Temel bileşenler analizi ve yapay sinir ağı modellerinin ölçek geliştirme sürecinde kullanılabilirliğinin incelenmesi

Abstract

Bu araştırmanın amacı, yapı geçerliği çalışmalarında kullanılan temel bileşenler analizi yerine bu amaçla geliştirilen yapay sinir ağı modellerinin kullanılabilir olup olmadığını tespit etmektir. Veri indirgeme amacıyla geliştirilen Genelleştirilmiş Hebb Algoritması kullanan yapay sinir ağı modeli ve Kendini Düzenleyen Haritalama olarak adlandırılan diğer yapay sinir ağı modeli bu araştırmanın temel konusudur. Bu amaçla 30 maddeden oluşan denemelik Öğretmenlere Yönelik Tutum Ölçeği hazırlanmış ve bu ölçek çeşitli fakültelerden mezun olan ve öğretmenlik formasyon eğitimine katılan 400 öğretmen adayına uygulanmıştır. Elde edilen veriler temel bileşenler analizi ve yapay sinir ağı modelleri kullanılarak analiz edilmiştir. Kullanılan farklı yöntemlerden elde edilen ölçek yapılarından hangisinin daha uygun olduğuna karar vermek amacıyla, ölçeklerin geliştirildiği örnekleme benzer ancak, farklı bireylerden oluşan 400 kişilik bir örneklemden tekrar veri toplanmış ve bu verilere doğrulayıcı faktör analizi uygulanmıştır. Temel bileşenler analizi ile yapay sinir ağı modellerine dayanarak yapılan doğrulayıcı faktör analizi sonuçları model uyum ve hata indekslerine göre karşılaştırılmıştır.Döndürme öncesi temel bileşenler analizinden çıkan ölçek yapısı ile Genelleştirilmiş Hebb Algoritması sonucu karşılaştırılmıştır. Çünkü bu algoritma döndürme öncesi bileşen yapısı ortaya koymaktadır. İki analizden çıkan ölçek yapılarının birbirine oldukça yakın bir yapı ortaya koyduğu ve her ikisinin de beş bileşenli bir yapıda olduğu gözlenmiştir. Aynı zamanda her iki yapının doğrulayıcı faktör analizi sonucunda ortaya çıkan uyum ve hata indekslerinin de birbirine çok yakın olduğu görülmüştür. Döndürme sonrası temel bileşenler analizinden çıkan ölçek yapısı ile Kendini Düzenleyen Haritalamadan çıkan ölçek yapısı ise birbirlerinen oldukça farklıdır. Temel bileşenler analizi 5 bileşenli bir yapı ortaya koyarken, Kendini Düzenleyen Haritalama daha az madde ile iki bileşenli bir yapı ortaya koymuştur. Uyum indekslerine bakıldığında, bu yapılar uyum indekslerinin çoğu açısından uyumlu yapılardır. RMSEA dışındaki uyum indekslerine göre, 5x5 nöron üzerinden haritalanan yapay sinir ağı modelinin ortaya koyduğu yapınındaha uyumlu olduğu söylenebilir.

The aim of the research is to find out /to determine whether the artificial neural network models are usable instead of principal component analysis used in the construct validity studies. With the aim of data mining, the artificial neural networkmodel which uses Generalized Hebb Algorithma developed and the other artificial neural networkmodel called as Self Organizing Mapping are the focus of this research.For this reason, trial version of an attitude scale towards teachers with 30 items have been prepared, and it has been implemented on 400 teacher candidates from different faculties who joined the Pedagogical Formation Programme. The data obtained have been analysedvia the principal component analysis and the artificial neural network models. To decide on the reasonable one among the scale constructs revealed by different methods,trial version of scale has been given to another group of 400 teacher candidates joining the same programme and the confirmatory factor analysis has been done based on the data gathered second time. Then the constructs revealed by principal component analysis and artificial neural network models have been compared based on the results of the confirmatory factor analysis using model fit and error indexes. The result of the Generalized Hebbian Algorithm related with the scale construct has been compared with the unrotated result of the principal component analysis. Because the algorithm gives the unrotated solution. It has been observed that the results obtained from the two analysis offer a close construct to each other andboth of them include five components as well.It has also been observed that model fit and error indexes are close to each other as a result of the confirmatory factor analysis. After the rotation, the scale construct obtained from the principal component analysis is quite different from the scale construct obtained from self organizing mapping. While principal component analysis puts forward a construct with 5 components, self organizing mapping reveals a construct with 2 components. When the model fit and error indexes are reviewed, it is seen that these constructs are fitting ones in terms of most fit and error indexes. It can also be said that the construct obtained from self organizing mapping on 5x5 neuron have a more fitting onein terms ofthe model fit indexes excluding RMSEA index.