Digital SAT Math Two-Variable Data ünitesinde scatterplot, artık terim residual ve regresyon modeli sorularını 90 saniyede çözen adaptif okuma eksenleri ve sınav odaklı ipuçları.
Digital SAT sınavının Math bölümünde iki değişkenli veri soruları, Adaptive Module 1'den Module 2'ye geçişi tetikleyen kavram düğümlerinden birini oluşturur. Two-Variable Data: Models and Scatterplots ünitesinde ölçülen beceri, salt bir nokta bulutunun şeklini tarif etmek değildir; asıl ölçülen, adayın regresyon denklemini grafik üzerinde görsel kanıtla eşleştirebilmesi, artık terim residual'ın işaretine göre denklemden sapma yönünü okuyabilmesi ve korelasyon katsayısının büyüklüğü ile yönünü dağılıma bakarak 30 saniyenin altında yorumlayabilmesidir. Bu yazı, sınavda bu üniteden gelen soruların hangi biçimde karşımıza çıktığını, hangi kavramların aynı madde içinde iç içe geçtiğini ve adaptif modül rotasını nasıl etkilediğini adım adım açar. SAT İstanbul'un Digital SAT Math hazırlık programında Two-Variable Data konusu, özellikle Module 2 hard routing eşiğinde belirleyici olan beş eksen üzerinden çalışılır.
Ünitenin anatomisi: scatterplot, model ve residual neden aynı soruda yer alır
Two-Variable Data ünitesinin Digital SAT müfredatındaki yeri, diğer matematik konularından farklıdır. Lineer denklemler veya nonlinear sistemler gibi konularda cevap tek bir sayısal değerken, iki değişkenli veri sorularında adaydan beklenen üç katmanlı bir okuma yapmasıdır: dağılımın genel yönü, bu yönü temsil eden matematiksel modelin seçimi ve modelden sapmanın büyüklüğü. Bu üç katman aynı madde kökünde birleştiğinde, soru kökü tipik olarak iki bağımsız cümle taşır; birinci cümle bir bağlam sunar, ikinci cümle bir model denklemi veya grafiksel gösterim verir, ardından "which of the following" veya "which value" soru cümlesi gelir. Bu kalıp, Digital SAT Math'in diğer ünitelerinden ayrışır: cevap şıklarda tek bir sayı yerine bir yorumlama yönü, bir eğim değeri ya da bir artık terim büyüklüğü olarak döner.
Ünite, College Board'un resmi içerik tanımında dört alt beceri üzerinden ölçülür: dağılımın şeklini tanımlama, uygun model türünü seçme, model parametrelerini yorumlama ve artık terim residual'ı değerlendirme. Bu dört beceri, adaptif modülde farklı zorluk kademelerinde test edilir; Module 1'de genellikle yalnızca yön ve korelasyon gücü sorulurken, Module 2'de artık residual ve model karşılaştırması da devreye girer. Bu geçiş, hazırlık stratejisi açısından kritik bir eşiktir; çünkü Module 2'de iki model arasında seçim yaptıran sorular, aynı aday için puanlama bandını 60-80 puan arasında kaydırabilir. Bu nedenle iki değişkenli veri konusunda çalışma yaparken, salt formül ezberlemek yerine grafik okuma eksenlerinin her birini ayrı bir beceri olarak geliştirmek gerekir.
Ünitenin sınavda kapladığı alan görece küçüktür; bir adaptif modülde ortalama 1-3 soru bu üniteden gelir. Ancak soruların yoğunluğu yüksektir, çünkü tek bir madde içinde hem görsel okuma hem model yorumlama hem de artık hesabı yapılması beklenir. Bu, dakika başına soru çözme hızını doğrudan etkiler. Two-Variable Data sorularına ayrılması gereken süre, ortalama 90 saniye civarındadır; bu, bir lineer denklem sorusuna göre yaklaşık 30 saniye daha fazladır. Bu süre farkı, hazırlık planında üniteye ayrılan tekrar sayısını belirlerken dikkate alınmalıdır.
