Son Yirmi Yılda Türk Fen Bilimleri Ders Kitaplarında Gözlem Kavramının Metin Madenciliği Yöntemleri ile Analizi

Öz

Yapılan bu çalışmanın amacı son yirmi yıl içerisinde yürürlüğe konulan 2000, 2005, 2013 ve 2018 fen öğretim programlarına göre hazırlanmış ders kitaplarında “gözlem” teriminin kullanım sıklığını, morfolojik yapısını ve bu terimin cümledeki diğer sözcüklerle birlikte kullanım durumlarını analiz etmektir. Karma yöntem araştırma deseni çerçevesinde yürütülen çalışmada, veriler doküman incelemesi yöntemiyle analiz edilmiştir. Araştırmanın örneklemini, dört farklı fen öğretim programına ait yirmi iki ders kitabı oluşturmaktadır. Ders kitapları ait olduğu öğretim programına göre sınıflandırılarak D2000, D2005, D2013 ve D2018 olarak kodlanmış ve bir doküman olarak kabul edilmiştir. Analiz sürecinde, doğal dil işleme temelli metin madenciliği teknikleri kullanılarak RStudio yazılımı yardımıyla R programlama dili içerisindeki farklı kütüphanelerle analizler gerçekleştirilmiştir. Araştırma iki aşamalı olarak yürütülmüştür. İlk aşamada “gözlem” kelimesinin kullanım sıklığı, sözcük türü, kip, tekil-çoğul, özne türü (öğrenci/bilim insanı) ve konu alanlarına göre dağılımı analiz edilmiştir. Bu analizlerde “gözlem” en sık D2000 dokümanında kullanılmış ve çoğul hal olarak yer almıştır. D2005 dokümanında, daha çok bilim insanlarına özgü gözlemlerle ilişkilendirilmiş ve diğer dokümanlardaki fiil türü yerine isim türünde kullanılmıştır. D2000’de “gözlem” en fazla “Canlılar ve Yaşam” konu alanında kullanılırken, diğer üç dokümanda “Fiziksel Olaylar” konu alanı etrafında yoğunlaşmıştır. İkinci aşamada ise kelime birlikte oluşum ağları, Kosinüs benzerliği ve terim frekansı-ters doküman frekansı analizi ile diğer sözcüklerle olan ilişkileri analiz edilmiştir. Ağ grafiği analizlerinde tüm dokümanlarda “değişim” ve “etkinlik” sözcüklerinin “gözlem” ile en sık birlikte kullanılan terimlerden oluştuğu, Kosinüs benzerliği değerinin en düşük D2000 ve D2005 dokümanları arasında olduğu saptanmıştır. Terim frekansı-ters doküman frekansı analizi ise dokümanların farklı kelime ve konulara odaklandığını göstermiştir.

Anahtar Kelimeler

• Metin madenciliği
• Ders kitabı
• TF-IDF
• Doğal dil işleme
• Kosinüs Benzerliği
• Ağ grafiği

A Text Mining Analysis of the Concept of Observation in Turkish Science Textbooks Over the Past Twenty Years

Öz

This study analyzes the frequency, morphological structure, and sentence-level co-use of the term “observation” in science textbooks prepared in line with the 2000, 2005, 2013, and 2018 science curricula implemented over the last twenty years. Using a mixed-method research design, data were analyzed through document analysis. The sample consists of twenty-two textbooks from four curricula. Textbooks were grouped by curriculum, coded as D2000, D2005, D2013, and D2018, and each group was treated as a single document. Analyses employed natural language processing–based text mining techniques in R (RStudio) with multiple packages. The research was conducted in two stages. In the first stage, the distribution of “observation” was examined by frequency, part of speech, tense/mood, singular–plural form, subject type (student/scientist), and content domains. “Observation” occurred most frequently in D2000 and was predominantly plural. In D2005, it was more often linked to observations attributed to scientists and was used as a noun rather than as a verb, unlike the other documents. In D2000, “observation” was used most in the domain “Living Things and Life,” whereas in the other three documents it concentrated around “Physical Events.” In the second stage, relationships with other words were analyzed using word co-occurrence networks, cosine similarity, and term frequency–inverse document frequency (TF–IDF) analysis. Network graph results showed that “change” and “activity” were among the most frequent co-occurring terms with “observation” across all documents, and that cosine similarity was lowest between D2000 and D2005. TF–IDF results further indicated that the documents focus on different vocabulary and overall topic emphases

