ORTAOKUL ÖĞRENCİLERİNİN STEM MESLEKLERİNE YÖNELİK İLGİLERİNİN EĞİTSEL VERİ MADENCİLİĞİ İLE İNCELENMESİ

Author :  

Year-Number: 2020-Year: 13 - Number: 83
Yayımlanma Tarihi: 2020-12-11 23:35:40.0
Language : Türkçe
Konu : Eğitim Bilimleri ve Öğretmen Yetiştirme, Matematik Eğitimi
Number of pages: 89-106
Mendeley EndNote Alıntı Yap

Abstract

Araştırmanın amacı, ortaokul öğrencilerinin STEM mesleklerine olan ilgilerini veri madenciliği kullanarak incelemektir. Veri madenciliği son yıllarda eğitim de dâhil olmak üzere farklı alanlarda başarıyla kullanılan veri analizi yöntemlerinden birisidir. Bu çalışmada eğitsel veri madenciliği yöntemlerinden sınıflandırma analizi ve karar ağacı teknikleri kullanılmıştır. Araştırmanın örneklemini İstanbul'un çeşitli semtlerinde bulunan farklı sınıflardan 300 ortaokul öğrencisi oluşturmaktadır. Araştırma betimsel bir özelliğe sahip olup genel tarama modeline uygun olarak yürütülmüştür. Araştırmada veriler Fen, Teknoloji, Matematik ve Mühendislik Mesleklerine Yönelik İlgi Ölçeği (FeTeMM-MYİÖ) aracılığıyla toplanmıştır. FeTeMM-MYİÖ dört alt boyuttan (fen, matematik, teknoloji, mühendislik meslekleri) ve kişisel bilgiler bölümünden oluşmaktadır. Ölçeğin kişisel bilgiler bölümünde yer alan bilgiler öğrencilerin okul türü, sınıf düzeyi, cinsiyeti, akademik başarı seviyesi, anne ve baba mesleği, anne ve baba eğitim düzeyi, gelir düzeyi, ailedeki birey sayısı, kardeş sayısı ile ilgili olup bu araştırmada etkisi araştırılan değişkenlerdir. Araştırma sonuçlarına göre J48 algoritması, verilerin sınıflandırılmasında en yüksek doğruluk oranına sahip algoritmadır. Öğrencilerin STEM mesleklerine olan ilgilerinde en önemli etkiye baba mesleği değişkeninin sahip olduğu görülmektedir. Ayrıca, sınıflamada baba mesleği değişkeninden sonra en önemli etkiye sırasıyla anne mesleği, anne eğitim düzeyi ve cinsiyet değişkenleri sahiptir. Araştırmada incelenen diğer değişkenlerin etkisi ile ilgili olarak daha farklı gruplarla çalışılabilir. Lise yıllarında öğrencilerin STEM mesleklerine olan ilgilerinin değişip değişmediğini ölçmek için boylamsal bir araştırma yapılabilir. Bu çalışmanın veri madenciliğinin eğitim bilimleri alanına uygulanmasına bir örnek olması açısından ileriki çalışmalara ışık tutacağı düşünülmektedir.

Keywords

Abstract

The aim of the study is to examine middle school students’ interest in STEM professions using data mining. Data mining is one of the data analysis methods used successfully in different fields, including education, in recent years. Classification analysis and decision tree techniques, which are among the educational data mining methods, are used in this study. The sample of the study consists of 300 middle school students from different classes in various districts of Istanbul. The research has a descriptive feature and is conducted in accordance with the general survey model. The data in the study were collected through the STEM Career Interest Survey (STEM-CIS). STEM-CIS consists of four sub-dimensions (science, mathematics, technology, engineering professions) and personal information sections. The information in the personal information section of the scale is related to the type of school, grade level, gender, academic achievement, mother and father occupation, education level of the mother and father, income level, number of family members, number of siblings and are the variables whose effects have been investigated in this study. According to the results of the research, J48 algorithm is the algorithm with the highest accuracy rate in classifying data. It is seen that the father occupation variable has the most important effect on students’ interest in STEM professions. In addition, in the classification, after the father occupation variable, the variables of mother occupation, mother's education level and gender have the most important effects, respectively. Regarding the effect of other variables examined in the study, different groups can be studied. A longitudinal study can be conducted to measure whether students’ interest in STEM professions has changed during high school years. It is thought that this study will shed light on future studies in terms of being an example of the application of data mining to the field of educational sciences.

Keywords


  • Akbaş, E. E.; Cancan, M. ve Balcı, F. (2019). Ortaokul Öğrencilerinin FeTeMM (Fen-Teknoloji-Mühendislik- Matematik) Alanlarına Yönelik İlgilerinin Çeşitli Değişkenlere Göre İncelenmesi. Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, C/S. 16 (1): 1370-1401.

