كاربرد تكنيك‌هاي مدل يابي چند سطحي در تحليل داده‏هاي تيمز 2007 و مقايسه آن با تحليل يك سطحي

زمينه: در رويكرد سنتي تحليل داده‏هاي IEA از مدل‌هاي آماري يك سطحي استفاده مي‌شد. در حالي كه در ساختار مدل‌هاي خطي سلسله مراتبي، هريك از سطوح به طور متداول توسط زير مدل خود معرفي مي‌شود و روابط بين متغيرها را در داخل سطح مشخص شده بيان مي‌كنند، و تعيين مي‌كنند كه چگونه متغيرها در يك سطح، روابط موجود در سطح ديگر را تحت تاثير قرار مي‌دهند. هدف: هدف پژوهش حاضر نشان دادن اهميت كاربرد تكنيك چندسطحي در تحليل داده‏هاي پرسشنامه دانش‏آموزان پايه هشتم مطالعه تيمز 2007و مقايسه آن با تحليل يك سطحي بود. روش:اين مقاله تكنيك مدل يابي چند سطحي را با استفاده از نرم افزار HLMبراي تحليل داده‏هاي IEA به دليل ماهيت اين داده‌ها استفاده كرد. چرا كه در داده‏هاي IEA دانش‏آموزان در درون كلاس‌ها، كلاس‌ها در درون مدارس و مدارس در درون كشورها آشيانه شده‌اند. يافته‌ها: در بررسي يك سطحي(درسطح دانش‏آموز) رابطه خودپنداره، نگرش و اهميت با پيشرفت هر سه متغير( به ترتيب 0.48 ، 0.296 و 0.134) رابطه معناداري در سطح 001/0 با پيشرفت رياضي داشتند. هم‌چنين نتايج تحليل دو سطحي با استفاده از مدل آنوا يك راهه با اثرات تصادفي نشان داد كه اين سه متغير (خودپنداره، نگرش و اهميت)حدود 10/30 در صد از واريانس پيشرفت رياضي در سطح دانش‏آموز و 47% در سطح مدرسه تبيين كرد. نتيجه‏گيري: نتايج متفاوت حاصل از اين دو تحليل حاكي از اهميت كاربرد تحليل‌هاي چند سطحي براي داده‏هاي آشيانه اي از جمله داده‏هاي تيمز است. تحليل چند سطحي به بيان دقيق‌تر پديده مورد مطالعه مي‌پردازد. لذا با توجه به اين كه داده‏هاي تيمز ماهيت آشيانه اي دارندو داده‏هاي آن نيز به صورت چند مرحله اي استفاده از تحليل چند سطحي به منظور به دست آوردن اطلاعات دقيق‌تر در مورد عوامل موثر بر پيشرفت دانش‏آموزان توصيه مي‌شود.

In traditional approaches, single-level statistical models were generally used to analyze IEA data. In hierarchical linear models, each level is, however, introduced by its sub-model, and the variablesʹ interrelations are explained in each specified level. The way the variables affect the existent relations in other levels is also determined. The main purpose of this paper is to compare multi-level modeling and single-level analysis techniques and underline the importance of applying the former in analyzing the data extracted from the TIMSS 2007 questionnaires completed by the eighth graders. Due to their nature, the IEA data were analyzed by HLM software as the students were nested within classes, classes within schools, and schools within countries. In the single-level analysis, there was a significant relationship between self-concept, attitude and evaluation at 0.001 level with mathematics achievement (0.48, 0.296 and 0.134, respectively). Furthermore, the results of two-level analysis by one-way ANOVA with random effects showed that these three variables (self-concept, attitude and evaluation) explained 30.10% and 47% of mathematics achievement variance at student and school levels, respectively. The different results of these two analyses demonstrated the importance of using multi-level analyses for nested data like TIMSS. Regarding the nested nature of TIMSS data and the multi-level method used to extract them, the application of multi-level modeling techniques is recommended to obtain more detailed data on the factors influencing the studentsʹ achievement.