1) Araştırma Sorusu ve Nedensel Çerçeve: “Hangi mekanizma, kimin için, ne kadar?”

Deneysel analiz, açık bir nedensel hipotez gerektirir: “Program X, Y çıktısını artırır; mekanizma M aracılığıyla; etki Z bağlamında farklılaşır.” Bu üçlü (etki–mekanizma–heterojenlik) daha tasarım aşamasında yazıya dökülmelidir.
Uygulama:

• Etki: Ortalama fark veya olasılık oranı ile ölçülecek.

• Mekanizma: M (aracılık) için ölçüm planı.

• Heterojenlik: Önceden belirlenmiş alt gruplar (SES, cinsiyet, ön-test düzeyi).
  Örnek olay: Okul tabanlı okuma müdahalesinde “öğretmen geri bildirimi” olası aracıdır; düşük SES’te etki daha güçlü beklenir.

2) Güç (Power) ve Örneklem Planlaması: “Aralığa tasarım”

Güç analizi, yalnız p<.05 için değil, hedeflenen güven aralığı genişliği için yapılmalıdır.

• Sürekli sonuç: İki bağımsız grup için örneklem ≈ n≈2(z1−α/2+z1−β)2σ2/Δ2n \approx 2\left(z_{1-\alpha/2} + z_{1-\beta}\right)^2 \sigma^2 / \Delta^2n≈2(z1−α/2​+z1−β​)2σ2/Δ2.

• Etki büyüklüğü d: $\Delta =d\cdot \sigma$.

• Küme randomizasyonu: Etkin örneklem = nbirey/(1+(m−1)ρ)n_\text{birey} / (1 + (m-1)\rho)nbirey​/(1+(m−1)ρ) (tasarım etkisi, ρ: iç sınıf korelasyonu).
  Uygulama: “%95 GA yarı genişliği ≤ 0.10 puan” hedefiyle örneklem belirlemek, karar vericiye anlamlılık verir.

3) Randomizasyon, Dengeleme ve Rastlantısallık Kontrolü

Basit, bloklu, tabakalı (stratified) ve minimizasyon stratejileri…

• Amaç: Kovaryatlarda denge (balance).

• Analiz öncesi kontrol: Denge tabloları (ortalamalar/ oranlar + standartlaştırılmış farklar).

• Karar: Dengesizlik varsa önceden belirlenmiş kovaryatlarla ANCOVA/karma model.
  Örnek: 6 okulda blok, okul içinde birey randomizasyonu; SES ve cinsiyet tabakaları.

4) Körleme (Blinding) ve Beklenti Etkileri

Katılımcı, uygulayıcı ve değerlendiricinin körlenmesi ölçüm yanlılığını düşürür. Sosyal bilimlerde tam körleme zordur; en azından değerlendirici körlüğü ve protokol-ön-kayıt tercih edilmelidir.
Uygulama: Kodlayıcıların grup bilgisini görmemesi; “kör rubrik” ile puanlama.

5) Müdahale Bağlılığı (Fidelity) ve Manipülasyon Kontrolü

Tedavi “verildi mi” ve “ne kadar verildi”?

• Fidelity göstergeleri: Oturum sayısı, süresi, içerik kontrol listeleri.

• Manipülasyon kontrolü: Algılanan tedavi (placebo/aktif kontrol) farkı ölçülmeli.
  Analiz: Fidelity değişkeni kovaryat olarak değil, uyum tartışmasında (ITT/TOT) kullanılır.

6) Ölçüm, Güvenirlik ve Zamanlama

Ölçüm hatası etkiyi sönümler.

• Güvenirlik: α/ω ≥ .70; puanlayıcılar arası κ/ICC ≥ .70/ .75.

• Zamanlama: Sonuç ölçümü için “matürasyon” süresi gerçekçi olmalı; kısa vadeli etkiler ile kalıcılık ayrıştırılsın.
  Uygulama: Ön-test–son-test–izleme (follow-up) tasarımlarında tekrarlı ölçümler modelleri planlayın.

7) Eksik Veri, Tahliye (Attrition) ve Uyumsuzluk (Noncompliance)

Deneylerde en büyük tehlikelerden biri simetrik olmayan attrition ve tedaviye uyumsuzluktur.

• ITT (Intention-to-Treat): Randomize edildiği gruba göre analiz; temel rapor.

