Üniversite Öğrencilerinin Eleştirel Düşünme Profillerinin k-Means Kümeleme Algoritması ile Analizi

Abstract

Bu çalışma, üniversite öğrencilerinin eleştirel düşünme eğilimlerini analiz etmek amacıyla makine öğrenmesi yöntemlerinden k-Means kümeleme algoritması ve Elbow yöntemi kullanılarak gerçekleştirilmiştir. Araştırmada, 168 üniversite öğrencisine uygulanan eleştirel düşünme eğilimi ölçeği verileri analiz edilmiş ve öğrenciler benzer bilişsel özelliklerine göre kümelendirilmiştir. Elbow yöntemi ile optimum küme sayısı k=5 olarak belirlenmiş, ardından k-Means algoritması ile bu kümeler oluşturulmuştur. Analiz sonucunda, öğrencilerin eleştirel düşünme eğilimlerinin homojen bir şekilde dağılmadığı, belirli düşünsel özelliklerde kümelendiği ve bazı bireylerin aykırı değerlere sahip olduğu ortaya konmuştur. Ayrıca, kümelerin oluşumunu etkileyen en belirleyici sorular ve düşük etkiye sahip ifadeler belirlenmiş, bu sorular üzerinden kümelerin yapısı yorumlanmıştır. Elde edilen bulgular, öğrencilerin özgüven, planlı çalışma, veri toplama ve öz motivasyon gibi becerilerde farklılaşabildiğini göstermiştir. Kümeleme sonuçları, eğitim ortamlarında bireyselleştirilmiş öğrenme stratejileri geliştirmek ve öğrenci profillerine göre özelleştirilmiş eğitim uygulamaları tasarlamak için değerli bir temel sunmaktadır. Bu yönüyle çalışma, eleştirel düşünmenin ölçülmesinde yapay zeka destekli analizlerin kullanımına dair güçlü bir örnek teşkil etmektedir.

Keywords

• Eleştirel Düşünme
• Eğitimde Yapay Zeka
• Makine Öğrenmesi

Analysis of Critical Thinking Profiles of University Students with k-Means Clustering Algorithm

Abstract

This study aims to analyze university students' critical thinking dispositions using machine learning methods, specifically the k-Means clustering algorithm and the Elbow method. Data were collected from 168 university students through a critical thinking disposition scale, and students were clustered based on their cognitive similarities. The Elbow method determined the optimal number of clusters as k=5, and the k-Means algorithm was applied accordingly. The analysis revealed that students' critical thinking profiles were not homogeneously distributed; instead, they were concentrated within specific cognitive clusters, with some individuals exhibiting outlier characteristics. Furthermore, the most influential and least impactful items in forming the clusters were identified, offering insights into the structure of each cluster. The findings showed that students differed notably in competencies such as self-confidence, planning, data gathering, and self-motivation. The clustering results provide a valuable foundation for developing personalized learning strategies and designing educational interventions tailored to student profiles. In this respect, the study presents a strong example of how AI-supported analysis can be effectively applied to the measurement and interpretation of critical thinking skills in education.

Keywords

• Critical Thinking
• Artificial Intelligence in Education
• Machine Learning

References

1. Emir, S. (2012). Eğitim fakültesi öğrencilerinin eleştirel düşünme eğilimleri. HAYEF Journal of Education, 9(1), 34-57.
2. Ertaş Kılıç, H., Kılıç, H. E., & Şen, A. İ. (2014). UF/EMI Eleştirel Düşünme Eğilimi Ölçeğini Türkçeye Uyarlama Çalışması. Eğitim ve Bilim, 39(176). https://doi.org/10.15390/EB.2014.3632
3. Tunçer, E., & Sapancı, A. (2021). Ortaokul Matematik Öğretmenlerinin Eleştirel Düşünme Eğilim ve Uygulama Algıları Arasındaki İlişki. Asian Journal of Instruction (E-AJI), 9(2), 2. https://doi.org/10.47215/aji.1000040
4. Basmaz, I., & Kutlu, Ö. (2021). Eleştirel düşünme eğilimlerinin okuduğunu anlama, öğrenci, aile ve ev ortamı değişkenleri bağlamında incelenmesi. Dijital Ölçme ve Değerlendirme Araştırmaları Dergisi, 1(2), 100-118.
5. Çetin, H., & Sezgin, E. (2012). Eğitim fakültesi öğrencilerinin enformatik bilgi düzeylerinin k-Means algoritması ile gruplandırılması. Education Sciences, 7(1), https://doi.org/10.12739/10.12739
6. Özbay, Ö., & Ersoy, H. (2017). Öğrenme Yönetim Sistemi Üzerindeki Öğrenci Hareketliliğinin Veri Madenciliği Yöntemleriyle Analizi. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, 37(2), 2.
7. Erdoğmuş, P., Çolak, B., & Durdağ, Z. (2016). K-Means Algoritması İle Otomatik Kümeleme. El-Cezeri, 3(2), 2. https://doi.org/10.31202/ecjse.264195
8. Kayalı, S., & Savaş, S. (2024). Öğrencilerin Akademik Performanslarını Makine Öğrenmesi Teknikleriyle Değerlendiren Çalışmaların İncelenmesi. Gazi Journal of Engineering Sciences, 10(3), 3.

