Kernel eşitleme yöntemlerinin karşılaştırılması: TIMSS 2019 fen testi örneği
The comparison of kernel equating methods: TIMSS 2019 science test case
- Tez No: 672848
- Danışmanlar: DOÇ. DR. SEVİLAY KİLMEN
- Tez Türü: Yüksek Lisans
- Konular: Eğitim ve Öğretim, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Eğitim Bilimleri Ana Bilim Dalı
- Bilim Dalı: Eğitimde Ölçme ve Değerlendirme Bilim Dalı
- 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
- 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
2017
Eğitim ve ÖğretimHacettepe ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. SELAHATTİN GELBAL
- Compressive sensing of cyclostationary propeller noise
Çevrimsel durağan pervane gürültüsü için sıkıştırmalı algılama
UMUT FIRAT
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- 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
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
PROF. DR. OSMAN NURİ UÇAN
- Derin öğrenme ile görüntülerde gürültü giderme
Image denoising with deep learning
SERCAN SATICI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Ortak değişkenlerin özelliklerine göre Kernel eşitleme sonuçlarının karşılaştırılması
Comparison of Kernel equating results according to properties of covariates
MERVE YILDIRIM SEHERYELİ
Doktora
Türkçe
2022
Eğitim ve ÖğretimHacettepe ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. SELAHATTİN GELBAL