A DIPLOMÁS PÁLYAKÖVETŐ KUTATÁSOK MINTATERVEZŐ RENDSZERE KRISZTIÁN VIKTOR

ZSKF TKK FÜZETEK 11.

A DIPLOMÁS PÁLYAKÖVETŐ KUTATÁSOK „MINTATERVEZŐ RENDSZERE” KRISZTIÁN VIKTOR ZSIGMOND KIRÁLY FŐISKOLA TÁRSADALOMTUDOMÁNYI KUTATÓKÖZPONT

1

ZSIGMOND KIRÁLY FŐISKOLA BUDAPEST 2011. MÁJUS

___________________________________________________________________________________

„PEGAZUS” PROJEKT TÁMOP-4.1.1-08/2/KMR-2009-0011 ___________________________________________________________________________________

________________________________________________________________________________________________

A DIPLOMÁS PÁLYAKÖVETŐ KUTATÁSOK „MINTATERVEZŐ RENDSZERE” KRISZTIÁN VIKTOR ________________________________________________________________________________________________

ZSIGMOND KIRÁLY FŐISKOLA TÁRSADALOMTUDOMÁNYI KUTATÓKÖZPONT KÉSZÜLT A „PEGAZUS” PROJEKT KERETÉN BELÜL

ZSKF TKK BUDAPEST 2011. MÁJUS ________________________________________________________________________________________________

ZSKF TKK FÜZETEK 11. ________________________________________________________________________________________________

2

A jelen kiadvány a „PEGAZUS” Projekt TÁMOP 4.1.1-08/2/KMR-2009-0011 program keretein belül készült.

© L’Harmattan Kiadó, 2011. © Zsigmond Király Főiskola Társadalomtudományi Kutatóközpont, 2011. © Krisztián Viktor, 2011.

A kiadványt szakmailag lektorálta: Havasi Éva

ISBN 978-963-236-418-6 ISSN 2062-7424

Sorozatszerkesztő: Kabai Imre

A kiadásért felel: Gyenes Ádám A kiadó kötetei megrendelhetőek, illetve kedvezménnyel megvásárolhatók: L’Harmattan Könyvesbolt 1053 Budapest, Kossuth L. u. 14-16. [email protected] www.harmattan.hu A borító Ujváry Jenő, a nyomdai előkészítés a Robinco Kft. munkája.

3

TARTALOMJEGYZÉK OLDALAK 1. BEVEZETÉS

5-9

2. ELMÉLETI ALAPVETÉSEK, A DPR LÉNYEGE, TÖRTÉNETE

10-16

3. A TÁMOP-RÓL ÉS A „PEGAZUS” PROJEKTRŐL

17-22

4. A K-DPR-K KÖZÖS MODELLJÉNEK MEGÍTÉLÉSE

23-35

5. EGY KONKRÉT MINTAVÉTELI ELJÁRÁS BEMUTATÁSA

36-52

6. ÖSSZEFOGLALÁS

53-55

7. IRODALOM JEGYZÉK/INTERNETES HIVATKOZÁS

56-58

________________________________________________________________________________________________

ZSKF TKK FÜZETEK 11. ________________________________________________________________________________________________

4

"Amilyen a mester, olyan a munkája." (Magyar közmondás)

Az elmúlt két év közös munkájáért, a folyamatos szakmai és emberi támogatásért és nem utolsó sorban a tanulmány elkészítésében nyújtott értékes segítségéért ez úton is szeretnék köszönetet mondani tanáromnak és mesteremnek Dr. Kabai Imrének.

1. Bevezetés

Néhány évtizeddel ezelőtt egy fiatal viszonylag könnyen eldönthette, hogy hol szeretne továbbtanulni, hogyan építhet karriert. Valamely egyetemen vagy főiskolán szerzett diploma többnyire elég volt ahhoz, hogy az elképzeléseinek megfelelő, jó állást találjon és tanulmányai megkezdésekor már szinte „maga előtt láthatta a jövőjét”. A mai felgyorsult, kihívásokkal, kockázatokkal teli világban azonban egyáltalán nem egyszerű jó döntést hoznia egy továbbtanulás előtt álló fiatalnak. Hiszen ha meg is szerez egy diplomát, sokszor merül fel a kérdés: „hova és hogyan tovább?”! Friss diplomásként mind nehezebb az elhelyezkedés, hiszen egyre többen végeznek – ehhez képest nem bővül a munkaerő-piac, ráadásul a legtöbb cég szívesebben foglalkoztatna szakmai tapasztalattal rendelkező munkavállalókat. Tovább nehezíti a pályakezdők dolgát, ha nem sikerül azonnal munkába állniuk, szembe kell nézniük azzal is, hogy a munkaadók előítéletekkel viseltetnek a „régóta elhelyezkedni nem tudó” fiatalokkal1. A diplomás munkanélküliség „világjelenség”, más országokban még súlyosabb is a helyzet, mint nálunk2. De Magyarországon ez a kérdés – már csak újszerűsége miatt is – különösen nagy figyelmet kap. Számításba kell venni azt is, hogy a rendszerváltás megrendítő hatással volt a hazai munkaerő-piacra. A piacgazdaságra való áttérés magával hozta a multinacionális cégek, a nagy „nemzetközi gyárak” megjelenését, a szolgáltató és a pénzügyi szektor növekedését, ez egy újfajta gondolkodásmódot vártak/várnak el a munkavállalótól3. A kilencvenes évekre elején bevett gyakorlattá, hogy bizonyos munkakörökre csak diplomás munkaerőt vettek fel, függetlenül attól, hogy a diploma tényleges milyen 1

A Menedzsment Fórumon megjelent egyik legutóbbi cikk címe így hangzik: „30 ezer diplomás keres hiába állást hazánkban.” – majd az is kiderül, hogy a 25 év alattiak közül 85 ezer a bejelentett munkanélküliek száma. (Interneten: http://www.mfor.hu/cikkek/78655.html ; letöltés ideje: 2010.12. 09.) 2 Lásd pl. Ladányi Andor (2002) A magyar felsőoktatás nemzetközi összevetésben. Oktatáskutató Intézet (kézirat – idézi Györgyi 2006): a felsőfokú képzettségű munkanélküliek aránya a felsőfokú képzettségű aktív keresőkhöz viszonyítva: Magyarország: 1,4% - Spanyolország: 11,5%, Norvégia: 13,2% … 3 Lásd erről bővebben: Györgyi Zoltán (2006) Friss diplomások a munkaerőpiacon. http://www.eduonline.eu/hu/letoltes.php?fid=tartalomsor/943 ; illetve Falusiné Szikra Katalin (2001) Munkanélküliség és diplomás túltermelés. Közgazdasági Szemle, november (pp. 950-964.)

5

képesítést adott. Ennek a hátterében az a manapság is létező gondolkodásmód fedezhető fel, hogy a felsőfokú képzés az egyén egész személyiségére hatással van. A multinacionális cégek manapság is sokszor előnyben részesítik a személyiséget, a személyes kvalitásokat, és ezen belül is értékelik a „pályaelhagyási képességet” a szakirányú képzettséggel szemben.

E jelenségek elsődleges oka –számtalan más tényező mellett –az, hogy a rendszerváltást követő évtizedben mintegy három és félszeresére növekedett a friss diplomások aránya (ezt hívják a „felsőoktatás expanziójának”). Ez a folyamat egyébként – mint korábban jeleztem – más országokban is végbement. Jól leolvasható, hogy a diplomás munkanélküliségi ráta igen magas; manapság például már az USA-ban sem jelent feltétlen könnyű elhelyezkedést egy jó iskolában szerzett diploma (lásd az 1. táblázatot). 1. táblázat: Az egyes országok munkanélküliségi rátája, képzettségi színt bontásban. OECD 2008-as adatok. (%) Ország alapfokú középfokú felsőfokú végzettség végzettség végzettség Magyarország 17,3 6,3 2,3 Anglia 6,0 3,7 2.0 USA 10,1 5,3 2,4 Franciaország 9,8 5,6 4.0 Olaszország 7,4 4,6 4,3 OECD átlag 8,7 4,9 3,2 Forrás: Education at a Galance. OECD 2010 vizsgálat.

4

A táblázat adataiból kitűnik, hogy a Magyarországon a felsőfokú végzettségűek körében jóval kisebb a munkanélküliek aránya, mint pl. Franciaországban, de az Amerikai Egyesült Államoknál is egy árnyalattal jobban állunk. Tanulságos tény az is, hogy említett országokban nem korlátozzák a hallgatói létszámok alakulását, a döntést „az egyénre bízzák”, annyit tesznek, hogy a pályaválasztás során inkább a „hiányszakok” felé próbálják orientálni a döntés előtt álló fiatalokat. Az is kitűnik az adatokból, hogy mindenhol előnyt jelent a diploma! A munkanélküliségi mutatók mellett fontos szempont lehet egy továbbtanulás előtt álló diáknak a képzettségi szintek közötti jövedelmi különbségek alakulása is – amely szintén a diploma megszerzésére ösztönözhet (lásd a 2. táblázatot).

4

Interneten: http://www.oecd.org/dataoecd/45/39/45926093.pdf OECD, Párizs, 2010. (Letöltés ideje: 2010.11.10.)

6

2. táblázat: Az egyes országok kereseti rátája képzettségi színt bontásban az 55-64 év közöttiek körében. Az adott ország átlagkeresetét tekintjük 100%-nak. OECD 2008-as adatok. Ország Magyarország Anglia USA Franciaország Olaszország OECD átlag

alapfokú végzettség 67 69 70 76 61 72

középfokú végzettség 121 113

felsőfokú végzettség 237 150 180 178 146 166

Forrás: Education at a Galance. OECD 2010 vizsgálat.

Mindezen előnyök mellett még további lényeges különbség, hogy a felsőfokú tanulmányokat végzettek általában egészségesebbek: az OECD egy korábbi kutatása során arra derült fény, hogy Magyarországon a felsőfokú képzettséggel rendelkezők 75 százaléka érzi magát egészségesnek, míg az alapfokon képzettek esetében ez az arány mindössze 34 százalék. Az eredmények szerint további „ a nem anyagi javak” mentén is előnyök származhatnak a továbbtanulásból: például a diplomások átlag feletti arányban számolnak be „jobb egyéni és családi egészségről”, „kellemesebb városi életfeltételekről”, „jobb munkakörülményekről”5. A magyarországi felsőoktatás expanziójának egyik sajátossága, hogy a levelező tagozatos képzés arányaiban megnövekedett és fontos szegmenssé vált a költségtérítéses képzések rendszere is. Erre az expanziós folyamatra épült rá a „Bologna-rendszer”, amelynek 2005. évi bevezetése szabályszerűen „kettévágta” az addig működő ötéves egyetemi szintű képzéseket, de átrendezte a főiskolai képzések rendszerét is. A BA/BsC és MA/MsC diplomák a munkaerő-piaci értéke jelenleg gyakorlatilag „megítélhetetlen”, mivel a rendszer viszonylag új. Az áttérés a cégek humánpolitikai osztályait is felbolygatta: nem tudják pontosan, hogy egy-egy alapszakos diplomával rendelkező fiatal milyen szaktudással, általános műveltséggel rendelkezik a hagyományos főiskolai vagy egyetemi diplomákban megtestesült tudáshoz képest. A helyzetet nehezíti az újfajta képzések, szakok létrejötte, amelyekről a munkáltatók még keveset tudnak. Különös gondot okoz az utóbbi években, hogy „a felsőoktatás és a gazdaság igényei közötti kapcsolat laza, áttételes, s a szakmai kínálat nem vezethető le a gazdaság, vagy akár a hallgatók

5

Santiago, Paulo et al.: A felsőoktatás a tudástársadalomért. 2. kötet. OECD, Párizs, 2008. Interneten: http://www.felvi.hu/pub_bin/dload/AVIR/OECD_jelentes_vol2.pdf (Letöltés ideje: 2010.11.10.) illetve Horváth Tamás et al. (szerk.): Diplomás pályakövetés. Kézikönyv. Educatio Társadalmi Szolgáltató Kht. Budapest, 2009. http://www.felvi.hu/pub_bin/dload/DPR_Kezikonyv/1fejezet.pdf (Letöltés ideje: 2010.10.14.)

7

igényeiből” – fogalmaz Györgyi Zoltán.6 Ennek eredményeként egyes szakterületeken jelentős a túlképzés, míg másutt hiányok vannak. Egyszerre küzd tehát a munkaerőpiac – és nemcsak a diplomások tekintetében – munkaerőhiánnyal és –túlkínálattal. Mindezek a problémák segítették elő – szinte „kikényszerítették” – a Diplomás Pályakövető Rendszer (a „DPR”) megszületését. A diplomás pályakövetés olyan felmérések sorozata, amely egy adott intézmény aktív hallgatói lehetőségeit, valamint a végzett hallgatói elhelyezkedését, munkaerő-piaci mozgását vizsgálja. A rendszer alkalmassá tehető arra is továbbá, hogy a továbbtanulás előtt állók világos képet kapjanak a felsőoktatásból kikerülő diákok életútjáról7. Ez egyfajta „minőség-ellenőrzés” is, hiszen az intézmény és a leendő hallgató szembesülhetnek azzal, hogy az adott képzés mennyire hatékony – már legalábbis az elhelyezkedési lehetőségek szempontjából. De arról is tájékoztatnak a kutatási eredmények, hogy az aktív hallgatók hogyan érzik magukat az intézményben, mivel és mennyire elégedettek. Mindezek azért fontosak, mert a felsőoktatás korábban egy olyan „üzemként” működött, amely „nem maga adta el a végtermékét”. Nem érezte magát ösztönözve abban, hogy a hallgatók minél jobban el tudjanak majd helyezkedni, ha elvégezték az adott képzés. A helyzet mára gyökeresen megváltozott: az intézmény értékét, rangját az adja, hogy milyen a kibocsátottak munkapiaci helyzete. Ennek a problémának a megoldására jött létre európai uniós támogatásokból az NFÜ (Nemzeti Fejlesztési Ügynökség) által kiírt pályázati rendszer az intézményi pályakövetések és a hallgatói szolgáltatások fejlesztése érdekében, a TÁMOP (Társadalmi Megújulás Operatív Program) 4.1.1. alprogramja8. A Zsigmond Király Főiskola (ZSKF) – másik három felsőoktatási intézménnyel (ANNYE, AVKF és WJLF) konzorciumi együttműködésben – egy „Pegazus” névre keresztelt pályázatot adott be, amelyet elnyert – így 2009 és 2016 között egy nagyszabású projektet valósít meg. A karrierszolgáltatások, az alumni mozgalom kialakítása és fejlesztése, a tehetséggondozás rendszerszerű kiépítése és a vezetői információs rendszer megvalósítása mellett a legnagyobb hangsúlyt – és pénzügyi forrásokat is – a diplomás pályakövető rendszer kapja. Ennek a vállalkozásnak három mozzanat ad megkülönböztetett figyelmet: (1) egyrészt négy intézmény összehangolt kutatás-sorozatáról van szó; (2) másrészt az adatfelvételek kiterjednek az aktív és a végzett hallgatókon (munkavállalókon) túl a munkáltatókra, az oktatókra és a leendő hallgatókra is (a kompetencia-vizsgálatok révén egyfajta „párbeszédet” próbálunk kialakítani a felsőoktatás „főszereplői” között);

6

Györgyi, 2006: 170. Lásd erről pl. Majó Zoltán: A felsőoktatás és a munkaerőpiac kapcsolata. Interneten: http://www.eco.uszeged.hu/egyetemrol/tudomanyos-kozlemenyek/szte-gazdasagtudomanyi/versenykepesseg/felsooktatas (Letöltés ideje 2010.10.03.), illetve Molnár Zita: Rendszerszerű a diplomás pályakövetés. GTM Interneten: http://www.gtm.hu/cikk.php?cikk_id=1743 (Letöltés ideje: 2010.10.12.) 8 Lásd erről bővebben: Diplomás Pályakövető Rendszer: az intézményi modell kialakítása. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/hazai_dpr/intezmenyi_modell_kialakitasa (Letöltés ideje: 2010.10.10.) 7

8

(3) harmadrészt a ZSKF Társadalomtudományi Kutatóközpontja (a ZSKF-TKK, amely e kutatások központi intézménye) keretein belül kialakított Konzorciumi DPR Kutatócsoport a négy intézmény együttműködésében speciális módszertani kísérleteket hajt végre (szoros együttműködésben a DPR országos módszertani központjával, az Educatio Társadalmi Szolgáltató Nonprofit Kft-vel)9. Ez utóbbi módszertani kísérletekhez kapcsolódik az a „minta-tervező” modell, amely kialakításának aktív részese voltam, illetve vagyok jelenleg is. A ZSKF-TKK alkalmazottjaként Dr. Kabai Imre vezetésével 2007 óta folytattunk olyan kísérleteket, amelyek a pályakövető kutatások módszertanával, a munkáltatók és a képzést adó intézmények közötti párbeszéd létrehozásával, erősítésével foglalkoznak. Különösen nagy kihívást jelent az online kérdőíves adatfelvételek szakszerű lebonyolítása, ezen belül is a vizsgálati minta reprezentativitásának biztosítása. Dolgozatomban elsősorban erről a kísérlet-sorozatunkról – az eddigi eredményeinkről, a „mintatervező” rendszer logikájáról és gyakorlati megvalósításáról – írok. Bemutatom azokat az eszközöket, konkrét eljárásokat, amelyek révén sikerrel megoldható az „önkitöltős” kérdőívek mintájának reprezentativitása – felvetem azokat a szakmai dilemmákat is, amelyek ennek kapcsán felmerültek. Ezt megelőzően ismertetem a diplomás pályakövető rendszer kialakításának társadalmi hátterét, eddigi történetét, annak hazai és nemzetközi vonatkozásait. Részletesebben is bemutatom a TÁMOP – ezen belül a „Pegazus” – projekteket, különös tekintettel a pályakövető kutatási modellünkre. Részletesen ismertetem a mintavétel elméleti problematikáját, a klasszikus mintavételi technikákat – kiemelve azt, hogy a modellünk miként illeszkedik ezekbe a keretekbe.

9

Lásd erről bővebben a ZSKF honlapján a „Diplomás pályakövetés” rovatait: http://www.zskf.hu/?page_id=447 (Letöltés ideje: 2010.11.14.).

9

2.

