Bilişim Teknolojileri Öğretmenlerinin Blok Tabanlı Kodlama Araçlarına İlişkin Öz Yeterlik İnançlarının Evrişimsel Sinir Ağı ile Sınıflandırılması

Yıl 2022, Sayı: 36, 50 - 54, 31.05.2022

Burak Koca , Kemal Adem

https://doi.org/10.31590/ejosat.1113087

Öz

Bu çalışmada, bilişim teknolojileri öğretmenlerinin blok tabanlı kodlama araçlarının kullanımına ilişkin öz yeterlik inançlarının makine öğrenmesi ve derin öğrneme yöntemleri ile sınıflandırılması amaçlanmıştır. Veri toplama aracı olarak daha önceden geliştirilmiş likert tipinde maddelerden oluşan T-SECT ölçeği Türkçeye adapte edilerek kullanılmıştır. Veri seti bilişim teknolojileri öğretmenlerinden oluşan 190 örnek ve 39 öznitelikten oluşmaktadır. Örnek sayısının azlığı nedeniyle dengesiz veri sorunundan kaçınmak için SMOTE yöntemi kullanılarak veri çoğaltılmış ve örnek sayısı 262 ye çıkarılmıştır. Veri seti WEKA yazılımına aktarılarak üzerinde makine öğrenmesi yöntemleri ve Evrişimsel Sinir Ağı (ESA) kullanılmıştır. Bu amaç doğrultusunda J48, Random Forest (RF), K-Star, Multilayer Perceptron (MLP), NaivesBayes, SMO ve IBK yöntemleri ile sınıflandırma başarısı hesaplanmıştır. Veri seti üzerinde en yüksek sınıflandırma başarısı gösteren makine öğrenmesi yöntemleri SMO, MLP, IBK, J48 ve RF olarak bulunmuştur. ESA ile yapılan sınıflandırmada makine öğrenmesi yöntemlerinden daha başarılı sonuçlar elde edilmiştir. Bilişim teknolojileri öğretmenlerinin öz yeterlik inançları ESA kullanılarak %99.30 doğruluk oranıyla başarılı bir şekilde sınıflandırılmıştır.

Anahtar Kelimeler

Makine öğrenmesi, Blok tabanlı kodlama, Özyeterlik inancı, Bilgi işlemsel düşünme, Evrişimsel sinir ağları

Destekleyen Kurum

-

Proje Numarası

-

Teşekkür

-

Classification of Self-Efficacy Beliefs of Information Technology Teachers on Block-Based Coding Tools by Convolutional Neural Network

Öz

In this study, it is aimed to classify the self-efficacy beliefs of information technology teachers regarding the use of block-based coding tools by machine learning and deep learning methods. As a data collection tool, the T-SECT scale, which consists of previously developed likert-type items, was adapted to Turkish and used. The data set consists of 190 examples and 39 attributes of information technology teachers. In order to avoid the problem of unbalanced data due to the small number of samples, the data was amplified using the SMOTE method and the number of samples was increased to 262. The data set was transferred to WEKA software and machine learning methods and Convolutional Neural Network (CNN) were used on it. For this purpose, classification success was calculated with J48, Random Forest (RF), K-Star, Multilayer-Perceptron (MLP), NaivesBayes, SMO and IBK methods. The machine learning methods with the highest classification success on the data set were found to be SMO, MLP, IBK, J48 and RF. In the classification made with CNN, more successful results were obtained than the machine learning methods. Self-efficacy beliefs of information technology teachers were successfully classified using CNN with an accuracy rate of 99.30%.

Anahtar Kelimeler

Machine learning, Block-based coding, Computational thinking, Self-efficacy belief, Convolutional Neural Networks.

