BLUETHESIS / INDEX
ENگفت‌وگو درباره پژوهش۰۹۳۰۲۸۲۲۰۹۱

SEARCH THE INDEX

موضوع مورد نظرتان را پیدا کنید.

در خدمات، نوشته‌ها و منابع پژوهشی جستجو کنید.

مقاله

نمره‌گذاری و پایایی پرسشنامه در پایتون: گویه معکوس، نمره مقیاس و آلفای کرونباخ

نمودار مساحتی و ستونی داده‌ها روی زمینه آبی

وقتی داده‌های یک پرسشنامه وارد پایتون می‌شوند، مرحله بعد فقط اجرای آزمون‌های آماری نیست. پیش از هر تحلیل استنباطی باید مطمئن شوید گویه‌ها درست کدگذاری شده‌اند، گویه‌های معکوس اصلاح شده‌اند، نمره هر مقیاس به شکل قابل دفاع ساخته شده و پایایی درونی ابزار به‌درستی بررسی شده است.

این راهنما عمداً روی نمره‌گذاری و پایایی پرسشنامه در پایتون تمرکز دارد. برای مسیر کامل تحلیل داده‌های پیمایشی با Pandas و Statsmodels، راهنمای اصلی تحلیل داده‌های پرسشنامه و پیمایشی با پایتون را ببینید.

۱. داده و فرهنگ کدگذاری را با هم وارد کنید

فایل داده بدون فرهنگ کدگذاری می‌تواند مبهم باشد. بهتر است برای هر متغیر مشخص کنید که نام ستون چیست، چه سؤالی را نشان می‌دهد، دامنه مجاز پاسخ‌ها کدام است و آیا گویه جهت معکوس دارد یا خیر.

import pandas as pd

df = pd.read_excel("questionnaire.xlsx")
df.info()
df.head()

در این مرحله نوع هر ستون را بررسی کنید. ستونی که باید عددی باشد اما به صورت متن وارد شده، می‌تواند بسیاری از محاسبات بعدی را مختل کند.

۲. مقادیر گمشده و کدهای خاص را استاندارد کنید

در برخی فایل‌ها مقادیری مانند 99، 999 یا عبارت‌هایی مانند «بدون پاسخ» برای داده گمشده استفاده می‌شوند. این مقادیر را قبل از ساخت نمره مقیاس به NA تبدیل کنید.

import numpy as np

df = df.replace({
    99: np.nan,
    999: np.nan,
    "بدون پاسخ": np.nan
})

پس از آن تعداد داده‌های گمشده را برای هر متغیر ببینید:

df.isna().sum()

حذف خودکار تمام ردیف‌های ناقص همیشه تصمیم مناسبی نیست. مقدار و الگوی گمشدگی را بررسی کنید و روش برخورد با آن را در بخش روش یا تحلیل گزارش دهید.

۳. گویه‌های معکوس را درست نمره‌گذاری کنید

اگر مقیاس ۱ تا ۵ است، یک گویه معکوس را می‌توان با فرمول زیر بازکدگذاری کرد:

df["q5_r"] = 6 - df["q5"]

برای مقیاس‌های دیگر، فرمول باید با حداقل و حداکثر پاسخ سازگار شود. فهرست گویه‌های معکوس را از منبع اصلی پرسشنامه کنترل کنید؛ تشخیص آن‌ها از روی متن به تنهایی می‌تواند خطا ایجاد کند.

۴. قبل از ساخت نمره کل، دامنه پاسخ‌ها را کنترل کنید

برای یک سؤال لیکرت ۱ تا ۵، مقادیر خارج از این دامنه باید بررسی شوند:

invalid = df.loc[(df["q1"] < 1) | (df["q1"] > 5), "q1"]
print(invalid)

این کنترل را می‌توان برای همه گویه‌های یک مقیاس اجرا کرد. وجود مقدار خارج از دامنه الزاماً به معنی حذف پاسخ‌دهنده نیست؛ ابتدا باید مشخص شود خطای ورود داده رخ داده یا کد خاصی استفاده شده است.

