Geçen haftaki ödevimde bu haftaki analizimin yol haritasını yazmıştım. Ancak verilerdeki bazı sıkıntılardan dolayı değişkenlerimden iki tanesini değiştirdim.Ülke olarak da tezimden dolayı gönül bağım olan Singapur ile devam etmeye karar verdim.:)
Bu çalışmada PISA 2015 verilerini kullanarak Türkiye ve Singapur’daki öğrencilerin matematik başarısını etkileyen öğretim süreçlerini inceledim.
Türkiye ve Singapur’da PISA 2015 uygulamasına katılan öğrencilerin matematik başarısının, öğretmenlerin bilişsel öğretim uygulamaları (IBTEACH) bağlamında nasıl biçimlendiğini analiz etmeyi amaçladım. Matematik performansını (PV1MATH) bağımlı değişken olarak ele alırken, öğretmenlerin sınıf içi öğretim yaklaşımlarını temel yordayıcı değişken olarak modele dâhil ettim. Öğretmen desteği (TEACHSUP) değişkeni ise aracılık mekanizması kapsamında değerlendirdim böylece öğretmen uygulamalarının öğrenci başarısına etkisinin, öğrencilerin algıladığı öğretmen desteği üzerinden dolaylı bir süreçle gerçekleşip gerçekleşmediği test edilmiştir.
Bu yapıya ek olarak, öğrencilerin cinsiyet değişkeni (ST004D01T) düzenleyici değişken olarak analize dâhil ettim. Böylece, öğretmen desteğinin matematik başarısı üzerindeki etkisinin cinsiyete göre farklılaşan bir yapıya sahip olup olmadığı incelemek istedim. Literatür, öğretmen uygulamalarının öğrenci motivasyonu ve başarı üzerindeki etkisinin çoğu zaman destekleyici sınıf iklimiyle birlikte işlediğini göstermektedir (Hattie, 2009; Klieme, Pauli & Reusser, 2009). Benzer biçimde, aracılık ve düzenleyicilik modellerinin bir arada ele alındığı çalışmalarda, öğretmen desteğinin özellikle öğrencilerin duyuşsal süreçleriyle başarı arasındaki ilişkide kritik bir rol oynadığı vurgulanmaktadır (Eccles & Wigfield, 2002; Fauth et al., 2014). Bu doğrultuda, çalışmamda öğretmen uygulamalarının öğrenci başarısı üzerindeki etkisini hem dolaylı hem de koşullu yollarla değerlendiren kapsamlı bir model oluşturmayı amaçladım.
Gerekli programları yükleyerek analizime başladım.
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(haven) # SPSS dosyaları için
library(dplyr)
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.5.2library(lavaan)## Warning: package 'lavaan' was built under R version 4.5.2## This is lavaan 0.6-20
## lavaan is FREE software! Please report any bugs.library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.1 ✔ stringr 1.5.2
## ✔ lubridate 1.9.4 ✔ tibble 3.3.0
## ✔ purrr 1.1.0 ✔ tidyr 1.3.1
## ✔ readr 2.1.5## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsPisa 2015 verisini okutup daha sonra save ile kaydettim.
pisa <- read_sav("CY6_MS_CMB_STU_QQQ.sav")
saveRDS(pisa, "pisa.rds")Değişkenlerimi seçmeden önce her biri ile ilgili literatür çalışması yaptım.
IBTEACH, PISA kapsamında öğretmenlerin sınıf içinde kullandıkları pedagojik ve bilişsel öğretim stratejilerini ölçen bir değişkendir. Bu ölçek, öğretmenin öğrenciyi düşünmeye teşvik eden uygulamaları, kavramsal açıklamaları, problem çözme süreçlerini desteklemesi ve ders işleme biçimindeki sistematikliği gibi unsurları içerir. Öğrencilerin algısına dayalı olarak oluşturulan bu değişken, öğretmenin derinlemesine öğrenmeyi teşvik eden öğretim davranışlarının düzeyini yansıtır. Literatürde bu tür öğretim uygulamalarının, bilişsel etkileşimi artırarak öğrenci başarısına katkı sağladığı sıkça vurgulanmaktadır (Klieme, Pauli & Reusser, 2009; Hattie, 2009).
