Openintro kapsamında bizlerden ilk 8 bölümü ele almamız istenmiştir.
Birinci bölüm kapsamında ilk olarak iki değişken arasındaki ilişkinin
görselleştirilmesi temellendirilmiştir. Bu kapsamda öncelikle x
değişkeninin bağımsız (sürekli yapı), y değişkenin ise bağımlı (sürekli
yapı) yapıda olduğunu ifade edebiliriz. Bu tarz iki değişken arasındaki
ilişkiyi gözlemlemek için ise grafik gösterimlerinin önemli olduğu ifade
edilmiştir.Bu kapsamda ise x değişkeni yatay, y değişkeni dikey eksene
aktarılmaktadır.Bunu en temelde görebilmek için ise
ggplot(data=,aes(x=,y=)+geom_point()+labs(x=,y=,title=)
yapısının kullanılması önerilmiştir. Bunun yanı sıra, azı verilerimizde
sürekli değişkenin yani x’in sınıflandırılması önem arz etmektedir.
Bunun için ise
mutate(yeni_değişken=cut(değişken adı, breaks=kaça bölüneceği)
fonksiyonunun kullanılması gerekmektedir. Ardından bu oluşturulan yeni
değişken x yerine kullanılabilir. Ayrıca oluşturduğumuz bu yapıda daha
detaylı ilişki görünümü için
geom_boxplot(outlier.alpha=0)+geom_jitter(size=,alpha=)
yapısı tercih edilebilir. İlişkiler oluşturma yanı sıra, değerlendirmesi
açısından form (lineer vb.), yön (pozitif,negatif), güç(yoğunluk vb.),
uç değerlere bakılması gerektiğini anladım. Bu doğrultuda doğrusal
olmayan, fan şekli gibi dağılımlar mevcuttur. Dönüşümsel açıdan ise
yüksek ya da hesaplanması zor verilerde log(değişken adı) ile logaritmik
dönüşüm yapılarak işlemlere devam edilebilir. Ancak yorum normale
uyarlanamaz. Bu kısımda coord_trans(x=“log10”,y=“log10”) ile grafiğin
koordinatlarını logaritmik düzenleyebiliriz. Ayrıca logaritmik çeviride
Asıl çeviride dikkat edilecek nokta scale_x/y_log10() ile çeviridir.
Burada 10 luk tabanda değişimler yapılır. Son olarak ise bu bölümde,
alpha= ve
filter(aralık I aralık) %>% select() yapısıyla birlikte
değişkenlerin detaylı ayrımını yapabileceğimizi anladım.
İkinci bölüm kapsamında ise, korelasyon temelli bir yapı
bulunmaktadır. Bu kapsamda korelasyonun +1 ve -1 arasında değer aldığına
değinilmiştir. Bu kapsamda ise güçlü korelasyon, mükemmel korelasyon,
orta düze, zayıf korelasyon ve negatif korelasyon yapılarına örnek
verilmiştir. Bunun yanı sıra ilişkilere değiniliştir.Doğrusal olmayan
ilişkiler kapsamında x ve y arasındaki ilişkisinin doğrusal şekilde
yansıttığı yapıdır. Bunun yanı sıra, korelasyon hesaplaması kapsamında
Pearson momentler çarpımına değinilmiştir. Bu kapsamda R’da hesaplama
yapmak için cor(x,y) yapısının kullanılması gerektiğine ve
bu değerler içinde NA değerlerin olmaması gerektiğinden
bahsedilmiştir. Eğer NA değer bulunuyorsa da
use="pairwise.complete.obs" yapısının cor()
fonksiyonu içerisine eklenmesi gerektiğine değinilmiştir. Bunun yanı
sıra, Anscombe Dörtlüsü’ne değinilmiştir. Ancombe dörtlüsü kapsamında
aslında korelasyonel ilişkiler yansıtılırken her bir ilişkinin güçlüğü,
yönü gibi yapılara bağlı olarak dağılımların farklı şekilde yansıdığı
ifade edilebilir.Özellikle süreçte aykırı değerlere de dikkat
edilmelidir. Verilen örnek olaylarla birlikte korelasyon konusunu daha
iyi anladığımı düşünüyorum.Son olarak, korelasyonun nedensellik anlamına
gelmediğini göz önünde bulundurarak değişkenler arasındaki ilişkide
sahte değerler de olabilir. Her ne kadar mantıklı gözükse de sonuçta
birbiriyle alakasız yapılar korelasyon ilişkisi gösterebilir.
Üçüncü bölüm kapsamında ise basit lineer regresyonun görselleştirmesi
temel alınmıştır.Bu kapsamda öncelikle
ggplot(data=,aes(x=,y=)+geom_point()) yapısının
oluşturulması gerektiğinden bahsedilmektedir.Ancak bunun sadece yeterli
olmadığından x ve y’nin sıfıra eşit olduğu noktadan en uygun çizginin
çizilmesi gerektiği ele alınmıştır. Bu kapsamda da
geom_smooth(method="lm",se=FALSE) yapsının kullanılmasının
gerekliliğinden bahsedilmiştir. Bu kapsamda bir regresyon eğrisi grafiğe
eklenmekle birlikte çizgiye yakınlık açısından da dağılımı net bir
şekilde yorumlayabiliriz.Ayrıca add_line(my_slope = 1) ile
de orta nokta saptanabilmektedir.
Yukarıdakiler yanı sıra üçüncü bölüm kapsamında doğrusal model
hakkınd bilgiler verilmiştir. Doğrusal model, response variable(y)
yapısını intercept ve slope açısından tanımlamaya yaramaktadır
(intercept+slope*exlanatory+noise) yapısı
kullanılmaktadır.Bunun yanı sıra, regresyon modeline baktığımızda isse
B0(r*sd_y/sd_x) ve B1(ort_y-b0*ort_x)
yapılarına değinilmiştir. Burada B0 intercept (kesişim) yapısını, b1 ise
slope(eğim) yapısını temsil etmektedir. Buna ek olarak hata değeri de
bulunmaktadır. Ayrıca, fitted values(tahmin edilen değerler) yapsına
dayalı şekilde hata değerinin kaldırılmasına, y^ yapısıyla
tahmini ortalamanın sunulduğu temsil edilmektedir
(y=B0+B1^X). Artıklar ise
gözlenen değer-tahmin edilen değer yapısnı yansıtmaktadır.
Bunun yanı sıra, regresyon çizgisinin temel özelliklerine bakıldığında
artıkların toplamı her zaman 0, aritmetik ortalama noktası ise xort,
yort olarak regresyon doğrusunun üzerindedir. Son olarak ise en küçük
kareler yöntemi kapsamında kareli alınmış artıkların toplamını en aza
indiren çizginin bulunmasının amaçlandığını ve burada büyük hataların
daha kötü bir yapıyı temsil ettiğine değinilmiştir.
Dördüncü bölüm kapsamında ise regresyon modellerinin oluşturulmasına
değinilmiştir. Bu kapsamda lm(y~x,data=) yapısıyla birlikte
denklemin oluşturulduğundan bahsedilmiştir. Sonucunda elde edilen
interceptle kesişim, x değişkeni adıyla da eğimin ifadesi sağlanmakladır
(denklemi ise; intercept+x değeri.değişken). Burada elde edilen yapıda
intercept x değişkeninden yola çıkarak 0’daki y yordamasını sunmaktadır.
X değeri ise bir birimlik artışı temsil etmektedir. Bu oluşturduğumuz
yapının denklem olup olmadığını kontrol etmek için ise
class() değişkenini kullanabiliriz. Bunun yanı sıra,
oluşturduğumuz denkleme yönelik olarak coef(denklem adı)
ile regresyon denkleminden slope ve intercept değerlerini,
summary(denklemadı) ile artıklar, medyan, intercept, slope,
r kare gibi değerleri, fitted.values(denklem adı) ile
yordanan değerleri, residuals(denklemadı) ile artıkları,
broom paketindeki augment() ile de .fitted,
.hat, .cooksd gibi değerleri elde edebiliriz. Özellikle .hat, .cooksd
ile leverage ve etkili değerleri görebiliriz. Son olarak da,
predict(setadı, newdata= yeniset adı) ile de fitted values
temelli şekilde yeni set tahmini oluşturabiliriz. Bu yapları
görselleştirmede ise
geom_abline(data=,aes(intercept=,slope=) yapısından
faydanalabiliriz.
Beşinci bölüm kapsamında ise model fit indeksleri ele alınmıştır. Bu
kapsamda ilk olarak SSE yapısına değinilmekle birlikte bu yapıda
artıkların karesinin 0 olduğuna değinilmiştir ve gerekli hesaplamanın
yapılması için
summarize(SSE = sum(.resid^2), SSE_also = (n() - 1) * var(.resid))
yapsının kullanılması gerektiğine değinilmiştir. Tabii ki bu yapının
saptanması için öncesinde augment() fonksiyonun
kullanılması gerekmektedir. Bunun yanı sıra, RMSE değerinin
ise artıkların standart sapması olduğuna değinilmiştir. Bu süreçte
`summary() fonksiyonuyla temelini oluşturabileceğimizi
söyleyebilriim. Bu kapsamda
sqrt(sum(residuals(denklemadı)^2) / df.residual(denklem adı))
yapısıyla elde edilebilmektedir. Bunun yanı sıra bazı modellerde de boş
modellerin kurulması gerektiğinden bahsedilmiştir. Bu kapsamda ise SSE
leri saptamak için
augment(set adı) |>summarize(SST = sum(.resid^2))
yapısının kullanılabileceğine değinilmiştir. Açıklama yüzdesi olarak ise
R^2 değerini summary() fonksiyonuyla elde edebileceğimizden
bahsedilmiştir.
