PISA uygulamasında veri madenciliği algoritmalarının sınıflama performanslarının ve değişken seçme yöntemlerinin karşılaştırılması
A comparison of the classification performance of data mining algorithms and variable selection methods in the PISA assessment
- Tez No: 996687
- Danışmanlar: PROF. DR. ÖMAY ÇOKLUK BÖKEOĞLU
- Tez Türü: Doktora
- Konular: Eğitim ve Öğretim, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Eğitim Bilimleri Enstitüsü
- Ana Bilim Dalı: Eğitim Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye'de PISA 2018 uygulamasına katılan öğrencilerin verileri kullanılarak yürütülen bu araştırmada, RF (Random Forest), NB (Naive Bayes), ANFIS (Adaptive Neuro-Fuzzy Inference System) ve LVQ (Learning Vector Quantization) algoritmalarının sınıflama performanslarının karşılaştırılması ve öğrencilerin matematik okuryazarlığı başarısını yordayan değişkenlerin önem sıralarının belirlenmesi amaçlanmıştır. Araştırma, yordayıcı korelasyonel desen ile yürütülmüştür. Algoritmaların sınıflama performansları; PISA matematik okuryazarlığı yeterlik düzeyi kategori sayısı, birinci makul değer (PV1) puanı ve gri ilişki analizi ile on makul değerden elde edilen gri puan temelinde karşılaştırılmıştır. Bağımsız değişkenlerin önem sıraları, bağımlı değişkenler olan PV1 ve gri puana göre belirlenmiştir. Bağımsız değişkenler literatür ve veri madenciliği filtreleme yöntemlerine dayalı olarak seçilmiştir. Bulgular, bağımlı değişken kategori sayısının artmasının algoritmaların sınıflama doğruluğunu önemli ölçüde azalttığını göstermiştir. Kategori sayısının ikiden fazla olduğu durumlarda ANFIS gibi regresyon temelli algoritmaların da sınıflama amacıyla kullanılabileceği belirlenmiştir. RF ve ANFIS algoritmalarının en yüksek sınıflama performansına sahip olduğu saptanmıştır. PAREDINT ve METASPAM değişkenleri NB, ANFIS ve LVQ algoritmalarında PV1'i yordayan en önemli üç değişken arasında yer almıştır. Literatüre dayalı değişkenler arasında ise ESCS ve HISEI en önemli değişkenler olarak belirlenmiştir. Bulgular, bağımsız değişken seçiminde veri madenciliği filtreleme yöntemlerinin zaman tasarrufu sağladığını ve birden fazla makul değerin bulunduğu durumlarda gri ilişki analizi ile elde edilen ortak puanın kullanılabileceğini göstermektedir.
Özet (Çeviri)
This study aimed to compare the classification performance of the Random Forest (RF), Naive Bayes (NB), Adaptive Neuro-Fuzzy Inference System (ANFIS) and Learning Vector Quantisation (LVQ) algorithms, using data from students who participated in the Programme for International Student Assessment (PISA) in Turkey in 2018. The study also aimed to determine the relative importance of the variables that predict students' achievement in mathematical literacy. The study was conducted in accordance with a predictive correlational research design. The algorithms' classification performance was compared based on the number of mathematical literacy proficiency level categories, the first plausible value (PV1) and the grey score obtained from ten plausible values through grey relational analysis. The importance rankings of the independent variables were determined separately for PV1 and the grey score. The independent variables were identified based on relevant literature and data mining filter methods. The findings indicated that increasing the number of categories of the dependent variable substantially reduced classification accuracy rates. When the number of categories exceeded two, it was also found that regression-based algorithms such as ANFIS were applicable for classification purposes. RF and ANFIS demonstrated the highest classification performance. PAREDINT and METASPAM were among the three most important predictors of PV1 in the NB, ANFIS and LVQ algorithms, while ESCS and HISEI were also identified as important predictors among the literature-based variables. Furthermore, the results suggest that data mining filter methods may facilitate efficient variable selection, and that a composite score derived through grey relational analysis could be employed when multiple plausible values represent the dependent variable.
Benzer Tezler
- PİSA 2015 Türkiye örneklemi fen okuryazarlığını açıklayan değişkenlerin CHAİD analizi ile incelenmesi
Investigation of variables describing science literacy of PISA 2015 Turkey sample with CHAID analysis
ŞERİFE ZEYBEKOĞLU
Yüksek Lisans
Türkçe
2019
Eğitim ve ÖğretimAkdeniz ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOĞAR
- HLM ve YSA Yöntemlerinin PISA 2018 okuduğunu anlama becerilerini yordama düzeylerinin incelenmesi
Investigation of prediction accuracy of HLM and ANN Methods on PISA 2018 reading literacy
EDA AKDOĞDU YILDIZ
Doktora
Türkçe
2022
Eğitim ve ÖğretimHacettepe ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. KÜBRA ATALAY KABASAKAL
- Öğrencilerin PISA matematik başarılarının yordanmasında veri madenciliği yöntemlerinin karşılaştırılması
Comparison of data mining methods in predicting PISA mathematical achievements of students
İLHAN KOYUNCU
Doktora
Türkçe
2018
Eğitim ve ÖğretimHacettepe ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. SELAHATTİN GELBAL
- PISA 2018 Türkiye örnekleminde okuma okuryazarlık düzeylerinin farklı veri madenciliği sınıflandırma yöntemleri ile incelenmesi
Examination of reading literacy levels in PISA 2018 Turkey sample with different data mining classification methods
EMRAH BÜYÜKATAK
Doktora
Türkçe
2022
Eğitim ve ÖğretimHacettepe ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. DUYGU ANIL
- Öğrencilerin teknoloji kullanımı alışkanlıklarının ve bilişim okuryazarlıklarının PISA test sonuçlarıyla olan ilişkisinin veri madenciliği yöntemleriyle incelenmesi
Investigating the relationship of students technology use habits and information literacy with PISA test results by data mining methods
FEVZİ KARACA
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriBurdur Mehmet Akif Ersoy ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MELİKE ŞİŞECİ ÇEŞMELİ