រូបភាព៖ ដ្យាក្រាមគំរូចៃដន្យសាមញ្ញ (Wikimedia Commons)វិធីសាស្ត្រគំរូ និងកម្លាំងស្ថិតិ (Sampling Methods & Statistical Power)៖ តើគំរូប៉ុន្មាននាក់ទៅជា «គ្រប់គ្រាន់»?
មិនថាអ្នកធ្វើការស្ទង់មតិលើប្រជាជន ១០០០ នាក់ ឬសម្ភាសន៍ជម្រៅអ្នកចូលរួម ១២ នាក់ទេ សំណួរដូចគ្នានឹងកើតឡើងជានិច្ច៖ តើធ្វើដូចម្ដេចទើបខ្ញុំជ្រើសរើសបានត្រឹមត្រូវ ហើយតើគំរូនេះគ្រប់គ្រាន់ដែរឬទេ ដើម្បីការពារការអះអាងរបស់ខ្ញុំ? មេរៀននេះដើរតាមការជ្រើសរើសគំរូពីប្រជាជន ការគណនាទំហំគំរូ ការវិភាគកម្លាំងស្ថិតិ រហូតដល់ការជជែកគ្នាអំពី «ភាពឆ្អែតទិន្នន័យ» ក្នុងការស្រាវជ្រាវគុណភាព។
🎯 គោលបំណងនៃមេរៀន — បន្ទាប់ពីអានចប់ អ្នកនឹងអាច៖
- បែងចែករវាង ប្រជាជនគោលដៅ (target population) ប្រជាជនចូលដំណើរការបាន (accessible population) ក្របខ័ណ្ឌគំរូ (sampling frame) និងគំរូ (sample) ហើយពន្យល់ពីកំហុសគំរូ (sampling error) ទល់នឹងលម្អៀង (bias)។
- រៀបរាប់ពីវិធីគំរូតាមប្រូបាប៊ីលីតេទាំង ៥ (សាមញ្ញចៃដន្យ ប្រព័ន្ធ ស្រទាប់ ចង្កោម ពហុដំណាក់កាល) និងវិធីមិនប្រូបាប៊ីលីតេទាំង ៤ (ងាយស្រួល កូតា ចេតនា បណ្ដាស្រឡាយ) ជាមួយឧទាហរណ៍អន្តរជាតិ។
- គណនាទំហំគំរូសម្រាប់ការសិក្សាបរិមាណ ដោយប្រើរូបមន្តសមាមាត្រ ហើយពន្យល់ពីធាតុចូលចាំបាច់។
- ពន្យល់ការវិភាគកម្លាំងស្ថិតិ (power analysis) — alpha, power/beta, ទំហំផលប៉ះពាល់ (effect size) — ហើយប្រើគំនិតនោះដើម្បីកំណត់ទំហំគំរូមុនការសិក្សា។
- ការពារទំហំគំរូក្នុងការស្រាវជ្រាវគុណភាព ដោយប្រើគំនិត «ភាពឆ្អែតទិន្នន័យ» និង «កម្លាំងព័ត៌មាន» ជាជាងច្បាប់រូបមន្តតែមួយ។
⚡ សង្ខេបក្នុង ៣០ វិនាទី
- គំរូមិនមែនចៃដន្យទាំងអស់។ ប្រូបាប៊ីលីតេសំខាន់ (simple random, stratified, cluster, multistage, systematic) ធានាថាគ្រប់ឯកតាមានឱកាសត្រូវបានជ្រើសដែលស្គាល់ — ដូច្នេះអាចធ្វើទូទៅនីយកម្មតាមស្ថិតិបាន។
- មិនប្រូបាប៊ីលីតេ (ងាយស្រួល កូតា ចេតនា បណ្ដាស្រឡាយ) មានប្រយោជន៍ខ្លាំងនៅពេលចូលដំណើរការពិបាក ឬនៅពេលគោលដៅគឺយល់ជ្រៅ មិនមែនធ្វើទូទៅនីយកម្មតាមស្ថិតិទេ។
- ទំហំគំរូបរិមាណ គណនាបានពីរូបមន្ត ដោយផ្អែកលើកម្រិតទំនុកចិត្ត កំហុសដែលអាចទទេ និងប្រែប្រួលរំពឹងទុក — ហើយ ការវិភាគកម្លាំងស្ថិតិ បន្ថែម alpha, power និងទំហំផលប៉ះពាល់ចូលទៀត។
- ការសិក្សាដែលមិនមានកម្លាំងស្ថិតិគ្រប់គ្រាន់ (underpowered) អាចខកខានរកឃើញផលប៉ះពាល់ពិតប្រាកដ — នេះជាកំហុសដែលគណៈកម្មការជិះជាន់ខ្លាំងបំផុត។
- ក្នុងការស្រាវជ្រាវគុណភាព ទំហំគំរូមិនមានរូបមន្តដែលឯកភាពទេ — ត្រូវការពាររបៀបកំណត់ «ភាពឆ្អែតទិន្នន័យ» ឬ «កម្លាំងព័ត៌មាន» ជាជាងយកលេខពីការសិក្សាដទៃមកចម្លង។
០១ · ហេតុអ្វីសំខាន់ហេតុអ្វីគ្មានការសិក្សាណាដែលមិនធ្វើការគំរូ
ការសិក្សាស្រាវជ្រាវភាគច្រើន មិនអាចទៅសួរ ឬវាស់គ្រប់គ្នាក្នុងប្រជាជនគោលដៅបានទេ — វាថ្លៃពេក យឺតពេក ឬអសកម្មទាំងស្រុង។ ដូច្នេះអ្នកស្រាវជ្រាវ ជ្រើសរើស គំរូ (sample) ជាផ្នែកតូចមួយ ហើយប្រើវាសន្និដ្ឋានអំពី ប្រជាជន (population) ទាំងមូល។ ជ្រើសខុស ហើយលទ្ធផលទាំងមូលនឹងគ្មានតម្លៃ — ទោះបីការវិភាគស្ថិតិក្រោយមកត្រឹមត្រូវបំផុតក៏ដោយ។ នេះមិនមែនជាជំហានបច្ចេកទេសតូចតាចទេ វាកំណត់ថាការអះអាងរបស់អ្នកអាចអនុវត្តលើអ្នកណា។
ត្រូវបែងចែក កំហុសគំរូ (sampling error) ពី លម្អៀងគំរូ (sampling bias) ឱ្យបានច្បាស់។ កំហុសគំរូ គឺជាភាពខុសគ្នារវាងលក្ខណៈគំរូ និងលក្ខណៈប្រជាជន ដែលកើតឡើងដោយចៃដន្យ ព្រោះគំរូមិនមែនជាប្រជាជនទាំងមូល — វាថយចុះនៅពេលទំហំគំរូកើនឡើង ហើយអាចប៉ាន់ស្មានតាមស្ថិតិបាន។ លម្អៀងវិញ គឺជាភាពខុសគ្នាជាប្រព័ន្ធ ដែលមិនថយចុះទោះទំហំគំរូកើនឡើងប៉ុណ្ណាក៏ដោយ — ឧទាហរណ៍ ការស្ទង់មតិតាមទូរស័ព្ទផ្ទះនៅសហរដ្ឋអាមេរិកឆ្នាំ ១៩៣៦ (Literary Digest) ខុសឆ្គងព្យាករណ៍ការបោះឆ្នោត ព្រោះអ្នកដែលមានទូរស័ព្ទផ្ទះគឺមានជីវភាពខ្ពស់ជាងមធ្យម — ជាឧទាហរណ៍ថ្នាក់បណ្ឌិតដ៏ល្បីបំផុតនៃលម្អៀងការជ្រើសរើស (selection bias)។
✅ ចំណុចសំខាន់
ទំហំគំរូធំ មិនអាចកែលម្អលម្អៀងបានទេ។ ការស្ទង់មតិលម្អៀងដែលមានចម្លើយ ១ លាន នៅតែលម្អៀងដូចការស្ទង់មតិលម្អៀងដែលមានចម្លើយ ១០០០។ ដំណោះស្រាយចំពោះលម្អៀង គឺការរចនាវិធីគំរូឱ្យត្រឹមត្រូវ មិនមែនការបង្កើនទំហំគំរូទេ។
០២ · និយមន័យប្រជាជន ក្របខ័ណ្ឌគំរូ និងឯកតាគំរូ
មុននឹងជ្រើសវិធីគំរូណាមួយ ត្រូវកំណត់ច្បាស់លាស់អំពីពាក្យគន្លឹះចំនួន ៤៖
ភាពមិនផ្គូផ្គងគ្នារវាងប្រជាជនគោលដៅ និងក្របខ័ណ្ឌគំរូ ហៅថា កំហុសក្របខ័ណ្ឌ (coverage error) — ឧទាហរណ៍ បញ្ជីគ្រូចុះឈ្មោះដែលមិនទាន់ធ្វើបច្ចុប្បន្នភាព អាចខកខានគ្រូថ្មី ឬរួមបញ្ចូលគ្រូដែលឈប់ធ្វើការរួចហើយ។ សូមកត់សម្គាល់ផងដែរពី ចន្លោះចំលើយ (response rate) — ភាគរយអ្នកដែលជ្រើសរើសបានឆ្លើយពិតប្រាកដ។ ចន្លោះចំលើយទាប មិនមានន័យថាការសិក្សាខូចដោយស្វ័យប្រវត្តិទេ ប៉ុន្តែវាបង្កការប្រឈមសម្រាប់ លម្អៀងអនុលោម (non-response bias) ប្រសិនបើអ្នកដែលមិនឆ្លើយ ខុសគ្នាជាប្រព័ន្ធពីអ្នកដែលឆ្លើយ — ឧ. ក្នុងការស្ទង់មតិសុខភាពផ្លូវចិត្តអនឡាញមួយនៅប្រទេសកាណាដា អ្នកដែលមានជំងឺធ្លាក់ទឹកចិត្តធ្ងន់ធ្ងរ អាចនឹងមិនមានកម្លាំង ឬចំណាប់អារម្មណ៍ឆ្លើយ។
០៣ · គោលគំនិតស្នូលគោលគំនិត ៤ ដែលវិនិច្ឆ័យគុណភាពគំរូណាមួយ
ទោះជ្រើសវិធីគំរូណាក៏ដោយ គណៈកម្មការជិះជាន់ជានិច្ចលើលក្ខណៈវិនិច្ឆ័យ ៤ ដូចខាងក្រោម។
ភាពតំណាង (Representativeness)
- តើគំរូឆ្លុះបញ្ចាំងលក្ខណៈសំខាន់ៗនៃប្រជាជនឬទេ (អាយុ ភេទ ទីតាំង)?