Dağılımın yönü ve gücü: scatterplot okumanın ilk 20 saniyesi
Bir scatterplot sorusunda ilk okunacak unsur, noktaların genel yönelimidir. Sağa yükselen bir bulut pozitif korelasyon, sağa alçalan bir bulut negatif korelasyon, yatay dağılan bir bulut ise sıfıra yakın korelasyon anlamına gelir. Bu yön tespiti, 20 saniyenin altında yapılması gereken bir okuma çalışmasıdır; çünkü soru kökü "the model that best fits the data" gibi bir model seçim cümlesi taşıyorsa, doğru cevaba giden yolun yarısı bu ilk yön okumasından geçer. Yanlış yön okuması, daha sonra seçilecek denklemin işaretini de yanlış kurar ve dört şıktan üçünü eleyemeyen adayı 60 saniye daha harcamak zorunda bırakır.
Yön okumasının hemen ardından güç değerlendirmesi gelir. Noktalar bir doğru etrafında sıkı kümelendiyse güçlü korelasyon, geniş bir bant şeklinde dağıldıysa zayıf korelasyon söz konusudur. Bu ayrım, soru kökünde "which value of r" veya "which value is closest to the correlation coefficient" gibi bir ifade varsa kritik önem taşır. Korelasyon katsayısı -1 ile +1 arasında değişir; güçlü pozitif korelasyon 0.85 üzeri, orta pozitif korelasyon 0.5-0.7 aralığı, zayıf pozitif korelasyon ise 0.3'ün altı olarak sınıflandırılır. Bu eşikler, Digital SAT sorularında ortalama olarak karşımıza çıkan şık tasarımını anlamak için pratik bir pusuladır; çünkü şıklarda tipik olarak 0.42, 0.68, 0.91, -0.55, -0.83 gibi değerler verilir ve adayın sayısal aralığı doğru okuması beklenir.
Burada sık yapılan bir okuma hatası, korelasyon ile eğim arasındaki ayrımın bulanmasıdır. Korelasyon r, iki değişkenin birlikte ne kadar doğrusal hareket ettiğini ölçer; eğim ise model denklemindeki değişim oranıdır. Pozitif korelasyon, pozitif eğim anlamına gelir; ancak birinin büyüklüğü diğerinin büyüklüğünü belirlemez. Bu ayrım, soru kökünde "which value could be the slope" gibi bir ifade geçtiğinde kritikleşir; çünkü aday korelasyonun gücüne bakarak eğim büyüklüğüne hükmetmeye çalışırsa, şıkları hatalı eler. Bu noktada eksen etiketlerinin okunması, eğim değerinin birim yorumunu çözmek için tek doğru yoldur.
Yön ve güç okuması için 4 kontrol noktası
- Sol alttan sağ üste yükselen bulut, pozitif korelasyon işaretidir; yatay eksende x artarken dikey eksende y de artar.
- Sol üstten sağ alta inen bulut, negatif korelasyondur; x artarken y azalır ve şıklardaki r değeri sıfırın altında aranır.
- Noktalar doğru etrafında 2 birimlik dar bir bantta toplandıysa r değeri 0.85 üzeri, 5-6 birimlik geniş bir banttaysa 0.3-0.5 aralığı beklenir.
- Tek bir aykırı nokta, korelasyonu ciddi biçimde aşağı çekebilir; bu noktanın varlığı soru kökünde "excluding the outlier" gibi bir ifadeyle telafi edilir, telafi yoksa aday tüm noktaları dahil ederek okumalıdır.
Regresyon denklemini kalem oynatmadan yorumlamak
Digital SAT'te iki değişkenli veri sorularının önemli bir alt tipi, scatterplot üzerine yerleştirilmiş bir regresyon doğrusu ya da kök içinde verilen bir model denklemidir. Bu denklem tipik olarak ŷ = a + bx biçiminde gelir; burada a y-kesim noktası, b ise eğimdir. Adaydan beklenen, denklemi sözel cümleye çevirmek veya sözel cümleyi denkleme eşleştirmektir. "For every 1 increase in x, y increases by approximately b" gibi bir yorum, eğim parametresinin doğrudan okunmasını gerektirir. Bu okuma, sınavda ortalama 45 saniyede yapılmalıdır.
