Bilişim teknolojileri öğretmenlerinin Scratch yazılımına ilişkin özyeterlik inançlarının makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Sosyal Bilimler Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Teknolojinin gelişmesiyle bireylerin sahip olması beklenen beceriler de değişime uğramıştır. Bilgi işlemsel düşünme becerisi 21.yy. becerileri içerisinde en önemli becerilerdendir. Bu becerinin bireylere kazandırılabilmesi için nitelikli bir kodlama eğitimine ihtiyaç vardır. Bu düzlemde MEB bilişim teknolojileri öğretim programı kapsamına kodlama eğitimini dahil etmiştir. Program kapsamında temel düzey blok tabanlı kodlama araçlarından Scratch kullanılarak bu eğitim verilmektedir. Bu sebeple bilişim teknolojileri öğretmenlerinin kodlama araçları konusunda kendilerini ne kadar yeterli gördükleri son derece önemlidir. Bu bağlamda, bu çalışmada bilişim teknolojileri öğretmenlerinin Scratch'e yönelik kullanımına ilişkin öz yeterlik inançlarının klasik makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması amaçlanmıştır. Veri toplama aracı olarak ise daha önceden geliştirilmiş T-SECT anketi kullanılmıştır. Bu ölçek likert tipinde 39 maddeden oluşmaktadır. Bilişim teknolojileri öğretmenlerinden oluşan 192 örnek ve 39 öznitelik kullanılarak veri seti oluşturulmuştur. Örnek sayısının sınırlılığı nedeniyle dengesiz veri sorununu ortadan kaldırmak için SMOTE yöntemi ile veri çoğaltılmış ve örnek sayısı 262 ye yükseltilmiştir. Veri seti WEKA yazılımına aktarılarak üzerinde klasik makine öğrenmesi yöntemleri ve Google Colab platformu ile Evrişimli Sinir Ağı (ESA) yöntemleri kullanılmıştır. Bu amaç doğrultusunda Zero-R, J48, Random Forest (RF), K-Star, Multilayer-Perceptron (MLP), NaivesBayes, SMO, Logistic, IBK ve Random Tree yöntemleri ile sınıflandırma başarısı hesaplanmıştır. Veri seti üzerinde en yüksek sınıflandırma performansı elde edilen klasik makine öğrenmesi yöntemleri SMO, MLP, IBK, J48 ve RF olarak bulunmuştur. ESA ile yapılan sınıflandırma klasik makine öğrenmesi yöntemlerinden daha başarılı sonuç vermiştir. Bilişim teknolojileri öğretmenlerinin öz yeterlik inançları ESA kullanılarak %99.30 doğruluk oranıyla başarılı bir biçimde sınıflandırılmıştır.
With the development of technology, the skills that are expected from individuals have also changed. Computational thinking is one of the most important skills of 21st century.A qualified coding education is needed in order to upskill the individuals for computational thinking. Concordantly, the Ministry of National Education has included coding education in the scope of the information technologies curriculum. In this context, this training is given by using Scratch which is one of the basic block-based coding tools. Therefore, it is extremely important how competent Information Technologies teachers consider themselves about coding tools. In this study, it is aimed to classify the self-efficacy beliefs of Information Technologies teachers regarding the use of Scratch by using classical machine learning and deep learning methods.T-SECT scale which was previously developed was used as a data collection tool. This scale consists of 39 Likert type items. The data set was created by using 192 samples consisting of Information Technology teachers and 39 attributes. In order to eliminate the problem of unbalanced data due to the limited number of samples, the data was amplified by the SMOTE method and the number of samples was increased to 262. The data set was transferred into WEKA software and classical machine learning methods, Google Colab platform and Convolutional Neural Network (CNN) methods were used on it. In line with this purpose, classification success was calculated with Zero-R, J48, Random Forest(RF), K-Star, Multilayer-Perceptron(MLP), NaivesBayes, SMO, Logistic, IBK and Random Tree methods. The classical machine learning methods with the highest classification performance on the data set were found as SMO, MLP, IBK, J48 and RF. Classification which is made with CNN received better results than classical machine learning methods. Self-efficacy beliefs of Information Technologies teachers were successfully classified using CNN with an accuracy rate of 99.30%.
With the development of technology, the skills that are expected from individuals have also changed. Computational thinking is one of the most important skills of 21st century.A qualified coding education is needed in order to upskill the individuals for computational thinking. Concordantly, the Ministry of National Education has included coding education in the scope of the information technologies curriculum. In this context, this training is given by using Scratch which is one of the basic block-based coding tools. Therefore, it is extremely important how competent Information Technologies teachers consider themselves about coding tools. In this study, it is aimed to classify the self-efficacy beliefs of Information Technologies teachers regarding the use of Scratch by using classical machine learning and deep learning methods.T-SECT scale which was previously developed was used as a data collection tool. This scale consists of 39 Likert type items. The data set was created by using 192 samples consisting of Information Technology teachers and 39 attributes. In order to eliminate the problem of unbalanced data due to the limited number of samples, the data was amplified by the SMOTE method and the number of samples was increased to 262. The data set was transferred into WEKA software and classical machine learning methods, Google Colab platform and Convolutional Neural Network (CNN) methods were used on it. In line with this purpose, classification success was calculated with Zero-R, J48, Random Forest(RF), K-Star, Multilayer-Perceptron(MLP), NaivesBayes, SMO, Logistic, IBK and Random Tree methods. The classical machine learning methods with the highest classification performance on the data set were found as SMO, MLP, IBK, J48 and RF. Classification which is made with CNN received better results than classical machine learning methods. Self-efficacy beliefs of Information Technologies teachers were successfully classified using CNN with an accuracy rate of 99.30%.
Açıklama
Anahtar Kelimeler
Bilgi İşlemsel Düşünme, Evrişimli Sinir Ağları, Makine Öğrenmesi, Özyeterlik İnancı, Scratch, Computational Thinking, Convolutional Neural Networks, Machine Learning, Scratch, Self-efficacy Belief
