Üniversite Hizmet Öğrenme Kalitesini Değerlendirmeye Yönelik Derecelendirme Ölçekleri ile Araçların Niteliksel ve Niceliksel Geçerliliği

Gelişmekte olan üniversite hizmet öğrenimi alanında, hem niteliksel hem de niceliksel olarak güvenilirlik ve geçerliliği birleştiren ve kolayca kullanılabilecek kadar kısa standartlaştırılmış araçlardan yoksunuz. Derecelendirme ve ölçeklerin dahil edilmesi, üniversite hizmet öğreniminin kalitesini değerlendirmek için profesyoneller arasında karşılaştırma yapılmasına olanak tanır. Şu anda bunu başaran başka bir enstrüman yok.

QaSLu, cimrilik ilkesi tarafından yönlendirilen titiz bir niteliksel ve niceliksel doğrulama süreciyle oluşturulan ilk araçtır. Kısa ama bilimsel olarak son derece sağlam. Bu protokol, geçerli, sağlam ve pratik yeni bilimsel araçların yolunu belirler.

Sadece hizmet-öğrenme için değil, aynı zamanda genel olarak eğitim alanında. QaSLu'nun değerlemesini iyileştirmek ve farklı bağlamlarda faydalı hale getirmek için diğer farklı gruplar için yeni derecelendirme ve ölçekler oluşturmayı ve katılımcı örneği genişletmeyi planlıyoruz. Başlamak için masaüstünde QaSLu'nun ilk taslağını oluşturun.

Hizmet-öğrenme deneyimlerini değerlendirmek için tanınan birincil araçlardan öğelerin içerik analizini yapın. Kalite standartlarını tanımlayan uluslararası araçlardan ve hizmet-öğrenme uzmanı topluluğu tarafından tanınan birincil değerlendirme listelerinden öğeleri gözden geçirin. Tüm öğeleri tasarım, uygulama ve değerlendirme gibi hizmet-öğrenme deneyiminin tasarlanmasıyla ilgili aşamalara göre kategorilere ayırın.

Ardından, tüm öğeleri ilk aşama, planlama, yürütme, kapatma ve çoğaltma gibi hizmet öğrenimi uygulamasına göre kategorilere ayırın. Taslak aracı değerlendirmek için üniversite hizmet öğreniminde geniş bir uzman örneği seçin. Akademik ve profesyonel çeşitliliğe, coğrafi çeşitliliğe ve cinsiyet çeşitliliğine sahip uzmanların bir listesini hedefleyerek USL'yi değerlendirmek için kesin aracı değerlendirmek üzere nihai uzman grubunu yapılandırın.

1. turdaki uzmanlardan veriler alındıktan sonra, Analiz, Parametrik Olmayan Testler, Eski Diyaloglar ve K ile İlgili Örnekler'e sırayla tıklayarak Kendall'ın uygunluk için uyum katsayısını hesaplayın. Test Türü altında Kendall'ın W'sini seçin. Ardından, uzmanların alaka düzeyi ve netliği ile ilgili tüm yanıtlarını seçin.

Öğeleri Test Değişkenleri listesine taşıyın ve analizi çalıştırmak için Tamam'a tıklayın. 2. tur uzman geri bildirimini aldıktan sonra, Kendall'ın uyum katsayısını daha önce yeniden değerlendirin ve son derece alakasız olarak derecelendirilen öğeleri kaldırın. Üniversite Hizmet-Öğrenme Deneyimlerinin Öz Değerlendirmesi Anketi, QaSLu-45'in son versiyonunu elde etmek için ifadeleri ve kesinliği geliştirmek için son derece alakalı ancak belirsiz olduğu düşünülen maddeleri yeniden formüle edin.

Yeterli sayıda doldurulmuş anket elde edildikten sonra, birinci istatistiksel yazılım paketini kullanarak anketin iç tutarlılığını değerlendirin. Analiz Et'e, ardından Ölçek'e ve ardından Güvenilirlik Analizi'ne tıklayın. İletişim kutusunda Alfa'yı seçin, ardından ilgili tüm değişkenleri Güvenilirlik Analizi iletişim kutusuna aktarın ve çıktıyı oluşturmak için Tamam'ı tıklatın.

Analiz Et'i açarak istatistiksel yazılım paketinde keşfedici faktör analizi yapın, ardından Boyut Azaltma'ya ve ardından Faktör'e tıklayın. Faktör Analizi iletişim kutusunda, tüm anket öğelerini Değişkenler kutusuna aktarın, ardından Tanımlayıcılar ve KMO ve Bartlett'in küresellik testi'ne basın ve Tek Değişkenli Tanımlayıcılar'ı seçin. Devam'ı tıklayın.

Ardından, Ekstraksiyon'a basın ve çıkarma yöntemi olarak Ana Bileşenler'i seçin. Döndürülmemiş faktör çözümü ve Kayşat çizimi seçeneklerini denetleyin, ardından Devam'ı tıklatın ve çıktıyı oluşturmak için Tamam'a basın. Asıl bileşenle ters ilişki gösteren kaldırılacak öğeleri belirleyin.

Keşfedici faktör analizinin sonuçlarında elde edilen bileşen matrisini kullanarak, temel faktör üzerinde negatif yüklemeleri olan maddeleri işaretleyin ve bunları QaSLu'nun azaltılmış, optimize edilmiş tek faktör versiyonundan hariç tutun. Ardından, tek faktör modelinin uyum iyiliğini değerlendirmek için istatistiksel yazılım paketi iki ile doğrulayıcı faktör analizi yapın. Verileri Oku'yu seçin, Örnek iletişim kutusunda Gözat'ı tıklatın ve önceden oluşturulmuş ASCII veri dosyasını seçin.

