PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi
Yıl: 2020 Cilt: 45 Sayı: 202 Sayfa Aralığı: 393 - 415 Metin Dili: Türkçe DOI: 10.15390/EB.2020.8477 İndeks Tarihi: 16-11-2020
PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi
Öz: Bu çalışmanın amacı; veri madenciliği yöntemlerinden, ÇokKatmanlı Algılayıcı Yapay Sinir Ağları ve Rastgele Ormanyöntemlerini kullanarak, PISA 2015 matematik okuryazarlığınıetkileyen faktörleri belirlemek ve her iki yöntemin tahminlemeyeteneklerini karşılaştırmaktır. Çalışma kapsamındaki neden-sonuçilişkisi, veri madenciliği yöntemleri ile derin öğrenme düzeyindekeşfedilmeye çalışılmıştır. Tahminleme yeteneği açısından,performansı yüksek olan yöntemin bulguları, Türkiye’dekimatematik okuryazarlığındaki yeterliliği belirleyen faktörler olarakkabul edilmiştir. Bu çalışmada, PISA 2015 sınavına katılan 2165’i(%49) erkek ve 2257’si (%51) kız olmak üzere, toplam 4422öğrenciden toplanan bilgiler kullanılmıştır. PISA 2015 sınavınagiren öğrencilerin matematik testinden almış oldukları puanlaryordanan değişken; yordanan değişken ile kuramsal olarak ilişkisiolduğu düşünülen 25 adet değişken ise yordayıcı olarak analizedahil edilmiştir. Analizler sonucunda; birçok performansgöstergeleri açısından, Rastgele Orman (RO) yönteminin dahadüşük hatalar ile tahminleme yaptığı görülmüştür. Karar Ağaçlarıailesinden Rastgele Orman yöntemine göre; Türkiye’dekimatematik okuryazarlığını etkileyen başat faktörün öğrencilerinbaşarıya yönelik kaygı düzeyleri olduğu görülmüştür. ROyönteminin kaygı değişkeninden sonra sırayla önemli bulduğufaktörler; öğrencilerin Türkçe başarı düzeyi, anne eğitim düzeyi,motivasyon düzeyi, bilgi kuramına olan inanç (epistemolojik inanç),öğretmenlerin ilgi düzeyi, sınıfta disiplin ortamı şeklindedir. Diğerdeğişkenlerin istatistiksel anlam, önem ve etki düzeyleri çalışmadadetayları ile birlikte ele alınmıştır. Bu çalışmanın, eğitselaraştırmalar sürecinde, veri madenciliği yöntemlerinin kullanımınaörneklik teşkil etmesi ve öğrencilerin matematik okuryazarlığıüzerinde etkisi tespit edilen faktörlerin Milli Eğitim sistemine ışıktutacağı ümit edilmektedir.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Akar, Ö. ve Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. TMMOB Harita ve Kadastro Mühendisleri Odası Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146. doi:10.9733/jgg.241212.1
- Akar Ö., Güngör O. ve Akar A. (2010), Rastgele orman sınıflandırıcısı ile arazi kullanım alanlarının belirlenmesi. III. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu içinde (s. 142-152). Gebze.
- Akbilgiç, O. (2011). Hibrit radyal tabanlı fonksiyon ağları ile değişken seçimi ve tahminleme: Menkul kıymet yatırım kararlarına ilişkin bir uygulama (Yayımlanmamış doktora tezi). İstanbul Üniversitesi, İstanbul.
- Akman, M. (2010). Veri madenciliğine genel bakış ve random forests yönteminin incelenmesi: Sağlık alanında bir uygulama (Yayımlanmamış yüksek lisans tezi). Ankara Üniversitesi, Ankara.
- Aksu, G. (2018). PISA başarısını tahmin etmede kullanılan veri madenciliği yöntemlerinin incelenmesi (Yayımlanmamış doktora tezi). Hacettepe Üniversitesi, Ankara.
- Aksu, G. ve Doğan, N. (2018). Veri madenciliğinde kullanılan öğrenme yöntemlerinin farklı koşullar altında karşılaştırılması. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 51(3), 71-100.
- Aksu G. ve Güzeller C. O. (2016). PISA 2012 matematik okuryazarlığı puanlarının karar ağacı yöntemiyle sınıflandırılması: Türkiye örneklemi. Eğitim ve Bilim, 41(185), 101-122. doi:10.15390/EB.2016.4766
- Akyüz, G. (2006). Türkiye ve Avrupa Birliği ülkelerinde öğretmen ve sınıf niteliklerinin matematik başarısına etkisinin incelenmesi. İlköğretim Online, 5(2), 61-74. http://ilkogretim-online.org.tr/ adresinden erişildi.
