Sınıf Öğretmeni Adaylarının Fen ve Teknoloji Öğretimi Ders Başarılarının Yapay Sinir Ağları ile Modellenmesi

DUMLUPINAR ÜNİVERSİTESİ EĞİTİM BİLİMLERİ ENSTİTÜSÜ TEMEL EĞİTİM ANABİLİM DALI

SINIF EĞİTİMİ BİLİM DALI

SINIF ÖĞRETMENİ ADAYLARININ

FEN ve TEKNOLOJİ ÖĞRETİMİ DERS BAŞARILARININ YAPAY SİNİR AĞLARI ile MODELLENMESİ

Ergün AKGÜN Doktora Tezi

Tez Danışmanı

Doç. Dr. Metin DEMİR

Yemin Metni

Doktora tezi olarak sunduğum “Sınıf Öğretmeni Adaylarının Fen ve Teknoloji Öğretimi Ders Başarılarının Yapay Sinir Ağları ile Modellenmesi” adlı çalışmamın, tarafımdan bilimsel ahlak ve geleneklere aykırı düşecek bir yardıma başvurmaksızın yazıldığını ve yararlandığım kaynakların “Kaynaklar” bölümünde gösterilenlerden oluş tuğunu, bunlara atıf yapılarak yararlanılmış olduğunu belirtir ve bunu onurumla doğrularım.

04/12/2017 Ergün AKGÜN

Önsöz

Teknoloji ve teknoloji ile elde edilen verilerin nicel ve nitel olarak artmasıyla birlikte, veri madenciliği kullanılarak yapılan analiz metotları gün geçtikçe önem kazanmaktadır. Bu metotlar arasında fen bilimleri alanında sıkça kullanılan ancak sosyal bilimlerde yeni kullanılmaya başlanan yapay sinir ağları ile analiz metotu sayesinde, anlamsız ya da analiz edilmesi imkansız görülen veri yığınları anlamlı hale getirilmektedir. Bu çalışma kapsamında da eğitim bilimleri alanında seçilen bir problem durumu, yapay sinir ağları kullanılarak çözülmeye ve modellenmeye çalışılmıştır.

Bu araştırmanın yürütülmesinde tüm süreç boyunca bana sonsuz destek sunan, beni yüreklendiren ve hoşgörüsü ile bana cesaret veren danışmanım ve sevgili hocam Doç. Dr. Metin DEMİR’e sonsuz teşekkür ve saygılarımı sunarım.

Araştırmanın incelenmesinde getirdikleri katkılardan dolayı hocalarım Prof. Dr. Cemil YÜCEL’e, Prof. Dr. Adem SEZER’e, Yrd. Doç. Dr. İbrahim SARI’ya ve Yrd. Doç. Dr. Muhammet ÖZDEN’e teşekkürlerimi sunarım.

Araştırmanın raporlaştırılması aşamasında ve sonrasında getirdiği katkılardan ve emeğinden dolayı sevgili hocam Doç. Dr. Erol DURAN’a sonsuz teşekkürlerimi sunarım.

Ne olmak istiyorsam, “O” olmam için beni yüreklendiren anne ve babama sonsuz teşekkür ve şükranlarımı sunarım.

04/12/2017 Ergün AKGÜN UŞAK

İçindekiler

Yemin Metni ... i

Önsöz ... iii

İçindekiler ... iv

Şekiller Dizini ... vii

Tablolar Dizini ... ix Özet ... x Abstract ... xi Birinci Bölüm ... 1 Giriş ... 1 Öğretmen Niteliği... 1

Yükseköğretim Kurulu Lisans Düzeyi Yeterlilikler Çerçevesi ... 1

Öğretmen Yetiştirme ve Eğitim Bilimleri Temel Alanı Yeterlilikleri ... 2

Veri Madenciliği ... 5

Yapay Sinir Ağları ... 8

Yapay Sinir Ağlarının Tarihçesi ve Kullanım Alanları ... 8

Yapay Sinir Ağlarının Yapısı ve Temel Bileşenleri ... 10

Girdi Katmanı... 13

Sinaptik Ağırlıklar ... 13

Gizli Katman ... 14

Toplama Fonksiyonu ... 14

Aktivasyon Fonksiyonu ... 14

Lineer Aktivasyon Fonksiyonu ... 14

Hiperbolik Tanjant Aktivasyon Fonksiyonu ... 15

Çıktı Katmanı ... 15

Yapay Sinir Ağlarının Sınıflandırılması ... 15

Öğrenme Algoritmaları ... 15 Besleme Yönü ... 16 Ağ Yapıları ... 18 Araştırmanın Amacı ... 19 Araştırmanın Önemi ... 21 İlgili Araştırmalar ... 22 İkinci Bölüm ... 30 Yöntem ... 30 Araştırma Modeli ... 30 Çalışma Grubu ... 31 Verilerin Toplanması... 32 Verilerin Analizi ... 34

Ağ Mimarisinin Oluşturulması ... 38

Üçüncü Bölüm ... 41

Bulgular ... 41

Birinci Bulgu: Yapay Sinir Ağının Oluşturulma Süreci ve Özellikleri ... 41

İkinci Bulgu: Fen ve Teknoloji Öğretimi I Dersi Başarısının Yapay Sinir Ağı ile Modellenmesi ve Tahmini ... 75

Üçüncü Bulgu: Fen ve Teknoloji Öğretimi II Dersi Başarısının Yapay Sinir Ağı ile Modellenmesi ve Tahmini ... 83

Dördüncü Bulgu: Fen ve Teknoloji Öğretimi I ve II Derslerinin Başarılarını Tahmin Etmede Kullanılan Bağımsız Değişkenlerin Önem Dereceleri... 91

Dördüncü Bölüm ... 95 Sonuç ... 95 Tartışma... 98 Öneriler ... 102 Kaynaklar ... 104 Ekler ... 120

Şekiller Dizini

Şekil 1. Veri madenciliği modelleri. ... 7

Şekil 2. Sinir sistemi bloğu diagramı. ... 11

Şekil 3. Biyolojik ve yapay sinir ağlarının benzeşimi. ... 12

Şekil 4. İleri beslemeli yapay sinir ağı örneği ... 17

Şekil 5. Geri beslemeli yapay sinir ağı örneği. ... 18

Şekil 6. Ağın oluşturulması için yapılan veri seti işlemleri. ... 36

Şekil 7. 13 girdi değişkenli, 1 gizli katmanlı, gizli katmanında 10 nöron bulunan örnek ileri beslemeli geriyayılım ağ mimarisi. ... 39

Şekil 8. 13 girdi Değişkenli, 1 gizli katmanlı, gizli katmanında 10 nöron bulunan örnek ileri kademeli geriyayılım ağ mimarisi. ... 40

Şekil 9. İkinci problem durumu için kullanılan yapay sinir ağı mimarisi. ... 72

Şekil 10. Üçüncü problem durumu için kullanılan yapay sinir ağı mimarisi... 73

Şekil 11. Ortalama karesel hata performans grafiği. ... 75

Şekil 12. Öğrenme durum grafiği... 76

Şekil 13. Öğrenme, doğrulama ve test süreçlerine ilişkin regresyon grafikleri. ... 76

Şekil 14. Ağın tahmin ettiği başarı notları ile kişilerin gerçek başarı notlarının grafiksel karşılaştırılması. ... 78

Şekil 15. Ağın hata değerlerinin dağılımı ... 79

Şekil 16. Simülasyon veri seti kullanılarak ağın tahmin ettiği başarı notları ile kişilerin gerçek başarı notlarının grafiksel karşılaştırılması. ... 81

Şekil 17. Ağın hata değerlerinin dağılımı ... 82

Şekil 18. Ortalama karesel hata performans grafiği. ... 83

Şekil 19. Öğrenme durum grafiği... 84

Şekil 20. Öğrenme, doğrulama ve test süreçlerine ilişkin regresyon grafikleri. ... 84 Şekil 21. Ağın tahmin ettiği başarı notları ile kişilerin gerçek başarı notlarının

grafiksel karşılaştırılması. ... 86 Şekil 22. Ağın hata değerlerinin dağılımı. ... 87 Şekil 23. Simülasyon veri seti kullanılarak ağın tahmin ettiği başarı notları ile kişilerin gerçek başarı notlarının grafiksel karşılaştırılması. ... 89 Şekil 24. Ağın hata değerlerinin dağılımı ... 90 Şekil 25. Fen ve teknoloji öğretimi I dersi için bağımsız değişkenlerin normalleştirilmiş önem dereceleri. ... 92 Şekil 26. Fen ve teknoloji öğretimi II dersi için bağımsız değişkenlerin normalleştirilmiş önem dereceleri. ... 94

Tablolar Dizini

Tablo 1. Farklı Ölçütlere Göre Araştırma Türleri...30

Tablo 2. Katılımcıların Demografik Özellikleri...32

Tablo 3. Araştırma kapsamında alınan mezun öğrenci bilgileri...33

Tablo 4. Cinsiyet, Lise Mezuniyet Alanı ve Öğrenim Türü Değişkenlerine Ait Sayısal Değerler ve Karşılıkları...34

Tablo 5. Kodlamada Kullanılan Sayısal Değerler ve Karşılıkları...35

Tablo 6. Ağ yapıları ile yapılan deneme sayıları ve ağ özellikleri...42

Tablo 7. İlk Aşamada Oluşturulan Ağ Mimarileri...43

Tablo 8. En İyi Performansı Sağlayan 12 Ağ Mimarisi...56

Tablo 9. İkinci Aşamada Oluşturulan Ağ Mimarileri...58

Tablo 10. Fen ve Teknoloji Öğretimi I Dersi için Değişkenlerin Normalleştirilmiş Önem Dereceleri...91

Tablo 11 Fen ve Teknoloji Öğretimi II Dersi için Değişkenlerin Normalleştirilmiş Önem Dereceleri...93

Özet

Sınıf Öğretmeni Adaylarının Fen ve Teknoloji Öğretimi Ders Başarılarının Yapay Sinir Ağları ile Modellenmesi