Katılımcı ve değişken sayısının Veri matrislerinin boyutu bölümünde yeşil renkte görüntülendiğini doğrulayın. Şimdi Tek grup veri kümesini aç'a basın ve ana menüye dönün. Ana menüde Analizi Yapılandır'a tıklayın, ardından diyalog menüsünde Doğrulayıcı Faktör Analizi'ni işaretleyin ve CFA:Faktör analizi yapılandırma penceresi olan Onayla'ya tıklayın.

varsayılan ayarları kabul edin ve ana menüye dönmek için Onayla'ya tıklayın. Mesaj geldiğinde, Doğrulayıcı Faktör Analizi hazır! görünürse, Hesapla düğmesine tıklayın ve sonuçları bekleyin.

Ardından, sağlam bir ağırlıksız en küçük kareler keşfedici faktör analizi gerçekleştirmek için istatistiksel yazılım paketi iki'yi açın. Verileri Oku'yu seçin, ardından Örnek iletişim kutusunda Gözat'ı tıklatın ve önceden oluşturulmuş ASCII dosyasını seçin. Katılımcı ve değişken sayısı, Veri matrislerinin boyutu bölümünde yeşil renkte görüntülenecektir.

Şimdi, ana menüye dönmek için Tek grup veri kümesini aç simgesine tıklayın. Ana menüde, Analizi Yapılandır'a tıklayın, ardından diyalog menüsünde Keşfedici Faktör Analizi'ni seçin ve Onayla düğmesine tıklayın. Açımlayıcı Faktör Analizi Yapılandırması menüsünde, asıl bileşenle ters ilişkisi olduğu belirlenen öğeleri seçin ve bunları Dışlanan değişkenler kutusuna taşıyın.

Şimdi, Pearson korelasyon matrisini ve Paralel Analiz seçeneklerini kontrol edin, Faktör veya bileşen sayısı'nı 1 olarak ayarlayın ve Sağlam Faktör Analizi'ni seçin. Ana menüye dönmek için Onayla'ya tıklayın ve ardından sonuçları oluşturmak için İşlem'e tıklayın. Örnekleme yeterliliği ölçüsü veya MSA puanı 0,49'un altında olan kaldırılacak maddeleri belirlemek için, istatistiksel yazılım paketi iki ile RULS keşfedici faktör analizinden elde edilen sonuçları, özellikle madde konumu ve madde yeterlilik endekslerini gözden geçirin ve bunları QaSLu'nun azaltılmış optimize edilmiş tek faktör versiyonundan hariç tutun.

Dönüştür menüsünü seçip Değişkeni Hesapla'ya basarak elenen öğeler olmadan istatistiksel yazılım paketinde yeni bir değişken oluşturun. Yeni değişkeni SUM 27 olarak adlandırın, ardından TOPLA işlevini seçin ve sayısal ifadeyi optimize edilmiş öğe listesiyle tamamlayın. Yeni değişken olan SUM 27'yi oluşturmak için Tamam'ı tıklatın.

Analiz Et'i ve ardından Tanımlayıcı İstatistikler ve Sıklıklar'ı seçerek SUM 27 için yüzdelikleri hesaplayın. SUM 27'yi Değişkenler kutusuna taşıyın ve ardından İstatistikler simgesine tıklayın. Yüzdebirlik Değerler'i seçin ve 1, 5, 15, 25, 35, 45, 55, 65, 75, 85, 95 ve 99'u ekleyin.

Yüzdelikler oluşturmak için Devam'a ve ardından Tamam'a tıklayın. Dosyayı Böl simgesine tıklayarak ve ilgili her değişkeni seçerek her derecelendirme ölçeği için yüzdelik yordamı tekrarlayın, ardından Çıktıyı gruplara göre düzenle'yi seçin. SUM 27 için gruplandırılmış yüzdebirlik dilimler oluşturmak için ok düğmesini tıklatın ve OK tuşuna basın.

Her derecelendirme ölçeği için bir tablo oluşturmak için, önce belirtilen yüzdelik alt satırlarla Düşük, Orta/Düşük, Orta, Orta/Yüksek ve Yüksek düzeyleri için bir başlık satırı ve satırlar ekleyin. Başlık satırına bir Düzey sütunu, bir Yüzdebirlik sütunu ve seçili değişkenin koşulları için ek sütunlar ekleyin. Her tabloyu, hesaplanan yüzdelik dilimlerle eşlenen puan aralıklarıyla tamamlayın.

Katılan örneklemden elde edilen sonuçlar, çalışmada kullanılan derecelendirme ölçeklerine dayalı olarak yerleşik karşılaştırmalara sunulmuştur. Her kategori için farklı dereceler, aralarındaki ara noktalardan oluşuyordu. Örneğin, 50. yüzdelik dilim, 45. yüzdelik dilim ve 54. yüzdelik dilim puanlarından elde edildi.

1. ve 99. yüzdelik dilim dışındaki tüm sıralar, 4. ve 95. yüzdelik dilimlere ve olası puan ayarlamalarına karşılık gelen mükemmel sınırlı aralıkları gösterir. Bu ölçeklerin her biri, özelliklerine göre uygun derecelendirme ölçeğini seçerek her bir perspektif kullanıcısının puanlarının karşılaştırılmasına olanak tanır.