Professional Documents
Culture Documents
Masterproef Machteld Vandecandelaere
Masterproef Machteld Vandecandelaere
FACULTEIT PSYCHOLOGIE EN
PEDAGOGISCHE WETENSCHAPPEN
Door
Machteld Vandecandelaere
2010
ii
iii
iv
KATHOLIEKE UNIVERSITEIT LEUVEN
FACULTEIT PSYCHOLOGIE EN
PEDAGOGISCHE WETENSCHAPPEN
Door
Machteld Vandecandelaere
2010
v
vi
Samenvatting
Dat de ene leerling een positievere attitude heeft ten aanzien van wiskunde dan de andere, is algemeen
bekend. Over welke factoren deze verschillen in wiskunde-attitude in de hand werken, is minder
geweten. Niettemin is een positieve attitude een belangrijke onderwijsdoelstelling op zich en is tevens
aangetoond dat een positieve wiskunde-attitude samengaat met betere wiskundeprestaties.
In deze masterproef wordt nagegaan in welke mate attitudeverschillen tussen leerlingen op het einde
van het tweede leerjaar van de A-stroom toegeschreven kunnen worden aan verschillen tussen scholen
en aan verschillen tussen klassen binnen scholen. Tevens wordt door middel van multilevelanalyse
onderzocht welke leerling- en klaskenmerken samenhangen met deze wiskunde-attitude. Hiertoe wordt
gebruik gemaakt van de databank van de recentste deelname van Vlaanderen aan het internationale
onderzoek ‘Trends in International Mathematics and Science Study’ (TIMSS) in 2003. De dataset bestaat
uit 4354 leerlingen uit het tweede leerjaar van de A-stroom in het secundair onderwijs, verdeeld over
228 klassen en 119 scholen. Daar in de verzamelde gegevens over de wiskunde-attitude een veelheid
van aspecten zit vervat, wordt voorafgaand aan de multilevelanalyses gezocht naar afzonderlijke
componenten in deze wiskunde-attitude.
Drie onderzoeksvragen worden onderzocht:
1) Welke attitudecomponenten kunnen geïdentificeerd worden in de verzamelde gegevens in TIMSS
2003 die peilen naar de wiskunde-attitude op het einde van het tweede leerjaar van de A-stroom?
2) Wat is de grootte-orde van klas- en schooleffecten op de componenten van de wiskunde-attitude?
3) Welke leerling- en klasvariabelen kunnen verschillen in de componenten van de wiskunde-attitude
verklaren?
vii
viii
Woord van dank
Deze masterproef was niet tot stand gekomen zonder de steun van verschillende personen.
Vooreerst wil ik een woord van dank richten tot mijn promotor, Prof. Jan Van Damme, voor de
leerrijke gesprekken en de kritische evaluatie van de masterproeftekst. Dankzij zijn deskundige
begeleiding is deze masterproef uitgegroeid tot een werkstuk waar ik trots op kan zijn.
Verder zou ik graag Georges Van Landeghem bedanken. Hij stond steeds klaar met een
verhelderend antwoord wanneer ik botste op bepaalde statistische problemen of worstelde
met de technische kant van de masterproef.
Voorts verdient ook Karin Slegers een woord van dank, voor de constructieve feedback na het
doorploegen van deze masterproef.
Mathijs, bedankt voor de onvoorwaardelijke steun en liefde doorheen het ganse proces. Ik heb
je vaak overweldigd met gezeur en frustratie, waarvoor mijn excuses. Toch ben je me blijven
motiveren om het beste van mezelf te geven. Dankjewel!
Ten slotte wil ik ook mijn ouders bedanken om in mij te geloven en mij alle kansen te geven dit
mogelijk te maken. Bedankt voor de permanente steun en het vele geduld.
ix
x
Inhoudsopgave
II. Methode................................................................................................................................... 17
1. Steekproef ..................................................................................................................................... 17
2. Meetinstrumenten ........................................................................................................................ 18
2.1 Leerlingvariabelen ................................................................................................................ 19
2.1.1 Afhankelijke variabele: wiskunde-attitude .................................................................. 19
2.1.2 Instroomkenmerken .................................................................................................... 20
a) Variabelen en constructie ................................................................................................ 20
b) Verdelingskenmerken ...................................................................................................... 22
2.1.3 Andere verklarende leerlingvariabelen ....................................................................... 23
a) Variabelen en constructie ................................................................................................ 24
b) Verdelingskenmerken ...................................................................................................... 26
2.2 Klaskenmerken ..................................................................................................................... 27
2.2.1 Gemiddelde intelligentiescore van de klas .................................................................. 27
2.2.2 Indicatoren van het klasklimaat ................................................................................... 28
a) Variabelen en constructie ................................................................................................ 28
b) Verdelingskenmerken ...................................................................................................... 29
xi
2.2.3 Onderwijs- en begeleidingskenmerken ....................................................................... 30
a) Variabelen en constructie ................................................................................................ 30
b) Verdelingskenmerken ...................................................................................................... 31
3. Werkwijze ...................................................................................................................................... 32
3.1 Verschillende fasen in het analysewerk ............................................................................... 32
3.1.1 Principale componentenanalyse van de wiskunde-attitude........................................ 32
3.1.2 Bepaling van de grootte-orde van klas- en schooleffecten ......................................... 33
3.1.3 Effect van leerling- en klaskenmerken ......................................................................... 33
a) Centreren ......................................................................................................................... 34
b) Modelopbouw .................................................................................................................. 34
c) Significantietoetsen.......................................................................................................... 36
d) Onderscheidingsvermogen .............................................................................................. 37
3.2 Ontbrekende gegevens......................................................................................................... 39
3.3 Software ............................................................................................................................... 41
xii
b) Plezier in wiskunde........................................................................................................... 66
c) Ervaren relevantie van wiskunde ..................................................................................... 66
d) Gepercipieerde externe aanmoediging............................................................................ 67
3.1.4 Modellen met instroomkenmerken en andere verklarende leerlingvariabelen ......... 68
a) Academisch zelfconcept met betrekking tot wiskunde ................................................... 70
b) Plezier in wiskunde........................................................................................................... 72
c) Ervaren relevantie van wiskunde ..................................................................................... 74
d) Gepercipieerde externe aanmoediging............................................................................ 76
3.1.5 Verfijning van het model ............................................................................................. 78
a) Modellen met één predictor met random helling op klas- of schoolniveau .................... 78
b) Interactietermen .............................................................................................................. 84
3.2 Exploratieve multilevelanalyse op klasniveau ...................................................................... 86
3.2.1 Samenhang tussen de variabelen ................................................................................ 87
3.2.2 Modellen met één predictor........................................................................................ 87
3.2.3 Modellen met meerdere predictoren .......................................................................... 88
a) Academisch zelfconcept m.b.t. wiskunde ........................................................................ 89
b) Plezier in wiskunde........................................................................................................... 91
c) Ervaren relevantie van wiskunde ..................................................................................... 92
d) Gepercipieerde externe aanmoediging............................................................................ 93
3.3 Exploratieve multilevelanalyses op het leerlingen- en klasniveau tezamen ........................ 94
a) Academische zelfconcept m.b.t. wiskunde ...................................................................... 95
b) Plezier in wiskunde........................................................................................................... 96
c) Ervaren relevantie van wiskunde ..................................................................................... 98
d) Gepercipieerde externe aanmoediging............................................................................ 99
3.3.1 Verfijning van het model ........................................................................................... 100
3.4 Besluit ................................................................................................................................. 101
xiii
c) Effect van klasvariabelen................................................................................................ 108
1.3.2 Interactie-effecten en verschillen tussen klassen en scholen inzake de samenhang
tussen variabelen ....................................................................................................................... 109
1.3.3 Compensatiefenomeen op groepsniveau .................................................................. 110
1.3.4 Verklaarde variantie in het model met leerling- en klasvariabelen ........................... 111
2. Implicaties van de bevindingen ................................................................................................... 113
2.1 Theoretische implicaties ..................................................................................................... 113
2.2 Praktische implicaties ......................................................................................................... 114
3. Beperkingen van het onderzoek en suggesties voor verder onderzoek .................................... 115
xiv
Lijst met tabellen
xv
Tabel 26 Ervaren relevantie van wiskunde: model met instroomkenmerken en andere verklarende
leerlingvariabelen ....................................................................................................................................... 74
Tabel 27 Gepercipieerde externe relevantie: model met instroomkenmerken en andere verklarende
leerlingvariabelen ....................................................................................................................................... 76
Tabel 28 Gemiddelde intelligentiescore per klas als unieke verklarende leerlingvariabele ...................... 88
Tabel 29 Academisch zelfconcept m.b.t. wiskunde: model met klasvariabelen ........................................ 90
Tabel 30 Plezier in wiskunde: model met klasvariabelen ........................................................................... 91
Tabel 31 Ervaren relevantie van wiskunde: model met klasvariabelen ................................................... 923
Tabel 32 Gepercipieerde externe relevantie: model met klasvariabelen ................................................ 934
Tabel 33 Academisch zelfconcept m.b.t. wiskunde: model met leerling- en klasvariabelen ................... 956
Tabel 34 Plezier in wiskunde: model met leerling- en klasvariabelen........................................................ 97
Tabel 35 Ervaren relevantie van wiskunde: model met leering- en klasvariabelen ................................... 98
Tabel 36 Gepercipieerde externe relevantie: model met leerling- en klasvariabelen ............................ 100
Tabel 37 Hoeveelheid onverklaarde variantie en gereduceerde variantie in het model met klas- en
leerlingvariabelen, ten opzichte van de totale variantie in het lege model ......................................... 11213
xvi
Lijst met figuren
xvii
Figuur 21. Academisch zelfconcept m.b.t. wiskunde: veranderingen in de variantie in het model met
leerling- en klasvariabelen.......................................................................................................................... 95
Figuur 22. Plezier in wiskunde: veranderingen in de variantie in het model met leerling- en
klasvariabelen. ............................................................................................................................................ 96
Figuur 23. Ervaren relevantie van wiskunde: veranderingen in de variantie in het model met leerling- en
klasvariabelen. ............................................................................................................................................ 98
Figuur 24. Gepercipieerde externe aanmoediging: veranderingen in de variantie in het model met
leerling- en klasvariabelen.......................................................................................................................... 99
Figuur 25. Big Fish Little Pond Effect (Marsh, 2007, p. 3). ........................................................................ 109
xviii
Globale inleiding
Dat de ene leerling een positievere houding heeft ten aanzien van het vak wiskunde dan de
andere, is algemeen geweten. Maar welke kenmerken werken deze verschillen in de hand?
Doet het er toe in welke klas of school een leerling terecht komt? Wat bedoelen we überhaupt
met de term ‘wiskunde-attitude’? In deze masterproef wordt hier dieper op ingegaan en vormt
de wiskunde-attitude, op het einde van het tweede leerjaar A van het secundair onderwijs,
focus van onderzoek.
In deze verhandeling wordt gebruik gemaakt van data uit het internationaal onderzoek ‘Trends
in International Mathematics and Science Study’ (TIMSS). Meer specifiek worden de gegevens
geanalyseerd van de recentste afname in het Vlaamse secundair onderwijs, in 2003. Omdat
1
Voor meer informatie over dit onderzoeksdomein verwijzen we naar Scheerens, Bosker en Creemers (2001) en
Teddlie en Reynolds (2001).
1
Globale inleiding
het gaat om een specifiek hiërarchisch gegevensbestand, namelijk leerlingen binnen klassen en
klassen binnen scholen, zijn multilevelanalyses aangewezen. Deze vrij recente techniek is een
uitbreiding van meervoudige regressie. Het verschil met traditionele regressietechnieken is dat
in multileveltechnieken rekening wordt gehouden met de onderlinge afhankelijkheid tussen
onderzoekseenheden. Leerlingen binnen eenzelfde klas of school delen namelijk eenzelfde
sociale context waardoor ze dezelfde invloeden ondergaan of elkaar beïnvloeden (Van den
Noortgate, Pustjens, & Onghena, 2004). Een toegankelijke inleiding in deze techniek, wordt
gegeven in het drieluik ‘Multiniveau-analyse in de praktijk’ (Pustjens, Van den Noortgate, &
Van Damme, 2004; Van den Noortgate, et al., 2004a, 2004b).
In wat volgt, wordt vooreerst de eigen inbreng in het onderzoek en een korte terugblik hierop
weergegeven. Vervolgens wordt een overzicht gegeven van de hoofdstukken die in deze
masterproef aan bod komen.
2
Globale inleiding
stelde ik namelijk vast dat de resultaten niet beantwoordden aan de verwachtingen. Bij het
zoeken naar mogelijke verklaringen, bleek dat er in bepaalde gegevensbestanden op de CD-
ROM een omgekeerde codering van de wiskunde-attitude items was doorgevoerd. Dit had tot
gevolg dat hogere scores op positief geformuleerde items, een indicatie waren van een
negatievere attitude. Tot mijn grote frustratie moest het analysewerk van nul af aan opnieuw
gebeuren. Maar ook dit was een leerproces. Zo kon ik met de ervaring van de eerste
analyseronde bij dezelfde keuzes meer gegronde beslissingen nemen.
Doorheen het ganse proces heb ik geleerd dat multilevelmodellen krachtige en flexibele tools
zijn, maar dat er tevens een keerzijde aan de medaille zit. Multilevelanalyse is een complexe
techniek waarbij ‘de’ beste modelopbouw (nog) niet bestaat en de onderzoeker bijgevolg voor
veel keuzes komt te staan (Jee-Seon, 2009). Ook de interpretatie van resultaten is geen
sinecure. Verschillende onderzoekers gaan vaak op een verschillende manier te werk om
resultaten te presenteren en interpreteren. De interpretatie van gegevens en het trekken van
conclusies zijn immers deels een subjectief proces waardoor het mogelijk is dat verschillende
onderzoekers op basis van dezelfde gegevens tot verschillende uitspraken komen (Van den
Noortgate et al., 2004a). Als debutante in de analysetechniek was het voor mij een uitdaging
om de twijfel en onzekerheid hierbij te overwinnen.
Voor inhoudelijke thema’s werd ik begeleid door mijn promotor prof. dr. Jan Van Damme. Hij
stelde me kritische vragen die me uitdaagden om dieper na te denken over gemaakte keuzes
en de afgelegde weg. Wanneer ik botste op meer technische problemen of twijfelde bij de
interpretatie van bepaalde resultaten, kon ik terecht bij Georges Van Landeghem.
Achteraf kan ik zeggen dat ik misschien niet de meest vanzelfsprekende, maar wel zeker een
van de meest leerrijke masterproefonderzoeken heb mogen voeren.
In het inleidend hoofdstuk wordt vooreerst een literatuuroverzicht gegeven over onderzoek
naar niet-cognitieve resultaten en onderzoek naar de wiskunde-attitude. Vervolgens wordt
een omschrijving gegeven van TIMSS en worden de bevindingen weergegeven uit voorgaand
TIMSS onderzoek. Ten slotte worden de onderzoeksvragen verder geconcretiseerd.
In het tweede hoofdstuk wordt de gehanteerde methode uiteen gezet. Hierbij komen de
steekproef, de meetinstrumenten en de werkwijze aan bod.
3
Globale inleiding
4
I. Inleidend hoofdstuk
I. Inleidend hoofdstuk
1. Literatuuroverzicht
De attitude ten aanzien van wiskunde kreeg de laatste decennia steeds meer aandacht binnen
het onderzoeksveld. Bij het doornemen van de beschikbare literatuur stellen we vast dat de
invalshoek en onderzoeksresultaten veelal verschillen naargelang de operationalisering van
het concept ‘wiskunde-attitude’. Sommige studies, zoals de analyses van TIMSS 1999 in
Vlaanderen, beschouwen de wiskunde-attitude als een opzichzelfstaand aspect van het socio-
affectief functioneren (Van Damme, De Corte, Van Damme, Van den Broeck, Brusselmans-
5
I. Inleidend hoofdstuk
Dehairs, & Opdenakker, 2001). Andere studies onderscheiden verschillende deelaspecten van
de wiskunde-attitude (zie o.a. Hanulla, 2002; Meelissen & Doornekamp, 2004; Watt, 2000).
Een gedetailleerde rapportering van de beschikbare literatuur over (deelaspecten van) de
wiskunde-attitude valt buiten het bestek van deze masterproef. In wat volgt, geven we een
selectie uit de gevoerde literatuurstudie.
Vooreerst stellen we vast dat de samenhang tussen de wiskunde-attitude en prestaties een
hot topic is geworden. Uit een meta-analyse van Ma en Kishor (1997), gebaseerd op 113
studies, komt naar voren dat er in de relatie tussen wiskunde-attitude en prestaties een
predominantie bestaat van de invloed van attitude op prestaties. Recentelijk werd, in een
onderzoek gebaseerd op de data van het LOSO-project, een gelijkaardige conclusie getrokken
over de invloed van het academisch zelfconcept op prestaties (Pinxten, De Fraine, & Van
Damme, 2008).
Ook de samenhang van de wiskunde-attitude met andere variabelen werd door verschillende
onderzoekers onderzocht, onder andere naar aanleiding van de vaststelling dat sommige
leerlingen een positievere attitude ten aanzien van wiskunde hebben dan anderen (Aiken,
1974; Boekaerts, 1993; Brassel, Perry, & Brooks, 1980; Garaway, 1994; Haladyna, 1983;
Hannula, 2002; Kaiser–Messmer, 1993; Ma, 1997; McLeod, 1994). Daarbij worden verschillen
toegeschreven aan het geslacht (Kaiser- Messmer, 1993), de thuissituatie (Cai, Moyer, & Wang,
1997; Schreiber, 2002) en cognitieve mogelijkheden (Ma, 1997).
Inzake de invloed van het geslacht, blijkt uit verschillende studies dat meisjes een negatievere
attitude hebben ten aanzien van wiskunde dan jongens (Chouinard, Vezeau, Bouffard, &
Jenkins, 1999; Frost, Hyde, & Fennema, 1994; Leder, 1995; Van Damme et al., 2001).
Resultaten uit meer recente studies nuanceren dit. Zo stellen De Corte en Op ’t Eynde (2003)
een interactie-effect vast van de studierichting en het geslacht met betrekking tot twee
deelaspecten van de wiskunde-attitude, namelijk de opvattingen over de relevantie van en de
opvattingen over de eigen capaciteiten in wiskunde. Binnen de optie Klassieke talen en
beroepgerichte opties hebben meisjes positievere opvattingen over de relevantie van
wiskunde en zijn ze zelfzekerder dan jongens. Binnen humane studierichtingen hebben
jongens positievere opvattingen over de relevantie van wiskunde en zijn ze zelfzekerder dan
meisjes.
In een ander, Australisch onderzoek, waar ook deelaspecten worden onderscheiden in de
wiskunde-attitude, blijkt dat jongens en meisjes het belang van wiskunde niet verschillend
6
I. Inleidend hoofdstuk
waarderen, dat jongens hun mogelijkheden op wiskundevlak hoger inschatten dan meisjes en
dat meisjes de moeilijkheidsgraad van wiskunde hoger inschatten dan jongens (Watt, 2000).
Deze studies maken duidelijk dat de operationalisering van het concept wiskunde-attitude en
het al dan niet onderscheiden van deelaspecten in deze attitude leidt tot verschillende
onderzoeksuitkomsten. In deze masterproef wordt in een eerste stap gezocht naar de
deelcomponenten van de wiskunde-attitude die in de beschikbare dataset onderscheiden
kunnen worden. Hiermee trachten we ons een genuanceerd beeld te vormen van de effecten
van leerling- en klaskenmerken op de verschillende aspecten van de wiskunde-attitude, zoals
die werd gemeten in Vlaanderen in TIMSS 2003.
Zoals aangehaald, wordt in deze masterproef gebruik gemaakt van de data uit het
internationale onderzoek TIMSS 2003. We geven in wat volgt een omschrijving van dit
onderzoek en bespreken de belangrijkste bevindingen uit voorgaand TIMSS onderzoek.
TIMSS is een grootschalig onderzoek dat door de International Association for the Evaluation
of Educational Achievement (IEA) wordt georganiseerd, met als doel leerlingprestaties voor
wiskunde en wetenschappen internationaal in kaart te brengen. De doelgroep betreft
voornamelijk 2 het vierde leerjaar van het lager onderwijs en het tweede leerjaar van het
secundair onderwijs. In 1995 ging het om ‘The Third International Mathematics and Science
Study’, in 1999 om TIMSS-Repeat en sindsdien wordt gesproken van ‘Trends in International
Mathematics and Science Study’. Vlaanderen nam tot op heden deel aan het onderzoek bij
leerlingen in het tweede leerjaar van het secundair onderwijs in 1995, 1999 en 2003. Aan de
meest recente cyclus in 2007 nam Vlaanderen niet deel. Voorliggend onderzoek maakt daarom
gebruik van de data uit TIMSS 2003. In 2003 werd in Vlaanderen voor de eerste keer ook
onderzoek gedaan bij leerlingen van het vierde leerjaar lager onderwijs. Daar er in deze
masterproef enkel gebruik gemaakt wordt van de dataverzameling in het secundair onderwijs,
laten we de gegevens van de afname in het lager onderwijs verder buiten beschouwing. Voor
2
Er werd ook reeds onderzoek verricht op het einde van het secundair onderwijs.
7
I. Inleidend hoofdstuk
meer informatie rond het onderzoek in het vierde leerjaar lager onderwijs, verwijzen we naar
Mullis, Martin, Gonzalez en Chrostowski (2004).
In 2003 namen in Vlaanderen 148 secundaire scholen deel aan de peiling op het einde van het
tweede leerjaar van het secundair onderwijs. De gegevensverzameling betrof een toets voor
wiskunde en wetenschappen en vragenlijsten voor de directies, leraren wiskunde en
wetenschappen en leerlingen. In 1999 en 2003 voegde Vlaanderen daar een extra luik aan toe.
De uitbreiding van het onderzoeksmateriaal betrof de afname van een intelligentietest bij de
leerlingen, de toevoeging van een vragenlijst voor de ouders, en de uitbreiding van de
vragenlijsten voor de leerlingen, leerkrachten en directie. Bij de leerlingen werd onder andere
een gedetailleerde bevraging toegevoegd die peilt naar de attitude ten aanzien van het vak
wiskunde. Het Vlaamse luik kenmerkt zich verder door de opname van een tweede klas per
school. Dit maakt het mogelijk om uitspraken te doen over de invloed van scholen en van
klassen binnen scholen.
Op onderwijskundig vlak was TIMSS 2003 op dat moment het grootste vergelijkend onderzoek
ooit doorgevoerd (KU Leuven & UGent, 2004). Voor de Vlaamse Gemeenschap laat de
deelname toe vast te stellen hoe Vlaamse leerlingen presteren in vergelijking met die van vele
andere landen. Verder is het mogelijk Vlaanderen op een reeks andere punten, zoals de
attitude of de socio-economische achtergrond van leerlingen, vastgesteld door middel van
vragenlijsten, te situeren op een internationaal forum.
In wat volgt, geven we beknopt de belangrijkste bevindingen weer van voorgaand TIMSS
onderzoek. In een eerste paragraaf worden de trends die zich voordoen bij Vlaamse leerlingen
weergegeven. De gegevens die in 2003 met het internationaal luik werden verzameld, werden
reeds verwerkt en gepubliceerd en geven dus ook reeds inzicht in bepaalde trends. De
uitgebreide resultaten kunnen nagelezen worden in Mullis et al. (2004). Met de data van het
Vlaamse luik in TIMSS 2003 werd reeds onderzoek gevoerd naar de beleving van de – al dan
niet als constructivistisch ervaren – leeromgeving. Hiervoor verwijzen we naar Schelfhout, Van
Landeghem, Van den Broeck en Van Damme (2006).
8
I. Inleidend hoofdstuk
Uit de internationale resultaten van TIMSS 2003 blijkt dat Vlaamse leerlingen goede
wiskundeprestaties halen (6e plaats op de 49 landen). Niettemin wordt een significant
negatieve trend vastgesteld wanneer de scores naast deze van 1995 en 1999 worden geplaatst
(Mullis et al., 2004).
Een aantal vragen dat peilt naar de wiskunde-attitude behoort tot het internationale luik en
werden reeds vergeleken met de desbetreffende scores in andere landen. Daarbij wordt
vastgesteld dat Vlaanderen in TIMSS 2003 de 11e plaats inneemt wat betreft ‘self-confidence in
learning mathematics’. Verder blijkt dat meer dan de helft (57%) van de Vlaamse leerlingen er
enigszins of helemaal mee akkoord gaat dat ze graag wiskunde doen. Dit percentage is lager
dan het internationale gemiddelde (65%). Positief is wel dat er, in vergelijking met 1995 en
1999, in 2003 significant meer leerlingen zijn die helemaal akkoord gaan met de uitspraak ‘ik
doe graag wiskunde’ (Mullis et al., 2004).
3
Vragen die niet opnieuw werden opgenomen in TIMSS 2003 zijn onder andere het al dan niet akkoord gaan van de
leerkracht met de aanleghypothese, de mate van structuur in de les, de mate waarin de leerkracht wiskunde opvat
als een abstract vak, de mate waarin de leerkracht het vak wiskunde ziet als een praktische en gestructureerde
leidraad om dagelijkse situaties aan te pakken en de mate waarin de leerkracht vindt dat voor het aanleren van
wiskunde sympathie en begrip voor de leerlingen belangrijk is.
Variabelen die in TIMSS 1999 niet en in TIMSS 2003 wel in rekening worden gebracht zijn onder andere de
hoeveelheid bijles en huiswerk wiskunde, de tijd die een leerling spendeert aan huiswerk wiskunde, het
welbevinden op school, de mate waarin de leerling feedback krijgt en de mate waarin de leerling de leeromgeving
ervaart als duidelijk, authentiek, activerend en interactief.
9
I. Inleidend hoofdstuk
Uit de internationale resultaten blijkt dus dat de wiskundeprestaties in het tweede jaar
secundair onderwijs er bij de Vlaamse leerlingen op achteruit gaan, terwijl de wiskunde-
attitude een meer positieve trend vertoont.
In 1999 werd het TIMSS onderzoek voor de eerste keer uitgebreid met een Vlaams luik. De
uitbreiding gaf onder andere meer informatie over de wiskunde-attitude van de leerlingen.
Een uitgebreid verslag van het onderzoek van het Vlaamse luik in 1999 wordt weergegeven in
Van Damme et al. (2001). De belangrijkste bevindingen met betrekking tot de wiskunde-
attitude worden hier samengevat.
In de analyse van TIMSS 1999 werd per leerling een globale attitudescore berekend 4. Van alle
verschillen tussen leerlingen inzake deze attitudescore is 13.3% te wijten aan verschillen
tussen klassen binnen eenzelfde school en 2.3% aan verschillen tussen scholen (Van Damme,
Opdenakker, & Van den Broeck, 2004). Ter verklaring van deze variantie werden verschillende
leerling-, klas- en schoolvariabelen opgenomen. In totaal wordt hiermee 21.5% van de totale
variantie in de wiskunde-attitude verklaard.
Uit de resultaten van de analyse van de wiskunde-attitude in TIMSS 1999 blijkt dat
leerlingvariabelen op zowel leerling-, klas- als schoolniveau een rol spelen (Van Damme et al.,
2001). Op klas- en schoolniveau heeft dit te maken met de vaak homogeen samengestelde
klassen en met factoren die spelen bij de keuze voor een optie in het tweede leerjaar, namelijk
de intelligentie van de leerling en het gezinsmilieu. De belangrijkste instroomkenmerken die
bijdragen tot de verklaring van de verschillen in de wiskunde-attitude zijn de intelligentie en in
mindere mate het opleidingsniveau van de ouders en het geslacht. Leerlingen met hoger
opgeleide ouders en een hogere intelligentie hebben een positievere wiskunde-attitude.
Jongens hebben een iets positievere attitude ten aanzien van wiskunde dan meisjes. Voorts
spelen ook individueel gemeten onderwijsvariabelen een belangrijke rol, namelijk de gevolgde
optiegroep en de mate waarin de leerling het onderwijs ervaart in termen van
constructivistische principes. Opmerkelijk daarbij is dat de mate waarin leerlingen de
leeromgeving ervaren als gekenmerkt door constructivistische principes, attitudeverschillen
4
Daarin zit een veelheid van aspecten vervat. In ons onderzoek worden zoals gezegd verschillende deelaspecten
van deze wiskunde-attitude onderscheiden.
10
I. Inleidend hoofdstuk
verklaart tussen klassen maar ook tussen leerlingen binnen klassen. Eenzelfde onderwijs wordt
dus anders ervaren door verschillende leerlingen van dezelfde klas. De samenhang van de
wiskunde-attitude met die perceptie is overigens in alle klassen niet even sterk.
De onderzoekers benadrukken dat de variabelen niet een eenvoudige, unieke bijdrage tot de
wiskunde-attitude leveren, maar dat het onderling overlappen van en interageren tussen
variabelen eerder regel dan uitzondering is. Zo stelt men bijvoorbeeld met betrekking tot de
wiskunde-attitude een interactie vast tussen de intelligentie en het thuis al dan niet
Nederlands spreken. Bij de meest intelligente leerlingen hebben de Nederlandstaligen een
positievere wiskunde-attitude dan de anderstaligen, terwijl bij minder intelligente leerlingen
het omgekeerde geldt.