Ayrıcasummarize(var_y = var(wgt),var_e = .resid) |> mutate(R_squared = 1-var_e/var_y)
yapısıyla R^2 değerini elde edebileceğimizi öğrendim. Ayrıca özel
olarak, kaldıraç ve etkili değer hesaplamasına da değinilmiştir. Bu
kapsamda,
augment() %>% slice_max(order_by= .hat/.cooksd, n=
yapısıyla birlikte bu değerlerin en yüksek olanlarını
gözlemleyebileceğimiz ele alınmıştır.
Altıncı bölüm kapsamında is paralel slopes konusu ele alınmıştır.
Anladığım kadarıyla birden çok değişkenin paralel olarak ele alınıp aynı
etkide gözükmesidir.Burada yani x olarak ikinci değişkeninde eklenmesi
olarak ifade edilebilir diye düşünüyorum.Görsel olarak görmek için
grafik adı + geom_line(data = augment(mod),aes(y=.fitted,color=factor(ayrım
yaptıracak değişken)`)) yapısı kullanılmaktadır. (Genel olarak 6 yı
çevirmekte zorlandım)
Yedinci bölüm kapsamında ise model uyumu, artıklar ve tahmin temelli
bir yapı ele alınmıştır. Bu kapsamda artıklar y değişkeninin gerçek
değeri ile modeldeki verdiği tahmin arasındaki farkla ortaya
konmaktadır. Model uyumu kapsamında Belirleme Katsayısı (R2) olarak
ifade edilmiştir. Temel formulü, 1-(SSE/SST) yapısıyla elde
edilmektedir. Önerilenini ele almak için ise (n-1)/(n-p-1)
yapısıyla çarpımı gerekmektedir. Tahminler yapısı için ise
predict(değişken adı, new=data) yapısı kullanılmaktadır. Bu
bölümde : ile bağlama gibi yapıları anlamadım.
Sekizinci bölüm kapsamında ise çoklu regresyona değinilmiştir. Bu
kapsamda çoklu yapılarda
data_grid(değişken adı=seq_range(değişkenadı, by=1)
yapısının her değişken için oluşturulması gerektiğini anladım. Ardından
yeni tahminsel ya da augment temelli yapıda newdata=
sekmesiyle analizlerin yapılabileceğini anladım. Ayrıca görselleştirmede
geom_tile(data = , aes(fill = .fitted, alpha = 0.5))
yapısıyla birlikte de tahmin temelli yapıların oluşturulduğunu
söyleyebilirim. Bunun yanı sıra, yan olarak çizgi eklenmesinin ise
geom_hline(yintercept = sayı değer, color = "") yapısıyla
oluşturulduğunu öğrendim. Üç boyutlu grafik için
iseplot_ly(data=,z=~,x=~,y=~,opacity=) %>%add_markes(color=~), grafik adı %>%add_surface(x=~x,y=~y,z=~z = planesayısı,showscale=FALSE)
yapısı kullanılabilmektedir.
Ders kaynağımız kapsamında ise; 18.11.2025’te işlediğimiz ders süreci
kapsamındaki öğrenmelerim aşağıdaki gibidir: Gerçekleştirdiğimiz ders
kapsamında öncelikle bir regresyon inceleme sürecinde
geom_smooth(method="lm",se=FALSE) temelli bir incelemenin
gerçekleştirilmesinin önemli olduğunu öğrendim. Bunun yanı sıra tabi ki,
denklemin oluşturulmasının da ardından summary() fonksiyonu
ile özet değerlere bakılması gerektiğini tekrardan anladım. Bunun yanı
sıra, en küçük kareler yöntemini ele almış bulunmaktayız.
Bu yöntemde a ve b’nin uygun belirlenmesiyle birlikte doğrudaki
değişkenliğin minimum düzey olması gerektiğini anladım. Yani doğru
etrafındaki sapmadaki değişimin minimum düzeyde olması gerekmektedir. Bu
kapsamda byx temelli analiz yapılmalıdır. Buna yönelik ise
n<-length(değişken)
byx= (n*sum(değişken1*değişken2)-sum(değişken1)*sum(değişken2))/(n*sum(değişken1)^2)-sum(değişken1)^2)
işleminin yapılması gerektiğini anladım. Ayrıca Regresyon doğrusunun
eğimi, değişkenlerin standart sapmalarının oranlarıyla bunlar arasındaki
korelasyonun çarpımına eşittir.Bu kapsamda
(sd(değişken2)/sd(değişken1))*cor(değişken1,2) yapısıyla
hesaplama yapılır ve bir önceki formülle aynı değer elde edilir.
Ardındanayx hesaplaması için
(sum(değişken2)-byx*sum(değişken1))/veri sayısı) işlemi
yapılmalıymış.Bunun yanı sıra, regresyonda Y değişkenini gözlenen ile
regresyon değeri arasındaki farkın minimum düzeyde olması
beklenmektedir.Bunu saptamak için kestirimin standart hatası
incelenmesidir. Bu yönelik yapı ise
res <- setadı$residuals
sqrt(sum((res - mean(res)) ^ 2 / (length(res)-2)))
yapısıyla hesaplanabilmektedir. Bu kapsamda en çok ilgimi çeken yapı ise
glance(setadı) fonksiyonu oldu. Bununla birlikte
rsquare,adj.r.square,
sigma,p değeri gibi apılar doğrudan elde
edilebilmektedir. Buna benzer olarak ise tidy(setadı)
yapısıyla birlikte intercept, x değişkeni yapısının
estimate,st.hata,p değeri
değerleri saptanabilmektedir (Tidyde öncesinde ele alınacak tüm değişken
arasındacor.test(~değişken1+değişen2, data=setadı) analizi
yapılacak diye düşündüm.).
Yukarıda belirtilen yapılar yanı sıra ceter paribus
yapısında ise birden fazla değişkenle yapılan regresyonda etkilerin ayrı
ayrı hesaplanması ele alınmaktadır.Bunun yanı sıra en çok hayranlık
duyduğum yapı ise
scatterplot3d(setadı[,], pch= sayı,color="",angle=, box = T/F, type="h"
yapısıyla birlikte üç boyutlu grafikler oluşturulması oldu. Ayrıca
rglwidget() ile de oluşturulan üç boyutlu yapı üzerinde
oynandığını öğrendim.Bu yapılar yanı sıra, çoklu regresyonu ele almak
için ise yine klasik lm yapısı ele alınmakla birlikte x ekseninde iki
farklı değişkenin + ile birbirine bağlandığını anladım.
Burada elde edilen değerlerde mantıksız sonuç elde edilirse de
model_s$.resid %>% scores(type = "z") ile z puanı
temelli inceleme yapılabileceğini öğrendim. Ayrıca bu yapılarda hem r
square glance(setadı),[,1] hem adj r square
glance(setadı),[,2] hem de sigma (st.hata)
glance(setadı),[,3] değerlerine dikkat edilmeliymiş. Model
veri uyumu için ise glance(setadı),[,4:6] yapısı
kullanılmalıdır. Burada p değeri 0.05 ten düşük çıakrsa H0 hipotezi
reddedilir.
Bunlar yanı sıra, bir değişkeni sabit tutmak istedimizde ise
`lm(y~x1, data=)$residuals
lm(y~x2,data=)$residuals yapısının kurulacağını ve ardından
bu ikisi ne olarak atanıp $coefficients hesaplaması
yapılmalıymış. Regresyon sabiti belirlemek için ise
model$coefficients[2]*mean(performans$Motivasyon)-model$coefficients[3]*mean(performans$Kaygi)
tarzı bir yapı kurulabilrmiş. Ayrıca standart puanlar ile regresyon
hesaplması yapmamız gerektiğinde ise QuantPsyc paketindeki
lm.beta(setadı) yapısıyal birlikte regresyon analizi
gerçekleştirilebilirmiş. Artık değerlerin standart puanlarına yönelik
hesaplama ise elde edilen değerler scores(type="z") ile
çevrildikten sonra avPlots(setadı) yapısıyla birlikte
grafikleştirilebilirmiş. Bu yapının elde edilen sonuçları anlamlandırmak
açısından önemli olduğunu düşündüm. Ayrıca residuals/fitted, normal qq,
scale-location, residuals/levels yapısına yönelik ise
autoplot(setadı) yapısıyla birlikte ele alabilirmişiz.
Son olarak ise, yol analizi ele almış bulunmaktayız. Bu kısım en çok
ilgimi çekenlerden biris olmakla birlikte bu yapının
lavaanPlot(model = fit1, coefs = TRUE, stand = TRUE, sig = 0.05)
ile oluşturulabileceğini öğrendim. Ayrıca
plot(değişken adı) ile de grafik desteklenebilir.
Ders kaynağımız kapsamında ise; 25.11.2025’te işlediğimiz ders süreci kapsamındaki öğrenmelerim aşağıdaki gibidir:
Bir regresyon denklemi oluştururken birden çok değişken olduğu
duurmlarda en uygun eşitliği ublmak için stepwise(aşamalı) yöntem en
uygun yapıymış. Bu kapsamda her bağımsız değişkenin etkisi ayrı ayrı
incelenmekle birlikte bağımlı değişkenle en yüksek korelasyona sahip
olanın basit regresyon modelinde tercih edilmesi gerekmektedir.Ayrıca,
çokludan kalan hata varyansının anlamlı kısmı ise kısmi korelasyon
katsayılarıyla incelenmektedir.Ardından iki bağımsız değişken yapısı
tekrardan kullanılır ve modele katkı ele alınır. Bunun için ise örneğin
lm(y ~x1, data=), glance(denklem) yapısı ilk kurulur.
