THE USE OF EDUCATIONAL DATA MINING IN THE EVALUATION OF PISA 2018 SCORES OF SCIENCE

Year 2021, Volume: 3 Issue: 2, 212 - 227, 24.12.2021

Esra Uğuz , Seren Şahin , Ramazan Yılmaz

https://doi.org/10.53694/bited.887425

Cited By: 2

Abstract

This study is based on PISA 2018 science scores; It aims to evaluate the educational status of parents, the time spent for science learning, the use of ICT at school, and the perceived ICT proficiency variables, with data mining algorithms. Data mining analysis programs RapidMiner with 6890 students of relations between Turkey sample science with variable K-nn, evaluating their naive Bayes and research methods with random forest algorithms and decision methods were evaluated. When the data analysis science score was tested normal, normal test results were given, the analysis was performed with 6001. There was a significant difference in the success of the science score of the parents' education status, the time spent to learn science and the ICT use score at school had a negative relationship with science achievement. The rate of predicting student science achievement of selected independent variables was 77% in K-nn algorithm, 55.06% in naive bayes algorithm and 62.22% in random forest algorithm.

Keywords

PISA 2018, decision trees, educational data mining, data analysis, science lesson

PİSA 2018 FEN BİLİMLERİ PUANLARININ DEĞERLENDİRİLMESİNDE EĞİTSEL VERİ MADENCİLİĞİNİN KULLANIMI

Abstract

Bu çalışma, PISA 2018 fen bilimleri puanlarının; anne-baba eğitim durumu, fen öğrenmek için haftalık harcanan zaman, okulda bilgi iletişim teknolojileri (BİT) kullanımı ve öğrenci algılanan BİT yeterliği değişkenlerinden yararlanılarak veri madenciliği algoritmalarından olan karar ağaçları ile değerlendirilmesini amaçlamaktadır. Ayrıca veri madenciliği analiz programı Rapid Miner ile 6890 öğrenciden oluşan Türkiye örneklemi kullanılarak fen bilimleri puanı bağımlı değişkeninin bağımsız değişkenler ile arasındaki ilişkiye K-nn, naive bayes ve random forest algoritmalarıkullanılarak bakılmıştır.. Veri analizi öncesinde fen puanı sonuçlarının normal dağılımı bozulmayacak şekilde kayıp veri temizliği yapılmış, analiz 6001 veri üzerinden gerçekleştirilmiştir. Anne-baba eğitim durumunun fen puanı başarısında anlamlı bir farka sahip olmadığı, fen öğrenmek için haftalık harcanan zaman ve okulda BİT kullanımının fen puanı başarısında pozitif bir etkiye sahip olduğu, algılanan BİT yeterliğinin ise fen puanı başarısı ile arasında negatif bir ilişki tespit edilmiştir. Seçilen bağımsız değişkenlerin öğrenci fen başarı durumunu tahmin oranı K-nn algoritmasında %77, naive bayes algoritmasında %55.06, random forest algoritmasında ise %62.22 olarak saptanmıştır.

