Ortaokul Öğrencilerinin PISA Soruları Karşısında Muhakeme Etme Becerileri
Bibliographic record
Abstract
Çalışmanın amacı 7. sınıf ortaokul öğrencilerinin PISA soruları karşısında muhakeme becerilerini ortaya çıkarmaktır. Çalışma, 2016-2017 eğitim öğretim dönemi bahar yarıyılında gerçekleştirilmiştir. Çalışma grubunu Türkiye’nin Karadeniz bölgesinde bulunan bir ilden rastgele örnekleme yöntemi ile seçilen toplam 51 öğrenci oluşturmaktadır. Bu çalışmada durum çalışması yöntemi kullanılmıştır. Öğrencilerin problemleri çözerken ortaya koymuş oldukları muhakeme becerileri içerik analizi ile çözümlenmiştir. Çalışmada veri toplama aracı olarak PISA (Program for International Student Assessments) Örnek Problem Çözme Sorularından (2015) normal üniteler adlı bölüm 1’den Enerji Gereksinimleri adlı problem kullanılmıştır. Bu problem iki bölümden oluşmaktadır. Uygulanan problemlerden elde veriler NAEP’in (2002) matematiksel muhakeme ve problem çözme becerisi kriterlerine göre değerlendirerek analiz edilmiştir. Elde edilen bulgular incelendiğinde öğrencilerin problem çözme stratejilerini, probleme ait verileri ve istenilen ile ilişkili matematik bilgilerini kullanıp kullanılmadığını belirlenmesi aşamasında öğrencilerin probleme ait verileri yazdıkları ve istenilenleri net bir şekilde belirledikleri görülmektedir. Ayrıca öğrencilerin istenilenler ve verilenler arasında matematiksel bir ilişki kurarak bilgilerini kullandıkları belirlenmiştir. Öğrencilerin muhakeme becerilerini kullanıp kullanmadıklarının incelendiği ikinci adımda öğrencilerin problemi çözerken tümdengelime dayalı, tümevarıma dayalı, istatiksel ve orantısal muhakeme becerilerini kullandıkları görülmektedir. Son aşama değerlendirildiğinde ise öğrencilerin problemin çözümünden sonra çözümün uygunluğu ve doğruluğu ile ilgili karar verebilme esnasında öğrencilerin çoğunluğunun çözümlerinin doğruluğunu kontrol ettiklerini ve doğru olup olmadığını belirlemek için sağlama yaptıkları belirlenmiştir.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.044 | 0.011 |
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; both teacher heads agree on what is shown here.
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".