Analysis Method

Analysis Method
အချက်အလက် အမျိုးအစားအလိုက် သင့်လျော်တဲ့ ခွဲခြမ်းစိတ်ဖြာမှု နည်းလမ်းများ (Analysis Method)

ဒေတာတွေကို ခွဲခြမ်းစိတ်ဖြာတဲ့အခါ ပထမဆုံး သိထားသင့်တာက ကိုယ့်ရဲ့သုတေသနက ဘယ်လို အချက်အလက် အမျိုးအစား ကို ကိုင်တွယ်နေလဲဆိုတာနဲ့ ဘယ်လို အတွေးအခေါ် ပေါ်မှာ အခြေခံထားလဲဆိုတဲ့ အချက်ပါပဲ။

အပိုင်း (၁)။ အတွေးအခေါ်နှင့် အရေအတွက်ဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု (Quantitative Analysis)

Positivism လို့ခေါ်တဲ့ အတွေးအခေါ်ကို လက်ခံထားတဲ့ အရေအတွက်ဆိုင်ရာ သုတေသန (Quantitative research) ဟာ အဓိကအားဖြင့် ကိန်းဂဏန်းဒေတာ တွေကို စုဆောင်းသုံးသပ်တာ ဖြစ်ပါတယ်။ Positivism အရ လောကမှာ တစ်ခုတည်းသော၊ ရည်ရွယ်ချက်ရှိသော အမှန်တရား (single, objective reality) သာ ရှိပြီး၊ ဒီအမှန်တရားကို တိုင်းတာမှု (measurement) နှင့် ဆင်ခြင်တုံတရား (reason) တို့မှတစ်ဆင့်သာ သိရှိနိုင်ပါတယ်။ တိုင်းတာလို့ မရဘူးဆိုရင် အရေးမပါဘူးလို့တောင် ယူဆပါတယ်။
အရည်အသွေးမြင့်မားတဲ့ အရေအတွက်ဆိုင်ရာ သုတေသနရဲ့ ရည်ရွယ်ချက်ကတော့ ပြောင်းလဲနိုင်တဲ့ အချက်အလက်တွေကို ဖော်ပြဖို့၊ ရှင်းပြဖို့၊ ခန့်မှန်းဖို့ သို့မဟုတ် ထိန်းချုပ်ဖို့ ဖြစ်ပါတယ်။
စာရင်းအင်းနည်းလမ်းတွေကို သုံးပြီး ဒေတာကို ခွဲခြမ်းစိတ်ဖြာတဲ့အခါ၊ ကျွန်တော်တို့ဟာ အမြဲတမ်း ယူဆချက်တစ်ခု (Hypothesis) ကို စမ်းသပ်နေတာ ဖြစ်ပါတယ်။ အဲဒီ ယူဆချက်ကတော့ Null Hypothesis (H0) ဖြစ်ပြီး၊ လေ့လာနေတဲ့ အရာတွေကြားမှာ ကွာခြားချက် သို့မဟုတ် ဆက်နွှယ်မှု မရှိဘူး လို့ ယူဆထားပါတယ်။ စာရင်းအင်းနည်းလမ်းတွေ (ဥပမာ- t-test, F-test) ကို သုံးပြီး ဒီ Null Hypothesis ကို ပယ်ချသင့်သလား (reject)၊ ဒါမှမဟုတ် ဆက်လက်လက်ခံသင့်သလား (fail to reject) ဆိုတာကို ဆုံးဖြတ်ရပါတယ်။

၁.၁။ အုပ်စုများကြား ပျမ်းမျှ ကွာခြားချက် စစ်ဆေးခြင်း

ကျွန်တော်တို့ရဲ့ သုတေသန မေးခွန်းက အုပ်စုအချင်းချင်းကြားမှာ ပျမ်းမျှ ကွာခြားချက် (mean differences) ကို စစ်ဆေးလိုတဲ့အခါ ဒီနည်းလမ်းတွေကို သုံးပါတယ်။ ဒီ Test တွေဟာ ပုံမှန်အားဖြင့် မှီခိုတဲ့ ပြောင်းလဲနိုင်သောအချက် (Dependent Variable) က စဉ်ဆက်မပြတ် (continuous) ဖြစ်ဖို့ လိုအပ်ပါတယ်။

