Examination of International Pisa Test Results with Artificial Neural Networks and Regression Methods

Semra BENZER; Recep BENZER

doi:https://doi.org/10.17134/khosbd.405652

Article Details

Examination of International Pisa Test Results with Artificial Neural Networks and Regression Methods

Authors:

Semra BENZER | Recep BENZER

Publisher:

Millî Savunma Üniversitesi

Main Topics:

Applied physics

Journal:

The Journal of Defense Sciences 2017 Vol.16 Issue 2, pp.1-13

Document Type:

Article

Publication Date:

3/2018

Document Language:

English

Document ID (Org No.):

2000569339

Frequency:

Bi-Annual

eISSN:

2148-1776

pISSN:

1303-6831

DOI:

https://doi.org/10.17134/khosbd.405652

Abstract:

 


Abstract


 

            It
is approved that artificial neural networks are considerably effective in
analyzing flows in which traditional methods and statics are inadequate to
solve. In this article, we use a two-layer feedforward network with tan-sigmoid
transmission function in input and output layers with PISA of Turkey and
Organisation for Economic Cooperation and Development (OECD) science level
values. OECD Programme for International Student Assessment (PISA) surveys
reading, mathematical and scientific literacy levels every three years. The
PISA assessment works on young people’s ability to apply their knowledge and
skills to real-life problems and situations rather than on how much
curriculum-based knowledge they have. Assessments are made on three core fields
reading literacy, mathematical literacy and scientific literacy. The conclusion
is that PISA is an important global benchmarking tool, but that bureaucrats and
the media need to use the rich data that have been collected  together 
with  information  about  
their  academic performance.
According to statistical evaluations, regression value of ANN was higher than
value of regression methods.

Keywords: PISA, Artificial Neural Networks, Regression
Methods.

.

 


Öz



 

            Yapay
sinir ağları geleneksel yöntemlerin çözemediği akışları analiz etmede oldukça
etkili olabilmektedir. Bu çalışmada Türkiye ve Ekonomik İş birliği ve Kalkınma
Teşkilatı (OECD) PISA bilim seviyesi değerleri ile giriş-çıkış katmanlarında tan-sigmoid
iletim fonksiyonlu iki katmanlı ileri besleme yapay sinir ağı kullanılmıştır.
OECD Uluslararası Öğrenci Değerlendirme Programı (PISA) her üç yılda bir okuma
becerilerini, matematik ve fen başarı performanslarını test etmektedir. PISA
değerlendirmesi, gençlerin bilgi ve becerilerini sahip oldukları müfredat
tabanlı bilgiye değil, gerçek yaşamdaki sorunlara ve durumlara uygulama
becerileri üzerine odaklanmaktadır. Değerlendirmeler okuma-yazma, matematiksel
okuryazarlık ve bilimsel okuryazarlık olmak üzere üç ana alanda
yürütülmektedir. Sonuç olarak, PISA’nın önemli bir küresel kıyaslama aracı
olduğu görülmekte, ancak politika yapıcıların ve medyanın, toplanan zengin
verilerle birlikte öğrencilerin akademik performanslarıyla ilgili bilgileri
kullanarak daha iyi değerlendirmelerde bulunmaları gerekmektedir. Yapılan
istatistiksel değerlendirmelere göre yapay sinir ağları yaklaşımının regresyon
analizine göre daha yüksek değerler verdiği tespit edilmiştir.







            Anahtar
Kelimeler: PISA, Yapay Sinir Ağları, Regresyon Yöntemi.

.

Article Details

Examination of International Pisa Test Results with Artificial Neural Networks and Regression Methods

Authors: Semra BENZER | Recep BENZER

Publisher: Millî Savunma Üniversitesi

Main Topics: Applied physics

Journal: The Journal of Defense Sciences 2017 Vol.16 Issue 2, pp.1-13

Document Type: Article

Publication Date: 3/2018

Document Language: English

Document ID (Org No.): 2000569339

Frequency: Bi-Annual

eISSN: 2148-1776

pISSN: 1303-6831

DOI: https://doi.org/10.17134/khosbd.405652

Issues

Authors:

Semra BENZER | Recep BENZER

Publisher:

Millî Savunma Üniversitesi

Main Topics:

Applied physics

Journal:

The Journal of Defense Sciences 2017 Vol.16 Issue 2, pp.1-13

Document Type:

Article

Publication Date:

3/2018

Document Language:

English

Document ID (Org No.):

2000569339

Frequency:

Bi-Annual

eISSN:

2148-1776

pISSN:

1303-6831

DOI:

https://doi.org/10.17134/khosbd.405652