Bu çalışmanın amacını, 2014 ve 2015 yıllarında sınıf eğitimi bölümünden mezun olan öğretmen adaylarının fen ve teknoloji öğretimi I ve II derslerindeki akademik başarılarını yordamak oluşturmaktır. Bu amaç doğrultusunda yordama için yapay sinir ağları kullanılmıştır. Araştırma çerçevesinde elde edilen veriler, 4 farklı devlet üniversitesinden 2013-2014 ve 2014-2015 eğitim-öğretim yıllarında mezun olmuş 885 sınıf öğretmeni adaylarının transkript dökümleri ve öğrenci bilgi sistemlerinde bulunan kişisel bilgi içermeyen demografik bilgilerinden elde edilmiştir. Elde edilen verilerin analizinde IBM SPSS neural Networks 20 ve Matlab Neural Networks Toolbox Programları kullanılmıştır. Araştırma kapsamında oluşturulan ağ mimarisinin OKH= 0.47754; Öğrenme R= 0.81632, Doğrulama R= 0.90097 ve Test R=0.87808 değerleri bulunmuştur. 200 kişinin girdi verileri kullanılarak ağın öğrenme sürecinin ardından simüle edilen başarı notlarındaki hata değerinin büyük bir çoğunluğunun Fen ve Teknoloji Öğretimi I Dersi için (N=164), Fen ve Teknoloji Öğretimi II Dersi için (N=177); [-1, 1] aralığında olduğu sonucuna ulaşılmıştır. Bununla birlikte gerçek başarı notları ile tahmin edilen başarı notları istatistiksel olarak karşılaştırıldığında; Fen ve Teknoloji Öğretimi I Dersinde r=.6935 (p<0.001), Fen ve Teknoloji Öğretimi II Dersinde r=.6748 (p<0.001) ilişkinin olduğu sonucuna ulaşılmıştır. Fen ve Teknoloji Öğretimi I ve II Derslerinin ikisi içinde önem derecesi en yüksek değişkenin Yerleşme Puanı olduğu, önem derecesi en düşük değişkenin ise Fen ve Teknoloji Öğretimi I dersi için öğrenim türü, Fen ve Teknoloji Öğretimi II dersi için ise cinsiyet olduğu görülmektedir.

Abstract

Modeling of Science and Technology Teaching Course Achievements of Elementary Teacher Candidates with Artificial Neural Networks

The purpose of this study is to predict the academic achievements of science and technology teaching courses I and II of pre-service teachers who graduated from primary education in 2014 and 2015. For this purpose, artificial neural networks were used for prediction. The data obtained from the research were achieved from the transcripts and the demographic information that did not contain personal information of 885 pre-service primary teacher graduated from four different state universities in 2013-2014 and 2014-2015 academic years. IBM SPSS neural Networks 20 and Matlab Neural Networks Toolbox Programs were used to analyze the obtained data. Creating network architecture's values within the context of research were OKH = 0.47754; Learning R = 0.81632, Verification R = 0.90097 and Test R = 0.87808. Using the data of 200 people after the network learning process, a great majority of the error value in simulated success grades were between the range of [-1, 1] for Science and Technology Teaching Course I (N = 164), Science and Technology Teaching Course II (N = 177). However, when the actual success grades and the success grades estimated are compared statistically; it was reached that r = .6935 (p <0.001) in Science and Technology Teaching Course I and r = .6748 (p <0.001) in Science and Technology Teaching Course II. It is seen that the highest variance is the settlement score for both the Science and Technology Teaching course I and II , the least important variable is the type of learning for Science and Technology Teaching course I and the least important variable is the gender for Science and Technology Teaching courses II.

Birinci Bölüm Giriş

Bu bölümde öğretmen niteliği, Yükseköğretim Kurulu Lisans Düzeyi Yeterlilikler Çerçevesi, Öğretmen Yetiştirme ve Eğitim Bilimleri Temel Alanı Yeterlilikleri, veri madenciliği ve yapay sinir ağları alanyazın araştırması yapılarak özetlenmiştir. Alanyazın taramasının ardından araştırmanın amacı ve önemi belirtilerek araştırma konusuyla ilgili yapılan diğer araştırmalar incelenerek ortaya konulmuştur.

Öğretmen Niteliği

Okulun öğrencinin öğrenmesinde az bir fark yarattığı kanısının aksine birçok araştırma, okulun öğrenmedeki etkisine dikkat çekmekte ve bu etkinin kayda değer bir kısmının öğretmenden kaynaklandığını vurgulamaktadır (Darling-Hammond, 2000). Wang, Haertel ve Walberg (1997) yaptıkları detaylı meta-analiz çalışmasında öğrenci başarısına etki eden değişkenleri; öğrenci karakteristikleri, sınıf içi öğrenme ortamı, ev, akran ve sosyal bağlam, program tasarımı, okul yönetimi ve yöresel/bölgesel karakteristik özellikler olarak sınıflamışlardır.

Öğrenci karakteristikleri de dahil olmak üzere tüm bu kategorilere ve bu kategorilerin geliştirilmesine öğretmenin doğrudan ve/veya dolaylı etkisi olduğu varsayılmaktadır. Dolayısı ile öğrenci başarısının arttırılmasında, öğretmen niteliğinin arttırılmasının önemli bir yeri bulunmaktadır (Darling-Hammond, 2000; Wenglinsky, 2000). Bu ikili ilişki içerisinde bulunan öğretmen yeterliliği aynı zamanda eğitim kalitesini de doğrudan etkileyen önemli bir faktördür (Aydın, Şahin ve Topal, 2008; Çakan, 2004; Seferoğlu, 2004).

Öğretmenin yeterliliklerine ve kalitesine etki eden değişkenleri belirlemeye veya sınıflandırmaya çalışan birçok araştırmaya rastlamak mümkündür. Genel olarak öğretmenin akademik yeterliği, akademik olarak aldığı eğitimin süresi, öğretmenlik deneyimi, alan ve öğretme bilgisi, sertifika durumu ve sınıf içerisindeki öğretme davranışları, sınıf yönetimi ve organizasyonu, etkili öğretme ile ilgili ön koşulları, kişisel nitelikleri, öğretim planlaması, öğretimin uygulanması,

öğrencinin gelişimini ve potansiyelini izleme gibi öğretmen yeterliliklerini ve etkililiğini belirten/sınıflayan değişkenler olarak sıralanabilir (Darling-Hammond, 2000; Stronge, 2007; Stronge ve Hindman, 2006; Wenglinsky, 2000).

Yükseköğretim Kurulu Lisans Düzeyi Yeterlilikler Çerçevesi

Ülkemizde mesleki yeterlilik çalışmaları Türkiye Yükseköğretim Kurulu (YÖK) tarafından yürütülmektedir. YÖK tarafından Ulusal Yeterlilikler Çerçevesi (UYÇ) oluşturulmasına yönelik çalışmaların başlangıcını, Bologna Sürecinde 2005 yılında Bergen'de gerçekleştirilen ve ulusal yeterlilikler çerçevelerinin oluşturulmasını karara bağlayan Bakanlar Zirvesi oluşturmaktadır (YÖK, 2010b). Bu zirve sonrası kurulan komisyonlar ve çalışma grupları yüksek öğretim yeterlilikler çerçevesi kapsamında önlisans, lisans, yüksek lisans ve doktora olmak üzere dört farklı düzeyde yeterlilik çerçevesi yayınlanmıştır. Bu çerçeveye göre (YÖK, 2010a);

Lisans düzeyinde bulunan yeterlilikler bilgi, beceriler ve yetkinlikler olmak üzere üç ana kategoride sunulmuştur. Bilgi kategorisi iki alt kategoriden oluşmaktadır. Bunlar; kuramsal ve olgusal bilgi kategorileridir. Bu kategorilerde lisans mezunlarından alanlarındaki güncel bilgileri içeren ders kitapları, uygulama araç-gereçleri ve diğer kaynaklarla desteklenen ileri düzeydeki kuramsal ve uygulamalı bilgilere sahip olmaları beklenmektedir. Beceriler kategorisinde ise bilişsel ve uygulamalı olmak üzere iki alt kategori bulunmaktadır. Bu alt kategorilerde, lisans mezunlarının bilgi kategorisinde edindiği ileri düzeydeki kuramsal ve uygulamalı bilgileri kullanabilmesi beklenmektedir. Ayrıca, edindiği bu ileri düzeydeki bilgi ve becerileri kullanarak verileri yorumlayabilme ve değerlendirebilme, sorunları tanımlayabilme, analiz edebilme, araştırmalara ve kanıtlara dayalı çözüm önerileri geliştirebilmeleri beklenmektedir.

Yetkinlikler ise bağımsız çalışabilme ve sorumluluk alabilme yetkinliği, öğrenme yetkinliği, iletişim ve sosyal yetkinlik ile alana özgü yetkinlik olmak üzere dört kategoride sunulmuştur.

Lisans mezunlarının sahip olması gereken asgari bilgi, beceri ve yetkinliklerin tüm temel alanları kapsayacak şekilde hazırlandığı görülmektedir. Ancak temel alanların akademik ve mesleki özellikleri açısından farklılıkları göz önüne alındığında, her bir temel alan için alana özgü yeterliliklerin ortaya

konulması önemlidir. Her mesleğin kendine özgü değer ve ölçütlerinin varlığı ve bir mesleğin gerektirdiği yeterlilik ve eğitim biçiminin diğer mesleklerden farklılık göstermesi (Azar, 2011), öğretmen yetiştirme ve eğitim bilimleri alanının yeterliliklerini inceleme ihtiyacı doğurmaktadır.

Öğretmen Yetiştirme ve Eğitim Bilimleri Temel Alanı Yeterlilikleri

Temelde lisans eğitimi, özelde ise öğretmen yetiştirme ve eğitim bilimleri temel alanı çok alanlı, karma-alanlı ve alanlarüstü hedef, ortam, toplumsal doku, donanım, yaklaşım ve yöntemleri içermektedir. Dolayısı ile öğretmen eğitimini oluşturan yeterlilikler ve derslerin eğitim bilimleri ile çeşitli bağlamlarda öğrenme, öğretme ve değerlendirme ilişkisi kurması gerekmektedir (YÖK, 2010c). Bu ilişkinin kurulabilmesi için gerekli olan yeterlilikler bilgi, beceri ve yetkinlikler açısından incelendiğinde her bir öğretmen adayının akademik ağırlıklı olarak aşağıdaki kazanımlara sahip olması beklenmektedir (YÖK, 2010d);

1. Kuramsal ve Olgusal Bilgi

1.1. Ortaöğretimde kazandığı yeterliliklere dayalı olarak; alanıyla ilgili kavramları ve kavramlar arası ilişkileri kavrar.

