PISA 2018 Matematik Okuryazarlığını Etkileyen Faktörler: Türkiye, Hırvatistan, Yunanistan Karşılaştırması

Öz

Bu araştırma, PISA 2018 verileri kullanılarak Türkiye, Hırvatistan ve Yunanistan’daki 15 yaş grubu öğrencilerin matematik okuryazarlığını etkileyen faktörleri yapay sinir ağı yöntemiyle karşılaştırmalı olarak analiz etmeyi amaçlamaktadır. Nicel araştırma yaklaşımı ve betimsel tarama deseni benimsenen çalışmada, OECD tarafından yayımlanan öğrenci veri setlerinden 16.506 öğrenciden oluşan bir çalışma grubu oluşturulmuştur. Cinsiyet, ebeveyn eğitim düzeyi, sosyoekonomik statü, öğrenme süresi ve okuma motivasyonu gibi 13 değişken yordayıcı olarak belirlenmiştir. Matematik başarı düzeyi ise iki alt gruba sınıflama ile analiz edilmiştir. Yapay sinir ağı modeli, SPSS 25.00 programı kullanılarak çalıştırılmış ve her ülke için değişkenlerin önem sıralaması ve modelin doğruluk oranı belirlenmiştir. Bulgular, sosyoekonomik ve kültürel statü değişkeninin tüm ülkelerde en güçlü yordayıcı olduğunu; Türkiye ve Hırvatistan’da öğrenme süresi ve baba eğitim düzeyinin, Yunanistan’da ise bireysel ve duyuşsal faktörlerin daha belirleyici olduğunu göstermiştir. Ayrıca, sınıflama doğruluğunun alt grup sayısına göre değiştiği görülmüştür. Araştırma, öğrenci başarısının çok katmanlı yapısına dikkat çekmekte ve eğitim politikalarının veri temelli geliştirilmesi için öneriler sunmaktadır.

Anahtar Kelimeler

• PISA
• matematik okuryazarlığı
• sınıflama

PISA 2018 FACTORS AFFECTING MATHEMATICAL LITERACY: A COMPARISON OF TURKEY, CROATIA, GREECE

Öz

Using artificial neural network methods, this study compares the factors affecting the mathematical literacy of 15-year-old students in Turkey, Croatia, and Greece using PISA 2018 data. Adopting a quantitative research approach and a descriptive survey design, the study created a working group of 16,506 students from student data sets published by the OECD. Thirteen variables were determined as predictors: gender, parental education level, socioeconomic status, learning duration, and reading motivation. Mathematics achievement level was analyzed by classifying it into two subgroups. The artificial neural network model was run using the SPSS 25.00 program, and the importance ranking of the variables and the accuracy rate of the model were determined for each country. The findings show that the socioeconomic and cultural status variable is the strongest predictor in all countries. In Turkey and Croatia, learning duration and father's education level are more decisive, whereas in Greece, individual and affective factors are more influential. Furthermore, it was observed that the classification accuracy varies according to the number of subgroups. The research highlights the multi-layered nature of student achievement and offers recommendations for the data-driven development of educational policies.

Anahtar Kelimeler

• PISA
• mathematics literacy
• classification
• artificial neural network

Kaynakça

1. Aksu, N., Aksu, G., & Saracaloglu, S. (2022). Prediction of the factors affecting PISA mathematics literacy of students from different countries by using data mining methods. International Electronic Journal of Elementary Education, 14(5), 613-629.
2. Almarashdi, H. S., & Jarrah, A. M. (2023). Assessing tenth-grade students’ mathematical literacy skills in solving PISA problems. Social Sciences, 12(1), 33. https://doi.org/10.3390/socsci12010033
3. Altıntaş, E. ve Arıcı, N. (2021). PISA 2018 verilerine göre başarıları farklı ülkelerin okuma becerilerinin duyuşsal özellikler ile ilişkisinin incelenmesi. Hacettepe Üniversitesi Eğitim Bilimleri Enstitüsü Dergisi, 9(2), 788-802.
4. Bourdieu, P. (1986). The forms of capital. In J. Richardson (Ed.), Handbook of Theory and Research for the Sociology of Education (pp. 241–258). Greenwood Press.
5. Büyüköztürk, Ş., Çakmak, E. K., Akgün, Ö. E., Karadeniz, Ş. ve Demirel, F. (2008). Bilimsel araştırma yöntemleri (1. baskı). Pegem Akademi.
6. Cihangir, Ç.K. (2019). Bilgi okuryazarlığı, yaşam boyu öğrenme ve eğitimdeki yansımaları. The Journal of Academic Social Science, 65(65), 48-62. https://doi.org/10.16992/ASOS.13369 Deci, E. L., & Ryan, R. M. (2013). Intrinsic motivation and self-determination in human behavior. Springer Science ve Business Media. https://doi.org/10.1007/978-1-4899-2271-7
7. Else-Quest, N. M., Hyde, J. S., & Linn, M. C. (2010). Cross-national patterns of gender differences in mathematics: A meta-analysis. Psychological Bulletin, 136(1), 103-127. https://doi.org/10.1037/a0018053
8. Fan, X. T., & Chen, M. (2001). Parental involvement and students’ academic achievement: A metaanalysis. Educational Psychology Review, 13, 1-22. https://doi.org/10.1023/A:1009048817385

