Türkiye istatistiki bölge birimleri sınıflandırmasına göre PISA fen başarı skorlarının makine öğrenme yöntemleri ile karşılaştırılması ve incelenmesi
| dc.contributor.author | Yıldız, Büşra | |
| dc.date.accessioned | 2025-10-14T12:27:39Z | |
| dc.date.available | 2025-10-14T12:27:39Z | |
| dc.date.issued | 2025 | |
| dc.date.submitted | 2025 | |
| dc.department | AÇÜ, Lisansüstü Eğitim Enstitüsü, Matematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı | |
| dc.description.abstract | Bu çalışma, Türkiye'nin istatistiki bölgelerine göre PISA 2015 fen bilimleri başarı skorlarının farklı makine öğrenmesi yöntemleri kullanılarak tahmin edilmesini, başarıya etki eden değişkenlerin analiz edilmesini ve bölgeler arasındaki başarı farklılıklarının incelenmesini amaçlanmıştır. Araştırma kapsamında Türkiye'nin 12 istatistiki bölgesi ele alınmış ve her bölgenin fen bilimleri başarı skorlarının tahmin edilmesi için Rastgele Orman (Random Forest), Destek Vektör Regresyonu (Support Vector Regression, SVR), Bayes Düzenlemeli Yapay Sinir Ağları (BRNN) ve Aşırı Gradyan Artırma (XGBoost) gibi dört farklı makine öğrenmesi algoritması kullanılmıştır. Modellerin performansı, test verileri üzerindeki tahmin doğruluğu esas alınarak karşılaştırılmıştır. Ayrıca, SHAP (SHapley Additive exPlanations) yöntemi ile değişkenlerin önem sıralamaları belirlenmiş ve bölgeler arası farklılıklar Jaccard benzerlik indeksi kullanılarak analiz edilmiştir. Çalışmanın bulguları, XGBoost ve SVR modelinin, diğer algoritmalara kıyasla test verilerinde en yüksek tahmin performansını gösterdiğini ortaya koymuştur. Buna karşın BRNN ve Random Forest modelleri ise orta düzeyde tahmin doğruluğu sağlamıştır. Bu bulgular, makine öğrenmesi algoritmalarının bölgesel eğitim verilerinin analizinde etkin bir araç olarak kullanılabileceğini göstermektedir. SHAP yöntemi ile her bölge için ayrı ayrı gerçekleştirilen değişken önem sıralamalarına göre, fen bilimleri başarı skorlarını en güçlü etkileyen değişkenlerin genel olarak ANXTEST (Kaygı Testi Skoru), ST013Q01TA (Evde bulunan kitap sayısı), ISCEDO (Ailedeki ebeveynlerin en yüksek eğitim seviyesi), BSMJ (Bilime yönelik meslek hedefi) ve ST092Q02TA (Evdeki eğitim materyalleri) olduğu tespit edilmiştir. Bölgeler arasındaki benzerlik analizlerinde, Türkiye'nin istatistiki bölgeleri arasında orta düzeyde benzerlik gözlenmiştir. Ancak TR1 (İstanbul) ve TR6 (Akdeniz) gibi bölgeler arasında fen bilimleri başarı skorlarında belirgin farklılıklar ortaya çıkmıştır. Ayrıca TR2 (Batı Marmara) ve TR5 (Batı Anadolu) bölgelerinde, değişkenlerin önem sıralamalarında farklılıklar tespit edilmiştir. | |
| dc.description.abstract | This study aims to predict the PISA 2015 science achievement scores of Türkiye's statistical regions using various machine learning methods, analyze the variables affecting achievement, and examine the performance disparities between regions. The research considers Türkiye's 12 statistical regions, and four machine learning algorithms Random Forest (RF), Support Vector Regression (SVR), Bayesian Regularized Neural Networks (BRNN), and Extreme Gradient Boosting (XGBoost) were employed to predict the science achievement scores for each region. The performance of these models was compared based on their prediction accuracy on test data. Additionally, the importance rankings of the variables were determined using the SHAP (SHapley Additive exPlanations) method, while regional differences were analyzed using the Jaccard similarity index. The findings of the study revealed that the XGBoost and SVR models exhibited the highest prediction performance on the test data compared to other algorithms, while the BRNN and Random Forest models achieved moderate prediction accuracy. These results demonstrate that machine learning algorithms can serve as effective tools for analyzing regional educational data. According to the variable importance rankings performed separately for each region using the SHAP method, the most influential variables on science achievement scores were generally identified as ANXTEST (Test Anxiety Score), ST013Q01TA (Number of Books at Home), ISCEDO (Highest Parental Education Level), BSMJ (Science-Related Career Aspiration), and ST092Q02TA (Educational Resources at Home). The similarity analysis among regions indicated a moderate level of similarity across Türkiye's statistical regions. However, significant disparities in science achievement scores were observed between regions such as TR1 (Istanbul) and TR6 (Mediterranean). Furthermore, differences in the importance rankings of variables were detected in regions like TR2 (Western Marmara) and TR5 (Western Anatolia). | |
| dc.identifier.uri | https://hdl.handle.net/11494/6089 | |
| dc.identifier.yoktezid | 924318 | |
| dc.institutionauthor | Yıldız, Büşra | |
| dc.language.iso | tr | |
| dc.publisher | Artvin Çoruh Üniversitesi, Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | PISA 2015 | |
| dc.subject | Makine öğrenmesi | |
| dc.subject | Fen bilimleri başarı skoru | |
| dc.subject | SHAP yöntemi | |
| dc.subject | Jaccard indeksi | |
| dc.subject | Bölgesel eğitim analizi | |
| dc.subject | Machine learning | |
| dc.subject | Science achievement scores | |
| dc.subject | SHAP method | |
| dc.subject | Jaccard index | |
| dc.subject | Regional educational analysis | |
| dc.title | Türkiye istatistiki bölge birimleri sınıflandırmasına göre PISA fen başarı skorlarının makine öğrenme yöntemleri ile karşılaştırılması ve incelenmesi | |
| dc.title.alternative | Comparison and analysis of Türkiye's PISA 2015 science achievement scores based on the statistical regional units classification using machine learning methods | |
| dc.type | Master Thesis |