• T-Test / ANOVA (Analysis of Variance):
    ◦ T-test တွေနဲ့ ANOVA နည်းစနစ်တွေကို အုပ်စုနှစ်စု (T-test) သို့မဟုတ် နှစ်စုထက်ပိုတဲ့ အုပ်စုတွေ (ANOVA) ကြားမှာရှိတဲ့ စဉ်ဆက်မပြတ် တိုင်းတာထားတဲ့ အချက်အလက်တွေရဲ့ ပျမ်းမျှကို နှိုင်းယှဉ်ဖို့ အသုံးပြုပါတယ်။
    ◦ ဥပမာ၊ ကုသမှုတစ်ခု ပေးထားတဲ့ အုပ်စုနဲ့ မပေးထားတဲ့ အုပ်စုကြားမှာ ရောဂါလက္ခဏာ ပျမ်းမျှ ဘယ်လောက် ကွာခြားလဲဆိုတာကို ကြည့်ချင်ရင် အသုံးဝင်ပါတယ်။

1.  T-Test
   ဒီ Test ကို အုပ်စုနှစ်စု ရဲ့ ပျမ်းမျှ ကွာခြားချက်ကို စစ်ဆေးဖို့ အသုံးပြုပါတယ်။
   ဥပမာ- ဆေးအသစ် ရတဲ့ ကုသမှုအုပ်စု နဲ့ ဆေးဟောင်း ရတဲ့ ထိန်းချုပ်အုပ်စု ကြား ရောဂါလက္ခဏာ ပျမ်းမျှရမှတ် ဘယ်လောက် ကွာခြားလဲဆိုတာကို စစ်ဆေးတာမျိုးပေါ့။
   T-test ကို သုံးပြီး ကျပန်းခွဲဝေမှု လုပ်ထားတဲ့ စစ်မှန်သော စမ်းသပ်မှု (Randomized Experiment) တွေမှာ ကုသမှုကြောင့် ရလာတဲ့ ပျမ်းမျှ ကွာခြားချက် ရှိ၊ မရှိ စစ်ဆေးနိုင်ပါတယ်။

2.  ANOVA (Analysis of Variance)
   တကယ်လို့ စမ်းသပ်မယ့် အုပ်စုအရေအတွက်က နှစ်စုထက်ပိုပြီး (three or more groups) ပါဝင်လာရင် ANOVA ကို အသုံးပြုပါတယ်။ ဥပမာ- မတူညီတဲ့ ကုသမှု သုံးမျိုးရဲ့ ရလဒ်တွေကို တစ်ပြိုင်တည်း နှိုင်းယှဉ်တဲ့အခါမျိုးမှာပေါ့။

3.  ANCOVA (Analysis of Covariance)
   ANOVA နဲ့ ဆင်တူပေမဲ့၊ ဒီနည်းလမ်းက အုပ်စုတွေအပြင်၊ ကျွန်တော်တို့ ထိန်းချုပ်ရမယ့် အခြားအချက်အလက် (covariates) တွေကိုပါ ခွဲခြမ်းစိတ်ဖြာမှုထဲမှာ ထည့်သွင်းညှိယူပေးတဲ့အတွက် ပိုပြီး တိကျတဲ့ရလဒ်တွေ ရရှိစေပါတယ်။

၁.၂။ ဆက်နွှယ်မှုနှင့် အမျိုးအစားခွဲခြားမှု စစ်ဆေးခြင်း (Relationship & Categorical Tests)

Correlation (ဆက်နွှယ်မှု):

