CHƢƠNG 3 THIẾT KẾ NGHIÊN CỨU
3.3.3.Mã hóa Bảng câu hỏi ban đầu
3.3. THIẾT KẾ BẢNG CÂU HỎI
3.3.3.Mã hóa Bảng câu hỏi ban đầu
Để thu thập thơng tin, xử lý và giải thích các kết quả nghiên cứu, nội dung Bảng câu hỏi đƣợc thiết kế đƣợc trình bày ở Bảng 3.2.
Bảng 3.2. Mã hóa Bảng câu hỏi ban đầu
STT Biến quan sát Mã
hóa Động cơ học tập
1 Tôi muốn điểm cao ở hầu hết các học phần để có thể dễ dàng
tìm kiếm một cơng việc phù hợp ĐC1
2 Khi tôi đƣợc điểm cao trong các học phần tôi cảm thấy hứng
thú với môn học hơn ĐC2
3 Tơi cảm thấy nản lịng bởi một điểm số thấp của bài kiểm tra
và lo lắng về việc phải làm thế nào trong bài kiểm tra sắp tới ĐC3 Phƣơng pháp tiếp cận sâu
1 Trong quá trình học càng hiểu càng chăm chỉ học tập TCS1 2 Tôi cố gắng làm tất cả bài tập càng sớm càng tốt sau khi
giảng viên đƣa ra. TCS 2
3 Tôi thƣờng xem trƣớc các bài học và tự lập ra những ghi chú
riêng của bài học đó và cảm thấy có hiệu quả. TCS 3 4 Tôi cố gắng học tập liên tục trong suốt cả kỳ học và thƣờng
xuyên ôn tập khi các kỳ thi tới gần TCS 4
STT Biến quan sát Mã hóa đang học sẽ hữu ích cho tình huống đó
Phƣơng pháp tiếp cận bề mặt
1 Kể cả khi tôi đã học bài chăm chỉ cho một kỳ kiểm tra thì tơi vẫn cảm thấy lo lắng rằng có thể khơng làm tốt bài kiểm tra.
TCM 1 2 Tơi đang học ở trƣờng vì nghĩ bản thân sẽ có một cơng việc
tốt hơn sau khi có bằng cấp
TCM 2 3 Tôi thƣờng xuyên sử dụng phƣơng pháp học thuộc lòng và
đọc đi đọc lại các bài học cho tới khi thuộc hẳn
TCM 3
4
Giảng viên là ngƣời có kiến thức sâu rộng hơn nên tôi luôn tập trung vào những gì họ giảng hơn là ý kiến riêng của bản thân
TCM 4
Phƣơng pháp giảng dạy
1 Giảng viên dành nhiều thời gian để nhận xét bài tập GD1 2 Giảng viên thƣờng có phản hồi hữu ích về q trình học tập GD 2 3 Giảng viên luôn cố gắng khiến học phần thú vị hơn GD 3
4 Giảng viên giải thích rất dễ hiểu GD 4
5 Giảng viên luôn cố gắng giúp đỡ sinh viên trong quá trình
học GD 5
Đánh giá phù hợp
1 Để có đƣợc Kết quả đầu ra tốt sinh viên chỉ cần nhớ tốt PH1 2 Giảng viên tập trung kiểm tra những điều đã nhớ hơn là
những điều đã hiểu PH2
3 Giảng viên thƣờng đƣa ra những câu hỏi khá dễ PH3 Khối lƣợng công việc phù hơp
STT Biến quan sát Mã hóa 1 Tơi có đủ thời gian để hiểu những điều cần học. KL1 2 Khối lƣợng bài tập để đạt yêu cầu trong học phần quá lớn,
tôi không thể hiểu kĩ đƣợc KL 2
3 Trong q trình học, tơi cảm thấy có q nhiều áp lực KL4 Mục tiêu và yêu cầu rõ ràng
1 Luôn dễ dàng hiểu đƣợc yêu cầu mong đợi từ giảng viên MT1 2 Luôn xác định đƣợc mục tiêu trong học phần MT2 3 Giảng viên nói rõ yêu cầu đối với sinh viên MT4
Kỹ năng
1 Học phần giúp nâng cao kĩ năng phân tích KN1 2 Sau học phần này, có đủ tự tin để đối mặt với các tình huống
thực tế KN2
3 Học phần giúp nâng cao kĩ năng xử lý tình huống KN3 Kết quả đầu ra
1 Điểm số mong đợi cho bài đánh giá đầu tiên trong học phần KQ1 2 Điểm số mong đợi sau khi thi kết thúc học phần KQ2 3 Điểm trung bình trong trong tồn khóa học KQ3
4 Mức độ hài lòng với chuyên ngành này KQ4
3.3.4. Cấu trúc Bảng câu hỏi và thang đo
Sau khi hoàn thành và xây dựng các thang đo phù hợp với việc khảo sát mối liên hệ giữa bối cảnh giảng dạy, phƣơng pháp học và kết quả đầu ra, tiến hành thiết kế Bảng câu hỏi nhằm thu thập dữ liệu. Bảng câu hỏi chính thức đƣợc sử dụng trong nghiên cứu gồm có các phần sau:
Bảng 3.3. Bảng câu hỏi và thang đo
STT Nội dung Số biến
