Öğrenci ve Akademisyenlerin E-Öğrenmeye Hazır Bulunuşlarının Daha Az Soru ile Sınıflandırılması

Öz

Küresel boyuttaki KOVİD-19 pandemisinin etkisiyle birlikte tüm dünyada alışveriş, çalışma ve eğitim gibi konular “uzaktan” ve “elektronik” olarak daha fazla değerlendirilmeye başlandı. Mart 2020’deki Yüksek Öğretim Kurumu kararının ardından Türkiye’deki tüm üniversiteler eğitimlerine uzaktan devam etme kararı almıştır. Bu karar sonucunda akademisyenlerin ve öğrencilerin e-öğrenme sürecine ne kadar hazır olduklarını değerlendiren çalışmalar da hızla artmıştır. Bu çalışmada iki farklı üniversitedeki akademisyen ve öğrencilerin e-öğrenmeye ne kadar hazır olduklarının incelendiği bir anket çalışmasına makine öğrenmesi teknikleri uygulanmış, daha az soru ile aynı sonuçların elde edilmesi hedeflenmiştir. Soruların azaltılmasında özyinelemeli öznitelik eleme yöntemi kullanılmış, azaltılan sorular ile en yüksek Cronbach Alpha değerini CatBoost ve XGBoost yöntemleri sağlamıştır. Ek olarak, en yüksek sonuç tahmin performansını destek vektör makineleri sağlamıştır. Destek vektör makineleri, daha az soru ile akademisyen yanıtlarını %100, öğrencilerin yanıtlarını %97.48 doğrulukla tahmin etmiştir. Önerilen yaklaşım, anket sonuçlarında en az kayıpla uzun süren anket verisi toplama süresini azaltmada yardımcı olacaktır.

Anahtar Kelimeler

• Anket sınıflandırma
• e-öğrenmeye hazır bulunuşluk
• soru azaltma
• makine öğrenmesi

Classification of E-Learning Readiness of Students and Academics with Fewer Questions

Öz

With the impact of the global COVID-19 pandemic, issues such as shopping, work and education have started to be evaluated more as "remote" and "electronic" all over the world. Following the decision of the Higher Education Institution in March 2020, all universities in Turkey continued their education remotely. As a result, the number of studies evaluating e-learning increased rapidly. In this study, machine learning techniques were used to reduce the number of questions in the survey without changing the final result in e-learning readiness surveys. Recursive feature elimination was used to reduce the number of the questions. Catboost and XGBoost methods provided the highest cronbach alpha value with the reduced questions. Additionally, support vector machines outperformed other models with 100% accuracy for academicians and 97.48% accuracy for students with fewer questions. The proposed approach will help in reducing the long survey data collection time with minimal loss in survey results.

Anahtar Kelimeler

• questionarie classification
• e-learning readiness
• reduce questions
• machine learning

Kaynakça

1. “YÖK Alınan Kararlar”, 2020. https://covid19.yok.gov.tr/alinan-kararlar (erişim 12 Mart 2022).
2. Z. Özen, E. Kartal, ve İ. E. Emre, “BIG DATA IN EDUCATION: A CASE STUDY ON PREDICTING E-LEARNING READINESS OF LEARNERS WITH DATA MINING TECHNIQUES”, s. 19, Ara. 2020, doi: 10.26650/B/ET06.2020.011.08.
3. M. Adnan ve B. B. Yaman, “Mühendislik Öğrencilerinin E-Öğrenmeye Dair Beklenti, Hazır Bulunuşluk ve Memnuniyet Düzeyleri”, 2017, Erişim: 12 Mart 2022. [Çevrimiçi]. Erişim adresi: http://acikerisim.mu.edu.tr/xmlui/handle/20.500.12809/7709
4. F. Bahadir, “Investigation of e-learning readiness of rail system program students: the sample of refahiye vocational high school”, J. High. Educ. Sci., c. 10, sy 2, s. 310, 2020, doi: 10.5961/jhes.2020.392.
5. Ö. Korkmaz, R. Çakir, ve S. Tan, “ÖĞRENCİLERİN E-ÖĞRENMEYE HAZIR BULUNUŞLUK VE MEMNUNİYET DÜZEYLERİNİN AKADEMİK BAŞARIYA ETKİSİ”, Ahi Evran Üniversitesi Kırşehir Eğitim Fakültesi Derg., c. 16, sy 3, Art. sy 3, Ağu. 2015.
6. İ. Pinar, A. G. Selçuk, ve B. Dağ, “Meslek Yüksekokullarının E-Öğrenme Modeline Geçişinde Dikkate Alınması Gereken İki Kavram: Öğrencilerin Bilgisayar Özyeterlilikleri Ve E-Öğrenmeye Yönelik Hazırbulunuşlukları”, Elektron. Mesleki Gelişim Ve Araştırmalar Derg., c. 2, sy 3, Art. sy 3, Kas. 2014.
7. R. Yilmaz, B. Sezer, ve H. Yurdugül, “Üniversite Öğrencilerinin E-Öğrenmeye Hazır Bulunuşluklarının İncelenmesi: Bartın Üniversitesi Örneği”, Ege Eğitim Derg., ss. 180-195, Tem. 2019, doi: 10.12984/egeefd.424614.
8. H. Yurdugül, “Öğretmen Yetiştiren Lisans Programlarındaki Öğretmen Adaylarının E-öğrenmeye Hazır Bulunuşluklarının İncelenmesi: Hacettepe Üniversitesi Örneği”, Hacet. Univ. J. Educ., ss. 1-1, Kas. 2016, doi: 10.16986/HUJE.2016022763.