Ardından lm(y ~x1+x2, data=), glance(denklem) yapısı
kurulur. Bunun sonucunda R^2 değişime bakılır (R^2 artışı önemli).
Burada artış değeri olursa anovadan da anlamlı değere bakılır. Değeirn p
< 0.05 altında olması beklenir. Bunun ardından,
tidy(anova(tümdenklem,teklidenklem) yapısı
oluşturulmalıdır. Yani anlamlı etki için yapılmalıdır.(Eklenecek her
değişkenle bu yapı yapılabilir.) (Artıkların azalması da
önemlidir.).
Etkili gözlemler ise veri setinden çok farklı bir yapısı bulunmakla
birlikte kendini belli etmektedir.Regresyon denklemini
etkileyebilmektedir. Grafik çizdiğimizde net bir şekilde görebilmekle
birlikte, augment() fonksiyonuyla birlikte de
saptayabiliriz. Ancak görsel açıdan bakıldığında bizler için önemlidir
(Bazıları birden çok yöne çekebilir.). Etkili gözlemlerin bir şekilde
saptanması gerektir. Bunun için ise Cook's sd ile hesaplama
yapılabilir ve bu yapı bağımlı değişkenlerdeki potansiyel uç değerli
saptamaktadır(artık temllidir.). Temelinde artık herhangi bir nokta ve
regresyon eğrisi arasındaki dikey uzaklık incelemesi
bulunmaktadır(rastgele hata temsili olabilir.). Bunu ele almak için ise
olsrr paketindeki
ols_plot_cooksd_bar(modeladı) yapısıyla elde edebiliriz. Bu
yapıda 4/N yapısını ele alarak yani Threshold temelli şekilde kırmızı
olacak şekilde etkili değerleri bizlere sunmaktadır. Bunun yanı sıra,
Cook’s sd’nin genel ölçümü olan DFBETA ile de incelenmesi
gerekmektedir. Bunu da hesaplamak için
ols_plot_dfbetas(modeladı) yapısı
kullanılmaktadır(Leverage’a karşılık gelir). Yine her bir yapı içinde
Thereshold belirlemekle birlikte katsayı etkieleyen değerleri
sunmaktadır. Bunun görsel versiyonu yerine sayısal için ise
influence.measures(model, infl=influence(model)) yapısıda
kullanılabilir. Son olarakta, leverage/kaldıraç değerini
temsil eden hii değerine de bakılabilir. Bunu ise
ols_plot_resid_lev(modeladı) yapısıyla birlikte
saptayabileceğimizi söyleyebiliriz. Ayrıca
ols_plot_dffits(modeladı)yapısıyla da hem uzaklık hem de
leverage açısından yüksek değerler bizlere gösterilmektedir.
(Leverage=.hat,Etkili =.cooksd).
Kategorik düzeyli regresyon temelli analizlerde bulunabilmektedir.
Burada kategorik veriyle yordama işlemi yaparken burada her kategorinin
ayrı değişken olarak yansıtılması gerekmektedir. Burada alt gruplara
yönelik gruplamaya dummy değişken deniliyor.Mesela birinci değişkene
ilişkin katsayı, diğer bütün değişkenlerin kontrol altında tutulduğunda
kategorik değişkenin birinci düzeyi ve kategorik değişkenin son düzeyi
arasındaki bağımlı değişkenin yordanan düzeyi arası farkı vermektedir.
İkinci değişkende de benzer mantık vardır. Buna yönelik analiz sürecinde
ise kategorik düzey temelli yapı için öncelikle summary()
ile kategorik değişkendeki yapıyı incelemememiz gerekmektedir. Ardından
fastDummies() paketinin kurulması gerekmektedir.
dummy_cols(setadı, select_col= "Dummyapılacakdeğişken")
yapısıyla temeli oluşturulur. Bu yapıyla kodlama yapmaktadır! Bunun
oluşturulmasının ardından ise
lm(y ~ x1+x2(bunlar dummydeki 1-2 olacak)) modeli
oluşturulmalıdır.Denklemin sonucunda ise tidy() ile model
incelenmelidir. Buradaki interceptte intercept 3. değişkeni vermektedir.
Diğer sütunlarda ise farkı vermektedir (interceptten + - yaparakta puan
hesaplaması yapabiliriz.)
Yukarıdakiler yanı sıra, birden çok değişken arası etkileşim ele
alınabilmektedir. Burada çapraz etkide, Y, X1, X2(kategorili)
yapılmaktadır. Burada farklı kategoriler arası etkiye moderasyon etkisi
denmektedir. Bunda ise b3 regresyon denklemine eklenir ve (değişken
1xdeğişken2 yapısı oluşmaktadır.)(çapraz etkileşimin farklı düzeyleri
olarak düşünülebilir.). Etkileşim etkisiyle yorumda önemlidir. Buradaki
b1 katsayısı (x1 in etkisi) X2 sıfır olduğunda X1’deki bir birimlik
artışın y’de yarattığı etkiyi sunmaktadır(sadece derse ilgisi 0 olanda
mesela bu olur). B2 ise x1 sıfır olduğunda x2 deki bir birimlik artışın
y’deki etkisini sunmaktadır(örn. kitabı açmayan çocuk). Bunun yanı sıra,
a katsayısı hem x1 hem x2 sıfır olduğunda y nin alacağı değeri temsil
etmektedir. b3 ise etkileşimli yapıdır. Bu yapıyı tam olarak anlamadım
ancak ggparis[,-1] yapısıyla birlikte korelasyonel ilişkiye
bakmak önemlidir. Bu süreçte çarpım etkisi eklemekte önemlidir. Bunun
için
veriseti$cross <- veriseti$değişken1 * verseti$değişken2işlemi
ve ardından tekrardan ggpair yapılır. Burada çoklu bağlanıt problemi
olabilir bu da korelasyonun cross’ta 0.80 üstü çıkmasıdır. Bu durumu
engellemek için
mutate(cdeğişken = değişken1-mean(değişken1)) %>% muate(cdeğişken2= değişken2-mean(değişken2)) %>% mutate(ccross= cdeğişken1 *cdeğişken2)
işlemi yapılır(Bu işlem merkezlemedir.). Bu tarz işlemlerin ardından c
temelli model kurulabilir
lm(y ~ cdeğişken1+cdeğişken2, data=)(bu normaldir),(crossluda yapılmalı)lm(y
~ cdeğişken1+cdeğişken2+ccross, data=) şeklinde devam edilir. Ardında da
modeller tidyve glance ile
incelenmelidir(ccross’un p valuesuyla anlamlılık önemlidir.).
Yukarıda yaptığımız bu işlemi görsel açıdan da kontrol etmek
önemlidir. Bunun için interactions paketi önemlidir. Burada
ilk olarak model lm(y ~ cdeğişken1*cdeğişken2) yapılır.
Ardından
interact_plot(modeladı, "cdeğişken1",modx="cdeğişken2"
yapısı kurulur. Elde edilen grafiktede çizgilerden yola çıkarak 1SD
fazla, az ve ortalama değerlerle ilgili grafi verir.
Oluşturduğumuz crossmodellere yönelik ise stargazer
paketindeki
stargazer(n_model,cross_model,type="text", title="")
yapısıyla ilişkiyi görebiliriz. Burada (2) li kısım etkileşim
temellidir. Etkileşim büyüklüğünün etkisini ele almak için ise
effectsize paketindeki
cohens_f_squared(crossmodel) ile yapıyı oluşturabiliriz.
Etkileşim modeli için yine plotSlopes() ile de görsel
inceleme yapabiliriz. Ayrıca avPlots ile de olabilir.
Son olarak bölüm kapsamında Causal Quartet kısmına
değinilmiştir. Değişkenler arası nedensel ilişkileri sunmaktadır. 4
modeli vardır. Birincisi Collider modelidir. Bu kapsamda bağımsız
değişken bağımlı değişkeni etkiliyor ve ayrıca hem bağımlı hem bağımsız
değişken z değişkenini etkiliyor(Örneklemi yanlış seçmekle ilgili
denilebilir.). İkincisi Confounder modelidir. Bunda ise bağımsız
bağımlıyı etkiliyor ve z değişkeni her iki değişkeni de etkiliyor.
Mediator değişkende ise x z’yi etkiliyor, z de y’yi. Aracı değişkendir
gibi görebilri. Z x’in etkisi arttırmaktadır. M-bias ise çok değişken
olduğunda ilişkilerin karışması durumudur. Ölçülemeyen değişkenlerden
etkilenebilir.
