Lojistik Regresyon Yöntemi ile Farklı Başarı Düzeyindeki Ülkelerin PISA Başarı Düzeylerini Etkileyen Önemli Değişkenlerin İncelenmesi

Year 2022, Volume: 24 Issue: 3, 590 - 599, 01.12.2022

Yusuf Kasap , Nuri Doğan , Mustafa Köroğlu

https://doi.org/10.17556/erziefd.1151452

Cited By: 1

Abstract

Bu araştırmada 2018 yılında PISA’ya katılan öğrencilere sınavla verilen öğrenci anketinden elde edilen 34 bağımsız değişken ile farklı başarı düzeyine sahip ülkelerin PISA okuduğunu anlama başarısını yordayabilen değişkenlerin belirlenmesi amaçlanmıştır. Bu amaç için PISA’ya katılan 79 ülke, başarı yüzdelik sırasına konuldu. Ardından eşit dilimlerle ülkeler alt, orta ve üst dilimler olarak ayrıldı. Yüzdelik dilimlerine alt, orta, üst başarı grubu ülkelerin verileri üzerinden oluşturulan üç ayrı lojistik model ile yapılan analizlerde okuduğunu anlama başarısını yordamada anlamlı değişkenler, 25-28 arasında değişmiştir. Daha sonra oluşturulan modellerin sınıflama performansında dikkate değer düşme olmayacak biçimde ayarlama yapılarak değişken sayısı azaltılıp her bir model için başarıyı en iyi yordayan 10 değişken seçilmiştir. Değişken sayısı azaltılarak oluşturulan modellerle yapılan analiz sonucunda başarıyı yordamada alt, orta, üst başarı grubu ülkeler için, önemli ortak yordayıcıların; evdeki eğitimsel eşyalar, okuma keyfi, sosyo-ekonomik durum indeksi, PISA testinin zorluk algısı, ailenin mal varlığı, yaşamın anlamı ve öğretmenin eğitimi yönlendirmesi değişkenleri olarak belirlenmiştir. Daha sonra, her bir grup için oluşturulan modellerin her birindeki 10 bağımsız değişken ile modellerin PISA okuduğunu anlama başarısını sınıflama ve kestirim performansları hesaplanmıştır.

Keywords

Sınıflama, Tahmin, PISA

Investigation of Important Variables Affecting PISA Success Levels of Countries with Different Success Levels with Logistic Regression Method

Abstract

The objective of this study was to identify the variables that could predict the PISA reading comprehension success of countries with different success levels. This was done with 34 independent variables obtained from the student questionnaire given to the students who participated in PISA in 2018. For this purpose, 79 countries participating in PISA were put in order of success percentage. Then, with equal slices, countries were divided into lower, middle, and upper slices. Significant variables in predicting reading comprehension success in the analysis made with three different logistic models based on the data of low, middle and high achievement group countries in percentiles varied between 25-28. Afterwards, the number of variables was reduced by adjusting the classification performance of the models created in such a way that there would not be a notable decrease, and the 10 variables as the best-predicted success were selected for each model. As a result of the analysis made with the models created by reducing the number of variables, it was revealed that the important common predictors for the low, middle and high success group countries such as educational items at home, reading pleasure, socio-economic status index, PISA test's perception of difficulty, family wealth, meaning of life and teacher's orientation to education. Then, with 10 independent variables in each of the models created for each group, the models' performance in classifying and predicting PISA Reading Comprehension success was calculated.

