรรมการเรียนการสอนเป็นขั้นตอนแรกที่สำคัญในงานวิจัยทางการศึกษา เพราะจะช่วยบอกว่าสื่อหรือนวัตกรรมที่พัฒนาขึ้นมานั้นมีคุณภาพเพียงพอที่จะนำไปใช้จริงหรือไม่ เทคนิคที่ใช้กันอย่างแพร่หลายในประเทศไทยคือการหาค่า E1/E2 ซึ่งเป็นการคำนวณประสิทธิภาพของสื่อหรือนวัตกรรมในสองมิติ คือ ประสิทธิภาพของกระบวนการเรียนรู้ระหว่างการใช้นวัตกรรม (E1) และประสิทธิภาพของผลลัพธ์การเรียนรู้หลังการใช้นวัตกรรม (E2) การวัดประสิทธิภาพทั้งสองด้านนี้จะช่วยให้ผู้วิจัยเห็นภาพรวมของคุณภาพนวัตกรรมได้อย่างครบถ้วน
สูตรการคำนวณค่า E ที่ใช้ในการหาประสิทธิภาพคือ การนำคะแนนรวมของผู้เรียนทั้งหมดหารด้วยผลคูณของจำนวนนักเรียนและคะแนนเต็มของแบบทดสอบ แล้วคูณด้วยร้อยเพื่อแปลงเป็นเปอร์เซ็นต์ เมื่อเขียนเป็นสูตรจะได้ว่า ค่า E เท่ากับ คะแนนรวมหารด้วยวงเล็บเปิดจำนวนนักเรียนคูณคะแนนเต็มของแบบทดสอบวงเล็บปิด แล้วคูณด้วยหนึ่งร้อย ตัวอย่างเช่น หากมีนักเรียนสามสิบคน ทำแบบทดสอบที่มีคะแนนเต็มสามสิบคะแนน และได้คะแนนรวมทั้งหมดเจ็ดร้อยเจ็ดสิบเก้าคะแนน การคำนวณจะได้ว่า ค่า E เท่ากับ เจ็ดร้อยเจ็ดสิบเก้าหารด้วยวงเล็บเปิดสามสิบคูณสามสิบวงเล็บปิด คูณด้วยหนึ่งร้อย ซึ่งจะได้ค่าเท่ากับแปดสิบหกจุดหกเจ็ดเปอร์เซ็นต์
การนำสูตรนี้ไปใช้ใน Microsoft Excel ทำได้ง่ายมาก โดยเพียงแค่พิมพ์สูตรลงในเซลล์ที่ต้องการ เช่น ถ้าคะแนนรวมอยู่ในเซลล์ A1 จำนวนนักเรียนอยู่ในเซลล์ B1 และคะแนนเต็มอยู่ในเซลล์ C1 ก็สามารถพิมพ์สูตรได้ว่า เท่ากับ A1 หารด้วยวงเล็บเปิด B1 คูณ C1 วงเล็บปิดคูณหนึ่งร้อย Excel จะคำนวณให้อัตโนมัติและแสดงผลลัพธ์ออกมาทันที การใช้สูตรใน Excel ช่วยลดความผิดพลาดจากการคำนวณด้วยมือและประหยัดเวลาอย่างมาก โดยเฉพาะอย่างยิ่งเมื่อต้องคำนวณค่าประสิทธิภาพหลายครั้งหรือกับข้อมูลจำนวนมาก
ค่า E1 คือประสิทธิภาพของกระบวนการ ซึ่งวัดจากคะแนนที่นักเรียนได้ระหว่างการเรียนรู้ เช่น การทำแบบฝึกหัดหรือกิจกรรมต่างๆ ที่เกิดขึ้นในระหว่างที่ใช้นวัตกรรม ส่วน E2 คือประสิทธิภาพของผลลัพธ์ ซึ่งวัดจากคะแนนหลังเรียนหรือแบบทดสอบวัดผลสัมฤทธิ์ที่ทำหลังจากใช้นวัตกรรมแล้ว การคำนวณทั้ง E1 และ E2 ใช้สูตรเดียวกัน แต่ใช้คะแนนจากแบบทดสอบที่ต่างกัน เมื่อคำนวณได้ค่า E1 และ E2 แล้ว จะนำมาเขียนในรูปแบบ E1/E2 เช่น หากได้ E1 เท่ากับแปดสิบหกเปอร์เซ็นต์ และ E2 เท่ากับแปดสิบเก้าเปอร์เซ็นต์ ก็จะเขียนว่า ประสิทธิภาพของนวัตกรรมเท่ากับ แปดสิบหก ต่อ แปดสิบเก้า
