Mesleki ve Teknik Eğitim Kurumları Dış Değerlendirme Verileriyle Tasarlanan Özdeğerlendirme ve Faaliyet Tavsiye Sistemi

Öz

Mesleki ve teknik eğitim kurumları istihdamın artırılmasında ve toplumsal refahın yükseltilmesinde kritik bir role sahip olduğundan kurumlar için kalite güvence sistemi bir zorunluluk olarak görülmektedir. Bu sebeple, Mesleki Teknik Eğitim Genel Müdürlüğünün kalite güvencesi yönergesine göre kurumlar öz değerlendirme raporları hazırlamakta ve beş yıl içerisinde en az bir defa müdürlük tarafından dış değerlendirmeye tabi tutulmaktadır. Dış değerlendirmeler, okulların eğitim kaliteleri hakkında geri dönüş almaları ve kendilerini geliştirmeleri açısından önemli bir fırsattır. Ancak kurumlarının sayısının fazla olması, dış değerlendirmeyi gerçekleştirecek kalite tetkikçisi yetiştirme süreci, eğitim kurumunun kalitesini geri bildirim olarak alabilmesini geciktirmektedir. Bu çalışmada, bu sorunlara çözüm olarak veri önişleme teknikleri, çoklu lineer regresyon algoritması ve spearman korelasyonu kullanılarak bir öz değerlendirme ve faaliyet tavsiye sistemi tasarlanmış, bir web arayüz programı yazılmıştır. Çalışma, Mesleki ve Teknik Eğitim Genel Müdürlüğünün izni ile Türkiye genelinde zümrelere göre örnekleme yöntemi ile belirlenen Mesleki ve Teknik Eğitim Kurumlarına ait gerçek veriler üzerinde gerçekleştirilmiştir.

Anahtar Kelimeler

• Dış Değerlendirme
• Mesleki ve Teknik Eğitim
• Öz Değerlendirme
• Tavsiye Sistemi
• Veri Analizi
• Çoklu Doğrusal Regresyon

Self-Assessment and Activity Recommendation System Designed Using External Quality Evaluation Data of Vocational and Technical Education Institutions

Abstract

Vocational and technical education institutions are significant in fostering employment opportunities and advancing social welfare. Consequently, a quality assurance system is a crucial component for these institutions. By the directive of the Directorate General of Vocational and Technical Education, institutions are required to prepare self-assessment reports and undergo external evaluations by the directorate at least once every five years. External evaluations provide invaluable insight into education quality, but the number of institutions and the process of training auditors cause delays. To address these challenges, this study has developed a self-assessment and activity recommendation system that employs data preprocessing techniques, multiple linear regression algorithms, and Spearman correlation, and a web interface program was developed. The research used real data from vocational and technical institutions across Turkey, selected through a Stratified sampling method, with permission from the Directorate General of Vocational and Technical Education.

Keywords

• Data Analysis
• External Evaluation
• Multiple Lineer Regression
• Recommender System
• Self assessment
• Vocational and Technical Education

Kaynakça

1. Ahadi A., Singh A., Bower M., Garrett M. Text mining in education a bibliometrics-based systematic review. Education Sciences 2022; 12(3): 1-17.
2. Albayrak SA. Çoklu doğrusal bağlantı halinde en küçük kareler tekniğinin alternatifi yanlı tahmin teknikleri ve bir uygulama. Uluslararası Yönetim İktisat ve İşletme Dergisi 2005; 1(1): 105-126.
3. Ayazgök B., Yalçin N. The investigation of the metacognitive awarness and the academic achievement about simple machine in 7th grade students in primary education. Procedia - Social and Behavioral Sciences 2014; 141: 774-780.
4. Aydın ZE. Balina optimizasyonu algoritması ve rastgele alt uzaylar temelli eksik veri tamamlama yöntemleri. Eskişehir Teknik Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi; sayfa no:3-9, Eskişehir, Türkiye, 2021.
5. Bütün H., Aslanargun E. Mesleki̇ ve tekni̇k eği̇ti̇m kurumlarında toplam kalite yönetimi̇ uygulamalarının değerlendirilmesi̇. Anadolu Eğitim Liderliği ve Öğretim Dergisi 2016; 4(1): 40-57.
6. Doger Ş. Veri kalitesinde eksik veri sorunlarının derin öğrenme yöntemi ile çözülmesi: Üretici çekişmeli ağlar ile bir uygulama. Dokuz Eylül Üniversitesi Fen Bilimleri Yüksek Lisans Tezi; sayfa no:37-42, İzmir, Türkiye 2020.
7. EC - EQAVET. EQAVET - European quality assurance in vocational education and training - employment, social affairs & inclusion - European commission. Employment, Social Affairs & Inclusion. https://ec.europa.eu/social/main.jsp?catId=1536&langId=en
8. Er Ş., Keskintürk T. Zümrelere göre örneklemede zümre sınırlarının ve örnek büyüklüklerinin genetik algori̇tma kullanılarak beli̇rlenmesi̇. YA/EM 2006 – Yöneylem Arastırması / Endüstri Mühendisliği – 26.Ulusal Kongresi, 1- 04 Temmuz 2006, sayfa no:386-389, Kocaeli, Türkiye.

