1) Kavramsal Çerçeve: Güvenilirlik, Hata ve Tek Boyutluluk

• Gözlenen puan = Gerçek puan + Hata. Güvenilirlik, varyansın ne kadarının “gerçek puana” ait olduğunu gösterir.

• İç tutarlılık (madde içi anlaşma), zaman kararlılığı (test–tekrar test), puanlayıcı uyumu (inter-rater) ve genellenebilirlik boyutlarını ayırın.

• Tek boyutluluk: α/ω gibi katsayıların anlamlı olması için ölçeğin tek baskın yapıyı ölçmesi beklenir. Bu, AFA/DFA ile kontrol edilmelidir.

Tez dili örneği:

“Ölçeğin hedeflediği ‘akademik öz-düzenleme’ yapısının tek baskın faktör altında toplandığı AFA ve DFA ile desteklendikten sonra, iç tutarlılık güvenirliği ω_total ve α ile raporlandı.”

2) Cronbach’s α: Kolay, Yaygın, Ama Koşullu

• Tanım: Madde puanlarının eş varyanslı ve tau-eşdeğer olduğu varsayımında ölçek toplam puanının tutarlılığını tahmin eder.

• Hassasiyetler: (i) Madde sayısı arttıkça α yükselir; kısa ölçeklerde düşük α yanıltıcı olabilir. (ii) Tek boyutluluk kırılırsa α anlam kaybeder. (iii) Likert maddelerde ordinallik vardır; Pearson korelasyonu α’yı aşağı çekebilir.

• İyileştirme: Polikorik korelasyon matrisi üzerinden ordinal α hesaplamak daha uygundur.

Raporlama şablonu:

“Toplam ölçek için α=.84, %95 GA [.80, .87]; alt ölçeklerde α=.78–.82. Ordinal α=.86, %95 GA [.82, .89].”

3) McDonald’s ω: α’nın Ötesinde Daha Gerçekçi Bir Ölçü

• ω_total: Madde yüklerine (faktör yükleri) dayalı; tau-eşdeğerlik gerektirmez.

• ω_h (omega hierarchical): Bifaktör modelde genel faktöre atfedilebilir güvenilirliği verir; ortak faktör + grup (yöntem/içerik) faktörlerini ayırır.

• Ne zaman? Tek boyutluluk tam değilse, yükler değişkense ve alt boyutlar varsa ω tercih edilir.

Tez dili:

“Bifaktör modelde genel faktör için ω_h=.72; alt boyutlar arası yöntem etkisini ayrıştırdığımızda toplam güvenirlik ω_total=.88 olarak elde edildi.”

4) Bileşik Güvenirlik (CR) ve Ortalama Varyans Açıklaması (AVE)

• CR (Composite Reliability): SEM/DFA çıktılarından hesaplanır; yapısal eşitlik modellerinde yaygındır.

• AVE: Yapının madde varyansını açıklama oranı; yakınsama geçerliği için AVE ≥ .50 sıklıkla eşiğe alınır.

• Rapor: “CR=.87; AVE=.56 (yakınsama geçerliğini destekler).”

5) Split-Half ve Spearman–Brown “Neyle, Kaç Maddeyle?”

• Split-half: Testi iki yarıya bölüp korelasyona bakar; Spearman–Brown düzeltmesiyle tam test güvenirliği tahmin edilir.

• Karar: Kısa ölçeklerde hangi madde kombinasyonuyla hedef α’ya/ω’ya ulaşıldığını Spearman–Brown kehaneti ile simüle edin.

Pratik cümle:

“8 maddelik kısa form hedefi için Spearman–Brown ile öngörülen α≈.78; seçilmiş madde setiyle doğrulanan α=.80.”

6) Test–Tekrar Test: Zaman İçinde Kararlılık

• İstatistik: Sınıf-içi korelasyon (ICC) veya Pearson/Spearman (ölçek türüne göre).

• Aralık: Tipik 2–4 hafta; çok kısa aralık alışma etkisi, çok uzun aralık gerçek değişim riski taşır.

• Rapor: “Test–tekrar test ICC(2,1)=.83, %95 GA [.78, .87]; ölçümler arası ortalama fark anlamsız (p>.05).”

7) Kodlayıcılar Arası Güvenirlik: κ ve ICC

• İkili/kategorik kodlama: Cohen’s κ (iki kodlayıcı), Fleiss’ κ (çoklu).

• Sürekli puanlama: ICC (iki-yönlü rastgele/sabit etkiler; tek/ortalama ölçüm).

• Rapor şablonu:

“İki bağımsız değerlendirici arasında kodlayıcı uyumu Cohen’s κ=.78 (iyi); puan tabanlı görev için ICC(2,k)=.88 (mükemmel).”

