İnternet destekli öğretimde öğrencilerin başarısını etkileyen faktörlerin istatistiksel yöntemler ve yapay sinir ağları ile analizi

Abstract

ÖZET Anahtar Kelimeler: Uzaktan Öğretim, İnternet Destekli Öğretim, istatistiksel Analiz, Yapay Sinir Ağlan Internet destekli öğretim sistemlerinde öğrenci başarısını etkileyen faktörler kişisel ve demografik karakteristikler, öğretim yönetim sistemi ve öğretimsel ortam tasarımı şeklinde dört grupta sınıflandırılır. Kesin sınırların ve standartların belli olması yüzünden öğretim yönetim sistemlerinin basan üzerindeki etkisi sınırlı sayılabilir. Kişisel değişkenler ise tahmin edilmesi ve nümerikleştirilmesi zor değerlerdir. Bu yüzden demografik değişkenlerin ve öğretimsel ortam tasarımı faktörlerinin basan üzerindeki etkisinin araştınlmasmda fayda vardır. Çalışama, internet destekli öğretim öğrencilerinin başanlanmn demografik ve öğretimsel ortam tasarımı faktörleri ile ne ölçüde değiştiğinin belirlenmesi amacıyla hazırlanılmıştır. Çalışmaya genel bir giriş yapıldıktan sonra ikinci bölümde literatürde bu alanda yapılan çalışmalar hakkında kısa bilgiler verilmiştir. Üçüncü bölümde uzaktan öğretim ve internet destekli öğretim kavramları tanıtılmıştır. Dördüncü bölümde istatistiksel analiz yöntemleri ve yapay sinir ağlan hakkında teorik bilgi sunulmuştur. Beşinci bölümde ise istatistiksel analizler ve yapa sinir ağlan ile öğrenme uygulamaları anlatılmıştır. Son bölümde sonuçlar tartışılmış ve öneriler sunulmuştur. Yapılan istatistiksel testler sonucunda demografik etkenlerden yaş, aile reisinin meslek kategorisi, mezun olunan lisenin bulunduğu bölge ve liseden mezuniyet yılı değerleri ile basan düzeyleri arasında anlamlı bir ilişki bulunmuş, kardeş sayısı ile basan düzeyi arasında anlamlı bir ilişkiye rastlanmamıştır. Yapılan regresyon analizi sonucunda öğretimsel ortam tasanmı faktörleri olarak belirlenen, metin uzunluğu, örnek ve uygulama kullanımı, çalışma sorulan, kısa sınav ve ödevler, çoklu ortam uygulamalan ve görsel bütünlük ile basan düzeyleri arasında anlamlı bir ilişki bulunmuştur. Aynca aym değerle yapay sinir ağı modellerinden çok katmanlı algılayıcı modeli ile tekrar işlenmiş. Ağa öğretilen değerler sonucunda tahmin sonuçları elde edilmiştir. Bu kısımda regresyon sonuçlan ile yapay sinir ağının ürettiği değerler arasında karşılaştırmalı bir analiz yapılmış, yapılan test sonucunda iki farklı yöntemin benzer sonuçlar ürettiği sonucuna ulaşılmıştır.

ANALYZING FACTORS EFFECT ON THE SUCCESS OF WEB BASED LEARNING STUDENTS' WITH STATISTICAL METHODS AND NEURAL NETWORKS SUMMARY Key words : Distant Learning, Internet Based Learning, Statistical Analysis, Neural Networks The factors which effect to student's success on Internet Based Learning can be classified in four group as personal characteristics, demographic characteristics, learning management system and instructional design. With explicit limits and standards of learning management systems' effects on student's success can be respected as finite. Personal variables are hard values to predict and to be numerical. So, researching the effects of demographic variables and instructional desing would be more effective. This study was prepared to determine how the demographic and instructional design factors change the internet based learning students' successes. After a general introduction, in second chapter short briefings was presented about this literature. In third chapter, distant learning and internet based learning concepts are explained. In fourth chapter, teorical information about statistical analysis methods and neural networks are given. In fifth chapter, learning applications about statistical analysis and neural networks were presented. In last chapter, consequences were discussed and suggestions were presented. After making statistical tests, a meaningful relationship was found between success factors and demographic factors such as age, profession of family man, distinct of the graduation of high school and high school graduation year. A meaningful relationship between success factors and number of brothers/sisters could'nt found. After a regression analysing, a meaningful relationship was found between success factors and instructional design factors before such as length of text, sample and application usage, study questions, short exams and studies, multimedia applications and visual entirety. Furthermore, same values will be processed with multi layer perception model from neural network models. After teaching these values to the network, prediction values were found. In this chapter, a comparative analysis made between regression consequences and values produced by neural network, so two different methods were produced same consequences. XI