ဒီ Test ကတော့ ပြောင်းလဲနိုင်တဲ့ အချက်နှစ်ခုကြား ဆက်စပ်မှု ဘယ်လောက် နီးစပ်လဲဆိုတာကို ရှာဖွေပါတယ်။ ဥပမာ- စာကျက်ချိန် များခြင်းနဲ့ စာမေးပွဲရမှတ် မြင့်ခြင်းတို့ကြား ဆက်နွှယ်မှု ရှိမရှိ စစ်ဆေးတာမျိုးပေါ့။
   သတိထားရမှာ ကတော့ ဆက်စပ်မှု ရှိရုံနဲ့ အကြောင်းနှင့် အကျိုး (Causation) ဆက်နွှယ်မှု ရှိတယ်လို့ ကောက်ချက်ချလို့ မရဘူးဆိုတာပါပဲ။
   Pearson Correlation ကို စဉ်ဆက်မပြတ် (continuous data) ဒေတာများအတွက် သုံးပြီး၊ Spearman Rank-Order Correlation ကိုတော့ အဆင့်သတ်မှတ်ထားတဲ့ (ordinal) ဒေတာများအတွက် သုံးပါတယ်။
   Multiple Regression ကိုတော့ ပြောင်းလဲနိုင်တဲ့ (IV) အချက်နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုတာက မှီခိုတဲ့ အချက်တစ်ခု (DV) ကို ဘယ်လောက်အထိ ခန့်မှန်းနိုင်လဲ (predict) ဆိုတာကို သိချင်ရင် အသုံးပြုပါတယ်။

• Chi-Square (χ²):

    ◦ အုပ်စုများကြား အချိုးအစား (proportions) သို့မဟုတ် ရေတွက်ထားတဲ့ အကြိမ်ရေ ကွာခြားချက်ကို စစ်ဆေးချင်ရင်တော့ Chi-Square ကို အသုံးပြုပါတယ်။ ဒီနည်းလမ်းကို အမျိုးအစားခွဲခြားထားတဲ့ ဒေတာ (Categorical Data) အတွက် အဓိက သုံးပါတယ်။
ဥပမာ- ဆေးကုသမှု အမျိုးအစား (အမျိုးအစား ၁၊ အမျိုးအစား ၂) နဲ့ ရလဒ် (ရောဂါပျောက်/မပျောက်) တို့ကြားမှာ အချိုးအစားအရ ကွာခြားချက် ရှိ၊ မရှိကို စစ်ဆေးတဲ့အခါ သုံးပါတယ်။

အပိုင်း (၂)။ သုတေသန ဒီဇိုင်း စမ်းသပ်မှုများ (Experimental Designs)

သုတေသနရဲ့ ရည်ရွယ်ချက်က ရှင်းပြဖို့ (to explain) ဒါမှမဟုတ် အကြောင်းနဲ့အကျိုး ကို ရှာဖွေချင်တယ်ဆိုရင် စမ်းသပ်မှု ဒီဇိုင်း (Experimental Design) ဟာ အကောင်းဆုံး ဒီဇိုင်း ဖြစ်ပါတယ်။ ဒီ ဒီဇိုင်းတွေဟာ Internal Validity (တရားဝင်မှု) ကို အမြင့်ဆုံး ဖြစ်စေဖို့ အထူးပြု လုပ်ဆောင်ထားပါတယ်။
တကယ်လို့ ကျွန်တော်တို့ရဲ့ ပန်းတိုင်က အချက်အလက်နှစ်ခုကြားမှာ ဆက်စပ်မှု သာမက အကြောင်းနှင့် အကျိုး (cause-and-effect) ဆက်နွှယ်မှု ရှိ၊ မရှိကို စစ်ဆေးလိုတာဆိုရင် ပုံမှန် စာရင်းအင်း နည်းလမ်းများထက် ပိုမို ခိုင်မာတဲ့ နည်းစနစ်တွေ လိုအပ်ပါတယ်။

၂.၁ • စမ်းသပ်မှု ဒီဇိုင်းများ (Experimental Designs):

    ◦ စစ်မှန်တဲ့ စမ်းသပ်မှု ဒီဇိုင်းတွေ (True Experimental Designs) မှာ၊ သုတေသီဟာ ပါဝင်သူတွေကို ကျပန်း ခွဲဝေချထားခြင်း (random assignment) ပြုလုပ်ပြီး အမှီအခိုကင်းတဲ့ ပြောင်းလဲနိုင်သောအချက် (IV) ကို စီမံခန့်ခွဲ (manipulate) လိုက်ပါတယ်။ ကျပန်း ခွဲဝေချထားခြင်းဟာ ရွေးချယ်မှု ဘက်လိုက်မှု (selection bias) ကို တိုက်ဖျက်နိုင်တဲ့ အစွမ်းထက်တဲ့ နည်းလမ်းဖြစ်တဲ့အတွက်၊ ရိုးရှင်းတဲ့ Linear Regression (OLS) နည်းစနစ်ကတောင် Average Treatment Effect (ATE) ကို တိကျစွာ ခန့်မှန်းပေးနိုင်ပါတယ်။