۵. نمره زیرمقیاس یا مقیاس کل را بسازید

فرض کنید چهار گویه یک سازه را می‌سنجند و گویه پنجم پس از معکوس‌سازی به مجموعه اضافه شده است:

items = ["q1", "q2", "q3", "q5_r"]

df["scale_mean"] = df[items].mean(axis=1)
df["answered_items"] = df[items].notna().sum(axis=1)

بهتر است علاوه بر میانگین، تعداد گویه‌های پاسخ‌داده‌شده را نیز ثبت کنید. سپس می‌توانید قاعده‌ای تعریف کنید که نمره مقیاس فقط وقتی محاسبه شود که حداقل تعداد مشخصی از گویه‌ها پاسخ داشته باشند.

df.loc[df["answered_items"] < 3, "scale_mean"] = np.nan

۶. آلفای کرونباخ را با فرمول شفاف محاسبه کنید

آلفای کرونباخ یکی از شاخص‌های متداول برای بررسی سازگاری درونی گویه‌های یک مقیاس است. می‌توانید آن را با یک تابع ساده محاسبه کنید:

def cronbach_alpha(items_df):
    items_df = items_df.dropna()
    item_variances = items_df.var(axis=0, ddof=1)
    total_score = items_df.sum(axis=1)
    n_items = items_df.shape[1]

    return (
        n_items / (n_items - 1)
        * (1 - item_variances.sum() / total_score.var(ddof=1))
    )

alpha = cronbach_alpha(df[items])
print(alpha)

عدد آلفا را به تنهایی تفسیر نکنید. تعداد گویه‌ها، همبستگی بین گویه‌ها، جهت کدگذاری و ماهیت سازه بر مقدار آن اثر دارند. همچنین آلفای بالا به خودی خود روایی سازه را ثابت نمی‌کند.

۷. گویه‌های مسئله‌دار را با احتیاط بررسی کنید

اگر یک گویه با بقیه سازگار نیست، فوراً آن را حذف نکنید. ابتدا موارد زیر را بررسی کنید:

  • آیا گویه معکوس بوده و اشتباه کدگذاری شده است؟
  • آیا دامنه پاسخ آن با سایر گویه‌ها متفاوت است؟
  • آیا داده گمشده یا خطای ورود داده در آن بیشتر است؟
  • آیا از نظر مفهومی واقعاً همان سازه را می‌سنجد؟
  • آیا حذف آن با منطق نظری و منبع اصلی ابزار سازگار است؟

تصمیم حذف گویه باید روش‌شناختی باشد، نه صرفاً برای افزایش عدد آلفا.

۸. توزیع نمره مقیاس را قبل از تحلیل نهایی ببینید

پس از ساخت نمره کل یا زیرمقیاس، آمار توصیفی و نمودار آن را بررسی کنید:

print(df["scale_mean"].describe())

df["scale_mean"].hist()

این مرحله به شناسایی خطاهای باقی‌مانده، سقف و کف شدید، یا نقاط پرت کمک می‌کند. برای آزمون‌های آماری بعدی نیز می‌توانید از راهنمای آزمون‌های آماری در پایتون با NumPy و SciPy استفاده کنید.

۹. خروجی تحلیل را قابل بازتولید نگه دارید

به جای اصلاح دستی فایل اکسل در چند مرحله، تمام تبدیل‌ها را در یک اسکریپت ثبت کنید. در پایان، فایل آماده تحلیل را جداگانه ذخیره کنید:

df.to_csv("questionnaire_scored.csv", index=False)

این روش باعث می‌شود مسیر تبدیل داده خام به نمره نهایی قابل بررسی باشد و هنگام اصلاح پایان‌نامه بتوانید تحلیل را دوباره اجرا کنید.

چک‌لیست نمره‌گذاری پرسشنامه در پایتون

  • نوع متغیرها و دامنه پاسخ‌ها کنترل شده است.
  • کدهای گمشده به شکل استاندارد تبدیل شده‌اند.
  • گویه‌های معکوس طبق منبع اصلی اصلاح شده‌اند.
  • حداقل تعداد پاسخ لازم برای ساخت نمره مشخص است.
  • مقیاس کل و زیرمقیاس‌ها با منطق نظری سازگارند.
  • پایایی درونی با داده پاکسازی‌شده محاسبه شده است.
  • حذف احتمالی گویه‌ها فقط با دلیل روش‌شناختی انجام شده است.
  • اسکریپت نهایی و فایل داده خام هر دو حفظ شده‌اند.

مرحله بعد

پس از ساخت نمره‌های قابل اعتماد، می‌توانید تحلیل‌های توصیفی، مقایسه گروه‌ها، همبستگی، رگرسیون یا مدل‌های پیشرفته‌تر را اجرا کنید. برای مسیر کامل از ورود داده تا گزارش فصل چهارم، راهنمای جامع تحلیل داده‌های پرسشنامه با پایتون را مطالعه کنید. اگر پروژه شما نیاز به پیاده‌سازی اختصاصی یا کدنویسی تحلیل دارد، صفحه خدمات برنامه‌نویسی پایتون نیز مرتبط است.

اگر پس از آماده‌سازی نمره‌ها به کمک در اجرای آزمون‌ها نیاز دارید، صفحه انجام تحلیل آماری و برای نگارش کل کار، صفحه انجام پایان نامه را ببینید.