Content uploaded by Ahmet Selman Bozkir
Author content
All content in this area was uploaded by Ahmet Selman Bozkir on Nov 20, 2014
Content may be subject to copyright.
5. Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), 13-15 Mayıs 2009, Karabük, Türkiye
ÖĞRENCİ SEÇME SINAVINDA (ÖSS) ÖĞRENCİ BAŞARIMINI ETKİLEYEN
FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE TESPİTİ
DETERMINATION OF THE FACTORS INFLUENCING STUDENT’S
SUCCESS IN STUDENT SELECTION EXAMINATION (OSS) VIA DATA
MINING TECHNIQUES
Ahmet Selman Bozkır a, *, Ebru Sezer a ve Bilge GÖK b
a Hacettepe Üniversitesi Bilgisayar Mühendisliği Bölümü, Ankara, Türkiye, E-posta: {selman,esezer}@cs.hacettepe.edu.tr
b Hacettepe Üniversitesi Sınıf Öğretmenliği Bölümü, Ankara, Türkiye, E-posta: bilgeb@hacettepe.edu.tr
Özet
Bilindiği üzere ülkemizde Öğrenci Seçme Sınavı her yıl
Haziran ayında ÖSYM tarafından yapılmaktadır. Bu sınava
her yıl bir buçuk milyonun üzerinde öğrenci girmektedir.
Sınav sonucuna göre, Türkiye’de ve yabancı ülkelerde yer
alan üniversitelere girecek olan öğrenciler tespit
edilmektedir.
Veri madenciliği, büyük miktarda veri içinde yer alan gizli
ya da açık örüntülerin yapay zekâ, istatistik ve makine
öğrenmesi gibi yöntembilimler yardımıyla ortaya
çıkarılması sürecidir.
Bu çalışmada ÖSYM’nin resmi internet sitesinde 2008
yılında uygulanmış olan ÖSS öğrenci anketinden elde
edilen veriler üzerinde sınıflandırma ve kümeleme
yöntemleri uygulanmış ve öğrencilerin ÖSS sınavında
gösterdikleri başarıyı etkiyen faktörler tespit edilmiştir.
Anahtar kelimeler: Veri Madenciliği, ÖSS, Sınıflandırma,
Kümeleme, Karar Ağaçları
Abstract
As is known, in our country, Student Selection Exam
(ÖSS) is applied by Student Selection and Placement
Center (ÖSYM) in every June. Over one and half million
students take this exam every year. According to the
results of this examination, the students who are possible
to attend both the universities in Turkey and the other
countries are determined.
Data mining is the period of revealing the explicit or hidden
patterns in huge amount of data via artificial intelligence,
statistics or machine learning techniques.
In this study, classification and clustering methods applied
to the ÖSS student poll data that is collected in OSYM’s
legal web site in 2008 and the factors that affect success
of students are determined.
Keywords: Data Mining, OSS, Classification, Clustering,
Decision Trees
1. Giriş
Ülkemizde her yıl ÖSYM’nin (Öğrenci Seçme ve
Yerleştirme Merkezi) düzenlediği Öğrenci Seçme Sınavı’na
bir buçuk milyondan fazla öğrenci katılmaktadır. Ülkemizde
yapılan bu sınavın amacı, öğrencileri bir üst eğitim
basamağına seçmekle birlikte, öğrencilerin okul
müfredatında yer alan üst düzey düşünme süreçlerine göre
öğrencilerin değerlendirmesini yapmaktır. Bu kapsamda
ele alındığında, ÖSS’nin bu sınava giren öğrenciler için
büyük bir öneme sahip olduğu görülebilir. Öğrencilerin
sınavlarda ya da derslerde başarılı olmasının sağlanması
ancak başarıyı etkileyen faktörlerin belirlenmesi ile
mümkündür. Bu nedenle öğrencilerin ÖSS’deki başarısını
etkileyen faktörlerin belirlenmesi bu sınavdan elde edilecek
başarının artmasında önemli rol oynayacaktır.
ÖSYM, 2008 yılı ÖSS sınav döneminde sınava giren
öğrencilerin katıldığı bir anketi resmi internet sitesi
üzerinden düzenlemiştir. Bu ankette öğrencilerin sosyal
durumları, eğitim hayatları ve ebeveynlerinin eğitim
durumları gibi birçok alanda yaklaşık 80 adet soru
sorulmuştur.
Çalışmada kullanılan temel veri kümesi, ankete katılım
göstermekle birlikte 2008 yılında sınavına girmiş olan
10.000 öğrenciyi kapsamaktadır. Başlangıçtaki veri
kümesine, sınav başarısını etkiyen faktörlerin tespiti için,
yine bu öğrencilere ait OBP (orta öğretim başarı puanı),
AOBPSAYISAL, AOBPEA, AOBPSOZEL gibi ağırlıklı orta
öğretim başarı puanları ile birlikte diğer birçok puan türüne
ait veriler eklenerek sonuç veri kümesi elde edilmiştir.
Bu çalışmanın amacı elde edilen bilgiler doğrultusunda,
ÖSS’de başarıyı temsil etmekte kullanılan sözel, sayısal,
eşit ağırlık puanları ve bu puan türlerinde Türkiye’deki
başarı sıralarıyla birlikte OBP ve AOBP türlerindeki puanlar
gibi bazı sonuçları etkileyen en önemli faktörleri bulmaktır.
