Türkiye’de İlköğretim Matematik Öğretmeni Adaylarının Lisansüstü Eğitime Yönelik Tutumları ve Diğer Bileşenlerin Bulanık Mantık ile Değerlendirilmesi

Year 2017, Issue: 1, 109 - 117, 01.04.2017

Elif Bahadır

Abstract

Bir kültür çalışanı olarak değerlendirilen öğretmenlerin niteliklerini arttırmak için günümüzde diğer alanlarda olduğu gibi eğitim alanında da gereklilik gibi görülen lisansüstü eğitim, geçmiş dönemlere nazaran daha önemli hale gelmiştir. Öğretmen adayların lisansüstü eğitime dair tutumları bu bağlamda oldukça önemlidir. Lisansüstü eğitime girişte lisans mezuniyet ortalamaları ve ‘akademik personel ve lisansüstü eğitimi giriş sınavı’ puanları ağırlıklı olarak dikkate alınmaktadır. Araştırmamızda bu verilerin yanında öğretmen adaylarının tutumlarını da dikkate alarak, lisansüstü eğitime girişte bütün bu bileşenlerin bulanık mantık tabanlı bir değerlendirme ile yorumlanmasına yer verilmektedir. Bu çalışmada, öğrencilerin lisansüstü eğitime yönelik tutumlarının belirlenmesinde ‘Lisansüstü Tutum Ölçeği’ ile elde edilmiş sonuçlar yanı sıra öğretmen adaylarının lisans mezuniyet ortalamaları ve ‘Akademik Personel ve Lisansüstü Eğitimi Giriş Sınavı’ puanları da dikkate alınarak lisansüstü eğitime uygun öğrencilerin değerlendirmesi, bulanık mantık kurallarıyla gerçekleştirilmiştir. Çalışma 155 ilköğretim matematik öğretmenliği öğrencisi ile yürütülmüştür. %80.77’lik genel öngörü oranı ile sınıflama yapılmıştır. Öğretmen adaylarının tutum puanları ve eldeki diğer verilerin değerlendirmesi bulanık mantık yöntemi ile yapılmış ve bu yaklaşımla daha etkin ve doğru sonuçlara ulaşılabileceği gösterilmiştir

Keywords

Bulanık mantık, Lisansüstü eğitim, Tutum

Evaluating the Attitudes of Prospective Elementary School Mathematics Teachers Towards Postgraduate Education in Turkey and Other Components with Fuzzy Logic

Abstract

Postgraduate education, which is regarded as necessary in the field of education in order to improve the qualifications of teachers seen as culture workers, has become more important than it used to be. In this context, the attitudes of prospective teachers toward pursuing a postgraduate education are crucial. In this study, all of the components, including grades, scores and the attitudes of prospective teachers were interpreted by a fuzzy logic-based evaluation for admission to postgraduate education. The attitudes of the underpostgraduate students towards postgraduate education were determined according to ‘the Postgraduate Attitude Scale’. The students’ four year college grade point averages and ‘academic personnel and postgraduate education entrance exam’ scores were also taken into account, and their eligibility for postgraduate education was assessed by using fuzzy logic rules. The study was conducted with 155 prospective teachers who were underpostgraduate students in the program of mathematics teaching for elementary school. During the study, after the test operation was done with one-third of the data, an 80.77% result of the general prediction rate was obtained. These results were further analyzed in detail, and 76 out of 96 students who were eligible for postgraduate education and 48 out of the 59 remaining students were predicted correctly. The data obtained from the study was assessed using fuzzy logic methods, and this approach has proven to reach more effective and accurate results

