1) Araştırma Sorusu ve Tasarım Mantığı: “Ne Öğrenmek İstiyoruz?”

Eğitim bağlamında sorular genellikle üç kümede toplanır:

• Tanımlayıcı: “Okuma motivasyonu dağılımı nasıldır?”

• İlişkisel/Öngörücü: “Ön-test ve devamsızlık yıl sonu başarısını nasıl yordar?”

• Nedensel: “Dijital geri bildirim programı geçme olasılığını artırıyor mu?”

Tasarım seçimi:

• Deneysel (RCT): Rastgele atama mümkünse altın standart.

• Yarı-deneysel: Regresyon süreksizliği (RDD), eşleştirme, eğilim puanı, DID.

• Gözlemsel: DAG ile karıştırıcı seçimi; nedensel dilde temkin.

İpucu: Araştırma sorusunu sonuç değişkeni (ölçüt), etki, hedef grup ve zaman eksenleriyle netleştirin; böylece model ve veri gereksinimleri belirginleşir.

2) Ölçüm ve Puanlama: Test Puanlarından Ölçeklere

Eğitim araştırmalarında ölçüm çoğu zaman test puanları (sürekli) ve geçti/kaldı (ikili) sonuçlarıyla yapılır.

• Test puanları: Eş değer formlar, madde analizi (CTT), IRT (2PL/3PL/GRM) ile yetenek kestirimi (θ) ve hata tahmini.

• Ölçek puanları: AFA ile keşif, DFA ile doğrulama; ω/CR/AVE ile güvenirlik–geçerlik; ölçüm eşdeğerliği (cinsiyet/okul türü/dil).

• Rubrikler ve gözlem: Kodlayıcılar arası uyum (κ, ICC), örneklem planı.

Uygulama örneği: Yazma rubriğinde 4 boyut (dilbilgisi, yapı, içerik, akıcılık). AFA üç faktör önerirse, DFA’da iki boyut birleşiyorsa rubrik revize edilir; ω=.87 ile güvenirlik raporlanır.

3) Veri Hijyeni: Eğitim Verisinin “Gerçek Hayat” Sorunları

• Kopya kayıtlar ve ID tutarsızlıkları: Öğrenci–sınıf–okul anahtar bütünlüğü.

• Zaman damgaları: Dönem–hafta–oturum eşleştirmesi; sınav puanlarının tarihle senkronizasyonu.

• Uç değer ve yanlış giriş: Mümkünse iş kuralları (ör. puan 0–100).

• Eksik veri: MCAR/MAR/MNAR ayrımı; çoklu atama (MI) veya FIML; duyarlılık analizi.

Kontrol listesi: Codebook, veri akış şeması (pipeline), dışlama akış diyagramı ve önceden belirlenmiş temizleme kuralları.

4) Betimsel İstatistik ve Denge Tabloları: Sahneyi Kurmak

Her eğitim çalışmasında önce “kim, kaç kişi, hangi özelliklerle” sorusu yanıtlanır.

• Gruplara göre ortalama±SS, medyan (IQR), oranlar, standartlaştırılmış fark (dengede < .10 hedef).

• Görselleştirme: Yoğunluk/eğim grafikleri, kutu-çizgi, violin; renk körlüğüne uygun palet.

• Eşlik eden metin: “Müdahale n=502, kontrol n=498; ön-test ortalamaları 76.2±9.3 ve 76.1±9.0; std. fark=0.01.”

5) Basit Karşılaştırmalar: t-Testleri, Mann–Whitney ve Ki-Kare

• t-testi/ANOVA: Varsayımlar (normallik, varyans homojenliği); GA ve etki (d/η²) raporu.

• Mann–Whitney/Kruskal–Wallis: Medyan ve Cliff’s delta.

• Ki-kare/Fisher: Geçti/kaldı; risk farkı, RR ve OR + %95 GA.

Örnek: “Program geçme olasılığını artırdı: OR=1.38, %95 GA [1.12, 1.71]; mutlak artış +7 yüzde puan.”

6) Kümeli Veri: Sınıflar ve Okullar Varken Basit Testler Yetmez

Öğrenciler sınıflarda, sınıflar okullarda kümelenir. Bağımsızlık varsayımı bozulur.

• Karma (Mixed) modeller: (1|okul/sınıf) rastgele kesmeler, gerekirse rastgele eğimler. ICC ve tasarım etkisi raporu.

