1) T-Testinin Ailesi: Üç Tür, Üç Anlatı

Tek örneklem t-testi bir ortalamanın bilinen/sabit bir değerden sapıp sapmadığını sınar (ör. bir ölçek puanı 50’den farklı mı?).
Bağımsız örneklemler t-testi iki bağımsız grubun ortalamalarını karşılaştırır (ör. deney vs kontrol).
Eşleştirilmiş/tekrarlı ölçüm t-testi aynı bireylerin önce/sonra puanlarını veya eşleştirilmiş birimlerin farkını test eder.

Yazım ipucu: Türü başlıkta belirtin: “Eşleştirilmiş t-testi: Program sonrası okuma puanları arttı (d=0.36, %95 GA [0.14, 0.58]).”

2) Varsayımlar: Ne Zaman T, Ne Zaman Alternatif?

• Süreklilik/ölçek: T-testi, aralık oran düzeyinde (yaklaşık) sürekli sonuçlar varsayar.

• Bağımsızlık: Bağımsız t’de gruplar arası bağımsızlık, eşleştirilmişte farkların birey içi bağımlılığı gözetilir.

• Normalite (yaklaşık): Küçük örneklemlerde önemlidir; Merkezi Limit Teoremi büyük örneklemlerde esnetir.

• Varyans homojenliği: Bağımsız t’de kritik; sağlanmazsa Welch t kullanılır.

Uygulama: Normaliteyi artık düzeyinde ve grafikle düşünün (histogram, Q–Q). Tek başına bir Shapiro testi sonucu, özellikle n büyükken, karar için yeterli değildir.

3) Welch Düzeltmesi: Eşit Olmayan Varyanslar İçin Varsayıma Karşı Sigorta

Varyanslar eşit değilse (Levene/Brown–Forsythe anlamlı) Welch t-testi, serbestlik derecesini ayarlayarak tip I hatayı kontrol eder.
Rapor şablonu: “Varyanslar eşit değildir (Levene p=.02); Welch t(153.4)=2.61, p=.010; d=0.34, %95 GA fark [0.6, 3.1].”

4) Eşleştirilmiş T-Testi: Farkların Dünyası

Önce–sonra ya da eşleştirilmiş birimlerde, analiz farklar üzerinden yürür: di=sonrai−o¨nceid_i = \text{sonra}_i – \text{önce}_idi​=sonrai​−o¨ncei​.

• Farkların dağılımı yaklaşık normal ise t-testi uygundur.

• Pratikte etki büyüklüğü d_av veya dz (Cohen) tercih edilebilir.
  Yorum dili: “Puan farkı ort.: +2.4; %95 GA [1.0, 3.8]; dz=0.36.”

5) Etki Büyüklükleri: d ve g Olmadan T Yarım Kalır

Cohen’s d: Farkın standart sapmaya oranı. Küçük–orta–büyük için (yaklaşık) 0.2–0.5–0.8 rehber kabul edilir; alan ve ölçekte bağlama bağlıdır.
Hedges’ g: Küçük örneklemde d’nin önyargı düzeltilmiş sürümü.
Eşleştirilmiş tasarımlarda d hesaplanırken ortak varyans dikkate alınır (farkların SD’si).
Rapor: “d=0.36 (Hedges g=0.35), %95 GA [0.14, 0.58]; pratik eşik d=0.25’in üzerinde.”

6) Güven Aralıkları: p’nin Söylemediğini Söylemek

%95 Güven aralığı (GA), ortalama fark için olası değer aralığını verir.

• GA eşik ile birlikte yorumlanmalı (ör. eğitimde +2 puan).

• Belirsizliği görünür kılar: “Fark 0’a yakın değil” yerine “GA 0’ı dışlıyor/dışlamıyor” deyin.
  Şablon: “Fark=+2.1 puan; %95 GA [0.5, 3.7]; pratik eşik 2 puan → alt sınır eşiği zorluyor.”

7) Pratik/Politika Önemi: Mutlak Fark ve Karar Eşiği

İstatistiksel önem ≠ pratik önem.

