ในโลกของการวิจัย ข้อมูลเชิงคุณภาพเปรียบเสมือนขุมทรัพย์ที่ซ่อนเร้นอยู่เบื้องหลังตัวเลขและสถิติ มันคือเรื่องราว ประสบการณ์ และความรู้สึกของผู้คน ที่รอคอยการค้นพบและตีความ แต่สำหรับนักวิจัยหลายท่าน การเริ่มต้นวิเคราะห์ข้อมูลเชิงคุณภาพอาจเป็นเรื่องที่ท้าทายและน่าสับสน ไม่รู้จะเริ่มจากตรงไหน จัดการกับข้อมูลจำนวนมากอย่างไร หรือจะมั่นใจได้อย่างไรว่าผลลัพธ์ที่ได้นั้นน่าเชื่อถือ บทความนี้จาก EducaNow จะเป็นเหมือนแผนที่นำทางของคุณ เราจะพาคุณเจาะลึกถึงแก่นแท้ของการวิเคราะห์ข้อมูลเชิงคุณภาพ ตั้งแต่พื้นฐานไปจนถึงขั้นตอนปฏิบัติจริง พร้อมเช็กลิสต์ที่จะช่วยให้คุณตรวจทานงานได้อย่างมั่นใจ เพื่อให้คุณสามารถดึงคุณค่าที่แท้จริงจากข้อมูลออกมาได้อย่างเต็มที่ และนำเสนอผลการวิจัยที่ลึกซึ้งและมีพลัง
การวิเคราะห์ข้อมูลเชิงคุณภาพคืออะไร?
การวิเคราะห์ข้อมูลเชิงคุณภาพ (Qualitative Data Analysis) คือกระบวนการทำความเข้าใจ ตีความ และจัดระเบียบข้อมูลที่ไม่ใช่ตัวเลข เช่น ข้อความจากการสัมภาษณ์ บันทึกภาคสนาม หรือการสังเกต เพื่อค้นหารูปแบบ ธีม ความหมาย และความสัมพันธ์ที่ซ่อนอยู่ภายในข้อมูลนั้นๆ เป้าหมายหลักไม่ใช่การวัดผลหรือหาความสัมพันธ์เชิงสถิติ แต่เป็นการทำความเข้าใจปรากฏการณ์ในเชิงลึก การค้นพบ ‘ทำไม’ และ ‘อย่างไร’ ที่อยู่เบื้องหลังพฤติกรรม ความเชื่อ หรือประสบการณ์ต่างๆ การวิเคราะห์ประเภทนี้ช่วยให้เรามองเห็นบริบทที่สำคัญ ซึ่งข้อมูลเชิงปริมาณอาจไม่สามารถให้ได้ และเป็นหัวใจสำคัญในการสร้างความรู้ใหม่ๆ ที่มีความหมาย คู่มือสถิติและการวิเคราะห์ข้อมูล ฉบับสมบูรณ์ จะช่วยให้คุณเข้าใจภาพรวมของการวิเคราะห์ข้อมูลได้ดียิ่งขึ้น
ประเภทของการวิเคราะห์ข้อมูลเชิงคุณภาพที่พบบ่อย
การวิเคราะห์ข้อมูลเชิงคุณภาพมีหลากหลายวิธี แต่ละวิธีก็มีจุดเน้นและขั้นตอนที่แตกต่างกัน การเลือกวิธีที่เหมาะสมขึ้นอยู่กับคำถามวิจัยและลักษณะของข้อมูล นี่คือบางประเภทที่พบบ่อย:
- การวิเคราะห์เชิงเนื้อหา (Content Analysis): เน้นการระบุและนับความถี่ของคำ วลี หรือแนวคิด เพื่อทำความเข้าใจรูปแบบการสื่อสาร
- การวิเคราะห์เชิงธีม (Thematic Analysis): เป็นวิธีที่ได้รับความนิยม เน้นการระบุ วิเคราะห์ และรายงานรูปแบบ (themes) ที่เกิดขึ้นซ้ำๆ หรือมีความสำคัญในชุดข้อมูล
- ทฤษฎีฐานราก (Grounded Theory): มีเป้าหมายเพื่อสร้างทฤษฎีใหม่จากข้อมูลโดยตรง โดยไม่มีกรอบแนวคิดที่กำหนดไว้ล่วงหน้า
