Eğitimde Makine Öğrenmesi: Araştırmalardaki Güncel Eğilimler Üzerine İnceleme

Yıl 2021, Cilt: 3 Sayı: 2, 178 - 199, 30.09.2021

Ergin Tosunoğlu , Ramazan Yılmaz Eren Özeren Zeynep Sağlam

Öz

Araştırmanın amacı eğitim bilimleri alanında makine öğrenmesi yöntemleri kullanılarak yazılmış makalelerdeki eğilimleri incelemektir. Web of Science veri tabanında 2015 yılından 2020 yılına kadar olan 5 yıllık süreci kapsayan, konusunda “machine learning” geçen, “Educational Research” veya “Educational Scientific Diciplines” kategorilerinde bulunan çalışmaları kapsamaktadır. Bu kapsamda tespit edilen 201 çalışmadan 17’si kapsam dışında kalmış ve 201 makale incelemeye alınmıştır. Araştırmada makalelerin incelenmesinde içerik analiz yöntemi kullanılmıştır. Makalelerin içerik analizi araştırmacılar tarafından geliştirilen makale değerlendirme formu kullanılarak yapılmıştır. Yapılan analizler sonucunda makalelerin %42,9’unun deneysel veya uygulamalı çalışma ile gerçekleştirildiği, makalelerde kullanılan makine öğrenmesi yöntemleri incelendiğinde %22,5 karar ağaçları, %17,8 destek vektör makinesi, %14,2 navie bayes sınıflandırma yöntemlerinin kullanıldığı görülmüştür. Makalelerde kullanılan örneklem profilleri incelendiğinde lisans öğrencilerinin %35,3 oranla en fazla olduğu, örneklem sayısındaki yoğunlaşmanın %29,7 oranla 101-1000 arasında olduğu görülmüştür. Makalelerde kullanılan veriler %34 oranıyla veri tabanları ve log kayıtlarından elde edilmiştir. Bu araştırmada son 5 yıllık süreçte yapılmış çalışmalar incelenmiştir. Araştırma sonuçlarının eğitimde makine öğrenmesi yöntemlerinin kullanılması konusunda ulusal alanyazına katkı sağlayacağı, araştırmacılara bu konuda fikir vereceği düşünülmektedir.