Elméleti alapvetések, a DPR lényege, története

2.1. Társadalmi háttér

Az 1990-es évek elején a felsőoktatás radikális átalakulásokon ment át a kelet-európai volt szocialista országokban, így Magyarországon is. Az átalakulás oka a „piacgazdaságra” (a tőkés termelési viszonyokra) való áttérés, ami óhatatlanul is felvetette azt a kérdést, hogy az addig „ingyenes” állami oktatás valójában „mennyibe kerül”? Kiszámolható, hogy minden iskolában fizetni kell a tanárokat, a személyzetet, a közműveket stb. Nincs tehát olyan hogy „ingyenes oktatás”, ennek az árát általában az állam fizeti meg, az adófizetők pénzéből. A kérdés az, hogy a felsőoktatásban milyen távon, milyen képzéseket és milyen mértékben kell támogatnia az államnak10. Amikor a felsőoktatásba pénzt invesztál az állam, figyelembe kell vennie a „költség-haszon” elvet, vagyis azt, hogy mennyire hatékony egy képzés? Azaz mennyi idő alatt térül meg egy-egy diploma ára? Ennek az egyik legfontosabb mutatója az, hogy milyen mértékben tudnak elhelyezkedni az adott diplomával rendelkezők. Nem jó, ha olyan képzéseket támogat az állam, amelyek elvégzése után nem tud elhelyezkedni a volt hallgató a tanult szakterületén, mert vagy munkanélküli lesz (és így továbbra is az államot terheli a segélyeken keresztül), vagy egészen más szakterülten kénytelen elhelyezkedni. Az sem szerencsés, ha „alul-” vagy ha „túlképzettként” jelenik meg valaki a munkaerő-piacon. Mivel a felsőoktatás egy speciális „emberi tőkébe való beruházás”, és léteznek még más emberi tőkébe való beruházások (pl. egészségügyi ellátás, kiegészítő képzések, kutatás), ezért alaposan át kell gondolni, hogy milyen mértékben éri meg finanszírozni a felsőoktatást. Ezeknek a gondolatok hatására jött létre a tandíjak és a költségtérítések rendszere11. Mivel a munkaerő-piaci elvárások folytonosan változnak, ezért az oktatási intézményeknek törekedniük kell egyfajta összhang megteremtésére a frissen kibocsátott munkaerő tudása és a munkáltatók elvárásai között. Valamilyen formában mérni kell a munkáltató elégedettségét is, azt, hogy mennyire válik be a pályakezdő munkaerőként, melyek a hiányosságai, milyen kompetenciákból kapott keveset és miből kapott esetleg túl sokat. Ha ezek az adatok rendelkezésünkre állnak, és ismerjük az adott képzés hiányosságait, illetve az erősségeit, akkor ezeket az eredményeket egy speciális eljárás révén 10

Lásd erről bővebben pl.: Sinka Edit: Az oktatás minősége (szekció összefoglaló). Interneten: http://www.ofi.hu/tudastar/szekcioulesek/oktatas-minosege (Letöltés ideje: 2010. 11. 14.) 11 Lásd erről: Csoma Gyula: Különvélemény az oktatási-képzési minőség biztosításáról (és a minőségről) II. Interneten: http://www.ofi.hu/tudastar/csoma-gyula (Letöltés ideje: 2010. 11. 21.)

10

„visszacsatolhatjuk” a felsőoktatásba, így téve hatékonyabbá azt12. Nehezíti a dolgot, hogy ez a fajta „emberi tőkébe való beruházás” minimum három, de általában öt évet vesz igénybe.

2.2. Diplomás pályakövetés története célkitűzései

Magyarországon viszonylag régóta zajlanak olyan, többé-kevésbé hivatalos adatfelvételek, amelyek a „képzés elvárásoknak való megfelelését” vizsgálták13. Ezek sokszor hosszú távú megfigyelésekre alkalmas módszerek voltak. Ilyen volt például az 1973/74-es tanévben indult 25 évre tervezett kutatás, amit az akkori Felsőoktatási Pedagógiai Kutató Központ indított. A kutatás célja az volt, hogy a főiskolára vagy az egyetemre való beiratkozástól a munka világában eltöltött huszadik évig vizsgálják a bevont személyeket. Sajnos a kutatás a 70-es évek végén – politikai okokból – abbamaradt. Ezt követően 1998-1999-ben a Budapesti Közgazdaság-tudományi Egyetem (a mostani Corvinus Egyetem) elindította a Fiatal Diplomások Munkaerő-piaci Életpálya-vizsgálatát (a FIDÉV-et). Az Emberi Erőforrások Tanszék szakemberei koordinálták a vizsgálatokat,a kutatás célja az volt, hogy átfogó képet adjon a felsőoktatási intézményekből kikerülő diákok elhelyezkedési lehetőségeiről. A későbbiekben – 2002-ben – a Jelenkor Társadalomkutató Műhely és az Universitas Press Felsőoktatás-kutató Műhely (kétévi előkészület után) az új típusú doktori képzésben részt vetteket vizsgálta. A kutatás érdekessége, hogy a kérdőíves adatfelvétel mellett (amiből több mint 700 darabot készítettek) 75 mélyinterjút is lefolytattak a munkavállalókkal. Ezt a későbbiekben kiegészítették 50 munkáltatói mélyinterjúval. Ehhez kapcsolódóan a Magyarországon végzett határon túli magyar fiatalok életpálya-kutatási programja keretein belül egy egész Kárpát-medencére kiterjedő kutatást végeztek a határon túli magyarok életpályájának feltérképezése érdekében. A kutatást a Márton Áron Szakkollégium Karrier Irodája koordinálta. Céljuk a Magyarországon való továbbtanulás motivációjának feltérképezése és a határon túl hallgatók életpályájának a felderítése volt.14

12

A kompetencia-vizsgálatokról lásd Kiss Paszkál (szerk.): Kompetenciamérés a felsőoktatásban. Diplomás Pályakövetés 3. Educatio Szolgáltató Nonprofit Kft. Budapest, 2010. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/kiadvanyok/dpr3_kotet (Letöltés ideje: 2010. 11. 12.) 13 Lásd erről a legrészletesebb összefoglalót: Horváth Dániel: Hazai gyakorlatok a diplomás pályakövetésben. In: Fábián István et al. (szerk.): Diplomás pályakövetés 1. Hazai és nemzetközi gyakorlatok. Educatio Szolgáltató Nonprofit Kft. Budapest, 2008. (918. oldalak) Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/kiadvanyok/dpr1_kotet (Letöltés ideje: 2010. 11. 10.) 14 : Kiss László - Kiss Paszkál: Diplomás pályakövetés Magyarországon (lásd erről a 20-21. oldalakon). In: Horváth Tamás et al. (szerk.): Diplomás Pályakövetés. Kézikönyv. Educatio Szolgáltató Nonprofit Kft., Budapest, 2009. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/kiadvanyok/dpr_kezikonyv (Letöltés ideje: 2010. 11.10.)

11

A különböző kutatóközpontok és műhelyek által végzett kutatások a felsőoktatás és a munka világának kapcsolatáról viszonylag ritkák, a végzett hallgatók vizsgálata kapcsán inkább az intézménnyel való elégedettségre fókuszálnak. Ez többek között azért fontos, mert ha az adatok az intézményen belülről származnak, akkor azokat nagyobb valószínűséggel használja fel az adott intézmény vezetése stratégiai döntéseihez. Az Educatio 2008-as elővizsgálata szerint15 elmondható, hogy a magyarországi felsőoktatási intézmények 80%-a végzett már pályakövetést a volt hallgatói körében, és majdnem 10%-uknál éppen kidolgozás alatt állt. Ha megnézzük, hogy a magyarországi intézmények melyik évben indítottak legnagyobb számban pályakövetéses vizsgálatot azt láthatjuk, hogy 2005 a fordulópont. Ebben az évben a NFT (Nemzeti Fejlesztési Terv) keretein belül kiírták a ROP 3.3.1 (Regionális Operatív Program) pályázatát, amelynek a célja: „A régiók gazdasági fejlődését előmozdító oktatási intézmények infrastruktúrájának fejlesztése”. E pályázat révén tizenegy felsőoktatási intézményben kezdődött el a pályakövetés, míg 2006ban további nyolcban. A diplomás pályakövetési vizsgálatokat majdnem mindenhol az intézmény saját dolgozói végzik. A pályakövetések elindítását ösztönözte és elősegítette a 2005. évi felsőoktatási törvény, amely kötelezővé a felsőoktatási intézményeknek, hogy pályakövetést végezzenek a végzett diákok körében. Megállapítható, hogy a 2005-ben és az ezt követő években induló pályakövetéses vizsgálatok mintegy 40%-át a törvényi előírás ösztönözte. A pályakövetéses vizsgálatok módszere – egy erre vonatkozó vizsgálat eredményei szerint16 – döntően az online kérdezés. Ezután a postai kérdezés a második leggyakoribb, és a személyes vagy a telefonos kérdezés már csak elvétve akad. Itt szeretném megemlítni a ZSKF TKK (Zsigmond Király Főiskola Társadalomtudományi Kutatóközpontja) személyes kérdőíves adatfelvételét, amely 2006-07-ben majdnem kétezer végzett hallgató személyes megkeresését valósította meg egy ROP pályázat keretei között. Érdekessége a kutatásnak, hogy egy „Diákkötet”17 született az eredményekből, amelyeket a ZSKF hallgatói írtak. A kutatás célcsoportjai a következő intézmények végzett hallgatói voltak: AVKF, BMF, ELTE-ÁJK, WJLF, ZSKF. Ezt követően a ZSKF TKK egy „Szakképzés vizsgálatot” végzett 2008-2010. között (egy tkOKA pályázat keretein belül), amelynek a célcsoportjai a villamosmérnök-asszisztensek, a villamosipari technikusok és a villanyszerelők voltak18. Mivel én magam is részt vettem ebben a kutatásban, még emlékszem, hogy a tervekben négy oktatási intézmény szerepelt, amiből a kutatás végére 16 lett az alacsony válaszadási arányok miatt. A ZSKF TKK kutatásaiban egyébként mindig hangsúlyosan kérdezünk rá 15

Horváth, 2008. Im. (lásd erről a 9-18. oldalakon). Horváth, 2008. Im. (lásd erről a 27-29. oldalakon). 17 Kabai Imre et al. (szerk.): Mi lesz velünk a diploma után? ZSKF Könyvek 1. ZSKF, Budapest, 2007. Lásd az Interneten: http://www.zskf.hu/?page_id=449 (Letöltés ideje: 2010. 11. 10.) 18 Az interneten megtalálható a kutatás-sorozat záró tanulmánya: Kabai Imre (szerk.): A gazdasági szereplők elvárásai a szakmai képzés átalakítására. Zárótanulmány. ZSKF Tanulmányok, Budapest, 2009. http://www.zskf.hu/uploaded/20092010/TudMuhely/tkk/DRP/Szakk%C3%A9pz%C3%A9svizsg%C3%A1lat_ZSKF_TKK_Z%C3%A1r%C3%B3tanulm%C3%A1ny.pdf (Letöltés ideje: 2010. 11. 10.) 16

12

az adott területre jellemző készség-, képesség- és tudáselemek összességére, a kompetenciákra, ezt a nemzetközi „TSER” vizsgálat sikeressége ihlette. A „TSER” vizsgálatról részletesebben a következő fejezetben írok.

2.3. Nemzetközi gyakorlatok a diplomás pályakövetésben

A különböző nemzetközi gyakorlatokat az egyes országok praxisán keresztül fogom bemutatni, de néhány nemzetközi kutatást is ismertetek. Németország diplomás pályakövetésére 2007-ig a decentralizáltság volt a jellemző. Ez ideig csak néhány felsőoktatási intézmény végzett valamilyen pályakövetéses vizsgálatot. Mivel ezeket a vizsgálatokat a felsőoktatási intézmények egyedül vagy néhány másik felsőoktatási intézmények közreműködésével végezték, ezért az adatok országosan nem hasonlíthatóak össze. Több német kutató is megpróbálta az intézményi eredményeket összegyűjteni, rendszerezni, de nem jártak túl sok sikerrel, mivel az intézményi adatok csak szűk kör részére elértelmezhetők. A Kasseli Foglalkozás- és Felsőoktatás-kutatási Tudományos Központ19 1983. óta végez diplomás pályakövető vizsgálatokat. 1998 és 1999-ben CHEERS (Careers after Higher Education: a European Research Study) TSER program (Targeted Socio-economic Research) keretein belül tizenegy európai ország és Japán pályakövetéses vizsgálatát hajtották végre. A vizsgálat populációja az 1994-ben és 1995-ben végzettek voltak, minden ország számára kitétel volt, hogy legalább 3000 kitöltött kérdőívet prezentáljanak. A kutatás célja az volt, hogy a munkaerőpiac és a felsőoktatás összefüggéseit feltárják. A felmérés egyébként rámutatott a Nyugat- és Kelet-Európa, illetve Európa és Japán különbségeire. Az alapvető kérdéskörök a következők voltak: társadalmi-demográfiai háttér, iskolai pályafutás, átmenet a felsőoktatásból a munkaerőpiacra, a kezdeti karrier-állomások, a tanulmányok és a foglalkoztatás összefüggései, a munkával való elégedettség, a felsőoktatás retrospektív értékelése. A kutatás során arra az eredményre jutottak, hogy minden országnak csökkentenie kell az oktatási és szociális esélyegyenlőtlenségeket a felsőoktatásban. A 2000-ben lezáródó CHEERS vizsgálat folytatásaként 2004-ben jött létre a REFLEX (The Flexible Professional in the Knowledge Society) projekt, amelynek a célja a gyorsan változó világban a jól hasznosítható általános kompetenciák feltérképezése, illetve annak megértése, hogy a felsőfokú tanulmányok miként segítik elő ezeknek a kompetenciáknak a fejlődését. A REFLEX projekt már 15 ország közreműködésével zajlott. Minden ország számára 19

INCHER - International Centre for Higher Education Research Kassel. Lásd erről bővebben az Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/nemzetkozi_dpr/orszagjelentesek/diplomas_palyakovetes_nemetorsza gban_?itemNo=3 (Letöltés ideje: 2010. 11. 10.)

13

minimum 2000 fős mintanagyságot állapítottak meg. A kutatás során azokat az 1999/2000-ben végzett hallgatókat keresték meg, akik BA vagy MA diplomával végeztek vagy ezekkel egyenértékű végzettséget szereztek. A végzés utáni ötödik évet azért választották, mert a gyakorlat azt mutatta, hogy a végzés utáni első két évben történik a friss diplomások integrációja és az álláskeresés. Az utána következő években megtörténik a gyakorlat- és tapasztalatgyűjtés időszaka, ami hozzávetőlegesen az ötödik év végén zárul le. A harmadik szakasz a diploma elvégzéséhez képest a tizedik évig tart, ilyenkorra már végbemegy a „pályáraállás” folyamata. A kutatás célcsoportját a második szakasz végén lévő, a „munkahelyi integráción” már túljutott fiatalok alkották. Ennek keretében vizsgálhatóvá vált a végzett hallgatók munkaerő-piaci elhelyezkedése a „kezdeti mozgások” dinamikája és a szakmai kompetenciák fejlődése.

2006-ban a kasseli kutatócsoport megváltoztatta a nevét hangsúlyozva a nemzetközi kutatásokban való meghatározó jelentőségű részvételét; az új neve „Kasseli Egyetem Nemzetközi Felsőoktatás-kutató Központja” lett. 2006 májusában létrehozták a diplomás pályakövetés nemzetközi hálózatát. A hálózat jelenleg több mint 100 felsőoktatási intézményt foglal magába. Céljuk a felsőoktatás kutatásának a tökéletesítése. Ennek érdekében konferenciákat, workshopokat tartanak, és különböző segédanyagokat adnak ki. A hálózatba való belépés ingyenes. Az Amerikai Egyesült Államokban 1949-óta a felsőoktatási intézmények kimeneti követelményként határoznak meg egy sztenderd, diplomás „minősítő vizsgát”. A diákok számára ez a vizsga fontos szerepet játszik a továbbtanulásban. A vizsga a kezdetektől fogva méri az általános szóbeli érvelést, az elemző gondolkodást, a számolási teljesítményt (feleletválasztós formában). A szövetségi oktatási kormányzat 2005-ben létrehozott egy bizottságot, amit az államtitkár-asszonyról neveztek el „Spellings Bizottságnak”. A bizottság úgy gondolta, hogy az intézményeket a tanulás és a kompetenciák oldaláról kell vizsgálni, összehasonlításra is alkalmas módszerekkel. 2007-óta fokozatosan fejlesztik a diplomás minősítő vizsgát, az újabb módszerek közül az egyik a Collegiate Learning Assessment (CLA, Felsőfokú Tanulás Értékelése), ami több tízévnyi tapasztalat eredményeképpen jöhetett létre. A CLA nem csupán az iskolai sikerességeket mérő módszer, és nem is a hagyományos feleletválasztásos kérdéssor. A módszer képes a kritikai gondolkodást, az elemzőkészséget a problémamegoldó képességet és az íráskészséget mérni komplex feladatok segítségével. Klein és társai a fejlesztők is felhívják a figyelmet, hogy ez a módszer megbízhatósága sokkal nagyobb, ha az elemzési egység nem az egyén, hanem egy csoport vagy csoportok.20 Ez a kompetenciák egy újfajta mérését teszi lehetővé.

20

Kiss Paszkál: Felsőfokú kompetenciákról nemzetközi kitekintésben. In: Kiss Paszkál (szerk.) 2010. Im. (elsősorban a 1725.oldalakon).

14

Az Amerikai Egyesült Államok felsőoktatási pályakövetésére is az a jellemző, mint Magyarországéra, vagyis végzett hallgatók vizsgálata intézményi szinten valósul meg a leggyakrabban. Általában a felsőoktatási intézmények végeznek pályakövetéses vizsgálatokat, amelyeket a végzés utáni első években hajtanak végre. Az intézmények honlapján megtalálhatóak a vizsgálatok eredményei, bár jellemzően nem túl frekventált helyen. A leendő hallgatókat az intézményi rangsorokkal szokták az egyes intézmények csábítani, és nem a végzett hallgatók elhelyezkedései adataival. Országos szintű felmérésekre viszont nincs sok példa, amelyre a „tagállami irányítás” ad magyarázatot. A tagállami szinten közzétett elemzések általában az egyes intézményektől összegyűjtött adatokból keletkeznek. Az országos szintű vizsgálatokra a legutolsó példa a 2000/2001-ben végzett IPEDS (Integrated Postsecondary Education Data System) vizsgálat. Ez a vizsgálat magában foglalja a tudományos képzéseket, szakképzéseket, illetve a szakmai továbbképzéseket, viszont a felnőttképzéseket nem. A felmérés egyébként 10 030-főre terjedt ki, az interjúk fő kérdéscsoportjai a végzés utáni munkalehetőségek és a továbbtanulás voltak. Nagy-Britanniában 1993-ban hozták létre a felsőoktatási statisztikai ügynökséget („Higher Education Statistic Agency” HESA), aminek a fő tevékenysége a végzett hallgatók pályakövetése. 1994-óta kisebb változtatásokkal ugyan, de minden évben – fél évvel a végzés után – mérik fel a volt tanulók helyzetét. A kérdések általában a tevékenységi körökre (dolgozik-e, végez-e önkéntes munkát, esetleg továbbtanul-e stb.) az elhelyezkedéshez szükséges képzettségre, a munkáltató cég méretére, a továbbtanulás intézményére, a foglalkoztatás típusára és a munkahely ágazatára térnek ki részletesebben. A vizsgálni kívánt célcsoport a végzett hallgatók, akik teljes- vagy részképzésben vettek részt, Nagy-Britanniában vagy Európa más területén élnek, akik a szakdolgozatukat írják, illetve azok, akik 2006-óta posztgraduális képzésben végeztek. A HESA 2007-ben végezte első panelvizsgálatát, amikor a 2002/2003-ban végzetteket kereste meg kérdőíveivel. A HESA mellett még igen fontos szerepet játszik a HECSU (Higher Education Careers Unit), amely karrier- és pályatanácsadással kapcsolatos kutatásokról és fejlesztésekről, felsőfokú képzésekről, munkaerő-piaci fejleményekről, nemzetközi gyakorlatokról nyújt információkat az érdeklődőknek. Mindezek mellett a HECSU készített követéses vizsgálatot is, amelyben elsőként 2002-ben és utána 2005ben két angliai egyetem 24, mester fokozaton tanuló diákját keresték meg, ügyelve arra, hogy minden képzés területről 4-4 fő kerüljön a mintába. Összesen négy alkalommal készítettek velük interjút: először a mesterképzés elején, utána a mesterképzés végén, illetve 6 és 18 hónappal a képzés befejezése után.

