Araştırma Makalesi
Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi
Öz
Bu
araştırmanın amacı, yapı geçerliği çalışmalarında kullanılan temel bileşenler
analizi yerine bu amaçla geliştirilen yapay sinir ağı modellerinin
kullanılabilir olup olmadığını tespit etmektir. Veri indirgeme amacıyla
geliştirilen Genelleştirilmiş Hebb Algoritması kullanan yapay sinir ağı modeli
ve Kendini Düzenleyen Haritalama olarak adlandırılan diğer yapay sinir ağı
modeli bu araştırmanın temel konusudur. Yapı geçerliği çalışması yapmak için 30
maddeden oluşan denemelik Öğretmenlere Yönelik Tutum Ölçeği hazırlanmış ve bu
ölçek 400 öğretmen adayına uygulanmıştır. Elde edilen veriler temel bileşenler
analizi ve yapay sinir ağı modelleri kullanılarak analiz edilmiştir. Kullanılan
farklı yöntemlerden elde edilen ölçek yapılarından hangisinin daha uygun
olduğuna karar vermek amacıyla, farklı 400 kişilik bir diğer öğretmen adayı
grubundan tekrar veri toplanmış ve bu verilere doğrulayıcı faktör analizi
uygulanmıştır. Temel bileşenler analizi ile yapay sinir ağı modellerine
dayanarak yapılan doğrulayıcı faktör analizi sonuçları model uyum ve hata
indekslerine göre karşılaştırılmıştır. Uyum indekslerine bakıldığında, bu
yapılar uyum ve hata indekslerinin çoğu açısından uyumlu yapılardır. Sonuçta,
5x5 nöron üzerinden haritalanan kendini düzenleyen haritalama modelinin, RMSEA
indeksi hariç, daha uyumlu sonuçlar verdiği söylenebilir.
Anahtar Kelimeler
Kaynakça
- Baldi, P., & Hornik, K. (1989). Neural networks and principal component analysis: Learning from examples without local minima. Neural Networks, 2, 53-58.
- Baş, N. (2006). Yapay sinir ağları yaklaşımı ve bir uygulama. Yayımlanmamış Yüksek Lisans Tezi. İstanbul: Mimar Sinan Güzel Sanatlar Üniversitesi Fen Bilimleri Enstitüsü.
- Bayır, F. (2006). Yapay sinir ağları ve tahmin modellemesi üzerine bir uygulama. Yayımlanmamış Yüksek Lisans Tezi. İstanbul: İstanbul Üniversitesi Sosyal Bilimler Enstitüsü.
- Bogden, R. C., & Biklen, S. K. (1998). Qualitative research for education. Boston: Allyn and Bacon.
- Chattopadhyay, M., Dan, P. K., & Majumdar, S. (2011). Principal component analysis and self organizing map for visual clustering of machine-part cell formationin cellular manufacturing system [Abstruct]. Retrieved March 19, 2015 from http://arxiv.org/pdf/1201.5524.pdf
- Diamantaras, K. I. (2002). Neural networks and principal component analysis. In Y.-H. Hu, J.-N. Hwang (Eds.), Handbook of neural networks for signal processing (pp. 1-37). Boca Raton: CRC Press.
- Elmes, D. G., Kantowitz, B. H., & Roediger III, H. L. (1992). Research methods in psychology. St. Paul: West Publishing Company.
- Field, A. (2009). Discovering statistics using SPSS. London: SAGE Publications Inc.
- Haykin, S. (1999).Neural network-a comprehensive foundation. New Jersey: Prentice Hall, Inc.
- Hu, Y. H. (2001). ghademo.m - generalized hebbian learning demonstration. Retrived November 15, 2014 from https://svn.ssec.wisc.edu/repos/willem.marais.msthesis/ examples/Hebbian%20 Learning/m_scripts/ghademo.m
- Johnson, R. A., & Wichern, D. W. (1982). Applied multivariate statistical analysis. New Jersey: Prentice Hall, Inc.
- Kalaycı, Ş. (2014). SPSS uygulamalı çok değişkenli istatistik teknikleri. Ankara: Asil Yayın Dağıtım Ltd. Şti.
- Kane, M. T. (2006). Validation. In R. L. Brennan (Ed.), Educational measurement (pp. 17-64). USA: American Council on Education Praeger.
- Karasar, N. (1998). Bilimsel araştırma yöntemi. Ankara: Nobel Yayın Dağıtım.
- Kiang, M. Y., & Kumar, A. (2001). An evaluation of self organizing map networks as a robust alternative to factor analysis in data mining applications. Information Systems Research, 12(2), 177-194.
