第10章 计算机辅助教学中的数据处理与应用

,计算机辅助教学理论与实践,计算机辅助教学中的数据处理与应用,第10章,*,XXXXXXXXXXXXXXXXXX,目录,10.1计算机辅助教学数据处理概述,10.1.1数据处理软件10.1.2SPSS的描述性分析10.1.3SPSS的推断性统计应用,10.2实例一：学生成绩分析,10.2.1数据的录入与整理10.2.2描述性分析10.2.3推断性分析,第10章计算机辅助教学中的数据处理与应用,10.3实例二：教学管理数据分析,*,XXXXXXXXXXXXXXXXXX,第10章计算机辅助教学中的数据处理与应用,在教学过程中对所产生的数据进行整理，利用各种统计分析手段和方式理论，对教学情况进行判断，相比教育工作者的主观评价更为准确。在教学过程中，以教学数据分析、判断的结果为基础，再配合教师教学经验积累的评价，弥补教师主观评价过多人为因素而影响评价的缺陷，帮助教师更高效、全面准确的了解学生的学习和成长情况，帮助教育管理人员更为准确把握学校日常教学工作的进行，对提高教师的教学质量、学生的效果、学校的教育水平甚至是整个教育系统的良性发展都有重要作用。,*,XXXXXXXXXXXXXXXXXX,第10章计算机辅助教学中的数据处理与应用,教学过程中产生的数据信息大多具有较低量度水平，样本数量不一，统计难度大，数据保存不便等特点，这都决定了教学数据统计的难度大、准确度不高、费时费力，高级别的分析和判断难以进行，对数据的利用不充分、不能深入挖掘数据信息，对大数量的样本统计更加困难。而计算机统计数据运输速度快、精度高，具有逻辑判断能力，可进行深入的数据挖掘，充分利用数据信息，具有存储和记忆能力便于保存等特点，这些都决定了利用计算机对教学数据进行处理的可行性和必要性。而功能强大，操作简单的数据统计分析软件是解决这些问题的首选。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,对教学产生的数据进行处理分析，常包括对数据进行统计分析、绘制统计图表、进行统计推断等功能，涉及许多繁琐复杂的计算与制图过程。在教育领域中，计算机辅助的教学数据处理常用软件有MicrosoftOfficeExcel及统计产品与服务解决方案（StatisticalProductandServiceSolutions，简称SPSS）等。,10.1.1数据处理软件,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,Excel提供了众多强大的功能：绘制图表、排序和筛选、统计函数及分析工具等，尤其擅长对数据进行描述统计。提供诸多数据处理功能，包括：数据录入和编辑（可录入不同格式的数据，对单个或多个数据信息修改，突显满足条件的数据、数据排序）；制作数据统计图；利用统计函数对集中量数和差异量数（如平均数、众数、中位数、全距、四分位数、平均差、方差、标准差和差异系数等）进行计算；抽样和概率分布；可进行统计检验、相关分析等。借助这些工具解决教育信息处理的问题，省时高效又完美，可以完成诸如：计算和分析学生考试成绩、统计各分数段的人数分布、累积人数和累积百分比分布表及计算标准分数等教育信息处理工作。,10.1.1数据处理软件,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,相比Excel，SPSS数据统计处理、分析更为专业。其界面友好、功能强大、易学易用，包含了几乎全部尖端的统计分析方法，具备完善的数据录入和编辑功能，数据接口通用性强，统计图表制作输出美观。在教育数据分析领域广受好评。本书中将简单介绍软件IBMSPSSStatistics19.0的使用和操作，并以案例的形式讲解在教学数据处理中的应用。SPSS是世界上最早的统计分析软件，其操作界面极为友好，擅长进行推断统计的分析，输出结果美观，用户只要掌握一定的Windows操作技能，了解统计分析理论，即可使用该软件，已广泛应用于社会科学、自然科学诸多领域。,10.1.1数据处理软件,1.SPSS软件概述,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,SPSS采用类似Excel表格的方式输入与管理数据，数据接口较为通用，数据的调用方便。基本功能包括数据管理、统计分析、图表分析、输出管理等。在教学数据统计分析过程中常用功能，包括描述性统计、均值比较、相关分析、回归分析等；还提供了图示系统，可以根据数据绘制各种图形，更为直观、具体的呈现数据的特点。,10.1.1数据处理软件,1.SPSS软件概述,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,软件运行过程中会出现多个窗口界面，常用的有四个：数据编辑窗口、结果输出窗口、语句窗口和脚本编辑窗口。