Sınıf Öğretmeni Adaylarının Fen ve Teknoloji Öğretimi Ders Başarılarının Yapay Sinir Ağları ile Modellenmesi

Abstract

Bu çalışmanın amacını, 2014 ve 2015 yıllarında sınıf eğitimi bölümünden mezun olan öğretmen adaylarının fen ve teknoloji öğretimi I ve II derslerindeki akademik başarılarını yordamak oluşturmaktır. Bu amaç doğrultusunda yordama için yapay sinir ağları kullanılmıştır. Araştırma çerçevesinde elde edilen veriler, 4 farklı devlet üniversitesinden 2013-2014 ve 2014-2015 eğitim-öğretim yıllarında mezun olmuş 885 sınıf öğretmeni adaylarının transkript dökümleri ve öğrenci bilgi sistemlerinde bulunan kişisel bilgi içermeyen demografik bilgilerinden elde edilmiştir. Elde edilen verilerin analizinde IBM SPSS neural Networks 20 ve Matlab Neural Networks Toolbox Programları kullanılmıştır. Araştırma kapsamında oluşturulan ağ mimarisinin OKH= 0.47754; Öğrenme R= 0.81632, Doğrulama R= 0.90097 ve Test R=0.87808 değerleri bulunmuştur. 200 kişinin girdi verileri kullanılarak ağın öğrenme sürecinin ardından simüle edilen başarı notlarındaki hata değerinin büyük bir çoğunluğunun Fen ve Teknoloji Öğretimi I Dersi için (N=164), Fen ve Teknoloji Öğretimi II Dersi için (N=177); [-1, 1] aralığında olduğu sonucuna ulaşılmıştır. Bununla birlikte gerçek başarı notları ile tahmin edilen başarı notları istatistiksel olarak karşılaştırıldığında; Fen ve Teknoloji Öğretimi I Dersinde r=.6935 (p<0.001), Fen ve Teknoloji Öğretimi II Dersinde r=.6748 (p<0.001) ilişkinin olduğu sonucuna ulaşılmıştır. Fen ve Teknoloji Öğretimi I ve II Derslerinin ikisi içinde önem derecesi en yüksek değişkenin Yerleşme Puanı olduğu, önem derecesi en düşük değişkenin ise Fen ve Teknoloji Öğretimi I dersi için öğrenim türü, Fen ve Teknoloji Öğretimi II dersi için ise cinsiyet olduğu görülmektedir.

The purpose of this study is to predict the academic achievements of science and technology teaching courses I and II of pre-service teachers who graduated from primary education in 2014 and 2015. For this purpose, artificial neural networks were used for prediction. The data obtained from the research were achieved from the transcripts and the demographic information that did not contain personal information of 885 pre-service primary teacher graduated from four different state universities in 2013-2014 and 2014-2015 academic years. IBM SPSS neural Networks 20 and Matlab Neural Networks Toolbox Programs were used to analyze the obtained data. Creating network architecture's values within the context of research were OKH = 0.47754; Learning R = 0.81632, Verification R = 0.90097 and Test R = 0.87808. Using the data of 200 people after the network learning process, a great majority of the error value in simulated success grades were between the range of [-1, 1] for Science and Technology Teaching Course I (N = 164), Science and Technology Teaching Course II (N = 177). However, when the actual success grades and the success grades estimated are compared statistically; it was reached that r = .6935 (p <0.001) in Science and Technology Teaching Course I and r = .6748 (p <0.001) in Science and Technology Teaching Course II. It is seen that the highest variance is the settlement score for both the Science and Technology Teaching course I and II , the least important variable is the type of learning for Science and Technology Teaching course I and the least important variable is the gender for Science and Technology Teaching courses II.