PISA 2018’de Okuduğunu Anlama Başarısını Yordayan Değişkenlerin Veri Madenciliği İle Belirlenmesi

Year 2021, Volume: 19 Issue: 4, 241 - 258, 28.12.2021

Yusuf Kasap , Nuri Doğan , Cem Koçak

https://doi.org/10.18026/cbayarsos.959609

Cited By: 4

Abstract

Bu araştırmada 2018 yılında PISA’ya katılan öğrencilere sınavla verilen öğrenci anketinden elde edilen 34 bağımsız değişken ile, okuduğunu anlama başarısını yordayabilen önemli değişkenleri belirleme amaçlanmıştır. Bu amaç için PISA’ya katılan 79 ülke başarı yüzdelik sırasına konuldu. Ardından eşit dilimlerle ülkeler alt orta ve üst dilimler olarak ayrıldı. Yüzdelik dilimlerine göre Türkiye dahil 9 ülke seçilerek çalışma örneklemi oluşturulmuştur. Türkiye, alt, orta, üst başarı grubu ve çalışma örneklemi verileri kullanılarak lojistik model ile yapılan analizlerde okuduğunu anlama başarısını yordayan önemli değişkenler, 5-8 arasında değişmiştir. Elde edilen sonuçlara göre başarıyı yordama da Türkiye, alt, orta, üst başarı grubu ülkeler ve çalışma örneklemi için, önemli ortak yordayıcıların; PISA testinin zorluk algısı, ebeveynlerin en yüksek eğitim düzeyi indeksi ve evdeki eğitimsel eşyalar olduğu belirlenmiştir. Daha sonra, önemli değişkenlerle başarıyı sınıflama, çapraz geçerlik ve tahmin performansları hesaplanmıştır. Önemli değişkenlerle yapılan kestirimlerle 34 değişkenle elde edilen modellerdeki performanslara yakın sonuçlar elde edildiği görülmüştür.

Keywords

Okuduğunu anlama, Veri Madenciliği, Sınıflama, Tahmin, PISA

Determining Variables That Predict Reading Comprehension Success by Data Mining in PISA 2018

Abstract

In this study, it was aimed to determine the important variables that can predict the success of reading comprehension with 34 independent variables obtained from the student questionnaire given to the students who participated in PISA in 2018. For this purpose, 79 countries participating in PISA were put in order of success percentage. Then, with equal slices, countries were divided into lower, middle and upper slices. The study sample was created by selecting 9 countries including Turkey according to their percentiles. In the analyzes made with the logistic model using Turkey, low, medium, high achievement group and study sample data, the important variables predicting reading comprehension success varied between 5 and 8. According to the results obtained, for Turkey, low, middle and high achievement group countries and study sample, it is determined that the important common predictors of success are, the difficulty perception of the PISA test, the highest education level index of the parents and the educational items in the house. Then, classification, cross-validation and prediction performances of success with important variables were calculated. It has been observed that with the estimations made with important variables, results were close to the performances of the models obtained with 34 variables.

