數據處理——數據的獲取之網絡問卷

2021-03-06 玩轉scratch課堂

【精彩之處】

1.素材準備。本節課是對數據的獲取課的拓展,在了解多種獲取方式之後讓學生親身體驗用問卷獲取數據的方式。課前讓學生以小組為單位圍繞影響書市受歡迎程度的多種因素設計紙質問卷,我經過問卷整理,按照「因素」分類學生設計的問卷問題。

2.上課引導。在本節課中,重點放在學生設置合理的問卷題目。本節課讓學生先從「其他」文檔中刪除與調查目的無關的問題,保留與調查目的有關的問題,並說明原因。在這個環節,學生能夠很清晰地說出自己的理由。

3.小組評價。課前出示小組評價,解釋前面兩次小組活動的評價結果,並為學生解釋評分標準:完成度和作業上交的時間,由此激發本節課小組合作能夠非常高效。

【需要調整】

  1.本次課上了兩個班,兩個班後半程的組織是不同的。前一個班後半程採用組間合作的方式,先指出要調節的問卷問題—選項的不唯一性、問題題型、問題整合等,在課間中有呈現,學生一目了然。而在組間合作的組織中,學生比較困難。

後一個班後半程採用的是組內合作,按照不同的影響因素將小組分配不同的問題,要求學生修改問題,上交作業。但由於沒講清楚問卷題目應該怎麼做?因此學生不太明白。採用教師到組內指導的方式,浪費了很多時間。但組內合作效率高,能節約時間,也能夠讓學生快速融入小組活動中。

兩者可以結合,可以按照組別給小組分問卷題目設置順序,但前頭把問卷的問題說清楚。

2.本課弱化了網絡電子問卷。考慮到學生沒有手機號碼,機房網絡卡,調查問卷不能多的特點,因此兩個班弄一個調查問卷。但課開始我們可以打開問卷星,設計題目和引導語,讓學生更明白調查的目的。

【困惑】

《數據的獲取》這課中,網絡電子問卷是需要學生去體驗的,本節課是由學生設置問題,而電子問卷的操作是由老師操作的。主要是因為學生沒有問卷星的帳號,二來如果大家都做電子問卷,最終有很多的電子問卷,那學生就需要很多的問捲髮放量,後續數據的統計是不現實的。對於要採訪的對象,採訪的對象也無法承受那麼多的問卷。問卷的操作是否需要完全落實?以回家註冊問卷帳號,設計一個小問卷形式的作業可以嗎?