Anahtar Kelimeler

• Text mining
• Textbook
• TF-IDF
• Natural language processing
• Cosine similarity
• Network graph

Kaynakça

1. AAAS (American Association for the Advancement of Science). (1990). Science for all Americans: A Project 2061 report on literacy goals in science, mathematics, and technology. Bulletin of Science, Technology & Society, 10(2), 93–101. https://doi.org/10.1177/027046769001000206
2. Abubakar, H. D., Umar, M., & Bakale, M. A. (2022). Sentiment classification: Review of text vectorization methods: Bag of words, TF-IDF, word2vec and doc2vec. SLU Journal of Science and Technology, 4(1&2), 27–33.
3. Adha, R. L., & Jayanti, U. N. A. D. (2022). Representation of aspects of science process skills in the high school biology textbook ecosystem materials. BIOEDUSCIENCE, 6(2), 137–147. https://doi.org/10.22236/j.bes/629327
4. Akın, A. A., & Akın, M. D. (2007). Zemberek: An open source NLP framework for Turkic languages. Structure, 10.
5. Ault, C. R. (1998). Criteria of excellence for geological inquiry: The necessity of ambiguity. Journal of Research in Science Teaching, 35(2), 189–212.
6. Bakaç, E. (2019). Comparison of 2005 science and technology curriculum, 2013 and 2018 science course curriculums. Journal of Human Sciences, 16(3), 857–870.
7. Başar, T., & Demiral, Ü. (2020). 2013, 2017 ve 2018 fen bilimleri dersi öğretim programlarının karşılaştırılması: Comparison of 2013, 2017 and 2018 science curricula. Uludağ Üniversitesi Eğitim Fakültesi Dergisi, 33(1), 261–292.
8. Başdağ, G. (2006). 2000 yılı fen bilgisi dersi ve 2004 yılı fen ve teknoloji dersi öğretim programlarının bilimsel süreç becerileri yönünden karşılaştırılması (Yayımlanmamış yüksek lisans tezi). Gazi Üniversitesi, Ankara.

