PISA 2015’de Türk Öğrencilerin Düşük Başarı Göstermelerinin Nedeni Değişen Madde Fonksiyonu (DMF) içeren maddeler midir?

Year 2019, Volume: 10 Issue: 1, 49 - 67, 29.03.2019

Serkan Arıkan

https://doi.org/10.21031/epod.466860

Cited By: 1

Abstract

 

GİRİŞ

Uluslararası Öğrenci
Değerlendirme Programı (PISA) 15 yaşındaki öğrencilerin okuma, matematik ve fen
okuryazarlığı alanlarındaki becerilerini uluslararası karşılaştırmalara olanak
veren bir yapıda ölçmektedir. Katılan ülke sayısının giderek arttığı PISA’ya
70’in üzerinde ülke dahil olmaktadır. (OECD, 2016a). OECD üyesi olan Türkiye
PISA’ya 2003 yılından beri düzenli olarak katılmaktadır. Ortalama puanın 500
olduğu PISA matematik okuryazarlık testinde, Türkiye PISA 2003’de 423, PISA
2006’da 424, PISA 2009’da 445, PISA 2012’de 448 ve PISA 2015’de 420 ortalama puan
almıştır (MEB, 2015; MEB, 2016). Benzer bir değişim hem fen hem de okuma
alanlarında da mevcuttur. PISA 2012’ye doğru artan yönde olumlu gelişmeler
yaşanırken, 2015 yılında ciddi bir düşüşün yaşanması oldukça dikkat çekicidir.
Bu düşüşün nedenlerinin araştırılması gerekmektedir. Nedenlerden bir tanesi
ölçme aracında kullanılan maddelerin dil açısından yanlılık göstermeleri
olabilir. Ölçme sonuçlarının sınavın uygulandığı dilden bağımsız olarak
sonuçlar üretmesi beklenir. PISA soruları çoğunlukla İngilizce olarak geliştirilmekte,
ardından diğer dillere adaptasyonu yapılmaktadır (OECD, 2017). Bu sebeple PISA
matematik sorularının Türkçe ve İngilizce konuşan ülkelerdeki öğrenciler için değişen
madde fonksiyonu (DMF) gösterip göstermediğinin incelenmesi gereklidir. Bu çalışmada
Türkiye’deki öğrencilerin düşük puan alma nedeninin maddelerin DMF içermeleri
olup olmadığı incelenecek, eğer neden bu değil ise de bu ihtimal elenerek,
diğer ihtimallere odaklanılacaktır.

DMF tespit etme yöntemleri
kullanılarak testlerin madde bazında yanlılık gösterip göstermediği ile ilgili
ön inceleme yapılabilmektedir (Zumbo, 2007). DMF’nin
ve sonrasında madde yanlılığının ortaya çıkması öğrenci gruplarının puanlarını
doğru bir şekilde karşılaştırmayı engellemektedir. Aynı beceri düzeyine sahip
iki öğrenci grubunun bir soruyu yanıtlama olasılıkları farklılaştığında DMF ortaya çıkmaktadır (van de Vijver &
Leung, 1997; Zumbo, 2007). Bir maddede istatistiksel olarak DMF çıkarsa, uzmanlar o soruyu incelemeli ve
neden DMF çıktığını yorumlayarak maddenin
ilgili gruplar için yanlılık gösterip göstermediğine karar vermelidir (van de
Vijver & Leung, 1997).

PISA soruları oldukça geniş
bir uzman kadrosu tarafından titizlikle hazırlanmakta ve adaptasyon süreçleri
gerçekleştirilmektedir (OECD, 2017). Ancak yine de, araştırmalar PISA matematik
sorularında DMF içeren maddeler olduğunu raporlamışlardır (Demir & Kose,
2014; Kankaras & Moors, 2014; Lyons-Thomas, Sandilands, & Ercikan,
2014; Yildirim & Berberoglu, 2009). Bu sebeple PISA 2015 maddelerini de DMF
içerip içermedikleri bakımından incelemek faydalı olacaktır. Alan yazında PISA
2015 maddelerini Türk öğrenciler ve İngilizce konuşan öğrenciler bakımından DMF
için karşılaştıran bir çalışmaya rastlanmamıştır.