8) Genellenebilirlik Kuramı (G-Theory): Çok Kaynaklı Hatanın Anatomisi

• Amaç: Öğrenci × Madde × Puanlayıcı × Oturum gibi fasetlerin her birinin hata payını ayrıştırır.

• G-çalışması: Varyans bileşenleri; D-çalışması: Farklı tasarım konfigürasyonlarında beklenen güvenilirlik.

• Tez katma değeri: “3 puanlayıcı yerine 2 puanlayıcı + madde sayısını 12’den 16’ya çıkarmak G katsayısını .76→.83 yükseltiyor.”

9) Dimensionalite Kontrolü: AFA/DFA, Paralel Analiz ve Tek-Boyut Kararları

• AFA: Yüklerin dağılımı, tek baskın faktör işaretleri; paralel analiz ile faktör sayısı.

• DFA: CFI/TLI≥.90–.95, RMSEA≤.06–.08; tek boyut modelinin yeterliği.

• Karar ağacı: Tek boyut güçlü → α/ω_total raporu; çok boyut → alt ölçek α/ω + ω_h ve/veya CR.

10) Ordinal Likert Maddelerde Doğru Korelasyon: Polikorik ile α/ω

• Sorun: 5’li Likert’te Pearson korelasyonu, iki değişkenin süreksiz doğası nedeniyle korelasyonu küçümser.

• Çözüm: Polikorik korelasyon matrisi üzerinden ordinal α ve ordinal ω.

• Uygulama: R psych/lavaan ile DFA (WLSMV), ardından ω hesaplaması.

11) Madde Analizi: Madde-Toplam Korelasyonu, α-If-Item-Deleted, Ters Kodlama

• Madde-toplam (rit): .30 altı maddeler sorunlu olabilir; ancak içerik gerekçesi ile korunabilir.

• α if item deleted: α’nın yükselmesi tek başına “maddeyi at” anlamına gelmez; boyut yapısı ve geçerlik düşünülmeli.

• Ters kodlama: Hata kaynağıdır; veri temizliği aşamasında iki kez kontrol edin.

12) Diferansiyel Madde Fonksiyonu (DIF): Adalet Boyutu

• Amaç: Maddeler, gruplar (cinsiyet, okul türü, dil) arasında eşdeğer çalışıyor mu?

• Yöntem: Mantel–Haenszel, lojistik regresyon, IRT bazlı yöntemler.

• Tez raporu: “Cinsiyete göre anlamlı DIF gösteren 2 madde (ΔR²> .02) elendi; kalan maddelerle eşdeğerlik sağlandı.”

13) IRT ve Bilgi Fonksiyonu: Güvenilirliği Yetenek Düzeyinde Görmek

• Bilgi fonksiyonu (I(θ)): Ölçeğin hangi yetkinlik düzeyinde daha hassas olduğunu gösterir.

• Test Bilgisi → Hata: SE(θ)=1/√I(θ).

• Rapor: “Ölçeğin bilgi zirvesi θ≈−0.5 ile +1 arasında; uç düzeylerde hata büyüyor. Kısa form seçiminde orta düzey hassasiyete öncelik verildi.”

14) Kısa Form Geliştirme: Bilimsel “Diyet”

• Hedef: Zaman/maliyet kısıtı altında güvenirlik ve geçerliği koruyan kısa ölçek.

• Seçim ilkeleri: Yüksek rit, tek boyutluluğa katkı, DIF’siz maddeler, içerik kapsamı.

• Doğrulama: Kısa form için tekrar AFA/DFA, α/ω, test–tekrar test; puan dağılımının çarpıklık/aykırılık kontrolü.

15) Güven Aralıkları ve Karşılaştırmalar: Bonett, Feldt ve Bootstrap

• α için GA: Bonett yaklaşımı; kısa örneklemde bootstrap GA tercih edilebilir.

• İki α’nın karşılaştırılması: Feldt testi (aynı/ farklı örneklemler).

• Rapor: “α=.82, %95 GA [.77, .86]; alternatif form α=.78, %95 GA [.73, .83]; fark istatistiksel olarak anlamlı değil (Feldt p=.18).”

16) Eksik Veri ve Güvenilirlik: MI ile Havuzlanmış Tahminler

• Sorun: Eksik yanıtlar, madde korelasyonlarını ve α/ω’yu çarpıtabilir.

• Çözüm: Çoklu atama (m≥20); her atamada α/ω hesaplanır ve havuzlanır.

• Tez notu: MI modeli kovaryatları (yaş, cinsiyet, başarı) raporlanmalı; MAR varsayımı gerekçelendirilmelidir.

17) Ölçüm Eşdeğerliği ve Zaman İstikrarı: Eşit Metrik Üzerinde Güvenilirlik

• Eşdeğerlik türleri: Configural → metric → scalar (gruplar arasında) ve boylamsal eşdeğerlik.