Keywords

Classification, Estimation, PISA

References

• Akkurt, Z., ve Karabağ Köse, E. (2019). Öğrenci başarısının okul, öğretmen ve aileyle ilgili değişkenler açısından incelenmesi. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 47, 1-16. https://doi.org/10.9779/pauefd.451853
• Alpar, R. (2011). Çok Değişkenli İstatistiksel Yöntemler. Ankara: Detay Yayıncılık.
• Berberoğlu, G., Çalışkan, M., ve Karslı, N. (2017). PISA 2015 sonuçlarına göre Türk öğrencilerinin ulaştığı düşünme süreçleri ve bu süreçlerle ilişkili olan değişkenler. Working Paper, August 2017
• Büyüköztürk, Ş., Kılıç Çakmak, E., Akgün, Ö. E., Karadeniz, Ş., ve Demirel, F. (2018). Bilimsel Araştırma Yöntemleri. Ankara: Pegem Yayıncılık.
• Cengiz, E. (2009). ARCS motivasyon modelinin fen ve teknoloji dersinde öğrencilerin başarısına ve öğrenmenin kalıcılığına etkisi (Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü).
• Coşkuner, T. (2013). Uluslararası öğrenci başarı değerlendirme programı (PISA) 2009 uygulaması okuma becerileri okuryazarlığı’nı etkileyen faktörler. (Yayınlanmamış Yüksek Lisans Tezi). Akdeniz Üniversitesi Eğitim Bilimleri Enstitüsü, Antalya.
• Erdas Kartal, E., Doğan, N., Yıldırım, S. (2017). Exploration of the Factors Influential on the Scientific Literacy Achievement of Turkish Students in PISA. Necatibey Eğitim Fakültesi Elektronik Fen ve Matematik Eğitimi Dergisi (EFMED) Cilt 11, Sayı 1, sayfa 320-339.
• Güzle Kayır, Ç. (2012). PISA 2009 Türkiye verilerine dayanarak okuma becerileri alanında başarılı okullar ile başarısız okulları ayırt eden okul içi etmenler ve sosyo-ekonomik faktörler. (Yayınlanmış Yüksek lisans tezi). Akdeniz Üniversitesi Sosyal Bilimler Enstitüsü, Antalya.
• Ho Yu, C., Kaprolet, C., Jannasch Pennell, A., ve Digangi, S. (2012). ‘A data mining approach to comparing american and canadian grade 10 students’ PISA science test performance. Journal of Data Science 10, 441-464.
• Hosmer, D.W., ve Lemeshow, S. (2000). Applied lojistic regression. John WileySons, Inc : Canada.
• MEB (2019). PISA 2015 ulusal ön raporu. Ankara: Meb.
• OECD (2019). PISA 2018 Assessment and analytical framework. Paris: OECD Publishing.
• Önder, R., Gelbal, S. (2016). PISA 2012 sonuçlarına göre matematik öz-yeterlik ve kaygı puanlarının bazı değişkenlere göre incelenmesi. Eğitim ve Öğretim Araştırmaları Dergisi 5(3),271-278.
• Özer Özkan, Y., ve Acar Güvendir, M. (2014). Socioeconomic factors of students’relation to mathematic achievement: comparison of PISA and OBBS International Online Journal of Educational Sciences, 6 (3), 776-789.
• Tatlıdil, H. (1992). Uygulamalı çok değişkenli istatistiksel analiz. Ankara: Engin Yayınları.
• Tavşancıl, E., Yıldırım, Ö., ve Bilican Demir, S. (2019). Direct and indirect effects of learning strategies and reading enjoyment on PISA 2009 reading performance. Eurasian Journal of Educational Research, 82, 169-190.
• Urfalı Dadandı, P., Dadandı, İ., ve Koca, F. (2018). PISA 2015 Türkiye sonuçlarına göre sosyoekonomik faktörler ile okuma becerileri arasındaki ilişkiler. Uluslararası Türkçe Edebiyat Kültür Eğitim Dergisi, 7(2), 1239-1252.
• Uyulgan, M. A., ve Akkuzu, N. (2017). Ortaöğretim öğrencilerinin akademik başarılarını yordayan kişisel faktörler üzerine bir araştırma. Bartın Üniversitesi Eğitim Fakültesi Dergisi, 6(3), 1211-1226. https://doi.org/10.14686/buefad.341344
• Wu, M., ve Adams, R.J. (2002). Plausible Values – Why They Are Important. International Objective Measurement Workshop, New Orleans.
• Yıldırım, Ö. (2012). Okuduğunu anlama başarısıyla ilişkili faktörlerin aşamalı doğrusal modellemeyle belirlenmesi (PISA 2009 Hollanda, Kore ve Türkiye karşılaştırması). (Yayınlanmış Doktora Tezi). Ankara Üniversitesi Eğitim Bilimleri Enstitüsü Ankara.