Een Netwerkanalyse van de Verschillen in Motivatie tussen Leerlingen met Hoge en Lage Studieprestaties
Bachelorthese Psychologische Methodenleer Universiteit van Amsterdam
Begeleiders: Claudia van Borkulo & Harrie Vorst Auteur: Emma Machielse
Studentnummer: 10003844 Datum: 26-01-2016
Inleiding
Studieprestaties zijn van belang voor de economische groei blijkt uit een internationaal onderzoek van Hanushek & Woessmann (2010). Deze heeft de resultaten van diverse toetsen van de Organisatie voor Economische Samenwerking en Ontwikkeling (OESO) en de International
Association for the Evaluation of Educational Achievement (IEA) onderzocht. Deze toetsen worden om het aantal jaar internationaal afgenomen en meten wiskunde-, taal- en natuurkundekennis in het primair en voortgezet onderwijs. Uit deze toetsen blijkt ook dat de onderwijsprestaties in Nederland sinds 2000 om onbekende reden aan het dalen zijn, zowel in absolute zin als ten opzichte van andere landen (Centraal Plan Bureau, 2011). Motivatie van de leerlingen speelt hier mogelijk een rol in. Uit verschillende onderzoeken is namelijk gebleken dat groepen met een gemiddeld lagere motivatie, slechtere studieprestaties hebben dan groepen met een gemiddeld hogere motivatie (Busato, Prins, Elshout & Hamaker, 2000; Spilt, Hughes, Wu & Kwok, 2012; Spinath, Spinath, Harlaar & Plomin, 2006; Xia, Fosco & Feinberg, 2015). In de onderzoeksliteratuur wordt echter geen algemene definitie van motivatie gegeven, en zijn motivationele constructen theoretisch niet helder (Murphy & Alexander, 2000). Pintrich (2000) stelt dat motivatie geen kwantiteit is, waarbij leerlingen “gemotiveerd” of “ongemotiveerd” zijn, maar dat verschillen in motivatie kwalitatief zijn. Hij geeft aan dat er een multidimensionale benadering voor motivatie nodig is. In dit onderzoek zal gebruik worden gemaakt van zo'n benadering bij het onderzoeken van de verschillen in motivatie bij hoge en lage studieprestaties.
De meest gebruikelijke methode om motivatie te onderzoeken is het latente variabele model. Een latente variabele is een abstract construct, zoals motivatie, dat niet direct meetbaar is. Met gebruik van meetbare variabelen, wordt geprobeerd het latente construct te schatten. Zo gebruikt men informatie over de huiswerkattitude van een leerling om diens motivatie te schatten. Één van de assumpties is lokale onafhankelijkheid. Dit houdt in dat de meetbare variabelen niet mogen correleren, na controleren voor de latente trek. Motivationele constructen blijken niet onafhankelijk van elkaar te zijn, maar vertonen onderling positieve correlaties (Murphy & Alexander, 2000). Zo heeft een slechte relatie met de leerkracht een negatieve invloed op academische zelfperceptie (Wentzel, 1999, aangehaald in Spilt, Hughes, Wu & Kwok, 2012). Hiermee wordt de assumptie van lokale onafhankelijkheid voor motivatie geschonden.
Een tweede assumptie van het latente variabele model is de verwisselbaarheid van
indicatoren. Dit impliceert dat 100% betrouwbare en valide indicatoren, volledig met elkaar zouden correleren (Jöreskog, 1971, aangehaald in Dalege et al., 2016). Deze eis houdt niet vanwege het multidimensionale karakter van motivatie (Murphy & Alexander, 2000). Om een juiste schatting te maken van iemands motivatie, zijn inhoudelijk diverse indicatoren nodig. Voorbeelden van
1984, aangehaald in Elliot & McGregor, 2001), en de perceptie van het eigen kunnen (Eccles & Wigfield, 1995, aangehaald in Spinath, Spinath, Harlaar & Plomin, 2006). Een indicator voor doelgerichtheid en een indicator voor zelfperceptie zullen nooit volledig met elkaar correleren. De assumptie van het latente variabele model dat de indicatoren verwisselbaar zijn, lijkt logischerwijs niet geldig voor motivatie.
Een analyse aan de hand van het netwerkmodel hoeft niet te voldoen aan bovenstaande assumpties. Associaties tussen observeerbare variabelen worden niet verklaard door een
onderliggend construct. In plaats daarvan zijn de associaties onderdeel van een netwerk van causaal gerelateerde variabelen. Zo zou de associatie tussen bijvoorbeeld de relatie met de leerkracht en academische zelfperceptie (Wentzel, 1999, aangehaald in Spilt, Hughes, Wu & Kwok, 2012) voortkomen uit een direct causaal verband tussen die twee variabelen. Een netwerk is een systeem van zulke onderling gerelateerde variabelen (Dalege et al., 2016). Het netwerk is een theoretisch construct waarbij de observeerbare variabelen allemaal (in)direct gerelateerd zijn. De knopen in het netwerk representeren de observeerbare variabelen en de verbindende lijnen zijn de associaties tussen de variabelen (Cramer, Waldorp, van der Maas & Borsboom, 2010; Cramer et al., 2012). De associaties kunnen correlaties, partiële correlaties en bij longitudinaal onderzoek causale verbanden weergeven.
