مطالب مرتبط با کلیدواژه

مقدار تکلیف


۱.

بررسی سهم متغیرهای سطح دانش آموز ومعلم بر عملکردخواندن دانش آموزان پایه چهارم براساس داده های پرلز2006(مقاله علمی وزارت علوم)

کلیدواژه‌ها: نگرش خودپنداره گروه بندی مقدار تکلیف پرلز2006 و مدل های خطی سلسله مراتبی

حوزه های تخصصی:
تعداد بازدید : ۷۴۱ تعداد دانلود : ۴۸۶
هدف این مطالعه بررسی روابط بین عملکرد خواندن و برخی متغیرهای سطح دانش آموز و معلم و بررسی درصد واریانس هر یک از سطوح در تبیین واریانس عملکرد خواندن است. بدین منظور، داده های پایه چهارم مطالعه پرلز 2006 ایران مورد استفاده قرار گرفت. تحلیل ما بر نمونه ایرانی شامل 5411 دانش آموز از 236 مدرسه تأکید دارد. متغیرهای بکار رفته در این تحلیل از دو سطح انتخاب شده اند: سطح دانش آموز (خودپنداره، نگرش) و سطح معلم (گروه بندی، مقدار تکلیف). از مدل خطی سلسله مراتبی دوخطی(HLM) برای کشف روابط بین عملکرد خواندن و پیش بینی کننده های تحلیل استفاده شد. نتایج نشان دادند که در سطح دانش آموز متغیرهای خودپنداره و نگرش رابطه ای معنادار با عملکرد خواندن دارند و در سطح معلم نیز رابطه گروه بندی با عملکرد خواندن معنادار بود، ولی مقدار تکلیف رابطه معناداری با عملکرد خواندن نداشت.
۲.

تحلیل چندسطحی؛ راهکاری برای خطاهای حاصل از تجمیع داده ها: استفاده از داده های سطح دانش آموز و معلم تیمز 2011(مقاله علمی وزارت علوم)

نویسنده:

کلیدواژه‌ها: مدل یابی چندسطحی تجمیع خطای بوم شناسی مقدار تکلیف مدت زمان انجام تکلیف عملکرد ریاضیات

حوزه های تخصصی:
تعداد بازدید : ۲۳ تعداد دانلود : ۱۵
مشکل بوم شناسی در تحلیل داده های تجمیع، مشکل آماری جدی در اغلب پژوهش هاست. در این مقاله ضمن توضیح مشکلات مربوط به تحلیل های تجمیع و تجمیع زدایی، مدل یابی چندسطحی به ویژه مدل یابی خطی چندسطحی (HLM) به عنوان روشی جایگزین معرفی شده است. پژوهش حاضر از نوع همبستگی است و رابطه میان متغیرها در 6029 دانش آموز پایه هشتم شرکت کننده در آزمون تیمز (2816 دختر و 3213 پسر) که پرسشنامه استاندارد آن را تکمیل کرده بودند، بررسی شد. نتایج بررسی رابطه مقدار تکلیف و مدت زمان انجام آن بر عملکرد ریاضیات دانش آموزان نشان داد که بین متغیر مقدار تکلیف و مدت زمان انجام آن با عملکرد ریاضیات در سطح دانش آموز رابطه معنی داری وجود دارد ولی این رابطه در سطح معلم معنی دار نبود. نتایج همچنین سودمندی تحلیل چندسطحی در داده های آشیانه ای را نشان داد.