Programlama performansını etkileyen faktörlerin bilişsel tabanlı bireysel farklılıklar temelinde modellenmesi

Abstract

Bu çalışmanın amacı programlama performansına etki eden bilişsel faktörlere ilişkin bir model geliştirerek, bu performans üzerindeki bilişsel tabanlı bireysel farklılıkların etkisini diğer demografik özelliklerin etkisi ile birlikte ortaya koymaktır. Çalışmada bilişsel bireysel farklılıklardan uzamsal beceri ve çalışma belleği ele alınarak, bu becerilerin öz yeterlilik, cinsiyet, ön deneyim ve üniversite değişkenleri ile birlikte programlama performansının ne kadarını yordadığı ve bu sürece anlamlı katkıda bulunan değişkenlerin önem sıraları ortaya konulmuştur.Çalışma üç farklı üniversitede, BÖTE bölümü 2. sınıf öğrencilerinden toplam 129 lisans öğrencisi ile yürütülmüştür. Verilerin analizinde veri madenciliğine dayalı tahminleyici non-parametrik yöntemlerden Artırılmış Regresyon Ağaçları ve Rastgele Ormanlar kullanılmıştır. Programlama performansının açıklanmasına ilişkin kurulan model her iki yöntemle de analiz edilerek değişkenlerin önem sıraları ve açıklanma oranı karşılaştırılmıştır. Artırılmış Regresyon Ağacı analizi sonuçlarına göre sekiz değişken programlama performansının %65'ini yordamıştır. Bu değişkenler arasından önem ağırlığı 0,4'ün üzerinde bulunarak modele anlamlı katkıda bulunan değişkenlerin sıralaması ise şu şekildedir; uzamsal yönelim becerisi, uzamsal bellek, öz yeterlilik algısı zihinsel döndürme becerisi, sözel bellek ve üniversite değişkeni. Cinsiyet ve ön deneyimin ise programlama performansını tahmin etmedeki modele katkıları anlamlı olarak bulunmamıştır. Rastgele orman analizi sonuçlarına göre sekiz değişken programlama performansının %60'ını yordamıştır. Rastgele ormanlar tekniği ile kurulan modelde önem ağırlı 0.4'ün üzerinde olarak modele anlamlı katkıda bulunan değişkenler şu şekildedir; üniversite, özyeterlilik, zihinsel döndürme, uzamsal bellek, uzamsal yönelim becerisi ve sözel bellek. Ön deneyim ve cinsiyet değişkenleri ise modele anlamlı katkıda bulunmamıştır. Modele anlamlı katkıda bulunan değişkenler her iki yöntemde de aynı olmakla birlikte, iki tekniğin kullandığı algoritmaların farklılaşması ile değişkenlerin önem sıraları da farklılaşmaktadır.Anahtar Sözcükler: Programlama performansı, bilişsel beceriler, bireysel farklılıklar, artırılmış regresyon ağacı, rastgele ormanlar

This study is aimed to determine the effects of cognitive based individual differences along with the other demographic characteristics on undergraduate students? programming performance and to model the programming performance based on the cognitive factors related to programming. Considering the spatial ability and the working memory variables as cognitive and self-efficacy, gender, prior experience and university variables as non-cognitive individual differences, this study is designed to address how much of variance of programming performance is predicted and what the importance rank of those variables are.The study group included 129 sophomores at the CEIT Department in three different universities. Boosted Regression Trees and Random Forests are used in data analyses which are non-parametric predictive data mining methods. The model which was developed to predict programming performance, tested by both of the methods and the importance ranks of variables and proportion of predicted variance was compared. The result of Boosted Regression Tree revealed out that, eight variables predicted 65% of the programming performance. The variables, of which importance value was found higher than 0.4 and contributed the model significantly ranked as; spatial orientation, visuo-spatial working memory, self-efficacy, mental rotation ability, verbal working memory and university. Neither gender nor prior experience was found to be significant predictors in the model.The result of Random Forests analyses showed that eight variables predicted 60% of the programming performance. The variables, of which importance value was found higher than 0.4 and contributed to the model significantly ranked as; university, self efficacy, mental rotation, visuo-spatial working memory, spatial orientation and the verbal memory. Neither gender nor prior experience was found to be significant predictors. While the variables were the same in both of the models to predict programming performance, the importance rank of the variables were slightly differed due to the algorithms used in techniques.Keywords: Programming performance, cognitive abilities, individual differences, boosted regression tree, random forests