数据编辑窗口是SPSS的基本界面，可以进行数据的录入、编辑以及变量属性的定义和编辑；统计分析结果都将以表和图的形式在结果输出窗口中显示，可对结果进行编辑和保存；语句窗口和脚本编辑窗口可在菜单栏“文件”中，单击“新建”的“语法”或“脚本”命令，即可新建一个语句窗口或脚本编辑窗口。,10.1.1数据处理软件,1.SPSS软件概述,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.1数据处理软件,1.SPSS软件概述,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.1数据处理软件,2.SPSS的数据管理,（1）数据文件的简单操作,SPSS中的数据录入方式同Excel的录入方式相似，其提供了四种建立数据文件的方式：新建数据文件、直接打开已有数据文件、使用数据库查询和从文本向导导入数据文件。同时，可对数据文件进行属性设置，单击数据编辑窗口左下方的“变量视图”选项卡，就可以对数据文件的属性进行定义，包括名称、类型、宽度、小数、列、对齐、标签、值（对变量可能取值的说明）、度量标准、角色等。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.1数据处理软件,2.SPSS的数据管理,（2）数据的整理,SPSS数据整理的主要操作集中在“数据”和“转换”两个主菜单下，教学数据信息处理时常用到的功能包括：数据排序、合并和拆分文件、抽样和变量计算等。数据排序可在“数据”菜单下的“排列个案”对话框中进行设置，对数据进行不同排列依据的升降序排列。两个数据文件至少应具有一对属性相同的变量时，将两个文件合并，拆分则相反。抽样在“数据”菜单下单击“选择个案”，对数据进行筛选抽样。而变量计算是数据分析中最常用的功能之一，即对原始数据信息计算和变换，在“转换”中打开“计算变量”对话框，设置目标变量、数字表达式等，如总成绩是各学科分数之和的计算。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.2SPSS的描述性分析,在SPSS中提供了多种描述性统计的工具，位于菜单栏“分析”菜单下的“描述统计”里，在教育数据处理的过程中常用的有频率、描述、探索、交叉表等；,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.2SPSS的描述性分析,使用“分析”菜单下的“频率”工具中“统计量”选项，左侧为备选变量列表，右侧为变量列表，在对话框中单击“统计量”可以计算数据的百分位值、集中趋势（均值、中值、众数等）、离散（标准差、方差、极小值、极大值、均值标准误等）、偏度和峰度系数；同时，单击“图表”可以生成并输出详细的频数表和直方图、饼形图等统计图。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.2SPSS的描述性分析,“描述”工具可对变量进行描述性统计分析计算，并列出一系列相应的统计指标，如均值、标准差、方差、极大小值、偏度系数和峰度系数等，并以变量的形式保存使用可以计算多种差异量数，判断分布情况，并设置显示顺序。这和其他过程相比并无不同。但该过程可将原始数据转换成标准化值存储保存。单击“选项”按钮，弹出“选项”对话框，该对话框即用于指定输出的描述性统计量。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.2SPSS的描述性分析,“探索”工具可以对变量整体分析，也可以进行分组分析；支持多种差异量数的计算和频数表；单击“探索”对话框中的“绘制”可以获得茎叶图、直方图、正态检验图等；还可以进行非正态或正态齐性检验和方差齐性检验等。“交叉表”工具可以呈现出交叉分组的频数分布，还可以进行两个变量之间是否有相关性的判断（各种相关系数），可进行卡方检验。除此之外，“Q-Q图”可以进行正态分布检验。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.3SPSS的推断性统计应用,在教育数据的处理中，对数据进行描述统计分析可了解样本的最大小值、平均数、方差、标准差等，还需对样本数据进行深入的分析和判断，这就需要SPSS中提供的诸多推断统计和检验工具。SPSS提供了多种判断数据是否符合正态分布的方法：可根据图像形状简单判断；也可根据偏度系数和峰度系数、Q-Q图检验、单个样本K-S检验等类来判断。前三种检验方法都可在“分析”下的“描述统计”内完成。单个样本K-S检验可在“分析”下的“非参数检验”中实现，单击“单个样本K-S检验”完成统计量的计算。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.3SPSS的推断性统计应用,SPSS还可实现均值比较的分析过程。常用的均值比较分析包括：单样本T检验、两个独立样本T检验和两个配对样本T检验。