Araştırmayı incelediğimde öncelikle kavramsal anlamayı güçlendiren
sorgulama becerilerinin arttıran ve üst bilişsel becerilerin gelişimini
destekleyen Sorgulama Temelli Öğrenmenin, geçmiş performans
başarıları, dolaylı deneyimler ve fizyolojik/duygusal durumlarla ortaya
çıkan ayrıca makalede belirtildiği üzere sorgulamaya dayalı öğrenme
ortamında ortaya çıkan Fen Öz Yeterliliğinin, öz
yeterliliği destekleyen ve fen alanına olan merakı destekleyen
Fen İlgisi ve son olarakta nitelikli sorgulamayı, olumlu
sınıf iklimini, bireysel yeterliliği destekleyen, öğrencilerin güvende
ve istekli hissetmesini sağlayan bu doğrultuda da fen ilgisini
geliştiren Öğretmen Desteği değişkenlerinin ele alındığını
gözlemlemiş bulunmaktayım. Bu değişkenlerden öğretmen desteği yapılan
araştırmalarda düzenleyici (moderator) rolde görülmüştür. Ayrıca bu
değişkenler dahilinde öğretmen desteğinin öğrencilerin sorgulama temelli
öğrenmelerini ve fen ilgilerini düzenlemesi de beklenmektedir. Son
olarak ise fen ilgisinin sorgulamaya dayalı öğrenme ile fen öz-yeterliği
arasındaki ilişkide aracı (mediatör) bir rol oynadığı ifade edilmiştir
(İlişkisel olarak Sorgulamaya Dayalı Öğrenme -> Fen Öz Yeterliliği,
Kişisel Faktörler ve Sosyal çevre -> Fen Öz Yeterliliği yapılarından
bahsedilebilir.).
Emin olmamakla birlikte ek olarak değişken olarak kadın ve erkek sınıflamasından bahsedilebilir.
Araştırma kapsamında genel olarak bakıldığında bu değişkenlerden yola çıkarak sorgulamaya dayalı öğrenmenin fen öz-yeterliği üzerindeki etkisi üzerinden yürütülmüştür. Özetle model mediating-moderating şeklinde oluşturulmuştur.
Sonuç olarak; Sorgulama Temelli Öğrenme -> Bağımsız Değişken, Fen İlgisi -> Aracı (Mediator), Öğretmen Desteği -> Aracı / Düzenleyici (Mediator / Moderator), Fen Öz yeterliliği -> Bağımlı Değişken şeklinde ilişkilendirilebilir.
Makalenin Instruments kısmında bahsettiği üzere fen öz
yeterliliği SCIEEFF kapsamında (8 madde, 4 kod),
sorgulamaya dayalı öğrenim IBTEACH (8 madde, 4 kod), fen
ilgisi değişkeni INTBRSCI (5 madde,4 kod) ve son olarak
öğretmen desteği ise TEACHSUP (5 madde, 4 kod) olarak ele
alınmıştır.
Makale kapsamında önerilen modelde, sorgulama temelli öğrenmenin fen öz yeterliği üzerindeki etkileşimi fen ilgisi ve öğretmen desteği değişkenleriyle ilişkilendirilmiştir. Bu modelde öz yeterlilik yapısının geçmiş performans, dolaylı deneyimler gibi yapılardan etkilendiğinden de bahsedilmiştir. Bunun yanı sıra, sorgulama dayalı temelli öğrenmede fen ilgisinin tetiklenerek arttığı, bununla ilişkili olarakta öz yeterliliğin desteklendiği ifade edilmiştir. Bu doğrultuda ise fen ilgisinin aracı bir rolü olduğu ifade edilmiştir. Ayrıca, bu aracılık durumu çevresel faktör olarak kabul edilen öğretmen desteği ile ilişkilendirilmiştir. Öz-Belirleme Teorisi çerçevesinde, yeterli öğretmen desteği ve rehberliği, öğrencilerin güvenli hissetme ve ilişki kurma ihtiyaçlarını karşılar, bu da sorgulama temelli öğrenmenin öğrencilerin fen ilgisini tetiklemedeki etkinliğini artırır.Bu kapsamda ise öğretmen desteği zinciri düzenleyerek modere etme durumdadır.
Bu yapılar yanı sıra, sorgulama temelli öğrenme, üstbilişsel becerilerin gelişimini destekler ifadesinin de aslında fen öz yeterliliğiyle ilişkilendirildiğini düşündüm. Ayrıca, fen öz yeterliliğinin yukarıda bahsedilen yapıyla ilişkisel dayanağına bakıldığında sorgulama temelli öğrenmedeki bilim yapma girişimlerinin güçlendirilmesi, akran sorgulaması gibi becerilerin ortaya çıkmasıyla da fen öz yeterliliği de ilişkilendirilmiştir. Bunun yanı sıra da, sorgulama temelli öğrenmenin fen ilgisi üzerindeki ilgisinin dört aşamadan da oluştuğuna değinilmiştir (uzun olmaması için detaylı yazmadım.). Son olarak gerçekleştirilen araştırmalarda, “Sorgulama temelli öğrenme ile fen öz yeterliği arasındaki ilişkide olası bir düzenleyici (moderator) rolü olduğunu göstermektedir; çünkü bir moderatör, bağımsız ve bağımlı değişken arasındaki ilişkinin gücünü veya yönünü farklı düzeylerde değiştiren bir unsurdur (Hayes, 2017).” ifadesi de kurulan ilişkiyi yansıtmaktadır.
Gerçekleştirilen korelasyon analizlerin sonucunda literatürde olduğu gibi sorgulamaya dayalı öğrenme, fen öz yeterliği arasında pozitif yönlü ilişki gözlemlenmitşir. Ayrıca aracılık değişkeni olan fen ilgisi ise hem sorgulama temelli öğrenme hem de fen öz yeterliği ile pozitif ilişkili bulunmuştur. Bu üç değişkene yönelik kurulan modelde ise fen ilgisinin aracılığıyla sorgulama temelli öğrenmenin fen öz-yeterliği üzerindeki toplam etkisi istatistiksel olarak anlamlıdır. Bunun yanı sıra, doğrudan etki de anlamlı bulunmuştur.
Göreli etki bazında ise kısmi aracılık saptanmıştır. Bu doğrultuda etki yapılarına bakıldığında doğrudan etki yapısı %79.9, dolaylı etki yapısı ise %20.1 olarak saptanmıştır.
Düzenleyici yapı olan yani öğretmen desteğinin yapısına bakıldığında ise (sorgulama temelli öğrenme x öğretmen desteği) hem fen özyeterliği hem de fen ilgili ile anlamlı korelasyonel ilişkide bulunmuştur. Bu durum hem ilgi hem de öz yeterlilik bazında sorgulama temelli öğrenmenin etkisine de işaret etmektedir. Bunun yanı sıra, fen ilgisi x öğretmen desteği yapısı ise öğretmen desteğinin ilgi ve öz yeterlilikteki ilişkiyi düzenlediği saptamıştır.
Saptanan bu değerler ise literatürle desteklendiğinde fen ilgisinin aracılık rolü makalede bahsedilen Cohen(1988)’in fen ilgisinin sorgulama temelli öğrenme-fen öz yeterliği arasındaki ilişkide aracılık yaptığı bulgusuyla ve Gibson & Chase (2002)’nin bulgularıyla eşleşmiştir. Bunun yanı sıra, öğretme desteğinde ise sonuçlar, öğretmen desteğinin sadece sorgulamaya dayalı öğrenmenin fen öz-yeterliği üzerindeki doğrudan etkisini değil, fen ilgisi üzerinden oluşan dolaylı etkiyi de düzenlediği saptanmıştır. Bu ad kısmen Dormann vd. (2013)’ün bulgularıyla eşlenmiştir.
Genel model kapsamında ise aracılık düzenleyicilik temelinde sorgulamaya dayalı öğretmenin etkisinin Jerrim vd. (2019) bulgularıyla eşleşmediği söylenebilir. Son olarak, öğretmen desteği, sorgulamaya dayalı öğrenmenin fen öz-yeterliği üzerindeki doğrudan etkisini artırmış, ancak fen ilgisi üzerinden oluşan dolaylı etkisini zayıflatmıştır. Buna rağmen, öğretmen desteği yüksek olan öğrencilerde genel ilişkinin daha güçlü olduğu söylenebilir.
Bu makale nicel araştırma temelli bir şekilde gerçekleştirilmiş olmakla birlikte veri kaynağı olarak PISA2015 verileri tercih edilmiş olmakla birlikte çok düzeyli modelleme temelli bir yapı oluşturulmuştur. Makale kapsamında bağımsız, aracı, düzenleyici ve kontrol değişkenlerinin tamamında PISA’nın örneklem yapısına dikkat edilmiş olmakla birlikte regresyon temelli modellemeler gerçekleştirilmiştir. Bu kapsamda yukarıda belirtilen değişkenelere yönelik aracılık düzenleyicilik temelli model kurulmuş ve test edilmiştir.
Yukarıdaki makale yanı sıra,
He, W. ve Shi, D. (2025). Influence of perceived parental views of failure on academic resilience among middle school students: A moderated mediation model. Frontiers in Psychology, 16, Makale 1532332. https://doi.org/10.3389/fpsyg.2025.1532332
kaynakçalı makaleyi de kısaca incelemiş bulunmaktayım.
Bu araştırma kapsamında Akademik Dayanıklılık/Eseneklik
bağımlı değişken, Ebeveyn Başarısızlık Görüşü bağımsız
değişken, Gelişim Düşüncesi aracı değişken ve
Eğitime Ebeveyn Katılımı ise düzenleyici değişken olarak
ele alınmıştır.
Belirtilen bu değişkenler kapsamında algılanan ebeveyn başarısızlık görüşlerinin gelişim zihniyeti aracılığıyla akademik dayanıklılığı/esnekliği etkilediği ve ebeveynin eğitime katılımınınbu aracılık yolundaki ilk ilişkiyi veya doğrudan etkiyi ele aldığından bahsedilmiştir.
Bu temel değişkenler yanı sıra, cinsiyet, sınıf düzeyi, sosyoekonomik düzey gibi yapılarda sürece kontrol değişkeni olarak eklenmiştir.