• TOT (Treatment-on-the-Treated) / CACE: Uyum oranlarıyla etki; IV (instrümantal değişken) yaklaşımı (randomizasyon gösterge’si enstrüman).

• Eksik veri: MAR varsayımında Çoklu Atama (MI) veya FIML; MNAR şüphesinde duyarlılık analizi.
  Örnek: Müdahale grubunda %12, kontrolde %6 attrition → farkın etkisi MI + inverse probability weighting ile test edilir.

8) Ana Analiz: Basitten Başlayıp Modeli Genişletmek

8.1) İki bağımsız grup:

• t-testi (eşit/ eşit olmayan varyans).

• Etki büyüklüğü: Cohen’s d (Hedges g küçük örneklemde).

• %95 GA: Tahmin ± t*×SE.

8.2) Ön-test–son-test (kovaryatlı):

• ANCOVA: Son-test ~ grup + ön-test (+ tabakalar). Kovaryat kontrolü güç artırır.

• Varyans homojenliği ve eğim paralelliği varsayımları kontrol edilmeli.

8.3) Tekrarlı ölçümler/kesişen etkiler:

• Karma (mixed) modeller: Rastgele kesişim (birey/küme) ± rastgele eğim; AR(1) bağımlılık.

• Rapor: β, SE/GA, varyans bileşenleri, ICC.

9) Faktöriyel Tasarımlar (2×2, 3×2…): Ana Etki ve Etkileşim

Faktöriyel deneyler sadece ortalamaları değil, koşullu etkileri de öğretir.

• ANOVA/GLM: Ana etkiler + etkileşim.

• Görselleştirme: Koşullu etkiler grafiği; Johnson–Neyman bölgeleri.

• Yorum: “Program etkisi, düşük ön-test düzeyinde güçlü; yüksek düzeyde minimal.”

10) Çok Kollu ve Çok Sonuçlu Çalışmalar: Hata Enflasyonu Yönetimi

Üç+ kol (A, B, C) ve birden çok sonuçta yalancı pozitif riski artar.

• Karşılaştırma planı: Önceliklendirilmiş hipotez listesi.

• Düzeltme: Holm/Bonferroni, Benjamini–Hochberg FDR; kapalı test prosedürleri (gatekeeping) klinik çalışmalarda yaygın.

• Rapor: Düzeltme yöntemi ve etkilerin GA’ları.

11) Küme Randomize Denemeler (cRCT): ICC, Tasarım Etkisi ve Modelleme

Öğrenciler sınıflarda, hastalar kliniklerde kümelenir.

• ICC > 0 ise bağımsızlık yok; tasarım etkisi ile güç düşer.

• Analiz: Karma modeller/GEE; robust (cluster-robust) SE’ler.

• Birincil ölçüt: Birey düzeyi sonuç için marjinal (GEE) ya da koşullu (GLMM) etkiler; raporda açık yazın.

• Diyagram: CONSORT uzantısı cRCT için ayrı başlıklar gerektirir.

12) Stepped-Wedge, Crossover ve Adaptif Tasarımlar

Stepped-wedge: Tüm kümeler sonunda müdahale alır; giriş sırası randomize.

• Analiz: Zaman trendi + küme rastgele etkisi; carryover etkileri test edin.
  Crossover: Aynı birey farklı koşulları sırayla alır; taşma (carryover) ve washout kritik.
  Adaptif: Ara analizlerle örneklem/kol sayısı ayarı; tip–I hata kontrolü için grup sıralı yöntemler (O’Brien–Fleming, Pocock).

13) Eşdeğerlik ve Alt Kalmama (Noninferiority)

Amaç “en az mevcut kadar iyi”yi kanıtlamaktır.

• Eşdeğerlik: GA tamamen [−Δ, +Δ] içinde.

• Noninferiority: Alt sınır > −Δ.

• Rapor: Δ’nın klinik/uygulama gerekçesi; GA’lı grafik (eşik çizgileri).

14) Bayesçi Yaklaşım: Ön Bilgi ve Olasılıksal Yorum

Bayes, araştırmacıya “etkinin şu eşik üstünde olma olasılığı”nı söyleme fırsatı verir.

• Öncel (prior): Zayıf bilgilendirici (weakly informative) önerilir.

• Çıktı: Posterior dağılım, %95 güvenilirlik aralığı (credible interval), $P(\text{etki}>\delta )$.