9. Gomez, R.L., & Suarez, A.M. (2020). Do inquiry-based teaching and school climate influence science achievement and critical thinking? Evidence from PISA 2015. International Journal of STEM Education, 7(1),43. https://doi.org/10. 1186/s40594-020-00240-5
10. Guthrie, J. T., & Wigfield, A. (2000). Engagement and motivation in reading. In Handbook of reading research (pp. 403-422). Routledge Press.
11. Gürüz, K. (2008). Yirmi birinci yüzyılın başında Türk Milli Eğitim sistemi. Türkiye İş Bankası Kültür Yayınları
12. Hattie, J. (2008). Visible learning: A synthesis of over 800 meta-analyses relating to achievement. Routledge.
13. Hyde, J. S. (2005). The gender similarities hypothesis. American psychologist, 60(6), 581-592. https://doi.org/10.1037/0003-066X.60.6.581
14. Kaptan, S. (1995). Bilimsel araştırma ve istatistik teknikleri. Tekışık Web Ofset Tesisleri.
15. Karasar, N. (2014). Bilimsel araştırma yöntemi (27. basım). Nobel Akademik Yayıncılık.
16. Karsoliya, S. (2012). Approximating number of hidden layer neurons in multiple hidden layer BPNN architecture. International Journal of Engineering Trends and Technology, 3(6), 714-717.
17. Kartianom, K., & Retnawati, H. (2018). Why are their mathematical learning achievements different? Re-analysis TIMSS 2015 data in Indonesia, Japan and Turkey. International Journal on New Trends in Education and Their Implications, 9(2), 33-46.
18. Korpershoek, H., Canrinus, E. T., Fokkens-Bruinsma, M., & De Boer, H. (2020). The relationships between school belonging and students’ motivational, social-emotional, behavioural, and academic outcomes in secondary education: A meta-analytic review. Research Papers in Education, 35(6), 641-680. https://doi.org/10.1080/02671522.2019.1615116
19. Kuh, G. D., & Hu, S. (2001). The effects of student-faculty interaction in the 1990s. The Review of Higher Education, 24(3), 309–332. https://doi.org/10.1353/rhe.2001.0005
20. Li, S., Xu, Q., & Xia, R. (2020). Relationship between SES and academic achievement of junior high school students in China: The mediating effect of self-concept. Frontiers in psychology, 10, 2513. https://doi.org/10.3389/fpsyg.2019.02513
21. Masten, A. S. (2001). Ordinary magic: Resilience processes in development. American Psychologist, 56(3), 227-238. https://doi.org/10.1037/0003-066X.56.3.227
22. Millî Eğitim Bakanlığı. (2019a). PISA 2018 Türkiye ön raporu. Millî Eğitim Bakanlığı Yayınları.
23. Millî Eğitim Bakanlığı. (2019b). Türkçe-matematik-fen bilimleri öğrenci başarı izleme araştırması (TMFÖBA)-1: 2019 4. sınıf seviyesi. Millî Eğitim Bakanlığı.
24. OECD (2019). PISA 2018 assessment and analytical framework. OECD Publishing.
25. Pintrich, P. R., & De Groot, E. V. (1990). Motivational and self-regulated learning components of classroom academic performance. Journal of Educational Psychology, 82(1), 33. https://doi.org/10.1037/0022-0663.82.1.33
26. Polat, C. (2006). Bilgi çağında üniversite eğitimi için bir açılım: Bilgi okuryazarlığı öğretimi. Atatürk Üniversitesi Türkiyat Araştırmaları Enstitüsü Dergisi, 12(30), 249-266.
27. Stacey, K. (2011). The PISA view of mathematical literacy in Indonesia. Indonesian Mathematical Society Journal on Mathematics Education, 2(2), 95-126. https://doi.org/10.22342/jme.2.2.746.95
28. Şirin, S. R. (2005). Socioeconomic status and academic achievement: A meta-analytic review of research. Review of Educational Research, 75(3), 417-453. https://doi.org/10.3102/00346543075003417
29. Tangut, E. (2025). PISA 2018 matematik okuryazarlığını etkileyen faktörler: Türkiye, Hırvatistan ve Yunanistan karşılaştırması (Tez no: 968805). [Yüksek lisans tezi, Erciyes Üniversitesi]. Ulusal Tez merkezi.
30. Yılmaz, A. (2017). Yapay zeka. Kodlab Yayınları.
31. Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, ve M. Zeidner (Eds.), Handbook of self-regulation (pp. 13–39). Academic Press. https://doi.org/10.1016/B978-012109890-2/50031-7