De totale connectiviteit van een netwerk is de som van de absolute associaties tussen de variabelen (Barrat, Barthélemy, Pastor-Satorras & Vespignani, 2004).Volgens de theorie heeft een netwerk dus hoge connectiviteit, indien er sprake is van sterke feedback tussen de variabelen (van Borkulo et al., 2015). Een netwerk van motivatie met hoge connectiviteit betekent waarschijnlijk een sterkere motivatie dan een netwerk met lage connectiviteit en is daarom gerelateerd aan hogere studieprestaties. Naar verwachting hebben leerlingen met lage studieprestaties dus een
motivationeel netwerk met een lagere connectiviteit dan leerlingen met hoge studieprestaties. Dit wordt getest met behulp van de Network Comparison Test (NCT) (van Borkulo et al., 2015).
De verschillen tussen de geobserveerde variabelen met betrekking tot hun belang binnen een netwerk kunnen worden weergegeven met centraliteitsmaten. Drie populaire maten die in dit
onderzoek worden gebruikt zijn node strength, betweenness (Barrat, Barthélemy, Pastor-Satorras & Vespignani, 2004) en closeness (Freeman, 1978). Deze centraliteitsmaten kunnen gebruikt worden om iets te zeggen over het belang van de geoberveerde motivationele variabelen binnen het
netwerk. Mogelijk zijn hier verschillen in voor leerlingen met hoge en leerlingen met lage
studieprestaties. Er kan bijvoorbeeld blijken dat de relatie met de leerkracht een centraal punt is in het netwerk van hoogpresteerders.
Hoe motivatie gemeten moet worden, hangt af van de context en de doelgroep (Spinath, Spinath, Harlaar & Plomin, 2006). Voor leerlingen in het basis- en voortgezet onderwijs zijn
werkhouding (Busato, Prins, Elshout & Hamaker, 2000), sociaal-emotionele houding (Spilt, Hughes, Wu & Kwok, 2012; Xia, Fosco & Feinberg, 2015), en zelfvertrouwen (Spinath, Spinath, Harlaar & Plomin, 2006) op school relevante begrippen. Daarom zal dit onderzoek zich richten op deze drie factoren.
Peetsma en Veen (2008) claimen dat scholen afnemende motivatie rapporteren op het VMBO vanwege afstroom vanuit hogere niveaus. Voortijdig schoolverlaten komt dan ook drie keer zoveel voor in het VMBO dan in de rest van het middelbaar onderwijs (Peetsma & Veen, 2008). Mogelijk zijn er dus verschillen in motivatie tussen de verschillende schoolniveaus. Om die reden zal het onderzoek onderscheid maken tussen schoolniveaus.
Methode Steekproef
De School Attitude Questionnaire Internet (SAQI) (Vorst et al., 2008) is een adaptieve zelfbeoordelingsvragenlijst geschikt voor scholieren. De test staat op de lijst van toegestane meetinstrumenten voor sociaal-emotionele problematiek bij scholieren (Ministerie van Onderwijs, Cultuur en Wetenschap, 2015). De test wordt dan ook op grote schaal ingezet op het basisonderwijs en het middelbaar onderwijs in Nederland. De test wordt online gemaakt en daarom kunnen de resultaten van iedere deelnemer direct worden opgeslagen in een database op een server. Uit de database die zo is ontstaan, is de data voor dit onderzoek verkregen. Er zijn tussen 1 oktober 2009 en 9 juni 2011 462.798 leerlingen die de vragenlijst hebben ingevuld. 368 scholieren zijn niet meegenomen, omdat hun schoolcijfers niet bekend zijn.
Dat de test adaptief is betekent dat gedurende de afname van de test, op basis van een antwoord op een vraag, berekend wordt welke vraag vervolgens wordt aangeboden. Daardoor is het niet nodig dat de leerlingen de test volledig invullen om een juiste schatting van de schalen te kunnen maken. Vanwege de hierdoor verschillende antwoordpatronen waarbij antwoorden
ontbreken, is een complexe methode nodig om de schaalscores te berekenen. De testontwikkelaars hebben dit uitbesteed. Voor de berekening wordt een methode van Samejima (1969) geselecteerd. 284.863 scholieren zijn buiten beschouwing zijn gelaten, omdat voor hen (nog) geen schaalscores zijn berekend. Alleen hun ruwe scores, dus de antwoorden op de vragen, waren beschikbaar. Uiteindelijk zijn dus 177.567 leerlingen geselecteerd voor dit onderzoek.
De scholen die gebruik hebben gemaakt van de SAQI hebben aangegeven op welk niveau hun leerling zit. Hierbij hadden zij keuze uit acht niveaus, namelijk primair onderwijs (1),
praktijkonderwijs (2), VMBO basis, kader of gemengd (3), VMBO gemengd of theoretisch (4), brugklas MAVO/HAVO (5), HAVO (6), brugklas HAVO/VWO (7) en VWO1. (8). Dit
onderscheid
juni 2011 de vragenlijst ingevuld. Op dat moment zaten zij in klas 1, 2 of 3. De klas waar de leerling in zat, is niet meegenomen in de analyse.