Verder komt uit het onderzoek naar voren dat bepaalde kenmerken van klassen en van
scholen differentiële effecten teweeg brengen bij onderscheiden leerlinggroepen. Zo blijkt dat
de geslachtssamenstelling op school een effect heeft op de attitudeverschillen tussen meisjes
en jongens (Van Damme, Van den Broeck, & Opdenakker, 2002). In egaal gemengde scholen
vinden de onderzoekers een grote discrepantie tussen de wiskunde-attitudes van meisjes en
jongens, waarbij jongens niet alleen meer positieve wiskunde-attitudes blijken te hebben dan
meisjes, maar bovendien ook duidelijk positievere wiskunde-attitudes hebben dan jongens in
andere types van scholen. Bij meisjes in egaal gemengde scholen worden negatievere
wiskunde-attitudes gevonden dan in andere types van scholen, maar het verschil is minder
uitgesproken dan bij jongens. Gemengd onderwijs blijkt dus in sterkere mate positief te zijn
voor jongens dan het negatief is voor meisjes, althans voor wat betreft de wiskunde-attitude.
Hierbij aansluitend constateert men dat het percentage jongens en meisjes op school het
differentieel effect van het leefcomfort thuis op de wiskunde-attitude kan verklaren. In
jongensscholen gaat meer leefcomfort thuis gepaard met een positievere houding ten aanzien
van wiskunde, in meisjesscholen is sprake van een omgekeerde werking. In egaal gemengde
11
I. Inleidend hoofdstuk
In TIMSS 2003 breidde Nederland net zoals Vlaanderen, zij het in beperktere mate, de
leerlingenvragenlijst uit om meer informatie te verzamelen met betrekking tot de wiskunde-
attitude 5. We bespreken kort de Nederlandse bevindingen uit de beschrijvende analyse van de
wiskunde-attitude in TIMSS 2003. Voor een uitgebreide bespreking, verwijzen we naar
Meelissen en Doornekamp (2004).
De Nederlandse onderzoekers onderscheiden vier deelaspecten van de wiskunde-attitude:
Zelfvertrouwen, Plezier, Aanmoediging en Belang. Per aspect is een schaal geconstrueerd,
bestaande uit 3 tot 5 items. De items van de schaal ‘aanmoediging’ werden ook opgenomen in
het Vlaamse luik van TIMSS 2003. Uit de resultaten blijkt dat Nederlandse meisjes op het einde
van het tweede leerjaar minder zelfvertrouwen hebben in hun wiskundevaardigheden dan
jongens. Meisjes vinden wiskunde ook veel minder belangrijk voor het dagelijkse leven dan
jongens. Verder blijkt dat allochtone leerlingen en leerlingen uit het Voorbereidend
Middelbaar Beroeps Onderwijs (VMBO) meer plezier aan wiskunde beleven dan autochtone
leerlingen en leerlingen uit het Hoger Algemeen Voortgezet Onderwijs (HAVO) en
Voorbereidend Wetenschappelijke Onderwijs (VWO). Allochtone leerlingen ervaren voorts ook
5
Nederland breidde de internationale attitudevraag in TIMSS 2003 uit met 7 nationale uitspraken, waarvan er 5 ook
werden opgenomen in het Vlaamse luik (de schaal ‘aanmoediging’). Vlaanderen voegde daar bovenop nog 16 items
toe.
12
I. Inleidend hoofdstuk
meer aanmoediging van hun ouders om goed te presteren in wiskunde dan autochtone
leerlingen.
3. Onderzoeksvragen
Behalve de resultaten van het Vlaamse luik in TIMSS 1999 is in Vlaanderen weinig onderzoek
beschikbaar over welke factoren verschillen in de wiskunde-attitude in de hand werken (Van
Damme et al., 2001). Bovendien werd in Vlaanderen nog nauwelijks onderzoek verricht naar
de verklaring van verschillen in bepaalde deelaspecten van de wiskunde-attitude. Niettemin
vormt een positieve attitude een belangrijke onderwijsdoelstelling op zich (Peeters &
Vandenbroucke, 2009). Zeker in de hedendaagse tendens, waarbij we een evolutie
waarnemen naar een positieve psychologie die het belang van een positief zelfwaardegevoel,
een positief zelfconcept en een positieve attitude sterkt benadrukt, wint ook de aandacht voor
positieve attitudes in de onderwijscontext aan belang (Marsh & Craven, 2006; Seligman &
Csikszentmihalyi, 2000). Tevens is aangetoond dat een positieve wiskunde-attitude gepaard
gaat met hogere wiskundeprestaties (Ma & Kishor, 1997; Pinxten et al., 2008). Genoeg
redenen dus om actie te ondernemen en onderzoek te voeren dat de kennis hier omtrent
uitbreidt. Met deze masterproef trachten we hiertoe een steentje bij te dragen, met een
onderzoek dat inzicht geeft in de factoren die verschillen in (deelaspecten van) de wiskunde-
attitude in de hand werken. Dit gebeurt in drie stappen, ter beantwoording van drie voorop
gestelde onderzoeksvragen:
Gezien de term ‘attitude’ een veelomvattend begrip is, vormt een eerste stap in ons onderzoek
de verzamelde gegevens met betrekking tot de wiskunde-attitude te exploreren en zo mogelijk
te reduceren tot een aantal componenten van de wiskunde-attitude. Door middel van een
principale componentenanalyse proberen we te komen tot een goede structuur met bruikbare
en goed interpreteerbare attitudeschalen. Dit brengt evenwel een nadeel met zich mee. Met
de gegevens van TIMSS 1999 werd een globale attitudescore berekend. Dit impliceert dat de
resultaten van ons onderzoek niet zonder meer vergeleken kunnen worden met de resultaten
13
I. Inleidend hoofdstuk
uit TIMSS 1999. Niettemin proberen we aan het einde van deze masterproef in de mate van
het mogelijke de resultaten alsnog te vergelijken.
Met deze laatste onderzoeksvraag wordt stapsgewijs gezocht naar modellen die de
deelaspecten van de wiskunde-attitude bij een willekeurige leerling in het tweede leerjaar van
de A-stroom zo goed mogelijk voorspellen. Aan de hand van multilevelanalyses gaan we na
welke variabelen samenhangen met verschillende deelaspecten van de wiskunde-attitude.
Hiertoe worden verschillende leerling- en klaskenmerken opgenomen ter verklaring van de
variantie in de onderscheiden attitudecomponenten. Hierbij moet benadrukt worden dat het
in se om correlationeel onderzoek gaat. Er worden geen uitspraken gedaan over de causaliteit
van bepaalde verbanden. Wel wordt nagegaan welke (combinaties van) variabelen de
deelaspecten van de wiskunde-attitude voorspellen. Met een ‘voorspeller’ of ‘verklarende
variabele’ bedoelen we hier een variabele die gedeeltelijk informatie bevat over een ‘te
voorspellen’ of ‘te verklaren’ deelaspect van de wiskunde-attitude.
14
I. Inleidend hoofdstuk
Binnen het bestek van deze masterproef worden ter verklaring van de verschillen in de
attitudecomponenten geen schoolvariabelen opgenomen. In een mogelijk vervolgonderzoek
zou ook de invloed van schoolvariabelen nagegaan kunnen worden.
15
I. Inleidend hoofdstuk
16
II. Methode
II. Methode
In wat volgt, staan we vooreerst stil bij de steekproeftrekking in TIMSS 2003 en de steekproef
in deze masterproef. Vervolgens worden de instrumenten die het toelieten relevante
informatie te verzamelen voor het onderzoek in deze masterproef toegelicht. Ten slotte wordt
de gevolgde werkwijze omschreven.
1. Steekproef
De doelpopulatie in deze masterproef omvat alle Vlaamse leerlingen van het tweede jaar
secundair onderwijs in de A-stroom. Al wordt gesproken over ‘Vlaanderen’, toch bedoelen we
hiermee de ‘Vlaamse Gemeenschap’. Nederlandstalige scholen uit Brussel werkten ook mee.
Onze steekproef betrof een deelgroep van de steekproef in het onderzoek TIMSS 2003. De
steekproef voor TIMSS 2003 werd op aanraden van het internationaal studiecentrum
getrokken door Statistics Canada. Om scholen minimaal te belasten, werden hierbij geen
scholen geselecteerd die op dat moment reeds deelnamen aan het PISA-onderzoek (Van
Damme, Valcke, De Corte, Brusselmans-Dehairs, & Van den Broeck, 2003).
Deze steekproef resulteerde voor Vlaanderen in een dataset van 5213 leerlingen, verdeeld
over 276 klassen en 148 scholen. In 128 scholen namen twee klassen deel. Hiervan waren in
109 scholen de twee klassen afkomstig uit de A-stroom. In 19 scholen waren de twee klassen
afkomstig uit de B-stroom. Van de twintig resterende scholen nam slechts één klas deel. Het
gaat om tien klassen van de A-stroom en tien klassen van de B-stroom.
Voor de A-stroom omvatte de steekproef 4519 leerlingen, verdeeld over 228 klassen en 119
scholen. Binnen deze groep was van 4354 leerlingen informatie beschikbaar over de wiskunde-
attitude. Deze groep van 4354 leerlingen binnen 228 klassen en 119 scholen vormde ook de
analysegroep voor deze masterproef. Meer informatie over het steekproefontwerp kan
nagelezen worden in het internationaal technisch rapport van TIMSS 2003 (Foy & Joncas,
2004).
De opname van een tweede klas per school creëerde voor Vlaanderen een alternatief
onderzoeksdesign dat voorgesteld wordt in Figuur 1. Het gaat om een geneste structuur
waarbij vier niveaus onderscheiden kunnen worden: Leerlingen binnen klassen, één of
meerdere klassen horende bij een leraar, en leraren binnen scholen. In deze masterproef werd
17
II. Methode
2. Meetinstrumenten
De meeste data in ons onderzoek werden verzameld via de vragenlijsten die werden
afgenomen bij leerlingen, leerkrachten en ouders. In wat volgt, worden de opgenomen
leerling- en klasvariabelen toegelicht die op basis van de resultaten van deze vragenlijsten
werden geconstrueerd. We selecteerden vooreerst de leerling- en klasvariabelen die ook
werden opgenomen in de analyse van de wiskunde-attitude in TIMSS 1999 en die opnieuw
werden bevraagd in de vragenlijsten van TIMSS 2003. Daarenboven namen we nog een aantal
variabelen op die niet in rekening werden gebracht in de analyse van TIMSS 1999 maar
waarvan we verwachtten dat ze samenhangen met de wiskunde-attitude.
We lichten telkens toe hoe de variabelen werden geconstrueerd en wat hun
verdelingskenmerken zijn. We geven ook steeds aan in welke databank de gegevens
opgenomen zijn, hoe ze werden gecodeerd en welke bewerkingen reeds werden uitgevoerd
voor de aanvang van deze masterproef. De gegevens die werden verzameld met het
internationale luik werden ingegeven in een internationale databank. De verzamelde gegevens
met het Vlaamse luik werden ingegeven in een Vlaamse databank. Enkel in de Vlaamse
18
II. Methode
databank werden op bepaalde data reeds bewerkingen uitgevoerd voor de aanvang van de
masterproef.
Ontbrekende gegevens werden gecodeerd met 9 of 9999. Zo nodig hercodeerden we deze
zodat alle ontbrekende gegevens gecodeerd zijn met 9999.
2.1 Leerlingvariabelen
Wat betreft de leerlingvariabelen kan een onderscheid gemaakt worden tussen de afhankelijke
variabele, met name de wiskunde-attitude, instroomkenmerken en andere leerlingvariabelen.
De vragen in de leerlingen- en oudervragenlijst, waarvan de resultaten deel uitmaakten van
ons onderzoek, worden weergegeven in respectievelijk Bijlage 1 en 2.
6
Voor zover ze al niet werden opgenomen in het internationale luik.
19
II. Methode
De items die peilen naar de wiskunde-attitude behelzen een breed domein. Om de data beter
te kunnen interpreteren werd, zoals reeds aangehaald, in een eerste stap van dit onderzoek
een principale componentenanalyse uitgevoerd op de gegevens. De werkwijze hiertoe wordt
besproken in paragraaf 3 van dit hoofdstuk. De verdelingskenmerken van de verschillende
attitudecomponenten worden weergegeven na de bespreking van de resultaten uit deze
principale componentenanalyse (cfr. Tabel 12).
2.1.2 Instroomkenmerken
a) Variabelen en constructie
Geslacht
Het geslacht werd bevraagd in de leerlingenvragenlijst (cfr. Vraag 2, Bijlage 1). De antwoorden
stonden bij aanvang van de masterproef ter beschikking in de Vlaamse databank. Meisjes
kregen code 1 en jongens code 2.
Intelligentie
Als indicator van het cognitief aanvangsniveau werd de variabele ‘intelligentie’ opgenomen. De
intelligentie werd gemeten met de Niet-Verbale Testbatterij voor het Lager Secundair
Onderwijs (Demeyer, 1999). Het doel van deze test is om numerieke en ruimtelijke
prestatiemogelijkheden van leerlingen uit het lager secundair onderwijs te meten. De test
bevat twee numerieke en twee ruimtelijke subtests (Van Damme et al., 2001):
20
II. Methode
Gezinssituatie
Wat betreft de gezinssituatie beschikten we over informatie met betrekking tot de thuistaal,
het leefcomfort thuis, het geboorteland en het opleidingsniveau van de ouders.
De thuistaal werd bevraagd in de leerlingenvragenlijst (cfr. Vraag 3, Bijlage 1). De Vlaamse
databank geeft de ruwe antwoorden weer. Om een index te berekenen van de thuistaal
hercodeerden we de antwoorden, waarbij een 1 staat voor bijna altijd of altijd Nederlands
praten thuis en een 0 staat voor soms of nooit Nederlands praten thuis.
Het leefcomfort thuis werd eveneens via de leerlingenvragenlijst bevraagd. Als indicator van
het leefcomfort werd net zoals in TIMSS 1999 gepeild naar de thuisbezittingen (cfr. Vraag 5,
Bijlage 1). De antwoorden werden gecodeerd met 1 indien de leerling ja antwoordde en 0
indien de leerling nee antwoordde. Deze gecodeerde data waren bij aanvang van de
masterproef beschikbaar in de internationale databank. Om een index van het leefcomfort te
berekenen, telden we het aantal ja-antwoorden op en deelden we deze som door het aantal
ingevulde antwoorden. Dit quotiënt vermenigvuldigden we met 100. De berekening werd
enkel uitgevoerd bij leerlingen die ten minste 10 van de 16 vragen beantwoordden. Andere
leerlingen werden als ontbrekend gescoord.
Verder werd de leerlingen gevraagd of zijzelf en hun ouders in België zijn geboren (cfr. Vragen
34 en 35, Bijlage 1). De antwoorden werden gecodeerd met 1 indien de leerling ja antwoordde
en 0 indien de leerling nee antwoordde. Deze gecodeerde antwoorden waren bij aanvang van
de masterproef beschikbaar in de Vlaamse databank. We hercodeerden deze gegevens
volgens drie categorieën. Indien de leerling in België is geboren, alsook zijn of haar ouders,
behoort deze tot de categorie ‘Belg’ en kreeg deze code 1. Indien de leerling niet in België is
geboren, behoort deze tot de categorie ‘allochtoon eerste generatie’ en kreeg deze code 2.
Indien de leerling zelf in België is geboren maar ten minste één van de ouders niet, dan werd
de leerling geïdentificeerd als ‘allochtoon tweede generatie’ en kreeg deze code 3. De
variabele werd in het onderzoek behandeld als categorische variabele.
21
II. Methode
b) Verdelingskenmerken
7
In dit onderzoek werd ook gebruik gemaakt van de databank TIMSS 2003.
22
II. Methode
Tabel 1
Aantallen en percentages van de categorische instroomkenmerken
N %
Tabel 2
Aantal, gemiddelde, feitelijk minimum en maximum en standaarddeviatie van de continue
instroomkenmerken
N Gemiddelde Minimum Maximum Standaarddeviatie
23
II. Methode
a) Variabelen en constructie
Optiegroep
In de A-stroom werden 13 verschillende optiegroepen bevraagd. Deze groepering was bij
aanvang van de masterproef beschikbaar in de Vlaamse databank. Analoog aan de analyses
van TIMSS 1999 categoriseerden we deze optiegroepen in Klassieke Talen, Moderne
Wetenschappen en Technisch gerichte basisopties (Van Damme et al., 2001).
Bijles wiskunde
De leerlingen werden gevraagd hoe vaak ze het afgelopen schooljaar bijles volgden voor het
vak wiskunde (cfr. Vraag 31a, Bijlage 1). De antwoordmogelijkheden waren ‘Elke of bijna elke
dag’, ‘Eén of twee keer per week’, ‘Soms’ en ‘Nooit of bijna nooit’. Bij aanvang van de
masterproef waren de gecodeerde antwoorden (resp. 1, 2, 3 en 4) beschikbaar in de
internationale databank. Om de interpretatie te vereenvoudigen, keerden we deze scores om
zodat een hoge score overeen komt met veel bijles en een lage score met weinig of geen bijles.
24
II. Methode
Welbevinden op school
Als indicator van het welbevinden op school werd de leerlingen gevraagd of ze graag op school
zijn (cfr. Vraag 28a, Bijlage 1). De antwoordmogelijkheden waren ‘Helemaal akkoord’,
‘Enigszins akkoord’, ‘Niet echt akkoord’ en ‘Helemaal niet akkoord’. De gecodeerde
antwoorden stonden bij aanvang van de masterproef ter beschikking in de internationale
databank (resp. 1, 2, 3 en 4). We draaiden deze scores om zodanig dat een hoge score
overeenkomt met een hoog welbevinden op school en een lage score met een laag
welbevinden op school.
Met de schaal ‘activering’ werd gepeild naar de mate waarin de leerlingen ervaren dat de
leerkracht de leerlingen aanzet tot actief nadenken of handelen. De mate waarin de leerlingen
ervaren dat de leerkracht de kans geeft te overleggen met medeleerlingen werd nagegaan met
de schaal ‘interactie’. In hoeverre de leerlingen ervaren dat de leerkracht informatie naar hen
terugkoppelt werd gemeten met de schaal ‘feedback’. Naar de mate waarin de leerlingen
ervaren dat de leerkracht realistische of authentieke voorbeelden of situaties schetst tijdens
de les wiskunde, werd gepeild met de schaal ‘authenticiteit’. Met de schaal ‘duidelijkheid’ ten
25
II. Methode
slotte, werd de mate waarin leerlingen ervaren dat de leerkracht op een heldere of duidelijke
manier les geeft gemeten.
De leerkrachten kregen eveneens een aantal items voorgelegd die peilen naar de
leeromgeving. Dezelfde items werden ook bevraagd in de leerlingenvragenlijst en staan
verspreid in de verschillende schalen die reeds aan bod kwamen. Die items vormden samen
nog een zesde schaal, zodat een expliciete vergelijking kon worden gemaakt met de analoge
schaal in de leerkrachtenvragenlijst. De schaal werd ‘constructivisme’ genoemd en peilt naar
de mate waarin de leerlingen de leeromgeving ervaren in termen van constructivistische
principes. De bijbehorende items worden eveneens weergegeven in Bijlage 3.
Voor elke leerling werd per schaal een schaalscore berekend. Deze schaalscores stonden bij
aanvang van de masterproef ter beschikking in de Vlaamse databank. De Cronbach Alpha, als
maat voor de interne consistentie van de items binnen elke schaal, bedraagt voor de schalen
‘activering’, ‘interactie’, ‘feedback’, ‘authenticiteit’, ‘duidelijkheid’ en ‘constructivisme’
respectievelijk 0.76, 0.74, 0.70, 0.74, 0.82 en 0.73. In de literatuur wordt een Cronbach alpha
die hoger is dan 0.70 beschouwd als een goed betrouwbare schaal (Mortelmans & Dehertogh,
2008). De opgenomen schalen in ons onderzoek die peilen naar de ervaring van de
leeromgeving zijn dus alle zes goed betrouwbare schalen (Schelfhout et al., 2006).
b) Verdelingskenmerken
Tabel 3
Aantal en percentage per optiegroep
N %
26
II. Methode
Tabel 4
Aantal, gemiddelde, feitelijk minimum en maximum en standaarddeviatie van de continue
leerlingvariabelen
2.2 Klaskenmerken
Om na te gaan of en hoe klassen ervoor zorgen dat leerlingen verschillen qua wiskunde-
attitude, onderzochten we in deze masterproef welke klaskenmerken potentiële verschillen in
de deelaspecten van de wiskunde-attitude kunnen verklaren. Daartoe werden de gemiddelde
intelligentiescore van de klas en twee groepen van klasvariabelen opgenomen. De eerste
groep kan geplaatst worden onder de noemer ‘klasklimaat’. De tweede groep omvat
variabelen met betrekking tot het onderwijs en de begeleiding van leerlingen.
27
II. Methode
Tabel 5
Aantal klassen, gemiddelde, feitelijk minimum en maximum en standaarddeviatie van de gemiddelde
intelligentiescore per klas
De opgenomen indicatoren van het klasklimaat hebben betrekking op de mate waarin de klas
rustig is, de mate waarin de klas studiegericht is en de hinder die de leerkracht ondervindt
tijdens het lesgeven. Deze variabelen werden ook opgenomen in de analyse van de wiskunde-
attitude in TIMSS 1999, met dat verschil dat de ervaren hinder in ons onderzoek wordt
opgedeeld in de ervaren hinder veroorzaakt door leerlingkenmerken en de ervaren hinder
veroorzaakt door een gebrek aan materiaal.
a) Variabelen en constructie
28
II. Methode
b) Verdelingskenmerken
Tabel 6
Aantal klassen, gemiddelde, feitelijk minimum en maximum en standaarddeviatie van de indicatoren
van het klasklimaat
N Gemiddelde Minimum Maximum Standaarddeviatie
Rustige klas 220 0.08 -2.42 2.05 0.95
Studiegerichte klas 220 0.14 -2.34 2.56 1.00
Hinder leerlingen 220 15.02 6.00 28.00 3.80
Hinder materiaal 216 16.31 8.00 32.00 4.78
29
II. Methode
a) Variabelen en constructie
Mate waarin de leerlingen van de klas het onderwijs als constructivistisch ervaren
Per klas van de A-stroom berekenden we de gemiddelde score van de leerlingen op de schaal
‘constructivisme’. De gemiddelde score werd alleen berekend op basis van de leerlingen met
een geldige score op deze schaal.
Mate waarin de leerkracht zelf aangeeft dat zijn/haar onderwijs beantwoordt aan
constructivistische principes
In het Vlaamse luik van de leerkrachtenvragenlijst werd gepeild naar de perceptie van de
leeromgeving door de leerkracht, al dan niet beantwoordend aan constructivistische principes
(cfr. Vraag 44, Bijlage 4). In 2005 werd op deze data reeds een PCA uitgevoerd met één
component (CO&E, 2008). Er werd daarbij per leerkracht één score berekend. Bij de
berekening van de scores werd een ontbrekende waarde vervangen door het gemiddelde.
Deze scores waren bij aanvang van de masterproef beschikbaar in de Vlaamse databank. De
Cronbach Alpha van de schaal bedraagt 0.74, wat duidt op een goed betrouwbare schaal.
30
II. Methode
we één score door de som van de waarden van de beantwoorde items te delen door het aantal
beantwoorde items. Daarna vermenigvuldigden we deze waarde met 4. Dit gebeurde enkel
voor leerkrachten die minstens drie van de vier items beantwoordden.
b) Verdelingskenmerken
Tabel 7
Aantal klassen, gemiddelde, feitelijk minimum en maximum en standaarddeviatie van de onderwijs- en
begeleidingskenmerken
N Gemiddelde Minimum Maximum Standaarddeviatie
8
Constructivisme_klas 228 0.00 -0.69 0.84 0.28
Constructivisme_lkr 220 0.00 -2.63 2.88 1.04
Samenwerking en overleg 221 6.32 4.00 11.00 1.53
Bespreking fouten 193 4.55 2.50 5.00 0.50
Onderwijservaring 219 19.93 0.00 43.00 10.72
8
De verdelingskenmerken verschillen in die mate van de verdelingskenmerken in Tabel 4 daar de gemiddelde
klasscore werd berekend nadat de score van elke leerling gecentreerd werd rond het algemeen gemiddelde.
31
II. Methode
3. Werkwijze
In de laatste paragraaf van dit hoofdstuk bespreken we vooreerst de verschillende fasen in het
verrichte analysewerk. Daarna wordt ingegaan op het belang van aandacht voor ontbrekende
gegevens en hoe daarmee werd omgegaan. Ten slotte wordt een overzicht gegeven van de
gebruikte software.
De verschillende fasen in het analysewerk sluiten aan bij onze drie onderzoeksvragen.
Vooreerst werd via een principale componentenanalyse gezocht naar onderliggende
componenten in de verzamelde data met betrekking tot de wiskunde-attitude. Vervolgens
werd de grootte-orde bepaald van klas- en schooleffecten in de wiskunde-attitude op het
einde van het tweede leerjaar van de A-stroom. Ten slotte werd ter beantwoording van de
derde onderzoeksvraag gezocht naar de effecten van leerling- en klasvariabelen op
deelaspecten van de wiskunde-attitude.
De PCA resulteerde in vier componenten. Voor elke component werd vervolgens voor elke
leerling via de regressiemethode in SPSS een schaalscore berekend. De scores kregen via deze
methode een gemiddelde van 0 en een variantie die gelijk is aan de gekwadrateerde multiple
correlatie tussen de berekende schaalscores en de ladingen in het model (Mortelmans &
Dehertogh, 2008).
32
II. Methode
De scores van de leerlingen op de vier attitudeschalen werden in het vervolg van het
onderzoek als vier afzonderlijke afhankelijke variabelen behandeld.
In de laatste fase van het analysewerk werden, ter verklaring van de variantie in elke
attitudeschaal, verschillende leerling- en klasvariabelen opgenomen. Er werd geopteerd voor
vier afzonderlijke univariate multilevelanalyses, namelijk een per afhankelijke variabele. Een
multivariate multilevelanalyse, waarbij meerdere afhankelijke variabelen samen worden
opgenomen in één model, was een andere mogelijkheid. Omdat dergelijk model echter veel
complexiteit met zich meebrengt, werd hier niet voor gekozen en werden de vier
attitudecomponenten afzonderlijk geanalyseerd (Snijders & Bosker, 1999).
33
II. Methode
Na een duiding van het centreren van de variabelen geven we in wat volgt een beschrijving van
de modelopbouw. Vervolgens wordt een overzicht gegeven van de gehanteerde
significantietoetsen en wordt ingegaan op het onderscheidingsvermogen van de toetsen.
a) Centreren
b) Modelopbouw
Verschillende auteurs wijzen op het belang van een descriptieve analyse alvorens een
multilevelanalyse door te voeren (Snijders & Bosker, 1999; Van den Noortgate et al., 2004a).
Daarom werden de data, voorafgaand aan de multilevelanalyses, geëxploreerd op hun
onderlinge samenhang. De samenhang tussen intervalvariabelen werd verkend via een
correlatiematrix. De invloed van categorische variabelen werd onderzocht via
multiniveaumodellen, waarbij categorische variabelen beurtelings werden opgenomen ter
verklaring van de variantie in de intervalvariabelen.
Voor het uitvoeren van de multilevelanalyses volgden we een opwaartse modelopbouw naar
de stappen van Snijders en Bosker (1999, p. 94-96). Daarbij worden eerst leerlingvariabelen en
vervolgens klasvariabelen opgenomen. We lichten deze werkwijze in wat volgt kort toe en
concretiseren het verloop in ons onderzoek.
Multilevelanalyses op leerlingniveau
De eerste stap in een opwaartse modelopbouw betreft de opname van onafhankelijke
variabelen op het eerste niveau. In ons onderzoek werd hiertoe eerst een model opgebouwd
met enkel instroomkenmerken en werden daarna ook andere verklarende leerlingvariabelen
34
II. Methode
opgenomen 9. De volgorde waarin de variabelen werden opgenomen werd bepaald door het
verschil in deviantie tussen het nulmodel en het model met de variabele als enige predictor.
Snijders en Bosker (1999, p. 88) omschrijven de deviantie als “the lack of fit between model
and data”. De deviantie is dus een indicatie van de mate waarin het model afwijkt van de
eigenlijke gegevens. De variabele die na toevoeging aan het nulmodel de meeste deviantie
reduceerde, werd eerst opgenomen, enzovoort.
Verder werd nagegaan of de helling van bepaalde onafhankelijke variabelen significant varieert
op klas- en/of schoolniveau in het model met de variabele als enige predictor.
Ook mogelijke interacties tussen leerlingvariabelen werden geëxploreerd. Er werd gezocht
naar mogelijke interactie-effecten tussen de vier categorische variabelen (optiegroep,
geboorteland, geslacht en thuistaal) en andere leerlingvariabelen. Dat er bij een grote
hoeveelheid aan variabelen een selectie gemaakt moet worden in de exploratie van mogelijke
interactie-effecten, is haast onvermijdelijk. Om de omvang van de exploratie naar interactie-
effecten in deze masterproef beperkt te houden, selecteerden we, analoog aan de analyse van
TIMSS 1999 (Van Damme et al., 2001), vooreerst de variabelen met een significante coëfficiënt
in het multilevelmodel waarin alle leerlingvariabelen zijn opgenomen. Ten tweede
exploreerden we enkel interactie-effecten met categorische variabelen die de scores van de
geselecteerde continue variabelen significant voorspellen.