9. H. İ. Akyüz ve G. Numanoğlu, “Readiness and Expectations of University Students for e-learning Environments (Kastamonu University Example)”, Online J. Math. Sci. Technol. Educ., c. 1, sy 1, Art. sy 1, Ara. 2020.
10. M. Baygeldi, G. Öztürk, ve F. T. Dikkartın Övez, “Pandemi Sürecinde Eğitim Fakültesi Öğrencilerinin Çevrimiçi Öğrenme Hazır Bulunuşluk ve E-öğrenme Ortamlarına Yönelik Motivasyon Düzeyleri: Online Learning Readiness and E-learning Environments Motivation Levels of the Education Faculty Students in the Pandemic Outbreak.”, Electron. Turk. Stud., c. 16, sy 1, ss. 285-311, Şub. 2021, doi: 10.7827/TurkishStudies.44485.
11. O. Bi̇li̇ci̇ ve H. Bağci, “Öğretmen Adaylarının Yaşam Boyu Öğrenme Eğilimleri İle E-Öğrenmeye Hazır Bulunuşlukları Arasındaki İlişkinin İncelenmesi”, Sak. Üniversitesi Eğitim Fakültesi Derg., c. 20, sy 2, Art. sy 2, Ara. 2020.
12. Ö. U. Canpolat ve Ö. Z. N. Canpolat, “Uzaktan eğitim bağlamında e-hazır olma kavramının irdelenmesi”, s. 13, 2020.
13. A. A. Cobanoglu ve I. Cobanoglu, “DO TURKISH STUDENT TEACHERS FEEL READY FOR ONLINE LEARNING IN POST-COVID TIMES? A STUDY OF ONLINE LEARNING READINESS”, Turk. Online J. Distance Educ., c. 22, sy 3, ss. 270-280, Tem. 2021, doi: 10.17718/tojde.961847.
14. S. Demi̇r ve E. Eren, “The Investigation of University Students Online Learning Readiness Levels”, Anadolu Üniversitesi Eğitim Fakültesi Derg., ss. 144-163, Nis. 2021, doi: 10.34056/aujef.852145.
15. S. Konak, “Lisans Öğrencilerinin Çevrimiçi Öğrenmeye Hazır Bulunuşluk Düzeyi ve Demografik Özellikleri Arasındaki İlişki: ESOGÜ Turizm Fakültesi Örneği”, J. Hosp. Tour. Issues, c. 3, sy 1, Art. sy 1, Haz. 2021, doi: 10.51525/johti.932684.
16. E. K. Pullu ve M. N. Gömleksi̇z, “MESLEKYÜKSEKOKULU ÖĞRENCİLERİNİN COVİD 19 PANDEMİ SÜRECİNDE ÇEVRİMİÇİ ÖĞRENMEYE İLİŞKİN HAZIR BULUNUŞLUK VE TUTUM DÜZEYLERİ ARASINDAKİ İLİŞKİNİN ÇEŞİTLİ DEĞİŞKENLER AÇISINDAN İNCELENMESİ”, Milli Eğitim Derg., c. 49, sy 1, Art. sy 1, Ara. 2020, doi: 10.37669/milliegitim.788019.
17. E. Saritaş ve S. Barutçu, “Öğretimde Dijital Dönüşüm ve Öğrencilerin Çevrimiçi Öğrenmeye Hazır Bulunuşluğu: Pandemi Döneminde Pamukkale Üniversitesi Öğrencileri Üzerinde Bir Araştırma”, J. Internet Appl. Manag., Haz. 2020, doi: 10.34231/iuyd.706397.
18. Y. Tanrıkulu, G. Tanrıkulu, ve Ö. Tikit, “Determination of readiness and expectation regarding the e-learning process in first year students of vocational school of health services”, Ara. 2021, doi: 10.5281/zenodo.5819049.
19. A. Uyar ve A. Karakuyu, “MESLEK YÜKSEKOKULU ÖĞRENCİLERİNİN E-ÖĞRENMEYE YÖNELİK HAZIRBULUNUŞLUKLARI”, Int. J. Soc. Humanit. Sci. Res. JSHSR, c. 7, sy 60, ss. 2905-2914, Oca. 2020, doi: 10.26450/jshsr.2119.
