Akademide Anket Verilerinde Tematik Kodlama

Anket araştırmalarında açık uçlu sorular, katılımcıların kendi kelimeleriyle duygu, düşünce ve deneyimlerini ifade etmelerine izin vererek nicel verilerin kaçırdığı incelikleri yakalar. Ancak bu anlatılar, araştırma sorusuna uygun anlam kategorilerine dönüştürülmediği sürece, raporda yalnızca etkileyici alıntılardan ibaret kalır. Tematik kodlama, açık uçlu yanıtları sistematik biçimde tema–alt tema–örnek alıntı üçgeniyle yapılandırarak; nicel analizle köprü kurar, politika ve uygulama önerilerini dayandırabileceğimiz kanıt mimarisi sağlar.

1) Araştırma Mimarisini Netleştirmek: “Tema” Neyin Cevabı?

Tema, sadece sık geçen kelime değil; araştırma sorusuna ilişkin tekrarlayan anlam örüntüsüdür.

• Soru türü → tema türü:

  • Deneyim/algı: “Uzaktan eğitim sürecinde en zorlayıcı unsur nedir?” → Erişim, motivasyon, etkileşim, değerlendirme adaleti.

  • İhtiyaç/öneri: “Hangi desteğe ihtiyaç duydunuz?” → Teknik destek, zamanlama esnekliği, kaynak çeşitliliği.

• Analitik amaç: Betimsel mi (ne var?), açıklayıcı mı (niçin var?), karşılaştırmalı mı (gruplar arası fark?), nedensel ipuçları mı (mekanizma ve koşullar)?

• Raporlama bağlamı: Politika önerisi, program iyileştirme, ölçek geliştirme için tema düzeyinde ölçülebilir göstergeler (sıklık, birlikte-oluşum, örnek alıntılar).

Uygulama kalıbı:
“Çalışmamız, uzaktan eğitimde öğrenci deneyimini anlamayı hedeflemekte; tematik çerçeve, erişim–etkileşim–motivasyon–değerlendirme adaleti ekseninde yapılandırılmıştır.”

---

2) Örneklem, Kapsam ve Doygunluk: Ne Zaman Yeter?

Açık uçlu kutular binlerce yanıt üretebilir; doygunluk (saturation) fikri nitel araştırmadan gelir: yeni veri yeni tema üretmiyor ve var olan temaları derinleştirmiyorsa, doygunluğa yaklaşılır.

• Kesit anketlerinde doygunluk yerine temsil ve çeşitlilik önemli: farklı alt gruplardan (bölüm, sınıf, cinsiyet, erişim durumu) yeterli sayıda anlatı.

• Pratik ölçütler:

  • İlk 100–200 yanıtta “çekirdek tema haritası”;

  • Sonraki bloklarda (ör. her 50 yanıt) “yeni tema oranı < %5” olduğunda doygunluk sinyali.

• Not: Doygunluk bir eşik değil, gerekçe ile raporlanan bir süreçtir.

Rapor cümlesi:
“İlk 200 yanıtta 8 çekirdek tema saptanmış; eklenen her 50 yanıtta yeni tema oranı %4’ün altına düşmüştür.”

---

3) Veri Hazırlama: Temizlik, Anonimleştirme ve Segmentasyon

• Temizlik: Emotikons, linkler, otomatik yanıtlar; boş/tekrarlı kayıtların ayıklanması.

• Anonimleştirme: Ad/kurum/konum belirten parçaları maskelenmiş yer tutucularla ([KURUM], [ŞEHİR]) değiştirin.

• Segmentasyon: Demografik ve deneyimsel değişkenlere göre (ör. “internete erişim süresi < 2 saat”) alt gruplar; temaların grup bazında incelenebilmesi için anahtarlar.

• Dilin standardizasyonu: Yazım hataları, büyük/küçük harf, kısaltmalar için hafif normalizasyon; anlamı bozacak aşırı otomatik düzeltmeden kaçının.

---

4) Kodlama Yaklaşımını Seçmek: İndüktif, Dedüktif, Hibrit

• İndüktif (açık kodlama): Temalar veriden “yukarı doğru” çıkar; keşif amaçlı, saha yakın.