15

A HESCU 2006-ban indította el eddigi legnagyobb szabású panelvizsgálatát, amit „futuretrack21”-nek neveztek el. A kutatás 2006 és 2011 között vizsgálja a felsőoktatás és a munka világát. A tervek szerint a kutatásba 50 000 diákot vonnak be 277-felsőoktatási intézményből. A kutatás a felsőoktatási intézménybe jelentkezőkkel kezdődik és a diploma megszerzése után 1 és 3 évvel is megkeresik őket. Így a tanulmányaik kezdetétől fogva a munka világába való belépésen keresztül, az első néhány munkával töltött évet is nyomon kísérték. A kutatások eredményeit intézményi és ágazati szinten is hasznosítják. Az intézmények a felméréseik eredményeit közzéteszik a honlapjaikon 22 a részletes adatokkal együtt, így segítve a továbbtanulás előtt állókat a megfelelő intézmény kiválasztásban.

21

„Futuretrack is the most ambitious higher education research ever conducted int he UK” – hirdeti magát a projekt a honlapján. Lásd: http://www.futuretrack.ac.uk/index.php (Letöltés ideje: 2010. 10. 09.) 22 Researching the Graduate Labour Market. Interneten: http://www2.warwick.ac.uk/fac/soc/ier/research/glmf (Letöltés ideje: 2010. 11. 10.)

16

3.

A TÁMOP-ról és a „PEGAZUS” Projektről

3.1. TÁMOP 4.1.1. A Nemzeti Fejlesztési Ügynökséget (NFÜ) a kormány hozta létre azért, hogy 2007-2013 között egy átláthatóbb módon történjen az uniós fejlesztési források elosztása. Az ország fejlesztésére évente 1000 milliárd forintot fordítanak. Ebből az összegből jöhetett létre a felsőoktatási szolgáltatásokat, pályakövető rendszereket támogató TÁMOP 4.1.1 pályázat-rendszer, melynek főbb elemei23:

• Vezetői Információs Rendszer kialakítása (VIR). A VIR egy széles spektrumra kiterjedő számítógépes rendszer, ami éppúgy fejleszti az intézmény gazdasági és humánpolitikai rendszerét, mint ahogyan elősegíti a diplomás pályakövetést, mert a VIR kialakítása érdekében támogatást kap az intézmény, amelyből informatikai infrastruktúráját fejlesztheti, így új szerverek vásárlására is használhatja, amelyen a DPR által használt kérdőívszerkesztő programot is működtetheti. Megjegyzem, hogy ismerve a mostani kérdőívszerkesztő programunk (EvaSys) gyorsaságát, erre a fejlesztésre nagy szükségünk lesz. • Diplomás Pályakövető Rendszer kialakítása (DPR) A DPR kialakítása magába foglalja a teljes kutatási rendszer kiépítését a kutatásban résztvevő team kiképzésén és a betanításán át az adatok szisztematikus feldolgozásáig (lásd erről bővebben később). A programot két évig támogatják központi EU forrásokból, és további öt évig köteles a pályázatot nyert intézmény fenntartani a rendszert. Fontos elvárás a DPR „beágyazódása” az intézményi struktúrába (azaz minél inkább intézményesüljön az eredmények felhasználása, visszacsatolása az oktatásba). • Hallgatói, karrier és öregdiák szolgáltatások fejlesztése A legöbb intézményben a korábbi ROP pályázatok lévén létre jöttek karriercentrumok, máshol a TÁMOP 4.1.1 támogatásával kerültek kialakításra. Ahol már megvoltak – így a ZSKF-en is –, ott most a fejlesztésük valósulhat meg. A karriercentrumok az aktív és a végzett hallgatókat támogatják szolgáltatásaikkal a munkakeresésben, különböző tréningeket szerveznek, de az önéletrajz vagy motivációs levél megírásában is segítik őket. Az öregdiák-, más néven „alumni szervezetek” Amerikában már nagy múltra tekintenek vissza, ott olyan erős a kötődés az intézményekhez, hogy sokszor pénzzel is támogatják az intézményüket a volt diákok. Cserében az alumni szervezetek különböző öregdiák-találkozókat szerveznek, évkönyveket 23

Lásd erről bővebben a felvi.hu honlapján a TÁMOP 4.1.1-ről: http://www.felvi.hu/diploman_tul/szakmai_tamogatas (Letöltés ideje: 2010. 11. 12.)

17

adnak ki, de megszokott az ún. „alumni-kártya” is, amely révén az adott intézményben végzett diákok egymásnak bizonyos kedvezménnyel szolgáltatnak. Hasonló céllal jöttek/jönnek létre Magyarországon is az oktatási intézmények öregdiák szervezetei. Ezek legtöbbje sok esetben most alakul ki, a volt hallgatókat egy speciális internetes „alumni portál” révén igyekeznek elérni, de öregdiák találkozókat is szerveznek, speciális kiadványokat szerkesztenek. Az alumni és a karrier centrum intézményünkben úgy függ össze az előzőekkel, hogy a VIR szerverre kerülő alumni portál növeli a DPR hatékonyságát (a végzett hallgatók elérésében és kitöltési hajlandóságában), mivel a karrier centrum elősegíti az aktív hallgatók intézményi kötődését, amit az alumni rendszer kiterjeszt a végzett hallgatókra is24. • Tehetséggondozás A tehetséggondozásnak alapelve szerint a „mentor-rendszer” a leghatékonyabb módja a tudás átadásának. Ez abban nyilvánul meg, hogy az intézményekben a tehetségesnek vélt diákokat egy mentor segítségével állítják kutatói-tudományos pályára (ez a támogatás megjelenhet akár egy demonstrátori munkakörben is). Azt várják ettől, hogy a későbbiekben a tehetséges diákok továbbviszik ezt a szemléletet, és ő maguk is idővel mentorok lesznek.

3.2. A általános DPR célkitűzései és a „Pegazus” Projekt

A diplomás pályakövetés céljául tűzte ki, hogy tájékoztassa a pályaválasztás előtt álló diákokat arról, hogy milyen értéke lesz a diplomájának, ha az adott intézményt, adott szakot választja. A DPR 2010 – tavaszi aktív és végzett online kutatások eddigi eredményeképpen ezt már online módon böngészhetjük 25. A holnapon egyelőre még nem jelenik meg mind a harminc intézmény adata, de folyamatosan frissül. A legfontosabb adatok, amiket itt megtalálhat egy pályaválasztás előtt álló diák: a kereseti viszonyok, az elhelyezkedési arány, illetve a pályakezdők által betöltött munkakör. A ZSKF három másik intézménnyel együtt konzorciumot alakítva adta be a pályázatát. A konzorciumi DPR kutató csoport (K-DPR-K) a következő felsőoktatási intézményekből áll26:

24

A ZSKF-en kialakított alumni portált lásd: http://www.zskf.hu/?page_id=21 (Letöltés ideje: 2010. 11.14.) Diplomás pályakövetés – intézményi adatok. Interneten: http://www.felvi.hu/diploman_tul/kutatasi_jelentes/!DPR_kutatasi_jelentes/index.php (Letöltés ideje: 2010. 11. 14.) 25

26

Lásd erről bővebben a ZSKF „Diplomás pályakövetés” portálján: „Diplomás Pályakövető Rendszer a Zsigmondon” http://www.zskf.hu/?page_id=448 (Letöltés ideje: 2010. 11.14.) Alapdokumentumok az Interneten: ZSKF Diplomás pályakövetés: Előadások, tanulmányok.

18

Andrássy Gyula Német Nyelvű Egyetem, Apor Vilmos Katolikus Főiskola,Wesley János Lelkészképző Főiskola, Zsigmond Király Főiskola.

1. ábra: A Zsigmond Király Főiskola (ZSKF TKK K-DPR-K) modellje

Forrás ZSKF TKK A szűkebb értelembe vett „stáb” a DPR kutócsoportból, a karrier centrumból és az alumniból áll. A karrier centrum a végzett hallgatók és a munkáltatók közötti kommunikációt segíti elő. Az alumni a munkáltatók és az aktív hallgatók közötti információáramlást fejleszti. A DPR kutatások az aktív és a végzett hallgatók felmérését tűzte ki célul, de ahhoz hogy megtudjuk, valójában hogyan boldogulnak a végzett diákok, a munkaadóikat is meg kell kérdezni. Arra vagyunk kíváncsiak, hogy (az egyes kompetenciák mentén) mennyire elégedettek a munkavállalójukkal. Az így kapott „kompetencia-térkép” eredményeit az oktatókon keresztül csatoljuk vissza az oktatásba (megvitatjuk velük az eredményeinket – majd ezek a tapasztalatok „megjelennek” az órákon, tantervekben). A konzorcium minden tagintézménye kialakít egy karriercentrumot, és ehhez kapcsolódóan egy alumni irodát. A konzorcium kutatásainak előkészítését a ZSKF TKK végzi, aminek két oszlopos tagja van, http://www.zskf.hu/uploaded/20092010/TudMuhely/tkk/DRP/Kieg%C3%A9sz%C3%ADt%C5%91%20anyagok.rar (Letöltés ideje: 2010.11.14.)

19

Kabai Imre kutatási igazgató, és szerény személyem. Én kutatási asszisztensként dolgozom a központban immáron 3 éve. A TKK egyébként nem működhetne segítő szakértők és diákok nélkül (jelenleg, a 2010. évi őszi kutatások során 60 diák dolgozik nálunk kérdezőbiztosként, és további 5 diák-instruktor koordinálja a munkájukat). Az országos DPR vizsgálatokra jellemző, hogy sok intézményben a pályakövetést a karrier centrumok és az alumni irodák végzik. Ami azért probléma megítélésem szerint, mert ezeket a kutatásokat nem kimondottan társadalomkutatási szakemberek hajtják végre. A K-DPR-K által vállalt pályakövető kutatások a következőkből állnak: 1. Aktív és végzett hallgatók online kutatása.

Minden évben „hallgatói motivációs vizsgálatot” végzünk az aktív hallgatók körében. A diákjaink munkaerő-piaci, továbbtanulási motivációinak, képzéssel szembeni elvárásainak, munkaerő-piaci várakozásainak, képzési és elhelyezkedési stratégiájának feltérképezése, és a későbbi pályakövetéses vizsgálatok előkészítése a célja. Az adatfelvétel online módon telefonos rásegítéssel történik. Az aktív hallgatói adatfelvételek minden év tavaszán esedékesek. Végzett hallgatók vizsgálata szintén online-kérdőíves eszközzel és telefonos rásegítéssel történik, a vizsgálat alappopulációja a végzést követő első, harmadik és ötödik évben végzettek. Az első vizsgálat célcsoportja a 2005-2007-2009-ben végzettek voltak. Az adatfelvételek minden évben tavasszal történnek – a „motivációs” vizsgálattal párhuzamosan. (A későbbiekben egy teljes online hallgatói kutatást fogok bemutatni, lépésről lépésre.)

2. Végzett hallgatók „Face-To-Face” vizsgálata

Háromévente személyes adatfelvétel keretein belül keressük meg az elmúlt időszakban (az adott 3 évben) végzett hallgatóinkat: kérdezőbiztos személyesen lekérdezi a kérdőívet, amely akár egy órás is lehet. Ennek az a nagy előnye, hogy sokkal több mindent megtudhatunk az alanyokról (hozzáteszem: óriási hátránya, hogy nagyon időigényes és költséges). Mivel a rendszert idővel az intézmények fogják fenntartani, ezért érdemes úgy kialakítani a kérdőívet, hogy a kérdezés történhessen telefonon, úgynevezett CAWI módszerrel is („számítógéppel támogatott webes megkérdezés” – ez lényegében telefonos interjú egy online kérdőív segítségével). Tehát ugyanazt a kérdőívet személyesen és telefonon is lekérdezhetjük.27 27

Lásd: Veres Zoltán – Hoffmann Márta – Kozák Ákos: Bevezetés a piackutatásba. Akadémiai Kiadó, Budapest, 2006.

20

3. Munkáltatói adatfelvételek

A munkáltatói adatfelvételek szintén működhetnek „Face-To-Face” módon, esetleges CAWI rásegítéssel. A személyes tapasztalataink (a „Szakképzés-vizsgálatok”) alapján a telefonos kérdezésre a cégek könnyebben válaszolnak, ezért érdemes ezt a módszert alkalmazni. A munkáltatói vizsgálatok célja a munkaerő-piaci elvárások feltérképezése, amelyeket a kompetenciák nyelvén próbálunk mérni.

4. Oktatói mélyinterjúk és közös fókuszcsoportok

Ez talán az egyik legfontosabb része a kutatásnak: az oktatókon keresztül az előző három pontban leírt kutatások eredményeit egy mélyinterjú keretében visszacsatoljuk az oktatásba. Mivel úgy gondoljuk, ha az oktatók szembesülnek az eredményekkel, akkor már nem fognak „ugyanúgy tanítani”, mint az eredmények ismerete előtt. Erre talán az egyik legtanulságosabb tapasztalat a „Szakképzés-vizsgálatok” eredményeinek visszacsatolása volt. Egy konkrét példán keresztül szeretném ezt bemutatni. A vizsgálatok során a villamos mérnök-asszisztensek véleménye úgy alakult, hogy az „önálló munkavégző képesség” az egyik legnagyobb „erősségük” (abban a tekintetben, hogy éppen annyira tettek szert az oktatási intézményben, amire szükségük van a munka világában). Ugyanakkor a munkáltatók úgy gondolták, hogy ez az egyik legnagyobb „hiányossága” a frissen végzett munkavállalóknak. Csak a vizsgálatunk eredményei révén vált nyilvánvalóvá, hogy a munkáltatók számára ezek a hiányok milyen problémát okoznak, ugyanakkor ezzel a frissen végzett munkavállalók egyáltalán nincsenek tisztában28. Továbbá minden év végén fókuszcsoportos kutatást végzünk oktatók, kutatók, diákok és a munkáltatók bevonásával. Ez tulajdonképpen egy tapasztalatcserén alapuló koordinált beszélgetés a félévben készült kutatások eredményeiről.

3.3. A Támop 4.1.3. – az EDUCATIO szerepe

A TÁMOP 4.1.3-as pályázatot szintén az NFÜ írta ki „A felsőoktatási szolgáltatások rendszer szintű fejlesztésére” címmel. A pályázat nyertes az EDUCATIO Társadalmi Szolgáltató Nonprofit Kft. A műhely feladata az országos pályakövető kutatások szakmai segítése központi szolgáltatások révén: kiadványok publikálása, szakmai rendezvények szervezése, országos módszertani sztenderdek kialakítása, az 28

Lásd erről bővebben Kabai Imre (szerk.): A gazdasági szereplők elvárásai a szakmai képzés átalakítására. Zárótanulmány. ZSKF Tanulmányok, Budapest, 2009. http://www.zskf.hu/uploaded/20092010/TudMuhely/tkk/DRP/Szakk%C3%A9pz%C3%A9svizsg%C3%A1lat_ZSKF_TKK_Z%C3%A1r%C3%B3tanulm%C3%A1ny.pdf (Letöltés ideje: 2010. 11. 10.)

21

intézményi kutatások „monitoringozása”, országos adatfelvételek lebonyolítása, az intézményi adatfelvételek sztenderd blokkjainak gondozása-közzététele stb29. A „Diplomán túl” honlapon megjelenő anyagaik rendkívül jelentős segítséget nyújtanak az intézményi kutatók számára. Az egyik legnépszerűbb szolgáltatásuk az a kiadvány-sorozat, amely a hazai és a nemzetközi eredményeket, tapasztalatokat gyűjti össze, illetve közli a legfontosabb módszertani sztenderdeket, ajánlásokat. Eddig a következő kiadványaik jelentek meg (melyekből dolgozatom megírásához én is sokat merítettem):    

Diplomás pályakövetés. Kézikönyv (Intézmények számára). Diplomás pályakövetés 1. Hazai és Nemzetközi tendenciák. Diplomás pályakövetés 2. Elhelyezkedés, alumni, jó gyakorlatok. Diplomás pályakövetés 3. Kompetenciamérés a felsőoktatásban.30

Az anyagok tehát mindenki számára elérhetőek az interneten. Az Educatio Kft. többek között szakmai napokat is szervez. Ezek egyike különösen tanulságos volt. A 2010. június 10-én megrendezett DPR III szakmai napra31 meghívták a kasseli egyetemen működő INCHER vezető kutatóját Harald Schomburgot, aki bemutatta az intézményét, beszélt a jelenleg fejlesztés alatt álló „Bridge” (avagy „Híd”) modelljükről, aminek az a lényege, hogy megpróbálják visszacsatolni a DPR adatait az oktatásba. A mintavételi módszereik egyébként – véleményem szerint – szakmailag megkérdőjelezhetőek, mivel a visszaérkező kérdőívek mintáját semmilyen szempontból nem súlyozzák, tehát az adatok nem tekinthetőek reprezentatívnak. Harald Schomburg úgy fogalmazott a reprezentativitás hiányának az említésére, hogy: „Ha az elérési arány az 50%-ot meghaladja, akkor senki nem kérdőjelezi meg az adatok relevanciáját”. Ehhez a problémakörhöz kapcsolódnak a saját kutatásaink, amelyeket a következő fejezetekben mutatok be. A ZSKF-TKK szakmai előzményei és jelenleg is folyó kutatásai révén („Diákkötet” – 2007, „Szakképzés vizsgálatok” – 2008-2010.32) fontos szerepet tölt be az országos DPR módszertani fejlesztésében. Az eddigi legjelentősebb vállalkozásaink: az EDUCATIO szervezésében két szakmai továbbképzést tartottunk a TÁMOP 4.1.1. projektben részt vevő intézmények kutatói számára. Az elsőt 2010. május 20-án az online kérdezés módszertanáról és a mintatervező mátrix használatáról (erről bővebben az 5. fejezetben fogok írni), a második továbbképzést 2010. szeptember 28.-án a Face-To-Face kérdezések módszertani kihívásairól és a gyakorlati lebonyolításáról tartottuk33.

29

Lásd erről bővebben: http://www.felvi.hu/diploman_tul (Letöltés ideje: 2010. 10.25.) A kötetekből már korábban idéztem – ott megtalálhatók a pontos bibliográfiai adatok és internetes elérhetőségek. 31 Lásd erről az interneten: DPR Szakmai Nap III. (BCE, 2010.06.10.) https://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/szakmai_nap_III (Letöltés ideje: 2010. 11.10.) 32 Lásd ezekről fentebb! 33 Lásd az interneten: „Elemi adatoktól a súlyozott adatbázisig.” https://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/dpr_kepzes3 ; illetve „Mindent a módszertanról az első 30

22

4.

Módszertani kérdések

4.1. Online vagy postai kérdőív Mivel az online kérdezés a legjobban a postai önkitöltős kérdőívre hasonlít, ezért érdemes összehasonlítanunk e két módszert, hogy kiderüljenek az előnyök és a hátrányok. Ebben segítséget nyújt nekünk a következő táblázat (lásd az 3. táblázatot). 3. táblázat: Az online és a postai kérdezés összehasonlítása

postai kérdőív

online kérőív

Lefedettség, elérés

magas

alacsony

Sebesség

lassú

gyors

Visszaküldés ára Rossz címek Mennyi munka szükséges az előkészítéséhez A kérdőív összeállításához szükséges szakértelem Egy változó ára:

drága (bélyeg, papír, rögzítés)

nem kerül külön pénzbe

kevés

sok

sok

kevés

kevés

sok

1 dollár is lehet

nem kerül külön pénzbe Forrás: Cobanolgu et al., 2001.

34

Az összehasonlításból láthatjuk, hogy az online kérdezés egyik legnagyobb „erénye”, hogy jóval olcsóbb és gyorsabb más módszereknél (így még a postai kérdőívezésnél is). Ami „ellene szól”, az – a munkaigényes kérdőívszerkesztés mellett – a lefedettség és a rossz címek magas aránya. Úgy gondolom, hogy a lefedettség a diplomás pályakövető vizsgálatoknál nem okoz akkora problémát, mivel internethozzáféréssel a volt és a jelenlegi hallgatók szinte mindegyike rendelkezik. Az aktív hallgatóinknak az egyes

szakmai fórumon.” http://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/mindent_a_modszertanrol (Letöltés ideje: 2010. 10. 11.) 34 Lásd: Cobanoglu, C., Warde, B. & Moreo, P. (2001). A comparison of mail, fax, and web-based survey methods. International Journal of Market Research, 43 (4), pp. 441-452.

