Veri Madenciliği ile Türk Eğitim Sistemi Üzerine Bir Çoklu Perspektif Analizi

Year 2025, Volume: 25 Issue: 1, 533 - 557

Akın Metli

https://doi.org/10.17240/aibuefd.2025..-1426676

Abstract

Bu çalışmada “Transformers”tan Çift Yönlü Kodlayıcı Gösterimler (BERT - Bidirectional Encoder Representations from Transformers) tabanlı konu analizi yöntemleri ile eğitim felsefesi, eğitim politikası ve eğitimde ölçme ve değerlendirme konularındaki metinler incelenerek literatüre katkıda bulunulması amaçlanmaktadır. Bu çalışma, Ulusal Tez Merkezinde (UTM) yer alan, eğitim ve öğretim alanındaki yüksek lisans ve doktora tezlerinin incelendiği, BERT tabanlı konu analizi kullanılarak gerçekleştirilen ilk kapsamlı araştırmadır. Geleneksel konu analizi yöntemlerinden farklı olarak, BERT'in derin anlam temsilleri kullanılarak belgelerdeki konuların daha zengin ve hassas bir şekilde anlaşılması amaçlanmıştır. Çalışma, UTM’den alınan tez özetlerinden yola çıkılarak yapılan konu analizi ile elde edilen 8 farklı konu (topic), eğitim alanında geniş bir konu yelpazesini kapsayan çeşitli temaları ortaya koymaktadır. Osmanlı tarihi, sanat eğitimi, deneysel gruplar, uzaktan eğitim, pandemi etkisi, eğitim bütçesi, müzik eğitimi, dil değerlendirmesi, Avrupa Birliği ile ilişkiler gibi farklı başlıkların, eğitim araştırmalarındaki zenginliği yansıttığı görülmüştür. Bu çalışmanın sonuçları, eğitim felsefesi, eğitim politikası ve eğitimde ölçme ve değerlendirme arasındaki bağlantıları ortaya çıkarma açısından ve alan yazınına bu temel konular ile ilişkili alt birimleri ortaya çıkarma konusunda katkı sağlaması açısından önem taşımaktadır.

Keywords

Eğitim Felsefesi, Eğitim Politikası, Ölçme ve Değerlendirme, Topic Model, Doğal Dil İşleme

A Multiple Perspective Analysis on the Turkish Education System through Data Mining

Abstract

This study aims to make a significant contribution to the literature by examining texts on philosophy of education, education policy and assessment and evaluation in education using (BERT - Bidirectional Encoder Representations from Transformers) based subject analysis methods. This study is the first comprehensive research conducted using BERT-based topic analysis, examining master's and doctoral theses in the field of education and training at the National Thesis Center (UTM). Unlike traditional topic analysis methods, BERT aims to provide a richer and more precise understanding of the topics in the documents by using deep meaning representations. Eight different topics obtained through topic analysis based on thesis summaries taken from UTM reveal various themes covering a wide range of subjects in the field of education. The study revealed that different topics such as Ottoman history, art education, experimental groups, distance education, pandemic effect, education budget, music education, language evaluation, relations with the European Union reflect the richness in educational research. The results of this study will contribute to revealing the patterns and subunits between educational philosophy, educational policy and assessment and evaluation in education.

Keywords

Philosophy of Education, Educational Policy, Assessment and Evaluation, Topic Model, Natural Language Processing