Bununla birlikte Matematik, Fen, Sosyal Bilgiler, Türkçe ve
Sanat derslerine gösterilen ilginin, bu derslerde öğrencinin
kendini başarılı görme derecesinin ve bu dersler için
ayrılan ödev zamanının üstte belirtilen sonuçlar üzerindeki
etkileri araştırılmıştır. Araştırma sonucunda oldukça
çarpıcı bağıntılar yakalandığı düşünülmektedir.
Bildiride veri madenciliği kavramı ele alınarak çalışmada
kullanılan veri madenciliği yöntemleri bölüm 2’de
sunulmuş, bölüm 3’te konuyla ilgili benzer çalışmalardan
söz edilmiş ve bölüm 4’te çalışmada yer alan analizlerin
oluşturulma süreci ve elde edilen sonuçları verilmiştir.
© IATS’09, Karabük Üniversitesi, Karabük, Türkiye
Bozkır, A.S., Sezer, E. ve Gök, B.
2. Veri Madenciliği
Veri madenciliği, yararlı bilginin büyük veri depolarından
otomatik olarak keşfedilme sürecidir [1]. Diğer bir deyişle,
veri madenciliği tek başına bir şey ifade etmeyen veriler
içindeki gizli örüntüleri ve ilişkileri ortaya çıkarmak için
istatistik, yapay zekâ ve makine öğrenmesi gibi
yöntemlerin ileri veri çözümleme araçlarıyla kullanılmasını
kapsayan süreçler topluluğudur [2]. Veri madenciliği
yöntemleri iki grupta toplanmaktadır:
1. Kestirimsel yöntemler (karar ağaçları, regresyon,
destek vektör makineleri vs.)
2. Tanımlayıcı yöntemler (kümeleme, birliktelik
kuralları vs.)
Kestirimsel modellerde amaç mevcut verileri kullanarak
geleceğe yönelik kestirimler yapabilmek iken, tanımlayıcı
modellerde amaç yine mevcut veri içindeki gizli ilişkileri,
kümeleri ve veriyi niteleyebilecek olan özellikleri ortaya
çıkarmaktır [2].
Bu araştırmada her iki yöntem grubundan da
yararlanılmıştır. Öğrenci başarımını temsil eden niteliklerin
(Ör: ÖSSSAYISAL2 puanı) tahmininde karar ağaçları
tekniğinden yararlanılırken, çeşitli öğrenci profillerinin
oluşturulmasında kümeleme yöntemi kullanılmıştır.
Çalışmanın yapıldığı uygulama platformu olarak aşağıda
belirtilen bazı özellikleri nedeniyle Microsoft’un bir ürünü
olan Analysis Services 2008 seçilmiştir.
2.1. Karar Ağaçları
Karar ağaçları, başarım oranının yüksekliği yanında kolay
anlaşılır bir grafiksel yorumu olması sebebiyle en çok
tercih edilen kestirimsel yöntemdir. Bir karar ağacı için en
genel veri madenciliği görevi sınıflandırmadır [3].
Bir karar ağacı algoritmasının prensipte görevi veriyi
özyinelemeli olarak alt veri gruplarına dallanma yaparak
bölmektir. Bu ayrım aşamasında oluşan her yeni dal bir
kuralı ifade etmektedir.
Karar ağacı algoritmaları içinde ID3, C4.5, C5.0, M5P, J48,
Microsoft Decision Trees algoritmaları sıklıkla kullanılan
algoritmalardır. İyi bir karar ağacı algoritması hem ayrık
hem de sürekli veriler üzerinde çalışabilmelidir. Sürekli veri
üzerinde oluşturulan modellere regresyon ağacı adı
verilmektedir.
Niteliklerin birbirleri üzerindeki etkilerini sergileyen
bağımlılık ağları grafiğini üretebilme özelliğinden dolayı
Microsoft Decision Trees algoritması tercih edilmiştir.
2.2. Kümeleme
Kümeleme en basit deyişle, veri içindeki doğal grupların
keşfedilmesi işlemidir. İnsanoğlu için beş ya da altı niteliğe
sahip bir nesneler topluluğunu, niteliklerdeki benzerliklere
bakarak gruplamak mümkünken bu sayının çok daha fazla
olması durumunda bu işlem olanaksız hale gelmektedir.
Bu noktada tanımlayıcı bir veri madenciliği yöntemi olan
kümeleme devreye girmekte ve veriyi çeşitli tekniklerle
önceden sayısı bilinmeyen kümelere bölmektedir.
Bu çalışmada yine Analysis Services 2008 ürünü ile birlikte
gelen Expectation Maximization (EM) algoritması
kullanılmıştır.
3. Önceki Çalışmalar
Bir çalışmada veri madenciliği yöntemleri ÖSS verilerine
uygulanarak Türkiye ve İzmir genelinde çeşitli istatistik
sonuçlar ortaya konmuştur [4]. Diğer bir çalışmada ise
ÖSS verilerine karar ağaçları ve birliktelik kuralları
yöntemleri uygulanarak öğrencilerin tercih profilleri ortaya
konulmaya çalışılmıştır [5]. Yine başka bir çalışmada ÖSS
sonuçları yıllara, bölgelere ve okul türlerine göre
incelenmiştir [6].