De SAQI heeft als doel het inventariseren van schoolattitudes van scholieren tussen de 9 en 16 jaar. De SAQI meet de motivationele houding ten opzichte van het schoolwerk, de
sociaalemotionele houding ten opzichte van het schoolleven en het zelfvertrouwen ten opzichte van het eigen kunnen. Deze drie aspecten worden gemeten aan de hand van negen basisschalen:
LeertaakGerichtheid (LG), Concentratie in de Klas (CK), HuiswerkAttitude (HA), Plezier op School (PS), Sociaal Aanvaard voelen (SA), Relatie met Leerkrachten (RL),
UitdrukkingsVaardigheid (UV), Zelfvertrouwen bij Proefwerken (ZP) en Sociale Vaardigheid (SV). Er is nog een tiende basisschaal, Sociale Wenselijkheid (SW), waarmee de oprechtheid van de antwoorden van de scholieren gecontroleerd kan worden. De SAQI bestaat uit 160 items, 16 items voor elk van de basisschalen. Een voorbeeld van een item op de SAQI is: “Ik werk hard voor alle vakken om goede cijfers te krijgen” De antwoordschaal is ordinaal, van “Dat is niet zo”, naar “Dat weet ik niet” naar “Dat is zo”, dus een score van “0”, “1” of “2” is mogelijk (Vorst et al., 2008). Deze scores worden met de methode van Samejima (1969) omgezet naar gestandaardiseerde scores op de basisschalen.
Uit betrouwbaarheidsonderzoek (Vorst et al. 2008) van de basisschalen van de SAQI bleek de paralleltest betrouwbaarheid voldoende (mediaan: α = .75) en de interne consistentie voldoende (α = .74). De test-hertest betrouwbaarheid was na 4 maanden (mediaan: α = .63) en na 8 maanden (mediaan: α = .52) voldoende, maar na drie jaar matig (mediaan: α = .40). Daarom is geconcludeerd dat de gegevens van de SAQI ongeveer een jaar geldig blijven. De begripsvaliditeit van de SAQI is door de COTAN beoordeeld als voldoende, de test heeft in zijn geheel ook een voldoende gekregen. Condities
De leerlingen vullen bij afname van de SAQI hun gemiddelde cijfer in van drie groepen vakken, namelijk de taal- de reken- en de zaakvakken. Onder de zaakvakken vallen aardrijkskunde, geschiedenis, wereldoriëntatie e.d. De leerlingen vullen hier de meest recente gemiddeldes in. De studieprestaties in dit onderzoek zijn berekend door het gemiddelde van deze drie cijfers te nemen. Alle gemiddeld onvoldoende – lager dan 5.5 - scorende leerlingen vormen de groep
laagpresteerders. Hetzelfde aantal leerlingen met de hoogte cijfers is geselecteerd om de groep hoogpresteerders te vormen.
Netwerk analyse
Op basis van L1-geregulariseerde partiële correlaties tussen de basisschalen van de SAQI zijn de netwerken van laag- en van hoogpresteerders per niveau geschat (Friedman, Hastie, 1 Er is geen onderscheid gemaakt tussen Atheneum en Gymnasium leerlingen, zij worden gezamenlijk geschaard onder het kopje VWO.
Tibshirani & Sparse, 2008; Tibshirani, 1996, aangehaald in van Borkulo et al., 2015). Bij partiële correlaties wordt voor elke correlatie tussen twee variabelen gecontroleerd voor alle andere
variabelen in het netwerk. Op die manier wordt uitgesloten dat een associatie wordt verklaard door een derde variabele. Een partieel correlatie netwerk zal geen associatie vinden tussen bijvoorbeeld zelfvertrouwen bij proefwerken en de relatie met de leerkracht, indien de correlatie volledig wordt verklaard door de concentratie in de les. Een partieel correlatie netwerk geeft dus directe associaties tussen variabelen weer.
Het Bayesiaanse informatie criterion (BIC) is gebruikt om het meest geschikte model te kiezen. Deze gebruikt de hyperparameter γ. In de huidige analyse is deze parameter op 1 gezet, de strengte. Er is getest voor γ = 0 en γ = 0.5, daarmee werd op dezelfde uitkomsten gekomen. NCT analyse
De connectiviteit van de netwerken van laag- en hoogpresteerders zijn voor alle niveaus met elkaar vergeleken. Hiervoor is het NetworkComparisonTest R-Package gebruikt. Dit is een
tweezijdige permutatietest die, 1000 keer 2 groepen maakt en het verschil in connectiviteit tussen de twee groepen berekent. Hiervan wordt een verdeling gemaakt. De alpha die wordt toegepast is 0.5. Indien de kans op het geobserveerde verschil kleiner dan 0.025 is, worden de netwerken als
significant verschillend in connectiviteit beschouwd (van Borkulo et al., 2015). Centraliteitsanalyse
De drie centraliteitsmaten die worden berekend voor alle basisschalen zijn node strength, betweenness (Barrat, Barthélemy, Pastor-Satorras & Vespignani, 2004) en closeness (Freeman, 1978). Node strength is de som van alle gewogen connecties van een variabele. Betweenness is het aantal keer dat het kortste pad tussen twee andere variabelen via de variabele gaat. De betweenness zegt dus iets over de mate waarin een variabele als een soort brug fungeert. Closeness is een maat die aangeeft in welke mate er weinig afstand zit tussen de variabele en de rest van het netwerk. Indien de closeness 1 is, is de variabele in direct verband met alle andere variabelen in het netwerk. Hoe dichter bij 0, hoe meer variabelen er gekruist moeten worden om het totale netwerk bereikt te hebben.