• Karar: Pratik eşikler üzerinden olasılıksal iletişim (“%78 olasılıkla d≥0.20”).

15) Zaman Serisi ve Deneyler: ITS ve A/B Testleri

ITS: Tek grup, müdahale öncesi–sonrası uzun seri; seviye ve eğim kırılmaları.
A/B testleri: Çevrim içi deneylerde ardışık analiz riski → alpha-harcama/sequential tasarım.
Rapor: Etkileşimli panolarda p-yoğurma (p-hacking) riski; analiz pencereleri ön-kayıtlı olsun.

16) Aracılık (Mediasyon) ve Moderasyon (Etkileşim)

• Aracılık: Bootstrap GA ile dolaylı etki; deneysel manipülasyon → en güçlü kanıt.

• Moderasyon: Koşullu etkiler; Johnson–Neyman bölgeleri.
  Uyarı: İkincil analiz; ön-kayıt yoksa “keşfedici” etiketleyin.

17) Heterojen Etkiler ve Alt Gruplar: Planlı mı, keşfedici mi?

Alt grup analizleri güçsüz ve yanıltıcı olabilir.

• Planlı alt gruplar: Ön-kayıt + yeterli güç.

• Keşfedici: Çoklu karşılaştırma düzeltmesi + grafikle belirsizlik vurgusu (forest).

• Meta-analitik bakış: Birden fazla çalışmada tutarlılık aranmalı.

18) Eksik Veri Stratejileri: MI, FIML, Duyarlılık Analizi

• MI: m=20+, predictive mean matching; pooled GA’lar raporlanır.

• FIML: Yapısal eşitlik modellerinde güçlü.

• MNAR duyarlılık: Pattern-mixture/selection; “en kötü durum” senaryosu.
  Örnek: Başarı sorusunda %10 eksik; MI sonrası d=0.26 (GA [0.11, 0.41]) → liste bazlı çıkarıma göre daha istikrarlı.

19) Etki Büyüklükleri: d, f, OR/RR, NNT ve Pratik Anlam

• Sürekli: Cohen’s d, ANOVA’da f/η²/ω².

• İkili: OR, RR; risk farkı ve NNT (Number Needed to Treat) politika diline yakındır.

• Rapor: Nokta tahmini + %95 GA; görselde eşik çizgileri (ör. klinik anlamlı değişim).

20) Çoklu Karşılaştırma ve Durdurma Kuralları

• FDR/Bonferroni/Holm: Sonuç ailesi temelinde; gatekeeping yöntemi.

• Ara analiz: O’Brien–Fleming (konservatif), Pocock (daha erken durdurma olasılığı).
  Şeffaflık: Ön-kayıtlı plan ve karar kuralları raporda yer almalı.

21) Grafiksel Anlatım: Forest, Belirsizlik Şeritleri ve Karar Tabloları

• Forest plot: Alt gruplar/kümeler arası etki + GA.

• Belirsizlik şeritleri: Regresyon/olasılık eğrileri etrafında.

• Karar tablosu: Ölçüt | Grup ort.±SS | fark (GA) | etki (d/OR/RR) | p | not.
  İlke: GA türü etikette açık olsun (“%95 GA”).

22) Duyarlılık ve Sağlamlık Analizleri: “Sonuç ailesi”

• Aykırı çıkarımı/robust SE/ alternatif model (log/delta-dönüşüm).

• Farklı kovaryat setleri, farklı kümelenme düzeyleri.

• Rapor: Ana etki aralığı değişmiyorsa sonuç sağlam; değişiyorsa koşullu vurgusu.

23) Örnek Olay A: Eğitimde 2×2 Faktöriyel Sınıf Deneyi

Tasarım: (Müdahale: Var/Yok) × (Geri Bildirim Sıklığı: Düşük/Yüksek). n=480 öğrenci, sınıflarda kümeli.
Analiz: Karma model; öğrenci (1|sınıf), ana etkiler + etkileşim.
Bulgular:

• Müdahale ana etkisi β=3.2 (GA [1.1, 5.3]) puan.

• Sıklık ana etkisi β=1.5 (GA [0.3, 2.7]).

• Etkileşim β=−2.1 (GA [−3.9, −0.3]) → yüksek sıklıkta marjinal fayda azalıyor.
  Yorum: “Daha sık” her zaman “daha iyi” değil; doğru doz önemli.