- Akyüz G. ve Pala M. N. (2010). PISA 2003 sonuçlarına göre öğrenci ve sınıf özelliklerinin matematik okuryazarlığına ve problem çözme becerilerine etkisi. İlköğretim Online, 9(2), 668-678. http://ilkogretim-online.org.tr/ adresinden erişildi.
- 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. http://egitimvebilim.ted.org.tr/index.php/EB/article/view/594/74 adresinden erişildi.
- Archer, K. J. ve Kimes, R. V. (2008). Empirical characterization of random forest variable importance measures. Computational Statistics and Data Analysis, 52(4), 2249-2260. https://www.sciencedirect.com/science/article/pii/S0167947307003076 adresinden erişildi.
- Atasever, Ü. H. (2011). Uydu görüntülerinin sınıflandırılmasında hızlandırma (boostıing), destek vektör makineleri, rastgele orman (random forest) ve regresyon ağaçları yöntemlerinin kullanılması (Yayımlanmamış yüksek lisans tezi). Erciyes Üniversitesi, Kayseri.
- Aydın, B. (2001). İlköğretim okullarında sınıf disiplininin sağlanması (Yayımlanmamış doktora tezi). Abant İzzet Baysal Üniversitesi, Bolu.
- Aydın, M. ve Geçici, M. E. (2017). 6. sınıf öğrencilerinin epistemolojik inançlarının bazı değişkenler açısından incelenmesi. Ahi Evran Üniversitesi Kırşehir Eğitim Fakültesi Dergisi, 18(1), 213-229. https://www.researchgate.net/publication/328615177 adresinden erişildi.
- Azapağası İlbağı, E. (2012). PISA 2003 matematik okuryazarlığı soruları bağlamında 15 yaş grubu öğrencilerinin matematik okuryazarlığı ve tutumlarının incelenmesi (Yayımlanmamış doktora tezi). Atatürk Üniversitesi, Erzurum.
- Azapağası İlbağı, E. ve Akgün, L. (2012). PISA 2003 öğrenci anketine göre 15 yaş grubu öğrencilerinin tutumlarının incelenmesi. Western Anatolia Journal of Educational Science, 3(6), 67-90. http://dergipark.gov.tr/download/article-file/39530 adresinden erişildi.
- Bansal, D., Chhikara, R., Khanna, K. ve Gupta, P. (2018). Comparative analysis of various machine learning algorithms for detecting dementia. Procedia Computer Science, 132, 1497-1502. https://www.sciencedirect.com/science/article/pii/S1877050918308342 adresinden erişildi.
- Bautier, E. ve Rayou, P. (2007). What PISA really evaluates: Literacy Literacy or students’ universes of reference?. Journal of Educational Change, 8(4), 359-364. doi:10.1007/s10833-007-9043-9. https://www.researchgate.net/journal/1389-2843_Journal_of_Educational_Change adresinden erişildi.
- Bayraktar, V. H. (2015). Student motivation in classroom management and factors that affect motivation. Turkish Studies, 10(3), 1079-1100. http://www.turkishstudies.net/files/turkishstudies/20934147_60VatanseverBayraktarHatice-egt1079-1100.pdf adresinden erişildi.
- Becerra, R., Joya, G., Bermúdez, R. V. G., Velázquez, L., Rodríguez, R. ve Pino, C. (2013). Saccadic points classification using multilayer perceptron and random forest classifiers in EOG recordings of patients with Ataxia SCA2. International Work-Conference on Artificial Neural Networks içinde (s. 115- 123). Tenerife, Spain. https://link.springer.com/chapter/10.1007/978-3-642-38682-4_14 adresinden erişildi.
- Benzer, S. ve Benzer, R. (2017). Examination of International PISA test results with artificial neural networks and regression methods. Savunma Bilimleri Dergisi, 16(2), 1-13.
- Biau, G. (2012). Analysis of a random forest. Journal of Machine Learning Research, 13(2012), 1063-1095. http://www.jmlr.org/papers/volume13/biau12a/biau12a.pdf adresinden erişildi.
- Biau, G. ve Scornet, E. (2016). A random forest guided tour. An Official Journal of the Spanish Society of Statistics and Operations Research, 25(2), 197-227. doi:10.1007/s11749-016-0481-7. http://www.lsta.upmc.fr/BIAU/test-bs.pdf adresinden erişildi.
- Bilgen, İ. (2014). İnsan ve HIV-1 proteinleri arasındaki etkileşimlerin rastgele orman yöntemi ve birlikte öğrenme yaklaşımı ile tahmin edilmesi (Yayımlanmamış yüksek lisans tezi). İstanbul Teknik Üniversitesi, İstanbul.
- Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://link.springer.com/content/pdf/10.1023/A:1010933404324.pdf adresinden erişildi.
- Breiman, L. ve Cutler, A. (2017). Random forests. https://www.stat.berkeley.edu/~breiman/RandomForests/ adresinden erişildi.
- Cganh, F. J., Liang, J. M. ve Chen, Y. C. (2001). Flood forecasting using radial basis function neural networks. IEEE Transaction on Systems, Man, and Cybernetics Part C: Applications and Rewievs, 31(4), 530-535.
- Comrie, A. (1997). Comparing neural networks and regression models for ozone forecasting. Journal of the Air and Waste Management Association, 47(6), 653-663. https://arizona.pure.elsevier.com/en/publications/ adresinden erişildi.
- Coşguner, T. (2013). Uluslararası öğrenci başarı değerlendirme programı (PISA) 2009 uygulaması okuma becerileri okuryazarlığını etkileyen faktörler (Yayımlanmamış yüksek lisans tezi). Akdeniz Üniversitesi, Antalya.
- Çelen, F. K., Çelik, A. ve Seferoğlu, S. S. (2011). Türk eğitim sistemi ve PISA sonuçları. Akademik Bilişim’11-XIII Akademik Bilişim Konferansı Bildirileri içinde (s. 765-773). Malatya.
- Çetinkaya, İ., Yeşilyurt, E., Yörük, S. ve Şanlı, Ö. (2012). Öğretmen adaylarında yaratıcı düşünmenin yordayıcısı olarak değişime açıklık ve hayal gücü. Uşak Üniversitesi Sosyal Bilimler Dergisi, 5(2), 46- 62. https://www.pegem.net/dosyalar/dokuman/138919-201401271547-4.pdf adresinden erişildi.
- Çuhadar, M. (2013). Türkiye’ye yönelik dış turizm talebinin MLP, RBF ve TDNN yapay sinir ağı mimarileri ile modellenmesi ve tahmini: Karşılaştırmalı bir analiz. Journal of Yasar University, 8(31), 5274-5295.
- Delice, A., Ertekin, E., Aydın, E. ve Dilmaç, B. (2009). Öğretmen adaylarının matematik kaygısı ile bilgi bilimsel inançları arasındaki ilişkinin incelenmesi. Uluslararası İnsan Bilimleri Dergisi, 6(1), 361-375. http://www.insanbilimleri.com/ojs/index.php/uib/article/view/637/352 adresinden erişildi.
- Deryakulu, D. (2004). Üniversite öğrencilerinin öğrenme ve ders çalışma stratejileri ile epistemolojik inançları arasındaki ilişki. Kuram ve Uygulamada Eğitim Yönetimi, 38, 230-249. http://dergipark.gov.tr/download/article-file/108404 adresinden erişildi.
- Deryakulu, D. ve Büyüköztürk, Ş. (2005). Epistemolojik inanç ölçeğinin faktör yapısının yeniden incelenmesi: Cinsiyet ve öğrenim görülen program türüne göre epistemolojik inançların karşılaştırılması. Eurasian Journal of Educational Research, 18, 57-70. https://www.researchgate.net/profile/Deniz_Deryakulu2/publication/285660584 adresinden erişildi.
- Dursun, Ş. ve Dede, Y. (2004). Öğrencilerin matematikte başarısını etkileyen faktörler: Matematik öğretmenlerinin görüşleri bakımından. Gazi Eğitim Fakültesi Dergisi, 24(2), 217-230. http://gefad.gazi.edu.tr/article/view/5000078798 adresinden erişildi.
- Dursun Sürmeli, Z. ve Ünver, G. (2017). Öz-düzenleyici öğrenme stratejileri, epistemolojik inançlar ve akademik benlik kavramı ile matematik başarısı arasındaki ilişki. Turkish Journal of Computer and Mathematics Education, 8(1), 83-102. http://dergipark.gov.tr/download/article-file/284109 adresinden erişildi.
- Emel, G. G. ve Taşkın, Ç. (2005). Veri madenciliğinde karar ağaçları ve bir satış analizi uygulaması. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 6(2), 221-239. http://dergipark.ulakbim.gov.tr/ogusbd/article/view/5000080834/5000074968 adresinden erişildi.
- Eriksson, V. ve Varatharajah, T. (2016). A comparative study on artificial neural networks and random forests for stock market prediction. KTH Royal Institute of Technology School of Computer Science and Communication. https://www.diva-portal.org/smash/get/diva2:927335/FULLTEXT01.pdf adresinden erişildi.