- សុពលភាពសំខាន់សម្រាប់ការធ្វើទូទៅនីយកម្មតាមស្ថិតិ
សុពលភាពខាងក្រៅ (External Validity)
- តើលទ្ធផលអាចអនុវត្តលើបរិបទ ឬក្រុមផ្សេងទៀតបានដែរឬទេ?
- អាស្រ័យលើវិធីគំរូ និងលក្ខណៈនៃការសិក្សា
សម្រាប់ការសិក្សាគុណភាព ភាពតំណាងតាមស្ថិតិមិនមែនជាគោលដៅទេ — គោលដៅគឺ ភាពអាចផ្ទេរបាន (transferability)៖ អ្នកអាននឹងវិនិច្ឆ័យថាលទ្ធផលអាចផ្ទេរទៅបរិបទរបស់ពួកគេបានឬទេ ដោយផ្អែកលើការពិពណ៌នាបរិបទដ៏ក្រាស់ (thick description) របស់អ្នកស្រាវជ្រាវ។
០៤ · ក្របខ័ណ្ឌពីប្រជាជន ទៅការអះអាង៖ ផ្លូវពីរដែលបែកគ្នា
ដំណើរការគំរូទាំងមូល អាចសង្ខេបជាខ្សែសង្វាក់តែមួយ ដែលបែកជាពីរផ្លូវធំៗ អាស្រ័យលើថាតើឯកតានីមួយៗមានឱកាសត្រូវបានជ្រើសរើសដែលស្គាល់ (ប្រូបាប៊ីលីតេ) ឬអត់ (មិនប្រូបាប៊ីលីតេ)។
សូមកត់សម្គាល់ថា ជំហានទី ③ មិនមែនជាជម្រើសដោយចិត្តគំនិតទេ — វាកំណត់ដោយ សំណួរស្រាវជ្រាវ (តើអ្នកចង់ប៉ាន់ប៉ាមេគុណប្រជាជន ឬយល់ដឹងពីបទពិសោធន៍ជ្រៅ?) ធនធាន (ពេលវេលា ថវិកា) និង ការចូលដំណើរការ (តើមានក្របខ័ណ្ឌគំរូពិតប្រាកដដែរឬទេ?)។
០៥ · ប្រូបាប៊ីលីតេ ១គំរូសាមញ្ញចៃដន្យ និងគំរូប្រព័ន្ធ
គំរូសាមញ្ញចៃដន្យ (Simple Random Sampling, SRS) គឺជាទម្រង់មូលដ្ឋានបំផុត៖ ឯកតាគ្រប់រូបក្នុងក្របខ័ណ្ឌគំរូ មានឱកាសស្មើគ្នាត្រូវបានជ្រើសរើស ហើយការជ្រើសរើសឯកតាមួយមិនប៉ះពាល់ឱកាសរបស់ឯកតាផ្សេង។ ជាធម្មតាធ្វើដោយលេខចៃដន្យកុំព្យូទ័រ លើបញ្ជីឯកតាដែលមានលេខរៀង។
គំរូប្រព័ន្ធ (Systematic Sampling) ជ្រើសរើសគ្រប់ឯកតាទី k (ចន្លោះគំរូ k = ទំហំប្រជាជន ÷ ទំហំគំរូ) បន្ទាប់ពីជ្រើសចំណុចចាប់ផ្ដើមដោយចៃដន្យ។ វាងាយអនុវត្តជាង SRS ជាពិសេសលើបញ្ជីយូរ ប៉ុន្តែប្រឈមគ្រោះថ្នាក់ប្រសិនបើបញ្ជីមានលំនាំដុំកក់ (periodicity) ដែលផ្គូផ្គងនឹងចន្លោះ k។
✅ ឧទាហរណ៍ជាក់ស្ដែង — ប្រព័ន្ធផ្គត់ផ្គង់ទឹកស្អាតនៅប្រទេសម៉ុងហ្គោលី
អង្គការស្រាវជ្រាវសុខភាពសាធារណៈមួយ ចង់ប៉ាន់ប៉ាភាគរយគ្រួសារនៅទីក្រុងឧឡានបាទ័រ ដែលមានទឹកផឹកមិនមានសុវត្ថិភាព។ ពួកគេប្រើបញ្ជីគ្រួសារពីការិយាល័យអត្រានុកូលដ្ឋានមូលដ្ឋានជាក្របខ័ណ្ឌគំរូ (N=៤២,០០០ គ្រួសារ) ហើយចង់បានគំរូ n=៦០០។ ចន្លោះគំរូ k=៧០ — ជ្រើសចំណុចចាប់ផ្ដើមដោយចៃដន្យ (ឧ. ទី ២៣) រួចយកគ្រួសារទី ២៣, ៩៣, ១៦៣…រហូតដល់គ្រប់គំរូ។
០៦ · ប្រូបាប៊ីលីតេ ២គំរូស្រទាប់ (Stratified Sampling)
គំរូស្រទាប់ ចែកប្រជាជនជាក្រុមតូចៗ ដែលមិនត្រួតគ្នា (ស្រទាប់ ឬ strata) ដោយផ្អែកលើលក្ខណៈពាក់ព័ន្ធនឹងសំណួរស្រាវជ្រាវ (ឧ. តំបន់ ភេទ កម្រិតសេដ្ឋកិច្ច) រួចធ្វើគំរូចៃដន្យដោយឡែកក្នុងស្រទាប់នីមួយៗ។ វិធីនេះត្រូវបានផ្ដល់មូលដ្ឋានទ្រឹស្ដីដ៏រឹងមាំដោយ Jerzy Neyman ក្នុងអត្ថបទឆ្នាំ ១៩៣៤ ដែលបង្ហាញថា ការបែងចែកគំរូសមាមាត្រតាមទំហំស្រទាប់ (proportionate allocation) ឬតាមការប្រែប្រួលក្នុងស្រទាប់ (Neyman allocation) អាចកាត់បន្ថយកំហុសគំរូ ជាងគំរូសាមញ្ញចៃដន្យ ក្នុងទំហំគំរូដូចគ្នា។
✅ ឧទាហរណ៍ជាក់ស្ដែង — ការធ្វើតេស្តអក្ខរកម្មសាលាបឋមសិក្សានៅប្រទេសកាណា
ក្រសួងអប់រំប្រទេសកាណា ចង់ប៉ាន់ប៉ាអត្រាអក្ខរកម្មនិស្សិតថ្នាក់ទី ៣ ទូទាំងប្រទេស ដែលមាន ១៦ តំបន់ (regions) មានភាពខុសគ្នាខ្លាំងផ្នែកសេដ្ឋកិច្ច និងទីតាំង (ទីក្រុង/ជនបទ)។ ពួកគេចែកសាលាជា ១៦×២=៣២ ស្រទាប់ (តំបន់ × ទីក្រុង/ជនបទ) រួចជ្រើសរើសសាលាដោយចៃដន្យក្នុងស្រទាប់នីមួយៗ ដោយបែងចែកចំនួនសាលាសមាមាត្រទៅនឹងចំនួនសិស្សក្នុងស្រទាប់នោះ (proportionate allocation)។ វិធីនេះធានាថា តំបន់ដាច់ស្រយាលមិនត្រូវបានមើលរំលង ហើយអនុញ្ញាតឱ្យប្រៀបធៀបលទ្ធផលរវាងតំបន់បានដោយផ្ទាល់។
០៧ · ប្រូបាប៊ីលីតេ ៣គំរូចង្កោម និងគំរូពហុដំណាក់កាល
គំរូចង្កោម (Cluster Sampling) ជ្រើសរើសក្រុមទាំងមូល (ចង្កោម — ឧ. សាលា ភូមិ មណ្ឌលសុខភាព) ដោយចៃដន្យ រួចសិក្សាគ្រប់ឯកតាក្នុងចង្កោមដែលបានជ្រើស ជាជាងជ្រើសឯកតាដោយឡែកពីគ្រប់ទីកន្លែង។ វាសន្សំសំចៃចំណាយធ្វើដំណើរយ៉ាងច្រើន ប៉ុន្តែបង្កើន ឥទ្ធិពលការរចនា (design effect) ព្រោះឯកតាក្នុងចង្កោមតែមួយ ច្រើនតែស្រដៀងគ្នា (ឧ. គ្រួសារក្នុងភូមិតែមួយ ប្រឈមហានិភ័យជំងឺដូចគ្នា) — ដូច្នេះត្រូវការទំហំគំរូសរុបធំជាង SRS ដើម្បីទទួលបានភាពត្រឹមត្រូវដូចគ្នា។
គំរូពហុដំណាក់កាល (Multistage Sampling) បន្តគំនិតចង្កោម ដោយធ្វើគំរូជាដំណាក់ជាបន្តបន្ទាប់ — ជ្រើសខេត្ត → ជ្រើសស្រុកក្នុងខេត្តនោះ → ជ្រើសភូមិក្នុងស្រុកនោះ → ជ្រើសគ្រួសារក្នុងភូមិនោះ។ វិធីនេះជាវិធីដែលការស្ទង់មតិសុខភាពគ្រួសារធំៗ (ឧ. Demographic and Health Surveys, DHS) ប្រើជាស្ដង់ដារ។
✅ ឧទាហរណ៍ជាក់ស្ដែង — ការស្ទង់មតិសុខភាពមាតានិងកុមារនៅប្រទេសប៉េរូ
ក្រុមស្រាវជ្រាវសុខភាពសហគមន៍ចង់ប៉ាន់ប៉ាអត្រាវ៉ាក់សាំងកុមារក្នុងតំបន់អាម៉ាហ្សូនជនបទរបស់ប្រទេសប៉េរូ ដែលគ្មានបញ្ជីគ្រួសារពេញលេញ។ ពួកគេប្រើគំរូពហុដំណាក់កាល ៣ ជាន់៖ (១) ជ្រើសស្រុក ២០ ដោយចៃដន្យពីស្រុកសរុប ១២០ ដែលមានទម្ងន់តាមចំនួនប្រជាជន (probability proportional to size) (២) ក្នុងស្រុកនីមួយៗ ជ្រើសភូមិ ៤ ដោយចៃដន្យ (៣) ក្នុងភូមិនីមួយៗ ប្រើគំរូប្រព័ន្ធ ដើរផ្ទះលេខទី ១ រាល់ផ្ទះទី ៥ រហូតបាន ១៥ គ្រួសារ។ ដំណាក់កាលចុងក្រោយធ្វើ ដោយមិនចាំបាច់មានបញ្ជីគ្រួសារជាមុនទេ — ជាបច្ចេកទេសទូទៅសម្រាប់តំបន់ដែលគ្មានក្របខ័ណ្ឌគំរូ។
០៨ · មិនប្រូបាប៊ីលីតេ ១គំរូងាយស្រួល និងគំរូកូតា
