dc.contributor.advisor | Çobanoğlu Aktan , Derya | |
dc.contributor.author | Eser , Mehmet Taha | |
dc.date.accessioned | 2019-09-16T06:10:58Z | |
dc.date.issued | 2019 | |
dc.date.submitted | 2019-06-20 | |
dc.identifier.citation | ESER, M. T. (2019). Uluslararası öğrenci değerlendirme programı 2015 verilerinin veri madenciliğinde kümeleme yöntemleriyle incelenmesi (Doktora tezi). Hacettepe Üniversitesi, Ankara. | tr_TR |
dc.identifier.uri | http://openaccess.hacettepe.edu.tr:8080/xmlui/handle/11655/8901 | |
dc.description.abstract | In this study, it is aimed to investigate the results obtained from the methods based on PISA 2015 data with the help of Self-Organizing Map, K-Means and Two-Stage Clustering Method. For this purpose, it is aimed to determine how many clusters of students are divided according to different methods, how each cluster is defined and the variables that are effective in these clusters. In the scope of the study, systematic sampling was applied to the students of OECD member countries and as a result analyzes were conducted on 9870 students. The number of input variables used in the study was determined to be five, namely the average of factor scores for four science teaching sub-dimensions and the average of ten plausible values in science . As a result of the study, the ideal number of clusters determined by Self-Organizing Map and K-Means Methods is four and the ideal number of clusters determined by two-stage clustering method was determined to be two. It was determined that different variables were effective in the formation of clusters with the most successful students within the scope of two methods. As a result of the study, it was found that the results obtained from Self-Organizing Map and K-Means Methods were similar in general. As a result of the study, it is recommended that researchers report the results obtained by different methods in clustering analysis. At the same time, clustering analysis was proposed by using R program because of rich results. | tr_TR |
dc.description.tableofcontents | Öz ii
Abstract iii
Teşekkür iv
Tablolar Dizini iii
Şekiller Dizini iv
Simgeler ve Kısaltmalar Dizini v
Bölüm 1 Giriş 1
Problem Durumu 1
Araştırmanın Amacı ve Önemi 10
Araştırma Problemi 13
Sayıltılar 14
Sınırlılıklar 14
Bölüm 2 Araştırmanın Kuramsal Temeli ve İlgili Araştırmalar 15
Araştırmanın Kuramsal Temeli 15
Kohonen’in Öz Örgütlemeli Harita Yöntemi 18
K-Ortalamalar Kümeleme Analizi 27
İki Aşamalı Kümeleme Analizi 29
İlgili Araştırmalar 32
Bölüm 3 Yöntem 40
Araştırmanın Türü 40
Çalışma Grubu 40
Verilerin Analizi 45
Bölüm 4 Bulgular ve Yorumlar 48
Birinci Alt Probleme İlişkin Bulgular 51
İkinci Alt Probleme İlişkin Bulgular ve Yorumlar 69
Üçüncü Alt Probleme İlişkin Bulgular ve Yorumlar 77
Bölüm 5 Sonuç ve Öneriler 82
Sonuçlar 82
Öneriler 84
Kaynaklar 89
EK-A: Etik Komisyonu Onay Bildirimi 102
EK-B: Etik Beyanı 103
EK-C: Yüksek Lisans/Doktora Tez Çalışması Orijinallik Raporu 104
EK-Ç: Thesis/Dissertation Originality Report 105
EK-D: Yayımlama ve Fikrî Mülkiyet Hakları Beyanı 106 | tr_TR |
dc.language.iso | tur | tr_TR |
dc.publisher | Eğitim Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | tr_TR |
dc.subject | Veri madenciliği | tr_TR |
dc.subject | Kümeleme | |
dc.subject | Öz örgütlemeli harita | |
dc.subject | K-ortalamalar | |
dc.subject | İki aşamalı kümeleme | |
dc.subject | R | |
dc.subject.lcsh | Konu Başlıkları Listesi::Eğitim | tr_TR |
dc.title | Uluslararası Öğrenci Değerlendirme Programı 2015 Verilerinin Veri Madenciliğinde Kümeleme Yöntemleriyle İncelenmesi | tr_TR |
dc.title.alternative | Examinatıon Of The Program For International Student Assessment 2015 Data By Clustering Methods In Data Mining | tr_eng |
dc.type | info:eu-repo/semantics/doctoralThesis | tr_TR |
dc.description.ozet | Bu çalışmada veri madenciliğine dayalı kümeleme yöntemlerinden Kohonen’in Öz Örgütlemeli Harita Yöntemi, K-Ortalamalar ve İki Aşamalı Kümeleme Yöntemi yardımıyla PISA verilerine dayalı olarak ele alınan değişkenlere göre elde edilen sonuçların incelenmesi amaçlanmıştır. Bu amaç kapsamında PISA 2015 öğrenci anketinde yer alan fen bilgisi öğretimine ilişkin alt boyutlar ile olası fen başarı puan ortalaması girdi olarak kullanıldığında öğrencilerin farklı yöntemlere göre kaç kümeye ayrıştığı, her bir kümenin nasıl tanımlandığı ve bu kümelere ayrışmada etkili olan değişkenlerin belirlenmesi hedeflenmiştir. Çalışma kapsamında Slovenya hariç OECD üyesi ülkelerinin öğrencilerine sistematik örnekleme uygulanmış ve sonuç olarak 9870 öğrenci üzerinden analizler gerçekleştirilmiştir. Çalışmada kullanılan girdi değişkeni sayısı, fen bilgisi öğretiminin dört alt boyutuna ilişkin faktör puanları ortalaması ve olası fen başarı puanları ortalaması olmak üzere beş olarak belirlenmiştir. Çalışma sonucunda Kohonen ve K-Ortalamalar Yöntemleriyle belirlenen ideal küme sayısının dört; İki Aşamalı Kümeleme Yöntemiyle belirlenen ideal küme sayısının ise iki olduğu belirlenmiştir. Kohonen’in Öz Örgütlemeli Harita Yöntemi ile sorgulama temelli fen bilgisi öğretimi; K-Ortalamalar Yöntemi ile ise öğretmen merkezli fen bilgisi öğretimi olmak üzere iki yöntem kapsamında en başarılı öğrencilerin yer aldığı kümelerin oluşmasında farklı değişkenlerin etkili olduğu belirlenmiştir. Çalışma sonucunda genel anlamda Kohonen’in Öz Örgütlemeli Harita ve K-Ortalamalar Yöntemlerinden elde edilen sonuçların benzerlik gösterirken, İki Aşamalı Kümeleme Analizinden elde edilen sonuçların farklılık gösterdiği belirlenmiştir. Çalışma sonucunda kümeleme analizinde araştırmacıların farklı yöntemlerle elde ettikleri sonuçları rapor etmeleri önerilmektedir. Aynı zamanda çalışma sonucunda zengin çıktılar elde edilebilmesi sebebiyle kümeleme analizlerinin R programı kullanılarak yapılması önerilmiştir. | tr_TR |
dc.contributor.department | Eğitim Bilimleri | tr_TR |
dc.embargo.terms | Acik erisim | tr_TR |
dc.embargo.lift | - | |
dc.identifier.ORCID | https://orcid.org/0000-0001-7031-1953 | tr_TR |
dc.subject.ieee | IEEE Thesaurus Terms::Education | tr_TR |
dc.subject.eric | ERIC Thesaurus::Measurement | tr_TR |
dc.subject.jita | JITA Classification System of Library and Information Science::Industry, profession and education::Education | tr_TR |