Dersimiz kapsamında öncelikle rnorm(n=,mean=,sd=)
yapısıyla birlikte random veri seti oluşturmanın temellerini ele almış
bulunmaktayız. Ayrıca kod kapsamında default değerler atamanında da
bizlere avantaj sağlayabileceğini hatırlamış bulunmaktayım. Ayrıca, TAB
tuşu ile de fonksiyonların temel yapılarına daha hızlı ulaşabileceğimiz
anladım.
Bunun yanı sıra, args(fonksiyon adı) yapısı ilgimi
ayrıca çeken bir konu oldu. Özellikle bir kod yazarken argümanların ne
olacağı konusunda endişeleniyordum. Bu süreçte args()
fonksiyonuyla birlikte argümanların listesini görebilmeninin avantajlı
bir durum yarattığını düşündüm. Ayrıca is.null ile
değişkenin boş değer olup olmadığını kontrol edebildiğimizi
öğrendim.
Fonksiyon oluşturma sürecine de değinmiş bulunmaktayız. Bu kapsamda
function(argüman/olası değerler){ işlemsel yapı return()}
kapsamıyla birlikte fonksiyonu nasıl oluşturduğumuza değindik. Bu
kapsamda baktığımızda return işlemin birden çok çıktı
verebilmesi için önemli bir yapı olduğunu öğrendim (Küçük yapılarda
gerekli olmayabilir.). Ayrıca kare alma, üs alma gibi yapıların
fonksiyon yapısına değindik. Bununla birlikte fonksiyonlara default
değer atayabileceğimizi ve fonksiyondaki değişkenlerin ls()
fonksiyonu ile görülebieceğini anladım(Kendi çalışma alanı oluşur.).
Ayrıca ls() ile enviroment içeriğini doğrudan görebiliriz.
Burada elimizde fazla nesne olduğunda ve bunlardan birisini kaldırmak
istediğimizde rm("değişkenadı") fonksiyonuyla birlikte
nesne silebieceğimizi anladım. Bu konuda kendi denemelerimde zorluk
yaşıyordum ancak bu sefer anladım.
Fonksiyonlar kısmında anlamadığım bir konu ise ...
argümanının kullanılması oldu. Başka bir fonksiyonu genişletmekte
kullanıldığını öğrenmekle birlikte kullanım mantığını tam olarak
oturtamamış bulunmaktayım.
Ayrıca, getwd() ile dosya konumunu görebileceğimizi,
setwd() ile de konum değiştirebileceğimizi anladım.
Oluşturduğumuz R dosyasının kapatılması sürecinde ise
save.image() fonksiyonuyla birlikte tüm nesnelerin
kaydolması sürecine katkı sağlayacağımızı öğrendim. Yanlışıkla
kaydetmeden sürecin olumlu etkilendiğini öğrendim.
lapply() ve sapply() foknsiyonlarına da
değinmiş bulunmaktayız. Bu fonksiyonlarda yapmak istediğimiz bir işlemi
tüm satır ve sütunlara uygulamak amacıyla değişken adı, işlem yapısını
atamamız gerekiyor (Eksik veride bu tarz işlemlerde hata
alabiliyormuşuz.). Bu süreçte eksik verilerle mücadele etmek içim
na.rm=TRUE yapısını kullanabiliyormuşuz. Ele alınabilecek
işlem bazında ise psych paketinde bulunan
geometic.mean(x=) yapısıyla birlikte pozitif değerler için
geometrik hesaplama yapılabileceğini öğrendim. Ayrıca,
prod(değişkenadı) ile de bir vektördeki tüm sayıların
çarpımının, exp(sayı değeri) ile de euler sayısının
istediğimiz katını hesaplanabileceğini öğrendim.
