4. BULGULAR
4.9. Türkiye ve Malezya’da Mesleki ve Teknik Anadolu Liselerde Öğrenim Gören
Faktörlerin Karşılaştırması
Çizelge 4.11. Yapay sinir ağı sonucuna göre Türkiye ve Malezya karşılaştırılması Dersler Önem
Sırası
Başarısızlığı Etkileyen Faktörler (Türkiye)
Başarısızlığı Etkileyen Faktörler (Malezya)
Fiz
ik
1 Sınıf mevcudunun kalabalık
olması Ailenin ekonomik durumunun iyi olmaması 2 Derste farklı yöntemleri
kullanmama
Fizik dersiyle ilgili alt yapısının olmaması
3 Etkinliklerde rol almama durumu Anne babanın birlikte olmama durumu
4 Çalışma odasının olmaması Sınavlara düzenli hazırlanmama durumu
5 Ailenin ekonomik durumunun iyi olmaması
Kitaplığının olmama durumu
K
im
ya
1 Sınıf mevcudunun kalabalık olması
İnternetin olmama durumu 2 Babanın okur yazar olmama
durumu
Kitaplığının olmama durumu 3 Babanın çalışma durumu Annenin çalışma durumu 4 İnternetin olmama durumu Çalışma odasının olmaması 5 Kimya uygulamalarında kendine
güvenmeme durumu
Annenin hayatta olmaması durumu
B
iyol
o
ji
1 Biyoloji dersini sevmeme Biyoloji öğretim programının ağır olması
2 Sınavlara düzenli hazırlanmama durumu
Biyoloji öğretmenini sevmeme 3 Anne babanın birlikte olmama
durumu
Bilgisayarının olmama durumu 4 Biyoloji öğretmenini sevmeme Babanın hayatta olmama durumu 5 Sınıf mevcudunun kalabalık
olması
Anne ve babanın birlikte olmama durumu
Çizelge 4.11. de YSA sonucuna göre Türkiye ve Malezya’ daki MTAL öğrencilerinin fen (Fizik-Kimya-Biyoloji) derslerinin başarılarını etkileyen faktörlerin önem derecelerine göre karşılaştırılması görülmektedir. Buna göre:
Fizik dersindeki başarısızlığı; her iki ülkede de etkileyen en önemli faktör ailenin
ekonomik durumunun iyi olmaması ile çalışma odasına veya kendine ait bir kitaplığın bulunmaması durumudur. Öte yandan sınıf mevcudunun kalabalık oluşu, öğretmenin derste farklı yöntemlerle dersi işlememesi ve öğrencinin fizik etkinliklerinde aktif rol almaması Türkiye’deki öğrencilerin başarısızlığını etkileyen en önemli etkenlerdendir.
112
Diğer taraftan Malezya’daki öğrencilerin fizik başarısızlığını etkileyen en önemli faktörler ise; fizik dersi alt yapısının olmaması, anne babanın birlikte olmama durumu ve sınavlara düzenli hazırlanmama durumu
Kimya dersi için ise; internetin olmama durumu ve ebeveynlerden birinin çalışıyor olması
her iki ülkede de kimya başarısını olumsuz etkileyen faktörlerin başında gelmektedir. Öte yandan sınıfın kalabalık olması, babanın okuryazar olmama durumu ve kimya dersindeki uygulamalarda kendine güvenmeme durumu Türkiye’deki en önemli etkenlerdendir. Malezya’da ise, kitaplığın ve çalışma odasının olmaması ile ebeveynin hayatta olmama durumu en etkili faktörlerdendir.
Biyoloji dersi için; biyoloji öğretmenini sevmeme ve ebeveynlerin birlikte olmama
durumları her iki ülke öğrencilerinde de etkili iken, biyoloji dersini sevmeme, sınavlara düzenli hazırlanmama ve sınıf mevcudunun kalabalık olması Türkiye’deki en önemli etkenlerden iken, Malezya’da biyoloji öğretim programının ağır olması, bilgisayara sahip olmaması ve ebeveyninin olmaması en önemli etkenlerdendir.