- Eroğlu, S. E. ve Güven, K. (2006). Üniversite öğrencilerinin epistemolojik inançlarının bazı değişkenler açısından incelenmesi. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 16, 295-312. http://dergisosyalbil.selcuk.edu.tr/susbed/article/view/529 adresinden erişildi.
- Fausett, L. (1994). Fundamentals of neural networks: Architectures, algorithms and applications. New Jersey, NJ: Prentice-Hall. http://www.csbdu.in/csbduold/pdf/Fundamentals%20Of%20Neural%20Networks.pdf adresinden erişildi.
- Fern´andez-Delgado, M., Cernadas, E. ve Barro, S. (2014). Do we need hundreds of classifiers to solve real world classification problems?. Journal of Machine Learning Research, 15(2014), 3133-3181. http://jmlr.org/papers/volume15/delgado14a/delgado14a.pdf adresinden erişildi.
- Geneur, R., Poggi, J. M., Tuleao Malot, C. ve Villa-Vialaneix, N. (2017). Random forest for big data. Big Data Research. http://www.nathalievialaneix.eu/doc/pdf/genuer_etal_BDR2017.pdf adresinden erişildi.
- Gibson, G. J., Siu, S. ve Cowan, C. F. N. (20021989). Multilayer perceptron structures applied to adaptive equalisers for data communications. International Conference on Acoustics, Speech and Signal Processing içinde (s. 1520-6149). Glasgow, UK.
- Göktaş, Ö. ve Gürbüztürk, O. (2012). Okuduğunu anlama becerisinin ilköğretim ikinci kademe matematik dersindeki akademik başarıya etkisi. Uluslararası Eğitim Programları ve Öğretim Çalışmaları Dergisi, 2(4), 53-66.
- Gönül, Y., Ulu, Ş., Bucak, A. ve Bilir, A. (2015). Yapay sinir ağları ve klinik araştırmalarda kullanımı. Genel Tıp Dergisi, 25(3), 104-111. doi:10.15321/GenelTipDer.2015313147
- Guo, H., Zhao, J. Y. ve Yin, J. H. (2017). Random forest and multilayer perceptron for predicting for dielectric loss of polyimide nanocomposite films. Royal Society of Chemistry, 7, 30999-31008. doi: 10.1039/C7RA04147K. https://pubs.rsc.org/ru/content/articlepdf/2017/ra/c7ra04147k adresinden erişildi.
- Güleç, S. ve Alkış, S. (2003). İlköğretim birinci kademe öğrencilerinin derslerdeki başarı düzeylerinin birbiriyle ilişkisi. İlköğretim-Online, 2(2), 19-27.
- Gürsakal, S. (2009). PISA 2009 öğrenci başarı düzeylerini etkileyen faktörlerin değerlendirilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 17(1), 441-452. http://dergipark.gov.tr/download/article-file/194442 adresinden erişildi.
- Güzeller, C. O. ve Akın, A. (2014). Relationship between ICT variables and mathematics achievement based on PISA 2006 database: International evidence. The Turkish Online Journal of Educational Technology, 13(1), 184-192.
- Hamzaçebi, C. (2011). Yapay sinir ağları. Bursa: Ekin.
- Hand, D. J., Mannila, H. ve Smyth, P. (2001). Principles of data mining. Cambridge: A Bradford Book The MIT Press. https://doc.lagout.org/Others/Data%20Mining/Principles%20of%20Data%20Mining%20%5BHand %2C%20Mannila%20%26%20Smyth%202001-08-01%5D.pdf adresinden erişildi. IES>NCES. (2018). National center for education statistics. https://nces.ed.gov/surveys/pisa/pisa2015/pisa2015highlights_8f.asp adresinden erişildi
- İlgün Dibek, M. ve Demirtaşlı, R. N. (2017). Öğrenme ve öğretme süreci değişkenleri ile PISA 2012 matematik okuryazarlığı arasındaki ilişkiler. İlköğretim Online, 16(3), 1137-1152. http://ilkogretimonline.org.tr/ adresinden erişildi.
- İnal, H. ve Turabik, T. (2017). Matematik başarısını etkileyen bazı faktörlerin yordama gücünün yapay sinir ağları ile belirlenmesi. Uşak Üniversitesi Eğitim Araştırmaları Dergisi, 3(1), 23-50. doi:10.29065/usakead.287754
- Jain, K. A. ve Mao, J. (1996). Artificial neural network; A tutorial. http://metalab.uniten.edu.my/~abdrahim/mitm613/Jain1996_ANN%20-%20A%20Tutorial.pdf adresinden erişildi.