【接下去還是的事】

1.列印出問卷讓學生去1、2年級問卷。

相關焦點

  • 問卷星、SPSS | 剔除無效問卷數據
    大家好,又到年末了,是不是有的小夥伴已經收集了一波數據了?馬上準備分析數據?別急,先看看手頭這些數據裡是不是有無效數據。
  • 問卷數據清洗與分析的幾點經驗
    經歷了問卷設計這第一道關卡後,面對回收後的大量數據,你是否也有以下的困惑回收後的數據是真實的嗎?用什麼工具處理問卷數據最高效?如何分析和解讀問卷數據?你將從本文有如下收穫問卷數據處理需要的工具問卷數據清洗常用思路問卷數據分析常用維度問卷數據解讀常用維度本文整體結構一.工具:該用什麼來處理數據?其實進行基礎的描述性統計與交叉分析時,Excel和Spss這兩款工具都有相對應的功能可以實現,大家可以根據平時的使用習慣自行選擇。
  • spss數據分析-問卷設計
    磨刀不誤砍柴工,在數據分析數據挖掘領域有一句經典話:數據和特徵決定了機器學習的上限,而模型和算法只是逼近這個上限而已。
  • spss數據分析--問卷的設計
    在數據分析數據挖掘領域有一句經典話:數據和特徵決定了機器學習的上限,而模型和算法只是逼近這個上限而已。
  • 問卷數據難處理?SPSS來幫你
    調查分析問卷回收,在經過核實和清理後就要用SPSS做數據分析,首先的第一步就是把問題編碼錄入。要根據問卷問題的不同定義變量。
  • 金融數據獲取之tushare
    -28','2017-09-03')]1.1 歷史數據# get_k_data 函數獲取歷史數據# 將多個時間段的數據拼接# 出於性能的考慮,一次性請求數據的時間長度最好不超過3年,需要獲取更長時間的歷史數據就需要將多個數據表拼接# ktype 的可用選項:D=日k線 W=周 M=月 5=5分鐘 15=15分鐘 30=30分鐘 60=60分鐘,默認為D
  • 如何通過網絡數據的獲取,做出這些數據分析項目?
    作者 | AlfredWu 來源 | Alfred數據室 最近有很多人在問,我是如何收集網絡的數據,如何進行數據處理、數據分析以及可視化呈現的。也有人問的更具體,關於Python數據分析的一些問題。到底應該怎麼學?
  • 問卷與量表分析:【3】線下問卷數據的錄入
    在一份問卷中,通常都有多種題型,不同的題項數據錄入的方法不盡相同,本文介紹問卷中常見題型的錄入方法。
  • 2、問卷數據——問卷量表的效度分析
    具體信度度量參考:1、問卷數據——問卷量表的信度分析。  效度包含兩層含義,一是測量的是所要研究的概念而不是其他概念,二是該概念能夠被準確的測量。根據內容效度係數是否顯著判斷量表是否在內容上有效(註:測量前需要對量表進行計分方式同向處理,同一為正向或反向)。(2)準則效度——計算準則效度係數計算量表得分與準則間的相關係數(準則效度系),其值越大則所採用量表與準則之間的一致性程度越高,說明所採用量表的效度越高;反之,則越低。
  • 研究方法之問卷法(1)
    >好處:認可度好、有高的信效度;局限性:文化差異、是否過時、翻譯是否準確<量表回譯:一個人將英文量表翻譯成中文,另個人將中文量表回譯成英文,兩個人一起研究回譯後的英文版本和原版的差別並予以解決>;需要注意:儘量不要刪改,如果要刪改,需要有理論上的合理性)常見量表獲取來源書籍
  • 網絡問卷調查90%都不合規範 | 網際網路數據資訊網-199IT | 中文互聯...
    比如,現在我們要做「金坷垃」牌口香糖,那問卷設計的主持者自己首先得非常了解口香糖這個產品的市場情況。2.文獻鋪墊可閱讀相關的行業研究報告或類似靠譜的問卷研究,這有助於避免走錯方向,也能提供新思路。如有條件,可以找到相關的數據,先刨一下數據,做些數據分析,這非常有利於問卷將來設計和發放。
  • 問卷數據的效度與信度分析
    對於這種量表數據,我們一般會先對其進行信度、效度的分析,然後判斷得到的數據是否能夠進行下一步的因子分析。下面以一個實例講解如何對李克特量表進行信度與效度的檢驗。某同學通過問卷調查的方法對遊客的旅遊動機及其影響因素進行研究,結合國內外關於民族節慶遊客動機的研究和對節慶期間的遊客進行訪談,運用因子分析從20項旅遊動機顯變量中挖掘出具有較強信服力的旅遊動機,部分問卷數據如下所示(微信後臺回復「問卷數據分析」,可獲得數據下載連結):問卷信息 受訪者一般信息
  • FME與網絡數據獲取:03常用輔助轉換器介紹與應用實例(一)
    作者入門FME是從學習獲取網絡數據開始,以前的一些記錄主要也是介紹如何獲取網絡數據
  • 原創試題命制所需數據資料的網絡獲取途徑
  • 問卷數據,該如何著手分析呢?
    工作中用到的調研問卷,探索的內容相對具體,涉及的變量也比較少,一般不會用到太複雜的分析方法,Excel+SPSS即可搞定,本文整理了幾類常見的問卷分析思路。拿到一份問卷數據,該如何著手分析呢?且慢,要做分析得先檢查數據是不是完整、可信,所以先從數據清洗開聊。
  • 數據獲取之Getdata graph Digitizer
    這時候,需要用具有圖片旋轉功能的工具軟體(如word、photoshop等)將數據圖旋轉正立後再存儲,以方便GGD正確讀取數據。啟動GGD軟體,打開要獲取數據的圖形文件,如下圖所示。否則,計算機會默認按線性坐標關係計算,導致數據值錯誤。當然,你也可以在點擊OK按鈕後,通過點擊窗口右上「current status」後,進行必要的調整。其次,獲取數據的坐標值。經過上述設定,就可以開始獲取想要的數據了。點擊工具欄上point capture mode圖標或operations菜單的對應選項,滑鼠形狀改為稍大的十字叉。
  • SPSS分析技術:問卷(試卷)的信度分析;以某機構的《英語學習策略》問卷調查數據為例
    基礎準備在我們的學習和生活中,經常會遇到填寫調查問卷的情況,例如,當大學的一個學期課程結束後,學校會通過網絡問卷或紙質問卷的形式收集學生對於某一門課的評價數據
  • 利用tushare獲取股票數據
    想要獲取股票交易數據的你,還在各種交易平臺上機械的點擊滑鼠進行下載嗎?如果你恰好是這種情況,那麼恭喜你,在看完這篇推文以後就可以輕鬆獲取股票交易數據啦~在Stata中,我們可以使用爬蟲俱樂部開發的cnstock和cntrade等命令來輕鬆獲取股票數據,今天我們介紹Python中獲取數據的方法——tushare。
  • 從哪裡獲取數據?
    今天要解決的問題是從哪裡獲取數據?首先說明一點,公開數據可以免費引用,但是最好有標明來處,一個好的習慣是非常有必要的。但是非法獲取他人數據屬於犯罪行為,見相關法律。(中華人民共和國網絡安全法,第二十七條  任何個人和組織不得從事非法侵入他人網絡、幹擾他人網絡正常功能、竊取網絡數據等危害網絡安全的活動;不得提供專門用於從事侵入網絡、幹擾網絡正常功能及防護措施、竊取網絡數據等危害網絡安全活動的程序、工具;明知他人從事危害網絡安全的活動的,不得為其提供技術支持、廣告推廣、支付結算等幫助。)下面列舉一下從哪裡可以獲取數據?網址連結都驗證過,沒有問題。
  • 如何優雅的獲取數據
    首先,我們要確保數據的可靠性與真實性,然後再把這些數據分析應用到科研論文中,發揮數據的價值。昨天給大家推送了幾款論文寫作神器,今天給大家推薦幾款獲取數據的神器。1.   涉及的領域包括:農業、生物學、氣候、計算機網絡、數據科學、地球科學、經濟學、教育、能源、金融學、GIS、圖像處理、機器學習……