Comparison of Classification Performances of Mathematics Achievement at PISA 2012 with the Artificial Neural Network, Decision Trees and Discriminant Analysis

Yıl 2020, Cilt: 7 Sayı: 4, 773 - 799, 20.12.2020

Emre Toprak , Selahattin Gelbal

https://doi.org/10.21449/ijate.778864

Cited By: 5

Öz

This study aims to compare the performances of the artificial neural network, decision trees and discriminant analysis methods to classify student achievement. The study uses multilayer perceptron model to form the artificial neural network model, chi-square automatic interaction detection (CHAID) algorithm to apply the decision trees method and linear discriminant analysis. The performance of each method has been investigated in different sample sizes when classifying into different numbered subgroups. The study has revealed that the artificial neural network has the best performance in large, medium and small sample sizes when classifying into six, three and two subgroups. In the very small sample size, which has homogeneous variance-covariance matrices, the discriminant analysis performs the best, while in the very small sample size, which does not have homogeneous variance-covariance matrices, it is the discriminant analysis which performs the best when classifying into six subgroups and the artificial neural network performs the best when classifying into two and three subgroups. Considering the performances of the methods with respect to sample size, it can be concluded that as the sample size gets smaller, the performance of the decision trees method gets worse, whereas the performance of the discriminant analysis method improves. No correlation of this kind has been found with regard to the artificial network method.

Anahtar Kelimeler

Artificial neural netwok, Decision trees, Discriminant analysis, PISA, Student achievement

Kaynakça

• Akpınar, H. (2014). DATA, veri madenciliği veri analizi [DATA, data mining data analysis]. İstanbul: Papatya Publishing.
• Albayrak, A. S. (2006). Uygulamalı çok değişkenli istatistik teknikleri [Applied multivariate statistical techniques]. Ankara: Asil Publishing.
• Altıntaş, Y. (2010). Veri madenciliğinin tıpta kullanımı ve bir uygulama: Hemodiyaliz hastaları için risk seviyelerine göre risk faktörlerinin etkileşimlerinin incelemesi [The usage of data mining in medicine and an application: Analysis of risk factors’ interactions according to risk levels for hemodialysis patients] (Unpublished Master Thesis). Gazi University, Institute of Science, Ankara.
• Altun, F., & Yazıcı, H. (2013). Ergenlerin benlik algılarının yordayıcıları olarak: Akademik öz-yeterlik inancı ve akademik başarı [As predictors of self-perception of adolescents: Academic self-efficacy belief and academic success]. Kastamonu Education Journal, 21(1), 145-156.
• Anıl, D. (2008). The analysis of factors affecting the mathematical achievement of Turkish students in the PISA 2006 evaluation program with structural equation modeling. American-Eurasian Journal of Scientific Research, 3(2), 222-227.
• 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]. Education ve Science, 34(152), 87-100.
• Anıl, D. (2011). Türkiye’nin PISA 2006 fen bilimleri başarısını etkileyen faktörlerin yapısal eşitlik modeli ile incelenmesi [Investigation of factors affecting PISA 2006 science success of Turkey with structural equation model]. Educational Sciences: Theory & Practice, 11(3), 1253-1266.
• Argüden, Y., & Erşahin, B. (2008). Veri madenciliği: Veriden bilgiye, masraftan değere [Data mining: From data to information, from cost to value]. İstanbul: ARGE Consultancy.
• Arslantaş, İ. H., Özkan, M., & Külekçi, E. (2012). Eğitim fakültesi öğrencilerinin akademik başarı düzeylerinin bazı demografik değişkenler açısından incelenmesi [The analysis of academic achievement for some of demographic variables in education faculty of students]. Electronic Journal of Social Sciences, 11(39), 395-407.
• Atar, H. Y. (2012). Resim-iş öğretmenliği özel yetenek sınavlarının sınıflama doğruluğu üzerine bir çalışma [A study on the classification accuracy of art teaching special aptitude exams]. Education ve Science, 37(163), 283-296.
• Avcılar, M. Y., & Yakut, E. (2015). Yapay sinir ağları çoklu lojistik regresyon ve çoklu diskriminant analiz yöntemlerinden yararlanarak yerel seçimlerde seçmen tercihlerinin belirlenmesi: Osmaniye ili uygulaması [Determination of the voter preferences by using ANNs, multiple logistic regression and multiple discriminant analysis techniques: An investigation local elections in Osmaniye province]. International Journal of Alanya Faculty of Business Administration, 7(2), 207-224.