Enkel de onafhankelijke variabelen met een significante gemiddelde helling of een significante
variatie in de helling werden behouden.
Multilevelanalyses op klasniveau
In de volgende stap werd per attitudecomponent een model opgebouwd met klasvariabelen.
Dit gebeurde in eerste instantie zonder de opname van leerlingvariabelen. De bedoeling van
deze analyses was immers om een preselectie te maken van verklarende variabelen op
klasniveau, om vervolgens een model op te bouwen met de geselecteerde leerling- en
klasvariabelen tezamen. Enkel de verklarende klasvariabelen met een significant gemiddelde
helling werden in deze preselectie behouden. De volgorde waarin de variabelen werden
opgenomen werd ook hier bepaald door het verschil in deviantie tussen het nulmodel en het
model met de variabele als enige predictor.
9
Een onderscheid tussen instroomkenmerken en andere verklarende leerlingvariabelen wordt ook gemaakt in
onder andere Van Damme et al. (2001) en Van de gaer, Van Damme en De Munter (2002).
35
II. Methode
c) Significantietoetsen
Bij elke multilevelvergelijking die in ons onderzoek werd gemodelleerd, werd voor elke
verklarende variabele telkens een vaste coëfficiënt geschat. Deze coëfficiënten kunnen
geïnterpreteerd worden als de toename in de afhankelijke variabele, met name de score op de
desbetreffende attitudeschaal, wanneer de verklarende variabele met een eenheid toeneemt
(Van den Noortgate et al., 2004a). Deze vaste parameters werden getoetst met een
tweezijdige Waldtoets. Hierbij wordt de verhouding van de parameterschatting ten opzichte
van de standaardfout vergeleken met een standaardnormale verdeling. Verder werden in deze
modellen ook steeds schattingen van de variantie berekend. Deze parameters werden getoetst
met een eenzijdige Waldtoets (Snijders & Bosker, 1999).
Om twee geneste modellen 10 te vergelijken werd gebruik gemaakt van een ‘likelihood ratio
test’. Deze test vergelijkt de ‘-2 Log Likelihood’ of ‘deviantie’ van twee geneste modellen om
statistisch te toetsen welk van de twee modellen beter bij de data aansluit. Het verschil in
deviantie volgt een 𝜒𝜒 2 - verdeling met als aantal vrijheidsgraden het verschil tussen het aantal
geschatte parameters in de beide modellen (Pustjens et al., 2004). Deze test werd gebruikt bij
het vergelijken van modellen voor en na de opname van een of meerdere onafhankelijke
variabelen. Ook voor het toetsen van random hellingen werd de deviantietoets toegepast. Het
10
Met twee geneste modellen bedoelen we twee modellen waarvan men het ene bekomt door in het andere
model parameters gelijk te stellen aan nul (Van den Noortgate et al., 2004).
36
II. Methode
verschil in deviantie tussen een model met vaste helling en een model met random helling
werd daarbij eenzijdig 11 getoetst.
Interacties tussen variabelen werden getoetst met een gezamenlijke chi-kwadraat toets
(Rasbash, Steele, Browne, & Goldstein, 2009).
d) Onderscheidingsvermogen
Het onderscheidingsvermogen van een statistische toets (in het Engels ‘Power of a test’) is de
kans om een foutieve nulhypothese te verwerpen (Van den Noortgate et al., 2004a). Wanneer
bijvoorbeeld een Waldtoets wordt uitgevoerd, wordt de nulhypothese verworpen wanneer de
verhouding de kritische waarde overschrijdt. Het onderscheidingsvermogen kan dus
geïnterpreteerd worden als de kans dat de kritische waarde bij een toets wordt overschreden.
Deze kans hangt af van de steekproefgrootte, het gehanteerde significantieniveau en de ware
populatieparameter. Vooreerst blijkt dat naarmate de steekproef groter wordt, de gevonden
standaardfout kleiner wordt. Een kleine standaardfout heeft tot gevolg dat de verhouding van
de parameterschatting ten opzichte van de standaardfout groter wordt en de kans dat de
kritische waarde wordt overschreden (het onderscheidingsvermogen) dus stijgt. Ten tweede
hangt het onderscheidingsvermogen samen met het gehanteerde significantieniveau. Hoe
kleiner de gekozen alpha-waarde, hoe extremer de kritische waarden worden en hoe kleiner
de kans wordt dat deze kritische waarden worden overschreden. Een strenger
significantieniveau brengt dus een kleiner onderscheidingsvermogen met zich mee. Het
onderscheidingsvermogen hangt ten slotte ook samen met de ware populatieparameter. Hoe
sterker de populatieparameter verschilt van nul, hoe groter de kans is dat de schatting van
deze parameter ook relatief sterk verschilt van nul, en hoe groter de kans dus is dat de
kritische waarde wordt overschreden (Van den Noortgate et al., 2004a).
De ware populatieparameter ligt doorgaans niet in onze handen. We kunnen enkel vat krijgen
op het onderscheidingsvermogen via de steekproefgrootte en het significantieniveau. In deze
masterproef ging het echter om een geneste structuur met drie steekproefgroottes, namelijk
scholen, klassen en leerlingen. Hierbij stelde zich de vraag met welke steekproefgrootte
rekening gehouden moest worden bij het bepalen van het gewenste significantieniveau en
onderscheidingsvermogen. Snijders (2005) schrijft in dit verband dat “a primary qualitative
11
Het gaat immers om varianties die per definitie niet negatief zijn. De p-waarde wordt daarom gehalveerd
(Snijders & Bosker, 1999, p. 90).
37
II. Methode
issue is that, for testing the effect of a level-one variabele, the level-one sample size is of main
importance; for testing the effect of a level-two variable it is the level-two sample size; etc” (p.
1571). Omwille van de verschillende steekproefgrootte op leerling- en klasniveau werd op
basis hiervan geopteerd voor een verschillend significantieniveau voor het toetsen van
12
geschatte coëfficiënten van leerling- en klasvariabelen . De dataset waarop de
multilevelanalyses werden doorgevoerd, bevatte de gegevens van 4354 leerlingen. Daar we
dus over veel informatie beschikten over de leerlingvariabelen (grote steekproef) hanteerden
we een streng criterium, op het 0.1% significantieniveau (𝛼𝛼 = .001). Hiermee wilden we
beletten dat kleine effecten onterecht door de toets geraakten en een nulhypothese dus
onterecht zou worden verworpen (Type-I error). Gezien de grote steekproef konden we
veronderstellen dat dit het onderscheidingsniveau niet zou aantasten. De producttermen van
cross-level interactie-effecten werden eveneens getoetst op het 0.1% significantieniveau. Deze
termen variëren immers binnen klassen en zijn technisch gezien dus ook leerlingvariabelen. Bij
het toepassen van de tweezijdige Waldtoets op het 0.1% niveau moet de verhouding de
kritische waarde van -3.29 of 3.29 overschrijden om significant te worden bevonden. Bij een
eenzijdige toets moet de verhouding daartoe de kritische waarde van -3.09 of 3.09
overschrijden.
De steekproef van klassen bevatte minder observaties (N=228). De coëfficiënten horende bij
klasvariabelen werden daarom minder streng getoetst, op het 1% significantieniveau (𝛼𝛼 = .01).
Met een minder streng significantieniveau wilden we beletten dat we een valse nulhypothese
onterecht niet zouden verwerpen (Type-II error). De verhouding moet met een tweezijdige
Waldtoets in dit geval de kritische waarde van -2.58 of 2.58 overschrijden om significant te
zijn. Bij een eenzijdige toets moet de verhouding daartoe de kritische waarde van -2.33 of 2.33
overschrijden.
Bij de verkenning van de leerling- en klasvariabelen door middel van correlatiematrices, werd
een criterium van 𝛼𝛼 = .01 gehanteerd. De correlatiematrices dienden louter ter exploratie van
de gegevens, waarbij een grotere Type-I error aanvaardbaar werd geacht.
12
Aangezien er geen coëfficiënten van schoolvariabelen werden geschat in dit onderzoek, werd ook geen
significantieniveau bepaald voor het toetsen van deze coëfficiënten.
38
II. Methode
Wanneer gegevens van leerlingen met ontbrekende waarden systematisch verschillen van
gegevens van leerlingen zonder ontbrekende waarden, kunnen de resultaten vertekend zijn.
Bovendien verkleinen ontbrekende waarden de nauwkeurigheid van de berekende statistieken
omdat er minder informatie beschikbaar is dan verwacht. Verschillende statistische
procedures veronderstellen bovendien meestal volledige data, en ontbrekende waarden
compliceren de vereiste theorie (SPSS inc., 2009). Het is dus belangrijk rekening te houden met
ontbrekende data en de meest adequate technieken toe te passen.
Afhankelijk van de aard van de ontbrekende gegevens, kunnen andere technieken toegepast
worden. Globaal kunnen drie strategieën worden onderscheiden, met name ‘schrappen’,
‘inschatten’ en ‘modelleren’. Schrappen veronderstelt MCAR en kan in de vorm van ‘listwise
deletion’ of ‘pairwise deletion’. Bij de eerste techniek wordt een persoon die bij een van de
variabelen een ontbrekende waarde heeft, geheel uit de analyse weggelaten. Bij de andere
techniek, ‘pairwise deletion’, wordt de persoon alleen weggelaten bij die berekeningen waarbij
de variabele met de ontbrekende waarde betrokken is. Bij alle andere variabelen wordt de
persoon wel in rekening genomen (Hox, 1998). Uit een onderzoek van Roth (1994, in Enders,
2001) blijkt dat ‘listwise deletion’ en ‘pairwise deletion’ de meest gebruikte technieken zijn.
Hoewel deze technieken aantrekkelijk zijn omwille van hun eenvoud, is echter bekend dat ze
niet erg efficiënt zijn. In analyses met veel variabelen wordt het aantal geanalyseerde cases
namelijk erg klein bij ‘listwise deletion’ en kunnen resultaten behoorlijk vertekend zijn in geval
men ‘pairwise deletion’ toepast (Huisman, 2007).
39
II. Methode
Bij het uitvoeren van multilevelanalyses in deze masterproef werd telkens met ontbrekende
gegevens omgegaan via het IGLS-schattingsalgoritme in MLwiN, waarbij parameterschattingen
berekend worden via de methode van de maximale aannemelijkheid (Snijders, 2005). In de
rapportering van de resultaten in het derde hoofdstuk van deze masterproef wordt zo nodig
ook aangegeven op welke manier er met ontbrekende gegevens werd omgegaan in de
analyses die niet in MLwiN werden uitgevoerd.
40
II. Methode
3.3 Software
De matching van variabelen gebeurde in Microsoft Office Excel 2007 met behulp van de DigDB
Add-in Toolkit. De principale componentenanalyses en de berekening van correlaties tussen
variabelen werden uitgevoerd in SPSS 17. De eigenlijke multilevelanalyses gebeurden in het
programma MLwiN 2.13. Er werd daarbij gebruik gemaakt van het ‘Iterative Generalized Least
Squared’ (IGLS) algoritme. Dit is een iteratief algoritme waarbij in elke iteratie schattingen van
de parameters uit de vorige iteratie gebruikt worden om nieuwe en betere schattingen te
bekomen (Van den Noortgate et al., 2004a).
41
II. Methode
42
III. Resultaten
III. Resultaten
In dit eerste luik wordt gerapporteerd over de resultaten van een principale
componentenanalyse ter beantwoording van onze eerste onderzoeksvraag:
1.1 Onderzoeksgroep
Voor de principale componentenanalyse (PCA) maken we gebruik van de gegevens van alle
leerlingen van de A-stroom. Dit brengt de onderzoeksgroep voor de PCA op 4354 leerlingen.
Alvorens de PCA door te voeren, draaien we de scores van negatief geformuleerde items om,
zodat een hogere score telkens een indicatie is van een positievere attitude.
Voor een goede analyse is het noodzakelijk dat er een samenhang bestaat tussen de items. Die
samenhang kan afgelezen worden in de correlatiematrix in Bijlage 5. Indien alle correlaties in
de matrix lager zijn dan 0.30, moeten we kritisch worden ten aanzien van de mogelijkheid om
zinvolle componenten te vinden in de groep variabelen (Mortelmans & Dehertogh, 2008). In
43
III. Resultaten
onze data doen zich geen problemen voor. Bijna alle correlaties zijn hoog en significant
wanneer ze tweezijdig getoetst worden 13.
Het idee achter partiële correlaties is dat die gecorrigeerd zijn voor de invloed van andere
variabelen. Als de partiële correlaties sterk dalen in vergelijking met de bivariate correlaties in
de correlatiematrix, is er indicatie dat er veel gemeenschappelijk is met die andere variabelen.
Dan is er een aanwijzing dat er latente componenten aanwezig zijn en een principale
componentenanalyse een goed model kan opleveren (Mortelmans & Dehertogh, 2008). In
SPSS kunnen de partiële correlaties afgelezen worden in de anti-image matrix. Deze wordt
weergegeven in Bijlage 6. De absolute waarden van de elementen onder de diagonaal moeten
zo klein mogelijk zijn. Hoge waarden op een volledige rij duiden op variabelen die niet in de
principale componentenanalyse thuis horen. Bij het doornemen van Bijlage 6, doen zich geen
problemen voor.
De aanwezigheid van de componenten kan voorts ook afgelezen worden via de KMO-maat
(Kaiser-Meyer-Olkin criterium). Deze maat vergelijkt de som van de partiële correlaties met de
som van de bivariate correlaties. Hoge waarden duiden op een grotere achterliggende
gemeenschappelijke variantie en zijn een argument voor het uitvoeren van een principale
componentenanalyse. Een absolute ondergrens is 0.50 (Mortelmans & Dehertogh, 2008). In
onze data vinden we een KMO-maat van 0.954, wat een principale componentenanalyse zeker
rechtvaardigt. Ook de MSA-waarden (Measure of Sampling Adequacy), die aangeven hoe sterk
13
Zoals aangehaald in het vorige hoofdstuk, hanteren we bij de verkenning van data via correlatiematrices een
significantiecriterium op 1% significantieniveau (α=0.01).
44
III. Resultaten
één item gecorreleerd is met de andere items, zijn hoog (cfr. Bijlage 6). Elk item is dus geschikt
om op te nemen in de principale componentenanalyse.
Een volgende stap betreft het bepalen van het meest geschikt aantal componenten. Er bestaan
verschillende criteria die hierbij kunnen helpen (De Boeck, 2005). Een eerste is het Kaiser-
criterium. Dit criterium houdt in dat enkel de componenten met een eigenwaarde van
minimum 1 worden weerhouden. Bij gestandaardiseerde variabelen voegt elke extra
component namelijk een variantie van 1 toe. Componenten met een eigenwaarde die kleiner is
dan 1 verklaren dus minder variantie dan ze zelf toevoegen. Een tweede hulpcriterium is het
bepalen van het aantal componenten op basis van een zogenaamde ‘scree plot’. Dit is een
grafiek die de hoeveelheid variantie weergeeft die verklaard wordt door de verschillende
componenten. Hierbij wordt gekeken waar de zogenaamde 'elleboog' van de eigenwaarden
zich voordoet. Dit is het punt waarop de richtingcoëfficiënt van de lijn door de eigenwaarden
een knik vertoont (Howitt & Cramer, 2004). Een derde criterium betreft het aantal substantiële
ladingen van de items op een component. Als een component niet voor krachtige, degelijke
ladingen zorgt, dan draagt hij niet echt bij tot het verklaren van minstens sommige items. Een
laatste criterium is de interpreteerbaarheid van een component. Wanneer op basis van de
items die hoog laden op de component, geen eenduidige interpretatie mogelijk is, kan het
gaan om artefacten of om een toevallige cumulatie van fouten in een bepaalde richting (De
Boeck, 2005).
Voor het vinden van het meest geschikt aantal componenten, bekijken we vooreerst het
aangewezen aantal componenten op basis van het Kaiser-criterium en vervolgens op basis van
de ‘scree-plot’.
45
III. Resultaten
Er wordt een PCA opgevraagd met Varimaxrotatie 14 en op basis van het Kaiser-criterium. In
Bijlage 7 wordt de output van deze PCA weergegeven. De eerste tabel bevat de
communaliteiten. In de eerste kolom van deze tabel (Initial) wordt aangegeven hoeveel
additionele variantie wordt toegevoegd door een component toe te voegen (Howitt & Cramer,
2004). Omdat het hier gaat om gestandaardiseerde variabelen, voegt elke extra component
een variantie van 1 toe. In de tweede kolom (Extraction) staat het aandeel van de variantie dat
wordt verklaard door de overblijvende componenten nadat er een extractie is doorgevoerd op
basis van het Kaiser-criterium. In de tweede tabel wordt de totale verklaarde variantie door de
verschillende componenten weergegeven (eigenvalues). Bij de initiële eigenwaarden zien we
dat er 33 componenten berekend worden (één per item) en dat initieel de volledige variantie
verklaard wordt. Onderaan de kolom ‘Cumulative %’ staat immers dat er 100% van de
variantie wordt verklaard. In het rechter deel van de tabel zien we dat er op basis van het
Kaiser-criterium zes componenten worden weerhouden.
14
Varimaxrotatie verandert niets aan de oplossing, maar wijst combinaties van de oorspronkelijke factoren als
nieuwe factoren aan. Het draaien van de matrix kan zo gedaan worden dat correlaties tussen variabelen die in de
oorspronkelijke matrix van factorladingen laag zijn, nog lager worden, en de correlaties tussen factorladingen die
hoog zijn, stijgen (Howitt & Cramer. 2004).
46
III. Resultaten
componentenanalyses, met een verschillend aantal componenten. Hierbij starten we met een
PCA op basis van het Kaiser-criterium. We vragen zo nodig nieuwe principale
componentenanalyses op, met de restrictie telkens een component minder te weerhouden (in
de richting van het aangewezen aantal in de ‘scree-plot’), tot we een goed interpreteerbare
structuur vinden.
Vooreerst bekijken we de uitkomst van de PCA op basis van het Kaiser-criterium, en dus met
zes componenten in de uitkomst. Op basis van de geroteerde componentenmatrix kan voor elk
item worden bepaald op welke component ze het hoogste laadt. Dit wordt weergegeven in de
laatste tabel in Bijlage 7. Hoewel alle items hoog laden op één van de zes componenten, zijn de
componenten moeilijk interpreteerbaar. Daarom wordt een nieuwe analyse met Varimax-
rotatie opgevraagd, met de restrictie om vijf componenten te weerhouden. De output wordt
weergegeven in Bijlage 8. De PCA met vijf componenten creëert opnieuw een moeilijk
interpreteerbare structuur. Een model met vier componenten is beter interpreteerbaar. Deze
geeft een bruikbare oplossing met een goed interpreteerbare structuur. De output wordt
weergegeven in Bijlage 9.
In wat volgt interpreteren en benoemen we de vier componenten op basis van de items die er
hoog op laden.
In Tabel 8 worden de items weergegeven die het hoogste laden op de eerste component. Op
basis hiervan kan de schaal geïnterpreteerd worden als het academisch zelfconcept van de
leerling met betrekking tot het vak wiskunde. In de literatuur wordt dit concept vaak
omschreven als het gevoel dat een leerling heeft om leertaken (m.b.t. wiskunde) aan te
kunnen (Van Damme et al., 1997). De items die hoog laden op de tweede component, worden
weergegeven in Tabel 9. Ze peilen allen naar het plezier dat de leerling al dan niet beleeft aan
wiskunde. In Tabel 10 worden de items weergegeven die het hoogste laden op de derde
component. Deze component bevat items die peilen naar de mate waarin de leerling wiskunde
belangrijk vindt. We noemen de schaal ‘ervaren relevantie van wiskunde’. Item 9c laadt het
hoogst op de vierde component (0.39) maar sluit inhoudelijk beter aan bij deze derde
component. Daar de lading nauwelijks verschilt, nemen we het item op in de schaal ‘ervaren
relevantie van wiskunde’.
47
III. Resultaten
Tabel 8
Component 1: academisch zelfconcept m.b.t. Wiskunde
36 m) Niemand kan voor elk vak even goed zijn; ik ben voor wiskunde niet erg begaafd .79
36 a) Op de één of andere manier kan ik die wiskunde maar niet onder de knie krijgen .77
8 c) Wiskunde lijkt voor mij veel moeilijker dan voor velen van mijn klasgenoten .72
9 d) Ik zou later graag een beroep uitoefenen waar veel wiskunde komt bij kijken .51
8 e) Als ik in de les wiskunde iets niet van bij het begin door heb. dan weet ik dat ik .41
het nooit echt goed zal begrijpen
Tabel 9
Component 2: plezier in wiskunde
36 c) Vooral bij wiskunde ben ik blij als het lesuur voorbij is .73
Het item dat het laagste laadt op de derde component is 36u. Inhoudelijk past het item ook
niet goed bij de schaal. Het peilt niet naar de mate waarin de leerling wiskunde als relevant
ervaart. Het item past evenmin bij een andere schaal en wordt daarom verwijderd voor
verdere analyses.
48
III. Resultaten
Tabel 10
36 n) Het grootste gedeelte van wiskunde kun je later goed gebruiken .74
9 a) Ik denk dat het leren van wiskunde mij zal helpen in mijn dagelijkse leven .68
36 p) Bij veel dingen die je iedere dag tegenkomt. heb je wat aan wiskunde .63
9 e) Ik moet goede resultaten behalen voor wiskunde om het beroep van mijn keuze .42
te kunnen uitoefenen
9 c) Ik moet goede resultaten behalen voor wiskunde om de studierichting van mijn .37
keuze te volgen
36 u) Om op school goede resultaten te behalen voor wiskunde moet je geluk hebben .32
Tabel 11
36 r) Ik moet goede resultaten behalen in wiskunde om mijn ouders tevreden te stellen .71
36 o) Mijn ouders moedigen mij aan om voor wiskunde goed mijn best te doen .61
36 t) Mijn ouders vragen mij vaak naar wat ik tijdens de wiskundeles heb geleerd .43
9 c) Ik moet goede resultaten behalen voor wiskunde om de studierichting van mijn .39
keuze te volgen
36 e) Mijn leraar moedigt mij aan goed mijn best te doen voor wiskunde .32
49
III. Resultaten
De resultaten worden weergegeven in Bijlage 10. De Cronbach alpha bedraagt voor de vier
componenten respectievelijk 0.92, 0.93, 0.83 en 0.63. De schaal ‘gepercipieerde externe
aanmoediging’ scoort eerder laag wat betreft de interne consistentie. Bij verdere analyses
zullen we indachtig zijn dat deze schaal minder betrouwbaar is.
Zoals blijkt in Bijlage 10, stijgt de Cronbach alpha indien item 36u wordt weggelaten (van 0.81
naar 0.83). De lading van dit item op de schaal ‘ervaren relevantie van wiskunde’, is ook
betrekkelijk laag (0.32). De keuze om het item te weren voor verder analyses wordt hiermee
nogmaals gerechtvaardigd.
Voor elke leerling van de A-stroom worden vier schaalscores berekend. Vooraleer dit proces
door te voeren, worden de data vervolledigd. Aangezien de vier attitudeschalen focus zijn van
ons onderzoek, is het wenselijk bij de multilevelanalyses met een volledige dataset
betreffende de wiskunde-attitude aan de slag te gaan. In analyses met veel verklarende
variabelen, zoals in ons onderzoek, wordt het aantal cases namelijk erg klein bij ‘pairwise’ of
‘listwise deletion’ (Huisman, 2007). Een vervollediging van de data is mogelijk met het
Expectation Maximization algoritme in SPSS. Dit algoritme voorspelt een ontbrekende waarde
op basis van alle andere data die wel in de dataset aanwezig zijn (SPSS Inc., 2009). In Bijlage 11
wordt per item weergegeven hoeveel waarden ontbreken en hoeveel waarden dus worden
ingeschat. Dit varieert van 0.2 tot 1.5% per item. De schaalscores worden op basis van de
geïmputeerde dataset berekend via de regressiemethode in SPSS. Het gemiddelde van elke
schaal is hiermee gelijk aan 0 en de standaarddeviatie aan 1. Een overzicht van de
50
III. Resultaten
verdelingskenmerken wordt weergegeven in Tabel 12. De afkortingen, die ook in het vervolg
van deze masterproef worden gebruikt, staan voor de responsvariabelen: ‘academisch
zelfconcept met betrekking tot wiskunde’ (AZC), ‘plezier in wiskunde’ (PIW), ‘ervaren
relevantie van wiskunde’ (ERW) en ‘gepercipieerde externe aanmoediging’ (EA).
Tabel 12
Aantal, gemiddelde, feitelijk minimum en maximum en standaarddeviatie van de vier attitudeschalen
N Gemiddelde Minimum Maximum Standaarddeviatie
AZC 4354 0.00 -2.83 2.72 1
PIW 4354 0.00 -3.16 2.83 1
ERW 4354 0.00 -4.05 2.61 1
EA 4354 0.00 -3.93 2.86 1
1.7 Besluit
51
III. Resultaten
Ter beantwoording van deze onderzoeksvraag berekenen we voor elke attitudeschaal een
nulmodel. In dit model worden nog geen onafhankelijke variabelen opgenomen en wordt dus
nog geen variantie verklaard. We maken gebruik van de vervolledigde dataset met de
attitudescores van alle leerlingen in de A-stroom (N = 4354). Er zijn dus geen ontbrekende
gegevens. Bij het bepalen van de nulmodellen worden ook de intragroepscorrelaties berekend.
Die geven de proportie van de variantie weer van de afhankelijke variabele die te wijten is aan
verschillen tussen scholen, aan verschillen tussen klassen binnen scholen en aan verschillen
tussen leerlingen binnen klassen (Pustjens et al., 2004). Met een eenzijdige Waldtoets gaan we
na wat de overschrijdingskans is van de variantiecomponenten. In Tabel 13 worden per
afhankelijke variabele de intragroepscorrelaties en de overschrijdingskans van elke
variantiecomponent weergegeven.
Tabel 13
Nulmodellen: intragroepscorrelaties en overschrijdingskans van elke variantiecomponent
AZC PIW ERW EA
Leerlingniveau 94.8 *** 84.4 *** 94.9 *** 96.2 ***
Klasniveau 3.6 ** 10.3 *** 4.1 *** 1.9 *
Schoolniveau 1.6 ° 5.3 ** 1.0 1.9 *
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
Van de totale variantie in het academisch zelfconcept m.b.t. wiskunde kan 1.6% toegeschreven
worden aan verschillen tussen scholen, 3.6% aan verschillen tussen klassen binnen scholen en
94.8% aan verschillen tussen leerlingen binnen klassen.
Inzake het plezier in wiskunde kan van de totale variantie 5.3% toegeschreven worden aan
verschillen tussen scholen, 10.3% aan verschillen tussen klassen binnen scholen en 84.4% aan
verschillen tussen leerlingen binnen klassen.
52
III. Resultaten
De verschillen in de ervaren relevantie van wiskunde kunnen voor 1.0% toegeschreven worden
aan verschillen tussen scholen, voor 4.1% aan verschillen tussen klassen binnen scholen en
voor 94.9% aan verschillen tussen leerlingen binnen klassen.
Van de totale variantie in de gepercipieerde externe aanmoediging ten slotte, kan 1.9%
toegeschreven worden aan verschillen tussen scholen, 1.9% aan verschillen tussen klassen
binnen scholen en 96.2% aan verschillen tussen leerlingen binnen klassen.
53
III. Resultaten
Zoals aangegeven in het tweede hoofdstuk van deze verhandeling, wordt de derde
onderzoeksvraag beantwoord in drie stappen. Eerst wordt een multilevelanalyse doorgevoerd
op leerlingniveau, waarbij gezocht wordt naar leerlingvariabelen die significant samenhangen
met de componenten van de wiskunde-attitude. Hierbij wordt tevens gezocht naar mogelijke
interactie-effecten en wordt nagegaan of de helling van bepaalde leerlingvariabelen varieert
op klas- en/of schoolniveau. In de tweede stap wordt een model opgebouwd met enkel
klasvariabelen, waarbij wordt nagegaan welke klasvariabelen significant samenhangen met de
attitudecomponenten. Ten slotte wordt een model opgebouwd met de leerling- en
klasvariabelen met een significante coëfficiënt in respectievelijk de eerste en tweede stap.
Hierbij wordt tevens gezocht naar mogelijke ‘cross-level’ interactie-effecten.
Zoals reeds werd benadrukt, is het belangrijk een descriptieve analyse door te voeren alvorens
over te gaan tot de eigenlijke multilevelanalyses. De verdelingskenmerken van de
leerlingvariabelen kwamen reeds aan bod. In wat volgt bekijken we ook de samenhang tussen
de verschillende leerlingvariabelen. De onderzoeksgroep betreft opnieuw de leerlingen uit de
A-stroom (N = 4354).
De variabelen die werden gemeten op intervalniveau exploreren we aan de hand van de
correlatiematrix. Hierbij wordt gebruik gemaakt van de individuele scores van de leerlingen op
de verschillende variabelen en wordt dus nog geen rekening gehouden met de klas of school
waartoe de leerlingen behoren. Ontbrekende gegevens worden in de berekening van de
correlatiematrix in SPSS weggelaten door middel van ‘pairwise deletion’. De correlatiematrix
wordt weergegeven in Bijlage 12.