គំរូងាយស្រួល (Convenience Sampling) ជ្រើសរើសអ្នកចូលរួមណាដែលអាចចូលដំណើរការងាយបំផុត — ឧ. សិស្សនៅថ្នាក់ខ្លួនឯង អ្នកដើរឆ្លងកាត់មួយកន្លែង។ វារហ័ស ថោក ប៉ុន្តែប្រឈមហានិភ័យខ្ពស់ចំពោះលម្អៀងការជ្រើសរើស ហើយលទ្ធផលមិនអាចធ្វើទូទៅនីយកម្មលើសពីក្រុមស្រដៀងគំរូបានទេ។ គំរូកូតា (Quota Sampling) ជួសជុលចំណុចខ្វះខាតនោះខ្លះ ដោយកំណត់កូតាចំនួនអ្នកចូលរួមតាមប្រភេទជាមុន (ឧ. ប្រុស ១៥០ ស្រី ១៥០) ដើម្បីឱ្យគំរូឆ្លុះបញ្ចាំងសមាមាត្រប្រជាជនតាមលក្ខណៈគោល ប៉ុន្តែការជ្រើសរើសក្នុងកូតានីមួយៗ នៅតែមិនចៃដន្យ — ជាធម្មតាអ្នកសម្ភាសន៍នៅតែជ្រើសរើសអ្នកណាដែលងាយរកបំផុតក្នុងកូតានោះ។
✅ ឧទាហរណ៍ជាក់ស្ដែង — ការស្ទង់មតិទីផ្សារទូរស័ព្ទដៃនៅប្រទេសវៀតណាម
ក្រុមហ៊ុនស្រាវជ្រាវទីផ្សារមួយ ត្រូវការយល់ដឹងរហ័សអំពីចំណង់ចំណូលចិត្តម៉ាកទូរស័ព្ទដៃ ក្នុងរយៈពេល ១ សប្ដាហ៍ និងថវិកាកំណត់។ ពួកគេកំណត់កូតា៖ អាយុ ១៨–២៥ (៣០%) ២៦–៤០ (៤០%) ៤០+ (៣០%) × ភេទប្រុស/ស្រី ដូចគ្នា រួចផ្ញើអ្នកសម្ភាសន៍ទៅផ្សារទំនើប ៥ កន្លែងក្នុងទីក្រុងហូជីមិញ ដើម្បីបំពេញកូតានីមួយៗ។ របាយការណ៍ចុងក្រោយ ត្រូវកត់សម្គាល់ជាក់ច្បាស់ថា លទ្ធផលឆ្លុះបញ្ចាំងតែអ្នកទិញឥវ៉ាន់នៅផ្សារទំនើបប៉ុណ្ណោះ មិនមែនអ្នកប្រើប្រាស់ទូទាំងប្រទេសទេ។
០៩ · មិនប្រូបាប៊ីលីតេ ២គំរូចេតនា និងគំរូបណ្ដាស្រឡាយ
គំរូចេតនា (Purposive Sampling) ជ្រើសរើសអ្នកចូលរួមដោយចេតនា ព្រោះពួកគេមានចំណេះដឹង បទពិសោធន៍ ឬលក្ខណៈពិសេសដែលពាក់ព័ន្ធបំផុតនឹងសំណួរស្រាវជ្រាវ — មិនមែនដើម្បីតំណាងប្រជាជនទាំងមូលតាមស្ថិតិទេ។ មានទម្រង់រងជាច្រើន៖ typical case (ករណីធម្មតា) extreme/deviant case (ករណីចុងផ្អៀង) maximum variation (ជ្រើសដើម្បីគ្របដណ្ដប់ភាពចម្រុះអតិបរមា) និង expert/key informant (អ្នកជំនាញ)។
គំរូបណ្ដាស្រឡាយ (Snowball Sampling) ជាទម្រង់រងនៃការជ្រើសរើសដោយចេតនា ដែលចូលរួមដំបូងណែនាំអ្នកចូលរួមបន្ទាប់ — មានប្រយោជន៍ជាពិសេសចំពោះប្រជាជនលាក់កំបាំង ឬពិបាកកំណត់ (ដែលគ្មានក្របខ័ណ្ឌគំរូពិតប្រាកដ) ដូចជាអ្នកធ្វើការក្រៅប្រព័ន្ធផ្លូវការ ជនភៀសខ្លួន ឬអ្នកប្រើប្រាស់សារធាតុញៀន។
✅ ឧទាហរណ៍ជាក់ស្ដែង — អ្នកធ្វើការក្រៅប្រព័ន្ធផ្លូវការនៅទីក្រុងឡាបាស ប្រទេសប៉ូលីវី
និស្សិតបណ្ឌិតម្នាក់ ចង់យល់ដឹងពីយុទ្ធសាស្ត្រគ្រប់គ្រងហានិភ័យហិរញ្ញវត្ថុរបស់អ្នកលក់ដូរតាមផ្លូវនៅទីក្រុងឡាបាស — ជាក្រុមដែលគ្មានបញ្ជីចុះឈ្មោះផ្លូវការ ហើយជាទូទៅមិនទុកចិត្តអ្នកស្រាវជ្រាវភ្លាមៗ។ គាត់ចាប់ផ្ដើមពី «គ្រាប់ពូជ» ៤ នាក់ (តាមរយៈអង្គការក្រៅរដ្ឋាភិបាលមូលដ្ឋាន) រួចសុំឱ្យអ្នកចូលរួមនីមួយៗណែនាំមិត្តរួមការងារ ២–៣ នាក់ទៀត។ បន្ទាប់ពីជុំទី ៣–៤ គាត់កត់សម្គាល់ថា បណ្ដាញចូលមកជិះជាន់គ្នា (ឧ. ត្រូវបានណែនាំដោយមនុស្សច្រើនជាងម្នាក់) — ជាសញ្ញាបញ្ជាក់ថាបណ្ដាញនៃក្រុមនេះត្រូវបានគ្របដណ្ដប់គ្រប់គ្រាន់។
១០ · គំរូតាមទ្រឹស្ដីគំរូតាមទ្រឹស្ដី (Theoretical Sampling) ក្នុង Grounded Theory
Grounded theory (Glaser & Strauss, ១៩៦៧) ប្រើវិធីគំរូផ្សេងពីគេទាំងអស់៖ គំរូតាមទ្រឹស្ដី។ អ្នកស្រាវជ្រាវមិនកំណត់ទំហំគំរូទាំងមូលជាមុនទេ — ជំនួសមកវិញ ជ្រើសរើសករណីបន្ទាប់ដោយផ្អែកលើក្រោបគំនិតដែលកំពុងលេចចេញពីការវិភាគជាបន្តបន្ទាប់។ ប្រសិនបើការវិភាគជំុទី ៣ លើកឡើងថា «ទំនុកចិត្តចំពោះគ្រូពេទ្យ» ជាក្រោបគំនិតសំខាន់ អ្នកស្រាវជ្រាវនឹងសួរជាពិសេសចំពោះអ្នកដែលមានទស្សនៈខុសគ្នាអំពីទំនុកចិត្តនោះ ជាជាងបន្តសួរសំណួរដូចគ្នាទៀត។ ដំណើរការនេះបន្តរហូតដល់ ភាពឆ្អែតតាមទ្រឹស្ដី (theoretical saturation) — ចំណុចដែលករណីថ្មីមិនបង្ហាញលក្ខណៈថ្មីនៃក្រោបគំនិតនោះទៀត។ យើងនឹងពិភាក្សាគំនិត «ភាពឆ្អែត» ឱ្យបានលម្អិតនៅផ្នែកទី ១៥។
១១ · សង្ខេបតារាងប្រៀបធៀបវិធីគំរូទាំងអស់
តារាងខាងក្រោមសង្ខេបលក្ខណៈសំខាន់ៗ។ (អូសតារាងទៅឆ្វេង–ស្ដាំ លើទូរសព្ទ)
| វិធីគំរូ | ប្រភេទ | តម្រូវការក្របខ័ណ្ឌ | ល្អសម្រាប់ | ការអះអាងដែលអាចធ្វើបាន |
|---|---|---|---|---|
| សាមញ្ញចៃដន្យ | ប្រូបាប៊ីលីតេ | បញ្ជីពេញលេញ | ប្រជាជនតូច ដូចគ្នាខាងក្នុង | ធ្វើទូទៅនីយកម្មតាមស្ថិតិ + ចន្លោះទំនុកចិត្ត |
| ប្រព័ន្ធ | ប្រូបាប៊ីលីតេ | បញ្ជីពេញលេញ មិនមានលំនាំដុំកក់ | បញ្ជីយូរ ឬចូលដំណើរការជាបន្តបន្ទាប់ | ដូចសាមញ្ញចៃដន្យ |
| ស្រទាប់ | ប្រូបាប៊ីលីតេ | បញ្ជី + អថេរចែកស្រទាប់ | ប្រៀបធៀបក្រុមរង ឬកាត់បន្ថយកំហុសគំរូ | ធ្វើទូទៅនីយកម្ម + ប៉ាន់ប៉ាតាមស្រទាប់ |
| ចង្កោម / ពហុដំណាក់កាល | ប្រូបាប៊ីលីតេ | បញ្ជីចង្កោម (មិនមែនឯកតាទាំងអស់) | ប្រជាជនធំ រាយប៉ាយភូមិសាស្ត្រ | ធ្វើទូទៅនីយកម្ម (ត្រូវកែតម្រូវ design effect) |
| ងាយស្រួល | មិនប្រូបាប៊ីលីតេ | គ្មាន | ការសិក្សាលើកធ្វើមុន (pilot) ពេលវេលាកំណត់ | គ្មានការធ្វើទូទៅនីយកម្ម |
| កូតា | មិនប្រូបាប៊ីលីតេ | ទិន្នន័យសមាមាត្រប្រជាជន | ទីផ្សារ ពេលវេលា/ថវិកាកំណត់ | ប៉ាន់ប៉ាទូទៅ តែមិនមានកំហុសគំរូស្ថិតិ |
| ចេតនា / បណ្ដាស្រឡាយ | មិនប្រូបាប៊ីលីតេ | គ្មាន (ផ្អែកលើលក្ខណៈវិនិច្ឆ័យ) | ចំណេះដឹងជ្រៅ ប្រជាជនលាក់កំបាំង | ភាពអាចផ្ទេរបាន (មិនមែនធ្វើទូទៅនីយកម្មស្ថិតិ) |
| តាមទ្រឹស្ដី | គុណភាព (ដំណើរការ) | គ្មាន — កំណត់ជាបន្តបន្ទាប់ | Grounded theory បង្កើតទ្រឹស្ដីថ្មី | ភាពឆ្អែតតាមទ្រឹស្ដី ជាជាងទូទៅនីយកម្ម |
១២ · ឧទាហរណ៍ជាក់ស្ដែងប្រធានបទមួយ ស្រាវជ្រាវបាន ៥ របៀប