Bu amaçla bu çalışmada Türk,
İngiliz ve Amerikan öğrencilerin matematik sorularına verdikleri yanıtlar DMF
içerip içermedikleri yönünden incelenmiştir. Türk öğrencilerin düşük matematik
performansı gösterme nedenlerinden birisi olarak DMF içeren maddelerin olup
olmaması incelenmiştir. Araştırma soruları ise

(1)   Türk ve İngiliz öğrencileri karşılaştırıldığında, DMF
içeren PISA 2015 matematik sorusu var mıdır?

(2)   Türk ve American öğrencileri karşılaştırıldığında,
DMF içeren PISA 2015 matematik sorusu var mıdır?

(3)   DMF içeren maddeler testten çıkarıldığında
matematik performans farklarından ortaya çıkan etki büyüklükleri değişmekte
midir?

 

YÖNTEM

 

Örneklem

PISA 15
yaşındaki öğrencilerin ilgili konu alanlarındaki performanslarını ölçerken
eksik test deseni kullanmaktadır (OECD,
2016b). Farklı kitapçıklar testin farklı
sorularını içermektedir. Kitapçık 43, 45 ve 47 bir araya gelince tüm soruları içermektedir.
Bu sebeple 43, 45, 47 numaralı kitapçıklara yanıt veren öğrenciler bu
çalışmanın örneklemini oluşturmaktadır. Bu çalışmada 491 Türk, 1154 İngiliz ve 448 Amerikan öğrenci yer almaktadır. 

 

Ölçme Aracı 

PISA 2015
kapsamında öğrencilerin matematik performanslarının değerlendirmesi için toplam
69 madde kullanılmıştır. Her bir öğrenci yaklaşık 23 soru yanıtlamıştır. PISA
matematik testindeki bu sorular ölçtükleri beceriler bakımından hiyerarşik bir
yapıda hazırlanmıştır. En temel beceri olarak formüle etme, ardından uygulama
ve en üst düzey düşünme süreci olarak yorumlama becerisi yer almaktadır (OECD, 2016b).

 

Veri Analizi

Bu
çalışmada 3 farklı DMF belirleme yöntemi kullanılmıştır. Bu yöntemler logistik regresyon (LR),
Mantel-Haenszel (MH) ve yapısal eşitlik modelidir (SEM). Her metot farklı
hesaplama yöntemlerine dayalı olduğu için (Atalay Kabasakal, Gok, Kelecioglu
& Arsan, 2012) daha tutarlı sonuçlar için en az 2 yöntemde farklılık
gösteren maddeler DMF içeriyor olarak
kabul edilmiştir. Logistik regresyon analizinde ilk adım olarak toplam puan,
ikinci adım olarak toplam puan ve grup değişkeni, üçüncü adım olarak da toplam
puan, grup değişkeni ve toplam puan ile grup değişkeninin etkileşimi modellere
eklenmektedir. ΔR² 0.035’den büyük ise DMF
olduğuna karar verilmiştir (Jodoin and Gierl, 2001). SPSS programı kullanılarak
bu analizler gerçekleştirilmiştir. Mantel-Haenszel metodunda ise grupların
toplam puanına göre K adet 2x2 çapraz tablolar baz alınarak ki-kare değerleri
hesaplanmaktadır. Daha sonra ilgili dönüşümler yapılarak MH D-DIF indeksi
oluşturulmaktadır (Holland & Thayer, 1986). Bu değer 1’den büyük ise DMF olduğuna karar verilmektedir (Zieky, 1993).
DIFAS 5.0 programı ile hesaplamalar yapılmıştır (Penfield, 2005). SEM ile DMF belirleme yönteminde ise doğrulayıcı faktör
analizinde ilgili parametrelerin eşit olmaya zorlanması sonucunda elde edilen
fit değerlerine büyük etkisi olan maddeler DMF
içeren madde olarak belirlenmektedir (van de Vijver, 2017). Comparative fit
index (CFI) ve Tucker Lewis index (TLI) değerleri arasındaki fark 0.010’dan
büyük ise modifikasyon indeksleri incelenerek DMF
içeren maddeler tespit edilir (Cheung and Rensvold, 2002). Bu analizde Mplus
7.4 programı kullanılmıştır (Muthen & Muthen, 2015).