单样本T检验用来推断该总体的均值是否与指定的检验值之间存在明显的差异，例如，某年级平均分为78分，在该年级随机抽取8名同学进行测验，分数为68、78、90、73、82、76、82、79，判断这8名同学的成绩与整体平均数的差异。同样，两个独立样本T检验指相互独立的样本的均值是否存在差异，例如，随机抽取的学生对两位教师的教学情况进行打分，两位教师得分是否存在差异；男女学生的成绩是否存在差异。两个配对样本T检验用来分析相关总体之间的均值关系，例如，教师在接受教学技能培训前后的学生打分是否存在差异。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.3SPSS的推断性统计应用,在教学中有时需要对多个总体样本之间的差异性进行分析，如，学校中常采用的课堂组织形式有班级授课、个别化学习、小组合作和导师制等，探讨集中教学组织形式的教学效果是否相同。这就需要进行多个总体均值是否相等的分析，即方差分析。使用方差分析时需要满足各水平下的数据是独立随机抽样，服从正态分布，且总体具有相同的方差。可分为单因素方差分析和多因素方差分析。单因素方差分析研究一个因素的不同水平是否对观测变量产生了显著影响。多因素方差分析是对一个独立变量是否受一个或多个因素或变量影响而进行的方差分析，例如，不同教师采用不同的教学组织形式进行授课。,*,XXXXXXXXXXXXXXXXXX,10.1计算机辅助教学中的数据处理概述,10.1.3SPSS的推断性统计应用,SPSS还可以进行相关性的分析，相关关系反映的是变量之间有无联系及相关关系的方向、密切程度。例如，学生的学习时间和学业成绩之间的关系，各科学习成绩之间的关系，学校教育投资与师资力量之间的关系等。可用相关系数表示。SPSS也支持相关系数的计算，在“分析”菜单下选择“相关”，单击“双变量”，在“双变量相关”对话框中选择需进行相关分析的变量添加“变量”列表中，可选择计算相关系数的类型（积差相关Pearson、等级相关Kendall、斯皮尔曼相关系数Spearman），选择显著性检验类型（双侧检验和单侧检验），同样根据需要对“选项”和“Bootstrap”进行设置，即可完成相关性分析。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.1数据的录入与整理,将40名学生（不排序）的6科学业成绩输入SPSS软件的数据编辑器窗口中，单击左下角的“变量视图”，对变量属性进行调整，“姓名”变量的类型是字符串，“性别”变量的值属性设置，值“1”代表男生，值“2”代表女生，单击“数据视图”得到调整后的数据文件，并保持。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.1数据的录入与整理,选择菜单栏“转换”，单击“计算变量”，打开“计算变量”对话框，在“目标变量”输入“总分”，在“数学表达式”中输入“数学+语文+英语+物理+化学+生物”，同样的方法，计算平均分，单击确定后，得到40名学生的平均分和总分将被保持在数据文件中。,1.计算每个学生的平均分和总分,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.1数据的录入与整理,对得到的新数据文件进行降序排序，选择“数据”中“排序个案”，打开“排序个案”对话框，将“总分”变量选择到“排序依据”中，选择降序排列。得到40名学生根据总分的降序排列，进而可以确定40名学生的排名情况。,2.对40名学生的成绩进行降序排列,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,对已排序的40名学生的进行描述性分析。使用“分析”菜单下的“频率”工具中“统计量”选项，将“数学”、“语文”、“英语”、“物理”、“化学”、“生物”选定为变量，选择输出均值、中值、众数、标准差、方差、极大值、极小值；,1.统计量分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,根据统计量计算结果可知，本次考试共有40名学生参加考试，考试共进行6门学科的测试，没有学生缺考。分析结果显示，六科成绩的平均值均集中在71-75之间，最高的是英语成绩，平均值为77.43，最低的是生物成绩，平均值为71.15，六科平均分从高到低的排序依次为：英语、语文、物理、化学、数学、生物，但不能根据此判断英语成绩较好，生物成绩就差。,1.统计量分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,对标准差和方差进行分析，标准差和方差反映了变量的离散程度，分析结果中，语文成绩的标准差最小，数学成绩的标准差最大，说明语文成绩的离散程度小，程度越趋向于集中，学生之间的水平差异较小，而数学成绩的离散程度大，学生成绩比较分散，学生的差异水平比较大，在实际教学中，教师要注意调整知识点的难易程度，循序渐进，适合各个水平层次学生的学习，六科成绩的标准差从大到小依次为：数学、英语、生物、物理、化学、语文；数学、英语和生物学科的教师更应注意调整教学难易程度，以适应不同学习者的学习水平。