Verileri Kaydetme – Tez Hazırlatma – Tez Yaptırma – Tez Yaptırma Fiyatları – Tez Örnekleri – Ücretli Tez Yazdırma – Tez Yaptırma Ücreti

Örnek Seçimi

Veri toplama normalde bir tür örneklemeyi içerir. Örnekten geçerli olarak çıkarılabilecek sonuçlar, hem örneklenen popülasyona hem de örneği oluşturmak için kullanılan prosedürlere kritik olarak bağlıdır.

Örneklem seçimindeki ilk adım, buna göre, örneklem alınacak ve ilginç sonuçlara varılmasına izin verecek bir hedef popülasyon seçmek ve sonuçların geçerli olacağı bir örneklem seçmektir.

Bunun fizik bilimci için bir sorun olması pek olası olmasa da, kesinlikle diğer birçok alanda, özellikle sosyal bilimlerde. Çoğu zaman, veri toplamanın katıksız maliyeti, öğrenciyi bu kriterlerin hiçbirini karşılamayan bazı “uygunluk örnekleri” yönüne iter.

Herhangi bir istatistiksel yöntem, ilgili bir etkiyi saptamak için makul bir olasılığa sahip olmak için belirli bir örneklem büyüklüğü gerektirir ve bu koşullarda yeterli verinin toplanması, öğrenci araştırmacının kullanabileceği kaynakların oldukça ötesinde olabilir.

Örneğin, bazı sosyal bilim projelerinin, yeterli gözleme dayanmadıkları için, umulan sonuçları üretmesi pek olası değildir. Bu gibi durumlarda, etkilerin ortaya çıkması için büyük bir örneklem gerekir.

Bir dizi durumda geçerli olan kaba bir kural, ihtiyaç duyulan örneklem büyüklüğünün, örnekten türetilen tahminlerin doğruluğunun karesiyle orantılı olmasıdır. Bu nedenle, doğruluğu iki katına çıkarmak için örnek boyutunu dört katına çıkarmak gerekir.

Veri toplamayı gerçekleştirmeden önce gerekli örneklem boyutunun çıkarılmasını sağlayan istatistiksel güç testi fikirlerinin potansiyel olarak birçok öğrenci araştırmacının ilgisini çektiği sonucu çıkmaktadır. Örnekleme için kullanılabilecek birçok farklı prosedür vardır ve okuyucu daha fazla ayrıntı için uzman bir metne başvurmalıdır.

Verileri Kaydetme

Deneysel tasarım modelinin birçok araştırma türüyle ilgisi tartışıldı. Bu modelin önemli bir yönü, faktörler fikridir ve en azından dolaylı olarak, tüm faktör seviyelerinin değerleri, gerçek ilgi ölçümleriyle birlikte kaydedilmelidir.

Bu, başka değişkenlerin ve dolayısıyla ölçümlerin söz konusu fenomenle ilgili olduğunun keşfedilmesine karşı koruma sağlar. Aynı şekilde, aylar sonra, araştırmacı bir hatayı düzeltmeye veya kökeni çoktan unutulmuş bir dizi rakamın kullanılıp kullanılamayacağına karar vermeye çalışırken, veri kaynakları ve toplama zamanı ve tarihi hakkındaki notlar son derece yararlı olabilir.

Her iki durumda da, yeterli ek bilgilerin kaydedilmesi, toplanan az sayıda verinin kullanılamaz olduğunun kanıtlanmasına yardımcı olacaktır. Ancak deneyim, bunun hiçbir şekilde her zaman böyle olmadığını gösteriyor.

Belirtildiği gibi, araştırmacılar veri toplama faaliyetlerini tekrarlamak zorunda kalarak boşa çaba harcarlar çünkü bazı bilgiler orijinal olarak atlanmıştır. Pratikte, ilk veri toplama gerçekleştiğinde ek ölçümler toplamak neredeyse her zaman kolaydır. Bu nedenle, veri kaydına ilişkin daha sonraki tartışmalarda, tam olarak hangi verilerin kaydedileceği konusunun dikkate alındığı ve şimdi bunların nasıl kaydedileceği üzerine odaklanıldığı varsayılacaktır.

Birincil veri toplamada, kayıt iki süreci içerebilir. İlk olarak, veriler, toplanacakları bağlamda mümkün olan bir şekilde yakalanmalı ve ardından, verilerin bilgisayar girdisine uygun bir forma dönüştürülmesi veya dönüştürülmesi genellikle gereklidir.

