Bu belge kapsamında dün yüklediğim belgede aktarmayı unuttuklarımı eklemiş bulnumaktayım.

1. SaveRDS

İlk yüklediğim belgede genel veri seti üzerinden saveRDS yaptığımı fark ettim. Bu kapsamda parçalı bir yapıyla birlikte Finlandiya ve Türkiye veri setlerini aktardım.

library(haven)
library(dplyr)
library(tidyverse)

CY6_MS_CMB_STU_QQQ <- read_sav("CY6_MS_CMB_STU_QQQ.sav")
set2015 <- CY6_MS_CMB_STU_QQQ

set2015_2 <- set2015 %>% 
  select(PV1MATH:PV10MATH, ESCS, ST004D01T, PERFEED, TEACHSUP, IBTEACH, CNT, ANXTEST)

set2015_3 <- set2015_2 %>% 
  filter(CNT %in% c("TUR", "FIN"))


set2015_4 <- set2015_3 %>% 
  select(CNT, IBTEACH, PV1MATH:PV10MATH, ST004D01T, TEACHSUP)


set2015_5 <- na.omit(set2015_4)


set2015_tr  <- set2015_5 %>% filter(CNT == "TUR")
set2015_fin <- set2015_5 %>% filter(CNT == "FIN")


saveRDS(set2015_5,  "pisa_kucuk_veri.rds")
saveRDS(set2015_tr, "pisa_tr_veri.rds")
saveRDS(set2015_fin,"pisa_fin_veri.rds")
settr<-readRDS("pisa_tr_veri.rds")
settr
## # A tibble: 5,211 × 14
##    CNT          IBTEACH  PV1MATH PV2MATH PV3MATH PV4MATH PV5MATH PV6MATH PV7MATH
##    <chr+lbl>    <dbl+lb>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
##  1 TUR [Turkey]  0.852      348.    315.    385.    363.    358.    356.    368.
##  2 TUR [Turkey] -1.05       302.    311.    339.    290.    334.    318.    297.
##  3 TUR [Turkey]  0.545      362.    377.    341.    324.    391.    415.    402.
##  4 TUR [Turkey]  1.48       343.    305.    345.    328.    311.    346.    354.
##  5 TUR [Turkey]  0.905      401.    347.    348.    370.    405.    373.    370.
##  6 TUR [Turkey]  0.0441     326.    387.    332.    313.    355.    319.    347.
##  7 TUR [Turkey]  0.181      359.    359.    337.    316.    370.    307.    387.
##  8 TUR [Turkey]  1.73       302.    273.    274.    315.    370.    295.    425.
##  9 TUR [Turkey]  0.369      213.    275.    330.    272.    327.    222.    274.
## 10 TUR [Turkey]  1.12       382.    384.    372.    382.    379.    384.    424.
## # ℹ 5,201 more rows
## # ℹ 5 more variables: PV8MATH <dbl>, PV9MATH <dbl>, PV10MATH <dbl>,
## #   ST004D01T <dbl+lbl>, TEACHSUP <dbl+lbl>
setfin<-readRDS("pisa_fin_veri.rds")
setfin
## # A tibble: 5,516 × 14
##    CNT           IBTEACH PV1MATH PV2MATH PV3MATH PV4MATH PV5MATH PV6MATH PV7MATH
##    <chr+lbl>     <dbl+l>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
##  1 FIN [Finland] -0.752     553.    561.    487.    528.    525.    523.    532.
##  2 FIN [Finland] -0.0213    295.    347.    306.    296.    350.    352.    357.
##  3 FIN [Finland] -0.669     428.    531.    529.    447.    458.    452.    465.
##  4 FIN [Finland] -0.966     528.    519.    543.    512.    503.    513.    555.
##  5 FIN [Finland] -0.263     614.    633.    622.    586.    613.    614.    622.
##  6 FIN [Finland] -0.903     463.    540.    509.    498.    528.    503.    522.
##  7 FIN [Finland] -1.86      592.    625.    550.    620.    586.    614.    629.
##  8 FIN [Finland] -0.614     511.    515.    490.    538.    506.    491.    496.
##  9 FIN [Finland] -0.105     512.    539.    463.    498.    468.    506.    490.
## 10 FIN [Finland] -0.0908    501.    552.    576.    570.    528.    537.    601.
## # ℹ 5,506 more rows
## # ℹ 5 more variables: PV8MATH <dbl>, PV9MATH <dbl>, PV10MATH <dbl>,
## #   ST004D01T <dbl+lbl>, TEACHSUP <dbl+lbl>
colSums(is.na(settr))
##       CNT   IBTEACH   PV1MATH   PV2MATH   PV3MATH   PV4MATH   PV5MATH   PV6MATH 
##         0         0         0         0         0         0         0         0 
##   PV7MATH   PV8MATH   PV9MATH  PV10MATH ST004D01T  TEACHSUP 
##         0         0         0         0         0         0
colSums(is.na(setfin))
##       CNT   IBTEACH   PV1MATH   PV2MATH   PV3MATH   PV4MATH   PV5MATH   PV6MATH 
##         0         0         0         0         0         0         0         0 
##   PV7MATH   PV8MATH   PV9MATH  PV10MATH ST004D01T  TEACHSUP 
##         0         0         0         0         0         0

