A Review of <i>Data Analysis for the Behavioral Sciences Using SPSS</i>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The teaching of statistics in education and the social and behavioral sciences is a formidable task because students who take a statistics course come from two different streams: those who do and those who do not have an aptitude for quantitative methods. This is made even more complex when one crosses interest/lack of interest in quantitative methods with these aptitude categories into a four-fold table. There is, furthermore, little doubt that students' statistical preparation varies widely due to differential prior training in statistics as well as different levels of motivation and of math anxiety. However, for these various groups of students the hoped-for end product of taking a statistics course is their competence in applying sound statistical techniques to real data. Hence, a good textbook that integrates the concepts of statistics with data analysis is deemed to enhance student learning. In evaluating a statistics text, a number of important criteria should be taken into consideration: the intended audience, the coverage of topics, a balance between concepts and computations, the quality of the exercises and solutions, and text readability and writing style (Huberty & Barton, 1990; Harwell, Herrick, Curtis, Mundfrom, & Gold, 1996). It is also worth noting that with regard to applying statistical concepts students should be given proper hands-on training in using data analysis software packages. With this in mind, we review Weinberg and Abramowitz's (2002) textbook entitled Data Analysis for the Behavioral Sciences Using SPSS. Our review follows the structure provided by the textbook evaluation criteria described above.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle