Programlama Eğitiminde Öğrenci Performansının, PLS-SEM ve Makine Öğrenmesi Algoritmalarını Kullanan Karşılaştırmalı Bir Yaklaşımla Tahminlenmesi

Bu çalışmada, bilgisayar programlama eğitimi alan öğrencilerin kısmi en küçük kareler yapısal eşitlik modellemesi (PLS-SEM) algoritması kullanarak programlama performansını (düşük, yüksek) etkileyen faktörlerin tahmin edilmesi amaçlanmaktadır. Araştırmanın katılımcılarını programlama eğitimi alan 763 öğrenci oluşturmuştur. Veri setinin analizinde betimsel analizler, makine öğrenmesi algoritmaları ve PLSSEM analizi kullanılmıştır. Ayrıca düşük ve yüksek programlama performansı gösteren gruplar arasındaki modellerin farklılaşmasını incelemek için çoklu grup yapısal eşitlik modellemesi kullanılmıştır. Verilerin analizinde PLS-SEM yöntemi için SmartPLS 4 programı, makine öğrenmesi algoritmaları sonuçlarının karşılaştırılması için Knime 4.7 programından yararlanılmıştır. Araştırmanın sonuçlarına göre, yüksek düzeyde programlama performansı gösteren grupta, düşük performans gösteren gruba göre modelin açıklama yüzdesi oldukça yüksektir. Araştırmanın bulgularıa göre yaş, eğitim düzeyi ve genel akademik başarı ile programlama performans puanları ilişkili bulunmuştur. Ayrıca programlama deneyimi, tutumu ve programlamada yetkilendirmesi ile programlama performansı ilişkilidir. Düşük ve yüksek programlama performans durumlarına göre en yüksek doğruluk sonucuna sahip algoritmanın karar ağaçları [sırasıyla (.966), (.966)] algoritması olduğu sonucuna ulaşılmıştır. Elde edilen bu puanların %90'ın üzerinde olması tahmin performansının yeterli olduğu şeklinde yorumlanabilir.