Keywords

Fuzzy logic, Postgraduate education, Attitude

References

• Alabaş, R. (2011). Social studies teachers’ conception of postgraduate education preferences and its contribution to their professions. Procedia-Social and Behavioural Sciences, 15, 2897-2901. Retrieved from http://dx.doi.org/10.1016/j. sbspro.2011.04.210
• Alabaş, R., Kamer, T., & Polat, Ü. (2012). Öğretmenlerin kariyer gelişimlerinde lisansüstü eğitim: Tercih sebepleri ve süreçte karşılaştıkları sorunlar. E-International Journal of Educational Research, 3(4), 89-107.
• Allen, I. E., & Seaman, J. (2005). Growing by degrees: Online education in the United States, 2005. Needham, MA: Sloan Consortium. Retrieved from http://files.eric.ed.gov/fulltext/ ED530062.pdf
• Altaş İ. H. & Sharaf A. M. (1992). A Fuzzy Logic Power Tracking Controller For A Photovoltaic Energy Conversion Scheme. Electric Power Systems Research Journal, 25(3), 227-238.
• Akiyama, T., & Tsuboi, H. (1996). Description of route choice behaviour by multi-stage fuzzy reasoning. Proceedings of the Highways to the Next Century Conference, Hong Kong, pp. 739-746.
• Al-Hazmi, S. (2003). EFL teacher preparation programs in Saudi Arabia: Trends and challenges. Tesol Quarterly, 37(2), 341-344.
• Arı E, & Vatansever F. (2009). Bulanık mantık tabanlı mesleki yönlendirme. 5. Uluslararası İleri Teknolojiler Sempozyumu (İATS’09), 13-15 Mayıs 2009, Karabük, Türkiye Retrieved from http://iats09.karabuk.edu.tr/press/bildiriler_pdf/iats09_01- 99_788.pdf
• Arıcı, H. (2001). Sosyal bilimler alanında bilim adamı yetiştirme: Lisansüstü eğitim. Bilim Adamı Yetiştirme: Lisansüstü Eğitim (TÜBA, Bilimsel Toplantı Serileri: 7). Ankara: Tübitak Matbaası.
• Anastasi, A. & Urbina, S. (1997). Psychological testing. Upper Saddle River, N. J: Prentice Hall.
• Aslan, C. (2010). Türkçe eğitimi programlarında lisansüstü öğrenim gören öğrencilerin akademik özyeterliklerine ilişkin görüşleri. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, 10(19), 87–115.
• Barros, B. & Verdejo, M. F. (1999). An approach to analyse collaboration when shared structured workspaces are used for carrying out group learning processes in Proc. AIED’99 (Vivet & Lajoie Eds), Le Mans, 449-456.
• Berry, B., Daughtrey, A., & Wieder, A. (2010). Preparing to Lead an Effective Classroom: The Role of Teacher Training and Professional Development Programs. CTQ Center for Teaching Quality. Retrieved from http://files.eric.ed.gov/fulltext/ ED509718.pdf
• Capaldo, G., & Zollo, G. (2001). Applying fuzzy logic to personnel assessment: a case study. Omega: The International Journal of Management Science, 29(6), 585–597. Retrieved from http:// doi.org/10.1016/S0305-0483(01)00047-0
• Chua, S. C., Lim, H. S., Oh, T. H., & Pang, S. Y. (2013). On the possibility of fuzzy method and its mathematical framework in OBE measurements. Knowledge-Based Systems, 37, 305-317.
• Chang, Y. H., & Yeh, C. H. (2002). A survey analysis of service quality for domestic airlines. European Journal of Operational Research, 139, 166–177.
• Chen, L. S., & Cheng, C. H. (2005). Selecting IS Personnel Use Fuzzy GDSS Based on Metric Distance Method. European Journal of Operational Research, 160, 803-820.
• Çepni, S., & Küçük, M. (2002). Fen bilgisi öğretmenlerinin eğitim araştırmaları hakkındaki düşünceleri. V. Ulusal Fen Bilimleri ve Matematik Eğitimi Kongresi (16–18 Eylül), ODTÜ Kültür ve Kongre Merkezi, Ankara.
• Çoklar, A. N., & Kılıçer, K. (2007). Lisansüstü eğitimde alternatif çözümler: Sanal platformlar. III. Lisansüstü Eğitim Sempozyumu. Eskişehir: Anadolu Üniversitesi Eğitim Bilimleri Enstitüsü.
• Daskalogianni, K., & Simpson, A. (2000). Towards a definition of attitude: The relationship between affective and cognitive in pre-university students. In Nakahara T., and Koyama M. (Eds.), Proceedings of the 24th conference of the international group for the psychology of mathematics education (pp. 217-224), Vol. 2, Hirishima, Japan.
• Di Martino, P. & Sabena, C. (2011). Elementary pre-service teachers’ emotions: Shadows from the past to the future. In Kislenko K. (Ed.), Proceedings of MAVI 16 Conference: Current State of Research on Mathematical Beliefs XVI (pp. 89-105).
• Tallin, Estonia: Tallinn University of Applied Sciences. Dweiri, F. T., & Kablan, M. M. (2006). Using fuzzy decision making for the evaluation of the project management internal efficiency. Decision Support Systems, 42(2), 712-726.