• Dedüktif (kılavuzlu kodlama): Önceden belirlenmiş çerçeve (ör. TPACK, SDT) ile “aşağıdan yukarıya” doğrulama; hipotez testine uygun.

• Hibrit: Ön çerçeve + “diğer”/“ortaya çıkan” kodlar; yerel bağlamı kaçırmamak için en pratik yol.

Öneri: Araştırma sorusu kuramsal bir çerçeve içeriyorsa hibrit model; sadece keşifse indüktif başlayıp ikinci turda çerçevelendirme.

---

5) Kod Kitabı (Codebook) Yazımı: Tema–Tanım–Kriter–Örnek

Kaliteli bir codebook şunları içerir:

1. Tema adı (kısa, eylem/nesne odaklı): “Erişim Sorunları”.

2. Tanım (sınırlarıyla): “Donanım/yazılım/bağlantı yetersizliğinden kaynaklı derse katılım/izleme engelleri.”

3. Dahil/Dışla kriterleri: “Şifre unutma gibi bir kerelik kullanıcı hataları dışlanır.”

4. Göstergeler (anahtar kelimeler/ifadeler): “internet yok, hat çekmiyor, cihaz eski…”.

5. Örnek alıntı (anonim).

6. Alt temalar: “Donanım”, “Bağlantı”, “Platform Kullanılabilirliği”.

7. Kod birliği kuralları: Çoklu temaya giriyorsa öncelik sırası veya çoklu etiketleme politikası.

Mini şablon:

[TEMA ADI] — Tanım: …
Dahil: …
Dışla: …
Alt temalar: …
Örnek(ler): “ … ”
Notlar: Eşik uzunluğu ≥ 3 kelime; jargon ve argo kabul edilir.

6) Kodlayıcı Eğitimi ve Kalibrasyon Oturumları

• Eğitim paketi: Codebook, örnek yanıt seti (n=50), sınır durumları ve karar ağaçları.

• Kalibrasyon: Bağımsız kodlama → fark analizi → tartışma → codebook revizyonu.

• Ölçüm: Cohen’s κ (ikili kodlamalarda), Krippendorff’s α (çok kodlayıcı/ölçekli).

• Hedef: κ/α ≥ 0,70 (bağlama göre esnek). Düşükse tanımları netleştirin, örnekleri artırın.

Rapor cümlesi:
“İki kodlayıcıyla yürütülen kalibrasyonda Cohen’s κ=0,76; anlaşmazlık noktaları revize edilerek codebook v1.3’e yükseltilmiştir.”

---

7) Birimleştirme: Kodlama Birimi Cümle mi, Cümlecik mi, Yanıt mı?

• Yanıt-bazlı kodlama: Kısa kutucuklarda pratik; tek tema baskınsa ideal.

• Cümle/ifade bazlı: Uzun anlatılarda birden çok tema; her cümle ayrıştırılır.

• Olay bazlı: Belirli bir fenomen (örn. “teknik sorun yaşayan bir oturum”) sayılır.
  İlke: Birim seçimi raporda açık yazılsın; birimin tutarlılığı inter-kodlayıcı uyumun anahtarıdır.

---

8) Çoklu Kodlama ve Öncelik Kuralları

Katılımcı tek ifadede birden fazla temaya göndermede bulunabilir.

• Çoklu etiketleme: Bir yanıt birden fazla temayı alabilir (0/1 sütunlar).

• Öncelik: “Önce olay, sonra duygu/yorum” veya “Önce bağlam, sonra çözüm önerisi” gibi hiyerarşi.

• Aşırı kodlamayı önlemek için: Kod başına kanıt cümleciği şartı (en az bir alıntı parçası).

Uygulama: Kod sayısı ortalaması/yanıt ~1,3–1,8 kabul edilebilir; 3+ ise codebook’u gözden geçirin.

---

9) Veri Yönetimi: Yazılım ve Dosya Akışı

• Araçlar: MAXQDA, NVivo, ATLAS.ti (zengin arama, memolar, hiyerarşi); açık kaynak: Taguette, QDA Miner Lite; Python/R entegrasyonu için pandas, quanteda, tidytext.

