Gelı̇şmekte olan ülkelerde matematı̇k başarısını etkı̇leyen faktörlerı̇n araştırılmasında makı̇ne öğrenme teknı̇klerı̇nı̇n kullanılması: Türkı̇ye, Meksı̇ka, Tayland ve Bulgarı̇stan örneğı̇

Abstract

Matematik tüm eğitim sistemlerinin vazgeçilmez bir parçasıdır. Çünkü matematik, hem günlük yaşamın önemli bir unsuru hem de pek çok meslek ve alan için olmazsa olmaz bir temeli teşkil etmektedir. Bu nedenle, matematik başarısını etkileyen unsurları belirlemenin, ülkelerin gelişimine katkı sağlayacağı söylenebilir. Bu doğrultuda, bu çalışmada PISA 2018 verileri kullanılarak, benzer eğitim sistemi ve ekonomik gelişmişliğe sahip dört ülke olan Türkiye, Bulgaristan, Meksika ve Tayland'ın matematik başarılarını etkileyen faktörleri makine öğrenmesi modelleri ile belirlemek, bu modellerin başarılarını karşılaştırmak amaçlanmıştır. İlgili alanyazında bu amaç için sıklıkla sınıflandırma algoritmaları tercih edildiği görülmektedir. Bu çalışmada hem sınıflandırma hem de regresyon modelleri kullanılmıştır. Çalışmada, regresyon algoritması olarak doğrusal regresyon, destek vektör regresyonu, karar ağacı regresyonu ve rastgele orman regresyonu; sınıflandırma algoritması olarak ise lojistik regresyon, destek vektör sınıflandırması, karar ağacı sınıflandırması ve rastgele orman sınıflandırması kullanılmıştır. Ayrıca, matematik başarısını tahmin etmek için en önemli faktörlerin belirlenmesinde XGradient Boosting algoritması kullanılmıştır. Son olarak, eksik verilerin doldurulmasında, K-Means metodu tercih edilmiştir. Çalışmanın sonuçlarına göre, dört ülke için de matematik başarına en büyük katkı sağlayan değişkenlerin öğrencinin ekonomik, sosyal ve kültürel statüsü, öğrencinin evde sahip olduğu çalışma materyali, öğrencinin sahiplik hissi ve ailenin refah düzeyi olduğu bulunmuştur. Model başarısı açısından hem regresyon hem de sınıflandırma açısından en yüksek başarıya sahip algoritmanın rastgele ormanlar olduğu bulunmuştur. Ayrıca, sınıflandırma algoritmaları ikili ve üçlü sınıflandırma üzerinden incelenmiş, ikili sınıflandırmanın daha yüksek başarıya sahip olduğu görülmüştür. Sonuç olarak, çalışmamızda elde edilen bulgular matematik başarısını tahmin etmede kullanılacak en uygun algoritmanın seçimi v konusunda önemli bir öngörü sunmaktadır. Ayrıca, çalışmanın bulguları, eğitim politikalarının geliştirilmesi ve öğrenci başarısını artırmak için uygulayıcı ve politika yapıcılara önemli iç görüler sağlamaktadır.Mathematics is an indispensable part of all education systems. Because mathematics is a necessary element of daily life and a vital basis for many professions and fields, determining the factors affecting mathematics achievement will contribute to developing countries. Accordingly, this study aims to determine the factors affecting the mathematics achievement of four countries with similar education systems and economic development, namely Turkey, Bulgaria, Mexico, and Thailand, by using PISA 2018 data with machine learning models and to compare the achievements of these models. In the related literature, classification algorithms are frequently preferred for this purpose. In this study, both classification and regression models were used. Linear regression, support vector regression, decision tree regression, and random forest regression were used as regression algorithms. In contrast, logistic regression, support vector classification, decision tree classification, and random forest classification were used as classification algorithms. Furthermore, the XGradient Boosting algorithm was used to identify the most important factors for predicting math achievement. Finally, the K-Means method was used to fill in the missing data. According to the results of the study, the variables that contributed most to mathematics achievement for all four countries were found to be the economic, social, and cultural status of the student, the study material the student has at home, the student's sense of ownership and the family's welfare level. Regarding model success, random forests were the algorithm with the highest success in regression and classification. In addition, the classification algorithms were analyzed in terms of binary and ternary classification, and it was found that binary classification had higher success. In conclusion, the findings of our study provide important insights into selecting the most appropriate algorithm for predicting math achievement. Furthermore, the study's findings provide important insights for iii practitioners and policymakers to improve educational policies and increase student achievement.