PV1MATH, PISA’nın öğrenci başarısını ölçmek için kullandığı örtük değerlerden (plausible values) biridir. Matematik yeterliğini çok boyutlu bir ölçek aracılığıyla temsil eden bu değer, öğrencilerin bilişsel performansını güvenilir bir şekilde tahmin etmeyi amaçlar.(Tezimde de aynı şekilde PV1MATH kullanmıştım.)
TEACHSUP, öğrencilerin öğretmenlerinden algıladıkları duygusal ve akademik desteği ölçen bir değişkendir. Öğretmenin açıklayıcı geri bildirim sunması, öğrencilerin ihtiyaç duyduklarında yardım etmesi, ders sürecinde onları cesaretlendirmesi ve öğrenme ortamını destekleyici şekilde yönetmesi gibi öğelerden oluşur. Araştırmalar, yüksek öğretmen desteğinin öğrencilerin motivasyonunu, öğretime katılımını ve akademik performansını güçlendirdiğini göstermektedir (Fauth et al., 2014; Wentzel, 2016). Bu nedenle TEACHSUP, aracılık analizlerinde sıklıkla kullanılan psikososyal bir değişkendir.
ST004D01T, PISA’da öğrencinin cinsiyetini gösteren demografik bir değişkendir. Cinsiyetin başarı ve öğretim süreçleriyle ilişkisi uzun süredir eğitim araştırmalarında tartışılmaktadır. Özellikle matematik başarısı bağlamında cinsiyetin, öğrenme motivasyonu, öğretmen beklentileri ve sınıf içi etkileşimlerde düzenleyici bir rol oynayabildiği gösterilmiştir (Hyde, 2014; Else-Quest et al., 2010). Bu nedenle değişken, modelde düzenleyici (moderator) olarak kullanılarak ilişkilerin kız ve erkek öğrenciler arasında farklılaşıp farklılaşmadığı test edilmiştir.
pisa_v1 <- pisa %>%
filter(CNT %in% c("TUR", "SGP"))
view(pisa_v1)pisa_v2 <- pisa_v1 %>%
select(CNT,IBTEACH,PV1MATH,ST004D01T,TEACHSUP)
view(pisa_v2)pisa_v3 <-na.omit(pisa_v2)
view(pisa_v3)pisa_tr <- pisa_v3 %>% filter(CNT %in% "TUR")
pisa_sgp <- pisa_v3 %>% filter(CNT %in% "SGP")
view(pisa_tr)
view(pisa_sgp)Değişkenleri z-score’a dönüştürdüm böylece regresyon katsayıları karşılaştırılabilir ve model stabil olabilir.
pisa_v3$cinsiyet <- ifelse(pisa_v3$ST004D01T == 1, 0, 1)
pisa_v3$PV1MATH_z <- scale(pisa_v3$PV1MATH)
pisa_v3$IBTEACH_z <- scale(pisa_v3$IBTEACH)
pisa_v3$TEACHSUP_z <- scale(pisa_v3$TEACHSUP)
pisa_v3$cinsiyet <- as.numeric(pisa_v3$cinsiyet)Araştırma modelimde, öğretmen desteğinin (TEACHSUP) öğrencilerin matematik başarısı üzerindeki etkisinin cinsiyete göre farklılaşıp farklılaşmadığını inceleyebilmek için bir etkileşim (interaction) değişkeni oluşturmam gerekiyordu ben de bu amaçla, standartlaştırılmış öğretmen desteği puanını (TEACHSUP_z) sayısal cinsiyet değişkeni (cinsiyet: Kız = 1, Erkek = 0) ile çarparak bir çarpım terimi tanımladım.
