Niceliksel Araştırma

Bu İngilizce sayfanın bir ana dili konuşanı tarafından gözden geçirilmemiş otomatik çevirisidir.

Niceliksel araştırma — örüntüleri betimlemek, ilişkileri sınamak ve nedensel etkileri tahmin etmek için sayısal veri toplayıp analiz eden ampirik yöntem ailesidir. Eğitimde YZ bağlamında niceliksel yöntemler, YZ araçlarının öğrenme çıktılarına, bağlılığa, Motivasyon ve Öz Yeterlilik etkisini, etkilerinin var olup olmadığını ve nasıl olduğunu nicelleştirir ve YZ kullanımının psikolojik ile davranışsal mekanizmalarını modeller. Nitel yöntemlerin derinlik ve bağlam karşılığında vazgeçtiği kapsam genişliği, kesinlik ve nedensel çıkarım gücünü sağlarlar.

Dikkate Alınması Gereken Sorular

• "YZ özel ders asistanı kullanan öğrenciler daha yüksek puan alıyor" — okumadan önce bu bir nedensellik iddiası mı yoksa korelasyon iddiası mı ve birini diğerine dönüştürecek tek kanıt parçası ne olurdu?
• Yatay kesitli bir anket karmaşık bir aracılık modelini sınayabilir, ama asla nedensellik kuramaz. Bir ankette iki değişken, hiçbiri diğerine neden olmasa bile neden ilişkili olabilir? Eğitimde bu tür bir korelasyonla nasıl gerçekten yanıltılabileceğinizi düşünebilir misiniz?
• Niceliksel araçlar yalnızca ölçtükleri şey kadar iyidir — ve sayfa, araçların yanlış yapıyı ölçebileceğini not eder. "Güven" ya da "bağlılık" üzerine bir kendi bildirim anketini doldurduğunuzda bu aslında neyi yakalıyor olabilir ve bunu nasıl anlardınız?
• Bir RCT (randomize kontrollü deney), bir nedensel etkiyi tahmin etmek için öğrenenleri koşullara rastgele atar. Rastgele atamayı güçlü kılan nedir ve "müdahalenin" bazı öğrencilerin kendisinden yoksun bırakıldığı, muhtemelen yardımcı bir YZ aracı olduğu durumda hangi pratik ve etik sorunlar ortaya çıkar?
• Boylamsal (uzunlamasına) tasarımlar aynı öğrenenleri zaman içinde izler — YZ kaynaklı şişkin performansı kalıcı öğrenmeden ayırt etmek için esastır. Yüksek puanların tek bir fotoğrafı, öğrenmenin gerçekten olup olmadığını neden ortaya koyamaz?
• Niceliksel çalışma kapsam genişliği ve nedensel güç sağlar; nitel çalışma derinlik ve anlam sağlar. Eşleşmeyi okumadan önce, sayıların tek başına sizi bir öğrenme iddiası konusunda en olası biçimde nerede yanıltmış olabileceğini düşünüyorsunuz ve bunu kontrol etmek için hangi yöntemi eklardiniz?

Giriş

Niceliksel araştırma betimleyici tasarımları (yaygınlık ve örüntüleri ölçme), korelasyonel/gözlemsel tasarımları (değişkenler arasındaki ilişkileri sınama) ve deneysel ile yarı deneysel tasarımları (nedensel etkileri tahmin etme) kapsar. Onları birleştiren, gözlemlerin istatistikle analiz edilen sayılara sistematik biçimde indirgenmesi ve güvenilirlik, geçerlilik ve genellenebilirlik — Eğitimde Ölçme çalışmalarının temel kaygıları — üzerine konulan önceliktir.

Temel niceliksel yaklaşımlar

Anket ve korelasyonel araştırma

Yatay kesitli anketler, kendi bildirilen tutumları, algıları, motivasyonu, Öz Yeterlilik ve teknoloji kabulünü ölçer; bunlar sıklıkla varsayılan ilişkileri ve aracıları sınamak için regresyon ya da yapısal eşitlik modellemesi (SEM/PLS-SEM) ile modellenir. Bunlar bilgi tabanının derlemine hâkimdir, özellikle kabul, motivasyon ve psikolojik mekanizma sorularında. YZ destekli İngilizce araçlarının kabulü TAM üzerine SEM ile inşa eder; Üretici YZ benimseme yolları PLS-SEM, fsQCA ve önem–performans eşlemeyi kullanır; öğretmen YZ okuryazarlığı Öz Belirleme Kuramı temelli faktör doğrulamalı anketler kullanır.