• Baş, N. (2006). Yapay sinir ağları yaklaşımı ve bir uygulama [Artificial neural networks approach and an application] (Unpublished Master Thesis). Mimar Sinan Fine Arts University, Institute of Science, İstanbul.
• Bayru, P. (2007). Elektronik basında tüketici tercihleri analizi: yapay sinir ağları ile lojit modelin performans değerlendirilmesi [Electronic media consumer choice analysis: Artificial neural networks to evaluate the performance of the model with lojit] (Unpublished Doctoral Dissertation). İstanbul University, Institute of Social Sciences, İstanbul.
• Bektaş, S. (2012). Çok şeritli bölünmüş karayollarında kaza tahmin modeli [A crash prediction model for multilane divided highway]. Journal of Advanced Technology Sciences, 1(1), 27-34.
• Benli, Y. K. (2005). Bankalarda mali başarısızlığın öngörülmesi lojistik regreyon ve yapay sinir ağı karşılaştırması [Prediction of financial failure in banks, comparison of logistic regression and artificial neural network]. The Journal of the Industrial Arts Education Faculty of Gazi University, 16, 31-46.
• Berry, M. J., & Linoff, G. S. (2004). Data mining techniques: For marketing, sales, and customer relationship management (2nd ed). USA: Wiley.
• Brown, J. D. (2007). Neural network prediction of math and reading proficiency as reported in the educational longitudinal study 2002 based on non-curricular variables (Unpublished Doctoral Dissertation). Duquesne University, Pennsylvania, ABD.
• Burmaoğlu, S. (2009). Birleşmiş milletler kalkınma programı beşeri kalkınma endeksi verilerini kullanarak diskriminant analizi, lojistik regresyon analizi ve yapay sinir ağlarının sınıflandırma başarılarının değerlendirilmesi [Evaluating classification success of discriminant analysis, logistic regression analysis and neural network models using UN Developing Programme’s Human Development Index] (Unpublished Doctoral Dissertation). Atatürk University, Institute of Social Sciences, Erzurum.
• Büyükışıklar, A. (2014). Karar ağaçları sınıflandırma algoritması ile toprak özgül direnci tespitinde jeolojik veri kullanımı [Use of geological data to determine soil resistance with decicson tree classification algorithm] (Unpublished Master Thesis). Bilecik Şeyh Edebali University, Institute of Science, Bilecik.
• Büyüköztürk, Ş., Çakmak, E. K., Akgün, Ö. E., Karadeniz, Ş., & Demirel, F. (2008). Bilimsel araştırma yöntemleri [Scientific research methods]. Ankara: Pegem Academy.
• Ceylan, E. (2009). PISA 2006 sonuçlarına göre Türkiye’de fen okuryazarlığında düşük ve yüksek performans gösteren okullar arasındaki farklar [Differences between low-and high-performing schools in scientific literacy based on PISA 2006 results in Turkey]. Van Yuzuncu Yil University Journal of Education, 6(2), 55-75.
• Chang, L. Y., & Wang, H. W. (2006). Analysis of traffic injury: an application of non-parametric classification tree techniques. Accident Analysis Prevention, 38, 1019-1027.
• Çakmak, Z. (1992). Çoklu ayırma ve sınıflandırma analizi: Eğitimde öğrencilerin meslek seçimine uygulanması [Multiple discriminant and classification analysis: Application to students' choice of profession in education]. No: 658, Eskişehir: Anadolu University Publications.
• Çakmak, Z., & Kara, H. (2011). Yöneticilerde benlik algılamalarının belirlenmesi: Sanayi örgütlerinde bir araştırma [Determination of self-perception of managers: A research in industrial organizations]. Dumlupınar University Journal of Social Sciences, 30, 301-310.
• Çankaya, A. B., Taşdemir, G., Taşdemir, S., & Zilelioğlu, O. (2009). Delici göz yaralanması olgularımızın uzun dönem sonuçları ve görsel prognozu etkileyen faktörlerin analizi [Long term results of our penetrating eye injury cases and factors influencing final visual outcome]. Turkish Journal of Ophthalmology, 39, 220-226.
