Η παραγοντική ανάλυση των αντιστοιχιών (Correspondence analysis) και εφαρμογή της, με χρήση του Spss, σε δεδομένα έρευνας για την αξιοποίηση Τεχνολογιών Πληροφορίας και Επικοινωνίας (ΤΠΕ) στην πρωτοβάθμια εκπαίδευση
Bibliographic record
Abstract
Η παρούσα διπλωματική εργασία ασχολείται με πολυδιάστατα κατηγορικά δεδομένα όπως αυτά προκύπτουν από συλλογή μέσω ερωτηματολογίων. Για να αναλυθεί όμως ένα ερωτηματολόγιο το οποίο περιλαμβάνει πλήθος ερωτήσεων-μεταβλητών και να εξάγουμε ορισμένα χρήσιμα συμπεράσματα θα πρέπει, πρώτα από όλα να γίνει η κατάλληλη κωδικοποίηση των δεδομένων. Χρησιμοποιώντας στατιστικές τεχνικές και μεθόδους κατάλληλες για κατηγορικά δεδομένα μπορούμε πιο εύκολα να μελετήσουμε τις σχέσεις μεταξύ των μεταβλητών. Για τον σκοπό αυτό, παρουσιάζουμε και αναλύουμε τη θεωρία της Παραγοντικής Ανάλυσης των Αντιστοιχιών και της Πολλαπλής Παραγοντικής Ανάλυσης των Αντιστοιχιών. Ύστερα, αναλύουμε τα αποτελέσματα που δίνουν οι μέθοδοι όταν τις χρησιμοποιήσουμε για την ανάλυση του ερωτηματολογίου. Τα συμπεράσματα που προκύπτουν έχουν ιδιαίτερο ενδιαφέρον. Η δυναμικότητα των μοντέλων αυτών παρουσιάζεται μέσα από μία εφαρμογή από τον χώρο των κοινωνικών επιστημών σε θέματα που αφορούν τα σχολεία και τους μαθητές της Πρωτοβάθμιας εκπαίδευσης. Στις μεθόδους αυτές δίνεται έμφαση κυρίως στα γραφικά αποτελέσματα αλλά και στις εκτιμήσεις των σκορ των κατηγοριών των μεταβλητών. Όλα τα παραπάνω τα συγκρίνουμε κριτικά μεταξύ τους στη θεωρία και στη πράξη έτσι ώστε ο ενδιαφερόμενος αναγνώστης να κατανοήσει περισσότερο τις μεθόδους αυτές και να αποκομίσει όσο το δυνατόν περισσότερες πληροφορίες που θα τον βοηθήσουν για την εφαρμογή τους.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.024 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.044 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".