• Mutlak fark (puan, mmHg, gün) ve eşik (δ) birlikte verilsin.

• Karar grafikleri: Eşik çizgisi + GA.
  Örnek: “+2.4 puan artış; eşik 2 idi; alt sınır 1.0 → orta düzeyde pratik anlam.”

8) Örneklem Büyüklüğü ve Güç: “Neden Anlamlı Çıkmadı?”

Güç (1−β), gerçekte fark varken t-testinin bunu yakalama olasılığıdır.

• Küçük n → geniş GA, belirsizlik yüksek.

• Pilot çalışmada varyans tahmini alın; güç analizi ile n planlayın.
  Rapor: “Güç=0.78 (α=.05, beklenen d=0.35). Anlamlılık sınırında sonuçlar beklenen büyüklükle uyumlu.”

9) Aykırılar ve Dayanıklılık: Tek Nokta Bütün Cümleyi Bozmasın

• Görsel denetim (box/violin + ham nokta) ile aykırıları inceleyin.

• Robust alternatifler: Yuen (kırpılmış ortalama t), MWU/Wilcoxon, permütasyon t-testi.

• Duyarlılık analizi: Aykırıları winsorize veya trim edip sonuç yön/büyüklüğünü kıyaslayın.
  Yazım: “Yuen testi sonuç yönünü korudu; etki 0.33→0.30.”

10) Normalite Endişesi: Ne Zaman Dönüşüm, Ne Zaman Alternatif?

• Hafif sapmalarda t-testi dayanıklıdır; Welch varyans dengesizliğine de dayanıklı.

• Şiddetli çarpıklık: log/Box–Cox dönüşümü veya MWU/Wilcoxon.

• Geniş örneklem: CLT sayesinde test güvenlidir; raporda dağılım şekline kısa not ekleyin.

11) Çoklu Karşılaştırmalar: t-Şelalesine Düşmeyin

Birden fazla t-testi → yanlış pozitif riski.

• Düzeltmeler: Holm/Bonferroni; keşifselde FDR (BH).

• Aile tanımı: Birincil–ikincil–keşifsel sonuçları ayırın.
  Rapor: “İkincil ailede FDR q<.05 sonrası yalnız iki fark kalıcıdır.”

12) Tek Yönlü vs Çift Yönlü: Önceden Yazılmadıysa Çift Yönlü

Tek yönlü test, yalnız belirli yöndeki farkı sınar; ön kayıtsız “sonradan” tek yönlüye dönmek önyargıdır.
Şablon: “Analiz planında çift yönlü sınama öngörülmüştür; p-değerleri buna göre raporlanmıştır.”

13) Eşdeğerlik (TOST) ve Noninferiority: “Yok”u Göstermenin Bilimsel Yolu

Anlamlı fark çıkmaması eşdeğerlik kanıtı değildir.

• TOST: Farkın ±Δ içinde olduğunu test eder.

• Noninferiority: Alt sınırın −Δ’nin üstünde kalması.
  Rapor: “Fark −0.8; %95 GA [−1.7, 0.1]; noninferiority sınırı −3 → noninferior.”

14) Bayesçi T-Testi: BF ile Kanıt Oranı

Bayes faktörü (BF), veri altında H1’in H0’a göre ne kadar olası olduğunu oranlar (örn. BF10=6: H1 lehine 6:1).

• Önsel seçim şeffaf olmalı.

• ROPE (pratik önemsizlik bölgesi) ile birlikte raporlayın.
  Yazım: “BF10=5.8; etki büyüklüğünün ROPE ±0.2 SD dışında kalma olasılığı .71.”

15) Anket ve Tasarım Ağırlıkları: Complex Samples’ta T-Testi

Klasik t-testi basit rastgele örneklem varsayar; anket tasarımlarında ağırlık/PSU/strata dikkate alınmalıdır.

• Tasarım etkisi (DEFF) → standart hatalar ve p-değerleri.

