Predicting Factors Affecting PISA 2015 Mathematics Literacy via Radial Based Artificial Neural Network

Year 2019, Volume: 3 Issue: 1, 1 - 11, 23.05.2019

Özlem Bezek Güre , Murat Kayri , Fevzi Erdoğan

Abstract

In this study, using Radial Based Artificial Neural Networks (RBANN)
method, one of the methods of data mining, it is aimed to determine the factors
affecting PISA 2015 Mathematics literacy. Mathematics literacy scores, which
were made in categorical form with three level dependent variables, and 25
independent variables, considered to have affected the dependent variables,
were used in the study. Also, in order to determine factors affecting PISA 2015
Mathematics literacy, information obtained from a total of 4422 students, 2165
(49%) of whom were males and 2257 (51%) of whom were females, participating in
the exam was used in this study. According to the results of the study, the
correct classification rate of mathematics achievement in the radial based
artificial neural network model was found to be 85.2%. In addition, it is seen
that the most important factor affecting Mathematics literacy was Turkish
language success status, and that the other variables setting significance,
respectively, are targeted point in school life, father education level and
mother education level.

Keywords

PISA, Data Mining, Radial Based Artificial Neural Networks

References

• [1] Aksu G., Güzeller C.O., Eser, M.T., Öğrencilerin Matematik Okuryazarlığı Performanslarının Aşamalı Doğrusal Model (HLM) ile İncelenmesi: PISA 2012 Türkiye Örneği. Türk Eğitim Derneği Eğitim ve Bilim, 42 (191), 247-266, 2017. [2] Akyüz G. ve Pala M.N., Pisa 2003 sonuçlarına göre öğrenci ve sınıf özelliklerinin matematik okuryazarlığına ve problem çözme becerilerine etkisi. İlköğretim Online. 9(2). 668-678, 2010. [3] Milli Eğitim Bakanlığı (MEB). (2016). PISA 2009 projesi ulusal ön raporu. (Online) http://odsgm.meb.gov.tr/test/analizler/docs/PISA/PISA2015_Ulusal_Rapor.pdf last retrieved on March 05, 2018. [4] Türkan. A.. Üner S.S., Alcı. B., 2012 PISA Matematik testi puanlarının bazı değişkenler açısından incelenmesi. Ege Eğitim Dergisi. (16) 2: 358-372, (2015). [5] Şahin, M.G., Yıldırım, Y., PISA 2012 Türkiye Örnekleminde Matematiksel Davranış ve Matematik Okuryazarlığını Etkileyen Değişkenlerin Çok Gruplu Hibrit Modelleme ile İncelenmesi. Eğitim ve Bilim. 41 (187): 181-198, 2016. [6] Çelen. F.K., Çelik. A., Seferoğlu. S.S., Türk eğitim sistemi ve Pisa sonuçları. Akademik Bilişim’11 - XIII. Akademik Bilişim Konferansı Bildirileri, Malatya, 2016. [7] OECD (2016). PISA 2015 mathematics framework. Pisa 2015 assessment and analytical framework: science. reading. mathematic and financial literacy. Paris: OECD Publishing. (Online) http://www.oecd.org/publications/pisa-2015-assessment-and-analytical-framework-9789264281820-en.htm [8] Chen, S.Y., Liu, X., The contribution of data mining to information science. Journal of Information Science, 30(6): 550–558, 2004. [9] Fayyad, U., Piatetsky-Shapiro, G., Smyth, P.,. From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 1996. [10] Larose, D.T., Discovering Knowledge in Data. A John Wiley & Sons, Inc., Publication, New Jersey, 2005. [11] Shaw, M.J., Subramaniam, C., Tan, G.W., Welge M.E., Knowledge management and data mining for marketing. Decision Support Systems, 1(31):127–137, 2001. [12] Akbilgiç, O., Hibrit Radyal Tabanlı Fonksiyon Ağları İle Değişken Seçimi ve Tahminleme: Menkul Kıymet Yatırım Kararlarına İlişkin Bir Uygulama, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı Sayısal Yöntemler Bilim Dalı Doktora Tezi, İstanbul, 2011. [13] Cganh, F.-J., Liang, J.-M., & Chen, Y.