• GEE: Marjinal etki (population-averaged), robust SE; politika dili için uygundur.

• Model seçimi: “Birey içi değişim mi, ortalama politika etkisi mi?” sorusuna göre.

Uygulama: Geçme (ikili) ~ program + ön-test + SES + (1|sınıf). aOR=1.28 [1.03, 1.59]; ICC=.07.

7) Kovaryat Ayarlı Etkiler: ANCOVA ve Regresyon

• Lineer model (posttest ~ treat + pretest + SES + …) küçük eğilim farklarını telafi eder.

• Paralellik testi: pretest×treat etkileşimi; gerekirse eğime göre Johnson–Neyman anlatısı.

• Rapor: β, %95 GA, standartlaştırılmış β ve VIF.

Örnek: “Müdahale β=3.2, %95 GA [1.1, 5.3]; d≈0.28; VIF<2.”

8) Program Etkisi İçin Lojistik ve Olasılık Dili

Eğitimde “geçti/kaldı” sık hedef.

• Lojistik regresyon: OR ve ayarlanmış OR (aOR).

• Marjinal etkiler (AME): “+0.07 yüzde puan” gibi pratik dil.

• Ayrım–kalibrasyon: AUC/ROC ve kalibrasyon eğrisi.

Örnek: aOR=1.31 [1.06, 1.61], AME=+0.07 [0.02, 0.11]; AUC=.78.

9) Yarı-Deneysel Çerçeveler: Eğilim Puanı, DID ve RDD

Rastgele atama yoksa:

• Eğilim puanı (eşleştirme/ağırlıklandırma): Ortak destek, denge diyagnostikleri (SMD, Love plot).

• Farkların farkı (DID): Zaman içinde değişim farkı; paralel trend varsayımı ve plasebo testleri.

• Regresyon süreksizliği (RDD): Eşik etrafında lokal karşılaştırma; bant genişliği duyarlılığı.

Örnek DID cümlesi: “Program sonrası fark − program öncesi fark = +3.0 puan (GA [1.0, 5.0]); paralel trend testi destekleyici.”

10) Zaman Serisi ve Paneller: Öğrenmenin Zamansal İzleri

• Tekil okul/sistem düzeyi: Kesintili zaman serisi (ITS); müdahale anında seviye/eğim değişimi.

• Öğrenci-hafta panelleri: Sabit/rastgele etkiler; AR(1) hata yapısı; küme-robust SE.

• Mevsimsellik/akademik takvim: Dönem ve sınav haftası göstergeleri.

Örnek: Program sonrası eğim +0.4 puan/hafta (GA [0.2, 0.6]); seviye etkisi +2.1 (GA [0.8, 3.4]).

11) Psikometri Entegrasyonu: Ölçmeden Analize Köprü

Eğitim değişkenlerinin önemli kısmı “gizil”dir (motivasyon, öz-düzenleme).

• AFA/DFA: Yapı doğrulaması; CFI/TLI/RMSEA/SRMR raporu.

• Ölçüm eşdeğerliği: Grup/zaman karşılaştırmasından önce configural→metrik→skalar.

• IRT: Test zorluğu ve ayırt edicilik; eşdeğer form ve skor bağlama (linking).

Örnek: Üç faktörlü motivasyon ölçeğinde skalar eşdeğerlik sağlandı; kızlarda ortalama +0.21 SD.

12) Nitel ve Karma Yöntem: Sayıyı Söze, Sözü Sayıya Bağlamak

• Nitel içerik analizi: Kod ağacı, tema geliştirme, örnek alıntılar; kodlayıcı uyumu (κ).

• Karma yöntem entegrasyonu: Triangulation matrisi; nitel bulgularla nicel etki mekanizması açıklaması.

• Örnek: Program etkisi küçük–orta; nitel görüşmeler “anında geri bildirim” ve “akran işbirliği” mekanizmalarını açığa çıkardı.

13) Erişilebilir ve Dürüst Görselleştirme: GA’yı Saklamayın

• Karar grafikleri: Nokta ± %95 GA, forest (alt gruplar), marjinal etki şeritleri.

• Akış şeması: Konsort/STROBE mantığıyla örneklem dahil/haric.

• Renk–tipografi: Yüksek kontrast, CB-dostu, birim etiketleri.