• Güçlü yönler: büyük örneklemler; geniş, düşük maliyetli kapsama; karmaşık aracılık modellerini sınama; gözlemlenmesi zor tutumlar için uygulanabilir.
• Sınırlılıklar: yatay kesitli veriler nedensellik kuramaz; kendi bildirim yanlılığı; kolaylık örneklemesi genellenebilirliği sınırlar; aracılar kovaryanstan çıkarılır, manipülasyondan değil. Bu sınırların araç tarafındaki işlenişi için Öz Bildirim Ölçütleri sayfasına bakın.

Deneysel ve yarı deneysel araştırma

Deneyler, çıktılar üzerindeki nedensel etkileri tahmin etmek için öğrenenleri koşullara rastgele atar (örn. YZ özel ders asistanına karşı insan özel ders asistanı ya da YZ iskelelemesine karşı desteksiz). Randomize kontrollü deneyler (RCTs) iç geçerlilik için altın standarttır. İnsan desteği artı YZ özel ders asistanlığına ilişkin randomize bir saha çalışması ve öğretmede üretici YZ’ye ilişkin bir RCT, nedensel etkileri izole etmek için atama kullanır. Yarı deneysel tasarımlar (öncesi/sonrası, randomizasyon olmadan eşleştirilmiş gruplar) bütün sınıflarda daha uygulanabilir, ama nedensel iddialarda daha zayıftır. Kestin ve ark. (2025) bunun yerine özne içi bir çapraz geçiş (crossover) benimser: her öğrenci aynı fizik içeriğiyle iki kez karşılaşır, bir kez sınıf içi etkin öğrenme dersinde, bir kez kursun kendi YZ özel ders asistanıyla; her biri çevresinde öncesi ve sonrası testleri olur, böylece her öğrenen kendi kontrolü olur ve kişiler arası farklar birbirini götürür.

• Güçlü yönler: en güçlü nedensel çıkarım; temiz çıktı ölçümü; etki büyüklüğü tahmini ve etkililik iddialarını destekler.
• Sınırlılıklar: pahalı ve yavaş; yapay koşullar ekolojik geçerliliği düşürür; hızla değişen YZ araçları deneyleri çabuk eskiletir; küçük örneklemler etkilerin tespitini yetersiz güçle bırakır; yardımcı araçları geri tutmada etik kısıtlamalar.

Boylamsal araştırma

Boylamsal tasarımlar aynı öğrenenleri zaman içinde izler; tek zaman noktalı ölçümün kaçırdığı değişimi, büyümeyi ve kalıcı öğrenmeyi yakalar. Boylamsal bir LMS çalışması, öğrencileri bir okul yılı boyunca izler. Boylamsal tasarımlar, YZ kaynaklı şişkin performansı kalıcı öğrenmeden ayırt etmek için esastır.

Veri setleri arası karşılaştırmalar sabit bir çalışma noktası gerektirir: sentetik eğitim verisine yönelik yapısal bir kontrol, her veri setini kendi eşiğinde analiz etmenin paylaşılan bir noktada ayakta duran bir karşıtlığı tersine çevirdiğini ve taklit (surrogate) karşılaştırmasının yalnızca sentetik veriyi ve onun kendi permütasyonlarını gerektirdiğini — mutlak bir eşik yerine permütasyon tabanlı bir sıfır hipotezi — buldu (Inoue & Yasutake (2026)).

Hesaplamalı ve psikometrik nicelleştirme

Niceliksel yöntemler ayrıca yapıların araçlarla doğrudan ölçülmesini de kapsar — Eğitimde Ölçme ve Madde Tepki Kuramı alanıdır. Bilgi tabanının GLAT aracı IRT ile doğrulanmış 20 maddelik bir niceliksel araçtır; YZ okuryazarlığı, kabul ve öz-yeterlilik alanlarındaki ölçüm araçları, anket ve deneysel araştırmaların bağımlı olduğu doğrulanmış ölçekleri sağlar.

