1. Sử dụng R cho phân tích dữ, xuất bản và công bố nghiên cứu

2. Mô tả về dữ liệu sử dụng

Trong cuốn sách này, chúng tôi sẽ sử dụng một bộ dữ liệu được thu thập như một phần của nghiên cứu về học sinh lớp 5 bậc tiểu học. Khi dữ liệu được thu thập, các em khoảng từ 10 đến 11 tuổi. Do có hiện tượng lưu ban, một số học sinh có thể lớn tuổi hơn. Mục tiêu của nghiên cứu là tìm hiểu mối quan hệ giữa thành tích học tập, nhận thức bản thân, và thái độ đối với trường học của học sinh. Dữ liệu về lai lịch cha mẹ, giới tính và một số biến liên quan đến nhà trường cũng được thu thập.

Dữ liệu được thu thập thông qua một bảng hỏi dành cho từng học sinh. Nhà nghiên cứu trực tiếp phát bảng hỏi trong tất cả các trường hợp, thường có sự hiện diện của giáo viên chủ nhiệm lớp.

Thông tin về thành tích học tập được giáo viên cung cấp cho hai môn học (Tiếng Anh và Toán), cũng như điểm trung bình chung (GPA), và được dựa trên kết quả các bài kiểm tra do giáo viên tự thiết kế.

Nhận thức bản thân được xây dựng dưới dạng phân cấp và đa chiều. Việc xây dựng các câu hỏi dựa trên mô hình bảy yếu tố của Shavelson (xem Chương 4). Bốn câu hỏi được thiết kế để đo lường mỗi yếu tố. Ngoài ra, một thang đo lòng tự trọng toàn diện gồm chín câu hỏi cũng được sử dụng. Thái độ đối với trường học được đo lường bằng sáu câu hỏi, tập trung vào cả thái độ của học sinh đối với nhà trường nói chung và đối với giáo viên. Học sinh cũng được yêu cầu chấm điểm cho ngôi trường của mình. Hai câu hỏi đo lường lai lịch cha mẹ. Một câu hỏi ghi nhận trình độ học vấn cao nhất của người chăm sóc chính. Biến thứ hai đo lường tình trạng kinh tế xã hội (SES) của họ dựa trên phân loại nghề nghiệp của Tổ chức Lao động Quốc tế (ISCO 88). Dữ liệu này được thu thập bằng cách yêu cầu học sinh đem bảng hỏi về nhà để phụ huynh điền thông tin. Một số dữ liệu liên quan đến nhà trường cũng được thu thập – cụ thể là loại hình trường học và chất lượng môi trường học đường (được đánh giá qua các chỉ số do người quan sát ghi nhận trong các đợt khảo sát thực tế).

Mẫu nghiên cứu được chọn ngẫu nhiên từ 50 trường tiểu học. Tại mỗi trường, toàn bộ học sinh của một lớp học lớp 5 đều được khảo sát. Bộ dữ liệu đã được rút gọn (vì ban đầu có nhiều biến hơn) và xử lý sạch để sử dụng trong cuốn sách này. Một vài nhãn biến đã được thay đổi nhằm bảo đảm tính ẩn danh của nhà trường và người tham gia khảo sát.

3. Làm sạch và tiền xử lí dữ liệu

Làm sạch dữ liệu (data cleaning) và tiền xử lý dữ liệu (data pre-processing) là những bước thiết yếu trong bất kỳ nghiên cứu định lượng nào, nhằm đảm bảo độ tin cậy và hợp lệ của kết quả phân tích. Dữ liệu thực nghiệm thường chứa lỗi như giá trị thiếu, sai định dạng, ngoại lệ thống kê hoặc biến đo không nhất quán. Những sai lệch này, nếu không được xử lý triệt để, có thể làm suy giảm chất lượng mô hình và dẫn đến kết luận sai lệch (Rahm & Do, 2000).

Trong nghiên cứu giáo dục, nơi dữ liệu thường được thu thập từ bảng hỏi, đánh giá học sinh hoặc hồ sơ nhà trường, việc xử lý dữ liệu trước phân tích là đặc biệt quan trọng. Việc lọc giá trị thiếu, phát hiện dữ liệu nhiễu và chuẩn hóa thang đo giúp đảm bảo rằng các kết luận về học tập, động lực hay can thiệp giáo dục phản ánh đúng thực tiễn (Pyle, 1999).

Theo Kelleher và Tierney (2018), quá trình tiền xử lý không chỉ là kỹ thuật hỗ trợ, mà là bước then chốt trong pipeline của khoa học dữ liệu học thuật. Việc chuẩn hóa và làm sạch dữ liệu còn góp phần nâng cao tính tái lập và tính minh bạch trong nghiên cứu – hai tiêu chí đang ngày càng được coi trọng trong khoa học giáo dục (Van den Broeck et al., 2005).

Thư viện dplyr gói được lựa chọn cho việc làm sạch và xử lí dữ liệu. Trước khi học các chương kế tiếp tôi khuyến nghị các bạn học cách làm quen với R thông qua việc sử dụng thư viện này từ khóa học Business Analytics R Programming Guide (tại https://uc-r.github.io/r_bootcamp) hoặc website của dplyr tại https://dplyr.tidyverse.org/index.html.

4. Tài liệu tham khảo

Baumer, B., Cetinkaya-Rundel, M., Bray, A., Loi, L. & Horton, N.J., 2014. R Markdown: Integrating A Reproducible Analysis Tool into Introductory Statistics. Technology Innovations in Statistics Education, 8(1).

Elff, M., 2020. Data Management in R: A Guide for Social Scientists. Cham: Springer Nature.

Gillespie, B.J., Hibbert, K.C. & Wagner-Huang, W.E., 2020. A Guide to R for Social and Behavioral Science Statistics. Thousand Oaks, CA: SAGE Publications.

Ihaka, R. & Gentleman, R., 1996. R: A Language for Data Analysis and Graphics. Journal of Computational and Graphical Statistics, 5(3), pp.299–314.

Kelleher, J.D. & Tierney, B., 2018. Data Science. MIT Press.

Pyle, D., 1999. Data Preparation for Data Mining. Morgan Kaufmann.

Rahm, E. & Do, H.H., 2000. Data cleaning: Problems and current approaches. IEEE Data Engineering Bulletin, 23(4), pp.3–13.

Tikka, S., Kopra, J., Heinäniemi, M., López-Pernas, S. & Saqr, M., 2024. Getting started with R for education research. In: M. Saqr, S. López-Pernas and D. Ifenthaler, eds. Learning Analytics Methods and Tutorials: A Practical Guide Using R. Cham: Springer Nature Switzerland, pp.67–94.

Van den Broeck, J., Cunningham, S.A., Eeckels, R. & Herbst, K., 2005. Data cleaning: detecting, diagnosing, and editing data abnormalities. PLOS Medicine, 2(10), pp.e267.

Wickham, H., 2016. ggplot2: Elegant Graphics for Data Analysis. Springer.

Xie, Y., 2015. Dynamic Documents with R and knitr. 2nd ed. Chapman and Hall/CRC.