Drive yedekleme geri Yükleme
Yedekleme geri yükleme
Yedekleme nasıl yapılır
Google Drive yedekleme nasıl yapılır
Yedeklenen fotoğrafları geri yükleme
Telefon yedekleme nasıl Yapılır
Telefonda verileriniz yedeklenmiyor ne demek
Google yedekleme geri yükleme

Buradaki temel endişe, verilerin bilgisayar analizine uygun bir forma indirgenmesidir. Oran ve aralık ölçekli veriler zaten bu formdadır ve herhangi bir sorun teşkil etmez. Sıralı veriler, sıra olarak veya eşdeğer olarak harf kodları kullanılarak girilebilir – örneğin, A=1, B=2. Resimli verilerin şu veya bu şekilde sayılara dönüştürülmesi gerekir; günümüzde en yaygın yöntem dijital tarayıcı kullanmaktır.

Sayısallaştırılmış resim verilerinin sayısal olmasına rağmen çoğu analitik amaç için uygun olmadığını not ediyoruz; bir resim çok fazla sayısal veri üretiyor. Nominal veriler, bazı niteliklerin varlığını belirtmek için 1 rakamı (örneğin, öğe yeşildir) veya buna sahip değilse sıfır kullanılarak kaydedilebilir. Saf metinsel veriler için, onları oldukları gibi girmekten başka çok az seçenek vardır.

Transkripsiyon, ikincil veriler kullanıldığında dahil olan ana süreç olabilir. Bu iki aşamalı süreç en iyi ihtimalle biraz verimsizdir ve en kötü ihtimalle transkripsiyon aşamasında hatalara neden olabilir, bu nedenle verileri doğrudan bilgisayar analizine uygun bir biçimde toplayan otomatik veri toplama yöntemlerinin bariz çekicilikleri vardır.

Bu amaçla, kitaplardaki tablolar gibi yalnızca kağıt üzerinde var olan ikincil verileri kopyalamak için bir metin okuma paketiyle bağlantılı olarak bir dijital tarayıcı kullanmak normaldir. Ancak bu yapıldığında, özellikle bilgisayar olmayan yazı karakterleri kullanılarak üretilen eski belgelerde, transkripsiyonun tamamen doğru olması nadirdir.

Bu nedenle, dikkatli bir düzeltme süreci (elektronik metni bir yazım denetleyicisi aracılığıyla çalıştırarak düzyazı için büyük ölçüde kolaylaştırılan) gerçekleştirmek gereklidir. Bununla birlikte, bu tür işlemler, önemli bir çaba sarf etmeden tüm hataları bulmaz. Metin diğer araştırmacılar için faydalıysa, Web’e koymaya değer olabilir. Bu tür bilimsel cömertlik, Web’de, özellikle sanat ve beşeri bilimlerde pek çok materyalin kaynağı olmuştur.

Veri yakalama aşamasındaki hataların tespiti, veri işleme terminolojisine benzer şekilde, doğrulama olarak adlandırılabilir. Doğru transkripsiyonun sağlanması da benzer şekilde doğrulama olarak anılacaktır.

Doğrulama esas olarak mantıksız verilerin belirlenmesine dayanır: örneğin, hamile bir erkeği veya daha tipik olarak, ancak daha incelikli bir şekilde, bir dizi otoriter yanıtın ortasında bir bireyden gelen anormal bir liberal yanıtı kaydeden bir ankettir.

Aslında tüm anormallikler hata olmayacak ve bunun tersine, bu tür prosedürler doğru olabilecek ancak aslında olmayan verileri tanımlamayacaktır. Başarılı doğrulama, büyük ölçüde deneyime bağlıdır ve bu, veri toplama tekniklerinin kullanımı konusunda eğitimin gerekli olmasının bir nedenidir.

Doğrulama, kendisini daha mekanik yöntemlere borçludur. Örneğin, veri işlemedeki geleneksel yaklaşım, iki farklı kişinin aynı verileri bilgisayar sistemine girmesi ve daha sonra eğer aynıysa iki veri grubunu kabul etmesi, aksi halde bunları transkripsiyon hatası açısından incelemesidir.

Bu yaklaşım, aynı hatanın iki farklı kişi tarafından yapılmasının muhtemel olmadığı makul varsayımına dayanır. Bununla birlikte, öğrenci araştırmacının, giderek büyük ölçekli profesyonel anketlerle sınırlı hale gelen bu tür bir doğrulama için ödeme yapması olası değildir, bu nedenle, ona yaklaşmanın veya daha iyisi, veri girişinin kalitesini iyileştirmenin yollarını düşünmesi gerekir. 

akademi222 takımı

Biyografinin Tamamını Gör