Uyarlanabilir sinir ağı tabanlı bulanık mantık yöntemi (ANFIS) ile ortaokul öğrencilerinin fen dersi akademik başarısının tahmin edilmesi
Adaptive neural network fuzzy logic method (ANFIS) for predicting middle school students' science academic achievement
- Tez No: 1009718
- Danışmanlar: PROF. DR. MUSTAFA SAMİ TOPÇU
- Tez Türü: Yüksek Lisans
- Konular: Eğitim ve Öğretim, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı
- Bilim Dalı: Fen Bilgisi Eğitimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekâ teknolojilerinin gelişmesi, eğitimde veri madenciliği çalışmalarında yeni yöntemlerin kullanılmasına olanak sağlamıştır. Bu teknolojik gelişmeler eğitimde yeni stratejiler üzerine yapılan araştırmaları kolaylaştırmaktadır. Bu kapsamda çalışmamız, ortaokul öğrencilerinin fen dersi akademik başarılarının tahmin edilmesini sağlayacak ve fen eğitiminde uygulanabilecek yapay zekâ destekli bir tahmin modeli oluşturmayı amaçlamaktadır. Araştırmada“Uyarlanabilir Sinir Ağı Tabanlı Bulanık Mantık Yöntemi (ANFIS)”kullanılarak, 2025–2026 eğitim öğretim yılı birinci dönem birinci fen dersi sınav puanları; 2024–2025 eğitim öğretim yılı fen dersi başarı ortalaması ile fen dersine yönelik tutum ve motivasyon değişkenleri temel alınarak tahmin edilmiştir. Daha sonra geleneksel istatistiksel yöntemlerden regresyon analizi ile tahmin modeli oluşturulmuş ve iki modelin tahmin doğruluğu karşılaştırılmıştır. Araştırma, 2025–2026 eğitim öğretim yılının birinci döneminde, İstanbul'da bulunan bir devlet okulunda öğrenim gören 6., 7. ve 8. sınıf düzeyindeki toplam 180 ortaokul öğrencisinden elde edilen veriler üzerinden yürütülmüştür. ANFIS tahmin modeli tasarımı için MATLAB R2025b programı kullanılmıştır. Model tasarımı öncesinde veriler; %70 eğitim verisi (126 veri), %30 test verisi (54 veri) olmak üzere rastlantısal olarak ikiye ayrılmıştır. Veri analizinde ANFIS'in test verisi üzerinden oluşturduğu yapay puanlar ile gerçek puanlar arasında farkın olup olmadığını araştırmak amacıyla Wilcoxon İşaretli Sıralar testi uygulanmış olup, yapay ve gerçek puanlar arasında anlamlı bir farklılık bulunmamıştır. ANFIS ve regresyon modellerinin tahmin doğruluğu karşılaştırması için ise; RMSE ve MAPE hata ölçütlerinden yararlanılmıştır. ANFIS modelinin, regresyon modeline oranla daha düşük hata ile tahminde bulunduğu görülmüştür. Ayrıca ANFIS'in karmaşık doğrusal olmayan ilişkileri bulmadaki performansı göze alındığında fen eğitimde veri madenciliği çalışmalarında ve karar sistemlerinde kullanımı önerilmiştir.
Özet (Çeviri)
The advancement of artificial intelligence technologies has enabled the use of new methods in data mining studies in education. These technological developments facilitate research on new strategies in education. In this context, our study aims to create an artificial intelligence-supported prediction model that can be applied in science education and will enable the prediction of middle school students' academic success in science courses. In the study, using the“Adaptive Neural Network-Based Fuzzy Logic Method (ANFIS)”, the first science exam scores for the first semester of the 2025–2026 academic year were predicted based on the science course average achievement for the 2024–2025 academic year and variables related to attitude and motivation towards science courses. Subsequently, a prediction model was created using regression analysis, a traditional statistical method, and the prediction accuracy of the two models was compared. The research was conducted using data obtained from a total of 180 middle school students in grades 6, 7, and 8 attending a public school in Istanbul during the first semester of the 2025–2026 academic year. The MATLAB R2025b program was used for the design of the ANFIS prediction model. Prior to model design, the data was randomly split into two sets: 70% training data (126 data points) and 30% test data (54 data points). In the data analysis, the Wilcoxon Signed-Rank test was applied to investigate whether there was a difference between the artificial scores generated by ANFIS on the test data and the actual scores. No significant difference was found between the artificial and actual scores. For the comparison of the prediction accuracy of ANFIS and regression models, the RMSE and MAPE error metrics were used. It was observed that the ANFIS model made predictions with lower error compared to the regression model. Furthermore, considering ANFIS's performance in identifying complex nonlinear relationships, its use in data mining studies and decision systems in science education is recommended.
Benzer Tezler
- Power allocation for cooperative NOMA systems based on adaptive-neuro fuzzy inference system
Uyarlanabilir nöro bulanık çıkarım sistemine dayalı işbirlikli NOMA sistemleri için güç tahsisi
MELİKE NUR ÜÇBAŞ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Destek vektör regresyonu ile PID kontrolör tasarımı
Design of PID controller via support vector regression
KEMAL UÇAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE
- Modeling, simulation and implementation of a permanent magnet synchronous motor drive system using anfis technique
Sabit mıknatıslı senkron motor sürüş sistemi için anfıs tekniği kullanarak modelleme, simulasyon ve gerçekleme
İPEK KUVVETLİ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. LALE ERGENE
- Modelling the effects of brand image components on advertising awareness using a neuro-fuzzy system
Marka imaj birleşenlerinin reklam hatırlanırlığı üzerine etkisinin bulanık sinir ağları sistemi ile modellenmesi
ALI FAHMI
Yüksek Lisans
İngilizce
2016
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL BURÇ ÜLENGİN
PROF. DR. CENGİZ KAHRAMAN
- Yapay sinir ağlarında öğrenme algoritmalarının analizi
Analysis of learning algorithms in neural networks
SEVİNÇ BAKLAVACI
Yüksek Lisans
Türkçe
1994
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. LEYLA GÖREN