2. Regresyon Görselleştirme

Bir önceki yüklediğim belgede hazırladığım grafikleri aktarmayı unuttuğumu fark ettim. Bu nedenle bir önceki belgede kurduğum regresyon modelini settr ve `setfin adıyla aktararak görselleştirme sürecimi yaptım.

library(lavaan)
library(semTools)
library(semPlot)

2.1. Türkiye Regresyon Görselleştirmesi

settr$cinsiyet2 <- factor(settr$ST004D01T, 
                            levels = c(1,2), 
                            labels = c("Erkek","Kız"))
settr$cinsiyetsay2 <- ifelse(settr$cinsiyet2 == "Kız", 1, 0)
settr$IB_Cin2 <- settr$IBTEACH * settr$cinsiyetsay2
model_mm_tr2 <- '
  
  TEACHSUP ~ a * IBTEACH + d * cinsiyetsay2

  PV1MATH ~ b * TEACHSUP        
  PV1MATH ~ c_prime * IBTEACH   
  PV1MATH ~ m1 * cinsiyetsay2     
  PV1MATH ~ m2 * IB_Cin2     

  indirect := a * b
  total := c_prime + (a * b)
'
fit_mm_tr2 <- sem(model_mm_tr2, 
                 data = settr,
                 se = "bootstrap",
                 bootstrap = 5000)

Görselleştirme kısmımda ilk olarak fit_mm_tr2 adlı modelimi oluşturacağım modelde temel almakla birlikte std seçeneği ile grafikte gösterilecek katsayıların standartlaştırılmış değerler olacağı bir yapı oluşturdum. layout = "tree" ile de değişkenlerin ağaç düzeninde yerleştirilmesini sağladım. Böylece bağımlı ve bağımsız değişkenlerin ilişkisini görmeyi amaçladım. edge.label.cex = 1.2 ile demodeldeki yol katsayılarının yazı boyutunu düzenledim. sizeMan = 7 ile değişkenlerin kutu boyutlarını, sizeLat = 9 ile de gizil değişkenlerin kutu boyutlarını ayarladım

residuals = FALSE ile değişkenlerin hata terimlerini engelledim ve nCharNodes = 0 ekledim. Son olarak whatLabels = "std" ile grafikte gösterilecek yol etiketi türünün yine standartlaştırılmış katsayılar olacağını belirttim.

semPaths(
  fit_mm_tr2,
  "std",                  
  layout = "tree",        
  edge.label.cex = 1.2,   
  sizeMan = 7,            
  sizeLat = 9,            
  residuals = FALSE,
  nCharNodes = 0,
  whatLabels = "std"
)

2.2. Finlandiya Regresyon Görşelleştirmesi

Görselleştirme sürecimi Türkiye ile aynı yaptığımdan dolayı ek olarak bu kısma bir açıklama eklemedim.

setfin$cinsiyet22 <- factor(setfin$ST004D01T, 
                            levels = c(1,2), 
                            labels = c("Erkek","Kız"))
setfin$cinsiyetsay22 <- ifelse(setfin$cinsiyet22 == "Kız", 1, 0)
setfin$IB_Cin22 <- setfin$IBTEACH * setfin$cinsiyetsay22
model_mm_fin22 <- '
  
  TEACHSUP ~ a * IBTEACH + d * cinsiyetsay22

  PV1MATH ~ b * TEACHSUP        
  PV1MATH ~ c_prime * IBTEACH   
  PV1MATH ~ m1 * cinsiyetsay22     
  PV1MATH ~ m2 * IB_Cin22     

  indirect := a * b
  total := c_prime + (a * b)
'
fit_mm_fin22 <- sem(model_mm_fin22, 
                 data = setfin,
                 se = "bootstrap",
                 bootstrap = 5000)
semPaths(
  fit_mm_fin22,
  "std",                  
  layout = "tree",        
  edge.label.cex = 1.2,   
  sizeMan = 7,            
  sizeLat = 9,            
  residuals = FALSE,
  nCharNodes = 0,
  whatLabels = "std"
)

