Page 83 - Šolsko polje, XXVII, 2016, no. 3-4: IEA ICILS in druge sodobne teme, ur. Eva Klemenčič
P. 83
m. štraus ■ povezanost pogostosti in namenov rabe računalnika ...
menljivk kot napovednikov v regresijski analizi bi pri tem lahko nastopil
problem multikolinearnosti. S korelacijsko analizo smo preverili medse
bojno koreliranje napovednikov in pokazalo se je, da so absolutne korela
cije večinoma v rangu do 0,50, najvišja korelacija pa je med indeksoma rabe
za komuniciranje na socialnih omrežjih in rabe za objavljanje vsebin na fo
rumih, spletnih straneh in blogih (za učence je korelacija 0,67 in za učen
ke 0,65). Na osnovi teh podatkov ocenjujemo, da v regresijski analizi ne bo
težav z multikolinearnostjo napovednikov. Za vsak spol in za vsak latentni
rezultat posebej smo uporabili naslednji regresijski model:
Y = α + β_1 * NISB + β_2 * USEAPP + β_3 * USECOM + β_4 * USE
REC + β_5 * USELRN + β_6 * USEINF + β_7 * USESTD + e
kjer so:
Y – posamezni latentni rezultat izmed:
BASEFF – zaznana samoučinkovitost pri osnovnih nalogah
ADVEFF – zaznana samoučinkovitost pri zahtevnejših nalogah
INTRST – zanimanje in veselje do dela z računalnikom
PVCIL – dosežek v RI pismenosti,
Napovedniki
NISB – socialno-ekonomski status
USEAPP – delo z namenskimi aplikacijami
USECOM – komuniciranje na socialnih omrežjih
USEREC – objavljanje vsebin na forumih, spletnih straneh in blogih
USELRN – uporaba pri pouku v šoli
USEINF – dostopanje do informacij, novic, glasbe in videov
USESTD – domače delo za šolo
Koeficienti
α in β_1, β_2, β_3, β_4, β_5, β_6, β_7 – koeficienti v regresijskem modelu,
pričakovani rezultat in nakloni pri posameznem napovedniku
Člen napake
e – prosti člen napake zaradi odstopanja od regresijske premice
Regresijske analize smo izvedli za vse latentne rezultate z enako za
snovanimi modeli s celotnim naborom napovednikov, četudi se nekate
ri med njimi pri posameznih latentnih rezultatih niso pokazali pomemb
ni. Statistično neznačilne napovednike smo v modelih ohranili za to, da
smo lahko primerjali ugotovitve med latentnimi rezultati in napovedniki.
81
menljivk kot napovednikov v regresijski analizi bi pri tem lahko nastopil
problem multikolinearnosti. S korelacijsko analizo smo preverili medse
bojno koreliranje napovednikov in pokazalo se je, da so absolutne korela
cije večinoma v rangu do 0,50, najvišja korelacija pa je med indeksoma rabe
za komuniciranje na socialnih omrežjih in rabe za objavljanje vsebin na fo
rumih, spletnih straneh in blogih (za učence je korelacija 0,67 in za učen
ke 0,65). Na osnovi teh podatkov ocenjujemo, da v regresijski analizi ne bo
težav z multikolinearnostjo napovednikov. Za vsak spol in za vsak latentni
rezultat posebej smo uporabili naslednji regresijski model:
Y = α + β_1 * NISB + β_2 * USEAPP + β_3 * USECOM + β_4 * USE
REC + β_5 * USELRN + β_6 * USEINF + β_7 * USESTD + e
kjer so:
Y – posamezni latentni rezultat izmed:
BASEFF – zaznana samoučinkovitost pri osnovnih nalogah
ADVEFF – zaznana samoučinkovitost pri zahtevnejših nalogah
INTRST – zanimanje in veselje do dela z računalnikom
PVCIL – dosežek v RI pismenosti,
Napovedniki
NISB – socialno-ekonomski status
USEAPP – delo z namenskimi aplikacijami
USECOM – komuniciranje na socialnih omrežjih
USEREC – objavljanje vsebin na forumih, spletnih straneh in blogih
USELRN – uporaba pri pouku v šoli
USEINF – dostopanje do informacij, novic, glasbe in videov
USESTD – domače delo za šolo
Koeficienti
α in β_1, β_2, β_3, β_4, β_5, β_6, β_7 – koeficienti v regresijskem modelu,
pričakovani rezultat in nakloni pri posameznem napovedniku
Člen napake
e – prosti člen napake zaradi odstopanja od regresijske premice
Regresijske analize smo izvedli za vse latentne rezultate z enako za
snovanimi modeli s celotnim naborom napovednikov, četudi se nekate
ri med njimi pri posameznih latentnih rezultatih niso pokazali pomemb
ni. Statistično neznačilne napovednike smo v modelih ohranili za to, da
smo lahko primerjali ugotovitve med latentnimi rezultati in napovedniki.
81