Bu çalışmanın teorik temelleri, akademik zorluklarla karşılaşan öğrencilerin akademik esnekliği destekleyen durumlar üzerinden kurulmuştur. Bu kapsamda ebeveynin başarısızlığa yönelik görüşleri olumlu yapıda olduğunda akademik esnekliğin artacağı ifade edilmiştir (ebeveyn görüşü -> esneklik). Bununla birlikte başarısızlığın öğrenme fırsatı olduğunun görülmesi, öğrencinin geliştirilebilir görüşe sahip olmasının ise gelişim düşüncesini pozitif yönde etkilediği ifade edilmiştir (ebeveyn görüşü -> gelişim düşüncesi). Gelişim düşüncesinin güçlenmesiyle de öğrencilerin zorluklar karşısında daha dayanıklı olduğu bunun ise de akademik esnekliği destekeleyeceğine yönelik görüşlerle süreç desteklenmiştir. Düzenleyici kapsamında ise ebeveynin eğitime katılımı sürecinde başarı/başarıszlık mesajlarının öğrenciyi daha dengeli ve etkili bir yapıya dönüştürdüğüne yönelik görüşlerle süreç desteklenmiştir.
Aracılık mekanizması açısından inceleme gerçekleştirildiğinde ebeveynin başarısızlık görüşleri esneklik üzerinde olumlu etki göstermektedir (gelişim düşüncesiyle ilişkili). Ayrıca ebeveynin başarısızlığı gelişim fırsatı olarak görmesi ve öğrencilerin gelişimine inanılmasının da esnkeliği arttrdığı ifade edilebilir.
Düzenleyici açısından ise ebeveyn katılımının yüksek olduğu durumlarda, ebeveynin olumlu başarısızlık mesajları çocuğa daha etkili bir şekilde iletilmekte ve esnekliği artırıcı etkisinin güçlendiği gözlenmiştir.Genel olarak inceleme gerçekleştirildiğinde ise akademik esnekliği desteklemek için müdahaleler, sadece öğrencilerin zihniyetine odaklanmamalı, aynı zamanda ebeveynlere olumlu başarısızlık görüşlerini çocuklarına yüksek katılım düzeyleriyle nasıl aktaracakları konusunda eğitim verilmesi gerektiği söylenebilir.
Araştırma verisi, Çin’de öğrenim görmekte 2.546 ortaokul öğrencisinden toplanmakla birlikte Algılanan ebeveyn başarısızlık görüşleri, gelişim düşüncesi, ebeveyn katılımı ve akademik dayanıklılık/esneklik gibi psikolojik yapılar, standart psikometrik ölçeklerle ölçülmüştür. Bunun yanı sıra, Buna karşın, verilerin tek bir zamandaki kesitsel ölçümlerden elde edilmiş olması, değişkenler arasındaki nedensel ilişkiyi kesin olarak kanıtlama açısından bir sınırlılık olarak ifade edilebilir.
Kendi modelimi oluşturma sürecinde öncelikle değişken seçimi sürecimi gerçekleştirmiş bulunmaktayım. Bu kapsamda ilk olarak bizlere önerilen PISA ve TIMMS veri setlerini incelemiş bulunmaktayım. Bu kapsamda TIMSS veri setlerinin 4 ve 8. sınıf öğrencilerine yönelik matematik, fen alanına dayalı şekilde oluşturulduğunu, müfredat temelli bir yapısı olduğunu gözlemledim. Buna karşın, PISA’nın ise gerçek yaşamla ilişkili yapılara daha çok önem verdiğini, katılımcı yaş grubunun 15 ve çevresinde oluştuğunu gözlemledim. Ayrıca, PISA sınavında matematik okuryazarlığı, fen okuryazarlığı ve okuma okuryazarlığı alanında yapıların ele alındığını gözlemlemiş bulunmaktayım. Bu doğrultuda 21. yüzyıl becerilerine daha yakın olduğunu düşündüğümden dolayı PISA veri setleriyle devam etmeye karar verdim.
PISA veri setlerini inceleme sürecimde 2015,2018 ve 2022 yıllarına ait verilerin literatürde daha yaygın olduğunu gözlemlemekle birlikte değişkenleri tek tek incelemiş bulunmaktayım. Bizlere verilen makale inceleme ödevinden de etkilenerek PISA 2015 veri seti üzerinde devam etmeye karar vermiş bulunmaktayım.
PISA2015 veri setini incelediğimde cinsiyet, anne-baba eğitim durumu, evde bulunan kitap sayısı, matematik-fen-okuma okuryazarlığı puanları, öğretmen desteği, ülke, test anksiyetesi, öğretmen geri bildirimi, fende öz yeterlilik, araçsal motivasyon, dersten zevk alma, disiplin, okula aidiyet, okul kaynakları gibi çeşitli değişkenler olduğunu gözlemlemiş bulunmaktayım.
Bu ödevde, Türkiye ve Finlandiya’dan PISA2015’e katılan öğrencilerin matematik başarısını etkileyen öğretmenlerin pedagojik ve bilişsel uygulamaları (IBTEACH) incelemeyi amaçladım. Bağımlı değişken olarak öğrencilerin matematik puanları (PV1MATH) belirledim, bağımsız değişken olarak öğretmenlerin pedagojik ve bilişsel uygulamaları (IBTEACH) ele aldım. Ödevde öğretmen desteği değişkenini (TEACHSUP) aracılık değişkeni olarak ele alarak ise öğretmen uygulamalarının matematik başarısı üzerindeki etkisinin, öğretmen desteği aracılığıyla dolaylı olarak gerçekleşip gerçekleşmediğini ele almayı hedefledim. Ayrıca, öğrencilerin cinsiyeti (ST004D01T) düzenleyici değişken olarak modele dahil ederekte öğretmen desteğinin matematik başarısı üzerindeki etkisinin cinsiyete göre farklılaşıp farklılaşmadığı ele almayı düşündüm. Belirttiğim bu değişenkenler ve bu değişkenler arasındaki ilişki doğrultusunda öğretmen uygulamaları ile katılımcı öğrencilerin matematik başarısı arasındaki ilişkide hem aracılık hem de düzenleme mekanizmalarını değerlendirmeyi amaçladım.
Bu kapsamda teorik alt yapım aşağıdaki gibidir:
Sorgulamaya dayalı öğrenme, öğrencilerin ele alınan bir konu üzerinde çeşitli sorular sorarak, konu hakkında merak ettiklerini araştırarak ve süreçte elde ettikleri bilgileri sorgulayarak öğrenme gerçekleştirdikleri sürecin adıdır (Perry vd.,2001). Özellikle fen bilimleri alanında tercih edilen bu yapı eğitimin genel sürecine de entegre edilebilir bir yapıdadır ve bu entegrasyon kapsamında ise yaşam boyunca kullanabilecekleri bir sorun çözme becerisinin temelinide oluşturmaktadır (Branch ve Solowan,2003).
Sorgulamaya dayalı öğrenme becerilerin kazanılmasıyla süreçte öğrenciler gerçekleştirdikleri bir aktivitede merak ettikleri yapıya yönelik tatmin edici kanıtlar bulabilmektedir. Bu doğrultuda ise sorgulamaya dayalı öğrenme aracılığıyla öğrencilerin sorgulama, araştırma gibi süreç becerilerinin gelişiminin desteklendiği ifade edilebilir (Yaşar ve Duban, 2009). Ayrıca, sorgulamaya dayalı öğrenme ile ele alınan bir konu kapsamında temel gerekçelerin, kuramların anlaşılmasının, bilgi kazanımının, bilime karşı olumlu tutum oluşmasının da desteklendiği ifade edilebilir (Chiapetta ve Adams, 2004, Constantinou vd.,2018).
Sorgulamaya dayalı öğrenme kapsamında literatür incelemesi gerçekleştirildiğinde pekçok değişkenle ilişkisinin kurulduğu gözlemlenmiştir. Bu kapsamda bakıldığında, sorgulamaya dayalı öğrenmenin sağlandığı sınıflarda öğrenci başarısı üzerinde pozitif yönlü bir etki oluştuğu (Schroeder vd., 2007), öğrencilerin üstbilişsel becerilerinin gelişiminin desteklendiği (Nunaki vd., 2019), çeşitli değişkenlerle etkileşime girebileceği (Creemers, 2006) ifade edilmiştir. Bunun yanı sıra, PISA 2015 verileri kapsamında IBTEACH değişkeniyle genel olarak fen okuryazarlığı ele alınmıştır. Bu kapsamda bakıldığında Caro vd. (2016), Teig vd. (2018) fen okuryazarlığı başarısı ile sorgulamaya dayalı öğrenme arasında negatif ilişki; Jerrim vd.(2019) ve Taylor vd.(2009) ise pozitif yönlü bir ilişki bulmuştur. Literatürde fen eğitimi dışındaki ders başarısıyla ilişkiye bakıldığında ise sorgulamaya dayalı öğrenme ile ders başarısının anlamlı şekilde arttığı gözlenmektedir (Kaçar vd.,2021; Pei, 2025; Ismaniati vd. 2025). Bu doğrultuda sorgulamaya dayalı öğrenmenin bağımsız değişken olarak kabul edileceği söylenebilir.
