NöroPLAY Yönteminin İzleminde Kullanılan NöroPLAY Oyun Davranış Değerlendirme Ölçeği ve NöroPLAY Ebeveyn Oyun Davranış Değerlendirme Ölçeğinin Geliştirilmesi
Bibliographic record
Abstract
Bu araştırmada NöroPLAY yönteminin izleminde NöroPLAY Oyun Davranışı Değerlendirme Ölçeği ve NöroPLAY Ebeveyn Oyun Davranışı Değerlendirme Ölçeğinin geliştirilmesi amaçlanmıştır. Çalışma grubu 18-42 ay aralığında olan 91 çocuktan oluşmaktadır. Ölçeklerin yapı geçerliliklerini belirleyebilmek amacıyla açımlayıcı faktör analizi yöntemi kullanılmıştır. Maddelerin bulundukları yapıya hizmet etme derecelerinin incelenmesi için düzeltilmiş madde -toplam korelasyonu değerlendirilmiştir. Ölçek puanlarının güvenirliğinin değerlendirilmesinde Cronbach alfa ve McDonald omega güvenirlik katsayıları kullanılmıştır. Ölçeklerin yapısı ile ilgili kanıtlar elde edildikten sonra hatırlanma etkisini de ortadan kaldırmak amacıyla altı ay sonra aynı örneklemden tekrar veri toplanarak yapının doğrulanması amacıyla doğrulayıcı faktör analizi gerçekleştirilmiştir. Doğrulayıcı faktör analizi gerçekleştirilirken veri çoklu normal dağılım göstermediği için kestirim yöntemi olarak güçlü maksimum olabilirlik (robust maximum likelihood) yöntemi kullanılmıştır. Doğrulayıcı faktör analizi sonucunda elde edilen uyum indeksi değerleri, faktör yük değerleri ve hata varyansları incelenerek model veri uyumu değerlendirilmiştir. Öçeklerden elde edilen ölçümlerin geçerli ve güvenilir olduğu ortaya konulmuştur.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".