Araştırma Makalesi
BibTex RIS Kaynak Göster

Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods

Yıl 2025, Cilt: 15 Sayı: 1, 107 - 118, 22.04.2025

Sibel Barin Özkan , Yasin Özkan

Öz

Metacognitive thinking skill is one of the most important skills that individuals should have today. In recent years, technology has been frequently utilized in the acquisition of this skill. The development and transformation of technology, especially robots in recent years, has affected societies both directly and indirectly. The predictions of scientists have started to find a response in the education community for many years. Therefore, it has become unthinkable that robots do not affect the field of education. In this study, a feed-forward back-propagation artificial neural network was used to predict metacognition training and planning, monitoring and evaluation skills. In this context, information on 250 instructors working in universities affiliated to the Council of Higher Education was used as the input of the artificial neural network. A suitable network design was obtained by making metacognition training prediction for different artificial neural network designs. Then, the network was trained using different training algorithms for this appropriate network design and the most appropriate training method was determined among these algorithms. The performances of different network designs and training algorithms were analyzed in terms of correlation coefficient and mean squared error. In terms of evaluating the parameters affecting the performance, the designs with 1 and 2 hidden layers were run 10 times, and the network structure with 20 and 10 hidden neurons in each layer, respectively, was determined as the most appropriate design. For this network structure, the best results in terms of performance parameters were observed when Conjugate Gradient Fletcher-Reeves and Levenberg-Marquardt training algorithm were used.

Anahtar Kelimeler

Artificial neural networks machine learning metacognition

Kaynakça

  • Abaci, R., Cetin, B. Akın, A. 2006. Bilişötesi farkındalık envanteri: geçerlik ve güvenirlik çalışması. 14. Ulusal Psikoloji Kongresi Özet Kitapçığı.
  • Agatonovic-Kustrin, S., Beresford, R. 2000. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of pharmaceutical and biomedical analysis, 22(5):717-727. Doi: 10.1016/S0731-7085(99)00272-1
  • Ayık, YZ., Özdemir, A., Yavuz, U. 2010. Lise Türü ve Lise Mezuniyet Başarısının, Kazanılan Fakülte ile İlişkisinin Veri Madenciliği Tekniği ile Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2):441-454.
  • Bahadir, E. 2016. Using Neural Network and Logistic Regression Analysis to Predict Prospective Mathematics Teachers' Academic Success upon Entering Graduate Education. Educational Sciences: Theory and Practice, 16(3):943-964.
  • Bezdek, JC. 1992. On the relationship between neural networks, pattern recognition and intelligence. International journal of approximate reasoning, 6(2):85-107. Doi: 10.1016/0888-613X(92)90013-P
  • Büyüköztürk, Ş., Akgün, OE., Özkahveci, O., Demirel, F. 2004. Validity and reliability study of Turkish form of motivation and learning strategies scale. Educational Sciences in Theory and Practice, 4(2):207-239.
  • Campione, JC., Brown, A. 1987. Metacognitive components of instructional research with problem learners. Metacognition, motivation, and understanding, 117-140.
  • Cetin, B. 2015. Academic motivation and self-regulated learning in predicting academic achievement in college. Journal of International Education Research, 11(2):95-106.
  • Cetinkaya, A., Ertekin, E. 2002. Assessment of metacognitive skills. Journal of Boğaziçi Faculty of Education, 19(1):1-11.
  • Chen, L., Chen, P., Lin, Z. 2020. Artificial intelligence in education: A review. Ieee Access, 8:75264-75278. Doi: 10.1109/ACCESS.2020.2988510
  • Guo, WW. 2010. Incorporating statistical and neural network approaches for student course satisfaction analysis and prediction. Expert Systems with Applications, 37(4), 3358-3365. doi:10.1016/j.eswa.2009.10.014
  • Hıdıroğlu, ÇN. 2018. Üstbiliş kavramına ve problem çözme sürecinde üstbilişin rolüne eleştirel bir bakış. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 32, 87-103. Doi: 10.30794/pausbed.424862
  • Huang, C., Zhou, J., Chen, J., Yang, J., Clawson, K., Peng, Y. 2023. A feature weighted support vector machine and artificial neural network algorithm for academic course performance prediction. Neural Computing and Applications, 35(16):11517-11529. Doi: 10.1007/s00521-021-05962-3
  • Ibrahim, Z., Rusli, D. 2007. Predicting students' academic performance: Comparing artificial neural network, decision tree, and linear regression. In 21st Annual SAS Malaysia Forum, 5th September.
  • Irmak, S., Ercan, A. 2017. Karar Ağaçları Kullanılarak Türkiye Hanehalkı Zeytinyağı Tüketimi Görünümünün Belirlenmesi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(3):553-564.Doi: 10.17130/ijmeb.2017331329
  • Jin, L., Wei, L., Li, S. 2022. Gradient-based differential neural-solution to time-dependent nonlinear optimization. IEEE Transactions on Automatic Control, 68(1):620-627.Doi: 10.1109/TAC.2022.3144135
  • Kabathova, J., Drlik, M. 2021. Towards predicting student’s dropout in university courses using different machine learning techniques. Applied Sciences, 11(7):3130. Doi: 10.3390/app11073130
  • Karamouzis, ST., Vrettos, A. 2008. An artificial neural network for predicting student graduation outcomes. World Congress on Engineering and Computer Science, pp. 991-994, San Francisco, USA.
  • Lin, Y., Chen, H., Xia, W., Lin, F., Wang, Z., Liu, Y. 2023. A comprehensive survey on deep learning techniques in educational data mining. arXiv preprint arXiv:2309.04761.Doi: 10.48550/arXiv.2309.04761
  • Mahdavi, M. 2014. An overview: Metacognition in education. International Journal of Multidisciplinary and current research, 2(6):529-535.
  • Naveed, HM., HongXing, Y., Memon, BA., Ali, S., Alhussam, MI., Sohu, JM. 2023. Artificial neural network (ANN)-based estimation of the influence of COVID-19 pandemic on dynamic and emerging financial markets. Technological Forecasting and Social Change, 190:122470. Doi: 10.1016/j.techfore.2023.122470
  • Oladokun, VO., Adebanjo, AT., Charles-Owaba, OE. 2008. Predicting students' academic performance using artificial neural network: A case study of an engineering course. The Pacific Journal of Science and Technology, 9(1):72-79.
  • Schraw, G., Dennison, RS. 1994. Assessing metacognitive awareness. Contemporary Educational Psychology, 19(4):460-475. Doi: https://doi.org/10.1006/ceps.1994.1033
  • Sütçü, ND. 2021. C5. 0 karar ağacı algoritması ile öğretmenlerin FeTeMM farkındalıklarının incelenmesi. Yaşadıkça Eğitim, 35(2):459-476. Doi: 10.33308/26674874.2021352298
  • Şengür, D. 2013. Öğrencilerin Akademik Başarılarının Veri Madenciliği Metotları ile Tahmini, Doktora Tezi, Fırat Üniversitesi, 60 s.
  • Tepehan, T. 2011. Türk öğrencilerinin PISA başarılarının yordanmasında yapay sinir ağı ve lojistik regresyon modeli performanslarının karşılaştırılması. Doktora Tezi, Hacettepe Üniversitesi, 155 s.
  • Tosun, S. 2007. Sınıflandırmada yapay sinir ağları ve karar ağaçları karşılaştırması: Öğrenci başarıları üzerine bir uygulama. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, 128 s.
  • Wells, A., Cartwright-Hatton, S. 2004. A Short Form of the Metacognitions Questionnaire: Properties of the MCQ-30. Behaviour Research and Therapy, 42(4):385-396.
  • Wilamowski, BM., Yu, H. 2010. Improved computation for Levenberg–Marquardt training. IEEE transactions on neural networks, 21(6):930-937. Doi: 10.1109/TNN.2010.2045657