pisa_v3$TEACHSUP_cinsiyet <- pisa_v3$TEACHSUP_z* pisa_v3$cinsiyetlibrary(lavaan)
model <- '
TEACHSUP_z ~ a*IBTEACH_z + c4*cinsiyet
PV1MATH_z ~ b1*TEACHSUP_z + b2*cinsiyet + b3*TEACHSUP_cinsiyet+ c_prime*IBTEACH_z
indirect_erk := a * (b1 + b3*0)
indirect_kdn := a * (b1 + b3*1)
'fit <- sem(model,
data = pisa_v3,
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 8
##
## Number of observations 10894
##
## Model Test User Model:
##
## Test statistic 6807.451
## Degrees of freedom 1
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 9411.872
## Degrees of freedom 7
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.276
## Tucker-Lewis Index (TLI) -4.066
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -29612.622
## Loglikelihood unrestricted model (H1) -26208.897
##
## Akaike (AIC) 59241.244
## Bayesian (BIC) 59299.612
## Sample-size adjusted Bayesian (SABIC) 59274.189
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.790
## 90 Percent confidence interval - lower 0.775
## 90 Percent confidence interval - upper 0.806
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.152
##
## 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) 0.430 0.010 41.712 0.000 0.430 0.430
## cinsiyt (c4) -0.114 0.017 -6.551 0.000 -0.114 -0.057
## PV1MATH_z ~
## TEACHSU (b1) 0.127 0.014 8.896 0.000 0.127 0.127
## cinsiyt (b2) 0.105 0.019 5.464 0.000 0.105 0.052
## TEACHSU (b3) 0.015 0.019 0.816 0.414 0.015 0.011
## IBTEACH (c_pr) -0.189 0.011 -17.761 0.000 -0.189 -0.189
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP_z 0.815 0.012 70.772 0.000 0.815 0.815
## .PV1MATH_z 0.966 0.011 86.407 0.000 0.966 0.968
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirect_erk 0.054 0.006 8.496 0.000 0.054 0.054
## indirect_kdn 0.061 0.006 9.404 0.000 0.061 0.059Türkiye ve Singapur ortak örneklemi kapsayan model uyum indeksleri zayıftır (CFI = .276, TLI = –4.066, RMSEA = .790, SRMR = .152), bu da ölçülen yapının tek-düzeyli regresyon yapısıyla yeterince temsil edilemediğine işaret etmektedir. Bununla birlikte yol katsayıları anlamlı ve tutarlı bir yönlendirme sunmaktadır. IBTEACH değişkeni öğretmen desteğini güçlü biçimde yordamaktadır (β = .43, p < .001). Öğretmen desteği ise matematik başarısı üzerinde anlamlı fakat küçük bir etkiye sahiptir (β = .13, p < .001). Buna paralel olarak hem erkekler hem de kadınlar için dolaylı etki (indirect_erk = .054, indirect_kdn = .061) anlamlıdır (p < .001), dolayısıyla aracılık etkisi genel örneklemde doğrulanmıştır. Cinsiyet hem öğretmen desteğini (β = –.06, p < .001) hem de matematik başarısını (β = .05, p < .001) anlamlı biçimde yordamaktadır. IBTEACH’in matematik başarısına olan doğrudan etkisi ise negatif ve güçlüdür (β = –.19, p < .001), bu da daha yoğun öğretimsel uygulamaların bazı gruplarda daha düşük performansla ilişkili olabileceğini düşündürmektedir.
Genel olarak, uyum indeksleri zayıf olsa da ortak veri seti içinde aracılık etkisi istatistiksel olarak desteklenmiş, ancak modelin yapı geçerliğinin düşük olduğu görülmüştür.
Bu sonuçların ortak analiz bağlamında güvenilir yorumlanamayacağını, Türkiye ve Singapur’un yapısal ilişkilerinin ayrı ayrı modellenmesinin istatistiksel olarak çok daha doğru olduğunu açık biçimde göstermektedir.
Öncelikle analizlerimde yorumlanabilir bir yapı elde etmek için, PISA veri setindeki ST004D01T değişkenini faktör (categorical variable) olarak yeniden tanımlıyorum. Bu işlem sayesinde sayısal kodlar (“1”, “2”) yerine doğrudan “Erkek” ve “Kız” etiketleri kullanılmakta, böylece sonuçların raporlanması daha anlaşılır hâle gelmektedir.
pisa_tr$cinsiyet <- factor(pisa_tr$ST004D01T,
levels = c(1,2),
labels = c("Erkek","Kız"))Bu sayısal kodlama sayesinde, regresyon katsayıları cinsiyete göre farkları doğrudan temsil edebilir ve cinsiyet × IBTEACH gibi etkileşim terimlerinin oluşturulması mümkün olur.Bu kısımda çıkmazda kaldım ve yapay zekanın tavsiyesi ile aşağıdaki kodlamayı oluşturdum.