សូមយកប្រធានបទមួយ៖ «ហេតុអ្វីគ្រួសារមួយចំនួនបដិសេធការចាក់វ៉ាក់សាំងកុមារ» ដើម្បីមើលថាវិធីគំរូផ្លាស់ប្ដូរការសិក្សាយ៉ាងដូចម្ដេច។
| វិធីគំរូ | សំណួរស្រាវជ្រាវ | ការរចនា និងទំហំគំរូ | លទ្ធផលដែលរំពឹង |
|---|---|---|---|
| ប្រូបាប៊ីលីតេ (ចង្កោម) | តើភាគរយកុមារដែលមិនបានចាក់វ៉ាក់សាំងពេញលេញ ជាតិភូមិភាគ ប៉ុន្មាន? | គំរូចង្កោម ២ ដំណាក់កាល លើភូមិ ៤០ × គ្រួសារ ១៥/ភូមិ (n≈៦០០) | ភាគរយជាតិ + ចន្លោះទំនុកចិត្ត ៩៥% |
| ប្រូបាប៊ីលីតេ (ស្រទាប់) | តើអត្រាបដិសេធខុសគ្នារវាងតំបន់ទីក្រុង និងជនបទ ដែរឬទេ? | ស្រទាប់តាមតំបន់ × ទីក្រុង/ជនបទ (n≈៨០០) | ការប្រៀបធៀបស្ថិតិរវាងស្រទាប់ |
| មិនប្រូបាប៊ីលីតេ (កូតា) | តើឪពុកម្ដាយគិតយ៉ាងណាអំពីហានិភ័យវ៉ាក់សាំង (ស្ទង់មតិលឿន)? | កូតាតាមអាយុកុមារ នៅគ្លីនិក ៥ កន្លែង (n≈២០០) | និន្នាការទូទៅ មិនមានការអះអាងតាមស្ថិតិ |
| ចេតនា | តើឪពុកម្ដាយដែលបដិសេធទាំងស្រុង យល់ និងពន្យល់ហេតុផលយ៉ាងដូចម្ដេច? | ជ្រើសចេតនា ១៤–១៨ គ្រួសារដែលបដិសេធទាំងស្រុង + សម្ភាសន៍ជម្រៅ | ប្រធានបទនៃហេតុផល និងប្រភពព័ត៌មានមិនទុកចិត្ត |
| តាមទ្រឹស្ដី (grounded theory) | តើទំនុកចិត្តចំពោះប្រព័ន្ធសុខភាព ប៉ះពាល់ដល់ការសម្រេចចិត្តវ៉ាក់សាំងយ៉ាងដូចម្ដេច? | សម្ភាសន៍ជាបន្តបន្ទាប់ រហូតដល់ឆ្អែតតាមទ្រឹស្ដី (ប្រហែល ២០–២៥ នាក់) | ទ្រឹស្ដីពន្យល់ដំណើរការសម្រេចចិត្ត |
💡 មេរៀនពីតារាងនេះ
ប្រធានបទតែមួយ អាចឆ្លើយសំណួរផ្សេងគ្នា ៥ ប្រភេទ — គ្មានវិធីគំរូណាមួយ «ល្អជាងគេ» ទេ វាគ្រាន់តែសមនឹងសំណួរខុសគ្នា។ អ្នកស្រាវជ្រាវជាច្រើន ប្រើវិធីចម្រុះ (ឧ. ចង្កោម + ចេតនា) ក្នុងការសិក្សាវិធីសាស្ត្រចម្រុះមួយ។
១៣ · គណនាការគណនាទំហំគំរូសម្រាប់ការសិក្សាបរិមាណ
សម្រាប់ការសិក្សាដែលប៉ាន់ប៉ាសមាមាត្រ (ឧ. ប្រេវ៉ាឡង់ ភាគរយគាំទ្រ) រូបមន្តគោលមួយដែលប្រើញឹកញាប់គឺ រូបមន្ត Cochran (1977)។
n = Z² × p(1−p) / e²
Z = តម្លៃពិន្ទុ-Z សម្រាប់កម្រិតទំនុកចិត្ត (1.96 សម្រាប់ 95%)
p = ប្រេវ៉ាឡង់ដែលប៉ាន់ស្មាន (ប្រសិនគ្មានទិន្នន័យពីមុន ប្រើ 0.5 ដែលធានាទំហំគំរូធំជាងគេ)
e = កម្រិតកំហុសដែលអាចទទេបាន (ឧ. 0.05 = ±5%)
📍 ឧទាហរណ៍៖ ការស្ទង់មតិភាពស្លេកស្លាំងកុមារនៅប្រទេសនីហ្សេរីយ៉ា
ក្រុមស្រាវជ្រាវនៅរដ្ឋ Kano ប្រទេសនីហ្សេរីយ៉ា ចង់ប៉ាន់ប្រេវ៉ាឡង់ភាពស្លេកស្លាំងក្នុងកុមារអាយុក្រោម ៥ ឆ្នាំ ដោយកំហុស ±5% និងទំនុកចិត្ត 95%។ គ្មានទិន្នន័យពីមុន ប្រើ p=0.5៖
n = 1.96² × 0.5 × 0.5 / 0.05² ≈ 384.16 → សិប្បសមប្រមាណ 385 នាក់
ប្រជាជនកុមារក្នុងតំបន់សិក្សាមានតែ ២,៥០០ នាក់ (ចំនួនកំណត់) ដូច្នេះត្រូវកែតម្រូវដោយ ការកែតម្រូវប្រជាជនកំណត់ (finite population correction)៖ n′ = n / (1 + (n−1)/N) = 385 / (1 + 384/2500) ≈ 323 នាក់។ ដោយរំពឹងថាអត្រាមិនចូលរួម ~30% ទំហំគំរូចុងក្រោយដែលត្រូវជ្រើសគឺ 323 / 0.70 ≈ 462 នាក់ (ប្រហែល ៤៦០ នាក់)។
💻 ក្នុងការអនុវត្ត កម្មវិធីដូចជា G*Power កញ្ចប់ R (pwr, samplesize) ឬ Stata (power) អាចជំនួយគណនាបានលឿន និងកាត់បន្ថយកំហុសដៃ។
១៤ · កម្លាំងស្ថិតិការវិភាគកម្លាំងស្ថិតិ (Power Analysis)
ការកំណត់ទំហំគំរូសម្រាប់ការសិក្សាដែលសាកល្បងសម្មតិកម្ម (ឧ. ប្រៀបធៀបពីរក្រុម) ត្រូវការគិតលើសពីប្រេវ៉ាឡង់សាមញ្ញ — វាទាមទារ ការវិភាគកម្លាំងស្ថិតិ ដែលផ្សារភ្ជាប់គ្នារវាងធាតុ ៤៖
ប្រសិនបើអ្នកកំណត់ធាតុ ៣ ធាតុ ធាតុទី ៤ នឹងត្រូវកំណត់ដោយស្វ័យប្រវត្តិ។ ការសិក្សាដែលមានកម្លាំងស្ថិតិទាប (underpowered) មានហានិភ័យខ្ពស់ចំពោះ កំហុសប្រភេទទី ២ — ខកខានរកឃើញផលប៉ះពាល់ពិតប្រាកដ ដែលកើតមាន។
📍 ឧទាហរណ៍៖ ការសាកល្បងព្យាបាលជំងឺរបេងនៅប្រទេសបង់ក្លាដែស
ការសាកល្បងព្យាបាលបែបចៃដន្យ (RCT) នៅទីក្រុង Dhaka ប្រទេសបង់ក្លាដែស ចង់រកឃើញទំហំផលប៉ះពាល់កម្រិតមធ្យម (Cohen’s d = 0.5) រវាងការព្យាបាលថ្មី និងការព្យាបាលស្ដង់ដារ ដោយ alpha = 0.05 និង power = 0.80៖
n ≈ 64 នាក់ក្នុងមួយក្រុម (សរុបប្រហែល 128 នាក់)
ប្រសិនបើថវិកាកំណត់ឱ្យប្រើតែ 30 នាក់ក្នុងមួយក្រុម ការវិភាគកម្លាំងស្ថិតិថយក្រោយ (post-hoc) បង្ហាញថា power ធ្លាក់ចុះមកត្រឹមប្រហែល 40% ប៉ុណ្ណោះ — មានន័យថា ការសិក្សានឹងមានឱកាសតែ ៤ ក្នុង ១០ ប៉ុណ្ណោះ ដើម្បីរកឃើញផលប៉ះពាល់ពិតប្រាកដនោះ ប្រសិនបើវាមានជាក់ស្ដែង។
💡 ជ្រើសទំហំផលប៉ះពាល់ដោយផ្អែកលើការសិក្សាមុន ឬអត្ថន័យជាក់ស្ដែងក្នុងវិស័យរបស់អ្នក (ឧ. តម្លៃអប្បបរមាដែលមានន័យព្យាបាល) កុំប្រើលេខដែលធ្វើឱ្យទំហំគំរូមើលទៅស័ក្ដិសមតែប៉ុណ្ណោះ។
១៥ · ការជជែកភាពឆ្អែតទិន្នន័យ ទល់នឹង កម្លាំងព័ត៌មាន
ក្នុងការស្រាវជ្រាវគុណភាព គ្មានរូបមន្តដែលឯកភាពទេសម្រាប់កំណត់ទំហំគំរូជាមុន។ គំនិតដែលប្រើច្រើនបំផុតគឺ ភាពឆ្អែតទិន្នន័យ (data saturation) — ចំណុចដែលការសម្ភាសន៍ថ្មីមិនបន្ថែមប្រធានបទ (themes) ថ្មីទៀត។ Guest, Bunce & Johnson (២០០៦) ធ្វើការសិក្សាជាក់ស្ដែងមួយ ដោយវិភាគការសម្ភាសន៍ ៦០ លើប្រធានបទជនជាតិស្រីដែលមានហានិភ័យខាងផ្លូវភេទ ហើយរកឃើញថា ប្រធានបទធំៗភាគច្រើន លេចឡើងរួចហើយបន្ទាប់ពីការសម្ភាសន៍តែ ៦ ដង ហើយឆ្អែតពេញលេញនៅប្រហែលការសម្ភាសន៍ទី ១២។ លទ្ធផលនេះត្រូវបានដកស្រង់ញឹកញាប់ ជារូបមន្ត «ដករបត»២ ដល់ ១២ ការសម្ភាសន៍ ទោះបីអ្នកនិពន្ធខ្លួនឯង ព្រមានថាលេខនេះអាស្រ័យខ្លាំងលើភាពដូចគ្នានៃក្រុមគំរូ និងលទ្ធភាពទស្សន៍ទាយបានជាមុន (homogeneity, a priori constructs)។