对极大值和极小值进行分析，极大值和极小值差距较大的学科为数学、物理和生物，分别达到了42、41和39分的差距，其他学科的极大值和极小值差距集中在37-32之间，说明数学、物理和生物学科分数较高同学和分数较低的同学差距较大。,1.统计量分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,对学科内部的学生成绩及格、良好和优秀情况进行统计。在原始数据文件中，选择菜单“转换”下的“重新编码为不同变量”，打开“重新编码为其他变量”对话框，单击“旧值和新值”，打开“重新编码到其他变量：旧值和新值”对话框，在左侧的“旧值”编辑区进行针对原数据的设置，在右侧的“新值”编辑范围，对旧值的区间赋予新的值，单击继续。,1.统计量分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,对输出变量的名称进行设定，确定后，返回原数据文件，即可在原数据文件中看其原始分数属于分数段的情况。在“变量视图”中对变量“值”进行设定（本案例中分段均含临界值），数值1表示优秀（80分以上），2表示良好（60-79分），3表示不及格（59以下）。,1.统计量分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,对新的数据文件进行交叉表操作，在“分析”菜单下的“描述统计”，选择“交叉表”，将“性别”变量设定为“行”，“数学分数段”、“语文分数段”、“英语分数段”、“物理分数段”、“化学分数段”和“生物分数段”选定为“列，得到六科成绩的不同水平分布情况。,1.统计量分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,对新的数据文件进行交叉表操作，在“分析”菜单下的“描述统计”，选择“交叉表”，将“性别”变量设定为“行”，“数学分数段”、“语文分数段”、“英语分数段”、“物理分数段”、“化学分数段”和“生物分数段”选定为“列，得到六科成绩的不同水平分布情况。,1.统计量分析,在数学成绩中，男女同学的优秀人数均为5人，而达到良好的女生人数则比男生多5人，男生的不及格率高达10%，应注意提高不及格男同学的学业水平。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,通过对语文成绩进行分析，可以看出女生的优秀率明显高于男生，达到7人，男生的优秀人数仅为2人，男生的良好人数则较女生多，达到了40%，不及格的人数女生为2人，男生为1人。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,英语成绩的优秀比例中男女比例相同为17.5%，女生的良好人数为13人，高于男生的9人，男生的不及格人数也达到了3人；反观女生的成绩，英语成绩良好的比例较高，不及格也仅有一人，可见女生的成绩更为均衡。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,在物理学科中，男生的优秀人数为5人，比女生多1人，而良好的比例统计，则男生仅为30%，远不及女生的42.5%，不及格的2人也均为男生，可以判断女生的成绩相对比较集中。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,化学成绩的优秀人数共10人，女生人数较多，为6人；而良好率和不及格率，男女性别差异并不大。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,生物学科各分数段的人数中，男女的人数均大致相同，差异不明显。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,统计不同学科的分段人数，进行不同学科间的比较。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,1.统计量分析,六科成绩中，物理成绩的不及格率最低为5%，而数学和生物的不及格率较高，达到12.5%；生物的成绩良好人数最多，为77.5%，英语成绩的良好率较低55%，良好率从高到低依次为：生物77.5%，物理72.5%，语文70%，化学67.5%，数学62.5%和英语55%；而各学科的优秀率比较，则英语成绩最高，为35%，生物最低，仅为10%。实际教学中，不及格率较高的学科教师应注意提高成绩不理想的学生成绩，而各学科的成绩优秀率有较大差距，尤其生物学科的成绩优秀率较其他学科低。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,2.