Geri Dön

Kernel eşitleme yöntemlerinin karşılaştırılması: TIMSS 2019 fen testi örneği

The comparison of kernel equating methods: TIMSS 2019 science test case

  1. Tez No: 672848
  2. Yazar: ŞEYMA NUR ÖZSOY
  3. Danışmanlar: DOÇ. DR. SEVİLAY KİLMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Eğitim ve Öğretim, Education and Training
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Bolu Abant İzzet Baysal Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Eğitim Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Eğitimde Ölçme ve Değerlendirme Bilim Dalı
  13. Sayfa Sayısı: 112

Özet

Test eşitleme çalışmaları genel olarak ortak madde kullanılarak yapılmaktadır. Ancak pratikte uygulanan testlerde ortak madde bulunmamaktadır. Bu durumda, ortak değişkenler aracılığıyla eşitleme yapılarak pratikteki eşitleme uygulamalarına katkı sağlanabilir. Bu amaçla ikili puanlanan maddelerin kullanıldığı bu çalışma, eşitlenmemiş gruplarda ortak madde deseni (NEAT) ve eşitlenmemiş gruplarda ortak değişken deseninde (NEC) yürütülmüştür. NEAT deseninde Kernel sontabakalama eşit yüzdelikli, Kernel sontabakalama doğrusal, Kernel zincirleme eşit yüzdelikli ve Kernel zincirleme doğrusal eşitleme yöntemleri kullanılırken NEC deseninde Kernel eşit yüzdelikli ve Kernel doğrusal eşitleme yöntemleri kullanılmıştır. Diğer yandan NEC deseninde ortak değişken olarak cinsiyet ve bilgisayar/tablet değişkenleri kullanılmıştır. 2019 yılında eTIMSS uygulamasına geçilmesi durumu göz önünde bulundurularak bilgisayar ya da tablete sahip olup olmama durumunun vereceği hata miktarının incelenmesi amaçlanmıştır. Test formlarını eşitlemek amacıyla R programında bulunan kequate paketi kullanılmıştır ve eşitlemenin standart hatası (SEE) hesaplanmıştır. Araştırma sonuçları değerlendirildiğinde; NEC deseninden elde edilen eşitlenmiş puanların ham puanlara daha yakın olduğu belirlenmiştir. Diğer yandan NEC deseninden elde edilen hata değerlerinin NEAT desenine göre daha yüksek olduğu görülmüştür. Sonuçlara göre en az hata, NEAT deseni altında yapılan sontabakalama eşitlemeden üretilmiştir. NEC deseninde en düşük hata ise bilgisayar/tablet değişkeniyle yapılan Kernel doğrusal eşitleme yönteminde elde edilmiştir.

Özet (Çeviri)

Test equating studies are generally performed using common items. However, in practice, there is no common substance in the tests. In this case, equating through common variables can contribute to equating applications in practise. For this purpose, this study, which used binary scoring items, carried out in nonequivalent groups with common items design (NEAT) and nonequivalent groups with covariates design (NEC). When using methods Kernel poststratification equipercentile equating, Kernel poststratification linear equating, Kernel chain equipercentile and Kernel chain linear equating methods under NEAT design, were used Kernel eqipercentile and Kernel linear equating methods in NEC design. On the other hand, gender and computer/tablet variables are used as common variables in the NEC design. This study aimed to examine the amount of errors that will be given by whether or not you have a computer or tablet considering the introduction of eTIMSS in 2019. Test forms are equated via the kequate package in program R and the standard error of equating (SEE) was calculated. When the results of the research are evaluated, it was determined that the equated scores obtained from the NEC design were closer to the raw scores. On the other hand, the error values obtained from the NEC design were found to be higher than the NEAT design. According to the results, the least error was obtained from poststratification equating in NEAT design. The lowest error in the NEC design was achieved in the Kernel linear equating method with the computer/tablet variable.

Benzer Tezler

  1. Kernel eşitleme ve madde tepki kuramına dayalı eşitleme yöntemlerinin karşılaştırılması

    Comparison of kernel equating and item response theory equating methods

    ÇİĞDEM AKIN ARIKAN

    Doktora

    Türkçe

    Türkçe

    2017

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. SELAHATTİN GELBAL

  2. Compressive sensing of cyclostationary propeller noise

    Çevrimsel durağan pervane gürültüsü için sıkıştırmalı algılama

    UMUT FIRAT

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN AKGÜL

  3. Görüntü işleme teknikleri kullanılarak, 2-boyutlu mamografik verilerde kanserli bölge tanısı

    Cancer region diagnosis of 2-dimensional mammographic data using image processing techniques

    PELİN GÖRGEL

    Doktora

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET SERTBAŞ

    PROF. DR. OSMAN NURİ UÇAN

  4. Derin öğrenme ile görüntülerde gürültü giderme

    Image denoising with deep learning

    SERCAN SATICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  5. Ortak değişkenlerin özelliklerine göre Kernel eşitleme sonuçlarının karşılaştırılması

    Comparison of Kernel equating results according to properties of covariates

    MERVE YILDIRIM SEHERYELİ

    Doktora

    Türkçe

    Türkçe

    2022

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. SELAHATTİN GELBAL