Braun & Clarke (ក្នុងការងារក្រោយៗអំពីការវិភាគប្រធានបទ) រិះគន់គំនិត «ភាពឆ្អែត» ថាសន្មតភាពខុសមួយ — ថាមានចំនួន «ប្រធានបទពិតប្រាកដ» កំណត់ជាក់លាក់ ដែលអាចរកបានទាំងស្រុងម្ដងហើយម្ដងទៀត ហើយថាគំនិតនេះសមនឹងបែបសហការបកស្រាយ (constructionist) ជាងបែបធម្មជាតិវិទ្យា (positivist) ដែលការសិក្សាគុណភាពភាគច្រើនមិនប្រកាន់។ ពួកគេស្នើឱ្យប្រើពាក្យ «ជម្រៅគ្រប់គ្រាន់» ឬគ្រាន់តែការពារទំហំគំរូដោយហេតុផល ជាជាងអះអាងថាបានដល់ «ឆ្អែត»។
ជម្រើសមួយទៀតគឺគំនិត កម្លាំងព័ត៌មាន (Information Power) របស់ Malterud, Siersma & Guassora (២០១៦) ដែលស្នើថា ទំហំគំរូសមរម្យអាស្រ័យលើកត្តា ៥ រួមគ្នា មិនមែនលេខតែមួយទេ៖
✅ ឧទាហរណ៍ជាក់ស្ដែង — ការសិក្សា grounded theory អំពីជីវិតអ្នកថែទាំនៅទីក្រុងអាំម៉ាន ប្រទេសយ័រដាន់
និស្សិតបណ្ឌិតម្នាក់ សិក្សាពីរបៀបដែលកូនស្រីធ្វើការថែទាំមេម៉ាយដែលមានជំងឺសរសៃឈាមខួរក្បាលនៅទីក្រុងអាំម៉ាន សម្របសម្រួលទំនួលខុសត្រូវការងារ និងការថែទាំ។ គាត់ប្រើគំរូតាមទ្រឹស្ដី ចាប់ផ្ដើមពី ៦ នាក់ ហើយបន្តសម្ភាសន៍រហូតដល់ ១៩ នាក់ ដែលជាចំណុចដែលការវិភាគជំុចុងក្រោយ ៣ លែងបង្ហាញលក្ខណៈថ្មីនៃក្រោបគំនិត «ការសន្យាស្ងាត់ៗ» (silent obligation)។ ក្នុងសំណើស្រាវជ្រាវ គាត់មិនបានដាក់លេខ ១៩ ជាគោលដៅជាមុនទេ ប៉ុន្តែពន្យល់ថា គំរូនឹងកំណត់ដោយភាពឆ្អែតតាមទ្រឹស្ដី ហើយកំណត់ចំនួនអប្បបរមារំពឹងទុក ១២–១៥ នាក់ ដោយផ្អែកលើកម្លាំងព័ត៌មានតាមលក្ខណៈវិនិច្ឆ័យទាំង ៥ ខាងលើ — ជាវិធីការពារទំហំគំរូមុនការសិក្សា ទោះគ្មានលេខពិតប្រាកដក៏ដោយ។
១៦ · ការសម្រេចចិត្តមគ្គុទេសក៍ជ្រើសរើសវិធីគំរូ
សូមសរសេរចម្លើយរបស់អ្នកចុះលើក្រដាស មុននឹងអានផ្នែកបន្ទាប់។
សំណួរទី ១៖ តើអ្នកចង់ធ្វើទូទៅនីយកម្មតាមស្ថិតិទៅប្រជាជនធំឬទេ?
បាទ/ចាស → ត្រូវការប្រូបាប៊ីលីតេ (ឃ្លា ①–③ ខាងក្រោម)។ ទេ ចង់យល់ជ្រៅ → មិនប្រូបាប៊ីលីតេ ឬគុណភាព (ឃ្លា ④–⑤)។
សំណួរទី ២៖ តើអ្នកមានបញ្ជីពេញលេញនៃឯកតាទាំងអស់ (ក្របខ័ណ្ឌគំរូ) ដែរឬទេ?
បាទ/ចាស ប្រជាជនតូច → ① សាមញ្ញចៃដន្យ/ប្រព័ន្ធ។ បាទ/ចាស ប៉ុន្តែមានអថេរចែកក្រុមសំខាន់ → ② ស្រទាប់។
សំណួរទី ៣៖ តើប្រជាជនរាយប៉ាយភូមិសាស្ត្រធំ ឬគ្មានបញ្ជីឯកតាទាំងអស់?
→ ③ ចង្កោម ឬពហុដំណាក់កាល (ប្រើបញ្ជីចង្កោម/តំបន់ ជាជាងបញ្ជីឯកតាទាំងអស់)។
សំណួរទី ៤៖ តើមានពេលវេលា/ថវិកាកំណត់ខ្លាំង ហើយគ្រាន់ត្រូវការសញ្ញាណទូទៅ?
→ ④ ងាយស្រួល ឬកូតា — ប៉ុន្តែត្រូវកត់សម្គាល់ដែនកំណត់ក្នុងរបាយការណ៍ជានិច្ច។
សំណួរទី ៥៖ តើអ្នកសួរអំពីបទពិសោធន៍ អត្ថន័យ ឬស្វែងយល់ក្រុមពិបាករកឃើញ?
→ ⑤ ចេតនា, បណ្ដាស្រឡាយ, ឬគំរូតាមទ្រឹស្ដី (grounded theory) — ការពារទំហំគំរូដោយកម្លាំងព័ត៌មាន ឬភាពឆ្អែត មិនមែនលេខពីការសិក្សាដទៃទេ។
ជំហានចុងក្រោយ៖ ភ្ជាប់ទំហំគំរូទៅនឹងហេតុផល
ទោះជ្រើសវិធីណាក៏ដោយ ត្រូវសរសេរប្រយោគមួយ ភ្ជាប់ទំហំគំរូ (ឬគោលការណ៍កំណត់ទំហំគំរូ) ទៅនឹងសំណួរស្រាវជ្រាវ និងហានិភ័យកំហុស/power ដែលអ្នកទទួលយកបាន។
១៧ · ការសរសេររបៀបសរសេរផ្នែក «វិធីគំរូ» ក្នុងនិក្ខេបបទ
ផ្នែកនេះជាធម្មតាស្ថិតនៅក្នុងជំពូកវិធីសាស្ត្រ បន្ទាប់ពីការរចនាស្រាវជ្រាវ និងមុនផ្នែកការប្រមូលទិន្នន័យ។ ត្រូវរួមទាំងទំហំគំរូ (ឬគោលការណ៍កំណត់វា) វិធីគំរូ និងហេតុផល។
គំរូ ៥ ជំហាន
📝 រចនាសម្ព័ន្ធផ្នែកវិធីគំរូ
ជំហានទី ១ កំណត់ប្រជាជនគោលដៅ ប្រជាជនចូលដំណើរការបាន និងក្របខ័ណ្ឌគំរូ ដោយបញ្ជាក់ប្រភព។
ជំហានទី ២ ប្រកាសវិធីគំរូ និងហេតុផលមួយប្រយោគ ដែលភ្ជាប់ទៅនឹងសំណួរស្រាវជ្រាវ។
ជំហានទី ៣ សម្រាប់បរិមាណ៖ បង្ហាញការគណនាទំហំគំរូ (រូបមន្ត ធាតុចូល កម្មវិធីប្រើប្រាស់)។ សម្រាប់គុណភាព៖ ពន្យល់គោលការណ៍កំណត់ទំហំគំរូ (ភាពឆ្អែត/កម្លាំងព័ត៌មាន)។
ជំហានទី ៤ រាយការណ៍លក្ខណៈវិនិច្ឆ័យបញ្ចូល/ដកចេញ និងអត្រាចំលើយ/ការបាត់ ដែលរំពឹងទុក។
ជំហានទី ៥ ទទួលស្គាល់ដែនកំណត់របស់វិធីគំរូ (ឧ. ភាពទូទៅនីយកម្មកំណត់ ប្រសិនបើប្រើគំរូមិនប្រូបាប៊ីលីតេ)។
កថាខណ្ឌគំរូ (ភាសាអង់គ្លេស) — ការសិក្សាវិធីចំរុះជាមួយគំរូស្រទាប់
ខាងក្រោមនេះជាកថាខណ្ឌគំរូដែល Eksastra សរសេរឡើងសម្រាប់ជាឧទាហរណ៍។ កុំចម្លងទាំងស្រុង — ត្រូវសរសេរឡើងវិញតាមការសិក្សារបស់អ្នក។
MODEL PARAGRAPH · STRATIFIED SAMPLE, QUANTITATIVE STRAND
The target population for the quantitative strand comprised all public secondary schools registered with the Ministry of Education (N = 1,240). The sampling frame was the Ministry’s 2026 school census, stratified by administrative region (n = 16) and locality (urban/rural), yielding 32 strata. Schools were selected within each stratum by simple random sampling, with proportionate allocation to stratum size, producing a final sample of 96 schools. Using Cochran’s (1977) formula for proportions, with Z = 1.96, p = 0.5, and a margin of error of 5%, a minimum sample of 385 students was required; anticipating 15% non-response, 453 students were approached across the selected schools, yielding 398 completed questionnaires (87.8% response rate). Non-respondents did not differ significantly from respondents on school-level administrative indicators (attendance rate, school size), which were available for the full sampling frame.