9. Berry, M. W., & Castellanos, M. (2004). Survey of text mining. Computing Reviews, 45, 548.
10. Binns, I. C., & Bell, R. L. (2015). Representation of scientific methodology in secondary science textbooks. Science & Education, 24(7–8), 913–936.
11. Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python: Analyzing text with the natural language toolkit. Sebastopol, CA: O’Reilly Media,Inc.
12. Brezina, V. (2018). Statistics in corpus linguistics: A practical guide. Cambridge: Cambridge University Press. https://doi.org/10.1017/9781316410899
13. Candaş, B., Kıryak, Z., Kılınç, A., Güven, O., & Özmen, H. (2019). 2013 ve 2018 fen bilimleri öğretim programlarının genel eğilimler ve yaklaşımlar açısından karşılaştırılması. Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 16(1), 1668–1697.
14. Chakraborty, D., & Kidman, G. (2022). Inquiry process skills in primary science textbooks: Authors and publishers’ intentions. Research in Science Education, 52(5), 1419–1433. https://doi.org/10.1007/s11165-021-09996-4
15. Chinn, C. A., & Malhotra, B. A. (2001). Epistemologically authentic scientific reasoning. In K. Crowley, C. D. Schunn, & T. Okada (Eds.), Designing for science: Implications from everyday, classroom, and professional settings (pp. 351–392). Mahwah, NJ: Psychology Press. https://doi.org/10.4324/9781410600318
16. Chinn, C. A., & Malhotra, B. A. (2002). Children's responses to anomalous scientific data: How is conceptual change impeded? Journal of Educational Psychology, 94(2), 327–343. https://doi.org/10.1037/0022-0663.94.2.327
17. Church, K. W., & Hanks, P. (1990). Word association norms, mutual information, and lexicography. Computational Linguistics, 16(1), 22–29.
18. Daston, L., & Lunbeck, E. (Eds.). (2011). Histories of scientific observation. Chicago: University of Chicago Press . Derman, A. (2014). Bilimsel okuryazarlığın tesisinde fen öğretim programlarının rolü. The Journal of Academic Social Science Studies, 26, 143–157. http://doi.org/10.9761/JASSS2270
19. Deveci, İ. (2018). Türkiye’de 2013 ve 2018 yılı fen bilimleri dersi öğretim programlarının temel öğeler açısından karşılaştırılması. Mersin Üniversitesi Eğitim Fakültesi Dergisi, 14(2), 799–825. https://doi.org/10.17860/mersinefd.342260
20. Dindar, H., & Taneri, A. (2011). MEB’in 1968, 1992, 2000 ve 2004 yıllarında geliştirdiği fen programlarının amaç, kavram ve etkinlik yönünden karşılaştırılması. Kastamonu Eğitim Dergisi, 19(2), 363–378.
21. Duve, C. D. (2002). Life evolving: Molecules, mind, and meaning. New York: Oxford University Press.
22. Eberbach, C., & Crowley, K. (2009). From everyday to scientific observation: How children learn to observe the biologist’s world. Review of Educational Research, 79(1), 39–68. https://doi.org/10.3102/0034654308325899.
23. Ergin, M. (1980). Türk dilbilgisi (5. baskı). İstanbul: Boğaziçi Yayınları.
24. Ferreira-Mello, R., André, M., Pinheiro, A., Costa, E., & Romero, C. (2019). Text mining in education. WIREs Data Mining and Knowledge Discovery, 9(6), e1332. https://doi.org/10.1002/widm.1332
25. Ford, D. J. (2005). The challenges of observing geologically: Third graders’ descriptions of rock and mineral properties. Science Education, 89(2), 276–295. https://doi.org/10.1002/sce.20049
26. Gömleksiz, M. N., & Bulut, İ. (2007). Yeni fen ve teknoloji dersi öğretim programının uygulamadaki etkililiğinin değerlendirilmesi. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi, 32(32), 76–88.
27. Hamurcu, H. (2018). Comparative examination of the primary school science curricula in Turkey (curricula of 1992, 2001, 2005, 2013 and 2017). Journal of Education and Learning, 7(2), 261–279. http://doi.org/10.5539/jel.v7n2p261.
28. Harlen, W. (2018). The Teaching of Science in Primary Schools (7th ed.). London: David Fulton Publishers. https://doi.org/10.4324/9781315398907.
29. Hodson, D. (1986). The nature of scientific observation. School Science Review, 68(242), 17–28.
30. JISC. (2008). Text mining briefing paper. Bristol: Joint Information Systems Committee. http://jisc.ac.uk/media/documents/publications/bptextminingv2.pdf
31. Kalkan, Ö., & Tunç, T. (2020). Cumhuriyetten günümüze ortaokul fen dersleri öğretim programlarında yer alan fizik konularının karşılaştırmalı incelenmesi. Ihlara Eğitim Araştırmaları Dergisi, 5(2), 294–326.
32. Karatay, R., Timur, S., & Timur, B. (2013). 2005 ve 2013 yılı fen dersi öğretim programlarının karşılaştırılması. Adıyaman Üniversitesi Sosyal Bilimler Enstitü Dergisi, 6(15), 233–264. https://dergipark.org.tr/en/download/article-file/15098
33. Kaya, O. N., Doğan, A., & Öcal, E. (2008). Turkish elementary school students’ images of scientists. Eurasian Journal of Educational Research, 8(32), 83–100.