 

SONUÇ VE TARTIŞMA

 

İç Tutarlılık

PISA 2015
matematik sınavı için Cronbach’s
alpha iç tutarlılık katsayıları kitapçık 43, 45 ve 47 için Türk öğrenciler için
sırasıyla 0.78, 0.79, 0.76; İngiliz öğrenciler için 0.81, 0.84, 0.85; ve  Amerikan öğrenciler için 0.80, 0.86, 0.86
olarak hesaplanmıştır. Bu değerler testin iyi düzeyde iç tutarlılığa sahip
olduğunu göstermektedir (Cicchetti, 1994).

 

 

DMF sonuçları

Bu kısımda LR, MH ve SEM
yöntemleri kullanılarak elde edilen DMF
sonuçları verilmektedir.

LR yöntemi ile elde edilen
sonuçlar Tablo 4’de verilmektedir. Türk ve İngiliz öğrenciler
karşılaştırıldığında, 69 maddeden 10 tanesi (B43_11, B45_10, B45_13, B45_18,
B47_1, B47_6, B47_7, B47_8, B47_9 ve B47_19), Türk ve Amerikan öğrenciler
karşılaştırıldığında, 69 maddeden 14 tanesi (B43_11, B43_15, B43_16, B45_10,
B45_11, B45_13, B45_18, B47_1, B47_6, B47_7, B47_9, B47_11, B47_14 ve B47_19) DMF içermektedir. MH yöntemi ile elde edilen
sonuçlar Tablo 5’de verilmektedir. Türk ve İngiliz öğrenciler
karşılaştırıldığında, 69 maddeden 10 tanesi (B43_11, B45_10, B45_13, B45_18,
B47_1, B47_6, B47_7, B47_9, B47_10 ve B47_19) Türk ve Amerikan öğrenciler
karşılaştırıldığında, 69 maddeden 10 tanesi (B43_11, B45_10, B45_13, B45_18,
B47_1, B47_7, B47_9, B47_11, B47_14 ve B47_19) DMF
içermektedir. SEM yöntemi ile elde edilen sonuçlar Tablo 6’da verilmektedir. Türk
ve İngiliz öğrenciler karşılaştırıldığında, 69 maddeden 4 tanesi (B45_2,
B45_10, B45_13, B45_18) Türk ve Amerikan öğrenciler karşılaştırıldığında, 69
maddeden 2 tanesi (B45_13 ve B47_9) DMF
içermektedir.

En az iki yöntem tarafından DMF içerdiği görülen maddeler burada
listelenmiştir. Türk ve İngiliz öğrenciler karşılaştırıldığında, 69 maddeden 9
tanesi (B43_11, B45_10, B45_13, B45_18, B47_1, B47_6, B47_7, B47_9 ve B47_19)
her iki yönteme göre DMF içermektedir. Ayrıca,
hangi maddelerin hangi grubun lehine çalıştığının raporlanması da önem
taşımaktadır. Bu 9 maddeden 3 tanesi Türk öğrenciler lehine (B43_11, B45_10,
B45_18, B47_6, B47_7, B47_9) 3 madde ise İngiliz öğrencilerin lehine
çalışmaktadır (B45_13, B47_1, B47_19). Türk ve Amerikan öğrenciler
karşılaştırıldığında, 69 maddeden 10 tanesi (B43_11, B45_10, B45_11, B45_13,
B47_1, B47_7, B47_9, B47_11, B47_14 ve B47_19) her iki yönteme göre DMF içermektedir. Bu 10 maddeden 5 tanesi Türk
öğrenciler lehine (B43_11, B45_10, B47_7, B47_9, B47_14) 4 madde ise Amerikan
öğrencilerin lehine çalışmaktadır (B45_13, B47_1, B47_11, B47_19). Bir madde
(B45_11) kısmen Türk öğrencilerin lehine, kısmen ise Amerikan öğrencilerin
lehine çalışmaktadır. Türk-İngiliz ve Türk-Amerikan karşılaştırmaları benzer
sonuçlar vermiştir.