• Çırak, G. (2012). Yükseköğretimde öğrenci başarılarının sınıflandırılmasında yapay sinir ağları ve lojistik regresyon yöntemlerinin kullanılması [The usage of artifical neural network and logistic regression methods in the classification of student achievement at higher education] (Unpublished Master Thesis). Ankara University, Institute of Educational Sciences, Ankara.
• Çiftçi, C., & Çağlar, A. (2014). Ailelerin sosyo-ekonomik özelliklerinin öğrenci başarısı üzerindeki etkisi: Fakirlik kader midir? [The effect of socio-economic characteristics of parents on student achievement: Is poverty destiny?]. International Journal of Human Sciences, 11(2), 155-175.
• Çokluk, Ö., Şekercioğlu, G., & Büyüköztürk, Ş. (2012). Sosyal bilimler için çok değişkenli istatistik SPSS ve LISREL uygulamaları [Multivariate statistics for social sciences SPSS and LISREL applications] (2nd ed). Ankara: Pegem Academy.
• Çölkesen, İ. (2009). Uzaktan algılamada ileri sınıflandırma tekniklerinin karşılaştırılması ve analizi [Comparing and analyzing of advanced classifier techniques in remote sensing] (Unpublished Master Thesis). Gebze Technical University, Institute of Engineering and Science, Kocaeli.
• Çuhadar, M. (2006). Turizm sektöründe talep tahmini için yapay sinir ağları kullanımı ve diğer yöntemlerle karşılaştırmalı analizi (Antalya ilinin dış turizm talebinde uygulama) [Forecasting tourism demand by artificial neural networks and time series methods (A comparative analysis in inbound tourism demand to Antalya)] (Unpublished Doctoral Dissertation). Süleyman Demirel University, Institute of Social Sciences, Isparta.
• Demircioğlu, N., Ayan, S., Avanoğlu, B., & Sıvacıoğlu, A. (2004). Kastamonu-Taşköprü orman fidanlığında üretilen 2+0 yaşlı sarıçam (Pinus sylvestris L.) fidanlarının TSE normlarına göre değerlendirilmesi [Evaluation of 2+0 aged nursery of the scotch pine (Pinus sylvestrisl.) raised in Kastamonu-Taşköprü forest nursery as to TSE quality classification]. Pamukkale University Journal of Engineering Sciences, 10(2), 243-251.
• Demiryürek, O. (2009). Polyester/viskon karışımlı open-end rotor iplik özelliklerinin yapay sinir ağları ve istatistiksel modeller kurularak tahmin edilmesi [Predicting the properties of polyester/viscose blended open-end rotor spun yarns by establishing artificial neural networks and statistical models] (Unpublished Doctoral Dissertation). Çukurova University, Institute of Science, Adana.
• Dikmen, İ. (2001). Strategic decision making in construction companies: An artificial neural network based decision support system for international market selection (Unpublished Doctoral Dissertation). Middle East Technical University, Institute of Science, Ankara.
• Doğan, N. (2009). Bilgisayar destekli istatistik öğretiminin başarıya ve istatistiğe karşı tutuma etkisi [The effect of computer-assisted statistics instruction on achievement and attitudes toward statistics]. Education and Science, 34(154), 3-16.
• Durmuş, G. (2008). Çimentolu harç özelliklerine yüksek sıcaklık etkisinin belirlenmesi ve yapay sinir ağı ile modellenmesi [Examining of the effect of high temperature on cement mortar properties and modelling by artificial neural network] (Unpublished Doctoral Dissertation). Gazi University, Institute of Science, Ankara.
• Elmas, Ç. (2003). Yapay sinir ağları [Artificial neural networks]. Ankara: Seçkin Bookstore.
• Erayman, Y. (2004). KSÜ öğrencilerinin sosyo-ekonomik yapılarının başarıları üzerine etkisi [The effect of socio-economical structure of the students in KSU on their success] (Unpublished Master Thesis). Kahramanmaraş Sütçü İmam University, Institute of Science, Kahramanmaraş.
• Ercan, S., Işık, O., & Çakır, V. (2005). HHO öğrencilerinin akademik başarılarına etki eden faktörlerin çoklu regresyon yöntemiyle incelenmesi [Investigation of factors affecting academic success of HHO students with multiple regression method] V. National Production Research Symposium (25-27 November 2005), İstanbul Commerce University, İstanbul.