3. Önceki Belgeme Ek Olarak

3.1 Genel Yapı

Bu çalışmam kapsamında, IBTEACH ile TEACHSUP ve PV1MATH arasındaki ilişkileri incelemeye yönelik nicel ve ilişkisel bir araştırma modeli kurmuş bulunmaktayım. Çalışmamda ayrıca cinsiyet değişkeni ve IB_Cin22 etkileşim terimi üzerinden yapılandırılmış bir aracı ve düzenleyici model test etmiş bulunmaktayım. Bu yönüyle çalışmam, değişkenler arasındaki ilişkilerin yönünü ve gücünü ortaya koymayı hedefleyen ilişkisel araştırmalar sınıfında değerlendirilebilir. Çalışma örneklemim ise PISA 2015 uygulamasına katılan Türkiye ve Finlandiya’da yaşayan 15 yaş grubu öğrencileri oluşturmaktadır. Analizleri, her iki ülke için ayrı olarak düzenlenen veri setleri üzerinde yürüttüm. Böylece ülkeler arasındaki yapısal ilişkilerin hem ayrı hem de karşılaştırmalı biçimde incelenmesini sağladım.

3.2 Hipotez Temelli Yorum

Dün yüklediğim belgemde ek olarak, hipotezlerimin yorumlanı koymayı unutmuşum.

Çalışmam kapsamında test ettiğim hipotezler Türkiye üzerinden değerlendirildiğinde, sonuçların büyük kısmının ilişkisel modelin varsayımlarını desteklemediği görülmektedir. İlk olarak, IBTEACH’in TEACHSUP üzerindeki etkisi pozitif ve anlamlı bulunmasına rağmen, öğretmen desteğinin matematik başarısı üzerinde anlamlı bir etkisi olmadığı için aracılık mekanizması işletilememiş ve H1 desteklenmemiştir. Benzer şekilde, TEACHSUP’ın PV1MATH üzerindeki etkisi anlamlı olmadığından H2 hipotezi de doğrulanmamıştır. Cinsiyet değişkeni hem öğretmen desteği hem de başarı üzerinde anlamlı farklılıklar üretse de, öğretmen desteğinin başarı üzerindeki etkisi anlamlı olmadığından bu ilişkinin cinsiyet tarafından düzenlenmesi beklenen H3 hipotezi de destek bulmamıştır. Aracılık etkisi zaten oluşmadığı için bu aracılığın cinsiyete göre farklılaşacağı yönündeki H4 hipotezi de sağlanmamıştır. Bununla birlikte IBTEACH’in matematik başarısı üzerinde aracılıktan bağımsız olarak anlamlı bir doğrudan etkisi olduğu görülmüş; ancak bu etkinin negatif yönlü olması dikkat çekmektedir. Bu sonuç doğrultusunda yalnızca H5 hipotezi desteklenmiş, diğer hipotezlerin ise Türkiye örnekleminde karşılık bulmadığı belirlenmiştir. Genel olarak model iyi uyum göstermesine rağmen (CFI = .990; SRMR = .008; RMSEA = .053), aracılık ve düzenleyicilik ilişkilerinin Türkiye bağlamında gerçekleşmediği; cinsiyet farklılıklarının ise başarı ve öğretmen desteği algısında etkili olduğu, ancak IBTEACH–PV1MATH ilişkisinin yönünü değiştirmediği söylenebilir. (Hipotezleri kurmakta zorluk yaşadığımı belirtmiştim belki bu durum onunla ilgili olabilir.)

Finlandiya örneklemi üzerinden elde edilen bulgular, modelin genel uyumunun oldukça iyi olduğunu göstermektedir; CFI (.993), TLI (.954) ve SRMR (.005) değerleri çok iyi düzeyde uyumu işaret ederken, RMSEA (.034) düşük düzeyde uyumu göstermektedir. Modelde IBTEACH’in TEACHSUP üzerindeki etkisi pozitif ve anlamlı bulunmuş (a = 0.400; p < .001), bu da öğretmenlerin sorgulamaya dayalı pedagojik uygulamalarının artmasıyla birlikte öğrencilere sağlanan öğretmen desteğinin de artacağını göstermektedir. TEACHSUP ile PV1MATH arasındaki ilişki ise güçlü ve anlamlı bulunmuş (b = 8.939; p < .001), dolayısıyla öğrencilerin matematik başarıları öğretmen desteği ile olumlu yönde ilişkilidir. IBTEACH’in PV1MATH üzerindeki doğrudan etkisi anlamlı çıkmamış; ancak dolaylı etkisi aracılığıyla PV1MATH üzerinde pozitif bir etki sağladığı görülmektedir. Bu bulgu, IBTEACH uygulamalarının matematik başarısını doğrudan değil, öğretmen desteği aracılığıyla artırdığını göstermektedir. Düzenleyici değişken açısından cinsiyetin TEACHSUP üzerinde anlamlı bir etkisi bulunmamış, bu nedenle kız ve erkek öğrencilerin öğretmen desteği algılarının benzer olduğu söylenebilir. Bununla birlikte IBTEACH’in PV1MATH üzerindeki etkisi, cinsiyet etkileşim terimi üzerinden incelendiğinde cinsiyete göre farklılık göstermektedir. Sonuç olarak, Finlandiya örnekleminde IBTEACH uygulamaları, öğretmen desteği aracılığıyla öğrencilerin matematik başarısını olumlu yönde artırmaktadır ve bu dolaylı etki cinsiyete göre değişebilmektedir.