5. SONUÇ VE TARTIŞMA
Bu bölümde çalışmanın bulguları ışığında ulaşılan sonuçlara yer verilmiştir. Çalışmanın sonucunda Türkiye ve Malezya’da MTAL’lerde öğrenim gören öğrencilerin fen derslerindeki başarılarının YSA ile tahmin edilmesi ve bu iki ülkenin karşılaştırılması sağlanmıştır. Bu bağlamda; öncelikle YSA ile akademik başarı konusunda yüksek oranda tahmin yapabilen bir modelleme oluşturulmuştur. Modele eklenecek yeni bir öğrencinin gelecekteki fen dersleri başarısı tahmin edilmek istendiğinde oluşturulan YSA modeli ile tahminin doğru olma olasılığı,
Türkiye de:
Fizik dersi için %96, kimya için %98.9 ve biyoloji için %99.1’dir. YSA ile oluşturulan çok katmanlı model, fizik dersi için başarılı öğrencilerin %95.9’unu doğru sınıflandırırken, başarısız öğrencilerin %97.5’ini doğru sınıflandırmaktadır. Bu durum fizik dersinde başarısız olan öğrencilerin tahminindeki performansın, bu derste başarılı öğrencilerin tahminlerindeki performansa göre daha yüksek olduğu ve bu nedenle YSA
113
ile oluşturulan modelin özellikle başarısız öğrencilerin tahmin edilmesinde daha iyi sonuçlar verdiği şeklinde yorumlanabilir.
YSA ile oluşturulan çok katmanlı model, kimya dersi için başarılı öğrencilerin %99.1’ini doğru sınıflandırırken, başarısız öğrencilerin %98.7’sini doğru sınıflandırmaktadır. Bu bağlamda kimya dersinde başarılı olan öğrencilerin tahminindeki performansın, bu derste başarısız olan öğrencilerin tahminlerindeki performansa göre daha yüksek olduğu ve böylece YSA ile oluşturulan model aracılığıyla başarılı öğrencilerin tahmin edilmesinde daha iyi sonuçlar vereceği yorumuna gidilebilir.
YSA ile oluşturulan çok katmanlı model, biyoloji dersi için ise başarılı öğrencilerin %99.3’ünü doğru sınıflandırırken, başarısız öğrencilerin %98.9’unu doğru sınıflandırmaktadır. Bu sonuca göre biyoloji dersinde başarılı olan öğrencilerin tahminindeki performansın, bu derste başarısız olan öğrencilerin tahminlerindeki performansa göre daha yüksek olduğu ve böylece YSA ile oluşturulan model ile başarılı öğrencilerin tahmin edilmesinde daha iyi sonuçlar vereceği sonucuna ulaşılabilir.
Fizik başarısını olumlu yönde etkilemek için sınıf mevcudunun pedagojik açıdan uygun miktarda ayarlanması, farklı öğretim yöntem ve tekniklerle dersin işlenmesi, derste etkinliklere katılımların artırılması, öğrencinin çalışma odasının olması ve ailenin ekonomik durumunun yerinde olması gibi durumlara dikkat edilebilir.
Kimya dersinin başarısını etkileyen faktörlere bakıldığında ise sınıf mevcudunun uygun olması, babanın okur yazar olması, yine babanın iş sahibi olması ve öğrencinin derse düzenli çalışma durumu başarıyı pozitif yönde etkileyeceği yargılarına ulaşılabilir. Biyoloji dersindeki akademik başarının pozitif yönde seyretmesinde; biyoloji dersini sevme, sınavlara düzenli hazırlanma durumu, anne babanın birlikte olma durumu, biyoloji öğretmenlerinin kendilerini öğrencilere sevdirmesi ve sınıf mevcudunun uygun niceliğe sahip olması gibi durumların etkili olabileceği yargısına ulaşılabilir.
Malezya’da;
Fizik dersi için %99, kimya için %98.8 ve biyoloji için %89.5’tir. YSA ile oluşturulan çok katmanlı model, fizik dersi için başarılı öğrencilerin %95.7’sini doğru
114
sınıflandırırken, başarısız öğrencilerin %99’unu doğru sınıflandırmaktadır. Bu durum fizik dersinde başarısız olan öğrencilerin tahminindeki performansın, bu derste başarılı öğrencilerin tahminlerindeki performansa göre daha yüksek olduğu ve bu nedenle YSA ile oluşturulan modelin özellikle başarısız öğrencilerin tahmin edilmesinde daha iyi sonuçlar verebileceği şeklinde yorumlamak doğru olacaktır.