- การวิเคราะห์วาทกรรม (Discourse Analysis): ศึกษาภาษาที่ใช้ในบริบททางสังคม เพื่อทำความเข้าใจว่าภาษาถูกใช้สร้างความหมายและอำนาจอย่างไร
ในบทความนี้ เราจะเน้นไปที่ การวิเคราะห์เชิงธีม (Thematic Analysis) ซึ่งเป็นพื้นฐานที่แข็งแกร่งและปรับใช้ได้กับการวิจัยเชิงคุณภาพส่วนใหญ่
ขั้นตอนการวิเคราะห์ข้อมูลเชิงคุณภาพ: ทำทีละขั้น
การวิเคราะห์ข้อมูลเชิงคุณภาพไม่ใช่กระบวนการเชิงเส้นตรง แต่เป็นการวนซ้ำที่ต้องอาศัยความอดทนและการคิดวิเคราะห์อย่างลึกซึ้ง นี่คือขั้นตอนพื้นฐานของการวิเคราะห์เชิงธีมที่คุณสามารถนำไปปรับใช้ได้:
1. การเตรียมข้อมูล (Familiarization with the Data)
ก่อนจะเริ่มวิเคราะห์ คุณต้องทำความคุ้นเคยกับข้อมูลของคุณอย่างถ่องแท้ ซึ่งรวมถึง:
- การถอดเทป (Transcription): หากข้อมูลของคุณมาจากการสัมภาษณ์หรือการสนทนา การถอดเทปเสียงเป็นข้อความอย่างละเอียดเป็นสิ่งสำคัญมาก ความแม่นยำในการถอดเทปจะส่งผลต่อคุณภาพของการวิเคราะห์ของคุณ
- การจัดระเบียบข้อมูล: จัดเก็บข้อมูลทั้งหมดอย่างเป็นระบบ ไม่ว่าจะเป็นบันทึกภาคสนาม รูปภาพ หรือเอกสารอื่นๆ
- การอ่านซ้ำหลายครั้ง: อ่านข้อมูลทั้งหมดของคุณอย่างช้าๆ หลายๆ ครั้ง เพื่อให้เกิดความเข้าใจในภาพรวม จดบันทึกความคิดเห็นแรกเริ่ม ความรู้สึก หรือประเด็นที่น่าสนใจที่ผุดขึ้นมาระหว่างการอ่าน
2. การสร้างรหัสเบื้องต้น (Generating Initial Codes)
ขั้นตอนนี้คือการเริ่ม ‘ติดป้าย’ ให้กับส่วนต่างๆ ของข้อมูลที่ดูเหมือนจะมีความหมายหรือน่าสนใจ
- การอ่านอย่างละเอียด: อ่านข้อมูลของคุณทีละบรรทัด ทีละประโยค หรือทีละย่อหน้า
- การระบุรหัส: เมื่อพบส่วนของข้อมูลที่สื่อถึงแนวคิด ความรู้สึก หรือปรากฏการณ์บางอย่าง ให้สร้าง ‘รหัส’ (code) ขึ้นมาเพื่ออธิบายส่วนนั้นๆ รหัสอาจเป็นคำสั้นๆ หรือวลีก็ได้
- ตัวอย่าง:
ข้อความจากผู้ให้ข้อมูล รหัสเบื้องต้น “ฉันรู้สึกเครียดมากกับการทำงานที่บ้าน เพราะต้องดูแลลูกเล็กไปด้วย” ความเครียดจากการทำงานที่บ้าน, ภาระดูแลลูก “การประชุมออนไลน์ทำให้ฉันรู้สึกเหนื่อยล้ากว่าการประชุมแบบเจอหน้ากัน” ความเหนื่อยล้าจากประชุมออนไลน์ “ฉันคิดว่าการยืดหยุ่นเวลาทำงานช่วยให้ฉันจัดการชีวิตได้ดีขึ้น” ความยืดหยุ่นเวลาทำงาน, การจัดการชีวิตที่ดีขึ้น - ข้อผิดพลาดที่พบบ่อย: การสร้างรหัสที่กว้างเกินไปหรือไม่เฉพาะเจาะจงพอ ควรพยายามให้รหัสมีความชัดเจนและครอบคลุมเพียงแนวคิดเดียวในแต่ละครั้ง