• Yapı: raw/ (ham), anon/ (maskeli), coded/ (kodlanmış, temalar), memos/, reports/.

• Sürüm: Codebook ve proje dosyaları için Git/OSF; yazılım bağımlılıklarını belgeleyin.

• Yedek: Şifreli disk + kurumsal bulut; PII’dan arındırılmış çalışın.

---

10) Kodlayıcılar Arası Uyumun Hesaplanması ve Yorumlanması

• Cohen’s κ: İki kodlayıcı, ikili/sınırlı kategori; “şansa bağlı anlaşma”yı düzeltir.

• Krippendorff’s α: Çok kodlayıcı, farklı ölçüm düzeyleri; eksiklere toleranslı.

• Güven aralıkları: Bootstrap ile %95 GA raporlayın.

• Yorum: 0,60–0,80 “orta–yüksek”, >0,80 “yüksek” ama bağlama duyarlı; düşükse sebepler: muğlak tema, birim tutarsızlığı, eğitim eksikliği.

Rapor şablonu:
“Krippendorff’s α=0,73 [0,68; 0,78]; en düşük uyum ‘değerlendirme adaleti’ temasındadır (α=0,61) — tanım ve örnekler revize edildi.”

---

11) Memos, Karar Günlüğü ve Denetim İzi (Audit Trail)

• Memos: Kodlama sırasında içgörüler, sorular, sınır durumlar; tema evrimini belgeleyin.

• Karar günlüğü: Codebook değişiklikleri, kod birleştirme/bölme gerekçeleri, tarih–kişi.

• Denetim izi: Hakem ve danışmanlar için tekrarlanabilirlik; NVivo/MAXQDA “Project Log” + harici decision_log.md.

---

12) Tema Haritaları ve Hiyerarşi: Ağaç Yapısından Ağ Yapısına

• Ağaç: Tema → Alt tema → Kod → Örnek alıntı; raporun iskeleti.

• Ağ: Temalar arası eş-oluşum; “erişim” ile “motivasyon” aynı yanıtta sık çıkıyorsa, olası mekanizma.

• Görselleştirme: Sankey/Chord diyagramları; ısı haritaları (satır=tema, sütun=grup).

• Rapor: “Erişim” teması düşük sosyoekonomik grup ve kırsal bölgelerde diğer temalarla daha yoğun eş-oluşur (özellikle “etkileşim” eksikliği).

---

13) Alıntı Seçimi: Temsil, Çeşitlilik ve Etik

• Temsil: Sıklığı yüksek temada tipik, düşük temada ayrık/çarpıcı alıntı.

• Çeşitlilik: Farklı gruplardan örnekler; tek bir alt grup üzerinden “genel” anlatı kurmayın.

• Etik: Kimliklenebilir ayrıntıları gizleyin; alıntıları anlamı bozmadan kısaltın, [köşeli parantez] ile eklemeler yapın.

• Yapı: Her tema için 2–4 alıntı, biri kısa vurucu, biri bağlamı açıklayan uzun parça.

---

14) Nitel–Nicel Köprü: “Sayısallaştırılmış Temalar” ve Karma Modeller

• 0/1 matris: Her yanıt için tema sütunu (var=1, yok=0); frekans ve oranlar.

• Çapraz tablolar: Tema × grup (cinsiyet/bölüm/erişim) → ki-kare/Fisher; Cramér’s V ile etki.

• Regresyon: Sonucu (memnuniyet skoru) açıklamak üzere tema göstergeleri (veya sayısı) + kontroller.

• Skorlaştırma: Tema yoğunluğu (toplam kelime/tema kelimesi) veya duygu x tema etkileşimi (karma).

Rapor cümlesi:
“‘Erişim’ temasını dile getirenlerin memnuniyet puanı ortalama 0,38 sd daha düşük (OLS, HC3 SE, p<0,01).”

---

15) Duygu Analizi, Anahtar Sözcükler ve Konu Modellemesi ile Yardımcı Otomasyon

Tematik kodlamanın yerine değil, yanına otomatik araçlar:

• Duygu analizi: Pozitif/negatif/karışık duyarlılık; temalarla kesiştiğinde zengin yorum (“Erişim + Negatif”).

