Kaynak Bilgisi: Bu çalışma materyali, "Bölüm Yedi: Tekrarlı Ölçümler Desenleri" başlıklı metin belgesi ve ilgili sesli ders kaydından derlenmiştir.

---

📚 Tekrarlı Ölçümler Desenleri: Kapsamlı Bir Çalışma Rehberi

Giriş: Tekrarlı Ölçümler Desenlerine Genel Bakış

Deneysel araştırmalarda, katılımcıların deney koşullarına atanma şekli, araştırmanın tasarımını ve sonuçların yorumlanmasını doğrudan etkiler. Şimdiye kadar genellikle deneklerin yalnızca bir deney koşulunda yer aldığı "bağımsız gruplar desenleri" incelenmişti. Ancak, bazı durumlarda her bir deneğin deneyin tüm koşullarında yer alması daha etkili olabilir. İşte bu tür desenlere Tekrarlı Ölçümler Desenleri (veya Denek İçi Desenler) adı verilir. 📚

Bu desenlerde, denekler kendi kendilerinin kontrol grubu işlevini görürler, çünkü hem deneysel hem de kontrol koşullarında yer alırlar. Bu durum, araştırmacılara önemli avantajlar sağlamakla birlikte, katılımcıların tekrarlı test edilmesinden kaynaklanan ve deneyin iç geçerliğini tehdit edebilen alıştırma etkileri gibi özel zorlukları da beraberinde getirir. Bu çalışma rehberi, tekrarlı ölçümler desenlerinin temel özelliklerini, avantajlarını, alıştırma etkilerini ve bu etkileri dengelemek için kullanılan teknikleri detaylı bir şekilde ele alacaktır.

Araştırmacılar Neden Tekrarlı Ölçümler Desenlerini Kullanır?

Araştırmacılar, tekrarlı ölçümler desenlerini çeşitli nedenlerle tercih ederler ve bu desenler birçok avantaj sunar:

1. Az Sayıda Katılımcı Gereksinimi ✅: Bağımsız gruplar desenlerine göre daha az sayıda katılımcı yeterlidir. Bu durum, çocuklarla, yaşlılarla veya beyin hasarı olan bireyler gibi özel gruplarla yapılan çalışmalarda katılımcı sayısının sınırlı olduğu durumlarda idealdir.
2. Daha Etkin ve Duyarlı Deneyler ✅: Tekrarlı ölçümler desenleri genellikle daha uygun ve etkilidir. Bir deneyin duyarlılığı, bağımsız değişkenin küçük etkilerini bile belirleyebilme yeteneğidir. Katılımcıların kendi içlerinde gösterdikleri değişim, genellikle farklı katılımcılar arasındaki değişimden daha az olduğundan, bu desenlerde hata değişkenliği azalır. Daha az hata değişkenliği, bağımsız değişkenin etkisini daha kolay belirlemek demektir. Bu artan duyarlılık, özellikle davranış üzerindeki küçük etkileri araştıran araştırmacılar için çekicidir.
   • 💡 Örnek: Yüz tanıma belleği üzerine yapılan çalışmalarda, aynı katılımcı grubuna farklı yüz fotoğraflarını çok kısa sürelerle göstermek, deneyin verimliliğini artırır.
3. Davranışsal Değişimleri İnceleme ✅: Öğrenme deneylerinde olduğu gibi, katılımcının davranışlarında zamanla ortaya çıkan değişimleri incelemek için tekrarlı ölçümler desenleri vazgeçilmezdir.
4. Uyarıcı Kıyaslamaları ✅: Deneysel işlem, katılımcıların iki veya daha fazla uyarıcıyı birbirlerine göre kıyaslamalarını gerektirdiğinde bu desenler kullanılır.
   • 💡 Örnek: Romantik ilişkisi olan çiftlerin, insanların fotoğraflarını güvenilirlik, zekâ veya saldırganlık açısından derecelendirmeleri istendiğinde, aynı katılımcıların farklı yüzleri değerlendirmesi bu desene örnektir.

