Ortaöğretim Onuncu Sınıf Öğrencilerinin Başarı Durumlarının Sınıflama ve Faktör Analizi ile İncelenmesi: Samsun Örneği

Abstract

Bu çalışmada, Samsun ili özelinde ve Türkiye genelinde ortaöğretim öğrencilerinin başarı durumlarını en iyi hangi sınıflandırma yöntemiyle belirlenebileceğini incelenmektir. Ayrıca, öğrencilerin başarılarını etkileyebilecek faktörlerin sınıflandırma yapısını nasıl etkilediğini anlamak da önemli olduğundan araştırmanın bir kısmı, başarı durumunu etkileyen faktörlerin belirlenmesine ayrılmıştır. Bu çalışma ile ülkemizde, özellikle onuncu sınıf düzeyinde, ortaöğretim başarı durumu incelenerek bu başarıyı artırmaya yönelik öneriler geliştirilmesi amaçlanmaktadır. Bu hedeflere ulaşmak için, Samsun İli Merkez İlçelerinde eğitim gören 1025 öğrenciye anket uygulanmıştır. 10. Sınıf öğrencilerden 'Demografik Bilgi Formu' ve 'Başarı Odaklı Motivasyon Ölçeği' kullanılarak orijinal veriler toplanmıştır. Araştırmada toplanan veriler, çok değişkenli istatistiksel analiz teknikleri ile değerlendirilmiştir. Sınıflandırma sürecinde; Lojistik Regresyon, Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN), Karar Ağaçları, Rastgele Orman ve Yapay Sinir Ağları (YSA) olmak üzere altı farklı makine öğrenmesi algoritması kullanılmıştır. Ayrıca, başarı odaklı motivasyon ölçeğine faktör analizi uygulanarak, öğrencilerin psikolojik eğilimleri de istatistiksel olarak yapılandırılmıştır. Analiz sonuçlarına göre, rastgele orman algoritması gerek doğruluk, duyarlılık, kesinlik ve F1 skor ölçütleri bakımından en yüksek performansı göstermiştir. Matematik, Türk Dili ve Edebiyatı, Fizik ve Kimya dersleri ile yıl sonu genel başarı notlarının tahmininde en başarılı modelin rastgele orman olduğu tespit edilmiştir. Faktör analizi bulgularına göre, başarıyı etkileyen motivasyon, ilgi, cesaret gibi temel psikolojik yapılar sekiz faktör altında gruplandırılmış ve bu faktörler toplam varyansın %59,7'sini açıklamıştır. Bu sonuçlar, risk altındaki öğrencilerin erken belirlenmesine, kişiselleştirilmiş eğitim stratejilerinin geliştirilmesine, öğretim süreçlerinin iyileştirilmesine ve eğitim politikalarının veri temelli olarak şekillendirilmesine olanak sunmaktadır. Ayrıca, akademik literatüre katkı sağlayarak ileride yapılacak benzer çalışmalar için referans niteliği taşımaktadır.This study aims to determine which classification method most effectively identifies the academic achievement levels of secondary school students, both in the context of Samsun province and across Türkiye. Additionally, since it is important to understand how factors influencing student success affect the classification structure, part of the research is devoted to identifying these influential factors. The study focuses on examining the academic performance of tenth-grade students in Türkiye, with the goal of developing recommendations to enhance this performance. To achieve these objectives, a survey was administered to 1025 students studying in the central districts of Samsun province. Original data were collected from tenth-grade students using a 'Demographic Information Form' and the 'Achievement-Oriented Motivation Scale.' The collected data were analyzed using multivariate statistical analysis techniques. In the classification process, six different machine learning algorithms were employed: Logistic Regression, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Decision Trees, Random Forest, and Artificial Neural Networks (ANN). In addition, factor analysis was applied to the achievement-oriented motivation scale to statistically structure students' psychological tendencies. According to the analysis results, the Random Forest algorithm demonstrated the highest performance in terms of accuracy, recall, precision, and F1-score. It was determined to be the most successful model in predicting students' final grades in mathematics, Turkish language and literature, physics, and chemistry. The findings of the factor analysis showed that core psychological traits such as motivation, interest, and courage were grouped under eight factors, which together explained 59.7% of the total variance. These results offer significant potential for early identification of at-risk students, the development of personalized education strategies, improvement of instructional processes, and the formulation of data-driven education policies. Furthermore, the study contributes to the academic literature and serves as a reference for future research.