Eğim yorumlama, adaptif modülde en sık karşılaşılan soru kalıbıdır. Soru kökünde "according to the model, when x = 5, y is approximately..." gibi bir cümle varsa, aday denklemde x yerine 5 koyar, y'yi hesaplar ve 30 saniyenin altında cevabı işaretler. Ancak burada "approximately" kelimesi kritik bir uyarıdır; model, gerçek değerleri değil tahminleri verir, dolayısıyla cevap daima bir yaklaşık değerdir. Şıklarda 18.7, 19.2, 19.8, 20.1 gibi yakın sayılar yer aldığında, adayın modelin x = 5 için ne söylediğini tam olarak hesaplaması gerekir; yuvarlama yaparak en yakın şıkkı seçmek bu soru tipinde sıklıkla hatalı sonuç verir.
Y-kesim a parametresi, x = 0 olduğunda y'nin tahmin edilen değeridir. Bu parametre, bağlamda anlamlı olup olmadığı açısından yorumlanmalıdır; örneğin "0 çalışma saati için tahmin edilen sınav puanı" gibi bir yorum, bağlamın mantıksal sınırları içinde olmalıdır. Bazı sorularda a değeri negatif çıkabilir ve bu durum "anlamsız" görünebilir; ancak regresyon modeli sadece x aralığında yorumlanmalıdır, x = 0 aralığın dışındaysa model orada anlam taşımaz. Bu nüans, Module 2'deki model karşılaştırması sorularında sıklıkla test edilir.
Model parametrelerini okumak için pratik adımlar
- Denklemdeki x değişkenini, soru kökündeki değişkenle eşleştir; "study hours" ise x = saat, y = puan demektir.
- Eğim b'nin işaretini kontrol et; pozitifse y, x ile birlikte artar, negatifse x artarken y azalır.
- Eğim b'nin büyüklüğünü oku; 0.85 gibi bir değer "her saat için 0.85 puan artış" anlamına gelir.
- Y-kesim a'nın bağlamda anlamlı olup olmadığını sorgula; x = 0 gerçek hayat için mümkün değilse bu parametre yorum dışıdır.
Artık terim residual: modelden sapmanın yönü ve büyüklüğü
Two-Variable Data ünitesinin en çok ayırt edici kavramı artık terim residual'dır. Artık, gözlemlenen y değeri ile modelin tahmin ettiği ŷ değeri arasındaki farktır: residual = y - ŷ. Pozitif artık, gözlemlenen değerin modelin tahmininden yukarıda olduğu, yani noktanın regresyon doğrusunun üstünde kaldığı anlamına gelir. Negatif artık ise noktanın doğrunun altında kaldığını gösterir. Bu iki yönlü okuma, sınavda "which point has the largest positive residual" veya "which point lies farthest below the line" gibi ifadelerle sınanır.
Residual'ı bulmak için aday iki değeri karşılaştırır: noktanın gerçek y koordinatı ile aynı x için modelin verdiği ŷ değeri. Pratikte bu, ŷ = a + bx denkleminde x'i yerine koymayı ve gerçek y'den çıkarmayı gerektirir. Bu hesap, iki adımlıdır ve her adım yaklaşık 20 saniye sürer; toplam 40 saniye. Bu süre, bir lineer denklem sorusuna göre 10-15 saniye daha fazladır ve hazırlık planında residual alt tipi için ayrı bir zaman bütçesi ayrılmasını zorunlu kılar.
Residual'ın mutlak büyüklüğü, noktanın modelden ne kadar saptığını ölçer. Aynı grafik üzerinde birden çok noktanın artık büyüklüğü karşılaştırıldığında, en büyük mutlak değer "en uzak nokta" olarak adlandırılır ve bu nokta genellikle aykırı değer outlier'dır. Outlier kavramı, iki değişkenli veri sorularında sıklıkla artık büyüklüğü üzerinden tanımlanır. Ancak dikkat edilmesi gereken nokta, her uzak noktanın aykırı olmadığıdır; aykırı değer, modelin genel eğilimine uymayan noktadır. Bu ayrım, soru kökünde "which point is an outlier" gibi bir ifade varsa kritikleşir.