YSA ile oluşturulan model, kimya dersi için başarılı öğrencilerin %96.8’ini doğru sınıflandırırken, başarısız öğrencilerin %98.9’unu doğru sınıflandırmaktadır. Bu bağlamda kimya dersinde başarılı olan öğrencilerin tahminindeki performansın, bu derste başarısız olan öğrencilerin tahminlerindeki performansa göre daha yüksek olduğu ve bu bağlamda YSA ile oluşturulacak bir modelin kullanılmasıyla başarısız öğrencilerin tahmin edilmesinde daha iyi sonuçlar vereceği söylenebilir.
YSA ile oluşturulan çok katmanlı model, biyoloji dersi için ise başarılı öğrencilerin %78.8’ini doğru sınıflandırırken, başarısız öğrencilerin % 91.3’ünü doğru sınıflandırmaktadır. Bu sonuca göre biyoloji dersinde başarılı olan öğrencilerin tahminindeki performansın, bu derste başarısız olan öğrencilerin tahminlerindeki performansa göre daha yüksek olduğu ve böylece YSA ile oluşturulan model ile başarılı öğrencilerin tahmin edilmesinde daha iyi sonuçlar vereceği sonucuna ulaşılabilir. Yukarıda bahsedilen sonuçlar bağlamında Bahadır (2013)’ın, yaptığı çalışmada da YSA ve lojistik regresyon analizi ile akademik başarı tahmini için bir modelleme geliştirirken başarısızlığa yönelik yüksek tahminde bulunan bir model geliştirdiklerini rapor edilmesi çalışmanın sonuçlarını destekler niteliktedir.
Türkiye’deki MTAL öğrencilerinin fen derslerinin başarısızlık durumlarını etkileyen en önemli faktörlerin başında sınıf mevcudunun kalabalık olması gelmektedir. Bu durum MTAL’lerde sınıfların kalabalık olduğunu ve bu durumun başarıyı olumsuz olarak etkilediğini söyleyebiliriz. Bu sonuç Altun ve Çakan (2008), çalışmalarıyla ötüşmektedir. Yine fen derslerinde öğrencilerin kendilerine güvenlerinin tam olmadığı bununda başarısızlığı tetiklediği sonucu Yenice, Saydam ve Telli (2012), çalışmalarında belirttiği sonuç ile paralellik göstermektedir. Çünkü fen dersleri özellikle teorinin yanında uygulama aşamalarının da bolca bulunduğu disiplinler olmasından dolayı öğrencilerin bu uygulamalarda bulunabilmeleri için kendilerinde o derse karşı bir özgüven
115
hissetmelidirler. Yine ailevi nedenlerin başarısızlığı etkilediği (sosyoekonomik durum, ebeveyn birlikteliği vb.) sonucuna da ulaşılmıştır. Bu sonuç Anıl (2009); Alomar (2006), Çiftçi ve Çağlar (2014) ve Taningco ve Pachon (2008) ve çalışmalarındaki ulaştıkları sonuçlarla da örtüşmektedir.
Benzer şekilde Malzeya’daki MTAL’lerde öğrenim görmekte olan öğrencilerin fen derslerinin başarısızlıklarını etkileyen en önemli faktörlerin başında ailevi nedenler olduğu görülmektedir. Bunun en önemli nedenlerden birisi veri toplanan MTAL öğrencilerinin yatılı okullarda kalmalarına bağlanabilir. Yine bu durum Malezya’nın kültürel değerlerine de bağlanabilir. Örneğin Ong ve ark. (2010) yaptıkları çalışmada Malezya’daki ilköğretimdeki öğrencilerin akademik başarısızlığı etkileyen en önemli unsurların başında ailelerin özellikleri olduğunu rapor ettikleri çalışma ile örtüşmektedir. Yine fen derslerindeki başarısızlığı etkileyen en önemli faktörlerin başında, kitaplıklarının olmaması ki bu sonuç, Erbaş (2005), Özer ve Anıl (2011); ve Şaşmazer (2006)’in yaptıkları çalışmanın sonucu ile örtüşmekte olup, ayrıca öğrencilerin bilgisayara ve internete sahip olmaması da Özer ve Anıl (2011) ve Christman ve Badgett (1999) yaptıkları çalışmanın sonucu ile paralellik göstermektedir. Bu durum Malezya’da özellikle fen eğitiminde teknoloji kullanımının daha etkin olduğunun bir göstergesi olabilir. Fuchs ve Woessmann (2005) yaptıkları çalışmada öğrencilerin bilgisayara kullanımlarının akademik başarılarını etkilediği sonucu ile örtüşmektedir.