23

vizsgákra is interneten kell jelentkezni, ezért feltételezzük, hogy mindenki használ internetet, a tanulmányi nyilvántartó rendszerre (nálunk ETR) felrakja e-mailes elérhetőségét, hogy megkapja a visszajelzéseket35. Más a helyzet, ha végeztek, hiszen már nem céljuk frissíteni az adataikat a volt iskolájuk felé, ezért sok „rossz” cím kerülhet a mintánkba. Mivel a felkérő levelek kiküldésnél kiderül a már nem működő e-mail címek aránya, így telefonon frissíthetjük az adatokat (a tanulmányi rendszer tartalmaz telefonszámokat is). Nem feltétlenül szükséges csak online felmérést használni, a papíralapú kérdezés is működőképes: az Általános Vállalkozási Főiskola kutatói a 2010. október 13-ai szakmai fórumon beszámoltak arról, hogy 2006-ban ők postai és online-alapú kérdőívet is használtak, és meglepő módon jobb arányt értek el a visszaküldések tekintetében a postai kérdőívekkel, mint az elektromos változatával36. De lássuk az online kutatások legnagyobb „kihívását”: a reprezentativitást!

4.2. Az online kérdőíves kutatások és a reprezentativitás kérdése

Manapság egyre jobban elterjed az online kérdezés, mivel előnyei nyilvánvalóak. A fentebb említetteken túl nagy vonzerejét annak köszönheti, hogy szinte bárki alkalmazhatja, akinek van otthon internetes hozzáférése, egyedül is képes megcsinálni egy felmérést. Tehát nincs szükség kérdezőbiztosokra vagy olyan személyre, aki rögzíti a kérdőívet; a papír- és a nyomdaköltség is megspórolható. Az anyagi előnyök mellett fontos szempont, hogy egy online készített önkitöltős kérdőívnél a kérdezett nem találkozik konkrétan senkivel, nincs jelen olyan személy (kérdező), akinek „meg akarna felelni” valamilyen formában. Ezért könnyebben és őszintébben válaszolnak intimnek tekintett (pl. a jövedelemmel kapcsolatos) kérdésekre is. Sokan úgy gondolják, hogy kérdőívet készíteni nem nehéz dolog, ugyanakkor ha hozzá nem értő emberek elkészítették a kérdőívet (hozzáteszem, sokszor nagyon kifogásolható módon), a „mintavételt” elintézik azzal, hogy kiküldik az elkészített kérdőív linkjét a különböző közösségi portálokon az ismerősöknek vagy bárki másnak, akinek megvan az e-mail címe. Ez azonban nem felel meg semmiféle szakmai kritériumnak! Most néhány mintavételi eljárást mutatok be, amelyek ismerete megóvhat bennünk attól, hogy rossz mintát vegyünk egy sokaságból – így az egész adatfelvételünk „nem szól senkiről”, éppen csak a megkérdezettek beazonosíthatatlan csoportjáról. A megfelelő mintavétel fontosságát és az első 35

Lásd erről részletesebben: Veres Zoltán – Hoffmann Márta – Kozák Ákos: Bevezetés a piackutatásba. Akadémiai Kiadó, Budapest, 2006. 36 Lásd erről bővebben: DPR Szakmai Fórum II. Intézményi online kutatások tapasztalatai. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/oszi_rendezvenyek/dpr_szakmai_forum_2 (Letöltés ideje: 2010.11.10.)

24

tudatos mintavételi eljárást az egyik legismertebb példán keresztül szeretném bemutatni: Gallup „történetével”. A Literary Digest egy népszerű hírmagazin volt Amerikában a múlt század elején. 1920-ban hat államban leveleket küldtek szét, amelyben azt kérdezték, kire fog szavazni a válaszoló az esedékes választáson: Warren Harding-ra vagy James Cox-ra? Pontosan sikerült megjósolniuk, hogy Harding lesz az elnök. A következő években folyton növelték a mintát, 1924-ben, 1928-ban és 1932-ben is helyes előrejelzéseket adtak a választási eredményekről. Aztán 1936-ban már több mint 10 millió levelet küldtek szét, amiből 2 millió kitöltve vissza is érkezett. Az eredményeik alapján Alf Landon egyértelmű győzelmét jósolták: 57%-os arányban náluk „legyőzte” az akkor elnököt, Franklin Rooseveltet (ő 43%-ot kapott). Ezzel szemben Alf Landon sohasem lett az Egyesült Államok elnöke, és 1936-ban Franklin Roosevelt 61%-kal nyert előtte. Felmerülhet a kérdés, hogy mi okozta ezt a tévedést a Digest vizsgálatában? A válasz a mintavétel. Ugyanis a lap úgy állította elő a saját címlistáját, hogy a mintavételi keret a telefonkönyvekből és a gépkocsi-nyilvántartásokból származott. Manapság a telefon már nem luxuscikk, de 1936-ban még az volt, ugyanígy az autó is. Ez okozta azt, hogy a Literary Digest mintája egy sokkal jómódúbb Amerikának a véleményét tükrözte. Így nagyrészt kimaradtak a szegények, akik viszont Roosevelt „New Deal” programjára szavaztak. Ugyanebben az évben tűnt fel egy fiatal közvélemény-kutató, George Gallup37, aki előre megjósolta, hogy a Literary Digest tévedni fog, amikor Landont fogja kihozni győztesnek Roosevelttel szemben. Ő az állítását néhány ezer fős mintára alapozta. A mintavétel különlegessége abban állt, hogy a teljes populációra jellemző arányokat alakított ki a mintájában. Arra törekedett, hogy pontosan olyan arányban legyenek jelen a mintában például falusi fehér nők, mint amilyen arányban a teljes lakosságban megjelennek. A reprezentativitás fontosságára hívta fel a figyelmet: a mintának tükröznie kell a teljes sokaságot, különben az eredmények „hamisak” lehetnek, azaz fontosabb szempontok szerint ugyanolyan összetételűnek kell lennie, mint a populáció, amelyből veszik38. Az arányokat a vizsgálat szempontjából leglényegesebb változók mentén állapította meg: „Ki mint él – úgy ítél”, ezt szokás Gallup-elvnek nevezni. És minden társadalmi rétegből – egy előírásnak megfelelően – kellő arányban kerültek a mintájába a megkérdezettek. Ezt nevezik kvótás mintavételnek.

37

Lásd erről bővebben: Babbie, Earl (2003): A társadalomtudományi kutatás gyakorlata. Balassi Kiadó, Budapest. Különös tekintettel a 7. fejezetre (A mintavétel logikája. pp. 203.), az interneten: George Gallup, a közvélemény-kutatók atyja. http://piackutatas.blog.hu/2008/04/16/george_gallup_a_kozvelemeny_kutatok_atyja (Letöltés ideje: 2010.11.12.) 38 Lásd Babbie könyvében erről a 201-243. oldalakat!

25

4.3. A kvótás mintavétel Ha a reprezentativitás biztosítása érdekében a kvótás mintavételt szeretnénk használni, feltétlenül szükséges az alappopuláció ismerete. A kiindulópont egy mátrix, amely tartalmazza a populáció alapvető változóit: egy-egy cellában szerepel a fontosabb ismérvek szerint kombinált csoportok (pl. nő, 30-39 éves, diplomás, városi) elemszáma. Egy országos minta kialakításához tudnunk kell, hogy a lakosság hány százaléka városi, melyik megyében él, a különböző korcsoportokba hányan tartoznak, stb. Ezekhez képest kell kialakítani a minta nagyságát és összetételét. Ha elkészült a mátrix, akkor információt gyűjtünk olyan személyektől, akik megfelelnek a mátrix egyes cellái követelményeinek. Néha a mintavételben előfordul, hogy az egyes cellákba nem sikerül pontosan annyi embert gyűjteni, mint amennyire szükségünk lenne. Az ilyen mintavételből fakadó hibákat súlyozással lehet kijavítani. A kvótás mintavétel legfőbb előnye, hogy biztosítja a reprezentativitást, vagyis a minta összetétele megegyezik az alappopulációval, így a kapott eredmények (pl. hányan mennek el szavazni) kiterjeszthetőek a teljes populációra (megbecsülhető a tényleges részvételi arány). George Gallup – fentebb említett – hihetetlen sikerét és nagy kudarcát is a kvótás mintavétel okozta: 1948-ban nem sikerült előre jeleznie Truman győzelmét. A probléma forrása a következő volt: Egy országos kvótás felméréshez az alappopulációt pontosan ismernünk kell, ilyen információkat általában népszámlálási adatokból lehet megszerezni. Gallup is így tett, viszont csak az 1940-es népszámlálás állt a rendelkezésére az 1948-választások előtt. A második világháború viszont alaposan „átrendezte” az amerikai társadalmat: tömeges térbeli mobilitást, konkrétan urbanizációs folyamatokat gerjesztett, ami azt eredményezte, hogy a vidéki lakosság túlreprezentált volt a mintában. A városi lakosság túlnyomó része viszont a demokratákra szavazott. De hasonló volt a helyzet a foglalkozási összetétel átrendeződésével is. Fokozta a minta torzítását, hogy sok kutatás októberben abbahagyta a felméréseket, és Truman végig javult a kampány időszakban. Az összes közvélemény-kutató a bukását jósolta. (Truman annyira biztos volt abban, hogy nem nyerhet, hogy végigaludta a választásokat, csak néha kelt fel megnézni az eredményeket...) Ebből leszűrhetjük, hogy ha kvótás mintavétellel szeretnénk reprezentatív mintát készíteni, akkor aktuális adatokra van szükségünk a célpopulációról. A másik probléma a kvótás mintavétellel a személyes torzítás. Vagyis ha egy személyes kérdezésnél használjuk, és a kérdezőbiztosunkra bízzuk, hogy mi alapján választja ki a megkérdezetteket az egyes „cellákba”, akkor is torzítani fog a mintánk, mert jó eséllyel kimaradnak azok, akik például olyan ház legfelső emeletén laknak, ahol nincs lift, vagy ha valakinek nagyon lelakott a lakása, esetleg kutyái vannak és a kérdezőbiztos fél a kutyáktól. A megoldást a valószínűségi mintavételek hozta meg. 26

4.4. Valószínűségi mintavétel elmélete és gyakorlata

Manapság a legtöbb nagy mintán végzett kutatás valószínűségi mintavétellel készül. Az eljárás alapvető logikája a következő39: ha egy populáció minden egyedének egyforma az esélye a mintába jutáshoz, akkor ez a minta nagy valószínűséggel reprezentatív. Az ilyen kiválasztási elvet hívják: EPSEM (Equal Probabillity of SElection Method) elvnek, azaz Egyenlő Kiválasztási Valószínűségű Módszernek, az eredményét pedig „véletlen mintának”. Természetesen azt látnunk kell, hogy egy minta sohasem tükrözi teljes mértékben a populációt, vagyis sohasem tökéletesen reprezentatív. De általában az EPSEM elv alapján készült minták reprezentatívabbak, mert bizonyos torzításoktól mentesek. A minta torzításán azt értjük, hogy a kiválasztottak nem tipikusak vagy nem reprezentálják jól az alapsokaságot. A torzítás általában nem direkt módon történik, sőt leginkább akkor, amikor a megérzéseinkre hallgatunk. Ha mondjuk a Zsigmond Király Főiskola hallgatóinak szeretném mérni a hallgatói önkormányzattal (HÖK) való elégedettségét, és a főiskolán odamennék az első 100 diákhoz, akit kiválasztanék, és még válaszolnának is nekem, akkor valószínűleg abba a hibába esnék, hogy hozzám hasonló, nekem szimpatikus embereket kérdeznék meg. Ha eldönteném, hogy minden harmadik diákot kérdezek meg, akkor is torzítana a mintám. Mivel valószínűleg sok diák aznap éppen nem jönne iskolába. Elképzelhető, hogy valamelyik csoportnak nincs órája aznap, akkor az ő véleményük be sem kerül a vizsgálatunkba. És – ami fontos – nem sikerül teljesíteni az EPSEM elv követelményeit, így a mintám nem lesz reprezentatív. Ezen az egyszerű példán láthattuk, hogy talán nem is annyira egyszerű a gyakorlatban a véletlen kiválasztás. A megfelelő megoldás az lenne, ha az összes diák nevét egy táblázatba raknánk, és véletlenszerűen kiválasztanánk belőle száz nevet (pl. ábécé sorrendbe rendeznénk, majd minden negyvenediket kivennénk – ha 4000 fős a lista), majd megkérdeznénk a véleményüket, hogy mit gondolnak a HÖK-ről. Ha tetszik nekik a munkájuk, akkor „1”-et választanak, ha nem elégedettek a munkájukkal, akkor „0”-t (ez tehát egy „kétértékű, vagy „binomiális” változó lesz). Tegyük fel, hogy a HÖK „közepesen” végzi a munkáját, és a velük elégedett diákok aránya 55 százalék az iskola összes hallgatója között (ezt nevezzük az adott binomiális változó vizsgált „paraméterének”, vagy a „tényleges eredménynek”).

39

Lásd erről bővebben: Babbie említett könyvében a 212-222.oldalakat. Rendkívül hasznosnak bizonyult munkám során: Fischer György: Hihetünk-e a közvélemény-kutatásoknak? Bagolyvár Könyvkiadó, Budapest, 2001. Kish, Leslie: Kutatások statisztikai tervezése. KSH, Budapest, 1989. illetve Rudas Tamás: Hogyan olvassunk közvélemény-kutatásokat? Új Mandátum Könyvkiadó, Budapest, 1998.

27

Vegyünk egy 100 fős véletlen mintát az iskola tanulóiból, amelyben tegyük fel, hogy az elégedettek aránya 45 százalék (ez az adott mintán nyert „statisztikája” a vizsgált változónak). Most vegyünk egy újabb 100 fős mintát és itt is nézzük meg az elégedettek arányát (tegyük fel, hogy a vizsgált statisztika itt 61 százalék). Ha ezt az eljárást még jó sokszor (akár több százszor, esetleg ezerszer is) megismételjük, azt vehetjük észre (de csak akkor, ha minden mintánk kialakítása során törekszünk az EPSEM-elv betartására), hogy a statisztikáink a paraméter (az 55 százalék) köré fognak tömörülni, nagyon kevés olyan mintánk lesz, amelynek statisztikája messze eltávolodik (pozitív vagy negatív irányban) a paraméterünktől (pl. „mindenki elégedetlen”). Ha a statisztikák előfordulási gyakoriságait egy koordináta-rendszerben ábrázolnánk, ahol az X tengely lenne a paraméter és a statisztikák értéke, vagyis hány százalék az egyes mintánkban az elégedett diákok aránya, és az Y tengelyen ábrázolnánk azt, hogy az egyes statisztika-értékek milyen gyakran fordultak elő (hány mintában kaptuk az egyes százalék-értékeket), akkor azt láthatnánk, hogy az adatok egy jellegzetes görbét rajzolnak. 0-tól 55-ig emelkedik és onnantól 100-ig folyamatosan csökken (nagyon kevés olyan „rossz” véletlen mintánk lesz, amelyben a statisztika pl. 10 százalék alatti, vagy 90 százalék fölötti értéket vesz fel). Az ilyen eloszlást „binomiális mintaeloszlásnak” nevezzük, melynek grafikonja egy „haranggörbét” alkot, ez a normális eloszlás görbéje. (Ha a normális eloszlású változónk „várható értéke” 0 és a szórása 1, ekkor beszélhetünk „sztenderd normális eloszlásról” – sztenderdizálással minden normális eloszlás ilyenné alakítható.) Azt is észrevehetjük, ha 200 fős mintákkal „játsszuk végig” ugyanezt, akkor a haranggörbénk „csúcsosabb” lesz – azaz több „jó” és kevesebb”rossz” mintát kapunk; 500 fős mintáknál pedig még jobbak lesznek az eredmények, „hegyesebb” a görbénk. Mindez teljesen függetlenül alakul attól, hogy mekkora az alappopulációnk: egy 4 ezer fős főiskola, vagy egy 40 ezer fős egyetem összes diákja alkotja a teljes populációt. A normális eloszlás azért fontos szempont, mert a valószínűség-elmélet segítségével pontosan meg tudjuk mondani, hogy mennyire tömörülnek az egyes mintákból származó statisztikák a paraméter körül. A következő fogalmakkal dolgozunk: Megbízhatósági szint és konfidencia-intervallum: mennyire valószínű (megbízhatósági szint), hogy a statisztika a paraméter körüli, egy előre megadott sugarú intervallumba (konfidencia-intervallum) esik. Képlete: s = sqr ((P*Q)/N), ahol s: a standard hiba („standard error40” 68%-os megbízhatósági szint; 2*s: 95 %-os megbízhatósági szint), N: a minta elemszáma, P és Q a binomiális paraméterek (P = 1 – Q a

40

Egy standard hiba a szórás kétszeresével egyenlő – a paramétertől plusz és mínusz egy szórásnyi (egy standard hibányi) intervallum fölött lesz a normális eloszlásgörbe területének 68 százaléka – két szórásnyi (két standard hibányi) intervallumok fölött a terület 95 százaléka.

28

binomiális változó értékeinek előfordulási valószínűségei), az „sqr” jel a négyzetes gyökvonás műveletét jelöli. A mi esetünkben P = 0,55 (azaz 55 százalék az összes megkérdezetten belül az „1” válaszok aránya), Q = 0,45 , N = 100 . A képlet alapján tehát a vizsgált paramétertől való eltérés 95 százalékos megbízhatósági szint mellett nem lehet nagyobb, mint 2 * sqr ((0,55 * 0,45 / 100) = 0,0995; vagyis nagyjából mindkét irányban vett 10 százalékpont (jelölése: „+/- 10 százalékpont”). Egyébként a standard hiba a minta nagyságával ellentétes irányú csökkenést mutat, tehát minél nagyobb a mintánk, annál kisebb a hiba (ez a fenti képletből is kiolvasható, egy 400 fős mintánál a standard hiba már csak +/-5 százalékpont; a csökkenés természetesen nem lineáris). Egy magára szakmailag valamit adó kutató valahogy így interpretálna egy 400 fős mintán kapott 52 százalékos eredményt: „A 400 fős véletlen mintán mért 52 százalékos elégedettségi mutatóról 95%-os megbízhatósági szint mellett kijelenthetjük, hogy nem tér el nagyobb mértékben, mint +/-5 százalékpont attól az értéktől, amelyet akkor kaptunk volna, ha minden hallgatót megkérdezünk.” Vagyis ez esetben annyit tudunk mondani: „húsz az egyhez annak valószínűsége, hogy a HÖK-kel elégedett diákok aránya 48 és 57 százalék közé esik a teljes populációban”. (Mi tudjuk, hogy a „valódi eredmény” 55 százalék – a kutató tehát korrekt becslést adott.) A valószínűségi mintavétel fajtái: 4.4.1. Egyszerű véletlen mintavétel: Ha maradunk, a HÖK-kel való elégedettségnél, akkor az egyszerű véletlen mintavétel úgy jöhetne létre, ha megszerezzük az aktív hallgatók névsorát – ezt a Neptunból vagy az ETR-ből megtehetjük – , hozzárendelünk minden névhez egy sorszámot, és egy véletlen szám táblázattal kiválasztunk belőle száz darabot. 4.4.2. Szisztematikus mintavétel: ugyanaz, mint az előző, csak annyi különbséggel, hogy minden x-edik elemet válaszuk az aktív hallgatók névsorából. 4.4.3. Rétegzett mintavétel: A rétegzett mintavétel úgy jön létre, hogy a hallgatókat különböző csoportokra osztom. Célszerű meglévő csoportokra tagolni őket, pl: szak, nem, évfolyam és tagozat szerint. Tehát ez a gyakorlatban úgy működhet, hogy ha az andragógus diákok 12 százalékban képviseltetik magukat az alappopulációban (és még mindig maradunk a HÖK-ös példánál, ahol százas minta elemszámot várunk), akkor a mintánkban is pontosan 12 ilyen diákot kell megkérdeznünk. Ha ezt előre meghatározzuk (mint egy kvótás mintavétel esetén), majd a populáció ezen csoportjából (az összes andragógus közül) véletlenül választjuk ki a 12 válaszadót, kétlépcsős rétegzett mintát állítunk elő41. De egyszerre több 41

Annyiban eltér a gyakorlatban alkalmazott „kétlépcsős véletlen mintavétel” eljárásoktól, hogy itt nem veszünk mintát a szakok közül, hanem mindegyiket bevonjuk – de az elv ugyanaz marad.