正态分布分析,分析直方图和正态分布曲线，在“频率”对话框中选择“图表”选项，选择“直方图”，并勾选“在直方图上显示正态分布曲线”。单击“统计量”选项，就将“分布”中的“偏度”和“峰度”勾选，输出得到变量的偏度、峰度及直方图，右图为生物成绩的直方图。得到70-80分的学生人数较多，55分以下和85分以上的人数较少。再参考偏度和峰度值，生物学科的偏度值为-0.431，峰度值为-0.004，两个值均小于1，峰度值接近0，可认为其为正态分布，说明大致认为此次生物考试成绩较为合理。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.2描述性分析,2.正态分布分析,而其他学科的直方图和偏度峰度的分析，数学的偏度和峰度值分别为-0.536和0.007，语文的偏度和峰度值分别为-0.515和-0.099，英语的偏度和峰度值分别为-0.693和-0.199，物理的偏度和峰度值分别为-0.513和0.727，化学的偏度和峰度值分别为-0.656和-0.375，均可近似认为符合正态分布，相比这些学科，生物成绩的正态分布曲线更为接近标准正态分布，也说明了相比其他学科的成绩分布，生物成绩分布更为理想。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,1.性别差异性分析,对40名同学的性别进行描述性频率分析，得到男性19人，占总人数的47.5%，女性21，占总人数的52.5%。检验男女同学在六门学科的学习成绩有无差异，判断属于两个独立样本的平均数差异的显著性检验，即进行独立样本T检验。在“分析”菜单下选择“比较均值”，打开“独立样本T检验”对话框，将“数学”、“语文”、“英语”、“物理”、“化学”、“生物”选为“检验变量”，“性别”选为分组变量，单击“定义组”，使用制定组，因性别变量的类型为数值型，对“值”进行设定，“1”为男性，“2”为女性，所以“组1”为1，即为男性，“组2”为2，即为女性。单击“确定”即可输出检验结果。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,1.性别差异性分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,1.性别差异性分析,从统计结果可以看出，男同学数学成绩的平均分为71分，女生的平均分为74.24分，男生的标准差为11.827，大于女生的标准差8.988，说明女生的平均成绩略好于男生的平均成绩，且女生的成绩更为集中，水平差异较小。其他学科，女生的平均分均在不同程度上高于男生平均分，而语文和生物成绩的男生离散程度较小，成绩更为集中，水平差异小；英语、物理、化学成绩的男生成绩离散程度则比较大，成绩比较分散，水平差异较大。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,1.性别差异性分析,分析六科成绩在男女性别上的独立样本T检验结果。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,1.性别差异性分析,进行独立样本T检验的分析，需先对方差齐性进行检验，判断两组样本对应的总体方差是否相同，图中数学成绩的Levene检验统计量F为1.414，其对应的显著水平P值为0.2420.05，在0.05的显著水平上接受两组样本对应的总体方差相等的假设，即为方差齐性。其他科成绩的p值均大于0.05，均可认为方差齐性。再对男女性别的差异性进行判断，数学成绩t=0.981，双侧检验的P值为0.3330.05，所以，在0.05显著水平接受虚无假设，图像在数学成绩上没有显著性差异。同样的方法，语文、英语、物理、化学和生物成绩的双侧检验P值分别为0.236、0.339、0.589、0.258和0.842，均大于0.05，因此，男女同学的成绩在其他学科上也没有出现显著性差异。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,2.学科相关性分析,各学科成绩之间往往存在某种关系，需要对各科成绩进行相关性分析。在“分析”菜单下选择“相关”，单击“双变量”，在“双变量相关”对话框中选择“数学”、“语文”、“英语”、“物理”、“化学”、“生物”变量添加“变量”列表中，选择“Pearson”和“双侧检验”，输出统计结果。,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,2.学科相关性分析,*,XXXXXXXXXXXXXXXXXX,10.2示例一：学生成绩分析,10.2.3推断性分析,2.学科相关性分析,统计结果显示，数学同物理、化学和生物的相关性较高，相关系数分别为0.865、0.818、0.742，呈现显著的高度相关。而语文和英语的相关度最高，生物和数学也呈现显著的高度相关，化学、物理和数学的相关也达到了高度相关的水平。