34. Kılıç, G. B., Haymana, F., & Bozyılmaz, B. (2008). İlköğretim fen ve teknoloji dersi öğretim programı’nın bilim okuryazarlığı ve bilimsel süreç becerileri açısından analizi. Eğitim ve Bilim, 33(150), 52–63.
35. Kilgarriff, A. (2001). Comparing corpora. International Journal of Corpus Linguistics, 6(1), 97–133. https://doi.org/10.1075/ijcl.6.1.05kil
36. Klahr, D., & Simon, H. A. (1999). Studies of scientific discovery: Complementary approaches and convergent findings. Psychological Bulletin, 125(5), 524–543. https://doi.org/10.1037/0033-2909.125.5.524
37. Kuzucu, M. (2023). Fen ders kitaplarındaki değişimin terim frekansı-ters doküman frekansı (TF-IDF) analizi ile incelenmesi (Yayımlanmamış yüksek lisans tezi). Niğde Ömer Halisdemir Üniversitesi, Niğde.
38. Lan, F. (2022). Research on text similarity measurement hybrid algorithm with term semantic information and TF-IDF method. Advances in Multimedia, 2022, 1–11. https://doi.org/10.1155/2022/7923262
39. Lemke, J. L. (1990). Talking science: Language, learning, and values. New York: Praeger.
40. Li, L., Wang, X., & Xu, Z. (2025). An improved EDAS method based on the cosine measure under the nested probabilistic linguistic environment. Journal of Control and Decision, 12(1), 65–80. https://doi.org/10.1080/23307706.2024.2439522
41. Liu, Y., & Zhu, W. Z. (2015). Analysis of inquiry-related tasks in new China high school mathematics textbooks for process skills. Cross-Cultural Communication, 11(6), 37–44. https://doi.org/10.3968/7114
42. Macro, C., & McFall, D. (2004). Questions and questioning: Working with young children. Primary Science Review, 83, 4–6.
43. Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9780511809071
44. Manning, C., & Schütze, H. (1999). Foundations of statistical natural language processing. Cambridge, MA: MIT Press.
45. Marjai, P., Lehotay-Kéry, P. & Kiss, A. (2021). Document similarity for error prediction. Journal of Information and Telecommunication, 5(4), 407–420. https://doi.org/10.1080/24751839.2021.1893496
46. Martin, M. (1972). Concepts of science education: A philosophical analysis. Glenview, III: Scott, Foresman.
47. Mayr, E. (1997). This is biology: The science of the living world. Cambridge, MA: Belknap Press of Harvard University Press.
48. Metz, K. E. (2000). Young children’s inquiry in biology: Building the knowledge bases to empower independent inquiry. In J. Minstrell, & E. van Zee (Eds.), Inquiring into inquiry learning and teaching in science (pp. 371–404). Washington, DC: American Association for the Advancement of Science.
49. Moore, J. A. (1993). Science as a way of knowing: The foundations of modern biology. Cambridge, MA: Harvard University Press.
50. Norris, S. P. (1985). The philosophical basis of observation in science and science education. Journal of Research in Science Teaching, 22(9), 817–833. https://doi.org/10.1002/tea.3660220905
51. Okan, B., & Kaya, E. (2023). Exploring the inclusion of nature of science in Turkish middle school science textbooks. Science & Education, 32(5), 1515–1535. https://doi.org/10.1007/s11191-022-00371-x
52. Özalp, D. (2023). Science curriculum requirements: Science process skills in textbook activities. Journal of Educational Research and Practice, 12(1), 123-141. https://doi.org/10.5590/JERAP.2023.13.1.10
53. Özcan, C., & Kaptan, F. (2019). 2018 yılı fen bilimleri öğretim programının fen bilimleri için uyarlanmış bloom taksonomisine göre incelenmesi. Gaziantep Üniversitesi Eğitim Bilimleri Dergisi, 3(2), 78-90. https://dergipark.org.tr/en/download/article-file/976188
54. Özcan, H., Oran, Ş., & Arık, S. (2018). Fen bilimleri dersi 2013 ve 2017 öğretim programlarının öğretmen görüşlerine göre karşılaştırmalı incelenmesi. Başkent University Journal of Education, 5(2), 156–166.
55. Özden, M. & Cavlazoğlu, B. (2015). İlköğretim fen dersi öğretim programlarında bilimin doğası: 2005 ve 2013 programlarının incelenmesi. Journal of Qualitative Research in Education, 3(2), 40–65.
56. Öztürk Akar, E. (2022). State-based curriculum making in Turkey: Curriculum modernization initiative and the latest science curriculum. The Curriculum Journal, 34(2), 298–314. https://doi.org/10.1002/curj.192
57. Padilla, M. J. (1990). The science process skills. Research Matters—to the Science Teacher, National Association for Research in Science Teaching. (ERIC Document Reproduction Service No. ED266961)
58. Park, K., Hong, J. S., & Kim, W. (2020). A methodology combining cosine similarity with classifier for text classification. Applied Artificial Intelligence, 34(5), 396–411. https://doi.org/10.1080/08839514.2020.1723868