• İpucu: Eşdeğerlik sağlanmadan alt grup α/ω karşılaştırmak anlamlı değildir; önce metrik/skalâr eşdeğerlik.

18) Uygulamalı Senaryo A (Sosyal Bilimler): Öz-Düzenleme Ölçeği

• AFA: Paralel analiz tek faktör önerdi; iki maddenin yükü < .30.

• Madde temizliği: 2 madde elendi; 12→10 madde.

• DFA: CFI=.95, RMSEA=.051.

• Güvenirlik: Ordinal α=.86 [ .82, .89 ]; ω_total=.88; ω_h=.73 (genel faktör güçlü).

• Test–tekrar test: 3 hafta arayla ICC=.81.

• DIF: Yok.

• Sonuç cümlesi: “Kısa ve tek boyutlu bir yapı; orta-yüksek güvenilirlik ve zaman kararlılığı sağlandı.”

19) Uygulamalı Senaryo B (Eğitim): Açık Uçlu Rubrik Puanlama

• Puanlayıcı eğitimi: Rubrik örnekleri ve çapraz puanlama.

• ICC: (2,k)=.86; G-çalışması: Puanlayıcı varyansı %6, madde varyansı %18.

• D-çalışması: Puanlayıcıyı 3→2’ye düşürüp maddeyi 8→12’ye çıkarma G=.83’e ulaştırıyor.

• Tez mesajı: Kaynak verimliliğiyle güvenilirliğin artırılması mümkün.

20) Uygulamalı Senaryo C (Sağlık): Semptom Listesi Kısa Form

• Hedef: 24 maddeden 8 maddeye.

• Seçim: IRT bilgisi en yüksek 10 madde + içerik kapsaması; pilotta 8 maddeye indirildi.

• DFA kısa form: CFI=.96; CR=.85; AVE=.52.

• Güvenirlik: ω_total=.84, test–tekrar ICC=.79.

• Rapor: Kısa form, klinik taramada süredışı avantaja rağmen güvenilirlikten ödün vermiyor.

21) Güvenilirlik ve Ölçekte Tavan–Taban Etkileri

• Sorun: Çok kolay/zor maddeler toplam varyansı düşürerek α’yı yanıltır.

• Çözüm: Zorluk spektrumunu genişletmek; IRT item infoya bakarak orta bölgede yoğunlaşma.

22) Yazılım Ekosistemi ve İş Akışı

• R: psych (α/ω/ordinal α), lavaan (DFA/CR/AVE), semTools, MBESS (GA), mirt (IRT), ltm, GPArotation, equate.

• Python: pingouin (α), semopy (SEM), pyirt.

• SPSS/Jamovi/JASP: α, split-half, test–tekrar test; JASP/Jamovi’de ω ve ordinal seçenekleri eklentilerle mevcut.

• Mplus/AMOS: DFA/SEM, CR/AVE, çok gruplu eşdeğerlik.

• Rapor otomasyonu: Quarto/R Markdown ile tablolar–şekiller için tekrarlanabilir boru hattı.

23) Raporlama Standartları: Tez Bölüm Şablonu

1. Ölçek tanımı ve madde sayısı (örnek madde, ters kodlu maddeler).

2. Ön analiz: AFA/DFA, paralel analiz, tek-boyut kararı.

3. Güvenirlik metrikleri: α, ordinal α, ω_total, ω_h, CR; %95 GA’lar ile.

4. Madde istatistikleri: rit, α if item deleted; içerik gerekçesiyle tutulan/çıkarılan maddeler.

5. Zaman ve kodlayıcı güvenirliği: ICC/κ + aralık ve eğitim protokolü.

6. Eşdeğerlik/DIF ve IRT bilgi analizi (varsa).

7. Kısa form (varsa) geliştirme ve doğrulama.

8. Sınırlılıklar: Küçük örneklem, tek kurum, tercihen bootstrap GA ve replikasyon önerisi.

24) Sık Yapılan Hatalar ve Çözümler

• Hata: Sadece α raporlamak. Çözüm: ω, CR, GA ekleyin; tek-boyut kontrolü yapın.

• Hata: α<.70 diye ölçeği “güvenilmez” ilan etmek. Çözüm: Kısa ölçek, yeni alan, klinik tarama gibi bağlamlarda .60–.70 kabul edilebilir; madde sayısı ve içerik kapsamını tartışın.

• Hata: Ters maddeleri yanlış kodlamak. Çözüm: Çift kontrol, örnek veri üzerinden doğrulama.

• Hata: Ordinal maddede Pearson matrisi ile DFA/α. Çözüm: Polikorik + WLSMV/ordinal α.

• Hata: Alt gruplar arasında α karşılaştırmak (eşdeğerlik yok). Çözüm: Önce metrik/skalâr eşdeğerlik.

