Likert Tipi Ölçeklerde Klasik Test Kuramı ile Rasch Analizinden Elde Edilen Yetenek Kestirimleri Arasındaki Uyumun Test Edilmesi
Bibliographic record
Abstract
Bu araştırmada, Likert tipi ölçeklerde klasik test kuramı (KTK) ile Rasch analizinden elde edilen yetenek kestirimleri göreli uyum, mutlak uyum ve dağılım özellikleri açısından karşılaştırılmıştır. Araştırmanın verileri; 200 öğretmenden oluşan bir çalışma grubuna, 10 madde içeren ve tek faktörlü bir yapıya sahip olan “sınıftaki farklılıklar için öğretmen yeterlikleri” ölçeğinin uygulanması ile toplanmıştır. Çalışmada, KTK ile Rasch modelinde hesaplanan yetenek ölçüleri arasındaki korelasyon katsayısı .95 olarak bulunmuş ve iki kuramla kestirilen yetenek ölçüleri arasında yüksek bir göreli uyum olduğu sonucuna varılmıştır. İlişkili örneklem t -testinden elde edilen bulgular, KTK’da hesaplanan yetenek kestirimlerinin Rasch analizinde ulaşılan yetenek kestirimlerine kıyasla anlamlı derece daha yüksek olduğunu ortaya koymuş ve bu sonuç iki kurama göre kestirilen yetenek puanları arasında mutlak bir uyum bulunmadığına yönelik bir kanıt olarak değerlendirilmiştir. Son olarak, Rasch analizinde kestirilen yetenek puanlarının KTK’dan elde edilen yetenek puanlarına kıyasla daha simetrik ve daha sivri bir dağılıma sahip olduğu saptanmıştır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".