Resultaten Algemene resultaten
In tabel 1 zijn de algemene gegevens van de deelnemers weergegeven. Vanwege de grootte van de dataset, is de variabele sekse niet meegenomen bij het maken van de condities. De
percentages mannen en vrouwen per conditie zijn dus onbekend, vandaar dat deze niet weergegeven worden in de tabel. In tabel 2 worden de gemiddelde scores op de basisschalen per conditie per niveau weergegeven. Dit zijn gestandaardiseerde waarden berekend volgende de methode van Samejima (1969). De tabel maakt zichtbaar dat de leerlingen met lage studieprestaties lager scoren.
Netwerkanalyse
In tabel 3 zijn de resultaten van de NCT weergegeven. Figuur 1 tot en met 8 geven de netwerken weer voor hoog- en laagpresteerders per niveau. De groene en rode verbindingslijnen representeren de partiële correlaties tussen de basisschalen. De groene kleur staat voor een positieve associatie, de rode kleur voor een negatieve associatie. Hoe dikker de lijnen, hoe sterker de
associaties zijn. De dikte en kleur van de lijnen in de netwerkfiguren zijn relatief en geven niet de absolute sterkte van de associaties weer. Daarom kan niets geconcludeerd worden over de absolute verschillen in connectiviteit tussen hoog- en laagpresteerders of schoolniveaus aan de hand van de figuren. In de bijlage zijn netwerken opgenomen die allemaal dezelfde waarde gebruiken om de relatieve sterkte van de associaties mee te bepalen. De sterkte van de associaties in deze netwerken kunnen wel met elkaar vergeleken worden, zowel tussen condities en tussen schoolniveaus. De afkortingen van de variabelen in de figuren staan uitgelegd in tabel 2.
Zonder onderscheid te maken tussen niveau en studieprestaties vallen bepaalde patronen op binnen de netwerken. Sociale Vaardigheid vertoont sterke associaties met Zelfvertrouwen bij Proefwerken, Uitdrukkingsvaardigheid en in mindere mate Sociale Aanvaardheid.
Uitdrukkingsvaardigheid heeft behalve met Sociale Vaardigheden vaak associaties met
Concentratie in de Klas. Concentratie in de Klas heeft daarnaast voornamelijk associaties met Leertaakgerichtheid en Huiswerkattitude en in mindere mate Relatie met de Leerkracht.
Leertaakgerichtheid heeft met Huiswerkattitude nagenoeg voor elk niveau en conditie de sterkste associatie binnen het netwerk. Een bijna net zo sterk en veelvuldig gevonden verband is die tussen de Relatie met de Leerkracht en Plezier op School. Plezier op school en Leertaakgerichtheid vertonen ook onderling associatie. Verder vertoont Plezier op school vaak een associatie met Sociale Aanvaardheid. Tot slot wordt er nog vaak een associatie gevonden tussen
Leertaakgerichtheid en Relatie met de Leerkracht.
Zonder onderscheid te maken tussen de niveaus zijn er algemene verschillen te ontdekken tussen hoog- en laagpresteerders bij het bekijken van figuur 1 t/m 8. Bij laagpresteerders wordt bij vijf niveaus een negatief verband gevonden tussen Leertaakgerichtheid en Zelfvertrouwen bij Proefwerken, alleen bij VWO in beide condities. Bij hoogpresteerders wordt bij vijf niveaus een verband gevonden tussen Leertaakgerichtheid en Uitdrukkingsvaardigheid, bij laagpresteerders niet. Bij hoogpresteerders zijn de associaties tussen Concentratie in de Klas en Uitdrukkingsvaardigheid sterker. Bij hoogpresteerders heeft Leertaakgerichtheid een sterkere associatie met Plezier op school, en ook iets sterker met de Relatie met de leerkracht. Bij alle niveaus behalve het praktijkonderwijs, lijken de netwerken van de hoogpresteerders meer en sterkere associaties te vertonen. Behalve de relatie tussen SA en SV, die is bij laagpresteerders vaak sterker.
Figuur 1 geeft de netwerken van het basisonderwijs weer. Uit de NCT analyse is gebleken dat de connectiviteit van de groep hoogpresteerders significant sterker was dan de connectiviteit van de groep laagpresteerders (tabel 3). Met uitzondering van de associatie tussen SA en SV, zijn alle associaties in het netwerk van de hoogpresteerders sterker. Alleen bij de hoogpresteerders is er een positief verband tussen UV en LG, UV en RL, en ZP en SA.
Figuur 1. De Netwerken voor Hoogpresteerders (BO hoog) en Laagpresteerders (BO laag) in het basisonderwijs.
Tussen de netwerken van hoog- en laagpresteerders binnen het praktijkonderwijs is geen significant verschil in connectiviteit gevonden (tabel 3). In figuur 2 is zichtbaar dat de verspreiding van de connectiviteit wel verschilt. Voornamelijk de rol van Plezier op school en
Leertaakgerichtheid lijken anders. Plezier op school is bij de laagpresteerders sterk geassocieerd met Relatie met de Leerkracht en Sociale Aanvaardheid. Bij hoogpresteerders zijn die associaties zwakker, maar zijn de associaties tussen Leertaakgerichtheid met Plezier op school en de Relatie met de leerkracht sterker. ZP heeft met RL en PS negatieve associaties, bij laagpresteerders geen. Figuur 2. De Netwerken voor Hoogpresteerders (PRO hoog) en Laagpresteerders (PRO laag) in het praktijkonderwijs.