9. Mohamed Nafuri, A. F., Sani, N. S., Zainudin, N. F. A., Rahman, A. H. A., & Aliff, M. (2022). Clustering Analysis for Classifying Student Academic Performance in Higher Education. Applied Sciences, 12(19), 19. https://doi.org/10.3390/app12199467
10. Mulnıx, J. W. (2012). Thinking Critically about Critical Thinking. Educational Philosophy and Theory, 44(5), 464-479. https://doi.org/10.1111/j.1469-5812.2010.00673.
11. Renaud, R. D., & Murray, H. G. (2008). A comparison of a subject-specific and a general measure of critical thinking. Thinking Skills and Creativity, 3(2), 85-93. https://doi.org/10.1016/j.tsc.2008.03.005
12. Memduhoğlu, H. B., & Keleş, E. (2016). Öğretmen adaylarının eleştirel düşünme eğilimleri ve problem çözme becerileri arasındaki ilişkinin incelenmesi. Eğitim Bilimleri Araştırmaları Dergisi, 6(2), 2.
13. Kiliçaslan, E. A., & İskenderoğlu, T. A. (2023). Examining pre-service elementary mathematics teachers’ views regarding critical thinking and doing mathematical proof. JRAMathEdu (Journal of Research and Advances in Mathematics Education), 87-99. https://doi.org/10.23917/jramathedu.v8i2.1402
14. Demircioğlu, E. (2012). Eleştirel düşünme eğilimi ölçeği'nin uyarlama çalışması ve faktör yapısının farklı değişkenlere göre incelenmesi, [Yayınlanmamış yüksek lisans tezi]. Abant İzzet Baysal Üniversitesi.
15. Semerci, N. (2016). Eleştirel Düşünme Eğilimi (EDE) Ölçeğinin geliştirilmesi: Geçerlik ve güvenirlik revize çalışması. Turkish Studies, 11(9), 725-740.
16. Döner, Y.,& Demir, S. (2022). Ortaokul Öğrencileri İçin Eleştirel Düşünme Eğilimi Ölçeği’nin Geliştirilmesi: Geçerlik ve Güvenirlik Çalışması. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi(54), 99-129. https://doi.org/10.9779/pauefd.823427
17. Ki̇lmen, S., & Demi̇rci̇oğlu, E. (2024). Eleştirel Düşünme Eğilimi Ölçeğinin Türkçe’ye Uyarlanması. The Journal of Academic Social Science Studies, 8(27), 27. https://doi.org/10.9761/JASSS2434
18. Ahmad, N. B., Alias, U. F., Mohamad, N., & Yusof, N. (2019). Principal Component Analysis and Self-Organizing Map Clustering for Student Browsing Behaviour Analysis. Procedia Computer Science, 163, 550-559. https://doi.org/10.1016/j.procs.2019.12.137
19. Yıldız, M., & Börekci, C. (2020). Predicting Academic Achievement with Machine Learning Algorithms. Journal of Educational Technology and Online Learning, 3(3), 3. https://doi.org/10.31681/jetol.773206
20. Güner, G. (2025, Şubat 2). Machine Learning #4—Gözetimsiz Öğrenme, Kümeleme, K-Means Algoritması, Boyut Azaltma, Temel Bileşenler Analizi. Medium https://gokerguner.medium.com/machine-learning
21. Bakan, Z., & Kanbay, F. (2024). Makine öğrenmesi yöntemleri ile eğitim başarısına etki eden faktörlerin modellenmesi. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 23(45), 45. https://doi.org/10.55071/ticaretfbd.1442084
22. Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Phil. Trans. R. Soc., 374(2065). https://royalsocietypublishing.org/doi/full/10.1098/rsta.2015.0202
23. Bholowalia, P., & Kumar, A. (2014). EBK-Means: A clustering technique based on elbow method and k-Means in WSN. International Journal of Computer Applications, 105(9).
24. Özarpacı, S., Kılıç, B., Bayrak, O. C., Özdemir, A., Yılmaz, Y., & Floyd, M. (2023). Comparative analysis of the optimum cluster number determination algorithms in clustering GPS velocities. Geophysical Journal International, 232(1), 70-80.
25. Bulut, Y. (2023). Denetimsiz Öğrenme: Kümeleme Analizi ile OECD Ülkelerinde Özgürlük. International Journal of Educational and Social Sciences, 2(2). https://doi.org/10.5281/zenodo.10429529
26. Aslanyürek, M., & Mesut, A. (2021). Kümeleme performansını ölçmek için yeni bir yöntem ve metin kümeleme için değerlendirmesi. Avrupa Bilim ve Teknoloji Dergisi, (27), 53-65.
27. Kayahan, S., Günel, K., & Nuriyev, U. (2022). Eğitim İçerikleri için Sezgisel Metin Bölütlemeye Dayalı Çoklu Etiketleme Stratejisi: MEB Sanat Tarihi Kitabı için Bir Durum Çalışması. Bilişim Teknolojileri Dergisi, 15(2), 139-148
28. Geeksforgeeks. (2025). Elbow Method for optimal value of k in KMeans. GeeksforGeeks. https://www.geeksforgeeks.org/elbow-method-for-optimal-value-of-k-in-kmeans/