Bunun yanı sıra,sorgulamaya dayalı öğrenmenin öğretmen desteğiyle ilişkisi literatür kapsamında incelendiğinde sorgulamaya dayalı öğremenin öğretmen rehberliğinde ya da desteğiyle gerçekleştirilmesinin önem arz ettiği saptanmıştır (Yaşar ve Duban, 2009, Sager vd., 2025). Bunun yanı sıra, sorgulamaya dayalı öğrenme sürecinde öğretmen desteğinin az olması ya da hiç olmamasına bağlı olarak ise öğrencilerin başarısının istenen düzeye ulaşamayacağı da saptanmıştır (Cui vd.,2022). Son olarak, cinsiyet değişkeniyle arasındaki ilişkiye bakıldığında ise sorgulamaya dayalı öğrenmenin uygulama süreçlerinde cinsiyete göre başarı etkisinin dersten derse farklılık gösterdiği saptanmıştır (Johnson vd., 2020, Laoli vd. 2023).
Öğretmen desteği, gerçekleştirilen bir eğitim sürecinin temel yapı taşlarından birisi olarak görülebilmekle birlikte öğrencilerin aktif öğrenmelerine (Şahin,2007), okula bağlılığın artmasına (Blum, 2005) sağlayan bir yapı olarak görülebilmektedir. Ayrıca, öğretmenin süreç içerisinde öğrenciye aktif destek sağlamasının öğrencilerin başarısını destekleyen bir yapı olduğu da ifade edilebilir. Öğrenmeye/başarıya destek açısından bakıldığında öğretmenlerin öğrenciler destek sağlaması sosyal destek faktörlerinden biri olarak algılanabilmekle birlikte öğrencinin derse yönelik ilgisini, motivasyonunu desteklemektedir(Lee vd., 1999). Öğretmen desteğinin belirtilen bu yapıları doğrultusunda sorgulamaya dayalı öğrenmenin temellerinden olan öğretmen rehberliğinin öğretmen desteği süreciyle ilişkili olduğu ifade edilebilir.
Literatürde öğretmen desteği incelendiğinde ise öğretmen desteğinin öğrenci başarısı üzerinde olumlu etkisi tartışılmaz bir yapı olarak görülebilmektedir. Öğretmen desteğinin olumlu etkisine bakıldığında öğrenci başarısını kolaylaştıran bir yapı olduğu bilinmekle birlikte öğrencilerin bilişsel, davranışsal, araçsal yönlerini desteklemektedir (Chen, 2005). Bunun yanı sıra, sorgulamaya dayalı öğrenmeyle ilişki bazında bakıldığında ise pozitif bir iklimin öğretmen desteğiyle birlikte oluşacağı buna bağlı olarakta öğrenci başarısının desteklenebileceği ifade edilebilir (Pianta, 2004, Jerrim vd., 2019). Ayrıca, sorgulama bazında bakıldığında öğrencilerin öğretmen desteğiyle birlikte kendilerini güvende hissederek daha sorgulayan ve daha katılımcı bir yapıda oldukları saptanmıştır (Saunders vd., 2015, Roorda vd.,2017).
Belirtilen literatür doğrultusunda öğretmen desteğinin IBATECH ve matematik okuryazarlığı başarısı üzerindedeki etkisi ile ilişki yapısına bağlı yapısından dolayı nihai matematik okuryazarlığı başarısı üzerindeki etkiyi sunabileceğinden dolayı öğretmen desteği aracı değişken olarak kabul edilebilir.
Öğrencilerin başarısına etkili olan faktörlerden birisi de cinsiyet olarak kabul edilebilmektedir. Tek başına etkili bir faktör olarak görülmemekle birlikte PISA2015 içerisindeki ailenin ekonomik durumu, sınıf düzeyi gibi diğer değişkenlerle ilişkili bir yapısı bulunmaktadır . Bu kapsamda bakıldığında Torrecilla Sanchez vd. (2019)’a göre cinsiyetin başarının yordayıcı yapılarından birisi olarak görülmesi gerekmektedir.
Literatürde inceleme gerçekleştirildiğinde PISA sonuçlarına bağlı olarak 15 yaşındaki kız ve erkek öğrencilerin fen okuryazarlığı düzeyindeki başarısına bakıldığında cinsiyetler arasında 7 puanlık bir fark olduğu saptanmıştır (Dolu, 2020). Bunun yanı sıra, Çelik ve Özer Özkan (2020) ile Ceyhan ve Gülleroğlu (2025) tarafından gerçekleştirilen çalışma kapsamında PISA 2015 maddelerinin yanlılık etkisi gösterdiği saptanmıştır. Ayrıca, Şehribanoğlu (2023) tarafından gerçekleştirilen araştırmada cinsiyet temelli şekilde PISA2015’in değişkenleri ele alınmış olmakla birlikte SCIEFF, BELONG gibi değişkenlerde de cinsiyetler arasından anlamlı fark olduğu saptanmıştır. Bu yapılar yanı sıra, cinsiyete dayalı şekilde performans desteğine yani öğretmen desteğine bakıldığında kızların daha çok destek alan bir yapıda olduğu da saptanmıştır (Yang ve Zheng, 2024).
Belirtilen bu doğrultular kapsamında PISA 2015 kapsamında cinsiyete dayalı şekilde öğrencilerin farklı alanlarda birbirlerinde yüksek puan alabildiği ifade edilebilir. Bu kapsamda cinsiyet yapısının düzenleyici değişken olarak kabul edileceği ifade edilebilir.
Matematik okuryazarlığı başarısı PISA kapsamında öğrencilerin gerçek dünya problemlerini tanımlayabilmesi, uygun matematiksel becerileri geliştirmesi, sonuçları yorumlayıp değerlendirmesini kapsayan bir yapıdır. Bu başarısı çeşitli değişkenlerden etkilenerek şekillenmektedir.
Literatürde bakıldığında matematik okuryazarlığı başarısı sorgulamaya dayalı öğrenme ile etkileşimli bir yapı olarak görülmektedir. Süreçte bakıldığında sorgulamaya dayalı öğrenme temelinde öğrencilerin öğretmen rehberliğiyle başarısı artmaktadır (Sager vd.,2025). Bu konuya yönelik PISA2015 kapsamında doğrudan bir araştırma gerçekleştirilmemiştir. Buna karşın, fen eğitimi bazında bakıldığında Jerrim vd. (2019) ve Taylor vd.(2009) tarafından gerçekleştirilen aratırmada sorgulamaya dayalı öğrenmenin okuryazarlık becerisi üzerinde pozitif bir etki yarattığı gözlemlenmiştir. Bunun yanı sıra, matematik başarısının arttırılmasında öğretmen desteğinin ise pozitif bir etki gösterdiği gözlenmektedir. Bununla birlikte öğretmen desteği hem sorgulamaya dayalı öğrenme hem de başarıyla ilişkili bir faktör olarak görülmekle birlikte öğretmenin desteğiyle birlikte öğrencilerin hem aktifliğini hem de akademik başarılarının artacağı ifade edilmektedir (Şahin, 2007; Lee vd., 1999; Espinoza ve Taut, 2020). Cinsiyet bazında ise Li vd. (2018) ve Else-Quest vd. (2010) tarafından gerçekleştirilen araştırmalarda ise cinsiyet temelli şekilde öğrencilerin farklı sorularda ve farklı alanlarda başarı düzeyinin değişebileceği ifade edilmiştir.
Belirtilen bu kapsamda ise matematik okuryazarlığı başarısının bağımlı değişken olacağı ifade edilebilir.
Genel inceleme sürecinin ardından veri setini haven
paketinde bulunan read_sav() fonksiyonuyla birlikte
aktarmış bulunmaktayım.
library(haven)
CY6_MS_CMB_STU_QQQ <- read_sav("CY6_MS_CMB_STU_QQQ.sav")
View(CY6_MS_CMB_STU_QQQ)Bunun ardından veri setini daha rahat edebilmem için
<- ile set2015 olarak atama yapıp setin genel yapısını
incelemiş bulunmaktayım. #load(“CY6_MS_CMB_STU_QQQ.sav”)
library(dplyr)
library(tidyverse)
set2015 <- CY6_MS_CMB_STU_QQQ
view(set2015)Yukarıda ele aldığım literatür dahilinde ise değişken seçimlerini
gerçekleştirmiş bulunmakla birlikte PV1MATH:PV10MATH
aralığındaki matematik okuryazarlığı, ESCS sosyoekonomik
düzey, ST004D01T adlı cinsiyet, PERFEED adlı
öğretmen geri bildirimi, TEACHSUP adlı öğretmen desteği,
IBTEACH adlı araştırma temelli öğrenme, CNT
adlı ülke, ANXTEST adlı test anksiyetesi değişkenlerini
select() fonksiyonuyla seçerek atamış bulunmaktayım. Bu
kapsamda birden çok bağımlı, bağımsız, aracı ve düzenleyici değişken
seçmiş bulunmaktayım. Bunun temel nedeni ise değişken tercihlerimden
yola çıkarak derste olası değişikleri minimize etme ve birden çok
fikirle süreci devam ettirme isteğimdir. Bu açıklamama istinaden, ön
araştırma sürecimi IBTEACH, PVMATH,
ST004D01T ve TEACHSUP değişkenleri üzerinde
gerçekleştirdim.
set2015_2 <-set2015 %>%
select(PV1MATH,PV2MATH,PV3MATH,PV4MATH,PV5MATH,PV6MATH,PV7MATH,PV8MATH,PV9MATH,PV10MATH,ESCS,ST004D01T,PERFEED,TEACHSUP,IBTEACH,CNT,ANXTEST)
view(set2015_2)Oluşturduğum yeni nesneyi ise glimpse() fonksiyonuyla
ele almış bulunmaktayım.
