Fen ve teknoloji okuryazarlığına ilişkin öz yeterlik algısı ile akademik başarı arasındaki ilişkinin yapay sinir ağı ile analizi

Abstract

Bu araştırmanın amacı, öğretmen adaylarının fen ve teknoloji okuryazarlığına yönelik öz yeterlik algıları ile akademik başarı not ortalamalarına göre sınıflandırılmalarında yapay sinir ağı (YSA) yönteminin performansını incelemektir. Belirtilen amaç doğrultusunda Burdur Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi'nin Fen Bilgisi Öğretmenliği bölümünde öğrenim gören 118 lisans 2., 3. ve 4. sınıf öğretmen adayından veri toplanmıştır. İlişkisel tarama modelinde ve kesitsel desende yürütülen çalışmada, öğretmen adaylarına, Caymaz (2008) tarafından geliştirilen `Fen ve Teknoloji Okuryazarlığına İlişkin Öz Yeterlik Algısı Ölçeği` ve yaş, cinsiyet, genel not ortalamaları bilgilerini içeren kişisel bilgi formu uygulanmıştır. Verilerin analizinde yapay zeka metotlarından birisi olan YSA yöntemi uygulanmış ve yöntemin uygulanmasında MATLAB R2015a programından faydalanılmıştır. Araştırmada çok katmanlı, ileri beslemeli ve geri yayılımlı YSA modeli tercih edilmiştir. Giriş verileri olarak adayların yaş, cinsiyet ve fen ve teknoloji okuryazarlığına yönelik öz yeterlik algısı ifadeleri ele alınırken, çıkış verisi olarak ise genel not ortalamaları kullanılmıştır. Araştırmanın problemine uygun en başarılı sonucu verebilmesi için YSA mimarisi seçilmiştir. Oluşturulan YSA mimarisinin sınıflandırma performansının incelenmesi amacıyla çapraz entropi (CE) değerleri ile hata histogram grafiği verilmiştir. Gizli katman nöron sayısının 15 olduğu 35-15-9 YSA ağ mimarisinin, test veri seti için en düşük hata değerine sahip olduğu görülmüştür. Analiz sonuçlarına göre oluşturulan YSA algoritması, adayların fen ve teknoloji okuryazarlığına yönelik öz yeterlik algıları ile akademik başarı not ortalamalarına göre sınıflandırılmalarını %22,2 hata oranı ile gerçekleştirmiştir. Bu bulgu doğrultusunda çalışmanın son kısmında YSA'nın eğitim alanında kullanımına ilişkin önerilere yer verilmiştir.

The aim of this study is to examine the performance of the artificial neural network (ANN) method in classifying teacher candidates self-efficacy perceptions for science and technology literacy and their academic achievement according to their grade point averages. For this purpose, data were collected from 118 undergraduate 2nd, 3rd and 4th grade teacher candidates studying in Science Teaching Department in Burdur Mehmet Akif Ersoy University Faculty of Education. In the study conducted in a relationally browsing model and crosssectional design, teacher candidates were given that Self-sufficiency perception scale for science and technology literacy developed by Caymaz (2008) and a personal information form including age, gender, and grade point averages. In the analysis of the data, ANN method which is one of the artificial intelligence methods was applied and MATLAB R2015a program was used in the application of the method. In this study, the multi-layer forward feed back-propagation ANN model was preferred. Self-sufficiency perception expressions for age, gender, and science and technology literacy of the candidates were used as input data, while general grade averages were used as output data. ANN architecture has been selected in order to give the most successful results in accordance with the research problem. In order to examine the classification performance of the created ANN architecture, cross entropy (CE) values and error histogram graph were given. 35-15-9 ANN network architecture with a latent layer neuron number of 15 was found to have the lowest error value for the test data set. The ANN algorithm, which was created according to the results of the analysis, performed the classification of the candidates according to their self-sufficiency perceptions for science and technology literacy and their academic achievement according to their grade point averages with a 22.2% error rate.