• Rapor: “Ağırlıklandırılmış ortalamalar ve tasarıma duyarlı t testi: fark=+2.3 [0.8, 3.9], p=.004; DEFF=1.5.”

16) Kümeli Tasarımlar: Sınıf/Okul Etkisi Varken Bireyleri Bağımsız Saymayın

Deneysel eğitim çalışmalarında sınıflar/okullar rasgeleleştirilmiş olabilir. Bireyleri bağımsız almak tip I hatayı şişirir.

• Çözüm: Birim=küme ortalamalarıyla t-testi veya karma model.

• Rapor: “Kümeler arası varyans (ICC=.07) dikkate alındı; küme ortalamalarıyla Welch t uygulandı.”

17) Kayıp Veri: Listwise Silme mi, MI mı?

Eksikler rastgele değilse (MAR), listwise silme yanlılık üretir.

• Çoklu Atama (MI) sonrası fark ve GA’lar havuzlanır.
  Şablon: “MI (m=20) sonrası fark +2.3→+2.1; sonuç yönü korunmuştur.”

18) Görselleştirme: Sütunları Bırakın, Nokta + GA’ya Geçin

T-testi sonuçlarını nokta + %95 GA ile gösterin; dağılımı violin/kutu + ham nokta ile ekleyin.

• Forest: Çoklu grup karşılaştırmalarında iyi bir özet.

• Eşik çizgisi: Pratik sınır (δ) görünür olsun.

19) Raporlama Şablonları: Metin–Tablo–Şekil Üçlüsü

Metin (örnek):
“Deney grubunun okuma puanı kontrol grubundan 2.4 puan yüksektir (Welch t(153.4)=2.61, p=.010). %95 GA [0.6, 3.1], Hedges g=0.35. Varyanslar eşit değildir (Levene p=.02). Etki, eğitimde anlamlı kabul edilen +2 puan eşiğini aşmaktadır.”

Tablo (özet sütunları): Ortalama | SD | n | Fark | %95 GA | t(df) | p | d/g | Not (Welch/Levene, tasarım, MI).
Şekil: Nokta+GA (fark), violin/kutu+ham nokta, eşik çizgisi.

20) Disipline Göre Nüanslar

• Eğitim: Kümeli tasarım, ICC ve hedef pp (yüzde puan) eşiği; n çoğu zaman sınıf sayısıyla sınırlı.

• Sağlık: Klinik eşikler, noninferiority/eşdeğerlik; mmHg, HbA1c gibi birimli farklar.

• Sosyal bilimler: Anket ağırlıkları, Complex Samples t-testi; çoklu karşılaştırma ve FDR.

• Mühendislik/doğa: Ölçüm belirsizliği, tekrarlı deney; robust ve permütasyon testleri.

21) Yaygın Hatalar ve Hızlı Onarım Cümleleri

• Hata: Yalnız p-değeri raporlamak.
  Onarım: “Fark x, %95 GA [a, b], d/g=….”

• Hata: Varyans homojenliğini ihmal etmek.
  Onarım: “Levene raporu + Welch t sonuçları eklendi.”

• Hata: Çoklu karşılaştırmayı kontrol etmemek.
  Onarım: “İkincil ailede FDR q<.05 uygulandı.”

• Hata: Kümeli/anket tasarımını yok saymak.
  Onarım: “Tasarım etkisi (DEFF) ile düzeltildi; tasarıma duyarlı t.”

• Hata: Normaliteye aşırı duyarlılık.
  Onarım: “Robust/permütasyon analizleriyle doğrulandı (sonuç yönü sabit).”

• Hata: Eşdeğerliği “anlamlı değil” diye ilan etmek.
  Onarım: “TOST/noninferiority testiyle eşdeğerlik sınandı.”

22) Uygulamalı Örnek A—Eğitim: Program Etkisi

Bağlam: 10 okul, 40 sınıf; deney vs kontrol.
Analiz: Sınıf ortalamalarıyla Welch t (kümeler arası farklı n), ek olarak karma model.
Bulgular: Fark +2.4 puan, %95 GA [0.6, 3.1]; g=0.35; Levene p=.02; ICC=.07.
Yorum: Pratik eşik +2 puan aşıldı; düşük SES sınıflarında fark daha yüksek (keşifsel).