20. A. B. Üstün, F. G. Karaoğlan-Yılmaz, ve R. Yılmaz, “Öğretmenler E-Öğrenmeye Hazır mı? Öğretmenlerin E-Öğrenmeye Yönelik Hazır Bulunuşluklarının İncelenmesi Üzerine Bir Araştırma”, s. 16, 2020.
21. S. K. Sharma, S. Gülseçen, Z. Özen, ve E. Kartal, “Assessing E-learning Readiness of Instructors in Turkey”, s. 16.
22. S. Karaburçak, “AKADEMİK BAŞARI, FİZİKSEL AKTİVİTE, EGZERSIZ VE SPOR İLİŞKİSİ: 2015’TEN GÜNÜMÜZE BİBLİYOGRAFİ TABANLI SİSTEMATİK DERLEME”, J. Int. Soc. Res., c. 14, sy (76-5), ss. 594-601, Oca. 2021, doi: 10.17719/jisr.11463.
23. C. Ti̇fti̇k, “Akademisyenler ve Psikolojik Yıldırma: Sistematik Bir Derleme Araştırması”, IBAD Sos. Bilim. Derg., sy 11, Art. sy 11, Ara. 2021.
24. R. Arikan, “ANKET YÖNTEMİ ÜZERİNDE BİR DEĞERLENDİRME”, Haliç Üniversitesi Sos. Bilim. Derg., c. 1, sy 1, Art. sy 1, Eyl. 2018.
25. H. R. Aslan ve Ö. Ç. Tolan, “Çocuk ve Ergenlerdeki Davranış Problemlerinde Çözüm Odaklı Terapi Uygulamalarının İncelenmesi: Sistematik Bir Gözden Geçirme”, İnönü Üniversitesi Eğitim Fakültesi Derg., c. 22, sy 3, Art. sy 3, Ara. 2021, doi: 10.17679/inuefd.919480.
26. S. Şahi̇nli̇ ve M. Tarim, “SAĞLIK SEKTÖRÜNDE HİZMET KALİTESİ ÖLÇÜMÜ: SİSTEMATİK BİR DERLEME ÇALIŞMASI”, J. Healthc. Manag. Leadersh., sy 1, Art. sy 1, May. 2020, doi: 10.35345/johmal.538930.
27. B. Sabanci, “UZAKTAN EĞİTİM SİSTEMİNİN ÖĞRENCİ MOTİVASYONU ÜZERİNE ETKİSİ : TÜRKİYE’DE YAPILAN ANKET ÇALIŞMALARININ DERLENMESİ”, Türkiye Mesleki Ve Sos. Bilim. Derg., sy 6, Art. sy 6, Eyl. 2021, doi: 10.46236/jovosst.984472.
28. T. Tuncer, E. Aydemir, F. Özyurt, S. Dogan, S. B. Belhaouarı, & E. Akbal, E., “AN AUTOMATED COVİD-19 RESPİRATORY SOUND CLASSİFİCATİON METHOD BASED ON NOVEL LOCAL SYMMETRİC EUCLİDEAN DİSTANCE PATTERN AND RELİEFF İTERATİVE MRMR FEATURE SELECTOR”, International Advanced Researches and Engineering Journal , c. 5, s. 3, sy. 334-343, 2021 . DOI: 10.35860/iarej.898830
29. T. Tuncer, S.Dogan, F. Ozyurt, "AN AUTOMATED RESİDUAL EXEMPLAR LOCAL BİNARY PATTERN AND İTERATİVE RELİEFF BASED COVID-19 DETECTİON METHOD USİNG CHEST X-RAY İMAGE", Chemometrics and Intelligent Laboratory Systems, c. 203, 2020. https://doi.org/10.1016/j.chemolab.2020.104054.
30. U. Ercan ve S. Irmak, “KARAR AĞAÇLARI KULLANILARAK TÜRKİYE HANEHALKI ZEYTİNYAĞI TÜKETİMİ GÖRÜNÜMÜNÜN BELİRLENMESİ”, Int. J. Manag. Econ. Bus., c. 13, sy 3, ss. 0-0, Eyl. 2017, doi: 10.17130/ijmeb.2017331329.
31. N. Dokumacı Sütçü, “C5.0 Karar Ağacı Algoritması ile Öğretmenlerin FeTeMM Farkındalıklarının İncelenmesi”, Yaşadıkça Eğitim, c. 35, sy 2, ss. 459-476, Eyl. 2021, doi: 10.33308/26674874.2021352298.
32. A. Kaçmaz, K. Yildiz, ve A. Buldu, “C4.5 Sınıflandırma Algoritması ile Teknoloji Bağımlılığı Üzerine Bir Uygulama”, s. 10, 2020.