-C., Flood Forecasting Using Radial Basis Function Neural Networks. IEEE Transaction on Systems, Man, and Cybernetics Part C: Applications and Rewievs , 31 (4), 530-535, 2001. [14] Priddy. K. L. and Keller. P. E., Artificial neural networks: An introduction. Washington: SPIE Press, 2005. [15] Hamzaçebi. C.,Yapay sinir ağları. Bursa, Ekin, 2011. [16] Jain K.A. and Mao. J., Artificial Neural Network; A Tutorial, 1996. Online http://metalab.uniten.edu.my/~abdrahim/mitm613/Jain1996_ANN%20-%20A%20Tutorial.pdf last retrieved on February 10, 2018. [17] Pislaru ve Shebani, C., Shebani, A., Identification of Nonlinear Systems Using Radial Basis Function Neural Network, World Academy of Science, Engineering and Technology International Journal of Computer, Information, Systems and Control Engineering 8 No:9, 2014. [18] Hastie, T., Tibshirani, R., & Friedman, J.,The elements of statistical learning. New York, NY, USA: Springer, 2009. [19] Kayri M., Çokluk Bökeoğlu Ö., Examining Factors of Academic Procrastination Tendency of University Students by using Artificial Neural Network. International Journal of Computer Trends and Technology, 34(1), 1-8., 2016. [20] Kayri. M., An ıntelligent approach to educational data: performance comparison of the multilayer perceptron and the radial basis function artificial neural networks. Educational Sciences: Theory & Practice. 15(5). 1247-1255, 2015. [21] Chen, J., Zhao, P., Liang, H., Mei, T. Motion planning for autonomous vehicle based on radial basis function neural network in unstructured environment. Sensors, 14, 17548–17566, 2014. [22] Santos, R.B., Rupp M., Bonzi S.J., Fileti AM.F., Comparison Between Multilayer Feedforward Neural Networks and a Radial Basis Function Network to Detect and Locate Leaks in Pipelines Transporting Gas, Chemical Engineering Transactions, 32, 2013. [23] Chadha, A.N., Nirmal, J.N., Zaveri, M.A., A Comparison of Multi-layer Perceptron and Radial Basis Function Neural Network in the Voice Conversion Framework, InternationalConference on Advancesin Computing, Communicationsand Informatics (ICACCI), 2014. [24] Billings, S.A., Zheng, G.L. Radial Basis Function Network Configuration Using Genetic Algorithms. Research Report. ACSE Research Report 521 . Department of Automatic Control and Systems Engineering, 1994. [25] İnal H., Turabik T. (2016). Matematik Başarısını Etkileyen Bazı Faktörlerin Yordama Gücünün Yapay Sinir Ağları İle Belirlenmesi. Uşak Üniversitesi Eğitim Araştırmaları Dergisi, 3(1), 23-50. [26] Tepehan, T., Türk öğrencilerinin PISA başarılarının yordanmasında yapay sinir ağı ve lojistik regresyon modeli performanslarının karşılaştırılması (doktora tezi). Hacettepe Üniversitesi, Ankara, 2011. [27] Çırak, G. ve Çokluk, Ö., Yükseköğretimde öğrenci başarılarının sınıflandırılmasında yapay sinir ağları ve lojistik regresyon yöntemlerinin kullanılması.Mediterranean Journal of Humanities, 3(2), 71-79, 2013. [28] Tosun, S., Sınıflandırmada yapay sinir ağları ve karar ağaçları karşılaştırması: Öğrenci başarıları üzerine bir uygulama (doktora tezi). İstanbul Teknik Üniversitesi, İstanbul, 2007. [29] Anıl, D., Uluslararası öğrenci başarılarını değerlendirme programı (Pisa)’nda Türkiye’deki öğrencilerin fen bilimleri başarılarını etkileyen faktörler. Eğitim ve Bilim Dergisi, 34 (152), 87-100, 2009. [30] Aksu G. ve Güzeller C.O., Pisa 2012 Matematik Okuryazarlığı Puanlarının Karar Ağacı Yöntemiyle Sınıflandırılması: Türkiye Örneklemi. Türk Eğitim Derneği Eğitim ve Bilim Dergisi, 41(185), 101-122, 2016. [31] Azapağası İlbağı E. ve Akgün L, Pisa 2003 öğrenci anketine göre 15 yaş grubu öğrencilerinin tutumlarının incelenmesi. Western Anatolia Journal of Educational Science. 3(6), 67-90, 2012. [32] Dursun, Ş. ve Dede, Y., Öğrencilerin matematikte başarısını etkileyen faktörler: matematik öğretmenlerinin görüşleri bakımından. Gazi Eğitim Fakültesi Dergisi, 24 ( 2), 217-230, 2004. [33] Gürsakal, S., PISA 2009 Öğrenci başarı düzeylerini etkileyen faktörlerin değerlendirilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 17(1), 441-452, 2009. [34] Mutluer, C. ve Büyükkıdık, S., PISA 2012 verilerine göre matematik okuryazarlığının lojistik regresyon ile kestirilmesi. Marmara Üniversitesi Atatürk Eğitim Fakültesi Eğitim Bilimleri Dergisi, 46: 97-112, 2017. [35] Uysal E. ve Yenilmez K., Sekizinci sınıf öğrencilerinin matematik okuryazarlığı düzeyi. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 12(2), 1-15, 2011.