• Dülger, Ö. (2014). Hiyerarşik uyarlanabilir ağ tabanlı bulanık çıkarım sistemi kullanılarak matematik 1 dersi başarı tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 20(5), 166-173. Retrieved from http://www.abstractagent.com/ home/jvi.asp?pdir=pajes&plng=tur&un=PAJES-35220
• Farooq, M. S., & Shahzadi, N. (2006). Effect of teachers professional education on students’achievement in Mathematics. Bulletin of Education & Research, 28(1), 47-55.
• Fourali, C. (1997). Using fuzzy logic in educational measurement: the case of portfolio assessment. Evaluation & Research in Education, 11(3), 129–148.
• Gravani, M. N., Hadjileontiadou, S. J., Nikolaidou, G. N., & Hadjileontiadis, L. J. (2007). Professional learning: A fuzzy logic-based modeling approach. Learning and Instruction, 17(2), 235-252.
• Güner, N., & Çomak, E. (2011). Mühendislik Öğrencilerinin Matematik 1 Derslerindeki BaşArisının Destek Vektör Makineleri Kullanılarak Tahmin Edilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 17(2), 87-96.
• Güney, S., & Bozkurt, R. (2012). The Problems and Ethical Attitudes of Accounting Professionals Toward Accounting Errors and Frauds: A Model Practice in City of Erzurum. International Journal of Business and Social Science, 3(20) (Special Issue – October 2012), 255-268 Retrieved from http://ijbssnet.com/ journals/Vol_3_No_20_Special_Issue_October_2012/29.pdf
• Gökmen, G., Akıncı, T. Ç., Tektaş, M., Onat, N., Koçyiğit, G., & Tektaş, N. (2010). Evaluation of student performance in laboratory applications using fuzzy logic. Procedia-Social and Behavioral Sciences, 2(2), 902-909.
• Hadjileontiadou, S. J., & Hadjileontiadis, L. J. (2003). Using ANFIS to efficiently model skills and beliefs in computer-mediated collaboration. InProceedings of the 1st Balkan Conference in Informatics. Thessaloniki: Greece.
• Hadjileontiadou, S. J., Nikolaidou, G. N., Hadjileontiadis, L. J., & Balafoutas, G. N. (2004). On enhancing on-line collaboration using fuzzy logic modeling. Journal of Educational Technology & Society, 7(2), 68-81.
• Hannula, M. S. (2007). Finnish research on affect in mathematics: blended theories, mixed methods, and some findings. Zentralblatt für Didaktik der Mathematik (ZDM), 39(3), 197- 203.
• Henn V. (2000). Fuzzy Route Choice Model for Traffic Assignment. Fuzzy Sets and Systems, 116(1), 77-101
• Herrera, F., Lopez, E., Mendana, C., & Rodriguez, A. M. (2001). A Linguistic Decision Model for Personnel Management Solved with A Linguistic Biobjective Genetic Algorithm. Fuzzy Sets and Systems, 118, 47-64.
• Hoban, G. F. (2002). Teacher learning for educational change: A systems thinking approach. Buckingham: Open University Press.
• Hu, Y. C. (2009). Fuzzy multiple-criteria decision making in the determination of critical criteria for assessing service quality of travel websites. Expert Systems with Application, 36, 6439–6445.
• John, P. D., & Gravani, M. N. (2005). Evaluating a ‘new’ in-service professional development program in Greece: the experiences of tutors and teachers. Journal of In-service Education, 31(1), 105e129.
• Johnson, G., & Howell, A. (2005). Attitude toward instructional technology following required versus optional WebCT usage. Journal of Technology and Teacher Education, 13(4), 643-654.
• Kolasa, B. J. (1979). İşletmeler için davranış bilimlerine giriş (Çev: Tosun K.). İstanbul: Fatih Yayınevi.
• Kara, F. (2008). Matematik öğretmenlerinin lisansüstü eğitim deneyimleri ve okul yaşantılarına yansımaları. Yayınlanmamış yüksek lisans tezi, Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Trabzon.
• Karakütük, (1999). Lisansüstü öğretimde örgütlenme modelleri ve Türkiye’deki uygulamalar. 6. Ulusal Sosyal Bilimler Kongresi, 17-19 Kasım, Ankara. s. 15
• Karsak, E. E. (2001). Personnel selection using a fuzzy MCDM approach based on ideal and anti-ideal solutions. Multiple Criteria Decision Making in the New Millennium, Lecture Notes in Economics and Mathematical Systems. Berlin: Springer. pp. 393-402.
• Kazu, İ. Y., & Özdemir, O. (2009). Öğrencilerin bireysel özelliklerinin yapay zekâ ile belirlenmesi (bulanık mantık örneği). Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri, 11-13 Şubat 2009 Harran Üniversitesi, Şanlıurfa. pp. 457-466.
• Kavcic, A., Pedraza-Jiménez, R., Molina-Bulla, H., ValverdeAlbacete, F.J., Cid-Sueiro, J. & Navia-Vázquez, A. (2003). Student modelling based on fuzzy inference mechanisms. In