Tekrarlı Ölçümler Desenlerinde Alıştırma Etkilerinin Rolü

Tekrarlı ölçümler desenlerinin önemli bir yönü, alıştırma etkileridir. 📚

• Tanım: Katılımcıların tekrarlı test edilmesi, onlara deneysel göreve ilişkin alıştırma yapma olanağı sağlar. Bu tekrarlı ölçüme bağlı olarak katılımcıların yaşadığı geçici değişikliklere alıştırma etkileri denir.
• Etkileri:
  • Olumlu Etkiler: Görevi daha iyi öğrenme, deneysel ortama alışma, rahatlama ve performansın artması.
  • Olumsuz Etkiler: Yorgunluk, motivasyon azalması, sıkılma ve performansın kötüleşmesi.
• İç Geçerliğe Tehdit ⚠️: Alıştırma etkileri, bağımsız değişkenin etkisiyle karışarak deneyin iç geçerliğini tehdit edebilir. Eğer alıştırma etkileri koşullar arasında dengelenmezse, gözlemlenen değişimlerin bağımsız değişkenden mi yoksa tekrarlı test edilmeden mi kaynaklandığı belirsizleşir.
• Dengeleme Gerekliliği: Tekrarlı ölçümler desenlerinde alıştırma etkilerinin koşullar yoluyla dengelenmesi gerekir ki bu etki tüm koşullara "ortalama" dağılabilsin. Yorumlanabilir deneyler yürütmenin anahtarı, alıştırma etkilerini dengelemek için uygun tekniklerin kullanılmasını öğrenmektir.

Alıştırma Etkilerini Dengeleme Teknikleri (Detaylı Anlatım)

Alıştırma etkilerini dengelemek için iki ana yaklaşım bulunmaktadır: tamamlanmış ve tamamlanmamış tekrarlı ölçümler desenleri. Her iki yaklaşım da farklı dengeleme teknikleri kullanır.

1. Tamamlanmış Tekrarlı Ölçümler Desenleri

Bu desenlerde, her bir katılımcı deneyin tüm koşullarını birden fazla kez deneyimler. Alıştırma etkileri, her katılımcının kendi içinde dengelenir.

a. Blok Seçkisizleştirme (Block Randomization)

• Nedir? Deneyin tüm koşulları (bir blok), katılımcılara her uygulandığında seçkisiz bir sırayla sunulur. Bu bloklar, deney boyunca birden fazla kez tekrarlanır.
• Nasıl Çalışır? Her bir blokta, deneydeki tüm koşullar rastgele bir sırayla yer alır. Genel olarak, blokların sayısı her koşulun uygulanma sayısına, bloğun büyüklüğü ise deneydeki koşul sayısına eşittir.
• Amacı: Alıştırma etkilerinin tüm koşullara ortalama olarak dağılmasını sağlamaktır. Bu yöntem, her koşulun denemenin başında, ortasında ve sonunda eşit sayıda görünmesini garanti eder.
• Avantajları:
  • Alıştırma etkileri doğrusal olmasa bile etkilidir.
  • Katılımcıların dikkat, motivasyon veya deneyimlerindeki farklılıklar, uyarıcının tüm sunum koşullarını ayrı şekilde etkiler ve bu etkiler dengelenir.
• Ne Zaman Kullanılır? Koşulların her katılımcıya birden fazla kez uygulanabildiği ve görevlerin nispeten basit olduğu durumlarda tercih edilir.
• Örnek 📊: Willis ve Todorov'un (2006) yüz tanıma çalışmasında, katılımcılar 100 msn, 500 msn ve 1000 msn olmak üzere üç farklı süreyle sunulan yüzleri değerlendirmişlerdir. Toplam 66 deneme (her koşul için 22 yüz) 22'şer denemelik üç bloğa ayrılmıştır. Her bir blokta, üç koşulun her biri seçkisiz bir sırayla yer almıştır. Bu sayede, alıştırma etkilerinin üç deneysel koşulda ortalama olarak aynı olması beklenir.

b. ABBA Karşıt Dengeleme (ABBA Counterbalancing)