Tablo 8 incelendiğinde, DMF gösteren tüm maddelerin açık uçlu sorular
olduğu görülmektedir. Ayrıca, Türk öğrencilere hem İngiliz hem de Amerikalı
öğrencilere göre avantaj sağlayan 7 sorunun 4 tanesinin en alt düşünme sürecini
ölçen formüle etme düşünme süreci ile ilgili olduğu görülmektedir. Formüle etme
becerisini ölçen hiçbir soru İngiliz ve Amerikan öğrencilerin lehine
çalışmamaktadır.

 

DMF Sonuçları ve Etki Büyüklüğü

Türk öğrenciler ile İngiliz
ve Amerikalı öğrenciler arasında başarı farkı bulunmaktadır. Gruplar arası
farkları örneklemdeki kişi sayısından bağımsız olarak değerlendirebilmek için
etki büyüklüğünü kullanmak iyi bir yöntemdir (Field, 2013). Tablo 9’da öğrenci
grupları arasındaki farkın etki büyüklüğü tüm maddeler kullanılarak ve DMF gösteren maddeler çıkarıldığında
hesaplanmıştır. Türk ve İngiliz öğrenciler arasında başlangıçta .51 ile .93
arasında değişen etki büyüklüğü hesaplanmıştır. DMF
içeren maddeler çıkarıldığında ise bir değişiklik gözlenmemiştir. Aynı şekilde
Türk ve Amerikalı öğrenciler arasında .28 ile .85 arasında değişen etki
büyüklüğü gözlenmiştir. DMF içeren
maddeler çıkarıldığında yine farkın değişmediği görülmüştür.

 

Tartışma

Bu çalışma
Türk öğrencilerin PISA 2015 matematik testinden çok düşük alma nedenlerinden
birisi olabilecek olan DMF içeren maddeleri incelemesi bakımından oldukça
önemlidir. Araştırmada önceki bölümlerde belirtildiği gibi DMF içeren maddeler
tespit edilmiştir. Ancak, bu maddeler sadece Türk öğrencilerin aleyhinde
çalışmamaktadır. DMF içeren maddelerin bir kısmı Türk öğrencilerin lehine
çalışmaktadır. Ek olarak, etki büyüklükleri karşılaştırıldığında DMF içeren
maddelerin toplam puanlarda herhangi bir gruba bir avantaj sağladığına dair
kanıt bulunmamaktadır. Puanlardaki düşüş için farklı nedenlere odaklanmak
gerekmektedir. Türk öğrencilerin PISA 2015 ortalama matematik puanlarında neden
düşüş yaşadıklarını tespit etmek için yıllar içerisinde seçilen örneklemlerin
karşılaştırılabilirliği, sınavın kağıt kalem formatı yerine artık bilgisayar
ortamında uygulanması ve ülke bazındaki eğitim sistemi, öğretim programları ve eğitim
politikalarında yaşanan değişimler gibi farklı değişkenleri de incelemek
gerekmektedir.

PISA’daki
sorular yayınlanmadığı için DMF içeren maddelerin yanlılık gösterip
göstermediğine dair uzman incelemesi yaptırılamamıştır. Ancak, soruların
özellikleri incelendiğinde bazı önemli ipuçları elde edilmiştir. DMF içeren tüm
maddelerin açık uçlu sorulardan oluşması bu soruların puanlanma süreçlerinin
yeniden gözden geçirilmesi gerektiğini göstermektedir. Bu puanlama sırasında
maddeler DMF içeriyor hale gelmiş olabilir. Diğer bir bulgu da, Türk
öğrencilerin lehine çalışan maddelerin çoğunun en alt düzey düşünme sürecini
içeren maddeler olmasıdır. Bu tip maddelerin hiçbiri İngilizce konuşan öğrencilere
DMF göstermemiştir. Türkiye’deki eğitim genel olarak çok soru çözmeye dayandığı
için, öğrenciler temel becerileri geliştirmiş ve bu tip sorularla daha fazla
karşılaşmış olabilir (Arikan, van de
Vijver & Yagmur, 2016; Doganay & Bal, 2010; Temur, 2012). Bu durum da
bu tip maddelerin Türk öğrenciler lehine DMF
göstermiş olabileceği anlamına gelmektedir. Son olarak, kullanılan DMF belirleme yöntemleri karşılaştırıldığında
logistik regresyon ve Mantel-Haenszel yöntemlerinin yapısal eşitlik modeline
göre birbirine daha yakın sonuçlar verdiği görülmüştür.