• Erdil, Z. (2010). Sosyoekonomik olarak risk altında bulunan çocuklara yönelik erken müdahale programları ve akademik başarı ilişkisi [Relationship of academic achievement and early intervention programs for children who are at socio-economical risk]. Hacettepe University Faculty of Health Sciences Nursing Journal, 17(1), 72-78.
• Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Human Genetics, 7(2), 179-188.
• Garson, D. G. (1998). Neural networks, an ıntroductory guide for social scientists. London: Sage Publications, 25.
• Gelbal, S. (2008). Sekizinci sınıf öğrencilerinin sosyoekonomik özelliklerinin Türkçe başarısı üzerindeki etkisi [The effect of socio-economic status of eighth grade students on their achievement in Turkish]. Education and Science, 33(150), 1-13.
• Grimm, L. G., & Yarnold, P. R. (1995). Reading and understanding multivarite statistics. Washington D. C.: American Psychological Association.
• Güneri, N., & Apaydın, A. (2004). Öğrenci başarılarının sınıflandırılmasında lojistik regresyon analizi ve sinir ağları yaklaşımı [Logistic regression analysis and neural networks approach in the classification of students’ achievement]. Gazi University Journal of Commerce and Tourism Education Faculty, 1, 170-188.
• Güzeller, C., & Kelecioğlu, H. (2006). Ortaöğretim kurumları öğrenci seçme sınavının sınıflama geçerliği üzerine bir çalışma [The study on classification validity of secondary education student selection & placement exam]. H. U. Journal of Education, 30, 140-148.
• Haykin, S. (1994). Neural networks: a comprehensive foundation. New York: Mcmillan Press.
• Huberty, C. J. (1994). Applied discrimination analysis. New York: John Wiley and Sons.
• İbrahim, Z., & Rusli, D. (2007). Predicting students’ academic performance: Comparing neural network, decision tree and linear regression. 21. Annual SAS Malasia Forum (5 September 2007), Kuala Lumpur, Malezya.
• Jain, A. K., Mao, J., & Mohiuddin, K. (1996). Artificial neural networks: A tutorial. IEEE Computer Society, 29(3), 31-44.
• Johnson, R. A., & Wichern, D. W. (1992). Applied multivariate statistical analysis (3rd ed.). New Jersey: Prentice-Hall, Englewood Cliffs.
• Kachigan, S. K. (1991). Multivariate statistical analysis: A conceptual introduction (2nd ed.). New York: Radius Press.
• Kaptan, S. (1995). Bilimsel araştırma ve istatistik teknikleri [Scientific research and statistical techniques]. Ankara: Tekışık Web Offset.
• Karasar, N. (2014). Bilimsel araştırma yöntemi [Scientific research method] (27th ed). Ankara: Nobel Academic Publishing.
• Kayıkçı, Ş. (2014). Web sayfalarının yapay sinir ağları ile sınıflandırılması [Classification of web pages using neural networks] (Unpublished Doctoral Dissertation). Marmara University, Institute of Social Sciences, İstanbul.
• Kayri, M., & Boysan, M. (2008). Bilişsel yatkınlık ile depresyon düzeyleri ilişkisinin sınıflandırma ve regresyon ağacı analizi ile incelenmesi [Assesment of relation between cognitive vulnerability and depression’s level by using classification and regression tree analysis]. H. U. Journal of Education, 34, 168-177.
• Kayri, M., & Günüç, S. (2010). Türkiye’deki ortaöğretim öğrencilerinin internet bağımlılık düzeyini etkileyen bazı faktörlerin karar ağaçları yöntemleri ile incelenmesi [An analysis of some variables affecting the internet dependency level of Turkish adolescents by using decision tree methods]. Educational Sciences: Theory & Practice, 10(4), 2465-2500.
• Kaysılı, B. (2008). Akademik başarının arttırılmasında aile katılımı [Parent involvement to improve academic achievement]. Ankara University Faculty of Educational Sciences Journal of Special Education, 9(1), 69-83.
• Keser, İ., & Sarıbay, E. (2007). İzmir’deki özel ve devlet üniversitelerindeki öğrencilerin başarılarını etkileyen faktörlerin belirlenmesi ve karşılaştırılması [Determining and comparing the factors effecting the performance of the students at the state and private universities in İzmir]. Muğla University Journal of Institute of Social Sciences, 18. 39-48.
• Kıran, Z. (2010). Lojistik regresyon ve C&RT analizi yöntemleriyle sosyal güvenlik kurumu ilaç provizyon sistemi üzerinde bir uygulama [An application on Pharmacy Provision System data of Social Security Institution by logistic regression and CART analysis technics] (Unpublished Master Thesis). Gazi University, Institute of Science, Ankara.