54
III. Resultaten
Uit Bijlage 12 blijkt dat het academisch zelfconcept met betrekking tot wiskunde positief
samenhangt met de intelligentie van de leerling en negatief samenhangt met de variabelen
‘bijles wiskunde’ en ‘huiswerk duur’. Hoe intelligenter de leerling, hoe hoger het academisch
zelfconcept m.b.t. wiskunde. Hoe meer bijles wiskunde de leerling krijgt en hoe meer tijd de
leerling besteedt aan huiswerk wiskunde, hoe lager het academische zelfconcept met
betrekking tot wiskunde.
De schaal ‘plezier in wiskunde’ hangt positief samen met het welbevinden op school en de zes
schalen die peilen naar de ervaring van de leeromgeving. Hoe positiever het welbevinden op
school en hoe hoger de leerling scoort op de zes schalen, hoe meer plezier de leerling beleeft
aan wiskunde.
55
III. Resultaten
De mate waarin een leerling wiskunde als relevant ervaart, hangt positief samen met de
variabelen ‘activering’ en ‘duidelijkheid’. Een hoge score op deze schalen gaat dus gepaard met
meer ervaren relevantie van wiskunde.
De gepercipieerde externe aanmoediging hangt samen met de variabelen ‘activering’ en
‘constructivisme’. Leerlingen die hoog scoren op deze schalen percipiëren meer externe
aanmoediging.
Uit Bijlage 12 blijkt verder dat er ook samenhang bestaat tussen een aantal verklarende
leerlingvariabelen onderling. Zo zien we dat leerlingen met hoog opgeleide ouders intelligenter
zijn en minder bijles krijgen. Ook blijkt dat het welbevinden op school positief samenhangt met
de ervaren duidelijkheid in de leeromgeving. De zes schalen die peilen naar de ervaring van de
leeromgeving ten slotte, hangen alle zes positief samen met elkaar.
15
Met het lege model bedoelen we hier het model met de desbetreffende intervalvariabele als afhankelijke
variabele en waarin geen onafhankelijke variabelen zijn opgenomen.
56
III. Resultaten
Tabel 14
Resultaten van de multilevelmodellen met de leerlingvariabele geslacht1
Wat betreft de ervaring van de leeromgeving scoren meisjes hoger op de schaal ‘feedback’.
Verder zien we dat, inzake de wiskunde-attitude, jongens een hoger academisch zelfconcept
hebben m.b.t. wiskunde, wiskunde als relevanter ervaren en meer externe aanmoediging
percipiëren. Meisjes beleven meer plezier aan wiskunde dan jongens.
57
III. Resultaten
Tabel 15
Resultaten van de multilevelmodellen met de leerlingvariabelen inzake optiegroepen1
Afhankelijke MW TECHN % verklaarde Deviantieverschil
Variabele Coëfficiënt SE Coëfficiënt SE variantie met lege model
Opleiding ouders -0.33 *** 0.04 -0.67 *** 0.05 11.4 156.85 ***
Intelligentie -4.94 *** 0.55 -11.18 *** 0.74 15.3 151.33 ***
Leefcomfort -1.16 ** 0.42 -1.53 ** 0.54 0.6 9.14 *
Welbevinden -0.17 *** 0.04 -0.36 *** 0.05 2.7 49.34 ***
Bijles wiskunde 0.21 *** 0.03 0.19 *** 0.04 1.8 36.49 ***
Huiswerk frequentie -0.06 0.06 -0.05 0.08 0.2 1.23
Huiswerk duur 0.09 * 0.04 0.13 * 0.05 0.3 6.32 *
Activering -0.04 0.03 -0.06 ° 0.03 0.5 3.38
Duidelijkheid -0.11 * 0.04 -0.11 * 0.05 0.5 6.63 *
Authenticiteit 0.09 ° 0.05 0.11 ° 0.06 0.4 4.77 °
Feedback -0.05 0.04 -0.05 0.06 0.7 1.20
Interactie -0.06 0.05 -0.01 0.06 0.1 2.04
Constructivisme -0.00 0.04 0.05 0.05 0.3 1.85
AZC -0.38 *** 0.04 -0.46 *** 0.05 2.8 87.23 ***
PIW -0.12 ° 0.06 -0.16 * 0.08 0.7 5.02 °
ERW -0.05 0.05 -0.24 *** 0.05 1.1 21.42 ***
EA 0.03 0.05 0.06 0.05 0.1 1.33
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
1
MW=Moderne Wetenschappen met waarden 0 en 1, waarbij 1 betekent dat de leerling deze optie volgt,
TECHN=Technisch gerichte basisopties met waarden 0 en 1
De leerlingengroep Klassieke talen heeft een hogere intelligentie en heeft hoger opgeleide
ouders dan leerlingen uit Moderne Wetenschappen en Technische gerichte basisopties. De
optie verklaart hierbij respectievelijk 15.3% en 11.4% van de verschillen. Ook het verschil
tussen Moderne Wetenschappen en Technische gerichte basisopties is voor beide variabelen
significant wanneer de optiegroep Moderne Wetenschappen wordt opgenomen als
referentiecategorie.
Voorts zien we dat het welbevinden op school, in vergelijking met de optiegroep Klassieke
talen, lager is bij leerlingen uit de optie Moderne Wetenschappen en nog lager bij leerlingen
uit Technisch gerichte basisopties. Hierbij bestaat tevens een significant verschil tussen
Moderne Wetenschappen en Technische gerichte basisopties. Uit Tabel 15 blijkt verder dat de
leerlingengroep Klassieke talen minder bijles wiskunde krijgt dan de andere leerlingengroepen.
Het verschil tussen Technische gerichte basisopties en Moderne Wetenschappen is op dit punt
niet significant.
58
III. Resultaten
Tabel 16
Resultaten van de multilevelmodellen met de leerlingvariabele thuistaal1
Afhankelijke Variabele Thuistaal % verklaarde Deviantieverschil met lege
Coëfficiënt SE variantie model
Opleiding ouders 0.22 *** 0.04 1.0 31.60 ***
Intelligentie 1.50 ** 0.57 0.6 22.39 ***
Leefcomfort 1.35 * 0.54 0.2 19.22 ***
Welbevinden -0.07 0.05 0.2 6.97 **
Bijles wiskunde -0.02 0.03 0.0 3.16 °
Huiswerk frequentie 0.06 0.04 0.1 4.76 *
Huiswerk duur -0.06 0.04 0.0 5.14 *
Activering 0.01 0.03 0.0 0.64
Duidelijkheid 0.03 0.03 0.0 3.35 °
Authenticiteit -0.01 0.04 0.0 3.53 °
Feedback 0.03 0.04 0.2 4.03 *
Interactie -0.02 0.04 0.0 3.12 °
Constructivisme 0.01 0.03 0.0 1.46
AZC 0.00 0.05 0.0 4.56 *
PIW -0.01 0.05 0.0 5.71 *
ERW 0.06 0.05 0.0 5.19 *
EA -0.08 0.05 0.1 6.05 *
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
1
0=thuis soms of nooit Nederlands spreken, 1=thuis (bijna) altijd Nederlands spreken
59
III. Resultaten
In termen van het verklaren van variantie is de thuistaal eerder beperkt. Enkel wat betreft de
opleiding van de ouders kan deze variabele variantie verklaren (1.0%). De opleiding van de
ouders is hoger bij leerlingen die thuis (bijna) altijd Nederlands spreken dan bij leerlingen die
thuis soms of nooit Nederlands spreken.
Tabel 17
Resultaten van de multilevelmodellen met de leerlingvariabelen inzake het geboorteland1
Afhankelijke Allochtoon 1e generatie Allochtoon 2e generatie % verklaarde Deviantieverschil
Variabele Coëfficiënt SE Coëfficiënt SE variantie met lege model
Opleiding ouders -0.06 0.07 -0.22 *** 0.04 1.3 40.08 ***
Intelligentie -2.01 * 0.85 -1.33 * 0.55 0.9 56.81 ***
Leefcomfort -4.86 *** 0.83 -0.44 0.53 1.1 78.00 ***
Welbevinden -0.02 0.07 -0.01 0.04 0.0 14.68 ***
Bijles wiskunde 0.07 0.05 0.07 * 0.03 -0.3 19.92 ***
Huiswerk frequentie 0.01 0.07 0.02 0.04 0.1 12.86 **
Huiswerk duur -0.09 0.06 0.00 0.04 0.0 11.23 **
Activering -0.06 0.04 0.02 0.03 0.0 7.02 *
Duidelijkheid -0.10 * 0.05 0.02 0.03 0.0 10.55 **
Authenticiteit 0.01 0.06 0.04 0.04 0.0 10.38 **
Feedback -0.07 0.05 0.03 0.03 0.0 10.36 **
Interactie -0.11 0.07 0.05 0.04 0.0 14.80 ***
Constructivisme -0.04 0.05 0.02 0.03 -0.3 7.18 *
AZC 0.02 0.08 0.01 0.05 0.1 19.17 ***
PIW -0.03 0.08 -0.05 0.05 0.2 16.13 ***
ERW 0.01 0.08 -0.01 0.05 0.1 26.33 ***
EA 0.19 * 0.08 0.22 *** 0.05 0.5 37.18 ***
Probabiliteitsniveaus: *:<0.05; **:<0.01; ***:<0.001
1
Allochtoon 1e generatie met waarden 0 en 1, waarbij 1 betekent dat deze leerling behoort tot deze
categorie, Allochtoon 2e generatie met waarden 0 en 1
Opmerkelijk is dat de ouders van allochtone leerlingen van de tweede generatie een lager
opleidingsniveau hebben dan die van leerlingen die in België geboren zijn (alsook hun ouders)
maar dat, op dit punt, allochtone leerlingen van de eerste generatie en de referentiecategorie
60
III. Resultaten
niet van elkaar verschillen. Wanneer allochtone leerlingen van de eerste generatie worden
opgenomen als referentiecategorie, stellen we vast dat het verschil in opleidingsniveau tussen
deze groep en allochtone leerlingen van de tweede generatie niet significant is. Uit Tabel 17
blijkt voorts dat allochtone leerlingen van de eerste generatie een lager leefcomfort thuis
hebben dan leerlingen die, evenals hun ouders, in België geboren zijn. Het leefcomfort is
tevens significant lager bij allochtone leerlingen van de eerste generatie dan bij allochtone
leerlingen van de tweede generatie.
Verder zien we dat allochtone leerlingen van de tweede generatie minder externe
aanmoediging percipiëren. Ook allochtone leerlingen van de eerste generatie scoren lager
maar het verschil met de referentiecategorie is niet significant. Wanneer allochtone leerlingen
van de eerste generatie worden opgenomen als referentiecategorie, blijkt ook het verschil
tussen allochtone leerlingen van de eerste en tweede generatie niet significant te zijn. In
termen van het verklaren van variantie in de genoemde kenmerken levert het geboorteland
een eerder beperkte bijdrage. De variabele verklaart 1.3% en 1.1% van de variantie in
respectievelijk de opleiding van de ouders en het leefcomfort thuis en slechts 0.5% van de
variantie in de schaal ‘gepercipieerde externe aanmoediging’.
Met de kennis uit de descriptieve analyse van de gegevens, kunnen we deels voorkomen dat
eventuele fouten, in de multilevelanalyses die volgen, over het hoofd worden gezien, of dat
bepaalde effecten verkeerd geïnterpreteerd worden (Van den Noortgate et al., 2004a).
61
III. Resultaten
verschil tussen de deviantie van het model met één predictor en de deviantie van het
nulmodel.
De proportie verklaarde variantie op schoolniveau berekenen we via de proportionele
vermindering van de variantie op schoolniveau, na opname van één predictor (Van den
Noortgate et al., 2004a):
Dezelfde formule wordt analoog toegepast bij het berekenen van de verklaarde variantie op
klas- en leerlingniveau. De deviantie van het nulmodel bedraagt voor de afhankelijke
variabelen AZC, PIW, ERW en EA respectievelijk 12281.55, 11962.06, 12285.79 en 12308.19.
Exemplarisch lichten we de eerste tabel toe in tekstvorm. De andere tabellen die worden
weergegeven in Bijlage 13, kunnen op dezelfde manier geïnterpreteerd worden.
Tabel 18
Opleiding ouders als unieke verklarende variabele
Van de totale variantie in het academisch zelfconcept m.b.t. wiskunde kan de opleiding van de
ouders 0.9% verklaren. De variabele verklaart 13.9% van de variantie op klasniveau en 31.3%
van de variantie op schoolniveau. Daar het gaat om kleine clusteringseffecten dient deze
proportionele reductie in variantie genuanceerd te worden. Een duidelijker beeld hiervan
wordt verkregen door te kijken naar de output in MLwiN (cfr. Bijlage 14). De
variantiecoëfficiënt op schoolniveau daalt in vergelijking met het nulmodel van 0.016 naar
0.011. Op klasniveau daalt de variantie van 0.036 naar 0.031. Voor de totale variantie betekent
dit samen een daling van slechts 1%.
Uit Tabel 18 blijkt verder dat de opleiding van de ouders geen variantie verklaart op
leerlingniveau. De variantie stijgt daarentegen met 0.1%. Dit fenomeen komt wel vaker voor in
multilevelanalyse (Snijders & Bosker, 1999).
62
III. Resultaten
De coëfficiënt van de parameter bedraagt 0.11. Dit getal is positief, wat betekent dat een hoge
opleiding van de ouders gepaard gaat met een hoger academisch zelfconcept m.b.t. wiskunde.
Wanneer we de coëfficiënt toetsen met een tweezijdige Wald-toets blijkt de coëfficiënt tevens
significant te zijn.
De opleiding van de ouders kan geen variantie verklaren in het plezier dat een leerling beleeft
aan wiskunde. Enkel de variantie op schoolniveau daalt, al gaat het om een verwaarloosbare
daling (3.8%). Van de totale variantie wordt met de daling in variantie op schoolniveau slechts
0.2% verklaard 16. Omdat de variantie op leerling- en klasniveau toeneemt, stijgt ondanks de
daling op schoolniveau de totale variantie met 0.8%. De coëfficiënt is niet significant.
Van de totale variantie in de ervaren relevantie van wiskunde, kan de opleiding van de ouders
1.7% verklaren. De variabele verklaart 1.4% van de variantie op leerlingniveau, 7.3% van de
variantie op klasniveau en 10.0% van de variantie op schoolniveau. De coëfficiënt is significant
en positief. Een hogere opleiding van de ouders gaat dus gepaard met meer ervaren relevantie
van wiskunde.
Wanneer we de opleiding van de ouders opnemen, zien we een significante daling in deviantie
bij elk van de vier responsvariabelen. Dat betekent dat de modellen waarbij de opleiding van
de ouders wordt opgenomen als verklarende variabele, beter bij de data aansluiten dan
wanneer deze variabele niet wordt opgenomen.
In een volgende stap modelleren we per attitudecomponent een model met meerdere
predictoren. De helling definiëren we daarbij als vast. De volgorde waarin de variabelen
worden opgenomen, wordt bepaald door het verschil in deviantie tussen het nulmodel en het
model met de variabele als enige predictor. Deze informatie verkregen we in de vorige stap
(cfr. 3.1.2) en kan afgelezen worden in Bijlage 13. De variabele die de meeste deviantie laat
16
Dit kan niet in de tabel worden afgelezen maar wordt berekend op basis van de output in MLwiN.
63
III. Resultaten
dalen, wordt eerst opgenomen, enzovoort. We maken een onderscheid tussen modellen met
instroomkenmerken en modellen met instroomkenmerken en overige leerlingvariabelen. Eerst
nemen we één voor één de instroomkenmerken op en vervolgens worden de overige
variabelen één voor één toegevoegd (cfr. Infra 3.1.4). Een overzicht van deze stapsgewijze
modelopbouw wordt weergegeven in Bijlage 15. We stellen de resultaten in deze bijlage op
twee manieren voor. Ten opzichte van het nulmodel krijgen we bij elke stap zicht op de
hoeveelheid variantie die in totaal wordt verklaard door de variabelen. Ten opzichte van het
voorgaande model krijgen we zicht op de hoeveelheid variantie een bepaalde predictor nog
extra kan verklaren. De proportie verklaarde variantie wordt hierbij berekend via dezelfde
formule zoals weergegeven in paragraaf 3.1.2. De tabellen in Bijlage 15 geven verder ook de
deviantie weer na opname van elke variabele, alsook het verschil in deviantie ten opzichte van
het nulmodel en ten opzichte van het vorige model.
Een overzicht van de vier modellen na opname van alle instroomkenmerken, wordt
weergegeven in tabellen 19 tot en met 22. Ter vergelijking wordt ook telkens het geschatte
lege model weergegeven. De tabellen geven de schattingen van de vaste coëfficiënten, de
schattingen van de random coëfficiënten en de deviantie van elk model weer, na opname van
alle instroomkenmerken. De vaste coëfficiënten worden getoetst met een tweezijdige
Waldtoets. De random coëfficiënten worden met een eenzijdige Waldtoets getest 17. In de
tabellen wordt tevens de proportie verklaarde variantie weergegeven ten opzichte van het
lege model. Omdat de eenvoudige berekening van de verklaarde variantie via de proportionele
vermindering van de variantie op elk niveau kan leiden tot het verhogen van een
variantieschatting op een of meerdere niveaus, passen we een alternatieve formule toe. We
maken gebruik van de formules van Snijders en Bosker (1999, p. 102-104). Hierbij wordt de
proportionele reductie in de totale variantie gebruikt om uit te drukken in hoeverre verschillen
tussen leerlingen worden verklaard. Bij de berekening van de proportie verklaarde variantie op
klas- en schoolniveau wordt in deze formules rekening gehouden met het aantal eenheden op
elk niveau. Voor de berekening van de percentages nemen we de gemiddelde groepsgrootte
als referentiepunt, namelijk 19 leerlingen per klasgroep en 2 klassen per school. De formules
16
De toetsen worden telkens uitgevoerd op de volledige waarden, met drie cijfers na de komma. Om de
overzichtelijkheid te bewaren, worden de coëfficiënten en hun standaardafwijking in de tabellen afgerond tot twee
cijfers na de komma. Bij kleine coëfficiënten kan dit ertoe leiden dat er een verschillende probabiliteitswaarde
wordt gevonden bij gelijke afgeronde waarden.
64
III. Resultaten
voor de verklaarde variantie op leerling-, klas- en schoolniveau zien er respectievelijk als volgt
uit:
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑖𝑖
+ 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑖𝑖 + 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑠𝑠𝑠𝑠ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑖𝑖
𝑅𝑅22 =1− 19
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙0
+ 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑡𝑡𝑡𝑡𝑡𝑡 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘0 + 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑠𝑠𝑠𝑠ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜0
19
a) Academisch zelfconcept
Tabel 19
Academisch zelfconcept m.b.t. wiskunde: model met instroomkenmerken
Leeg model Model met instroomkenmerken
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 -0.10 ° 0.06
Intelligentie 0.04 *** 0.00
Opleiding ouders 0.04 ° 0.02
Geslacht 0.31 *** 0.00
All 1e gen 0.14 ° 0.08
All 2e gen 0.07 0.05
Thuistaal -0.06 0.05
Leefcomfort -0.00 0.00
Uit Tabel 19 blijkt dat de intelligentie en het geslacht van de leerling het academisch
zelfconcept met betrekking tot wiskunde significant voorspellen. Hoe intelligenter de leerling,
hoe hoger zijn of haar academisch zelfconcept met betrekking tot wiskunde. Jongens hebben
65
III. Resultaten
gemiddeld genomen een hoger academisch zelfconcept met betrekking tot wiskunde dan
meisjes. Samen verklaren de instroomkenmerken 19.3% van de totale verschillen tussen
leerlingen en 10.0% van de verschillen tussen klassen binnen scholen. De variabelen verklaren
geen verschillen tussen scholen.
b) Plezier in wiskunde
Tabel 20
Plezier in wiskunde: model met instroomkenmerken
Leeg model Model met instroomkenmerken
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.03 0.11 0.06
Opleiding ouders -0.02 0.02
Intelligentie 0.01 *** 0.00
Geslacht -0.16 *** 0.03
All 1e gen -0.07 0.09
All 2e gen -0.06 0.05
Leefcomfort 0.00 ** 0.00
Thuistaal -0.03 0.06
Ook voor de responsvariabele ‘plezier in wiskunde’ zijn de intelligentie en het geslacht van de
leerling significante voorspellers. Hoe intelligenter de leerling, hoe meer plezier hij of zij
beleeft aan wiskunde. Jongens beleven gemiddeld genomen minder plezier aan wiskunde dan
meisjes. De instroomkenmerken verklaren 6.0% van de verschillen tussen scholen, 1.1% van de
verschillen tussen klassen binnen scholen en 0.6% van de totale verschillen tussen leerlingen.
Inzake de ervaren relevantie van wiskunde zijn de intelligentie en het geslacht van de leerling
evenzo significante voorspellers (cfr. Tabel 21). Hoe intelligenter de leerling is, hoe relevanter
de leerling wiskunde ervaart.
66
III. Resultaten
Tabel 21
Ervaren relevantie van wiskunde: model met instroomkenmerken
Leeg model Model met instroomkenmerken
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 -0.07 0.06
Opleiding ouders 0.06 ** 0.02
Intelligentie 0.01 *** 0.00
All 1e gen 0.09 0.09
All 2e gen 0.03 0.05
Geslacht 0.12 *** 0.03
Leefcomfort 0.01 * 0.00
Thuistaal 0.02 0.06
Jongens ervaren gemiddeld genomen meer relevantie van wiskunde dan meisjes. De
instroomkenmerken verklaren samen 10.9% van de verschillen tussen scholen, 10.0% van de
verschillen tussen klassen binnen scholen en 3.0% van de verschillen tussen leerlingen.
67
III. Resultaten
Tabel 22
Gepercipieerde externe aanmoediging: model met instroomkenmerken
Leeg model Model met instroomkenmerken
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 -0.19 ** 0.06
Opleiding ouders 0.02 0.02
Geslacht 0.39 *** 0.03
Intelligentie -0.00 0.00
Leefcomfort 0.01 *** 0.00
All 1e gen 0.16 ° 0.09
All 2e gen 0.22 *** 0.05
Thuistaal -0.02 0.06
We gaan op dezelfde manier te werk als bij de opbouw van de modellen met enkel
instroomkenmerken. Opnieuw worden één voor één de verklarende variabelen toegevoegd en
kijken we telkens naar het verschil met het lege model en het verschil met het voorgaand
model. De volgorde wordt bepaald door de hoeveelheid deviantie die de predictor reduceert
wanneer deze wordt toegevoegd aan het model met instroomkenmerken. Het verschil in
deviantie wordt voor de vier afhankelijke variabelen weergegeven in Tabel 23. Een overzicht
van de stapsgewijze modelopbouw wordt weergegeven in Bijlage 16, waarbij bij elke stap de
resultaten ten aanzien van het lege model en ten aanzien van het vorige model worden
voorgesteld.
De verklaringskracht van de instroomkenmerken en andere leerlingvariabelen visualiseren we
in de vorm van grafieken. Deze worden weergegeven in de figuren 3 tot en met 6. Voor elke
attitudecomponent wordt in de grafieken de daling (of stijging) in onverklaarde variantie
weergegeven, telkens een variabele wordt toegevoegd aan het model. De linker grafiek geeft
de verandering in de totale onverklaarde variantie weer (blauwe lijn), alsook in de
onverklaarde variantie op leerlingniveau (groene lijn) en de onverklaarde variantie op
groepsniveau (rode lijn).
68
III. Resultaten
Tabel 23
Deviantieverschil tussen het model met instroomkenmerken en het model met instroomkenmerken en
één overige verklarende leerlingvariabele
AZC PIW ERW EA
Optie 25.13 3.86 11.52 1.04
Welbevinden 81.88 369.44 165.50 88.78
Bijles wiskunde 465.37 96.51 79.75 108.78
Frequentie huiswerk 130.47 167.65 167.24 125.55
Duur huiswerk 431.93 74.01 68.61 102.67
Activering 703.66 1046.89 859.27 946.37
Duidelijkheid 575.90 1158.74 717.67 582.86
Authenticiteit 267.99 419.77 398.76 363.94
Feedback 232.35 501.52 329.77 273.95
Interactie 264.19 419.62 267.57 328.34
Constructivisme 436.51 767.75 509.88 585.14
69
III. Resultaten
Figuur 3. Academisch zelfconcept m.b.t. wiskunde: veranderingen in de variantie in het model met
leerlingvariabelen.
Momenteel worden immers geen geaggregeerde variabelen opgenomen in het model. In onze
volgende onderzoeksstap gebeurt dit waar mogelijk en aangewezen wel (cfr. 3.2 en 3.3).
In Figuur 3 zien we in de linkse grafiek dat de intelligentie een belangrijke voorspeller is van
het academisch zelfconcept m.b.t. wiskunde. Er is een duidelijke daling in de onverklaarde
totale variantie wanneer deze variabele wordt opgenomen. Verder is er een merkbare daling
in de totale onverklaarde variantie bij het toevoegen van de variabelen ‘bijles wiskunde’ en
‘huiswerk duur’ en een lichte daling bij het toevoegen van de variabele ‘geslacht’. Hoe vaker de
leerling bijles krijgt en hoe meer tijd de leerling besteedt aan huiswerk wiskunde, hoe lager het
academisch zelfconcept m.b.t. wiskunde. Jongens hebben een positiever academisch
zelfconcept m.b.t. wiskunde dan meisjes. Hetzelfde patroon is herkenbaar in de onverklaarde
variantie op leerlingniveau. In Tabel 24 zien we dat de variabelen die een daling
teweegbrengen in de onverklaarde variantie ook een significante coëfficiënt bevatten.
Daarenboven blijkt uit Tabel 24 dat ook de ervaren duidelijkheid in de leeromgeving een
significante voorspeller is van het academisch zelfconcept m.b.t. wiskunde. Hoe duidelijker de
leerling de les wiskunde ervaart, hoe hoger het academisch zelfconcept.
70
III. Resultaten
Tabel 24
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.03 *** 0.01 0.02 * 0.01 27.4%
Klasniveau 0.02 ** 0.01 0.02 ** 0.01 31.7%
Leerlingniveau 0.76 *** 0.02 0.62 *** 0.02 34.4%
Deviantie 10762.94 8686.298
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
In de rechter grafiek van Figuur 3 wordt het patroon op groepsniveau uitvergroot. Hier is
duidelijk sprake van een compensatiefenomeen. Wanneer de variantiecomponenten worden
opgeteld, zien we een sterke daling in de onverklaarde variantie bij het toevoegen van de
variabelen ‘bijles wiskunde’ en ‘huiswerk duur’. Dit wijst erop dat de verdeling van deze
variabelen op leerlingniveau niet identiek is bij de verschillende klassen en scholen. De
variabelen verklaren hierdoor een gedeelte van de verschillen in het academisch zelfconcept
m.b.t. wiskunde tussen klassen en scholen.
71
III. Resultaten
b) Plezier in wiskunde
Uit Figuur 4 blijkt dat de totale onverklaarde variantie in het plezier in wiskunde sterk
reduceert bij het toevoegen van de variabele ‘duidelijkheid’. Hoe meer duidelijkheid de
leerling ervaart tijdens de les wiskunde, hoe meer plezier de leerling beleeft aan wiskunde.
Verder zien we ook een lichte daling bij het toevoegen van de variabele ‘welbevinden’. Hoe
hoger het welbevinden van de leerling op school, hoe meer plezier de leerling beleeft aan
wiskunde. De daling in variantie op leerlingniveau vertoont eenzelfde patroon. In Tabel 25 zien
we dat beide variabelen ook een significante coëfficiënt hebben.
In de rechter grafiek van Figuur 4 zien we de verklaringskracht van de variabelen voor het klas-
en schoolniveau afzonderlijk. Het compensatiefenomeen is lichtjes herkenbaar. Er is een
duidelijk verschil tussen beide variantiecomponenten bij het toevoegen van de variabele
‘duidelijkheid’. Deze variabele laat de onverklaarde variantie op klasniveau zeer sterk dalen,
terwijl dit op schoolniveau slechts een kleine daling in de onverklaarde variantie teweeg
brengt. De verdeling van de ervaren duidelijkheid in de leeromgeving op leerlingniveau
verschilt dus van klas tot klas. Hierdoor verklaart de variabele ‘duidelijkheid’ niet enkel
verschillen tussen leerlingen maar ook een deel van de verschillen tussen klassen inzake het
plezier in wiskunde.
72
III. Resultaten
Tabel 25
Plezier in wiskunde: model met instroomkenmerken en andere verklarende variabelen
Model met instroomkenmerken Model met alle leerlingvariabelen
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.11 0.06 0.07 0.07
Opleiding ouders -0.02 0.02 -0.01 0.02
Intelligentie 0.01 *** 0.00 0.00 ** 0.00
Geslacht -0.16 *** 0.03 -0.10 ** 0.03
All 1 gen -0.07 0.09 0.01 0.09
All 2 gen -0.06 0.05 -0.04 0.05
Leefcomfort -0.00 ** 0.00 -0.00 ** 0.00
Thuistaal -0.03 0.06 -0.02 0.06
Duidelijkheid 0.53 *** 0.04
Activering 0.04 0.05
Constructivisme -0.01 0.06
Feedback -0.01 0.03
Authenticiteit 0.06 * 0.03
Interactie 0.05 0.03
Welbevinden 0.23 *** 0.02
Huiswerk frequentie -0.05 ** 0.02
Bijles wiskunde -0.02 0.03
Huiswerk duur 0.03 0.02
MW -0.02 0.05
Techn 0.01 0.06
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.04 * 0.02 0.03 ** 0.01 45.3%
Klasniveau 0.11 *** 0.02 0.04 *** 0.01 46.3%
Leerlingniveau 0.84 *** 0.02 0.70 *** 0.02 23.5%
Deviantie 11373.40 9169.53
Probabiliteitsniveaus: *:<0.05; **:<0.01; ***:<0.001
73
III. Resultaten
Figuur 5. Ervaren relevantie van wiskunde: veranderingen in de variantie in het model met
leerlingkenmerken.