Liste tanımlama fonksiyonuna da değinmiş bulunmaktayız. Bu kapsamda
bakıldığında
list(a= değişken nesneleri, b= set adı/değişken nesneleri, c= c(""))
benzeri bir yapıyla liste oluşturulabiliyoruz. Bu kapsamda önceki
derslerimizde işlediğimiz süreçlerle ilişkinin net kurulabileceğini
anladım. Ardından bu listeden bileşen seçmek için ise mesela a’yı seçmek
için listeadı[[1]] yapısını kullanabiliriz. Bunun yanı sıra
mesela ilk listemizden bir yapı seçmek için ise
listeadı[[1]][istenilen değişkenin numarası]kullanabiliriz.
Ardından tekrar fonksiyonlara geçtik ve fonksiyon içerisinde nesne
değeri yazdırmak için yani mesela kategorik gibi yapılarıda
cat("") ile yapabileceğimizi anladım. Bunun yanı sıra,
for yapısının ise tekrarlama süreçleri ve analiz süreçleri
açısından önem arz ettiğini fark ettim. for döngüsünün yazılması için
for(değişken adı(örn. i) in hangi değişkenlerin ele alınacağı (örn. 1:5)){cat("")}
türevinde bir yapı oluşturabiliriz. Bunun yanı sıra mesela
for döngüsü içerisinde işlemde yapabiliriz (Örn.
print(i*i)) gibi.
for temelli işlemlerde
for(i in seq_along(değişken adı)){işlem} yapısıyla birlikte
ele alacağımız yapının uzunluğuna göre işlemlerin devamlılığını
sağlayabiliriz. Ayrıca i yerine farklı adlarda koyabiliriz. İşlemlerde
küme parantezsiz yapıda yapabilirmişiz ancak küme parantezli sürece
alışmamızın önemli olduğunu anladım. Ayrıca işlemli yapı örneği
yapmıştık. Bu süreçte kat içerisine doğrudan eklemek istediklerimiz için
cat(i,"+",i,"=") gibi bir yapı yapabiliyoruz.
For döngüsünde bazen boş değişken atayıp onun içine yazdırma sürecide
yapabiliyoruz. Bunun için ilk öncleikle bunun için
y<-array() fonksiyonuyla atama yapmamız gerekiyor.
Ayrıca gözlem sayısını bilmediğimiz yapılarda for döngüsünü oluştururken
for(j in 1:nrow(değişken/setadı)) yapısını
kullanabiliriz.
Genel for döngüsü örneği:
for(i in 1:nrow(setadı)){y[i] <- setadı[j,1]*setadı[j,2]
yapısı olabilir. İkiye bölme temelli bir örnekte denemiş bulunmaktayız.
Buna örnek olarak
tekfcift <- array() for(i in seq_along(sayilar){ifelse(sayilar[i]%%2==0,"Cift","Tek")}
örneğinden bahsedilebilir.
Bu yapılar yanı sıra, for(i in seq_len(değişkenadı))
yapısıda bulunmaktadır. Bu da bir işlem sürecinde girilen değişken
değeri kadar hedef işlemi yapar. Ayrıca for içerisinde for temelli
döngülerde gerçekleştirilebiliyormuş. Bunu anlamlandırmakta zorluk
yaşadım. Buna karşın örnek olarak
for(j in seq_len(nrow(x))){for(i in seq_len(ncol(x))){print....}
mantığında hazırlanıyormuş.
Kontrol yapısı bazında ise if ve else
yapılarını ele almış bulunmaktayız. Bu kapsamda
if(koşul){koşul} yapısıyla birlikte tek bir yapının
sınanması durumlarında kullanılabieceğini söyleyebilirim. .İkinci koşul
eklemek istiyorsak ta else{koşul}, ikiden fazla koşul
olacaksa da else if {koşul} yapısının kullanılabileceğini
söyleyebilirim. Ayrıca birden çok koşulda if-if yapısıda
kullanabiliriz ancak pek fazla önerilmiyormuş. Ayrıca koşul
tanımlamasının ardından print("") ile de sonuç
yazdırabiliriz. Bununla birlikte bir if ya da else içerisine birden çok
atamada yapabiliyoruz örneğin if ile koşulu if(x==2)
denildikten sonra {a = c(1,2,3), b= "Nejat"} tarzı bir
sistematikte kurabiliyoruz.
