Vizuální analýza dat ABA

„Behaviorální analytici používají k interpretaci graficky zobrazených dat systematickou formu zkoumání známou jako vizuální analýza.“

– Cooper, Heron a Heward (2007, s. 149).)

Zaznamenávání dat pro analýzu

Při provádění intervencí v rámci aplikované behaviorální analýzy se průběžně shromažďují data o cílovém chování, protože umožňují těm, kdo programy provádějí, zjistit, zda intervence fungují, či nikoli.

Těmito daty může být procento správných hláskování v testu nebo množství žádostí žáka o přestávku v práci nebo množství času, který žák stráví mimo své místo ve třídě.

Typů údajů, které lze shromažďovat, je celá řada, ale účelem shromažďování údajů je umožnit těm, kteří intervence provádějí, „udržovat přímý a nepřetržitý kontakt se zkoumaným chováním“ (Cooper, et al. 2007, s. 127).

Jedním z hlavních způsobů, jak tento „kontakt“ s daty udržovat, jsou grafy. V rámci ABA se používá řada různých typů grafů, ale my jsme se rozhodli pojednat pouze o liniovém grafu, protože „je to nejběžnější grafický formát pro zobrazování dat v ABA“ (Cooper, et al. 2007, s. 129).

Při vykreslování dat existují tři vlastnosti, které se používají k identifikaci toho, co se s daty „děje“; jsou to variabilita, úroveň a trend.

Variabilita

Variabilita dat se týká toho, jak se od sebe výsledky liší nebo jak jsou „rozprostřeny“. Vezměme si dva níže uvedené grafy, které ukazují hypotetické údaje o procentech správných výsledků v testu pravopisu za 10 dní u 2 dětí, Jane a Matta.

Data Jane jsou stabilní, zatímco data Matta jsou extrémně proměnlivá.

Z vynesených dat pro Jane vyplývá, že její procento správného hláskování zůstává stabilní kolem 80 %. Data pro Matta se v průběhu 10 dnů výrazně mění nebo „kolísají“ a procento správného pravopisu vůbec nezůstává stabilní.

Při interpretaci variability dat Jane a Matta byste řekli, že Jane odpovídá „stabilně“, zatímco Matta byste považovali za „proměnlivého“ nebo dokonce „extrémně proměnlivého“.

Obecně platí, že pokud mají data vysokou variabilitu (např. Mattův pravopis), naznačuje to, že učitelé nemají kontrolu nad metodou výuky a možná bude třeba změnit používanou taktiku.

Úroveň

Úroveň dat se vztahuje k „poloze“ datového souboru převzatého z osy Y.

Úroveň dat se vztahuje k „poloze“ datového souboru. Podívejte se na níže uvedené grafy; v prvním grafu, pokud by vynesené datové body spadaly do horní části, měly by „vysokou úroveň“, pokud by spadaly do střední části, měly by „střední úroveň“, a pokud by byly ve spodní části, měly by „nízkou úroveň“.

Případně byste mohli úrovně dat dále rozdělit na „nízkou až střední“ nebo „střední až vysokou“ jako v druhém grafu níže.

Různá různá členění, jak by mohla být definována úroveň souboru dat.

Podíváme-li se na data vynesená níže ve vztahu k ose Y, úroveň v souboru dat fáze 1 je vysoká, fáze 2 je střední a fáze 3 je nízká. K lepšímu znázornění úrovně dat by mohla být použita průměrná nebo mediánová čára pro data – to může více pomoci, pokud jsou data poněkud proměnlivá.

Tři různé úrovně datového souboru – vysoká, střední a nízká.

Trend

Trend v datech je „směr“, kterým se ubírají. Například v níže uvedeném grafu první datová sada ukazuje „rostoucí trend“, protože datové body „stoupají“. Druhá sada dat ukazuje „klesající trend“, protože datové body „klesají“. A konečně třetí soubor dat vykazuje „nulový trend“, protože data nestoupají ani neklesají.

Tři různé formy „trendu“ – rostoucí, klesající a žádný trend.

Proč používat grafy?

Grafy výrazně usnadňují interpretaci a pochopení dat, protože prezentují informace ve vizuální podobě. Například , co můžete vyvodit z tohoto souboru čísel, který zaznamenal procento správných pravopisných chyb žáka za 14 školních dnů:

45 %, 46 %, 52 %, 48 %, 58 %, 61 %, 64 %, 75 %, 70 %, 78 %, 75 %, 80 %, 84 %, 90 %

Pravděpodobně jste byli schopni zjistit, že procenta vykazují nárůst – ale museli jste si je postupně přečíst a vzájemně na sebe odkazovat.

Nyní se podívejte na následující graf, který znázorňuje stejná procenta. Nemusíte ani přebírat procentuální hodnoty, abyste okamžitě poznali, že docházelo k postupnému nárůstu správných procent, a to je jeden z hlavních důvodů, proč je grafické zobrazení dat tak užitečné.

Kreslení dat formou čárového grafu, jak je uvedeno výše, výrazně usnadňuje interpretaci těchto dat.

To neznamená, že procenta nejsou důležitá, ale jednoduše to, že grafické znázornění dat může zvýšit rychlost, s jakou lze provádět analýzy a interpretace.

To platí zejména tehdy, když vezmeme v úvahu, že dítě může mít v rámci programu ABA zavedeno několik různých intervencí a každou z nich je třeba průběžně analyzovat. Představte si, že byste četli 30 sad čísel ve srovnání s tím, že byste se snadno mohli podívat jen na 30 grafů… Víme, čemu bychom dali přednost.