Proje Numarası

-

Kaynakça

• Adem, K., & Kılıçarslan, S. (2021). COVID-19 Diagnosis Prediction in Emergency Care Patients using Convolutional Neural Network. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, (2), 300-309.
• Adem, K., & Kilicarslan, S. (2019, October). Performance analysis of optimization algorithms on stacked autoencoder. In 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-4). IEEE.
• Adem, K., & Közkurt, C. (2019). Defect detection of seals in multilayer aseptic packages using deep learning. Turkish Journal of Electrical Engineering & Computer Sciences, 27(6), 4220-4230.
• Akar, Ö., & Güngör, O. (2012). Classification of multispectral images using Random Forest algorithm. Journal of Geodesy and Geoinformation, 1(2), 105-112.
• Albannai, B. (2019). Comparative Study of HVAC and HVDC Transmission Systems With Proposed Machine Learning Algorithms for Fault Location Detectio (Doctoral dissertation, Arizona State University).
• Bean, N., Weese, J., Feldhausen, R., & Bell, R. S. (2015, October). Starting from scratch: Developing a pre-service teacher training program in computational thinking. In 2015 IEEE Frontiers in Education Conference (FIE) (pp. 1-8). IEEE.
• Bocconi, S., Chioccariello, A., Dettori, G., Ferrari, A., & Engelhardt, K. (2016). Developing computational thinking in compulsory education-Implications for policy and practice (No. JRC104188). Joint Research Centre (Seville site).
• Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
• Cireşan, D. C., Meier, U., Gambardella, L. M., & Schmidhuber, J. (2010). Deep, big, simple neural nets for handwritten digit recognition. Neural computation, 22(12), 3207-3220.
• Cömert, O., Hekim, M., & Adem, K. (2019). Faster R-CNN Kullanarak Elmalarda Çürük Tespiti. International Journal of Engineering Research and Development, 11(1), 335-341.
• Çiftçi, F., Kaleli, C., & Ünal, S. (2018). Öznitelik seçme ve makine öğrenmesi yöntemleriyle eğitmen performansının tahmin edilmesi. Anadolu Journal of Educational Sciences International, 8(2), 419-440.
• Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and trends in signal processing, 7(3–4), 197-387.
• Eraldemir, S. G., Arslan, M. T., & Yıldırım, E. (2017, November). The Effect of Feature Selection Algorithms in EEG Signal Analysis. In International Advanced Researches & Engineering Congress.
• Ersoy, H., Madran, R. O., & Gülbahar, Y. (2011). Programlama dilleri öğretimine bir model önerisi: robot programlama. Akademik Bilişim, 11, 731-736.
• Gholap, J. (2012). Performance tuning of J48 Algorithm for prediction of soil fertility. arXiv preprint arXiv:1208.3943.
• Göncü, A., Çetin, İ., & Şendurur, P. (2020). Bilişim Teknolojileri ve Yazılım Dersi Öğretmenlerinin Kodlama Eğitimine Yönelik Görüşleri. Mersin Üniversitesi Eğitim Fakültesi Dergisi, 16(2), 301-321.
• Göncü, A., Çetin, İ., & Top, E. (2018). Öğretmen Adaylarının Kodlama Eğitimine Yönelik Görüşleri: Bir Durum Çalışması. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, (48), 85-110.
• Güldal, H., & Çakıcı, Y. (2017). Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. Journal of Graduate School of Social Sciences, 21(4), 1355-1367.
• Güler, İ., & Übeyli, E. D. (2005). An expert system for detection of electrocardiographic changes in patients with partial epilepsy using wavelet‐based neural networks. Expert Systems, 22(2), 62-71.
• J. C. Platt, (1998). “Fast training of support vector machines using sequentialminimal optimization,” in Advances in Kernel Methods of Support Vector Machine, B. Schölkopf, C. Burges, and A. Smola, Eds. Cambridge, MA: MIT Press.
• Jamjoom, A. A., Rhodes, J., Andrews, P. J., & Grant, S. G. (2021). The synapse in traumatic brain injury. Brain, 144(1), 18-31.
• Kaur, G., & Chhabra, A. (2014). Improved J48 classification algorithm for the prediction of diabetes. International journal of computer applications, 98(22).
• Kaynar, O., & Taştan, S. (2009). Zaman serisi analizinde mlp yapay sinir ağları ve arıma modelinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161-172.
• Kuan, T. W., Wang, J. F., Wang, J. C., Lin, P. C., & Gu, G. H. (2011). VLSI design of an SVM learning core on sequential minimal optimization algorithm. IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 20(4), 673-683.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
• Metz, C. E. (1978, October). Basic principles of ROC analysis. In Seminars in nuclear medicine (Vol. 8, No. 4, pp. 283-298). WB Saunders.
• Nizam, H., & Akın, S. S. (2014). Sosyal medyada makine öğrenmesi ile duygu analizinde dengeli ve dengesiz veri setlerinin performanslarının karşılaştırılması. XIX. Türkiye'de İnternet Konferansı, 1(6).
• Ozoran, D., Cagiltay, N., & Topalli, D. (2012). Using scratch in introduction to programming course for engineering students. In 2nd International Engineering Education Conference (IEEC2012) (Vol. 2, pp. 125-132).
• Quinlan, J. R. (1992, November). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence (Vol. 92, pp. 343-348).
• Sayın, Z., & Seferoğlu, S. S. (2016). Yeni bir 21. yüzyıl becerisi olarak kodlama eğitimi ve kodlamanın eğitim politikalarına etkisi. Akademik Bilişim Konferansı, 2016, 3-5.
• Simard PY, Steinkraus D, Platt JC. Best practices for convolutional neural networks applied to visual document analysis. In: Proceedings of the seventh international conference on document analysis and recognition; Edinburgh, UK; 2003; 2: 958–62.
• Süt, N., & Çelik, Y. (2012). Prediction of mortality in stroke patients using multilayer perceptron neural networks. Turkish Journal of Medical Sciences, 42(5), 886-893.
• Taşcı, E., & Onan, A. (2016). K-en yakın komşu algoritması parametrelerinin sınıflandırma performansı üzerine etkisinin incelenmesi. Akademik Bilişim, 1(1), 4-18.
• Türker, P. M., & Pala, F. K. (2018). Ortaokul öğrencilerinin, öğretmenlerin ve öğrenci velilerinin kodlamaya yönelik görüşleri. İlköğretim Online, 17(4).
• Ünal, Z. (2019). Likert tipi verilerde bulanık mantık ve derin öğrenme entegrasyonu. [Yayınlanmamış doktora tezi]. Akdeniz Üniversitesi
• Van't Veer LJ, Dai H, Van De Vijver MJ, He YD, Hart AA, et al. (2002) Gene expression profiling predicts clinical outcome of breast cancer. Nature, 415(6871), 530-536.
• Wirojcharoenwong, W., Luangnaruedom, N., Rattanasiriwongwut, M., & Tiantong, M. (2014). Decision Tree Classifier for Computer Self-Efficacy with Best First Feature Selection. Int. J. Comput. Internet Manag, 22, 62-67.