调查数据如较量可用于广泛的评估学生的经验的方式是有效的和可访问。检查你的机构的结果整体和下钻纪律或部门子组可以快速给你一个概述学生的共同经验。这是很危险的,但是,在依靠“平均”的结果。平均学生可能反映一个机构的多数人口,和过度检查的经验我们的平均学生可能隐藏的经验更多的弱势群体。

最简单的方法之一是在分析更具包容性是分解的数据聚合数据可以掩盖经历在你的机构的变化。较量的数据文件,你将有能力分解基于各种各样的亚团体包括:

• 身份特征(种族/民族身份、性别身份、性取向、第一代身份,老兵状态,诊断残疾或障碍,等等)。
• 学生特点(传输状态、专业或专业领域类级别,注册状态,采取网上课程,成绩,教育的愿望,生活状况,等等)。
• 接触特征(参与影响力的实践,学生运动员会员,兄弟会或姐妹会成员,学习时间,参与课余活动,等等)。
• 这些和其他特征的十字路口

你也可以考虑将重要的子组特定于您的机构较量人口文件作为分组变量然后回到你的数据文件。联系您的项目服务团队更多的细节。

那些有兴趣将调查数据如较量通常遇到亚种群有少量的受访者。这可能是由于各种各样的原因,如反应率很低,一个小的人口引起反应,或数据收集方法,使族群受访者难以接触(例如,邀请受访者rarely-checked电子邮件地址)或创建困难应对亚群(例如,低技术在线调查访问)。

一些事情时要考虑学习小数量:

• 提前思考小数量你想要更好的了解,所以你可以从这些组织战略对数据收集
• 考虑收集数据从多个军团的小群体
• 满足您的发现与其他形式的数据
• 记住,有可能你的小数量的参与者捕获所有或大部分你的小的人口
• 重置你的听众分享之前的预期结果加强使用数据的概念开始谈话,不要概括或做出统计预测

人们感兴趣的小种群可能想知道如何处理组,只有少数的回答。统计学方法分析小数量是有限的,但重要的是不要忽视他们。一个定量数据分析是最大化倾向的普遍性的目的。这可能会导致大量的依赖,但我们不能忘记这一比例差异,影响大小和描述性分析是合法的形式的分析,为我们提供重要的信息。告诉一个族群的故事很重要,即使这组小。

小种群的价值分析的一个例证是一个探索的经验的学生选择“另一个性别认同,请指定”当被问及他们的性别认同。这组明显小于那些选择“男人”或“女人”,但有许多学生指定子组内的身份。2017较量管理、常见writein身份对于那些选择另一个性别身份包括非性别流体,日期,变性人,Genderqueer,两个精神,和许多更多。模式的接触这些更小的子组有明显的不同,进一步鼓励我们继续寻找在(BrckaLorenz & Hurtado, 2015)。

尽管这些团体的学生可能在任何给定的小机构,这组全国总体增长,我们知道这些学生体验高等教育不同。因此,重要的是,我们花时间去了解他们是如何参与在我们的机构,这样我们可以确保我们的实践是满足所有学生的需求。

如何概念化的研究方法你选择一样重要。你的框架将帮助你确定哪些变量使用和如何处理解释(Rios-Aguilar, 2014)。许多框架不充分考虑边缘化群体的经验或方法从赤字的角度他们的经验。一定要花点时间仔细选择一个框架来帮助回答你的研究问题。

作为一个例子,当你的较量的结果快照的报告,你可能会考虑你如何讨论这些发现。Bensimon(2007)敦促我们思考从业知识和它如何影响学生的经历和成功。,Bensimon认为我们应该远离干预关注学生,并思考方式从业者可以为了方便data-informed变化。因此,当看着参与高实践报告快照,它是不够的我们只是指出,学生没有参与。相反,我们应该使用此信息来检查从业者如何走向“equity-minded实践”和“情景化problem-defining和解决”(Bensimon, 2007年,p . 447)。