1.2. Bilginin doğası kaynağı, sınırları, doğruluğu, güvenirliliği ve geçerliliğinin değerlendirilmesi konusunda bilgi sahibidir.

1.3. Bilimsel bilginin üretimiyle ilgili yöntemleri tartışır.

1.4. Alanı ile ilgili öğretim programları, öğretim strateji, yöntem ve teknikleri ile ölçme ve değerlendirme bilgisine sahiptir.

1.5. Öğrencilerin gelişim, öğrenme özellikleri ve güçlüklerinin bilgisine sahiptir.

1.6. Ulusal ve uluslararası kültürleri tanır. 2. Bilişsel ve Uygulamalı Beceriler

2.1. Alanıyla ilgili ileri düzeyde bilgi kaynaklarını kullanır.

2.2. Alanıyla ilgili olay ve olguları kavramsallaştırır, bilimsel yöntem ve tekniklerle inceler, verileri yorumlar ve değerlendirir.

2.3. Alanıyla ilgili sorunları tanımlar, analiz eder, kanıtlara ve araştırmalara dayalı çözüm önerileri geliştirir.

2.4. Öğrencilerin gelişim özelliklerini, bireysel farklılıklarını; konu alanının özelliklerini ve kazanımlarını dikkate alarak en uygun öğretim strateji, yöntem ve tekniklerini uygular.

2.5. Konu alanına ve öğrencinin gereksinimlerine uygun materyal geliştirir.

2.6. Öğrencinin kazanımlarını farklı yöntemler kullanarak çok yönlü değerlendirir.

3. Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

3.1. Bireysel ve grup çalışmalarında sorumluluk alır ve alınan görevi etkin bir şekilde yerine getirir.

3.2. Kendini bir birey olarak tanır; yaratıcı ve güçlü yönlerini kullanır ve zayıf yönlerini geliştirir.

3.3. Uygulamada karşılaşılan ve öngörülemeyen karmaşık sorunları çözmek için bireysel ve ekip üyesi olarak sorumluluk alır.

4. Öğrenme Yetkinliği

4.1. Edindiği bilgi ve becerileri eleştirel bir yaklaşımla değerlendirir. 4.2. Öğrenme gereksinimlerini belirler ve öğrenmesini yönlendirir. 4.3. Yaşam boyu öğrenmeye ilişkin olumlu bir tutum geliştirir. 4.4. Bilgiye ulaşma yollarını etkin bir şekilde kullanır.

5. İletişim ve Sosyal Yetkinlik

5.1. Sanatsal ve kültürel etkinliklere etkin olarak katılır.

5.2. Toplumun ve dünyanın gündemindeki olaylara/gelişmelere duyarlı olduğunu gösterir ve bu gelişmeleri izler.

5.3. Toplumsal sorumluluk bilinciyle yaşadığı sosyal çevre için mesleki proje ve etkinlikler planlar ve uygular.

5.4. Alanıyla ilgili konularda ilgili kişi ve kurumları bilgilendirir.

5.5. Düşüncelerini ve sorunlara ilişkin çözüm önerilerini nicel ve nitel verilerle destekleyerek uzman olan ve olmayan kişilerle paylaşır.

5.6. Bir yabancı dili en az Avrupa Dil Portföyü B1 düzeyinde kullanarak alanındaki bilgileri izler ve meslektaşları ile iletişim kurar.

5.7. Avrupa Bilgisayar Kullanma Lisansının ileri düzeyinde bilişim ve iletişim teknolojilerini kullanır.

5.8. Farklı kültürlerde yaşar ve sosyal yaşama uyum sağlar. 6. Alana Özgü Yetkinlik

6.1. Dış görünüm, tutum, tavır ve davranışları ile topluma örnek olur. 6.2. Demokrasi, insan hakları, toplumsal, bilimsel ve mesleki etik değerlere uygun davranır.

6.3. Kalite yönetimi ve süreçlerine uygun davranır ve katılır.

6.4. Güvenli okul ortamının oluşturulması ve sürdürülebilmesi amacıyla kişisel ve kurumsal etkileşim kurar.

6.5. Çevre koruma ve iş güvenliği konularında yeterli bilince sahiptir. 6.6. Millî Eğitim Temel Kanunu'nda ifade edilen ulusal ve evrensel duyarlıkların bilincindedir.

6.7. Birey olarak ve alanıyla ilgili görev, hak ve sorumluluklarına ilişkin yasa yönetmelik ve mevzuata uygun davranır.

Günümüze kadar öğretmen yetiştirme işlevi ilköğretmen okulları, öğretmen liseleri, iki yıllık eğitim enstitüleri ve köy enstitüleri gibi birçok kurum ve kuruluş tarafından yerine getirilmiştir (Baskan, 2001). Bu kurumların yanı sıra, yüksek öğretmen okulları da öğretmen yetiştirme işlevini yerine getirmiş ve günümüzde yerini Eğitim Fakültelerine bırakmıştır. Öğretmenlerin sahip olması gereken yeterlilikler dönemsel olarak farklılıklar göstermiş ve bu farklılıkların karşılanması için eğitim sistemi içerisinde köklü değişiklikler yaşanmıştır. Bu değişiklikler neticesinde öğretmenlerin sahip olması gereken genel kültür, özel alan eğitimi ve pedagojik formasyon bakımından aranacak nitelikler 1739 sayılı Milli Eğitim Temel Kanunu’nun 45. maddesiyle Milli Eğitim Bakanlığınca tespit edilmesi kararlaştırılmıştır (Milli Eğitim Bakanlığı, 1973). Bu bağlamda öğretmen yetiştiren kurumların (eğitim fakültelerinin) yeniden yapılandırılması süreci hali hazırda gündemdeki yerini korumakta ve tartışılmaktadır.

Eğitim fakültesi içerisinde önemli bir yere sahip olan ve MEB’in önemli oranda öğretmen ihtiyacını karşılayan sınıf öğretmenliği bölümünün yapısı da bu tartışmaların içerisinde yer almaktadır. Uygulanan program, bölümü tercih eden öğrenci profili, uygulanan programdaki dersler ve bunların içeriği; hangi sınıf düzeyinde hangi derslerin okutulması gerektiği ile ilgili pek çok değişken, gerek akademik kurullarda gerekse YÖK bünyesinde tartışılarak yapılandırılmaya devam etmektedir.

Sınıf öğretmenliği bölümünde okutulan dersler incelendiğinde, bir ve ikinci sınıf düzeyinde daha çok genel yetenek, genel kültür ve eğitim bilimleri derslerinin, üçüncü sınıf düzeyinde öğretim derslerinin; dördüncü sınıf düzeyinde ise uygulama derslerinin ağırlıkta olduğu görülmektedir.

Üçüncü sınıf düzeyinde okutulan öğretim dersleri arasında (ilk okuma yazma, Türkçe, fen ve teknoloji, hayat bilgisi, matematik ve sosyal bilgiler) derslerinde en fazla ağırlığa sahip dersin fen ve teknoloji öğretimi dersi olduğu söylenebilir. Çünkü bu ders üçüncü sınıfın hem birinci hem de ikinci döneminde okutulmaktadır. Öğretmen adaylarının fen ve teknoloji öğretimi ders başarısının hem alan hem de eğitim bilimleri ders başarılarına bağlı olduğu ifade edilebilir. Bu bağlamda ilgili literatür incelendiğinde hem genel akademik başarının yordanmasına hem de ders bazında fen dersi başarı durumunun yordanmasına yönelik çalışmalara rastlamak mümkündür. Bu araştırmada da sınıf öğretmeni adaylarının fen ve teknoloji öğretimi I ve II ders başarılarını yordamada etkili olacağı düşünülen değişkenler işe koşulmuştur. Araştırmada, fen ve teknoloji öğretimi I ve II dersi başarı notlarını yordama amacıyla veri madenciliği yöntemlerinden yapay sinir ağları kullanılmıştır.

Veri Madenciliği

Günümüzde istatistiğin daha etkili kullanılmaya başlanmasıyla birlikte, veri üretimi konusunda yaşanan gelişmeler, toplanan verinin yapısal büyüklüğünü ve artışını da etkilemiştir. Aynı zamanda bu gelişmeyle birlikte veri kaynakları kayıtlar, dosyalar, dökümanlar, resimler, sesler ve videolar gibi daha birçok yeni veri formatında toplanabilir hâle gelmiştir (Baradwaj ve Pal, 2011). Veri çeşidi ve miktarında meydana gelen bu olağanüstü artış ile birlikte mevcut yöntemler ve teknolojilerle eldeki verilerin analizinde anlamlı bilgilerin elde edilmesinin pek

mümkün olmayacağı anlaşılmıştır (Ayık, Özdemir ve Yavuz, 2007). Bu sınırlama, araştırmacıları yeni analiz metotları üzerinde derinlemesine çalışmalar yapmaya sevketmiştir. Bu çalışmalar neticesinde veri madenciliği adı verilen, veriyi farklı açılardan analiz etmeyi ve bu veriyi kullanışlı bilgiye dönüştürerek özetlemeyi sağlayan yeni bir veri analizi metodu ortaya çıkmıştır (Delavari, Beikzadeh ve Phon-Amnuaisuk, 2005; Narli, Aksoy ve Ercire, 2014).