Çalışma sonunda her iki ülkedeki MTAL öğrencilerinin fen derslerindeki başarısızlığı etkileyen faktörlerin başında ailevi etkenler gelmektedir. Spesifik olarak biyoloji dersindeki başarısızlığı etkileyen faktör ise her iki ülkede de biyoloji öğretmenini sevmeme olmuştur. Öğrenci başarısını artıran en önemli unsurun öğretmen faktörü olduğu bilinmektedir (Ereş ve Bıçak, 2017). Ayrıca öğretmen, başarıyı tetikleyen okul dışındaki diğer faktörlerin başında da gelmektedir. Bu sonuç diğer araştırmaların sonuçlarıyla da örtüşmektedir (Erdoğdu, 2006; Memduhoğlu ve Tanhan, 2013).
5.1. Öneriler
1. YSA da oluşturulan modelleme ile akademik başarı tahmininde yüksek oranda doğru tahminde bulunulması çalışmanın güçlü yanlarından biridir. Ancak bu araştırma MTAL öğrencilerinden elde edilen belirli sayıda veri ile gerçekleştirildiği için spesifik bir
116
uygulama niteliğindedir. Bu nedenle de çalışmadan elde edilen sonuçların, söz konusu sınırlılıklar dikkate alınarak değerlendirilmesi faydalı olacaktır.
2. Çalışmada kullanılan YSA analiz tekniği ile lojistik regresyon analizi veya diğer teknikler birlikte kullanılarak tahminlerin karşılaştırılıp, daha doğru tahminlere ulaşılması anlamında faydalı olacağı düşünülmektedir.
3. Türkiye’deki MTAL öğrencilerinin fen derslerindeki başarısızlığın önüne geçmek için öğrencilerin huzurlu bir aile ortamına, çalışma odasına ve daha az mevcutlu sınıf ortamlarına ihtiyaçları vardır.
4. Malezyada MTAL’lerde öğrenim gören öğrencilerin fen derslerindeki başarısızlığın önüne geçmek için ülkemizde olduğu gibi huzurlu bir aile ortamının tesis edilmesi, kendisine ait bir çalışma odasının temini, kitaplığın ve özellikle biyoloji öğretim programının hafifletilmesi gerekmektedir.
5. Her iki ülke için de MTAL öğrencilerinin fen derslerindeki başarısızlığın önüne geçmek için ailevi sıkıntıların minimize edilmesi hususunda öğretmen, okul yönetimi ve veliler işbirliği yoluna gitmelidirler.
6. Her iki ülkede de biyoloji dersindeki başarısızlığı etkileyen en önemli faktör öğretmeni sevmeme durumudur. Bu durumun özellikle biyoloji derslerine yönelik tutumun olumsuz gelişmesine neden olmasını engellemek için biyoloji öğretmenlerinin daha hassas olmaları gerekmektedir.
7. Çalışma sonunda Malezya’daki MTAL öğrencilerinin fen başarısızlıklarını etkileyen faktörlerde bilişim araç ve gereçlerinin Türkiye’deki öğrencilere oranla daha yüksek olduğu sonucu, ülkemizdeki MTAL öğrencilerinin eğitimde bilişimle daha fazla iştigalde bulunmalarının gerekliliğini ortaya koymuştur.
117 KAYNAKLAR
Altunoğlu, B. ve Atav, E., 2005. Daha Etkili Bir Biyoloji Öğretimi için Öğretmen Beklentileri. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 28, 19-28.
Alomar, B. O., 2006. Personal and Family Paths to Pupil Achievement. Social Behavior
and Personality, 34(8), 907-922.
Altun, S. A. ve Çakan, M., 2008. Öğrencilerin Sınav Başarılarına Etki Eden Faktörler: LGS/ÖSS. Sınavlarındaki Başarılı İller Örneği. Elementary Education Online, 7(1), 157-173.