Niceliksel araştırma bilgi tabanında nasıl görünür

• Etkililik ve nedensel iddialar. RCT’ler ve yarı deneyler, YZ araçlarının öğrenmeyi iyileştirip iyileştirmediğini sınar (Access is Not Enough: Human Support Improves Engagement with AI Tutoring, Generative AI Can Harm Teaching, Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study).

• Ön kayıt ve replikasyon. Meyer ve ark. (2026), denemeden önce hipotezlerini ve analiz planlarını belirtir ve randomize karşılaştırmayı iki dönem ve iki büyük eşzamansız kurs boyunca birleştirir, böylece tahmin sabit bir plana ve tek bir örneklem yerine bir replikasyona dayanır.

• Mekanizma modellemesi. SEM/PLS-SEM, YZ benimsemesinin ve öğrenmenin aracılarını ve düzenleyicilerini sınar (Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study, Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups, Teacher education for artificial intelligence literacy through a self-determination theory perspective).

• Kişi içi ile kişiler arası etkileri ayıran panel modelleri. Wu ve Lu (2026), işbirlikçi yazma verisinin üç dalgası üzerinde rastgele kesişimli çapraz gecikmeli bir panel modeli tahmin eder; bu model, öğrenciler arasındaki kararlı farkları kişi içi zamansal sıradan ayırır — artan bağımlılığı, algılanan özerklikteki düşüşü yalnızca eşlik etmek yerine onu takip eden olarak okumayı olanaklı kılan ayrımdır.

• Ölçüm ve ölçek geliştirme. Bilgi tabanı, niceliksel araç geliştirme ve doğrulamayı belgeler (GLAT, Eğitimde Ölçme).

• Performansa karşı kalıcı öğrenme. Barcaui (2025), 120 öğrenciyi YZ destekli ya da geleneksel çalışmaya randomize eder ve kalıcılığı, müdahaleden 45 gün sonra sürpriz 20 soruluk bir testle ölçer, böylece çıktı oturumun sonunda görünen şey değil, gecikmeyi atlatan şeydir.

Güçlü yönler ve sınırlılıklar

• Güçlü yönler: kesinlik ve istatistiksel güç; tanımlı kitlelere genellenebilirlik; nedensel çıkarım (deneysel tasarımlarla); verimli büyük örneklem kapsaması; birikimsel ve çalışmalar arasında karşılaştırılabilir.
• Sınırlılıklar: ölçülebilir olanı yakalar, sıklıkla süreci, anlamı ve bağlamı kaçırır (bkz. Nitel Araştırma); kendi bildirim yanlılığı; araçlar yanlış yapıyı ölçebilir (bkz. ölçüm sorunları); nedensellik olmadan korelasyon; YZ değişimine göre yapay ve yavaş olabilir.

Niceliksel ve nitel yöntemler birbirini tamamlayıcıdır — niceliksel çalışma kapsam genişliği ve nedensel güç sağlar, nitel çalışma derinlik ve anlam sağlar. Karma yöntemli tasarımlar bunları birleştirir. Deneysel, anket, nitel ve diğer tasarımlar arasındaki karşıtlıklarla birlikte tam yöntem karşılaştırması için AIED’de Araştırma Yöntemleri sayfasına bakın.

Bağlı kavramlar

• AIED’de Araştırma Yöntemleri
• Nitel Araştırma
• Karma Yöntemli Araştırma
• Eğitimde Ölçme
• Madde Tepki Kuramı
• RCT
• Öğrenme Kazanımları
• Öğrenci Kavraması
• Öz Yeterlilik
• Teknoloji Benimseme Modelleri
• Öz Bildirim Ölçütleri

Bağlı makaleler

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — A randomized field study of human support plus AI tutoring
• Generative AI Can Harm Teaching — Generative AI can harm teaching: an RCT
• Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups — Acceptance of AI-assisted English learning tools
• Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study — GenAI adoption pathways (PLS-SEM, fsQCA)
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher AI literacy through self-determination theory
• GLAT: The Generative AI Literacy Assessment Test — GLAT: an IRT-validated GenAI literacy test
• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — A longitudinal AI-integrated LMS study
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Adaptive pretesting and retention
• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data