Ölçek Geliştirmede Açımlayıcı Faktör Analizi, Karar Ağacı ve Yapay Sinir Ağları Sonuçlarının Karşılaştırılması

Yıl 2021, Cilt: 19 Sayı: 4, 135 - 154, 28.12.2021

Sinan Bekmezci Nuri Doğan

https://doi.org/10.18026/cbayarsos.958873

Öz

Bu çalışmada test geliştirmede madde seçimi ve yapı geçerliği kanıtlarının ortaya konulmasında açımlayıcı faktör analizi, yapay sinir ağları ve karar ağaçlarının sonuçlarının karşılaştırılması amaçlanmıştır. Araştırma kapsamında, daha önceden yapılan bir çalışmada kullanılan “İstatistik Tutum Ölçeği” ön formu lisans, lisansüstü ve mezun statüsündeki bireylere uygulanarak veri toplanmıştır. Elde edilen verilere açımlayıcı faktör analizi ve veri madenciliği kapsamında kullanılabilen karar regresyon ağacı analizi ile kendini düzenleyen haritalama analizleri yapılmıştır. Analizler yapıldıktan sonra farklı yöntemlerde boyut sayılarının ve maddelerin boyutlara dağılımının değişebildiği görülmüştür. Farklı yöntemlerle seçilen maddelerden oluşturulmuş testlere uygulanan doğrulayıcı faktör analizi sonucu elde edilen uyum indeksleri karşılaştırılmıştır. Araştırma sonucunda polikorik korelasyona dayalı gerçekleştirilen açımlayıcı faktör analizi ve kendini düzenleyen haritalama analizi ile seçilen maddelerden oluşan yapının geçerli olduğu ve karar ağacı yönteminin yapı geçerliği analizlerinde kullanışsız olduğu görülmüştür.

Anahtar Kelimeler

Ölçek Geliştirme, Açımlayıcı Faktör Analizi, Yapay Sinir Ağları, Karar Ağaçları, Doğrulayıcı Faktör Analizi

Comparison of Exploratory Factor Analysis, Decision Tree and Artificial Neural Network Results in Scale Development

Öz

In this study, it was aimed to compare the resultss of exploratory factor analysis, artificial neural networks and decision trees in test development in terms of item selection and construct validity evidence. Within the scope of the research, data were collected by applying the "Statistical Attitude Scale" preform used in a previous study to individuals with undergraduate, graduate and alumni status. Decision regression tree analyses and self-organizing maps analyses, which can be used within the scope of data mining with exploratory factor analysis, were performed on the obtained data. After the analyses, it was seen that the number of dimensions and the distribution of the items to the dimensions could change in different methods. According to the comparison of fit indices obtained from confirmatory factor analysis, it was seen that the structure consisting of the items selected by exploratory factor analysis based on polychoric correlation and self-organizing mapping analysis was valid and the decision tree method was impractical in construct validity analyses.

Anahtar Kelimeler

Scale Development, Exploratory Factor Analysis, Artificial Neural Networks

Kaynakça

• Grove, S. K., Burns, N., & Gray, J. R. (2012). The practice of nursing research: Appraisal, synthesis, and generation of evidence. 7th ed. St.Louis, MO: Elsevier.
• Büyüköztürk, Ş., Çakmak, E. K., Akgün, Ö. E., Karadeniz, Ş. ve Demirel, F. (2017). Bilimsel Araştırma Yöntemleri. Ankara: Pegem Akademi
• Çokluk, Ö., Şekercioğlu, G., ve Büyüköztürk, Ş. (2012). Sosyal Bilimler İçin Çok Değişkenli İstatistik: Spss ve Lisrel Uygulamaları. Ankara: Pegem Akademi
• Cronbach, L. J. ve Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52, 281–302. Doğan, N., Başokçu, T. (2014). İstatistik Tutum Ölçeği İçin Uygulanan Faktör Analizi ve Aşamalı Kümeleme Analizi Sonuçlarının Karşılaştırılması. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 1 (2), 65-71.
• Ebel, R. L. & Frisbie, D.A. (1991) Essentials of educational measurement. New Jersey: Prentice– Hall International, Inc.
• Eriş Hasırcı, H. M. (2019). Öz Düzenlemeli Haritalar Yöntemi İle Elde Edilen Yapı Geçerliği Kanıtlarının Faktör Analizi Ve Kümeleme Analizi İle Karşılaştırılması. Doktora Tezi, Ankara Üniversitesi Eğitim Bilimleri Enstitüsü, Ankara.
• Karlin, O., & Karlin S. (2018). Making better tests with the rasch measurement model. InSight: A Journal of Scholarly Teaching. 13, 76-100.
• Kiang, M. Y., & Kumar, A. (2001). An Evaluation of Self-Organizing Map Networks as a Robust Alternative to Factor Analysis in Data Mining Applications. Information Systems Research, 12(2), 177-194
• Krishnan, S., Idris, N. (2018). Using partial credit model to ımprove the quality of an ınstrument. International Journal of Evaluation and Research in Education, 7, 4, 313-316.
• Kuo, R. J. Ho, L. M. Hu, C. M. (2002). Integration of self-organizing feature map and Kmeans algorithm for market segmentation. Computers & Operations Research, Volume 29, Issue 11, Pages 1475-1493
• Murphy, K.R. & Davidshofer, C. O. (1998). Psychological testing: principles and applications. New Jersey: Prentice - Hall International, Inc
• Murphy, K.R. ve Davidshofer, C.O. (2001). Psychological Testing Principles and Applications(5th.ed.). New Jersey: Prentice Hall Inc.
• Michel P., Baumstarck K., Loundou A., Ghattas B., Auquier P., Boyer L.(2018). Computerized adaptive testing with decision regression trees: an alternative to item response thetory for quality of life measurements in multiple sclerosis. Patient Prefer Adher.12;1043:1053.
• Özgür, E. G. ve Doğanay Erdoğan, B. (2020). Bilgisayar Uyarlamalı Test (BUT) Uygulamalarında Regresyon Ağacı Yaklaşımı: Regresyon Karar Ağaçları ile Psikometrik Model Kullanan Standart BUT Algoritmasının Yapay Bir Veri Üzerinde Değerlendirilmesi. Ankara Sağlık Bilimleri Dergisi, 161-167. DOI: https://www.doi.org/10.46971/ausbid.741777
• Şimşek, D. (2006). Kümeleme Analizi, Çok Boyutlu Ölçekleme, Doğrulayıcı ve Açıklayıcı Faktör Analizi ile Elde Edilen Yapı Geçerliği Kanıtlarının Karşılaştırılması. Yüksek Lisans Tezi.Hacettepe Üniversitesi Eğitim Bilimleri Enstitüsü. Ankara
• Tezbaşaran, E. (2016). Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi. Doktora Tezi. Mersin Üniversitesi Eğitim Bilimleri Enstitüsü. Mersin.
• Ueno M, Songmuang P. (2010). Computerized adaptive testing based on decision tree. 2010 IEEE 10th International Conference on Advanced Learning Technologies (ICALT); July 5–7, 2010; Sousse, Tunisia.
• Wei, S., Liu, X. & Jia, Y., (2014). Using rasch measurement to validate the instrument of students’ understanding of models in science (SUMS). International Journal of Science and Mathematics, 12, 1067.