glimpse(set2015_2)## Rows: 519,334
## Columns: 17
## $ PV1MATH <dbl> 462.940, 430.100, 302.612, 336.522, 290.929, 391.785, 485.08…
## $ PV2MATH <dbl> 460.919, 465.203, 304.900, 435.054, 323.688, 376.190, 394.01…
## $ PV3MATH <dbl> 458.935, 441.773, 337.867, 394.625, 373.974, 381.694, 431.46…
## $ PV4MATH <dbl> 400.214, 396.778, 339.988, 410.594, 283.526, 342.038, 354.25…
## $ PV5MATH <dbl> 481.023, 377.132, 372.041, 391.970, 330.693, 402.526, 429.82…
## $ PV6MATH <dbl> 469.475, 432.294, 403.751, 443.546, 303.674, 307.631, 418.23…
## $ PV7MATH <dbl> 471.392, 396.441, 322.534, 373.362, 346.831, 314.856, 438.19…
## $ PV8MATH <dbl> 481.613, 384.414, 348.024, 408.199, 275.342, 362.112, 395.58…
## $ PV9MATH <dbl> 425.974, 448.118, 375.300, 406.582, 296.060, 315.924, 429.03…
## $ PV10MATH <dbl> 420.167, 431.413, 416.794, 399.288, 350.094, 360.994, 392.36…
## $ ESCS <dbl+lbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ ST004D01T <dbl+lbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
## $ PERFEED <dbl+lbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ TEACHSUP <dbl+lbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ IBTEACH <dbl+lbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ CNT <chr+lbl> "ALB", "ALB", "ALB", "ALB", "ALB", "ALB", "ALB", "ALB", …
## $ ANXTEST <dbl+lbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …Set hakkında gerekli kontrol sürecini sağlamamın ardından Türkiye ve
eğitim kalitesi yüksek ülkelerden olan Finlandiya’nın verilerine yönelik
filter() fonksiyonu ile sınırlandırma getirmiş
bulunmaktayım.
set2015_3 <- set2015_2 %>%
filter(CNT %in% c("TUR", "FIN"))Ardından veri setini view() fonksiyonu ile kontrol etmiş
bulunmaktayım.
view(set2015_3)Üzerinde çalışmayı planladığım IBTEACH,
PVMATH, ST004D01T ve TEACHSUP
değişkenlerine yönelik ayrı bir nesne oluşturmuş bulunmaktayım.
set2015_4 <- set2015_3 %>%
select(CNT,IBTEACH,PV1MATH:PV10MATH, ST004D01T,TEACHSUP)
view(set2015_4)set2015_4 veri setindeki eksiklerin incelenmesi için
colSums(is.na() fonksiyonunu kullanmış bulunmaktayım. Bu
kapsamda PVMATH, ST004D01T ve CNT
değişkenlerinde eksik veri olmadığını, IBTEACH’te 939,
TEACHSUP’ta 927 olduğunu gözlemlemiş bulunmaktayım.
Ardından boş verileri na.omit() ile silmiş bulunmaktayım
(Derste öğreneceğimiz kapsamında güncellemeleri
gerçekleştireceğim.).
set2015_5 <-na.omit(set2015_4)Ardından is.na() ile tekrardan kontrol sağlayarak boş
verilerin silindiğini kontrol etmiş bulunmaktayım.
view(set2015_5)set2015_tr <- set2015_5 %>% filter(CNT %in% "TUR")
set2015_fin <- set2015_5 %>% filter(CNT %in% "FIN")Bu tarz hipotezi oluşturmakta ilk tecrübelerimden o yüzden emin değilim.
H1 (Bağımsız değişkenin aracılık etkisi): Öğretmenlerin pedagojik ve bilişsel uygulamaları (IBTEACH), öğretmen desteği (TEACHSUP) aracılığıyla öğrencilerin matematik başarısını (PV1MATH) olumlu yönde etkilemektedir.
H2 (Aracı değişkenin etkisi): Öğretmen desteği (TEACHSUP), öğrencilerin matematik başarısı (PV1MATH) üzerinde pozitif bir etkiye sahiptir.
H3 (Düzenleyici etki – cinsiyet): Cinsiyet, öğretmen desteğinin (TEACHSUP) matematik başarısı (PV1MATH) üzerindeki etkisini anlamlı şekilde düzenlemektedir; yani öğretmen desteğinin etkisi erkek ve kız öğrenciler arasında farklılık göstermektedir.
H4 (Aracılık etkisinin cinsiyete göre farklılığı): Öğretmen desteği aracılığıyla IBTEACH’in matematik başarısına etkisi, cinsiyete göre farklılık göstermektedir; kız öğrenciler için aracılık etkisi erkek öğrencilere göre daha yüksektir.
H5 (Doğrudan etki): Öğretmenlerin pedagojik ve bilişsel uygulamaları (IBTEACH), öğretmen desteği aracılığı dışında öğrencilerin matematik başarısı üzerinde doğrudan anlamlı bir etkiye sahiptir.
Öncelikle bu hafta bizlerden doğrudan bir veri analizi istenmediğini anladığımdan dolayı kendim bir analiz denemesi gerçekleştirmek istedim. Bu analiz denemesi sürecinde Türkiye ve Finladiya’yı ayrı ayrı almak yerine tek bir veri seti olan (set2015_5) yapısından devam etmiş bulunmaktayım. Hocamızın uygun gördüğü taktirde Finlandiya ve Türkiye için olan analizleride dönüt sürecinde hemen ekleyeceğim.
Ayrıca bu analiz denemesini yaparken yapay zeka ve web kaynaklarından
araştırma yapmış bulunmaktayım. Hatalı kod yazımlarımda yapay zekadan
düzeltme almış bulunmaktayım. İlk olarak önceki gerçekleştirdiğim
analizler dışında bu analiz sürecinde tidyverse,
lavann ve semTools paketlerinden yararlanmış
bulunmaktayım. Öncelikle yine kurduğum modelden emin olmadığımı da
belirtmek isterim.
library(tidyverse)
library(lavaan)
library(semTools)İnternette bulduğum örneklerde cinsiyet yapıları genel olarak 1-0
olarak sabitlenmişti, bu nedenle ifelse fonksiyonu
kullanarak cinsiyeti 1-0 temelli bir yapıya döndürüp veri setime
cinsiyet değişkeni olarak atama yaptım.
set2015_5$cinsiyet <- ifelse(set2015_5$ST004D01T == 1, 0, 1)Derste de gördüğümüz üzere büyük veri setlerinde yüksek puanlı
yapılar olduğunda bunlara yönelik dönüşüm yapmamız istenmekteydi. Bu
kapsamda scale fonksiyonu kullanarak matematik
okuryazarlığı, IBTEACH ve TEACHSUP değişkenlerindeki değerleri z puanına
çevirmiş bulunmaktayım. Cinsiyeti ise kategorik yapı yerine numeric
olarak atamış bulunmaktayım.
set2015_5$PV1MATH_z <- scale(set2015_5$PV1MATH)
set2015_5$IBTEACH_z <- scale(set2015_5$IBTEACH)
set2015_5$TEACHSUP_z <- scale(set2015_5$TEACHSUP)
set2015_5$cinsiyet <- as.numeric(set2015_5$cinsiyet)Cinsiyet etkisini ele alabilmek amacıyla çarpım temelli işlem gerçekleştirmiş bulunmaktayım. (Yapay zeka bunu önermişti. Ben doğrudan lavaan denemesi yapıyordum.)
set2015_5$TEACHSUP_gender <- set2015_5$TEACHSUP_z* set2015_5$cinsiyetModeli oluşturmak için lavaan paketini kullanmış
bulunmaktayım. Bu kapsamda lavaan paketini araştırdığımda model
oluştururken string bir yapı kullanılması gerektiğini öğrendim. Bu
kapsamda ise tırnak işaretleri kullanarak modeli kurdum. Modeli kurarken
PV1MATH’a yönelik olanı derste işlediğimiz yapılardan yola çıkarak
oluşturdum. Buna karşın, indirect kısmını ise yapay zeka desteğiyle
düzenledim. Bu kısımda bayağı hata almış bulunmaktayım.
library(lavaan)
model <- '
TEACHSUP_z ~ a*IBTEACH_z
PV1MATH_z ~ b1*TEACHSUP_z + b2*cinsiyet + b3*TEACHSUP_gender + c_prime*IBTEACH_z
indirect_erk := a * (b1 + b3*0)
indirect_kdn := a * (b1 + b3*1)
'Son olarakta,
sem(modeladı,data=,se="bootstrap",bootstrap= değer)
yapısıyla birlikte modeli çalıştırıp, summary fonksiyonu
ile özet değeri ele almış bulunmaktayım. Bu model dahilinde IBTEACH’in
artmasıyla birlikte öğretmen desteğinin de arttığı
gözlenmektedir(0.407). Bunun yanı sıra, TEACHPSUP arttıkça ise
öğrencilerin PV1MATH değerlerinin de arttığını ifade edebilirim (0.077).
Ayrıca cinsiyet bazında bakıldığında ise cinsiyetin 0.113 değerle
PV1MATH puanları üzerinde küçük bir etkisi olduğu ifade edilebilir.
TEACHSUP ve cinsiyetin etkileşiminin PV1MATH üzerindeki etkisine
bakıldığında ise iki değişkenin etkileiminin 0.068’lik küçük bir etki
gösterdiği gözlenmiştir. Son olarak, IBTEACH’in PV1MATH üzerindeki
etkisine bakıldığında öğretmen desteği olmadan IBTEACH’in etkili
olmadığı söylenebilir (-0.270).
