From Labels to Profiles: Using Discriminant Analysis to Deepen Post Hoc ANOVA Results
Notice bibliographique
Résumé
In educational research, the Analysis of Variance (ANOVA) is a cornerstone method for detecting differences among group means. Yet, post hoc test results are often reported superficially—merely identifying which groups differ without explaining how or why. This paper introduces discriminant analysis as a complementary multivariate technique that deepens the interpretation of post hoc ANOVA results by moving beyond group labels to develop rich, descriptive profiles of group characteristics. It provides a step-by-step guide for applying discriminant analysis to the homogeneous subsets identified in post hoc testing, including specific recommendations for accessible software options such as SPSS, Excel with add-ins, and the open-source R programming language. To illustrate this method, data are presented from a national study of Japanese nursing educators, in which initial ANOVA and post hoc tests revealed significant differences in teaching style across educational philosophy clusters. Applying discriminant analysis yielded detailed profiles that clarified the distinction between Teacher-Centered and Learner-Centered orientations, transforming the findings from basic group differences to actionable insights. This enhanced method bridges the gap between statistical significance and interpretability, offering clear benefits for educators, researchers, and policymakers. By integrating ANOVA, post hoc testing, and discriminant analysis, researchers can move from detecting group differences to fully describing them, enriching both methodological rigor and practical application across educational and social science research.
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.
Comment cette classification a été obtenuedéplier
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 | 0,011 | 0,170 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».