29

„kvóta-elemet” is figyelembe vehetünk, például meghatározhatjuk, hogy az andragógus diákok közül hány lányt kell megkérdezni, hogy mintabeli arányuk „garantáltan” egybeessen a populációban mérttel. Tegyük fel, hogy 75 százalék az arányuk az adott csoporton belül – akkor összesen 9 andragógus lányt választunk ki a teljes csoportból véletlenszerűen. Így egy többdimenziós („többlépcsős”) rétegzett véletlen mintához jutunk, hiszen az egyes „kvóta-cellákon” (esetünkben az andragógus lányok csoportján) belül véletlenül választjuk ki a megkérdezetteket. A szakmai vita arról folyik, hogy ez még „véletlen mintának” tekinthetőe. Álláspontunk szerint, ha a „kétlépcsős rétegzett” minta véletlennek számít, akkor a többlépcsős is az. A konfidencia-intervallumok kiszámításánál viszont figyelembe kell vennünk, hogy az egyes „részminták” alappopulációi (az egyes „kvóta-cellák”) milyen nagyságúak! 4.4.4. Nem arányos mintavétel: („boosted” minta) Ezt a diplomás pályakövetésben olyan szituációkban lehet használni, amikor például egy új szakot indítanak, és az új hallgatókra mélyebb elemzéseket szeretnének végezni. Akkor egy rétegzett mintavételt használnak, és nagyobb mértékben választanak megkérdezetteket az adott szakról, vagy az egész szakot megkérdezik – ha sikerül. Ez addig nem is probléma, amíg szakok szerint elemzünk. De ha a teljes populációra szeretnénk elemzéseket végezni, akkor túl nagy arányban szerepelnének az új szak hallgatói. Ilyenkor kell lesúlyozni a válaszaikat olyan arányúra, amilyen arányban a mintában szerepelniük kellene ahhoz, hogy a populáció és a minta eloszlása nagyjából azonos legyen. Tehát „kettős súlyt” kell alkalmaznunk. 4.4.5. A súlyozást egyébként akkor is használjuk, ha a beérkező adataink nem arányosan oszlanak el. Ha a szokásos példánkat vesszük, tehát maradunk a HÖK-kel való elégedettség mérésénél, és a nappali tagozatos diákok közül az 1000 fős populációban, ahol a nemek eloszlása 50-50 százalék, megeshet, hogy a mintánkba véletlenül 41 százalékban kerültek férfiak és 59 százalékban kerültek nők. (Ez egyébként törvényszerűnek mondható, hiszen a nők általában szívesebben válaszolnak.) Ilyenkor sem kell megijedni, jelen esetben az a teendőnk, hogy a nőket „lesúlyozzuk” és a férfiakat pedig „felsúlyozzuk” A férfiak súlya: 50/41 lesz, ami 1,22, míg a nők súlya 40/52 lesz tehát 0,82. Ezt a folyamatot azért fontos végrehajtani, mert elképzelhető, hogy bizonyos kérdésekre a nők szisztematikusan jobb válaszokat adnak, és ezzel elérjük azt, hogy a mintánk alapján számolt átlagok megegyezzenek (vagy legalább jobban közelítsenek) arra mintha mind az ezer embert megkérdeztük volna. A valószínűségi mintavétel elvét gyakran használják online kutatások esetében is annak ellenére, hogy az így keletkezett adatbázis eredményei jelentős eltéréseket, torzításokat tartalmazhatnak. Az első és legfontosabb ok, hogy még egyáltalán nem tekinthető teljesnek az „internet-penetráció”. Így ha pl. a „teljes felnőtt lakosság” körében szeretnénk vizsgálatot végezni, számolnunk kell azzal, hogy sokan eleve 30

kiesnek a mintából, mert nincs Internet-kapcsolatuk (máris „bukott” az EPSEM-elv). Az is jól ismert, hogy nem ugyanolyan társadalmi összetételű a két csoport (megfigyelhető, hogy az internetezők körében többségben vannak a férfiak, a fiatalok és az iskolázottak). Ráadásul néhány kutatás42 azt is kimutatta, hogy a férfiak nagyobb eséllyel töltik ki az internetes kérdőíveket, míg a nők szívesebben válaszolnak telefonon. Ugyanakkor mérési hibák a különböző technikai eltérésekből is származhatnak: nem mindegy például, hogy ki milyen “böngészőt” (Internet Explorert, Mozilla Firefoxot, esetleg Google Chrome –ot) használ, hiszen ennek függvényében más lesz az elérhetőségük, másként látják a kérdőívünket. És még folytathatnánk a sort!

4.5. A reprezentativitás gyakorlata a DPR online kutatásokban

Az előző fejezetekben tárgyaltam a fontosabb reprezentatív mintavételi módszereket. Ezek után nyilvánvaló, hogy csak olyan mintavételi eljárás jöhet szóba, ami képes ezt biztosítani. Ha véletlen mintát szeretnénk venni az aktív és a végzett hallgatók alkotta populációból, akkor ezt úgy tehetjük meg, hogy lekérjük az aktuális adatokat a végzett hallgatókról és az aktív hallgatókról az intézmény tanulmányi rendszeréből. Külön kezeljük az aktívakat és a végzetteket, az egész kutatásban tehát külön címlistát kapunk mind a két alappopulációból és külön kérdőívet küldünk ki nekik. (Vannak „kombinált” kérdezések – ezekkel dolgozatomban nem foglalkozom.) Ha elkészültek a listák, a diákokat sorba rendezzük, és véletlen szám táblázattal kiválasztunk belőlük annyit, amennyit a mintában szeretnénk elérni. Az eljárásnak két nagy problémája van, hogy vagy nem érünk el minden kiválasztott személyt a kérdőívünkkel, illetve ha elérjük is, nem válaszol. Ez szinte „törvényszerűen” mindig előfordul! Hiszen vannak „rossz” e-mail címek, mindig van, aki nem szeretne válaszolni, mert éppen nem ér rá, vagy nem akar, mert nem szereti/szerette az iskolát. Sajnos ilyen tényezők következtében torzul a véletlen mintánk, ezért nem lesz reprezentatív. Ha valaki ilyen adatfelvételt végez, az eredményeit lehetőleg ne közölje vagy jelölje, hogy „az adatok tájékoztató jellegűek” (mert a minta nem reprezentatív)! Van egy másik megoldás is: ha minden tanulónak egyforma esélyt adunk a mintába kerülésre, tehát mindenkinek kiküldünk egy e-mailt és válaszolhat a kérdőívünkre. Ha ezt tesszük és feltételezzük, hogy véletlen mintát alkotnak a visszaérkező kérdőívek, akkor ezt a módszer jónak találhatjuk. Az egyik gond az, hogy itt is jelentkeznek a „rossz” címek és a válaszmegtagadás problémái! Így tehát nincs okunk feltételezni, hogy a visszaküldők véletlen mintát alkotnak. Valószínűsíthető például, hogy. azok a végzett hallgatóink, akik szerettek az intézménybe járni és sikeresek az életben, szívesebben válaszolnak, mint

31

azok, akik esetleg nem szerették az iskolát és ráadásul sikertelennek érzik magukat. Ez mind torzuláshoz vezethet. Marad ilyenkor a „jól bevált” módszer: a kutatása végén összehasonlítjuk az alappopuláció és a minta legfontosabb megoszlásait és bízunk a „Gallup-elvben”. Ha a két összetétel ugyanis megegyezik, akkor feltételezhetjük, hogy reprezentatív a mintánk. Ha nincs meg a „kellő egyezés”, akkor még mindig „korrigálhatunk”: súlyozással, kiegészítő kérdezésekkel. Amint elértük a minta arányainak kellő illeszkedését a populáció adataihoz, végre kimondhatjuk, hogy „biztosítottuk a reprezentativitást”! Mivel a diplomás pályakövetés során általában ilyen kutatásokat végzünk (online önkitöltős kérdőíveket alkalmazunk), nem marad más számunkra, minthogy egy olyan rendszert alakítsunk ki és valósítsunk is meg, ami nem feltétlen tökéletes, de – a fentebb említett logika mentén – elfogadható mintát eredményez. A következőkben egy ilyen modellt ismertetek.

4.6. A „minta-tervező” modell

Mint azt az előzőekben láthattuk, sajnos semmilyen meglévő mintavételi eljárás sem alkalmazható az online kutatásokban. Ezért most a ZSKF TKK modelljét fogom bemutatni, amely már a DPR kutatások ismert és elterjedt mintavételi eljárása43. A kutatás megkezdésének alapfeltétele, hogy az adott intézmény rendelkezzen egy online kérdőív szerkesztővel (ami a leggyakrabban az EvaSys, elvétve Unipol). Továbbá feltételezzük, hogy az intézményeknek van saját jogtiszta SPSS programja, illetve legalább egy személy, aki jártas a használatában44. Ezeken felül működik egy internetes tanulmányi nyilvántartó rendszer, amely tartalmazza az aktív, illetve a végzett hallgatók adatait (ETR vagy Neptun). Mivel a legtöbb felsőoktatási intézményben a DPR pályázati támogatásból épült ki (általában a fentebb említett TÁMOP 4.1.1. keretein belül), ezért feltételezhetjük, hogy az adott intézmény rendelkezik ezekkel a feltételekkel (ha más nem, a pályázati pénzekből előteremtheti). A fenti leírásban szereplő kombinált mintavételi eljárás gyakorlati megvalósításának modellje alább látható (lásd a 2. ábrát).

43

Először 2010. május 20-án mutattuk be. Lásd az interneten: „Elemi adatoktól a súlyozott adatbázisig.” https://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/dpr_kepzes3 (Letöltés ideje: 2010.11.10.) 44 Lásd a felkészüléshez pl. Babbie, 2003: I. melléklet: „Bevezetés az SPSS 8.0 programcsomag alkalmazásába”. (F44-F79. oldalak). További kitűnő könyvek: (1) Sajtos László – Mitev Ariel: SPSS kutatási és adatelemzési kézikönyv. Aliena Kiadó, Budapest, 2007. (az SPSS 14.0 verzió alapján) (2) Ketskeméty László – Izsó Lajos: Bevezetés az SPSS programrendszerbe. Módszertani útmutató és feladatgyűjtemény statisztikai elemzésekhez. ELTE Eötvös Kiadó, Budapest, 2005. (szintén az SPSS 14.0 verzió alapján). (3) Székelyi Mária – Barna Ildikó: Túlélőkészlet az SPSS-hez. Többváltozós elemzési technikákról társadalomkutatók számára. Typotex Kiadó, Budapest, 2002. (SPSS 7.5 – 12.0 verziók). A legtöbb információhoz a www.spss.hu honlapon juthat.

32

2. ábra: A megvalósítás logikai sémája

A Megvalósítás Logikai Sémája Felsőoktatási intézmény

1. Aktív hallgatók

2. Végzett hallgatók

Intézményi nyilvántartás (ETR/NEPTUN)

1. Intézményi aktív hallgatói kérdőív: Sztenderd - Saját

1. Aktív hallgatói címlisták

2. Végzett hallgatói címlisták

1. Mintatervező

1. Intézményi aktív hallgatói adatok: Sztenderd - Saját

2. Intézményi végzett hallgatói kérdőív: Sztenderd - Saját

2. Mintatervező

Kérdőívszerkesztő (EvaSys, más) 1. Központi aktív hallgatói adatok: Sztenderdek

2. Intézményi végzett hallgatói adatok: Sztenderd - Saját

2. Központi végzett hallgatói adatok: Sztenderdek

DPR Országos Központ

Forrás: ZSKF TKK Az ábrán az aktív és a végzett hallgatók, mintavétele egyszerre szerepel, mivel igen kevés eltérés van a két adatfelvétel között. A kutatás menete a következő: 1) Az adott intézmény megszerkeszti a kérdőívet a szakértői stáb bevonásával, amely tartalmazza az országos sztenderd kérdéseket, és az intézmény saját kérdéseit. 2) Kigyűjti az adatokat a tanulmányi rendszerből. A kiinduló pont jelen esetben is - mint a kvótás mintavételnél - egy mátrix, amely tartalmazza a diákok legfontosabb, az úgynevezett „kvóta” adatokat. Ami a DPR-ben a „nem”, a „szak”, a „tagozat”, az „évfolyam”, illetve a volt hallgatóknál a „végzés éve”. A mintatervező mátrixot feltöltjük a tanulmányi rendszerből kapott adatokkal. (Itt vigyázni kell, mert egy név többször is szerepelhet a nyilvántartásban; például valaki több szakot is végzett, vagy elvégzett már egyet és most egy második szakon tanul – ezeket a „duplung elemeket” ki kell tehát szűrni!) 3) Kiküldjük a kérdőíveket, majd megvárjuk, hogy visszaérkezzenek és megnézzük, hogy az egyes cellákra mekkora a válaszadási hajlandóság, azaz az egyes cellákba hányan kerültek. Vagyis a négy „kvóta adat” mentén milyen eloszlásban hány kérdőív érkezett vissza. Ezeket is feltöltjük a 33

mintatervező mátrixba. És ha az egyes cellákba (Pl.: a szociológia szakos nappali tagozatos 2009ben végzett nők közül) nem került senki, tehát egyikük se válaszolt, akkor telefonos kérdezéssel vagy papíralapú kérdőívvel javíthatjuk a minta torzításait. A modell alapkövetelménye, hogy minden cellába legyen beérkezett kérdőív. 4) Ha mindezekkel megvagyunk, akkor a kérdőívek súlyozatlan és a súlyozott eredményeit elküldjük a központnak és elkészítjük az intézmény elemzéseit a súlyozott adatokkal. A minta-tervező mátrix használatának konkrét lépéseit a következő ábrán mutatom be. (3. ábra) Két út áll előttünk, ha a mátrixot szeretnénk használni. Az egyik az, hogy korrekciós kérdezéseket végzünk a mintánk javítása érdekében, ehhez szükséges a kvótaadatokon kívül a hallgatók neve és a mobil telefonszáma. Ha nem áll módunkban korrekciós kérdezéseket végrehajtani, akkor csak a kvótaadatokra van szükség. A mintatervező logikája hat lépésből áll: 

0.-lépés a populáció adatainak rendezése, tisztítása. A tanulmányi nyilvántartásból kiszűrjük a „duplung elemeket”, feltöltjük a címlistákat – esetleg telefonos előszervezés keretein belül.



1.- Az első lépés: a kérdőívek és a hozzá csatolt felkérő levél kiküldése. Ha a levél kiment, akkor a várt válaszok nagy többsége két-három napon belül beérkezik. Egy hétnél tovább várni a második levél kiküldésére a tapasztalataink szerint nem érdemes.



2.- Második lépés: az emlékeztető levél kiküldése. Esetleg ez az eljárás többször is megismételhető. Itt válik ketté a mintatervező mátrix használata. Akik nem hajtanak végre korrekciós kérdezést,

azoknak a harmadik és a negyedik lépés kimarad. Ha korrekciós kérdezéseket szeretnénk végrehajtani, akkor eldöntjük, hogy melyik cellákba vannak „kevesen” – ezt jelzi nekünk a 2.0-nál nagyobb súly – és oda már érdemes korrekciós kérdezést végezni. 

3.- A harmadik lépés a korrekciós kérdezés, ez lehet telefonos vagy papíralapú.



4.- Negyedik lépés: a korrekciós súlyozás, ezt tulajdonképpen „megteszi helyettünk” a mátrix. Itt elkészülnek az adatok az SPSS-ben való 4 szempontú súlyozáshoz.



5.- Ötödik lépésként el kell küldenünk a sztenderd kérdéseket és a súlyozás információit a DPR országos központjába. Ebben a pontban elkészülnek a kérdőívek elemzései is.

34

3. ábra: A minta-tervező logikai sémája

A Minta-Tervező Logikai Sémája 0. lépés: A populáció adatai (4 alapadat + 2 címadat)

1. lépés: Első felkérővel kérdőívek kiküldése

Kérdőívek 1. 4 alapadat

2. lépés: Második felkérővel kérdőívek kiküldése

Kérdőívek 2. 4 alapadat

1. Súlymátrix

3. lépés: Korrekciós kérdezések (telefon, papír-alapú stb.)

Kérdőívek 3. 4 alapadat

2. Súlymátrix

Populáció: 4 alapadat (+2 címadat)

Súlyozó program

4. lépés: Korrekciós súlyozás

5. lépés: A populáció és kérdőívek 4 alapadata, a kérdőívek sztenderd adatai, a súlymátrix és a súlyozó program küldése

Forrás: ZSKF TKK

Nem csodálkoznék, ha valakinek az eddig olvasottak alapján nem lenne teljesen egyértelmű a mintatervező mátrix működése az online kutatásokban, ezért egy hosszabb, részletesebb példán keresztül szeretném bemutatni a mintavételi eljárásunkat.

35

5.

Egy konkrét mintavételi eljárás bemutatása

5.1

Az aktív hallgatók populációjára vonatkozó alapadatok feldolgozás.