pisa_tr$cinsiyetnum <- ifelse(pisa_tr$cinsiyet == "Kız", 1, 0)Öğretmen davranışı (IBTEACH) ile cinsiyetin etkileşim etkisini incelemek için çarpım terimi oluşturulmuştur. Bu değişken, IBTEACH’in matematik başarısı üzerindeki etkisinin erkek ve kız öğrencilerde farklılaşıp farklılaşmadığını test etmeyi sağlamaktadır.
pisa_tr$TCH_CNUM <- pisa_tr$IBTEACH * pisa_tr$cinsiyetnummodel_tr <- '
TEACHSUP ~ a*IBTEACH + d*cinsiyetnum
PV1MATH ~ b*TEACHSUP # b yolu (moderasyon yok)
PV1MATH ~ c_prime*IBTEACH # c yolu
PV1MATH ~ m1*cinsiyetnum # cinsiyet sabit etkisi
PV1MATH ~ m2*TCH_CNUM # IBTEACH x cinsiyet etkileşimi
indirect := a * b
total := c_prime + a*b
'fit_tr <- sem(model_tr,
data = pisa_tr,
se = "bootstrap",
bootstrap = 5000)
summary(fit_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 0.012 31.562 0.000 0.391 0.460
## cnsytnm (d) -0.133 0.025 -5.415 0.000 -0.133 -0.066
## PV1MATH ~
## TEACHSU (b) -0.010 1.269 -0.008 0.994 -0.010 -0.000
## IBTEACH (c_pr) -11.408 1.534 -7.435 0.000 -11.408 -0.164
## cnsytnm (m1) 14.135 2.373 5.957 0.000 14.135 0.086
## TCH_CNU (m2) 2.493 1.935 1.288 0.198 2.493 0.028
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP 0.792 0.017 46.863 0.000 0.792 0.787
## .PV1MATH 6511.085 122.562 53.125 0.000 6511.085 0.972
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirect -0.004 0.497 -0.008 0.994 -0.004 -0.000
## total -11.412 1.424 -8.012 0.000 -11.412 -0.164Türkiye alt örneklemine uygulanan modelin uyum indeksleri kabul edilebilir düzeydedir (CFI = .990, TLI = .928, RMSEA = .053, SRMR = .008). IBTEACH değişkeni, öğretmen desteğini anlamlı ve pozitif biçimde yordamaya devam etmektedir (β = .46, p < .001). Bununla birlikte öğretmen desteğinin matematik başarısı üzerindeki etkisi anlamlı değildir (β ≈ .00, p = .994). Dolayısıyla Türkiye örnekleminde aracılık etkisi tamamen ortadan kalkmaktadır (indirect = –0.004, p = .994). Buna karşın IBTEACH’in matematik başarısı üzerinde anlamlı ve negatif bir doğrudan etkisi olduğu görülmüştür (β = –.16, p < .001). Bu bulgu, öğretmen tarafından bildirilen öğretimsel uygulamalar arttıkça öğrencilerin matematik puanlarının düşme eğiliminde olduğunu göstermektedir. Ayrıca cinsiyet, öğretmen desteğini zayıf da olsa anlamlı biçimde yordamış (β = –.07, p < .001) ve matematik başarısına doğrudan anlamlı bir katkı sağlamıştır (β = .09, p < .001). Ancak IBTEACH × Cinsiyet etkileşimi yine anlamlı değildir (p > .05), dolayısıyla moderasyon etkisi desteklenmemiştir.
Genel olarak Türkiye örnekleminde öğretmen desteğinin aracılık rolü doğrulanmazken, öğretimsel uygulamaların başarı üzerindeki doğrudan olumsuz etkisinin öne çıktığı bir model gözlenmiştir.