Anahtar Kelimeler

Makine öğrenmesi, Eğitim araştırmaları, Yöntemsel eğilimler, Makale analizi

Kaynakça

• Akay, E. Ç. (2018). Ekonometride Yeni Bir Ufuk: Büyük Veri ve Makine Öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7(2), 41-53.
• Akgün, E. (2019). 2023 Eğitim Vizyonunda Dijital Dönüşüm. Seta - Perspektif (C. 233)
• Albayrak, A. S., & Yilmaz, S. K. (2009). Veri Madenciliği: Karar Ağacı Algoritmaları ve İMKB Verileri Üzerine Bir Uygulama. Suleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 14(1).
• Arık, R. S. ve Türkmen, M. (2009). Eğitim Bilimleri Alanında Yayımlanan Bilimsel Dergilerde Yer Alan Makalelerin İncelenmesi. I. Uluslararası Türkiye Eğitim Araştırmaları Kongresi, Çanakkale Onsekiz Mart Üniversitesi, Antalya.
• Atalay, M., & Çelik, E. (2017). Büyük Veri Analizinde Yapay Zekâ Ve Makine Öğrenmesi Uygulamalari-Artificial Intelligence and Machine Learning Applications in Big Data Analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
• Aydın, U.(2012). Sorunsaldan Sonuçlara Bilimsel Araştırma Süreci: Bir Araştırma Raporu Modeli Örneği. ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 3(5), 135-161.
• Çakmak, E. K., Özüdoğru, G., Bozkurt, Ş. B., Ülker, Ü., Ünsal, N. Ö., Boz, K., ... & Bahadır, H. (2016). 2014 Yılında eğitim teknolojileri alanındaki yayımlanan makalelerin incelenmesi. Eğitim Teknolojisi Kuram ve Uygulama, 6(1), 80-108.
• Özlem, A. V. C. I. (2015). Dijital Yaşamın Dijital Özne (l) leri: Herkes ya da Hiç Kimse. Uşak Üniversitesi Sosyal Bilimler Dergisi, 8(1), 249-266.
• Aydoğan, M., & Karcı, A. (2018). Meslek Yüksekokulu Öğrencilerinin Başarı Performanslarının Makine Öğrenmesi Yöntemleri ile Analizi. International Symposium on Multidisciplinary Studies and Innovative Technologies. October, Turkey.
• Çelen, F. K., & Seferoğlu, S. S., (2020). Yeni nesil öğrenme kültürü: çevrimiçi öğrenme toplulukları üzerine bir inceleme. Gençlik ve dijital çağ, 80. Hacettepe: Ankara.
• Çifçi, F., Kaleli, C., & Günal, S. (2018). Öznitelik seçme ve makine öğrenmesi yöntemleriyle eğitmen performansının tahmin edilmesi. Anadolu Üniversitesi Eğitim Bilimleri Enstitüsü Dergisi, 8(2), 419-440.
• Dede, Chris. (2011). Emerging technologies, ubiquitous learning, and educational transformation. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 6964 LNCS, 1–8. doi:10.1007/978-3-642-23985-4_1
• Dereli, Z. (2019). Dijital Yerliler Yeni Nesil Eğitim Modeli. İstanbul: Hümanist Ajans A.Ş. El Naqa, I., & Murphy, M. J. (2015). What is machine learning?. In Machine Learning in Radiation Oncology (pp. 3-11). Springer, Cham.
• Er, M. B. (2019). Makine öğrenmesi ile Türk müziğinde duygu analizi (Master's thesis, Maltepe Üniversitesi, Fen Bilimleri Enstitüsü).
• Filiz, E. (2019). Makine Öğrenmesi Yöntemleri ve Eğitim Verisi Üzerine Bir Uygulama: Uluslararası Matematik ve Fen Eğilimleri Araştırması 2015 Türkiye Örneği. Yayınlanmamış Doktora Tezi. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü: İstanbul.
• Gök, M. (2017). Makine Öğrenmesi Yöntemleri İle Akademik Başarının Tahmin Edilmesi. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5(3), 139-148.
• Gülcüoğlu, E., Özeren, E., Tosunoğlu, E. (2020). 2010-2019 Yılları Arasında Uyarlanabilir Öğrenme ile İlgili Yapılmış Yüksek Lisans Tezlerindeki Yöntemsel Eğilimler Üzerine Bir İnceleme. Öğretim Teknolojisi ve Hayat Boyu Öğrenme Dergisi, 1 (1) , 107-121.
• Güner, N., & Çomak, E. (2011). Mühendislik Öğrencilerinin Matematik I Derslerindeki Başarısının Destek Vektör Makineleri Kullanılarak Tahmin Edilmesi. Pamukkale University Journal of Engineering Sciences, 17(2).
• İnik, Ö. & Ülker, E. (2017). Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
• İşler, B., & Kılıç, M.(2021). Eğitimde Yapay Zekâ Kullanımı Ve Gelişimi. Yeni Medya Elektronik Dergisi, 5(1), 1-11.