1. lépés Az alappopulációnk számára megpróbáljuk a kérdőívünket minden személy részére elérhetővé tenni. Itt problémát okozhat, hogy akik korábban kezdték tanulmányaikat az adott intézményben, azok adatai kisebb valószínűséggel megbízhatóak (az e-mail címüket általában a beiratkozáskor adták meg). Az elérést meg lehet próbálni elősegíteni, azzal, hogy plakátokon értesítjük a hallgatókat a felmérésről vagy szóbeli propagandával, esetleg más PR eszközzel lehet növelni a válaszadói hajlandóságot. Akiknek nem jó az e-mail címük, azokat egy külön listába tesszük és megpróbáljuk az adataikat különböző módszerek segítségével frissíteni. Ez történhet a különböző közösségi oldalak segítségével, de akár telefonon vagy ismerősei révén is („hólabda-módszer”). Egy képzeletbeli 55 fős populáció első három elemének alapadatai (a „kvóta-adatai”, neve és elérhetősége) valahogy így néznének ki egy excel fájlban. (4. ábra) 4. ábra:Az aktív hallgatók populációjának mátrixa (kitalált adatok) azon

nem

szak

tagozat

evfolyam

nev

mobil

email

1

2

1

1

1

Név01

Szám01

Mail@01

2

1

1

1

3

Név23

Szám23

Mail@23

3

2

1

2

1

Név08

Szám08

Mail@08

Forrás: ZSKF TKK Ha az alappopuláció nem rendelkezik külön azonosítóval („azon” oszlop), akkor ilyet nekünk kell csinálnunk. Az első sor az Excelben a következő információkat tartalmazza: Az 1. sorszámú hallgatónk neme: nő, (kódok: 1 = férfi, 2 = nő); a szakja „A” (kódok: 1 = „A”, 2 = „B” szak … Ez természetesen intézményenként változó); a tagozatáról tudjuk, hogy nappalis, (1 = nappalis, 2 = levelezős), és elsőéves (1 = elsőéves 2 = végzős 3 = köztes évfolyam). Továbbá megvan az e-mail címe („Mail@01”) a mobiltelefonszáma („Szám01”) és a neve („Név01”). Ezek azok az alapadatok, amelyekre feltétlenül szükségünk van a továbbiakban. Elképzelhető, hogy az informatikus, aki leválogatja az ETR-ből vagy a Neptun-ból az adatokat, még hozzárak néhány további információt, például lakóhely vagy állandó lakcíméhez telefonszám, ezek jól jöhetnek számunkra, de a modell alkalmazásához nélkülözhetőek. Ami fontos lehet, hogy egy-egy hallgató többször is szerepelhet a névsorban (mint azt korábban is jeleztem) – 36

itt gondoskodni kell a kiszűrésükről (a név, a mobilszám és az e-mail cím ismerete ezt az eljárást lehetővé teszi, esetleg az „EHA-kód”, vagy a „Neptun-kód” is hasznos lehet). 2. lépésként kitörölünk minden olyan oszlopot az Excel fájlunkból, ami nem a négy alapadat vagy a két pluszadat. Jelen esetben az e-mail oszlop lesz ez. És az így megmaradt adatokat beolvassuk az SPSS-be. (Az SPSS kezelését nem áll módomban részletesen kifejteni, a hely szűke miatt, feltételezem, hogy az olvasó ismeri a programot.) 3. lépés a négy alapváltozó előkészítése SPSS –ben. Itt fel kell címkézni az adatokat. Az első lépésben megadott alapváltozók értékeit be kell állítanunk. Erre alkalmas a „Value labels” parancs. Konkrét példával így nézne ki a „nem” változójának a felcímkézése: VALUE LABELS nem 1 ’férfi’ 2 ’nő’. Ha ezekkel megvagyunk, akkor alapmegoszlásokat kérhetünk a „frequencies” paranccsal. Ez a nem változóra 55 elem esetében (természetesen képzeletbeli adatokkal) így nézne ki (5. ábra): 5. ábra: SPSS adat. (Elképzelt mintán) nem

Valid

Frequency

Percent

Valid Percent

Cumulative Percent

1 férfi

28

50,9

50,9

50,9

2 nő

27

49,1

49,1

100,0

Total

55

100,0

100,0

Forrás: ZSKF TKK

A 4. lépés A „minta-tervező mátrix” kialakítása. Ahhoz, hogy a négy kvótaadatot SPSS-ben meg tudjuk háromdimenziós kereszttáblában jeleníteni, elkerülhetetlen, hogy két kvótaadatot összevonjunk. A két kvótaadat, amit össze szoktunk vonni, a tagozat és a nem. Ezt SPSS–ben egy „COMPUTE” utasítással érhetjük el. Ezt néhány programsorral a következő módon tehetjük meg (6. ábra):

37

6. ábra: A háromdimenziós kereszttábla megalkotása SPSS-ben. (SPSS program sorok) COMPUT nem_tag=0. if (tagozat eq 1 and nem eq 2 ) nem_tag=1. if (tagozat eq 1 and nem eq 1 ) nem_tag=2. if (tagozat eq 2 and nem eq 2 ) nem_tag=3. if (tagozat eq 2 and nem eq 1 ) nem_tag=4. Forrás: ZSKF TKK Ezzel a pár sorral sikerült azt elérnünk, hogy egy változónk legyen az eddigi kettőből. Az új változót néhány programsorral a következő módon címkézhetjük föl. (7. ábra) (Megjegyzem, hogy ezt illetve több hasonló címkéző utasítást is meg lehet oldani az SPSS a program grafikus felületén is. De ha leprogramozzuk, később visszakereshető, ha valamit elrontottunk volna, vagy újra alkalmazzuk). 7. ábra: A nem és a tagozat öszevont változójának a felcímkézése, és az alapmegoszlás. (SPSS program sorok) VARIABLE LABELS nem_tag ’Nem és tagozat kombinált ( Minta-tervező mátrix)’. VALUE LABELS nem_tag 1 ’nappali nő’ 2 ’ nappali férfi’ 3 ’levelező nő’ 4 ’levelező férfi’ . Frequencies nem_tag . Forrás: ZSKF TKK Az utolsó programsorral lefuttatom az összevont változó gyakorisági tábláját, hogy leellenőrizzem, jól sikerült-e az összevonás Ha ezekkel megvagyunk, akkor végre lefuttathatjuk a háromdimenziós kereszttáblát, amit a következőképen teszünk meg (8. ábra):

8. ábra: A háromdimenziós kereszttábla lefuttatása. (SPSS programsor) CROSSTABS /TABLES=nem_tag BY szak BY evfolyam /FORMAT=AVALUE TABLES /CELLS=COUNT /COUNT ROUND CELL. Forrás: ZSKF TKK Ha ez megtörtént, akkor valami hasonlót kell látnunk (9. ábra):

38

9. ábra: SPSS háromdimenziós kereszttábla. (Elképzelt adatokon) szak evfolyam 1 elsős

1 A szak nem_tag Nem és tagozat 1 nappali nő kombinált (Minta-tervező 2 nappali férfi mátrix) 3 levelező nő

3

5

3

2

5

3

2

5

2

1

3

Total

10

8

18

nem_tag Nem és tagozat 1 nappali nő kombinált (Minta-tervező 2 nappali férfi mátrix) 3 levelező nő

2

2

4

2

2

4

1

3

4

3

2

5

Total

8

9

17

nem_tag Nem és tagozat 1 nappali nő kombinált (Minta-tervező 2 nappali férfi mátrix) 3 levelező nő

2

3

5

4

2

6

2

2

4

2

3

5

10

10

20

4 levelező férfi 3 köztes évfolyam

Total

2

4 levelező férfi 2 végzős

2 B szak

4 levelező férfi Total

Forrás: ZSKF TKK

Ha valami hasonlót látunk, akkor megnyugodhatunk, hogy eddig valószínűleg sikerrel jártunk, de még nem vagyunk túl a nehezén. Most meg kell alkotnunk egy Excel fájlt, ami tartalmazza az alappopuláció adatait a négy változó mentén. Az Excel fájl a következő módon néz ki a mi 55 képzeletbeli hallgatónk esetében. (10. ábra)

Itt már feltöltöttem az adatokat a sárgával jelölt, oszlopokba (C és F oszlopok). Tehát a „létszám” oszlopa tulajdonképpen a tényleges populáció eloszlása. A „minta” oszlop lesz az ideális elemszám (D és G oszlopok). A „kérdőív” oszlop a táblázatban az aktuálisan eddig beérkezett kérdőíveknek a helye (E és H oszlopok). A végzett hallgatók mátrixa annyiban módosul, hogy az évfolyam helyett végzés évét használunk. Nyilván az Excel fájl szakok szerint addig bővíthető ahány szak van az adott intézményben. Sajnálatos módon, eddigi tapasztalataink szerint, 12 - 14 szak körül van az Excel határa. Akkor már viszonylag lassú és nem ritka, hogy le is fagy. – valószínűleg a hivatkozások mennyisége miatt. Megoldás lehet több Excel fájl használata, esetleg karonként külön fájlt kialakítani nagyobb intézmények esetén.

39

10. ábra: Mintatervező mátrix kialakítása (Excel részlet; nem valós mintán)

(a) Alap (BA/BSc.) a1. Elsőéves (=1) (=evfolyam)

8

a1.a.a. nappali (=tagozat) nő (=nem)

SÚLYOK: 10 a1.a.b. nappali férfi 11 SÚLYOK:

1,055 1 1,054545455

3

3

2

0

0

#ZÉRÓOSZTÓ!

12 a1.b.a. levelező nő 13 SÚLYOK:

3

14 a1.b.b. levelező férfi 15 SÚLYOK:

2

0

0

2

0

18 SÚLYOK: 19 a2.a.b. nappali férfi

#ZÉRÓOSZTÓ!

20 SÚLYOK: 21 a2.b.a. levelező nő

#ZÉRÓOSZTÓ!

22 SÚLYOK: 23 a2.b.b. levelező férfi

#ZÉRÓOSZTÓ!

24 SÚLYOK: 25 a3. Közbülső évfolyam (=3)

#ZÉRÓOSZTÓ!

26 a3.a.a. nappali nő 27 SÚLYOK:

2

28 a3.a.b. nappali férfi 29 SÚLYOK:

4

30 a3.b.a. levelező nő 31 SÚLYOK:

2

32 a3.b.b. levelező férfi 33 SÚLYOK:

2

2 1 3

0 0 0

0

0 0

#ZÉRÓOSZTÓ!

0

2

0

0

1

0

0

2

0

0

2

0

0

#ZÉRÓOSZTÓ! 0

3

0

0

#ZÉRÓOSZTÓ! 0

2

0

0

#ZÉRÓOSZTÓ! 0

3

0

0

#ZÉRÓOSZTÓ! 0

2

0

0

#ZÉRÓOSZTÓ! 0

#ZÉRÓOSZTÓ! 0

0

#ZÉRÓOSZTÓ!

#ZÉRÓOSZTÓ! 0

#ZÉRÓOSZTÓ!

#ZÉRÓOSZTÓ!

#ZÉRÓOSZTÓ! 0

0

#ZÉRÓOSZTÓ! 0

#ZÉRÓOSZTÓ!

16 a2. Végzős (=2) 17 a2.a.a. nappali nő

0

#ZÉRÓOSZTÓ!

#ZÉRÓOSZTÓ! 0

H

B szak (=2)

2

9

G

KÉRDŐÍV (DB.)

AKTÍV HALLGATÓK 2010-BEN 7

F

A szak (=1) (=szak)

5

6

E

MINTA

Szakok

D

KÉRDŐÍV (DB.)

4

C

MINTA

Intézetek/Karok

LÉTSZÁM

B

3

LÉTSZÁM

A

2

0

0

#ZÉRÓOSZTÓ! 0

3

0

0

#ZÉRÓOSZTÓ!

Forrás: ZSKF TKK

Jelenleg még nem küldtük szét a kérdőíveket, most ott tartunk, hogy megvan az alappopuláció eloszlása tehát feltöltöttük a sárga oszlopokat. A következőkben – képzeletben – elindítjuk az online kérdezést, azaz mind az 55 diáknak kiküldjük a felkérő levelet és benne a linket – és egy darabig várunk a jó szerencsénkre…

40

A következőkben azt mutatom be, hogyan kezeljük a beérkező kérdőívek adatait – hogyan töltjük fel a mátrixunk egyes celláit.

11. ábra: Visszaérkezett kérdőívekkel feltöltött mátrix. (Excel részlet; elképzelt mintán) A szak (=1) (=szak) MINTA

KÉRDŐÍV (DB.)

LÉTSZÁM

Szakok

1,055

1

AKTÍV HALLGATÓK 2010-BEN (a) Alap (BA/BSc.) a1. Elsőéves (=1) (=evfolyam) a1.a.a. nappali nő SÚLYOK:

2

1,054545455

Forrás ZSKF TKK Amint beérkeztek a kérdőívek, változik a kép. Tegyük fel, hogy 29 kérdőívet küldtek vissza. A fenti táblázat egy kinagyított részét mutatom be a 11. ábrán. Az előző táblázatban a C8-as cella az elsőéves „A” szakos nappali nők létszáma tehát 2. Az E8-as cella, az eddig beérkezett kérdőíveit mutatja, az ugyanilyen paraméterű diákoknál, ennek az értéke 1 (tehát egy „A” szakos nappali nő válaszolt). A „MINTA” oszlopban az „ideális” minta elemszámot számoljuk ki, vagyis itt olyan érték szerepel, ami akkor jönne ki, ha minden csoportból pontosan olyan arányban szerepelnének a mintánkban, amilyen arányban a populációban szerepelnek. A D8-as cella az ideálisan elvárt elemszámot mutatja ennek az értéke itt 1,055. Ez úgy jött ki, hogy a minta és a populáció hányadosával (55 osztva 29–cel = 1,896551724) elosztottuk a „létszámot” (ami itt 2). Tartozik még egy „súly” minden csoporthoz. Ezt úgy számoljuk ki, hogy az ideális mintaelem számot elosztjuk a beérkezett kérdőív darabszámával (azaz az 1,055 –öt az 1 értékkel: az adott csoporthoz tartozó súly értéke a C+D+E9 cellában található: 1,054545455.) 5. – lépés: Az egységes aktív hallgatói populáció 4 alapváltozó outputjának elkészítése. A DPR egyik legnagyobb előnye, hogy a sztenderd kérdések, intézményenként összehasonlíthatóak. Erre a lépésre azért van szükség, hogy biztosítva legyen, az országos adatbázis reprezentativitása. Mindössze annyi a teendőnk, hogy a populáció SPSS adatfájljából (az 55 diák információiból) kitörölünk minden olyan adatot, ami nem a négy kvóta adat (pl. a név, telefonszám stb.). Ezt kimentjük egy külön CSV kiterjesztésű fájlba, és elküldjük az Educationak.

41

5.2. Az aktív hallgatók online DPR kérdőíveinek kezelése. 6. – lépés: A beérkező kérdőívek adatfájljának bemutatása. Visszatérünk oda, hogy a kérdőíveket egy felkérő levél kíséretében kiküldjük mind az 55 aktív hallgatónak. A levélben egy linket is találnak, amire kattintva, kitölthetik a kérdőívet. Néhány nappal később elküldünk nekik egy „emlékeztető” e-mailt, amiben kérjük őket, hogy „ha véletlenül nem töltötték ki a kérdőívet, akkor legyenek szívesek azt bepótolni”. Ezt a folyamatot a jó ízlés határain belül néhányszor meg lehet ismételni. Tételezzük fel, hogy beérkezik 28 kérdőív. Most a példa kedvéért egy nagyon egyszerű kérdőívet alkalmazunk. (12. ábra) 12. ábra: Az aktív hallgatók kérdőívének változólistája Változó neve id I.2

Kérdés – a változó megnevezése (változócimke, "variable label") Egyedi rekord azonosító I.2. Neme II.1/a. Milyen szakon tanul? Szak neve (központi készletlista alapján) II.4/a. A elsőként megadott szakon az első évben milyen tagozaton/munkarendben kezdte tanulmányait? II.5/a. Hányadik évfolyamon tanul elsőként megadott szakján? II.7/a. A diploma megszerzése után azon a szakterületen szeretne dolgozni, amin jelenleg tanul, vagy inkább mással szeretne foglalkozni?

II.1a

II.4a

II.5a

II.7a

Értékek (értékcímke, "value label") A válaszadó (rekord) sorszáma 1 = férfi; 2 = nő 9998 = "A szak"; 9999 = "B szak"

1 = nappali; 2 = esti; 3 = levelező; 4 =távoktatás 1 = első évfolyam; 2 = végzős (utolsó éves); 3 = köztes évfolyam (nem elsős és nem végzős) 1 = igen, ezen a szakterületen; 2 = nem, de a szakterülethez közeli pályán; 3 = nem, teljesen más területen

Forrás: ZSKF TKK A változók nevének bármit megadhatunk, ennek maximum a kérdőívszerkesztő programunk szabhat határt. A példában azért a fentieket (id I2 stb.) használjuk, mert a DPR országos központnak ez az elvárása. Amire ügyelnünk kell, hogy a változók alternatívái megegyezzenek a kérdőívünk alternatíváival, vagy ezt idővel korrigálnunk kell SPSS-ben. 13. ábra: Az aktív hallgatók visszaérkezett kérdőívének adatai (Excel fájl – részlet) id 1 2 3

I.2 2 2 2

II.1a 9998 9998 9999

II.4a 3 3 1

II.5a 1 2 1

28

1

9998

1

3

II.7a 2 1 1 (stb.) 3

Forrás: ZSKF TKK

42

7. – lépés: Az SPSS input fájl elkészítése, változó neveinek átalakítása. Mivel a legritkább esetben felelnek meg számunkra a kérdőív szerkesztők által adott változó nevek, ezért ezeket nekünk kell átalakítanunk az SPSS program segítségével. A nem változójával csupán annyi a dolgunk, hogy átalakítjuk a változó nevét és felcímkézzük. Ez programsorral a következőképpen néz ki: (14. ábra) 14. ábra: Nem változó átalakítása (SPSS programsor) RECODE I.2 (1 2=copy) into nem. VARIABLE LABELS nem ’A megkérdezett neme’ . VALUE LABELS nem 1 ’férfi’ 2 ’nő’. Forrás: ZSKF TKK

Amit most még bemutatok az a tagozat változójának átalakítása, mivel az talán nem annyira triviális (az online kérdőívszerkesztő outputja kicsit más értékeket ad a „levelező” esetében). Programsorokkal a következőképpen néz ki a változó átalakítása, felcímkézése: (15. ábra) 15. ábra: A tagozat változó átalakítása (SPSS programsor) RECODE II.4a (1=1) (3=2) into tagozat. VARIABLE LABELS: tagozat ’A megkérdezett tagozata’. VALUE LABELS tagozat 1 ’nappali’ 2 ’levelező’. Forrás ZSKF TKK Ha a változókat felcímkéztük, akkor létrehozhatjuk a háromdimenziós kereszttáblánkat. Lényegében ugyan úgy, mint a 4. – lépésben tettük ezt a populáció adataival. 8. – lépés: Az aktív hallgatói „minta-tervező mátrix” kiegészítése a kérdőívek alapadataival. Az előző lépésben megcsináltuk a háromdimenziós kereszttáblánkat az SPSS-ben a kérdőíveink alapján. Most az így kapott adatokat bevisszük a mintatervező mátrixunk szürke oszlopába, vagyis a „KÉRDŐÍV (DB.)” oszlopba (lásd:16. ábra). A „SÚLYOK” cellái jelzik nekünk, hogy melyik kategóriába nem érkezett kérdőív (pirossal kiemelve az E4-es cella). Ha ilyen eset áll fenn, két dolgot tehetünk. Vagy összevonjuk az „A” szakos levelező tagozatos elsőéves férfiakat, az „A” szakos levelező tagozatos elsőéves nőkkel, vagy telefonos kérdezést hajtunk végre. Én az utóbbi változatot fogom most bemutatni. Van még egy problémás „cellánk” mégpedig az „A” szakos nappali tagozatos közbülső évfolyamon tanuló férfiak cellája (E28 cella), ahol az ideális elemszám kettő lenne és jelenleg egy kérdőív van. Itt is telefonos kérdezéssel javíthatjuk a minta eloszlását.

43

16. ábra: Aktív hallgatók „minta-tervező mátrixa” a korrekciók előtt (Excel fájl)

A szak (=1) (=szak)

5 AKTÍV HALLGATÓK 2010-BEN

I

B szak (=2) KÉRDŐÍV (DB.)

Szakok

nem: férfi=1 nő=2 F G H

MINTA

4

E

LÉTSZÁM

Intézetek/Karok

D

KÉRDŐÍV (DB.)

3

C

MINTA

tagozat: 1=nappali 2=levelező 3=esti 4=táv B

LÉTSZÁM

A

ARÁNY (Populáció/Minta)

6

(a) Alap (BA/BSc.)

7

a1. Elsőéves (=1) (=evfolyam)

8

a1.a.a. nappali (=tagozat) nő (=nem)

2

9

SÚLYOK:

1,018181818

1,527272727

55

10 a1.a.b. nappali férfi 11 SÚLYOK:

3

2

Kérdőív db.

1,527272727

1,018181818

28

12 a1.b.a. levelező nő 13 SÚLYOK:

3

2

ARÁNY:

0,763636364

1,018181818

14 a1.b.b. levelező férfi 15 SÚLYOK:

2

1

16 a2. Végzős (=2) 17 a2.a.a. nappali nő

1,964285714 1,018 1 1,527 1 1,527 2 1,018 0

3

1,527 1 1,018 1 1,018 1

0,509090909

2

2

1,018 1

18 SÚLYOK: 19 a2.a.b. nappali férfi

1,018181818

1,018181818

2

2

20 SÚLYOK: 21 a2.b.a. levelező nő

1,018181818

1,018181818

1

3

22 SÚLYOK: 23 a2.b.b. levelező férfi

0,509090909

0,763636364

3

2

24 SÚLYOK: 25 a3. Közbülső évfolyam (=3)

1,527272727

1,018181818

26 a3.a.a. nappali nő 27 SÚLYOK:

2

3

1,018181818

0,763636364

28 a3.a.b. nappali férfi 29 SÚLYOK:

4

2

2,036363636

1,018181818

30 a3.b.a. levelező nő 31 SÚLYOK:

2

2

0,509090909

0,509090909

32 a3.b.b. levelező férfi 33 SÚLYOK:

2

3

1,018 1 0,509 1 1,527 1

1,018 1 2,036 1 1,018 2 1,018 1

1,018181818

1,964285714

0,509 1

#ZÉRÓOSZTÓ! 1,018 1

Populáció fő:

1,018 1 1,527 2 1,018 1

1,527 2 1,018 1 1,018 2 1,527 1

1,527272727

Forrás: ZSKF TKK

9. – lépés: Az aktív hallgatók telefonos megkeresése, a minta kiegészítése, a szükséges adatfájl elkészítése a DPR országos központ számára. Ha korrekciós kérdezést szeretnénk végrehajtani, akkor mindenképpen le kell szűrnünk az adott csoport tagjait, és ki kell írnunk a nevüket és a telefonszámukat ahhoz, hogy el tudjuk érni őket. Ezt a következő módon tesszük meg az SPSS-ben programsorral: (17. ábra) 17. ábra: A telefonos kérdezéshez való, csoportok leválogatása USE ALL. COMPUTE filter_$=(nem = 1 & szak = 1 & evfolyam=1 & tagozat = 2). FILTER BY filter_$. EXECUTE. LIST nev mobil .

Forrás: ZSKF TKK

44

Itt azokat válogattuk le, akikre igaz az, hogy a nemük: férfi, az „A” szakon tanulnak elsőévesek és levelező tagozatosok. Tehát azt a csoportot, akik közül senki nem válaszolt. Ugyanígy járunk el azoknál a csoportoknál, ahol kevés kérdőív készült. Ha a programsort lefuttatjuk, akkor a következőt látjuk: (18. ábra) 18. ábra: Az SPSS outputja a telefonos leválogatásnak. nev

mobil

Név09 Szám09 Név10 Szám10 Number of cases read: 2 Number of cases listed: 2 Forrás: ZSKF TKK Tehát a program kiírta azoknak a diákoknak a nevét és telefonszámát, akik abba a csoportba tartoznak, akikről nem sikerült információt szereznünk. Innentől fogva már csak rá kell venni egy szorgalmas diákot, hogy vegye fel velük a kapcsolatot, és valamilyen formában kérdezze le a kérdőívet. Ez történhet online, papíralapon vagy telefonon. Ha eljutunk oda, hogy minden csoportból sikerül elérnünk a közel ideális elemszámot, akkor az adatokat ismét ki kell exportálnunk a kérdőív-szerkesztőből. Ami konkrétan úgy néz majd ki, mint a 6. – lépésben bemutatott Excel fájl annyi eltéréssel, hogy a korrekciós kérdezés sorai is szerepelnek majd benne, jelen esetben két sorral több (30 sor – lásd a 19. ábrát). Ezek után némi korrekciót hajtunk végre az adatfájlon. Mivel az országos DPR-központ adatbázisának a formátumát kell használnunk, ezért az egyes szakok értékeit át kell cserélnünk a központilag meghatározott számra. Illetve hozzá kell adnunk egy intézményi változót, ez jelen esetben az 555 (a kitalált intézményünk kódja; ez áll minden kérdőív elején az „intézmény” oszlopban). A kérdőív szerkesztő program ad egy-egy beérkezési dátumot („időbélyeget”) minden kérdőívhez („dátum” oszlopban), és ezt a beérkezési dátumot kell átírni minden kérdőív dátum oszlopába (az első kérdőív „időbélyegét” írjuk mindenhova). Az elvárt forma itt látható: (19. ábra) 19. ábra: Az aktív hallgatók populációjából leválogatott nevek és telefonszámok az 1. „cellára” (SPSS 17es verziójú output) intézmény 555 555 555 (stb.) 555

id 1 2 3

dátum 2010.03.26 15:26 2010.03.26 15:26 2010.03.26 15:26

I.2 2 2 2

II.1a 9998 9998 9999

II.4a 3 3 1

II.5a 1 2 1

II.7a 2 1 1

30

2010.03.26 15:26

1

9998

1

3

1

Forrás: ZSKF TKK

45

Ha ezzel megvagyunk, akkor már csak el kell mentenünk az adatokat CSV kiterjesztésbe és küldhetjük is az országos központba.

5.3. Az aktív hallgatói kérdőíves fájl súlyozása 10. – lépés: Az aktív hallgatói kérdőíves kutatás „minta-tervező mátrixának” véglegesítése. Immáron a mintánk olyan adatokat tartalmaz, amelyet megéri mélyebben elemezni. Ehhez viszont elengedhetetlen a „minta-tervező mátrix” frissítése (hiszen két kérdőívvel bővült a mintánk). Ha letöltjük a mintánkba kerültek adatait a kérdőívszerkesztőből, akkor a már lassan megszokott metódust hajtjuk végre:

I.

Behívjuk az adatfájlt az SPSS be.

II.

A 3. - lépésben tárgyalt módon előkészítjük a négy kvótaadatot.

III.

A 4. – lépés alapján elkészítjük a nem és a tagozat összevont változóját.

IV.

A 30-fős mintánkra előkészítjük a háromdimenziós kereszttáblát.

V.

Az adatokat frissítjük a mintatervező mátrixunkba.

46

20. ábra: Az aktív hallgatók „minta-tervező mátrixa” a korrekciók után (Excel fájl) tagozat: 1=nappali 2=levelező 3=esti 4=táv

nem: férfi=1

nő=2

Intézetek/Karok KÉRDŐÍV (DB.)

LÉTSZÁM

MINTA

B szak (=2) KÉRDŐÍV (DB.)

AKTÍV HALLGATÓK 2010-BEN

MINTA

A szak (=1) (=szak)

LÉTSZÁM

Szakok

ARÁNY (Populáció/Minta)

(a) Alap (BA/BSc.) a1. Elsőéves (=1) (=evfolyam)

1,833333333

a1.a.a. nappali (=tagozat) nő (=nem)

2

1,091 1

SÚLYOK:

1,090909091

1,636363636

55

a1.a.b. nappali férfi

3

2

Kérdőív db.

SÚLYOK:

1,636363636

1,090909091

30

a1.b.a. levelező nő

3

2

ARÁNY:

SÚLYOK:

0,818181818

1,090909091

a1.b.b. levelező férfi

2

1

SÚLYOK:

1,090909091

0,545454545

a2.a.a. nappali nő

2

2

SÚLYOK:

1,090909091

1,090909091

a2.a.b. nappali férfi

2

2

SÚLYOK:

1,090909091

1,090909091

a2.b.a. levelező nő

1

3

SÚLYOK:

0,545454545

0,818181818

a2.b.b. levelező férfi

3

2

SÚLYOK:

1,636363636

1,090909091

a3.a.a. nappali nő

2

3

SÚLYOK:

1,090909091

0,818181818

a3.a.b. nappali férfi

4

2

SÚLYOK:

1,090909091

1,090909091

a3.b.a. levelező nő

2

2

SÚLYOK:

0,545454545

0,545454545

a3.b.b. levelező férfi

2

3

SÚLYOK:

1,090909091

1,636 1 1,636 2 1,091 1

3

1,636 1 1,091 1 1,091 1

Populáció fő:

1,833333333

0,545 1

a2. Végzős (=2) 1,091 1 1,091 1 0,545 1 1,636 1

1,091 1 1,091 1 1,636 2 1,091 1

a3. Közbülső évfolyam (=3) 1,091 1 2,182 2 1,091 2 1,091 1

1,636 2 1,091 1 1,091 2 1,636 1

1,636363636

Forrás ZSKF TKK

A most elkészült mátrixunkban (lásd a 20. ábrát) már 30 fő van az eddigi 28 helyett. Így megváltozott azoknak a csoportoknak a súlya, amelyeknél egyáltalán nem vagy csak viszonylag kevés kérdőív született. A populáció ugyan nem változott, de a Minta igen, ezért a hányadosuk is átalakult. Ennek hatására a „MINTA” oszlop cellája átalakult, mivel azt a „LÉTSZÁM” és az „ARÁNY” hányadosaként kapjuk. A „SÚLYOK” cellákban is megfigyelhetjük az átalakulást, mivel ezt a „MINTA” és a „KÉRDŐÍV DB” hányadosaként kapjuk meg. Ezektől a súlyoktól egyébként már azt várjuk, hogy ezzel az értékkel szorozzuk meg a kérdőíveinket, hogy az elemzésnél az ideálishoz közeli elemszámot adják. Tehát bizonyos csoportok válaszolóit „felsúlyozzuk” és bizonyos csoportokat „lesúlyozunk”.

47

11. lépés: A „minta-tervező mátrix” adatai alapján a súlyozó SPSS program elkészítése, futtatása. A mintatervező mátrixunkban a jobb oldalon egy „IF” utasításokkal előkészített SPSS súlyozó program található. Az Excel tábla részlete itt látható: (21. ábra) 21. ábra: Az aktív hallgatók „minta-tervező mátrixának” SPSS súlyozó fájl utasításai a korrekciók után (Excel fájl – részlet) szak 1 (elsős) IF (

szak eq

1

and evfolyam eq

1

and tagozat eq

1

and nem eq

2

) suly1 =

1,09090909

.

IF (

szak eq

1

and evfolyam eq

1

and tagozat eq

1

and nem eq

1

) suly1 =

1,63636364

.

Forrás ZSKF TKK Minden egyes csoporthoz, tartozik egy súly, ez a programsor cellánkét van beírva az Excelbe és egy egyszerű hivatkozás maga a súly, a mátrix aktuális cellájára hivatkozunk. Az első sorban azt látjuk, hogy az „A” szakos első évfolyamos nappali tagozatos nők súlya 1,01818182. Ezt ha át szeretnénk vinni SPSS-be egy programsorként, egy dolgot még meg kell csinálnunk, mielőtt átmásolnánk. Mivel a magyar Excel tizedes veszőt használ az SPSS meg tizedes pontot, ezért az összes utasítást át kell raknunk egy World fájlba, és ott egy egyszerű „keresés és csere” funkcióval átcseréljük a vesszőt pontra. Utána ezeket már másolhatjuk az SPSS program fájljába. Az eredményt lásd a 22. ábrán. 22. ábra: Az aktív hallgatók kérdőíveinek SPSS súlyozó fájlja a korrekciók után (SPSS programsorok részletek)t COMPUTE suly1=1 . IF (szak eq 1 and evfolyam eq 1 and tagozat eq 1 and nem eq 2 ) suly1 = 1.12727273 IF (szak eq 1 and evfolyam eq 1 and tagozat eq 1 and nem eq 1 ) suly1 = 1.69090909 (stb.) VARIABLE LABELS suly1 'Súlyozás 4 dimenzióra' . DESCRIPTIVES VARIABLES=suly1 /STATISTICS=MEAN STDDEV MIN MAX. FREQUENCIES VARIABLES=nem szak tagozat evfolyam nem_tag /ORDER=ANALYSIS. WEIGHT BY suly1. FREQUENCIES VARIABLES=nem szak tagozat evfolyam nem_tag /ORDER=ANALYSIS.

Forrás: ZSKF TKK Ha ezt a programot lefuttatjuk, akkor elkészült az első súlyváltozónk. Az előző programban ezt be is kapcsoltuk a „WEIGHT BY suly1.” paranccsal. Előfordulhat, hogy a súlyozás utáni adatok elemszáma megváltozik a súlyozás révén (nem 30 – mint azt szeretnénk), akkor ezt egy egyszerű szorzóval „helyrebillentjük”. Ha például a súlyozás utáni elemszám 32-re nőne, a 30 hoz képest, akkor elosztanánk a 48

30-at 32-vel és az így kapott 0,9375-tel „lesúlyoznánk” a „suly1” változót. Ezt a következő módon tennénk SPSS-ben. (23. ábra) 23. ábra: súly „elemszám-tartó” korrekciója (SPSS programsorok - részletek) WEIGHT OFF. COMPUTE suly2=suly1 * 0,9375. VARIABLE LABELS suly2 'Súlyozás 4 dimenzióra - elemszám-tartó korrigált' . DESCRIPTIVES VARIABLES=suly2 /STATISTICS=MEAN STDDEV MIN MAX. WEIGHT BY suly2. Forrás: ZSKF TKK

Az így megkapott második súlyt alkalmazzuk az elemzések során. Érdemes odafigyelni, hogy ez (a „suly2”) legyen bekapcsolva az elemzések során, mert sok felesleges munkát okozhatunk magunknak, ha az első súllyal (a „suly1” –gyel) kezdünk elemezni, és később jövünk csak rá. Mivel az így készített elemzések nem felelnek meg a populáció és a minta arányának, ezért az elemzéseket előröl, kell kezdenünk. 12. lépés: Elemzések a korrekció, súlyozás előtti és utáni adatok révén. A mostani lépés tulajdonképpen a mintatervező mátrix tesztelése. Ebben a részben azt próbáljuk meg kideríteni, hogy vajon megérte-e ennyi energiát belefektetni az adatok súlyozásába? Ezt úgy fejthetjük meg, hogy megnézzük az adatok súlyozás előtti és utáni eredményeit. (24. ábra)

49

24. ábra: Aktív hallgatók kérdőíveinek és populációjának „kvóta-adatai” a súlyozás és korrekciós kérdezések előtt illetve utána – összehasonlítva a populáció adataival (Excel fájl) Kérdőívek alapadatai korrekció és súlyozás előtt

Korrekció után és súlyozás után.

A populáció alapadatai

nem A megkérdezett neme Frequency

Percent

Frequency

Percent

Frequency

Percent

1 férfi

11

37,9

16

50,9

28

50,9

2 nő

18

62,1

15

49,1

27

49,1

Total

29

100,0

31

100,0

55

100,0

szak A megkérdezett szakja Frequency

Percent

Frequency

Percent

Frequency

Percent

1 A szak

13

44,8

16

50,9

28

50,9

2 B szak

16

55,2

15

49,1

27

49,1

Total

29

100,0

31

100,0

55

100,0

tagozat A megkérdezett tagozata Frequency

Percent

Frequency

Percent

Frequency

Percent

1 nappali

13

44,8

16

52,7

29

52,7

2 levelező

16

55,2

15

47,3

26

47,3

Total

29

100,0

31

100,0

55

100,0

evfolyam Hanyadéves? Frequency

Percent

Frequency

Percent

Frequency

Percent

1 elsős

9

31,0

10

32,7

18

32,7

2 végzős

9

31,0

10

30,9

17

30,9

3 köztes évfolyam

11

37,9

11

36,4

20

36,4

Total

29

100,0

31

100,0

55

100,0

Forrás: ZSKF TKK A „nem” változója jelentősen átalakult a korrekció és súlyozás után: míg az eredeti 29 fős mintában nagyon alacsony volt a férfiak aránya – mindössze 37,9 százalék – addig a korrekciós kérdezések és a súlyozás után megegyezik a populációbeli arányával: 50,9 százalék. Hasonló kedvező „átalakulások” figyelhetőek meg a többi kvóta-adatnál is.

50

De vajon a korrekció hatással van-e a kvóta adatokon kívül a különböző változókra? Ennek bemutatására egy „éles” kérdőíves vizsgálatunk adatait használom. A kutatást 2010. tavaszán a ZSKF végzett hallgatói körében készítettük – pontosan ezeket a minta-korrekciós lépéseket tettük meg, mint amit fentebb vázoltam. Az eredmények a következőképpen alakultak (lásd a 26. ábrát):

25.ábra: Tartja-e a kapcsolatot a volt csoporttársakkal? Korrekció előtti és utáni adatok összehasonlítása.

Korrigált minta

76,6

Eredeti minta

18,4

79,9

0%

10%

20%

30% igen

15,0

40%

50%

nem

60%

70%

80%

90%

4,9

5,1

100%

NT/NV

Forrás: ZSKF TKK 2010 tavasz végzett hallgatók kutatása (N=488)

A fentiekből láthatjuk, hogy a korrigált és az eredeti adatok között van különbség. Bár az eltérések 3,33,4% között vannak, tehát radikálisan nem változtatja meg az eredményeket a korrekció és a súlyozás. Ez azért van így valószínűleg, mert az egyes torzulások hatásai kioltják egymást. Ugyanakkor nem tudhatjuk előre, hogy mekkora ez a hatás, mennyire lennének mások az eredmények a reprezentativitás biztosítása nélkül. Elképzelhető, hogy egy aktív hallgatói adatfelvételben a levelezős hallgatók a mintában felül lesznek reprezentálva (mert motiváltabbak a válaszadásban, mint a nappalisok). Ha azt kérdeznénk, hogy „mennyire van szükség kollégiumra”, akkor a levelezősök valószínűleg kevésbé éreznék a szükségét, mint a nappali tagozatos diákok. Ez már olyan nagymértékben befolyásolhatná az eredményeket, hogy akár az is előfordulhatna, hogy a korrekció nélküli mintán a „nincs szükség kollégiumra” válasz lenne többségben, holott egy reprezentatív adatfelvételből éppen az ellenkezője derülne ki…

51

A bemutatott „minta-tervező” modell nélkül nem derülne ki, hogy milyen a mintánk: bízhatunk-e az eredményeinkben, vagy a minta-torzulások miatt nem szabad komolyan venni. Még ha nem is alakítja át jelentősebben a korrekció és a súlyozás az eredményeinket (mint ezt a fenti példa is mutatta), szerintem akkor is megéri a fáradtságot, hiszen egy bizonytalan, vagy torz adat nagy károkat okozhat. Az említett példám esetében nem épülne meg egy olyan kollégium, amely sokaknak hasznos lenne – ráadásul rentábilisan működne…

52

6.