Veri madenciliği açımlama ve tahmin etme özelliklerine sahip yeni bir veri analizi çeşididir. Bu analizde, tipinde önemli olan bilginin geniş veri tabanlarındaki veriler arasından işlenerek çıkarılmasıdır (Şengür, 2013). Amacı, ilişkisel gözükmeyen veya ilişkisinin olmadığı varsayılan değişkenler arasındaki sistematik ilişkiler bütününü ortaya koymaktır (Luan, 2002). Ortaya konulan bu sistematik ilişkiler bütünü istatistik, matematik disiplinleri, modelleme teknikleri, veri tabanı teknolojisi ve çeş itli bilgisayar programları kullanılarak yapılmaktadır (Ayık, Özdemir ve Yavuz, 2007). Bu sayede, depolama ve hesaplama gücü, veri tabanı teknolojisi, entegre ve gelişen veri analizi teknikleri, güçlü olmak için hızlı, geniş ve ürün bazlı çıktı sağlayabilme ve öğrenen ilişkisi yönetimi (Luan, 2002) avantajlarıyla veri madenciliği, güçlü bir analiz metodu olarak karşımıza çıkmaktadır.

Bu analiz metodu, kendi içerisinde birbirinden farklı analiz modelleri barındırmaktadır. Alanyazın incelendiğinde bu modelleri farklı sınıflamalar içerisinde kategorize eden çalışmalar olduğu görülmektedir (Ayık, Özdemir ve Yavuz, 2007; Baker ve Yacef, 2009; Baradwaj ve Pal, 2011; Delavari, Beikzadeh ve Phon-Amnuaisuk, 2005; Gülçe, 2010; Luan, 2002; Narli, Aksoy ve Ercire, 2014). En genel hâliyle bu modelleri tanımlayıcı ve tahmin edici olmak üzere iki ana kategoride sınıflandırmak mümkündür. Alt kategorileri ile birlikte veri madenciliği modelleri şu şekilde sınıflanabilir (Gülçe, 2010);

Şekil 1. Veri madenciliği modelleri.

Tanımlayıcı modeller kategorisinde bulunan kümeleme modellerinde özellikleri bakımından farklılık gösteren ancak birbirine benzeyen değişkenler tespit edilerek, verilerin tamamı bu farklı kümelere bölünmektedir. Bu bölünme işleminde kümelemenin hangi özellikler gözetilerek yapılacağı uzmanlık bilgisine sahip bir kişi ya da bilgisayar destekli programlar tarafından yapılmaktadır (Ayık, Özdemir ve Yavuz, 2007). Birliktelik kuralı ise, veritabanı içinde yer alan değişkenlerin birbirleriyle ilişkilerini inceleyerek, hangi olayların eş zamanlı olarak birlikte gerçekleşebileceğini ortaya koymaya çalışmaktadır (Gülçe, 2010).

Veri madenciliği analiz metotları içerisinde en yaygın kullanıma sahip olan sınıflama ve regresyon modelleri tahmin edici bir metot olarak karşımıza çıkmaktadır. Doğrusal ve lojistik olmak üzere iki farklı kategoride ele aldığımız regresyon analizlerdeki farklılıklardan en önemlilerinden bir tanesi doğrusal regresyon analizinde bağımlı değiş kenin değeri, lojistik regresyonda ise bağımlı değiş kenin alabileceği değerlerden birinin gerçekleşme olasılığının kestirilmesidir (Aktaş ve Erkuş, 2009). Aynı zamanda lojistik regresyon analizi, bağımsız değiş kenlerin dağılımına ilişkin araştırmacılarca karşılanması gereken normal dağılım, doğrusallık ve varyans-kovaryans matrislerinin eş itliği gibi sayıltıların karş ılanmasını gerektirmemektedir (Çırak ve Çokluk, 2013).

Karar Ağaçları ise verileri belli özellik değerlerine göre sınıflandırmaya yarar ve düğüm, dal ve yapraklardan oluşur. Buradaki düğüm, gerçekleştirilecek testi belirtmektedir. Bu testin sonucunda ağacın dallara ayrılma işlemi gerçekleşmiş olur. Düğüm ve dallara ayrılma işlemi ardışık olarak gerçekleşmektedir. Dalın sonucunda bir sınıflandırma elde edilebiliyorsa, yaprak elde edilmiş olur (Gülçe, 2010; Kuyucu, 2012). Bayes analizi ise her kriterin sonuca olan etkilerinin olasılık

olarak hesaplanması temeline dayanmaktadır (Ayık, Özdemir ve Yavuz, 2007). Bu analiz metodunda koşullu ve koşulsuz olasılıkların birlikteliği kullanılmaktadır.

Bu çalışmada, sınıflama metotları içerisinde sıkça kullanılan ancak sosyal alanlarda özellikle de eğitim bilimleri içerisinde sınırlı sayıda araştırmaya konu olan yapay sinir ağları ile tahmin etme metodu kullanılmıştır.

Yapay Sinir Ağları

Yapay sinir ağları insan beyninin bilgiyi bilme ve depolama becerilerini taklit etmesi üzerine geliştirilmiştir (Ahn, Cho ve Kim, 2000). Bu taklit biyolojik sinir sisteminin çalışma düzenini örnek alarak işlemektedir. Tıpkı insanlarda olduğu gibi yapay sinir ağları da örnekler üzerinden öğrenmektedir.

Biyolojik sinir sisteminin nöronlar arası sinaptik bağlantılarının yapay sinir ağlardaki karşılığını veri setleri arasındaki ilişkileri öğrenmeye çalışan ağırlıklar almaktadır (Azadeh, Saberi ve Anvari, 2010). Ağırlık matrisindeki değişim ile öğrenme sağlanmaktadır (Fırat ve Güngör, 2004). Öğrenme aşamasındaki ağ bu ağırlıkların değerlerini değiştirerek girdi sonucu oluşturulması gereken çıktıları tahmin etmeye çalışır (Baradwaj ve Pal, 2011). Bu tahmin; veri sıkış tırma, sinyal filtreleme, tanıma, sınıflandırma, analiz ve en iyileme gibi yapay sinir ağlarının başarılı olduğu metotları içermektedir (Yavuz ve Deveci, 2012). Yapay sinir ağlarının bu metotlardaki başarısını paralel dağılmış yapısından, öğrenebilme ve genelleme yeteneğinden aldığı söylenebilir (Ayık ve diğ., 2007). Yapay sinir ağlarında öğrenmenin en iyi şekilde gerçekleşmesi için, verilen probleme adapte olacak en iyi ağ mimarisinin seçilmesi gerekmektedir (Eren ve Turp, 2011). Yapay sinir ağlarının daha iyi anlaşılabilmesi için, tarihçesinden, kullanım alanlarına; yapay sinir ağlarını oluşturan temel bileşenlerden, ağ mimarilerine kadar yapay sinir ağlarının genel bir bakış açısıyla incelenmesi gerekmektedir.

Yapay Sinir Ağlarının Tarihçesi ve Kullanım Alanları

Her ne kadar yapay sinir ağları ile ilgili yapılan çalışmaların temelini McCulloch ve Pitts (1943)’in “hesaplayan makineler” adını verdikleri modeller oluştursada, bilgisayarlar aracılığı ile yapay sinir ağlarının kullanımının 1950’lere (Heaton, 2008) dayandığını söylemek mümkündür. Temel ağ mimarileri tarihsel

olarak ilk Frank Rosenblatt tarafından “The Perceptron” adıyla duyurulmuştur. Ardından kronolojik olarak ilerleme şu şekilde olmuştur (Graupe, 2007);

•

•

•

Daha sonraki yıllarda geliştirilen YSA modelleri genel olarak bu dört modelin çalışma prensiplerini temel almışlardır.

Yeni sayılabilecek bu analiz metodunun kullanımı, geliştirilen birçok yapay sinir ağı mimarisi ile hızla artmaktadır. Günümüzde yapay sinir ağlarının; beyin ve

biliş (Gupta, Molfese ve Tammana, 1995; Shultz ve Bale, 2001), bilimsel yayın politikaları ve ölçülmesi (Y. S. Chen ve Chang, 2010; Polanco, Francois ve Keim,

1998; Zhang, Yuan, Chang ve Ken, 2012), çevresel planlama, tasarım ve mimari (Raju, Sikdar ve Dhingra, 1996; Wyatt, 1996), coğrafi bilgi sistemleri (Foody, 1995), dilbilgisi (Vokey ve Higham, 2004), eğitim ve öğretim (Bahadır, 2013; Çırak, 2012; Çırak ve Çokluk, 2013; Demir, 2015; Guo, 2010; Ibrahim ve Rusli, 2007; Karamouzis ve Vrettos, 2008; Kardan, Sadeghi, Ghidary ve Sani, 2013; Moridis ve Economides, 2009; Naser, Zaqout, Ghosh, Atallah ve Alajrami, 2015; Oancea, Dragoescu ve Ciucu, 2013; Paliwal ve Kumar, 2009; Romero, Ventura ve García, 2008; Rusli, Ibrahim ve Janor, 2008; Şen, Uçar ve Delen, 2012; Şengür, 2013; Şengür ve Tekin, 2013; Tepehan, 2011; Tosun, 2007; Turhan, Kurt ve Engin, 2013; Vandamme, Meskens ve Superby, 2007), ekonomi, işletme ve iktisat (Adhikari ve Agrawal, 2014; Azadeh, Shoushtari, Saberi ve Teimoury, 2014; Blake ve Kapetanios, 2000; J. H. Chen ve Fang, 2011; Constantinou, Georgiades, Kazandjian ve Kouretas, 2006; Fish, Johnson, Dorsey ve Blodgett, 2004; Guresen, Kayakutlu ve Daim, 2011; Jain ve Nag, 1995; Panda ve Narasimhan, 2007; Selim, 2009; Suzuki, 2001; Tang, 2009; Tseng, Cheng, Wang ve Peng, 2008; Youn ve Gu, 2010; H. F. Zou, Xia, Yang ve Wang, 2007), endüstri mühendisliği (Azadeh, Saberi ve Anvari, 2011; Azadeh, Saberi, Anvari ve Mohamadi, 2011), enerji (Buratti, Lascaro, Palladino ve Vergoni, 2014; Ermis, Midilli, Dincer ve Rosen, 2007; Geem, 2010, 2011; Geem ve Roper, 2009; Rehman ve Mohandes, 2008; Sozen, 2009) ergonomi (Nussbaum ve Chaffin, 1996), etoloji (Snyder, 1998),

hava durumu (Ghiassi, Saidane ve Zimbra, 2005; Hill, Marquez, Oconnor ve

Remus, 1994), hava kirliliği (Cai, Yin ve Xie, 2009), insan davranışı ve

bilgisayar (Stevens, Ikeda, Casillas, Palacio-Cayetano ve Clyman, 1999), iş güvenliği (de Haen, 2009; Ung, Williams, Bonsall ve Wang, 2006), paleontoloji