1.  Randomized Controlled Trial (RCT) Design
   RCT ဟာ ကြားဝင်ဆောင်ရွက်မှုတစ်ခုရဲ့ ထိရောက်မှု (effectiveness of an intervention) ကို အကဲဖြတ်ရာမှာ သိပ္ပံနည်းကျ အထောက်အထားများရဲ့ “ရွှေစံနှုန်း” (gold standard) အဖြစ် သတ်မှတ်ခံရပါတယ်။ RCT တွေမှာ ပါဝင်သူတွေကို ကျပန်း (random) အခြေခံပြီး ကုသမှုအုပ်စုနဲ့ ထိန်းချုပ်အုပ်စုကို ခွဲခြားပေးပါတယ်။
   Posttest-Only Control Group Design: ဒါကတော့ အခြေခံအကျဆုံး True Experiment ပုံစံပါပဲ။ ပါဝင်သူတွေကို ကျပန်းခွဲဝေပြီး ကုသမှုပေး၊ ပြီးရင် ရလဒ်ကို တိုင်းတာရုံပါပဲ။
   Pretest–Posttest Control Group Design: ဒီဒီဇိုင်းမှာတော့ ကုသမှုမပေးခင် Pretest (ကနဦး စစ်ဆေးမှု) ကို ထည့်သွင်းပါတယ်။ ဒီလိုလုပ်ခြင်းဖြင့် အုပ်စုတွေဟာ စတင်ကတည်းက ညီမျှရဲ့လားဆိုတာ (randomization check) ကို စစ်ဆေးနိုင်ပြီး၊ အမှီပြုပြောင်းလဲနိုင်သော အချက် (DV) ပေါ်မှာ ကနဦး အချက်အလက် (baseline information) ရရှိစေပါတယ်။

2.  Solomon Four-Group Design:
   ဒီဒီဇိုင်းကတော့ Pretest ကြောင့် ရလဒ်အပေါ် သက်ရောက်မှု ရှိ၊ မရှိ (Testing Effect) ကို စစ်ဆေးနိုင်အောင် ဖန်တီးထားတာပါ။ ဒီဒီဇိုင်းက Internal နဲ့ External Validity နှစ်ခုစလုံးအတွက် ကောင်းမွန်တဲ့ ထိန်းချုပ်မှု (control) တွေ ပေးစွမ်းနိုင်ပါတယ်။

၂.၂။ Quasi-Experimental Designs (စစ်မှန်သော စမ်းသပ်မှုနှင့် ဆင်တူသည့် ဒီဇိုင်းများ)

ဒီဒီဇိုင်းတွေဟာ True Experiment တွေနဲ့ အနီးစပ်ဆုံးပါ။ ဒါပေမဲ့ ပါဝင်သူတွေကို ကျပန်းခွဲဝေချထားခြင်း (random assignment) လုပ်လို့မရတဲ့ လက်တွေ့ကျတဲ့ အခြေအနေတွေမှာ အသုံးပြုရပါတယ်။

Nonequivalent Groups Pretest–Posttest Design:
ဒီမှာ အုပ်စုနှစ်စု (Treatment/Comparison) ပါဝင်ပေမဲ့ ကျပန်း ခွဲဝေမှု မလုပ်ပါဘူး။ ဒါပေမဲ့ Pretest ကို အသုံးပြုခြင်းဖြင့် ကုသမှုမတိုင်မီ အုပ်စုများကြား ကွာခြားမှု (Selection Bias) ကို တိုင်းတာနိုင်စေပါတယ်။

Time-Series Design:
ဒါကတော့ အချိန်ကြာမြင့်စွာ အကြိမ်ပေါင်းများစွာ တိုင်းတာခြင်း ကို အသုံးပြုတဲ့ ဒီဇိုင်းပါ။ ကုသမှုမပေးခင် အကြိမ်ကြိမ် တိုင်းတာပြီး၊ ကုသမှုပေးပြီးမှ ထပ်ခါထပ်ခါ တိုင်းတာကာ ပုံစံကို ကြည့်ခြင်းဖြင့် ကုသမှုရဲ့ ထိရောက်မှုကို ယုံကြည်စိတ်ချမှု ပိုမိုရရှိနိုင်ပါတယ်။