在实际教学中，数学、物理、化学、生物学科的教师应注意融会贯通，英语和语文学科的教师也应关注两学科之间的相同点。,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,教学管理保障了教学顺利进行。对教学管理相关的数据分析也涉及教学系统的各个层面，对教学管理数据进行全面系统的分析，能对教学的有效性进行起着至关重要的作用。某学校对翻转课堂和常规课堂的教学效果进行对比分析。其中，通过翻转课堂方式进行学习的学生中，成绩明显提高的有68人，没有明显提高的学生有52人；通过常规课堂方式进行学习的学生中，成绩有提高的学生有76人，没有明显提高的由63人。判断翻转课堂相比常规课堂而言，是否对学生学业成绩有明显提高。,例1,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,建立数据表，第一列“组别”表示两种不同教学方式，1表示翻转课堂教学方式，2代表常规课堂；第二列“情况”表示是否有成绩提高，1表示成绩有明显提高，2表示成绩没有明显提高。,例1,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,对数据进行加权，在“数据”菜单下选择“加权个案”，打开“加权个案”对话框，对频率变量进行设置，单击确定，加权完成。,例1,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,在菜单“分析”中选择“描述统计”，单击“交叉表”，将“组别“变量选定为“行”，“情况”变量选定为“列”。单击“统计量”选择“卡方”。单击“单元格”，勾选“观察值”、“期望值”。确定后完成卡方检验操作。,例1,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,得到卡方检验结果，总样本量是144，且交叉表中任何一个单元格的频数均大于5，说明检验结果是精确的，可参考Pearson卡方检验结果。,例1,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,得到卡方检验结果，总样本量是144，且交叉表中任何一个单元格的频数均大于5，说明检验结果是精确的，可参考Pearson卡方检验结果。,例1,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,某市小学在教学设备的投资平均为32万元，随机抽取5月份12个学校的教学设备投资，如下：37、28、29、19、40、31、35、27、29、31、30、34，探讨5月份学校的教学设备投资是否降低。对12个随机抽样数据进行平均值的计算，等于30.83万元，从数值大小上看，教学设备投资明显降低。但是，这种数值的减少到底由实际投资减少还是抽样误差导致的，需通过单样本T检验判断。,例2,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,先进行样本的正态分布判断，单击“分析”中“非参数检验”，选择“旧对话框”，单击“1-样本K-S”，将数据变量选择到“检验变量列表”中，检验分布选择“常规”，单击“确定”可在结果输出窗口看到输出结果。统计量Z为0.538，概率P为0.935，大于显著性水平。因此，该组数据服从正态分布，可以利用单样本T检验进行判断。,例2,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,在“分析”下选择“比较均值”，打开“单样本T检验”对话框，就变量添加至“检验变量”，在“检验值”文本框输入平均值32，完成操作，双侧概率P值为0.469，大于0.05，因此，接受虚无假设，认为5月份的教学设备投资没有减低，并没有发生变化。,例2,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,某高校要统计学士、硕士、博士不同学历教师月薪（元）是否有显著性差异。从不同职称的教师中随机选取3名讲师、3名副教授和3名教授（按照抽取先后以1、2、3数字标记，如硕士副教授1工资为5196元），获取他们的月薪，组成样本，共27个数据。数据样本如表。分析学历和职称对薪金有无影响。,例3,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,将数据录入SPSS，对变量值进行设定，“学历”变量中，1表示学士、2表示硕士、3博士；“职称”变量的值，1表示讲师、2表示副教授、3表示教授。在菜单“分析”下选择“一般线性模型”，单击“单变量”，打开对话框，将“薪金”设定为因变量；“学历”和“职称”为因素变量，添加为固定因子。,例3,*,XXXXXXXXXXXXXXXXXX,10.3示例二：教学管理数据分析,打开“两两