4.Uygulama
Çalışmanın özünü oluşturan veri kümesi daha önceki
bölümlerde de verildiği üzere ÖSYM’nin internet sitesinde
2008 ÖSS dönemine ilişkin yayınlanmış olan öğrenci bilgi
anketini temel almaktadır. Bu anket içersinde yer alan
birçok soru içersinden çalışmanın amacına yönelik olarak
öğrencilerin Matematik, Türkçe, Fen Bilgisi, Sosyal Bilgiler,
Yabancı Dil ve Sanat derslerine olan ilgileri ve bu derslere
ayırdıkları ödev süreleri ile yine bu derslerde kendilerini ne
kadar başarılı buldukları gibi sorular seçilmiştir. Buna ek
olarak cinsiyet, yaş, alan belirleme, sınıf mevcudu,
ebeveynlerin eğitim düzeyi, kardeş sayısı, internet ve
bilgisayar erişimi, gazete alımı, lise döneminde alınan özel
ders ve dershane durumu vs. gibi diğer sosyal bilgileri
içeren sorular da seçilmiştir.
Ankette yer alan toplam 80 adet soru öğrencilerin okulda
aldıkları eğitimle ilgili durumları ve sosyal durumlarını
araştırmaya yönelik dereceleme sorularından
oluşmaktadır. Çalışmanın ilk aşamasında konuyla
yakından ilgisi bulunmayan veya sıklıkla boş cevap içeren
sorular veri kümesinden çıkarılmıştır. Çalışmanın amacı
ÖSS başarımını etkileyen faktörleri tespit etmek
olduğundan, bu noktada öğrencinin başarı ölçütü olarak
kabul edilen sınavda yerleşme durumu, türlerine göre ÖSS
puanları ve başarı sırası, OBP, AOBPSAYISAL,
AOBPSÖZEL ile AOBPEA puanları veri kümesine
eklenmiştir. Bu eklemelerden sonra sonuç veri kümesi 77
niteliğe sahip olmuştur.
Veriler ÖSYM’den geldikleri ilk biçim olan SPSS kütük
biçiminden, Analysis Services için tanınabilir bir kütük
biçimi olan Microsoft Access kütük biçimine
dönüştürülmüştür. Ayrık veri içeren nitelikler içinde sayısal
olarak kodlanmış veriler gerçek metinsel karşılıklarına
dönüştürülerek anlaşılabilirlik arttırılmıştır.
Veri madenciliği yöntemlerinin uygulanacağı verinin temiz
ve tutarlı olması (boş verinin olmaması, uygunsuz değerleri
içermemesi) uygulamanın başarısı açısından çok
önemlidir. Bu nedenle birçok soruyu boş bıraktığı tespit
edilen 48 katılımcı, 10.000 katılımcının bulunduğu veri
kümesinden çıkarılmıştır. Kalan 9952 katılımcıdan 1000
adedi test amaçlı, kalan 8952 adedi ise karar ağacı ve
kümeleme modelinde eğitim amaçlı olarak ayrılmıştır.
Bozkır, A.S., Sezer, E. ve Gök, B.
4.1. Karar Ağacı Modeli Çalışması
Oluşturulan eğitim kümesi üzerinde Microsoft Decision
Trees algoritması varsayılan parametrelerle kullanılarak iki
farklı model oluşturulmuştur.
Birinci modelde, öğrencilerin çeşitli alanlardaki başarı
sıralamasında doğal bir etkiye sahip olması sebebiyle
sayısal, sözel ve eşit ağırlık türündeki puanlar hem girdi
hem de kestirim amaçlı (prediction) kullanılmıştır. İkinci
modelde sayısal, sözel ve eşit ağırlık türündeki puanlar
sadece tahmin amaçlı (prediction only) kullanılarak diğer
nitelikler üzerinde etki oluşturmayacak bir model
oluşturulmuştur. Böyle bir yöntem izlenmesinin başlıca
nedeni öncül-soncul ilişkisi göz önüne alındığında, sayısal,
sözel ve eşit ağırlık puanlarının, OBP veya benzer biçimde
diğer herhangi bir sosyal nitelik üzerinde mantıksal bir
faktör olamayacağı gerçeğidir. Sınav sonuçlandırma
sürecinde, öğrencilerin eğitim hayatları boyunca elde
ettikleri OBP, AOBPSAYISAL, AOBPSÖZEL, AOBPEA
gibi puanlar ve net doğru sayıları girdiyi oluşturmakta ve
nihai puanlar bu girdiler doğrultusunda hesaplanmaktadır.
Veri madenciliği açısından, nihai ÖSS puanlarının hem
girdi hem de tahminsel olarak tanımlandığı bir model,
öğrencilerin başarı sıralamasını etkileyen faktörleri tespit
etmede başarılı sonuçlar üretebilir ancak diğer nitelikler
üzerinde anlamsız sonuçları da beraberinde getirir.
Dolayısıyla doğru bir analiz için ikinci bir karar ağacı
modelinin oluşturulması kaçınılmazdır.
Oluşturulan ikinci karar ağacında sayısal, sözel ve eşit
ağırlık türlerine ait sonuç puanlar sadece kestirim
(prediction only) olarak tanımlanmış, diğer niteliklerde bir
değişiklik yapılmamıştır.
Bağımlılık ağları (Dependency Network), oluşturulan
modelin içeriğinden yola çıkarak nitelikler arasındaki
ilişkileri gösterir [3]. Bu çalışmada da aynı tür ilişkileri
yakalamak için Microsoft Decision Trees algoritması
yardımıyla oluşan bağımlılık ağları ile niteliklerin birbirleri
üzerindeki etkileri tespit edilmiştir.
Şekil 1. Model üzerinde oluşan bağımlılık ağı.