Keywords

Eğitsel veri madenciliği, karar ağaçları, veri analizi, fen bilimleri, PISA 2018

References

• Aksu, G. & Güzeller, C. O.(2016). PISA 2012 matematik okuryazarlığı puanlarının karar ağacı yöntemiyle sınıflandırılması: Türkiye Örneklemi. Eğitim ve Bilim Dergisi, cilt 41, sayı 185, 101-122
• Aksu, G. (2018). PISA başarısını tahmin etmede kullanilan veri madenciliği yöntemlerinin incelenmesi. [Investıgatıon of data mınıng methods used for estımatıng pısa success]. (Yayımlanmamış doktora tezi), Hacettepe Üniversitesi, Ankara.
• Akyüz, G. &Pala, M.N. (2010). PISA 2003 sonuçlarına göre öğrenci ve sınıf özelliklerinin matematik okuryazarlığına ve problem çözme becerilerine etkisi. 9(2), 668-678. http://ilkogretim-online.org.tr
• Anıl, D. (2009). Uluslararası öğrenci başarılarını değerlendirme programı (PISA)’nda Türkiye’deki öğrencilerin fen bilimleri başarılarını etkileyen faktörler. [Factors effecting science achievement of science students in programme for international students’ achievement (PISA) in Turkey]. Eğitim ve Bilim Dergisi, cilt 34, sayı 152, 88-100.
• Demir, E. (2015). Türkiye’de on beş yaş grubu öğrencilerin matematik okuryazarlık becerileri ile ilişkili duyuşsal özellikleri [Affective characteristics predicting 15-year-old students' mathematics literacy skills in Turkey]. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 48(2), 165-184.
• Durak, A., & Yılmaz, F. G. K. (2019). Artırılmiş gerçekliğin eğitsel uygulamaları üzerine ortaokul öğrencilerinin görüşleri [Opinions of secondary school students on educational practices of augmented reality]. Abant İzzet Baysal Üniversitesi Eğitim Fakültesi Dergisi, 19(2), 468-481.
• Güre B., Ö., Kayri M. & Erdoğan F. (2020). PISA 2015 matematik okuryazarlığını etkileyen faktörlerin eğitsel veri madenciliği ile çözümlenmesi. Eğitim ve Bilim Dergisi, cilt 45, sayı 202, 393-415.
• Gürsakal, S. (2012). PISA 2009 öğrenci başarı düzeylerini etkileyen faktörlerin değerlendirilmesi. [An evaluatıon of pısa 2009 student achıevement levels’ affectıng factors]. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Y.2012, C.17, S.1, s.441-452.
• Güzel, İş & Berberoğlu, G. (2010) Students' affective characteristics and their relation to mathematical literacy measures in the programme for international student assessment (PISA) 2003. Eurasian Journal of Educational Research, Issue 40, p93-113. 21p.
• Kamaliyah, K., Zulkardi, Z. & Darmawijoyo, D. (2013). Developing the sixth level of PISA-like mathematics problems for secondary school students. Journal On Mathematics Education, 4(1), 9-28. doi:10.22342/jme.4.1.559.9-28. http://ejournal2.unsri.ac.id/index.php/jme/issue/view/87
• Karaibrahimoğlu, A. (2014). Veri madenciliğinden birliktelik kuralı ile onkoloji verilerinin analiz edilmesi: Meram Tıp Fakültesi Onkoloji örneği [Analyzing breast cancer data using association rule mining: meram faculty of medicine oncology department]. (Yayınlanmamış doktora tezi). Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Karasar, N. (2006). Bilimsel araştırma yöntemi. Ankara: Nobel Yayın Dağıtım.
• Kaya, V. H. & Kaya, E. (2018). Fen başarısını artırmak için ödevler ve kurslar gerekli midir?, Anadolu Öğretmen Dergisi, 2(1), 48-62.
• OECD. (2019a). PISA 2018 results (volume I), what students know and can do. PISA, OECD Publishing, Paris, https://doi.org/10.1787/5f07c754-en.
• OECD. (2019b). PISA 2018 results (volume III), what school life means for students’ lives. PISA, OECD Publishing, Paris, https://doi.org/10.1787/acd78851-en.
• OECD. (2019c). What is PISA? in PISA 2018 results (volume II): Where all students can succeed: OECD Publishing, Paris, https://doi.org/10.1787/65d76825-en.
• Özbay, Ö. (2015). Veri madenciliği kavramı ve eğitimde veri madenciliği uygulamaları. Uluslararası Eğitim Bilimleri Dergisi / The Journal of International Education Science Yıl: 2, Sayı: 5, Aralık 2015, s. 262- 272
• Pajares, F. and Miller, M. D. (1994). The role of self-efficacy and self-concept beliefs in mathematical problem- solving: A path analysis. Journal of Educational Psychology, 86, 193-203
• Sağlam. Z., Pekyürek,F.M. & Yılmaz, R. (2020). PISA 2018 araştırmasına etki eden duygusal faktörlerin veri madenciliği yöntemleri ile incelenmesi. [Investigation of emotional factors affecting PISA 2018 research with data mining methods]. Bilgi ve İletişim Teknolojileri Dergisi/Journal of Information and Communication Technologies, 2(2), 113-148.
• Şenel, C. H. (2020). Öğrencilerin bilgi ve iletişim teknolojilerine erişebilirliğinin matematik başarısına etkisi- PISA 2018 Türkiye Örneklemi. 13.Uluslararası Eğitim Camiası Sempozyumu, Rize
• Thuarisingham, B.M., (2003). Web data mining and applications in business ıntelligence and counter terrorism, USA: CRC Press LLC, Boca Raton, FL.