- Kamaliyah, K., Zulkardi, Z. ve Darmawijoyo, D. (2013). Developing the sixth level of PISA-like mathematics problems for secondary school students. Journal on Mathematics Education, 4(1), 9-28. doi:10.22342/jme.4.1.559.9-28. http://ejournal2.unsri.ac.id/index.php/jme/issue/view/87 adresinden erişildi.
- Karabay, E. (2013). Aile ve okul özelliklerinin PISA okuma becerileri, matematik ve fen okuryazarlığını yordama gücünün yıllara göre incelenmesi (Yayımlanmamış yüksek lisans tezi). Gazi Üniversitesi, Ankara.
- Karabay, E., Yıldırım, A. ve Güler, G. (2015). Yıllara göre PISA matematik okuryazarlığının öğrenci ve okul özellikleri ile ilişkisinin aşamalı doğrusal modeller ile analizi. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, 36, 137-151. http://dergipark.gov.tr/download/article-file/181503 adresinden erişildi.
- Karadeniz, M., Yüncü, S. ve Aydemir M. T. (2001). Asenkron motorlarda stator direncinin yapay sinir ağları ile tahmini. TMMOB Elektrik Mühendisliği Elektrik-Elektronik-Bilgisayar ve Biyomedikal Mühendisliği Kongresi Bildirileri. http://www.emo.org.tr/ekler/b9de3fb364d8d87_ek.doc adresinden erişildi.
- Karasar, N. (2006). Bilimsel araştırma yöntemi. Ankara: Nobel Yayın Dağıtım.
- Kaynar, O. ve Taştan S. (2009). Zaman serisi analizinde MLP yapay sinir ağları ve arima modelinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161-172. http://iibf.erciyes.edu.tr/dergi/sayi33/9.k%FDs%FDm.pdf adresinden erişildi.
- Kaynar, O., Taştan, S. ve Demirkoparan, F. (2010). Ham petrol fiyatlarının yapay sinir ağları ile tahmini. Ege Akademik Bakış, 10(2), 559-573. https://www.researchgate.net/publication/227427978 adresinden erişildi.
- Kayri, İ. (2017). Güneş panelleri ile üretilen enerjinin ortam bilgileri kullanılarak yapay sinir ağlarıyla tahmini (Yayımlanmamış doktora tezi). Fırat Üniversitesi, Elazığ.
- Kayri, M. (2015). An intelligent approach to educational data: Performance comparison of the multilayer perceptron and the radial basis function artificial neural networks. Educational Sciences: Theory & Practice, 15(5), 1247-1255. doi:10.12738/estp.2015.5.0238Kayri, M., Kayri, İ. ve
- Gençoğlu, M. T. (2017). The performance comparison of multiple linear regression, random forest and artificial neural network by using photovoltaic and atmospheric data. 2017 14th International Conference on Engineering of Modern Electric Systems (EMES). 1-2 June 2017 (s.1-4), Oradea, Romania.
- Keller, P. S., El-Sheikh, M., Granger, D. A. ve Buckhalt, J. A. (2012). Interactions between salivary cortisol and alphaamylase as predictors of children’s cognitive functioning and academic performance. Physiology & Behavior, 105, 987-995. https://asu.pure.elsevier.com/en/publications/interactionsbetween-salivary-cortisol-and-alpha-amylase-as-predi adresinden erişildi.
- Koç-Erdamar, G. ve Bangir-Alpan, G. (2011). Öğretmen adaylarının epistemolojik inançları. E- Journal of New Word Sciences Academy, 6(4), 2689-2698. http://dergipark.gov.tr/download/article-file/185533 adresinden erişildi.
- Koğar, H. (2015). PISA 2012 matematik okuryazarlığını etkileyen faktörlerin aracılık modeli ile incelenmesi. Eğitim ve Bilim, 40(179), 45-55. doi:10.15390/EB.2015.4445
- Küçükahmet, L. (1999). Öğretimde planlama ve değerlendirme. İstanbul: Alkım Yayınevi.
- Liaw, A. ve Wiener, M. (2002). Classification and regression by randomforest. R News, 2(3), 18-22. https://www.researchgate.net/publication/228451484_Classification_and_Regression_by_Random Forest adresinden erişildi.
- Marin, E. J. O., Martinez-Capel, F. ve Vezza, P. (2013). A comparison of artificial neural networks and random forests to predict native fish species richness in Mediterranean rivers. Knowledge and Management of Aquatic Ecosystems, 409, 19. doi:10.1051/kmae/2013052. http://www.kmaejournal.org/ adresinden erişildi.