Inzake de totale onverklaarde variantie in de ervaren relevantie van wiskunde zien we in Figuur
5 een lichte daling wanneer de variabele ‘activering’ wordt opgenomen. Hoe meer de
leerlingen ervaren dat de leerkracht de leerlingen tracht te activeren, hoe hoger de ervaren
relevantie van wiskunde. Verder constateren we een lichte daling bij het toevoegen van de
variabelen ‘opleiding ouders’ en ‘authenticiteit’. Hoe hoger de opleiding van de ouders en hoe
meer authenticiteit de leerling ervaart in de les, hoe hoger de ervaren relevantie van
wiskunde. De veranderingen in de onverklaarde variantie op leerlingniveau houdt eenzelfde
patroon aan maar toont daarenboven ook een lichte daling bij het toevoegen van de variabele
‘duidelijkheid’. Hoe duidelijker de leerling de les wiskunde ervaart, hoe hoger de ervaren
relevantie van wiskunde.
Tabel 26 geeft de coëfficiënten weer. Daaruit blijkt dat de genoemde variabelen die een daling
teweeg brengen in de totale onverklaarde variantie ook een significante coëfficiënt bevatten.
Daarenboven blijkt uit Tabel 26 dat ook het geslacht een significante voorspeller is van de
ervaren relevantie van wiskunde, waarbij jongens hoger scoren dan meisjes. Verder is ook de
coëfficiënt horende bij de variabele ‘constructivisme’ significant. Opmerkelijk is dat een hoge
score op deze schaal samen gaat met minder ervaren relevantie van wiskunde. Een mogelijke
verklaring hiervoor wordt besproken in het laatste hoofdstuk van deze verhandeling. Ook het
welbevinden op school heeft een significante coëfficiënt, waarbij een hoog welbevinden op
school meer ervaren relevantie voorspelt. Wanneer we de veranderingen in onverklaarde
variantie in Figuur 5 bekijken voor het klas- en schoolniveau afzonderlijk, zien we een duidelijk
compensatiefenomeen.
74
III. Resultaten
Tabel 26
Ervaren relevantie van wiskunde: model met instroomkenmerken en andere verklarende variabelen
Model met instroomkenmerken Model met alle leerlingvariabelen
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept -0.07 0.06 -0.09 0.07
Opleiding ouders 0.06 ** 0.02 0.04 ° 0.02
Intelligentie 0.01 *** 0.00 0.00 * 0.00
All 1 gen 0.09 0.09 0.03 0.09
All 2 gen 0.03 0.05 0.03 0.06
Geslacht 0.12 *** 0.03 0.16 *** 0.03
Leefcomfort 0.01 * 0.00 0.01 * 0.00
Thuistaal 0.02 0.06 0.01 0.06
Activering 0.25 *** 0.06
Duidelijkheid 0.21 *** 0.05
Constructivisme -0.28 *** 0.07
Authenticiteit 0.22 *** 0.03
Feedback 0.04 0.04
Interactie 0.05 0.04
Huiswerk frequentie 0.01 0.02
Welbevinden 0.11 *** 0.02
Bijles wiskunde -0.03 0.03
Huiswerk duur 0.03 0.02
MW 0.05 0.05
Techn -0.06 0.06
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.01 0.01 0.01 ° 0.01 13.1%
Klasniveau 0.03 ** 0.01 0.03 ** 0.01 16.4%
Leerlingniveau 0.93 *** 0.02 0.86 *** 0.02 9.9%
Deviantie 11587.51 9858.96
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
Bij het optellen van beide variantiecomponenten, vinden we een lichte daling in de
onverklaarde variantie op groepsniveau bij het toevoegen van de variabelen ‘opleiding ouders’
en ‘intelligentie’. Dit wijst erop dat scholen en klassen enigszins verschillen inzake de leerlingen
die ze aantrekken. Sommige scholen en klassen trekken intelligentere leerlingen aan terwijl
andere scholen minder sterke leerlingen aantrekken. Ook de verdeling op leerlingniveau van
het opleidingsniveau van de ouders is niet identiek bij de verschillende klassen en scholen. De
opleiding van de ouders en de intelligentie van de leerling verklaren hierdoor een gedeelte van
de verschillen tussen klassen en scholen inzake ervaren relevantie van wiskunde.
75
III. Resultaten
De opgenomen variabelen verklaren samen 13.1% van de verschillen tussen scholen inzake de
ervaren relevantie van wiskunde, 16.4% van de verschillen tussen klassen binnen scholen en
9.9% van de verschillen tussen leerlingen.
76
III. Resultaten
Tabel 27
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.01 0.01 0.00 0.00 31.7%
Klasniveau 0.02 ** 0.01 0.03 *** 0.01 17.0%
Leerlingniveau 0.91 *** 0.02 0.85 *** 0.02 12.5%
Deviantie 11462.79 9768.925
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
Sommige klassen en scholen trekken meer meisjes aan terwijl andere klassen en scholen meer
jongens aantrekken. Doordat de verdeling van het geslacht op leerlingniveau niet bij alle
klassen en scholen identiek is, verklaart het geslacht een deel van de verschillen tussen klassen
en scholen inzake de gepercipieerde externe aanmoediging.
77
III. Resultaten
Tot nu toe lieten we klassen en scholen enkel variëren inzake de gemiddelde score op de
attitudecomponenten. Het enige random groepseffect was het random intercept. Echter, de
relatie tussen de verklarende variabele en de afhankelijke variabele kan verschillen van klas tot
klas en van school tot school. Om na te gaan of de helling van bepaalde verklarende variabelen
daadwerkelijk varieert op klas- of schoolniveau, laten we niet alleen het intercept maar ook de
helling variëren. De helling maakt zodoende deel uit van het random gedeelte van het model.
Voor elke leerlingvariabele toetsen we de random helling op klasniveau en de random helling
op schoolniveau in een model waarin de variabele als unieke predictor wordt opgenomen. Om
na te gaan of het model met random helling een verbetering is ten aanzien van het model
zonder random helling, toetsen we het verschil in deviantie met een eenzijdige chi-
kwadraattoets met 2 vrijheidsgraden. Hieronder geven we de resultaten weer van de modellen
die een significante verbetering opleveren. We geven telkens de geschatte covariantie weer en
een schatting van de correlatie tussen het intercept en de helling. De geschatte correlatie
wordt berekend via de volgende formule (Kreft & de Leeuw, 2002, p. 67):
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶
𝑟𝑟 =
�𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 ∗ 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣
Klassen verschillen van elkaar inzake de samenhang tussen de tijd die besteed wordt aan
huiswerk wiskunde en het academisch zelfconcept m.b.t. wiskunde
In Figuur 7 zien we dat er in alle klassen een negatief verband bestaat tussen de tijd die
besteed wordt aan huiswerk wiskunde en het academisch zelfconcept m.b.t. wiskunde. De
sterkte van het verband verschilt echter van klas tot klas. De covariantie bedraagt 0.01. Deze
positieve parameter wijst erop dat er een sterker verband bestaat tussen beide variabelen in
klassen met een hoger intercept. Het intercept is gelijk aan de voorspelde score op het
academisch zelfconcept m.b.t. wiskunde wanneer de leerling ‘0’ scoort op de variabele
‘huiswerk duur’. Aangezien alle variabelen gecentreerd werden rond hun algemeen
gemiddelde, komt score ‘0’ in dit geval overeen met de gemiddelde tijd die leerlingen
spenderen aan hun huiswerk wiskunde. Dit gemiddelde ligt tussen ’15-30 minuten’ en ’31-60
78
III. Resultaten
minuten’ (cfr. 2.1.3 Tabel 4). De geschatte correlatie tussen het intercept en de helling
bedraagt 0.20, wat geïnterpreteerd kan worden als een aanwezig maar zwak verband (den
Boer et al., 2005). Dat het om een zwak verband gaat, blijkt tevens uit Figuur 7. De verschillen
tussen de regressielijnen bij een lage of een hoge score op de variabele ‘huiswerk duur’ lopen
niet in het oog.
Figuur 7. Samenhang tussen de tijd die besteed wordt aan huiswerk wiskunde en het academisch
zelfconcept m.b.t. wiskunde per klas.
Klassen verschillen van elkaar inzake de samenhang tussen de tijd die besteed wordt aan
huiswerk wiskunde en het plezier in wiskunde
Figuur 8 toont hoe klassen van elkaar verschillen wat betreft de samenhang tussen de tijd die
wordt besteed aan huiswerk wiskunde en het plezier dat wordt beleefd aan wiskunde. In
sommige klassen is het verband negatief, in andere klassen positief. De covariantie bedraagt
0.02. Dit wijst erop dat het verband (positief of negatief) sterker is in klassen met een hoger
intercept. Dit is de voorspelde hoeveelheid plezier in wiskunde bij een leerling die gemiddeld
scoort op de variabele ‘huiswerk duur’ (tussen ’15-30 minuten’ en ’31-60 minuten’). De
geschatte correlatie tussen de helling en het intercept bedraagt 0.38, wat geïnterpreteerd kan
worden als een aanwezig maar zwak verband (de Boeck et al., 2005). We zien in Figuur 8 dat
de regressielijnen sterker uit elkaar liggen naarmate leerlingen meer tijd spenderen aan hun
huiswerk. Leerlingen die veel tijd besteden aan hun huiswerk beleven in sommige klassen veel
en in andere klassen weinig plezier aan wiskunde. Voor zij die weinig tijd besteden aan hun
huiswerk, maakt het, met betrekking tot het beleven van plezier aan wiskunde, minder uit in
welke klas de leerling zit.
79
III. Resultaten
Figuur 8. Samenhang tussen de tijd die besteed wordt aan huiswerk wiskunde en plezier in wiskunde per
klas.
Scholen verschillen van elkaar inzake de samenhang tussen bijles wiskunde en het
academisch zelfconcept m.b.t. wiskunde
Uit Figuur 9 blijkt dat er in alle scholen een negatief verband bestaat tussen hoe dikwijls een
leerling bijles wiskunde krijgt en het academisch zelfconcept m.b.t. wiskunde. De covariantie
bedraagt 0.01, wat betekent dat het verband sterker is in scholen met een hoger intercept.
Hier is het intercept gelijk aan de voorspelde score op het academisch zelfconcept m.b.t.
wiskunde bij een gemiddelde score op de variabele ‘bijles’, dit ligt tussen ‘nooit of bijna nooit’
en ‘soms’ bijles wiskunde (cfr. 2.1.3 Tabel 4). De geschatte correlatie tussen het intercept en
de helling bedraagt 0.74 en kan geïnterpreteerd worden als een sterk verband (den Boer et al.,
2005). In Figuur 9 zien we dat naarmate leerlingen meer bijles wiskunde volgen, de
regressielijnen verder uit elkaar liggen. Voor leerlingen die veel bijles wiskunde volgen, maakt
het, inzake hun academisch zelfconcept m.b.t. wiskunde, meer uit in welke school ze zitten.
Leerlingen die weinig tot geen bijles wiskunde volgen hebben in alle scholen een vrij hoog
academisch zelfconcept m.b.t. wiskunde; de regressielijnen liggen dichter bij elkaar.
Klassen en scholen verschillen van elkaar inzake de samenhang tussen ervaren duidelijkheid
in de leeromgeving en de ervaren relevantie van wiskunde
In Figuur 10 zien we dat er in alle klassen een positief verband bestaat tussen de mate waarin
de leeromgeving ‘duidelijk’ wordt ervaren en de ervaren relevantie van wiskunde. De
covariantie bedraagt -0.03.
80
III. Resultaten
Figuur 9. Samenhang tussen bijles wiskunde en het academisch zelfconcept m.b.t. wiskunde per school.
In klassen met een hoger intercept is de samenhang tussen beide variabelen dus minder sterk.
Het intercept is hier gelijk aan de voorspelde ervaren relevantie van wiskunde bij een
gemiddelde score op de schaal ‘duidelijkheid’.De geschatte correlatie tussen de helling en het
intercept bedraagt -0.67, wat overeenkomt met een duidelijk verband (den Boer et al., 2005).
Leerlingen die een sterke duidelijkheid ervaren in de leeromgeving, ervaren in alle klassen veel
relevantie van wiskunde. Zij die weinig duidelijkheid ervaren in de leeromgeving, ervaren in
sommige klassen veel en in andere klassen weinig relevantie van wiskunde; de regressielijnen
liggen verder uit elkaar.
ERW
Figuur 10. Samenhang tussen de ervaren duidelijkheid in de leeromgeving en de ervaren relevantie van
wiskunde per klas.
Niet alleen klassen maar ook scholen verschillen in deze samenhang. Dit blijkt uit Figuur 11. De
covariantie bedraagt -0.02, wat betekent dat het verband minder sterk is in scholen met een
81
III. Resultaten
hoger intercept. De geschatte correlatie tussen de helling en het intercept bedraagt -0.92, wat
geïnterpreteerd kan worden als een zeer sterk verband (den Boer et al., 2005). Ook hier liggen
de regressielijnen dichter bij elkaar naarmate de leerling meer duidelijkheid ervaart in de
leeromgeving.
ERW
Figuur 11. Samenhang tussen de ervaren duidelijkheid in de leeromgeving en de ervaren relevantie van
wiskunde per school.
Klassen en scholen verschillen van elkaar inzake de samenhang tussen de ervaren feedback
in de leeromgeving en de ervaren relevantie van wiskunde
In Figuur 12 zien we dat er in alle klassen een positief verband bestaat tussen de ervaren
feedback in de leeromgeving en de ervaren relevantie van wiskunde. De covariantie bedraagt -
0.02, wat betekent dat het verband sterker is in klassen met een lager intercept, dit is de
voorspelde ervaren relevantie van wiskunde bij een gemiddelde score op de schaal ‘feedback’.
De geschatte correlatie tussen de helling en het intercept bedraagt -0.57, wat wijst op een
duidelijk verband (den Boer et al., 2005). Leerlingen die veel feedback ervaren in de
leeromgeving, ervaren in alle klassen veel relevantie van wiskunde. Zij die weinig feedback
ervaren in de leeromgeving, ervaren in sommige klassen veel feedback en in andere klassen
weinig feedback. Het maakt voor leerlingen die weinig feedback ervaren in de leeromgeving
dus sterker uit in welke klas ze zitten, althans voor wat betreft de ervaren relevantie van
wiskunde.
82
III. Resultaten
ERW
Figuur 12. Samenhang tussen de score op de schaal ‘feedback’ en ervaren relevantie van wiskunde per
klas.
Ook scholen verschillen in hun samenhang tussen deze twee variabelen. Het verband is in alle
scholen positief. Dit blijkt uit Figuur 13. De covariantie bedraagt -0.02. In scholen met een
hogere voorspelde ervaren relevantie van wiskunde bij een gemiddelde score op de schaal
‘feedback’, is het verband met de ervaren relevantie van wiskunde dus minder sterk. In Figuur
13 zien we dat leerlingen die veel feedback ervaren in de leeromgeving, in alle scholen veel
relevantie ervaren van wiskunde. Leerlingen die laag scoren op de schaal ‘feedback’, ervaren in
sommige scholen veel en in andere scholen weinig relevantie van wiskunde; de regressielijnen
liggen sterk uit elkaar. De geschatte correlatie tussen het intercept en de helling bedraagt -
1.27. Dat we hier een getal vinden dat groter is dan 1 heeft te maken met dat we slechts een
schatting berekenen van de correlatie. Deze schatting is gebaseerd op drie ingrediënten,
namelijk een puntschatting van de interceptvariantie, een puntschatting van de
hellingvariantie en een puntschatting van de covariantie tussen het intercept en de helling. Het
schattingsalgoritme (IGLS) garandeert niet dat de drie puntschattingen een echte
covariantiematrix opleveren met een correct begrensde covariantieterm. Dit komt wel vaker
voor als het om eerder kleine random effecten gaat (G. Van Landeghem, persoonlijke
communicatie, 15 mei 2010). De geschatte correlatie geeft blijk van een zeer sterke
samenhang tussen het intercept en de helling, al moeten we dit voorzichtig interpreteren. De
random effecten in kwestie zijn te klein om ze voldoende nauwkeurig zichtbaar te maken in de
gegeven dataset.
83
III. Resultaten
ERW
Figuur 13. Samenhang tussen de score ervaren ‘feedback’ en de ervaren relevantie van wiskunde per
school.
b) Interactietermen
Interactie tussen het geslacht en de tijd besteed aan huiswerk wiskunde, inzake het
academisch zelfconcept m.b.t. wiskunde
In Figuur 14 zien we een interactie-effect van het geslacht en de tijd die leerlingen besteden
aan hun huiswerk op het academisch zelfconcept m.b.t. wiskunde. Zowel voor jongens als
meisjes gaat het om een negatief verband. Hoe meer tijd ze besteden aan hun huiswerk, hoe
lager hun academisch zelfconcept. Bij meisjes gaat het echter om een sterker verband dan bij
jongens. Het verschil tussen jongens en meisjes wordt groter naarmate er meer tijd
gespendeerd wordt aan huiswerk wiskunde.
84
III. Resultaten
Figuur 14. Interactie tussen het geslacht en de tijd besteed aan huiswerk wiskunde inzake het
academisch zelfconcept m.b.t. wiskunde.
Figuur 15. Interactie tussen de optiegroep en de intelligentie inzake het academisch zelfconcept m.b.t.
wiskunde.
85
III. Resultaten
Interactie tussen de optiegroep en de frequentie van bijles wiskunde, inzake het academisch
zelfconcept m.b.t. wiskunde
In Figuur 16 zien we een interactie-effect van de optiegroep en de frequentie van bijles
wiskunde op het academisch zelfconcept m.b.t. wiskunde. Voor de drie optiegroepen gaat het
om een negatief verband. Hoe meer bijles wiskunde een leerling krijgt, hoe lager het
academisch zelfconcept. Het verband is echter het sterkste bij leerlingen uit de optie Klassieke
talen, minder sterk bij leerlingen uit de optie Moderne wetenschappen en het zwakst bij
leerlingen uit Technisch gerichte basisopties. Bij leerlingen die weinig of geen bijles wiskunde
volgen, is het academisch zelfconcept het hoogste bij leerlingen in de optiegroep Klassieke
talen. Bij leerlingen die veel bijles volgen, scoren leerlingen in Technisch gerichte basisopties
het hoogste inzake het academisch zelfconcept m.b.t. wiskunde.
Figuur 16. Interactie tussen de optiegroep en de frequentie van bijles wiskunde inzake het academisch
zelfconcept m.b.t. wiskunde.
In de tweede stap ter beantwoording van onze derde onderzoeksvraag, voeren we een
multilevelanalyse uit op klasniveau. Ook hier exploreren we eerst de samenhang tussen de
klasvariabelen. Vervolgens nemen we elke klasvariabele op als unieke predictor. Ten slotte
bouwen we een model op met meerdere klasvariabelen.
86
III. Resultaten
In wat volgt nemen we elke klasvariabele op als unieke verklarende variabele. De helling wordt
gedefinieerd als vast. Een overzicht wordt weergegeven in Bijlage 18. De tabellen in deze
bijlage geven telkens het percentage verklaarde variantie weer, de waarde van de coëfficiënt,
de standaardfout van de coëfficiënt, de deviantie van het model en het verschil tussen de
deviantie in het model met één predictor en de deviantie in het nulmodel. De proportie
verklaarde variantie op klas- en schoolniveau wordt berekend via dezelfde formule als bij de
modellen met een leerlingvariabele als unieke predictor. Een predictor op klasniveau kan geen
variantie op leerlingniveau verklaren, daarom wordt dit in de tabellen ook niet weergegeven 18.
De deviantie van het nulmodel bedraagt voor de afhankelijke variabelen AZC, PIW, ERW en EA
respectievelijk 12281.55, 11962.06, 12285.79 en 12308.19. Exemplarisch wordt de eerste tabel
toegelicht in tekstvorm. De andere tabellen in de bijlage kunnen op dezelfde manier worden
geïnterpreteerd. Zoals aangehaald in het tweede hoofdstuk van deze verhandeling toetsen we
de coëfficiënten van klasvariabelen op 1% niveau (α=0.01).
18
Wel kunnen door het schattingsalgoritme kleine verschuivingen ontstaan in de variantie waardoor de verandering
in de totale variantie niet altijd exact de som is van de veranderingen in variantie op klas- en schoolniveau.
87
III. Resultaten
Tabel 28
Gemiddelde intelligentiescore per klas als unieke verklarende variabele
% verklaarde variantie Coëfficiënt SE Deviantie Verschil deviantie
Klas School Totaal
AZC 66.7 -31.3 2.1 0.03 *** 0.00 12222.40 59.15 ***
PIW 0.0 -130.0 -2.7 0.01 * 0.01 11956.89 5.18 *
ERW 29.4 30.0 1.5 0.02 *** 0.00 12252.55 33.24 ***
EA 5.3 -5.3 0.0 -0.00 0.00 12307.60 0.60
Probabiliteitsniveaus: *:<0.05; ***:<0.001
In Tabel 28 zien we dat de gemiddelde intelligentiescore van de klas 2.1% van de totale
variantie in het academisch zelfconcept m.b.t. wiskunde kan verklaren. Van de variantie op
klasniveau verklaart de variabele 66.7%. De variabele verklaart geen variantie op schoolniveau.
De coëfficiënt bedraagt 0.03. Met de Waldtoets bekomen we een p-waarde van < 0.001. Dat
betekent dat een hoge gemiddelde intelligentiescore van een klas gepaard gaat met een hoger
academisch zelfconcept m.b.t. wiskunde. Bij het opnemen van de variabele stellen we een
significante daling in de deviantie vast.
De gemiddelde intelligentiescore van een klas verklaart geen variantie in het plezier in
wiskunde. De coëfficiënt en de daling in deviantie zijn niet significant.
Van de variantie in de ervaren relevantie van wiskunde verklaart de gemiddelde
intelligentiescore van een klas 29.4% van de variantie op klasniveau en 30.0% van de variantie
op schoolniveau. Van de totale variantie verklaart de variabele hiermee 1.5%. De coëfficiënt
bedraagt 0.02 en is significant. Dat betekent dat een hoge gemiddelde intelligentiescore van
een klas samengaat met meer ervaren relevantie van wiskunde. Ook de deviantie daalt
significant.
De gemiddelde intelligentiescore van een klas kan niets verklaren van de totale variantie in de
gepercipieerde externe aanmoediging. Wel verklaart de variabele 5.3% van de variantie op
klasniveau. Op schoolniveau stijgt de variantie met 5.3% bij het toevoegen van de variabele.
De bijbehorende coëfficiënt is niet significant. De deviantie daalt nauwelijks en is evenmin
significant.
Bij de opbouw van de modellen met meerdere klasvariabelen corrigeren we in eerste instantie
nog niet voor instroomkenmerken en andere leerlingvariabelen. De bedoeling is immers om
88
III. Resultaten
In figuren 17 tot en met 20 wordt een visuele voorstelling weergegeven van de verandering in
onverklaarde variantie telkens er een variabele wordt toegevoegd aan het model. In de linker
grafiek worden de veranderingen in de totale onverklaarde variantie en de onverklaarde
variantie op groepsniveau weergegeven. In de rechter grafiek wordt op de variantie op
groepsniveau ingezoomd en krijgen we zicht op de fluctuaties in de onverklaarde variantie op
klas- en schoolniveau afzonderlijk. Door beide grafieken naast elkaar te plaatsen, worden we
er herhaaldelijk op attent gemaakt dat het gaat om kleine clusteringseffecten.
Een overzicht van de geschatte coëfficiënten, na opname van alle klasvariabelen, wordt
weergegeven in tabellen 29 tot en met 32. Daarbij wordt ook weergegeven hoeveel variantie
het model met klasvariabelen verklaart op elk niveau. De hoeveelheid verklaarde variantie
berekenen we zoals bij de modellen met meerdere leerlingvariabelen aan de hand van de
formules van Snijders en Bosker (1999) 19.
89
III. Resultaten
Figuur 17. Academisch zelfconcept m.b.t. wiskunde: veranderingen in de variantie in het model met
klaskenmerken.
Tabel 29
Academisch zelfconcept m.b.t. wiskunde: model met klaskenmerken
90
III. Resultaten
b) Plezier in wiskunde
Figuur 18. Plezier in wiskunde: veranderingen in de variantie in het model met klaskenmerken.
Tabel 30
91
III. Resultaten
In Figuur 18 zien we dat ook in het model ter verklaring van de variantie in het beleefde plezier
aan wiskunde sprake is van een compensatiefenomeen. De variantie op groepsniveau daalt bij
het toevoegen van de variabelen ‘hinder materiaal’, ‘constructivisme leerkracht’,
‘constructivisme klas’ en ‘gemiddelde intelligentiescore per klas’.
Slechts één van deze variabelen heeft een significante coëfficiënt, namelijk de gemiddelde
score per klas op de constructivismeschaal. Dit blijkt uit Tabel 30. Hoe hoger de score, hoe
meer plezier er wordt beleefd aan wiskunde.
Het model met klaskenmerken kan 6.8% van de variantie verklaren op leerlingniveau, 42.0%
van de variantie op klasniveau en 35.6% van de variantie op schoolniveau.
Figuur 19. Ervaren relevantie van wiskunde: veranderingen in de variantie in het model met
klaskenmerken.
Het multilevelmodel met klasvariabelen ter verklaring van de ervaren relevantie van wiskunde
verklaart 1.9% van de variantie op leerlingniveau, 19.8% van de variantie op klasniveau en
27.0% van de variantie op schoolniveau.
92
III. Resultaten
Tabel 31
Ervaren relevantie van wiskunde: model met klaskenmerken
Leeg model Model met klasvariabelen
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 0.01 0.02
Fouten -0.04 0.05
Hinder materiaal -0.00 0.01
Ervaring -0.00 0.00
Studiegerichte lesgroep 0.04 0.01
Hinder leerlingen 0.01 0.01
Constructivisme lkr -0.02 0.02
Rustige lesgroep 0.03 0.03
Samenwerking en overleg -0.01 0.01
Gemiddelde intelligentiescore 0.02 *** 0.00
Constructivisme lln 0.09 0.08
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.01 0.01 0.00 0.00 27.0
Klasniveau 0.04 *** 0.01 0.03 *** 0.01 19.8
Leerlingniveau 0.95 *** 0.02 0.95 *** 0.02 1.9
Deviantie 12285.79 10161.82
Probabiliteitsniveau: ***:<0.001
Figuur 20. Gepercipieerde externe aanmoediging: veranderingen in de variantie in het model met
klaskenmerken.
93
III. Resultaten
Tabel 32
Gepercipieerde externe aanmoediging: model met klaskenmerken
Leeg model Model met klasvariabelen
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 0.00 0.02
Fouten -0.04 0.05
Hinder materiaal 0.01 0.01
Ervaring 0.00 0.00
Rustige lesgroep 0.02 0.03
Constructivisme lkr 0.01 0.02
Studiegerichte lesgroep -0.05 ° 0.03
Hinder leerlingen 0.00 0.01
Samenwerking en overleg -0.02 0.01
Constructivisme lln 0.23 ** 0.08
Gemiddelde intelligentiescore 0.00 0.00
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.02 * 0.01 0.01 ° 0.01 14.7
Klasniveau 0.02 * 0.01 0.02 * 0.01 9.9
Leerlingniveau 0.96 *** 0.02 0.95 *** 0.02 2.3
Deviantie 12308.19 10146.11
Probabiliteitsniveaus: °:<0.10; *:<0.05; **:<0.01; ***:<0.001
In de derde en laatste stap ter beantwoording van onze laatste onderzoeksvraag bouwen we
een analysemodel op met zowel leerling- als klasvariabelen. In dit model nemen we de
instroomvariabelen op met een significante coëfficiënt in het model met enkel
94
III. Resultaten
Figuur 21. Academisch zelfconcept m.b.t. wiskunde: veranderingen in de variantie in het model met
leerling- en klasvariabelen.
Dezelfde veranderingen in de onverklaarde variantie doen zich voor als in het model met enkel
leerlingvariabelen (cfr. Figuur 3). In Figuur 21 zien we een duidelijke daling in de totale
onverklaarde variantie bij het opnemen van de variabelen ‘intelligentie’, ‘bijles’ en ‘huiswerk
duur’ en een lichte daling bij het opnemen van het geslacht. Op groepsniveau is sprake van een
compensatiefenomeen. Wanneer de onverklaarde variantie op klas- en schoolniveau wordt
opgeteld, is er een daling zichtbaar bij het opnemen van de variabelen ‘bijles’ en ‘huiswerk
duur’. Ook bij het opnemen van de gemiddelde intelligentiescore per klas is er een daling
merkbaar op groepsniveau.
95
III. Resultaten
Tabel 33
Academische zelfconcept m.b.t. wiskunde: model met leerling- en klasvariabelen
b) Plezier in wiskunde
Figuur 22. Plezier in wiskunde: veranderingen in de variantie in het model met leerling- en
klasvariabelen.