• Zajc, B. & Tkalcic, M. (eds), Proceeding of the IEEE Region 8 EUROCON 2003: computer as a tool. Piscataway: IEEE, cop. 2003, vol 2, pp. 379-383.
• Klir, G. J. (2006). Uncertainty and information: Foundations of generalized information theory. New Jersey: John Wiley & Sons, Inc. Retrieved from http://hbanaszak.mjr.uw.edu.pl/ TempTxt/Klir_2006_UncertaintyAndInformation.pdf
• Klir, G. J., & Yuan, B. (1995). Fuzzy sets and fuzzy logic: Theory and applications. London: Prentice Hall International.
• Li, K. K., Lai, L. L., & David, A. K. (2000). Stand alone intelligent digital distance relay. IEEE Transactions on Power Systems, 15(1), 137-142.
• Liu, C. C., Pierce, D., & Song, H. (1997). Intelligent system applications to power systems. IEEE Computer Applications in Power, 10(4), 21-22.
• Lo H. P, & Lam W. S. P. (1997). A Modified Multinomial Logit Model of Route Choice for Drivers Using the Transportation Information System. Proceedings of 9th Mini-EURO Conference (Yugoslav Operation Res. Society, Budva, Yugoslavia) pp. 295-299. Retrieved from http://www.iasi.cnr.it/ewgt/13conference/54_ lo.pdf
• Lykourentzou, I., Giannoukos, I., Mpardis, G., Nikolopoulos, V., & Loumos, V. (2009). Early and dynamic student achievement prediction in e-learning courses using neural networks. Journal of the American Society for Information Science and Technology, 60(2), 372-380.
• McGarrell, H. (2010). Native and non-native English speaking student teachers engage in peer feedback. Canadian Journal of Applied Linguistics, 13(1), 71-90.
• Moussu, L., & Llurda, E. (2008). Non-native English speaking English language teachers: History and research. Language Teaching, 41(3), 315-348.
• Mullier, D. J. (1999). The application of neural network and fuzzy logic techniques to educational hypermedia. PhD Thesis, Leeds Metropolitan University.
• Ören, F. Ş., Yılmaz, T., & Güçlü, M. (2012). Öğretmen adaylArinın lisansüstü eğitime yönelik görüşlerinin analizi. Eğitim ve Öğretim Araştırmaları Dergisi, 1(2), 189-201.
• Ruffell, M., Mason, J., & Allen, B. (1998). Studying attitude to mathematics. Educational Studies in Mathematics, 35(1), 1-18.
• Senemoğlu, N., & Özçelik, D. A. (1989). Öğretmen adaylArina “öğretmenlik bilgisi” kazandırma bakımından fen-edebiyat ve eğitim fakültelerinin etkililiği. Çağdaş Eğitim Dergisi, 142, 18-21.
• Smithson, M. J. (1987). Fuzzy set analysis for the behavioral and social sciences (Recent Research in Psychology). New York: Springer-Verlag.
• Şen, S. (2003). Okul öncesi eğitim kurumlarında görev yapan öğretmenlerin eğitim gereksinimlerinin saptanması, hizmetiçi eğitim ile yetiştirilmesi. Eğitim Araştırmaları, 13, 111-121.
• Taylan, O., & Karagözoğlu, B. (2009). An adaptive neuro-fuzzy model for prediction of student’s academic performance. Computers & Industrial Engineering, 57(3), 732-741.
• Tunç, B., & Güven, İ. (2007). Lisansüstü öğretim öğrencilerinin akademik sorunları (Ankara Üniversitesi Eğitim Bilimleri Enstitüsü örneği). Milli Eğitim Dergisi, 173, 157-172.
• Uras, M., & Kunt, M. (2005). Öğretmen adaylarının öğretmenlik mesleğinden beklentileri ve beklentilerinin karşılanmasının umma düzeyleri. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 19(1), 71-83
• Ünal, Ç., & İlter, İ. (2010). Sınıf öğretmeni adaylarının lisansüstü eğitime olan tutumları (Fırat, Erzincan ve İnönü Üniversitesi Sınıf Öğretmenliği ABD örneği). Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 14(2), 1-18.
• Varış, F. (1973). Türkiyede lisansüstü eğitim: Sosyal bilimlerde. Ankara: Kalite Matbaası.
• Voskoglou, M. G. (2013). Fuzzy Logic as a tool for assessing students’ knowledge and skills. Education Sciences, 3(2), 208- 221.
• Yaşar, Ş. (2000). Bir meslek olarak öğretmenlik: Öğretmenlik mesleğine giriş, (Ed. Sözer E.). Eskişehir: Anadolu Üniversitesi Açıköğretim Fakültesi Yayınları.
• Yıldız, O., Bal, A., & Gulsecen, S. (2013). Improved fuzzy modeling to predict the academic performance of distance education students. The International Review of Research in Open and Distributed Learning, 14(5). Retrieved from http://www.irrodl. org/index.php/irrodl/article/view/1595/2716
• Zafra, A., & Ventura, S. (2009). Predicting student grades in learning management systems with multiple instances genetic programming. Educational Data Mining, 307-314. Retrieved from http://www.educationaldatamining.org/EDM2009/uploads/ proceedings/zafra.pdf