Good data gathering does not by its

Good data gathering does not by itself support the inference that what has worked in one place will work in another. It won’t do to regard research results as a black box from which it can be directly ar¬gued, for instance, that since smaller class size led to better results in Tennessee, smaller classes will also lead to better results in California. The famous and expensive Tennessee STAR study (Student Achieve¬ment Teacher Ratio) was exemplary in its data-gathering techniques, using large numbers of students randomly assigned into control and experimental groups. Since the data gathering was so well conducted, policymakers in California reasoned that the results would apply to California and put that line of reasoning into effect at an estimated cost of $5 billion extra – without significant results. To infer reliably that carefully gathered results are replicable, one cannot treat them atheoretically. Data about what works in schools cannot necessarily simply be gathered from schools and then applied directly to improve different schools without the benefit of deep analysis and general pre¬dictive theory. To apply results elsewhere, one needs to understand in detail the causal factors that would allow confident predictions. What are the generalizable factors that make smaller class size more effec¬tive for earlier grades than for later ones? What are the replicable causes of student gain through smaller classes?

ผลลัพธ์ (ไทย) 2:

การรวบรวมข้อมูลที่ดีไม่ได้ด้วยตัวเองสนับสนุนข้อสรุปว่าสิ่งที่ได้ทำงานในสถานที่หนึ่งจะทำงานในอีก มันจะไม่ทำจะเชื่อว่าผลการวิจัยที่เป็นกล่องสีดำที่มันสามารถar¬guedโดยตรงเช่นว่าตั้งแต่ขนาดของชั้นเรียนขนาดเล็กนำไปสู่​​ผลลัพธ์ที่ดีกว่าในรัฐเทนเนสซีชั้นเรียนขนาดเล็กนอกจากนี้ยังจะนำไปสู่​​ผลลัพธ์ที่ดีกว่าในรัฐแคลิฟอร์เนีย ที่มีชื่อเสียงและมีราคาแพงเทนเนสซีศึกษา STAR (นักเรียนAchieve¬mentอัตราส่วนครู) เป็นแบบอย่างในเทคนิคการรวบรวมข้อมูลโดยใช้จำนวนนักเรียนสุ่มเป็นกลุ่มควบคุมและการทดลอง ตั้งแต่การรวบรวมข้อมูลที่ได้ดำเนินการให้ดีผู้กำหนดนโยบายในรัฐแคลิฟอร์เนียให้เหตุผลว่าผลที่ได้จะนำไปใช้แคลิฟอร์เนียและวางสายของเหตุผลที่มีผลบังคับใช้ค่าใช้จ่ายประมาณ $ 5000000000 พิเศษ - ไม่มีผลอย่างมีนัยสำคัญ เพื่อสรุปผลได้อย่างน่าเชื่อถือที่รวมตัวกันอย่างรอบคอบเป็นที่จำลองแบบหนึ่งไม่สามารถปฏิบัติต่อพวกเขา atheoretically ข้อมูลเกี่ยวกับสิ่งที่ทำงานในโรงเรียนสามารถก็ไม่จำเป็นต้องได้รับการรวบรวมจากโรงเรียนแล้วนำมาใช้โดยตรงในการปรับปรุงโรงเรียนที่แตกต่างกันโดยไม่ได้รับประโยชน์จากการวิเคราะห์ลึกและทฤษฎีpre¬dictiveทั่วไป เมื่อต้องการใช้ผลอื่น ๆ หนึ่งต้องเข้าใจในรายละเอียดปัจจัยที่เป็นสาเหตุที่จะช่วยให้การคาดการณ์ความมั่นใจ อะไรคือปัจจัย generalizable ที่ทำให้ขนาดของชั้นเรียนที่มีขนาดเล็กมากขึ้นeffec¬tiveเกรดก่อนหน้านี้กว่าสำหรับคนที่ภายหลังได้หรือไม่ อะไรคือสาเหตุที่จำลองแบบของการเพิ่มนักเรียนผ่านชั้นเรียนขนาดเล็ก?

ผลลัพธ์ (ไทย) 3:

การรวบรวมข้อมูลที่ดีไม่ได้เองสนับสนุนการอนุมานว่า ได้ทำงานในสถานที่หนึ่งจะทำงานในอีก มันไม่ได้เกี่ยวข้องกับการเป็นกล่องสีดำ ซึ่งมันสามารถโดยตรง AR ¬ gued ตัวอย่าง ตั้งแต่ขนาดของชั้นเรียนขนาดเล็กที่นำไปสู่ผลลัพธ์ที่ดีกว่าในเทนเนสซี , ชั้นเรียนขนาดเล็กจะนำไปสู่ผลลัพธ์ที่ดีกว่าในแคลิฟอร์เนียที่มีชื่อเสียงและแพงศึกษาดาวเทนเนสซี ( นักเรียนบรรลุ¬ ment อัตราส่วนครู ) คือเป็นแบบอย่างในเทคนิคการเก็บรวบรวมข้อมูลการใช้จำนวนมากของนักเรียนเป็นกลุ่มควบคุมและกลุ่มทดลอง ตั้งแต่การเก็บรวบรวมข้อมูล คือ นักทดสอบนอกจากนี้ ในแคลิฟอร์เนีย กล่าวว่า ผลลัพธ์จะใช้กับแคลิฟอร์เนียและใส่สายของการใช้เหตุผลเป็น Effect ที่ค่าใช้จ่ายของ $ 5 พันล้าน–พิเศษไม่มีผลอย่างมีนัยสำคัญ การอนุมานได้ว่ารอบคอบ รวบรวมผลสามารถจําลองแบบ หนึ่งไม่สามารถปฏิบัติต่อพวกเขา atheoretically .ข้อมูลเกี่ยวกับสิ่งที่ทำงานในโรงเรียน ไม่ได้เป็นเพียงแค่รวบรวมจากโรงเรียนแล้วใช้โดยตรงเพื่อปรับปรุงโรงเรียนต่าง ๆโดยไม่ได้รับประโยชน์ของการวิเคราะห์ที่ลึกและทฤษฎีทั่วไปก่อน¬ dictive . เพื่อใช้ผลอื่น ๆ หนึ่งความต้องการที่จะเข้าใจในรายละเอียดของโมเดลความสัมพันธ์เชิงสาเหตุของปัจจัยที่จะช่วยให้คาดคะเน มั่นใจอะไรคือปัจจัยที่ทำให้ generalizable ขนาดชั้นเรียนมากขึ้น effec mixing bord ¬ tive สำหรับก่อนหน้านี้คะแนนกว่าๆนะ อะไรคือสาเหตุของการรับนักศึกษาผ่านการเรียนสามารถจําลองแบบเล็กนะ