Üstbilişsel Düşünme Becerilerinin Tahmininde Yapay Sinir Ağı Kullanımı: Ağ Yapısı ve Eğitim Yöntemlerinin Performans Değerlendirmesi

Yıl 2025, Cilt: 15 Sayı: 1, 107 - 118, 22.04.2025

Sibel Barin Özkan , Yasin Özkan

Öz

Üstbilişsel düşünme becerisi günümüzde bireylerin sahip olması gereken en önemli becerilerden biridir. Son yıllarda bu becerinin kazanılmasında teknolojiden sıklıkla yararlanılmaktadır. Teknolojinin özellikle de robotların son yıllardaki gelişimi ve dönüşümü toplumları hem doğrudan hem de dolaylı olarak etkilemiştir. Bilim insanlarının öngörüleri uzun yıllardır eğitim camiasında karşılık bulmaya başladı. Dolayısıyla robotların eğitim alanını etkilememesi düşünülemez hale geldi. Bu çalışmada üstbiliş eğitimi ve planlama, izleme ve değerlendirme becerilerini tahmin etmek için ileri beslemeli geri yayılımlı yapay sinir ağı kullanılmıştır. Bu kapsamda Yüksek Öğretim Kurulu’na bağlı üniversitelerde görev yapan 250 öğretim elemanına ait veriler yapay sinir ağlarına giriş olarak verilmiştir. Farklı yapay sinir ağı tasarımları için üstbiliş eğitimi tahmini yapılarak uygun bir ağ tasarımı elde edilmiştir. Daha sonra bu uygun ağ tasarımı için farklı eğitim algoritmaları kullanılarak ağ eğitilmiş ve bu algoritmalar arasından en uygun eğitim yöntemi belirlenmiştir. Farklı ağ tasarımlarının ve eğitim algoritmalarının performansları, korelasyon katsayısı ve ortalama hata karesi açısından analiz edilmiştir. Performansı etkileyen parametrelerin değerlendirilmesi açısından 1 ve 2 gizli katmanlı tasarımlar 10 kez çalıştırılmış ve her katmanda sırasıyla 20 ve 10 gizli nöronlu ağ yapısı en uygun tasarım olarak belirlenmiştir. Bu ağ yapısı için performans parametreleri açısından en iyi sonuçlar Eşlenik Gradyan Fletcher-Reeves ve Levenberg-Marquardt eğitim algoritması kullanıldığında gözlemlenmiştir.

Anahtar Kelimeler

Makine öğrenmesi yapay sinir ağları üstbiliş.

Etik Beyan

Etik kurul kararı alınmıştır. Ekte sunulmaktadır.