Figuur 3 geeft de netwerken voor schoolniveau VMBO B/K/G weer. Tussen deze twee netwerken is geen significant verschil in connectiviteit gevonden (tabel 3). Er zijn wel duidelijke verschillen te zien in figuur 3 met betrekking tot de verspreiding van de connectiviteit over het netwerk. Alle positieve associaties zijn in het netwerk van de hoogpresteerders sterker, met uitzondering van de associatie tussen SV en SA en de associatie tussen CK en LG. In het netwerk van de laagpresteerders zijn vier zwakke negatieve associaties zichtbaar. ZP heeft een negatieve associatie met HA en LG. SV heeft een negatieve associatie met LG en RL.
Figuur 3. De Netwerken voor Hoogpresteerders (VMBO B/K/G hoog) en Laagpresteerders (VMBO B/K/G laag) in het VMBO B/K/G.
Figuur 4 geeft de netwerken voor schoolniveau VMBO G/T weer. Tussen deze twee netwerken is geen significant verschil in connectiviteit gevonden (tabel 3). Er zijn wel zichtbare verschillen die sterk overeenkomen met de verschillen bij schoolniveau VMBO B/K/G. De relatie met de leerkracht vertoont bij laagpresteerders sterkere associaties met leertaakgerichtheid en concentratie in de klas. Terwijl bij laagpresteerders de Relatie met de leerkracht een sterke associatie heeft met Plezier op school. Leertaakgerichtheid vertoont sterkere positieve associaties bij de hoogpresteerders, en vertoont bij de laagpresteerders een negatieve associatie met ZP. Ook Huiswerkattitude vertoont een lichte negatieve associatie met ZP bij de laagpresteerders.
Figuur 4. De Netwerken voor Hoogpresteerders (VMBO G/T hoog) en Laagpresteerders (VMBO G/T laag) in het VMBO
G/T.
Tussen de connectiviteit van de netwerken van hoog- en laagpresteerders voor
MAVO/HAVO is een significant verschil gevonden (tabel 3). In figuur 5 is te zien dat de groep hoogpresteerders een hogere connectiviteit heeft. Het netwerk van de hoogpresteerders vertoont dikkere groene lijnen en er zijn dus sterkere associaties tussen de basisschalen. Met name bij Leertaakgerichtheid is een verschil zichtbaar, bij de hoogpresteerders vertoont deze schaal sterke postieive associaties met CK en PS. Ook Concentratie in de Klas valt op, deze vertoont bij hoogpresteerders sterkere associaties met ZP, UV, LG en RL. Sommige associaties zijn echter sterker bij de laagpresteerders, namelijk bij Plezier op school met HA, SA en RL.
Figuur 5. De Netwerken voor Hoogpresteerders (MAVO/HAVO hoog) en Laagpresteerders (MAVO/HAVO laag) in het MAVO/HAVO.
Figuur 6 geeft de netwerken voor schoolniveau HAVO weer. Tussen deze twee netwerken is geen significant verschil in connectiviteit gevonden (tabel 3). De netwerken vertonen wel
verschillen in de verspreiding van connectiviteit. Opvallend is dat de associaties tussen CK met UV en RL sterker zijn bij hoogpresteerders. De relatie tussen SA en SV is sterker bij laagpresteerders. Negatieve correlaties tussen ZP met LG en HA bij laagpresteerders. Sterkere associatie tussen LG en CK bij laagpresteerders.
Figuur 6. De Netwerken voor Hoogpresteerders (HAVO hoog) en Laagpresteerders (HAVO laag) in het HAVO.
netwerken is een significant verschil in connectiviteit gevonden (tabel 3). Uit figuur 7 kan
opgemaakt worden dat de connectiviteit in de groep hoogpresteerders hoger is dan die in de groep laagpresteerders. Alle positieve associaties zijn sterker in de groep hoogpresteerders. Bovendien zijn er meer in aantal. De associaties die bij hoogpresteerders wel aanwezig zijn en bij
laagpresteerders niet zijn tussen SA en RL, tussen PS en LG, tussen PS en UV, en tussen CK en ZP. Alleen zijn er twee negatieve associaties tussen ZP met HA en LG, waar hoogpresteerders geen associatie kennen.
Figuur 7. De Netwerken voor Hoogpresteerders (HAVO/VWO hoog) en Laagpresteerders (HAVO/VWO laag) in het
HAVO/VWO.
Figuur 8 geeft de netwerken voor schoolniveau VWO weer. Tussen deze twee netwerken is geen significant verschil in connectiviteit gevonden (tabel 3). Toch zijn er meer en sterkere
positieve associaties in de groep hoogpresteerders. Dit verschil is voornamelijk zichtbaar bij Plezier op school, die sterkere associaties vertoont met LG, SV en CK in die conditie. Ook bij CK, die positievere associaties vertoont met HA, LG, PS, RL en UV. Tot slot UV, vertoont sterkere associaties met ZP, SV en LG. Een aantal zwakke associaties zijn nog zwakker bij de groep hoogpresteerders, namelijk tussen UV en PS, UV en SA, en HA en PS.
Figuur 8. De Netwerken voor Hoogpresteerders (VWO hoog) en Laagpresteerders (VWO laag) in het VWO.