Lineer, üstel veya kuadratik: model seçimini 45 saniyede yapmak
Digital SAT'in Two-Variable Data ünitesinde karşımıza çıkan bir diğer soru tipi, scatterplot'a en uygun model türünün seçilmesidir. Şıklarda tipik olarak "linear", "exponential", "quadratic" ve "no relationship" gibi ifadeler yer alır. Doğru seçim, noktaların dağılım şekline bakılarak yapılır. Doğrusal dağılım, noktaların kabaca bir doğru etrafında toplandığı durumdur; artan veya azalan yönde olabilir. Üstel dağılım, noktaların y ekseninde hızla yükselen veya alçalan bir eğri oluşturduğu durumdur; burada noktalar arasındaki dikey mesafe x arttıkça katlanarak büyür. Kuadratik dağılım ise noktaların U veya ters U şeklinde bir eğri çizdiği durumdur; burada dağılım önce bir yöne, sonra diğer yöne kıvrılır.
Bu üç model tipi arasındaki seçim, scatterplot'ın ortalama eğriliğine bakılarak yapılır. Eğer noktalar tek bir yönde hareket ediyor ve kıvrılmıyorsa doğrusal model uygundur. Eğer noktalar tek bir yönde hareket ederken mesafeler katlanarak büyüyorsa üstel model uygundur; bu durumda küçük x değerleri için noktalar sıkışık, büyük x değerleri için noktalar birbirinden uzak yerleşir. Eğer noktalar önce azalıp sonra artıyorsa veya önce artıp sonra azalıyorsa kuadratik model uygundur; burada minimum veya maksimum noktası görsel olarak tespit edilir.
Bu seçim, sınavda ortalama 45 saniye sürmelidir. Ancak hızlı seçim yaparken sık yapılan hatalardan biri, üstel dağılımı doğrusal dağılımla karıştırmaktır. Üstel dağılımın görsel imzası, x'in küçük değerlerinde noktaların birbirine çok yakın, x'in büyük değerlerinde ise belirgin biçimde uzak olmasıdır. Doğrusal dağılımda ise noktalar arası mesafe kabaca sabittir. Bu ayrım, scatterplot'ın sol yarısı ile sağ yarısı karşılaştırılarak 15 saniyede yapılabilir; sol yarıda noktalar üst üste geliyorsa ve sağ yarıda belirgin açılıyorsa üstel model güçlü bir adaydır.
Model seçiminde eksen kontrolü
- Noktalar soldan sağa sürekli yükseliyor ve aralarındaki dikey mesafe kabaca sabitse, doğrusal model uygundur.
- Noktalar soldan sağa yükselirken dikey mesafe katlanarak büyüyorsa, üstel model daha uygundur; burada y-ekseni logaritmik olmasa bile oran kontrol edilir.
- Noktalar önce azalıp sonra artıyorsa veya tersi bir kıvrım gösteriyorsa, kuadratik model uygundur.
- Noktalar yatay bir bantta dağılmışsa ve net bir yön yoksa, "no relationship" veya çok zayıf korelasyon söz konusudur.
Adaptif modülde soru tiplerinin dağılımı ve pacing stratejisi
Digital SAT Math'in Adaptive Module 1'inde iki değişkenli veri soruları, ortalama 1-2 soru olarak karşımıza çıkar ve bunlar genellikle yön-güç okuması veya temel model yorumlama kalıbındadır. Module 2'de ise 2-3 soruya çıkar ve residual hesabı, model karşılaştırması, aykırı değer tespiti gibi daha karmaşık kalıplar eklenir. Bu dağılım, adaptif geçiş eşiğini belirleyen önemli bir sinyaldir; aday Two-Variable Data sorularında art arda doğru yaparsa, Module 2'de bu üniteden daha ağır sorularla karşılaşır ve nihai puanlama bandında yukarı yönlü kayma yaşanır.