Aracılık etkilerine bakıldığında ise iki değerinde 0.03-0.05 aralığında olmasına bağlı olarak cinsiyetin küçük ama aracı bir etki gösterdiğini gözlemledim.
fit <- sem(model,
data = set2015_5,
se = "bootstrap",
bootstrap = 5000)
summary(fit, standardized = TRUE, fit.measures = TRUE)## lavaan 0.6-20 ended normally after 1 iteration
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 7
##
## Number of observations 10727
##
## Model Test User Model:
##
## Test statistic 6764.617
## Degrees of freedom 2
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 9401.871
## Degrees of freedom 7
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.280
## Tucker-Lewis Index (TLI) -1.519
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -29122.280
## Loglikelihood unrestricted model (H1) -25739.972
##
## Akaike (AIC) 58258.560
## Bayesian (BIC) 58309.524
## Sample-size adjusted Bayesian (SABIC) 58287.279
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.561
## 90 Percent confidence interval - lower 0.550
## 90 Percent confidence interval - upper 0.573
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.155
##
## Parameter Estimates:
##
## Standard errors Bootstrap
## Number of requested bootstrap draws 5000
## Number of successful bootstrap draws 5000
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## TEACHSUP_z ~
## IBTEACH (a) 0.407 0.010 39.634 0.000 0.407 0.407
## PV1MATH_z ~
## TEACHSU (b1) 0.077 0.015 5.210 0.000 0.077 0.077
## cinsiyt (b2) 0.113 0.019 5.925 0.000 0.113 0.056
## TEACHSU (b3) 0.068 0.020 3.473 0.001 0.068 0.049
## IBTEACH (c_pr) -0.270 0.011 -24.577 0.000 -0.270 -0.271
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP_z 0.834 0.012 69.242 0.000 0.834 0.834
## .PV1MATH_z 0.937 0.012 78.053 0.000 0.937 0.941
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirect_erk 0.031 0.006 5.114 0.000 0.031 0.031
## indirect_kdn 0.059 0.006 9.298 0.000 0.059 0.051Blum, R. (2005). School connectedness: Improving the lives of students. Johns Hopkins Bloomberg School of Public Health.
Branch, J. L., & Solowan, D. G. (2003). Inquiry-based learning: The key to student success. School Libraries in Canada, 22(4), 6–12.
Caro, D. H., Lenkeit, J., & Kyriakides, L. (2016). Teaching strategies and differential effectiveness across learning contexts: Evidence from PISA 2012. Studies in Educational Evaluation, 49, 30–41.
Ceyhan, O., & Gülleroğlu, H. D. (2025). Investigation of differential item functioning of the PISA 2015 science literacy items with the latent class approach. Kocaeli Üniversitesi Eğitim Dergisi, 8(1), 178–204. https://doi.org/10.33400/kuje.1158799
Chen, J. J. L. (2005). Relation of academic support from parents, teachers, and peers to Hong Kong adolescents’ academic achievement: The mediating role of academic engagement. Genetic, Social, and General Psychology Monographs, 131(2), 77–127. https://doi.org/10.3200/MONO.131.2.77-127
Chiappetta, E. L., & Adams, A. D. (2004). Inquiry-based instruction. The Science Teacher, 71(2), 46–50.
Constantinou, C. P., Tsivitanidou, O. E., & Rybska, E. (2018). What is inquiry-based science teaching and learning? In O. E. Tsivitanidou et al. (Eds.), Professional development for inquiry-based science teaching and learning (pp. 1–23). Springer.
Creemers, B. P. M. (2006). The importance and perspectives of international studies in educational effectiveness. Educational Research and Evaluation, 12(6), 499–511. https://doi.org/10.1080/13803610600873978
Cui, Y., Zhao, G., & Zhang, D. (2022). Improving students’ inquiry learning in web-based environments by providing structure: Does the teacher matter or platform matter? British Journal of Educational Technology, 53, 1049–1068. https://doi.org/10.1111/bjet.13184
Dolu, A. (2020). Sosyoekonomik faktörlerin eğitim performansı üzerine etkisi: PISA 2015 Türkiye örneği. Yönetim ve Ekonomi Araştırmaları Dergisi, 18(2), 41–58. https://doi.org/10.11611/yead.607838
Else-Quest, N., Hyde, J., & Linn, M. (2010). Cross-national patterns of gender differences in mathematics: a meta-analysis.. Psychological bulletin, 136 1, 103-127 . https://doi.org/10.1037/a0018053.
Espinoza, A., & Taut, S. (2020). Gender and Psychological Variables as Key Factors in Mathematics Learning: A Study of Seventh Graders in Chile. International Journal of Educational Research, 103, 101611. https://doi.org/10.1016/j.ijer.2020.101611.
Ismaniati, C., Lindra, A., & Pratama, H. (2025). Problem-based inquiry method: Improving critical thinking skills, academic outcomes, and learning motivation. Jurnal Iqra’: Kajian Ilmu Pendidikan. https://doi.org/10.25217/ji.v10i1.5718
Jerrim, J., Oliver, M., & Sims, S. (2019). The relationship between inquiry-based teaching and students’ achievement: New evidence from a longitudinal PISA study in England. Learning and Instruction, 61, 35–44.
Johnson, E., Andrews-Larson, C., Keene, K., Melhuish, K., Keller, R., & Fortune, N. (2020). Inquiry and gender inequity in the undergraduate mathematics classroom. Journal for Research in Mathematics Education, 51, 504–516. https://doi.org/10.5951/jresematheduc-2020-0043
Kaçar, T., Terzi, R., Arikan, İ., & Kırıkçı, A. (2021). The effect of inquiry-based learning on academic success: A meta-analysis study. International Journal of Education and Literacy Studies, 9, 15–23. https://doi.org/10.7575/aiac.ijels.v.9n.2p.15
Laoli, A., Waruwu, E., Ndraha, A., & Zebua, D. (2023). Gender differences in college students’ achievement in teaching English as a foreign language using inquiry-based learning. Journal of Education and e-Learning Research. https://doi.org/10.20448/jeelr.v10i4.5047
Lee, V. E., Smith, J. B., Perry, T. E., & Smylie, M. A. (1999). Social support, academic press, and student achievement: A view from the middle grades in Chicago. Improving Chicago’s Schools. Chicago Annenberg Research Project.
Li, M., Zhang, Y., Liu, H., & Hao, Y. (2018). Gender differences in mathematics achievement in Beijing: A meta‐analysis. British Journal of Educational Psychology, 88, 566–583. https://doi.org/10.1111/bjep.12203.
Nunaki, J. H., Damopolii, I., Kandowangko, N. Y., & Nusantari, E. (2019). The effectiveness of inquiry-based learning to train the students’ metacognitive skills based on gender differences. International Journal of Instruction, 12(2), 505–516. https://doi.org/10.29333/iji.2019.12232a
Pei, Z. (2025). Investigating the effectiveness of inquiry-based learning (IBL) on students’ academic achievement. Research Studies in English Language Teaching and Learning. https://doi.org/10.62583/rseltl.v3i3.89
Perry, V. R., & Richardson, C. P. (2001). The New Mexico Tech Master of Science Teaching Program: An exemplary model of inquiry-based learning. In 31st ASEE/IEEE Frontiers in Education Conference. Reno, NV.
Roorda, D., Jak, S., Zee, M., Oort, F., & Koomen, H. (2017). Affective teacher–student relationships and students’ engagement and achievement: A meta-analytic update and test of the mediating role of engagement. School Psychology Review, 46, 239–261. https://doi.org/10.17105/spr-2017-0035.v46-3
Sager, M., Pierce, K., & Murillo, J. (2025). Enhancing inquiry-based science instruction: The role of professional learning communities and instructional coaching for elementary science teachers. Journal of Education and Learning. https://doi.org/10.5539/jel.v14n5p26
Saunders-Stewart, K. S., Gyles, P. D. T., Shore, B. M., & Bracewell, R. J. (2015). Student outcomes in inquiry: Students’ perspectives. Learning Environments Research, 18(2), 289–311. https://doi.org/10.1007/s10984-015-9185-2
Şahin, İ. (2007). Predicting student satisfaction in distance education and learning environments. Turkish Online Journal of Distance Education, 8(2), 113–119.
Şehribanoğlu, S. (2023). Eğitimsel veri madenciliği ile cinsiyetler arasındaki farklılaşmanın PISA 2015 Türkiye örnekleminde incelenmesi. In Doğa Bilimleri ve Matematikte Güncel Yaklaşımlar (pp. 57–79). İzmir: Duvar Yayınları.
Taylor, J., Stuhlsatz, M., & Bybee, R. (2009). Windows into high-achieving science classrooms. In R. W. Bybee & B. McCrae (Eds.), PISA science 2006: Implications for science teachers and teaching (pp. 123–132). NSTA Press.
Teig, N., Scherer, R., & Nilsen, T. (2018). More isn’t always better: The curvilinear relationship between inquiry-based teaching and student achievement in science. Learning and Instruction, 56, 20–29.
Yang, Y., & Zheng, J. (2024). Unfolding the moderating role of gender in the relationship between teacher support and students’ well-being: Evidence from PISA 2022. Child Indicators Research. https://doi.org/10.1007/s12187-024-10172-z
Yaşar, Ş., & Duban, N. (2009). Sorgulamaya dayalı öğrenme yaklaşımına yönelik öğrenci görüşleri. İlköğretim Online, 8(2), 457–475.