Anıl, D., 2009. Uluslararası Öğrenci Başarılarını Değerlendirme Programı (PISA)’nda Türkiye’deki Öğrencilerin Fen Bilimleri Başarılarını Etkileyen Faktörler. Eğitim ve Bilim, 34(152), 87-100.
Arsad, P. M., Buniyamin, N., Ab Manan, J. L., ve Hamzah, N., 2011. Proposed Academic Students' Performance Prediction Model: A Malaysian Case Study. In
Engineering Education (ICEED), International Congress, Malaysia.
Arsa, M. P., Bunıyamın, N., Manan, J., 2013. The İmpact of English on Students Performance Based on Neural Network Prediction: A Malaysian Case Study. In
12th International Conference on Education and Educational Technology,
Morioka City, Iwate, Japan.
Aryadoust, V., ve Baghaei, P., 2016. Does EFL Readers' Lexical and Grammatical Knowledge Predict Their Reading Ability? Insights From a Perceptron Artificial Neural Network Study. Educational Assessment, 21(2), 135-156.
Aldahdouh, A. A., 2017. Does Artificial Neural Network Support Connectivism’s Assumptions? International Journal of Instructional Technology and Distance
Learning, 13(3), 3-26.
Balkin, S. D.,1997. “Using Recurrent Neural Networks For Time Series Forecasting,”,
Department of Management Science and Information Systems, Pennsylvania State
University, USA.
Barutçuoğlu, E.I., 2001. Robotların Tarihçesi, Boğaziçi Üniversitesi, İstanbul Web:
http://robot.cmpe.boun.edu.tr/593/history.pdf- (Erişim Tarihi 21.01.2018 saat:
12:11).
Binici, H. ve Arı, N., 2004. Mesleki ve Teknik Eğitimde Arayışlar. Gazi Üniversitesi
Eğitim Fakültesi Dergisi, 24(3), 383-396.
Burmaoğlu, S., 2009. Birleşmiş Milletler Kalkınma Programı Beşeri Kalkınma Endeksi Verilerini Kullanarak Diskriminant Analizi, Lojistik Regresyon Analizi ve Yapay Sinir Ağlarının Sınıflandırma Başarılarının Değerlendirilmesi. Doktora Tezi,
118
Biddix, J. P., Chung, C. J., ve Park, H. W., 2011. Convenience or Credibility? A Study of College Student Online Research Behaviors. The Internet and Higher Education,
14(3), 175-182.
Bahadır, E. ve Özdemir, A. Ş., 2012. İlköğretim 7. Sınıf Öğrencilerinin Matematik Kavramına İlişkin Sahip Oldukları Zihinsel İmgeler. International Journal of
Social Science Research, 1(1), 26-40.
Bahadır, E., 2013. Yapay Sinir Ağları ve Lojistik Regresyon Analizi Yaklaşımları ile Öğretmen Adaylarının Akademik Başarılarının Tahmini. Doktora Tezi, Marmara
Üniversitesi Eğitim Bilimleri Enstitüsü, İstanbul.
Bahadır, E., 2016. Using Neural Network and Logistic Regression Analys to Predict Prospective Mathematics Teachers’ Academic Success upon Entering Graduate Education. Educatıonal Scıences: Theory & Practıce, 16(3), 643-964.
Bahadır, E., 2016. Prediction of Prospective Mathematics Teachers’ Academic Success in Entering Graduate Education by Using Back-propagation Neural Network.
Journal of Education and Training Studies, 4(5), 113-122.
Bozkurt Yüksel, A. E., 2016. Robot Hukuku. Türkiye Adalet Akademisi Dergisi (TAAD), 7(29), 85-112.
Briggs, D. C. And Circi, R., 2017. Challenges to the Use of Artificial Neural Networks for Diagnostic Classifications with Student Test Data. International Journal of
Testing, 17(4), 302-321.
Bellman, R. E., 1978. An Introduction to Artificial Intelligence: Can Computers Think? Boyd and Fraser Publishing Company, 146, San Francisco, USA.
Charniak, E. and McDermott, D., 1985. Introduction to Artificial Intelligence. Addison- Wesley, 201, USA.
Christman, E. ve Badgett, J., 1999. A Comparative analysis of the Effects of Computer- Assisted Instruction on Student Achievement in Differing Science and Demographic Areas. Journal of Computers in Mathematics and Science Teaching, 18, 135-143.