İpucu: Lojistikte olasılık–ön-test düzeyine göre program etkisini eğim şeridi ile gösterin.

14) Eksik Veri Stratejileri: Öğrenci Devamsızlığı Kader Değildir

• Eksik mekanizma: MCAR/MAR/MNAR kanıtları.

• MI (m≥20): Atama modeli kovaryatları (ön-test, demografi, okul).

• Duyarlılık: “En kötü–en iyi” senaryolar; pattern-mixture.

Rapor cümlesi: “MI sonrası ana sonuçlar değişmedi; AME +0.06’dan +0.05’e geriledi.”

15) Çoklu Karşılaştırmalar ve Keşif: Bilgece Fren

• Aile tanımı: Birincil/ikincil/keşif ayrımı.

• Düzeltme: Holm/BH-FDR; q-değeri bildirimi.

• Öneri: Pre-registered analiz planı; keşifsel bulgular “hipotez üretici” diye etiketlenmeli.

16) Adalet, Eşitlik ve Heterojen Etki: “Kim İçin Daha İyi?”

Eğitimde adalet boyutu kritik: Programın etkisi düşük SES, özel gereksinimli öğrenciler, dil azınlıkları için farklı olabilir.

• Alt grup analizleri: Güç düşüşünü gözet; etkileşim terimi ve CMH katmanlı analiz.

• Adalet metrikleri: Farklı hata oranları (yanlış negatif) ve erişim farkları; politika dilinde rapor.

Örnek: Düşük SES’te AME=+0.10; yüksek SES’te +0.03; etkileşim p=.03.

17) Uygulamalı Senaryo A—Okuma Programı (Kümeli RCT)

Tasarım: 48 okul, 5. sınıf; sınıf düzeyi rastgele atama.
Veri: Ön-test, son-test, devamsızlık, SES; geçme (ikili).
Analiz hattı:

1. Denge tablosu (std. farklar).

2. Karma lineer (posttest ~ treat + pretest + SES + (1|okul/sınıf)).

3. Karma lojistik (pass ~ treat + pretest + SES + (1|sınıf)).

4. Alt grup (SES); forest.
   Sonuç dili: “β=3.2 [1.1, 5.3]; aOR=1.28 [1.03, 1.59]; AME=+0.07; düşük SES’te etki daha yüksek.”

18) Uygulamalı Senaryo B—Çevrim İçi Öğrenme ve Log Verisi (Panel)

Tasarım: 12 hafta; haftalık modül tamamlama, görev süresi, quiz puanları.
Model: Panel FE + AR(1); marjinal etki grafikleri.
Bulgular: Etkileşimli içerik haftalık puanı +0.4 (GA [0.2, 0.6]); hafta 7’de yorgunluk kırılması; müdahale × hafta etkileşimi anlamlı.

19) Uygulamalı Senaryo C—Politika Değişikliği (DID)

Bağlam: Yıl ortasında rehberlik saatleri artırıldı; iki benzer ilçe (tedavi/karşılaştırma).
DID modeli: Sonuç ~ tedavi×sonrası + kovaryatlar + ilçe sabit etkisi.
Varsayım testi: Ön dönem trendler paralel; plasebo kesitinde etkisiz.
Sonuç: DID etkisi +2.7 puan [0.9, 4.5]; duyarlılıkta stabil.

20) Raporlama: Tablo–Şekil–Metin Üçlüsü

• Tablo 1 (Denge): n, ortalama±SS/%, std. fark; kısaltmalar.

• Tablo 2 (Ana etki): β/OR | %95 GA | p | d/AME | Not (kümelenme, düzeltme).

• Şekil 1: Nokta ± %95 GA; pratik eşik çizgisi.

• Şekil 2: Forest (alt gruplar).

• Metin: p’yi sona bırakın; GA ve etki odaklı anlatı.

Dipnotlar: Eksik veri, çoklu test, varsayım ve duyarlılık.

21) Etik, Gizlilik ve Okulla İlişki: Araştırmanın Sosyal Sözleşmesi

• İzin ve bilgilendirme: Veli/öğrenci/öğretmen; asgarî veri ilkesi.

• Anonimleştirme: ID hash, okul düzeyinde coarsening.

• Geri bildirim: Sonuçların okullarla paylaşım biçimi; yanlış etiketlemeyi önleyecek dil.

