Tutarsız profil

library(dplyr)
library(tidyr)
library(haven)
library(ggplot2)
library(ggalluvial)
library(kableExtra)
library(knitr)
library(writexl)

He & von Davier (2016) Temelli Ağırlıklı Davranış Modeli

library(haven)
library(dplyr)

df <- read_sav("C:/Users/Lenovo/Desktop/long_data_clean_updated.sav")

df <- df %>%
  mutate(
    # 1. Davranış örüntüsü kodlama
    DavranisOruntusu = paste0(
      ifelse(QuickFirst == 1, "Q", ""),
      ifelse(HighReview == 1, "R", ""),
      ifelse(SolutionBehavior == 1, "S", "")
    ),
    DavranisOruntusu = ifelse(DavranisOruntusu == "", "None", DavranisOruntusu),

    # 2. Ağırlıklı işlem çabası skoru
    DavranisSkoru_Agirlikli = QuickFirst * 0.3 + HighReview * 1.0 + SolutionBehavior * 1.5,

    # 3. Ortalama skor
    OrtalamaSkor = mean(DavranisSkoru_Agirlikli, na.rm = TRUE),

    # 4. PET sınıflaması (Yetkin, Tahmin, YanlışAnladi, Dikkatsiz)
    PET = case_when(
      !is.na(Correctness) & !is.na(DavranisSkoru_Agirlikli) & Correctness == 1 & DavranisSkoru_Agirlikli >= OrtalamaSkor ~ "Yetkin",
      !is.na(Correctness) & !is.na(DavranisSkoru_Agirlikli) & Correctness == 1 & DavranisSkoru_Agirlikli < OrtalamaSkor ~ "Tahmin",
      !is.na(Correctness) & !is.na(DavranisSkoru_Agirlikli) & Correctness == 0 & DavranisSkoru_Agirlikli >= OrtalamaSkor ~ "YanlisAnladi",
      !is.na(Correctness) & !is.na(DavranisSkoru_Agirlikli) & Correctness == 0 & DavranisSkoru_Agirlikli < OrtalamaSkor ~ "Dikkatsiz",
      TRUE ~ NA_character_
    ),

    # 5. Tutarsiz profil kodlama
    Tahmin = ifelse(Correctness == 1 & QuickFirst == 1 & HighReview == 0 & SolutionBehavior == 0, 1, 0),
    SansliTahmin = ifelse(Correctness == 1 & QuickFirst == 1 & (HighReview == 1 | SolutionBehavior == 1), 1, 0),
    YanlisAnlama = ifelse(Correctness == 0 & DavranisSkoru_Agirlikli >= OrtalamaSkor, 1, 0),
    CevapYok = ifelse(ResponseGiven == 0, 1, 0),

    ProfilKodu = case_when(
      CevapYok == 1 ~ 4,
      Tahmin == 1 ~ 1,
      YanlisAnlama == 1 ~ 2,
      SansliTahmin == 1 ~ 3,
      TRUE ~ 0
    ),
    ProfilEtiketi = case_when(
      ProfilKodu == 0 ~ "Tutarsiz Degil",
      ProfilKodu == 1 ~ "Tahmin",
      ProfilKodu == 2 ~ "Yanlis Anlama",
      ProfilKodu == 3 ~ "Sansli Tahmin",
      ProfilKodu == 4 ~ "Cevap Yok"
    ),

    # 6. DDI Skoru ve etiketi
    DDI = abs(Correctness - (DavranisSkoru_Agirlikli / 3)),
    DDI_Etiket = case_when(
      DDI <= 0.25 ~ "Tutarsiz Degil",
      DDI > 0.25 & DDI <= 0.60 ~ "Kismi Tutarsizlik",
      DDI > 0.60 ~ "Yuksek Tutarsizlik"
    )
  )

Frekans ve Örüntü Dağılımı

Profil etiketi

df %>%
  count(ProfilEtiketi) %>%
  arrange(desc(n))

PET (Performance/Effort Typology)

Öğrencilerin sınav performansları ile işlem çabalarını birlikte değerlendirip 4 kategoride topladım.

Yetkin: Bu gruptaki öğrenciler soruya doğru cevap vermiş ve işlem sırasında yüksek düzeyde çaba göstermiş. Bu, öğrencinin gerçekten konuyu anladığını ve stratejik bir şekilde yaklaştığını gösterir.

Tahmin: Öğrenciler doğru cevap vermiş ancak işlem çabası düşük. Bu durum, doğru cevabın şans eseri verilmiş olabileceğini ya da öğrencinin konu hakkında yüzeysel bilgiye sahip olduğunu düşündürür.

Yanlış Anlama: Bu kategoriye giren öğrenciler yanlış cevap vermiş fakat yüksek düzeyde çaba göstermiş. Bu durum, öğrencinin soruya dikkatle yaklaştığını ancak konuyu kavrayamadığını ya da yanlış anladığını gösterir.

Dikkatsiz: Öğrenciler hem yanlış cevap vermiş hem de düşük çaba göstermiştir. Bu, öğrencinin motivasyon eksikliği yaşadığı ya da dikkatsiz davrandığı anlamına gelir.

df %>%
  count(PET) %>%
  arrange(desc(n))

Davranış Örüntüsü (Q, R, S) Dağılımı

Öğrencilerin sınav sırasında sergiledikleri işlem süreci temelli davranış örüntüleri incelendi. Davranış örüntüleri; hızlı yanıt verme (Q: QuickFirst), gözden geçirme yapma (R: HighReview) ve anlamlı çözüm üretme (S: SolutionBehavior) olmak üzere üç temel bileşenin varlığına göre tanımlandı. Her öğrenci, bu davranışların kombinasyonuna göre bir örüntü etiketi aldı.

df %>%
  count(DavranisOruntusu) %>%
  arrange(desc(n))

Elde edilen frekans dağılımına göre:

. S (n = 42.012): En yaygın örüntü, yalnızca anlamlı çözüm davranışı gösteren öğrencilerdir. Bu durum, öğrencilerin önemli bir kısmının sorulara bilişsel çaba harcayarak yaklaştığını göstermektedir.

. None (n = 22.002): İkinci en yaygın örüntü, hiçbir stratejik davranış göstermeyen öğrencilerden oluşmaktadır. Bu gruptakiler ne hızlı yanıt vermiş ne gözden geçirme yapmış ne de anlamlı çözüm üretmiştir. Bu durum, düşük çaba veya motivasyon eksikliği ile ilişkili olabilir.

. Q (n = 16.579) ve R (n = 16.578): Sadece hızlı yanıt veren ya da yalnızca gözden geçirme yapan öğrenciler neredeyse eşit sayıda yer almıştır. Bu bulgu, öğrenciler arasında belirli stratejilerin tek başına kullanımının oldukça yaygın olduğunu göstermektedir.

. QR (n = 10.284): Hem hızlı yanıt verip hem de gözden geçirme yapan öğrenciler daha sınırlı sayıdadır. Bu örüntü, hızlı karar alıp sonrasında yanıtını gözden geçirme eğilimini yansıtabilir.

. NANANA (n = 1.667): Bu değer, eksik veri veya kodlama hatasından mı kaynaklandı? neden oldu anlamadım.

Grafik: Profil Etiketi Dağılımı

ggplot(df, aes(x = ProfilEtiketi)) +
  geom_bar(fill = "skyblue") +
  labs(title = "Discrepant Profil Etiketi Dağılımı", x = "Profil", y = "Frekans")

Doğruluk (Correctness) ile Ağırlıklı Skor İlişkisi

Öğrencinin doğru cevap verip vermemesi, davranış skoru ile ilişkili mi? (He & von Davier (2016), Goldhammer & Naumann (2011)

ggplot(df, aes(x = as.factor(Correctness), y = DavranisSkoru_Agirlikli)) +
  geom_violin(trim = FALSE, fill = "lightblue") +
  stat_summary(fun = "mean", geom = "point", shape = 21, size = 3, fill = "red") +
  labs(x = "Doğruluk (0 = Yanlış, 1 = Doğru)", y = "Ağırlıklı Davranış Skoru",
       title = "Correctness'e Göre Davranış Skoru Dağılımı (Violin Plot)")

## Warning: Removed 1667 rows containing non-finite outside the scale range
## (`stat_ydensity()`).

## Warning: Removed 1667 rows containing non-finite outside the scale range
## (`stat_summary()`).

df %>%
  group_by(Correctness) %>%
  summarise(Ortalama_Skor = mean(DavranisSkoru_Agirlikli, na.rm = TRUE)) %>%
  ggplot(aes(x = as.factor(Correctness), y = Ortalama_Skor, fill = as.factor(Correctness))) +
  geom_bar(stat = "identity") +
  labs(x = "Doğruluk", y = "Ortalama Davranış Skoru",
       title = "Doğru ve Yanlış Yanıtlarda Ortalama Davranış Skoru") +
  theme_minimal()

t.test(DavranisSkoru_Agirlikli ~ Correctness, data = df)

## 
##  Welch Two Sample t-test
## 
## data:  DavranisSkoru_Agirlikli by Correctness
## t = -10.889, df = 88854, p-value < 2.2e-16
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
##  -0.05084307 -0.03533138
## sample estimates:
## mean in group 0 mean in group 1 
##       0.9052720       0.9483592

PET ve Profil Etiketinin Uyum Analizi

PET sınıflaması ile davranış temelli profiller örtüşüyor mu? (Shin et al. (2022), Kroehne & Goldhammer (2018)

# Çapraz Tablo
table(df$PET, df$ProfilEtiketi)

##               
##                Cevap Yok Sansli Tahmin Tahmin Tutarsiz Degil Yanlis Anlama
##   Dikkatsiz            0             0      0          21557             0
##   Tahmin               0             0   5858           7110             0
##   YanlisAnladi         0             0      0              0         37244
##   Yetkin               0          4060      0          22923             0

# Mozaik Grafik
ggplot(df, aes(x = PET, fill = ProfilEtiketi)) +
  geom_bar(position = "fill") +
  labs(y = "Oran", title = "PET vs. Profil Etiketi") +
  theme_minimal()

DDI Tutarsızlık Seviyesi Dağılımı

DDI değerlerine göre öğrenci dağılımı ve yayılımı (He et al. (2014); Naumann (2019)

df %>%
  filter(!is.na(DDI)) %>%
  ggplot(aes(x = as.factor(Correctness), y = DDI)) +
  geom_boxplot() +
  labs(x = "Doğruluk (0=Yanlış, 1=Doğru)", y = "DDI", title = "Doğruluk Bazında DDI Dağılımı")

df %>%
  filter(!is.na(DDI)) %>%
  ggplot(aes(x = DDI)) +
  geom_histogram(bins = 30, fill = "gray") +
  labs(title = "DDI (Tutarsızlık Endeksi) Dağılımı", x = "DDI Skoru", y = "Frekans")

# DDI Etiket frekansı
df %>%
  count(DDI_Etiket)

PET Gruplarında Davranış Skoru Karşılaştırması

PET grupları süreç skorunda farklılık gösteriyor mu?

# Boxplot: PET'e göre Davranış Skoru
# Eksik değerleri filtreleyerek boxplot çiz
df %>%
  filter(!is.na(DavranisSkoru_Agirlikli), !is.na(PET)) %>%
  ggplot(aes(x = PET, y = DavranisSkoru_Agirlikli)) +
  geom_boxplot(fill = "lightblue") +
  labs(title = "PET Gruplarına Göre İşlem Skoru", x = "PET Grubu", y = "Ağırlıklı Skor")

# ANOVA testi
anova_model <- aov(DavranisSkoru_Agirlikli ~ PET, data = df)
summary(anova_model)

##                Df Sum Sq Mean Sq F value Pr(>F)    
## PET             3  34096   11365  318725 <2e-16 ***
## Residuals   98748   3521       0                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 10370 observations deleted due to missingness

Dagilim Tablolari

library(dplyr)
library(knitr)
library(kableExtra)

df %>%
  filter(!is.na(DDI_Etiket)) %>%
  count(DDI_Etiket) %>%
  mutate(
    Yuzde = round(100 * n / sum(n), 1),
    DDI_Etiket = factor(DDI_Etiket, levels = c("Tutarsiz Degil", "Kismi Tutarsizlik", "Yuksek Tutarsizlik"))
  ) %>%
  arrange(DDI_Etiket) %>%
  kable(
    caption = "Tablo 1. Dual Discrepancy Index (DDI) Etiket Dagilimi",
    col.names = c("DDI Seviyesi", "Frekans", "Yuzde (%)"),
    format = "html"
  ) %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tablo 1. Dual Discrepancy Index (DDI) Etiket Dagilimi
DDI Seviyesi	Frekans	Yuzde (%)
Tutarsiz Degil	21557	21.8
Kismi Tutarsizlik	57163	57.9
Yuksek Tutarsizlik	20032	20.3