Összefoglalás

A dolgozatom elején bemutattam, hogy az elmúlt két évtizedben milyen mértékben ment végbe a felsőoktatás expanziója Magyarországon. Ez azért probléma, mert a munkaerőpiac paradox módon egyszerre küzd a túlképzés problémájával és egyes területeken a munkaerőhiánnyal. Azután áttekintettem a nemzetközi tapasztalatokat, gyakorlatot is, hiszen a munkapiaci diszkrepancia általánosnak mondható jelenség, ami sok, nálunk fejlettebb országban nagyobb problémát okoz, mint nálunk. Ez a társadalmi átalakulás követelte ki a Diplomás Pályakövető Rendszer kialakulását. Írtam annak hazai és nemzetközi gyakorlatáról, társadalmi hátteréről, pályázati rendszeréről, és – főként – a módszertani problémákról. Fontos szerepet kapott elemzéseimben a mintavétel problémája, azon belül is az online önkitöltős kérdőívek reprezentativitása. Úgy gondolom, hogy a reprezentativitás biztosítása alapvető feltétele egy tudományos igényű empirikus társadalomkutatásnak, és mert az online kutatásoknál ez még megoldatlan, majd bemutattam egy olyan modellt („minta-tervező mátrix”-ot), amely egyfajta megoldást kínál ezekre a kihívásokra. Arra is fény derült, hogy a modell gyakorlati alkalmazása – jelenlegi formájában – nem egyszerű, feltételez bizonyos jártasságot az SPSS használatában, a siker nagyban függ az online kérdőívszerkesztőtől (mennyire rugalmas, milyen outputok készíthetőek stb.). Terveink szerint ezeket a bonyodalmakat egy átgondoltabb online kérdőív-szerkesztő révén nagyobb részt lecsökkenthetjük. Erre vonatkozóan vázolom a továbbiakban elképzeléseinket. Kezdjük az online kérdőívek készítésével. Vannak internetes oldalak, amelyek viszonylag könnyen kezelhetőek, és nagyon sok mindent meg lehet velük oldani. Az egyik legismertebb ilyen a www.kerdoivem.hu volt. Igaz, tapasztalható volt néhány konstrukciós probléma a használata során – néha a kérdőív egyes kérdései nem jelentek meg – de azért általában jól működött. Sajnos az oldalt néhány hónapja fizetőssé tették. A Google által fejlesztett levelező rendszerbe, a gmail-be, a „dokumentumok” menüpont alatt használható az „űrlapszerkesztő”, amit egyszerű kérdőívek esetén biztonságosan és viszonylag könnyen alkalmazhatunk. Sajnos két kérdés közötti ugratás nem megoldott: maximum kérdéscsoportokra lehet ugratni, ami nagyon megnehezíti a kérdőívünk szerkesztését, használatát. A „Diplomás Pályakövető Rendszer” keretein belül végzett kutatások döntően az „EvaSys”-szel készülnek. Amit elméletileg „a chambridge-i egyetemen is használnak”, viszont „civilek” számára elérhetetlen, de még az intézmények diákjai számára sem nyitott a program „adminisztrátor” felülete. Ez egy komplex rendszer, aminek a használata nagyon bonyolult és a kérdőív megszerkesztése nagyon lassú.

53

A „Limesurvey” egy nyílt forráskódú, ingyenes (PHP programnyelven írt) alkalmazás, amely lehetővé teszi online kérdőívek készítését és kiértékelését. Az eredeti oldalon letölthetjük az alkalmazást és tetszőleges célokra felhasználhatjuk. A „limesurvey.org”-on nem tudjuk használni az alkalmazást maximum kipróbálhatjuk, viszont letölthetjük, de mielőtt használnánk, először fel kell telepítenünk egy szerverre. A „Limesurvey”-t több mint 30 országban közel 100-an fejlesztik. A kérdőív szerkesztő több mint 50 nyelven használható. A „Limesurvey”-nek rengeteg előnye van az általunk ismert többi kérdőív szerkesztővel szemben: 

Az első és talán a legfontosabb előnye, hogy viszonylag bonyolult kérdőíveket is egyszerűen lehet készíteni a segítségével.



Nyitott kérdésből is képes ugratni.



SPSS kompatibilis. Tehát a kérdőív készítésénél már be kell állítani minden kérdés címkéjét, ami az adatbázisban jelenik majd meg. Az adatbázis felcímkézésére kapunk egy SPSS syntax fájlt, amit lefuttatva felcímkézhetjük az adatbázisunkat.



Nyílt forráskódú szoftverként mindenki fejlesztheti és szabadon felhasználhatja az alkalmazást. Az egyes intézmények akár beleépíthetik saját honlapjukba a kérdőívszerkesztő programot.



Nincs minta nagyságra vonatkozó limit.



Online is elemezhetjük az adatainkat.

Az előző fejezetben jeleztem, hogy nem tudjuk előre, milyen lesz a mintánk és a populációnk összetétele egy online vizsgálatnál. Ekkor bizony szükségünk van a korrekciós kérdezésekre és a súlyozásra. Mivel úgy gondoljuk, hogy ha sok esetben nem is perdöntő az eltérés, néha megóvhat bennünket attól, hogy akkorát tévedjünk, mint 1936-ban Literary Digest. A minta-tervező modellünk még nem egységes rendszer, több program együttes használatával vagyunk képesek elérni a reprezentativitást (ezt részletesen az 5. fejezetben tárgyaltam). Ha a mintatervező modellünket bele tudnánk építeni egy kérdőívszerkesztő programba, sokkal könnyebben tudnánk használni a mintatervezést és online követhetnénk a mintánk alakulását. Jelenleg ahhoz, hogy megnézzük: hogy áll a beérkezett kérdőívünk és a mintánk összetétele, először le kell töltenünk az „Evasys”-ből a beérkezett kérdőíveket, utána össze kell rakni SPSS-ben a mátrixot és végül kézzel be kell vinni az erre kialakított Excel fájlba. Mivel a jelenlegi mintatervezés módszere viszonylag időigényes, ezért nehezen terjedhet el a különböző felsőoktatási intézményekben, vagy a vállalati szférában. Célunk a „Limesurvey” támogatása, fejlesztése, megosztása interneten keresztül, mivel úgy gondoljuk, hogy ez egy lényegesen jobb kérdőívszerkesztő, mint amiket eddig ismertünk. Pár hónapja, mióta 54

megismertem a rendszert, azon dolgozom, hogy ezt megosszam egy internetes oldalon. Nehezíti a dolgot, hogy bár a „Limesurvey” egy ingyenesen letölthető rendszer, ezt csak azok tudják használni, akik telepítik ezt az alkalmazást egy szerverre. Több cég oldalán megtalálható az alkalmazás, de ezek zártkörű rendszerek, akik odatévednek az interneten, azok nem tudnak „csak úgy” regisztrálni. Ezért egy programozó barátommal elindítottam egy kezdeményezést, aminek a keretein belül, a www.mysurvey.hu oldalon hirdetjük, és mindenki számára megosztjuk a kérdőívszerkesztő alkalmazását. Célom továbbá a „Limesurvey” rendszerébe a mintatervező modellünk integrálása a tavasszal kezdődő DPR kutatások előtt (Lásd az 1. számú mellékletben az országos sztenderd mátrix legújabb változatát). Így egy olyan rendszert alkotva, amely képes követni a mintánk és a populációnk összetételét mind ezt egy rendszerben és online módon. Ettől azt remélem, hogy az egyszerűbb alkalmazás révén elterjed egy igényesebb pályakövető rendszer, és az így készült reprezentatív eredmények tényleg „a valóságról” szólnak majd!

55

Irodalomjegyzék

Cobanoglu, C. - Warde, B. - Moreo, P.: A comparison of mail, fax, and web-based survey methods. International Journal of Market Research, 43 (4) 2001. (441-452. pp.) Czuczor József : Diplomások a munkaerőpiacon. Interneten: http://feek.pte.hu/feek/feek/index.php?ulink=596#top (Letöltés ideje: 2010. 11. 10.) Csoma Gyula: Különvélemény az oktatási-képzési minőség biztosításáról (és a minőségről) II. Interneten: http://www.ofi.hu/tudastar/csoma-gyula (Letöltés ideje: 2010. 11. 21.) Earl Babbie: A társadalomtudományi kutatás gyakorlata. Balassi Kiadó, Budapest, 2003. Fábián István et al. (szerk.): Diplomás pályakövetés 1. Hazai és nemzetközi gyakorlatok. Educatio Szolgáltató Nonprofit Kft. Budapest, 2008. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/kiadvanyok/dpr1_kotet (Letöltés ideje: 2010. 11. 10.) Falusiné Szikra Katalin (2001) Munkanélküliség és diplomás túltermelés. Közgazdasági Szemle, november (950-964. pp.) Fischer György: Hihetünk-e a közvélemény-kutatásoknak? Bagolyvár Könyvkiadó, Budapest, 2001. Györgyi Zoltán (2006) Friss diplomások a munkaerőpiacon. http://www.eduonline.eu/hu/letoltes.php?fid=tartalomsor/943 (Letöltés ideje: 2010.10. 24.) Horváth Dániel: Hazai gyakorlatok a diplomás pályakövetésben. In: Fábián István et al. (szerk.): Diplomás pályakövetés 1. Hazai és nemzetközi gyakorlatok. Educatio Szolgáltató Nonprofit Kft. Budapest, 2008. (9-18. pp.) Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/kiadvanyok/dpr1_kotet (Letöltés ideje: 2010. 11. 10.) Horváth Tamás et al. (szerk.): Diplomás pályakövetés. Kézikönyv. Educatio Társadalmi Szolgáltató Kht. Budapest, 2009. Interneten: http://www.felvi.hu/pub_bin/dload/DPR_Kezikonyv/1fejezet.pdf (Letöltés ideje: 2010.10.14.) Kabai Imre – Krisztián Viktor: Elemi adatoktól a súlyozott adatbázisig. Prezentáció. Interneten: https://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/dpr_kepzes3 ; (Letöltés ideje: 2010.11.02.) Kabai Imre – Krisztián Viktor: Mindent a módszertanról az első szakmai fórumon. DPR Szakmai Fórum II. Intézményi online kutatások tapasztalatai. Prezentáció. Interneten:

56

http://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/oszi_rendezvenyek/dpr_szakm ai_forum_2 (Letöltés ideje: 2010.11.10.) Kabai Imre (szerk.): A gazdasági szereplők elvárásai a szakmai képzés átalakítására. Zárótanulmány. ZSKF Tanulmányok, Budapest, 2009. Interneten: http://www.zskf.hu/uploaded/20092010/TudMuhely/tkk/DRP/Szakk%C3%A9pz%C3%A9svizsg%C3%A1lat_ZSKF_TKK_Z%C3%A1r%C3%B3tanulm%C3%A1ny.pdf (Letöltés ideje: 2010. 11. 10.) Kabai Imre (szerk.): A gazdasági szereplők elvárásai a szakmai képzés átalakítására. Zárótanulmány. ZSKF Tanulmányok, Budapest, 2009. Interneten: http://www.zskf.hu/uploaded/20092010/TudMuhely/tkk/DRP/Szakk%C3%A9pz%C3%A9svizsg%C3%A1lat_ZSKF_TKK_Z%C3%A1r%C3%B3tanulm%C3%A1ny.pdf (Letöltés ideje: 2010. 11. 10.) Kabai Imre et al. (szerk.): Mi lesz velünk a diploma után? ZSKF Könyvek 1. ZSKF, Budapest, 2007. Interneten: http://www.zskf.hu/?page_id=449 (Letöltés ideje: 2010. 11. 10.) Ketskeméty László – Izsó Lajos: Bevezetés az SPSS programrendszerbe. Módszertani útmutató és feladatgyűjtemény statisztikai elemzésekhez. ELTE Eötvös Kiadó, Budapest, 2005. Kish, Leslie: Kutatások statisztikai tervezése. KSH, Budapest, 1989. Kiss Paszkál (szerk.): Kompetenciamérés a felsőoktatásban. Diplomás Pályakövetés 3. Educatio Szolgáltató Nonprofit Kft. Budapest, 2010. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/kiadvanyok/dpr3_kotet (Letöltés ideje: 2010. 11. 12.) Kiss Paszkál: Felsőfokú kompetenciákról nemzetközi kitekintésben. In: Kiss Paszkál (szerk.) 2010. (15-24. pp.). Ladányi Andor: A magyar felsőoktatás nemzetközi összevetésben. Oktatáskutató Intézet, Budapest, 2002. (kézirat) Majó Zoltán: A felsőoktatás és a munkaerőpiac kapcsolata. Interneten: http://www.eco.uszeged.hu/egyetemrol/tudomanyos-kozlemenyek/sztegazdasagtudomanyi/versenykepesseg/felsooktatas (Letöltés ideje 2010.10.03.) Molnár Zita: Rendszerszerű a diplomás pályakövetés. GTM. Interneten: http://www.gtm.hu/cikk.php?cikk_id=1743 (Letöltés ideje: 2010.10.12.) Rudas Tamás: Hogyan olvassunk közvélemény-kutatásokat? Új Mandátum Könyvkiadó, Budapest, 1998. Sajtos László – Mitev Ariel: SPSS kutatási és adatelemzési kézikönyv. Aliena Kiadó, Budapest, 2007. Santiago, Paulo et al.: A felsőoktatás a tudástársadalomért. 2. kötet. OECD, Párizs, 2008. Interneten: http://www.felvi.hu/pub_bin/dload/AVIR/OECD_jelentes_vol2.pdf (Letöltés ideje: 2010.11.10.)

57

Sinka Edit: Az oktatás minősége (szekció összefoglaló). Interneten: http://www.ofi.hu/tudastar/szekcioulesek/oktatas-minosege (Letöltés ideje: 2010. 11. 14.) Székelyi Mária – Barna Ildikó: Túlélőkészlet az SPSS-hez. Többváltozós elemzési technikákról társadalomkutatók számára. Typotex Kiadó, Budapest, 2002. Veres Zoltán – Hoffmann Márta – Kozák Ákos: Bevezetés a piackutatásba. Akadémiai Kiadó, Budapest, 2006.

Internetes hivatkozások

„30 ezer diplomás keres hiába állást hazánkban.” Menedzsment Fórum. Interneten: http://www.mfor.hu/cikkek/78655.html ; (Letöltés ideje: 2010.12. 09.) Alumni portál a ZSKF honlapján: http://www.zskf.hu/?page_id=21 (Letöltés ideje: 2010. 11.14.) Diplomás pályakövetés – intézményi adatok. Interneten: http://www.felvi.hu/diploman_tul/kutatasi_jelentes/!DPR_kutatasi_jelentes/index.php (Letöltés ideje: 2010. 11. DPR Szakmai Nap III. (BCE, 2010.06.10.) https://www.felvi.hu/diploman_tul/szakmai_tamogatas/rendezvenyek/szakmai_nap_III (Letöltés ideje: 2010. 11.10.) Education at a Galance. OECD, Párizs, 2010. Interneten: http://www.oecd.org/dataoecd/45/39/45926093.pdf (Letöltés ideje: 2010.11.10.) „Futuretrack is the most ambitious higher education research ever conducted int he UK”. Interneten: http://www.futuretrack.ac.uk/index.php (Letöltés ideje: 2010. 10. 09.) INCHER - International Centre for Higher Education Research Kassel. Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/nemzetkozi_dpr/orszagjelentesek/diplomas_p alyakovetes_nemetorszagban_?itemNo=3 (Letöltés ideje: 2010. 11. 10.) Researching the Graduate Labour Market. Interneten: http://www2.warwick.ac.uk/fac/soc/ier/research/glmf (Letöltés ideje: 2010. 11. 10.) TÁMOP 4.1.1-rőla FELVI.HU honlapon az Interneten: http://www.felvi.hu/diploman_tul/szakmai_tamogatas (Letöltés ideje: 2010. 11. 12.)

58

Ábrajegyzék 1. ábra: A Zsigmond Király Főiskola (ZSKF TKK K-DPR-K) modellje

16

2. ábra: A megvalósítás logikai sémája

32

3. ábra: A minta-tervező logikai sémája

34

4. ábra:Az aktív hallgatók populációjának mátrixa (kitalált adatok)

35

5. ábra: SPSS adat. (Elképzelt mintán)

36

6. ábra: A háromdimenziós kereszttábla megalkotása SPSS-ben.

37

7. ábra: A nem és a tagozat összevont változójának a felcímkézése.

37

8. ábra: A háromdimenziós kereszttábla lefuttatása.

37

9. ábra: SPSS háromdimenziós kereszttábla. (Elképzelt adatokon)

38

10. ábra: Mintatervező mátrix kialakítása (Excel részlet; nem valós mintán)

39

11. ábra: Visszaérkezett kérdőívekkel feltöltött mátrix.

40

12. ábra: Az aktív hallgatók kérdőívének változólistája

41

13. ábra: Az aktív hallgatók visszaérkezett kérdőívének adatai

41

14. ábra: Nem változó átalakítása

42

15. ábra: A tagozat változó átalakítása

42

16. ábra: Aktív hallgatók „minta-tervező mátrixa” a korrekciók előtt

43

17. ábra: A telefonos kérdezéshez való, csoportok leválogatása

44

19. ábra: Az aktív hallgatók populációjából leválogatott nevek és telefonszámok

45

20. ábra: Az aktív hallgatók „minta-tervező mátrixa” a korrekciók után

48

21. ábra:Az aktív hallgatók „minta-tervező mátrixának”SPSS súlyozó fájl utasításai a korrekciók után

49

22. ábra: Az aktív hallgatók kérdőíveinek SPSS súlyozó fájlja a korrekciók után

49

23. ábra: súly „elemszám-tartó” korrekciója

50

24. ábra: Aktív hallgatók kérdőíveinek és populációjának „kvóta-adatai” a súlyozás és korrekciós kérdezések előtt illetve utána – összehasonlítva a populáció adataival

51

25. ábra: Tartja-e a kapcsolatot a volt csoporttársakkal? Korrekció előtti és utáni adatok összehasonlítása.

52

1

Melléklet: A súlyozó mátrix országos sztenderdje (Educatio Kft.) (Forrás: http://www.felvi.hu/diploman_tul/szakmai_tamogatas/online_kerdoivek/kerdoivek_2011ta vaszi_felmeres letöltés ideje: 2011.06.03)

ÉV

2008-ban abszolutóriumot szerzettek

Adatsablon a súlyozáshoz (végzett alapsokaságra vonatkozóan) Educatio Nonprofit Kft. TÁMOP 4.1.3 DPR KÉPZÉSI LÉTSZÁM Kérdőív SZAKKÓD SZAKNÉV SZINT* MUNKAREND NEM (FŐ) Minta (DB) Súly férfi Nappali munkarend nő férfi Egyéb Ba/BSc munkarend nő férfi Nappali munkarend nő férfi Egyéb Ma/MSc munkarend nő férfi Nappali munkarend nő Szak1 Szak1 kód férfi hagyományos Egyéb egyetemi munkarend nő férfi Nappali munkarend nő férfi hagyományos Egyéb főiskolai munkarend nő férfi Nappali munkarend nő férfi Egyéb osztatlan munkarend nő férfi Nappali munkarend nő férfi Egyéb Ba/BSc munkarend nő férfi Nappali munkarend nő férfi Egyéb Ma/MSc munkarend nő férfi Nappali munkarend nő Szak2 Szak2 kód férfi hagyományos Egyéb egyetemi munkarend nő férfi Nappali munkarend nő férfi hagyományos Egyéb főiskolai munkarend nő férfi Nappali munkarend nő férfi Egyéb osztatlan munkarend nő férfi Nappali munkarend nő férfi Egyéb Ba/BSc munkarend nő férfi Nappali munkarend nő férfi Egyéb Szak3 Szak3 Ma/MSc munkarend nő kód férfi Nappali munkarend nő férfi hagyományos Egyéb egyetemi munkarend nő férfi Nappali nő hagyományos munkarend főiskolai Egyéb férfi

2

osztatlan

Ba/BSc

Ma/MSc Szak4 kód

Szak4

hagyományos egyetemi

hagyományos főiskolai

osztatlan

Ba/BSc

Ma/MSc Szak5 kód

Szak5

hagyományos egyetemi

hagyományos főiskolai

osztatlan

Ba/BSc

Ma/MSc Szak6 kód

Szak6

hagyományos egyetemi

hagyományos főiskolai

osztatlan Szak7 kód

Szak7

Ba/BSc

munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend

3

nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő

Ma/MSc

hagyományos egyetemi

hagyományos főiskolai

osztatlan

Ba/BSc

Ma/MSc Szak8 kód

Szak8

hagyományos egyetemi

hagyományos főiskolai

osztatlan

Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend Nappali munkarend Egyéb munkarend

4

férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő férfi nő

_______________________________________________________________________________________

„PEGAZUS” PROJEKT TÁMOP-4.1.1-08/2/KMR-2009-0011 _______________________________________________________________________________________

___________________________________________________________________________________________

ZSKF TKK FÜZETEK 11. ___________________________________________________________________________________________

5