• Anahtar sözcük çıkarımı: RAKE/TextRank ile tema adayları.

• Konu modelleme (LDA/BERT): Geniş gövdede tema keşfi; codebook için başlangıç taslağı üretir.

• Sınır: Otomatik öneri insan denetimi olmadan yayın aşamasına taşınmamalıdır.

---

16) Aykırı Anlatılar: Marjinallerin Bilgisi

Nadir ama kritik anlatılar (ör. “erişim yokluğu nedeniyle sınavı kaçıran engelli öğrenci”) politika açısından yüksek değer taşır.

• İşaretleme: “Kritik vaka” etiketi; örneklemde payı küçük ama etkisi büyük.

• Rapor: Nicel temsille birlikte vaka kutuları; öneriyi marjinal fakat önemli ihtiyaca bağlayın.

---

17) Duyarlılık Analizleri: Kodlama Kararlarının Kararlılığı

• Codebook varyantları: İki tema birleştirilirse sonuçlar değişiyor mu?

• Eşik: Kısa yanıtların hariç tutulması (≤2 kelime) yönü etkiliyor mu?

• Alt örneklem: Gruplara göre ayrı kodlama (eğitim türü, bölge); temaların kalıcılığı.
  Rapor: “Kısa yanıtlar hariç tutulduğunda tema oranları ±%2 oynadı; ana bulgular değişmedi.”

---

18) Etik, Gizlilik ve Adalet

• Beklenti yönetimi: Açık uçlu yanıtların anonim ve gizli kullanımı; alıntılarda kimliklenebilir bilgi kaldırılır.

• Küçük hücre bastırma: Çok küçük gruplarda (n<5) birleşik raporlama.

• Duyarlı temalar: Damgalayıcı dilden kaçının; alıntıları bağlamından koparmayın.

• Erişilebilir rapor: Dil engelleri, görsel erişilebilirlik (alt metinler), sade tipografi.

---

19) Uygulamalı Örnek A — Eğitim: Uzaktan Eğitim Deneyimi

Soru: “Uzaktan eğitim sürecinde en zorlayıcı unsur?” (n=1.240 açık uçlu yanıt)
Süreç: Hibrit kodlama; codebook v1.0 → kalibrasyon → v1.3.
Temalar (oran): Erişim (%41), Etkileşim (%33), Motivasyon (%29), Değerlendirme Adaleti (%22), Zaman Yönetimi (%18), İçerik Kalitesi (%15).
Nitel–nicel köprü: Erişim teması olanlarda dönem sonu notu ortalama −5,2 puan (kontrollerle −3,1; p<0,05).
Alıntı: “Ders kaydı var ama internet kota yüzünden izleyemiyorum.”
Öneri: Kampüs dışı veri paket desteği + asenkron içerik.

---

20) Uygulamalı Örnek B — Sağlık: Tele-tıp Memnuniyeti

Soru: “Tele-tıp randevunuzda ne aksadı?” (n=580)
Temalar: Randevu Zamanlaması, Teknik Sorun, Mahremiyet, Ulaşılabilirlik, İletişim Kalitesi.
Uyum: α=0,79.
Bulgular: “Mahremiyet” teması kadınlarda ve 45+ yaşta daha sık (Cramér’s V=0,12).
Politika: Kapalı alan/ses yalıtımı önerileri, alternatif randevu saatleri.

---

21) Uygulamalı Örnek C — Kamu Politikası: Belediye Hizmetleri

Soru: “Mahallenizde öncelikli ihtiyaç nedir?” (n=2.050)
Temalar: Ulaşım, Güvenlik, Yeşil Alan, Atık Yönetimi, Dijital Hizmetler.
Eş-oluşum: Ulaşım ↔ Güvenlik; Yeşil Alan ↔ Atık Yönetimi birlikte çıkıyor.
Rapor: Bölgeye göre ısı haritası; marjinal örnek olarak engelli erişimi anlatısı.

---

22) Raporlama Şablonları: Tema Tablosu ve Alıntı Sunumu

Tema tablosu (kısa):

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.