The Use of Artificial Neural Networks in Classifying the Average Grade of Science Teachers’ Candidates

Yıl 2019, Cilt: 8 Sayı: 22, 143 - 159, 15.04.2019

Nesibe Yorgancı , Nimet Işık

Öz

The aim of this research is to evaluate the use of artificial neural networks to classify multiple intelligence areas, working habits, age and gender variables and students’ grade averages from variables thought to affect students’ success. In the study, an artificial neural network model was used to classify students’ achievements. The group consists of 30 students who were in their 4th year in the 2016-2017 academic year. The group were students of Mehmet Akif Ersoy University in the department of science teacher. In the study, three data collection tools were used. First the demografic scale that evaluates a candidate’s age, gender and general grade point average. Second the study habits’ inventory which allows the evaluation of the working habits. And finally, a multiple intelligence inventory to identify the dominant intelligence’ areas. The collected data was computerized and prepared for analysis by a Matlab R2012a program. The prepared data was analyzed with the multilayer perceptron model from the artificial neural network models. In this study, which is a multi-layered perceptron network model from artificial neural network models, network structures formed by 142 input data and 9 output data, are examined. The aim is to find the network the least error is made between the data that is expected to form the network and the output data provided to the network by the researcher. According to the results, the least error occurred in the mesh containing 25 neurons in the hidden layer. When we look at the average of error squares, the results show 0.03 for education data set, 0.004 for validity data set, and 0.005 for test data set. As a result, students’ achievement can be classified by the artificial neural network model. In the study, the mean square error can be measured according to the used variables and the number of samples. For this reason, it is recommended that the study may be repeated in different samples with different variables 

Anahtar Kelimeler

Artificial Neural Networks, Multilayer Perceptron Model, Classification, Study Habits and General Grade Point Averages

Fen Bilgisi Öğretmen Adaylarının Genel Not Ortalamalarının Sınıflandırılmasında Yapay Sinir Ağlarının Kullanımı

Öz

Öz:

Yapay sinir ağları (YSA) ekonomi, tıp, turizm, mühendislik ve sanayi gibi alanlarda sıklıkla kullanılmaktadır. Eğitim alanında kullanımının ise son yıllarda artış gösterdiği görülmüştür. Bu nedenle yapılan bu çalışmada öğrenci başarısını etkileyebileceği düşünülen değişkenlerden baskın zekâ alanları, çalışma alışkanlıkları, cinsiyet ve yaş değişkenleri ile öğrencilerin genel not ortalamalarına göre sınıflandırılmasında YSA’nın kullanımı amaçlanmıştır. Araştırmada öğrencilerin sahip oldukları çalışma alışkanlıkları, baskın zekâ alanları ve yaş gibi değişkenleri ile genel not ortalamalarına göre sınıflandırılmasında yapay sinir ağı modeli kullanılmıştır. Araştırmanın örneklemini eğitim fakültesi Fen Bilgisi Öğretmenliği bölümünde lisans öğrenimi gören 30 dördüncü sınıf öğretmen adayı oluşturmaktadır. Çalışmada üç adet veri toplama aracı kullanılmıştır. İlk olarak adayların yaş, cinsiyet ve genel not ortalamalarının belirlenmesini sağlayan demografik ölçek, ikinci olarak sahip olunan çalışma alışkanlıklarını belirleyebilecek 60 maddeden oluşan bir çalışma alışkanlıkları envanteri kullanılmıştır. Ayrıca adayların baskın zekâ alanlarını belirlemek için de Gardner tarafından hazırlanan 80 maddelik çoklu zekâ envanteri verilerin toplanmasında kullanılan araçlardır. Çalışmada elde edilen veriler bilgisayar ortamına aktarılarak Matlab R2012a programıyla analize hazır hale getirilmiştir. Hazırlanan veriler ise YSA modellerinden Çok Katmanlı Algılayıcı ağ modeli yardımıyla analiz edilmiştir.Yapay sinir ağı modellerinden çok katmanlı algılayıcı ağ modelinin kullanıldığı bu çalışmada 142 giriş verisi ve 9 çıkış verisiyle oluşturulan ağ yapıları incelenmiştir. Burada amaç, ağın oluşturması beklenen veri ile araştırmacı tarafından ağa sunulan çıkış verisi arasında en az hatanın yapıldığı ağın bulunmasını sağlamaktır. Sonuçlara göre en az hata gizli katmanda 25 nöron bulunduran ağda meydana gelmiştir. Bu yapının hata kareler ortalamalarına bakıldığında eğitim veri seti için 0.03, geçerlilik veri seti için 0.004 ve test veri seti için de 0.005 olduğu görülmektedir. Sonuç olarak öğrencilerin yaş, cinsiyet, baskın zekâ alanları ve sahip oldukları çalışma alışkanlıkları ile genel not ortalamaları YSA modellerinden çok katmanlı algılayıcı ağ modeli yardımıyla sınıflandırılabilmektedir. Elde edilen hata kareler ortalamaları, kullanılan değişkenler ve örneklem sayısına göre farklılık gösterebileceğinden dolayı çalışmanın farklı gruplar üzerinde farklı değişkenlerle yinelenmesi tavsiye edilmektedir.