Oluşturulmuş iki farklı karar ağacı modeline ait birleştirilmiş
bulgular Çizelge 1’de listelenmiştir. Çizelgede, çeşitli
niteliklere göre farklı sayıda faktör sunulmuştur.
Niteliklerden bazılarını etkileyen faktör sayısı beşi
geçemezken bazı nitelikler için bu sayı 15’i geçmektedir.
Çizelge 1 Bağımlılık ağı bulguları.
Nitelik Etkileyen Faktörler
OBP 1.AOBPEA (%98)
2.AOBPSAYISAL (%97)
3.AOBPSÖZEL (%95)
4.Yaşı (%94)
5.Okul Türü (82%)
6.İlgi – Sanat Dersleri (%70)
7.Mat. Ödv. Zaman (%61)
8.Fen B. Lab. Kul. (%58)
9.Lisede Sınıf Mevcut (%48)
10.Anne Egt. Düz. (%48)
11.Eve Gazete Alımı (%46)
12.Baş. Bul. Yab. Dil (%45)
13.Baba Egt. Düz. (%44)
14.Baş. Bul.Türkçe (%43)
15.Lisede Dershane (%42)
AOBPSAYISAL 1.Yaşı (%95)
2.AOBPEA (%95)
3.OBP (%94)
4.AOBPSÖZEL (%94)
5.Okul Türü (%85)
6.Fen B. Lab. Kul. (%74)
7.Eve Gazete Alımı (%45)
8.Tepegöz Kullanımı (%43)
9.Lisede Sınıf Mevcut (%41)
10.D.Yön. F.K. İlişki (%40)
AOBPSÖZEL 1.AOBPSAYISAL (%99)
2.Yaşı (%98)
3.OBP (%98)
4.AOBPEA (%98)
5.Okul Türü (%53)
AOBPEA 1.Yaşı (%96)
2.AOBPSÖZEL (%95)
3.OBP (%95)
4.AOBPSAYISAL (%95)
5.Okul Türü (%51)
6.Alan Belirleme (%50)
ÖSSSAY1 1.AOBPSAYISAL (%100)
2.AOBPEA (%99)
3.OBP (%98)
4.AOBPSÖZEL (%96)
5.Yaşı (%95)
6.Baş. Bul. Mat. (%81)
7.Baş. Bul. Fen Bil. (%71)
8.İlgi – Sosyal Bilimler (%60)
9.D.Yön. F.K. İlişki (%60)
10.Alan Belirleme (%56)
ÖSSSAY2 1.AOBPEA (%98)
2.OBP (%98)
3.AOBPSÖZEL (%95)
4.AOBPSAYISAL (%94)
5.Yaşı (%94)
6.Baş. Bul. Mat. (%81)
7.Okul Türü (%79)
8.İlgi – Sosyal Bilimler (%76)
9.Baş. Bul. Yab. Dil (%75)
10.İlgi –Sanat Dersleri (%69)
ÖSSSÖZ1 1.AOBPSÖZEL (%91)
Bozkır, A.S., Sezer, E. ve Gök, B.
2.Yaşı (%91)
3.OBP (%91)
4.AOBPSAYISAL (%90)
5.AOBPEA (%90)
6.Okul Türü (%78)
7.Lisede Dershane (%71)
8.Baş. Bul. Türkçe (%70)
9.İlgi – Sosyal Bilimler (%68)
10.İlgi – Fen Bilimleri (%59)
ÖSSSÖZ2 1.Yaşı (%97)
2.AOBPSAYISAL (%95)
3.OBP (%91)
4.AOBPSÖZEL (%90)
5.AOBPEA (%90)
6.Baş. Bul. Fen Bil. (%81)
7.İlgi – Sanat Dersleri (%80)
8.D.Yön. Det.Anl. Çalış. (%80)
9.Okul Türü (%78)
10.Fen B. Ödv. Zmn. (%76)
ÖSSEA1 1.AOBPSÖZEL (%100)
2.OBP (%99)
3.AOBPSAYISAL (%99)
4.Yaşı (%96)
5.AOBPEA (%94)
6.Lisede Dershane (%81)
7.Okul Türü (%79)
8.Yab. Dil. Lab. Kul. (%65)
9.Baş. Bul. Fen Bil. (%52)
10.Alan Belirleme (%51)
ÖSSEA2 1.AOBPSÖZEL (%90)
2.OBP (%90)
3.AOBPSAYISAL (%90)
4.Yaşı (%89)
5.AOBPEA (%89)
6.Okul Türü (%83)
7.İlgi – Yabancı Dil Ders (%75)
8.Kardeş Sayısı (%71)
9.Baş. Bul. Fen Bil. (%70)
10.Türkçe Ödev Zamanı (%68)
Yerleşme
Durumu
1.ÖSSEA1 (%60)
Yerleştiği
Tercih Sırası
1.ÖSSSAY1 (%89)
2.ÖSSSÖZ2 (%89)
3.ÖSSEA2 (%88)
4.ÖSSSÖZ1 (%87)
5.OBP (%86)
6.AOBPSAYISAL (%84)
7.ÖSSSAY2 (%84)
8.ÖSSEA1 (%80)
9.AOBPEA (%79)
10.AOBPSÖZ (%79)
Başarı Sırası
(SAY1)
1.AOBPEA (%96)
2.ÖSSSAY1 (%94)
3.ÖSSSÖZ1 (%94)
4.ÖSSEA1 (%90)
5.AOBPSAYISAL (%87)
Başarı Sırası
(SAY2)
1.ÖSSSAY1 (%95)
2.ÖSSSAY2 (%94)
3.ÖSSSÖZ1 (%94)
4.ÖSSEA2 (%93)
5.ÖSSEA1 (%92)
Başarı Sırası
(SÖZ1)
1.ÖSSSÖZ1 (%88)