• Açık bilim: Anonimleştirilmiş veri, kod, sürüm; etik kısıt notuyla.

22) Kalite Güvence: Ön Kayıt, Kod İncelemesi, Reprodüksiyon

• Ön kayıt (prereg): Hipotez ve analiz planı.

• Kod incelemesi: Eşli kontrol; çekme isteği (PR).

• Tekrarlanabilir rapor: Quarto/Rmd/Notebook; seed ve sürümleme.

• Denetim izi: Dışlama akışları, MI parametreleri, model seçenekleri.

23) Sık Hatalar ve Çözümleri

• Kümeyi yok saymak → Karma/GEE; ICC raporu.

• Yalnız p-değeri → %95 GA ve etki (d/AME/RR).

• Eksik veri stratejisiz → MI + duyarlılık.

• Eşdeğerlik testi yok → Noninferiority/eşik dili.

• Alt grup p-istismarı → Önceden belirlenmiş aile + FDR; heterojen etkiyi etkileşim ile sınayın.

• Ölçüm eşdeğerliği atlamak → Grup karşılaştırmalarında önce skalar test.

24) Yazılım Ekosistemi: R–Stata–SPSS–Jamovi–Python

• R: lme4, glmmTMB, geepack, MatchIt, did, fixest, lavaan, mice, ggplot2.

• Stata: mixed/melogit, xt ailesi, psmatch2/teffects, didregress, sem.

• SPSS/Jamovi: Karma modeller, lojistik, MI, grafikler; AMOS için DFA/SEM.

• Python: statsmodels (GLM/GLMM), scikit-learn (ROC/AUC), DoWhy/EconML (nedensel).

Not: Eğitim verileri çoğunlukla panel/kümeli olduğundan, karma/GEE akıcılığı elzemdir.

25) Sonuçların “Politika Dili”ne Çevrilmesi: Pratik Eşik ve Adalet

• Mutlak fark (yüzde puan) ve maliyet bağlamı.

• Hedefleme: Etkinin yüksek olduğu alt gruplara odaklanma (ör. düşük SES).

• Risk yönetimi: Yanlış pozitif/negatifin eğitimsel karşılığı (kaynak tahsisi, etik).

• Belirsizlik iletişimi: “Etkisinin ≥δ olma olasılığı…” Bayesçi/GA dili.

26) Kısa Kılavuz: “Günün Sonunda Ne Yazmalıyım?”

1. Tasarım–örneklem–ölçüm net.

2. Denge tablosu ve görseller önce.

3. Karma/GEE veya panel–DID bağlam-uygun.

4. Tüm etkiler GA ile.

5. Eksik, çoklu test, varsayım ve duyarlılık açık.

6. Adalet/heterojen etki analizi.

7. Kod–veri–sürüm paylaşımı.

Sonuç: Sınıftan Politikaya Uzanan Analitik Omurga

Eğitim araştırmalarında veri analizi; bir dizi testin ardı ardına dizilmesi değil, ölçümden modele, modelden yoruma, yorumdan karara uzanan etik ve yeniden üretilebilir bir omurgadır. Güçlü bir çalışma:

1. Soruyu tasarımla uyumlar,

2. Ölçümü psikometri ile güvenceye alır,

3. Veriyi hijyen ve eksik yönetimi ile temizler,

4. Kümeli yapıyı karma/GEE ile ciddiye alır,

5. Nedensel iddiaları yarı-deneysel çerçevelerle temellendirir,

6. Zaman–panel boyutunu ITS/FE/RE ile modelleyip kalibrasyon ve duyarlılık raporlar,

7. Sonuçları GA–etki–adalet üçlemesiyle anlatır ve

8. Kod–veri–rapor sürümleriyle tekrarlanabilir kılar.

Eğitimin asıl sorusu “kim ne kadar öğrendi ve neden?”dir. Bu soruya ikna edici bir yanıt, bu yazıda çizilen analitik omurgayı uygulamaktan geçer: kanıta sadakat, belirsizliğe saygı ve adalet odaklı bir dil. Böyle kurulduğunda, sınıftaki küçük kazanımlar bile politika düzeyinde ölçeklenebilir ve hakkaniyetli dönüşümlere ilham verir.

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 Eğitim Araştırmalarında Veri Analizi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.