၂.၃ လေ့လာကြည့်ရှုသော သုတေသန ဒီဇိုင်းများ (Observational Studies) အတွက် Causal Methods:

    ◦ လက်တွေ့ကမ္ဘာမှာ ကျပန်းခွဲဝေချထားမှု မလုပ်နိုင်တဲ့အခါ (ဥပမာ- လူမှုရေးမူဝါဒ သို့မဟုတ် စီးပွားရေးဆိုင်ရာ အပြောင်းအလဲများ) Causal Inference နည်းလမ်းတွေကို အသုံးပြုပါတယ်။ ဒီနည်းလမ်းတွေက ပိုမိုရှုပ်ထွေးတဲ့ Regression Models တွေကို အခြေခံထားပြီး၊ အကြောင်းအကျိုး ဆက်နွှယ်မှုကို ခန့်မှန်းဖို့ ကြိုးစားပါတယ်။

    ◦ Difference-in-Differences (DiD): ဒီနည်းလမ်းက အချိန်ကာလ နှစ်ခု (ကုသမှုမတိုင်မီနှင့် ကုသမှုအပြီး) ရှိတဲ့ အချက်အလက်တွေကို သုံးပြီး၊ ကုသမှုရတဲ့ အုပ်စုနဲ့ မရတဲ့ အုပ်စုကြားက ကွာခြားချက်ကို နှိုင်းယှဉ်ကာ Average Treatment Effect on the Treated (ATET) ကို ခန့်မှန်းပါတယ်။ ဒီနည်းလမ်းရဲ့ အဓိက ယူဆချက်ကတော့ အကယ်၍ ကုသမှု မရှိခဲ့ရင် အုပ်စုနှစ်ခုရဲ့ ခေတ်ရေစီးကြောင်း (trends) ဟာ အပြိုင် ဖြစ်နေရမယ်ဆိုတာပါပဲ။

    ◦ Regression Discontinuity (RD): ဒီနည်းကတော့ စဉ်ဆက်မပြတ် ပြောင်းလဲနေတဲ့ အချက်တစ်ခု (ဥပမာ- စစ်ဆေးမှု ရမှတ်) ရဲ့ ဖြတ်မှတ် (cutoff) တစ်ခုမှာ ကုသမှုရတဲ့သူ (သို့မဟုတ် အစီအစဉ်မှာ ပါဝင်ခွင့်ရတဲ့သူ) တွေနဲ့ မရတဲ့သူတွေကြားမှာ ရလဒ်တွေ ဘယ်လိုပြောင်းလဲသွားလဲဆိုတာကို နှိုင်းယှဉ်ပါတယ်။

အပိုင်း (၃)။ အရည်အသွေးဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု (Qualitative Analysis)

အရည်အသွေးဆိုင်ရာ သုတေသနကတော့ စကားလုံးတွေနဲ့ အဓိပ္ပာယ်များ ကို ကိုင်တွယ်ပါတယ်။ ဒီနည်းလမ်းဟာ လူတစ်ဦးချင်းစီရဲ့ ပုဂ္ဂလဓိဋ္ဌာန်ကျသော အတွေ့အကြုံ (subjective reality) ကို စူးစမ်းရှာဖွေပြီး၊ Interpretivism လို့ခေါ်တဲ့ အတွေးအခေါ်နဲ့ ဆက်စပ်နေပါတယ်။

၃.၁။ အကြောင်းအရာများ ပိုင်းခြားစိတ်ဖြာခြင်း (Thematic Analysis – TA)

• Thematic Analysis ရဲ့ အဓိက ရည်ရွယ်ချက်ကတော့ ဒေတာ အစုံအလင် (ဥပမာ- အင်တာဗျူး မှတ်တမ်းများ၊ စာသားများ) ထဲမှာ အဓိပ္ပာယ်ရှိတဲ့ အကြောင်းအရာများ (themes) ဒါမှမဟုတ် ပုံစံများ (patterns) ကို ဖော်ထုတ်ဖို့နဲ့ စနစ်တကျ ခွဲခြမ်းစိတ်ဖြာဖို့ပါပဲ။
• ဒီနည်းလမ်းဟာ အခြား အရည်အသွေးဆိုင်ရာ နည်းစနစ်တွေထက် ပိုပြီး ပြောင်းလွယ်ပြင်လွယ် (flexible) ရှိပါတယ်။