• Karakoyun, M., & Hacıbeyoğlu, M. (2014). Biyomedikal Veri Kümeleri İle Makine Öğrenmesi Siniflandirma Algoritmalarinin İstatistiksel Olarak Karşilaştirilmasi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 30-42.
• Kardaş, K., & GÜVENİR, H. A. (2020). Kısa Sınavların, Ödevlerin ve Projelerin Dönem Sonu Sınavına Olan Etkilerinin Farklı Makine Öğrenmesi Teknikleri ile Araştırılması. EMO Bilimsel Dergi, 10(1), 21-27.
• Kuzu Kurban N.(2017). I. Ulusal Hemşirelikte Araştırma Kongresi, Hemşirelikte Araştırma Geliştirme Derneği, Ankara.
• Machine learning mastery (2020):https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/ (Erişim:02.06.2021)
• Miles, M. B., & Huberman, A. M. (1994). Qualitative data analysis: An expanded sourcebook. Los Angeles: Sage.
• Ozan, C., & Köse, E. (2014). Eğitim programları ve öğretim alanındaki araştırma eğilimleri. Sakarya University Journal of Education, 4(1), 116-136.
• Parlak, B. (2017). Dijital çağda eğitim: Olanaklar ve uygulamalar üzerine bir analiz. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(15), 1741-1759.
• Peña-Ayala, A. (Ed.). (2013). Educational data mining: applications and trends (Vol. 524). Springer.
• Rashidi, H. H., Tran, N. K., Betts, E. V., Howell, L. P., & Green, R. (2019). Artificial intelligence and machine learning in pathology: the present landscape of supervised methods. Academic pathology, 6, 2374289519873088.
• Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert systems with applications, 33(1), 135-146.
• Romero, C., & Ventura, S. (2010). Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601-618.
• Sağlam, Z., Pekyürek, M., Yılmaz, R . (2020). PISA 2018 Araştırmasına Etki Eden Duygusal Faktörlerin Veri Madenciliği Yöntemleri İle İncelenmesi. Bilgi ve İletişim Teknolojileri Dergisi, 2 (2) , 113-148.
• SARSICI, E., & ÇELİK, A. İ. (2019). Eğitimde Dijital Dönüşüm İçin Bir Model Önerisi. Uluslararası ‘Eğitimde Ve Sosyal Bilimlerde Yenilikler’sanal Sempozyumu, 339.
• Savaş, S., Topaloğlu, N., & Yılmaz, M. (2012). Veri madenciliği ve Türkiye’deki uygulama örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21, s. 1-23
• Seçer, İ., İsmail, A. Y., Ceyhun, O. Z. A. N., & YILMAZ, B. (2014). Rehberlik ve psikolojik danışma alanındaki araştırma eğilimleri: Bir içerik analizi. Türk Psikolojik Danışma ve Rehberlik Dergisi, 5(41), 49-60.
• Si̇noplu, M., Yılmaz, R. (2020). Social Media Analysis in Distance Education Period Due to Pandemic: Data Mining Application on Twitter Data. Journal of Teacher Education and Lifelong Learning, 2 (2) , 66-76.
• Suthaharan, S. (2014). Big data classification: Problems and challenges in network intrusion prediction with machine learning. ACM SIGMETRICS Performance Evaluation Review, 41(4), 70-73.
• Tataroğlu, V. (2019). Derin öğrenmeye dayalı sosyal medya profillemesi (Master's thesis, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü).
• Tavşancıl, E. ve Aslan, E. (2001). Sözel, Yazılı ve Diğer Materyaller için İçerik Analizi ve Uygulama Örnekleri. Epsilon Yayınevi, İstanbul.
• TÜREL, Y. K., & Engin, B. A. Z. (2016). Eğitsel Veri Madenciliği Üzerine Bir Araştırma. In Presıdent Of The Symposıum (p. 54).
• Türnüklü, A. (2001). Eğitim bilim alanında aynı araştırma sorusunu yanıtlamak için farklı araştırma tekniklerinin birlikte kullanılması. Eğitim ve Bilim, 26(120). Machine learning mastery
• Usluel, Y. K., Avcı, Ü., Kurtoğlu, M., & Uslu, N. (2013). Yeniliklerin benimsenmesi sürecinde rol oynayan değişkenlerin betimsel tarama yöntemiyle incelenmesi. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 33(1), 53-71.
• Ülker, M., & Civalek, O. (2002). Yapay Sinir Agları ile Eksenel Yüklü Kolonların Burkulma Analizi. Turkish J. Eng. Env. Sci, 26, 117-125.
• Yıldız, O. (2014). Makine Öğrenmesi İle Uzaktan Eğitim Öğrencilerinin Performanslarının Değerlendirilmesi. Yayınlanmamış Doktora Tezi. İstanbul Üniversitesi Fen Bilimleri Enstitüsü.