İlköğretim LGS fen bilimleri başarısının yapay sinir ağları ile tahmin edilmesi

Abstract

Bu çalışmada, ilkokul 4. sınıftan itibaren öğrencilerin Fen Bilimleri derslerindeki başarılarının, bir üst sınıf seviyesindeki başarılarıyla da ilişkilendirmek suretiyle liselere giriş sınavındaki Fen Bilimleri başarısını yapay sinir ağları ile ne düzeyde yordadığını araştırmak amaçlanmıştır. Bu amaç doğrultusunda 4., 5., 6., 7. ve 8. sınıf düzeyinde öğrencilerin Fen Bilimleri akademik başarıları ile LGS Fen Bilimleri Alt Testi başarılarının ilişkisini incelemek üzere SPSS programında Pearson Moment Çarpım Korelasyonu analiz sonuçlarına; ne düzeyde yordadığına ise MATLAB programında yapay sinir ağıyla modelleme performanslarına bakılmıştır. Araştırmada kullanılan veri setleri, Bursa ilinin 17 ilçesindeki 24 okuldan 2017-2018 eğitim-öğretim yılında mezun olmuş aynı zamanda 2018 LGS' ye giren 1027 öğrencinin, 4. sınıftan 8. sınıfa kadar olan geçmiş döneme ait not fişleri ve kişisel bilgi içermeyen LGS sonuç belgeleri MEB E-okul sisteminden elde edilmiştir. Araştırma kapsamında LGS Fen Bilimleri Alt Testi ile Fen Bilimleri sınav başarısı arasındaki korelasyonlar incelendiğinde (p<0.001) en yüksek korelasyonun 8. Sınıf fen bilimleri sınavları arasında (r=0.70) olduğu, en düşük korelasyonun LGS Fen Bilimleri Alt Testi ile 4. Sınıf Fen Bilimleri sınav başarısı arasında (r=0.57) olduğu görülmüştür. Bu sonuca göre; Fen Bilimleri Dersi Öğretim Programının, 4. sınıftan 8.sınıfa kadar sarmal ve bütüncül yapıda olmasıyla sınıflar arasında elde edilen orta ve yüksek düzey ilişkinin alakalı olduğu söylenebilir. İkinci alt problem kapsamında oluşturulan ağ mimarisinde 845 öğrenci verisi ile eğitilen ağda Öğrenme R= 0.8059, Doğrulama R= 0.7408, Test R= 0.7568, RMSE= 2.3504 değerleri en yüksek performans olarak bulunmuştur. 182 öğrencinin verileri kullanılarak ağın eğitim sürecinden sonra simüle edilen gerçek LGS Fen Bilimleri Alt Testi doğru sayıları ile bilgisayarın tahmin ettiği doğru sayıları karşılaştırıldığında r= 0.7506 (p<0.001) ile yüksek düzey ilişki olduğu saptanmıştır. Ayrıca, 20 sorudaki ağın tahmin performansına bakıldığında, 182 öğrencide 124 öğrencinin [+2,-2] hata değeri aralığında doğru tahmin edildiği sonucuna ulaşılmıştır.

In this study, it is aimed to investigate the level of predicting the success of Science in high school entrance exam (LGS) by using artificial neural networks (YSA) by associating the success of students in Science classes from 4th grade elementary school to the higher-class level. For this purpose, Pearson Moment Product Correlation analysis results were analysed in SPSS program in order to examine the relationship between the academic achievement of Science Grade and LGS Science Sub-Test achievement of 4th, 5th, 6th, 7th and 8th grade students. In MATLAB program, artificial neural network modelling performance was examined to understand the level of predicting. Data sets used in the research were obtained from the Ministry of Education E-school system for 1027 students who graduated from 24 schools in 17 districts of Bursa in the 2017-2018 academic year and also entered 2018 LGS, and their marks from the 4th to 8th grade and LGS result documents that do not contain personal information. In the scope of research, when the correlations between the LGS Science Sub-Test and Science test success were examined (p <0.001), the highest and lowest correlations were found the 8th grade science exams (r = 0.70) and the 4th grade science exams (r = 0.57), respectively. According to this result, it can be said that the medium and high-level relationship between the classes is related with the fact that the science course curriculum is spiral and holistic structure from 4th grade to 8th grade. The highest performance values were found as Learning R = 0.8059, Verification R = 0.7408, Test R = 0.7568, RMSE = 2.3504 at the network architecture which was generated in the second sub-problem and the trained network with 845 student data. Using the data of 182 students, it was obtained a high-level relationship with r=0.7506 (p<0.001), while the correct numbers of simulated real LGS Science Sub-Test compared with the correct numbers predicted by the computer after the training process of the network. In addition, considering the predictive performance of the network in 20 questions, it was obtained that 124 students in 182 students were correctly estimated in [+ 2, -2] error value range.