- Maroco, J., Silva, D., Rodrigues, A., Guerreiro, M., Santana, I. ve Mendonça, A. (2011). Data mining methods in the prediction of Dementia: A real-data comparison of the accuracy, sensitivity and specificity of linear discriminant analysis, logistic regression, neural networks, support vector machines, classification trees and random forest. BMC Research Notes, 4(1), 299. doi:10.1186/1756- 0500-4-299
- Milli Eğitim Bakanlığı (MEB). (2016). PISA 2009 projesi ulusal ön raporu. Ankara: MEB Eğitimi Araştırma ve Geliştirme Dairesi Başkanlığı. http://odsgm.meb.gov.tr/test/analizler/docs/PISA/PISA2015_Ulusal_Rapor.pdf adresinden erişildi.
- Nawar, S. ve Mouazen, A. M. (2017). Comparison between random forests, artificial neural networks and gradient boosted bachines methods of on-line Vis-NIR spectroscopy measurements of soil total nitrogen and total carbon. Sensors, 17(10), 2428. doi:10.3390/s17102428. https://www.mdpi.com/1424-8220/17/10/2428 adresinden erişildi.
- OECD. (2007). PISA 2006. Paris: OECD Publishing. https://www.oecd.org/pisa/data/42025182.pdf adresinden erişildi.
- OECD. (2016a). PISA 2015 results in focus. Paris: OECD Publishing. https://www.oecdilibrary.org/education/pisa-2015-results-in-focus_aa9237e6-en. adresinden erişildi.
- OECD. (2016b). PISA 2015 mathematics framework. Pisa PISA 2015 assessment and analytical framework: science, reading, mathematic and financial literacy. Paris: OECD Publishing. http://www.oecd.org/publications/pisa-2015-assessment-and-analytical-framework9789264281820-en.htm adresinden erişildi.
- Okatan, Ö. (2017). Uluslararası öğrenci başarılarını değerlendirme programı'na (PISA) göre öğrencilerin matematik başarıları ile ilişkili değişkenlerin incelenmesi (Yayımlanmamış yüksek lisans tezi). Mehmet Akif Ersoy Üniversitesi, Burdur.
- Özkan, Ş. (2008). İlköğretim öğrencilerinin fen başarıları ile ilgili bir modelleme çalışması: Epistomolojik inançlar, öğrenme yaklaşımları ve öz-düzenleme becerileri arasındaki ilişkiler (Yayımlanmamış doktora tezi). Orta Doğu Teknik Üniversitesi, Ankara.
- Öztemel, E. (2012). Yapay sinir ağları. İstanbul: Papatya Yayıncılık.
- Pala, M. N. (2008). PISA 2003 sonuçlarına göre öğrenci ve sınıf özelliklerinin matematik okuryazarlığına ve problem çözmeye etkisi (Yayımlanmamış yüksek lisans tezi). Balıkesir Üniversitesi, Balıkesir.
- Priddy, K. L. ve Keller, P. E. (2005). Artificial neural networks: An introduction. Washington: SPIE Press.
- Quinlan, J. R. (1993). C4.5: Programs for machine learning. San Mateo California: Morgan Kaufmann Publishers. https://books.google.com.tr/books?hl=tr&lr=&id=b3ujBQAAQBAJ&oi=fnd&pg=PP1&dq=Quinlan, +J.R.,+(1993),+C4.5:+Programs+for+Machine+Learning&ots=sQ5rUSGsIa&sig=CTAvmOwlwJTqx YOIZxlS2e0Q8Ww&redir_esc=y#v=onepage&q=Quinlan%2C%20J.R.%2C%20(1993)%2C%20C4.5 %3A%20Programs%20for%20Machine%20Learning&f=false adresinden erişildi.
- Raczko, E. ve Zagajewski, B. (2017). Comparison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyperspectral APEX images. European Journal of Remote Sensing, 50(1), 144-154. doi:10.1080/22797254.2017.1299557
- Saarela, M., Yener, B., Zaki, M. J. ve Karkkainen, T. (2016). Predicting math performance from raw largescale educational assessments data: A machine learning approach. 33 rd International Conference on Machine Learning, MLR Workshop and Conference Proceedings içinde (s 1-8). New York City, USA.
- Sadıç, A. ve Çam, A. (2015). 8. sınıf öğrencilerinin epistemolojik inançları ile PISA başarıları ve fen ve teknoloji okuryazarlığı. Bilgisayar ve Eğitim Araştırmaları Dergisi, 3(5), 18-49. http://www.dergipark.ulakbim.gov.tr/jcer adresinden erişildi.