• Nedir? Koşullar seçkisiz bir sırayla sunulduktan sonra, bu sıranın tersi uygulanır. Bu nedenle, tekrarların çift olması gerekir.
• Nasıl Çalışır? Eğer koşullar A, B, C ise, uygulama sırası A-B-C-C-B-A şeklinde olur. Her koşul, hem ileri hem de geri sırada yer alarak alıştırma etkilerini dengelemeye çalışır.
• Amacı: Özellikle doğrusal alıştırma etkilerini dengelemektir. Doğrusal alıştırma etkisi, her ardışık denemede performansa aynı miktarda etki (ekleme veya çıkarma) eklenmesi anlamına gelir.
• Sınırlılıkları ⚠️:
  1. Doğrusal Olmayan Alıştırma Etkileri: Eğer alıştırma etkileri doğrusal değilse (yani, performans artışı veya düşüşü her denemede aynı miktarda değilse), ABBA dengeleme etkili olmayabilir. Örneğin, ilk denemeden sonra büyük bir öğrenme sıçraması yaşanıp sonraki denemelerde daha küçük artışlar olması durumu.
  2. Beklenti Etkileri: Katılımcıların bir sonraki koşulun ne olacağına dair beklentiler oluşturması durumunda ortaya çıkar. Örneğin, A-B-B-A sırasını deneyimleyen bir katılımcı, B koşulundan sonra tekrar B koşulunun geleceğini tahmin edebilir ve bu beklenti performansı etkileyebilir.
• Ne Zaman Kullanılır? Koşul sayısı az olduğunda ve alıştırma etkilerinin doğrusal olduğu varsayıldığında düşünülebilir. Ancak, beklenti etkileri ve doğrusal olmayan alıştırma etkileri riski nedeniyle blok seçkisizleştirme genellikle daha güvenilir bir alternatiftir.

2. Tamamlanmamış Tekrarlı Ölçümler Desenleri

Bu desenlerde, her katılımcı her koşulu yalnızca bir kez deneyimler. Alıştırma etkileri, denekler arasında (yani farklı katılımcı grupları arasında) dengelenir.

• Temel Kural ✅: Deneyin her bir koşulu, her bir sırada (1'inci, 2'nci, 3'üncü vb.) eşit sıklıkta yer almalıdır. Bu kural, alıştırma etkilerinin koşullar arasında dengelenmesini sağlar.

a. Olası Bütün Dizilimler (All Possible Orders)

• Nedir? Koşulların tüm olası sıralamaları kullanılır. Her katılımcı, bu dizilimlerden birine seçkisiz olarak atanır.
• Nasıl Çalışır? N sayıda koşul için N! (N faktöryel) olası sıra vardır. Örneğin, 3 koşul (A, B, C) için 3! = 3 × 2 × 1 = 6 olası dizilim vardır (ABC, ACB, BAC, BCA, CAB, CBA).
• Amacı: Temel dengeleme kuralını en eksiksiz şekilde karşılar, çünkü her koşul her sıralı konumda eşit sayıda görünür.
• Sınırlılıkları ⚠️: Koşul sayısı arttıkça, ihtiyaç duyulan dizilimlerin sayısı çok hızlı artar ve pratik olmaktan çıkar.
  • 📊 Örnek: 4 koşul için 24 dizilim, 5 koşul için 120 dizilim, 6 koşul için 720 dizilim gerekir. Bu durum, çok sayıda katılımcı gerektirir.
• Ne Zaman Kullanılır? Genellikle dört veya daha az koşulu içeren deneylerle sınırlıdır.

b. Latin Karesi (Latin Square)

• Nedir? Olası bütün dizilimlerin pratik olmadığı durumlarda kullanılan bir dengeleme tekniğidir. Her koşulun her sıralı konumda bir kez ortaya çıkmasını ve her koşulun en az bir defa diğerinden önce ve sonra gelmesini sağlar.
• Nasıl Çalışır? Bir matris şeklinde düzenlenir. Her koşul, her satırda (dizilim) ve her sütunda (sıralı konum) sadece bir kez görünür.
• Amacı: Temel dengeleme kuralını (her koşulun her sırada eşit sıklıkta yer alması) daha az sayıda dizilimle karşılar.
• Avantajları: Olası bütün dizilimler tekniğine göre daha fazla koşul için uygulanabilir ve daha az katılımcı gerektirir.
• Örnek 📊: Kumar oynama (KO), şizofreni (Ş), kanser (K) ve nötr (N) olmak üzere dört koşullu bir damgalama deneyinde, Latin Karesi kullanılarak 4 dizilim oluşturulabilir. Bu dizilimler, her koşulun birinci, ikinci, üçüncü ve dördüncü sıralarda bir kez ortaya çıkmasını sağlar.

