Genelleştirilebilirlik Kuramı (G-Kuramı)
Generalizability Theory · Ayrıca şöyle bilinir: G-theory, G-study / D-study framework, variance components reliability
Genelleştirilebilirlik Kuramı, varyans analizi kullanarak gözlenen puan varyansını kişiler, maddeler, puanlayıcılar, denemeler ve bunların etkileşimleri gibi birden çok kaynaktan ayrıştıran psikometrik bir çerçevedir. Klasik test kuramının tekil güvenilirlik katsayısını, araştırmacıların puanların farklı ölçüm koşulları boyunca ne kadar iyi genellendiğini bildiren bir katsayı ailesiyle değiştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+6 tane daha
Ne zaman kullanılır
Ölçüm birden fazla hata kaynağı içerdiğinde — örneğin, birden çok puanlayıcı, birden çok görev veya birden çok deneme — ve her kaynağın ne kadar katkıda bulunduğunu ve hangi koşul örneklemlerinin gerektiğini bilmeniz gerektiğinde Genelleştirilebilirlik Kuramı'nı kullanın. Özellikle performans değerlendirmeleri, klinik gözlem ölçekleri, puanlayıcı tabanlı puanlama rubrikleri ve eğitimsel test tasarımları için uygundur. Ölçüm, ilgilenilen tek bir homojen madde seti ve puanlayıcı veya deneme içermediğinde G-kuramı kullanmayın; bu durumda Cronbach alfa veya McDonald omega yeterlidir. G-kuramı ayrıca makul ölçüde eksiksiz dengeli veya tahmin edilebilir bir tasarım gerektirir; seyrek veya ciddi dengesiz veriler varyans bileşeni tahminini karmaşıklaştırır veya engeller.
Güçlü yönler & sınırlılıklar
- Tüm hatayı homojen olarak ele almak yerine, ölçüm hatasının birden çok kaynağını tek bir analizde eşzamanlı olarak tahmin eder.
- Maddelerin, puanlayıcıların veya denemelerin farklı sayıları altında güvenilirliği yansıtan D-çalışmaları aracılığıyla geleceğe yönelik araç tasarımı desteği sağlar.
- Göreceli (norm referanslı) ve mutlak (ölçüt referanslı) güvenilirlik arasındaki ayrımı yapar ve her karar bağlamı için doğru indeksi sağlar.
- Klasik test kuramını genelleştirir: tek bir boyut ve puanlayıcı etkisi olmadığında G-katsayısı Cronbach alfa'ya eşittir.
- Karmaşık çapraz ve iç içe geçmiş ölçüm tasarımlarına (puanlayıcıların denemeler içine iç içe geçmesi, görevlerin içerik alanlarına iç içe geçmesi vb.) uygulanabilir.
- Kararlı varyans bileşeni tahminleri için yeterli örneklem büyüklükleri gerektirir; küçük örneklemler G ve Phi etrafında geniş güven aralıkları verir.
- ANOVA tabanlı tahmin, bazı boyutlar için negatif varyans bileşeni tahminleri üretebilir; bunlar tipik olarak sıfıra ayarlanır ancak yetersiz uyum sağlayan bir modelin göstergesidir.
- Çok boyutlu tasarımların birçok etkileşimle yorumlanması karmaşıklaşır ve ölçüm bağlamının özgül bilgisi gerektirir.
- G-kuramı için yazılımlar (GENOVA, urGENOVA, mGENOVA, gtheory gibi R paketleri) klasik güvenilirlik paketleri kadar yaygın olarak bulunmamaktadır.
SSS
G-kuramı klasik test kuramından nasıl farklıdır?
Klasik test kuramı, tek ve ayırt edilmemiş bir hata terimi varsayar. G-kuramı, bunun yerine her bir boyutun (maddeler, puanlayıcılar, denemeler) ve etkileşimlerinin hata paylarını ayrı ayrı tahmin eden bir varyans bileşeni modeliyle değiştirir ve ardından puanların belirli bir koşullar evreni boyunca nasıl genellendiğini sorar. Klasik alfa, yalnızca tek bir boyut ve puanlayıcı etkisi olmadığında G-katsayısının özel bir durumudur.
Bir G-çalışması ile bir D-çalışması arasındaki fark nedir?
Bir G-çalışması belirli bir tasarımda veri toplar ve varyans bileşenlerini tahmin eder. Bir D-çalışması, ek veri toplamadan bu bileşenleri kullanarak varsayımsal tasarımlar altında (örneğin, puanlayıcı sayısını ikiye katlamak veya görev sayısını yarıya indirmek gibi) güvenilirlik katsayılarını yansıtır. D-çalışmaları pratik soruyu yanıtlar: kaç koşula ihtiyacımız var?
Ne zaman Phi yerine G rapor etmeliyim?
Kararlar norm referanslı olduğunda — bireyleri birbirlerine göre sıralıyorsanız — G-katsayısını (E-rho-kare) rapor edin. Kararlar ölçüt referanslı olduğunda — bir kişinin mutlak bir standarda veya kesme puana ulaşıp ulaşmadığını değerlendiriyorsanız — Phi'yi rapor edin. Phi, daha büyük bir hata terimi kullandığı için her zaman G-katsayısına eşit veya ondan düşüktür.
G-kuramı iç içe geçmiş tasarımları (örneğin, okullara iç içe geçmiş puanlayıcılar) işleyebilir mi?
Evet. G-kuramı hem çapraz (her kişi her puanlayıcı tarafından puanlanır) hem de iç içe geçmiş (her puanlayıcı yalnızca bazı kişileri puanlar) tasarımları ve karma tasarımları işler. İç içe geçmiş tasarımlar, tahmin edilebilir varyans bileşenlerinin sayısını azaltır ancak tam çaprazlamanın pratik olmadığı büyük ölçekli operasyonel bağlamlarda yaygındır.
Güvenilir bir G-çalışması için ne kadar örneklem büyüklüğü gereklidir?
Evrensel bir kural yoktur, ancak simülasyon çalışmaları, kararlı varyans bileşeni tahminleri için en az 25-30 kişi ve boyut başına en az 5-10 koşul gerektiğini öne sürmektedir. Brennan (2001), belirli bir tasarım için hassasiyeti değerlendirmek üzere kullanılabilecek güven aralığı formülleri sunmaktadır.
Kaynaklar
- Cronbach, L. J., Gleser, G. C., Nanda, H. & Rajaratnam, N. (1972). The Dependability of Behavioral Measurements: Theory of Generalizability for Scores and Profiles. Wiley. link ↗
- Brennan, R. L. (2001). Generalizability Theory. Springer. ISBN: 978-0387952826
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Generalizability Theory. ScholarGate. https://scholargate.app/tr/psychometrics/generalizability-theory
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Çok Düzeyli Güvenilirlik AnaliziPsikometri↔ karşılaştır
- Test-Tekrar GüvenilirliğiPsikometri↔ karşılaştır