Pacing stratejisi açısından, Module 1'de iki değişkenli veri sorusuna 75 saniye ayırmak, Module 2'de ise 90-100 saniye ayırmak uygun bir bütçedir. Toplam modül süresi 35 dakika ve 22 soru olduğuna göre, soru başına ortalama 95 saniye düşer. Two-Variable Data soruları bu ortalamanın üzerinde olduğundan, bu sorulara başlamadan önce 30 saniyelik bir "ön okuma" yapılmalı; kök cümlesinin ne sorduğu, hangi değişkenin bağımsız hangisinin bağımlı olduğu 30 saniyede netleştirilmelidir. Bu ön okuma, sonraki hesap adımlarını hızlandırır.
Bir diğer pacing stratejisi, skip-and-return profiline göre iki değişkenli veri sorusunu nereye konumlandırmaktır. Hızlı okuyucu profili için bu sorular modülün ortalarında çözülmeli, çünkü bu sırada dikkat taze kalır ve yorulma henüz birikmez. Yavaş okuyucu profili için ise iki değişkenli veri sorusu modülün başında çözülmeli; çünkü bu profilde grafik okuma süresi daha uzundur ve taze dikkat bu soru için kritik önem taşır. Bu yerleştirme kararı, hazırlık sırasında 5-6 deneme sınavı üzerinden test edilmelidir.
Common pitfalls and how to avoid them: scatterplot okuma tuzakları
Two-Variable Data ünitesinde en sık karşılaşılan hataların başında, korelasyon ile eğimin aynı şey sanılması gelir. Bu hata, orta seviye hazırlanmış adaylarda bile görülür; çünkü iki kavram da "ilişkinin yönü" sorusuna cevap verir gibi görünür. Ancak korelasyon -1 ile +1 arasında sınırlı birimsiz bir değerken, eğim değişkenlerin birimlerine bağlı bir oran değeridir. Bu ayrım, soru kökünde "slope of the line of best fit" ifadesi geçtiğinde çok netleşir; burada adaydan beklenen, ŷ = a + bx denklemindeki b değerini okumaktır, r değerini değil. Bu hata, Module 2'deki puanlama bandını doğrudan aşağı çeker.
İkinci sık hata, residual işaretinin ters okunmasıdır. Artık, gözlemlenen y eksi modelin tahmini ŷ olarak hesaplanır. Bazı öğrenciler bu formülü ters yazar ve pozitif artık için noktanın doğrunun altında olduğunu söyler. Bu hata, pratik bir bellek tekniğiyle önlenebilir: pozitif artık = pozitif fark = nokta yukarıda, çünkü gözlemlenen değer modelden büyüktür ve bu da noktayı yukarı taşır. Bu formül, her residual sorusundan önce 5 saniyede zihinde tekrar edilmelidir.
Üçüncü yaygın hata, aykırı değer kavramının sadece uzak nokta olarak yorumlanmasıdır. Aykırı değer, modelin genel eğilimine uymayan noktadır; her uzak nokta aykırı değildir. Bir nokta, regresyon doğrusundan uzak olsa bile, eğer dağılımın genel eğriliği içinde kalıyorsa aykırı sayılmaz. Bu ayrım, soru kökünde "outlier" ifadesi geçtiğinde kritikleşir; aday sadece en uzak noktayı işaretlerse hata yapabilir. Doğru yaklaşım, noktanın modelin genel yönüyle çelişip çelişmediğini sorgulamaktır.
Dördüncü hata, model yorumlama sorularında "approximately" ifadesinin göz ardı edilmesidir. Model, gerçek değerleri değil tahminleri verir; dolayısıyla şıklarda verilen değerler tam eşleşme değil, yaklaşık eşleşmedir. Aday modelin hesapladığı değerle şıktaki değer arasında küçük bir fark gördüğünde, modelin yanlış olduğunu düşünüp diğer şıkları tarayabilir. Bu arama, gereksiz 30-45 saniye harcatır. Doğru yaklaşım, modelin hesapladığı değere en yakın şıkkı hızlıca seçmektir; çünkü soru kökünde "approximately" veya "best estimate" ifadesi bu esnekliği zaten tanımlar.