(Anemone, Emerson ve Conroy, 2011), psikiyatri (Cohen, 1994; Y. Z. Zou ve diğ., 1996), psikoloji (Verhagen ve Scott, 2004), psikososyoloji (Dowman ve Ben-Avraham, 2008; Ivanitsky ve Naumov, 2008; Ventouras ve diğ., 1994; Yılmaz, Demiralp ve Gulcur, 1998), sağlık (Alam ve Briggs, 2011; Berdia ve Metz, 1998; Campana, Duci, Gambini ve Scarone, 1999; Cathcart ve Materazzo, 1999; El-Solh, Saltzman, Ramadan ve Naughton, 2000; Grassi, Caricati, Intraligi, Buscema ve Nencini, 2002; Gustafsson ve Paplinski, 2004; Hannula, Huttunen, Koskelo, Laitinen ve Leino, 2008; Politi, Franchini, Spagnolo, Smeraldi ve Bellodi, 2005; Song, Mitnitski, MacKnight ve Rockwood, 2004; Wright, Duguid, Mckiddie ve Staff, 2014), telematik ve enformatik (Sim, Tan, Wong, Ooi ve Hew, 2014),

trafik kazalarını önleme ve analiz etme (Chang, 2005; Chiou, 2006; Wei ve Lee,

2007), turizm yönetimi (Palmer, Montano ve Sese, 2006) ve en yaygın olarak

uzman sistemler (Ahn, Cho ve Kim, 2000; H. J. Chen, Huang ve Kuo, 2009;

Ghiassi ve Burnley, 2010; Ghiassi, Lio ve Moon, 2015; Ghiassi, Skinner ve Zimbra, 2013; Hamzacebi, Akay ve Kutay, 2009; Hanafizadeh, Ravasan ve Khaki, 2010; Pendharkar, 2005; Tung, Huang, Chen ve Shih, 2005; Vokey ve Higham, 2004; Wang, Wu, Liu ve Gao, 2010) alanlarında kullanımına rastlamak mümkündür.

Bu alanlar içerisindeki baş arılı uygulamalar incelendiğinde, yapay sinir ağlarının özellikle doğrusal olmayan, çok boyutlu, eksik, kusurlu ve hata olasılığı yüksek verilerin olduğu durumlar ile problemin çözümü için bir matematiksel modelin bulunmadığı durumlarda kullanıldığı belirtilebilir (Çırak ve Çokluk, 2013) İnsan beyninin işleyişini taklit etmeye çalışan bu metodun daha iyi anlaşılması için yapısının ve temel bileşenlerinin incelenmesi gerekmektedir.

Yapay Sinir Ağlarının Yapısı ve Temel Bileşenleri

Bu metodun yapısının temeli insan beyninin fonksiyonlarına dayanmaktadır. Beyinde bulunan hücreler insana düşünme, mantık ve deneyimlerini kullanma ve uygulama yeteneği sağlamaktadır (González ve DesJardins, 2002). Yapay sinir ağları insan beyninin bu yeteneklerinden faydalanarak, öğrenme yoluyla yeni bilgiler üretebilme, keş fetme ve oluşturma gibi özellikleri herhangi bir yardım

almadan otomatik olarak gerçekleş tirmeyi amaçlamaktadır (Çırak, 2012; Yavuz ve Deveci, 2012).

İnsan beyninde farklılık gösteren farklı tip nöronlar bulunmaktadır. Diğer türler ele alındığında ise bu farklılık sonsuz çeşitlemelere kadar gidebilmektedir (Arbib, 2003). Beynin öğrenme kapasitesi, beyinde bulunan nöronların niceliği ve nöronlar arası ilişkilerin çeşitliliğinin bir fonksiyonudur (González ve DesJardins, 2002). Yapay sinir ağları, insan beynindeki sinir hücrelerinin bilgisayar ortamında matematiksel modellenmiş durumudur. Yapay sinir ağlarında kullanılan öğrenme algoritmaları, klasik bilgisayar algoritmalarından farklıdır. Bu algoritmalar insan beyninin sezgisel gücünü içinde taş ırlar (Yavuz ve Deveci, 2012). Yapay sinir ağlarının çalışma prensibinin ve ağı oluşturan elemanların iyi anlaşılabilmesi için, biyolojik olarak bir sinir ağının nasıl çalıştığının bilinmesi önemlidir.

İnsan vücudunda bulunan biyolojik sinir sistemi verinin alınması, yorumlanması ve karar verilmesini içeren üç katmanlı bir yapıdan oluşmaktadır (Kuyucu, 2012). Bu sistemin temelinde, Şekil 2.’de “Sinir Sistemi Bloğu Diyagramı” olarak gösterilen bilgiyi alarak anlamlandıran ve uygun bir karar veren beyin bulunmaktadır. Soldan sağa doğru olan oklar bilgi taşıyan sinyalleri ileri besleme yoluyla, sağdan sola doğru olan oklar ise geribesleme yoluyla sistemin içerisine iletmektedir. Reseptörler insan vücudundan yada çevreden gelen uyarıcıları elektriksel impulslara çevirerek sinir ağına iletmekte; efektörler de bu impulsları sistemin bir çıktısı olarak anlaşılabilir tepkilere çevirmektedirler (Haykin, 2009).

Şekil 2. Sinir sistemi bloğu diagramı (Arbib, 1987).

Biyolojik sinir ağlarınının temelini sinir hücreleri oluşturmaktadır. İnsan beyninin korteks kısmında yer alan sinir hücresi sayısı yaklaşık 10 milyar olarak tahmin edilmektedir (Çuhadar, 2006). Bir sinir hücresi hücre gövdesi, dentrit ve aksondan oluşmaktadır. Makro düzeyde sinir sisteminin çalışma prensibine benzer

bir yapı ile çalışan sinir hücrelerinde gelen uyarıcılar dentritler vasıtasıyla hücre gövdesine taşınmaktadır. Hücre gövdesindeki işlemlerden sonra oluşturulan çıktılar ise aksonlar yardımıyla diğer sinir hücrelerine iletilmektedir.

Yapay sinir ağlarının çalışma prensibinin ve ağı oluşturan elemanların biyolojik sinir hücreleri ile olan benzerliği Şekil 3’te gösterilmiştir. Hücreler arasındaki bağlantılar akson ve dendritlere; ağırlık faktörleri (W_k) sinapslara karşılık gelmektedir. Yapay sinir hücresinde, ağırlık faktörünün etkisine bağlı olarak (W_k1, W_k2..W_km) hücreye gelen uyarımlar (X₁, X₂..X_m ) hücre içi sinaptik ağırlıkların durumu veya eğim de dikkate alınarak doğrusal olmayan bir aktivasyon fonksiyonu neticesinde çıktı şeklinde uyarıcıya dönüşür (Koç, Balas ve Arslan, 2004).

Şekil 3. Biyolojik ve yapay sinir ağlarının benzeşimi (Arbib, 2003a; Haykin, 2009b).

Yapay sinir ağını oluşturan temel bileşenler girdi katmanı, ağırlıklar, gizli katman, toplama fonksiyonu, aktivasyon fonksiyonu ve çıktı katmanı olmak üzere altı farklı bileşenden oluşmaktadır. Biyolojik olarak bir nöron, yapay sinir ağlarında işlemci elemana karşılık gelmektedir. Dentritler girdilerin, hücre gövdesi de ağın mimarisinde kullanılan transfler fonksiyonlarının yerine kullanılmaktadır. Yapay sinir ağlarında kullanılan ağırlıklar, sinapsların görevini yerine getirmekte, aksonlar ise yapay sinir ağının nöron çıkışını temsil etmektedir. Yapay sinir ağını oluşturan temel bileşenler şu şekilde açıklanabilir.

Girdi Katmanı

Girdi katmanına gönderilen giriş sinyalleri (X₁, X₂..X_m ) herhangi bir istatistiksel işleme tabi tutulmadan bir sonraki katmana iletilir. Bu katmanın tek işlevi verileri bir sonraki katmana iletmektir (Yurdakul, 2014). Ayrıca bu katmanda bulunan giriş sinyalleri birden fazla olabilmektedir. Girdi katmanına gönderilen giriş sinyali ağın çeşidine göre doku, matematiksel değer, ses sinyali ya da görüntü işleme elemanlarından herhangi birisi olabilir.

Sinaptik Ağırlıklar

Sinaptik ağırlıklar (W_k1, W_k2..W_km) gizli katmana gelen girdi verilerinin önemini ve ağın öğrenmesinin üzerindeki etkisini gösteren istatistiksel katsayılardır. Her bir girdi sinyali için pozitif veya negatif değerli bir ağırlık üretilir (Kuyucu, 2012). Girdi sinyalleri ile diğer katmanlar arasındaki ilişkiyi sağlayan bütün bağlantıların değişik ağırlık değerleri bulunmaktadır. Bu değişik değer ataması sinaptik ağırlıkların tüm işlem elemanları üzerinde etkili olmasını sağlamaktadır (Yurdakul, 2014). Yapay sinir ağlarında bilginin gösterimi bu ağırlıklar ile sağlanmaktadır. Dolayısı ile sinaptik ağırlıklar ağın tasarımı ve performansını etkileyen önemli bir değişkendir (Emir, 2013). Bu değişkenin belirlenmesinde girdi sinyallerinin bazı istatistiki dağılımlara sahip olduğu varsayılır. Bu varsayımla sinaptik ağırlık aralıkları otomatik olarak belirlenebilmektedir. Bu otomatikleştirme işleminde başlangıç ağırlıkları girdi parametreleri olarak her bir katmanın birimlerinin sayısını ve girdilerin dağılımını kullanmaktadır (Aksu, 2013).