23) Uygulamalı Örnek B—Sağlık: Noninferiority

Bağlam: Yeni prosedürün ağrı skoruna etkisi (0–10).
Analiz: Eşleştirilmiş t (önce/sonra); noninferiority Δ=−1.
Bulgular: Fark +0.2; %95 GA [−0.3, 0.7]; alt sınır −1’in üstünde → noninferior.
Yorum: Klinik pratikte kabul eşiğini karşılıyor; kaynak verimliliği yüksekse önerilebilir.

24) Uygulamalı Örnek C—Sosyal Bilimler: Politika Duyurusu Öncesi/Sonrası

Bağlam: Politika duyurusu öncesi/sonrası güven endeksi (aynı bireyler).
Analiz: Eşleştirilmiş t; duyarlılık için Wilcoxon ve permütasyon.
Bulgular: Fark +0.18 (0–1 ölçek), %95 GA [0.06, 0.30], p=.003; Wilcoxon uyumlu.
Yorum: Küçük-orta etki (dz≈0.28), kısa vadede pozitif kayma.

25) Karar Tablosu—Yazıya Yapıştır & Kullan

26) “Gönder Tuşu” Öncesi Kontrol Listesi

1. Test türü uygun mu (bağımsız/paired/tek örneklem)?

2. Varyans homojenliği sınandı mı; Welch raporlandı mı?

3. Normaliteye ilişkin görsel/analitik kanıt sunuldu mu?

4. Etki büyüklüğü (d/g) ve %95 GA verildi mi?

5. Pratik eşik (δ) ile yorumlandı mı?

6. Çoklu karşılaştırmalar için aile ve düzeltme yazıldı mı?

7. Kümeli/anket tasarımı veya ağırlıklar dikkate alındı mı (DEFF/PSU/strata)?

8. Eksik veri stratejisi (MI) ve duyarlılık analizleri (robust/permütasyon) raporlandı mı?

9. Şekiller erişilebilir mi (nokta+GA, violin/kutu+ham nokta)?

10. Ön kayıt/analiz planına uygunluk belirtildi mi?

27) Sonuç: T-Testini Bir Cümle Değil, Bir Kanıt Mimarisine Dönüştürmek

T-testi, doğru kullanıldığında hızlı, sezgisel ve güçlü bir karşılaştırma aracıdır; yanlış raporlandığında ise “anlamlı/anlamsız” ikiliğine sıkışıp bilginin özünü gölgeler. İyi bir akademik anlatı:

1. Doğru testi seçer (Student/Welch/paired) ve varsayımları şeffafça sunar,

2. Farkın büyüklüğünü (d/g) ve belirsizliğini (%95 GA) rapor eder,

3. Pratik eşikleri (δ) görünür kılar; yalnız p-değerine yaslanmaz,

4. Varyans eşitsizliği ve normalite sapması gibi durumlarda Welch, robust ve permütasyon alternatifleriyle dayanıklılık gösterir,

5. Çoklu karşılaştırmaları aile ve FDR/Holm ile yönetir,

6. Kümeli/anket tasarımlarında DEFF/PSU/strata ile doğru SE hesaplar,

7. Eşdeğerlik ve noninferiority gibi modern karar çerçeveleriyle “fark yok” iddiasını bilimsel yoldan sınar,

8. Bayesçi bakışla kanıt oranını (BF) ölçülü biçimde iletişim diline taşır,

9. Görselleştirmeyi belirsizlik odaklı kurar (nokta + GA, violin/kutu + ham nokta),

10. Ön kayıt ve güç analizi ile sonucu bağlama yerleştirir.

Kısacası, t-testi yalnızca “fark var mı?” sorusunu değil, “fark ne kadar, ne kadar eminiz ve bu ne anlama geliyor?” sorularını da yanıtlamalıdır. Bu üçlü yanıt, bulguların hem bilimsel doğruluğunu hem de uygulama değerini birlikte yükseltir.