Kaynakça

  • Abaci, R., Cetin, B. Akın, A. 2006. Bilişötesi farkındalık envanteri: geçerlik ve güvenirlik çalışması. 14. Ulusal Psikoloji Kongresi Özet Kitapçığı.
  • Agatonovic-Kustrin, S., Beresford, R. 2000. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of pharmaceutical and biomedical analysis, 22(5):717-727. Doi: 10.1016/S0731-7085(99)00272-1
  • Ayık, YZ., Özdemir, A., Yavuz, U. 2010. Lise Türü ve Lise Mezuniyet Başarısının, Kazanılan Fakülte ile İlişkisinin Veri Madenciliği Tekniği ile Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2):441-454.
  • Bahadir, E. 2016. Using Neural Network and Logistic Regression Analysis to Predict Prospective Mathematics Teachers' Academic Success upon Entering Graduate Education. Educational Sciences: Theory and Practice, 16(3):943-964.
  • Bezdek, JC. 1992. On the relationship between neural networks, pattern recognition and intelligence. International journal of approximate reasoning, 6(2):85-107. Doi: 10.1016/0888-613X(92)90013-P
  • Büyüköztürk, Ş., Akgün, OE., Özkahveci, O., Demirel, F. 2004. Validity and reliability study of Turkish form of motivation and learning strategies scale. Educational Sciences in Theory and Practice, 4(2):207-239.
  • Campione, JC., Brown, A. 1987. Metacognitive components of instructional research with problem learners. Metacognition, motivation, and understanding, 117-140.
  • Cetin, B. 2015. Academic motivation and self-regulated learning in predicting academic achievement in college. Journal of International Education Research, 11(2):95-106.
  • Cetinkaya, A., Ertekin, E. 2002. Assessment of metacognitive skills. Journal of Boğaziçi Faculty of Education, 19(1):1-11.
  • Chen, L., Chen, P., Lin, Z. 2020. Artificial intelligence in education: A review. Ieee Access, 8:75264-75278. Doi: 10.1109/ACCESS.2020.2988510
  • Guo, WW. 2010. Incorporating statistical and neural network approaches for student course satisfaction analysis and prediction. Expert Systems with Applications, 37(4), 3358-3365. doi:10.1016/j.eswa.2009.10.014
  • Hıdıroğlu, ÇN. 2018. Üstbiliş kavramına ve problem çözme sürecinde üstbilişin rolüne eleştirel bir bakış. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 32, 87-103. Doi: 10.30794/pausbed.424862
  • Huang, C., Zhou, J., Chen, J., Yang, J., Clawson, K., Peng, Y. 2023. A feature weighted support vector machine and artificial neural network algorithm for academic course performance prediction. Neural Computing and Applications, 35(16):11517-11529. Doi: 10.1007/s00521-021-05962-3
  • Ibrahim, Z., Rusli, D. 2007. Predicting students' academic performance: Comparing artificial neural network, decision tree, and linear regression. In 21st Annual SAS Malaysia Forum, 5th September.
  • Irmak, S., Ercan, A. 2017. Karar Ağaçları Kullanılarak Türkiye Hanehalkı Zeytinyağı Tüketimi Görünümünün Belirlenmesi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(3):553-564.Doi: 10.17130/ijmeb.2017331329
  • Jin, L., Wei, L., Li, S. 2022. Gradient-based differential neural-solution to time-dependent nonlinear optimization. IEEE Transactions on Automatic Control, 68(1):620-627.Doi: 10.1109/TAC.2022.3144135
  • Kabathova, J., Drlik, M. 2021. Towards predicting student’s dropout in university courses using different machine learning techniques. Applied Sciences, 11(7):3130. Doi: 10.3390/app11073130
  • Karamouzis, ST., Vrettos, A. 2008. An artificial neural network for predicting student graduation outcomes. World Congress on Engineering and Computer Science, pp. 991-994, San Francisco, USA.
  • Lin, Y., Chen, H., Xia, W., Lin, F., Wang, Z., Liu, Y. 2023. A comprehensive survey on deep learning techniques in educational data mining. arXiv preprint arXiv:2309.04761.Doi: 10.48550/arXiv.2309.04761
  • Mahdavi, M. 2014. An overview: Metacognition in education. International Journal of Multidisciplinary and current research, 2(6):529-535.
  • Naveed, HM., HongXing, Y., Memon, BA., Ali, S., Alhussam, MI., Sohu, JM. 2023. Artificial neural network (ANN)-based estimation of the influence of COVID-19 pandemic on dynamic and emerging financial markets. Technological Forecasting and Social Change, 190:122470. Doi: 10.1016/j.techfore.2023.122470
  • Oladokun, VO., Adebanjo, AT., Charles-Owaba, OE. 2008. Predicting students' academic performance using artificial neural network: A case study of an engineering course. The Pacific Journal of Science and Technology, 9(1):72-79.
  • Schraw, G., Dennison, RS. 1994. Assessing metacognitive awareness. Contemporary Educational Psychology, 19(4):460-475. Doi: https://doi.org/10.1006/ceps.1994.1033
  • Sütçü, ND. 2021. C5. 0 karar ağacı algoritması ile öğretmenlerin FeTeMM farkındalıklarının incelenmesi. Yaşadıkça Eğitim, 35(2):459-476. Doi: 10.33308/26674874.2021352298
  • Şengür, D. 2013. Öğrencilerin Akademik Başarılarının Veri Madenciliği Metotları ile Tahmini, Doktora Tezi, Fırat Üniversitesi, 60 s.
  • Tepehan, T. 2011. Türk öğrencilerinin PISA başarılarının yordanmasında yapay sinir ağı ve lojistik regresyon modeli performanslarının karşılaştırılması. Doktora Tezi, Hacettepe Üniversitesi, 155 s.
  • Tosun, S. 2007. Sınıflandırmada yapay sinir ağları ve karar ağaçları karşılaştırması: Öğrenci başarıları üzerine bir uygulama. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, 128 s.
  • Wells, A., Cartwright-Hatton, S. 2004. A Short Form of the Metacognitions Questionnaire: Properties of the MCQ-30. Behaviour Research and Therapy, 42(4):385-396.
  • Wilamowski, BM., Yu, H. 2010. Improved computation for Levenberg–Marquardt training. IEEE transactions on neural networks, 21(6):930-937. Doi: 10.1109/TNN.2010.2045657
Toplam 29 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Bilgisayar Yazılımı
Bölüm Research Article
Yazarlar