References

• Akıncı, S. (2013). Keman Eğitimine, Öğrenmenin Geliştirilmesini Sağlayan Koşullar Açısından Bakışı, Marmara Üniversitesi Atatürk Eğitim Fakültesi Eğitim Bilimleri Dergisi, 10(10), 1-10.
• Aslan, A., K. (2001). Eğitimin toplumsal temelleri, Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(5), 16-30.
• Atagün, E., Hartoka, B., ve Albayrak, A., (2024). Topic Modeling Using LDA and BERT Techniques: Teknofest Example, içinde 2021 6th International Conference on Computer Science and Engine-ering (UBMK), IEEE, 2021, 660-664. Erişim: 07 Ocak 2024. [Çevrimiçi]. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/9558988/
• Başaran, E. (1978). Eğitime Giriş, Ankara: Bimaş Matbaacılık. Chang, I.-C., Yu, T.-K., Chang, Y.-J., ve Yu, T.-Y. (2021). Applying text mining, clustering analysis, and latent dirichlet allocation techniques for topic classification of environmental education jour-nals, Sustainability, 13(19), 10856.
• Chowdhary, K., ve Chowdhary, K. (2020). Natural language processing. Fundamentals of artificial intelligence, 603-649.
• Devlin, J., Chang, M. W., Lee, K., ve Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
• Dinçer, M. (2003). Eğitimin toplumsal değişme sürecindeki gücü, Ege Eğitim Dergisi, 3(1), Erişim: 10 Ocak 2024. [Çevrimiçi]. Erişim adresi: https://dergipark.org.tr/en/pub/egeefd/issue/4922/673 38
• Ergün, M. (1996). Eğitim felsefesi, Ankara. Ocak Yayınları, Erişim: 07 Ocak 2024. [Çevrimiçi]. Erişim https://www.academia.edu/download/75338964/Temel_Kavramlar_Egitim_Felsefesi_.pdf
• Ergün, M. (1994). Eğitim sosyolojisi, Ankara. Ocak Yayınları, Erişim: 13 Ocak 2024. [Çevrimiçi]. Erişim https://www.academia.edu/download/36219308/1987Egitim_sosyolojisi_Mustafa_Ergun.pdf
• Erol, N. (2011). Toplumsal değişme ve eğitim: temel ilişkiler, çelişkiler, tartışmalar, Gazi Akad. Bakış, 9, 109-122.
• Glazkova, A., (2021). Identifying Topics of Scientific Articles with BERT-Based Approaches and Topic Modeling, içinde Trends and Applications in Knowledge Discovery and Data Mining, 12705, M. Gupta ve G. Ramakrishnan, Ed., içinde Lecture Notes in Computer Science, 12705, Cham: Springer International Publishing, 98-105. doi: 10.1007/978-3-030-75015-2_10.
• Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794.
• Grootendorst, M. (2023). BERT Topic. The Algorithm. Erişim: 05 Ocak 2024, https://maartengr.github.io/BERTopic/algorithm/algorithm.html
• Güçlü, M. (2024) Eğitim felsefesi, Pegem Akademi, 2018, Erişim: 07 Ocak 2024. [Çevrimiçi]. Erişim adresi: https://depo.pegem.net/9786052414323.pdf
• Hotaman, D. (2017). Eğitim Programlarının Geliştirilmesinde Felsefenin Rolü, Mersin Üniversitesi Eğitim Fakültesi Dergisi, 13(2), doi: 10.17860/mersinefd.302409.
• Irmak, H., ve Satı, Z. E. (2024). Yapay Zekâ Yöntemleri ile Uzaktan Eğitimdeki Sorunların Tespiti ve Öğrencilerin Akademik Performanslarının Tahmin Edilmesi, Erişim: 07 Ocak 2024. [Çevrimiçi]. Erişim adresi: https://www.academia.edu/download/105447169/804910.pdf
• İnan, O. (2003). Veri Madenciliği. Yüksek Lisans Tezi. Konya: Selçuk Üniversitesi, Fen Bilimleri Enstitüsü.
• Kalıkov, A. (2006). Veri Madenciliği ve Bir E-Ticaret Uygulaması, Gazi Üniversitesi.
• Kapadia, S. (2019, a). Evaluate Topic Models: Latent Dirichlet Allocation (LDA). Published in Towards Data Science. https://towardsdatascience.com/evaluate-topic-model-in-python-latent-dirichlet-allocation-lda-7d57484bb5d0
• Kapadia, S. (2019, b). Topic Modeling in Python: Latent Dirichlet Allocation (LDA), Publ. Data Sci., [Çevrimiçi]. Erişim: https://towardsdatascience.com/end-to-end-topic-modeling-in-python-latent-dirichlet-allocation-lda-35ce4ed6b3e0
• Karakütük, K., Aksoy, H., ve Akçay, C. (1994). Eğitim yönetiminde değerlendirme süreci, Ankara Üniversitesi. Journal of Faculty of Educational Sciences, 27(1), 361-383.
• Kartal, Y. (2017). TOJDE Dergisi Üzerinde LDA ile Konu Modelleme. Yüksek Lisans Tezi. Eskişehir: Anadolu Üniversitesi, Fen Bilimleri Enstitüsü.
• Özçınar, H., ve Öztürk, T. (2022). Eğitim bilimleri çalışmalarında kullanılan ağ yaklaşımının kavramsal haritalanması. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 1-23.
• Park, E. (2021). Research trends in college English education in Korea-A topic analysis using LDA topic modeling. Korean Journal of General Education, 15(5), 169-183.
• Pedro, J. (2024). Understanding Topic Coherence Measures. Erişim. 07 Ocak 2024 [Çevrimiçi]. Erişim: https://towardsdatascience.com/understanding-topic-coherence-measures-4aa41339634c
• Robertson, S. (2004). Understanding inverse document frequency: on theoretical arguments for IDF, J. Doc., 60(5), 503-520.
• Röder, M., Both, A., ve Hinneburg, A. (2015). Exploring the space of topic coherence measures. Proceedings of the eighth ACM international conference on Web search and data mining.
• Savaş, S., Topaloğlu, N., ve YILMAZ, M. (2012). Veri madenciliği ve Türkiye’deki uygulama örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11(21), 1-23.
• Tosunoğlu, E., Yılmaz, R., Özeren, E., ve Sağlam, Z. (2021). Eğitimde makine öğrenmesi: Araştırmalardaki güncel eğilimler üzerine inceleme. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 3(2), 178-199.
• Ulubey, Ö., ve Aykaç, N. (2005). Türkiye Cumhuriyetin ilanından 2005’e eğitim felsefelerinin ilkokul programlarına yansıması, Mersin Üniversitesi Eğitim Fakültesi Dergisi, 13(3), 1173-1202.
• Silveira, R., Fernandes, C. G., Neto, J. A. M., Furtado, V., ve Pimentel Filho, J. E. (2021). Topic modelling of legal documents via legal-bert, Proc. Httpceur-Ws Org, 1613, 0073.
• YÖK. (2023). Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi/
• Zvornicanin, E. (2024). When Coherence Score Is Good or Bad in Topic Modeling? Erişim Tarihi: 10.06.2024 https://www.baeldung.com/cs/topic-modeling-coherence-score