在另一个例子,一个人为本重要的定量研究方法,Malcom-Piqueux(2015)确定群体基于相似的经历或结果而不是使用variable-based方法探索变量之间的关系。使用这样的一个框架,着重描述跨组学生差异,参与经验以整体的方式进行,这样不公平在教育的参与可以透露不作假设学生身份。脑海中有一个框架之前和期间的数据分析可以帮助研究人员和观众更好地理解和解释结果以及解决问题的目的和期望。

子组是一种常见的策略进行比较分析和呈现数据。在查看单个组学生参与模式,它是自然为研究人员和观众疑惑,“正常吗?“那是太低了吗?这是太高了吗?比其他学生是好还是坏呢?不幸的是,有时候这种策略的方法是实现隐式职位某些群体规范。例如,当看着种族和民族,白人学生的经验往往是作为其他团体的规范比较(梅休& Simonoff, 2015)。这种方法意味着白人学生的经验是“正常”还是应该通过其他的学生。

统计比较可以掩盖挑战或机构成功的结果。通过报告和结果统计上显著差异,看到没有一个会让人相信一切顺利,因为没有人比任何人都或多或少。但这可能掩盖这样一个事实,所有的学生都参与不到我们想要或学生都超过我们的预期。同样,如果存在显著差异,得分越高集团仍然不可能在可接受的水平。是很重要的,即使分析的目标是做个比较,我们独立检查结果没有引用其他结果。我们经常鼓励机构参与较量之前选择一个参考标准看他们的数据和报告。提前通过确定什么程度的接触或学生经历将被视为一个成功或挑战你的机构,“问题是,好吗?”可以回答没有任何比较。

如果你的听众比较是必要的或研究问题,仔细思考比较您正在使用或引用组。如前所述,使用一个多数集团作为比较的参考(白色,直,cisgender等)意味着,这些学生是应该测量标准对所有其他人。在回归模型中,例如,使用大多数身份集团作为参考,这样比较小的少数民族对他们不允许一个,看看这些少数民族比较另一个。甚至使用效果编码实践,组织编码,这样他们的回归系数可以相比整体组平均(梅休& Simonoff, 2015),本质上是比较少数群体多数为整个集团平均水平可能反映多数组织校园。

它可能是有用的考虑做比较分析在边缘化的亚种群,因此,至少暂时,留出多数人口的经验,可能已经是众所周知的。分析关注少数人口的亚种群之间的比较,例如,混血儿学生不同的种族/民族遗产(BrckaLorenz,哈里斯,纳尔逊Laird, 2017)可以帮助提醒观众群体的学生往往不是铁板一块,虽然有些学生在少数群体可能会发现成功,其他人仍可能受到挑战。理解为什么亚种群的少数民族有不同的经验可以帮助提高所有学生的经验。

是否使用一个或提到的技术组合,我们鼓励你意识的方式比较,结果传达给别人。虽然定量数据和结果可能被认为是客观的,我们做的比较,特别是在我们的选择的参考组,可以发送的消息对我们的学生和我们的信念作为评估研究人员和专业人士。

在我们的第一个技巧中,我们主张解集的数据。然而,有些情况下,可能会导致更多的伤害。当与他人共享数据时,应该谨慎地识别数据。与校园团体分享调查结果时,他们不能属性反应到一个特定的人。区间的工作可能特别容易识别的个人。如果特别小组的结果应该是共享的,它可能是最好的面具的受访者身份特征。尽管它可能不太满意,感觉不切实际的思考一个匿名的经验,一小群人,了解这些是一些学生的经验,不管他们是谁,仍然可以开始对话,使有用的改进。

根据你的研究问题,您可能需要使用复杂的统计方法,要求下降特别小组的学生从分析或聚合数据来创建更大的组的学生。当这是必要的,我们鼓励你承认这些限制和开放小数量下降或聚合。承认这些团体并不包括或如何如何结合其他可以帮助澄清模棱两可的“其他”分组,可以帮助发现添加上下文,可以用来开始讨论如何检查学生的经验没有包含或通过聚合可能隐藏他们的经验。透明度的方法选择与注意的局限性和未来的研究计划可以把更少的包容性分析变成更具包容性对话