Are Differentially Functioning Mathematics Items Reason of Low Achievement of Turkish Students in PISA 2015?

Abstract

In PISA 2015 the average mathematics score of Turkey decreased
dramatically. One of the reasons could be the psychometric properties of
mathematics items of PISA 2015. Therefore, it is necessary to evaluate PISA
mathematics items for language DIF. In the study, three different DIF detection
methods were used: logistic regression (LR), Mantel-Haenszel (MH) and
structural equation modeling (SEM). Eleven items were found to have DIF when
Turkish and English speaking students were compared. The effect sizes of
mathematics performance differences between Turkish and English speaking
students before and after excluding DIF items did not change which indicated
that DIF items did not cause Turkish students to perform lower than expected.
All the DIF items were open response format in which answers were rated by
experts and computers. The DIF items favoring Turkish students were mainly
related to the basic cognitive process.  

Keywords

PISA 2015, Mathematics Performance, DIF, Turkish Student, Low Achievement

References

• Angoff, W. (1993). Perspective on differential item functioning methodology. In P. W. Holland & H. Wainer (Eds.), Differential item functioning (pp. 3–24). Hillsdale, NJ: Lawrence Erlbaum Associates.
• Arikan, S., van de Vijver, F., & Yagmur, K. (2016). Factors contributing to mathematics achievement differences of Turkish and Australian Students in TIMSS 2007 and 2011. Eurasia Journal of Mathematics, Science and Technology Education, 12, 2039-2059. doi:10.12973/eurasia.2016.1268a
• Atalay Kabasakal, K., Gok, B., Kelecioglu, H., & Arsan, N. (2012). Comparing different differential item functioning methods: A simulation study. Hacettepe University Journal of Education, 43, 270-281.
• Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 9, 233–255. doi:10.1207/S15328007SEM0902_5.
• Cicchetti, D. V. (1994). Guidelines, criteria, and rules of thumb for evaluating normed and standardized assessment instruments in psychology. Psychological Assessment, 6, 284–290. doi:10.1037/1040-3590.6.4.284.
• Cohen, J (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Mawhaw, NJ: Lawrence Erlbaum Associates.
• Demir, S., & Köse, İ. A. (2014) An analysis of the differential item function through Mantel-Haenszel, SIBTEST and Logistic Regression Methods. Journal of Human Sciences, 11(1), 700-714.
• Doganay, A., & Bal, A. P. (2010). The measurement of students' achievement in teaching primary school fifth year mathematics classes. Educational Sciences: Theory and Practice, 10, 199-215.
• Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics. Sage.
• He, J., & Van de Vijver, F. J. R. (2013). Methodological issues in cross-cultural studies in educational psychology. In G. A. D. Liem & A. B. I. Bernardo (Eds.), Advancing cross-cultural perspectives on educational psychology: A festschrift for Dennis McInerney (pp. 39-56). Charlotte, NC: Information Age Publishing.
• Holland, P. W., & Thayer, D. T. (1986). Differential item functioning and the Mantel-Haenszel procedure (ETS Research Report No. RR-86-31). Princeton, NJ: ETS.
• Holland, P. W. and Thayer, D. T. (1988). Differential item performance and Mantel-Haenszel procedure. En H.Wainer & H. I. Braun (Eds.), Test Validity, pp. 129-145. Hillsdale, N.J.: Erlbaum.
• Jodoin, M. G., & Gierl, M. J. (2001). Evaluating type I error and power rates using an effect size measure with the logistic regression procedure for DIF detection. Applied Measurement in Education, 14(4), 329-349.