ហេតុអ្វីកថាខណ្ឌនេះល្អ? (១) បញ្ជាក់ប្រជាជនគោលដៅ និងក្របខ័ណ្ឌគំរូច្បាស់លាស់ ជាមួយលេខ N ពិតប្រាកដ។ (២) ពន្យល់ហេតុផលស្រទាប់ (តំបន់ × ទីក្រុង/ជនបទ)។ (៣) បង្ហាញការគណនាទំហំគំរូពេញលេញ រួមទាំងរូបមន្តដែលប្រើ។ (៤) រាយការណ៍អត្រាចំលើយពិតប្រាកដ។ (៥) ប្រៀបធៀបអ្នកឆ្លើយ ទល់នឹងអ្នកមិនឆ្លើយ ដើម្បីកាត់បន្ថយការសង្ស័យលើលម្អៀង។
១៨ · ជៀសវាងកំហុស ៨ យ៉ាងដែលគណៈកម្មការឃើញញឹកញាប់
ប្រើគំរូងាយស្រួល ប៉ុន្តែអះអាងទូទៅនីយកម្ម
ប្រមូលទិន្នន័យពីសិស្សនៅថ្នាក់ខ្លួនឯង ប៉ុន្តែសន្និដ្ឋានអំពីនិស្សិតទាំងអស់ក្នុងប្រទេស។ ដំណោះស្រាយ៖ ទទួលស្គាល់ដែនកំណត់ច្បាស់លាស់ ហើយកំណត់ការអះអាងឱ្យត្រឹមត្រូវតាមវិធីគំរូ។
ទំហំគំរូមិនគ្រប់គ្រាន់ (underpowered)
ធ្វើការសិក្សាដោយគ្មានការគណនាកម្លាំងស្ថិតិជាមុន រួចសន្និដ្ឋានថា «គ្មានភាពខុសគ្នា» ខណៈគំរូតូចពេកក្នុងការរកឃើញវា។ ដំណោះស្រាយ៖ គណនា power ជាមុន និងរាយការណ៍វា។
អះអាង «ឆ្អែត» ដោយគ្មានភស្តុតាង
សរសេរថា «ទិន្នន័យឆ្អែតនៅការសម្ភាសន៍ទី ១២» ដោយគ្មានការពន្យល់ថាវិភាគដំណើរការយ៉ាងដូចម្ដេច។ ដំណោះស្រាយ៖ ពន្យល់ដំណើរការវិភាគជាបន្តបន្ទាប់ និងលក្ខណៈវិនិច្ឆ័យកំណត់ភាពឆ្អែត ឬប្រើកម្លាំងព័ត៌មានជំនួស។
ច្រឡំការគំរូចៃដន្យ ជាមួយការបែងចែកចៃដន្យ
និយាយថា «ចៃដន្យ» ទោះបីគំរូតាមពិតជាកូតា ឬងាយស្រួល។ ដំណោះស្រាយ៖ ប្រើពាក្យវិជ្ជាជីវៈត្រឹមត្រូវ — «ចៃដន្យ» ត្រូវប្រើតែពេលមានការជ្រើសរើសប្រូបាប៊ីលីតេជាក់ស្ដែង។
ប្រើ p=០.៥ ហើយភ្លេចបន្ថែមអត្រាខាត
គណនាទំហំគំរូអប្បបរមា ប៉ុន្តែទាក់ទងអ្នកចូលរួមតែចំនួននោះ ហើយបាត់ជាច្រើនដោយមិនបានគ្រោង។ ដំណោះស្រាយ៖ បន្ថែម ១០–២០% សម្រាប់អត្រាខាត/ការបាត់ដែលរំពឹងទុក។
ច្របាច់ចង្កោម ជាមួយគំរូសាមញ្ញចៃដន្យ
គណនាទំហំគំរូដោយរូបមន្តសាមញ្ញ ប៉ុន្តែប្រមូលទិន្នន័យតាមចង្កោម (ភូមិ/ថ្នាក់រៀន) ដោយមិនកែតម្រូវ design effect — ធ្វើឱ្យកំហុសគំរូវាយតម្លៃទាបពេក។ ដំណោះស្រាយ៖ គណនា design effect ហើយបន្ថែមទំហំគំរូតាមវា។
ចម្លងទំហំគំរូពីការសិក្សាដទៃដោយផ្ទាល់
យកលេខ «១២ ការសម្ភាសន៍» ឬ «n=៣៨៥» ពីការសិក្សាមួយទៀត ដោយមិនគណនាសម្រាប់បរិបទផ្ទាល់ខ្លួន។ ដំណោះស្រាយ៖ គណនាឡើងវិញដោយប្រើធាតុចូលផ្ទាល់ខ្លួន (p, e, effect size, កត្តាកម្លាំងព័ត៌មាន)។
មិនរាយការណ៍អត្រាចំលើយ ឬការប្រៀបធៀបអ្នកមិនឆ្លើយ
រាយការណ៍តែ n ចុងក្រោយ ដោយលាក់ថាទាក់ទងអ្នកប៉ុន្មាននាក់ដំបូង។ ដំណោះស្រាយ៖ រាយការណ៍ទាំងពីរ ជាមួយការប្រៀបធៀបលក្ខណៈអ្នកឆ្លើយ/មិនឆ្លើយ ប្រសិនបើអាចធ្វើទៅបាន។
១៩ · ការការពារនិក្ខេបបទសំណួរ ៦ ដែលគណៈកម្មការតែងតែសួរ — និងរបៀបឆ្លើយ
«ហេតុអ្វីអ្នកជ្រើសរើសទំហំគំរូនេះ ជាជាងច្រើន ឬតិចជាងនេះ?»
គន្លឹះឆ្លើយ៖ បង្ហាញការគណនា (រូបមន្ត ឬកម្លាំងព័ត៌មាន) ហើយពន្យល់ធាតុចូលនីមួយៗ — កុំគ្រាន់តែនិយាយលេខមួយដោយគ្មានហេតុផល។
«តើគំរូរបស់អ្នកតំណាងប្រជាជនគោលដៅប៉ុណ្ណា?»
គន្លឹះឆ្លើយ៖ ប្រសិនបើប្រូបាប៊ីលីតេ ប្រៀបធៀបលក្ខណៈគំរូនឹងប្រជាជន (ឧ. ពីជំរឿន)។ ប្រសិនបើមិនប្រូបាប៊ីលីតេ ទទួលស្គាល់ដែនកំណត់ ហើយផ្ដោតលើភាពអាចផ្ទេរបានជំនួស។
«តើអ្នកធ្វើអ្វីចំពោះអ្នកដែលមិនបានឆ្លើយ?»
គន្លឹះឆ្លើយ៖ រាយការណ៍អត្រាចំលើយ ហើយបង្ហាញការប្រៀបធៀបណាមួយដែលមាន (ទិន្នន័យរដ្ឋបាល លក្ខណៈប្រជាសាស្ត្រ) ដើម្បីវាយតម្លៃលម្អៀងអនុលោម។
«ហេតុអ្វីអ្នកមិនបានគណនាទំហំគំរូជាមុន ក្នុងការសិក្សាគុណភាព?»
គន្លឹះឆ្លើយ៖ ពន្យល់ថាគំរូតាមទ្រឹស្ដីកំណត់ទំហំដោយធម្មជាតិដំណើរការ មិនមែនជាលេខថេរជាមុនទេ ប៉ុន្តែអ្នកបានកំណត់អប្បបរមារំពឹងទុក ដោយផ្អែកលើកត្តាកម្លាំងព័ត៌មាន (Malterud et al., ២០១៦)។
«តើកម្លាំងស្ថិតិរបស់ការសិក្សារបស់អ្នកប៉ុន្មាន?»
គន្លឹះឆ្លើយ៖ រាយការណ៍ a priori power (ឧ. ០.៨០ ជាមួយ d=០.៥) ហើយប្រសិនបើគំរូចុងក្រោយតូចជាងគម្រោង ពន្យល់ post-hoc power និងផលវិបាករបស់វា។
«ហេតុអ្វីអ្នកជ្រើសវិធីគំរូនេះ ជាជាងវិធីចង្កោម/ស្រទាប់?»