Gizli Katman

Girdi ve çıktı katmanları arasındaki bilgi alışverişini sağlayan (Şengür ve Tekin, 2013) ara katmanlara gizli katman adı verilmektedir. Bir yapay sinir ağından birden fazla gizli katman bulunabilmektedir. Ancak problem durumuna göre yeterli sayıda gizli katmanının bulunmaması durumunda ağ öğrenmeyi başaramamaktadır. Gereğinden fazla gizli katmanın bulunması durumunda ise, ağın mevcut durumu ezberlemesine ve öğrenme durumunun gerçekleşememesine neden olur (Yurdakul, 2014).

Toplama Fonksiyonu

Toplama veya birleştirme diye de adlandırılan bu fonksiyon hücreye gelen net girdiyi hesaplar (Adıyaman, 2007; Yavuz ve Deveci, 2012) Bu hesaplamayı, her bir girdi değeri için ilgili girdi değerine ait ağırlıklarının doğrusal birleş iminden (Emir, 2013) yapmaktadır. Farklı modellerde ağ mimarisinin yapısına göre toplama fonksiyonları değişebilmektedir. Bazı modellerde giriş değerleri önem arzederken; bazı modellerde de girişlerin sayısı önemli bir değişken olabilmektedir. Bu farklılık gözönüne alındığında en uygun toplama fonksiyonunun bulunması deneme yanılma yoluyla belirlenmektedir (Çuhadar, 2006; Kuyucu, 2012).

Aktivasyon Fonksiyonu

Transfer fonksiyonu olarak da adlandırılan aktivasyon fonksiyonu, toplama fonksiyonundan elde edilen net girdiyi işleyerek hücrenin bu girdiye karş ılık üreteceği çıktıyı belirlemektedir (Gülçe, 2010; Kayıkçı, 2014). Ağ içerisinde bulunan sinir hücrelerinin tamamına, birbirinden ayrı aktivasyon fonksiyonu uygulanmakta ve fonksiyon sonrasında elde edilen istatistiksel değer sayesinde çıkış değeri hesaplanabilmektedir (Çırak, 2012). Toplama fonksiyonunda olduğu gibi bu fonksiyonun kullanımında da farklı fonksiyonlardan yararlanılabilmektedir.

Lineer Aktivasyon Fonksiyonu

Bu aktivasyon fonksiyonunda nöron girişlerinin değiş imine göre nöron çıkışı lineer olarak değiş mektedir. Dinamik değişim aralığı [-1, 1] aralığıdır (Altun, Eminoglu ve Tezekici, 2002). Lineer aktivasyon fonksiyonunda işlemci elemanın girişi doğrudan çıktı olarak verilir (Aksu, 2013).

Logaritmik Sigmoid Aktivasyon Fonksiyonu

Logaritmik sigmoid aktivasyon fonksiyonunda, toplama fonksiyonundan iletilen değeri alır ve “0” ile “1” arasında bir değere dönüştürülerek bir sonraki nörona girdi olarak iletilir (Bahadır, 2013).

Hiperbolik Tanjant Aktivasyon Fonksiyonu

Hiperbolik tanjant aktivasyon fonsiyonu doğrusal olmayan problemlerin çözümünde kullanılmaktadır. Bu fonksiyonda çıktılar “-1” ile “1” arasında bulunmaktadır (Yurdakul, 2014).

Çıktı Katmanı

Bu katmanda uygun aktivasyon fonksiyonu uygulanan bilgiler işlenerek, ağa ilk aşamada verilen girdi verileri için gerekli olan çıktı üretilir. Çıktı katmanı tek katmandan oluşmaktadır ve burada üretilen veri dış dünyaya iletilmektedir.

Temel olarak bir yapay sinir ağını oluşturan bileşenler bunlardan oluşmakla birlikte, yapay sinir ağları kullanım amaçlarına göre birçok farklı sınıflandırma ile çeşitlilik göstermektedir.

Yapay Sinir Ağlarının Sınıflandırılması

Alanyazında yapay sinir ağlarının kategorize edilmesinde birden fazla özellik gözetilerek öğrenme algoritmalarına (yöntemlerine), besleme yönüne veya ağ yapılarına göre farklı sınıflandırmalar yapılmaktadır (Aksu, 2013; Haykin, 2009; Heaton, 2008; Turhan, Kurt ve Engin, 2013). Bu sınıflandırmalardan en çok kullanılanlarına aşağıda değinilmiştir.

Öğrenme Algoritmaları

Yapay sinir ağlarında öğrenme, belirli şartlar altında verilen bir problemin çözülmesi olarak adlandırılabilir. Ağlar bu problemlerin çözümünde birden fazla yol izleyebilmektedirler. Problemin çözüm aşamasında ağın izleyeceği yol, belirli algoritmaların işleme konulmasıyla seçilmektedir.

Yapay sinir ağlarında kullanılan öğrenme algoritmaları danışmanlı, danışmansız, takviyeli ve bunların birkaçının bir arada kullanılmasıyla elde edilen karma öğrenme algoritmaları olmak üzere dört çeşitten oluşmaktadır. Danışmanlı

öğrenmede, sisteme dışarıdan bir öğretici müdahalesi söz konusudur. Girdi verileri ile birlikte sisteme istenen çıktı değerleri verilerek, ağın bu durumu öğrenmesi sağlanır (Yavuz ve Deveci, 2012). Bu sayede ağ, girdi - çıktı arasındaki ilişkileri öğrenir bir sonraki ağın işe koşulmasında bu ilişkiler ağına göre çıktılar üreterek tahminde bulunur. Tahmin edilen veri ile gerçek veri arasındaki benzerlik ne kadar fazla ise, ağ o kadar iyi öğrenmiş kabul edilir. Danışmansız öğrenmede ise, danışmanlı öğrenmedeki gibi girdi verileri sisteme verilir. Ancak farklı olarak, çıktı değerleri sisteme dâhil edilmez. Ağ tarafından üretilen çıktıların birçok sınıfa dâhil olduğu kabul edilir ve ağın eğitim süreci, eğitim verilerinin ayırt edici özelliklerinin bulunmasından ibarettir (Cura, 2004). Takviyeli öğrenmede ise ağın çıktısı bir üründen daha çok eylemler dizisidir. Yani sistem tarafından üretilecek olan tahmin verileri hedefe ulaşmak için gerçekleştirilmesi gereken eylemlerden oluşan bir bütünden oluşmaktadır. Bu bütüne ulaşmak için ağın gerçekleştirmiş olduğu eğitim ve test aşamaları birbiri içine geçmiş vaziyettedir (Emir, 2013). Takviyeli öğrenme algoritmalarını kısaca, durumların haritalandırılması olarak adlandırmak mümkündür (Turhan, Kurt ve Engin, 2013). Karma öğrenme algoritmalarında ise, çözülmek istenen problemin karmaşıklığına ve olası çözüm yöntemine göre diğer öğrenme algoritmalarından birkaçı birlikte kullanılabilmektedir.

Besleme Yönü

Yapay sinir ağlarında besleme yönü ileri beslemeli ve geri beslemeli olmak üzere ikiye ayrılmaktadır. Burada besleme yönü ile kastedilen, ağın öğrenme aşamasında girdi ve çıktı verileri arasında yaşanan öğrenme ve örüntü oluşturma sürecinde gösterdiği ilerlemenin yönüdür.

İleri beslemeli sinir ağlarında genellikle bir veya birden fazla gizli katman bulunur. Bu katmanlardaki nöronlar lineer olmayan fonksiyonlar sayesinde girdi ve çıktı katmanları arasındaki lineer ve lineer olmayan ilişkileri öğrenmeye çalışırlar (Demuth, Beale ve Hagan, 2009). İleri beslemeli yapay sinir ağlarında, nöronlar katmanlar şeklinde düzenlenir ve bir katmandaki nöronların çıkış ları bir sonraki katmana ağırlıklar üzerinden giriş olarak verilir (Fırat ve Güngör, 2004). Bu tip ağlarda işlem yönü ileriye doğrudur, geriye doğru herhangi bir işlem bulunmamaktadır (Adhikari ve Agrawal, 2014). Basit bir ileri beslemeli sinir ağının şekilsel gösteri şu şekildedir;

Şekil 4. İleri beslemeli yapay sinir ağı örneği

Geri beslemeli yapay sinir ağları genellikle denetimsiz öğrenme kurallarının uygulandığı ağlarda kullanılmaktadır (Cura, 2004). Bu ağ yapılarında girdi ile çıktı katmanları arasında bilgi iletimi sadece tek yönlü değildir. Gizli katmanda ya da çıktı katmanındaki çıkışların önceki katmanlardan da beslendiği bir geri beslemeli ağ yapısı vardır. Dolayısı ile bir sinirin çıkışı, sinirin o andaki girdileri ve ağırlık değerleriyle belirlenmesinin yanında bazı sinirlerin bir önceki katmanlardaki çıkış değerlerinden de etkilenmektedir (Çırak, 2012). Geri beslemeli sinir ağları bu özellikleri ile önceden tahmin uygulamaları için uygun sonuçlar sunmaktadır (Kayıkçı, 2014). Basit bir geri beslemeli sinir ağının şekilsel gösterimi şu şekildedir;

Şekil 5. Geri beslemeli yapay sinir ağı örneği.

Ağ Yapıları

Alanyazında yapay sinir ağları yapı olarak farklı sınıflandırmalarla gösterilmiş olsa da, en genel anlamda ağ yapıları, tek katmanlı ve çok katmanlı olmak üzere ikiye ayrılmaktadır. Tek katmanlı ağlarda, girdi katmanı direk olarak çıktı katmanına bağlanmaktadır ve temel olarak ileri beslemeli ağlardır. Çok katmanlı ağlarda ise, girdi ve çıktı katmanları arasında gizli katman bulunmaktadır. Gizli katmanın görevi girdi değerlerinin çıktısı ile sistemin ağ çıktısı arasında bağlantı kurmaktır (Haykin, 2009). Çok katmanlı bir yapay sinir ağında birden fazla gizli katman bulunabilmektedir.

Araştırmanın Amacı

Sınıf öğretmeni adaylarının fen ve teknoloji öğretimi I ve II ders başarılarının yapay sinir ağları kullanılarak yordanmasının amaçlandığı bu araştırmada aşağıdaki sorulara cevap aranmıştır:

1. Sınıf öğretmeni adaylarının fen ve teknoloji öğretimi I ve II ders başarılarının yordanmasında en iyi performansı sağlayan yapay sinir ağı mimarisi nedir?