การตีความผลของค่า E1/E2 ทำโดยการเปรียบเทียบกับเกณฑ์มาตรฐานที่กำหนดไว้ล่วงหน้า เกณฑ์ที่ใช้กันทั่วไปในประเทศไทยคือ 80/80 ซึ่งหมายความว่านวัตกรรมควรมีประสิทธิภาพของกระบวนการอย่างน้อยแปดสิบเปอร์เซ็นต์ และประสิทธิภาพของผลลัพธ์อย่างน้อยแปดสิบเปอร์เซ็นต์ หากค่า E1/E2 ที่คำนวณได้สูงกว่าหรือเท่ากับเกณฑ์นี้ เช่น ได้ค่า 86/89 ซึ่งทั้ง E1 และ E2 สูงกว่าแปดสิบเปอร์เซ็นต์ แสดงว่านวัตกรรมนั้นมีคุณภาพดีและสามารถนำไปใช้ได้ ในทางกลับกัน หากค่าที่ได้ต่ำกว่าเกณฑ์ เช่น ได้ค่า 75/82 ซึ่ง E1 ต่ำกว่าเกณฑ์ แม้ว่า E2 จะผ่านเกณฑ์ก็ตาม ผู้วิจัยก็ควรพิจารณาปรับปรุงนวัตกรรมก่อนนำไปใช้จริง
การใช้เกณฑ์ 80/80 เป็นมาตรฐานที่ยอมรับกันในวงการวิจัยทางการศึกษาไทย แต่ผู้วิจัยสามารถกำหนดเกณฑ์ที่แตกต่างไปจากนี้ได้ตามความเหมาะสมของงานวิจัย เช่น อาจกำหนดเกณฑ์สูงขึ้นเป็น 85/85 สำหรับนวัตกรรมที่ต้องการความแม่นยำสูง หรือกำหนดต่ำลงเป็น 75/75 สำหรับนวัตกรรมที่กำลังอยู่ในระยะเริ่มต้นของการพัฒนา สิ่งสำคัญคือต้องระบุเกณฑ์ที่ใช้ไว้อย่างชัดเจนในงานวิจัย และมีเหตุผลรองรับการเลือกใช้เกณฑ์นั้นๆ นอกจากนี้ ผู้วิจัยควรพิจารณาความหมายของค่า E1 และ E2 ร่วมกันด้วย ไม่ใช่แค่ดูว่าผ่านเกณฑ์หรือไม่ เพราะหากค่า E1 สูงมากแต่ E2 ต่ำ อาจแสดงว่ากระบวนการเรียนรู้ดีแต่ผลลัพธ์ยังไม่คงทน หรือหาก E1 ต่ำแต่ E2 สูง อาจแสดงว่ากระบวนการยังไม่เหมาะสมแม้ผลลัพธ์จะดี
ประโยชน์ของการหาค่า E1/E2 คือช่วยให้ผู้วิจัยสามารถตัดสินใจได้อย่างมีหลักฐานว่านวัตกรรมที่พัฒนาขึ้นมีคุณภาพเพียงพอหรือไม่ ถ้าค่าประสิทธิภาพยังไม่ผ่านเกณฑ์ ผู้วิจัยสามารถกลับไปปรับปรุงนวัตกรรมก่อนนำไปทดลองใช้ในวงกว้าง ซึ่งจะช่วยประหยัดเวลาและทรัพยากร รวมทั้งป้องกันไม่ให้นำนวัตกรรมที่ยังไม่มีคุณภาพดีพอไปใช้กับผู้เรียน การหาค่า E1/E2 จึงเป็นเหมือนการตรวจสอบคุณภาพก่อนส่งมอบผลิตภัณฑ์ ซึ่งเป็นหลักการสำคัญของการพัฒนานวัตกรรมทางการศึกษาที่ดี สำหรับครูและนักวิจัยที่สนใจนำเทคนิคนี้ไปใช้ ควรเตรียมความพร้อมโดยการออกแบบแบบทดสอบที่ดี มีความเที่ยงตรงและความเชื่อมั่น และครอบคลุมเนื้อหาที่ต้องการวัดอย่างครบถ้วน เพราะคุณภาพของแบบทดสอบจะส่งผลโดยตรงต่อความน่าเชื่อถือของค่า E1/E2 ที่คำนวณได้
การเปรียบเทียบผลสัมฤทธิ์ด้วย t-test