• Kibar, F. (2015). Türkiye’de kamyon kazaları ile trafik ve karayolu geometrik özellikleri arasındaki ilişkinin istatistiksel ve yapay sinir ağları yöntemleri ile modellenmesi [Modeling the relationship between truck accidents and traffic and highway geometric characteristics in turkey with statistical and artificial neural networks methods] (Unpublished Doctoral Dissertation). Karadeniz Technical University, Institute of Science, Trabzon.
• Klecka, W. (1980). Discriminant analysis. London: Sage Publications.
• Kocadağlı, O. (2012). Genetik algoritmalar ve bulanık üyelik fonksiyonlarıyla hibrit bayes yapay sinir ağları [Hybrid bayesian neural networks with genetic algorithms and fuzzy membership functions] (Unpublished Doctoral Dissertation). Mimar Sinan Fine Arts University, Institute of Science, İstanbul.
• Köktürk, F. (2012). K-en yakın komşuluk, yapay sinir ağları ve karar ağaçları yöntemlerinin sınıflandırma başarılarının karşılaştırılması [Comparing classification success of k-nearest neighbor, artifical neural network and decision trees] (Unpublished Doctoral Dissertation). Bülent Ecevit University, Institute of Health Sciences, Zonguldak.
• Kurt, İ., & Türe, M. (2005). Tıp öğrencilerinde alkol kullanımını etkileyen faktörlerin belirlenmesinde yapay sinir ağları ile lojistik regresyon analizinin karşılaştırılması [Comparison of artificial neural networks and logistic regression analysis in determining factors affecting alcohol consumption among medicine students]. Medical Journal of Trakya University, 22(3), 142-153.
• Kuyucu, Y. E. (2012). Lojistik regresyon analizi (LRA), yapay sinir ağları (YSA) ve sınıflandırma ve regresyon ağaçları (C&RT) yöntemlerinin karşılaştırılması ve tıp alanında bir uygulama [Comparison of logistic regression analysis (LRA), artificial neural networks (ANNs) and classfication and regression trees (C&RT) methods and an aplication in medicine] (Unpublished Master Thesis). Gaziosmanpaşa University, Institute of Health Sciences, Tokat.
• Munakata, T. (2008). Fundamentals of the new artificial intelligence, neural, evolutionary, fuzzy and more. Springer-Verlag London Limited.
• Naik, B., & Ragothaman, S. (2004). Using neural networks to predict MBA student achievement. College Student Journal, 38(1), 143-149.
• Ocakoğlu, G. (2006). Lojistik regresyon analizi ve yapay sinir ağı tekniklerinin sınıflama karşılaştırması ve bir uygulama [Logistic regression analysis and comparison of classification characteristics of artifical nueural network techniques and an application] (Unpublished Master Thesis). Uludağ University Institute of Health Sciences, Bursa.
• Oğuzlar, A. (2004). CART analizi ile hanehalkı işgücü anketi sonuçlarının özetlenmesi [Summary of results of household labor force with CART analysis]. Atatürk University Journal of Economics and Administrative Sciences, 18(3-4), (79-90).
• Oğuzlar, A. (2006). Hanehalkı tipi ve kır-kent ayırımının diskriminant analizi ile incelenmesi [Assessment of household type and rural-urban area distinctions by means of discriminant analysis]. Akdeniz University Faculty of Economics & Administrative Sciences Faculty, 11, 70-84.
• Okioga, C. K. (2013). The impact of students’ socio-economic background on academic performance in universities, a case of students in Kisii University College. American International Journal of Science, 2(2), 38-46.
• Özabacı, N., & Acat, M. B. (2005). Sosyo ekonomik çevreye göre ilköğretim öğrencilerinin başarısızlık nedenleri [Causes of academic underachievement among socio-economic level for secondary school student]. Eskişehir Osmangazi University Journal of Social Sciences, 6(1), 145-170.
• Özdamar, K. (2010). Paket programlar ile istatistiksel veri analizi (Çok değişkenli analizler) [Statistical data analysis with package programs (Multivariate analysis)] (7th ed), Eskişehir: Kaan Bookstore.