Centraliteitsanalyse
Een weergave van de drie berekende centraliteitsmaten per niveau is te zien in figuur 9 tot en met 16. De eerste grafiek in elke figuur geeft een weergave van de node strength¸ de tweede van betweenness en de derde van closeness. De blauwe lijn geeft de maten van de hoogpresteerders weer en de rode lijn geeft de maten van de laagpresteerders weer. Op sommige grafieken is soms maar één lijn te zien. De reden is niet dat er voor de andere lijn geen waarde is berekend, maar het betekent dat de andere lijn dezelfde waarde heeft. De lijn is niet zichtbaar, omdat deze recht achter de andere lijn ligt. Zo is bijvoorbeeld bij de betweenness grafiek de lijn van de hoogpresteerders bij een aantal variabelen verscholen achter de lijn van de laagpresteerders.
Qua node strength is er een patroon te onderscheiden die voor alle niveaus en condities opgaat. Zo hebben Plezier op School en Leertaakgerichtheid de grootste hoeveelheid gewogen associaties. Daarna komen Huiswerkattitude, Concentratie in de Klas, Uitdrukkingsvaardigheid en Sociale Vaardigheid. De variabelen met over het algemeen de minste gewogen associaties zijn Zelfvertrouwen bij Proefwerken en Sociale Aanvaardheid.
Huiswerkattitude en Zelfvertrouwen bij Proefwerken scoren het laagst van alle variabelen op betweenness, ongeacht niveau of conditie. Sociale Vaardigheid heeft een hoge score ongeacht niveau of conditie. Bij betweenness zijn er meer verschillen per conditie en per niveau dan bij node strength. Sociale Aanvaardheid scoort bij de hoogpresteerders op elk niveau hoog, maar niet bij de laagpresteerders. De Relatie met de leerkracht scoort over het algemeen laag, alleen bij
hoogpresteerders in het MAVO/HAVO is er sprake van een hoge score.
De closeness score is voor alle variabelen vrij laag en ongeveer gelijk, namelijk tussen de 0,010 en de 0,015, waarbij de maximaal te behalen score 1 is en het minimum 0.
Figuur 9. Centraliteitsmaten Basisonderwijs
Figuur 9 laat zien dat het patroon voor hoog- en laagpresteerders voor de drie
centraliteitsmaten in het basisonderwijs zeer overeenkomend is. Wel was er een significant verschil tussen de connectiviteit van de netwerken van de twee condities.
Figuur 10. Centraliteitsmaten Praktijkonderwijs
Figuur 10 laat zien dat de verschillen in centraliteit tussen de condities vooral zichtbaar zijn bij Leertaakgerichtheid. Leertaakgerichtheid heeft hogere scores bij hoogpresteerders voor alle drie de maten. De Relatie met de Leerkracht en Sociale Aanvaardheid scoren het laagst, met name voor hoogpresteerders.
Figuur 11 toont dat het patroon voor hoog- en laagpresteerders in het VMBO B/K/G overeenkomt. Leertaakgerichtheid heeft de sterkste node strength in beide condities. Sociale Vaardigheid en Uitdrukkingsvaardigheid en Concentratie in de Klas de hoogste betweenness, met name bij hoogpresteerders.
Figuur 12. Centraliteitsmaten VMBO G/T
In het VMBO G/T is ook een vergelijkbaar patroon zichtbaar voor hoog- en
laagpresteerders, zoals duidelijk wordt uit figuur 12. Plezier op school, Sociale Vaardigheid en Leertaakgerichtheid hebben een hoge node strength en betweenness.
Figuur 13. Centraliteitsmaten MAVO/HAVO
Tussen de netwerken van MAVO/HAVO voor hoog- en laagpresteerders was een significant verschil in connectiviteit gevonden. In figuur 13 vallen ook verschillen op in de scores op de
centraliteitsmaten tussen hoog- en laagpresteerders. Plezier op School, Relatie met de Leerkracht en Sociale Vaardigheid hebben een hoge betweenness bij laagpresteerders en een lage betweenness bij hoogpresteerders. Verder is de closeness van alle variabelen met uitzondering van de Relatie met de Leerkracht, groter bij de groep hoogpresteerders.
Figuur 14. Centraliteitsmaten HAVO
Plezier op School, Sociale Aanvaardheid en Sociale Vaardigheid heeft bij de groep
laagpresteerders een hogere betweenness en closeness. Sociale Vaardigheid heeft een grotere node strength bij laagpresteerders.
Figuur 15. Centraliteitsmaten HAVO/VWO
Er is een significant verschil in connectiviteit tussen de netwerken van de hoog- en laagpresteerders bij HAVO/VWO (table 3). In figuur 15 is zichtbaar dat de basisschalen vergelijkbare scorepatronen hebben, maar de hoogpresteerders hebben iets hogere scores bij closeness en node strength.
De patronen van de centraliteitsmaten van de basisschalen voor VWO (figuur 16) zijn vergelijkbaar. Alleen zijn de betweenness scores voor de Relatie met de Leerkracht en de Sociale Aanvaardheid bij hoogpresteerders lager. Leertaakgerichtheid en Plezier op School hebben hoge scores op node strength en betweenness.