En Az 250 Kelimelik Özet

Anahtar Sözcükler: (En Az 3 Anahtar Sözcük)

Anahtar Kelimeler

Yapay Sinir Ağları, Çok Katmanlı Algılayıcı Model, Sınıflandırma, Çalışma Alışkanlıkları ve Genel Not Ortalamaları

Kaynakça

• Kitap, Dergi ve Makaleler: ANDERSON, Dave & MCNEILL, George, (1992), Artificial Neural Networks Technology, New York: Kaman Sciences Corporation. BAHADIR, Elif & ÖZDEMİR, Ahmet Şükrü, (2016), Akademik Başarı Tahmininde Yapay Sinir Ağları, Konya: Burç Yayınevi. BAİLEY, Regina, (13.10.2017), “Central Nervous System Function” https://www.thoughtco.com/central-nervous-system-373578 (26.12.2017) Bilim ve Sanat Terimleri Ana Sözlüğü, http://tdk.gov.tr/index.php?option=-com_bilimsanat&view=bilimsanat&kategoriget=terim&kelimeget=ba%C5%-9Far%C4%B1&hngget=md (Erişim: 15.06.2017) ÇIRAK, Gülçin & ÇOKLUK, Ömay, (2013), “Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması”, Mediterranean Journal of Humanities, III,2: 71-79. doi:10.13114/MJH/201322471 ELMAS, Çetin, (2016), Yapay Zeka Uygulamaları, Ankara: Seçkin Yayıncılık. ERGÜN, Uçman, SERHATLIOĞLU, Selami, HARDALAÇ, Fırat & GÜLER, İnan, (2004), “Classification of Carotid Artery Stenosis of Patients with Diabetes by Neural Network and Logistic Regression”, Computers in Biology and Medicine, XXXIV: 389-405. doi:10.1016/S0010-4825(03)00085-4 FIRAT , Mahmut & GÜNGÖR, Mahmud, (2004), “Aski Madde Konsantrasyonu ve Miktarinin Yapay Sinir Ağlari ile Belirlenmesi”, İMO Teknik Dergi, 3267-3282. GÜRSAKAL, Sevda, (2012), “PISA 2009 Öğrenci Başarı Düzeylerini Etkileyen Faktörlerin Değerlendirilmesi”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, XVII,1: 441-452. HOWELL, Robert M. & FOWLER, David, (1990), “A Neural Network as an Instrument of Prediction”, Proceedings of the Annual Symposium on Computer Application in Medical Care, 299-302. İBRAHİM, Zaidah, & RUSLİ, Daliela, (2007), “Predicting Students’ Academic Performance: Comparing Artificial Neural Network, Decision Tree and Linear Regression” 21st Annual SAS Malaysia Forum, 1-6, Kuala Lumpur. KAMRUZZAMAN, Joarder, SARKER, Ruhul A., & BEGG, Rezaul K., (2006),Artificial Neural Networks in Finance and Manufacturing, Idea Group Publishing. MOUSTRİS, K. P., NASTOS, P. T., LARİSSİ, I. K. & PALİATSOS, A. G., (2012), “Application of Multiple Linear Regression Models and Artificial Neural Networks on the Surface Ozone Forecast in the Greater Athens Area, Greece”, Hindawi Publishing Corporation Advances in Meteorology, 2012:1-8. doi:10.1155/2012/894714 OLADOKUN, V. O., ADEBANJO, A. T. & CHARLES-OWABA, O. E., (2008),“Predicting Students’ Academic Performance using Artificial Neural Network: A Case Study of an Engineering Course”, The Pacific Journal of Science and Technology, IX,1: 72-79. ORAL, Behçet, (2001), “Branşlarına Göre Üniversite Öğrencilerinin Zeka Alanlarının İncelenmesi”, Eğitim ve Bilim, XXVI, 122: 19-31. ÖZER, Yeşim & ANIL, Duygu, (2011), “Öğrencilerin Fen ve Matematik Başarılarını Etkileyen Faktörlerin Yapısal Eşitlik Modeli ile İncelenmesi” Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 41:313-324. ÖZTEMEL, Ercan, (2016), Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık. RUSSELL, Stuart & NORVIG, Peter, (2010), Artificial Intelligence A Modern Aproach, New Jersey: Pearson Education. SNYDER, R. F, (2000), “The Relationship between Learning Styles/Multiple Intelligences and Academic Achievement of High School Students”, The High School Journal, LXXXIII,2: 11-20. ŞİRİN, Selçuk R., (2005), “Socioeconomic Status and Academic Achievement: A Meta-Analytic Review of Research”, Review of Educational Research, LXXV,3: 417-453. TU, Jack V., (1996), “Advantages and Disadvantages of Using Artificial Neural Networks versus Logistic Regression for Predicting Medical Outcomes”, J Clin Epidemiol, XLIX,11: 1225-1231. doi:10.1016/S0895-4356(96)00002-9 WONGKHAMDİ, Thipsuda & SERESANGTAKUL, Pusadee, (2010), “A Comparison of Classical Discriminant Analysis and Artificial Neural Networks in Predicting Student Graduation Outcomes” Proceedings of the Second Conference on Knowledge and Smart Technologies, 29-34. Tezler: ATILGAN, Mehmet (1998), Üniversite Öğrencilerinin Ders Çalışma Alışkanlıkları ile Akademik Başarılarının Karşılaştırılması. (Yayımlanmamış Yüksek Lisans Tezi) Gaziantep Üniversitesi Sosyal Bilimler Enstitüsü, Gaziantep. BAHADIR, Elif (2013), Yapay Sinir Ağları ve Lojistik Regresyon Analizi Yaklaşımları ile Öğretmen Adaylarının Akademik Başarılarının Tahmini. (Yayımlanmamış Doktora Tezi) Marmara Üniversitesi Eğitim Bilimleri Enstitüsü, İstanbul. KAYA, Mesude (2001), Lise 1. Sınıf Öğrencilerine Verimli Ders Çalışma Alışkanlıkları Kazandırmada Grup Rehberliğinin Etkisi. (Yayımlanmamış Yüksek Lisans Tezi) İnönü Üniversitesi Sosyal Bilimler Enstitüsü, Malatya TOSUN, Süleyman (2007), Sınıflandırmada Yapay Sinir Ağları ve Karar Ağaçları Karşılaştırılması: Öğrenci Başarıları Üzerine Bir Uygulama. (Yayımlanmamış Yüksek Lisans Tezi) İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul. YURTOĞLU, Hasan (2005), Yapay Sinir Ağı Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği. (Uzmanlık Tezi) Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü