Derste işlediğimiz konuları interaktif bir şekilde tekrar ettim.Öncelikle IMS Tutorials - 03 Model kaynağı üzerinde çalışmalar yaparak modülün ilk 8 bölümünü tamamladım. Daha sonra kendi ders sayfamızdaki (Hafta 5: Regresyon Modelleri) tekrar ettim ve her ikisinde de not alarak karşılaştırmalar yaptım.
İlk olarak IMS Tutorials - 03 Model kaynağından; İki değişken arasındaki ilişkiyi incelemeyi(Scatterplot (serpilme diyagramı) oluşturma,Bivariate (iki değişkenli) ilişkileri görsel olarak yorumlama,verideki uç değerleri (outlier) tespit etmeyi tekrar ederek pekiştirdim.
Daha sonra Pearson korelasyon katsayısını hesaplamayı ve “Nedensellik ≠ İlişki” yorumunu ve Basit doğrusal regresyon modelini kurma ve açıklamayı aynı zamanda model katsayılarını yorumlamayı tekrar ettim.
Sonraki bölümde Regresyon modelini yorumlamayı,katsayıların anlamını, ölçek ve birimlerin etkisini, R’da lm() çıktıları ile çalışmayı ve modelle tahmin yaparak regresyon doğrusunu grafik üzerinde göstermeyi çalıştım.
Model uyumunu değerlendirme ve modelin veriye ne kadar uyduğunu değerlendirme, R² değerinin yorumlanması, aynı zamanda etki gücü yüksek noktaların (leverage) saptanması ve aykırı değerlerin etkisini inceledim.
Paralel eğimler modelini ve aynı zamanda modeli matematiksel, grafiksel ve R koduyla ifade etmeyi tekrarladım.Simpson paradoksunu tanıma ve model karşılaştırma yaptım.
Son olarak Çoklu regresyon, birden fazla sayısal açıklayıcı ile model kurma, hem sayısal hem kategorik değişkenlerin birlikte kullanıldığı modeller ve çok boyutlu regresyonu görselleştirmeyi pekiştirerek öğrendim.
Kendi ders sayfamızdaki notları da tekrar ettim, kodları mümkün oldukça yardım almadan yazmaya çalıştım. Kendi ders sayfamızdan regresyon kullanım alanlarını hatırlayarak, basit doğrusal regresyonu tekrarladım. En Küçük Kareler Yöntemi (OLS), Kestirimin Standart Hatası, bağımsız değişkenler arasındaki ilişki, gerçek veri üzerinde regresyon modeli kurma, yorumlama ve tahmin yapmaya çalıştım. Daha sonra Çoklu Korelasyon Katsayısı (R), Belirlilik Katsayısı (R²), Kestirimin Standart Hatası (SE) ve model veri uyumunu tekrarladım. Standart Puanlar ile Regresyon, yordanan ve artık değerleri çalıştım. Model grafikleri,Regresyon doğrusu, Artık (residual) grafikleri, QQ plot, etki grafikleri ve Çoklu Regresyon ile Yol Şeması (Path Diagram)nı tekrar ettim.
Devamında, etkili gözlemlerin belirlenmesi(Cook’s Distance, Leverage vb. ölçütler) ile çoklu regresyonda iki yönlü etkileşim etkisini çalıştım.Son olarak Causal Quartet (Aynı özet istatistiklere sahip 4 veri setinin grafiklerde farklı göründüğünü gösteren örnek) tekrar ederek çalışmamı bitirdim.
Tutorial geniş, modern ve uygulamalı olarak öğretiyor.Regresyonu hikâye ve grafik ile açıklıyor, bu benim hoşuma gitti. Aslında daha çok “Model nasıl yorumlanır?” sorusuna odaklı olduğunu düşünüyorum.
Ders notlarımızda daha teknik ve analitik bir anlatım var.Birebir istatistiksel kavramların ayrıntılı işlenmesi eksiklerimi keşfetmeme çok yardımcı oldu.Örneğin “Regresyon katsayısı nasıl hesaplanır? Standart hata nedir?” soruları çok yerinde sorulardı ve cevapları her analizde karşımıza çıkacak türden içeriklere sahip. Ayrıca Stepwise regresyon, sabit tutma, causal quartet gibi daha ileri konular ile ilerlelemek çok hoşuma gidiyor.
IMS Tutorial ve hocamızın ders notları arasındaki farkları çoklu regresyon üzerinden daha ayrıntılı incelediğimde iki kaynağın birbirini güçlü biçimde tamamladığını gördüm.
Kavramsal Yaklaşım Tutorial çoklu regresyonu 3 boyutlu düzlemlerle görselleştirerek sezgisel anlamamı sağladı. Hocamın notları ise aynı modeli matematiksel formüllerle ele alarak kavramın teknik altyapısını anlamamı tam olarak sağladı.
Partial Effects’in Öğretiliş Biçimleri Tutorial: “Bir değişkenin etkisini anlamak için diğerini sabit tut.” Ders notları: “Bu, partial regression ve partial correlation kavramlarına dayanır.” Bu iki yaklaşımın birleşmesi, çoklu regresyonda “kontrol etmek” kavramını çok net anlamama yardımcı oldu.
Bu karşılaştırmalar sonucunda, çoklu regresyonun yalnızca bir grafik veya yalnızca bir formül olmadığı, aslında her ikisinin bütünleşmesiyle daha derin anlaşılabileceği fikri bende oldukça güçlendi.
Liu, Y., & Wang, J. (2022). The mediating–moderating model of inquiry-based learning and science self-efficacy: evidence from PISA 2015. International Journal of Science Education, 44(7), 1096–1119. https://doi.org/10.1080/09500693.2022.2067364 makalesini metodolojik bir gözle okudum.
Bu makalede sorgulama temelli öğrenme ile fen öz yeterliliği arasındaki ilişki,2015 Uluslararası Öğrenci Değerlendirme Programı’na (PISA) katılan 57 ülke ve ekonomiden elde edilen veriler kullanılarak analiz edilmiştir.
Bu analiz, fen ilgisinin aracılık rolü ve öğretmen desteğinin moderasyon rolünü içeren bir aracılık-moderasyon modeli aracılığı ile oluşturulmuştur.
Makale, PISA 2015 öğrenci veri setindeki hazır oluşturulmuş (scaled index) değişkenleri kullanmıştır.Makalede kullanılan tüm ölçekler OECD’nin hazır oluşturduğu PISA endeksleridir.
IBTEACH-Öğretmenin sorgulamaya dayalı etkinlikleri ne kadar yaptığı,
INTBRSCI-Bilim konularına genel ilgi,
SCIEEFF-Öğrencinin bilimle ilgili yeterlik algısı,
TEACHSUP-Öğretmenden algılanan destek,
DISCLIMA-Sınıftaki disiplin iklimi
Analizde mediation ve moderation modeli kurulmuştur.
Modelin temel sorusu: Inquiry-based learning → Self-efficacy ilişkisi
bu ilişkide bilime ilgi aracılık ediyor mu?
Öğretmen desteği bu ilişkileri düzenliyor mu?
Modeldeki Rol Dağılımı
Bağımsız Değişken : • IBTEACH (Sorgulamaya dayalı öğrenme uygulamaları)
Aracı Değişken (Mediator): • INTBRSCI (Bilime ilgi)
Bağımlı Değişken : • SCIEEFF (Bilim öz-yeterliği)
Düzenleyici (Moderator): • TEACHSUP (Öğretmen desteği)
Makale Bandura’nın Sosyal Bilişsel Kuramını referans alıyor.
Self-efficacy dört kaynağa dayanıyor:
• Başarı deneyimi
• Dolaylı deneyim (vicarious)
• Sözel ikna
• Duygusal durum
Sorgulamaya dayalı öğrenme, öğrencinin başarı deneyimlerini artırarak öz-yeterliği geliştirebilir.
İlgi (interest), öğrenme performansıyla öz-yeterlik arasındaki ilişkide sıkça aracı değişken olarak modellenir.
Makale bu çerçeveye dayanarak şu hipotezleri kuruyor:
H1: IBL → Self-efficacy (Doğrudan etki) Sorgulama temelli öğrenme öz-yeterliği artırır.
H2: IBL → Interest → Self-efficacy (Aracılık) Sorgulama temelli öğrenme bilime ilgiyi artırır → ilgi öz-yeterliği artırır.
H3: Teacher Support moderatördür.
Öğretmen desteği arttıkça: • IBL’ın ilgi üzerindeki etkisi güçlenir • İlginin öz-yeterlik üzerindeki etkisi güçlenir
Dolayısıyla: • Hem doğrudan etkiyi • Hem de dolaylı etkiyi (mediated), düzenler (moderate eder).
• Mplus yazılımı kullanılmış.