Hata önleme kontrol listesi
- Soru kökünde "correlation coefficient" varsa cevap -1 ile +1 arasında bir değerdir; "slope" varsa cevap birimli bir orandır.
- Residual hesabında y - ŷ sırası korunmalı; pozitif artık, noktanın doğrunun üstünde olduğunu gösterir.
- Aykırı değer, modelin eğilimine uymayan noktadır; salt uzaklık tek başına belirleyici değildir.
- "Approximately" ifadesi taşıyan sorularda, modelin hesapladığı değere en yakın şık seçilir; kesin eşleşme aranmaz.
Soru tiplerini karşılaştırma: hangi kalıpta hangi beceri ölçülür
Two-Variable Data ünitesindeki soru kalıpları, ölçtükleri beceri açısından farklılaşır. Aşağıdaki tablo, Digital SAT'te en sık karşılaşılan dört kalıbı, beklenen okuma süresini, adaptif modüldeki ağırlığını ve sık yapılan hata türünü özetler.
| Soru kalıbı | Ölçülen beceri | Beklenen süre | Modül ağırlığı | Sık yapılan hata |
|---|---|---|---|---|
| Yön ve korelasyon gücü okuma | Dağılımı tanımlama | 45-60 saniye | Module 1 | Korelasyon ile eğimi karıştırmak |
| Model parametrelerini yorumlama | Denklemi bağlama çevirme | 60-75 saniye | Module 1 ve 2 | Y-kesim a'yı bağlam dışı yorumlamak |
| Artık terim residual hesabı | Modelden sapma yönü | 75-90 saniye | Module 2 | Residual işaretini ters okumak |
| Model türü seçimi | Doğrusal, üstel veya kuadratik ayrımı | 45-60 saniye | Module 2 | Üstel dağılımı doğrusal sanmak |
Bu tablo, hazırlık planında her kalıba ayrı süre ayrılması gerektiğini gösterir. Özellikle residual kalıbı, diğerlerinden ortalama 20 saniye daha uzundur ve bu fark, modül pacing hesabında görünür hale gelir. Hazırlık sırasında her kalıba en az 15-20 soru ayrılması, adaptif modülde bu ünitenin türevlerine hazırlıklı olmayı sağlar.
Hazırlık stratejisi: üniteye özgü tekrar döngüsü nasıl kurulur
Two-Variable Data ünitesi, Digital SAT Math hazırlığında 3-4 oturumda ele alınabilecek bir yoğunluğa sahiptir. İlk oturumda yön ve güç okuması, ikinci oturumda model yorumlama, üçüncü oturumda residual hesabı, dördüncü oturumda model seçimi kalıbı çalışılır. Her oturum ortalama 8-10 soru içerir ve her soru sonrası 60 saniyelik bir hata analizi yapılır. Bu analizde, neden o şıkkın seçildiği veya neden yanlış olduğu, görsel okuma eksenine bağlanarak yazılır. Bu yazım, bir sonraki oturumda hangi eksene daha fazla ağırlık verileceğini belirler.
Tekrar döngüsünün son aşaması, deneme sınavlarında bu ünitenin yer aldığı soruları işaretlemektir. Bluebook uygulamasında Adaptive Module 1'de karşılaşılan iki değişkenli veri soruları sonradan gözden geçirilir; doğru çözülen sorularda süre, yanlış çözülenlerde ise hem süre hem hata türü kaydedilir. Bu kayıt, 4-5 deneme sınavı sonrasında ünite bazında ortalama süre ve ortalama doğruluk oranı çıkarır. Eğer ortalama doğruluk %70'in altındaysa, üniteye ek oturum ayrılır; eğer ortalama süre 90 saniyenin üzerindeyse, okuma eksenleri tekrar gözden geçirilir.