• Özdemir, Y., & Koruklu, N. (2011). Üniversite öğrencilerinde değerler ve mutluluk arasındaki ilişkinin incelenmesi [Investigating relatinship between values and happiness among university students]. Van Yuzuncu Yil University Journal of Education, 8(1), 190-210.
• Özekes, S. (2003). Veri madenciliği modelleri ve uygulama alanları [Data mining models and application areas]. Journal of İstanbul Commerce University, 3, 65-82.
• Özer, Y., & Anıl, D. (2011). Öğrencilerin fen ve matematik başarılarını etkileyen faktörlerin yapısal eşitlik modeli ile incelenmesi [Examining the factors affecting students' science and mathematics achievement with structural equation modeling]. H. U. Journal of Education, 41, 313-324.
• Özkan, Y. (2013). Veri madenciliği yöntemleri [Data mining methods] (2nd ed). İstanbul: Papatya Publishing.
• Öztemel, E. (2012). Yapay sinir ağları [Artificial neural networks] (1st ed). İstanbul: Papatya Publishing.
• Öztürk, S., Coşkun, A., & Dirsehan, T. (2012). Fırsat sitelerine yönelik e-sadakati belirleyen boyutların incelenmesi [Analyzing dimensions determining e-loyalty towards daily deal sites]. Eskişehir Osmangazi University Journal of Economics and Administrative Sciences, 7(2), 217-239.
• Pehlivan, G. (2006). CHAID analizi ve bir uygulama [CHAID analysis and an application] (Unpublished Master Thesis). Yıldız Technical University, Institute of Science, İstanbul.
• Rokach, L., & Maimon, O. (2008). Data mining with decision trees: Theory and applications. Series in Machine Perception and Artificial Intelligence. Vol. 69, USA: World Scientific Publishing Co. Pte. Ltd.
• Sabancı, K. (2013). Şeker pancarı tarımında yabancı ot mücadelesi için değişken düzeyli herbisit uygulama parametrelerinin yapay sinir ağlarıyla belirlenmesi [Determination of variable rate herbisit application parameters with artificial neural networks for weed contention in agriculture of sugar beet] (Unpublished Doctoral Dissertation). Selçuk University, Institute of Science, Konya.
• Sadi, Ö., Uyar, M., & Yalçın, H. (2014). Lise öğrencilerinin biyoloji dersi başarılarında, cinsiyet, sınıf düzeyi ve aile yapısının rolü [The role of gender, grade level and family environment in high school students' biology achievement]. Journal of Research in Education and Teaching, 3(2), 138-151.
• Sağıroğlu, Ş., Beşdok, E., & Erler, M. (2003). Mühendislikte yapay zeka uygulamaları-I, yapay sinir ağları [Artificial intelligence applications in engineering-I, artificial neural networks] (1st ed). Kayseri: Ufuk Publishing.
• Serinkan, C., & Bardakcı, A. (2007). Pamukkale Üniversitesinde çalışan öğretim elemanlarının iş tatminlerine ilişkin bir araştırma [Job satisfaction: An empirical research towards academicians working in Pamukkale University]. Selçuk University Karaman Journal of FEAS, 12, 152-163.
• Seven, A. (1993). Yapay sinir ağları ile doku sınıflandırma [Tissue classification using artificial neural networks] (Unpublished Master Thesis). İstanbul Technical University, Institute of Science, İstanbul.
• Silahtaroğlu, G. (2013). Veri madenciliği kavram ve algoritmaları [Data mining concepts and algorithms] (2nd ed). İstanbul: Papatya Publishing.
• Simpson, P. K. (1990). Artificial neural systems foundations, paradigms, application and implementation. Elmsford NY: Pergamon Press.
• Sun, J., & Hui L. (2008). Data mining method for listed companies’ financial distress prediction. Knowledge-Based Systems, 21(1), 1-5.
• Şahin, A. (2011). İlköğretim 6. sınıf öğrencilerinin dinleme becerisi farkındalıklarının sosyo-ekonomik düzeye göre incelenmesi [A study on 6th grade students’ self-awareness on listening skills according to their socio-economic level]. Çankırı Karatekin University Journal of Institute of Social Sciences, 2(1), 178-188.
• Şirvan, O. (2010). Yapay sinir ağları kullanılarak retina görüntülerinden hastalık tanılama sistemi tasarımı ve gerçekleştirimi [Design and implementation of disease recognition system in retinal images using artificial neural networks] (Unpublished Doctoral Dissertation). Ege University, Institute of Science, İzmir.
• Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics (5th ed.). Allyn & Bacon/Pearson Education.
• Tatlıdil, H. (1996). Uygulamalı çok değişkenli istatistiksel analiz [Applied multivariate statistical analysis]. Ankara: Cem Web Offset.
• Tepehan, T. (2011). Türk öğrencilerinin PISA başarılarının yordanmasında yapay sinir ağı ve lojistik regresyon modeli performanslarının karşılaştırılması [Performance comparison of artificial neural network and logistic regression model in predicting Turkish students’ PISA success] (Unpublished Doctoral Dissertation). Hacettepe University, Institute of Social Sciences, Ankara.
• Thomas, L. C. (2000). A survey of credit and behavioral scoring: Forecasting financial risk of lending to consumer. International Journal of Forecasting, 16(2), 149-172.
• Thigpen, M. K. (2000). Data mining techniques in education: a comparison of conventional statistical linear regression and neural network based tools (Unpublished Doctoral Dissertation). University of Alabama, Alabama, ABD.
• Tolon, M. (2007). Tüketici tatmininin yapay sinir ağları yöntemiyle ölçülmesi ve Ankara’daki perakendeci mağazaların müşterileri üzerinde bir uygulama [Measuring customer satisfaction with artificial neural networks and an application of retail consumers in Ankara] (Unpublished Doctoral Dissertation). Gazi University, Institute of Social Sciences, Ankara.
• Torun, T. (2007). Finansal başarısızlık tahmininde geleneksel istatistiki yöntemlerle yapay sinir ağlarının karşılaştırılması ve sanayi işletmeleri üzerinde uygulama [Comparison of traditional statisticial techniques with artificial neural networks in financial failure prediction and an application on industry firms] (Unpublished Doctoral Dissertation). Erciyes University, Institute of Social Sciences, Kayseri.
• Tosun, S. (2007). Sınıflandırmada yapay sinir ağları ve karar ağaçları karşılaştırması: Öğrenci başarıları üzerine bir uygulama [Artificial neural networks and decision tree comparison in classification analysis: An application on students’ success] (Unpublished Master Thesis). İstanbul Technical University, Institute of Science, İstanbul.
• Türe, M., Kurt, İ., Yavuz, E., & Kürüm, T. (2005). Hipertansiyonun tahmini için çoklu tahmin modellerinin karşılaştırılması (Sinir ağları, lojistik regresyon ve esnek ayırma analizleri) [Comparison of multiple prediction models for hypertension (Neural network, logistic regression and flexible discriminant analyses)]. The Anatolian Journal of Cardiology, 5(1), 24-28.
• Wheeler, M. C. (1993). A comparative case study of neural network analysis and statistical discriminant function analysis for predicting law students passing the bar examination (Unpublished Doctoral Dissertation). Gonzaga University Spokane, WA, USA.
• Yakut, E. (2012). Veri madenciliği tekniklerinden c5.0 algoritması ve destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması: İmalat sektöründe bir uygulama [The comparison of the classification successes of the artifical neural networks through data mining techniques of C5.0 algorithm and supporting vector machines: An application in manufacturing sector] (Unpublished Doctoral Dissertation). Atatürk University, Institute of Social Sciences, Erzurum.
• Yıldırım, İ. (2000). Akademik başarının yordayıcısı olarak yalnızlık, sınav kaygısı ve sosyal destek [Loneliness, exam anxiety and social support as predictors of academic success)]. H. U. Journal of Education, 18, 167-176.
• Yurtoğlu, H. (2005). Yapay sinir ağları metodolojisi ile öngörü modellemesi: Bazı makroekonomik değişkenler için Türkiye örneği [Predictive modeling with artificial neural network methodology: Turkey examples for some macroeconomic variables] (Unpublished Master Thesis). SPO General Directorate of Economic Models and Strategic Research, Ankara.
• Yüksek, A. G. (2007). Hava kirliliği tahmininde çoklu regresyon analizi ve yapay sinir ağları yönteminin karşılaştırılması [Comparation of multiple regression analysis and neural network methods for predicting air pollution] (Unpublished Doctoral Dissertation). Cumhuriyet University, Institute of Social Sciences, Sivas.
• Zurada, J., & Lonial, S. (2005). Comparison of the performance of several data mining methods for bad dept recovery in the healthcare industry. The Journal of Applied Business Research, 21(2), 37-54.