quan sát Thang đo
Phần I: Phần thông tin chung
Chuyên ngành 1 Định danh
Giới tính 1 Định danh
Phần II: Phần thu thập thông tin dữ liệu
1 Động cơ học tập 3 Likert 5 mức độ
2 Phƣơng pháp tiếp cận sâu 5 Likert 5 mức độ
3 Phƣơng pháp tiếp cận bề mặt 4 Likert 5 mức độ
4 Phƣơng pháp giảng dạy 5 Likert 5 mức độ
5 Đánh giá phù hợp 3 Likert 5 mức độ
Kỹ năng 3 Likert 5 mức độ
6 Khối lƣợng công việc phù hơp 3 Likert 5 mức độ 7 Mục tiêu và yêu cầu rõ ràng 3 Likert 5 mức độ
8 Kết quả đầu ra 4 Likert 5 mức độ
Phần III: Phần thông tin khác
1 Góp ý cho Giảng viên 1 Đƣợc để trống
để lấy ý kiến cá nhân
2 Góp ý cho Khoa 1
3.4. THU THẬP DỮ LIỆU
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005), để đạt độ tin cậy cho phƣơng pháp nghiên cứu, mẫu thƣờng phải có kích thƣớc lớn, tối thiểu là 5 mẫu (tốt nhất là 10 mẫu trở lên) cho một biến quan sát cần ƣớc lƣợng. Mơ hình lý thuyết có 34 biến quan sát cần ƣớc lƣợng nên yêu cầu cỡ mẫu nhỏ nhất là 34x5 = 170 mẫu. Vậy cỡ mẫu N = 180 là đạt yêu cầu nghiên cứu. Từ
đó nghiên cứu này chọn 180 mẫu để tiến hành phân tích. Tổng số phiếu phát ra: 180 phiếu
Tổng số phiếu thu về: 180 phiếu
Số phiếu hợp lệ: 180 phiếu đƣợc dùng làm dữ liệu cho nghiên cứu
Đối tƣợng mẫu thu thập là toàn bộ sinh viên Cao đẳng học ngành Kế tốn theo hệ thống tín chỉ tại trƣờng Cao đẳng Thƣơng mại – Đà Nẵng (khóa 07).
Quá trình thu thập dữ liệu đƣợc thực hiện bằng cách phát phiếu khảo sát tại Trƣờng. Bảng câu hỏi đã đƣợc đƣa ra trong thời gian giảng dạy bộ mơn Kế tốn tài chính doanh nghiệp với cả ba chun ngành.
Số sinh viên tham gia trả lời khảo sát đƣợc tóm tắt trong Bảng dƣới đây:
Bảng 3.4. Số lượng sinh viên trả lời khảo sát
Số sinh viên % trả lời
Tổng số sinh viên đăng kí bộ mơn 180 100
Tổng số sinh viên trả lời 180 100
Kế toán doanh nghiệp 64 35.6
Kế toán thƣơng mại dịch vụ 77 42.8
Kế toán khách sạn nhà hàng 39 21.7
(Nguồn: Tự tổng hợp)
Mặc dù không bắt buộc tham gia nhƣng tất cả sinh viên tham dự khóa học đều tham gia trả lời phiếu câu hỏi, trong đó số lƣợng sinh viên chun ngành kế tốn thƣơng mại dịch vụ tham gia với tỉ lệ cao nhất là 42.8% với 77 sinh viên, kế tiếp là số sinh viên chuyên ngành kế toán doanh nghiệp với tỉ lệ 35.6% tƣơng đƣơng với 64 sinh viên, chuyên ngành kế toán khách sạn nhà hàng với 39 sinh viên chiếm tỉ lệ là 21.7%.
3.5. PHÂN TÍCH DỮ LIỆU
Tồn bộ dữ liệu thu thập sau khi đƣợc làm sạch và đƣợc mã hóa dữ liệu, sẽ xử lý với sự hỗ trợ của phần mềm SPSS 20.0 để hỗ trợ cho việc đo lƣờng mối liên hệ giữa bối cảnh giảng dạy, phƣơng pháp học và kết quả đầu ra tại trƣờng. Quy trình này trải qua các bƣớc nhƣ sau:
* Phân tích thống kê mơ tả * Đánh giá thang đo
- Các thang đo đƣợc đánh giá độ tin cậy qua hệ số tin cậy Cronbach’s Alpha: Hệ số Cronbach’s Alpha đƣợc sử dụng để loại các biến không phù hợp trƣớc. Với cách đánh giá qua hệ số này, các biến quan sát có hệ số tƣơng quan biến tổng (iterm-total correlation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi Cronbach’s Alpha từ 0.6 trở lên (Nunnally và Burnstein, 1994). Nếu Cronbach’s Alpha của thang đo khơng có đủ tiêu chuẩn để chọn thì sẽ xem xét việc loại iterm nào sẽ làm cho Cronbach’s Alpha tăng lên bằng cách dựa vào chỉ tiêu Cronbach’s Alpha if Iterm Deleted. Nếu có sự loại iterm ở đây thì quy trình sẽ đƣợc tiếp tục thực hiện cho đến khi đạt kết quả mong muốn và khơng có iterm nào bị loại thêm.
