Page 88 - Melita Puklek Levpušček et al., Dejavniki bralne pismenosti v raziskavi PISA 2009, Dissertationes 21
P. 88
Dejavniki bralne pismenosti v raziskavi pisa 2009
Pogostost uporabe računalnika doma za delo za šolo se med programi ne
razlikuje veliko oz. ni zaznati enoznačnega upada ali porasta z dvigom
zahtevnosti izobraževalnega programa.
Če povzamemo: dijaki različnih izobraževalnih programov se moč-
no razlikujejo v bralnih dosežkih, razlikujejo pa se tudi v mnogih indi-
vidualnih značilnostih in dejavnikih domačega in šolskega okolja.V de-
skriptivni analizi smo za vsako spremenljivko posebej pregledali, kakšne
so njene vrendosti v različnih skupinah dijakov. Tako ne moremo vedeti,
ali je učinek posamezne spremenljivke vezan na učinke drugih spremen-
ljivk, s katerimi je močno povezan. V nadaljevanju nas je zanimalo, ka-
kšen bi bil učinek neke spremenljivke, če bi bile vse ostale spremenljivke
konstantne. Tega smo se lotili s hierarhičnimi linearnimi modeli.
Model povezanosti bralnih dosežkov z nekaterimi individualnimi
značilnostmi dijakov ter značilnostmi njihovega domačega in učnega
okolja
Želeli smo izdelati model napovedovanja t. i. skupnega bralnega do-
sežka slovenskih dijakov v raziskavi PISA 2009. Skupni bralni dosežek
odraža raven splošne bralne pismenosti dijakov (raziskava sicer meri tudi
bralno pismenost na petih podpodročjih bralne pismenosti). V model
smo vključili tiste individualne značilnosti slovenskih dijakov prvih le-
tnikov ter nekatere značilnosti njihovega družinskega in učnega okolja,
za katere je bilo v dosedanjih analizah (OECD, 2010b, c) ugotovljeno, da
prispevajo k pojasnjevanju razlik med dijaki v bralni pismenosti. Namen
modeliranja je bil ugotoviti, kakšen je pri pojasnjevanju dosežka na PISI
2009 samostojen prispevek vsakega od njih.
Pri izdelavi modelov bralnih dosežkov smo uporabljali hierarhično
linearno modeliranje. Program HLM modelira samo na osnovi podat-
kovnih baz, ki so popolne, torej v katerih pri nobeni spremenljivki ne
manjka noben podatek. Zato smo morali pred izvedbo vsakega modeli-
ranja najprej sčistiti bazo podatkov, tako da ni manjkalo nobeno polje. V
vsakem od modelov smo upoštevali drugačne napovednike. Če bi hote-
li oba modela izvesti na enaki podatkovni bazi, bi zato, ker je v original-
ni bazi manjkajočih veliko podatkov, z izločanjem oseb, ki jim manjka
podatek na katerikoli od obravnavanih spremenljivk, hitro prišli do zelo
majhnega numerusa. Da bi imeli na voljo kar se da veliko število oseb in
podatkov, smo se pri modeliranju odločili, da vsak model izvedemo na
tistih osebah, ki so imele popolne podatke pri spremenljivkah, vključe-
nih v model, neodvisno od tega, ali so imele manjkajoče podatke pri ka-
teri od spremenljivk, ki so bile vključene v drugi model.
Pogostost uporabe računalnika doma za delo za šolo se med programi ne
razlikuje veliko oz. ni zaznati enoznačnega upada ali porasta z dvigom
zahtevnosti izobraževalnega programa.
Če povzamemo: dijaki različnih izobraževalnih programov se moč-
no razlikujejo v bralnih dosežkih, razlikujejo pa se tudi v mnogih indi-
vidualnih značilnostih in dejavnikih domačega in šolskega okolja.V de-
skriptivni analizi smo za vsako spremenljivko posebej pregledali, kakšne
so njene vrendosti v različnih skupinah dijakov. Tako ne moremo vedeti,
ali je učinek posamezne spremenljivke vezan na učinke drugih spremen-
ljivk, s katerimi je močno povezan. V nadaljevanju nas je zanimalo, ka-
kšen bi bil učinek neke spremenljivke, če bi bile vse ostale spremenljivke
konstantne. Tega smo se lotili s hierarhičnimi linearnimi modeli.
Model povezanosti bralnih dosežkov z nekaterimi individualnimi
značilnostmi dijakov ter značilnostmi njihovega domačega in učnega
okolja
Želeli smo izdelati model napovedovanja t. i. skupnega bralnega do-
sežka slovenskih dijakov v raziskavi PISA 2009. Skupni bralni dosežek
odraža raven splošne bralne pismenosti dijakov (raziskava sicer meri tudi
bralno pismenost na petih podpodročjih bralne pismenosti). V model
smo vključili tiste individualne značilnosti slovenskih dijakov prvih le-
tnikov ter nekatere značilnosti njihovega družinskega in učnega okolja,
za katere je bilo v dosedanjih analizah (OECD, 2010b, c) ugotovljeno, da
prispevajo k pojasnjevanju razlik med dijaki v bralni pismenosti. Namen
modeliranja je bil ugotoviti, kakšen je pri pojasnjevanju dosežka na PISI
2009 samostojen prispevek vsakega od njih.
Pri izdelavi modelov bralnih dosežkov smo uporabljali hierarhično
linearno modeliranje. Program HLM modelira samo na osnovi podat-
kovnih baz, ki so popolne, torej v katerih pri nobeni spremenljivki ne
manjka noben podatek. Zato smo morali pred izvedbo vsakega modeli-
ranja najprej sčistiti bazo podatkov, tako da ni manjkalo nobeno polje. V
vsakem od modelov smo upoštevali drugačne napovednike. Če bi hote-
li oba modela izvesti na enaki podatkovni bazi, bi zato, ker je v original-
ni bazi manjkajočih veliko podatkov, z izločanjem oseb, ki jim manjka
podatek na katerikoli od obravnavanih spremenljivk, hitro prišli do zelo
majhnega numerusa. Da bi imeli na voljo kar se da veliko število oseb in
podatkov, smo se pri modeliranju odločili, da vsak model izvedemo na
tistih osebah, ki so imele popolne podatke pri spremenljivkah, vključe-
nih v model, neodvisno od tega, ali so imele manjkajoče podatke pri ka-
teri od spremenljivk, ki so bile vključene v drugi model.