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 Yazımda T-Testi Sonuçlarının Yorumlanması first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Stratejik Başlangıç: “İzleyici Kim, Mesaj Ne?”

• Hedef kitleyi profilleyin: Alan içi uzman mı, disiplinler arası mı, fon paneli mi, genel kamu mu?

• Tek cümlelik tez: “Program düşük SES’te küçük–orta ama pratik anlamlı bir artış sağladı.” Bu cümleyi her figür hizmet edecek şekilde kurun.

• İskelet: 1) Soru, 2) Tasarım (kısaca), 3) Ana bulgu (1–2 figür), 4) Belirsizlik, 5) Pratik sonuç/öneri, 6) Sınırlılık–gelecek adım.
  Kontrol listesi: Her slayt için “Tek bakışta ne anlıyorum? Bu, ana teze nasıl hizmet ediyor?”

2) Grafik Türü Seçimi: Mesaja Göre Eşleştirme

• Dağılım: Yoğunluk/kutu-çizgi/violin (n kıyasları).

• İlişki: Serpme (scatter) + eğim şeridi (GA), küçük çokluklar (small multiples).

• Zaman: Çizgi (trend) + belirsizlik şeridi; çok seri varsa heksabin/loess veya facet.

• Kategorik karşılaştırma: Sütun yerine nokta + GA veya slopegraph; “3B sütun” ve pasta grafikten kaçının.

• Altgrup etki: Forest (OR/d ve %95 GA).

• Akış ve süreç: Akış (CONSORT, PRISMA), DAG (nedensel).
  İlke: “Ne göstermek istiyorum?” → fark mı, ilişki mi, trend mi, akış mı; türü buna göre seçin.

3) Belirsizlik Gösterimi: Hata Çubuğu mu, %95 GA mı, Tahmin Bandı mı?

• Etki tahmini için %95 güven aralığı (nokta + çizgi) kullanın; “hata çubuğu” yazıp türünü belirtmemek yanlıştır.

• Tahmin bandı (prediction interval) bireysel değişkenlik içindir; güven bandı ile karıştırmayın.

• Eşik temelli sunum: Klinik/uygulama δ eşiğini dikey çizgi/şerit olarak ekleyin (“etki en az δ mı?”).
  Örnek başlık: “Müdahale etkisi: d=0.28 (GA [0.10, 0.45]); eşik d=0.25’in üzerinde.”

4) Renk, Kontrast ve Erişilebilirlik: Herkes İçin Okunur Görselleştirme

• Renk körlüğü dostu paletler: mavi–turuncu, mor–yeşil; tek başına renge güvenmeyin, çizgi/desen/ikonla ayırt edin.

• Kontrast: Metin–zemin oranı ≥4.5:1; projeksiyon için koyu metin/açık arka plan çoğunlukla daha net.

• Etiketleme: Lejant yerine doğrudan etiket; eksenlerde birim ve GA türü belirtilmeli.

• Erişilebilirlik notu: Ekran okuyucuya yönelik alternatif metin (poster ve PDF için).

5) Tipografi ve Sayfa Düzeni: Bilişsel Yükü Azaltmak

• Yazı tipleri: Sans-serif (Inter, Source Sans, Noto Sans) ekranda daha okunaklı; başlık 36–44 pt, gövde 24–32 pt, aksaklık yok.

• Izgara düzeni: 12 sütun/satır ızgarası; hizalanmış başlık–grafik–not üçlüleri.

• Beyaz alan: %30–40 boşluk; görsel nefes almalı.

• İçerik yoğunluğu: “1 slayt = 1 fikir = 1 figür” kuralı; gerekirse arka yedek slaytlarda ayrıntı.

6) Başlıklar Konuşsun: Cümle Kipinde, Kararı Özetleyen Başlıklar

• “Sonuçlar” yerine “Düşük SES’te etki daha yüksek”.