* Phân tích nhân tố khám phá EFA:
Phân tích nhân tố khám phá là một phƣơng pháp phân tích định lƣợng dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998). Các biến có trọng số (Factor loading) nhỏ hơn 0.5 trong EFA sẽ bị loại. Phƣơng pháp trích hệ số sử dụng là Principal components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalue >= 1. Thang đo đƣợc chấp nhận khi tổng phƣơng sai trích >= 50% (Gerbing & Anderson, 1988), với điều kiện là chỉ số KMO >= 0.5. KMO là một chỉ tiêu dùng để xem
xét sự thích hợp của EFA, 0.5 =< KMO <= 1 thì phân tố nhân tố thích hợp. Theo Hair và cộng sự (1998, tr.111), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0.3 đƣợc xem là đạt mức tối thiểu, Factor loading > 0.4 đƣợc xem là quan trọng và > 0.5 đƣợc xem là có ý nghĩa thực tiễn. Hair và cộng sự (1998, tr.111) cũng cho rằng: nếu chọn tiêu chuẩn Factor loading > 0.3 thì cỡ mẫu >= 350, nếu cỡ mẫu khoảng 100 thì nên chọn Factor loading > 0.5, nếu cỡ mẫu khoảng 50 thì Factor loading phải > 0.75.
Các nhân tố sau khi đƣợc rút trích từ EFA đƣợc đánh giá độ tin cậy một lần nữa thông qua hệ số tin cậy Cronbach’s Alpha.
* Phương pháp phân tích để kiểm định giả thuyết nghiên cứu
Mục đích của phƣơng pháp hồi qui tƣơng quan là ƣớc lƣợng mức độ liên hệ (tƣơng quan) giữa các biến độc lập đến biến phụ thuộc (biến đƣợc giải thích), hoặc ảnh hƣởng của các biến độc lập với nhau.
Để kiểm định đƣợc các giả thuyết nghiên cứu đặt ra bằng mơ hình hồi quy, trƣớc hết phải xét mối tƣơng quan giữa các biến trong từng mơ hình.
Với mức ý nghĩa 1% thì giá trị Sig < 0.01, với mức ý nghĩa là 5% thì Sig<0.05 (là các giá trị tƣơng ứng với các dấu (*) đƣợc đánh dấu trên hệ số tƣơng quan R) thì hệ số tƣơng quan Person mới có ý nghĩa thống kê. Cụ thể:
- Nếu r <0.2: Khơng có mối tƣơng quan giữa các biến - Nếu r từ 0.2 đến 0.4: tƣơng quan yếu
- Nếu r từ 0.4 đến 0.6: tƣơng quan trung bình - Nếu r từ 0.6 đến 0.8: tƣơng quan mạnh - Nếu r từ 0.8 đến <1: tƣơng quan rất mạnh
Mặt khác trong q trình phân tích tƣơng quan cần kiểm tra đến hiện tƣợng đa cộng tuyến khi các biến độc lập có tƣơng quan mạnh với nhau, khi tiến hành chạy tƣơng quan với giá trị Sig tƣơng quan giữa các biến độc lâp
nhỏ hơn 0.05 và giá trị của hệ số tƣơng quan Person lớn hơn 0.3, cần thiết phải xem xét khi tiến hành phân tích hồi quy thơng qua hệ số VIF
- Phân tích hồi quy: Để tiến hành phân tích hồi quy tuyến tính bội, các biến đƣợc đƣa vào mơ hình theo phƣơng pháp Enter. Tiêu chuẩn kiểm định là tiêu chuẩn đƣợc xây dựng dựa vào phƣơng pháp kiểm định giá trị thống kê F và xác định xác suất tƣơng ứng của giá trị thống kê F.
- Đánh giá độ phù hợp của mơ hình hồi quy tuyến tính bội: Kiểm định mức độ phù hợp giữa mẫu và tổng thể thông qua hệ số xác định R2 điều chỉnh. Cơng cụ chuẩn đốn giúp phát hiện sự tồn tại của đa cộng tuyến trong dữ liệu làm thối hóa tham số ƣớc lƣợng là hệ số phóng đại phƣơng sai (Variance inflation factor – VIF). Quy tắc là khi VIF vƣợt quá 10, đó là dấu hiệu của đa cộng tuyến (Hoàng Trọng & Mộng Ngọc, 2005, tr.218).