9. González-Calatayud V., Prendes-Espinosa P., Roig-Vila R. Artificial intelligence for student assessment: A systematic review. Applied Sciences 2021; 11(12): 1-15.
10. Grech A., Camilleri AF. The digitization of tvet and skills systems. International Labour Organization; 2020. https://www.um.edu.mt/library/oar/handle/123456789/108201
11. Houngue P., Hountondji M., Dagba T. An effective decision-making support for student academic path selection using machine learning. International Journal of Advanced Computer Science and Applications 2022; 13(11): 727-734.
12. İslamoğlu AH., Alnıaçık Ü. Sosyal bilimlerde araştırma yöntemleri (Spss uygulamalı). 5. Baskı Beta Basım Yayım 2016;196-201.
13. Ma X. English teaching in artificial intelligence-based higher vocational education using machine learning techniques for students’ feedback analysis and course selection recommendation. Journal of Universal Computer Science 2022; 28(9): 898–915.
14. MTEGM. Mesleki ve teknik eğitim genel müdürlüğü dış değerlendirme portalı. MEB. 2000. http://ozdegerlendirme.meb.gov.tr/ disdegerlendirme
15. MTEGM. Mesleki̇ ve tekni̇k eği̇ti̇m kurumları kali̇te güvencesi̇ dış değerlendi̇rme uygulama rehberi̇. MEB. 2016. https://ozdegerlendirme.meb.gov.tr/dosya/Dis_Degerlendirme_Uyg.Reh.2019-1.pdf
16. Nadzinski G., Gerazov B., Zlatinov S., Kartalov T., Dimitrovska MM., Gjoreski H., Gams M. Data science and machine learning teaching practices with focus on vocational education and training. Informatics in Education 2023; 22(4): 671-690. Namoun A., Alshanqiti A. Predicting student performance using data mining and learning analytics techniques: A systematic literature review. Applied Science 2021; 11(1): 1-28.
17. Ovla HD., Taşdelen B. Aykırı değer yönetimi. Mersin Üniversitesi Sağlık Bilimleri Dergisi 2012; 5(3): 1-8.
18. Pereira RM., Costa YMG., Silla CN. MLTL: A multi-label approach for the Tomek Link undersampling algorithm. Neurocomputing 2020; 383: 95-105.
19. Rodzalan SA., Noor NNM., Abdullah NH., Saat MM. Tvet skills gap analysis in electrical and electronic industry: Perspectives from academicians and industry players. Journal of Technical Education and Training 2022; 14(1): 158-177.
20. Siegel AF. Chapter 12 - Multiple regression: predicting one variable from several others. Practical Business Statistics. 7nd ed. Academic Press 2016; 355–418.
21. Smyshlyayeva LG., Semenova NA., Kurovskaya VL., Smyshlyayev KA. Assessing and developing the professionalism of professors of university teacher education: Changes in concept and technology. Tomsk State University Journal 2022; 483: 209-220.
22. Tashakkori A., Teddlie C. Sage handbook of mixed methods in social and behavioral research. 2nd ed. Thousand Oaks, CA: Sage Publications; 2010.
23. TC Sanayi ve Teknoloji Bakanlığı. Kalkınma ajansları kalkınma planlamasında istatistiki bölge birimleri sınıflandırması. 2023. https://ka.gov.tr/sayfalar/kalkinma-planlamasinda-istatistiki-bolge-birimleri-siniflandirmasi--24
24. UNESCO. Transforming technical and vocational education and training for successful and just transitions: UNESCO strategy 2022-2029. United Nations Educational, Scientific and Cultural Organization 2022; (2022):1-26.
25. Wang Y., Li Y. Chinese vocational skills education quality assessment using attentive dual residual generative adversarial network optimized with gazelle optimization algorithm. International Journal of Robotics & Automation 2024; 39(10): 1-10.
26. Waweru SM. A predictive model for quality-assurance in normal learning through student feedback in Kiambu technical colleges. Master of Science Data Analytics KCA University, sayfa no:44-57, Nairobi, Kenya; 2021.
27. Windelband L. Artificial intelligence and assistance systems for technical vocational education and training opportunities and risks. In: Shajek A., Hartmann E.A. (ed) New Digital Work: Digital Sovereignty at the Workplace. Springer International Publishing 2023; 195-213.
28. Yazgın Ö. Vocational and technical education: a comprehensive review. The Istanbul Journal of Social Sciences and Humanities 2024; 2(1): 1-17.
29. Ye JH., He Z., Bai B., Wu YF. Sustainability of technical and vocational education and training (tvet) along with vocational psychology. Behavioral Sciences 2024; 14(859): 1-5.