3. การค้นหาธีม (Searching for Themes)
เมื่อคุณมีรหัสจำนวนมากแล้ว ขั้นตอนต่อไปคือการจัดกลุ่มรหัสเหล่านั้นเข้าด้วยกันเพื่อสร้าง ‘ธีม’ ที่กว้างขึ้น
- การจัดกลุ่มรหัส: มองหารหัสที่มีความคล้ายคลึงกัน มีความสัมพันธ์กัน หรือเล่าเรื่องราวเดียวกัน
- การตั้งชื่อธีม: ตั้งชื่อธีมที่สื่อความหมายและครอบคลุมรหัสย่อยๆ ที่อยู่ภายใต้ธีมนั้นๆ
- ตัวอย่าง:
กลุ่มรหัสเบื้องต้น ธีมที่เป็นไปได้ ความเครียดจากการทำงานที่บ้าน, ภาระดูแลลูก, ความเหนื่อยล้าจากประชุมออนไลน์ ความท้าทายในการทำงานแบบไฮบริด ความยืดหยุ่นเวลาทำงาน, การจัดการชีวิตที่ดีขึ้น, ความสมดุลระหว่างงานกับชีวิตส่วนตัว ประโยชน์ของการทำงานที่ยืดหยุ่น - การตรวจสอบความสอดคล้อง: ตรวจสอบว่ารหัสทั้งหมดในธีมนั้นๆ สอดคล้องกับชื่อธีมหรือไม่ และธีมนั้นๆ มีความแตกต่างจากธีมอื่นอย่างชัดเจนหรือไม่
4. การทบทวนและปรับปรุงธีม (Reviewing and Refining Themes)
ขั้นตอนนี้คือการตรวจสอบความถูกต้องและความสมบูรณ์ของธีมที่คุณสร้างขึ้น
- ตรวจสอบภายในธีม: รหัสทั้งหมดในธีมนั้นๆ สอดคล้องกันและสนับสนุนธีมหลักหรือไม่?
- ตรวจสอบระหว่างธีม: ธีมต่างๆ มีความแตกต่างกันอย่างชัดเจนหรือไม่? มีธีมใดที่ทับซ้อนกันหรือควรจะรวมเข้าด้วยกันหรือไม่?
- การปรับปรุง: อาจต้องมีการปรับเปลี่ยนชื่อธีม แยกธีมออกเป็นธีมย่อย หรือรวมธีมเข้าด้วยกัน เพื่อให้ได้โครงสร้างธีมที่แข็งแกร่งและสื่อความหมายที่สุด
- หากมีผู้เข้ารหัสหลายคน การตรวจสอบความสอดคล้องระหว่างผู้เข้ารหัส (Inter-Rater Reliability หรือ IRR) อาจเป็นประโยชน์ในการเพิ่มความน่าเชื่อถือของการวิเคราะห์ irr คือ หนึ่งในมาตรวัดที่สามารถนำมาใช้ได้
5. การกำหนดและตั้งชื่อธีมขั้นสุดท้าย (Defining and Naming Themes)
เมื่อได้โครงสร้างธีมที่มั่นคงแล้ว ให้เขียนคำอธิบายที่ชัดเจนสำหรับแต่ละธีม เพื่ออธิบายว่าธีมนั้นๆ หมายถึงอะไร มีอะไรเป็นองค์ประกอบ และมีความสำคัญอย่างไรต่อคำถามวิจัย
6. การเขียนรายงานผล (Producing the Report)
นำเสนอผลการวิเคราะห์ของคุณอย่างมีเหตุผลและน่าสนใจ
- เล่าเรื่อง: ใช้ธีมที่คุณค้นพบมาเล่าเรื่องราวที่ตอบคำถามวิจัย
- ใช้คำพูดของผู้ให้ข้อมูล: อ้างอิงคำพูด (quotes) ที่สำคัญจากผู้ให้ข้อมูลเพื่อสนับสนุนแต่ละธีมและเพิ่มความน่าเชื่อถือ