2. Sınıf öğretmeni adaylarının; 2.1. Cinsiyet,

2.2. Lise bölümü,

2.3. ÖSYM yerleşme puanı, 2.4. Öğrenim türü,

2.5. Genel biyoloji dersi başarı notu, 2.6. Eğitim bilimine giriş dersi başarı notu, 2.7. Genel kimya dersi başarı notu,

2.8. Eğitim psikolojisi dersi başarı notu, 2.9. Genel fizik dersi başarı notu,

2.10. Fen ve teknoloji laboratuvarı I dersi başarı notu, 2.11. Öğretim ilke ve yöntemleri dersi başarı notu, 2.12. Fen ve teknoloji laboratuvarı II dersi başarı notu ve

2.13. Çevre eğitimi dersi başarı notu, fen ve teknoloji öğretimi I dersi başarı notunu yordamakta mıdır?

3. Sınıf öğretmeni adaylarının; 3.1. Cinsiyet,

3.2. Lise bölümü,

3.4. Öğrenim türü,

3.5. Genel biyoloji dersi başarı notu, 3.6. Eğitim bilimine giriş dersi başarı notu, 3.7. Genel kimya dersi başarı notu,

3.8. Eğitim psikolojisi dersi başarı notu, 3.9. Genel fizik dersi başarı notu,

3.10. Fen ve teknoloji laboratuvarı I dersi başarı notu, 3.11. Öğretim ilke ve yöntemleri dersi başarı notu, 3.12. Fen ve teknoloji laboratuvarı II dersi başarı notu ve 3.13. Çevre eğitimi dersi başarı notu,

3.14. Fen ve teknoloji öğretimi I dersi başarı notu,

3.15. Öğretim teknolojileri ve materyal tasarımı dersi başarı notu, 3.16. Ölçme ve değerlendirme dersi başarı notu ve

3.17. Sınıf yönetimi dersi başarı notu fen ve teknoloji öğretimi II dersi başarı notunu yordamakta mıdır?

4. Fen ve teknoloji öğretimi I ve II derslerini yordamakta kullanılan bağımsız değişkenlerin yordamadaki önem dereceleri nelerdir?

Araştırmanın Önemi

Sınıf öğretmeni adaylarının fen ve teknoloji öğretimi I ve II ders başarılarını yapay sinir ağlarıyla yordamanın amaçlandığı bu araştırma, temel anlamda iki boyutta sağlayacağı katkıdan dolayı önemli görülmüştür. Bunlarda ilki araştırmada kullanılan metodolojidir. Çünkü, fen başarısının yordanmasına yönelik yapılan çalışmalar metodoloji bağlamında ele alındığında araştırmada kullanılan yapay sinir ağlarının özgünlük açısından literature önemli katkı sağlayacağı düşünülmektedir. Araştırmanın katkı sağlamasının beklendiği diğer boyut ise aşağıda ifade edilmeye çalışılmıştır.

Ülkemizde eğitim fakültelerinin yeniden yapılandırılması bağlamında ilköğretim bölümünün alt birimleri olan sınıf öğretmenliği ve diğer ana bilim dallarının yeniden farklı bölümler altında birleştirilmesi, hali hazırda devam eden güncel bir tartışma konusudur. Bunun yanında sınıf öğretmenliği bölümünde okutulan derslerde içerik, ön koşulluk, hangi sınıf düzeylerinde hangi derslerin okutulması gerektiği de güncelliğini koruyan tartışmalardandır.

Sınıf öğretmeni adayı Fen ve Teknoloji, Matematik, Türkçe ve Sosyal Bilgiler Öğretimi gibi öğretim derslerini üçüncü sınıfın I ve II. döneminde almaktadır. Bu öğretim derslerinden yalnızca fen ve teknoloji öğretimi dersi üçüncü sınıfın her iki döneminde de okutulmaktadır. Bu durum üçüncü sınıf başarısında fen ve teknoloji öğretimi dersinin ağırlığını artırmaktadır. Bu bağlamda Fen ve Teknoloji Öğretimi ders başarısının yordanması önemlidir. Ayrıca sınıf öğretmeni adaylarının Fen ve Teknoloji Öğretimi I ve II ders başarısını, birinci ve ikinci sınıfta almış oldukları Fen Alanı (Genel Fizik, Genel Kimya, Genel Biyoloji) ve Eğitim Bilimleri derslerinden hangilerinin hangi düzeyde etkilediğinin ortaya konulması daha da önemlidir. Ayrıca araştırma sonucu elde edilen bulgular sınıf öğretmeni yetiştirmede hangi derslerin hangi dönemde verilmesi gerektiği ve hangi derslerin birbirine ön koşul olduğunun belirlenmesine önemli katkı sağlayacaktır. Bunun yanında, sınıf öğretmeni adaylarıının lise başarı puanı, lise okul ve lise alan türünün, fen ve teknoloji öğretimi ders başarısını etkileme düzeyinin ortaya konulması, bölümü tercih eden öğrenci profilinin önemini ortaya konulacaktır.

İlgili Araştırmalar

Yapay sinir ağları ile ilgili yapılan araştırmalar incelendiğinde, genel olarak araştırmaların veri madenciliği modellerinden sınıflandırma analizlerini içeren karar ağaçları ve yapay sinir ağlarının tahmin performansları ile regresyon modellerinin tahmim performanslarının karşılaştırılmasını içeren çalışmalara odaklanıldığı görülmektedir. Bununla birlikte sadece yapay sinir ağlarının tahmin performansının incelendiği araştırmalara da rastlamak mümkündür. Henüz yeni sayılabilecek bir metot olan yapay sinir ağlarının eğitimde kullanıldığı araştırmalar ise sınırlı kalmaktadır. Dolayısı ile bu çalışmanın ilgili araştırmalar kısmında kategorizelendirme yapılırken diğer tezlerde sıkça başvurulan yurt içinde yapılan ve yurtdışında yapılan çalışmalar sınıflandırılmasına gidilmemiştir. Bu bağlamda ilgili araştırmalar başlığı altında odaklanılmak istenen, akademik başarının yapay sinir ağları ile tahmin edilmesinde ağın tahmin performansının literatürdeki çalışmalarla desteklenerek karşılaştırılması ve diğer çalışmalarda kullanılan bağımsız değişkenlerin ortaya konulması olarak amaçlanmıştır. Bu nedenle önemli görülen araştırmalar kronolojik olarak sıralanmış ve aşağıda kısaca değinilmiştir.

Sittirug 1997’de ilköğretim öğretmen adaylarının fen başarısının yordanmasında fene yönelik tutum, bilimsel süreç becerileri ve bilişsel gelişim düzeylerini işe koşmuştur. 80 ilköğretim öğretmen adayı üzerinde gerçekleştirdiği çalışmada fen başarısının kestirilmesinde en önemli yordayıcının bilimsel süreç becerileri olduğu sonucuna ulaşmıştır.

Hunt (2000) tarafından yapılan doktora tez çalışmasında birinci sınıf öğrencilerinin akademik başarılarının yordanmasında yapay sinir ağları ile lojistik regresyon analizinin performansları karşılaştırmıştır. Araştırma sonucu hem lojistik regresyon analizinin hem de geri beslemeli yapay sinir ağları metodunun kabul edilebilir düzeyde doğru yordamalar yaptığı sonucuna ulaşmıştır.

Kumar ve Morris (2005) 176 ilköğretim öğretmen adayı üzerinde yaptıkları çalışmada, öğretmen adaylarının bilimsel anlayışlarını yordamada, cinsiyet ile üniversite kimya ve fizik dersi deneyimlerinin önemli yordayıcı değişkenler olduğu sonucuna ulaşmışlardır.

Ayık, Özdemir ve Yavuz (2007) yaptıkları araştırmada 1976 - 2007 yılları arasında Atatürk Üniversitesi’nden mezun olmuş veya hâlâ okumakta olan öğrencilerin lise türü ve lise mezuniyet başarılarının okudukları veya mezun oldukları fakülte ile ilişkisinin tespit edilmesi amaçlanmıştır. Farklı veri madenciliği metotlarının kullanıldığı araştırmada yaklaşık 50.000 kayıt, veri madenciliğinin veriyi hazırlama süreçlerinden geçirilerek veri tabanından bilgi keşfi süreci anlamlı hâle getirilmiştir. Araştırma sonucunda, lise türünün ve lise başarısının kazanılan fakülte ile önemli derecede ilişkili olduğu sonucuna ulaşılmıştır.

Ibrahim ve Rusli (2007), öğrenci başarısını tahmin etmek üzere yapay sinir ağları, karar ağaçları ve lineer regresyon metotlarının performanslarını karşılaştırmıştır. Araştırma çerçevesinde 206 öğrencinin bilgi teknolojileri uygulamaları bilme düzeyi, önceki okul bilgileri, programlama bilgileri ve ailelerinin finansal durumlarını bağımsız değişken, külümalatif başarı notlarını da tahminde bulunulacak bağımlı değişken olarak almışlardır. Araştırma sonuçları incelendiğinde, tüm modellerin %80’in üzerinde başarılı tahminde bulunduğu bununla birlikte yapay sinir ağlarının, karar ağaçları ve lineer regresyona göre daha yüksek düzeyde bir performans sağladığı sonucuna ulaşılmıştır.

