For å lykkes i å undervise i statistikk, kan det lønne seg å ta utgangspunkt i det konkrete og gjenkjennelige, med eksempler som føles relevante for studentene, ifølge kronikkforfatteren.
For å lykkes i å undervise i statistikk, kan det lønne seg å ta utgangspunkt i det konkrete og gjenkjennelige, med eksempler som føles relevante for studentene, ifølge kronikkforfatteren.

Hvordan kan vi overvinne skrekken for statistikk?

KRONIKK: Alt som kan gjøres for at undervisning i statistiske emner føles mer relevant for målgruppen, vil gi mer læringslyst og større mestringsfølelse.

Forskersonen er forskning.nos side for debatt og forskernes egne tekster. Meninger i tekstene gir uttrykk for skribentenes holdninger. Hvis du ønsker å delta i debatten, kan du lese hvordan her.

At mange folk med lang utdanning på høyskole- eller universitetsnivå frykter statistikk eller ser på seg selv som statistisk inkompetente, er verken overraskende eller paradoksalt. Snarere er det seleksjon. Denne gruppen har fra de gikk på videregående skole, jevnt over valgt bort matematikk og statistikk. Og det man ikke behersker, er det som kjent lett å frykte. 

Det er derimot overraskende at samme frykt og selvopplevde inkompetanse gjør seg gjeldende hos mange av dem som faktisk har tatt et kurs i statistikk eller kvantitativ metode på høyskolenivå (heretter kalt statistiske emner). Hvorfor frykter disse statistikk? 

Ett svar er enkelt nok: Disse studentene, ofte med svak mattebakgrunn, opplevde kurset i statistiske emner som vanskelig. Derfor lærte de ikke stort og sitter igjen med opplevelsen av statistikk som noe vanskelig det er grunn til å frykte. 

At data handler om noe studentene kjenner igjen og er opptatt av, er ingen suksessgaranti i seg selv.

Et annet svar går på innholdet i et typisk kurs i statistiske emner, med mange «tallfryktere» til stede: Er for eksempel undervisningsformene her best mulig tilpasset disse tallfrykterne? Jeg tror ikke det – jevnt over. 

I denne kronikken er jeg opptatt av hva vi kan gjøre for å forbedre situasjonen for alle tallfrykterne.

Hva går galt og hva kan gjøres?

Ofte går det galt fra start: Læreren forutsetter en kompetanse hos studentene som ikke finnes. Sånn sett det viktig at vi lærere må bli flinkere til å hensynta at studentene ofte mangler den nødvendige matematiske skoleringen og ditto engasjement når de møter på sin første økt i statistiske emner; kall det gjerne målgruppetenkning. Hvordan få til dette mer konkret? 

Mitt forslag, som jeg på ingen måte har kommet på selv, er å starte undervisningen med det konkrete og det gjenkjennelige. Deretter tar man matematikk, formler og teknikk. Og ikke motsatt. Dessuten: Jo svakere mattebakgrunn studentene har, desto viktigere er det å gjøre undervisningen etter dette prinsippet. Et eksempel følger. 

Et eksempel: Hvordan forklare regresjonsanalyse?

Regresjonsanalyse er arbeidshesten innen praktisk statistisk analyse, og alle kurs i statistiske emner tar for seg dette. Men det er ikke åpenbart hva som er den mest effektive måten å lære bort denne teknikken på. 

Følger vi tilnærmingen som innebærer å starte med det konkrete, kan det lønne seg å starte med noen saksopplysninger om fenomenene som regresjonsanalysen skal forklare, som vist i Figur 1 (se under). Her gjelder det sammenhengen mellom alderen på fotballspillere i eliteserien og antall kamper de har spilt i karrieren frem til nå.

Spredningsdiagram for antall kamper spilt i karrieren til nå og alder på spiller blant utespillerne i Eliteserien i fotball i sesongen 2022, med lineær regresjonslinje. Antall deltakere = 310.
Spredningsdiagram for antall kamper spilt i karrieren til nå og alder på spiller blant utespillerne i Eliteserien i fotball i sesongen 2022, med lineær regresjonslinje. Antall deltakere = 310.

Det er lett å få alle (studenter) med på at den skrå linja i figuren er en slags trend- eller gjennomsnittslinje, og at figuren derfor viser at eldre fotballspillere jevnt over har spilt flere kamper i karrieren enn yngre, naturlig nok. 

Det er heller ikke vrient å be studentene forstørre en liten flik av linja, slik at det er mulig å se at ett hopp bortover til høyre på x-aksen (alder) betyr en økning på y-aksen med cirka 23 kamper. Og da har man egentlig forklart hvordan regresjonsanalyse fungerer.

Så til et tankeeksperiment: Glem at du nettopp så Figur 1 (noe som selvsagt ikke er mulig!), og at du i stedet fikk servert følgende og lett karikerte innledning til regresjonsanalyse: 

Regresjonsanalyse er en statistisk teknikk som kvantifiserer samvariasjonen mellom variablene y og x. 

I forbindelse med for eksempel antall fotballkamper spilt i karrieren og alder, kan vi se for oss:

 y = a + b × x,

der y = antall kamper

a = konstanten

b = regresjonskoeffisienten

x = alder.

I vår sammenheng gir dette: y = -403 + 23 × x.

Nå ble dette straks verre for mange av oss – og nesten kaudervelsk for folk med svak mattebakgrunn. Poenget nå er selvsagt at konkret og gjenkjennelig kontekst gjør underverker for å forstå symboler. Motsatt er det mye vanskeligere å gå fra symbolene og likningene, altså «nedenfra» og «oppover» til fenomenene.

Andre undervisningstips

Prinsippet om konkret og gjenkjennelig først legger også føringer på eksempler og data til bruk i undervisningen. Relevans er et stikkord. 

For det første: Det er ikke sikkert at interesser hos læreren er sammenfallene med studentenes interesser, og det er heller ikke slik at læreren i emne A automatisk kan forutsette at «alt» innen A er av interesse for studentene. 

For det andre er det alltid smart å la data være fra en verden studentene kjenner godt til. Sånn sett er det i 2024 neppe et vinnertrekk å la variabelen «hvor mange ganger gikk du på tur i skogen i forrige uke?» være utgangspunktet for en statistisk analyse, på samme måte som en spørreundersøkelse blant eldre neppe er en innertier. 

For det tredje: At data handler om noe studentene kjenner igjen og er opptatt av, er ingen suksessgaranti i seg selv. 

Det er ingenting som fungerer alltid

Erfaring tilsier at det å lene seg tungt på variabler som har naturlige tall som verdier (antall timer, antall ganger, antall poeng, antall kroner) og binære variabler (ja eller nei, seier eller tap, mann eller kvinne) fungerer bedre enn kategoriske variabler (som Liker-skalaer og grupperte variabler). 

Men det generelle poenget er at ingenting alltid fungerer; skreddersøm til den aktuelle studentgruppen og dens eventuelle særegenheter er tvert imot stikkordet.

Alt som kan gjøres for at undervisning i statistiske emner føles mer relevant for målgruppen (og mindre teknisk krevende), vil gi mer læringslyst og større mestringsfølelse. Får vi til det, er mye gjort for å overvinne både statistikkfrykt og selvopplevd statistisk inkompetanse. Samme resonnement kan trolig gjøres for matematikkundervisningen som i disse Pisa-tider har fått mye tyn; se her.

Christer Thrane er sosiolog og underviser i statistiske emner. I dette arbeidet har han gjort alle feil det er mulig å gjøre, men han gir seg ikke. Han har også nylig begynt å blogge om statistisk tenkning.



Powered by Labrador CMS