2.AOBPEA (%86)
3.ÖSSSAY2 (%86)
4.OBP (%84)
5.ÖSSEA1 (%80)
Başarı Sırası
(SÖZ2)
1.ÖSSSÖZ1 (%98)
2.ÖSSEA2 (%97)
3.ÖSSSÖZ2 (%91)
4.ÖSSEA1 (%90)
5.ÖSSSAY1 (%89)
Başarı Sırası
(EA1)
1.ÖSSEA1 (%95)
2.ÖSSSÖZ1 (%91)
3.ÖSSSAY1 (%91)
4.ÖSSSÖZ2 (%88)
5.ÖSSSAY2 (%88)
Başarı Sırası
(EA2)
1.AOBPSÖZEL (%95)
2.ÖSSEA1 (%95)
3.ÖSSSAY1 (%95)
4.ÖSSSÖZ1 (%93)
5.AOBPEA (%93)
Alan Belirleme 1.Okul Türü (%77)
2.AOBPEA (%70)
3.Lisede Sınıf Mevcut (%67)
4.Lisede Dershane (%53)
İlgi – Fen
Bilimleri
Dersleri
1.Baş. Bul. Fen Bil. (%85)
2.İlgi – Yabancı Dil Ders (%80)
3.İlgi – Mat. Ders (%75)
Kendini Fen
Bilimleri
Derslerinde
Başarılı Bulma
1.İlgi – Fen Bilimleri (%91)
2.Baş. Bul. Mat. (%76)
3.Baş. Bul. Yab. Dil (%75)
4.İlgi – Yabancı Dil Ders (%45)
Fen Bilimleri
Derslerine
Ayrılan Ödev
Zamanı
1.Mat. Ödv. Zaman (%81)
2.İlgi – Fen Bilimleri (%81)
3.Baş. Bul. Fen Bil. (%80)
4.Sosyal Bil. Ödv. Zmn (%58)
5.Türkçe Ödev Zamanı (%56)
İlgi –
Matematik
Dersleri
1.Baş. Bul. Mat. (%92)
2.İlgi – Fen Bilimleri (%78)
Kendini
Matematik
Derslerinde
Başarılı Bulma
1.İlgi – Mat. Ders (%92)
2.Baş. Bul. Fen Bil. (%78)
3.Baş. Bul. Türkçe Dersi (%59)
4.Baş. Bul. Yab. Dil (%40)
Matematik
Derslerine
Ayrılan Ödev
Zamanı
1.Türkçe Ödev Zamanı (%89)
2.Fen B. Ödv. Zmn. (%76)
3.Baş. Bul. Mat. (%78)
4.Sosyal Bil. Ödv. Zmn (%57)
İlgi – Türkçe
Dersi
1.Baş. Bul. Türkçe (%86)
2.İlgi – Sosyal Bilimler (%78)
3.İlgi – Mat. Ders (%72)
4.Baş. Bul. Sosyal Bil. (%78)
Bozkır, A.S., Sezer, E. ve Gök, B.
Kendini Türkçe
Dersinde
Başarılı Bulma
1.İlgi – Türkçe Dersi (%84)
2.Baş. Bul. Sosyal Bil. (%77)
3.AOBPEA (%72)
4.İlgi – Sosyal Bilimler (%68)
5.Baş. Bul. Yab. Dil (%58)
Türkçe Dersine
Ayrılan Ödev
Zamanı
1.Mat. Ödv. Zaman (%84)
2.Sosyal Bil. Ödv. Zmn (%80)
3.D.Yön. Det.Anl. Çalış. (%45)
İlgi – Sosyal
Bilimler
Dersleri
1.Baş. Bul. Sosyal Bil. (%87)
2.Baş. Bul. Mat. (%78)
3.İlgi – Mat. Ders (%75)
4.İlgi – Türkçe Dersi (%70)
5.Baş. Bul. Türkçe (%45)
Kendini Sosyal
Bilimler
Derslerinde
Başarılı Bulma
1.İlgi – Sosyal Bilimler (%86)
2.Baş. Bul. Türkçe (%76)
3.Baş. Bul. Yab. Dil (%70)
4.İlgi – Türkçe Dersi (%61)
Sosyal Bilimler
Derslerine
Ayrılan Ödev
Zamanı
1.Türkçe Ödev Zamanı (%85)
2.İlgi – Sosyal Bilimler (%70)
3.Fen B. Ödv. Zmn. (%61)
4.Mat. Ödv. Zaman (%57)
5.İlgi – Türkçe Dersi (%46)
İlgi – Yabancı
Dil Dersleri
1.Baş. Bul. Yab. Dil (%86)
2.İlgi – Sanat Dersleri (%77)
3.İlgi – Fen Bilimleri (%61)
Kendini
Yabancı Dil
Derslerinde
Başarılı Bulma
1.İlgi – Yabancı Dil Ders (%87)
2.Baş. Bul. Sanat Ders (%75)
3.Baş. Bul. Türkçe (%65)
4.Baş. Bul. Fen Bil. (%57)
5.Baş. Bul. Mat. (%50)
İlgi – Sanat
Dersleri
1.Baş. Bul. Sanat Ders (%87)
2.İlgi – Yabancı Dil Ders (%79)
Kendini Sanat
Derslerinde
Başarılı Bulma
1.İlgi – Sanat Dersleri (%87)
2.Baş. Bul. Yab. Dil (%76)
3.Baş. Bul. Mat. (%50)
Verilmiş olan çizelgedeki kısaltmaların tam karşılıkları
aşağıdaki Çizelge 2’de sunulmuştur:
Çizelge 2 Bağımlık ağında kullanılan kısaltmalar.