Tosun (2007) öğrenci başarılarının yapay sinir ağları ve karar ağaçları ile analiz edilerek sınıflandırılmasını ve bu iki metodun karşılaştırılmasını amaçlayan araştırmasında, İstanbul Teknik Üniversitesi İşletme Fakültesinde okuyan 424 öğrencinin verisi ile çalışmıştır. Uygulanan anket ile öğrencilerden demografik özellikler, eğitim, akademik ve kişisel bilgiler toplanarak bu bilgiler kategorize edilmiştir. Elde edilen sınıflandırılmış verilerin karar ağaçları ile yapılan tahmin analizi sonucunda 216 öğrencinin akademik olarak başarısız olduğu bulunmuştur. Gerçek verilere bakıldığında ise 189 öğrencinin başarısız olduğu, başarılı olan 27 öğrencinin model sonucu başarısız sayıldığı sonucuna ulaşılmıştır. Öğrencilerin akademik başarıları tahmin edildiğinde ise model 208 öğrenciyi başarılı bulmuş, gerçek verilerde ise 173 öğrencinin başarılı olduğu 35 başarısız öğrencinin model tarafından yanlış tahminde bulunularak başarılı sayıldığı sonucuna ulaşılmıştır. Bu çalışmada karar ağaçlarının sınıflandırma tahmini %86 başarılı olmuştur. Aynı veriler ile yapılan yapay sinir ağı modellemesinde ise ağ başarısı %91,77 olarak bulunmuştur.

Vandamme, Meskens ve Superby (2007), veri madenciliği metotlarını kullanarak birinci sınıf öğrencilerinin yıl sonunda başarılı olup olmama durumlarını önceden tahmin etmeye çalışmışlardır. Araştırma çerçevesinde öğrencileri başarısız olma ihtimali az olanları “düşük”, yüksek ihtimalle başarılı olacakları “orta” ve başarılı olmaları zor olanları “yüksek” risk grubu olmak üzere üç farklı kategoride sınıflandırmışlardır. Farklı üniversiteler ve bölümlerden toplam 533 öğrencinin katılımıyla gerçekleştirilen araştırmada öğrencilerden toplanacak veriler üç aşamalı olarak farklı boyutlarda toplanmıştır. Birinci aşamada öğrencilerden yaş, cinsiyet, sosyo-ekonomik durum, akademik birikim gibi kişisel geçmişlerini içeren bilgileri toplanmıştır. Sonra okul içi aktivitelere ve derslerdeki geri bildirimlere, öğrenci-öğretmen etkinliklerine katılım bilgilerini içeren kayıtları veri setine dâhil etmişlerdir. Son olarak, öğrencilerin akademik bağlam, öğretim üyeleri ve kurslar hakkındaki algıları ölçülerek veri setinin son hâli tamamlanmıştır. Elde edilen veriler karar ağaçları sınıflandırma metodu ile analiz edildiğinde genel sınıflandırmanın yalnızca %40,63 kadarının doğru olduğu sonucuna ulaşmışlardır. Yapay sinir ağlarında ise bu sonuç %51,88 olarak bulunmuştur. En iyi sınıflandırma tahminine ise %57,35 ile lineer diskriminant analizi ile ulaşmışlardır.

Karamouzis ve Vrettos (2008), “Öğrencilerin mezuniyet durumlarının tahmininde yapay sinir ağları” adlı araştırmalarında, öğrencilerin mezuniyet durumlarını 1100 kişilik bir çalışma grubuyla tahmin etmeye çalışmışlardır. Araştırmanın bağımsız değişkenleri öğrencilerin etnik kimlikleri, cinsiyetleri, derse katılım durumları, üniversiteye girme yaşları, mezun oldukları lise, engel durumları, yaşadıkları bölge, yaşadıkları ülke, lise mezuniyet yaşları ve üniversiteye başvurma aşamasındaki ebeveyn durumları olarak belirlenmiştir. Araştırma sonuçları incelendiğinde, geliştirilen yapay sinir ağının 172 başarılı mezunun 148 tanesini (%86,04) ve 928 başarısız mezunun 633 tanesini (%68,21) doğru tahmin ettiği görülmektedir.

Oladokun, Adebanjo ve Charles-Owaba (2008), mühendislik dersinde öğrencilerin akademik başarılarını yapay sinir ağları ile tahmin etmek üzere farklı üniversitelerden toplam 112 öğrenci ile yaptıkları araştırmasında, (1) başarıya etki eden faktörlerin belirlenmesi, (2) bu faktörlerin yapay sinir ağlarına uygun veri türüne dönüştürülmesi ve (3) bir yapay sinir ağı modeli geliştirilmesini amaçlamışlardır. Bu amaç çerçevesinde öğrencilerin üniversiteye giriş puanları,

matematik, İngilizce, fizik ve kimya dersindeki başarılarını, matematikteki geçmiş deneyimlerini, yaşını, lise mezuniyet tarihi ile üniversiteye kayıt olduğu zaman arasında geçen süreyi, ailesinin eğitim düzeyini, cinsiyetini, mezun olduğu lisenin bölgesini ve lisenin türünü, üniversitenin ve öğrencinin yaşadığı bölgeyi girdi değişkenleri olarak kullanmışlardır. Bağımlı değişken olan öğrencilerin akademik performansları “zayıf”, “orta” ve “iyi” olmak üzere üç farklı kategoriye ayrılmıştır. Araştırma sonuçlarına göre geliştirilen yapay sinir ağı modeli “iyi” kategorisindeki öğrencilerin %82’sini doğru tahmin etmiştir. “Orta” olarak sınıflandırılan akademik başarıya sahip öğrencilerin %53’ü ve “zayıf” olarak kategorize edilenlerin de %88’i ağ tarafından doğru tahmin edilmiştir. Ağın genel olarak performans başarısı %74 olarak bulunmuştur.

Guo (2010), öğrencilerin derslerden duydukları memnuniyeti analiz ve tahmin etmeyi amaçladığı çalışmasında, veri setini 2002-2007 tarihlerinde girdiği derslerdeki öğrencilere uyguladığı anketlerden oluşturmuştur. Her bir veri seti öğrencilerin kurs memnuniyetini içeren bilgilerden, katılımcı sayısından, dersin kredisinden ve geçme-kalma durumundan oluşmaktadır. Birçok yapay sinir ağı mimarisi denenen çalışma sonuçları incelendiğinde, farklı şekilde tasarlanan her bir yapay sinir ağı modeli, lineer regresyondan daha iyi sonuçlar vermiştir. Ancak lineer regresyon modeli kullanılarak belirlenen bağımlı değişkenle ilişkisiz değişkenlerin yapay sinir ağına alınmadığı durumlarda, yapay sinir ağının daha iyi bir performans gösterdiği sonucuna ulaşılmıştır.

Tepehan (2011), “Türk Öğrencilerinin PISA Başarılarının Yordanmasında Yapay Sinir Ağı ve Lojistik Regresyon Modeli Performanslarının Karşılaştırılması” adlı araştırmasında öğrencilerin matematik becerileri, fen bilimleri yeterliği ve okuma yeterliği alanlarındaki başarılarını ayrı ayrı yordayarak; yordama amacıyla kullandığı yapay sinir ağı ve lojistik regresyon modellerini karşılaştırmıştır. Öğrencilerin matematik becerilerini yordamak için PISA-2003 testine giren 4855 öğrencinin fen bilimleri yeterliğini yordamak için PISA-2006 testine giren 4942 öğrencinin ve okuma yeterliğini yordama amacıyla PISA-2009 testine giren 4996 öğrencinin test sonuçlarına tabakalı tesadüfî örnekleme yöntemiyle ulaşmıştır. Araştırma sonuçları incelendiğinde, öğrencilerin matematik başarıları açısından her iki metot karşılaştırıldığında yapay sinir ağının %78,6’lık bir performansla, lojistik regresyon modelinin ise %76,8’lik bir

performansla doğru tahmin ettiği görülmektedir. Fen bilimleri başarısının yordanmasında ise, yapay sinir ağlarının %78,5’lik bir performansla, lojistik regresyon modelinin ise %78,1’lik bir performansla tahminlerinin doğru olduğu görülmektedir. Öğrencilerin okuma başarılarının karşılaştırılmasında ise, %79,4’e %78,4 yapay sinir ağlarının yine daha iyi bir performansla tahminde bulunduğu görülmektedir. Araştırma sonucunda öğrenci başarısının yordanmasında yapay sinir ağlarının lojistik regresyon modelinden daha iyi sonuçlar verdiği ve iyi bir tahmin metodu olduğu belirtilmektedir.

Çırak (2012), “Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması” adlı çalışmasında, öğrenci başarısını etkileyen değişkenlerin belirlenmesi ve başarının tahmin edilmesi için lojistik regresyon ve yapay sinir ağlarını metotlarının performansını incelemeyi amaçlamıştır. Araştırmanın çalışma grubunu Ankara Üniversitesi Eğitim Bilimleri Fakültesi ile Dil ve Tarih-Coğrafya Fakültesi’ndeki lisans programlarına kayıtlı 419 üçüncü sınıf öğrencisi oluş turmaktadır. Araştırmada; mezun olunan lise, ortaöğretim mezuniyet ortalaması, üniversiteye yerleştirmede esas alınan puan türü, öğrenim görülen bölümü tercih sırası, vize/final sınavlarına hazırlanma zamanı, sınavlara hazırlanırken tercih ettiği ortam, düzenli ders çalışma alışkanlığına sahip olma, çalışma odasına sahip olma, çalışma masasına sahip olma, internet bağlantısına sahip olma, bilgisayara sahip olma, kitaplığa sahip olma, kardeş sayısı, ailenin ortalama toplam aylık geliri, anne baba öğrenim ve çalışma durumu ile üniversiteye giriş puanları bağımsız değişken olarak ele alınmıştır. Araştırma sonuçları incelendiğinde, yapay sinir ağlarının %70,16 ile; lojistik regresyon analizinin ise %66,10 daha iyi performans gösterdiği görülmüştür. Yapay sinir ağlarını daha doğru sınıflandırma yaptığı sonucuna ulaşılmıştır. Ayrıca bu iki analiz metodunun karşılaştırmasında ortaöğretim mezuniyet ortalaması, mezun olunan lise ve üniversiteye giriş puanı akademik başarıya etki eden ortak değişkenler olarak bulunmuştur. Yapay sinir ağlarında üniversiteye giriş puanı, lojistik regresyonda ise mezun olunan lise başarıyı en çok etkileyen değişken olmuştur.

Bahadır (2013), “Yapay Sinir Ağları ve Lojistik Regresyon Analizi Yaklaşımları ile Öğretmen Adaylarının Akademik Başarılarının Tahmini” isimli çalışmasında, Marmara Üniversitesi Eğitim Bilimleri Enstitüsü ve Atatürk Eğitim