• Hata: Kodlayıcı eğitimi olmadan κ/ICC yorumlamak. Çözüm: Eğitim ve kalibrasyon oturumu, rubrik örnekleri.

25) Güvenilirlik ve Geçerlik Bağlantısı: Kesişimi Doğru Anlatmak

• Güvenilirlik, uygulama hassasiyeti sağlar; geçerlik, doğru şeyi ölçtüğünüzü garanti eder.

• Yapısal geçerlik (DFA), yakınsama/ayrışma (CR/AVE/HTMT), ölçüt geçerliği (ilgili dış ölçütlerle korelasyon) ile güvenilirlik bulgularını aynı anlatıda birleştirin.

26) Karar Ağacı: Hangi Güvenilirlik, Ne Zaman?

• Likert, tek baskın faktör: Ordinal α + ω_total.

• Bifaktör hissi/alt boyutlar: ω_h + alt ölçek ω’ları; CR/AVE (SEM).

• Açık uçlu/puanlayıcı gerektiren görev: ICC + gerekirse G-theory.

• Boylamsal izlem: Test–tekrar test ICC; boylamsal eşdeğerlik.

• Kısa form geliştirme: IRT bilgi + rit + içerik kapsamı; Spearman–Brown hedefi.

27) “Sonuçlar” Bölümü İçin Örnek Yazım

“Ölçeğin tek boyutlu yapısı AFA (PA: 1 faktör) ve DFA (CFI=.95, TLI=.94, RMSEA=.052) ile desteklenmiştir. Ordinal α=.86 [ .82, .89 ], ω_total=.88; bifaktör modelde ω_h=.73’tür. Test–tekrar test ICC(2,1)=.81 (3 hafta). Kodlayıcı uyumu Cohen’s κ=.78’dir. Cinsiyete göre DIF tespit edilmemiştir. SEM’de CR=.87, AVE=.56; yakınsama geçerliği sağlanmıştır. Kısa form (8 madde) için α=.80; kısa form puanı ile uzun form puanı arasında r=.94 bulunmuştur.”

28) Güç, Örneklem ve Planlama

• α/ω tahmininde belirsizlik, örneklem büyüklüğüne duyarlıdır; GA hedef genişliği belirleyin (örn. ±.05).

• Kodlayıcı sayısı ve örnek sayısı ICC’yi doğrudan etkiler; planlamada D-çalışması yapın.

• Boylamsal çalışmalarda kayıp/veri düşmesi için %10–20 fazladan örnek planlayın.

29) Görselleştirme: Güvenilirliği Okunur Kılmak

• Madde-toplam haritası: rit dağılımı (0–1 skalası).

• Bifaktör yükleri şeması: Genel vs grup faktörleri.

• Bilgi fonksiyonu grafiği: θ’ye göre SE(θ).

• Forest benzeri çizim: Alt ölçek α/ω ve %95 GA karşılaştırması.

30) Sonuç: Tezde Güvenilirlik, İkna Edici Ölçümün Anahtarı

Güvenilirlik analizi, “bir sayı raporlayıp geçmek” değildir; ölçüm kalitesinin çok boyutlu bir anlatımıdır. İyi bir tez:

1. Ölçeğin yapısal temelini AFA/DFA ile gösterir; tek boyut kararını gerekçelendirir.

2. α’yı tek başına bırakmaz; ordinal α, ω_total/ω_h ve mümkünse CR/AVE ile tabloyu tamamlar.

3. Zaman kararlılığını (ICC), puanlayıcı uyumunu (κ/ICC), genellenebilirliği (G-theory) ve adaleti (DIF) raporlar.

4. Madde düzeyi evidansla (rit, α-if-deleted, IRT bilgi) kısa form gibi tasarım kararlarını savunur.

5. Tüm katsayılar için %95 güven aralıkları, varsayım bilgisi ve sınırlılıklarla şeffaftır.

6. Kod–veri–tablo üretimini tekrarlanabilir bir hatla otomatikler; figürleri karar verdiren biçimde sunar.

Son söz: Güvenilirlik, ölçümün sessiz güvencesidir. Onu doğru ve kapsamlı anlattığınızda, tezinizin tüm bulguları daha inandırıcı, daha taşınabilir ve daha değerlidir.

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 Tezlerde Güvenilirlik Analizi Süreci first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.

1) Ön Hazırlık ve İzinler: Neden Bu Ölçek? Hangi Lisansla?

Uyarlama gerekçesi (literatürde boşluk, yerel bağlam farkı, mevcut ölçeğin sorunları) açıkça yazılmalı; orijinal geliştiriciden yazılı izin ve lisans koşulları (akademik kullanım, ticari kullanım, uyarlama hakkı) netleşmelidir.
Uygulama:

• Ölçeğin kuramsal çerçevesini ve raporlanan psikometrik göstergelerini (CFI/TLI, RMSEA, α/ω, örneklem) özetleyin.