33. G. Aksu ve C. O. Güzeller, “PISA 2012 Matematik Okuryazarlığı Puanlarının Karar Ağacı Yöntemiyle Sınıflandırılması: Türkiye Örneklemi”, EĞİTİM VE BİLİM, c. 41, sy 185, Haz. 2016, doi: 10.15390/EB.2016.4766.
34. B. Baran ve F. Ata, “An Investigation of University Students’ Information Literacy Self-Efficacy Perceptions by Using Decision Tree Method”, s. 24, 2014.
35. M. Kayri̇ ve S. Günüç, “Türkiye’deki ortaöğretim öğrencilerinin internet bağımlılık düzeyini etkileyen bazı faktörlerin karar ağaçları yöntemleri ile incelenmesi”, Kuram Ve Uygulamada Eğitim Bilim., c. 10, sy 4, Art. sy 4, 2010.
36. Ö. Demir, “ÖĞRENCİLERİN VE ÖĞRETİM ELEMANLARININ E- ÖĞRENMEYE HAZIR BULUNUŞLUK DÜZEYLERİNİN İNCELENMESİ: HACETTEPE ÜNİVERSİTESİ EĞİTİM FAKÜLTESİ ÖRNEĞİ”, Yüksek Lisans, Hacettepe Üniversitesi, 2015.
37. I. Guyon, J. Weston, S. Barnhill, ve V. Vapnik, “Gene Selection for Cancer Classification using Support Vector Machines”, Mach. Learn., c. 46, sy 1, ss. 389-422, Oca. 2002, doi: 10.1023/A:1012487302797.
38. F. Pedregosa vd., “Scikit-learn: Machine Learning in Python”, J. Mach. Learn. Res. 12, ss. 2825-2830, 2011.
39. Vladimir N. Vapnik, Statistical learning theory. New York: Wiley, 1998.
40. L. Breiman, “Random Forests”, Mach. Learn., c. 45, sy 1, ss. 5-32, Eki. 2001, doi: 10.1023/A:1010933404324.
41. M. Fratello ve R. Tagliaferri, “Decision Trees and Random Forests”, içinde Encyclopedia of Bioinformatics and Computational Biology, S. Ranganathan, M. Gribskov, K. Nakai, ve C. Schönbach, Ed. Oxford: Academic Press, 2019, ss. 374-383. doi: 10.1016/B978-0-12-809633-8.20337-3.
42. L. Breiman, J. H. Friedman, R. A. Olshen, ve C. J. Stone, Classification And Regression Trees. New York: Routledge, 1984. doi: 10.1201/9781315139470.
43. J. H. Friedman, “Greedy function approximation: A gradient boosting machine.”, Ann. Stat., c. 29, sy 5, ss. 1189-1232, Eki. 2001, doi: 10.1214/aos/1013203451.
44. T. Chen ve C. Guestrin, “XGBoost: A Scalable Tree Boosting System”, içinde Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco California USA, Ağu. 2016, ss. 785-794. doi: 10.1145/2939672.2939785.
45. Jason Brownlee, XGBoost with Python: Gradient Boosted Trees with XGBoost and scikit-learn, V1.10., c. 1.10. Machine Learning Mastery, 2018.
46. L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, ve A. Gulin, “CatBoost: unbiased boosting with categorical features”, s. 11, 2018.
47. D. Micci-Barreca, “A preprocessing scheme for high-cardinality categorical attributes in classification and prediction problems”, ACM SIGKDD Explor. Newsl., c. 3, sy 1, ss. 27-32, Tem. 2001, doi: 10.1145/507533.507538.