หลังจากที่ตรวจสอบประสิทธิภาพของนวัตกรรมด้วยค่า E1/E2 แล้ว ขั้นตอนต่อมาที่สำคัญคือการตรวจสอบว่านวัตกรรมนั้นส่งผลกระทบต่อผลสัมฤทธิ์ทางการเรียนของผู้เรียนอย่างแท้จริงหรือไม่ เทคนิคทางสถิติที่ใช้กันอย่างแพร่หลายในการตอบคำถามนี้คือการทดสอบค่าที (t-test) โดยเฉพาะอย่างยิ่งการทดสอบค่าทีแบบจับคู่ (Paired t-test) ซึ่งเหมาะสำหรับการเปรียบเทียบคะแนนของกลุ่มตัวอย่างกลุ่มเดียวกันในสองช่วงเวลา คือก่อนและหลังการใช้นวัตกรรม การทดสอบนี้จะช่วยบอกว่าความแตกต่างของคะแนนที่เกิดขึ้นนั้นมีนัยสำคัญทางสถิติหรือไม่ หรืออาจเป็นเพียงความบังเอิญ
หลักการของ t-test แบบจับคู่คือการเปรียบเทียบค่าเฉลี่ยของคะแนนก่อนเรียนกับค่าเฉลี่ยของคะแนนหลังเรียนจากกลุ่มตัวอย่างกลุ่มเดียวกัน การทดสอบนี้จะคำนวณความแตกต่างของคะแนนแต่ละคน (หลังเรียนลบก่อนเรียน) แล้วนำค่าความแตกต่างเหล่านี้มาวิเคราะห์ว่ามีค่าเฉลี่ยของความแตกต่างที่แตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่ หากค่าเฉลี่ยของความแตกต่างสูงกว่าศูนย์อย่างมีนัยสำคัญ แสดงว่าผลสัมฤทธิ์หลังเรียนสูงกว่าก่อนเรียนจริง ไม่ใช่เกิดจากความบังเอิญ ซึ่งหมายความว่านวัตกรรมที่ใช้มีประสิทธิผลในการพัฒนาการเรียนรู้ของผู้เรียน
การเตรียมข้อมูลสำหรับการวิเคราะห์ t-test เริ่มจากการจัดทำตารางคะแนนที่มีคอลัมน์สำหรับรหัสหรือชื่อนักเรียน คอลัมน์คะแนนก่อนเรียน และคอลัมน์คะแนนหลังเรียน ผู้วิจัยควรตรวจสอบความถูกต้องของข้อมูลให้แน่ใจว่าคะแนนแต่ละคู่มาจากนักเรียนคนเดียวกัน และไม่มีข้อมูลสูญหาย ในบางกรณี ผู้วิจัยอาจเพิ่มคอลัมน์สำหรับคำนวณค่าความแตกต่าง (D) โดยใช้สูตร คะแนนหลังเรียนลบคะแนนก่อนเรียน แม้ว่าโปรแกรม Excel จะคำนวณค่านี้ให้เองในขั้นตอนการวิเคราะห์ แต่การคำนวณไว้ล่วงหน้าจะช่วยให้ผู้วิจัยเห็นภาพรวมของข้อมูลได้ชัดเจนขึ้น เช่น หากค่า D ส่วนใหญ่เป็นบวก แสดงว่าผู้เรียนส่วนใหญ่มีคะแนนเพิ่มขึ้น หรือหากมีค่า D บางค่าเป็นลบ ก็อาจต้องสืบหาสาเหตุว่าทำไมนักเรียนบางคนกลับมีคะแนนลดลง
การใช้ Microsoft Excel ในการวิเคราะห์ t-test ทำได้โดยใช้เครื่องมือ Data Analysis ซึ่งเป็นส่วนเสริม (Add-in) ที่มีมาพร้อมกับ Excel แต่อาจจะยังไม่ได้เปิดใช้งาน ผู้ใช้สามารถเปิดใช้งานได้โดยไปที่เมนู File เลือก Options แล้วเลือก Add-ins จากนั้นเลือก Excel Add-ins ที่ช่อง Manage แล้วกด Go จะปรากฏหน้าต่างให้เลือก Add-ins ต่างๆ ให้คลิกเลือก Analysis ToolPak แล้วกด OK เมื่อเปิดใช้งานแล้ว จะมีเมนู Data Analysis ปรากฏในแท็บ Data บนริบบอนของ Excel ซึ่งเป็นเครื่องมือที่รวมฟังก์ชันทางสถิติต่างๆ ไว้มากมาย รวมถึง t-test หลายรูปแบบ