Hazırlık planında bir diğer önemli bileşen, College Board'un resmi örnek sorularıdır. Bu örnekler, gerçek sınavdaki soru kalıplarını ve şık tasarımını yansıtır. Özellikle artık terim residual içeren sorular, örnek sorularda detaylı biçimde açıklanmıştır; bu açıklamalar, modelin nasıl kurulduğunu, artığın nasıl hesaplandığını ve doğru cevabın neden o şık olduğunu adım adım gösterir. Bu örnekler, hazırlık sürecinde ilk referans noktası olarak kullanılmalı, ardından ek soru bankalarına geçilmelidir.
Sınav günü uygulaması: Bluebook ekranında scatterplot nasıl okunur
Bluebook uygulamasında scatterplot soruları, diğer matematik soruları gibi standart bir arayüzde sunulur. Grafik, soru kökünün hemen altında yer alır ve eksen etiketleri açıkça yazılıdır. Adayın yapması gereken ilk hareket, eksen etiketlerini 5 saniyede okumaktır; çünkü bu etiketler, bağımsız ve bağımlı değişkeni ve ölçü birimlerini tanımlar. Bu bilgi olmadan yapılan yorumlama, sıklıkla yanlış değişkenin seçilmesine yol açar. Örneğin "study hours" ekseninin bağımsız, "exam score" ekseninin bağımlı olduğu bir soruda, modeli ters kurmak yaygın bir hatadır.
Grafik okuma sırasında ikinci adım, noktaların genel yönelimini tespit etmektir. Bu, 10-15 saniyede yapılmalıdır. Noktaların çoğunluğu hangi yöne hareket ediyor? Bu soruya hızlı bir cevap, soru kalıbını belirler. Yön netse, korelasyon gücüne geçilir; yön belirsizse, model türü seçimine odaklanılır. Bu dallanma, 20 saniye içinde soruya doğru yaklaşımı seçmeyi sağlar.
Üçüncü adım, soru kökünün ne sorduğunu netleştirmektir. "Which value could be the slope" ifadesi, model parametresi okuma kalıbını işaret eder; "which point has the greatest residual" ifadesi, artık hesabı kalıbını işaret eder; "which model best fits" ifadesi, model seçimi kalıbını işaret eder. Bu ifadelerin her biri farklı bir okuma stratejisi gerektirir ve bu strateji kök okunduktan sonra 5 saniyede seçilmelidir. Bu hızlı strateji seçimi, toplam sürede 30-45 saniyelik bir tasarruf sağlar.
Dördüncü adım, hesaplama veya yorumlamadır. Model parametresi okunuyorsa, denklemde x yerine soru kökündeki değer konur; artık hesaplanıyorsa, y - ŷ farkı bulunur; model seçiliyorsa, dağılımın şekline göre doğrusal, üstel veya kuadratik seçeneklerden biri işaretlenir. Bu adım, kalıba göre 30-60 saniye sürer. Son adım, cevabın şıklar arasından seçilmesi ve işaretlenmesidir. Bu son adım, 5-10 saniyede tamamlanır.
Sonuç ve sonraki adımlar
Two-Variable Data: Models and Scatterplots ünitesi, Digital SAT Math'in adaptif modül geçişinde belirleyici olan beş kavram düğümünü barındırır: yön ve korelasyon gücü, regresyon denklemi parametreleri, artık terim residual, model türü seçimi ve aykırı değer tespiti. Bu kavramların her biri, 45-90 saniye aralığında bir okuma süresi gerektirir ve toplam pacing hesabında bu süreler görünür biçimde yer almalıdır. Hazırlık planında her kalıba ayrı oturum ayrılması, 4-5 deneme sınavı boyunca ünite bazında doğruluk oranının izlenmesi ve Bluebook ekranında eksen okuma pratiğinin tekrarlanması, bu üniteden maksimum puanı almanın ön koşullarıdır. SAT İstanbul'un Digital SAT Math Module 2 hard-route programı, öğrencinin iki değişkenli veri sorularında artık terim residual okuma hatalarını tek tek etiketleyerek 90 saniyelik çözüm ritmini 70 saniyeye indirmek için bireysel hata paterni analizi yapar.