- Satıcı, K. (2008). PISA 2003 sonuçlarına göre matematik okuryazarlığını etkileyen faktörler: Türkiye ve Hong Kong-Çin (Yayımlanmamış yüksek lisans tezi). Balıkesir Üniversitesi, Balıkesir.
- Savaş, E., Taş. S. ve Duru, A. (2010). Factors affecting students’ achievement in mathematics. Inonu University Journal of The Faculty of Education, 11(1), 113-132. http://dergipark.gov.tr/download/article-file/92276 adresinden erişildi.
- Seyman, M. N. ve Taşpınar, N. (2009). Çok katmanlı yapay sinir ağları kullanarak OFDM sistemlerinde kanal dengeleme. 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09) içinde (s. 630-633). Karabük, Türkiye.
- Shah, A. S., Shah, M., Fayaz, M., Wahid, F., Khalid Khan, H. ve Shah, A. (2017). Forensic analysis of offline signatures using multilayer perceptron and random forest. International Journal of Database Theory and Application, 10(1), 139-148. doi:10.14257/ijdta.2017.10.1.13. https://www.researchgate.net/profile/Abdul_Salam_Shah/publication/313477318_Forensic_Analy sis_of_Offline_Signatures_Using_Multilayer_Perceptron_and_Random_Forest/links/589c0e13aca 2721ae1b7b20c/Forensic-Analysis-of-Offline-Signatures-Using-Multilayer-Perceptron-andRandom-Forest.pdf adresinden erişildi.
- Shaw, M. J., Subramaniam, C, Tan, G. W. ve Welge, M. E. (2001). Knowledge management and data mining for marketing. Decision Support Systems, 1(31), 127-137. doi:10.1016/S0167-9236(00)00123-8. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.87.1196&rep=rep1&type=pdf adresinden erişildi.
- Shichkin, A. V, Buevich, A. G. ve Sergeev, A. P. (2018). Comparison of artificial neural network, random forest and random perceptron forest for forecasting the spatial impurity distribution. Mathematical Methods and Computational Techniques in Science and Engineering II AIP Conference Proceedings içinde (s. 020005-1-020005-7). doi:10.1063/1.5045411. https://aip.scitation.org/doi/abs/10.1063/1.5045411 adresinden erişildi.
- Şentürk, B. (2010). İlköğretim beşinci sınıf öğrencilerinin genel başarıları, matematik başarıları, matematik dersine yönelik tutumları ve matematik kaygıları arasındaki ilişki (Yayımlanmamış yüksek lisans tezi). Afyon Kocatepe Üniversitesi, Afyon.
- Tanju, E. H. (2010). Çocuklarda kitap okuma alışkanlığına genel bir bakış. Aile ve Toplum, 11(6), 31-39. https://dergipark.org.tr/en/download/article-file/197991 adresinden erişildi.
- Tatar, E. ve Soylu, Y. (2006). Okuma-anlamadaki başarının matematik başarısına etkisinin belirlenmesi üzerine bir çalışma. Kastamonu Eğitim Dergisi, 14(2), 503-508.
- Tepehan, T. (2011). Türk öğrencilerinin PISA başarılarının yordanmasında yapay sinir ağı ve lojistik regresyon modeli performanslarının karşılaştırılması (Yayımlanmamış doktora tezi). Hacettepe Üniversitesi, Ankara.
- Toprak, E. (2017). Yapay sinir ağı, karar ağaçları ve ayırma analizi yöntemleri ile PISA 2012 matematik başarılarının sınıflandırılma performanslarının karşılaştırılması (Yayımlanmamış doktora tezi). Hacettepe Üniversitesi, Ankara.
- Türkan, A., Üner S. S. ve Alcı, B. (2015). 2012 PISA matematik testi puanlarının bazı değişkenler açısından incelenmesi. Ege Eğitim Dergisi, 16(2), 358-372. doi:10.12984/eed.68351. https://www.researchgate.net/publication/290958106_2012_Pisa_Matematik_Testi_Puanlarinin_B azi_Degiskenler_Acisindan_Incelenmesi adresinden erişildi.
- Uysal, E. ve Yenilmez, K. (2011). Sekizinci sınıf öğrencilerinin matematik okuryazarlığı düzeyi. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 12(2), 1-15. http://dergipark.gov.tr/ogusbd/issue/11000/131632 adresinden erişildi.
- Ünal Çoban, G. ve Ergin, Ö. (2008). İlköğretim öğrencilerinin bilimsel bilgiye yönelik görülerini belirleme ölçeği. İlköğretim Online, 7(3), 706-716. http://ilkogretim-online.org.tr/ adresinden erişildi.