ขั้นตอนการวิเคราะห์ t-test ใน Excel เริ่มต้นด้วยการคลิกที่แท็บ Data บนริบบอน จากนั้นคลิกที่ปุ่ม Data Analysis ที่อยู่ทางขวาสุดของริบบอน จะปรากฏหน้าต่าง Data Analysis ขึ้นมาพร้อมรายการเครื่องมือทางสถิติต่างๆ ให้เลื่อนหาและเลือก t-Test: Paired Two Sample for Means ซึ่งเป็นการทดสอบค่าทีแบบจับคู่สองตัวอย่างสำหรับค่าเฉลี่ย แล้วกด OK จะปรากฏหน้าต่างสำหรับกำหนดค่าต่างๆ สำหรับการทดสอบ ในหน้าต่างนี้มีช่องให้กรอกหลายช่อง ได้แก่ Variable 1 Range สำหรับข้อมูลชุดแรก ซึ่งปกติจะเป็นคะแนนก่อนเรียน และ Variable 2 Range สำหรับข้อมูลชุดที่สอง ซึ่งจะเป็นคะแนนหลังเรียน
การเลือกช่วงข้อมูลทำได้โดยคลิกที่ช่อง Variable 1 Range แล้วไปคลิกลากเลือกช่องที่มีคะแนนก่อนเรียนทั้งหมด ตั้งแต่คนแรกจนถึงคนสุดท้าย โปรแกรมจะแสดงช่วงที่เลือกในช่องนั้น เช่น ถ้าคะแนนก่อนเรียนอยู่ในคอลัมน์ B แถวที่สองถึงแถวที่สามสิบเอ็ด จะแสดงเป็น $B$2:$B$31 จากนั้นทำเช่นเดียวกันกับช่อง Variable 2 Range โดยเลือกช่วงคะแนนหลังเรียน สิ่งสำคัญคือต้องแน่ใจว่าลำดับของข้อมูลทั้งสองชุดตรงกัน คือคะแนนในแถวเดียวกันต้องเป็นของนักเรียนคนเดียวกัน ถ้ามีการใส่หัวคอลัมน์ (เช่น ชื่อคอลัมน์ว่าก่อนเรียนและหลังเรียน) ให้คลิกเลือกที่ช่อง Labels ด้วย เพื่อบอกโปรแกรมว่าแถวแรกเป็นหัวคอลัมน์ไม่ใช่ข้อมูล
ช่อง Alpha เป็นค่าระดับนัยสำคัญทางสถิติ ซึ่งปกติจะใช้ค่า 0.05 หรือร้อยละ 5 หมายความว่าเรายอมรับโอกาสผิดพลาดในการสรุปผลได้ไม่เกิน 5 เปอร์เซ็นต์ ค่านี้เป็นมาตรฐานที่ใช้กันทั่วไปในงานวิจัยทางสังคมศาสตร์และการศึกษา บางงานวิจัยอาจใช้ค่า 0.01 สำหรับความเข้มงวดสูงขึ้น ส่วน Output Range เป็นช่องให้ระบุว่าต้องการให้ผลการวิเคราะห์แสดงที่ตำแหน่งใด โดยสามารถเลือกให้แสดงในชีตเดียวกันหรือสร้างชีตใหม่ก็ได้ หลังจากกำหนดค่าทั้งหมดแล้ว ให้กดปุ่ม OK โปรแกรมจะทำการคำนวณและแสดงผลลัพธ์ออกมา