គន្លឹះឆ្លើយ៖ ភ្ជាប់ការសម្រេចចិត្តទៅនឹងសំណួរស្រាវជ្រាវ ក្របខ័ណ្ឌគំរូដែលមានជាក់ស្ដែង និងធនធាន — ហើយបកស្រាយថាវិធីផ្សេងនឹងផ្ដល់ការសន្យាខុសគ្នា (ឧ. ចន្លោះទំនុកចិត្តតាមតំបន់ ទល់នឹង តាមជាតិ)។
២០ · ប្រវត្តិពី Kiaer ដល់ Malterud៖ ពេលវេលាសំខាន់ៗនៃទ្រឹស្ដីគំរូ
ទ្រឹស្ដីគំរូស្ថិតិសម្រាប់ប្រជាជនមនុស្ស មានប្រវត្តិថ្មីជាងទ្រឹស្ដីប្រូបាប៊ីលីតេទូទៅ — ចាប់ផ្ដើមតែចុងសតវត្សរ៍ទី ១៩ ប៉ុណ្ណោះ ហើយវិវត្តន៍យ៉ាងឆាប់រហ័សក្នុងទសវត្សរ៍ ១៩៣០ ជាមួយការជជែកដេញដោលដ៏ល្បីរវាងការសង្កេតជំរឿនពេញលេញ ទល់នឹងការគំរូ។
Anders Kiaer ស្នើវិធី «representative method» នៅសន្និសីទស្ថិតិអន្តរជាតិ — ជាគំនិតដើមនៃការគំរូកូតា។
Arthur Bowley បើកការសិក្សាលើភាពត្រឹមត្រូវនៃគំរូចៃដន្យតូចៗ ជាការគាំទ្រវិទ្យាសាស្ត្រដំបូងសម្រាប់ SRS។
សន្និសីទស្ថិតិអន្តរជាតិទទួលស្គាល់ជាផ្លូវការថា វិធីគំរូអាចជំនួសជំរឿនពេញលេញបាន ក្នុងករណីខ្លះ។
Jerzy Neyman បោះពុម្ពអត្ថបទស្នូល ដែលផ្ដល់មូលដ្ឋានទ្រឹស្ដីរឹងមាំដល់គំរូស្រទាប់ និងបង្ហាញភាពខុសគ្នារវាងគំរូកូតា និងគំរូប្រូបាប៊ីលីតេ។
ការស្ទង់មតិទូរស័ព្ទផ្ទះរបស់ Literary Digest ខុសឆ្គងព្យាករណ៍ការបោះឆ្នោតអាមេរិក ខណៈគំរូតូចជាងរបស់ George Gallup ត្រឹមត្រូវជាង — បង្ហាញថាគុណភាពគំរូសំខាន់ជាងទំហំគំរូ។
William Cochran បោះពុម្ពលើកទី ១ នៃ Sampling Techniques ដែលក្លាយជាសៀវភៅសិក្សាគោលសម្រាប់ទ្រឹស្ដីគំរូ។
Barney Glaser និង Anselm Strauss បោះពុម្ព The Discovery of Grounded Theory ណែនាំគំនិតគំរូតាមទ្រឹស្ដី។
William Cochran បោះពុម្ពរូបមន្តសមាមាត្រដ៏ល្បី ក្នុងសៀវភៅលើកទី ៣ របស់គាត់។
Jacob Cohen ពន្យល់ទំហំផលប៉ះពាល់ (effect size) ជាភាសាសាមញ្ញ ដែលក្លាយជាមូលដ្ឋានការវិភាគកម្លាំងស្ថិតិសព្វថ្ងៃ។
Guest, Bunce & Johnson បោះពុម្ពការសិក្សាជាក់ស្ដែងដំបូងលើភាពឆ្អែតទិន្នន័យ ជាមួយលេខដកស្រង់ច្រើនបំផុត «៦–១២ ការសម្ភាសន៍»។
Malterud, Siersma & Guassora បោះពុម្ព «Sample Size in Qualitative Interview Studies» ណែនាំគំនិតកម្លាំងព័ត៌មាន ជាជម្រើសដល់ភាពឆ្អែត។
២១ · តេស្តខ្លួនឯងសំណួរត្រួតពិនិត្យការយល់ដឹង (ចុចដើម្បីមើលចម្លើយ)
១. ការស្ទង់មតិមួយមាន ១ លានចំលើយ ប៉ុន្តែទាក់ទងតែអ្នកមានទូរស័ព្ទថ្លៃ។ តើនេះជាបញ្ហាកំហុសគំរូ ឬលម្អៀង?
ចម្លើយ៖ លម្អៀង (bias) — ទំហំគំរូធំមិនកែលម្អបានទេ ព្រោះវាជាភាពខុសគ្នាជាប្រព័ន្ធ មិនមែនចៃដន្យទេ។
២. ក្រុមស្រាវជ្រាវជ្រើសសាលាដោយចៃដន្យពីស្រទាប់តំបន់ × ទីក្រុង/ជនបទ ៣២ ក្រុម។ តើវិធីគំរូនេះហៅថាអ្វី?
ចម្លើយ៖ គំរូស្រទាប់ (Stratified Sampling)។
៣. អ្នកសួរអ្នកចូលរួមដំបូង ៤ នាក់ ឱ្យណែនាំអ្នកចូលរួមថ្មី។ តើវិធីគំរូនេះហៅថាអ្វី ហើយមានហានិភ័យអ្វីធំបំផុត?
ចម្លើយ៖ គំរូបណ្ដាស្រឡាយ (Snowball) — ហានិភ័យធំបំផុតគឺលម្អៀងបណ្ដាញ។
៤. ប្រើរូបមន្ត Cochran ជាមួយ Z=១.៩៦, p=០.៥, e=០.០៥។ តើទំហំគំរូអប្បបរមាប៉ុន្មាន?
ចម្លើយ៖ ប្រហែល ៣៨៥ នាក់ (n = ១.៩៦²×០.៥×០.៥/០.០៥² ≈ ៣៨៤.១៦)។
៥. ការសិក្សាមួយរកឃើញ «គ្មានភាពខុសគ្នាមានន័យស្ថិតិ» ប៉ុន្តែមាន power ០.៤០ តែប៉ុណ្ណោះ។ តើអ្វីជាការបកស្រាយប្រុងប្រយ័ត្នបំផុត?
ចម្លើយ៖ ការសិក្សានេះអាចខកខានរកឃើញផលប៉ះពាល់ពិតប្រាកដ ដោយសារកម្លាំងស្ថិតិទាប (ហានិភ័យកំហុសប្រភេទទី ២ ខ្ពស់) — មិនមែនភស្តុតាងច្បាស់ថា «គ្មានផលប៉ះពាល់» ទេ។
៦. តើ Guest, Bunce & Johnson (២០០៦) រកឃើញអ្វីអំពីចំនួនការសម្ភាសន៍ចាំបាច់ដើម្បីឆ្អែត?
ចម្លើយ៖ ប្រធានបទធំៗភាគច្រើនលេចឡើងក្នុងការសម្ភាសន៍ ៦ ដងដំបូង ហើយឆ្អែតពេញលេញនៅប្រហែលទី ១២ — ប៉ុន្តែពឹងលើភាពដូចគ្នានៃគំរូ។
៧. តើកត្តា ៥ របស់ Malterud et al. (២០១៦) សម្រាប់កម្លាំងព័ត៌មានមានអ្វីខ្លះ?
ចម្លើយ៖ វិសាលភាពគោលបំណង ភាពជាក់លាក់នៃគំរូ ការប្រើទ្រឹស្ដីដែលមានស្រាប់ គុណភាពការសន្ទនា និងយុទ្ធសាស្ត្រវិភាគ។
៨. លំហាត់អនុវត្ត៖ សូមសរសេរគោលការណ៍កំណត់ទំហំគំរូមួយប្រយោគ សម្រាប់ការសិក្សារបស់អ្នក
ការណែនាំ៖ ប្រសិនបើបរិមាណ សូមរាយ Z, p/effect size, e/power។ ប្រសិនបើគុណភាព សូមរាយកត្តាកម្លាំងព័ត៌មាន ឬគោលការណ៍ភាពឆ្អែតដែលអ្នកនឹងប្រើ។
២២ · វាក្យសព្ទវាក្យសព្ទសំខាន់ ខ្មែរ–អង់គ្លេស
| English | ខ្មែរ | ន័យសង្ខេប |
|---|---|---|
| Population | ប្រជាជន | ក្រុមទាំងមូលដែលអ្នកចង់និយាយអំពី |
| Sampling frame | ក្របខ័ណ្ឌគំរូ | បញ្ជី ឬមូលដ្ឋានទិន្នន័យពិតប្រាកដសម្រាប់ជ្រើសរើស |
| Sampling error | កំហុសគំរូ | ភាពខុសគ្នាចៃដន្យរវាងគំរូ និងប្រជាជន |
| Sampling bias | លម្អៀងគំរូ | ភាពខុសគ្នាជាប្រព័ន្ធ ដែលមិនថយចុះតាមទំហំគំរូ |
| Representativeness | ភាពតំណាង | កម្រិតដែលគំរូឆ្លុះបញ្ចាំងប្រជាជន |
| Generalizability / External validity | ភាពអាចអនុវត្តទូទៅ / សុពលភាពខាងក្រៅ | កម្រិតដែលលទ្ធផលអាចអនុវត្តលើបរិបទផ្សេង |
| Response rate | ចន្លោះចំលើយ | ភាគរយអ្នកដែលជ្រើសរើសបានឆ្លើយពិតប្រាកដ |
| Simple random sampling | គំរូសាមញ្ញចៃដន្យ | គ្រប់ឯកតាមានឱកាសស្មើគ្នាត្រូវបានជ្រើស |
| Stratified sampling | គំរូស្រទាប់ | ចែកប្រជាជនជាស្រទាប់ រួចគំរូដោយឡែកក្នុងស្រទាប់ |
| Cluster / Multistage sampling | គំរូចង្កោម / ពហុដំណាក់កាល | ជ្រើសក្រុម ឬធ្វើគំរូជាដំណាក់បន្តបន្ទាប់ |
| Convenience / Quota sampling | គំរូងាយស្រួល / កូតា | មិនប្រូបាប៊ីលីតេ — ជ្រើសតាមភាពងាយ ឬកូតាកំណត់ |
| Purposive / Snowball sampling | គំរូចេតនា / បណ្ដាស្រឡាយ | ជ្រើសចេតនាតាមលក្ខណៈពាក់ព័ន្ធ ឬតាមការណែនាំបណ្ដាញ |
| Theoretical sampling | គំរូតាមទ្រឹស្ដី | ជ្រើសករណីបន្ទាប់តាមក្រោបគំនិតដែលលេចឡើង (grounded theory) |
| Data saturation | ភាពឆ្អែតទិន្នន័យ | ចំណុចដែលការសម្ភាសន៍ថ្មីមិនបន្ថែមប្រធានបទថ្មី |
| Information power | កម្លាំងព័ត៌មាន | គោលការណ៍ ៥ ធាតុកំណត់ទំហំគំរូគុណភាព (Malterud et al.) |
| Alpha (Type I error) | អាល់ហ្វា (កំហុសប្រភេទទី ១) | ហានិភ័យបដិសេធសម្មតិកម្មសូនមិនត្រឹមត្រូវ |
| Power / Beta (Type II error) | កម្លាំងស្ថិតិ / បេតា (កំហុសប្រភេទទី ២) | ឱកាសរកឃើញផលប៉ះពាល់ពិតប្រាកដ / ឱកាសខកខាន |
| Effect size | ទំហំផលប៉ះពាល់ | ទំហំភាពខុសគ្នា ឬទំនាក់ទំនងដែលចង់រកឃើញ |
| Margin of error | កំហុសដែលអាចទទេបាន | ចន្លោះដែលការប៉ាន់ប៉ាអាចខុសពីតម្លៃពិត |
| Design effect | ឥទ្ធិពលការរចនា | ការកើនឡើងកំហុសគំរូ ដោយសារគំរូចង្កោម |
| Non-response bias | លម្អៀងអនុលោម | លម្អៀងដែលកើតដោយអ្នកមិនឆ្លើយខុសគ្នាជាប្រព័ន្ធ |
📌 ពាក្យបច្ចេកទេសខ្មែរមួយចំនួនមិនទាន់មានស្តង់ដារឯកភាពនៅឡើយ។ ក្នុងនិក្ខេបបទជាភាសាខ្មែរ ត្រូវសរសេរពាក្យអង់គ្លេសក្នុងវង់ក្រចកនៅពេលប្រើលើកដំបូង ហើយប្រើពាក្យដដែលឱ្យស៊ីសង្វាក់។
២៣ · អានបន្ថែមឯកសារគួរអាន — ពីមូលដ្ឋានដល់កម្រិតខ្ពស់
📗 អានមុនគេ (សម្រាប់អនុបណ្ឌិត និងបណ្ឌិតឆ្នាំទី ១)
- Creswell & Creswell (២០២៣), Research Design, ជំពូកលើវិធីគំរូ — សេចក្ដីណែនាំងាយយល់អំពីវិធីគំរូបរិមាណ និងគុណភាព។
- Scribbr — Sampling Methods guide — អត្ថបទអនឡាញច្បាស់ ជាមួយឧទាហរណ៍ និងដ្យាក្រាម សម្រាប់ប្រូបាប៊ីលីតេ ទល់នឹង មិនប្រូបាប៊ីលីតេ។
- Guest, Bunce & Johnson (២០០៦) — អត្ថបទជាក់ស្ដែងងាយអាន អំពីភាពឆ្អែតទិន្នន័យ ជាការណែនាំដំបូងល្អសម្រាប់ការសិក្សាគុណភាព។
📕 កម្រិតខ្ពស់ (សម្រាប់បណ្ឌិត)
- Cochran, W. G. (១៩៧៧), Sampling Techniques (3rd ed.) — សៀវភៅគោលសម្រាប់រូបមន្ត និងទ្រឹស្ដីគំរូប្រូបាប៊ីលីតេ។
- Cohen, J. (១៩៨៨), Statistical Power Analysis for the Behavioral Sciences — ឯកសារស្នូលសម្រាប់ effect size និងកម្លាំងស្ថិតិ។
- Malterud, Siersma & Guassora (២០១៦) — ចាំបាច់សម្រាប់ការការពារទំហំគំរូគុណភាពនៅចំពោះមុខគណៈកម្មការ។
- Glaser & Strauss (១៩៦៧), The Discovery of Grounded Theory — ប្រភពដើមនៃគំរូតាមទ្រឹស្ដី។
- Faul, Erdfelder, Lang & Buchner (២០០៧) — អត្ថបទណែនាំកម្មវិធី G*Power សម្រាប់ការវិភាគកម្លាំងស្ថិតិ។
២៤ · FAQសំណួរដែលសួរញឹកញាប់
តើខ្ញុំអាចប្រើវិធីគំរូចៃដន្យ ក្នុងការសិក្សាគុណភាពបានទេ?