Chan, F. M,. 2002. ICT in Malaysian Schools: Policy and Strategies. In a Workshop on
the Promotion of ICT in Education to Narrow the Digital Divide, 15-22.
Civalek, Ö., 2003. Yapay Zeka-Ömer Civalek'le Söyleşi. Türkiye Mühendislik Haberleri
(TMH) Dergisi, 423(1), 40-50.
Çevik, M., 2014. Mevcut Biyoloji Öğretim Programının Mesleki ve Teknik Liselerde Görevli Yönetici, Öğretmen ve Öğrenci Görüşlerine Göre Değerlendirilmesi ve Yeni Bir Taslak Program Önerisi (Fotosentez Konusu Örneği), Doktora Tezi, Gazi
119
Çevik, M., ve Atıcı, T., 2015. Mevcut Biyoloji Öğretim Programının Mesleki ve Teknik Liselerde Görevli Öğretmen ve Öğrenci Görüşlerine Göre Değerlendirilmesi ve Yeni Bir Taslak Program Önerisi (Fotosentez Konusu Örneği). Gazi Üniversitesi
Gazi Eğitim Fakültesi Dergisi, 35,(3), 423-441.
Çırak, G. ve Çokluk Ö., 2013. Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması. Mediterranean Journal of Humanities, 3,(2), 71-79.
Çiftçi, C. ve Çağlar, A., 2014. Ailelerin Sosyo-Ekonomik Özelliklerinin Öğrenci Başarısı Üzerindeki Etkisi: Fakirlik Kader midir?. International Journal of Human
Sciences, 11(2), 155-175.
Delavari, N., Shirazi, M. R. A., ve Beikzadeh, M. R., 2004. A New Model for Using Data Mining Technology in Higher Educational Systems. Proceedings of the FIfth
International Conference, İstanbul.
Delavari, N., Beikzadeh, M. R. ve Amnuaisuk, P. S., 2005. Application of Enhanced Analysis Model for Data Mining Processes in Higher Educational System. 6th
International Conference, Santo Domingo, Dominican Republic.
Duman, N., 2006. Yapay Sinir Ağları ve Bir Uygulama. Yüzsek lisans tezi, Cumhuriyet Üniversitesi Sosyal Bilimler Enstitüsü, Sivas. Dee, T. S., 2007. Teachers and the Gender Gaps in Student Achievement. Journal of
Human Resources, 42(3), 528–554.
Di Nuovo, A. G., Di Nuovo, S. ve Catania, V., 2009. Feedforward Artificial Neural Network to Estimate IQ of Mental Retarded People from Different Psychometric Instruments. Proceedings of International Joint Conference on Neural Networks, 690-696.
Doğan, G., 2010. Yapay Sinir Ağları Kullanılarak Türkiye'deki Özel Bir Sigorta Şirketinde Portföy Değerlendirmesi. Yüksek Lisan Tezi, Hacettepe Üniversitesi,
Fen Bilimleri Enstitüsü, Ankara.
Dirican, A., 2001. Tanı Testi Performansının Değerlendirilmesi ve Kıyaslanması. Cerrahpaşa Tıp Dergisi, 32(1), 25-30.
Demir, M., 2015. Predicting Pre-service Classroom Teachers’ Civil Servant Recruitment Examination’s Educational Sciences Test Scores Using Artificial Neural Networks. Educational Sciences: Theory & Practice, 15(5), 1169-1177.
Elmas Çetin., 2003. Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Seçkin Yayınları, 192, Ankara.
Erginer, A., 2006. Avrupa Birliği Eğitim Sistemleri ve Türkiye Eğitim Sistemiyle
120
Erdoğdu, Y., 2006. Yaratıcılık ile Öğretmen Davranışları ve Akademik Başarı Arasındaki İlişkiler. Elektronik Sosyal Bilimler Dergisi, 5(17), 95-106.
Erbaş, K. C., 2005. Uluslararası Öğrenci Başarı Belirleme Programında (PISA) Türkiye’de Fen Okuryazarlığını Etkileyen Faktörler. Yüksek Lisans Tezi, Orta
Doğu Teknik Üniversitesi, Ankara.