24) Örnek Olay B: Klinik Noninferiority Denemesi

Amaç: Yeni teleterapi, yüz yüze terapiye göre aşağı kalmıyor mu?
Δ: −3 puan (klinik anlamlı düşüş eşiği).
Sonuç: Ortalama fark = −0.8, %95 GA [−1.7, 0.1] → alt sınır −3’ün üstünde: noninferiority sağlandı.
Ek: Yan etki profili; NNT farkı anlamsız → maliyet-etkinlik öne çıkar.

25) Örnek Olay C: Stepped-Wedge cRCT

Bağlam: 12 okul, her ay 2 okul programa giriyor; 6 ay sonunda tümü müdahalede.
Model: Zaman sabit etkileri + okul rastgele etkileri; robust SE.
Bulgular: Seviye etkisi β=2.6 (GA [1.0, 4.2]); eğim etkisi anlamsız.
Yorum: Program etkisi hızlı—zamana yayılan artış yok.

26) Etik, Kayıt ve Açık Bilim

• Etik kurul onayı ve rıza: Özellikle savunmasız gruplarda.

• Ön-kayıt/registry: hipotez, analiz planı, durdurma kuralları.

• Kod ve veri paylaşımı: Anonimleştirme; analiz betikleri (R/ Stata/ SPSS Syntax), paket sürümleri, seed.

• Tekrarlanabilir rapor: Quarto/R Markdown; “fig-XX_effect.pdf” tutarlı adlandırma.

27) Raporlama Standartları: CONSORT + Alan Uzantıları

• Akış diyagramı: Uygun–randomize–müdahale alan–izlenen–analize dahil.

• Tablolar: Denge, birincil/ikincil sonuçlar, yan etkiler.

• Grafikler: Forest; etki–GA; alt grup.

• Dil: p yerine etki + GA vurgusu; “kanıtlar işaret ediyor” söylemi.

28) Sık Yapılan Hatalar ve Önleme

• Yalnız p-değeri raporu: Etki + GA zorunlu.

• Kümelenmeyi yok saymak: SE küçülür → yanlış pozitif.

• Protokol dışı analizi ana sonuç gibi sunmak: Keşfedici etiketleyin.

• Ara analizlerde alfa harcamasını göz ardı etmek: Tip–I hata artar.

• Alt grup enflasyonu: Ön-kayıt + düzeltme + grafikle belirsizlik.

29) Görselleştirme Atölyesi: Karar Verdiren 3 Şekil

1. Ana Etki Nokta+%95 GA: Müdahale farkı; eşik çizgisi (klinik/uygulama).

2. Alt Grup Forest: Düşük/orta/yüksek ön-test, SES; her biri d ve GA.

3. Olasılık Eğrisi + Şerit: Lojistik modelde geçme olasılığı; temel olasılık dipnotu.
   İpucu: “Hata çubukları %95 GA’dır” etiketi; eksen adı birimle net.

30) Sonuç: Deneysel Analizde Dürüst Belirsizlik ve Etkili Anlatı

Deney, bilimsel iknanın sanatıdır—ama sanat, matematiksel dürüstlük ve tasarımsal disiplin ile güçlenir. İyi bir deneysel analiz:

1. Güç ve örneklem planını yalnız p-değeri değil, güven aralığı genişliği üzerinden kurar;

2. Randomizasyon ve dengeyi saydamca gösterir; dengesizlikte önceden belirlenmiş kovaryatlarla ANCOVA/karma model kurar;

3. ITT’yi temel alır, TOT/CACE ve duyarlılık analizleri ile uyumu tartışır;

4. Etki büyüklüğünü (d/OR/RR/NNT) ve %95 GA’yı merkeze koyar;

5. Kümelenmeyi doğru modeller (GEE/GLMM), ICC’yi raporlar;

6. Çoklu sonuç ve ara analizlerde tip–I hatayı planlı yöntemlerle kontrol eder;