អាចបាន ប៉ុន្តែកម្រ — ប្រសិនបើប្រជាជនគោលដៅធំ និងច្បាស់លាស់ (ឧ. ជ្រើសចៃដន្យពីបញ្ជីគ្រូទាំងអស់ ដើម្បីសម្ភាសន៍) ប៉ុន្តែភាគច្រើន ការសិក្សាគុណភាពត្រូវការភាពចេតនា ដើម្បីទទួលបានភាពចម្រុះ ឬជម្រៅនៃទស្សនៈ ជាជាងឱកាសស្មើគ្នា។
តើការសិក្សារបស់ខ្ញុំត្រូវតែគណនាកម្លាំងស្ថិតិជានិច្ចទេ?
សម្រាប់ការសិក្សាបរិមាណដែលសាកល្បងសម្មតិកម្ម (ឧ. ប្រៀបធៀបក្រុម) ភាគច្រើនទស្សនាវដ្ដី និងសាកលវិទ្យាល័យ រំពឹងឱ្យមានការគណនា a priori។ ការសិក្សាពិពណ៌នា (descriptive) ប្រើរូបមន្តកំហុសទទេជំនួស។
តើ p=០.៥ ក្នុងរូបមន្ត Cochran តែងតែត្រឹមត្រូវទេ?
p=០.៥ ជាជម្រើសប្រុងប្រយ័ត្នបំផុត (ឱ្យទំហំគំរូធំបំផុត)។ ប្រសិនបើមានការប៉ាន់ប៉ាពីមុន (ឧ. ការសិក្សាមុនបង្ហាញប្រេវ៉ាឡង់ ២០%) គួរប្រើលេខនោះ ព្រោះវានឹងឱ្យទំហំគំរូត្រឹមត្រូវជាង និងជាធម្មតាតូចជាង។
តើភាពឆ្អែត និងកម្លាំងព័ត៌មាន ខុសគ្នាយ៉ាងដូចម្ដេចជាក់ស្ដែង?
ភាពឆ្អែតផ្ដោតលើ«ចំណុចឈប់» ដោយសង្កេតថាគ្មានអ្វីថ្មីកើតឡើងទៀត (ក្រោយទិន្នន័យប្រមូលរួច)។ កម្លាំងព័ត៌មានជាការគណនាជាមុន ដោយផ្អែកលើគុណភាពរបស់អ្នកចូលរួម និងវិសាលភាពសំណួរ — មិនចាំបាច់រង់ចាំដល់ទិន្នន័យពេញលេញទេ។
តើគំរូកូតា ខុសពីគំរូស្រទាប់យ៉ាងដូចម្ដេច?
ទាំងពីរចែកប្រជាជនជាក្រុមតាមលក្ខណៈដូចគ្នា ប៉ុន្តែគំរូស្រទាប់ជ្រើសរើសក្នុងក្រុមដោយចៃដន្យ (ប្រូបាប៊ីលីតេ) ចំណែកគំរូកូតា ជ្រើសរើសក្នុងក្រុមដោយមិនចៃដន្យ (ជាធម្មតាងាយស្រួល)។
តើខ្ញុំត្រូវរាយការណ៍ design effect ជានិច្ចក្នុងការសិក្សាចង្កោមទេ?
គួរតែ ប្រសិនបើប្រើការវិភាគស្ថិតិអនុមាន (ចន្លោះទំនុកចិត្ត តេស្តសម្មតិកម្ម)។ កម្មវិធីស្ថិតិភាគច្រើន (R, Stata, SPSS Complex Samples) អាចគណនាកំហុសដែលកែតម្រូវការរចនាបានដោយផ្ទាល់ ប្រសិនបើអ្នកបញ្ចូលព័ត៌មានចង្កោម។
២៥ · ប្រភពឯកសារយោង និងរូបភាព
- Cochran, W. G. (1977). Sampling Techniques (3rd ed.). Wiley.
- Kish, L. (1965). Survey Sampling. Wiley.
- Neyman, J. (1934). On the two different aspects of the representative method. Journal of the Royal Statistical Society, 97(4), 558–625. doi:10.2307/2342192
- Bowley, A. L. (1906). Address to the Economic Science and Statistics Section. Journal of the Royal Statistical Society, 69(4), 540–558.
- Squire, P. (1988). Why the 1936 Literary Digest poll failed. Public Opinion Quarterly, 52(1), 125–133. doi:10.1086/269085
- Gallup, G., & Rae, S. F. (1940). The Pulse of Democracy. Simon & Schuster.
- Goodman, L. A. (1961). Snowball sampling. Annals of Mathematical Statistics, 32(1), 148–170. doi:10.1214/aoms/1177705148
- Etikan, I., Musa, S. A., & Alkassim, R. S. (2016). Comparison of convenience sampling and purposive sampling. American Journal of Theoretical and Applied Statistics, 5(1), 1–4. doi:10.11648/j.ajtas.20160501.11
- Patton, M. Q. (2015). Qualitative Research & Evaluation Methods (4th ed.). Sage.
- Glaser, B. G., & Strauss, A. L. (1967). The Discovery of Grounded Theory. Aldine.
- Guest, G., Bunce, A., & Johnson, L. (2006). How many interviews are enough? Field Methods, 18(1), 59–82. doi:10.1177/1525822X05279903
- Malterud, K., Siersma, V. D., & Guassora, A. D. (2016). Sample size in qualitative interview studies: Guided by information power. Qualitative Health Research, 26(13), 1753–1760. doi:10.1177/1049732315617444
- Braun, V., & Clarke, V. (2021). To saturate or not to saturate? Questioning data saturation as a useful concept. Qualitative Research in Sport, Exercise and Health, 13(2), 201–216. doi:10.1080/2159676X.2019.1704846
- Vasileiou, K., Barnett, J., Thorpe, S., & Young, T. (2018). Characterising and justifying sample size sufficiency in interview-based studies. BMC Medical Research Methodology, 18, 148. doi:10.1186/s12874-018-0594-7
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
- Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program. Behavior Research Methods, 39(2), 175–191. doi:10.3758/BF03193146
- ICF International. (2012). Demographic and Health Survey Sampling and Household Listing Manual. MEASURE DHS.
- Creswell, J. W., & Creswell, J. D. (2023). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (6th ed.). Sage.
- Scribbr — Sampling Methods: Types, Techniques & Examples.
📷 ឥណទានរូបភាព
រូបភាពទាំង ៣ ក្នុងអត្ថបទនេះ បង្ហោះនៅ Wikimedia Commons៖ ដ្យាក្រាមគំរូចៃដន្យសាមញ្ញ · Jerzy Neyman (រូបថតប្រវត្តិសាស្ត្រ) · George Gallup (រូបថតប្រវត្តិសាស្ត្រ)។ ចុចលើរូបភាពណាមួយ ដើម្បីមើលទំហំធំ។
🎓 អត្ថបទនេះជាឯកសារសិក្សាសម្រាប់ជាជំនួយ។ វាមិនជំនួសការណែនាំរបស់គ្រូណែនាំ ឬបទប្បញ្ញត្តិនិក្ខេបបទរបស់សាកលវិទ្យាល័យអ្នកឡើយ។ រូបមន្តគណនា និងកថាខណ្ឌគំរូ ត្រូវបានផ្ដល់ជាឧទាហរណ៍បង្ហាញគំនិត — សូមផ្ទៀងផ្ទាត់នឹងកម្មវិធីស្ថិតិ និងគ្រូណែនាំរបស់អ្នកជានិច្ច មុននឹងប្រើក្នុងនិក្ខេបបទពិតប្រាកដ។
🔬 ស៊េរីវិធីសាស្ត្រស្រាវជ្រាវ — ផែនការមេរៀនទាំង ២៤
ស៊េរីនេះរៀបចំសម្រាប់និស្សិតថ្នាក់អនុបណ្ឌិត និងបណ្ឌិត ពីមូលដ្ឋានទស្សនវិជ្ជា រហូតដល់ការបោះពុម្ព និងការការពារនិក្ខេបបទ។ មេរៀនថ្មីនឹងបន្ថែមជាបន្តបន្ទាប់។