Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Eğitim Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: Emine YAVUZ
Danışman: HAKAN YAVUZ ATAR
Özet:Yapılacak ölçme ve değerlendirme etkinliklerinde, amacına en iyi şekilde hizmet edecek yöntemlerin seçilmesi önemlidir. Alanyazında Bilişsel Tanı Modelleri’nin (BTM’lerin) küçük örneklem, az madde veya fazla niteliğin olduğu bazı koşullarda öğrenciler hakkında yanlı sonuçlar verebildiği görülmektedir. Bu yanlı sonuçlardan kaçınmak için kullanılan alternatif yöntemlerin sınıflandırma oranlarının farklı koşullarda birbirleriyle karşılaştırılıp hangi yöntemin hangi koşullar altında daha iyi performans gösterdiğinin belirlenmesini amaçlayan çalışmalara ihtiyaç vardır. Bu düşünceden hareketle mevcut araştırmada, Parametrik Olmayan Bilişsel Tanılamaya (POBT) ve Yapay Sinir Ağına (YSA) ait nitelik (NSO) ve örüntü (ÖSO) düzeyi sınıflandırma oranlarının madde ve nitelik sayısı, örneklem büyüklüğü ve kayıp veri oranı koşullarında Deterministic-Input, Noisy-Or Gate (DINO) modeli temelli simülasyon veri setlerinde öncelikle birbirleriyle, daha sonra DINO modeli ile karşılaştırılmaları amaçlanmaktadır. Ek olarak POBT, YSA ve DINO modelinin sınıflandırma oranlarının benzerliklerinin PISA 2015 işbirlikli problem çözme (İPÇ) veri setlerinde, nitelik sayısı ve örneklem büyüklüğü koşullarında incelenmesi amaçlanmaktadır. Simülasyon ve betimsel araştırma deseninin kullanıldığı bu araştırmada simülasyon veri setleri karmaşık Q matris yapısı ve telafisel modellerden DINO modeli temel alınarak üretilmiştir. Araştırmada gerçek veri setleri için PISA 2015 İPÇ uygulaması seçilmiştir ve örneklem büyüklüğü faktörünün koşulları PISA 2015 İPÇ uygulamasına vi katılan 43 ülke ve 18170 öğrenci arasından basit seçkisiz yöntemle belirlenmiştir. Araştırmada ilk olarak simülasyon veri setleri üzerinde POBT’nin, YSA’nın ve DINO modelin nitelik (NSO) ve örüntü (ÖSO) düzeyi sınıflandırma oranları araştırma koşullarında ayrı ayrı incelenmiştir. Analizler sonucunda, nitelik sayısı (3, 5 ve 7) arttıkça POBT ve DINO modelinin NSO ve ÖSO’larının azaldığı, YSA’nın NSO’larının artarken ÖSO’larının azalıp arttığı görülmektedir. Örneklem büyüklüğünün (30, 100 ve 500) arttırılmasıyla POBT ve YSA’ya ait NSO ve ÖSO’ların değişimleri ile ilgili herhangi bir sistematikliğe rastlanmamaktadır ve örneklem büyüklüğünün artmasıyla DINO modeline ait NSO ve ÖSO’lar artmaktadır. Madde sayısının (15, 30 ve 45) arttırılmasıyla POBT ve DINO modeline ait NSO ve ÖSO’lar artarken YSA’ya ait NSO ve ÖSO’lar azalmaktadır. Kayıp veri oranının (0; 0,5 ve 0,10) arttırılmasıyla YSA’ya ait NSO ve ÖSO’ların bazı koşullarda değişmediği bazı koşullarda ise az miktarda azaldığı görülürken, POBT ve DINO modeline ait NSO ve ÖSO’lar tüm koşullarda azalmaktadır. Araştırmanın sonraki aşamasında POBT’ye, YSA’ya ve DINO modeline ait NSO ve ÖSO’ların araştırma koşullarında birlikte nasıl değiştikleri incelenmiştir. Yapılan faktöriyel ANOVA sonucunda tüm koşullarda POBT’nin, DINO modelinden biraz düşük fakat karşılaştırılabilir sınıflandırma oranlarına sahipken YSA’nın her zaman POBT ve DINO modelinden daha düşük oranlara sahip olduğu belirlenmiştir. Araştırmada son olarak PISA 2015 İPÇ veri setlerinden elde edilen POBT, YSA ve DINO modeline ait nitelik (NSOB) ve örüntü (ÖSOB) düzeyi sınıflandırma oranlarının benzerliği nitelik sayısı ve örneklem büyülüğü koşullarında incelenmiştir. Analizler sonucunda nitelik sayısı (3, 7 ve 11) arttıkça POBT, YSA ve DINO modeline ait NSOB’ların genel olarak önce azalıp sonra artarken ÖSOB’ların genel olarak azaldığı belirlenmiştir. Örneklem büyüklüğünün (30, 100 ve 500) artmasıyla ise POBT, YSA ve DINO modeline ait NSOB ve ÖSOB’ların artması, azalması veya sabit kalmasıyla ilgili herhangi bir sistematikliğe rastlanmamıştır. Sonuç olarak, mevcut araştırmada POBT ile DINO modeli sınıflandırma oranları arasındaki benzerlik hem simülasyon hem de gerçek veri setlerinde gözlemlenmektedir. Ayrıca hem simülasyon hem de gerçek veri setlerinde örneklem büyüklüğünün artmasıyla POBT ve YSA’nın sınıflandırma oranlarının ve bu oranların benzerliklerinin artış veya azalışlarında herhangi bir sistematikliğe rastlanmamıştır. Mevcut araştırmada POBT ve YSA’nın bilişsel tanılamada yeni kullanılmaya başlanması nedeniyle çeşitli koşullarda POBT ve YSA’ya ait sınıflandırma oranlarının değişimleri hakkında genellenebilir sonuçlara ulaşılamamaktadır. Bu nedenle çeşitli koşullarda, çeşitli simülasyon ve gerçek veri setlerinde POBT ve YSA’ya ait NSO ve ÖSO’ların nasıl değiştiğinin incelenmesi önerilmektedir.