• Tezinizin etik kurul onayı alın; veri saklama/gizlilik planını hazırlayın.
  Örnek Metin: “Yazar(lar)dan 12.06.2025 tarihinde uyarlama izni alınmış, ölçek yalnız akademik kullanım için lisanslanmıştır.”

2) Kavramsal Eşdeğerlik: Aynı Ad, Aynı Anlam mı?

Kültürler arası uyarlamada ilk risk, “adı aynı fakat içeriği farklı” kavramlardır.
Adımlar:

• Literatür taramasıyla kavramın yerel bağlamdaki karşılığını ve yakın kavramları haritalayın.

• Hedef popülasyonda 6–10 kişilik bilişsel görüşmeler: “Bu maddeyi nasıl anladınız?”

• Gerekirse alt boyutların tanımlarını yeniden yazın; kavramsal eşleştirme tablosu hazırlayın.
  Çıktı: Uyarlanan her madde için kavramsal gerekçe notu.

3) İleri–Geri Çeviri (Forward–Back Translation) ve Uzman Paneli

Standart yol:

1. İleri çeviri (en az iki bağımsız çevirmen).

2. Uzman paneli (alan uzmanı + dilbilimci + yöntemci) ile uzlaşı sürümü.

3. Geri çeviri (orijinali görmeyen çevirmen).

4. Geliştiriciyle uzlaşı (geri çevirinin orijinale yakınlığına ilişkin geribildirim).
   İlke: Anlam eşdeğerliği > kelime eşdeğerliği. Maddelerde deyimsel/kültürel içerikleri “işlevsel eşdeğer” ifadelerle karşılayın.

4) Bilişsel Görüşmeler ve Ön Test: Anlam Boşluklarını Yakalamak

Teknik: Think-aloud ve probing soruları ile madde anlaşılabilirliğini ve bilişsel süreçleri test edin.
Örnek Probing: “Bu maddede ‘düzenli’ derken ne sıklığı düşündünüz?”, “Bu ifadeyi günlük hayatınızda hangi örnekle ilişkilendiriyorsunuz?”
Karar Kriteri: Yanlış anlaşılan, kültürel olarak uzak ya da belirsiz maddeler revize edilir veya çıkarılır.

5) Örneklem Tasarımı ve Güç: AFA–DFA İçin N Kaç Olmalı?

• AFA: Genel kural m=madde sayısının 5–10 katı; ancak yüklenme gücüne duyarlı plan yapın (yük ≥ .40 hedeflenir).

• DFA/SEM: Model karmaşıklığı, göstergeler ve serbestlik derecesine göre minimum 200 önerilir; power ve GA genişliği hedefinizle uyumlu örneklem planlayın.

• Bölünmüş örneklem: AFA için kalibrasyon, DFA için doğrulama örneklemi ayırın (veya iki dalga veri).

6) Pilot Uygulama: Mekanik Sorunları Erken Yakalamak

Pilot (n≈50–150), dağılım, tavan–taban etkileri, madde–toplam korelasyonları, cevap seçeneklerinin ayırt ediciliği, eksik veri örüntülerini gösterir.
Düzeltmeler: Aşırı çarpık maddeler için ifade yumuşatma, yanıt seçeneklerinin sayısını/çapalarını ayarlama (ör. 7’den 5’e).

7) Madde Analizi: Ayırt Edicilik, Zorluk ve Yanıt Davranışı

• Klasik Test Kuramı (CTT): Madde–toplam r ≥ .30 önerilir; “α if deleted” ile katkısı az maddeleri tartışın.

• Madde Tepki Kuramı (IRT): 2PL/GRM ile ayırt edicilik (a) ve zorluk (b) parametrelerini inceleyin; bilgi fonksiyonlarıyla ölçeğin hangi düzeyde daha hassas ölçtüğünü raporlayın.

• Seçenek İşleyişi: Oran dağılımı, category threshold sıralaması (ordinal veri için).

8) Açımlayıcı Faktör Analizi (AFA): Yapıyı Keşfetmek

• Ön koşullar: KMO≥.70, Bartlett p<.001.

• Çıkarma yöntemi: Principal Axis Factoring (normallik varsayımı esnek).

• Döndürme: Oblimin/Promax (faktörler arası korelasyon beklenir).

• Faktör sayısı: Paralel analiz + scree plot; tek başına özdeğer>1 kullanmayın.

• Yük eşikleri: ≥.40; çapraz yükler ≤.30.
  Rapor: Tablo—madde yükleri, ortak varyans, çıkarılan/ revize edilen maddeler gerekçeleriyle.