Belirttiğim bu if temelli yapıların tamamı üzerinden bir
inceleme gerçekleştirmek istediğimizde ise
if(all(setadı yapılacak işlem=) { "",}else{} ""}yapısı
kullanarakta sonuç alabiliriz. Bunun tam tersi kısmi bir yapı ele almak
için ise if(any(setadıişlem=){""}else{""} temelli bir yapı
oluşturulabilir. Ayrıca özellik if, else if, else yapılarının birlikte
kullanıldığı yapılarda print("") fonksiyonuyla yazdırma
yapıldığı dikkatimi çekti.
Ayrıca en hoşuma giden yapılardan birisi for ve if’li döngülerin bir
arada kullanılabilmesi oldu. Bu kapsamda bakıldığı for için öncelikle
atama yapılıyormuş ve ardından for içerisinde if else ataması
gerekiyormuş. Örneğin
for(i in 1:10){if(i==2){cat("eşittir")}else{cat("değildir")}}benzeri
sistem kurabiliyoruz.
Doğrudan x vektörü atamak için ise (x<-c(sayilar))
yapısıyla birlikte yapılabilir. Bunun yanı sıra, bir koşul içerisinde
birden çok koşul eklemesi de yapılabilir. Mesela
ifelse(koşul, "",ifelse(koşul,"","")) yapısı kurulabilir.
Bunu önceden de kullandığımız ve önceki notlarımda detaylı bulunduğu
için burada ek olarak detaylandırmamış bulunmaktayım.
Son olarak ise for döngüsü içerisinde next ve
break() fonksiyonlarına değinmiş bulunmaktayız. Bu kapsamda
break ile döngüyü istediğimiz yapıda durdurabilirken, next
kapsamında ise belirtilen değişken kapsamında atlanıp döngünün
düzenlenmesi sağlanır.
Genel olarak ders kapsamında koşulsa ifadeleri ele aldığımızı düşünmekle birlikte karışık bir yapısı olduğunuda düşünmekteyim. Belirtilen for süreçlerinde özellikle eğlenmekle birlikte doğru ifadeleri seçerken de krizler geçirdiğim söyleyebilirim. Aksilik olmazsa bu konuyu da bir an önce oturtmaya çalışacağım. Ayrıca fonksiyon yapısının tekrar kullanım açısından önemli olduğunu anladım.
Bu sorunun öncesinde verilen kodlama kısmıdır.
d <- data.frame(a = 1:5, b=2:6)
d## a b
## 1 1 2
## 2 2 3
## 3 3 4
## 4 4 5
## 5 5 6for(x in d) {
cat("sutun toplamlari:", sum(x), "\n")
}## sutun toplamlari: 15
## sutun toplamlari: 20X <- cbind(1:5, 21:25)
X## [,1] [,2]
## [1,] 1 21
## [2,] 2 22
## [3,] 3 23
## [4,] 4 24
## [5,] 5 25Soru ise; X matrisini kullanarak aşağıdaki çıktıyı elde etmek için gerekli kodu yazınız.
1 satirdaki degerlerin carpimi 21 olarak hesaplanmistir. 2 satirdaki degerlerin carpimi 44 olarak hesaplanmistir. 3 satirdaki degerlerin carpimi 69 olarak hesaplanmistir. 4 satirdaki degerlerin carpimi 96 olarak hesaplanmistir. 5 satirdaki degerlerin carpimi 125 olarak hesaplanmistir.