Türkiye veri seti için yaptığım tüm analizleri Singapur veri seti için de gerçekleştirdim.
pisa_sgp$cinsiyet <- factor(pisa_sgp$ST004D01T,
levels = c(1,2),
labels = c("Erkek","Kız"))pisa_sgp$cinsiyetnum <- ifelse(pisa_sgp$cinsiyet == "Kız", 1, 0)pisa_sgp$TCH_CNUM <- pisa_sgp$IBTEACH * pisa_sgp$cinsiyetnummodel_sgp <- '
TEACHSUP ~ a*IBTEACH + d*cinsiyetnum
PV1MATH ~ b*TEACHSUP # b yolu (moderasyon yok)
PV1MATH ~ c_prime*IBTEACH # c yolu
PV1MATH ~ m1*cinsiyetnum # cinsiyet sabit etkisi
PV1MATH ~ m2*TCH_CNUM # IBTEACH x cinsiyet etkileşimi
indirect := a * b
total := c_prime + a*b
'fit_sgp <- sem(model_sgp,
data = pisa_sgp,
se = "bootstrap",
bootstrap = 5000)
summary(fit_sgp, 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 5683
##
## Model Test User Model:
##
## Test statistic 7.727
## Degrees of freedom 1
## P-value (Chi-square) 0.005
##
## Model Test Baseline Model:
##
## Test statistic 1222.822
## Degrees of freedom 7
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.994
## Tucker-Lewis Index (TLI) 0.961
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -40422.312
## Loglikelihood unrestricted model (H1) NA
##
## Akaike (AIC) 80860.624
## Bayesian (BIC) 80913.786
## Sample-size adjusted Bayesian (SABIC) 80888.364
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.034
## 90 Percent confidence interval - lower 0.015
## 90 Percent confidence interval - upper 0.059
## P-value H_0: RMSEA <= 0.050 0.839
## P-value H_0: RMSEA >= 0.080 0.001
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.006
##
## 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) 0.432 0.014 31.059 0.000 0.432 0.427
## cnsytnm (d) -0.095 0.021 -4.603 0.000 -0.095 -0.054
## PV1MATH ~
## TEACHSU (b) 9.940 1.593 6.238 0.000 9.940 0.094
## IBTEACH (c_pr) 5.459 2.493 2.190 0.029 5.459 0.051
## cnsytnm (m1) -0.520 2.429 -0.214 0.831 -0.520 -0.003
## TCH_CNU (m2) -4.004 3.183 -1.258 0.208 -4.004 -0.029
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .TEACHSUP 0.621 0.011 55.480 0.000 0.621 0.818
## .PV1MATH 8322.795 151.001 55.118 0.000 8322.795 0.988
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirect 4.293 0.709 6.055 0.000 4.293 0.040
## total 9.752 2.368 4.118 0.000 9.752 0.091Singapur alt örneklemine uygulanan model yüksek uyum indeksleri göstermiştir (CFI = .994, TLI = .961, RMSEA = .034, SRMR = .006). IBTEACH değişkeni öğretmen desteğini anlamlı biçimde yordamıştır (β = .43, p < .001). Öğretmen desteği de matematik başarısı üzerinde anlamlı ve pozitif bir etkiye sahiptir (β = .09, p < .001). Ayrıca IBTEACH, öğretmen desteği kontrol edildiğinde bile matematik başarısını doğrudan yordamayı sürdürmüştür (β = .05, p = .032). Aracılık etkisi anlamlıdır (indirect = 4.29, p < .001) ve toplam etkinin yaklaşık yarısını oluşturmaktadır. Cinsiyet, öğretmen desteğini küçük ama anlamlı ölçüde etkilemiştir (β = –.05, p < .001), ancak matematik başarısı üzerinde ne doğrudan ne de IBTEACH ile etkileşim yoluyla anlamlı bir etkisi bulunmamıştır (p > .05). Bu bulgular, IBTEACH’in matematik başarısını hem doğrudan hem de öğretmen desteği aracılığıyla dolaylı olarak etkilediğini, ancak bu ilişkilerin cinsiyete göre değişmediğini göstermektedir.
Türkiye ve Singapur ortak örneklemine uygulanan model, ülke ayrımını dikkate almayan tek bir yapının iki farklı eğitim sistemini aynı anda temsil etmede yetersiz kaldığını göstermektedir. Nitekim ortak modelin uyum indeksleri son derece kötü olup, ölçülen ilişkilerin kültürel ve yapısal farklılıkları yansıtamadığını göstermektedir.