- ตีความ: อธิบายว่าธีมเหล่านี้มีความหมายอย่างไร และมีความเกี่ยวข้องกับบริบทที่ศึกษาอย่างไร
- เชื่อมโยงกับคำถามวิจัย: ตรวจสอบให้แน่ใจว่าผลลัพธ์ทั้งหมดเชื่อมโยงกลับไปยังคำถามวิจัยของคุณอย่างชัดเจน
เช็กลิสต์ตรวจงานวิเคราะห์ข้อมูลเชิงคุณภาพ
เพื่อให้มั่นใจว่าการวิเคราะห์ข้อมูลเชิงคุณภาพของคุณมีความละเอียดรอบคอบและน่าเชื่อถือ ลองใช้เช็กลิสต์ต่อไปนี้เพื่อตรวจทานงานของคุณ:
| รายการตรวจสอบ | ใช่/ไม่ใช่ | หมายเหตุ |
|---|---|---|
| ข้อมูลทั้งหมดได้รับการถอดเทปหรือจัดระเบียบอย่างถูกต้องและครบถ้วนหรือไม่? | ||
| คุณได้อ่านและทำความคุ้นเคยกับข้อมูลทั้งหมดอย่างละเอียดแล้วหรือไม่? | ||
| รหัสเบื้องต้นถูกสร้างขึ้นอย่างเป็นระบบและครอบคลุมข้อมูลสำคัญทั้งหมดหรือไม่? | ||
| รหัสที่สร้างขึ้นมีความชัดเจนและเฉพาะเจาะจงเพียงพอหรือไม่? | ||
| ธีมที่ระบุมีความสอดคล้องกับรหัสย่อยที่อยู่ภายใต้หรือไม่? | ||
| ธีมต่างๆ มีความแตกต่างกันอย่างชัดเจนและไม่ทับซ้อนกันมากเกินไปหรือไม่? | ||
| คุณได้ทบทวนและปรับปรุงธีมหลายครั้งเพื่อให้มั่นใจในความแข็งแกร่งแล้วหรือไม่? | ||
| มีการใช้คำพูดจากผู้ให้ข้อมูลเพื่อสนับสนุนแต่ละธีมอย่างเหมาะสมหรือไม่? | ||
| การตีความผลลัพธ์เชื่อมโยงกลับไปยังคำถามวิจัยอย่างชัดเจนหรือไม่? | ||
| คุณได้พิจารณาถึงอคติของผู้วิจัยและผลกระทบที่อาจเกิดขึ้นต่อการวิเคราะห์หรือไม่? | ||
| กระบวนการวิเคราะห์ของคุณมีความโปร่งใสเพียงพอที่จะให้ผู้อื่นติดตามได้หรือไม่? |
ข้อผิดพลาดที่พบบ่อยในการวิเคราะห์ข้อมูลเชิงคุณภาพและวิธีหลีกเลี่ยง
การวิเคราะห์ข้อมูลเชิงคุณภาพต้องอาศัยทักษะและการฝึกฝน ข้อผิดพลาดบางอย่างที่พบบ่อยสามารถหลีกเลี่ยงได้:
- การไม่อ่านข้อมูลซ้ำหลายครั้ง: การรีบเร่งวิเคราะห์โดยไม่ทำความคุ้นเคยกับข้อมูลอย่างลึกซึ้งจะทำให้พลาดบริบทที่สำคัญ วิธีหลีกเลี่ยง: ใช้เวลาในการอ่านข้อมูลทั้งหมดอย่างน้อย 2-3 ครั้งก่อนเริ่มเข้ารหัส
- การเข้ารหัสแบบไม่มีทิศทาง: การสร้างรหัสโดยไม่มีเป้าหมายอาจทำให้ได้รหัสที่กระจัดกระจายและไม่นำไปสู่ธีมที่ชัดเจน วิธีหลีกเลี่ยง: ทบทวนคำถามวิจัยของคุณก่อนเริ่มเข้ารหัส
- การบังคับข้อมูลให้เข้ากับธีมที่คิดไว้ล่วงหน้า: การพยายามบิดเบือนข้อมูลให้เข้ากับกรอบที่คิดไว้จะทำให้ผลลัพธ์ไม่น่าเชื่อถือ วิธีหลีกเลี่ยง: เปิดใจให้กว้างและให้ข้อมูล ‘พูด’ ด้วยตัวมันเอง