• Bootstrapping yöntemiyle dolaylı etkilerin güven aralıkları hesaplanmış.
• Çok düzeyli (multilevel) modelleme kullanılmış:Seviye 1: Öğrenciler, Seviye 2: Ülkeler
• Model, eş zamanlı moderasyon + medyasyon içeriyor.
Bu analiz ile fen ilgisinin aracılık rolü ve öğretmen desteğinin moderasyon rolünü içeren bir aracılık-moderasyon modeli oluşturuldu.
Makaleye göre sonuçlar şunu gösterdi:
Sorgulama temelli öğrenmenin bilimsel öz yeterlilikle önemli ölçüde pozitif bir korelasyonu vardır.
Bilim ilgisi, sorgulama temelli öğrenme ile bilimsel öz yeterlilik arasındaki ilişkiye kısmen aracılık etti ve dolaylı etkisi toplam etkinin %20,1’ini oluşturdu.
Öğretmen desteği, dolaylı etkiyi negatif olarak moderasyon ederken, doğrudan etkiyi pozitif olarak moderasyon etti.
Sorgulama temelli öğrenme ile bilim öz yeterliliği arasındaki bu bağlantının ayrıntıları, bilim eğitiminde sorgulama temelli öğrenmenin uygulanmasını iyileştirmek için teorik rehberlik ve pratik destek sağlamıştır.
Makalede araştırmanın zayıf kısımları:
• PISA verisi kesitseldir → nedensellik zayıf
• Öğrencilerin öğretim algısı öznel olabilir.
• Kültürel farklar modele etki eder, şeklinde belirtilmiştir.
Bir sonraki haftaya hazırlanırken benzer makaleler buldum..Onları da okumaya başladım.
The effect of inquiry-based practices on scientific literacy: the mediating role of science attitudes (Ma, Yue, 2023)
Moderating effects of teacher feedback on the associations among inquiry‑based science practices and students’ science‑related attitudes and beliefs (Chi, Wang, Liu, 2021)
Yüksek lisans tezim için öneri hazırlarken ilk olarak aşağıda yazdığım gibi bir konu belirlemiştim. Ama ilerleyen aşamalarda Pisa 2022 deki kayıp veriler çalışmamı başka yöne doğru ilerletti ve bu araştırma konusundan vazgeçerek başka bir konu çalıştım. Şimdi bu dersimin ödevi için aynı konuyu Pisa 2015 verileri ile yapmayı düşünüyorum.
Türkiye ve Finlandiya’da sorgulamaya dayalı matematik öğretimi öğrencilerin matematik öz-yeterlikleri ve matematik başarısı arasındaki ilişkiyi nasıl açıklamaktadır? Bu ilişkide matematik öz-yeterliği aracı, sosyoekonomik düzey (ESCS) düzenleyici midir?
PISA 2015 Y (Bağımlı) PV1MATH Matematik başarı puanı (ilk plausible value)
X (Bağımsız) IBTEACH Sorgulamaya dayalı öğretim (matematik/fen ortak kullanılan genel indeks)
M (Aracı) MATHSCL Matematik öz-yeterliği / matematik özgüven indeksi
W (Düzenleyici) ESCS Sosyoekonomik düzey
Kontrol (İsteğe bağlı) ST004D01T Cinsiyet
Sorgulamaya dayalı öğretim → Matematik öz-yeterlik Öğrenci problem çözme, keşif ve düşünme süreçlerini aktif yaşadığında matematiği yapabileceğine dair inancı artar.
Matematik öz-yeterlik → Matematik başarısı Bandura’nın öz-yeterlik kuramına göre öz-yeterlik başarıyı en güçlü yordayan psikolojik değişkenlerden biridir.
ESCS (SES) düzenleyicidir. Yüksek SES’li öğrenciler öğretim yöntemlerinden daha fazla faydalanabilmekte; etkileşim katsayısı genellikle anlamlı çıkmaktadır.
H1: Sorgulamaya dayalı matematik öğretimi (IBTEACH) matematik öz-yeterliğini (SCMAT) pozitif yordar.
H2: Matematik öz-yeterliği matematik başarısını (PV1MATH) pozitif yordar.
H3: Matematik öz-yeterliği IBTEACH → PV1MATH ilişkisinde aracı rol oynar.
H4: ESCS, IBTEACH → PV1MATH ilişkisinde düzenleyicidir.
H5: Bu ilişkilerin büyüklükleri Finlandiya ve Türkiye’de farklıdır.