Bu kapsamda öncelikle for atamasını i ve
1:nrow(x) aralığında yaparak oluşturulan matristeki tüm
satır sayınının ele alınmasını sağladım. Ardından her bir sütundaki tüm
değerlerin seçilmesi için x[i,] yapısını ardından da
prod() fonksiyonuyla birlikte de satırdaki değerlerin
çarpımını sağladım. Son olarakta cat() fonksiyonu ile
soruda belirtilen yazıları yazdırmış bulunmaktahyım.
for (i in 1:nrow(X)) {
carpim <- prod(X[i, ])
cat(i, "satirdaki degerlerin carpimi", carpim, "olarak hesaplanmistir.\n")
}## 1 satirdaki degerlerin carpimi 21 olarak hesaplanmistir.
## 2 satirdaki degerlerin carpimi 44 olarak hesaplanmistir.
## 3 satirdaki degerlerin carpimi 69 olarak hesaplanmistir.
## 4 satirdaki degerlerin carpimi 96 olarak hesaplanmistir.
## 5 satirdaki degerlerin carpimi 125 olarak hesaplanmistir.Sorunun temel ve istenenler aşağıdadır.
m2 <- matrix(0,nrow=5,ncol=5)
m2## [,1] [,2] [,3] [,4] [,5]
## [1,] 0 0 0 0 0
## [2,] 0 0 0 0 0
## [3,] 0 0 0 0 0
## [4,] 0 0 0 0 0
## [5,] 0 0 0 0 0Bu soru kapsamında iki for yapısını iç içe koyarak satır sütun mantığında atamalar yapmaya çalışmış bulunmaktayım.
for (i in 1:5) {
for (j in 1:5) {
m2[i, j] <- i * j
}
}
m2## [,1] [,2] [,3] [,4] [,5]
## [1,] 1 2 3 4 5
## [2,] 2 4 6 8 10
## [3,] 3 6 9 12 15
## [4,] 4 8 12 16 20
## [5,] 5 10 15 20 25Kendi 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.
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.
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. Ayrıca derste bahsettiğimiz üzere ihtiyaç duyduğum
durumlarda kullanabilemk için ayırdığım değişkenleri
saveRDS ile kaydetmiş bulunmaktayım.
set2015_2 <-set2015 %>%
select(PV1MATH,PV2MATH,PV3MATH,PV4MATH,PV5MATH,PV6MATH,PV7MATH,PV8MATH,PV9MATH,PV10MATH,ESCS,ST004D01T,PERFEED,TEACHSUP,IBTEACH,CNT,ANXTEST)
view(set2015_2)
saveRDS(set2015_2, "pisa_kucuk_veri")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"))
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)Ayrıca ülkeler bazında set oluşturma sürecimde ise atamalarım sonucunda Türkiye veri setinde 5211 kişilik bir veri olduğunu, Finlandiya’da ise 5516 kişilik bir set oluştuğunu ifade edebilirim.
set2015_tr <- set2015_5 %>% filter(CNT %in% "TUR")
set2015_fin <- set2015_5 %>% filter(CNT %in% "FIN")
view(set2015_tr)
view(set2015_fin)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 39.576 0.000 0.407 0.407
## PV1MATH_z ~
## TEACHSU (b1) 0.077 0.015 5.227 0.000 0.077 0.077
## cinsiyt (b2) 0.113 0.019 5.856 0.000 0.113 0.056
## TEACHSU (b3) 0.068 0.019 3.506 0.000 0.068 0.049
## IBTEACH (c_pr) -0.270 0.011 -24.496 0.000 -0.270 -0.271
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP_z 0.834 0.012 67.854 0.000 0.834 0.834
## .PV1MATH_z 0.937 0.012 78.307 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 5.121 0.000 0.031 0.031
## indirect_kdn 0.059 0.006 9.435 0.000 0.059 0.051Türkiye veri setine yönelik analizimi bu sefer yukarıda
Türkiye-Finlandiya setine yönelik gerçekleştirdiğimden farklı bir
şekilde kurmaya çalıştım. İlk öncelikle set içerisindeki
ST004D01T cinsiyet değişkenini factor
fonksiyonuyla birlikte kategorik bir yapıya çevirmiş bulnumaktayım. Bu
kısımda levels ile düzeyleri, labels ile
belirtilen düzeylerin adlarını ifade etmeye çalıştım.