- การขาดความโปร่งใส: การไม่บันทึกกระบวนการตัดสินใจในการเข้ารหัสหรือการสร้างธีม ทำให้ยากต่อการตรวจสอบความน่าเชื่อถือ วิธีหลีกเลี่ยง: จดบันทึก (memo) ตลอดกระบวนการวิเคราะห์
- การสรุปผลเกินจริง: ผลการวิจัยเชิงคุณภาพมักไม่สามารถสรุปอ้างอิงไปยังประชากรกลุ่มใหญ่ได้ วิธีหลีกเลี่ยง: นำเสนอผลลัพธ์ในบริบทที่ศึกษาและเน้นความลึกของข้อมูล
การเข้าใจหลักการพื้นฐานของสถิติ เช่น นัยสำคัญทางสถิติที่ระดับ .05 คือ หรือ f test คือ ก็ยังคงเป็นประโยชน์ในการมองเห็นภาพรวมของการวิจัย และช่วยให้คุณเข้าใจความแตกต่างระหว่างวิธีการวิเคราะห์ข้อมูลแต่ละประเภทได้ดียิ่งขึ้น
การเลือกผู้ช่วยหรือที่ปรึกษาด้านการวิเคราะห์ข้อมูลเชิงคุณภาพอย่างมีจริยธรรม
บางครั้ง การวิเคราะห์ข้อมูลเชิงคุณภาพอาจเป็นงานที่ใหญ่ การขอความช่วยเหลือจากผู้เชี่ยวชาญหรือที่ปรึกษาจึงเป็นทางเลือกที่ดี แต่สิ่งสำคัญคือต้องเลือกอย่างมีจริยธรรมและโปร่งใส:
- เน้นการเรียนรู้และพัฒนาทักษะ: ที่ปรึกษาที่ดีควรจะช่วยสอนและแนะนำกระบวนการวิเคราะห์ให้คุณเข้าใจ ไม่ใช่เพียงแค่ ‘ทำแทน’ คุณเท่านั้น
- ความโปร่งใสและความรับผิดชอบ: ตรวจสอบให้แน่ใจว่าผู้ช่วยหรือที่ปรึกษาของคุณมีความเข้าใจในหลักจริยธรรมของการวิจัย
- ความเชี่ยวชาญและประสบการณ์: เลือกผู้ที่มีประสบการณ์และความเชี่ยวชาญในการวิเคราะห์ข้อมูลเชิงคุณภาพโดยเฉพาะ
- การรักษาความลับของข้อมูล: ข้อมูลเชิงคุณภาพมักมีความละเอียดอ่อนสูง ตรวจสอบให้แน่ใจว่ามีการตกลงเรื่องการรักษาความลับของข้อมูลอย่างชัดเจน
- บทบาทที่ชัดเจน: กำหนดบทบาทและความรับผิดชอบของแต่ละฝ่ายให้ชัดเจนตั้งแต่ต้น
EducNow สนับสนุนการพัฒนาทักษะการวิจัยด้วยตนเอง และมีแหล่งข้อมูลและหลักสูตรที่ช่วยให้คุณสามารถวิเคราะห์ข้อมูลเชิงคุณภาพได้อย่างมั่นใจ
สรุป
การวิเคราะห์ข้อมูลเชิงคุณภาพเป็นทักษะที่ทรงพลังและจำเป็นสำหรับนักวิจัยที่ต้องการทำความเข้าใจโลกในเชิงลึก แม้จะดูซับซ้อนในตอนแรก แต่ด้วยการทำความเข้าใจขั้นตอนพื้นฐาน การฝึกฝนอย่างสม่ำเสมอ และการใช้เครื่องมือช่วยอย่างเช็กลิสต์ คุณก็จะสามารถดึงคุณค่าที่แท้จริงจากข้อมูลออกมาได้อย่างภาคภูมิใจ อย่ากลัวที่จะเริ่มต้น และจำไว้ว่าทุกชิ้นส่วนของข้อมูลมีเรื่องราวที่รอให้คุณค้นพบ
คำถามที่พบบ่อย
การวิเคราะห์ข้อมูลเชิงคุณภาพแตกต่างจากการวิเคราะห์เชิงปริมาณอย่างไร และควรเลือกใช้อะไร?