Sibel Barin Özkan 0000-0003-1743-756X

Yasin Özkan 0000-0002-2029-0856

Yayımlanma Tarihi 22 Nisan 2025
Gönderilme Tarihi 1 Ekim 2024
Kabul Tarihi 9 Aralık 2024
Yayımlandığı Sayı Yıl 2025 Cilt: 15 Sayı: 1

Kaynak Göster

APA Barin Özkan, S., & Özkan, Y. (2025). Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods. Karaelmas Fen Ve Mühendislik Dergisi, 15(1), 107-118. https://doi.org/10.7212/karaelmasfen.1558835
AMA Barin Özkan S, Özkan Y. Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods. Karaelmas Fen ve Mühendislik Dergisi. Nisan 2025;15(1):107-118. doi:10.7212/karaelmasfen.1558835
Chicago Barin Özkan, Sibel, ve Yasin Özkan. “Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods”. Karaelmas Fen Ve Mühendislik Dergisi 15, sy. 1 (Nisan 2025): 107-18. https://doi.org/10.7212/karaelmasfen.1558835.
EndNote Barin Özkan S, Özkan Y (01 Nisan 2025) Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods. Karaelmas Fen ve Mühendislik Dergisi 15 1 107–118.
IEEE S. Barin Özkan ve Y. Özkan, “Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods”, Karaelmas Fen ve Mühendislik Dergisi, c. 15, sy. 1, ss. 107–118, 2025, doi: 10.7212/karaelmasfen.1558835.
ISNAD Barin Özkan, Sibel - Özkan, Yasin. “Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods”. Karaelmas Fen ve Mühendislik Dergisi 15/1 (Nisan 2025), 107-118. https://doi.org/10.7212/karaelmasfen.1558835.
JAMA Barin Özkan S, Özkan Y. Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods. Karaelmas Fen ve Mühendislik Dergisi. 2025;15:107–118.
MLA Barin Özkan, Sibel ve Yasin Özkan. “Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods”. Karaelmas Fen Ve Mühendislik Dergisi, c. 15, sy. 1, 2025, ss. 107-18, doi:10.7212/karaelmasfen.1558835.
Vancouver Barin Özkan S, Özkan Y. Using Artificial Neural Network in the Prediction of Metacognitive Thinking Skills: Performance Evaluation of Network Structure and Training Methods. Karaelmas Fen ve Mühendislik Dergisi. 2025;15(1):107-18.
 Kapak Resmi İndir