Üniversite öğrencileri dijital vatandaşlık tahminleme faktörlerinin makine öğrenmesi ile belirlenmesi
Determining the predictive factors of university students' digital citizenship through machine learning
- Tez No: 960079
- Danışmanlar: PROF. DR. HASAN ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Günümüzde bireylerin dijital ortamlarda sergilediği davranışlar, kişisel güvenlik, etik kullanım, çevrimiçi katılım ve bilgi okuryazarlığı gibi çok boyutlu başlıklarla değerlendirilmektedir. Bu kapsamda“dijital vatandaşlık”kavramı, yalnızca pedagojik bir olgu olmaktan çıkmış; bilişim sistemleri aracılığıyla ölçülebilir, analiz edilebilir ve sınıflandırılabilir bir veri problemine dönüşmüştür. Bu çalışma, üniversite öğrencilerinin dijital vatandaşlık düzeylerini tahmin etmeye yönelik olarak makine öğrenmesi algoritmaları uygulamayı ve bu algoritmaların sınıflandırma performanslarını karşılaştırmayı amaçlamaktadır. Araştırma veri seti, Türkiye genelindeki üniversitelerde öğrenim görmekte olan 1510 öğrenciden elde edilen anket yanıtlarından oluşmaktadır. Ölçme aracı olarak, sekiz faktör ve 49 maddeden oluşan, dijital vatandaşlık düzeyini çok boyutlu şekilde değerlendiren bir anket kullanılmıştır. Tüm veriler, ön işleme sürecinde eksiksiz olduğu için kayıp değer sorunu bulunmamaktadır. Bununla birlikte, yalnızca bölüm bilgisi gibi açık uçlu alanlarda düzenleme yapılmıştır. Veri seti SPSS yazılımında işlenmiş ve algoritmaların eğitimi/testi için %70-%30 oranında ayrılmıştır. Modelleme sürecinde denetimli öğrenme algoritmalarından Karar Ağaçları (CHAID ve CART), Lojistik Regresyon, Naive Bayes ve K-En Yakın Komşu (KNN) yöntemleri uygulanmıştır. Her algoritma, dijital vatandaşlık düzeylerini“düşük”,“orta”ve“yüksek”olmak üzere üç sınıfta sınıflandırmak üzere eğitilerek test edilmiştir. Performans değerlendirmesi için doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1 skoru ve ROC-AUC gibi metrikler kullanılmıştır. Analiz çıktıları doğrultusunda, algoritmaların sınıflandırma başarısının kullanılan yönteme göre farklılık gösterdiği gözlemlenmiştir. Özellikle bazı modeller belirli sınıflarda yüksek başarı gösterirken, genel doğruluk açısından daha dengeli sonuçlar elde eden algoritmalar da olmuştur. Bu çalışma, dijital davranışların makine öğrenmesi ile sınıflandırılabilir yapılar haline getirilebileceğini göstermekte; veri bilimi ve eğitim teknolojileri alanında örnek bir uygulama olarak değerlendirilmektedir.
Özet (Çeviri)
In today's digital era, individuals' behaviors in online environments are evaluated through various dimensions such as personal security, ethical and responsible use, online civic engagement, and information literacy. Within this framework, the concept of digital citizenship has evolved from a purely pedagogical notion into a measurable, analyzable, and classifiable data-oriented construct through the use of information systems. This study aims to implement machine learning algorithms to predict the digital citizenship levels of university students and to compare the classification performances of these algorithms. The research dataset consists of survey responses from 1,510 students studying at universities across Turkey. A multidimensional questionnaire comprising 49 items grouped under eight distinct factors was employed to assess the students' digital citizenship levels. Since the data were complete during preprocessing, there were no missing values; only open-ended fields, such as academic department names, were standardized. The dataset was processed using SPSS software and split into training and testing sets in a 70%-30% ratio. In the modeling phase, several supervised learning algorithms—including Decision Trees (CHAID and CART), Logistic Regression, Naive Bayes, and K-Nearest Neighbors (KNN)—were utilized. Each model was trained to classify digital citizenship levels into three categories: low, medium, and high. Evaluation metrics such as accuracy, precision, recall, F1-score, and ROC-AUC were used to assess the effectiveness of each model. The analysis revealed that classification performance varied depending on the algorithm used. While certain models performed well for specific categories, others demonstrated more balanced overall accuracy. The findings indicate that digital behaviors can be modeled and classified through machine learning, offering valuable insights for both data science and educational technology fields.
Benzer Tezler
- Üniversite öğrencilerinin bakış açısıyla dijital vatandaşlık göstergelerinin incelenmesi
Investigation of digital citizenship indicators through university students' perceptions
SEÇİL SOM VURAL
Doktora
Türkçe
2016
Eğitim ve ÖğretimAnadolu ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DOÇ. DR. ADİLE AŞKIM KURT
- Duygusal zeka ile dijital okuryazarlık becerileri arasındaki ilişkinin incelenmesi: Üniversite öğrencileri üzerine bir araştırma
Analysing the relationship between emotional intelligence and digital literacy skills: A research on university students
GÜLÇİN ARAMAN
Yüksek Lisans
Türkçe
2023
Halkla İlişkilerAtatürk ÜniversitesiHalkla İlişkiler ve Tanıtım Ana Bilim Dalı
DOÇ. DR. SAİT SİNAN ATİLGAN
- Dijital dini sorumluluk üzerine nitel bir araştırma
A qualitative research on digital religious responsibility
HABİBE ÇAKI
Yüksek Lisans
Türkçe
2022
DinMarmara ÜniversitesiFelsefe ve Din Bilimleri Ana Bilim Dalı
PROF. DR. ALİ AYTEN
- Üniversite öğrencilerinin dijital veri güvenliği farkındalıklarının dijital vatandaşlık bağlamında incelenmesi
Investigation of digital data awareness of university students in the context of digital citizenship
MERT HIZMALI
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiTrakya ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DOÇ. DR. NİLGÜN TOSUN
- Dijital bağımlılık ile dijital risk alma, doğru kullanım, bilişsel esneklik ve duygu düzenleme ilişkisinin incelenmesi
Examination of the relationship between digital addiction and digital risk-taking, correct usage, cognitive flexibility and emotion regulation
BETÜL AYDIN
Doktora
Türkçe
2023
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. SÜLEYMAN SADİ SEFEROĞLU