၃.၂။ Grounded Theory (အခြေခံသီအိုရီ)

• Grounded Theory ဟာ ဒေတာထဲကနေ သီအိုရီအသစ်တစ်ခုကို ဖန်တီးဖို့ (generating a theory) ရည်ရွယ်တဲ့ အရည်အသွေးဆိုင်ရာ နည်းလမ်းဖြစ်ပါတယ်။ ဒါကြောင့် Grounded Theory ဟာ ရှိပြီးသား သီအိုရီတွေကို စမ်းသပ်တာမဟုတ်ဘဲ စူးစမ်းလေ့လာတဲ့ (inductive) သဘောရှိပြီး၊ လုပ်ငန်းစဉ်တွေ၊ အပြုအမူတွေ ဒါမှမဟုတ် လူမှုဖြစ်စဉ်တွေ ဘယ်လိုနဲ့ ဘာကြောင့် ဖြစ်ပေါ်တယ်ဆိုတာကို ရှင်းပြတဲ့ သီအိုရီကို ဖော်ထုတ်ဖို့ အကောင်းဆုံးပါပဲ။

• သီအိုရီကို ဘယ်လို ဖန်တီးသလဲဆိုတော့ စနစ်တကျ ကုဒ်နံပါတ်ရေးခြင်း (systematic coding)၊ နှိုင်းယှဉ်ခြင်းနဲ့ သန့်စင်ခြင်းတို့ လုပ်ရပါတယ်။ ဒီလုပ်ငန်းစဉ်မှာ Open Coding (အယူအဆတွေကို ဖော်ထုတ်ခြင်း)၊ Axial Coding (အုပ်စုခွဲခြင်း) နဲ့ Selective Coding (အဓိက သီအိုရီပုံစံကို ဖော်ဆောင်ခြင်း) စတဲ့ ကုဒ်သွင်းခြင်း နည်းစနစ်များ ပါဝင်ပါတယ်။

• Classic Grounded Theory (ဂန္ထဝင် အခြေခံသီအိုရီ) ကို ဖန်တီးသူ Barney Glaser ကတော့ သုတေသီဟာ ကြိုတင်ယူဆချက် (preconceptions) တွေ မဖြစ်စေဖို့အတွက် စာပေသုံးသပ်ချက် (Literature Review) ကို နောက်ဆုတ်ထားဖို့ အလေးထားပါတယ်။

အပိုင်း (၄)။ အရည်အသွေးစံနှုန်းများ၊ တရားဝင်မှုနှင့် ရှောင်ရန် အမှားများ

ဘယ်လို ဒေတာ အမျိုးအစားကိုပဲ ခွဲခြမ်းစိတ်ဖြာပါစေ၊ သုတေသနရဲ့ အရည်အသွေး (Quality) ဟာ အရေးကြီးဆုံးပါပဲ။ ဒါကို တရားဝင်မှု (Validity) နဲ့ ယုံကြည်စိတ်ချရမှု (Reliability) ဆိုတဲ့ စံနှုန်းနှစ်ခုနဲ့ တိုင်းတာပါတယ်။

၄.၁။ တရားဝင်မှုနှင့် ယုံကြည်စိတ်ချရမှု

• တရားဝင်မှု (Validity): ဒီနည်းလမ်း၊ နည်းစနစ် ဒါမှမဟုတ် စမ်းသပ်မှုဟာ တိုင်းတာလိုတဲ့အရာကို တိကျမှန်ကန်စွာ တိုင်းတာခြင်း ရှိ၊ မရှိကို ဖော်ပြပါတယ်။

• ယုံကြည်စိတ်ချရမှု (Reliability): ဒီတိုင်းတာမှုရဲ့ ရလဒ်တွေဟာ အချိန်ကြာလာသည်နှင့်အမျှ ကိုက်ညီမှုရှိပြီး တည်ငြိမ်မှု ရှိမရှိကို ဖော်ပြပါတယ်။