Eker, G., 2007. Endüstri Meslek Lisesi Öğrencilerinin Tükenmişlik Düzeyi. Yüksek
Lisans Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
Esa, A., Hassan, R., Hashim, J., ve Hadi, M. Y., 2009. Cabaran Pendidikan Teknik dan Vokasional (PTV) di Malaysia: Peranan UTHM Dalam Melahirkan Pendidik Berketrampilan. Keterangan: Seminar JPPG, Hotel Casuarina, Ipoh.
Ersoy, E., ve Karal, Ö., 2012. Yapay Sinir Ağları ve İnsan Beyni. İnsan ve Toplum. Bilimleri Araştırmaları Dergisi, 1(2), 188-205.
Ereş, F. ve Bıçak Koçak, D., 2017. Ortaokullarda Öğrenci Başarısını Artıran ve Engelleyen Unsurlar. ASOS Journal. 5(51), 32-45.
Freedman, M. P., 1997. Relationship Among Laboratory İnstruction, Attitude Toward Science, and Achievement in Science Knowledge. Journal of Research in Science
Teaching, 34(4), 343–357.
Fuchs, T. ve Woessmann, L., 2005. Computers and Student Learning: Bivariate and Multivariate Evidence on the Availability and Use of Computers at Home and at School (CES) Ifo Working Paper Series No. 8 http://www.cesifo-
group.de/DocDL/IfoWorkingPaper-8.pdf adresinden 30.03.2018 tarihinden
erişilmiştir.
Galam, R. G., 1997. Curriculum Develoment in Indonezya, Malaysia and Singapore.
Alipato: A Journal of Basic Education, 2(1), 43-48.
Güneri, N. ve Apaydın, A., 2004. Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı. Ticaret ve Turizm Eğitim Fakültesi
Dergisi, 1, 170-188.
Güney, E., 2009. Kavramsal Radyo Sistemlerinde Yapay Sinir Ağına Dayalı Kanal Seçme Yöntemi Tasarım. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen
Bilimleri Enstitüsü, İsyanbul.
Garcia-Roselló, E., González-Dacosta, J., Lado, M. J., Méndez, A. J., Garcia Pérez- Schofield, B., ve Ferrer, F., 2011. Visual NNet: an Educational ANN's Simulation Environment Reusing Matlab Neural Networks Toolbox. Informatics in Education, 10(2), 225-232.
121
Hanbay, D., 2007. “Yapay Sinir Ağı Tabanlı Akıllı Yöntemlerle Karmaşık Sistemlerin Modellenmesi”, Doktora Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ. Halawany, H. ve Huwail, E. I., 2008. Malaysian Smart Schools: A Fruitful Case Study
for Analysis to Synopsize Lessons Applicable to the Egyptian Context.
International Journal of Education and Development Using ICT, 4(2), 117.
Haykin, S., 2009. Neural Networks and Learning Machines Third Edition. Upper Saddle River, Pearson, 889, NJ, USA.
Ibrahim, Z., ve Rusli, D., 2007. “Predicting Students’ Academic Performance: Comparıng Artificial Neural Network, Decision Tree and Linear Regression”.
21st Annual SAS Malaysia Forum, Shangri- La Hotel, Kuala Lumpur, Malaysia.
Rusli, N. M., Ibrahim, Z., ve Janor, R. M., 2008. Predicting Students’ Academic Achievement: Comparison Between Logistic Regression, Artificial Neural Network, and Neuro-Fuzzy. In Information Technology, 1, 1-6.
İnam, A., 2001. Yapay Zekâ. Bilim ve Teknik Dergisi, 409, 38.
İmanova, S., 2010. Endüstri Mühendisliğine Giriş. Qafqaz Üniversitesi Yayınları, 91, Bakü.
Ismail, A., ve Hassan, R., 2013. Issues and Challenges of Technical and Vocational Education and Training in Malaysia for Knowledge Worker Driven. In National
Conference on Engineering Technology. Setia, Malaysia.
Isljamovıc, S., ve Suknovıc, M., 2014. Predicting Students’ Academic Performance Using Artificial Neural Network: A Case Study From Faculty Of Organizational Sciences. The Eurasia Proceedings of Educational and Social Sciences (EPESS), 1, 68-72.
Jen, C., I. ve Huang, C., S., J. (2000), “Application of the Concepts of the Smart Schools