- Kline, R.B. (2005). Principles and practice of structural equation modeling. New York: The Guilford Press
- Kohonen, T. (1982). Self –organized formation of topologically correct future maps. Biological Cybernetics, 43, 59-69.
- Kohonen, T. (1990). The self-organizing map. Proceedings of The IEEE, 78(9), 1464-1480.
- Krenker, A., Bestěr, J., & Kos, A. (2011). Introduction to the artificial neural networks. In K. Suzuki (Ed.), Artificial neural networks- methodological advances and biomedical applications (pp. 3-18). Retrieved April 18, 2013 from http://cdn.intechopen.com/pdfs/14881/InTech-introduction_to_the_artificial _neural _networks.pdf Kulkarni, A. D. (1994). Artificial neural networks for image understanding. New York: Van Nostrand Reinhold.
- Miller, M.D., Linn, R.L., & Gronlund, N.E. (2009). Measurement and assessment in teaching. New Jersey: Pearson Education Neural Network Fundementals, (t.y.). Retrived April 10, 2013 from http: //ube .ege.e du.tr/~cinsdiki /UBI521/Chapter-1
- Oja, E. (1982). A simplified neuron model as a principal component analyzer. Journal of Mathematical Biology, 15, 267-273.
- Peeters, L., & Dassargues, A. (2006). Comparison of Kohonen’s self organizing map algorithm and principal component analysis in the exploratory data analysis of a groundwater quality data set. Retrived March 19, 2015 from http://ulg.ac.be /handle/2268/3388
- Rizk, M. R. M. (2006). A comparison of principal component analysis and Generalized Hebbian Algoritm for image compressing and face recognition. The 2006 International Conference on Computer Engineering and Systems (pp. 214-219). Cairo: IEEE.
- Sagner, T. D. (1989). Optimal unsupervised learning in a single-layer linear feedforward neural network. Neural Networks, 2, 459-473.
- Sengupta, S. (2009) Artificial neural networks: Ders notları. Indian Istitute of Technology. Retrived April 05, 2013 from www. youtube.com/playlist=PLi-bxY2I4hXxf7vZKF2 Ecan ZzWr-I7Pm
- Tabachnick, B. G., & Fidell, L. S. (2001). Using multivariate statistics. Boston: Allyn and Bacon.
- Tezbaşaran, A. A. (1997a). Likert tipi ölçek geliştirme klavuzu. Ankara: Türk Psikologlar Derneği Yayınları.
- Tezbaşaran, A. A. (1997b). Validity issues of likert type scales (a case study). Hacettepe Üniversitesi Eğitim Fakültesi Dergisi,13, 41-45.
- Yurtoğlu, H. (2005). Yapay sinir ağlari metodolojisi ile öngörü modellemesi: Bazi makroekonomik değişkenler için Türkiye örneği. Yayımlanmış Uzmanlık Tezi. Ankara: Devlet Planlama Teşkilatı.
Toplam 29 adet kaynakça vardır.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Eğitim Üzerine Çalışmalar |
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 20 Nisan 2018 |
| Yayımlandığı Sayı | Yıl 2018 Cilt: 14 Sayı: 1 |
Cited By
ÖĞRETMEN ADAYLARINA YÖNELİK AKILLI TELEFONLARIN TASARIMINDA GÜVENLİK BEKLENTİLERİ ÖLÇEĞİNİN (ATTGBÖ) GELİŞTİRİLMESİ
Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi
https://doi.org/10.21764/maeuefd.1281259
Classification of Scale Items with Exploratory Graph Analysis and Machine Learning Methods
International Journal of Assessment Tools in Education
https://doi.org/10.21449/ijate.880914
Identification and prediction of phubbing behavior: a data-driven approach
Neural Computing and Applications
https://doi.org/10.1007/s00521-021-06649-5
KANSEİ VE TEMEL BİLEŞENLER ANALİZİ TABANLI BEŞİK TASARIM STRATEJİLERİNİN OLUŞTURULMASI
Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi
Esra AKGÜL
https://doi.org/10.28948/ngumuh.549037
Using Principal Component Analysis and Artificial Neural Networks for Fault Type Forecasting in an Automotive Company
Academic Perspective Procedia
Tülay Korkusuz Polat
https://doi.org/10.33793/acperpro.01.01.178
Prediction of problematic social media use (PSU) using machine learning approaches
Current Psychology
Mustafa Savci
https://doi.org/10.1007/s12144-020-00794-1
The content of the Mersin University Journal of the Faculty of Education is licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.