Conclusie
Er zijn verschillen gevonden in de connectiviteit van de netwerken tussen hoog- en
laagpresteerders in het basisonderwijs, het MAVO/HAVO en het HAVO/VWO. Voor deze niveaus was de som van de sterkte van alle associaties hoger bij de groep hoogpresteerders. Dat was
zichtbaar in de netwerkmodellen in respectievelijk figuur 1, figuur 6 en figuur 8. De scores op de basisschalen hangen bij die schoolniveaus dus sterker samen bij leerlingen met een hoger
cijfergemiddelde. Op basis van de netwerktheorie kan men hieruit opmaken dat de motivationele variabelen elkaar in grotere mate direct beïnvloeden bij leerlingen met hoge studieprestaties in het basisonderwijs, MAVO/HAVO en HAVO/VWO.
Bij de andere niveaus is geen significant verschil gevonden. De connectiviteit is dus afhankelijk van schoolniveau, want de verschillen tussen hoog- en laagpresteerders verschillen per schoolniveau. Dit is ondersteuning voor het onderzoek van Peetsma en Veen (2008), die stellen dat er verschillen in motivatie zijn tussen de verschillende schoolniveaus in Nederland.
Het patroon dat uit de netwerk- en centraliteitsanalyse komt is alsvolgt. De negen variabelen clusteren in drie groepen, dezelfde als de drie hoofdschalen in de SAQI (Vorst et al., 2008).
Leertaakgerichtheid, Huiswerkattitude en Concentratie in de Klas vormen samen motivatie, Uitdrukkingsvaardigheid, Zelfvertrouwen bij Proefwerken en Sociale Vaardigheid vormen samen zelfvertrouwen, en De relatie met de Leerkracht, Plezier op school en in mindere mate Sociale Aanvaardheid vormen samen tevredenheid. Vanwege de clusters is de closeness voor alle
variabelen laag, er zijn dus geen variabelen die met alle variabelen heel dicht in verband staan. De meest centrale variabelen, met de meeste en sterkste associaties, zijn Leertaakgerichtheid en Plezier op school. Zij danken de hoeveelheid associaties aan hun centrale rol binnen de hoofdschaal, en ook omdat ze een “brug” vormen tussen de verschillende hoofdschalen. Het verband tussen Plezier op school en Leertaakgerichtheid is een brug tussen de tevredenheid en de motivatieschaal. De richting van het verband is onbekend. Het is mogelijk dat kinderen die het leuk vinden op school, daardoor meer inzet tonen en meer belang hechten aan schooltaken.
Sociale Vaardigheid heeft een belangrijke brugfunctie door de sterke verbanden met Sociale Aanvaardheid en Plezier op School. Het verbindt dus de zelfvertrouwen en de tevredenheid schaal. Vooral bij kinderen met lage studieprestaties is de associatie hiertussen sterk. Mogelijk leidt een goede sociale vaardigheid tot sociale acceptatie wat weer leidt tot plezier op school.
Sociale Vaardigheid is ook de enige variabele die in verband staat met Zelfvertrouwen bij Proefwerken. Mogelijk leiden goede sociale vaardigheden tot meer zelfvertrouwen in het algemeen en dus ook bij proefwerken. Kinderen met lage studieprestaties met een sterke leertaakgerichtheid en huiswerkattitude hebben juist een lager zelfvertrouwen bij proefwerken. Mogelijk zorgt hun onzekerheid over de proefwerken ervoor dat zij meer inzet tonen en beter huiswerk maken, omdat zij bang zijn anders te falen.
In onderzoek van het (Centraal Plan Bureau, 2011) wordt gesuggereerd dat de relatie met de leerkracht van belang is voor studieprestaties. In het netwerkmodel lijkt het voornamelijk samen te hangen met plezier op school. Via plezier op school beïnvloedt het mogelijk de rest van de
variabelen, maar er zijn weinig directe verbanden. Mogelijk is de relatie met de leerkracht niet van groot belang voor motivatie.
Discussie
Er is geen verschil gevonden tussen een aantal groepen, terwijl de netwerken er visueel zeer verschillend uitzagen. Bij bepaalde groepen is het mogelijk dat de reden hiervoor is dat de
verspreiding van de connectiviteit anders was. Bepaalde verbanden waren sterker in de ene groep en andere sterker in de andere groep, wat elkaar opheft, waardoor er weinig verschil in connectiviteit wordt gevonden. Zo is bij schoolniveau VWO in de bijlage te zien, dat er bij laagpresteerders een sterker verband is gevonden tussen HA en LG, en bij hoogpresteerders juist een sterker verband tussen CK en HA. De verschillen tussen de netwerken worden door de som van de connectiviteit niet gedekt.
Het is lastig te achterhalen wat de sterkte van de som van de connectiviteit theoretisch gezien betekent in het geval van motivatie. Dit kan betekenen dat een externe invloed zorgt voor een hogere stijging in motivatie bij hoogpresteerders. Aan de andere kant kan het betekenen dat de motivationele variabelen bij hoogpresteerders lastiger te beïnvloeden zijn (Borsboom & Cramer, 2010).
De groepen waarbij een verschil in connectiviteit is gevonden waren heterogener dan de rest. Het ging namelijk om het basisonderwijs en de samengestelde brugklassen MAVO/HAVO en HAVO/VWO. Mogelijk zitten er dus verschillen in connectiviteit tussen de verschillende
schoolniveaus, in plaats van tussen hoog- en laagpresteerders.