59. Parvathy, M., Sundarakantham, K., & Shalinie, M. S. (2014). Cosine similarity-based clustering and dynamic reputation trust aware key generation scheme for trusted communication on social networking. Journal of Statistical Computation and Simulation, 85(16), 3247–3258. https://doi.org/10.1080/00949655.2014.964240
60. Ramos, J. (2003). Using TF-IDF to determine word relevance in document queries. Proceedings of the First Instructional Conference on Machine Learning, 242(1), 29–48.
61. Rogoff, B., Paradise, R., & Arauz, R. M. (2003). Firsthand learning through intent participation. Annual Review of Psychology, 54, 175–203. https://doi.org/10.1146/annurev.psych.54.101601.145118
62. Saban, Y., Aydoğdu, B., & Elmas, R. (2015). 2005 ve 2013 fen bilgisi öğretim programlarının 4. ve 5. sınıf düzeylerinin bilimsel süreç becerileri açısından karşılaştırılması. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, 1(32), 62–85. https://doi.org/10.21764/efd.15782
63. Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523. https://doi.org/10.1016/0306-4573(88)90021-0
64. Sebastiani, F. (2002). Machine learning in automated text categorization. ACM Computing Surveys, 34(1), 1–47. https://doi.org/10.1145/505282.505283
65. Sharma, B., & Singh, P. (2022). An improved anti-phishing model utilizing TF-IDF and AdaBoost. Concurrency and Computation: Practice and Experience, 34(26). https://doi.org/10.1002/cpe.7287
66. Sideri, A., & Skoumios, M. (2021). Science process skills in the Greek primary school science textbooks. Science Education International, 32(3), 231–236. https://doi.org/10.33828/sei.v32.i3.6
67. Simon, H. A. (2001). “Seek and ye shall find”: How curiosity engenders discovery. In K. Crowley, C. D. Schunn & T. Okada (Eds.), Designing for science: Implications from everyday, classroom, and professional settings (pp. 5–20). Mahwah, NJ: Psychology Press.
68. Smith, B. K., & Reiser, B. J. (2005). Explaining behavior through observational investigation and theory articulation. Journal of the Learning Sciences, 14(3), 315–360. https://doi.org/10.1207/s15327809jls1403_1
69. Solka, J. L. (2008). Text data mining: Theory and methods. Statistics Surveys, 2, 94–112. https://doi.org/10.1214/07-SS016
70. Sülün, A., & Kılıç, H. D. (2013). Fen ve teknoloji dersi öğretim programının kazanımlarına ilişkin öğretmen görüşlerinin değerlendirilmesi. Erzincan University Journal of Science and Technology, 6(1), 69–86.
71. Trstenjak, B., Mikac, S., & Donko, D. (2014). KNN with TF-IDF based framework for text categorization. Procedia Engineering, 69, 1356–1364. https://doi.org/10.1016/j.proeng.2014.03.129
72. Türk Dil Kurumu. (2024). Güncel Türkçe Sözlük. 10 Ekim 2024 tarihinde http://www.tdk.gov.tr adresinden erişildi.
73. Ünsal, Y. (2004). Türkiye’de son yıllardaki fen müfredatı geliştirme çabaları: 1992 ve 2000 fen müfredatlarının genel görünümü. Abant İzzet Baysal Üniversitesi Eğitim Fakültesi Dergisi, 4(2).
74. Vaienti, B., Di Lenardo, I., & Kaplan, F. (2024). Exploring cartographic genealogies through deformation analysis: Case studies on ancient maps and synthetic data. Cartography and Geographic Information Science, 52(5), 557–577. https://doi.org/10.1080/15230406.2024.2424891
75. Xu, S., Chen, X., & Liu, D. (2009). Classifying software visualization tools using Bloom’s taxonomy of cognitive domain. In 2009 Canadian Conference on Electrical and Computer Engineering (pp. 13–18). https://doi.org/10.1109/CCECE.2009.5090082
76. Yalçınkaya-Önder, E., Zorluoğlu, S. L., Timur, B., Timur, S., Güvenç, E., Özergun, İ., & Özdemir, M. (2022). Investigation of science textbooks in terms of science process skills. International Journal of Contemporary Educational Research, 9(2), 432–449.
77. Yapıcıoğlu, A. E. (2021). An analysis of the outcomes of the Turkish science curriculum in terms of science process skills, nature of science, socio-scientific issues, and STEM. International Journal of Curriculum and Instruction, 13(2), 925–949.
78. Yun, E., & Park, Y. (2018). Extraction of scientific semantic networks from science textbooks and comparison with science teachers’ spoken language by text network analysis. International Journal of Science Education, 40(17), 2118–2136. https://doi.org/10.1080/09500693.2018.1521536
79. Zanini, N., & Dhawan, V. (2015). Text mining: An introduction to theory and some applications. Research Matters: A Cambridge Assessment Publication, 19, 38–45. https://doi.org/10.17863/CAM.100316
80. Zhang, Y.-T., Gong, L., & Wang, Y.-C. (2005). An improved TF-IDF approach for text classification. Journal of Zhejiang University SCIENCE, 6(1), 49–55. https://doi.org/10.1631/BF02842477
81. Zhou, H. (2022). Research of text classification based on TF-IDF and CNN-LSTM. Journal of Physics: Conference Series, 2171(1). https://doi.org/10.1088/1742-6596/2171/1/012021