Keywords

Reading comprehension, Data, PISA

References

• Abad, F. M., & Lopez, A. C. (2016). Data-mining techniques in detecting factors linked to academic achievement. Article in School Effectiveness and School Improvement, 28 (1), 39-55.
• Abad, F.M., Gamazo, A., & Rodriguez Conde, M.J. (2020). Educational Data Mining: Identification of factors associated with school effectiveness in PISA assessment. Studies in Educational Evaluation 66,100875.
• Abdous, M., He, W., & Yen, C. J. (2012). Using data mining for predicting relationships between online question theme and final grade. Journal of Educational Technology & Society, 15 (3), 77-88.
• Akgöbek, Ö., & Çakır, F. (2009).Veri Madenciliğinde Bir Uzman Sistem Tasarımı. Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri 11-13 Şubat 2009 Harran Üniversitesi, Şanlıurfa
• Akkurt, Z., & Karabağ Köse, E. (2019). Öğrenci başarısının okul, öğretmen ve aileyle ilgili değişkenler açısından incelenmesi. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 47, 1-16.
• Aksoy, E. (2014). Matematik alanında üstün yetenekli ve zekâlı öğrencilerin bazı değişkenler Açısından veri madenciliği ile belirlenmesi. (Yüksek Lisans Tezi). Ege Üniversitesi Eğitim Bilimleri Enstitüsü, İzmir.
• Aksu, G., & Güzeller, C.O. (2016).Classification of PISA 2012 mathematical literacy scores using decision-tree method: Turkey sampling. Education and Science 41(185), 101-122.
• Aksu, G., & Doğan, N. (2018).Veri madenciliğinde kullanılan öğrenme yöntemlerinin farklı koşullar altında karşılaştırılması. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 51(3), 71-100.
• Albayrak, A.S., & Yılmaz, Ş. K. (2009).Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama. S.D.Ü. İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52.
• Berberoğlu, G., Çalışkan, M., & Karslı, N. (2017). PISA 2015 sonuçlarına göre Türk öğrencilerinin ulaştığı düşünme süreçleri ve bu süreçlerle ilişkili olan değişkenler. Working Paper, August 2017
• Bezek Güze, Ö., Kayri, M., & Erdoğan, F. (2020).Analysis of factors effecting PISA 2015 mathematics literacy via educational data mining. Education and Science 45(202), 393-415.
• Büyükkıdık, C., & Mutluer, S. (2017). PISA 2012 verilerine göre matematik okuryazarlığının lojistik regresyon ile kestirilmesi. Marmara Üniversitesi Atatürk Eğitim Fakültesi Eğitim Bilimleri Dergisi, 46, 97-112 .
• Büyüköztürk, Ş., Kılıç Çakmak, E., Akgün, Ö. E., Karadeniz, Ş., & Demirel, F. (2018). Bilimsel Araştırma Yöntemleri. Ankara: Pegem Yayıncılık. Collet, D. (2003).Modelling Binary Data., Chapman & Hall, Florida
• Coşkuner, T. (2013). Uluslararası öğrenci başarı değerlendirme programı (PISA) 2009 uygulaması okuma becerileri okuryazarlığı’nı etkileyen faktörler. (Yayınlanmamış Yüksek Lisans Tezi). Akdeniz Üniversitesi Eğitim Bilimleri Enstitüsü, Antalya.
• Field, A. (2009). Discovering Statistics using SPSS. London: Sage.
• Gamazo, A., & Abad, F. M.(2020).An exploration of factors linked to academic performance in PISA 2018 through data mining techniques. Journal Frontiers in Psycholog, 11:575167
• Gülleroğlu, H. D., Bilican Demir, S. B., & Demirtaşlı, N. (2014). Türk öğrencilerinin PISA 2003-2006-2009 dönemlerindeki okuma becerilerini yordayan sosyoekonomik ve kültürel değişkenlerin araştırılması. Eğitim Bilimleri Fakültesi Dergisi, 47(2), 201-221.
• Güzle Kayır, Ç. (2012). PISA 2009 Türkiye verilerine dayanarak okuma becerileri alanında başarılı okullar ile başarısız okulları ayırt eden okul içi etmenler ve sosyo-ekonomik faktörler.(Yayınlanmış Yüksek lisans tezi). Akdeniz Üniversitesi Sosyal Bilimler Enstitüsü, Antalya.
• Ho Yu, C., Kaprolet, C., Jannasch Pennell, A., & Digangi, S. (2012). ‘A data mining approach to comparing american and canadian grade 10 students’ PISA science test performance. Journal of Data Science 10, 441-464.
• Hosmer, D.W., & Lemeshow, S. (2000). Applied lojistic regression. John WileySons, Inc : Canada. http://books.google.com.tr/ adresinden edinilmiştir.
• İnan, O. (2003). Öğrenci işleri veri tabanı üzerinde veri madenciliği uygulamaları. (Yüksek Lisans Tezi). Selçuklu Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Kiray, S.A., Gok, B., & Bozkir, A.S. (2015). Identifying the factors affecting science and mathematics achievement using data mining methods. Journal of Education in Science, Environment and Health (JESEH), 1(1), 28-48.
• MEB (2019 ). PISA 2015 ulusal ön raporu. Ankara: Meb.
• OECD (2019). PISA 2018 assessment and analytical framework. Paris: OECD Publishing.
• Özer Özkan, Y., & Acar Güvendir, M. (2014).Socioeconomic factors of students’relation to mathematic achievement: comparison of pısa and öbbs. International Online Journal of Educational Sciences, 6 (3), 776-789.
• Önder, R., Gelbal, S. (2016). PISA 2012 sonuçlarına göre matematik öz-yeterlik ve kaygı puanlarının bazı değişkenlere göre incelenmesi. Eğitim ve Öğretim Araştırmaları Dergisi 5(3),271-278.
• Özarslan, S. (2014). Öğrenci performansının veri madenciliği yöntemleri ile belirlenmesi. (Yayınlanmamış Yüksek Lisans Tezi).Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Kırıkkale.
• Tatlıdil, H. (1992). Uygulamalı çok değişkenli istatistiksel analiz. Ankara: Engin Yayınları.
• Tavşancıl, E., Yıldırım, Ö., & Bilican Demir, S. (2019).Direct and indirect effects of learning strategies and reading enjoyment on PISA 2009 reading performance. Eurasian Journal of Educational Research, 82, 169-190.
• Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics. Boston: Pearson/Allyn & Bacon.
• Urfalı Dadandı, P., Dadandı, İ., &Koca, F. (2018). PISA 2015 Türkiye sonuçlarına göre sosyoekonomik faktörler ile okuma becerileri arasındaki ilişkiler. Uluslararası Türkçe Edebiyat Kültür Eğitim Dergisi, 7(2), 1239-1252.
• Uyulgan, M. A., &Akkuzu, N. (2017).Ortaöğretim öğrencilerinin akademik başarılarını yordayan kişisel faktörler üzerine bir araştırma. Bartın Üniversitesi Eğitim Fakültesi Dergisi, 6( 3), 1211-1226.
• Vilenius Tuohimaa, P. M., Aunola, K., &Nurmi, J. E. (2008). The association between mathematical word problems and reading comprehension. Educational Psychology, 28(4), 409-426.
• Yıldırım, Ö. (2012). Okuduğunu anlama başarısıyla ilişkili faktörlerin aşamalı doğrusal modellemeyle belirlenmesi (PISA 2009 Hollanda, Kore ve Türkiye karşılaştırması). (Yayınlanmış Doktora Tezi).Ankara Üniversitesi Eğitim Bilimleri Enstitüsü Ankara.
• Yue, Y. (2021). The prediction model of college english performance based on data mining under the concept of obe. Engineering Intelligent Systems, 2 ,89–96.
• Yung, J. L., Hsu, Y. C., & Rice, K. (2012). Integrating data mining in program evaluation of k-12 online education. Journal of Educational Technology & Society, 15 (3), 27-41.
• Wu, M., & Adams, R.J. (2002). Plausible Values – Why They Are Important. International Objective Measurement Workshop, New Orleans.