Öğrenme Stratejileri Öğretiminin Öğretmen Adaylarının Akademik Başarılarına, Öğrenme Stratejilerine ve Öğrenme Sorunlarına Olan Etkisinin Belirlenmesi
Bibliographic record
Abstract
Bu çalışma öğrenme stratejileri öğretiminin öğretmen adaylarının akademik başarılarına, öğrenme stratejilerine ve öğrenme sorunlarına olan etkisini belirlemek amacıyla yapılmıştır. Araştırmada yarı deneysel desenlerden öntest-sontest kontrol gruplu desen kullanılarak; “Güdülenme ve Öğrenme Stratejileri Ölçeği” ve başarı testi ile nicel veriler; görüşme formları ile nitel veriler toplanmıştır. Yapılan görüşmeler, deneysel müdahale olarak ele alınmıştır. Araştırmanın amacı doğrultusunda, üç deney ve bir kontrol grubu belirlenerek, deneysel müdahaleden önce ve sonra deney ve kontrol gruplarına, “Güdülenme ve Öğrenme Stratejileri Ölçeği” ve başarı testi uygulanmıştır. Deney gruplarından birinde strateji öğretimi, birinde görüşme, bir diğerinde ise hem strateji öğretimi hem de görüşme gerçekleştirilmiştir. Görüşme verilerinin analizinde içerik analizi yöntemi, nicel verilerin analizinde ise varyans analizleri kullanılmıştır. Araştırma sonuçlarına göre, öğrenme stratejileri öğretiminin öğrenme sorunlarının azalmasına katkı sağladığı belirlenmiştir. Ayrıca öğrenme stratejileri öğretiminin öğretmen adaylarının strateji kullanmalarına etkisi yokken, başarı puanlarına olumlu etkisi olmuştur; ancak bu etki deney ya da kontrol grubunda bulunmaya göre birbirinden anlamlı fark göstermemiştir.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.030 | 0.007 |
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".