Kısaltma Kısaltmanın Gerçek Karşılığı
OBP Orta Öğretim Başarı Puanı
AOBPSAYISAL Ağırlıklı Orta Öğretim Başarı Puanı
(SAYISAL)
AOBPSÖZEL Ağırlıklı Orta Öğretim Başarı Puanı
(SÖZEL)
AOBPEA Ağırlıklı Orta Öğretim Başarı Puanı
(EŞİT AĞIRLIK)
Mat. Ödv. Zaman Matematik dersleri için ayrılan ödev
zamanı
Fen B. Ödv. Zmn. Fen bilimleri derslerine ayrılan ödev
zaman
Sosyal Bil. Ödv.
Zmn
Sosyal bilimleri derslerine ayrılan
ödev zamanı
Baş. Bul. Mat. Öğrencinin matematik derslerinde
kendini ne derece başarılı bulduğu
Baş. Bul. Fen Bil. Öğrencinin fen bilimleri derslerinde
kendini ne derece başarılı bulduğu
Baş. Bul. Türkçe Öğrencinin Türkçe derslerinde kendini
ne derece başarılı bulduğu
Baş. Bul. Yab. Dil Öğrencinin yabancı dil derslerinde
kendini ne derece başarılı bulduğu
Baş. Bul. Sosyal
Bil.
Öğrencinin sosyal bilimler derslerinde
kendini ne derece başarılı bulduğu
Baş. Bul. Sanat
Ders
Öğrencinin sanat ağırlık derslerde
kendini ne derece başarılı bulduğu
D.Yön. Det.Anl.
Çalış
Ders Çalışma Yöntem: Tüm detayları
anlamaya çalışırım
D.Yön. F.K. İlişki Ders Çalışma Yöntem: Farklı
konularla ilişkilendiririm
Fen B. Lab. Kul. Fen bilimleri derslerinde laboratuar
kullanımı
Anne Egt. Düz. Anne Eğitim Düzeyi
Baba Egt. Düz. Baba Eğitim Düzeyi
Çizelge 1 incelendiğinde tespit edilebilen bulgulardan öne
çıkanlar aşağıda listelenmiştir:
• Öğrencilerin herhangi bir derse gösterdikleri ilgi ile
o derste kendilerini başarılı bulmaları arasında
karşılıklı korelasyon bulunmaktadır. Bu kural tüm
dersler için tespit edilmiştir.
• Bütün ders türleri için öğrencilerin kendilerini
başarılı görmelerini etkileyen faktörler ele
alındığında yabancı dil derslerinde kendilerini
başarılı bulmaları önemli yer tutmaktadır.
• OBP’yi etkileyen faktörler içerisinde sanat
derslerine gösterilen ilginin %70 ve de eve gazete
alımının %46 olması dikkat çekicidir.
• OBP, AOBPSAYISAL, AOBPSÖZEL, AOBPEA ve
tüm ÖSS puan türlerine etkiyen faktörler içersinde
öğrencinin yaşı ilk beşte yer almıştır.
• ÖSSSÖZ1 ve ÖSSSÖZ2 puan türlerine etkiyen
faktörler içersinde Fen Bilimleri derslerine
gösterilen ilginin (%59) ve ayrılan ödev zamanının
(%76) önemli bir orana sahip olması dikkat
çekicidir.
• Sosyal Bilimlere gösterilen ilgiye etkiyen faktörler
içersinde öğrencinin kendini Matematik
derslerinde başarılı bulması %78 ile ikinci sırada,
Matematik derslerine gösterilen ilgi %75 ile
üçüncü sırada yer almıştır.
• ÖSSSAYISAL1, ÖSSÖZEL1 ve ÖSSEA1 puanları
üzerine etkiyen faktörler ile sırasıyla
ÖSSSAYISAL2, ÖSSSÖZE2 ve ÖSSEA2
puanları üzerine etkiyen faktörler arasında büyük
benzerlikler vardır.
• ‘Lisede Dershane’ niteliğinin sadece ÖSSEA1
(%81) ve ÖSSSÖZ1 (%71) puanları üzerinde
etkili olması dikkat çekicidir.
Çizelge 1’de belirtilmiş bulgular üzerinden daha birçok
yorum çıkarmak mümkündür. Ancak çalışmanın sınırlı
sayıda sayfaya sahip olması nedeniyle ilginç olduğu
düşünülen daha birçok yorum okuyucuya bırakılmıştır.
4.2. Kümeleme Modeli Çalışması
Kümeleme çalışmasının amacı çeşitli öğrenci profillerinin
ortaya konulması ve oluşan kümeler içerisinde en başarılı
ve başarısız kümelerin genel olarak özelliklerinin
Bozkır, A.S., Sezer, E. ve Gök, B.
karşılaştırılabilineceği bir ortamın yaratılmasıdır.
Şekil 2. Kümeleme modelinde keşfedilen kümeler.
Kümeleme tekniği ile ankete katılan öğrenciler çeşitli
gruplara bölünmüştür. Daha esnek ve başarılı kümeleme
yapması nedeniyle Expectation Maximization
algoritmasının kullanıldığı kümeleme modelinde belli bir
küme sayısı verilmemiş olup algoritmanın otomatik
kümeleme yapması sağlanmıştır.