ผลลัพธ์ที่ได้จาก t-test จะแสดงในรูปแบบตารางที่มีข้อมูลสถิติหลายตัว ข้อมูลสำคัญที่ต้องพิจารณาได้แก่ Mean ของทั้งสองกลุ่ม ซึ่งจะแสดงค่าเฉลี่ยของคะแนนก่อนเรียนและหลังเรียน ค่า Variance หรือความแปรปรวน ค่า Observations ที่บอกจำนวนตัวอย่าง ค่า Pearson Correlation ที่แสดงความสัมพันธ์ระหว่างคะแนนสองชุด ค่า df (degrees of freedom) หรือชั้นแห่งความเป็นอิสระ และที่สำคัญที่สุดคือ ค่า t Stat ซึ่งเป็นค่าสถิติที่ใช้ในการทดสอบ และค่า P-value ทั้งแบบหางเดียว (one-tail) และสองหาง (two-tail) รวมถึงค่า t Critical ที่ใช้เป็นเกณฑ์ในการตัดสินใจ
การตีความผลของ t-test มีหลักการสำคัญอยู่ที่การพิจารณาค่า P-value เมื่อเปรียบเทียบกับค่า Alpha ที่กำหนดไว้ หากค่า P-value น้อยกว่าค่า Alpha (ซึ่งปกติคือ 0.05) แสดงว่าความแตกต่างของคะแนนมีนัยสำคัญทางสถิติ กล่าวคือคะแนนหลังเรียนแตกต่างจากคะแนนก่อนเรียนอย่างแท้จริง ไม่ใช่เกิดจากความบังเอิญ สำหรับงานวิจัยทางการศึกษาที่ต้องการทดสอบว่าคะแนนหลังเรียนสูงกว่าก่อนเรียนหรือไม่ ควรใช้ P-value แบบหางเดียว (P one-tail) ในการตีความ ตัวอย่างเช่น หากได้ค่า P one-tail เท่ากับ 0.0001 ซึ่งน้อยกว่า 0.05 อย่างมาก เราจึงสรุปได้ว่าผลสัมฤทธิ์ทางการเรียนหลังการใช้นวัตกรรมสูงกว่าก่อนใช้นวัตกรรมอย่างมีนัยสำคัญทางสถิติที่ระดับ .05
นอกจากการดูค่า P-value แล้ว ผู้วิจัยยังควรพิจารณาค่าสถิติอื่นๆ ประกอบด้วย เช่น ค่าเฉลี่ยของทั้งสองกลุ่มเพื่อดูว่าคะแนนเพิ่มขึ้นเท่าไร ค่า t Stat เพื่อดูขนาดของความแตกต่าง และค่า Pearson Correlation เพื่อดูความสัมพันธ์ระหว่างคะแนนก่อนและหลังเรียน หากค่าสหสัมพันธ์สูง แสดงว่านักเรียนที่ได้คะแนนสูงก่อนเรียนมักจะได้คะแนนสูงหลังเรียนด้วย ซึ่งเป็นข้อมูลที่เป็นประโยชน์ในการทำความเข้าใจลักษณะของกลุ่มตัวอย่าง การนำเสนอผลการวิเคราะห์ควรระบุค่าสถิติที่สำคัญทั้งหมด เช่น ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของทั้งสองกลุ่ม ค่า t ค่า df และค่า P-value พร้อมระบุระดับนัยสำคัญที่ใช้ เช่น “ผลการทดสอบพบว่าคะแนนเฉลี่ยหลังเรียน (M = 27.50, SD = 2.30) สูงกว่าคะแนนเฉลี่ยก่อนเรียน (M = 15.20, SD = 3.10) อย่างมีนัยสำคัญทางสถิติ (t(29) = 15.45, p < .001)”
การวิเคราะห์ความพึงพอใจ