9) Doğrulayıcı Faktör Analizi (DFA): Modelin Sınaması

• Uyum Ölçütleri: CFI/TLI≥.90 (ideal ≥.95), RMSEA≤.08 (ideal ≤.06), SRMR≤.08.

• Modifikasyon İndeksleri: Yalnız kuramsal gerekçe varsa uygulanır.

• Kısa Ölçek Tasarımı: Parçalama (item parceling) yalnız tek boyutlu ve yüksek iç tutarlılıkta; aksi halde yapıyı maskeler.

• Alternatif Modeller: Tek boyut, hiyerarşik, bifaktör—karşılaştırın (ΔCFI≤.01 kuralı).
  Şekil: Yol diyagramı, standartlaştırılmış yükler ve hata terimleri.

10) Güvenirlik: Alfa mı, Omega mı, Hangisi Ne Zaman?

• Cronbach α: Alt sınır; tau-eşitliği varsayımına duyarlı.

• McDonald ω: Önerilir; özellikle faktör yükleri farklıyken daha gerçekçi.

• Bileşik Güvenirlik (CR) ve Ortalama Varyans Çıkarımı (AVE): Yapısal geçerlik bölümünde raporlayın (AVE≥.50 öneri).

• Zamana Göre Tutarlılık: Test–tekrar test (r≥.70 hedef), eğer değişmezlik bekleniyorsa.

11) Geçerlik Kanıtları: Kapsam, Yapı, Ölçüt, Yakınsak–Ayrışan

• Kapsam Geçerliği: Uzman panel skorları (I-CVI, S-CVI) ile madde kapsam yeterliği.

• Yapı Geçerliği: AFA/DFA + ölçüm eşdeğerliği (bkz. Bölüm 12).

• Yakınsak–Ayrışan: AVE≥.50; √AVE komşu faktör korelasyonundan büyük (Fornell–Larcker) ve/veya HTMT<.85.

• Ölçüt Geçerliği: Dış kriterlerle korelasyon/ayrım (known-groups).

12) Ölçüm Eşdeğerliği (Measurement Invariance): Grup/Zaman Karşılaştırmalarının Sigortası

Düzeyler:

1. Yapısal (configural): Aynı faktör yapısı.

2. Metrik: Yükler eşit.

3. Skalar: Kesişimler (intercepts) eşit.

4. Artık (strict): Hata varyansları eşit.
   Karar: ΔCFI≤.01 ve ΔRMSEA≤.015 korunuyorsa bir üst düzeye geçilir. Skalar eşdeğerlik sağlanmadan grup ortalaması karşılaştırmayın.
   Uygulama: Cinsiyet, okul türü, kültürler arası karşılaştırmalar için zorunlu bir aşama.

13) Kısaltma ve Uyarlama Kararları: 24 Maddeden 12’ye…

• Kısa form gerekçesi: Uygulama bağlamı, yük azlığı, psikometrik verim.

• Seçim: En yüksek yük ve ayırt edicilik; içerik kapsamı korunmalı (her alt boyuttan temsil).

• Karşılaştırma: Kısa formun DFA uyumu, ω/CR/AVE değerleri; uzun formla korelasyon.

• Etki: Kısaltma sonrası ölçüm duyarlığı (IRT bilgi eğrisi) raporlanmalı.

14) Normlar, Kesme Noktaları ve Yorumlama Kılavuzu

• Norm Çalışması: Yaş/cinsiyet/bağlam kırılımlarıyla yüzde/stanin/ T-puanları.

• Kesme Noktası: ROC analizi ile duyarlılık–özgüllük dengesi; Youden J veya politika/klinik gerekçeli eşik.

• Yorum: Etki büyüklüğü ve güven aralığı ile birlikte pratik çeviri: “≥24 puan yüksek risk (SN=.78, SP=.72).”

15) Çok Dilli–Çok Kültürlü Uyarlamalar: Çapraz Yürüyen İş Akışı

Aynı anda birden fazla dil uyarlanıyorsa:

• Ortak kavramsal sözlük, merkezi uzman panel, harmonize geri çeviri.

• Çok gruplu DFA ile eşzamanlı eşdeğerlik testi; farklı dillerde sorunlu maddeler için eşdeğer alternatif ifadeler.

16) Veri Kalitesi ve Yanıt Önyargıları: Dürüst Ölçüm İçin Filtreler

• Dikkat kontrol maddeleri, aşırı hızlı tamamlama, düz yanıt kalıpları (straight-lining), sosyal beğenirlik (MCSDS vb.).

• Çözüm: Şeffaf dışlama kriterleri, sosyal beğenirlik için kovaryat kontrolü veya partial correlation yorumları.

• Rapor: Dışlama akış diyagramı ve duyarlılık analizi (dışlamadan önce/sonra sonuç stabil mi?).