7. Alt grup ve heterojen etkiyi ya ön-kayıtla güçlendirir ya “keşfedici” diye etiketler;

8. Aracılık–moderasyon ve mekanizma anlatısını bootstrap GA ve koşullu etkilerle destekler;

9. Görselleştirmede belirsizliği saklamaz; forest ve şeritlerle karar verdirir;

10. Etik–kayıt–açık bilim ilkeleriyle kod ve veriyi mümkün ölçüde paylaşır;

11. CONSORT ve alan uzantılarıyla raporu standartlaştırır.

Son kertede, güçlü deneysel analiz “kazandık mı?” sorusundan daha fazlasını yanıtlar: Ne kadar kazandık? Kimler için? Hangi maliyetle? Ne kadar emin? Yanıtları bu çerçevede verdiğinizde, çalışmanız yalnız yayın almakla kalmaz; pratik dünyada karar olur. Deney, belirsizlikle dürüstçe konuşabildiğimiz ölçüde ikna eder. Bu yüzden şiar şu olsun: Etkiyi göster, belirsizliği saklama, mekanizmayı anlat, tasarımı savun.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademide Deneysel Araştırmalarda Veri Analizi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Mesaj Mimarisi: “Tek Büyük Mesaj” ve Üç Destekleyici Argüman

Etkili sunumların omurgasında “tek büyük mesaj” (TBM) bulunur: Araştırmanızın dinleyiciye bırakmasını istediğiniz bir cümlelik öz.

• Uygulama: TBM’nizi slayt 1’de ve sonuç slaytında aynı ifadeyle yazın.

• Kural: TBM’yi üç temel argümanla destekleyin (bulgu A, bulgu B, yöntemsel sağlamlık C).

• Örnek Olay: Okul tabanlı okuma müdahalesi: “Düşük maliyetli program, düşük SES okullarda anlamlı ve pratik açıdan önemli kazanımlar getirir.” Argümanlar: (1) Etki büyüklüğü ve GA, (2) Alt grup etkileşimi, (3) Duyarlılık analizleri.

2) Dinleyici Analizi: Hakem Kurulundan Lisans Öğrencisine Kadar

Sunumun dili ve derinliği, dinleyici profilinize göre ayarlanır.

• Akademik jüri: Yöntemsel ayrıntı, varsayım kontrolleri, güven aralıkları, alternatif modeller.

• Alan dışı araştırmacılar: Kavramsal çerçeve ve görsel anlatım.

• Uygulayıcılar (öğretmenler, yöneticiler): Pratik anlamlılık, maliyet-etkinlik ve uygulanabilirlik.

• Uygulama: Sunum öncesi 1 slaytlık “Kim için konuşuyorum?” özeti hazırlayın; terim sözlüğü yedekte bulunsun.

3) Slayt Ekonomisi: 10–20–30 + (GA Kuralı)

Guy Kawasaki’nin 10–20–30 kuralı (10 slayt, 20 dakika, 30 punto) akademide birebir uygulanmayabilir; ancak slayt ekonomisi esastır.

• İlke: Slayt başına tek mesaj.

• Tipografi: 28–32 punto başlık, 18–24 punto metin; satır başına 8–12 kelime.

• Boşluk (negatif alan): Okunabilirliğin en güçlü müttefiki.

• GA Kuralı (bu yazının katkısı): Her sayısal iddia için mutlaka güven aralığı ya da belirsizlik göstergesi ekleyin (en azından hata çubuğu/şerit).

4) Grafik Okuryazarlığı: Hangi Veriye Hangi Grafik?

• Ortalama + dağılım: Nokta grafiği + %95 GA (çubuk yerine nokta önerilir).

• Gruplar arası fark: Nokta + GA veya violin + özet nokta; boxplot anlaşılır ama GA taşımaz → dipnotla netleştirin.

• Etkileşim (moderasyon): Koşullu etkiler çizimi (±1 SS) + gömülü tablo.

• Zaman serisi: Çizgi + belirsizlik şeridi; yapısal kırılma işaretleri.

• Lojistik model: Olasılık eğrisi (x ekseni: yordayıcı; y ekseni: geçme/başarı olasılığı) + GA şeridi.

• Meta-analiz/çoklu sonuç: Forest plot (her satır etki ve GA).

• Uygulama Hatası: 3B çubukları ve gereksiz efektlerden kaçının; ölçek hileleri güveni zedeler.

5) Renk, Kontrast ve Erişilebilirlik

• Renk körlüğü dostu palet: Yeşil-kırmızı yerine mavi-turuncu.

• Kontrast: Açık arka plan + koyu metin; kritik vurgular tek renkle.