20
Voor de leerling- en klasvariabelen hanteren we een significantiecriterium op respectievelijk 0.1% niveau en 1%
niveau (cfr. Hoofdstuk 2: Methode, paragraaf 3.1.3).
96
III. Resultaten
Tabel 34
Plezier in wiskunde: model met leerling- en klasvariabelen
Net zoals in het multilevelmodel met enkel leerlingvariabelen zien we ook in de linker grafiek
van Figuur 22 de sterkste daling bij het opnemen van de variabele ‘duidelijkheid’. Zowel in de
totale onverklaarde variantie, als in de onverklaarde variantie op leerlingniveau en de
onverklaarde variantie op groepsniveau is dit zichtbaar. Verder zien we een lichte daling in de
totale onverklaarde variantie bij het toevoegen van de variabele ‘welbevinden’. Wanneer we
de variantie op groepsniveau bekijken, zien we een licht compensatiefenomeen. Er is een
kleine daling merkbaar in de groepsvariantie bij het toevoegen van de variabele ‘geslacht’. De
grootste daling op groepsniveau doet zich voor bij het toevoegen van de variabele
‘duidelijkheid’. Verder is ook een daling zichtbaar bij het toevoegen van de gemiddelde
klasscore op de constructivismeschaal voor leerlingen.
In Tabel 34 worden de bijbehorende coëfficiënten weergegeven. De variabelen ‘intelligentie’
en ‘geslacht’ zijn in tegenstelling tot het model met enkel leerlingvariabelen in het model met
leerling- en klasvariabelen niet significant. Dit wijst op een gemeenschappelijkheid met de
toegevoegde klasvariabele.
Het model met leerling- en klaskenmerken kan 44.0% van de variantie in het plezier in
wiskunde op schoolniveau verklaren, 50.1% van de variantie op klasniveau en 23.4% van de
variantie op leerlingniveau.
97
III. Resultaten
Figuur 23. Ervaren relevantie van wiskunde: veranderingen in de variantie in het model met leerling- en
klasvariabelen.
Tabel 35
Ervaren relevantie van wiskunde: model met leerling- en klasvariabelen
Leeg model Model met leerling- en klasvariabelen
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 -0.08 ** 0.03
Lln_Intelligentie 0.00 0.00
Lln_Geslacht 0.17 *** 0.03
Lln_Activering 0.25 *** 0.05
Lln_Duidelijkheid 0.23 *** 0.04
Lln_Constructivisme -0.18 *** 0.04
Lln_Authenticiteit 0.19 *** 0.03
Lln_Welbevinden 0.11 *** 0.02
Klas_Gemiddelde intelligentie 0.01 ** 0.00
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.01 0.01 0.01 0.01 19.6
Klasniveau 0.04 *** 0.01 0.03 ** 0.01 17.6
Leerlingniveau 0.95 *** 0.02 0.88 *** 0.02 8.5
Deviantie 12285.79 10601.86
Probabiliteitsniveaus: **:<0.01; ***:<0.001
In Figuur 23 zien we een daling in de totale onverklaarde variantie bij het toevoegen van de
variabelen ‘activering’ en ‘authenticiteit’. De veranderingen in de variantie op school- en
klasniveau compenseren elkaar gedeeltelijk. Op groepsniveau zien we een daling bij het
toevoegen van de leerlingvariabele ‘intelligentie’ en de gemiddelde intelligentiescore per klas.
98
III. Resultaten
Uit Tabel 35 blijkt dat de coëfficiënt bij de intelligentiescore van de leerling in het model met
leerling- en klasvariabelen niet significant is. Dat betekent dat er een gemeenschappelijkheid
bestaat met de gemiddelde intelligentiescore van de klas. Klassen zijn dus eerder homogeen
qua intelligentiescore.
Het model met leerling- en klasvariabelen verklaart 8.5% van de variantie in de ervaren
relevantie van wiskunde op leerlingniveau, 17.6% van de variantie op klasniveau en 19.6% van
de variantie op leerlingniveau.
Figuur 24. Gepercipieerde externe aanmoediging: veranderingen in de variantie in het model met
leerling- en klasvariabelen.
Net zoals in het model met leerlingvariabelen, zien we ook in Figuur 24 een daling in zowel de
totale onverklaarde variantie als de onverklaarde variantie op leerlingniveau, bij het opnemen
van de variabelen ‘geslacht’ en ‘activering’. In de rechter grafiek is een duidelijk
compensatiefenomeen zichtbaar. Op groepsniveau is een daling in variantie merkbaar bij het
opnemen van het geslacht.
In Tabel 36 worden de bijbehorende coëfficiënten weergegeven. Daaruit blijkt dat alle
opgenomen leerlingvariabelen de gepercipieerde externe aanmoediging significant
voorspellen. Hoewel de gemiddelde klasscore op de constructivismeschaal in het model met
enkel klaskenmerken significant is, is de coëfficiënt bij deze variabele in het model met
leerling- en klasvariabelen niet significant. Dit wijst op gemeenschappelijkheid met de
leerlingvariabelen.
99
III. Resultaten
Tabel 36
Gepercipieerde externe aanmoediging: model met leerling- en klasvariabelen
Leeg model Model met leerling- en klasvariabelen
Fixed effects Coëfficiënt SE Coëfficiënt SE
Intercept 0.00 0.02 -0.21 *** 0.03
Lln_Geslacht 0.38 *** 0.03
Lln_Leefcomfort 0.01 *** 0.00
e
Lln_All_1 gen 0.29 *** 0.08
Lln_All_2e gen 0.23 *** 0.05
Lln_Activering 0.54 *** 0.03
Lln_Bijles 0.12 *** 0.03
Lln_Huiswerk duur 0.08 *** 0.02
Klas_Constructivisme lln -0.10 0.07
% verklaarde
Random effects Coëfficiënt SE Coëfficiënt SE variantie
Schoolniveau 0.02 * 0.01 0.01 0.01 26.6
Klasniveau 0.02 * 0.01 0.02 ** 0.01 16.6
Leerlingniveau 0.96 *** 0.02 0.85 *** 0.02 11.7
Deviantie 12308.19 10872.040
In paragraaf 3.1.5 stelden we vast dat de samenhang van een aantal leerlingvariabelen met
één of meerdere attitudeschalen varieert van klas tot klas en/of van school tot school. Nu
kunnen we nagaan of deze tendens nog significant is na toevoeging van zowel leerling- als
klasvariabelen. Indien zo, kan gezocht worden naar mogelijke cross-level interactieffecten.
Om na te gaan of er nog steeds significantie bestaat in de genoemde random hellingen,
toetsen we de daling in deviantie met een eenzijdige chi-kwadraat toets (Snijders & Bosker,
1999, p. 90-91). In wat volgt, bespreken we de modellen met random helling die na toevoeging
van leerling- en klasvariabelen nog significant zijn.
Scholen en klassen verschillen van elkaar inzake de samenhang tussen ervaren ‘duidelijkheid’
in de leeromgeving en de ervaren relevantie van wiskunde
De variatie in de samenhang tussen de ervaren relevantie van wiskunde en de variabele
‘duidelijkheid’ is nog steeds significant in het model met leerling- en klasvariabelen. Zowel het
model met random helling op klasniveau als het model met random helling op schoolniveau is
100
III. Resultaten
significant. We definiëren ook een model met random helling op zowel school- als klasniveau.
Dit brengt evenwel geen significante daling in deviantie teweeg in vergelijking met het model
met random helling op enkel school- of klasniveau.
Scholen en klassen verschillen van elkaar inzake de samenhang tussen ervaren ‘feedback’ in
de leeromgeving en de ervaren relevantie van wiskunde
De variatie in de samenhang tussen de ervaren relevantie van wiskunde en de variabele
‘feedback’ is nog steeds significant na toevoeging van de leerling- en klasvariabelen. Zowel het
model met random helling op schoolniveau als het model met random helling op klasniveau
zijn een significante verbetering ten aanzien van het model zonder random helling. Er is geen
significante daling in deviantie wanneer we een random helling definiëren op zowel school- als
klasniveau.
3.4 Besluit
Met de gegevens in dit derde luik van de resultaten, kunnen we een antwoord formuleren op
onze derde onderzoeksvraag, namelijk “Welke leerling- en klasvariabelen kunnen verschillen in
de componenten van de wiskunde-attitude verklaren, gegeven de Vlaamse resultaten in TIMSS
2003?”. Uit de resultaten blijkt dat voornamelijk leerlingvariabelen samenhangen met de
verschillen in de vier attitudecomponenten, en dit op zowel leerling-, klas- als schoolniveau.
Tevens bestaat een aantal interactie-effecten tussen leerlingvariabelen en varieert de
samenhang tussen bepaalde leerlingvariabelen en bepaalde attitudecomponenten van school
tot school en van klas tot klas. De invloed van klasvariabelen is eerder beperkt. Een uitgebreide
bespreking van de resultaten, wordt gegeven in het volgende hoofdstuk.
101
III. Resultaten
102
IV. Bespreking
IV.Bespreking
In de inleiding van deze masterproef werd aangehaald dat de term ‘attitude’ tal van
betekenissen weerspiegelt en door verschillende auteurs wordt beschouwd als een ambigu
construct (Hannula, 2002). Ook de opgenomen items in TIMSS 2003 die peilen naar de attitude
ten aanzien van wiskunde, behelzen een breed domein. Om ons een genuanceerd beeld te
vormen van de informatie die werd verzameld met deze items, gingen we op zoek naar een
onderliggende structuur in de data. Dit werd onderzocht met onze eerste onderzoeksvraag:
Welke attitude-componenten kunnen geïdentificeerd worden in de verzamelde
gegevens die peilen naar de wiskunde-attitude in TIMSS 2003?
Door middel van een principale componentenanalyse kunnen vier componenten worden
onderscheiden in de data: ‘Academisch zelfconcept m.b.t. wiskunde’, ‘Plezier in wiskunde’,
‘Ervaren relevantie van wiskunde’ en ‘Gepercipieerde externe aanmoediging’. Dezelfde
structuur wordt gevonden in de Nederlandse resultaten van TIMSS 2003. Hoewel de
leerlingenvragenlijst in Nederland minder items bevat die peilen naar de wiskunde-attitude,
onderscheidt men er ook vier componenten, welke overeen komen met onze resultaten:
‘Zelfvertrouwen’, ‘Plezier’, ‘Belang’ en ‘Aanmoediging’ (Meelissen & Doornekamp, 2004).
We vinden dus evidentie voor een onderliggende structuur met vier componenten in de
opgenomen items die peilen naar de wiskunde-attitude in TIMSS 2003.
103
IV. Bespreking
Eerst en vooral moet benadrukt worden dat de verschillen tussen leerlingen inzake de vier
attitudeschalen samenhangen met een samenspel van variabelen. De opgenomen variabelen
hangen veelal onderling met elkaar samen waardoor uitspraken over de unieke
verklaringskracht van variabelen niet zomaar gegeven kunnen worden.
Ten tweede moet benadrukt worden dat het hier in se gaat om correlationeel onderzoek. Er
worden dus geen uitspraken gedaan over de causaliteit van verbanden. Om dit na te gaan, is
verder onderzoek noodzakelijk.
104
IV. Bespreking
We baseren ons voor de bespreking van het effect van leerling- en klaskenmerken op de
modellen met leerling- en klaskenmerken tezamen. In deze modellen werden enkel die
variabelen opgenomen die de desbetreffende attitudecomponent significant voorspellen in
een model met enkel leerling- of klasvariabelen. De variabelen bevatten in de modellen met
leerling- en klasvariabelen tezamen alle een significante coëfficiënt, op enkele uitzonderingen
na 21. Dit wijst erop dat bepaalde leerlingvariabelen ook informatie bevatten op klasniveau (G.
Van Landeghem, persoonlijke communicatie, 15 mei 2010). We beperken ons in wat volgt tot
een bespreking van de significante effecten in deze modellen.
Een belangrijke variabele is in eerste instantie het geslacht van de leerling. Deze variabele is
een significante voorspeller van drie van de vier attitudeschalen. Jongens hebben een hoger
academisch zelfconcept m.b.t. wiskunde, ervaren wiskunde als relevanter en percipiëren meer
externe aanmoediging. Dit ligt in de lijn van de resultaten uit TIMSS 2003 in Nederland. In
Nederland scoren jongens ook hoger betreffende het academisch zelfconcept en de ervaren
relevantie van wiskunde. Inzake de gepercipieerde aanmoediging is er geen significant verschil
(op 1% niveau) tussen jongens en meisjes in Nederland (Meelissen & Doornekamp, 2004). Een
21
Zo blijkt in het model ter verklaring van de verschillen in het plezier in wiskunde, de coëfficiënt bij de intelligentie
van de leerling en het geslacht niet significant te zijn. In het model ter verklaring van de verschillen in de ervaren
relevantie van wiskunde, is de individuele intelligentiescore van de leerling niet significant. Bij het opnemen van
leerling- en klasvariabelen ter verklaring van de verschillen in de gepercipieerde externe aanmoediging ten slotte, is
de gemiddelde klasscore op de constructivismeschaal niet significant.
105
IV. Bespreking
Wanneer we de resultaten vergelijken met de analyses in TIMSS 1999, zien we een aantal
overeenkomsten (Van Damme et al., 2001). In TIMSS 1999 vertonen jongens een iets
positievere attitude ten aanzien van wiskunde dan meisjes. In ons onderzoek vinden we voor
jongens ook een hogere score op drie van de vier attitudeschalen. Ook de intelligentie is in
TIMSS 1999 een belangrijke voorspeller van de wiskunde-attitude.
Uit de resultaten komt naar voren dat niet alleen instroomkenmerken maar ook andere
leerlingvariabelen een rol spelen. Zo blijkt dat de ervaring van de leeromgeving een belangrijke
voorspeller is. Vooreerst speelt de ervaren duidelijkheid in de leeromgeving een beduidende
rol. Leerlingen hebben een hoger academische zelfconcept m.b.t. wiskunde, beleven meer
plezier aan wiskunde en ervaren wiskunde als relevanter naarmate ze meer duidelijkheid
ervaren in de les wiskunde. De verschillen in de ervaren relevantie van wiskunde worden ook
verklaard door de mate waarin de leerling meer activering en authenticiteit ervaart in de
leeromgeving, waarbij een hogere score op deze schalen meer ervaren relevantie van
wiskunde voorspelt. Voorts stellen we vast dat een hoge score op de schaal ‘activering’ meer
gepercipieerde externe aanmoediging voorspelt.
Dat de ervaring van de leeromgeving niet enkel verschillen tussen klassen en scholen verklaart
maar ook verschillen tussen leerlingen binnen klassen, betekent dat leerlingen van eenzelfde
klas, en dus in eenzelfde leeromgeving, de omgeving verschillend percipiëren. Dit impliceert
dat niet louter de manier waarop de leerkracht de leeromgeving inricht de wiskunde-attitude
voorspelt, maar dat vooral de subjectieve perceptie van die leeromgeving een voorspeller is
106
IV. Bespreking
van bepaalde deelaspecten van de wiskunde-attitude. Deze uitkomst werd ook gevonden in de
analyse van de wiskunde-attitude in TIMSS 1999, al werd toen enkel gepeild naar de mate van
ervaren constructivisme in de leeromgeving.
Opvallend is verder dat een lagere score op de schaal ‘constructivisme’ gepaard gaat met meer
ervaren relevantie van wiskunde. Wanneer we de correlatiematrix van de samenhang tussen
leerlingvariabelen bekijken in Bijlage 12, zien we dat deze variabele echter wel positief
samenhangt met de ervaren relevantie van wiskunde. De negatieve coëfficiënt in het
multilevelmodel met leerling- en klasvariabelen kan verklaard worden door de
gemeenschappelijkheid van de variabele met andere schalen die peilen naar de ervaring van
de leeromgeving. Wanneer de schaal ‘constructivisme’ wordt toegevoegd aan het model met
enkel instroomkenmerken, heeft deze wel een significante positieve coëfficiënt. Echter,
wanneer eerst de schalen ‘activering’ en ‘duidelijkheid’ worden toegevoegd aan het model
met instroomkenmerken, zien we bij de opname van de schaal ‘constructivisme’ een stijging
van de coëfficiënten bij de eerste twee schalen en een negatieve coëfficiënt bij de schaal
‘constructivisme’. Wanneer ook de schaal ‘authenticiteit’ wordt toegevoegd, daalt de
coëfficiënt bij de schaal ‘constructivisme’ nog verder onder nul. De negatieve coëfficiënt bij de
variabele ‘constructivisme’ heeft dus te maken met het feit dat we dezelfde informatie op
teveel manieren in het model opnemen. De score op de schaal ‘constructivisme’ is daarbij
waarschijnlijk grotendeels een samenvatting van ‘activering’, ‘duidelijkheid’ en ‘authenticiteit’.
Niet toevallig zijn vier van de zes items in de schaal ‘constructivisme’ ook opgenomen in de
drie genoemde schalen (cfr. Bijlage 3).
Naast de ervaring van de leeromgeving spelen ook andere leerlingvariabelen een rol. Zo heeft
een leerling die veel bijles wiskunde volgt en veel tijd spendeert aan zijn of haar huiswerk
wiskunde een lager academisch zelfconcept m.b.t. wiskunde en percipieert deze leerling meer
externe aanmoediging. Deze variabelen hebben dus een tegenovergesteld effect op de twee
genoemde attitudeschalen. Gezien het hier echter gaat om correlationeel onderzoek, kan geen
uitspraak gedaan worden over de causaliteit van het verband. Het is dus mogelijk dat een lager
academische zelfconcept en meer externe aanmoediging net tot gevolg hebben dat leerlingen
meer tijd spenderen aan hun huiswerk wiskunde en meer bijles wiskunde krijgen. Een
mogelijke modererende variabele bij de vele tijd die een leerling met een laag academisch
zelfconcept besteedt aan huiswerk, is bijvoorbeeld het aanwezig zijn van actieve faalangst.
107
IV. Bespreking
Actief faalangstigen hebben namelijk een laag academisch zelfconcept en werken hard om zo
goed mogelijke prestaties te bereiken (Depreeuw, 1995). Voor een verheldering van dergelijke
modererende variabelen en verklaringen is verder onderzoek noodzakelijk.
Ten slotte speelt ook het welbevinden op school een belangrijke rol. Leerlingen met een hoog
welbevinden op school beleven meer plezier in wiskunde en ervaren wiskunde als relevanter.
Het effect van klaskenmerken is eerder beperkt. Niettemin worden bij drie van de vier
attitudecomponenten een of meerdere significante effecten gevonden. Leerlingen in een
studiegeoriënteerde lesgroep met een hoge gemiddelde intelligentiescore hebben een hoger
academisch zelfconcept m.b.t. wiskunde. Voorts blijkt dat leerlingen meer plezier beleven aan
wiskunde in een klas waar de leeromgeving in sterke mate als constructivistisch wordt ervaren.
Ten slotte stellen we vast dat wiskunde als relevanter wordt ervaren in een klas met een
hogere gemiddelde intelligentiescore.
Wanneer we de resultaten naast de bevindingen van de analyse van de wiskunde-attitude in
TIMSS 1999 leggen, zien we dat de twee klasvariabelen die in TIMSS 1999 een belangrijke
voorspeller zijn van de wiskunde-attitude, ook in ons onderzoek relevant zijn. In TIMSS 1999
blijken de mate waarin de klasgroep studiegericht is en de mate waarin de klasgroep de
leeromgeving als constructivistisch ervaart een belangrijke rol te spelen in de globale
wiskunde-attitude. In TIMSS 2003 merken we dat de studiegerichtheid van de klasgroep
samenhangt met het academisch zelfconcept m.b.t. wiskunde en dat het ervaren
constructivisme in de leeromgeving een belangrijke voorspeller is van het beleven van plezier
aan wiskunde.
108
IV. Bespreking
niet louter samen met de eigen capaciteiten en prestaties maar ook met de cognitieve
mogelijkheden en prestaties van de peer-group (Marsh et al., 2009). Dit impliceert dat “equally
able students have lower academic self-concepts when attending schools where the average
ability level of classmates is high, and higher academic self-concepts when attending schools
where the school-average ability is low” (March, 2005, p. 1). Leerlingen met minder cognitieve
mogelijkheden voelen zich sterker in een cognitief zwakkere groep en zijn er meer
gemotiveerd om een voorsprong op ander leerlingen te krijgen of te behouden omdat hun
eigen prestaties in deze groep betekenisvoller lijken (Marsh et al., 2009). Hun academisch
zelfconcept is zodoende hoger dan wanneer ze in een groep zouden terecht komen met vooral
cognitief sterkere leerlingen. In het model met leerling- en klasvariabelen ter verklaring van
het academisch zelfconcept m.b.t. wiskunde zien we dit effect aan het licht komen. Van twee
leerlingen met eenzelfde intelligentie maar in een verschillende klasgroep, verwachten we een
lager academisch zelfconcept m.b.t. wiskunde bij de leerling in een cognitief sterkere groep.
Figuur 25. Big Fish Little Pond Effect (Marsh, 2007, p. 3).
Uit de resultaten blijkt voorts een aantal interactie-effecten te bestaan. Dit werd getoetst in
modellen waarin uitsluitend een interactie-effect en de hoofdeffecten van beide variabelen in
kwestie werden opgenomen. Zo blijkt het negatieve verband tussen de tijd die besteed wordt
aan huiswerk wiskunde en het academisch zelfconcept m.b.t. wiskunde, sterker bij meisjes te
zijn dan bij jongens. Bij leerlingen die veel tijd spenderen aan hun huiswerk, hebben jongens
een hoger academisch zelfconcept m.b.t. wiskunde dan meisjes. Bij leerlingen die weinig tijd
besteden aan hun huiswerk, is er nagenoeg geen verschil tussen jongens en meisjes.
109
IV. Bespreking
Verder komt uit de resultaten naar voren dat het verband tussen een aantal leerlingvariabelen
en bepaalde attitudecomponenten varieert van klas tot klas en van school tot school, ook na
opname van leerling- en klasvariabelen. Dit is het geval voor de positieve samenhang tussen de
ervaring van duidelijkheid in de leeromgeving en de ervaren relevantie van wiskunde. Ook de
positieve samenhang tussen de ervaren feedback in de leeromgeving en de ervaren relevantie
van wiskunde varieert van klas tot klas en van school tot school. Een exploratie van mogelijke
‘cross-level’ interacties tussen de genoemde leerlingvariabelen en klasvariabelen levert één
significant resultaat op. De sterkte van het verband tussen de mate waarin de leerling aangeeft
frequent feedback te krijgen tijdens de les wiskunde en de ervaren relevantie van wiskunde,
verschilt volgens de mate waarin de leerkracht de lesgroep als ‘rustig’ beoordeelt. In rustigere
groepen is het verband tussen de ervaren feedback en de ervaren relevantie van wiskunde
sterker. Een mogelijke verklaring is dat leerlingen in minder rustige lesgroepen minder gevoelig
zijn voor de positieve effecten van het krijgen van feedback op de ervaren relevantie van
wiskunde.
110
IV. Bespreking
dataset voldoende informatie bevat om het geheel van de clusteringseffecten te vatten, maar
dat het schattingsalgoritme te weinig houvast heeft om gemakkelijk een onderscheid te maken
tussen het klas- en schoolniveau. Er werden immers slechts twee klassen per school
opgenomen, wat een precair minimum is om een onderscheid te kunnen maken tussen de
klas- en de schoolcomponent van de variantie. Het is mogelijk dat de opname van meer
klassen per school het compensatiefenomeen zou terugdringen. In de literatuur is er immers
geen consensus over de grootte van de steekproef op elk niveau. Bickel (2007) benadrukt dat
“An obvious problem (…) is the absence of strict rules for determining adequate sample size at
any level. This again reflects the underresearched and poorly understood character of sample
size determiniation in multilevel analysis” (p. 283). Aangezien de clusteringseffecten
daarenboven relatief klein zijn, veroorzaakt dit onstabiliteit. Deze onstabiliteit heeft tot gevolg
dat een kleine verandering in het model een grote invloed heeft op de geschatte
variantieverdeling. Verder onderzoek is noodzakelijk om dit compensatiefenomeen verder uit
te klaren.
Zoals aangehaald, worden in ons onderzoek geen uitspraken gedaan over de unieke
verklaringskracht van bepaalde variabelen. Wel krijgen we zicht op de variantie op elk niveau
die verklaard wordt in het model met leerling- en klasvariabelen tezamen 22. We zetten de
hoeveelheid verklaarde variantie op elke niveau voor elke component op een rij:
Met het model met leerling- en klasvariabelen wordt in totaal 34% verklaard van de verschillen
tussen leerlingen inzake hun academisch zelfconcept m.b.t. wiskunde. Van de verschillen
tussen klassen binnen scholen wordt met dit model 38% verklaard en van de verschillen tussen
scholen wordt hiermee 39% verklaard.
Het model met leerling- en klasvariabelen, verklaart 23% van de verschillen tussen leerlingen
inzake het beleefde plezier aan wiskunde. Van de verschillen tussen klassen binnen scholen
verklaart dit model de helft en van de verschillen tussen scholen verklaart het model 44%.
Van de totale verschillen tussen leerlingen inzake de ervaren relevantie van wiskunde wordt
met het model met leerling- en klasvariabelen 9% verklaard. Met dit model wordt 18% van de
verschillen tussen klassen binnen scholen verklaard en 20% van de verschillen tussen scholen.
22
Hierbij berekenen we de percentages aan de hand van de formules van Snijders en Bosker (1999, p. 102-104).
Deze zijn dus niet berekend op basis van de proportionele reductie in variantie op elk niveau.
111
IV. Bespreking
Het model met leerling- en klasvariabelen verklaart 12% van de verschillen tussen leerlingen
inzake de gepercipieerde externe aanmoediging. Dit model verklaart 17% van de verschillen
tussen klassen binnen scholen en 27% van de verschillen tussen scholen.
Het aandeel van de variantie dat wordt verklaard op groepsniveau blijkt groot te zijn. Echter,
aangezien het gaat om kleine clusteringseffecten geven deze resultaten een ietwat
misleidende indruk en neigen we tot overinterpretatie. Een genuanceerder beeld kan
verkregen worden wanneer gekeken wordt naar het aandeel van de onverklaarde variantie in
het model met leerling- en klasvariabelen, in vergelijking met de totale variantie in het lege
model. In Tabel 37 wordt in de eerste kolom de intragroepscorrelatie van elk niveau
weergegeven, zoals blijkt in het lege model. In de tweede kolom wordt de hoeveelheid
onverklaarde variantie weergegeven, na opname van de leerling- en klasvariabelen. In de
derde kolom wordt weergegeven hoeveel de variantie op elk niveau gereduceerd is in het
model met leerling- en klasvariabelen, ten opzichte van de totale variantie in het lege model.
We lichten de cijfers exemplarisch toe voor het academisch zelfconcept m.b.t. wiskunde. De
cijfers kunnen op dezelfde manier geïnterpreteerd worden voor de andere drie
attitudecomponenten. Uit Tabel 37 blijkt dat inzake het academisch zelfconcept m.b.t.
wiskunde de intragroepscorrelatie op leerlingniveau daalt van 95% naar 63%. De totale
variantie, zoals blijkt in het lege model, wordt dus gereduceerd met 32% door een
proportionele daling van de verschillen tussen leerlingen na opname van leerling- en
klasvariabelen. De intragroepscorrelatie op klasniveau daalt van 4% naar 2%. Hiermee daalt de
totale variantie in het lege model met 2%. De helft van de verschillen tussen klassen binnen
scholen blijft dus onverklaard. Op schoolniveau daalt de intragroepscorrelatie van 2% naar 1%.
De totale variantie in het lege model daalt hiermee met 1%. De helft van de verschillen tussen
scholen is dus te wijten aan factoren die in ons model met leerling- en klasvariabelen niet in
rekening worden gebracht.
We zouden met de gegevens in Tabel 37 dezelfde oefeningen kunnen maken voor de drie
andere attitudecomponenten. Deze manier van weergave maakt duidelijk dat de schijnbaar
grote hoeveelheden verklaarde variantie op groepsniveau, slechts een kleine hoeveelheid van
de totale verschillen verklaren, omdat we te maken hebben met kleine clusteringseffecten.
112
IV. Bespreking
Tabel 37
Hoeveelheid onverklaarde variantie en gereduceerde variantie in het model met klas- en
leerlingvariabelen, ten opzichte van de totale variantie in het lege model
Intragroepscorrelatie in Hoeveelheid Hoeveelheid gereduceerde
(1) (2)
het lege model onverklaarde variantie variantie
AZC Leerling 94.8 62.9 31.9
Klas 3.6 2.1 1.5
School 1.6 0.9 0.7
Totaal 100.0 65.9 34.1
PIW Leerling 84.4 70.5 13.9
Klas 10.3 2.1 8.2
School 5.3 4.2 1.1
Totaal 100.0 76.8 23.2
ERW Leerling 94.9 87.8 7.1
Klas 4.1 3.1 1.0
School 1.0 0.6 0.4
Totaal 100.0 91.5 8.5
EA Leerling 96.2 85.4 10.8
Klas 1.9 2.4 (-0.5)
School 1.9 0.5 1.4
Totaal 100.0 88.3 11.7
(1)
Hoeveelheid onverklaarde variantie in het model met leerling- en klasvariabelen, ten opzichte van de
totale variantie in het lege model
(2)
Hoeveelheid gereduceerde variantie in het model met leerling- en klasvariabelen, ten opzichte van de
totale variantie in het lege model
113
IV. Bespreking
De resultaten geven ook een aantal implicaties voor de praktijk. Zo blijkt vooreerst dat
attitudeverschillen deels te maken hebben met verschillende achtergrondkenmerken van
leerlingen, waarvan het geslacht en de intelligentie de belangrijkste zijn. In de
onderwijspraktijk kunnen practici die zich hiervan bewust zijn extra aandacht besteden aan
meer kwetsbare groepen. Meisjes hebben een lager academisch zelfconcept m.b.t. wiskunde,
vinden wiskunde minder relevant en percipiëren minder externe aanmoediging. Minder
intelligente leerlingen hebben een lager academisch zelfconcept m.b.t. wiskunde. Een lage
gemiddelde intelligentiescore van de klas voorspelt bovendien minder ervaren relevantie van
wiskunde. Leerkrachten en andere practici kunnen zich engageren om een positieve wiskunde-
attitude bij deze kwetsbare groepen te bevorderen. Zo bestaan er bijvoorbeeld trainingen die
erop gericht zijn het academisch zelfconcept van leerlingen te verhogen (zie o.a. Burnett, 2003;
Craven, Marsh, & Debus, 1991).