set2015_tr$cinsiyet <- factor(set2015_tr$ST004D01T,
levels = c(1,2),
labels = c("Erkek","Kız"))Ardından bu cinsiyet kategorilerinin derste öğrendiğimiz dummy
değişken olduğunu düşündüğümen dolayı ifelse fonksiyonuyla
birlikte 1-0 mantığında düzenledim ve 1=Kız,
0=Erkek temelli bir yapı oluşturdum.
set2015_tr$cinsiyetsay <- ifelse(set2015_tr$cinsiyet == "Kız", 1, 0)Ardından moderatör değişkenin oluşturulması amacıyla veri setindeki
bağımsız değişkenim olan IBTEACH ile düzenleyici değişken
olan Cinsiyet yapısını ele almış bulunmaktayım. Bu kapsamda
çarpım işlemi gerçekleştirerek IB_Cin değişkenini
oluşturdum.
set2015_tr$IB_Cin <- set2015_tr$IBTEACH * set2015_tr$cinsiyetsayModel oluşturma sürecinde ise yine aklımın takıldığı noktalarda
çeşitli denemeler yapmış bulunmaktayım. Bu kapsamda öncelikle aracılık
etkisini ele almak için a ile IBTEACH
değişkenlerini çarpıp Cinsiyet ve d
değişkeninin çarpımıyla topladım. Bunun temel sebebi IBTEACH öğretmen
desteğini etkiliyor mu ve cinsiyetin TEACHSUP’ı etkileyip etkilemediğini
test etme isteğimdir.
Yordanan değişken bazında ise b ve c yollarını ele almak yanı sıra
moderatör etkisini ele almak için m1 ve
cinsiyet değişkenlerini, moderasyon etkisini ele almak için
ise m2 değişkeniyle
IBTEACH-Cinsiyet etkileşimini ele almış
bulunmaktayım. Bu kapsamda IBTEACH’in erkekler ve kızlar arasında farklı
etkisi olup olmadığını test etmeyi amaçladım.
Son olarak, dolaylı etki için ise internette gördüğüm
c_prime temelli yapıyı kurmuş bulunmaktayım. (Emin
değilim.)
model_mm_tr <- '
TEACHSUP ~ a * IBTEACH + d * cinsiyetsay
PV1MATH ~ b * TEACHSUP
PV1MATH ~ c_prime * IBTEACH
PV1MATH ~ m1 * cinsiyetsay
PV1MATH ~ m2 * IB_Cin
indirect := a * b
total := c_prime + (a * b)
'Modelin kurduktan sonra semTools paketinde bulunan
sem(modeladı,data,se="bootstrap",bootstrap=5000 yapısıyla
birlikte modeli çalıştırdım. Modelde bootstrap 5000 alma sebebim ise
diğer okuduğum çalışmalarda da benzer yapı kurulmasıydı.
fit_mm_tr <- sem(model_mm_tr,
data = set2015_tr,
se = "bootstrap",
bootstrap = 5000)Son olarak, modelin özet indekslerini görebilmek amacıyla
summary fonksiyonunu kullanmış bulunmaktayım. Elde edilen
model kapsamında bakıldığında CFI değerinin .990, SRMR
değerinin .008 olarak saptanmasına bağlı olarak model
kapsamında iyi uyum olduğu, RMSEA kapsamında ise .053
olarak saptanan katsayıya bağlı olarak kabul edilebilir düzey bir model
oluştuğunu ifade edebilirim.
Ardından IBTEACH’ın TEACHSUP üzerindeki etkisine bakıldığında ise 0.391 (a), p<0.001 değerine bağlı olarak aralarındaki ilişkinin pozitif yönlü ve anlamlı olduğunu ifade edebilirim. Bu doğrultuda IBTEACH uygulamalarının artmasıyla birlikte öğretmen desteğinin de artacağı ifade edilebilir.