• “ROC Eğrisi” yerine “Model ayrımı güçlü (AUC=.81), düşük olasılıklarda hafif aşırı tahmin”.
  Etki: Başlıklar izleyiciye neye bakması gerektiğini söyler; grafik sadece kanıtlar.

7) Metin–Tablo–Şekil Üçgeni: Yinelenmesin, Tamamlasın

• Şekil: Ana mesaj + belirsizlik.

• Tablo: Tam rakamlar (kopyala–yapıştır için), fakat konuşma sırasında yedek slaytta.

• Metin: 2–3 madde ile “ne anlama geliyor” çevirisi (etki büyüklüğü + GA + pratik eşik).
  Kural: Aynı şeyi üç farklı yerde aynen tekrarlamayın; rolleri paylaştırın.

8) Animasyon ve Sıralama: Adım Adım Düşündürmek

• Sahneleme: Önce eksen ve eşik; sonra kontrol; en son müdahale.

• Aşırı animasyon yok: Sol–sağ “uçuşlar” yerine “belirme (fade)”.

• Kümülatif hikâye: Aynı grafiği katman ekleyerek ilerletin; her adımda başlık yenilensin.

• Live coding/etkileşim: Sadece kusursuz prova ve düşük risk varsa; aksi hâlde ekran yakalama (gif/video) kullanın.

9) Konferans, Tez Savunması ve Fon Paneli: Bağlama Göre Ton

• Konferans: 10–12 slaytta tek ana fikir; yöntem ayrıntıları yedekte.

• Tez savunması: Tasarım ve geçerlik/güvenirlik daha görünür; DAG, CONSORT, eşdeğerlik/test gücü grafikleri.

• Fon paneli: Problem büyüklüğü, etki, maliyet–fayda, risk planı; karar grafikleri (eşik–maliyet).
  Varyasyon: Aynı grafiğin panel versiyonu daha sade (daha büyük yazı, daha az seri).

10) Doğru Ölçekte Yankı: Aykırılar, Kesimler, Sıfır Noktası

• Sıfır kırpması: Sütun grafikte sıfırdan başlamayan eksen yanıltıcıdır. Çizgi grafikte ölçek daraltma gerekçesi dipnot ile.

• Aykırı yönetimi: Nokta boyutunu düşür, jitter ve yarı saydamlık kullan; aykırı mantığını metinde belirt.

• Log ölçek: Üstel süreçlerde (RNA kopya sayısı, gelir dağılımı) log eksenini açık etiketle göster.

11) Etki Büyüklüğünü Görselleştirmek: Mutlak ve Göreli

• Mutlak fark (yüzde puan): Politika diline en yakın.

• Göreli (OR/RR): Forest ve tornado grafikleri.

• İkisini birlikte: Tablo–figür kombin (OR + mutlak fark).
  Başlık örneği: “OR=1.31 (GA [1.06, 1.61]); temel olasılık %62 → +7 pp (GA [2, 11]).”

12) Alt Gruplar ve Heterojen Etkiler: Forest Grafik Anatomisi

• Sıralama: Etki büyüklüğüne veya örneklem büyüklüğüne göre.

• Simgeler: Nokta boyutu ~ ağırlık; yatay çizgi %95 GA.

• Ortak referans çizgisi: d=0 / OR=1.

• Renk kodu: Eşiği aşanlar dolu, aşmayanlar boş; yine de renge bağımlı kalmayın.
  Dipnot: Çoklu karşılaştırma düzeltmesi (FDR/Holm) bilgisi.

13) Diagnostik ve Kalibrasyon: Ayrımı ‘Güven’le Evlendirmek

• ROC/AUC ayrım gücünü; kalibrasyon eğrisi gerçek olasılık uyumunu gösterir.

• Brier skoru ile olasılık doğruluğu.

• Sunum dili: “AUC=.81; 0.2–0.8 aralığında kalibrasyon iyi; düşük olasılıklarda az miktar aşırı tahmin.”

• Grafik: ROC eğrisinde rastgele çizgiyi gri noktalı; kalibrasyonda 45° referans çizgisi.