Türkiye ve Singapur analiz sonuçları karşılaştırıldığında iki ülke arasında belirgin yapısal farklılıklar ortaya çıkmaktadır. Türkiye’de öğretmen desteği aracılık mekanizmasının tamamen etkisiz olduğu, TEACHSUP değişkeninin matematik başarısı üzerinde anlamlı bir rol oynamadığı görülmüştür. Buna karşılık Singapur’da öğretmen desteği hem anlamlı hem de pozitif bir aracılık etkisine sahiptir ve IBTEACH’in başarıya etkisinin önemli bir bölümünü açıklamaktadır. Bu durum, Singapur’da öğretmenlerin uygulamalarının öğrenciler tarafından öğrenme sürecini destekleyici biçimde algılandığını ve bu algının başarıya taşındığını düşündürürken, Türkiye’de öğrencilerin öğretmen desteği algılarının başarıyla ilişkisinin kurulamadığını göstermektedir.
Ayrıca Türkiye’de IBTEACH’in başarı üzerinde negatif bir doğrudan etkisinin bulunması, öğretimsel uygulamaların niteliği ya da sınıf içi uygulamaların öğrenci performansıyla uyumlu olmayabileceğine işaret ederken; Singapur’da bu ilişkinin pozitif ve anlamlı olması öğretim stratejilerinin daha etkili ve öğrenciyi destekleyici biçimde işlediğini göstermektedir. Cinsiyet açısından bakıldığında ise iki ülkede de moderasyon etkisi desteklenmemiş, ancak Türkiye’de cinsiyetin başarıya doğrudan katkı sağladığı; Singapur’da ise başarıya ilişkin anlamlı bir etkisinin bulunmadığı görülmüştür.
Genel olarak Singapur modeli daha tutarlı, güçlü ve teorik olarak beklenen bir yapıyı ortaya koyarken, Türkiye modeli zayıf aracılık, negatif doğrudan etki ve cinsiyet farklılıkları gibi daha problemli bir yapıyı yansıtmaktadır.
Bugünkü derste R programlama dilinde koşullu ifadelerin kullanımını derinlemesine pekiştirdim ve özellikle veri sınıflandırma süreçlerinde if–else yapıları, vektörize fonksiyonlar ve döngü mantığı arasındaki farkları deneyimleme fırsatı buldum.
−10 ile 10 arasında rastgele ürettiğim bir sayı vektörü üzerinde çalışırken, önce ifelse() fonksiyonunu kullanarak her bir değeri pozitif, negatif veya sıfır olarak hızlı bir şekilde sınıflandırdım; bu süreç, vektörize fonksiyonların R’da büyük veri yapılarıyla çalışırken neden daha verimli olduğunu somut biçimde görmemi sağladı. Ardından aynı sınıflandırmayı bir for döngüsü ile manuel olarak gerçekleştirdim ve burada özellikle seq_along() kullanımının önemini anladım: bu fonksiyonun, vektör elemanlarının konumlarını güvenli ve hatasız biçimde döngü içinde dolaşmak için en doğru yöntem olduğunu fark ettim.
Döngü içinde kullandığım if, else if ve else yapıları, koşullu kararların eleman bazında nasıl işlendiğini anlamama yardımcı olurken, ifelse() ile döngü arasındaki performans ve kullanım farklarını da daha net görmüş oldum.
##Çalışma Kodum
Derste 6.7.1 Sıra Sizde kapsamında kod yazmamızı istemiştiniz. 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.
# X matrisini oluşturdum
X <- cbind(1:5, 21:25)
# Satır çarpımlarını saklamak için boş bir vektör
satir_carpimlari <- numeric(nrow(X))
# seq_along ile döngü yaptım
for(i in seq_along(satir_carpimlari)){
# her satırı aldım
degerler <- X[i, ]
# çarpımı hesapladım
satir_carpimlari[i] <- prod(degerler)
# çıktı
cat(i, "satirdaki degerlerin carpimi",
satir_carpimlari[i],
"olarak bulunmustur.\n")
}## 1 satirdaki degerlerin carpimi 21 olarak bulunmustur.
## 2 satirdaki degerlerin carpimi 44 olarak bulunmustur.
## 3 satirdaki degerlerin carpimi 69 olarak bulunmustur.
## 4 satirdaki degerlerin carpimi 96 olarak bulunmustur.
## 5 satirdaki degerlerin carpimi 125 olarak bulunmustur.