  • Akçapınar, G. ve Coşgun, E. (2019). Öğrencilerin Stem Eğitimi Tercihlerinin Veri Madenciliği Yaklaşımı Ile Tahmin Edilmesi. Eğitim Teknolojisi Kuram ve Uygulama, C/S. 9 (1): 73-88.

  • Aksu, G. ve Doğan, N. (2019). Veri Madenciliğinde Kullanilan Bir Analiz Programı: Weka. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, C/S. 10 (1): 80-95. DOI: 10.21031/epod.399832

  • Alan, M. A. (2012). Veri Madenciliği ve Lisansüstü Öğrenci Verileri Üzerine Bir Uygulama. Dumlupinar Üniversitesi Sosyal Bilimler Dergisi, S. 33: 165-174.

  • Almazroui, Y. A. (2013). A Survey of Data Mining in The Context of E-Learning. International Journal of Information Technology & Computer Science (IJITCS), C/S. 7 (3): 8-18.

  • Altaş, D. ve Gülpinar, V. (2012). Karar Ağaçları ve Yapay Sinir Ağlarının Sınıflandırma Performanslarının Karşılaştırılması: Avrupa Birliği Örneği. Trakya University Journal of Social Science, C/S. 14 (1): 1-22.

  • Azgın, A. O. ve Şenler, B. (2019). İlkokulda STEM: Öğrencilerin Kariyer İlgileri ve Tutumları. Journal of Computer and Education Research, C/S. 7 (13): 213-232.

  • Bacanlı, F. ve Sürücü, M. (2011). İlköğretim Öğrencilerinin Kariyer Gelişimleri ile Ebeveyne Bağlanmaları Arasındaki İlişkilerin İncelenmesi. Türk Eğitim Bilimleri Dergisi, S. 9: 679-700.

  • Baker, R. S. ve Inventado, P. S. (2014). Educational Data Mining and Learning Analytics. In Learning analytics (pp. 61-75). Springer, New York, NY.

  • Bandura, A. (1986). Social Foundations of Thought and Action: A Social Cognitive Theory. Englewood Cliffs: Prentice-Hall.

  • Bramer, M. (2007). Principles of Data Mining. London: Springer.

  • Bryant, B. K.; Zvonkovic, A. M. ve Reynolds, P. (2006). Parenting in Relation to Child and Adolescent Vocational Development. Journal of Vocational Behavior, S. 69: 149–175.

  • Business Europe (2011). Plugging the Skills Gap: The Clock is Ticking. https://www.businesseurope.eu/publications/plugging-skills-gap-clock-ticking-science-technologyengineering-mathematics-stem adresinden 30.08.2020 tarihinde erişilmiştir.

  • Büyüköztürk, S.; Kılıç Çakmak, E.; Akgün, Ö. E.; Karadeniz, S. ve Demirel, F. (2012). Bilimsel Araştırma Yöntemleri (18. Baskı). Ankara: Pegem Akademi.

  • Cataldi, E. F.; Green, C.; Henke, R.; Lew, T.; Woo, J.; Shepherd, B. ve Siegel, P. (2011). 2008–09 Baccalaureate and Beyond Longitudinal Study (BB:08/09): First Look (NCES 2011–236). US Department of Education. Washington: National Center for Education Statistics.

  • Chachashvili-Bolotin, S.; Milner-Bolotin, M. ve Lissitsa, S. (2016). Examination of Factors Predicting Secondary Students’ Interest in Tertiary STEM Education. International Journal of Science Education, C/S. 38 (3): 366–390.

  • Christensen, R. ve Knezek, G. (2017). Relationship of Middle School Student STEM Interest to Career Intent. Journal of Education in Science, Environment and Health (JESEH), C/S. 3 (1): 1–13.

  • Christensen, R.; Knezek, G. ve Tyler-Wood, T. (2015). Gender Differences in High School Student Dispositions Toward Science, Technology, Engineering, And Mathematics Careers. Journal of Computers in Mathematics and Science Teaching, C/S. 34 (4): 395–408.

  • Ciftci, A.; Topcu, M. S. ve Erdogan, I. (2020). Gender Gap and Career Choices in STEM Education: Turkey Sample. International Journal of Progressive Education, C/S. 16 (3): 53-66.

  • Çorlu, M. A.; Adıgüzel, T.; Ayar, M. C.; Çorlu, M. S. ve Özel, S. (2012, Haziran). Bilim, Teknoloji, Mühendislik ve Matematik (BTMM) Eğitimi: Disiplinler Arası Çalışmalar Ve Etkileşimler. X. Ulusal Fen Bilimleri ve Matematik Eğitimi Kongresi. Niğde. 2012.