การวัดความพึงพอใจของผู้เรียนที่มีต่อนวัตกรรมหรือสื่อการเรียนการสอนเป็นอีกมิติหนึ่งที่สำคัญในการประเมินคุณภาพของงานวิจัยทางการศึกษา แม้ว่านวัตกรรมจะมีประสิทธิภาพสูงและสามารถพัฒนาผลสัมฤทธิ์ของผู้เรียนได้ดี แต่หากผู้เรียนไม่พึงพอใจหรือมีทัศนคติเชิงลบต่อนวัตกรรมนั้น ก็อาจส่งผลให้การนำไปใช้ในวงกว้างไม่ประสบความสำเร็จ ดังนั้นการวิเคราะห์ความพึงพอใจจึงเป็นส่วนประกอบสำคัญที่ช่วยให้ผู้วิจัยเห็นภาพรวมของคุณภาพนวัตกรรมได้อย่างครบถ้วน โดยทั่วไปแล้วการวัดความพึงพอใจจะใช้แบบสอบถามที่มีมาตรวัดแบบ Likert Scale ซึ่งให้ผู้ตอบเลือกระดับความเห็นด้วยหรือไม่เห็นด้วยกับข้อความต่างๆ
มาตรวัดแบบ Likert Scale ที่นิยมใช้กันมากที่สุดคือแบบ 5 ระดับ ได้แก่ เห็นด้วยอย่างยิ่ง เห็นด้วย ไม่แน่ใจ ไม่เห็นด้วย และไม่เห็นด้วยอย่างยิ่ง โดยแต่ละระดับจะกำหนดคะแนนเป็นตัวเลข ปกติจะให้คะแนน 5 สำหรับเห็นด้วยอย่างยิ่ง 4 สำหรับเห็นด้วย 3 สำหรับไม่แน่ใจ 2 สำหรับไม่เห็นด้วย และ 1 สำหรับไม่เห็นด้วยอย่างยิ่ง การกำหนดคะแนนแบบนี้จะทำให้คะแนนสูงแสดงถึงความพึงพอใจที่มากขึ้น แบบสอบถามความพึงพอใจมักจะมีหลายข้อคำถามที่ครอบคลุมด้านต่างๆ ของนวัตกรรม เช่น ด้านเนื้อหา ด้านการออกแบบ ด้านความเหมาะสมในการใช้งาน ด้านความน่าสนใจ และด้านประโยชน์ที่ได้รับ
การวิเคราะห์ข้อมูลความพึงพอใจเริ่มจากการคำนวณค่าเฉลี่ยของแต่ละข้อคำถาม โดยนำผลรวมของคะแนนที่ผู้ตอบทุกคนให้ในข้อคำถามนั้นๆ หารด้วยจำนวนผู้ตอบทั้งหมด สูตรคือ ค่าเฉลี่ย เท่ากับ ผลรวมของคะแนน หารด้วย จำนวนผู้ตอบ ใน Excel สามารถใช้ฟังก์ชัน AVERAGE ได้โดยง่าย เช่น พิมพ์ =AVERAGE(A2:A31) ถ้าคะแนนของข้อคำถามนั้นอยู่ในช่อง A2 ถึง A31 นอกจากค่าเฉลี่ยแล้ว ยังควรคำนวณส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) ด้วย เพื่อดูความกระจายของข้อมูล ว่าผู้ตอบมีความคิดเห็นที่สอดคล้องกันหรือแตกต่างกันมาก ใน Excel สามารถใช้ฟังก์ชัน STDEV.S สำหรับข้อมูลตัวอย่าง เช่น =STDEV.S(A2:A31)
การตีความผลของค่าเฉลี่ยความพึงพอใจทำโดยการเปรียบเทียบกับเกณฑ์ที่กำหนดไว้ ซึ่งมีหลายแนวทางที่ใช้กันในงานวิจัยไทย แนวทางหนึ่งที่นิยมคือการแบ่งช่วงคะแนนเฉลี่ยออกเป็น 5 ระดับ ดังนี้ คะแนนเฉลี่ย 4.51-5.00 หมายถึงมีความพึงพอใจอยู่ในระดับมากที่สุด คะแนนเฉลี่ย 3.51-4.50 หมายถึงมีความพึงพอใจอยู่ในระดับมาก คะแนนเฉลี่ย 2.51-3.50 หมายถึงมีความพึงพอใจอยู่ในระดับปานกลาง คะแนนเฉลี่ย 1.51-2.50 หมายถึงมีความพึงพอใจอยู่ในระดับน้อย และคะแนนเฉลี่ย 1.00-1.50 หมายถึงมีความพึงพอใจอยู่ในระดับน้อยที่สุด ตัวอย่างเช่น หากคำนวณได้ว่าคะแนนเฉลี่ยของข้อคำถามหนึ่งเท่ากับ 4.35 ก็แปลว่าผู้เรียนมีความพึงพอใจในประเด็นนั้นอยู่ในระดับมาก