Een tweede praktische implicatie, volgt uit de vaststelling van een ‘Big Fish Little Pond Effect’.
Dit fenomeen werd reeds in verschillende onderzoeken bevestigd, over verschillende
populaties, onderwijssettings en culturen heen en er werd tevens aangetoond dat het effect
opgaat voor leerlingen met verschillende intelligentieniveaus (Preckel & Brüll, 2009). In ons
onderzoek wordt aangetoond dat het effect ook bestaat voor het academisch zelfconcept
m.b.t. wiskunde. De gevolgen van het ‘Big Fish Little Pond Effect’ mogen niet onderschat
worden. Recent werd immers aangetoond dat het effect persisteert tot twee jaar nadat de
leerling de school heeft verlaten (Marsh, 2007). Dit geeft belangrijke implicaties voor de
praktijk. Het actuele debat over een homogene of heterogene samenstelling van klassen wordt
hiermee gevoed (zie o.a. Belfi, De Fraine, & Van Damme, 2010). Het ‘Big Fish Little Pond Effect’
dat we vinden in ons onderzoek impliceert dat leerlingen met minder cognitieve
mogelijkheden, meer concreet leerlingen met een lagere numerieke en ruimtelijke
intelligentie, beter af zijn in een homogene groep, althans voor wat betreft hun academisch
zelfconcept m.b.t. wiskunde.
Een derde praktische implicatie vloeit voort uit het belang van de ervaring van de
leeromgeving. In alle attitudecomponenten speelt deze perceptie een belangrijke rol. Het is
aangewezen dat leerkrachten de relevantie hiervan inzien voor het inrichten van krachtige
114
IV. Bespreking
Verder verdienen nog drie andere leerlingvariabelen aandacht in de praktijk. Wanneer een
leerkracht merkt dat een leerling geen plezier beleeft aan wiskunde, kan nagegaan worden of
de leerling zich tevens niet goed voelt op school. Deze attitudecomponent hangt immers
samen met het welbevinden van de leerling op school. Voorts is een belangrijke bevinding dat
leerlingen die veel tijd spenderen aan hun huiswerk van wiskunde en meer bijles krijgen, een
lager academisch zelfconcept hebben m.b.t. wiskunde en meer externe aanmoediging
percipiëren. Voor concrete praktische implicaties van deze vaststelling, is echter verder
onderzoek nodig naar modererende variabelen en verklaringen.
Een eerste beperking van het onderzoek is dat er geen uitspraken gedaan kunnen worden over
causale verbanden. Om dit mogelijk te maken is longitudinaal onderzoek nodig, waarbij
verschillende variabelen herhaaldelijk gemeten en vergeleken worden. Voorts is het wenselijk
verder te onderzoeken welke onderliggende mechanismen spelen bij de gevonden
samenhangen. Een voorbeeld dat we hierbij reeds gaven, is een mogelijk modererend effect
van positieve faalangst op de samenhang tussen het academisch zelfconcept m.b.t. wiskunde
en de tijd die leerlingen spenderen aan hun huiswerk.
23
Dit sluit niet uit dat ook een positieve wiskunde-attitude een gunstige invloed heeft op de ervaring van de
leeromgeving.
115
IV. Bespreking
Een tweede beperking is dat er slechts partiële uitspraken worden gedaan over de unieke
verklaringskracht van variabelen. In dit onderzoek ligt de focus op combinaties van variabelen
die samenhangen met de wiskunde-attitude. In verder onderzoek kan gezocht worden naar
zuivere en gemeenschappelijke effecten van variabelen door bepaalde combinaties van
variabelen te modelleren.
Een derde beperking is dat in ons onderzoek geen schoolvariabelen worden opgenomen. Uit
voorgaand TIMSS onderzoek blijkt dat bijvoorbeeld de geslachtssamenstelling op school een
invloed heeft op de wiskunde-attitude (Van Damme et al., 2001). In een vervolgonderzoek zou
dit verschijnsel opnieuw onderzocht kunnen worden en zou tevens het effect van andere
schoolvariabelen nagegaan kunnen worden.
Een suggestie voor vervolgonderzoek vloeit ten slotte voort uit het herhaaldelijk vastgestelde
compensatiefenomeen van de variantie op groepsniveau. In verder onderzoek kan nagegaan
worden of en in welke mate dit fenomeen te wijten is aan de steekproefgrootte op klas- en
schoolniveau en/of welke andere mechanismen dit fenomeen kunnen verklaren.
116
Referentielijst
Aiken, L.R. (1974). Two scales of attitude toward mathematics. Journal for Research in Mathematics
Education, 5, 67-71.
Belfi, B., De Fraine, B., & Van Damme, J. (2010). De klas: Homogene of heterogene samenstelling?
Leuven: Acco.
Bickel, R. (2007). Multilevel analysis for applied research: It’s just regression. New York: The
Guilford Press.
Boeckaerts, M. (1993). Being concerned with well-being and with learning. Educational
Psychologist, 28, 149-167.
Brassell, A., Perry, S., & Brooks, D.M. (1980). Ability grouping, mathematics achievement, and pupil
attitudes toward mathematics. Journal for Research in Mathematics Education, 11, 22-28.
Burnett, P. C. (2003). The impact of teacher feedback on student self-talk and self-concept in
reading and mathematics. Journal of Classroom Instruction, 38(1), 11-16.
Cai, J., Moyer, J.C., & Wang, N. (1997, March). Parental roles in students’ learning of mathematics.
Paper presented at the Annual Meeting of the American Educational Research Association,
Chicago, IL.
Chouinard, R., Vezeau, C., Bouffard, T., & Jenkins, B. (1999). Gender differences in the development
of mathematics attitudes. Journal of Research and Development in Education, 32(3), 184-192.
Craven, R.G., Marsh, H.W., & Debus, R. L. (1991). Effects of internally focused feedback
and attributional feedback on enhancement of academic self-concept. Journal of
Educational Psychology, 83, 17-27.
De Boeck, P. (2005). De rol van data-analyse in het proces van testconstructie (Niet-gepubliceerd
manuscript). Katholieke Universiteit Leuven, Faculteit Psychologie en Pedagogische
Wetenschappen.
117
De Corte, E., & Op ’t Eynde, P. (2003, April). When girls value mathematics as highly as boys: An
analysis of junior-high students’ mathematics-related beliefs. Paper presented at the annual
meeting of the American Educational Research Association, Chicago, IL.
De Maeyer, S., & Rymenans, R. (2004). Onderzoek naar kenmerken van effectieve scholen: Kritische
factoren in een onderzoek naar schooleffectiviteit in het technisch en beroepssecundair
onderwijs in Vlaanderen. Gent: Academia Press.
Den Boer, D-J., Bouwman, H., Frissen, V., & Houben, M. (2005). Methodologie en statistiek voor
communicatie-onderzoek. Amsterdam: Kluwer.
Depreeuw, E. (1995). De waarheid over faalangst: een stevige theorie voor een daadwerkelijke
aanpak. Caleidoscoop, 95(1), 12-15.
Enders, C.K. (2001). The performance of the Full Information Maximum Likelihood estimator in
multiple regression models with missing data. Educational and Psychological Measurement,
61(5), 713-740.
Foy, P., & Joncas, M. (2004). TIMSS 2003 Sampling Design. In M. Martin, I. Mullis, & S. Chrostowski
(Eds.), TIMSS 2003 Technical Report (pp. 109-124). Boston: TIMSS & PIRLS International Study
Center.
Frost, L.A., Hyde, J.S., & Fennema, E. (1994). Gender, mathematics performance, and mathematics
related attitudes and affect: A meta-analyses synthesis. International Journal of Educational
Research, 21, 373-385.
Garaway, G.B. (1994). Language, culture, and attitude in mathematics and science learning: A
review of literature. Journal of Research and Development in Education, 27, 102-111.
Haladyna, T. (1983). A causal analysis of attitude toward mathematics. Journal for Research in
Mathematics Education, 14, 19-29.
Hannula, M.S. (2002). Attitude towards mathematics: Emotions, expectations and values.
Educational Studies in Mathematics, 49, 25-46.
118
Howitt, D., & Cramer, D. (2004). Introduction to statistics in psychology. Gosport: Ashford Colour
Press Ltd.
Hox, J.J. (1998). Er is nieuws onder de zon: Nieuwe oplossingen voor oude problemen.
Kwantitatieve Methoden, 19, 95-118.
Huisman, M. (2007). Multipele imputatie van ontbrekende scores. In A.E. Bronner, P. Dekker, E. de
Leeuw, L.J. Paas, K. de Ruyter, A. Smiths, & J.E. Wieringa (Eds.), Ontwikkelingen in het
Marktonderzoek: Jaarboek 2007 (pp. 171-188). Haarlem: Spaar en Hout.
IEA. (2002a). TIMSS 2003: Vragenlijst voor de leerling tweede leerjaar S.O. Amsterdam: IEA.
IEA. (2002b). TIMSS 2003: Vragenlijst voor de leraar wiskunde tweede leerjaar S.O. Amsterdam: IEA.
Jee-Seon, K. (2009). Multilevel Analysis: An overview and some contemporary issues. In R.E. Millsap
& A. Maydeu-Olivares (Eds.), The SAGE handbook of quantitative methods in psychology.
London: SAGE Publications Ltd.
Katholieke Universiteit Leuven, & Universiteit Gent. (2004). Vlaanderen in TIMSS 2003 [Brochure].
Borgerhout: De Beurs.
Kreft, I., & de Leeuw, J. (2002). Introducing multilevel modeling. London: Sage Lancaster.
Leder, G. (1995). Equity inside the mathematics classroom: Fact or artifact? In W.G. Secada, E.
Fennema, & L.B. Adajian (Eds.), New Directions for Equity in Mathematics Education (pp 209-
224). Cambridge: University Press.
Ma, X. (1997). Reciprocal relationships between attitude toward mathematics and achievement in
mathematics. Journal of Educational Research, 90, 221-229.
Ma, X., & Kishor, N. (1997). Assessing the relationship between attitude toward mathematics and
achievement in mathematics: A meta-analyses. Journal for Research in Mathematics
Education, 28(1), 26-47.
119
Marsh, H.W. (2005, December). Big-Fish-Little-Pond effect on academic self-concept: Cross-cultural
and cross-disciplinary generalizability. Paper presented at the annual meeting of the Australian
Association for Educational Research, University of Western Sydney, Parramatta, Australia.
Marsh, H.W. (2007). The Big-Fish-Little-Pond Effect: Persistent negative effects of selective high
schools on self-concept after graduation. American Educational Research Journal, 44(3), 631-
669.
Marsh, H.W., & Craven, R. (2006). Reciprocal effects of self-concept and performance from a
multidimensional perspective: Beyond seductive pleasure and unidimensional perspectives.
Perspectives on Psychological Science, 1, 133-163.
Marsh, H.W., Lüdtke, O., Robitzsch, A., Trautwein, U., Asparouhov, T., Muthén, B., & Nagengast, B.
(2009). Doubly-latent models of school contextual effects: Integrating multilevel and structural
equation approaches to control measurement and sampling error. Multivariate Behavioral
Research, 44, 764-802.
Marzano, R. (2003). What works in school: Translating research into action. Alexandria,
VA: Association for Supervision and Curriculum Development.
McLeod, D.B. (1994). Research on affect and mathematics learning in the JRME: 1970 to present.
Journal for Research in Mathematics Education, 25, 637-647.
Meelissen, M., & Luyten, H. (2008). The Dutch gender gap in mathematics: Small for achievement,
substantial for beliefs and attitudes. Studies in Educational Evaluation, 34, 82-93.
Meelissen, M., & Doornekamp, B. (2004). TIMSS-2003 Nederland: Leerprestaties in exacte vakken in
het voortgezet onderwijs. Retrieved February 21, 2010, from
http://timss.gw.utwente.nl/files/documents/
Mullis, V.S., Martin, M.O., Gonzalez, E.J., & Chrostowski, S.J. (2004). TIMSS 2003 International
Mathematics Report. Boston: TIMSS & PIRLS International Study Center.
Opdenakker, M.C., & Van Damme, J. (2000). Effects of schools, teaching staff and classes on
achievement and well-being in secondary education: Similarities and differences between
school outcomes. School Effectiveness and School Improvement, 11, 103-130.
120
Peeters, K., & Vandenbroucke, F. (2009). Memorie van toelichting bij het decreet tot bekrachtiging
van het besluit van de Vlaamse regering betreffende de eindtermen en ontwikkelingsdoelen in
het basis- en secundair onderwijs. Retrieved May 2, 2010, from
http://www.ond.vlaanderen.be/DVO/2009-02-13%20MVTdecreet%20eindtermen.pdf
Pinxten, M., De Fraine, B., & Van Damme, J. (2008). De relatie tussen het academisch zelfconcept en
prestaties: De kip of het ei? Een antwoord uit het LOSO-project (Niet-gepubliceerde
licentiaatsverhandeling). Katholieke Universiteit Leuven, Faculteit Psychologie en Pedagogische
Wetenschappen, Centrum voor onderwijseffectiviteit en –evaluatie.
Preckel, F., & Brüll, M. (2010). The benefit of being a big fish in a big pond: Contrast and
assimilation effects of academic self-concept. Learning and Individual Differences.
doi:10.1016/j.lindif.2009.12.007
Pustjens, H., Van den Noortgate, W., Onghena, P., & Van Damme, J. (2004). Multilevel-analyse in de
praktijk: Deel 1: Een eerste kennismaking. Leuven: Acco.
Rasbash, J., Steele, F., Browne, W.J., & Goldstein, H. (2009). A user’s guide to MLwiN, v2.10. Bristol:
Centre for Multilevel Modelling.
Rutter, M., & Maughan, B. (2002). School effectiveness Findings 1979 – 2002. Journal of School
Psychology, 40(6), 451-475.
Scheerens, J., & Bosker, R. (1997). The foundations of educational effectiveness. Oxford, UK:
Pergmon.
Scheerens, J., Bosker, R. J., & Creemers, B. P. M. (2001). Time for self-criticism: On the viability of
school effectiveness research. School Effectiveness and School Improvement, 12(1), 131-157.
Schreiber, J.B. (2002). Institutional and student factors and their influence on advanced
mathematics achievement. Journal of Educational Research, 95, 274-286.
Schelfhout, W., Van Landeghem, G., Van den Broeck, A., & Van Damme, J. (2007). The effect of
students’ perceptions of the learning environment on mathematics achievement: Explaining
the variance in Flemish TIMSS 2003 data. In P. Wagemaker (Ed.), The second IEA International
Research Conference: Proceedings of the IRC-2006 (Volume 1) (pp. 229-240). Wellington: Excel
Digital Print.
121
Seligman, M.E.P., & Csikszentmihalyi, M. (2000). Positive psychology: An introduction. American
Psychologist, 55, 5-14.
Snijders, T. (2005). Power and sample size in multilevel modeling. In B.S. Everitt & D.C. Howell
(Eds.), Encyclopedia of Statistics in Behavioral Science (Volume 3) (pp. 1570-1573). Chichester:
Wiley.
Snijders, T. (2006). Example session MLwiN. Retrieved November 16, 2009, from
http://stat.gamma.rug.nl/wexample20.pdf
Snijders, T., & Bosker, R. (1999). Multilevel Analysis: An introduction to basic and advanced
multilevel modeling. London: Sage Publications.
SPSS Inc. (2009). SPSS Missing Values 17.0. Retrieved July 24, 2009, from
http://support.spss.com/ProductsExt/SPSS/ESD/17/Download/User%20Manuals/English/SPSS
%20Missing%20Values%2017.0.pdf
Teddlie, C., & Reynolds, D. (2000). International handbook of school effectiveness research. London:
Falmer Press.
Van Damme, J., De Corte, E., Van Damme, D., Van den Broeck, A., Brusselmans-Dehairs, C., &
Opdenakker, M.C. (2001). TIMSS Repeat-onderzoek in Vlaanderen: Vlaams luik. Eindrapport.
Leuven: Steurgroep INES-IEA.
Van Damme, J., De Troy, A., Meyer, J., Minnaert, A., Lorent, G., Opdenakker, M.C., & Verduyckt, P.
(1997). Succesvol doorstromen in de aanvangsjaren van het secundair onderwijs. Leuven: Acco.
Van Damme, J., & Opdenakker, M.C. (2003). Doet de school ertoe? In B. Raymaekers & G. Van Riel
(Eds.), Wetenschap op nieuwe wegen: Lessen voor de eenentwintigste eeuw. Leuven:
Universitaire Pers.
Van Damme, J., Opdenakker, M.C., & Van de Broeck, A. (2004). Do classes and schools have an
effect on attitudes? In C. Papanastasiou (Ed.), TIMSS (Proceedings of the IEA International
Research Conference (IRC-2004) (pp. 9-15). Lefkosia: Cyprus University Press.
Van Damme, J., Valcke, M., De Corte, E., Brusselmans-Dehairs, C., Van den Broeck, A. (2001). TIMSS
Trend-onderzoek in 2003 in Vlaanderen: Eindrapport werkingsjaar 2001. Leuven: Stuurgroep
INES-IEA.
122
Van Damme, J., Van den Broeck, A., & Opdenakker, M.C. (2002). TIMSS Repeat-onderzoek in
Vlaanderen: Vlaams luik. Rapport werkingsjaar 2001/Eindrapport. Leuven: LIVO.
Van Damme, J., Van Landeghem, G., De Fraine, B., Opdenakker, M.C., & Onghena, P. (2004). Maakt
de school het verschil? Effectiviteit van scholen, leraren en klassen in de eerste graad van het
middelbaar onderwijs. Leuven: Acco.
Van de gaer, E., Van Damme, J., & De Munter, A. (2002). Het verschil in schools presteren tussen
jongens en meisjes: Eindrapport van het KULeuven-luik. Leuven: Departement Pedagogische
Wetenschappen.
Van den Noortgate, W., Pustjens, H., & Onghena, P. (2004a). Multilevel-analyse in de praktijk: Deel
2: Verdere uitwerking. Leuven: Acco.
Van den Noortgate, W., Pustjens, H., & Onghena, P. (2004b). Multilevel-analyse in de praktijk: Deel
3: Toepassingen en uitbreidingen. Leuven: Acco.
Van Landeghem, G., & Van Damme, J. (2002). Welbevinden en prestaties in de eerste en tweede
graad van het secundair onderwijs. Leuven: Centrum voor Secundair en Hoger Onderwijs.
Watt, H.M.G. (2000). Measuring attitudinal change in mathematics and English over the first year
of junior high school: A multidimensional analysis. Journal of Experimental Education, 68(4),
331-361.
123
124
Bijlagen
125
126
Bijlage 1. Opgenomen vragen in het onderzoek, afkomstig uit de leerlingenvragenlijst
Bijlage 1
Opgenomen vragen in het onderzoek, afkomstig uit de leerlingenvragenlijst
i
Bijlage 1. Opgenomen vragen in het onderzoek, afkomstig uit de leerlingenvragenlijst
ii
Bijlage 1. Opgenomen vragen in het onderzoek, afkomstig uit de leerlingenvragenlijst
Vraag 32b: Duur van het huiswerk wiskunde (IEA, 2002a, p. 28)
iii
Bijlage 1. Opgenomen vragen in het onderzoek, afkomstig uit de leerlingenvragenlijst
iv
Bijlage 2. Opgenomen vragen in het onderzoek, afkomstig uit de oudervragenlijst
Bijlage 2
Opgenomen vraag in het onderzoek, afkomstig uit de oudervragenlijst
i
Bijlage 3. Schalen met betrekking tot de ervaring van de leeromgeving
Bijlage 3
Schalen met betrekking tot de ervaring van de leeromgeving
In de les wiskunde...
Item nummer Item
In de les wiskunde...
Item nummer Item
i
Bijlage 3. Schalen met betrekking tot de ervaring van de leeromgeving
In de les wiskunde...
Item nummer Item
In de les wiskunde...
Item nummer Item
In de les wiskunde...
Item nummer Item
1 geeft de leraar voorbeelden van situaties uit het dagelijkse leven waarin de leerstof
kan gebruikt worden
5 wordt bij het begin van een nieuw hoofdstuk met voorbeelden uit het dagelijkse
leven duidelijk gemaakt waarover het zal gaan
14 worden situaties beschreven die kunnen voorkomen in de echte wereld en
waarvoor wiskundige oplossingen nodig zijn
ii
Bijlage 3. Schalen met betrekking tot de ervaring van de leeromgeving
In de les wiskunde...
In de les wiskunde...
iii
Bijlage 4. Opgenomen vragen in het onderzoek, afkomstig uit de leerkrachtenvragenlijst
Bijlage 4
Opgenomen vragen in het onderzoek, afkomstig uit de leerkrachtenvragenlijst
i
Bijlage 4. Opgenomen vragen in het onderzoek, afkomstig uit de leerkrachtenvragenlijst
Vraag 22: Hinder veroorzaakt door leerlingen en middelen (IEA, 2002b, p. 10)
ii
Bijlage 4. Opgenomen vragen in het onderzoek, afkomstig uit de leerkrachtenvragenlijst
Vraag 40: Items horende bij de schaal ‘rustige lesgroep’ (IEA. 2002b. p. 19)
Vraag 40: Items horende bij de schaal ‘studiegerichte lesgroep’ (IEA. 2002b. p. 19)
iii
Bijlage 4. Opgenomen vragen in het onderzoek, afkomstig uit de leerkrachtenvragenlijst
Vraag 44: Ervaring van de leeromgeving door de leerkracht (IEA, 2002b, p. 21)
iv
Bijlage 5. Correlatiematrix van de items die peilen naar de wiskunde-attitude
Bijlage 5
Correlatiematrix van de items die peilen naar de wiskunde-attitude
Correlations
IL8a IL8b IL8c_om IL8d IL8e_om IL8f_om IL8g IL9a IL9b IL9c IL9d IL9e VL36a_om VL36b VL36c_om
IL8a Pearson Corr 1 .428** .530** .527** .267** .607** .588** .236** .090** .260** .444** .251** .637** .738** .360**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4339 4333 4322 4314 4333 4327 4332 4331 4329 4326 4320 4277 4318 4314 4310
IL8b Pearson Corr .428** 1 .336** .665** .195** .450** .428** .329** .170** .340** .589** .345** .390** .483** .520**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4333 4343 4325 4317 4336 4331 4335 4336 4333 4330 4325 4278 4322 4318 4314
IL8c_om Pearson Corr .530** .336** 1 .424** .351** .529** .516** .187** .056** .200** .359** .187** .598** .596** .315**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4322 4325 4331 4306 4324 4320 4323 4324 4321 4318 4313 4267 4310 4307 4302
IL8d Pearson Corr .527** .665** .424** 1 .223** .503** .538** .364** .197** .358** .589** .345** .502** .607** .591**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4314 4317 4306 4325 4317 4313 4319 4318 4316 4313 4307 4262 4304 4301 4296
IL8e_om Pearson Corr .267** .195** .351** .223** 1 .280** .307** .127** .036* .122** .189** .091** .369** .285** .197**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .019 .000 .000 .000 .000 .000 .000
N 4333 4336 4324 4317 4343 4333 4335 4336 4333 4330 4325 4280 4322 4318 4314
IL8f_om Pearson Corr .607** .450** .529** .503** .280** 1 .507** .179** .059** .227** .461** .237** .574** .657** .372**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4327 4331 4320 4313 4333 4340 4331 4333 4330 4327 4322 4276 4319 4315 4311
IL8g Pearson Corr .588** .428** .516** .538** .307** .507** 1 .263** .135** .277** .462** .276** .583** .639** .353**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4332 4335 4323 4319 4335 4331 4343 4335 4333 4330 4324 4280 4322 4318 4315
IL9a Pearson Corr .236** .329** .187** .364** .127** .179** .263** 1 .401** .326** .397** .364** .215** .271** .255**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4331 4336 4324 4318 4336 4333 4335 4346 4339 4335 4329 4284 4325 4321 4317
IL9b Pearson Corr .090** .170** .056** .197** .036* .059** .135** .401** 1 .268** .237** .272** .086** .130** .117**
Sig. (2-tailed) .000 .000 .000 .000 .019 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4329 4333 4321 4316 4333 4330 4333 4339 4344 4334 4327 4280 4323 4319 4315
IL9c Pearson Corr .260** .340** .200** .358** .122** .227** .277** .326** .268** 1 .502** .553** .217** .306** .220**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4326 4330 4318 4313 4330 4327 4330 4335 4334 4341 4327 4283 4321 4317 4313
IL9d Pearson Corr .444** .589** .359** .589** .189** .461** .462** .397** .237** .502** 1 .630** .420** .515** .418**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4320 4325 4313 4307 4325 4322 4324 4329 4327 4327 4335 4282 4314 4310 4306
IL9e Pearson Corr .251** .345** .187** .345** .091** .237** .276** .364** .272** .553** .630** 1 .224** .307** .210**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4277 4278 4267 4262 4280 4276 4280 4284 4280 4283 4282 4288 4268 4265 4260
VL36a_om Pearson Corr .637** .390** .598** .502** .369** .574** .583** .215** .086** .217** .420** .224** 1 .680** .397**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4318 4322 4310 4304 4322 4319 4322 4325 4323 4321 4314 4268 4333 4321 4315
VL36b Pearson Corr .738** .483** .596** .607** .285** .657** .639** .271** .130** .306** .515** .307** .680** 1 .386**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4314 4318 4307 4301 4318 4315 4318 4321 4319 4317 4310 4265 4321 4329 4311
VL36c_om Pearson Corr .360** .520** .315** .591** .197** .372** .353** .255** .117** .220** .418** .210** .397** .386** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4310 4314 4302 4296 4314 4311 4315 4317 4315 4313 4306 4260 4315 4311 4325
VL36d_om Pearson Corr .147** .208** .151** .243** .159** .143** .172** .395** .223** .254** .301** .286** .178** .163** .228**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4303 4307 4296 4289 4307 4304 4307 4310 4308 4307 4299 4255 4308 4304 4300
VL36e Pearson Corr -.033* .043** -.037* .080** .004 -.053** .004 .098** .102** .063** .043** .055** -.040** -.020 .083**
Sig. (2-tailed) .030 .004 .017 .000 .789 .001 .774 .000 .000 .000 .005 .000 .008 .184 .000
N 4312 4315 4304 4296 4314 4311 4315 4317 4315 4313 4306 4262 4315 4311 4307
VL36f Pearson Corr .286** .457** .211** .543** .133** .260** .320** .311** .194** .249** .385** .242** .281** .351** .523**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4310 4314 4302 4296 4314 4312 4314 4317 4315 4313 4307 4262 4315 4311 4308
i
Bijlage 5. Correlatiematrix van de items die peilen naar de wiskunde-attitude
VL36g Pearson Corr .488** .634** .387** .791** .194** .490** .494** .332** .182** .349** .580** .341** .473** .581** .638**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4288 4291 4280 4273 4291 4288 4292 4294 4293 4290 4285 4240 4292 4288 4284
VL36h_om Pearson Corr .389** .548** .346** .626** .219** .401** .387** .323** .158** .274** .462** .275** .411** .448** .629**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4308 4311 4300 4293 4311 4308 4312 4314 4312 4310 4304 4259 4313 4308 4304
VL36i_om Pearson Corr .439** .549** .379** .675** .242** .422** .426** .330** .198** .272** .471** .265** .470** .491** .646**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4300 4303 4292 4285 4303 4300 4304 4306 4304 4302 4296 4251 4304 4300 4297
VL36j Pearson Corr .007 .075** .058** .050** .012 .020 .065** .153** .110** .244** .151** .232** .019 .064** -.024
Sig. (2-tailed) .633 .000 .000 .001 .431 .195 .000 .000 .000 .000 .000 .000 .210 .000 .112
N 4298 4301 4290 4283 4301 4298 4302 4304 4302 4301 4294 4250 4302 4299 4294
VL36k_om Pearson Corr .247** .320** .235** .361** .220** .223** .269** .469** .257** .275** .362** .292** .287** .266** .324**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4309 4312 4301 4295 4312 4309 4313 4315 4313 4311 4305 4260 4313 4309 4305
VL36l Pearson Corr .738** .494** .585** .604** .301** .667** .647** .262** .119** .307** .524** .310** .667** .831** .396**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4285 4288 4277 4270 4288 4285 4289 4291 4289 4287 4281 4237 4289 4285 4281
VL36m_o Pearson Corr .635** .481** .571** .552** .306** .652** .561** .232** .081** .274** .494** .271** .653** .713** .422**
m
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4308 4311 4300 4293 4311 4309 4312 4314 4312 4310 4304 4259 4313 4308 4304
VL36n Pearson Corr .197** .300** .154** .313** .114** .164** .236** .515** .289** .317** .374** .352** .193** .241** .239**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4318 4321 4310 4303 4321 4318 4322 4324 4322 4320 4314 4269 4322 4318 4314
VL36o Pearson Corr -.123** -.027 -.091** -.034* -.039** -.135** -.079** .121** .114** .129** .014 .105** -.129** -.131** -.049**
Sig. (2-tailed) .000 .080 .000 .025 .010 .000 .000 .000 .000 .000 .370 .000 .000 .000 .001
N 4311 4315 4303 4297 4315 4312 4315 4318 4316 4313 4308 4261 4306 4303 4298
VL36p Pearson Corr .141** .250** .088** .270** .066** .124** .179** .465** .316** .246** .298** .275** .125** .186** .197**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4306 4310 4299 4292 4310 4307 4310 4313 4311 4308 4303 4256 4300 4297 4292
VL36q_om Pearson Corr .432** .586** .352** .682** .213** .427** .412** .338** .183** .288** .496** .283** .435** .481** .659**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4279 4284 4272 4265 4283 4280 4283 4286 4285 4281 4276 4230 4273 4270 4265
VL36r Pearson Corr -.060** -.040** -.056** -.057** -.061** -.068** -.022 .034* .029 .153** .047** .144** -.081** -.024 -.144**
Sig. (2-tailed) .000 .008 .000 .000 .000 .000 .156 .025 .059 .000 .002 .000 .000 .119 .000
N 4290 4294 4282 4278 4294 4291 4294 4297 4295 4292 4287 4240 4284 4281 4276
VL36s Pearson Corr .150** .215** .097** .252** .063** .118** .146** .241** .169** .262** .217** .244** .111** .170** .164**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4303 4307 4295 4289 4307 4304 4307 4310 4308 4305 4300 4253 4297 4294 4289
VL36t Pearson Corr -.091** .056** -.095** .034* -.070** -.067** -.061** .117** .087** .064** .037* .069** -.102** -.080** .024
Sig. (2-tailed) .000 .000 .000 .025 .000 .000 .000 .000 .000 .000 .015 .000 .000 .000 .119
N 4305 4308 4297 4290 4309 4305 4310 4311 4309 4306 4301 4257 4298 4295 4290
VL36u_om Pearson Corr .247** .206** .257** .248** .250** .224** .222** .177** .074** .097** .176** .084** .320** .251** .248**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4310 4314 4302 4296 4314 4311 4314 4317 4315 4312 4307 4260 4304 4301 4296
**. Corr is significant at the 0.01 level (2-tailed).
*. Corr is significant at the 0.05 level (2-tailed).