Analiz sonucunda 7 adet küme tespit edilmiştir. Oluşan
kümeler içerisinde gerek bir yüksek öğretim programına
yerleşme oranı gerekse de diğer birçok nitelik temel
alındığında en başarılı küme, 800 katılımcıya sahip “Küme
6” olarak belirlenmiştir. Yine aynı özellikler dikkate
alındığında, 2072 katılımcıya sahip “Küme 2” en başarısız
küme seçilmiştir. Bunlara ek olarak “Küme 3”, sahip olduğu
1935 katılımcısıyla orta sırada yer alan diğer önemli bir
küme olarak ortaya çıkmaktadır.
Şekil 3. Küme profil grafiği.
Yukarıda belirtilen üç kümenin çeşitli özellikleri ve belirgin
farkları Çizelge 3’de listelenmiştir. Sayısal niteliklerde
temel olarak ortalama ve standart sapmalar belirtilmiştir.
Çizelge 3 Kümeleme sonuçları.
Nitelik Küme 6 Küme 3 Küme 2
OBP 85,86 +/-
8,85
73,91 +/-
11,20
65,99 +/-
8,14
AOBPSayısal 94,44 +/-
3,22
82,03 +/-
8,96
71,46 +/-
6,81
AOBPSözel 95,32 +/-
2,64
85,34 +/-
7,16
76,56 +/-
5,94
AOBPEA 95,36 +/-
2,61
84,39 +/-
7,82
74,45 +/-
6,35
Yerleşme Evet: %87
Hayır: %13
Evet: %65
Hayır: %35
Evet:%50
Hayır:%50
Yaş 18,55 +/-
0,92
19,61 +/-
1,95
21,31 +/-
3,93
Cinsiyet Erkek: %47
Kız: %53
Erkek: %70
Kız: %30
Erkek: %67
Kız: % 33
Okul Öncesi
Eğitim
Hiç: %40
1 yıl: %33
2 yıl: %15
3 yıl: %6
>4 yıl: %4
Hiç: %66
1 yıl: %24
2 yıl: %6
3 yıl: %2
>4 yıl: %1
Hiç: %77
1 yıl: %17
2 yıl: %3
3 yıl: %1
>4 yıl: %0
ÖSSSAY1 249,04 +/-
26,11
219,44 +/-
28,28
155,11 +/-
14,94
ÖSSSAY2 238,19 +/-
29,32
200,38 +/-
29,04
47,43 +/-
70,50
ÖSSSÖZ1 257,37+/-
14,50
211,11 +/-
28,31
196,32 +/-
25,29
ÖSSSÖZ2 94,61 +/-
114,48
0 177,42 +/-
27,59
ÖSSEA1 261,33 +/-
14,81
221,61 +/-
26,65
181,70 +/-
20,42
ÖSSEA2 236,74 +/-
16,92
184,75 +/-
42,35
160,62 +/-
33,45
Okul
Birincisi
Evet: %2
Hayır: %98
Evet: %0
Hayır: %100
Evet: %0
Hayır: %100
Bilgisayar
Erişimi
Var: %93
Yok: %7
Var: %84
Yok: %15
Var: %81
Yok: %17
İnternet
Erişimi
Var: %87
Yok: %13
Var: %73
Yok: %26
Var: %74
Yok: %25
Çalışma
Odası
Var: %96
Yok: %4
Var: %86
Yok: %14
Var: %74
Yok: %24
İlköğretimde
Dershane
Hiç: %15
1 yıl: %33
2 yıl: %31
3 yıl: %9
>4 yıl: %11
Hiç: %44
1 yıl: %28
2 yıl: %16
3 yıl: %6
>4 yıl: %5
Hiç: %74
1 yıl: %15
2 yıl: %6
3 yıl: %2
>4 yıl: %2
İlköğretimde
Özel Ders
Hiç: %74
1 yıl: %19
2 yıl: %3
3 yıl: %2
>4 yıl: %1
Hiç: %82
1 yıl: %10
2 yıl: %3
3 yıl: %1
>4 yıl: %2
Hiç: %84
1 yıl: %9
2 yıl: %3
3 yıl: %1
>4 yıl: %0
Lisede
Dershane
Hiç: %2
1 yıl: %11
2 yıl: %38
Hiç: %17
1 yıl: %24
2 yıl: %34
Hiç: %52
1 yıl: %27
2 yıl: %13
Bozkır, A.S., Sezer, E. ve Gök, B.