TEACHSUP’ın PV1MATH üzerindeki etkisine bakıldığında ise saptanan
-0.010 ve p= .994 değerine bağlı olarak negatif bir yapı
saptanmıştır. Bu doğrultuda öğretmen desteğinin matematik performansına
doğrudan etkisi olmadığı ifade edilebilir. Ayrıca IBTEACH’in PV1MATH
üzerindeki etkisine bakıldığında doğrudan bir etki olduğununun
saptandığı söylenebilir ancak bu negatif yönlü saptanmıştır.
Düzenleyici bazda bakıldığında ise cinsiyet hem TEACHSUP hem de PV1MATH üzerinde doğrudan anlamlı etkiye sahipken TEACHSUP üzerinde negatif bir etki olduğu, PV1MATH üzerinde pozitif bir etkisi olduğu söylenebilir. Ayrıca kızların daha pozitif sonuçlar verdiğide söylenebilir (Ort. Fark= 14). Ayrıca cinsiyetin IBTEACH ve PV1MATH arasındaki ilişkiyi düzenlemesine bakıldığında (IBCİN) etkileşi düzenleyen bir yapı olmadığı ifade edilebilir.
Sonuç olarak, model Türkiye’de IBTEACH’in TEACHSUP’ı arttırdığı ancak TEACHSUP’ın başarıya anlamlı katkı sunmadığını ifade etmektedir.Ayrıca, cinsiyet değişkeni başarı ve öğretmen desteği algısında anlamlı farklılıklar üretmesine rağmen, IBTEACH ile PV1MATH ilişkisini düzenlememektedir.
summary(fit_mm_tr, standardized = TRUE, fit.measures = TRUE)## lavaan 0.6-20 ended normally after 1 iteration
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 5211
##
## Model Test User Model:
##
## Test statistic 15.431
## Degrees of freedom 1
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 1413.235
## Degrees of freedom 7
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.990
## Tucker-Lewis Index (TLI) 0.928
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -37059.825
## Loglikelihood unrestricted model (H1) NA
##
## Akaike (AIC) 74135.649
## Bayesian (BIC) 74188.118
## Sample-size adjusted Bayesian (SABIC) 74162.696
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.053
## 90 Percent confidence interval - lower 0.032
## 90 Percent confidence interval - upper 0.077
## P-value H_0: RMSEA <= 0.050 0.375
## P-value H_0: RMSEA >= 0.080 0.032
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.008
##
## 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 ~
## IBTEACH (a) 0.391 0.013 30.981 0.000 0.391 0.460
## cnsytsy (d) -0.133 0.025 -5.379 0.000 -0.133 -0.066
## PV1MATH ~
## TEACHSU (b) -0.010 1.257 -0.008 0.994 -0.010 -0.000
## IBTEACH (c_pr) -11.408 1.534 -7.439 0.000 -11.408 -0.164
## cnsytsy (m1) 14.135 2.321 6.090 0.000 14.135 0.086
## IB_Cin (m2) 2.493 1.885 1.323 0.186 2.493 0.028
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP 0.792 0.017 46.688 0.000 0.792 0.787
## .PV1MATH 6511.085 122.741 53.047 0.000 6511.085 0.972
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirect -0.004 0.492 -0.008 0.994 -0.004 -0.000
## total -11.412 1.425 -8.011 0.000 -11.412 -0.164Finlandiya’ya yönelik analiz sürecim tamamen Türkiye ile aynı şekilde
işlettim. Bu nedenle aynı açıklamaları yazarak sayfayı yazıyla doldurmak
istemedim. Ancak değinmem gerekirse bu analiz kapsamında Türkiye’den
farklı olarak cinsiyet değişkenini cinsiyetfin, sayısal
versiyonunu cinsiyetsayfin olarak ele almış bulunmaktayım.