การวิเคราะห์เชิงคุณภาพเน้นการทำความเข้าใจเชิงลึก ความหมาย และบริบท โดยใช้ข้อมูลที่ไม่ใช่ตัวเลข เช่น ข้อความหรือรูปภาพ ส่วนการวิเคราะห์เชิงปริมาณเน้นการวัดผล หาความสัมพันธ์เชิงสถิติ และสรุปอ้างอิงไปยังประชากร โดยใช้ข้อมูลที่เป็นตัวเลข คุณควรเลือกใช้เชิงคุณภาพเมื่อต้องการสำรวจปรากฏการณ์ใหม่ๆ ทำความเข้าใจ “ทำไม” หรือ “อย่างไร” และเลือกเชิงปริมาณเมื่อต้องการยืนยันสมมติฐาน วัดความถี่ หรือเปรียบเทียบกลุ่ม
การวิเคราะห์ข้อมูลเชิงคุณภาพใช้เวลานานแค่ไหน?
ระยะเวลาขึ้นอยู่กับปริมาณข้อมูล ความซับซ้อนของคำถามวิจัย และประสบการณ์ของผู้วิจัย โดยทั่วไปแล้ว การวิเคราะห์เชิงคุณภาพมักใช้เวลามากพอสมควร เพราะต้องใช้เวลาในการอ่านข้อมูลซ้ำๆ การเข้ารหัส การจัดกลุ่ม และการทบทวนธีมอย่างละเอียด อาจใช้เวลาตั้งแต่หลายสัปดาห์ไปจนถึงหลายเดือน
จำเป็นต้องใช้ซอฟต์แวร์เฉพาะทางในการวิเคราะห์ข้อมูลเชิงคุณภาพหรือไม่?
ไม่จำเป็นเสมอไป คุณสามารถวิเคราะห์ข้อมูลเชิงคุณภาพได้ด้วยตนเองโดยใช้โปรแกรมพื้นฐานอย่าง Microsoft Word หรือ Excel สำหรับการจัดระเบียบและเข้ารหัสข้อมูล อย่างไรก็ตาม ซอฟต์แวร์เฉพาะทางเช่น NVivo, ATLAS.ti หรือ MAXQDA สามารถช่วยจัดการข้อมูลขนาดใหญ่ จัดการรหัสและธีมได้อย่างมีประสิทธิภาพ และช่วยให้กระบวนการวิเคราะห์เป็นระบบมากขึ้น
จะมั่นใจได้อย่างไรว่าผลการวิเคราะห์ข้อมูลเชิงคุณภาพมีความน่าเชื่อถือและถูกต้อง?
คุณสามารถเพิ่มความน่าเชื่อถือได้หลายวิธี เช่น การตรวจสอบความสอดคล้องระหว่างผู้เข้ารหัส (Inter-Rater Reliability), การตรวจสอบข้อมูลกับผู้ให้ข้อมูล (Member Checking), การใช้ผู้วิจัยหลายคนในการวิเคราะห์ (Triangulation of Researchers), การบันทึกกระบวนการวิเคราะห์อย่างละเอียด (Audit Trail) และการนำเสนอข้อมูลดิบประกอบการตีความอย่างเพียงพอ
ฉันสามารถวิเคราะห์ข้อมูลเชิงคุณภาพคนเดียวได้หรือไม่?
ได้ คุณสามารถทำได้ แต่การมีเพื่อนร่วมงานหรือที่ปรึกษามาช่วยทบทวนรหัสและธีม (Peer Debriefing) จะช่วยเพิ่มมุมมองที่หลากหลายและลดอคติส่วนตัวได้ การทำงานคนเดียวต้องอาศัยวินัยในการบันทึกกระบวนการคิดและตัดสินใจอย่างละเอียด เพื่อให้งานมีความโปร่งใสและน่าเชื่อถือ
หากข้อมูลที่ได้ไม่ตรงกับสมมติฐานหรือความคาดหวังแรกเริ่ม ควรทำอย่างไร?
นี่เป็นเรื่องปกติและเป็นจุดแข็งของการวิจัยเชิงคุณภาพ การวิเคราะห์เชิงคุณภาพมักเป็นการสำรวจและค้นพบสิ่งใหม่ๆ หากข้อมูลไม่ตรงกับความคาดหวัง ให้เปิดใจยอมรับและปล่อยให้ข้อมูลนำทางคุณไปสู่การค้นพบใหม่ๆ สิ่งสำคัญคือการรายงานผลตามข้อมูลที่ปรากฏจริง ไม่ใช่การพยายามบิดเบือนข้อมูลให้เข้ากับสมมติฐานเดิม