خوشه‌بندی : ابزاری برای آنالیز داده‌ها در مطالعات کمی و آمیخته

محورهای موضوعی : روش ها و مدل های روانشناختی

فرزاد رادمهر ¹ (دانشجوی دکتری آموزش ریاضی دانشکده علوم ریاضی دانشگاه فردوسی مشهد.)
سیدحسن علم الهدائی ² (استاد آموزش ریاضی دانشکده علوم ریاضی دانشگاه فردوسی مشهد)

تاریخ دریافت : 1393/04/25 تاریخ پذیرش : 1393/04/25 تاریخ انتشار : 1393/03/01

کلید واژه: داده کاوی, خوشه‌بندی, روانشناسی یادگیری ریاضی,

چکیده مقاله :

در این مطالعه خوشه بندی به­عنوان یکی از روش­های داده کاوی توصیفی جهت استفاده در مطالعات آموزشی و روانشناختی مطرح می­گردد. گروه­بندی داده­های پژوهش در مطالعات قبلی در حوزه­های آموزشی و روانشناختی توسط میانگین، میانه و برد صورت گرفته است که دارای نواقص و محدودیت­هایی می­باشد. لذا در این مطالعه خوشه­بندی به­عنوان ابزاری جایگزین با قابلیت­های متعدد در مطالعات کمی و آمیخته معرفی می­گردد. بدین منظور، ابتدا تعریف اجمالی از      خوشه­بندی ارائه گردیده و سپس مراحل ششگانه اجرای فرایند خوشه­بندی(انتخاب متغیرهای خوشه­بندی، انتخاب روش خوشه­بندی، انتخاب معیار شباهت/تفاوت، انتخاب الگوریتم خوشه­بندی، انتخاب تعداد خوشه و بررسی اعتبار و تفسیر نتایج خوشه­بندی) توسط داده­های کمی مرتبط با روانشناسی یادگیری ریاضیات بیان می­گردد تا ضمن آشنایی بیشتر پژوهشگران حوزه­ی مطالعات آموزشی و روانشناختی با این ابزار، نتایج جدیدی در زمینه­ی روانشناسی یادگیری ریاضیات مطرح گردد. نتایج اعمال خوشه­بندی بر روی داده­ها نشان می­دهد که از خوشه­بندی می­توان برای بررسی ارتباط متغیرهای مختلف بر متغیر وابسته در مطالعات کمی و شناسایی کاندیداهای شرکت در مصاحبه در مطالعات آمیخته استفاده کرد.

چکیده انگلیسی:

In this study, cluster analysis as a descriptive data mining method for using in educational and psychological studies is presented. Grouping data in previous studies in these areas is done by median, mean, and range which has several weaknesses and limitations. Therefore, cluster analysis as an alternative method which has several applications in quantitative and mixed method studies is introduced. To achieve this, cluster analysis and steps for conducting cluster analysis (i.e., deciding on clustering variables, clustering procedure, selecting measure of similarity/dissimilarity, choosing clustering algorithm, deciding on the number of clusters, and validating and interpreting the cluster solution) are presented and illustrated by a sample data related to psychology of learning mathematics in order to familiarize researchers with this methods and also finding new results in this area. Obtained results indicate that cluster analysis can be used for investigating relationships between variables in quantitative research and finding potential candidates for interviewing in mixed method studies.