De antwoordmogelijkheden van de SAQI zijn “Dat is zo”, “Dat weet ik niet” en “Dat is niet zo”. In dit onderzoek zijn de resultaten behandeld als ordinale data. Het is echter discutabel of de data van de SAQI ordinaal is. Mogelijk maakt dit de berekeningen onbetrouwbaar.
Dat er associaties, oftewel partiële correlaties zijn gevonden tussen bepaalde variabelen binnen de vragenlijst, betekent niet dat de variabelen hetzelfde meten. Vanuit de latente variabele
theorie zou men bij het zien van hoge verbanden tussen schalen kunnen concluderen dat de schalen worden verklaard door een gemeenschappelijke factor. Men zou wellicht besluiten om aan de hand van een factoranalyse te onderzoeken welke factor dat is, en de vragenlijst aanpassen. Vanuit de netwerktheorie worden deze verbanden anders verklaard. Het betekent dat de schalen elkaar beïnvloeden. Het maakt bijvoorbeeld duidelijk of de relatie met de leerkracht invloed heeft op het plezier op school. De schalen zijn dus informatief ondanks hoge correlaties onderling.
Het onderscheid tussen de niveaus is mogelijk niet juist. De netwerken van VMBO B/K/G en VMBO G/T en de verschillen tussen hoog- en laagpresteerders waren erg gelijk voor deze twee niveaus. Mogelijk speelt motivatie voor beide niveaus een vergelijkbare rol.
Literatuurlijst
Barrat, A., Barthélemy, M., Pastor-Satorras, R., & Vespignani, A. (2004). The architecture of complex weighted networks. Proceedings of the National Acadamy of Sciences, 101 (11), 3747–3752.
Borsboom D., Cramer A.O.J. (2013) Network analysis: an integrative approach to the structure of psychopathology. Annu Rev Clin Psychol 9, 91-121.
Busato, V.V., Prins, F. J., Elshout, J.J., & Hamaker, C. (2000). Intellectual ability, learning style, personality, achievement motivation and academic success of psychology students in higher education. Personality and Individual Differences, 29, 1057-1068.
Centraal Plan Bureau. (2011). Nederlandse onderwijsprestaties in perspectief. CPB Policy brief (5). Cramer, A. O., Waldorp, L. J., van der Maas, H. L., & Borsboom, D. (2010). Comorbidity: a
network perspective. Behavioral and Brain Sciences, 33(2-3), 137-150.
Cramer, A. O., van der Sluis, S., Noordhof, A., Wichers, M., Geschwind, N., Aggen, S. H.,
Kendler, K. S., & Borsboom, D. (2012a). Dimensions of normal personality as networks in search of equilibrium: You can't like parties if you don't like people. European Journal of Personality, 26(4), 414-431.
Dalege, J., Borsboom, D., van Harreveld, F., van den Berg, H., Conner, M., & van der Maas, H. L. (2016). Toward a Formalized Account of Attitudes: The Causal Attitude Network (CAN) Model. Pscyhological Review, 123(1), 2-22.
Elliot, A. J., & McGregor, H. A. (2001). A 2×2 achievement goal framework. Journal of Personality and Social Psychology, 80(3), 501−519.
Freeman, L. C. (1978). Centrality in Social Networks Conceptual Clarification. Social Networks (1), 215-239.
countries?. Economic Policy, 26(67), 427-491.
Ministerie van Onderwijs, Cultuur en Wetenschap. (2015). Regeling screenings- en testinstrumenten LWOO en PrO schooljaar 2016–2017. Staatscourant, 26824.
Murphy, P. K., & Alexander, P. A. (2000). A motivated exploration of motivation terminology. Contemporary educational psychology, 25(1), 3-53.
Peetsma, T. T. D., & Veen, H. (2008). Een tweede onderzoek naar de beïnvloeding van motivatie bij vmbo-leerlingen. Amsterdam: SCO-Kohnstamm Instituut.
Pintrich, P. R. (2000). An achievement goal theory perspective on issues in motivation terminology, theory, and research. Contemporary educational psychology, 25(1), 92-104.
Samejima, F. (1969). Estimation of Latent Ability Using a Response Pattern of Graded Scores (Psychometric Monograph No. 17). Richmond, VA: Pscyhometric Society.
Spilt, J. L., Hughes, J. N., Wu, J. Y., & Kwok, O. M. (2012). Dynamics of teacher–student
relationships: Stability and change across elementary school and the influence on children’s academic success. Child development, 83(4), 1180-1195.
Spinath, B., Spinath, F. M., Harlaar, N., & Plomin, R. (2006). Predicting School Achievement from General Cognitive Ability, Self-Perceived Ability, and Intrinsic Value. Intelligence, 34(4), 363-374.
Van Borkulo, C. D., Boschloo, L., Borsboom, D., Penninx, B.W.J.H., & Schoevers, R.A. Association of symptom network structure with the course of depression. JAMA Psychiatry, 72(12), 1219-1226.
Vorst, H. C. M., Smits, J. A. E., Oort, F. J., Stouthard, M. E. A., & David, S. A. (2008). Schoolvragenlijst voor basisonderwijs en voortgezet onderwijs: handleiding en verantwoording. Amsterdam: Pearson Assessment and Information.
Xia, M., Fosco, G. M., & Feinberg, M. E. (2015). Examining Reciprocal Influences Among Family Climate, School Attachment, and Academic Self-Regulation: Implications for School Success. Journal of Family Psychology, 29(6). [Advanced online publication].