14) Zaman–Mekân Anlatımı: Panel ve Harita Uyumu

• Panel trendleri: Facet (sınıf/okul) ile ısı haritası ya da küçük çokluklar.

• Haritalar: Klasik koro-pleth yerine oransal sembol; coarsening ile gizlilik; sınıf sınırları net.

• Etkileşim: Harita + zaman kaydırıcı (poster dijital sürümünde).

15) Nitel ve Karma Yöntem Verisi: Sözü Görsele Bağlamak

• Tematik harita: Kod kategori ağacı (düğüm–kenar) + katılımcı sayıları; alıntı “yan kutu”.

• Süreç diyagramı: Mekanizma önerisini basit oklarla; “kanıt noktaları” numaralanmış etiketlerde.

• Karma yöntem paneli: Solda nicel forest, sağda nitel tema bulutu (aşırı görsel kalabalık yok).

16) Poster vs Sözlü Sunum: Aynı Veri, Farklı Medya

• Poster: 1.5–2 m’den okunacak boyut; okunabilir katman (büyük iddia), merak katmanı (grafik/alt başlık), derinlik katmanı (QR ile ek materyal).

• Sözlü: Zaman sınırlı; grafikleri konuşma noktası olarak tasarla, okuma değil.
  Poster ipucu: “Özet–Yöntem–Sonuç” ızgarası yerine hikâye akışı (soru→tasarım→bulgu→ne anlama geliyor).

17) Uzaktan/Hibrit Sunum: Ekran Pikselleriyle Barışık Görseller

• Ekran paylaşımı: 16:9; 1920×1080 hedef; font ≥28 pt.

• Sıkıştırma artefaktları: İnce çizgiler yerine 2–3 px; düşük doygunluk renkler daha güvenli.

• İşaretleme: Lazer yerine anotasyon; gecikmeye uygun tempoda tıklama.

• Yedek plan: İnternet kesilirse PDF sürüm + telefon bağlantısı; tek tıklamalı linkler.

18) Araçlar ve İş Akışı: Koddan Slayda Tekrarlanabilir Yol

• R/Quarto, Python/Matplotlib–Plotnine, Stata/estout, SPSS/OMS ile figürü koddan üretin (aynı seed, aynı sürüm).

• Vektör format (PDF/SVG) → slayta gömün; raster için 300–600 dpi.

• Dosya adlandırma: fig_01_primary_effect.pdf, forest_ses_OR.svg; sürümlü klasörler (v1, v2).

• Renk paleti dosyası ve tipografi stili (tema) standartlaşsın; her çalışmada aynı oturmuş görünüm.

19) Prova, Zamanlama ve Nefes: Grafiklerin Ritmi

• Kronometreli prova: 10 dakikaya 10–12 slayt; figür başına ~45–60 sn.

• Sinyal cümlesi: “Bu grafikte üç şey var: etki, belirsizlik ve eşik.”

• Boş–geçiş slaydı: Bölüm sonlarında 2 sn “nefes” alanı; izleyici zihni toplayabilsin.

• Sorular için park alanı: Kenara not; Q&A’de yedek figürler (ek slaytlar) hazır.

20) Yaygın Hatalar ve Hızlı Çözümler

• Pasta grafiği cenneti: 100% içinde küçük farklar görünmez → çubuk/nokta + GA.

• Çiçek tarlası renkler: 5+ renk karışıklığı → ton sayısını azalt, doku/ikon kullan.

• 3B efekt: Bilgi katmıyor, yanıltıcı → düz 2B.

• Tıklama bombardımanı: Her slaytta 5+ animasyon → 1–2 “belirme” ile yetin.

• Minik yazı: “Okunmayan grafik, yoktur.” → 28 pt alt sınır.

• Belirsizliksizlik: Hata çubuğu/GA yok → %95 GA şart.