Ayrıca IBTEACH ve cinsiyet çaprazlamasına
yönelik olarak ise IB_Cinfin yapısını oluşturmuş
bulunmaktayım. Model oluşturma sürecinde ise modeli
model_mm_fin, çalıştırma yapısını ise
fit_mm_fin olarak kaydetmiş bulunmaktayım.
set2015_fin$cinsiyetfin <- factor(set2015_fin$ST004D01T,
levels = c(1,2),
labels = c("Erkek","Kız"))set2015_fin$cinsiyetsayfin <- ifelse(set2015_fin$cinsiyetfin == "Kız", 1, 0)set2015_fin$IB_Cinfin <- set2015_fin$IBTEACH * set2015_fin$cinsiyetsayfinmodel_mm_fin <- '
TEACHSUP ~ a * IBTEACH + d * cinsiyetsayfin
PV1MATH ~ b * TEACHSUP
PV1MATH ~ c_prime * IBTEACH
PV1MATH ~ m1 * cinsiyetsayfin
PV1MATH ~ m2 * IB_Cinfin
indirect := a * b
total := c_prime + (a * b)
'fit_mm_fin <- sem(model_mm_fin,
data = set2015_fin,
se = "bootstrap",
bootstrap = 5000)Finlandiya’ya yönelik oluşturulan model kapsamında CFI(.993), TLI (.954) ve SRMR (.005) değerlerine bağlı olarak çok iyi düzeyde model uyumu kurulduğu ifade edilebilir. Buna karşın RMSEA’nın .034’lük değerine bağlı olarak düşük düzeyde uyum sunduğu ifade edilebilir.
Modelde, IBTEACH’in TEACHSUP üzerindeki etkisine bakıldığında 0.400(a), p< 0.001 durumuna bağlı olarak pozitif ve istatistiksel olarak anlamlı bir yapı saptanmıştır. Bu doğrultuda IBTEACH uygulamalarıyla birlikte öğretmen desteğinin artacağı ifade edilebilir.
TEACHSUP ve PV1MATH arasındaki ilişkiye bakıldığında ise güçlü bir ilişki saptanmıştır (b=8.939, p<.001). Bu doğrulutda öğrencilerin öğretöen desteğiyle birlikte matematik başarılarının desteklendiği ifade edilebilir.
IBTEACH’in PV1MATH üzerindeki doğrudan etkisine bakıldığında ise anlamsız bir ilişki bulunmuştur. Bu doğrultuda IBTEACH uygulamlarının PV1MATH üzerinde doğrudan bir etkisi olmadığı ifade edilebilir. Ayrıca IBTEACH’in TEACHSUP üzerindeki dolaylı etkisine bakıldığında PV1MATH üzerinde etki açık şekilde gözlenmktedir (indirect değeri). Bu doğrultuda IBTEACH ve TEACHSUP birleşince PV1MATH yani matematik başarısını etkilemektedir.
Düzenleyici değişken açısından bakıldığında cinsiyetin TEACHSUP üzerinde anlamlı bir etkisi olmadığı (d) gözlenmektedir. Bu doğrultuda kız ve erkek öğrencilerin TEACHSUP algısının benzer olduğu söylenebilir. Cinsiyet değişkeni etkileşim yapısıyla ele alındığında ise IBTEACH’in PV1MATH üzerindeki etkisi cinsiyete göre değişmektedir.
Sonuç olarak, IBTEACH’in matematik başarısını öğretmen desteği üzerinden dolaylı olarak artırdığı ifade edilebilir.