การนำเสนอผลการวิเคราะห์ความพึงพอใจควรทำในรูปแบบตารางที่แสดงค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของแต่ละข้อคำถาม พร้อมระบุระดับความพึงพอใจตามเกณฑ์ที่ใช้ นอกจากนี้ยังควรคำนวณค่าเฉลี่ยรวมของทุกข้อคำถามด้วย เพื่อแสดงภาพรวมของความพึงพอใจต่อนวัตกรรมทั้งหมด ตัวอย่างตารางอาจมีคอลัมน์ ลำดับข้อ รายการประเมิน ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และระดับความพึงพอใจ การวิเคราะห์เพิ่มเติมอาจรวมถึงการเปรียบเทียบระดับความพึงพอใจในด้านต่างๆ เพื่อดูว่าด้านใดได้คะแนนสูงสุดหรือต่ำสุด ซึ่งจะเป็นข้อมูลสำคัญในการปรับปรุงนวัตกรรมให้ดียิ่งขึ้น
ตัวอย่างการคำนวณใน Excel สำหรับความพึงพอใจ สมมติว่าเราสำรวจความพึงพอใจของนักเรียน 30 คน ต่อนวัตกรรมการเรียนการสอน โดยมีคำถาม 10 ข้อ แต่ละข้อใช้มาตรวัด 5 ระดับ (1-5 คะแนน) เราจัดข้อมูลโดยให้แต่ละแถวเป็นนักเรียนหนึ่งคน และแต่ละคอลัมน์เป็นคำถามหนึ่งข้อ สมมติคำถามข้อที่ 1 อยู่ในคอลัมน์ B แถวที่ 2 ถึงแถวที่ 31 เราสามารถคำนวณค่าเฉลี่ยของข้อที่ 1 โดยพิมพ์สูตร =AVERAGE(B2:B31) ในเซลล์ว่าง และคำนวณส่วนเบี่ยงเบนมาตรฐานโดยพิมพ์ =STDEV.S(B2:B31) ในเซลล์ถัดไป ทำแบบเดียวกันกับข้อคำถามอื่นๆ เมื่อได้ค่าเฉลี่ยของทุกข้อแล้ว เราสามารถคำนวณค่าเฉลี่ยรวมโดยการหาค่าเฉลี่ยของค่าเฉลี่ยทั้งหมด หรือใช้สูตร =AVERAGE(B2:K31) ถ้าคำถามทั้ง 10 ข้ออยู่ในคอลัมน์ B ถึง K
สรุปและข้อเสนอแนะ
การวิเคราะห์สถิติเป็นเครื่องมือสำคัญที่ช่วยให้งานวิจัยทางการศึกษามีความน่าเชื่อถือและสามารถนำไปใช้ประโยชน์ได้จริง เทคนิคทั้งสามที่กล่าวถึงในบทความนี้ คือ การหาประสิทธิภาพด้วยค่า E1/E2 การเปรียบเทียบผลสัมฤทธิ์ด้วย t-test และการวิเคราะห์ความพึงพอใจ ล้วนเป็นเทคนิคที่ครูและนักวิจัยไทยสามารถนำไปใช้ได้ง่ายด้วยโปรแกรม Microsoft Excel ซึ่งเป็นโปรแกรมที่หาได้ง่ายและคุ้นเคยกับผู้ใช้งานทั่วไป การเชี่ยวชาญเทคนิคเหล่านี้จะช่วยให้ผู้วิจัยสามารถประเมินคุณภาพของนวัตกรรมการเรียนการสอนได้อย่างรอบด้าน ทั้งในแง่ของประสิทธิภาพ ประสิทธิผล และความพึงพอใจของผู้เรียน