17) Ölçek Puanlama: Yön, Standartlaştırma, Kayıp Yönetimi

• Yön: Ters maddeler _r ile yeniden kodlanır; yüksek puan “daha fazla X”ı ifade etmeli.

• Toplama/Ortalama: Boyut düzeğinde hesap; missing için en az %70 doluluk kuralı (veya MI).

• Standartlaştırma: Z / T puanları; farklı ölçeklerin karşılaştırılabilirliği.

• Çok Boyutlu Puan: Ağırlıklı toplam (yüklerle) tartışmalı; gerekçesiz yapılmamalı.

18) AFA–DFA Rapor Şablonları: Tablolar ve Şekiller

Tablo AFA: Madde | Faktör 1 yük | Faktör 2 yük | Ortak Varyans | Not (çıkarım gerekçesi).
Tablo DFA: Yükler (standartlaştırılmış), hata terimleri, korelasyonlar.
Uyum Tablosu: χ²/df, CFI, TLI, RMSEA [GA], SRMR; alternatif modeller.
Şekil: Yol diyagramı; alt yazıda veri kaynağı, örneklem, yazılım/paket sürümü.

19) Yapısal Eşitlik ve İlişkisel Geçerlik: Puanlar Modelin İçinde

Uyarlanan ölçeği bağlamsal bir yapısal model içine yerleştirerek ilişki kalıbını doğrulayın:

• “Motivasyon → Çalışma Saati → Başarı” gibi.

• Aracılık için bootstrap GA; moderasyon için çok gruplu veya etkileşim terimleri.

• Uyarı: Ölçüm modeli sağlam değilse yapısal sonuçlara güvenilmez.

20) Açık Bilim ve Yeniden Üretilebilirlik: Kod, Veri, Sürüm

• Paylaşım: Anonimleştirilmiş veri + kod (R/ Python/ Mplus/AMOS) + codebook + uyarlama notları (çeviri sürümleri, panel tutanakları).

• Sürümleme: OSF/Git; “scale_tr_TR_v1.2.docx” gibi net adlandırma.

• Şeffaflık: Tüm karar anlarını (madde çıkarma, modifikasyon) changelog ile belgeleyin.

21) Etik: Telif, Kültürel Hassasiyet, Katılımcı Onuru

• Telif–Lisans: Orijinal geliştiricinin şartlarına uyun; ticari kısıtlar varsa belirtin.

• Kültürel Hassasiyet: Stereotip üreten veya ayrımcı çağrışımları olan maddeleri dönüştürün ya da kaldırın.

• Katılımcı Onuru: Özellikle hassas temalarda (sağlık, kimlik) mahremiyeti ve minimum yük ilkesini gözetin.

22) Vaka 1—Öğrenci Özyeterlik Ölçeği Uyarlaması (TR)

Süreç: İleri–geri çeviri; uzman paneli; bilişsel görüşmeler (n=12).
Pilot: n=120; KMO=.91, Bartlett p<.001; AFA’da üç faktör (öz-düzenleme, strateji kullanımı, kalıcılık), toplam varyans %58.
DFA (doğrulama, n=420): CFI=.95, TLI=.94, RMSEA=.052; yükler .54–.82.
Güvenirlik: ω=.88 (toplam), alt boyutlar .82–.86.
Eşdeğerlik: Cinsiyette metrik ve skalar sağlandı (ΔCFI=.004); ortalama farkı kızlarda +0.18 SD.
Yorum: Kısa form (12 madde) tasarlandı; bilgi eğrisi orta–yüksek düzeyde en hassas.

23) Vaka 2—Örgütsel Adalet Ölçeği: Çok Gruba Eşdeğerlik

Bağlam: Öğretmenler (devlet/özel okul), farklı bölgeler.
DFA: Dört faktör (dağıtımsal, işlemsel, etkileşimsel, bilgisel).
Eşdeğerlik: Bölge için metrik sağlandı; skalar kısmi (3 madde kesişimleri serbest).
Sonuç: Bölgesel ortalama farkları, kısmi skalar modelle temkinli yorumlandı.

24) Vaka 3—Sağlık Alanında Kısaltma ve Kesme Noktası

Ölçek: Kısa depresyon taraması (9→6 madde).
DFA: CFI=.97, RMSEA=.045; ω=.85.
ROC: Klinik tanı altın standart; AUC=.89; eşik ≥12 (SN=.80, SP=.78).
Politika: Birinci basamak tarama; yüksek puanlarda ikinci değerlendirme protokolü.

25) Sık Yapılan Hatalar ve Kaçınma Yolları

• Yalnız çeviri, psikometrik kanıt yok: AFA/DFA ve geçerlik raporları zorunlu.

• Ölçüm eşdeğerliği atlanıyor: Grup karşılaştırmaları yanıltıcı olur.