• Erişilebilirlik: Yüksek kontrast oranı (≥4.5:1), şekillerde yalnız renge güvenmeyin; desen/çizgi tipi ayrımı ekleyin.

• Uygulama: Slayt sonuna “erişilebilirlik kontrolü” checklist’i: alt yazı, alternatif metin, yeterli font boyutu.

6) Tabloları Sahneye Uygun Hale Getirmek

Makaledeki tablo ≠ sunum tablosu. Slayt, karar tablosu ister.

• Sütunlar: Tahmin | %95 GA Alt–Üst | Etki (d/OR) | p | Not

• Yoğunluğu azaltın: Hücrede tek satır, gereksiz ondalık yok (iki ondalık genelde yeter).

• Vurgu: TBM’ye hizmet eden satırları kalın/ikon ile işaretleyin.

• Örnek: “Deney–kontrol farkı: d=0.28 (%95 GA [0.10, 0.45])” tek satırda görünür olmalı.

7) Belirsizlik Anlatımı: GA, SE, Tahmin Aralığı

• GA vs SE: Hata çubuklarının neyi gösterdiğini etikette açık yazın.

• Tahmin aralığı (prediction interval): Birey düzeyindeki değişkenliği anlatırken kullanın.

• Ek Slayt: “Belirsizliği nasıl ölçtük?”—kısa bir notla yöntemi şeffaflaştırın (bootstrap, robust SE, cluster-robust vb.).

8) Varsayımlar ve Sağlamlık: “Neden Bu Sonuçlara Güvenelim?”

• Varsayımlar: Normallik, homojenlik, bağımsızlık, çoklu doğrusal bağlantı; ihlal varsa ne yaptınız?

• Sağlamlık: Aykırı değer çıkarımı, alternatif model, farklı imputation ile sonuçlar benzer mi?

• Slayt Şablonu: “Sağlamlık Panosu”—3 madde, 1 grafik (duyarlılık aralığı).

9) Etki Büyüklüğü ve Pratik Anlamın Sahnelemesi

Dinleyici p-değerinden ziyade anlam arar.

• Ölçekleme: d=0.28’i “%5–7 puanlık kazanım” gibi pratik dile çevirin (bağlama dikkat).

• Eşikler: Kurumsal eşik (ör. d≥0.25) ile GA’nın örtüşmesini gösterin.

• Maliyet–etkinlik: 1 puan artış için birim maliyet slaytı → karar verici iknası.

10) Anlatı Akışı: Sorudan Yönteme, Bulgudan Sonuca

5 adım kurgusu:

1. Neden? (Boşluk, kuramsal çerçeve)

2. Nasıl? (Tasarım, ölçüm, örneklem)

3. Ne bulduk? (Ana etki, alt grup, etkileşim)

4. Ne kadar emin? (GA, duyarlılık, dış geçerlik)

5. Ne yapmalı? (Politika/uygulama önerisi, gelecek iş)

• Uygulama: Her adım tek bir “özet” slaytına bağlanır; TBM ipi hiç bırakılmaz.

11) Alanlara Göre İncelikler: Eğitim, Sağlık, Mühendislik, Sosyal Bilimler

• Eğitim: Heterojen etkiler (SES, okul türü), sınıf içi uygulanabilirlik; grafiklerde sınıf kümelenmesini vurgulayın.

• Sağlık: Risk farkı, OR/RR, yan etki profilleri; NNT/NNT-harm göstergelerini sade grafikle sunun.

• Mühendislik: Ölçüm belirsizliği, cihaz toleransları, tekrarlanabilirlik; deney set-up görseli.

• Sosyal Bilimler: Ölçek güvenirliği (α/ω), nitel temalardan alıntılarla nicel bulguların köprülenmesi.

12) Karma (Mixed) Sunum: Nicel–Nitel Entegrasyonu

• Triangulation Matrix: Nicel etki (d/OR + GA) ↔ Nitel tema alıntıları.

• Zıt Örnekler: İstisnaları özellikle gösterin; güven artar.

• Görsel: İki sütunlu slayt: solda grafik, sağda tematik alıntı.

13) Etkileşimi Anlatmak: “Kim İçin, Hangi Koşulda, Ne Kadar?”

• Johnson–Neyman: Anlamlı bölgeyi görselleştirerek “eşik” anlatın.