ii
Bijlage 5. Correlatiematrix van de items die peilen naar de wiskunde-attitude
Correlations
VL36d_om VL36e VL36f VL36g VL36h_om VL36i_om VL36j VL36k_om VL36l VL36m_om VL36n VL36o VL36p VL36q_om
** * ** ** ** ** ** ** ** ** ** **
IL8a Pearson Corr .147 -.033 .286 .488 .389 .439 .007 .247 .738 .635 .197 -.123 .141 .432**
Sig. (2-tailed) .000 .030 .000 .000 .000 .000 .633 .000 .000 .000 .000 .000 .000 .000
N 4303 4312 4310 4288 4308 4300 4298 4309 4285 4308 4318 4311 4306 4279
IL8b Pearson Corr .208** .043** .457** .634** .548** .549** .075** .320** .494** .481** .300** -.027 .250** .586**
Sig. (2-tailed) .000 .004 .000 .000 .000 .000 .000 .000 .000 .000 .000 .080 .000 .000
N 4307 4315 4314 4291 4311 4303 4301 4312 4288 4311 4321 4315 4310 4284
IL8c_om Pearson Corr .151** -.037* .211** .387** .346** .379** .058** .235** .585** .571** .154** -.091** .088** .352**
Sig. (2-tailed) .000 .017 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4296 4304 4302 4280 4300 4292 4290 4301 4277 4300 4310 4303 4299 4272
IL8d Pearson Corr .243** .080** .543** .791** .626** .675** .050** .361** .604** .552** .313** -.034* .270** .682**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .001 .000 .000 .000 .000 .025 .000 .000
N 4289 4296 4296 4273 4293 4285 4283 4295 4270 4293 4303 4297 4292 4265
IL8e_om Pearson Corr .159** .004 .133** .194** .219** .242** .012 .220** .301** .306** .114** -.039** .066** .213**
Sig. (2-tailed) .000 .789 .000 .000 .000 .000 .431 .000 .000 .000 .000 .010 .000 .000
N 4307 4314 4314 4291 4311 4303 4301 4312 4288 4311 4321 4315 4310 4283
IL8f_om Pearson Corr .143** -.053** .260** .490** .401** .422** .020 .223** .667** .652** .164** -.135** .124** .427**
Sig. (2-tailed) .000 .001 .000 .000 .000 .000 .195 .000 .000 .000 .000 .000 .000 .000
N 4304 4311 4312 4288 4308 4300 4298 4309 4285 4309 4318 4312 4307 4280
IL8g Pearson Corr .172** .004 .320** .494** .387** .426** .065** .269** .647** .561** .236** -.079** .179** .412**
Sig. (2-tailed) .000 .774 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4307 4315 4314 4292 4312 4304 4302 4313 4289 4312 4322 4315 4310 4283
IL9a Pearson Corr .395** .098** .311** .332** .323** .330** .153** .469** .262** .232** .515** .121** .465** .338**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4310 4317 4317 4294 4314 4306 4304 4315 4291 4314 4324 4318 4313 4286
IL9b Pearson Corr .223** .102** .194** .182** .158** .198** .110** .257** .119** .081** .289** .114** .316** .183**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4308 4315 4315 4293 4312 4304 4302 4313 4289 4312 4322 4316 4311 4285
IL9c Pearson Corr .254** .063** .249** .349** .274** .272** .244** .275** .307** .274** .317** .129** .246** .288**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4307 4313 4313 4290 4310 4302 4301 4311 4287 4310 4320 4313 4308 4281
IL9d Pearson Corr .301** .043** .385** .580** .462** .471** .151** .362** .524** .494** .374** .014 .298** .496**
Sig. (2-tailed) .000 .005 .000 .000 .000 .000 .000 .000 .000 .000 .000 .370 .000 .000
N 4299 4306 4307 4285 4304 4296 4294 4305 4281 4304 4314 4308 4303 4276
IL9e Pearson Corr .286** .055** .242** .341** .275** .265** .232** .292** .310** .271** .352** .105** .275** .283**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4255 4262 4262 4240 4259 4251 4250 4260 4237 4259 4269 4261 4256 4230
VL36a_om Pearson Corr .178** -.040** .281** .473** .411** .470** .019 .287** .667** .653** .193** -.129** .125** .435**
Sig. (2-tailed) .000 .008 .000 .000 .000 .000 .210 .000 .000 .000 .000 .000 .000 .000
N 4308 4315 4315 4292 4313 4304 4302 4313 4289 4313 4322 4306 4300 4273
VL36b Pearson Corr .163** -.020 .351** .581** .448** .491** .064** .266** .831** .713** .241** -.131** .186** .481**
Sig. (2-tailed) .000 .184 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4304 4311 4311 4288 4308 4300 4299 4309 4285 4308 4318 4303 4297 4270
VL36c_om Pearson Corr .228** .083** .523** .638** .629** .646** -.024 .324** .396** .422** .239** -.049** .197** .659**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .112 .000 .000 .000 .000 .001 .000 .000
N 4300 4307 4308 4284 4304 4297 4294 4305 4281 4304 4314 4298 4292 4265
VL36d_om Pearson Corr 1 .029 .190** .245** .290** .278** .115** .582** .167** .201** .473** .102** .366** .262**
Sig. (2-tailed) .061 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4318 4303 4303 4279 4299 4291 4289 4301 4276 4299 4309 4293 4287 4260
VL36e Pearson Corr .029 1 .313** .115** .097** .112** .142** .073** -.029 -.047** .118** .267** .143** .126**
Sig. (2-tailed) .061 .000 .000 .000 .000 .000 .000 .057 .002 .000 .000 .000 .000
N 4303 4325 4311 4289 4309 4301 4300 4310 4286 4309 4319 4302 4296 4269
VL36f Pearson Corr .190** .313** 1 .656** .536** .556** .053** .310** .341** .291** .331** .082** .291** .615**
Sig. (2-tailed) .000 .000 .000 .000 .000 .001 .000 .000 .000 .000 .000 .000 .000
N 4303 4311 4325 4290 4311 4302 4300 4311 4287 4310 4320 4304 4298 4272
VL36g Pearson Corr .245** .115** .656** 1 .671** .710** .055** .367** .588** .538** .327** -.022 .291** .745**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .148 .000 .000
N 4279 4289 4290 4302 4288 4282 4278 4289 4265 4289 4298 4282 4275 4249
iii
Bijlage 5. Correlatiematrix van de items die peilen naar de wiskunde-attitude
VL36h_om Pearson Corr .290** .097** .536** .671** 1 .734** -.005 .413** .442** .448** .310** -.043** .255** .695**
Sig. (2-tailed) .000 .000 .000 .000 .000 .749 .000 .000 .000 .000 .005 .000 .000
N 4299 4309 4311 4288 4322 4300 4298 4309 4285 4308 4318 4302 4295 4268
VL36i_om Pearson Corr .278** .112** .556** .710** .734** 1 -.012 .428** .479** .480** .307** -.035* .253** .751**
Sig. (2-tailed) .000 .000 .000 .000 .000 .444 .000 .000 .000 .000 .020 .000 .000
N 4291 4301 4302 4282 4300 4314 4291 4302 4278 4301 4311 4294 4288 4261
VL36j Pearson Corr .115** .142** .053** .055** -.005 -.012 1 .089** .080** .058** .173** .408** .172** -.012
Sig. (2-tailed) .000 .000 .001 .000 .749 .444 .000 .000 .000 .000 .000 .000 .417
N 4289 4300 4300 4278 4298 4291 4312 4303 4278 4299 4309 4292 4286 4260
VL36k_om Pearson Corr .582** .073** .310** .367** .413** .428** .089** 1 .270** .297** .538** .100** .419** .407**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4301 4310 4311 4289 4309 4302 4303 4323 4288 4310 4320 4303 4297 4270
VL36l Pearson Corr .167** -.029 .341** .588** .442** .479** .080** .270** 1 .737** .249** -.113** .192** .478**
Sig. (2-tailed) .000 .057 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4276 4286 4287 4265 4285 4278 4278 4288 4299 4286 4296 4280 4273 4247
VL36m_o Pearson Corr .201** -.047** .291** .538** .448** .480** .058** .297** .737** 1 .198** -.120** .155** .488**
m
Sig. (2-tailed) .000 .002 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4299 4309 4310 4289 4308 4301 4299 4310 4286 4322 4319 4302 4296 4269
VL36n Pearson Corr .473** .118** .331** .327** .310** .307** .173** .538** .249** .198** 1 .165** .544** .325**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4309 4319 4320 4298 4318 4311 4309 4320 4296 4319 4332 4313 4307 4280
VL36o Pearson Corr .102** .267** .082** -.022 -.043** -.035* .408** .100** -.113** -.120** .165** 1 .244** -.004
Sig. (2-tailed) .000 .000 .000 .148 .005 .020 .000 .000 .000 .000 .000 .000 .770
N 4293 4302 4304 4282 4302 4294 4292 4303 4280 4302 4313 4326 4316 4289
VL36p Pearson Corr .366** .143** .291** .291** .255** .253** .172** .419** .192** .155** .544** .244** 1 .281**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4287 4296 4298 4275 4295 4288 4286 4297 4273 4296 4307 4316 4321 4286
VL36q_om Pearson Corr .262** .126** .615** .745** .695** .751** -.012 .407** .478** .488** .325** -.004 .281** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .417 .000 .000 .000 .000 .770 .000
N 4260 4269 4272 4249 4268 4261 4260 4270 4247 4269 4280 4289 4286 4294
VL36r Pearson Corr -.006 .081** -.050** -.064** -.115** -.117** .496** -.043** -.023 -.062** .066** .309** .081** -.122**
Sig. (2-tailed) .677 .000 .001 .000 .000 .000 .000 .005 .126 .000 .000 .000 .000 .000
N 4271 4280 4282 4259 4280 4273 4270 4281 4258 4281 4291 4301 4296 4270
VL36s Pearson Corr .180** .151** .234** .250** .204** .230** .254** .234** .186** .133** .252** .242** .244** .231**
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 4284 4293 4295 4272 4292 4285 4283 4295 4271 4293 4304 4312 4308 4281
VL36t Pearson Corr .029 .152** .154** .069** .017 .030 .175** .027 -.071** -.078** .092** .303** .179** .054**
Sig. (2-tailed) .061 .000 .000 .000 .270 .052 .000 .073 .000 .000 .000 .000 .000 .000
N 4285 4296 4296 4274 4294 4287 4285 4296 4272 4295 4306 4313 4309 4282
VL36u_om Pearson Corr .233** .032* .189** .244** .272** .306** -.034* .330** .258** .265** .188** -.021 .097** .288**
Sig. (2-tailed) .000 .036 .000 .000 .000 .000 .025 .000 .000 .000 .000 .165 .000 .000
N 4291 4301 4302 4279 4299 4292 4290 4301 4277 4300 4311 4319 4315 4288
**. Corr is significant at the 0.01 level (2-tailed).
*. Corr is significant at the 0.05 level (2-tailed).
iv
Bijlage 5. Correlatiematrix van de items die peilen naar de wiskunde-attitude
Correlations
v
Bijlage 5. Correlatiematrix van de items die peilen naar de wiskunde-attitude
vi
Bijlage 6. Anti-image matrix van de items die peilen naar de wiskunde-attitude
Bijlage 6
Anti-image matrix van de items die peilen naar de wiskunde-attitude
Anti-image Matrices
Anti-image Correlation IL8a .973a -.012 -.019 -.023 .026 -.106 -.097 -.035 .026
a
IL8b -.012 .974 .023 -.212 -.019 -.063 -.013 -.029 .005
a
IL8c_om -.019 .023 .974 -.011 -.126 -.099 -.102 -.020 .023
a
IL8d -.023 -.212 -.011 .969 .013 .004 -.095 -.065 -.015
IL8e_om .026 -.019 -.126 .013 .954a -.038 -.083 -.004 .021
a
IL8f_om -.106 -.063 -.099 .004 -.038 .979 .005 .043 .022
a
IL8g -.097 -.013 -.102 -.095 -.083 .005 .983 -.019 -.022
a
IL9a -.035 -.029 -.020 -.065 -.004 .043 -.019 .952 -.220
IL9b .026 .005 .023 -.015 .021 .022 -.022 -.220 .924a
IL9c -.028 -.024 -.004 -.031 -.031 .025 -.011 -.019 -.093
IL9d .001 -.213 -.003 -.067 .008 -.084 -.049 -.048 -.003
IL9e .007 .027 .020 .023 .025 .018 .001 -.054 -.063
VL36a_om -.136 .056 -.174 -.007 -.122 -.045 -.121 .014 -.003
VL36b -.212 .016 -.101 -.067 .034 -.094 -.084 -.022 -.024
VL36c_om -.007 -.078 -.013 -.053 -.007 -.016 .008 .009 .028
VL36d_om .010 .053 -.004 -.001 -.039 -.003 .012 -.065 -.014
VL36e .000 .043 .005 -.006 -.019 .019 -.005 .004 -.027
VL36f .011 -.023 .028 .011 -.010 .045 -.035 -.027 -.022
VL36g .039 -.044 .032 -.345 .059 -.030 -.013 .054 .024
VL36h_om .026 -.073 -.021 -.026 -.014 -.023 .013 -.018 .036
VL36i_om -.020 .007 -.023 -.102 -.025 .014 .003 .002 -.063
VL36j .059 -.036 -.053 .023 .000 .006 -.006 -.030 -.007
VL36k_om -.006 .002 -.014 .012 -.056 .015 -.011 -.117 -.019
VL36l -.210 -.008 -.042 -.036 -.024 -.111 -.120 .017 -.001
VL36m_om -.031 -.050 -.091 .008 -.016 -.177 -.009 .008 .036
VL36n .009 -.026 .008 .024 .020 .013 -.015 -.175 -.002
VL36o -.008 .026 -.016 -.007 -.010 .027 .008 .020 -.008
VL36p .014 -.006 .039 .006 .014 -.008 -.006 -.153 -.107
VL36q_om -.024 -.070 .003 -.054 .001 -.015 .029 -.013 4.925E-5
VL36r .010 .017 .022 .000 .012 .015 -.016 .018 .038
VL36s -.030 -.022 .013 -.044 .000 -.004 .019 -.026 -.024
VL36t .023 -.037 .021 .002 .018 -.016 .025 -.054 -.005
VL36u_om -.009 -.008 -.033 .011 -.100 .001 .017 -.017 .006
i
Bijlage 6. Anti-image matrix van de items die peilen naar de wiskunde-attitude
Anti-image Matrices
Anti-image Correlation IL8a -.028 .001 .007 -.136 -.212 -.007 .010 .000
a
IL9d -.116 .950 -.424 -.013 -.010 -.021 -.034 .000
a
IL9e -.297 -.424 .902 -.003 -.015 .028 -.048 .006
a
VL36b -.016 -.010 -.015 -.126 .958 .079 .026 -.001
a
VL36c_om .011 -.021 .028 -.060 .079 .976 -.036 .018
a
VL36d_om -.028 -.034 -.048 .007 .026 -.036 .916 .041
ii
Bijlage 6. Anti-image matrix van de items die peilen naar de wiskunde-attitude
Anti-image Matrices
Anti-image Correlation IL8a .011 .039 .026 -.020 .059 -.006 -.210 -.031
a
VL36g -.278 .958 -.079 -.102 -.025 .010 -.094 -.019
a
VL36i_om -.019 -.102 -.305 .963 .028 -.084 .029 .001
a
VL36j .012 -.025 .010 .028 .770 .006 -.037 -.045
a
VL36k_om .008 .010 -.059 -.084 .006 .933 .030 -.051
iii
Bijlage 6. Anti-image matrix van de items die peilen naar de wiskunde-attitude
Anti-image Matrices
Anti-image Correlation IL8a .009 -.008 .014 -.024 .010 -.030 .023 -.009
a
VL36n .934 -.013 -.283 -.012 -.019 -.020 .022 -.018
a
VL36o -.013 .810 -.127 -.047 -.097 -.097 -.192 -.040
a
VL36q_om -.012 -.047 -.018 .969 .035 -.022 -.004 -.038
a
VL36r -.019 -.097 -.002 .035 .743 -.196 -.018 .087
a
VL36s -.020 -.097 -.032 -.022 -.196 .943 -.023 -.041
iv
Bijlage 7. PCA op basis van het Kaiser-criterium
Bijlage 7
PCA op basis van het Kaiser-criterium
Communalities
Initial Extraction
i
Bijlage 7. PCA op basis van het Kaiser-criterium
ii
Bijlage 7. PCA op basis van het Kaiser-criterium
Component
1 2 3 4 5 6
iii
Bijlage 8. PCA met vijf componenten
Bijlage 8
PCA met vijf componenten
Component
1 2 3 4 5
i
Bijlage 9. PCA met vier componenten
Bijlage 9
PCA met vier componenten
Component
1 2 3 4
i
Bijlage 10. Betrouwbaarheid van de vier wiskunde-attitude schalen
Bijlage 10
Betrouwbaarheid van de vier wiskunde-attitude schalen
Reliability Statistics
.920 10
Item-Total Statistics
Reliability Statistics
.930 8
Item-Total Statistics
i
Bijlage 10. Betrouwbaarheid van de vier wiskunde-attitude schalen
Reliability Statistics
.825 8
Item-Total Statistics
Reliability Statistics
.627 6
Item-Total Statistics
ii
Bijlage 10. Betrouwbaarheid van de vier wiskunde-attitude schalen
5. Betrouwbaarheid van de schaal ‘ervaren relevantie van wiskunde’ zonder weglating van item 36u
Reliability Statistics
.810 9
Item-Total Statistics
iii
Bijlage 11. Ontbrekende gegevens per wiskunde-attitude item
Bijlage 11
Ontbrekende gegevens per wiskunde-attitude item
Univariate Statistics
Missing
i
i
Bijlage 12
Correlatiematrix met leerlingvariabelen gemeten op intervalniveau
AZC Pearson Corr 1 .000 .000 .000 .100** .419** .019 .013 -.366** -.037* -.355** -.005 .085** -.034* .022 .014 -.016
Sig. (2-tailed) 1.000 1.000 1.000 .000 .000 .215 .400 .000 .016 .000 .771 .000 .026 .153 .349 .291
N 4354 4354 4354 4354 4171 4334 4353 4318 4325 4299 4323 4073 4143 4253 4267 4251 4177
PIW Pearson Corr .000 1 .000 .000 .015 .066** -.025 .282** -.040** -.050** -.006 .318** .432** .215** .329** .230** .310**
Sig. (2-tailed) 1.000 1.000 1.000 .337 .000 .101 .000 .009 .001 .711 .000 .000 .000 .000 .000 .000
N 4354 4354 4354 4354 4171 4334 4353 4318 4325 4299 4323 4073 4143 4253 4267 4251 4177
ERW Pearson Corr .000 .000 1 .000 .079** .092** .067** .130** -.037* .031* .011 .209** .204** .181** .156** .085** .139**
Sig. (2-tailed) 1.000 1.000 1.000 .000 .000 .000 .000 .014 .039 .457 .000 .000 .000 .000 .000 .000
N 4354 4354 4354 4354 4171 4334 4353 4318 4325 4299 4323 4073 4143 4253 4267 4251 4177
EA Pearson Corr .000 .000 .000 1 .033* .010 .100** .035* .080** .047** .058** .241** .115** .168** .090** .141** .200**
Sig. (2-tailed) 1.000 1.000 1.000 .032 .522 .000 .021 .000 .002 .000 .000 .000 .000 .000 .000 .000
N 4354 4354 4354 4354 4171 4334 4353 4318 4325 4299 4323 4073 4143 4253 4267 4251 4177
Opleiding_ouders Pearson Corr .100** .015 .079** .033* 1 .200** .166** .057** -.017 .037* -.031* .004 .024 -.051** -.008 .006 -.027
Sig. (2-tailed) .000 .337 .000 .032 .000 .000 .000 .285 .018 .049 .804 .123 .001 .598 .710 .092
N 4171 4171 4171 4171 4171 4152 4170 4140 4143 4118 4143 3906 3970 4075 4090 4077 4007
Intelligentie Pearson Corr .419** .066** .092** .010 .200** 1 .032* .050** -.228** -.018 -.190** .031* .050** -.020 -.001 -.025 -.045**
Sig. (2-tailed) .000 .000 .000 .522 .000 .034 .001 .000 .239 .000 .047 .001 .194 .965 .098 .004
N 4334 4334 4334 4334 4152 4334 4333 4298 4305 4281 4303 4054 4126 4235 4248 4232 4159
Leefcomfort Pearson Corr .019 -.025 .067** .100** .166** .032* 1 -.017 .026 .042** -.023 .057** .001 .041** .000 .054** .051**
Sig. (2-tailed) .215 .101 .000 .000 .000 .034 .255 .091 .006 .136 .000 .971 .008 .987 .000 .001
N 4353 4353 4353 4353 4170 4333 4353 4317 4324 4298 4322 4072 4142 4252 4266 4250 4176
Welbevinden Pearson Corr .013 .282** .130** .035* .057** .050** -.017 1 -.033* -.050** .052** .191** .236** .114** .196** .115** .153**
Sig. (2-tailed) .400 .000 .000 .021 .000 .001 .255 .032 .001 .001 .000 .000 .000 .000 .000 .000
N 4318 4318 4318 4318 4140 4298 4317 4318 4291 4265 4287 4041 4110 4220 4233 4217 4144
Bijles wiskunde Pearson Corr -.366** -.040** -.037* .080** -.017 -.228** .026 -.033* 1 .022 .192** .006 -.072** .026 -.041** -.016 .015
Sig. (2-tailed) .000 .009 .014 .000 .285 .000 .091 .032 .150 .000 .721 .000 .086 .007 .301 .331
N 4325 4325 4325 4325 4143 4305 4324 4291 4325 4270 4294 4047 4117 4226 4240 4223 4149
Huiswerk Pearson Corr -.037* -.050** .031* .047** .037* -.018 .042** -.050** .022 1 .044** .064** .011 .038* -.012 -.016 .001
frequentie
Sig. (2-tailed) .016 .001 .039 .002 .018 .239 .006 .001 .150 .004 .000 .487 .014 .449 .314 .942
N 4299 4299 4299 4299 4118 4281 4298 4265 4270 4299 4270 4027 4091 4201 4214 4199 4125
Huiswerk Pearson Corr -.355** -.006 .011 .058** -.031* -.190** -.023 .052** .192** .044** 1 .010 -.036* .005 -.024 -.034* -.013
duur
Sig. (2-tailed) .000 .711 .457 .000 .049 .000 .136 .001 .000 .004 .520 .020 .725 .120 .027 .386
N 4323 4323 4323 4323 4143 4303 4322 4287 4294 4270 4323 4048 4117 4225 4238 4223 4150
Activering Pearson Corr -.005 .318** .209** .241** .004 .031* .057** .191** .006 .064** .010 1 .666** .502** .590** .493** .721**
Sig. (2-tailed) .291 .000 .000 .000 .092 .004 .001 .000 .331 .942 .386 .000 .000 .000 .000 .000
N 4177 4177 4177 4177 4007 4159 4176 4144 4149 4125 4150 4025 4077 4149 4166 4177 4177
Bijlage 13
Modellen met één leerlingvariabele als unieke predictor
a) Opleiding ouders
b) Intelligentie
c) Geslacht
d) Geboorteland
i
Bijlage 13. Modellen met één leerlingvariabele als unieke predictor
e) Leefcomfort
f) Thuistaal
g) Optie
h) Welbevinden op school
ii
Bijlage 13. Modellen met één leerlingvariabele als unieke predictor
i) Bijles Wiskunde
l) Activering
m) Duidelijkheid
iii
Bijlage 13. Modellen met één leerlingvariabele als unieke predictor
n) Authenticiteit
o) Feedback
p) Interactie
q) Constructivisme
iv
Bijlage 14. Output in MLwiN: Academisch zelfconcept m.b.t. wiskunde
Bijlage 14
Output in MLwiN: academisch zelfconcept m.b.t. wiskunde
Academische zelfconcept m.b.t. wiskunde: ‘opleiding ouders’ als unieke verklarende variabele
i
Bijlage 15. Modelopbouw met instroomkenmerken
Bijlage 15
Modelopbouw met instroomkenmerken
1. Academisch zelfconcept
i
Bijlage 15. Modelopbouw met instroomkenmerken
2. Plezier in wiskunde
ii
Bijlage 15. Modelopbouw met instroomkenmerken
iii
Bijlage 15. Modelopbouw met instroomkenmerken
iv
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
Bijlage 16
Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
i
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
ii
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
2. Plezier in wiskunde
iii
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
iv
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
v
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
vi
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
vii
Bijlage 16. Modelopbouw met instroomkenmerken en andere verklarende leerlingvariabelen
viii
Bijlage 17
Correlatiematrix met klasvariabelen
Correlations
Sig. (2-tailed) ,177 ,000 ,000 ,016 ,026 ,131 ,279 ,520 ,259
N 228 220 220 220 216 228 220 221 193 219
Rustige lesgroep Pearson Correlation ,091 1 -,103 -,373** -,010 -,066 ,014 ,035 ,126 ,096
Bijlage 18
Modellen met één klasvariabele als unieke predictor
a) Rustige lesgroep
b) Studiegerichte lesgroep
i
Bijlage 18. Modellen met één klasvariabele als unieke predictor
ii
Bijlage 18. Modellen met één klasvariabele als unieke predictor
iii
Bijlage 19. Modelopbouw met klasvariabelen
Bijlage 19
Modelopbouw met klasvariabelen
i
Bijlage 19. Modelopbouw met klasvariabelen
ii
Bijlage 19. Modelopbouw met klasvariabelen
2. Plezier in wiskunde
iii
Bijlage 19. Modelopbouw met klasvariabelen
iv
Bijlage 19. Modelopbouw met klasvariabelen
v
Bijlage 19. Modelopbouw met klasvariabelen
vi
Bijlage 19. Modelopbouw met klasvariabelen
vii
Bijlage 19. Modelopbouw met klasvariabelen
viii
Bijlage 20. Modelopbouw met leerling- en klasvariabelen
Bijlage 20
Modelopbouw met leerling- en klasvariabelen
i
Bijlage 20. Modelopbouw met leerling- en klasvariabelen
2. Plezier in wiskunde
ii
Bijlage 20. Modelopbouw met leerling- en klasvariabelen
iii
Bijlage 20. Modelopbouw met leerling- en klasvariabelen
iv
Bijlage 20. Modelopbouw met leerling- en klasvariabelen
v
Bijlage 20. Modelopbouw met leerling- en klasvariabelen
vi