Ang epektibong pagpapakita ng data ng survey ay mahalaga para sa mga mananaliksik at mga propesyonal. Sa maraming magagamit na tool, ang Likert Scale ay isang sikat at malawakang ginagamit na paraan para sa pagsukat ng mga saloobin, opinyon, at pananaw. Gayunpaman, maaaring maging mahirap ang pagbabago ng raw data mula sa Likert Scale survey sa makabuluhan at insightful na visual na representasyon.
Ine-explore ng artikulong ito kung paano ipakita ang data ng Likert Scale, kasama ang mga diskarte at pinakamahuhusay na kagawian para matulungan kang ipaalam ang iyong mga natuklasan nang may kalinawan, katumpakan, at epekto. I-unlock natin ang mga lihim sa pagpapakita ng data ng Likert Scale tulad ng isang pro!
| ☑Mabilis na Sagot |
| Upang ipakita ang data ng Likert Scale, gumamit ng mga mapaglarawang istatistika - tulad ng mga average na marka o porsyento - para sa bawat kategorya ng pagtugon upang ibuod ang mga resulta. Gumamit ng mga stacked bar chart o bar chart para sa pag-visualize ng pamamahagi ng mga tugon. Ipakita ang lahat ng mahahalagang natuklasan habang itinatampok ang mahahalagang uso o pattern na naobserbahan. |
Pag-unawa sa Likert Scale Data
Ang Likert Scale ay isa sa mga pinaka ginagamit na rating scale sa mga survey at pananaliksik. Ito ay ginagamit para sa pagsukat ng mga opinyon, kagustuhan, saloobin, at pananaw ng mga indibidwal. Rensis Likert, isang psychologist, ang bumuo ng Likert Scale, at mula noon, malawak na itong ginamit sa pananaliksik sa merkado at mga agham panlipunan.
Ang Likert Scale ay binubuo ng ilang mga item o serye ng mga pahayag kung saan ang mga respondent ay taos-pusong nagpapakita ng kanilang antas ng hindi pagkakasundo o kasunduan sa isang programmed response scale.
Paghahanda ng Likert Scale Data para sa Presentasyon
Ang paghahanda ng data ng Likert Scale para sa presentasyon ay nagsasangkot ng ilang hakbang upang matiyak ang katumpakan, pagiging maaasahan, at pagkakapare-pareho ng mga nakolektang data. Ang prosesong ito ay nahahati sa mga sumusunod:
- Pangongolekta at organisasyon ng data
Ang pagtiyak na maaasahan ang lahat ng mga tugon ay napakahalaga kapag nangongolekta ng data ng sukat ng Likert. Ito ay makakamit lamang sa pamamagitan ng mahusay na disenyong mga talatanungan o survey, pag-iwas sa mga hindi malinaw na tanong o pahayag, paggamit ng mga malilinaw na opsyon, at paggamit ng naaangkop na mga opsyon sa pagtugon.
Ang nakolektang data ay dapat na pare-pareho at tumpak, na sinusukat sa pamamagitan ng maingat na pagsubaybay kapag nangongolekta ng data upang mabawasan ang mga error. Dapat magbigay ng malinaw na mga tagubilin para sa pagkumpleto ng talatanungan.
- Paglilinis at paunang pagproseso ng data
Kabilang dito ang pag-alis ng mga di-wasto o hindi kumpletong mga tugon, pangangasiwa sa mga nawawalang halaga, at pag-alis sa lahat ng mga tugon na hindi nakakatugon sa paunang tinukoy na pamantayan para sa bisa.
- Pagbabago ng data ng Likert Scale sa mga numerical na halaga
Karaniwang ginagamit ng data ng Likert Scale ang mga ordinal na kategorya - tulad ng lubos na sumasang-ayon, sumasang-ayon, neutral, hindi sumasang-ayon, at lubos na hindi sumasang-ayon. Samakatuwid, karaniwang kasanayan na i-convert ang mga tugon sa Likert Scale sa mga numerical na halaga para sa visualization.
Ginagawa ito sa pamamagitan ng pagtatalaga ng mga halaga o numerical code sa bawat opsyon sa pagtugon, isinasaalang-alang ang magnitude sa pagitan ng mga opsyon o ang relatibong distansya.
- Visualizing Likert Scale Data
Ang pag-visualize ng data ng Likert Scale ay mahalaga para sa epektibong pag-unawa at komunikasyon sa mga sagot na nakuha sa pamamagitan ng sikat na ginagamit na rating system na ito. Ang kumakatawan sa data at pagkuha ng mga makabuluhang insight ay kinabibilangan ng pagpili ng pinakaangkop na visualization technique.
Ang ilan sa mga pinakasikat ay kinabibilangan ng:
- Mga tsart ng bar
Ito ay isang hindi kumplikadong paraan ng pagpapakita ng Likert scale data. Ang bawat kategorya ng tugon ay kinakatawan ng isang hiwalay na bar tsart. Ang taas ng bawat bar ay nagpapahiwatig ng porsyento o dalas ng mga tugon sa partikular na kategoryang iyon.
- Diverging stacked bar chart
Ang mga ito ay perpekto para sa pag-visualize ng Likert scale data na kinabibilangan ng mga negatibo at positibong tugon. Pinapayagan nito ang mga mambabasa na makita ang pamamahagi ng mga tugon sa magkabilang panig ng sukat ng Likert. Ang mga negatibo at positibong segment ay nagmula sa gitnang punto.
- Mga nakasalansan na bar chart
Ang mga ito ay kapaki-pakinabang para sa paghahambing ng pamamahagi ng mga tugon sa ilang Likert scale item. Ang bawat bar ay kumakatawan sa kabuuang bilang ng tugon para sa bawat item. Ang iba't ibang mga segment sa bar ay tumutugma sa maraming mga kategorya ng tugon.
- Mga ganap na frequency
Ipinapahiwatig nito ang bilang ng mga tugon sa bawat kategorya. Ang pagsasama ng mahalagang impormasyong ito ay nakakatulong sa mga mambabasa na maunawaan ang pamamahagi ng mga tugon, lalo na sa mga tuntunin ng hilaw na bilang.
- Heatmaps
Ang mga heatmap ay mahalaga para sa pagpapakita ng malaking halaga ng Likert scale data. Madalas nilang ginagamit ang mga gradient ng kulay upang kumatawan sa mga porsyento o mga frequency ng pagtugon. Ginagawa nitong mas madaling matukoy ang mga trend at pattern sa ilang dimensyon o item.
Frequently Asked Questions (FAQ)
- Ang Likert Scale ba ay quantitative o qualitative?
Ang data na nakuha mula sa Likert Scales ay quantitative dahil ipinapalagay nila ang pantay na pagitan sa pagitan ng mga puntos.
- Ano ang mga problema sa Likert Scales?
Kasama sa mga problema sa Likert Scales ang mga hindi pantay na tugon. Ginagawa nitong hamon ang pagraranggo ng mga nakuhang sagot. Ibig sabihin, ngayon, ang distansya sa pagitan ng bawat tugon ay hindi nasusukat o pantay na distansya.
Konklusyon
Ang pag-aaral kung paano ipakita ang Likert scale data ay mahalaga para sa tumpak na paghahatid ng mga resulta ng survey at mga insight. Sa pamamagitan ng pagsunod sa mga alituntuning tinalakay sa artikulong ito, tulad ng pag-aayos ng data, pagpili ng mga naaangkop na visualization, at pagbibigay ng malinaw na mga paliwanag, maaaring mapahusay ng mga mananaliksik at analyst ang epekto at pag-unawa sa kanilang mga natuklasan.