- Üredi, I. ve Üredi, L. (2005). İlköğretim 8. sınıf öğrencilerinin öz-düzenleme stratejileri ve motivasyonel inançlarının matematik başarısını yordama gücü. Mersin Üniversitesi Eğitim Fakültesi Dergisi, 1(2), 250-260. http://dergipark.gov.tr/download/article-file/161017 adresinden erişildi.
- Yeh, I. C. (1998). Modeling of strength of high-performance concrete using artificial neural networks. Cement and Concrete Research, 28(12), 1797-1808. doi:10.1016/S0008-8846(98)00165-3. https://www.researchgate.net/publication/222447231_Modeling_of_Strength_of_HighPerformance_Concrete_Using_Artificial_Neural_Networks_Cement_and_Concrete_research_281 2_1797-1808 adresinden erişildi.
- Yıldız, A. ve Baltacı, S. (2016). İlköğretim matematik öğretmen adaylarının geometrik olasılık problemlerini çözme süreçlerinin analitik düşünme bağlamında incelenmesi. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, 1(39), 91-111. https://dergipark.org.tr/en/pub/maeuefd/issue/24654/260770 aadresinden erişildi.
- Yılmaz, E. T. (2006). Uluslararası öğrenci başarı değerlendirme programı (PISA)’nda Türkiye’deki öğrencilerin matematik başarılarını etkileyen faktörler (Yayımlanmamış yüksek lisans tezi). Hacettepe Üniversitesi, Ankara.
- Yücel, Z. ve Koç, M. (2011). The relationship between the prediction level of elementary school students’ math achievement by their math attitudes and gender. Elementary Education Online, 10(1), 133-143. http://ilkogretim-online.org.tr/ adresinden erişildi.
- Ziya, E. (2008). Uluslararası öğrenci başarı değerlendirme programına (PISA 2006) göre Türkiye'deki öğrencilerin matematik başarılarını etkileyen bazı faktörler (Yayımlanmamış yüksek lisans tezi). Hacettepe Üniversitesi, Ankara.
APA | bezek güre ö, KAYRI M, Erdogan F (2020). PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. , 393 - 415. 10.15390/EB.2020.8477 |
Chicago | bezek güre özlem,KAYRI MURAT,Erdogan Fevzi PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. (2020): 393 - 415. 10.15390/EB.2020.8477 |
MLA | bezek güre özlem,KAYRI MURAT,Erdogan Fevzi PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. , 2020, ss.393 - 415. 10.15390/EB.2020.8477 |
AMA | bezek güre ö,KAYRI M,Erdogan F PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. . 2020; 393 - 415. 10.15390/EB.2020.8477 |
Vancouver | bezek güre ö,KAYRI M,Erdogan F PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. . 2020; 393 - 415. 10.15390/EB.2020.8477 |
IEEE | bezek güre ö,KAYRI M,Erdogan F "PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi." , ss.393 - 415, 2020. 10.15390/EB.2020.8477 |
ISNAD | bezek güre, özlem vd. "PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi". (2020), 393-415. https://doi.org/10.15390/EB.2020.8477 |
APA | bezek güre ö, KAYRI M, Erdogan F (2020). PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. Eğitim ve Bilim, 45(202), 393 - 415. 10.15390/EB.2020.8477 |
Chicago | bezek güre özlem,KAYRI MURAT,Erdogan Fevzi PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. Eğitim ve Bilim 45, no.202 (2020): 393 - 415. 10.15390/EB.2020.8477 |
MLA | bezek güre özlem,KAYRI MURAT,Erdogan Fevzi PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. Eğitim ve Bilim, vol.45, no.202, 2020, ss.393 - 415. 10.15390/EB.2020.8477 |
AMA | bezek güre ö,KAYRI M,Erdogan F PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. Eğitim ve Bilim. 2020; 45(202): 393 - 415. 10.15390/EB.2020.8477 |
Vancouver | bezek güre ö,KAYRI M,Erdogan F PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi. Eğitim ve Bilim. 2020; 45(202): 393 - 415. 10.15390/EB.2020.8477 |
IEEE | bezek güre ö,KAYRI M,Erdogan F "PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi." Eğitim ve Bilim, 45, ss.393 - 415, 2020. 10.15390/EB.2020.8477 |
ISNAD | bezek güre, özlem vd. "PISA 2015 Matematik Okuryazarlığını Etkileyen Faktörlerin Eğitsel Veri Madenciliği ile Çözümlenmesi". Eğitim ve Bilim 45/202 (2020), 393-415. https://doi.org/10.15390/EB.2020.8477 |