21) Uygulamalı Örnek A—Okuma Programı (Konferans, 10 Dakika)

Slayt akışı:

1. Soru: “Program kimde işliyor?”

2. Tasarım: Kümeli RCT (CONSORT mini akış).

3. Ana etki: Nokta + %95 GA, eşik d=0.25.

4. Alt grup: Forest (SES), FDR bilgi notu.

5. Lojistik sonuç: OR + mutlak fark (pp) birlikte.

6. Kalibrasyon (kısa): AUC, kalibrasyon eğrisi mini panel.

7. Pratik çeviri: Maliyet–etki şeridi, hedefleme önerisi.

8. Sınırlılık–gelecek adım.
   Başlık dili: Her slayt cümle kipinde, karar odaklı.

22) Uygulamalı Örnek B—Tez Savunması (30 Dakika)

Ek katmanlar:

• Ölçüm geçerliği: DFA uyum paneli, ω/AVE/CR tablo özeti.

• Eşdeğerlik: ΔCFI/ΔRMSEA ilerleme grafiği.

• DID veya RDD varsa: Varsayım testinin görseli; plasebo periyot grafiği.

• Eksik veri: MI akış şeması ve karşılaştırma barları.
  Q&A yedekleri: Alternatif kestirim (MLR/WLSMV) paneli, duyarlılık analizi şeritleri.

23) Uygulamalı Örnek C—Fon Paneli (8 Dakika, Karar Grafikleri)

• Sorun büyüklüğü: Gri ton ısı haritası (bölge × başarı).

• Etkililik & eşitlik: Düşük SES’te fayda vurgusu (forest).

• Maliyet–fayda: 1 puan artış başına maliyet çizelgesi; bütçe–etki frontier’i.

• Risk yönetimi: Veri kayması izleme planı küçük panel (operasyonel güven).

24) Raporlama ve Paylaşım: Slayttan Ek Materyale Köprü

• Paylaşım paketi: PDF slayt, yüksek çözünürlük figürler, kısa yöntem notu, veri/kod depoya link (etik izinli).

• Sürüm notu: Tarih, yazılım sürümleri, palet/tema adı.

• Açık bilim: Şemalar ve karar grafikleri yeniden üretilebilir kodla eşlenmiş.

25) “Günün Sonunda” Kontrol Listesi

1. Her grafiğin tek cümlelik başlığı karar bildiriyor mu?

2. %95 GA veya uygun belirsizlik temsili var mı?

3. Renk/kontrast erişilebilir mi; renge bağımlı kalmadınız mı?

4. Eksenler birimli, eşik işaretli mi?

5. Aynı bilgiyi tablo–şekil–metinde kopyalamadınız mı?

6. Animasyon az ve anlamlı mı?

7. Yedek slaytlar ve Q&A planınız hazır mı?

8. Uzak sunum için okunaklı boyut sağlandı mı?

9. Kod–figür tekrarlanabilir mi?

10. Pratik çeviri (mutlak fark, politika anlamı) eklendi mi?

26) Sonuç: Grafik, Kanıtın En Hızlı Dili

Akademik sunumlarda grafiksel veri anlatımı; bilimi görünür, tartışılabilir ve karar verdirici kılar. Başarılı bir anlatı:

1. Mesajı baştan netler ve her grafiği bu mesaja hizalar;

2. Belirsizliği gizlemez—%95 GA, tahmin bantları ve kalibrasyon ile güven inşa eder;

3. Renk/kontrast/etiket/ölçek ile yanıltıcılığı önler;

4. Forest, DAG, akış ve karar grafikleriyle hem etkiyi hem süreci gösterir;

5. Koddan–slayda tekrarlanabilir bir hat kurar;

6. Uzaktan ve yüz yüze bağlamlarda erişilebilir ve okunur kalır;

7. Q&A için derinlik katmanı barındırır;

8. Son sözü pratik dilde söyler: “Ne yapmalı?”

Bilim, rakamın içinde saklı olan hikâyeyi adilce anlatmaktır. İyi bir grafik, o hikâyeyi bir bakışta okutur; iyi bir sunum, o bakışı karara dönüştürür. Rakamı karara; belirsizliği güvene, grafikleri kanıta çeviren dil budur.

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 Sunumlar İçin Grafiksel Veri Anlatımı first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.