summary(fit_mm_fin, standardized = TRUE, fit.measures = TRUE)## lavaan 0.6-20 ended normally after 1 iteration
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 5516
##
## Model Test User Model:
##
## Test statistic 7.280
## Degrees of freedom 1
## P-value (Chi-square) 0.007
##
## Model Test Baseline Model:
##
## Test statistic 952.797
## Degrees of freedom 7
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.993
## Tucker-Lewis Index (TLI) 0.954
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -38644.194
## Loglikelihood unrestricted model (H1) NA
##
## Akaike (AIC) 77304.388
## Bayesian (BIC) 77357.311
## Sample-size adjusted Bayesian (SABIC) 77331.890
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.034
## 90 Percent confidence interval - lower 0.014
## 90 Percent confidence interval - upper 0.058
## P-value H_0: RMSEA <= 0.050 0.845
## P-value H_0: RMSEA >= 0.080 0.001
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.005
##
## 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 ~
## IBTEACH (a) 0.400 0.016 25.033 0.000 0.400 0.387
## cnsytsy (d) -0.028 0.023 -1.252 0.210 -0.028 -0.016
## PV1MATH ~
## TEACHSU (b) 8.939 1.368 6.536 0.000 8.939 0.100
## IBTEACH (c_pr) -0.733 2.189 -0.335 0.738 -0.733 -0.008
## cnsytsy (m1) -3.937 2.340 -1.682 0.092 -3.937 -0.025
## IB_Cnfn (m2) -6.980 2.795 -2.497 0.013 -6.980 -0.060
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP 0.670 0.014 49.288 0.000 0.670 0.851
## .PV1MATH 6226.767 117.623 52.938 0.000 6226.767 0.990
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirect 3.578 0.571 6.269 0.000 3.578 0.039
## total 2.845 2.092 1.360 0.174 2.845 0.031Türkiye ve Finlandiya sonuçları karşılaştırıldığında, iki ülke arasında hem aracılık hem de düzenleyicilik ilişkilerinde belirgin farklılıklar olduğu söylenebilir.Türkiye’de IBTEACH’in TEACHSUP üzerindeki etkisi anlamlı olsa da TEACHSUP’un matematik başarısına etkisi anlamsızdır, dolayısıyla aracılık mekanizması çalışmamaktadır. Buna karşılık Finlandiya’da TEACHSUP matematik başarısını güçlü ve anlamlı şekilde artırmaktadır ve bu nedenle aracılık ilişkisi açıkça desteklenmektedir.Finlandiya’da IBTEACH öğrencilerin başarısını öğretmen desteği üzerinden dolaylı olarak artırmaktadır, Türkiye’de ise bu etki oluşmamaktadır.
Doğrudan etkilere bakıldığında, Türkiye’de IBTEACH PV1MATH’i negatif yönde etkilemektedir, Finlandiya’da ise doğrudan etki anlamsızdır. Cinsiyet açısından Türkiye’de hem öğretmen desteği algısında hem matematik başarısında anlamlı ana etkiler bulunurken Finlandiya’da bu etkiler anlamsızdır. Düzenleyicilik açısından Türkiye’de cinsiyet moderatör rol oynamazken, Finlandiya’da IBTEACH ile başarı arasındaki ilişki cinsiyete göre anlamlı biçimde değişmektedir.
Genel olarak, Türkiye’de model doğrudan ilişki üzerinden işlerken, Finlandiya’da öğretmen desteği aracılığıyla işleyen daha güçlü ve pedagojik olarak tutarlı bir yapı ortaya çıkmaktadır.
2 haftalık verilen DataCamp ödevini bitirmiş bulunmaktayım. Süreçte
tek takıldığım nokta tarih/saat temelli analizler olmuştur. Bunun yanı
sıra, derste öğrendiğimiz lapply ve sapply
fonksiyonlarını ele aldık. Bunun yanı sıra,
vapply(x, fonksiyon, numeric(sayı)) yapısının
kurulabileceğini öğrendim. Ayrıca, önceki derslerimizde gördüğümüz
abs,mean,sum,round,list
gibi değişkenlere de değinmişler. Benim en ilgimi çeken yapı ise bu
kapsamda `grepl/grep(pattern="",x=setadı) yapısı oldu
bununla birlikte belirttiğimiz yapı başlayan, biten yapıları
görebileceğimizi anladım. Bunun yanı sıra,
sub(pattern="",replacement=değişecek yapı,x=setadı)
yapısıyla birlikte de değişimler yapabileceğimizi anladım. Diğer
notlarım defterde bulunmaktadır :)
Blum, 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.