  • Dejarnette, N. K. (2012). America’s Children: Providing Early Exposure to STEM (Science, Technology, Engineering and Math) Initiatives. Education, C/S. 133 (1): 77–84.

  • Evans, C. D. ve Diekman, A. B. (2009). On Motivated Role Selection: Gender Beliefs, Distant Goals, and Career Interest. Psychology of Women Quarterly, S. 33: 235–249.

  • Gayles, J. G. ve Ampaw, F. D. (2011). Gender Matters: An Examination of Differential Effects Of The College Experience on Degree Attainment in STEM. New Directions for Institutional Research, S. 152: 19–25.

  • Gonzalez, H. B. ve Kuenzi, J. J. (2012). Science, Technology, Engineering, and Mathematics (STEM) Education: A Primer. Congressional Research Service, Library of Congress.

  • Gülhan, F. ve Şahin, F. (2018). Ortaokul 5. ve 7. sınıf Öğrencilerinin Mühendisler ve Bilim İnsanlarına Yönelik Algılarının Karşılaştırmalı olarak İncelenmesi. Necatibey Eğitim Fakültesi Elektronik Fen ve Matematik Eğitimi Dergisi, C/S. 12 (1): 309-338.

  • Han, J. ve Kamber, M. (2006). Data Mining: Concepts and Techniques (2nd Edition). San Fransisco: Morgan Kaufrnann.

  • Herdem, K. ve Ünal, İ. (2018). STEM Eğitimi Üzerine Yapılan Çalışmaların Analizi: Bir Meta-Sentez Çalışması. Marmara University Atatürk Education Faculty Journal of Educational Sciences, S. 48: 145-163.

  • Ing, M. (2014). Gender Differences in the Influence of Early Perceived Parental Support on Mathematics and Science Achievement and STEM Career Attainment. International Journal of Science and Mathematics Education, C/S. 12 (5): 1221–1239.

  • Kalkınma Bakanlığı (2014). Onuncu Kalkınma Planı. http://www.sbb.gov.tr/wp- content/uploads/2018/11/Onuncu-Kalk%C4%B1nma-Plan%C4%B1-2014-2018.pdf adresinden 20.08.2020 tarihinde erişilmiştir.

  • Kaptan, S. (1998). Bilimsel Araştırma ve İstatistik Teknikleri (11.Baskı). Ankara: Tek Işık Web Ofset.

  • Karakaya, F. ve Avgın, S. S. (2016). Effect of Demographic Features to Middle School Students’ Attitude towards FeteMM (STEM). Journal of Human Sciences, C/S. 13 (3): 4188-4198. doi:10.14687/jhs.v13i3.4104.

  • Karakaya, F.; Avgın, S. S. ve Yılmaz, M. (2018). Ortaokul Öğrencilerinin Fen-Teknoloji-Mühendislik- Matematik (Fetemm) Mesleklerine olan İlgileri. Ihlara Eğitim Araştırmaları Dergisi, C/S. 3 (1): 36-53.

  • Kier, M. W.; Blanchard, M. R.; Osborne, J. W. ve Albert, J. L. (2014). The Development of The STEM Career Interest Survey (STEM-CIS). Research in Science Education, C/S. 44 (3): 461–481.

  • Koyunlu Unlu, Z. ve Dökme, İ. (2020). Multivariate Assessment of Middle School Students’ Interest in STEM Career: A Profile From Turkey. Research in Science Education, C/S. 50 (3): 1217-1231.

  • Koyunlu Unlu, Z.; Dokme, I. ve Unlu, V. (2016). Adaptation of the Science, Technology, Engineering, and Mathematics Career Interest Survey (STEM-CIS) into Turkish. Eurasian Journal of Educational Research, S. 63: 21-36.

  • Kumar, S. A. ve Vijayalakshmi, M. N. (2011). Implication of Classification Techniques in Predicting Student’s Recital. Int. J. Data Mining Knowl. Manage. Process (IJDKP), C/S. 1 (5): 41-51.

  • Lent, R. W. ve Brown, S. D. (2006). On Conceptualizing and Assessing Social Cognitive Constructs in Career Research: A Measurement Guide. Journal of Career Assessment, S. 14: 12-35.

  • Lent, R. W.; Brown, S. D. ve Hackett, G. (1994). Toward a Unifying Social Cognitive Theory of Career and Academic Interest, Choice, and Performance. Journal of Vocational Behavior, S. 45: 79–122.

  • Maltese, A. V. ve Tai, R. H. (2011). Pipeline Persistence: Examining the Association of Educational Experiences with Earned Degrees in STEM among US Students. Science Education, C/S. 95 (5): 877907.