• Joldersma, K., & Bowen, D. (2010). Application of Propensity Models in DIF Studies To Compensate For Unequal Ability Distributions. Paper presented at the annual meeting of National Council on Measurement in Education, Denver, CO.
• Kankaraš, M., & Moors, G. (2014). Analysis of cross-cultural comparability of PISA 2009 scores. Journal of Cross-Cultural Psychology, 45(3), 381-399.
• Liu, Y., Zumbo, B. D., Gustafson, P., Huang, Y., Kroc, E., & Wu, A. D. (2016). Investigating Causal DIF via Propensity Score Methods. Practical Assessment, Research & Evaluation, 21(13), 1-24.
• Lyons-Thomas, J., Sandilands, D. D., & Ercikan, K. (2014). Gender Differential Item Functioning in Mathematics in Four International Jurisdictions. Education &Science, 39(172), 20-32.
• MEB (2015). PISA 2012 Araştırması Ulusal Nihai Raporu. Ankara. Retrieved from https://drive.google.com/file/d/0B2wxMX5xMcnhaGtnV2x6YWsyY2c/view
• MEB (2016). PISA 2015 Ulusal Raporu. Ankara. Retrieved from http://pisa.meb.gov.tr/wp-content/uploads/2016/12/PISA2015_Ulusal_Rapor1.pdf
• Muthen, B. O., & Muthen, L. K. (2015). Mplus (Version 7.4). California. Los Angeles.
• OECD (2016a). PISA 2015 Results (Volume I): Excellence and Equity in Education. Paris: OECD Publishing. doi:10.1787/9789264266490-en
• OECD (2016b). PISA 2015 Assessment and Analytical Framework: Science, Reading, Mathematic and FinancialLiteracy. PISA, OECD Publishing, Paris.doi:10.1787/9789264255425-en
• OECD (2017). PISA 2015 Technical Report. Paris: OECD Publishing. Retrieved from http://www.oecd.org/pisa/data/2015-technical-report/
• Penfield, R. D. (2005). DIFAS: Differential Item Functioning Analysis System. AppliedPsychological Measurement, 29, 150-151.
• Temur, Ö. D. (2012). Analysis of prospective classroom teachers’ teaching of mathematical modeling and problem solving. Eurasia Journal of Mathematics, Science & Technology Education, 8(2), 83-93. doi:10.12973/eurasia.2012.822a
• Van de Vijver, F. J. R., & Leung, K. (1997). Methods and data analysis of comparative research. Thousand Oaks, CA: Sage.
• Van de Vijver, F. J. R. (2017). Capturing bias in structural equation modeling. In E. Davidov, P. Schmidt, & J. Billiet (Eds.), Cross-cultural analysis. Methods and applications (2nd, revised edition). New York, NY: Routledge.
• Yildirim, H. H., & Berberoĝlu, G. (2009). Judgmental and statistical DIF analyses of the PISA-2003 mathematics literacy items. International Journal of Testing, 9(2), 108-121.
• Zieky, M. (1993). Practical questions in the use of DIF statistics in item development. InP. W. Holland & H. Wainer (Eds.), Differential item functioning (pp. 337–364).Hillsdale, NJ: Lawrence Erlbaum.
• Zumbo, B. D. (1999). Zumbo, B. D. (1999). A Handbook on the Theory and Methods of Differential Item Functioning (DIF): Logistic Regression Modeling as a Unitary Framework for Binary and Likert-Type (Ordinal) Item Scores. Ottawa, ON: Directorate of Human Resources Research and Evaluation, Department of National Defense.
• Zumbo, B. D. (2007). Three generations of DIF analyses: Considering where it has been, where it is now, and where it is going. Language assessment quarterly, 4(2), 223-233.
• Zumbo, B. D., & Gelin, M. N. (2005). A matter of test bias in educational policy research: Bringing the context into picture by investigating sociological/community moderated (or mediated) test and item bias. Journal of Educational Research & Policy Studies, 5(1), 1-23.
• Zumbo, B. D., & Thomas, D. R. (1997). A measure of effect size for a model-based approach for studying DIF. Prince George, Canada: Edgeworth Laboratory for Quantitative Behavioral Science, University of Northern British Columbia.