• Koşullu etkiler tablosu: X düşük/orta/yüksek düzeyde etki ve GA.

• Hata: Etkileşimsiz ortalama etkiyi “herkes için” genellemek.

14) Meta-Analitik Zihin: Tek Çalışmada Bile “Kıyas” Sunmak

• Karşılaştırma: Alan meta-analizindeki tipik etkiyle sizin etkinizi aynı eksende gösteren mini–forest.

• Yorum: Sizin GA’nız meta-analiz GA’sıyla örtüşüyor mu? Fark nereden geliyor?

15) Zaman Yönetimi ve Ritm: 20 Dakikada Bilimin Senaryosu

• Dakika 0–2: TBM + yol haritası.

• 2–6: Kuram ve literatürde boşluk.

• 6–9: Tasarım ve ölçüm (yalın).

• 9–14: Ana bulgular (grafik ağırlıklı, GA görünür).

• 14–17: Sağlamlık, sınırlılıklar, genellenebilirlik.

• 17–19: Öneriler ve etki.

• 19–20: Tekrar TBM ve teşekkür.

• Yedek Slaytlar: Yöntem, ek tablolar, test ayrıntıları, koda dair notlar.

16) Sahnede Anlatım: Ses, Jest, Soru Yönetimi

• Ses: Orta hız, kritik cümlede bilinçli durak; sayıları yutmayın.

• Jest: Grafiğin kritik noktasını lazerle işaretleyip sonra kapatın; sürekli yanıp sönen işaret dikkat dağıtır.

• Sorular: Önce soruyu tekrar edin (herkes duysun), sonra veriye dönün; bilmediğinizi dürüstçe kabul etmek güven üretir.

17) Sınırlılıkları Sahiplenmek: Güven İnşasının Kısa Yolu

• Örneklem Sınırı: Temsil gücü, bağlam.

• Ölçüm Hatası: Düşük güvenirliğin etkiyi zayıflatması.

• Tasarım: Gözlemsel çalışmada konfonder riski.

• Sunum Stratejisi: “Sınırlılıklar → neyi nasıl etkiler?” diyerek TBM’yi zedelemeden olgun aktarım.

18) Aykırı Değer ve Duyarlılık Sonuçlarını Nasıl Göstermeli?

• Plot: Ana tahmin + farklı spesifikasyon GA’larını tek eksende (ince çizgiler).

• Mesaj: “Model varsayımları değişse de ana etki istikrarlı.” / “X varsayımı kritik—dikkat.”

19) Kod ve Tekrarlanabilirlik: Slaytta Ne Kadar, Ek’te Ne Kadar?

• Slayt: Analiz boru hattının (pipeline) diyagramı; paket adları küçük dipnot.

• Ek: Git/OSF bağlantısı, sürüm bilgisi, seed.

• Yarar: Soru-cevapta “nasıl yaptınız?” sorularını güvenle karşılamak.

20) Poster Sunumlarında Veri Anlatımı

• Düzen: Sütunlu grid; TBM başlıkta.

• Grafik: Büyük, az ama okunur; GA/hata çubuğu görünür.

• QR: Kod/kaynakça/ek tabloya bağlantı.

• İletişim: 60 saniyelik elevator pitch metnini önceden yazın.

21) Online Sunumlar: Ekranda Veri Okunabilirliği

• Yazı boyutu: 24+; ekran paylaşımında ölçek kaybına dikkat.

• İnteraktiflik: Anket/mini quiz ile kritik kavşakta etkileşim.

• Kayıt: Paylaşılacaksa etik onay/gizlilik notu slaytı.

22) Etik Sunum: P-Hacking İmajından Kaçınmak

• Açıklık: Ön kayıt varsa belirtin; keşfedici analizleri etiketleyin.

• Çoklu Test: FDR/Bonferroni uygulandığını yazın.

• Olumsuz Bulgular: “Yokluk=kanıt” gibi yazmayın; belirsizliği anlatın.

23) Vaka Senaryosu A: Okul Tabanlı Okuma Programı

• Grafik 1: Ortalama fark nokta+%95 GA; d=0.28 (GA [0.10,0.45]).

• Grafik 2: Alt grup etkileşimi (SES düşük/yüksek): kızlarda d=0.40 (GA [0.15,0.64]).

• Slayt Notu: “Maliyet düşüktür; pilot yaygınlaştırma önerilir.”