3.2 Literatür Temelli Yorum

Literatürdeki bulduklarımla karşılaştırmam ise;

Çalışmamda ele aldığım değişkenler ve elde ettiğim bulgular, literatürdeki IBTEACH, TEACHSUP, cinsiyet ve PV1MATH başarı ilişkileri ile büyük ölçüde uyum göstermektedir. Literatürde IBTEACH, öğrencilerin merak ve araştırma becerilerini geliştiren, süreç odaklı ve fen bilimleri eğitiminde sıkça kullanılan bir yapı olarak tanımlanmaktadır Perry vd., 2001; Branch ve Solowan, 2003; Yaşar ve Duban, 2009). Türkiye örnekleminde IBTEACH’in TEACHSUP üzerindeki etkisi pozitif ve anlamlı, Finlandiya örnekleminde ise benzer şekilde pozitif ve anlamlıdır. Bu bulgular, literatürde belirtildiği gibi IBTEAXH uygulamalarının öğretmen rehberliği ve desteği ile güçlendiğini ve sürecin etkinliğini artırdığını doğrulamaktadır (Yaşar ve Duban, 2009; Sager vd., 2025; Cui vd., 2022).

Ancak Türkiye örnekleminde TEACHSUP’ın PV1MATH üzerindeki doğrudan etkisi anlamlı bulunmamış ve dolaylı aracılık mekanizması gerçekleşmemiştir. Bu durum, literatürde de bazı çalışmalarda IBTEACH’in bazı bağlamlarda başarıya doğrudan etkisinin sınırlı olabileceğini gösteren bulgularla paralellik göstermektedir (Caro vd., 2016). Buna karşın Finlandiya örnekleminde TEACHSUP ile PV1MATH arasında anlamlı ve güçlü bir ilişki saptanmış ve dolayısıyla IBTEACH’in dolaylı olarak PV1MATH’i olumlu etkilediği görülmüştür. Bu sonuç, literatürde vurgulanan öğretmen desteğinin öğrenci başarısını artırıcı rolü ile tutarlıdır (Pianta, 2004; Chen, 2005; Jerrim vd., 2019).

Cinsiyet değişkeni açısından, literatürde IBTEACH ve TEACHSUP uygulama süreçlerinde cinsiyete göre farklılık gösterebileceği ifade edilmektedir (Johnson vd., 2020; Laoli vd., 2023; Yang ve Zheng, 2024). Türkiye örnekleminde cinsiyet, hem TEACHSUP hem de PV1MATH üzerinde anlamlı etkiler üretmiş, ancak IBTEACH ile PV1MATH arasındaki ilişkiyi düzenlememiştir. Finlandiya örnekleminde ise cinsiyet TEACHSUP üzerinde anlamlı bir etki yaratmamış, fakat IBTEACH’in PV1MATH üzerindeki etkisini dolaylı olarak düzenlemektedir. Bu sonuçlar, literatürde cinsiyetin PV1MATH ve TEACHSUP algısı üzerinde etkili olabileceği, ancak her bağlamda aracılık veya düzenleyicilik etkisinin farklılık gösterebileceği bulgularıyla uyumludur (Li vd., 2018; Else-Quest vd., 2010; Torrecilla Sanchez vd., 2019).

Son olarak, literatürde PV1MATH başarısı, IBTEACH ve TEACHSUP ile etkileşimli bir yapı olarak tanımlanmaktadır (Sager vd., 2025; Jerrim vd., 2019; Taylor vd., 2009). Finlandiya örnekleminde IBTEACH’in dolaylı etkisi ile PV1MATH üzerindeki pozitif etki, bu literatürle örtüşmekte olup, Türkiye örnekleminde ise doğrudan ve dolaylı etkilerin sınırlı olması, ülkeler arası eğitim bağlamı farklılıklarını yansıtmaktadır. Genel olarak elde edilen bulgular, hem literatürdeki temel ilişkileri desteklemekte hem de Türkiye ve Finlandiya bağlamlarında sorgulamaya dayalı öğrenme ve öğretmen desteğinin matematik başarısı üzerindeki etkilerinin farklılık gösterebileceğini ortaya koymaktadır.