Kerevit Optimizasyon Algoritması İle Eğitim Verilerinin Analizi: Karşılaştırmalı Bir Optimizasyon Algoritması

Abstract

Eğitim süreçlerinin etkililiğini artırmak ve öğrenci başarısını desteklemek, günümüz eğitim araştırmalarının temel hedeflerinden biridir. Bu bağlamda, bu yüksek lisans tezi, Uluslararası Matematik ve Fen Eğilimleri Araştırması (TIMSS) 2019 verilerini kullanarak öğrencilerin matematik ve fen okuryazarlığı performansını derinlemesine analiz etmeyi hedeflemektedir. Çalışmada, eğitim veri setindeki önemli özniteliklerin seçimi ve öğrencilerin başarı düzeylerinin sınıflandırılması amacıyla Kerevit Optimizasyon Algoritması (KOA) uygulanmıştır. KOA'nın öznitelik seçimi ve sınıflandırma görevlerindeki performansı, eğitim alan yazındaki diğer meta-sezgisel algoritmalar olan Gri Kurt Optimizasyon Algoritması (GKOA), Fil Sürüsü Optimizasyon Algoritması (FSOA), Parçacık Sürü Optimizasyon Algoritması (PSOA) ve Karınca Aslanı Optimizasyon Algoritması (KAOA) ile karşılaştırmalı olarak değerlendirilmiştir. Elde edilen bulgular, KOA'nın ilgili algoritmalar karşısında rekabetçi ve üstün bir başarı sergilediğini göstermiştir. KOA'nın düşük hesaplama maliyeti, yerel optimumlardan kaçınma yeteneği ve artan iterasyonlarla birlikte sergilediği tutarlı başarı artışı, algoritmanın büyük ölçekli ve karmaşık eğitim veri setlerinde uygulanabilirliğini desteklemektedir. Tez kapsamında ayrıca, TIMSS 2019 verileri üzerinden öğrenci başarısını etkileyen kritik faktörler detaylı bir şekilde incelenmiştir. Yapılan analizler sonucunda, sosyoekonomik durum, okul kaynaklarının yeterliliği, öğretmen nitelikleri, teknolojinin eğitim süreçlerinde kullanımı ile öğrencinin tutum ve öz yeterlilik algısının matematik ve fen okuryazarlığı başarısı üzerinde anlamlı ve pozitif bir etkiye sahip olduğu belirlenmiştir. Cinsiyetin başarı üzerindeki etkisinin genel olarak sınırlı olduğu, ancak belirli ülke bağlamlarında veya spesifik alanlarda belirgin cinsiyet farklılıklarının gözlemlendiği saptanmıştır. Sonuç olarak, KOA'nın eğitim verilerinin analizi ve öğrenci başarısının tahmininde güçlü bir araç olduğu, özellikle risk altındaki öğrencilerin tespiti ve kanıta dayalı eğitim politikalarının geliştirilmesinde potansiyel bir katkı sağlayabileceği sonucuna varılmıştır. Tüm analizler ve değerlendirmeler Python programlama dili ve ilgili kütüphaneler kullanılarak gerçekleştirilmiştir.Ensuring the effectiveness of educational processes and fostering student success are paramount goals in contemporary education research. Within this context, this master's thesis aims to comprehensively analyse the mathematics and science literacy performance of students, leveraging data from the Trends in International Mathematics and Science Study (TIMSS) 2019. The study employs the Crayfish Optimisation Algorithm (KOA) for crucial feature selection and classification tasks pertaining to student achievement levels within the educational dataset. The performance of KOA in these endeavours was rigorously evaluated and compared against other meta-heuristic algorithms prominent in the literature, including the Grey Wolf Optimisation Algorithm (GWOA), Elephant Herding Optimisation Algorithm (EHOA), Particle Swarm Optimisation Algorithm (PSOA), and Ant Lion Optimisation Algorithm (ALOA). The findings unequivocally demonstrate KOA's competitive and superior performance when benchmarked against these established algorithms. Notably, KOA's low computational cost, its inherent ability to avoid local optima, and its consistent improvement in performance across increasing iterations collectively support its applicability to large-scale and complex educational data sets. Furthermore, the thesis meticulously investigated critical factors influencing student achievement, drawing insights from the TIMSS 2019 data. Analyses revealed that socioeconomic status, the adequacy of school resources, teacher qualifications, the integration of technology in educational processes, and students' attitudes and self-efficacy perceptions significantly and positively impact mathematics and science literacy success. While gender differences in overall achievement were generally found to be limited, distinct variations were observed in specific subject areas or within particular national contexts. In conclusion, this study establishes KOA as a robust tool for the analysis of educational data and the prediction of student success, positing its potential contribution to identifying at-risk students and formulating evidence-based educational policies. All analyses and evaluations throughout this research were conducted using the Python programming language and its relevant libraries.