Okul Öncesi Aday Öğretmenlerin Öğrenme Stillerinin Matematiksel Algoritmaya Dayalı Olarak Modellenmesi
Bibliographic record
Abstract
Bu araştırmanın amacı, okul öncesi öğretmen adaylarının öğrenme stillerinin, matematiksel bir algoritma yöntemi kullanılarak modellenmesidir. Çalışma 2015-2016 akademik yılında Ankara ilinde bulunan bir devlet üniversitesinin okul öncesi eğitimi anabilim dalında öğrenim gören 159 lisans öğrencisi ile yürütülmüştür. Araştırmada veri toplama aracı olarak Felder ve Soloman (1994)’ın Öğrenme Stilleri Envanteri kullanılmıştır. Araştırma sonuçlarına göre öğretmen adaylarının sağ yarıküre kontrolündeki aktif, algısal ve görsel öğrenme stillerini ağırlıklı olarak tercih ettikleri saptanırken; sol yarıküre kontrolündeki sıralı (analitik) öğrenme stilini de bütüncül (global) öğrenme stiline oranla daha fazla kullandıkları ortaya çıkmıştır. Bununla beraber araştırmada yer alan öğretmen adaylarının öğrenme stillerinde yaklaşık olarak % 11 oranında sağ yarıküre temelli stillere kaydıkları belirlenmiştir. Bununla beraber geliştirilen modelleme sonucunda sapmanın fazla olduğu öğrenme stili güçlerinin de % 12 yansıtıcı/aktif ve % 16 işitsel/görsel alt boyutlarında kayba uğradığı hesaplanmıştır.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".