• Validity နဲ့ Reliability ဟာ အရေအတွက်ဆိုင်ရာ သုတေသန ဒီဇိုင်းများ (ဥပမာ- စမ်းသပ်မှု ဒီဇိုင်းများ) မှာ အထူးသဖြင့် အရေးကြီးတဲ့ အချက်များ ဖြစ်ပါတယ်။

၄.၂။ သုတေသနရဲ့ အဓိက အမှားများ (Pitfalls)

သုတေသန ဒီဇိုင်းဆွဲရာ၊ ခွဲခြမ်းစိတ်ဖြာရာနှင့် အစီရင်ခံရာတို့တွင် မကြာခဏ ကြုံတွေ့ရလေ့ရှိပြီး၊ ပြန်လည်ပြုပြင်၍ မရနိုင်သော သေစေနိုင်သည့် အမှားများ (fatal errors) နှစ်ခု ရှိပါတယ်။

1. ရလဒ်ပြောင်းလဲနိုင်သော အချက်အလက်များကို တိုင်းတာရာတွင် တရားဝင်မှုမရှိသော ကိရိယာများ အသုံးပြုခြင်း (Using invalid tools to measure the outcome variables)။
2. မှားယွင်းသော လူဦးရေကို စမ်းသပ်ခြင်း (Testing the wrong population)။ (ဥပမာအားဖြင့်၊ ရွေးချယ်မှု ဘက်လိုက်မှု/Selection bias ကဲ့သို့သော အမှားများ ပါဝင်နိုင်ပါတယ်)။

ဒါ့အပြင် အခြားသော သာမန်အမှားများကတော့-
• သုတေသန မေးခွန်းကို ကောင်းစွာ မရေးဆွဲခြင်း သို့မဟုတ် ရှင်းလင်းမှု မရှိခြင်း။
• ဆက်စပ်မှု (correlation) နဲ့ ခန့်မှန်းခြင်း (prediction) တို့ရဲ့ ကွာခြားချက်ကို နားမလည်ခြင်း။
• ပျောက်ဆုံးနေသော ဒေတာများကို ကိုင်တွယ်ဖြေရှင်းရန် လျစ်လျူရှုခြင်း။
• စာရင်းအင်းဆိုင်ရာ ရလဒ်တွေရဲ့ အရေးပါမှုကိုသာ အာရုံစိုက်ပြီး လက်တွေ့အရေးပါမှု ကို လျစ်လျူရှုခြင်း။
• ဒေတာများကို လုံလောက်စွာ သို့မဟုတ် ပြည့်စုံစွာ အစီရင်မခံခြင်း (inadequate/incomplete reporting) တို့ ဖြစ်ပါတယ်။ (ဒါပေမဲ့ ဒီအမှားကတော့ reporting guidelines တွေကို သုံးခြင်းအားဖြင့် အလွယ်ဆုံး ရှောင်ရှားနိုင်တဲ့ အမှားပါပဲ)။

၄.၃။ ကျင့်ဝတ်ဆိုင်ရာ တာဝန်ယူမှု (Ethical Responsibility)

လူတွေရဲ့ အချက်အလက်တွေ ပါဝင်တဲ့ သုတေသန မှန်သမျှဟာ ကျင့်ဝတ်နဲ့ ဥပဒေဆိုင်ရာ တာဝန်ဝတ္တရားများ ရှိပါတယ်။
• ပါဝင်သူတွေကို သုတေသနရဲ့ ရည်ရွယ်ချက်၊ လုပ်ထုံးလုပ်နည်းတွေ၊ ဖြစ်နိုင်တဲ့ အန္တရာယ်တွေနဲ့ အကျိုးကျေးဇူးတွေအကြောင်း အပြည့်အစုံ အသိပေးရမှာဖြစ်ပြီး၊ ကိုယ်ပိုင်ဆုံးဖြတ်ချက်နဲ့ ပါဝင်ဖို့ သဘောတူခွင့် (Informed Consent) ပေးရပါမယ်။

နပေတိုး
M.B,B.S
M.Med.Sc
MDevS
DipIT
DipIntDev
DipHRM