Profil Dagilimi

df %>%
  filter(!is.na(ProfilEtiketi)) %>%
  count(ProfilEtiketi) %>%
  mutate(
    Yuzde = round(100 * n / sum(n), 1),
    ProfilEtiketi = factor(ProfilEtiketi,
                           levels = c("Tutarsiz Degil", "Tahmin", "Yanlis Anlama", "Sansli Tahmin", "Cevap Yok"))
  ) %>%
  arrange(ProfilEtiketi) %>%
  kable(
    caption = "Tablo 2. Davranissal Profil Etiketlerinin Dagilimi",
    col.names = c("Profil", "Frekans", "Yuzde (%)"),
    format = "html"
  ) %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tablo 2. Davranissal Profil Etiketlerinin Dagilimi
Profil	Frekans	Yuzde (%)
Tutarsiz Degil	51590	47.3
Tahmin	5858	5.4
Yanlis Anlama	37244	34.1
Sansli Tahmin	4060	3.7
Cevap Yok	10370	9.5

Geçiş ve Cinsiyet Analizleri

PET × Profil

df %>%
  filter(!is.na(PET), !is.na(ProfilEtiketi)) %>%
  count(PET, ProfilEtiketi) %>%
  pivot_wider(names_from = ProfilEtiketi, values_from = n, values_fill = 0) %>%
  kable(
    caption = "Tablo 3. PET × Profil Etiketleri Geçiş Tablosu",
    format = "html"
  ) %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tablo 3. PET × Profil Etiketleri Geçiş Tablosu
PET	Tutarsiz Degil	Tahmin	Yanlis Anlama	Sansli Tahmin
Dikkatsiz	21557	0	0	0
Tahmin	7110	5858	0	0
YanlisAnladi	0	0	37244	0
Yetkin	22923	0	0	4060

DDI x Cinsiyet

library(dplyr)
library(tidyr)
library(knitr)
library(kableExtra)

df %>%
  filter(!is.na(DDI_Etiket), !is.na(ITSEX), ITSEX %in% c(1, 2)) %>%
  mutate(
    DDI_Etiket = factor(DDI_Etiket, levels = c("Tutarsiz Degil", "Kismi Tutarsizlik", "Yuksek Tutarsizlik"))
  ) %>%
  count(ITSEX, DDI_Etiket) %>%
  group_by(ITSEX) %>%
  mutate(Yuzde = round(100 * n / sum(n), 1)) %>%
  ungroup() %>%
  pivot_wider(names_from = DDI_Etiket, values_from = Yuzde, values_fill = 0) %>%
  mutate(Cinsiyet = recode(ITSEX, `1` = "Erkek", `2` = "Kadin")) %>%
  select(Cinsiyet, `Tutarsiz Degil`, `Kismi Tutarsizlik`, `Yuksek Tutarsizlik`) %>%
  kable(
    caption = "Tablo 4. Cinsiyete Göre DDI Dagilimi (Yüzde)",
    col.names = c("Cinsiyet", "Tutarsiz Degil (%)", "Kismi Tutarsizlik (%)", "Yuksek Tutarsizlik (%)"),
    format = "html"
  ) %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tablo 4. Cinsiyete Göre DDI Dagilimi (Yüzde)
Cinsiyet	Tutarsiz Degil (%)	Kismi Tutarsizlik (%)	Yuksek Tutarsizlik (%)
Erkek	22.3	0.0	0.0
Erkek	0.0	58.4	0.0
Erkek	0.0	0.0	19.4
Kadin	21.4	0.0	0.0
Kadin	0.0	57.4	0.0
Kadin	0.0	0.0	21.2

Alluvial / Sankey Grafikleri

PET → Profil

library(ggalluvial)
library(ggplot2)

df %>%
  filter(!is.na(PET), !is.na(ProfilEtiketi)) %>%
  count(PET, ProfilEtiketi) %>%
  ggplot(aes(axis1 = PET, axis2 = ProfilEtiketi, y = n)) +
  geom_alluvium(aes(fill = PET), width = 1/12) +
  geom_stratum(width = 1/12, fill = "gray90", color = "black") +
  geom_text(stat = "stratum", aes(label = after_stat(stratum)), size = 3) +
  scale_x_discrete(limits = c("PET", "Profil"), expand = c(.1, .1)) +
  labs(title = "Sekil 1. PET → Profil Etiketleri Sankey Grafigi",
       x = NULL, y = "Frekans") +
  theme_minimal()

## Warning in to_lodes_form(data = data, axes = axis_ind, discern =
## params$discern): Some strata appear at multiple axes.
## Warning in to_lodes_form(data = data, axes = axis_ind, discern =
## params$discern): Some strata appear at multiple axes.
## Warning in to_lodes_form(data = data, axes = axis_ind, discern =
## params$discern): Some strata appear at multiple axes.

Tutarsız profil

Samet EKER

28 June 2025