สำหรับครูและนักวิจัยที่เริ่มต้นทำวิจัย ข้อเสนอแนะคือควรเริ่มจากการทำความเข้าใจหลักการของแต่ละเทคนิคให้ดีก่อน จากนั้นจึงฝึกฝนการใช้โปรแกรม Excel โดยเริ่มจากข้อมูลจำลองหรือข้อมูลตัวอย่างขนาดเล็ก เมื่อมั่นใจแล้วจึงนำไปใช้กับข้อมูลจริงในงานวิจัยของตนเอง การเก็บข้อมูลที่ดีและถูกต้องเป็นรากฐานสำคัญของการวิเคราะห์ที่มีคุณภาพ ผู้วิจัยควรใส่ใจในการออกแบบเครื่องมือวิจัย ไม่ว่าจะเป็นแบบทดสอบหรือแบบสอบถาม ให้มีความเที่ยงตรงและความเชื่อมั่น รวมทั้งควรตรวจสอบความถูกต้องของข้อมูลก่อนนำไปวิเคราะห์
นอกจากนี้ ผู้วิจัยควรศึกษาเพิ่มเติมเกี่ยวกับข้อจำกัดและข้อควรระวังในการใช้แต่ละเทคนิค เช่น สมมติฐานของ t-test ที่กำหนดว่าข้อมูลควรมีการแจกแจงแบบปกติ หรือการตีความผลที่ต้องคำนึงถึงบริบทของการวิจัย ไม่ใช่แค่ดูตัวเลขเพียงอย่างเดียว การปรึกษาผู้เชี่ยวชาญทางสถิติหรือผู้ที่มีประสบการณ์ในการทำวิจัยก็เป็นสิ่งที่แนะนำ โดยเฉพาะในกรณีที่งานวิจัยมีความซับซ้อนหรือมีประเด็นที่ไม่แน่ใจ ความรู้และทักษะด้านการวิเคราะห์สถิติเป็นสิ่งที่สามารถพัฒนาได้ด้วยการเรียนรู้และฝึกฝนอย่างต่อเนื่อง ซึ่งจะเป็นทรัพยากรที่มีค่าสำหรับการพัฒนาคุณภาพการศึกษาไทยในระยะยาว
แหล่งข้อมูลเพิ่มเติม
สำหรับผู้ที่สนใจศึกษาเพิ่มเติมเกี่ยวกับการวิเคราะห์สถิติในงานวิจัยทางการศึกษา มีแหล่งเรียนรู้หลายแหล่งที่สามารถเข้าถึงได้ เช่น ตำราวิจัยทางการศึกษาของผู้เขียนไทย หลักสูตรอบรมออนไลน์ วิดีโอสอนการใช้ Excel สำหรับการวิเคราะห์สถิติ รวมถึงเอกสารและคู่มือจากมหาวิทยาลัยต่างๆ การเรียนรู้จากตัวอย่างงานวิจัยที่ตีพิมพ์แล้วก็เป็นวิธีที่ดีในการเข้าใจวิธีการนำเสนอผลการวิเคราะห์อย่างเหมาะสม นอกจากนี้ การเข้าร่วมชุมชนนักวิจัยออนไลน์หรือกลุ่มแลกเปลี่ยนเรียนรู้ระหว่างครูและนักวิจัยจะช่วยให้ได้รับคำแนะนำและประสบการณ์จากผู้อื่นที่เป็นประโยชน์ต่อการพัฒนาทักษะด้านการวิจัย
การทำวิจัยทางการศึกษาไม่ใช่เพียงการสร้างความรู้ใหม่เท่านั้น แต่ยังเป็นการพัฒนาตนเองและพัฒนาวิชาชีพครูไปพร้อมกัน ครูที่มีความรู้และทักษะด้านการวิจัยจะสามารถพัฒนาการเรียนการสอนของตนเองได้อย่างเป็นระบบ และสร้างนวัตกรรมที่ตอบสนองความต้องการของผู้เรียนได้อย่างแท้จริง การใช้เทคนิคการวิเคราะห์สถิติที่เหมาะสมจะช่วยให้งานวิจัยมีคุณภาพและน่าเชื่อถือ ซึ่งจะนำไปสู่การพัฒนาคุณภาพการศึกษาไทยในระยะยาวอย่างยั่งยืน ด้วยความตั้งใจและความมุ่งมั่นในการเรียนรู้ ครูและนักวิจัยทุกท่านสามารถเป็นส่วนหนึ่งของการขับเคลื่อนการศึกษาไทยให้ก้าวหน้าต่อไปได้
ตัวอย่างไฟล์เอกสาร