c. Seçkisiz Başlayan Dönüşümlü Sıra (Random Starting Order with Rotation)

• Nedir? Seçkisiz bir koşullar dizisiyle başlanır ve her seferinde her koşulu bulunduğu pozisyondan sola kaydırarak dizilim sistematik olarak döndürülür.
• Nasıl Çalışır? Örneğin, N, K, Ş, KO dizilimiyle başlanırsa, sonraki dizilimler K, Ş, KO, N; ardından Ş, KO, N, K; ve son olarak KO, N, K, Ş şeklinde devam eder.
• Amacı: Latin Karesinde olduğu gibi, her koşulun her sırada ortaya çıkmasını sağlayarak alıştırma etkilerini dengeler.
• Avantajları: Uygulaması kolaydır ve koşul sayısı dörtten fazla olan deneylerde de kullanılabilir.
• Sınırlılıkları ⚠️: Her koşul daima aynı diğer koşullardan önce ve daima sonra gelir. Bu durum, Latin Karesi tekniğinden farklıdır ve bazı özel etkileşimleri dengelemeyebilir.
• Genel Not 💡: Hangi tamamlanmamış dengeleme tekniği kullanılırsa kullanılsın, katılımcılar bu belirlenen dizilimlere seçkisiz olarak atanmalıdır.

Veri Analizi ve Ayrımsal Aktarma Sorunu

Tekrarlı ölçümler desenlerinde elde edilen verilerin analizi, sonuçların betimlenmesi ve anlamının onaylanması adımlarını içerir. Bu desenlerde ortaya çıkabilecek önemli bir sorun ise ayrımsal aktarma sorunudur. Bu sorun, bir koşulun etkisinin, sonraki koşulun performansı üzerinde diğer koşullara göre farklı bir etki yaratması durumunda ortaya çıkar. Örneğin, çok zor bir görevin ardından gelen kolay bir görevin performansı, kolay görevin tek başına uygulandığı duruma göre farklılık gösterebilir. Bu durum, dengeleme tekniklerinin etkinliğini azaltabilir ve sonuçların yorumlanmasını zorlaştırabilir.

Özet

Tekrarlı ölçümler desenleri, deneysel araştırmalarda güçlü ve verimli bir araçtır. Denek sayısını azaltma, deneyin duyarlılığını artırma ve katılımcı davranışlarındaki zamana bağlı değişimleri inceleme gibi önemli avantajlar sunarlar. Ancak, bu desenlerin iç geçerliğini korumak için alıştırma etkilerinin doğru bir şekilde ele alınması kritik öneme sahiptir.

✅ Temel Çıkarımlar:

• Tekrarlı ölçümler desenlerinde denekler kendi kendilerinin kontrol grubudur.
• Alıştırma etkileri (öğrenme, yorgunluk, motivasyon vb.) iç geçerliği tehdit eder.
• Tamamlanmış desenlerde (her katılımcı tüm koşulları birden fazla kez deneyimler) alıştırma etkileri blok seçkisizleştirme veya ABBA karşıt dengeleme ile denek içinde dengelenir.
• Tamamlanmamış desenlerde (her katılımcı her koşulu bir kez deneyimler) alıştırma etkileri olası bütün dizilimler, Latin karesi veya seçkisiz başlayan dönüşümlü sıra ile denekler arasında dengelenir.
• Dengeleme tekniklerinin doğru seçimi ve uygulanması, elde edilen sonuçların güvenilirliğini ve yorumlanabilirliğini sağlar.

Araştırmacılar, deneylerinin özelliklerine ve koşul sayısına göre en uygun dengeleme tekniğini seçerek, alıştırma etkilerinin bağımsız değişkenin etkileriyle karışmasını önlemeli ve böylece daha sağlam bilimsel sonuçlar elde etmelidirler.