• Modifikasyon indeksleriyle model “oynama”: Kuramsal gerekçe olmadan hata kovaryansı verilmez.

• Sadece α raporu: ω/CR/AVE ekleyin; test–tekrar test planlayın.

• Çapraz yükü yüksek maddeyi sırf sevildi diye tutmak: Yapı geçerliğini bozar.

• Dışlama kriterleri belirsiz: Veri kalitesi akış diyagramı ve duyarlılık analizi paylaşın.

26) Tez Yazımında Raporlama Şablonu (APA/STS/COPE Uyumlu)

1. Giriş: Kavramın kuramsal temeli, yerel bağlam, uyarlama gerekçesi.

2. Yöntem: İzinler, çeviri süreci, uzman panel, bilişsel görüşmeler, örneklem, etik onay.

3. Prosedür: Pilot, AFA/DFA örneklemleri ve yazılımlar.

4. Bulgular: AFA (KMO, Bartlett, yükler), DFA (uyum indeksleri), güvenirlik (α, ω, CR, AVE), eşdeğerlik testleri.

5. Ek Analizler: IRT, kısa form, ROC, normlar.

6. Tartışma: Sınırlılıklar (ör. örneklem temsiliyeti), güçlü yanlar, uygulama önerileri.

7. Ekler: Ölçek formu (uyarlanan dil), codebook, izin yazıları, syntax/R kodu.

27) Yazılım ve İş Akışı: R–Mplus–lavaan–JASP–Jamovi–SPSS Amos

• R/lavaan/semTools/psych: AFA–DFA–eşdeğerlik–ω/CR/AVE–HTMT.

• Mplus: Gelişmiş invariance, IRT, bifaktör, bayes.

• JASP/Jamovi: Menü tabanlı, teze uygun tablolar.

• AMOS/SmartPLS: AMOS (CB-SEM), PLS-SEM dikkatli kullanılmalı (keşif/küçük örneklem bağlamında).

• Reprodüksiyon: Quarto/Rmd ile rapor–kod çift yönlü üretim.

28) İleri Konular: DIF, Çok Boyutlu IRT ve Bayesçi Doğrulama

• DIF (Differential Item Functioning): Cinsiyet/bölgeye göre maddelerin haksız avantajı? (Mantel–Haenszel, IRT-LR).

• Çok Boyutlu IRT: Alt boyutlar arası korelasyonu hesaba katan ölçüm; bilgi dağılımını hassaslaştırır.

• Bayesçi DFA/SEM: Zayıf bilgilendirici öncellerle küçük örneklemde kararlı tahminler; credible interval iletişimi.

29) “Araştırma–Uygulama Köprüsü”: Puanların Karara Çevrilmesi

Uyarlanan ölçekler yalnız akademik egzersiz değil; müdahale, danışmanlık ve politika kararlarını etkiler.

• Raporlama dili: “Bu puan aralığı X davranışına işaret eder” gibi bağlamlı ifadeler.

• Hata ve belirsizlik: Puanın GA/T puanı ve ölçüm hatası payı; kırmızı-yeşil etiketi yerine “sarı bölge” mantığı.

• Adalet: Eşdeğerlik ve DIF sonuçlarını paydaşlarla konuşun; gerekirse madde revizyon döngüsünü sürdürün.

30) Sonuç: Dile Getirilen Kavramdan Ölçülebilir Kanıta

Ölçek uyarlama; kavramı yeni bir dile saygıyla, yeni bir bağlama duyarlılıkla ve bilimin gerektirdiği psikometrik titizlikle taşımaktır. Güçlü bir uyarlama çalışması:

1. Kavramsal eşdeğerliği kanıtlar,

2. Çeviri–geri çeviri–bilişsel görüşme üçlüsüyle dilsel berraklık sağlar,

3. AFA/DFA ile yapıyı doğrular; ω/CR/AVE ve ölçüt–yakınsak–ayrışan geçerliği raporlar,

4. Ölçüm eşdeğerliği olmadan grup/zaman karşılaştırmasına girişmez,

5. IRT ve DIF ile madde düzeyi adaleti sınar,

6. Kısa form ve norm/ROC ile uygulamayı kolaylaştırır,

7. Açık bilim ve etik ilkelerle süreci denetlenebilir kılar.
   Tezinizde bu omurgayı kurduğunuzda, ölçeğiniz yalnızca “Türkçe’ye uyarlanmış” olmayacak; bilimsel topluluk tarafından güvenilir bir ölçüm aracı olarak kabul görecektir. Ölçekler, kavramların sahadaki sesi ise, iyi bir uyarlama o sesi doğru frekansta duyurmaktır.

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 Tezlerde Ölçek Uyarlama ve Analiz Aşamaları first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.