• Duyarlılık: Aykırı çıkarımı sonrası d=0.27—istikrarlı.

24) Vaka Senaryosu B: Lojistik Regresyonla Başarı Olasılığı

• Grafik: Müdahale=1,0 için başarı olasılığı eğrisi + GA şeridi.

• Anlatım: “Müdahale, geçme olasılığını yaklaşık %6–%18 artırıyor; en olası artış %12.”

• Ek: OR=1.42 (GA [1.10,1.86]); taban olasılığı dipnotta.

25) Vaka Senaryosu C: Nitel Temalarla Nicel Etkinin Köprülenmesi

• Slayt: Sol—Forest plot; Sağ—katılımcı alıntıları.

• Mesaj: Nicel etkinin küçük-orta düzeyine karşın algıda “gözle görülür” iyileşme; ölçüm duyarlılığı ve uygulama heterojenliği tartışılır.

26) “Bir Slayt, Bir Hikâye”: Başlık-Alt Mesaj-Dipnot

• Başlık: Cümle formunda sonuç (“Program düşük SES’te belirgin”).

• Alt Mesaj: d ve %95 GA.

• Dipnot: Varsayım/düzeltme (Welch, FDR).

• Kural: Başlık, slaytın neden var olduğunu tek cümlede söylesin.

27) Sık Yapılan Hatalar ve Düzeltmeler

• Hata: Pano dolusu tablo. → Çözüm: Karar tablosu + ek link.

• Hata: GA’sız grafik. → Çözüm: Hata çubuğu/şerit, etiket.

• Hata: Erişilemeyen font/renk. → Çözüm: Yüksek kontrast, renk körlüğü paleti.

• Hata: Yöntemi saklamak. → Çözüm: 1 slayt “nasıl” + ek materyal.

• Hata: Etkileşimi anlatmadan ortalama etkiyi genellemek. → Çözüm: Koşullu etkiler.

28) Sunum Öncesi Kontrol Listesi

1. TBM net mi ve başlıkta yazıyor mu?

2. Her sayısal iddiada GA/SE açık mı?

3. Grafikler doğru türde ve ölçekli mi?

4. Varsayım/sağlamlık slaytı var mı?

5. Tablo ondalıkları sadeleştirildi mi?

6. Renk/kontrast erişilebilir mi?

7. Zaman planı prova edildi mi?

8. Yedek slaytlar hazır mı?

9. Sınırlılıklar dürüstçe yazıldı mı?

10. Uygulama önerisi/çıkarım net mi?

29) Sunum Sonrası: Soru-Cevap Stratejisi

• Tekrarlama: Soruyu yineler, bağlamı netler.

• Köprü: “Güzel bir nokta; şu slayta dönelim.”

• Belirsizlik: “Burada GA geniş, bu yüzden ihtiyatlıyız.”

• Açık Bilim: Kod/veri erişim yolunu paylaşın.

30) Kuruma/Derneğe Göre Uyum

• Kongre şablonu: Logoları sadeleştirip TBM’yi başlığa taşıyın.

• Zaman kısıtı: 8–12 dk’lık “hızlı oturum” için tek-bulgu seçin; geri kalanı poster/ek QR’a bağlayın.

31) Sonuç: Görsel Kanıt, Etik Anlatı, İkna Edici Mesaj

Akademik sunum, veriyi ışığa tutma sanatıdır. Başarısı; tek büyük mesaj etrafında çizilmiş net bir yol haritasına, belirsizliği gizlemeyen güven aralığı odaklı grafiklere, erişilebilir ve sade tasarıma, varsayımları ve sınırlılıkları sahiplenen etik bir dile ve uygulanabilir önerilere bağlıdır. Dinleyici; yalnızca “ne bulduğunuzu” değil, ne kadar emin olduğunuzu, kimler için ne anlama geldiğini ve neyi nasıl değiştirebileceğini duymak ister. Bu nedenle, sunumunuzu bir “sonuç listesi” olarak değil, kanıt temelli bir hikâye olarak kurgulayın: girişte merakı uyandırın, ortada veriyi konuşturun, finalde bellek dostu bir mesaj bırakın. Böylece araştırmanız, yalnız makalede değil, sahnede de ikna gücünü bulur.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.

The post Akademik Sunumlarda Analiz Verilerinin Anlatımı first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.