  • Manjarres, A. V.; Sandoval, L. G. M. ve Suárez, M. S. (2018). Data Mining Techniques Applied in Educational Environments: Literature Review. Digital Education Review, S. 33: 235-266.

  • Nisbet, R.; Elder, J. ve Miner, G. (2009). Handbook of Statistical Analysis and Data Mining Applications. Academic Press.

  • Rennie, F. ve Morrison, T. (2013). E-learning and Social Networking Handbook: Resources for Higher Education. Routledge.

  • Karasar, N. (2006). Bilimsel Araştırma Yöntemleri (9. Baskı). Ankara: Nobel Yayınları.

  • Mohamad, S. K. ve Tasir, Z. (2013). Educational Data Mining: A Review. Procedia-Social and Behavioral Sciences, S. 97: 320-324.

  • National Science Board (2010). Science and Engineering Indicators. Arlington: National Science Foundation (NSB 10-01).

  • Natural Sciences and Engineering Research Council of Canada. (2010). Women in science and engineering in Canada. Ottawa, Canada: Author.

  • Patton, M. Q. (2001). Qualitative Research & Evaluation Methods, 3rd edn, Sage Publications, Thousand Oaks, CA.

  • Romero, C. ve Ventura, S. (2007). Educational Data Mining: A Survey from 1995 to 2005. Expert Systems with Applications, S. 33: 135-146.

  • Riegle-Crumb, C.; King, B.; Grodsky, E. ve Muller, C. (2012). The More Things Change, the More They Stay The Same? Prior Achievement Fails to Explain Gender Inequality in Entry into STEM College Majors over Time. American Educational Research Journal, C/S. 49 (6): 1048-1073.

  • Shapiro, C. A. ve Sax, L. J. (2011). Major Selection and Persistence for Women in STEM. New Directions for Instituonal Research, S. 152: 5–18.

  • Schwab, K. ve X. Sala-i-Martín (2012). The Global Competitiveness Report 2012-2013, World Economic Forum.

  • Super, D. E. (1990). A Life-Span, Life-Space Approach to Career Development. In D. Brown, L. Brooks, & Associates (Eds.), Career Choice and Development (2nd ed., pp. 197—261). San Francisco: Jossey-Bass.

  • Tai, R.; Liu, C.; Maltese, A. ve Fan, X. (2006). Planning Early for Careers in Science. Science, C/S. 312(5777): 1143–1144.

  • Talwar, R. ve Hancock, T. (2010). The Shape of Jobs to Come. Possible New Careers Emerging from Advances in Science and Technology (2010-2030). http://edujob.gr/sites/default/files/epagg_prooptikes/Fast%20Future_Shape%20of%20jobs%20to%20c ome.pdfadresinden 31 Ağustos 2020 tarihinde erişilmiştir.

  • Trusty, J. (1996). Relationship of Parental Involvement in Teens' Career Development to Teens’ Attitudes, Perceptions, and Behavior. Journal of Research and Development in Education, C/S. 30 (1): 63–69.

  • TÜSİAD (2017). 2023’e doğru Türkiye’de STEM Gereksinimi. https://www.pwc.com.tr/tr/gundem/dijital/2023e-dogru-turkiyede-stem-gereksinimi.html adresinden 16.07.2020 tarihinde erişilmiştir.

  • Uğraş, M. (2019). Middle School Students’ Interest in Science-Technology-Engineering and Mathematics (STEM) Career. Electronic Turkish Studies, C/S. 14 (1): 751-774.

  • Ürünibrahimoğlu M. (2019). Ortaokul Öğrencilerinin Fen-Teknoloji-Mühendislik-Matematik (Fetemm) Mesleklerine Yönelik İlgilerinin İncelenmesi. Anadolu Üniversitesi Eğitim Fakültesi Dergisi (AUJEF), C/S. 3 (3): 151-173.

  • Vulperhorst, J. P.; Wessels, K. R.; Bakker, A. ve Akkerman, S. F. (2018). How do STEM-interested Students Pursue Multiple Interests in Their Higher Educational Choice? International Journal of Science Education, C/S. 40 (8): 828-846.

  • Williams, J. (2011). STEM Education: Proceed with Caution. Design and technology education; An International Journal, C/S. 16 (1): 26-35.

  • Yıldırım, B. ve Selvi, M. (2015). Adaptation of STEM Attitude Scale to Turkish. Turkish Studies International Periodical for the Languages, Literature and History of Turkish or Turkic, C/S. 10 (3): 1308-2140.

  • Zupan, B. ve Demsar, J. (2008). Open-Source Tools for Data Mining, Clinics in Laboratory Medicine, C/S. 28 (1): 37-54.

                                                                                                                                                                                                        
  • Article Statistics