3 yıl: %40
>4 yıl: %7
3 yıl: %19
>4 yıl: %6
3 yıl: %5
>4 yıl: %1
Lisede Özel
Ders
Hiç: %65
1 yıl: %21
2 yıl: %10
3 yıl: %4
>4 yıl: %0
Hiç: %76
1 yıl: %13
2 yıl: %6
3 yıl: %3
>4 yıl: %1
Hiç: %83
1 yıl: %10
2 yıl: %4
3 yıl: %1
>4 yıl: %0
Lisede Sınıf
Mevcut
<20: %13
20-30: %75
31-40: %9
41-50: %2
>50: %0
<20: %10
20-30: %46
31-40: %30
41-50: %11
>50: %3
<20: %5
20-30: %29
31-40: %37
41-50: %20
>50: %9
Başarı
Sırası-SAY1
89.924 +/-
94.313
243.707 +/-
227.146
991.693 +/-
282.915
Başarı
Sırası-SAY2
73.375 +/-
72.515
313.460 +/-
395.319
1.337.283
+/- 200.858
Başarı
Sırası-SÖZ1
90.707 +/-
103.714
645.204 +/-
379.756
846.249 +/-
327.731
Başarı
Sırası-SÖZ2
851.427 +/-
639.406
1.380.000 689.051 +/-
458.957
Başarı
Sırası-EA1
61.866 +/-
61.785
414.392 +/-
322.084
933.528 +/-
267.668
Başarı
Sırası-EA2
64.600 +/-
65.650
507.498 +/-
401.745
953.812 +/-
415.927
Kardeş
Sayısı
Hiç: %8
1: %51
2-3: %34
4-6: %5
>7: %0,5
Hiç: %5
1: %35
2-3: %43
4-6: %12
>7: %5
Hiç: %5
1: %28
2-3: %46
4-6: %15
>7: %6
Evde
Yabancı Dil
Bilen
Yetişkin
Var: %47
Yok: %50
Var: %35
Yok: %61
Var: %27
Yok: %61
Kümeleme sonuçları içersinde en başarılı, en başarısız ve
orta sırada yer alan bu üç küme incelendiğinde bazı ortak
çıkarımlar şu şekilde listelenmektedir:
• En başarılı kabul edilen “Küme 6”, başarı
sıralamalarında, sonuç puanları ile orta öğretim
başarı puanlarında en yüksek başarı aralığını
yakalamıştır. Tam tersi bir durum Küme 2 için
geçerlidir.
• OBP, AOBPSAYISAL, AOBPSÖZEL ve AOBPEA
ile sınav sonucunda elde edilen puanlar arasında
yüksek korelasyon mevcuttur.
• Okul öncesi eğitime, ilköğretim ve lisede özel ders
ve dershaneye harcanan zaman yakalanan
başarıyla doğru orantıya sahiptir.
• Bilgisayar ve internet erişiminin yakalanan başarı
üzerinde önemli etkisi görülmemiştir.
• Kardeş sayısı ve lisedeki sınıf mevcudu ile
yakalanan başarı arasında ters orantı olduğu
saptanmıştır.
5. Sonuç
Bu çalışmada ÖSYM tarafından 2008 ÖSS adayları için
resmi internet sitesi üzerinden yapılan anket verileri
üzerinde veri madenciliği yöntemleri kullanılarak,
öğrencilerin başarılarını etkileyen faktörler araştırılmıştır.
Araştırma kapsamında, OBP puanı tüm öğrencilerin
ÖSS’de ortak başarı ölçütü olarak ele alınırsa bu puan
türüne etkiyen en önemli beş faktörün yaş, okul türü, sanat
derslerine ilgi, matematik dersi için harcanan ödev zamanı
ve fen bilgisi laboratuar kullanım oranı olduğu görülmüştür.
Diğer tüm puan türlerinde de yaşın önemli bir etken olduğu
görülmektedir. Ayrıca okullarda sunulan teknik imkânların
ÖSS başarısı üzerinde önemli etkileri tespit edilmiştir.
Özellikle kümeleme analizinde görüleceği üzere öğrencinin
sahip olduğu sosyal, kültürel ve ekonomik imkânların ÖSS
başarısına büyük katkısı bulunmaktadır. Sanat derslerine
gösterilen ilginin OBP puanı üzerindeki dikkat çekici etkisi
ve dershaneye gitme oranının başarı üzerindeki etkisinin
beklenenden düşük çıkması araştırmanın sonucunda elde
edilen ilginç bulgulardan birkaçıdır.
Bu araştırmada, veri madenciliği yöntemlerinden karar
ağaçları ve kümeleme kullanılmış ve sonuçları
duyurulmuştur. Yine aynı veri üzerinde birliktelik kuralları
(association rules) çıkarsanacak ve sonuçları
duyurulacaktır.
Teşekkür
Çalışmaya konu olan verilerin sahibi ÖSYM’ne içtenlikle
teşekkür edilmektedir.
Kaynaklar
[1] Tan P.T., Steinbach M. And Kumar V., Introduction to
Data Mining. Addison Wesley, Boston, 2006.
[2] Bozkır, A.S., Gök, B., Sezer, E. Üniversite
Öğrencilerinin İnterneti Eğitimsel Amaçlar İçin
Kullanmalarını Etkileyen Faktörlerin Veri Madenciliği
Yöntemleriyle Tespiti, in BUMAT 2008: Bilimde
Modern Yöntemler Sempozyumu, 2008.
[3] Tang Z. and MacLennan J., Data Mining with Sql
Server 2005. Wiley Publishing Inc, Indiana, 2005.
[4] Kılanç, B., Türkiye’nin ÖSS Tercihleri, 1.Psikolojik
Danışman ve Veli Bilgilendirme-Yönlendirme
Sempozyumu, 2008.
[5] Dolgun, M. Ö., Özdemir, T.G., Deliloğlu, S., Öğrenci
Seçme Sınavında (ÖSS) Öğrencilerin Tercih
Profillerinin Veri Madenciliği Yöntemleriyle Tespiti, in
Bilişim” 07 Kongresi, 2007.
[6] Berberoğlu, G. and Kalender, İ., Öğrenci Başarısının
Yıllara, Okul Türlerine, Bölgelere Göre İncelenmesi:
ÖSS ve PISA Analizi, Eğitim Bilimleri ve Uygulama.
vol. 4, 7, 21-35, 2005.
