KaydedilenlerDerginizi ekleyin

Dergiler / Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi / 2016 / Cilt: 7 - Sayı: 1

Ölçeklerin Yapı Geçerliğini Belirlemede Bir Yöntem Olarak Yapay Sinir Ağı Modelinin İncelenmesi: Kendini Düzenleyen Haritalama

Esin TEZBAŞARAN
Sayfa
145–155
Yayın Tarihi
2016-06-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Araştırma bulguları, nöron sayısı arttıkça ölçek yapısının tek faktöre indirgendiği aynı zamanda, tek faktörde ortaya çıkan bu ölçeğin uyum ve hata indeksleri açısından diğerlerine göre daha uyumlu bir model meydana getirdiğini ortaya çıkarmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu araştırmada, yapay sinir ağı modellerinden biri olan kendini düzenleyen haritalama yönteminde kullanılan nöron sayısının, ölçeklerin yapılarını ortaya çıkarmadaki etkililiği incelenmektedir.
📊
Temel Bulgular & Veri:Bu yöntemde haritalama yaparken kullanılan nöron sayısı değiştikçe, ölçek yapısı farklılaşabilmektedir.
💡
Sonuç & Katkı:Araştırma bulguları, nöron sayısı arttıkça ölçek yapısının tek faktöre indirgendiği aynı zamanda, tek faktörde ortaya çıkan bu ölçeğin uyum ve hata indeksleri açısından diğerlerine göre daha uyumlu bir model meydana getirdiğini ortaya çıkarmıştır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu araştırmada, yapay sinir ağı modellerinden biri olan kendini düzenleyen haritalama yönteminde kullanılan nöron sayısının, ölçeklerin yapılarını ortaya çıkarmadaki etkililiği incelenmektedir. Bu yöntemde haritalama yaparken kullanılan nöron sayısı değiştikçe, ölçek yapısı farklılaşabilmektedir. Bu çalışmada ölçek yapısını ortaya çıkarmada en uygun nöron sayısının tespiti için kullanılan yöntemler doğrulayıcı faktör analizi ve farklı gruplar yöntemidir. Araştırma bulguları, nöron sayısı arttıkça ölçek yapısının tek faktöre indirgendiği aynı zamanda, tek faktörde ortaya çıkan bu ölçeğin uyum ve hata indeksleri açısından diğerlerine göre daha uyumlu bir model meydana getirdiğini ortaya çıkarmıştır. Bunun yanı sıra farklı gruplar yönteminden elde edilen kanıt da bu durumu desteklemektedir. Sonuç olarak, yapı geçerliği için kullanılan kendini düzenleyen haritalama yönteminde, ölçeğin ilişkili maddeleri tek nöronda toplanıncaya kadar nöron sayısının artırılması önerilmektedir. Buna ek olarak, ortaya çıkan yapının bağlamsal olarak ölçülen tutum değişkeni açısından analiz edilmesi de önerilmektedir.

🔖

Bu Makaleye Atıf Yap

TEZBAŞARAN, E. (2016). Ölçeklerin Yapı Geçerliğini Belirlemede Bir Yöntem Olarak Yapay Sinir Ağı Modelinin İncelenmesi: Kendini Düzenleyen Haritalama. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, Cilt: 7 - Sayı: 1, 145–155. https://ajindex.com/articles/137403

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Alahakoon, D., Halgamuge, S.K. & Srinivasan, B. (2000). Dynamic self-organizing maps with controlled Growth for knowledge discovery. IEEE Transactions on Neural Networks. 11(3), 601-614.
  2. Anastasi, A. (1988). Psychological Testing. New York: Macmillan Publishing Company. Bogdan, R. C. § Biklen, S. K. (1998). Qualitative research for education. Boston: Allyn and Bacon. Callica, R. (2011). Customer segmentation and clustering using SAS enterprise miner. USA: North Carolina Institute. Cheng, B. & Titterington, D.M. (1994). Neural Networks: A review from a statistical perspective. Statistical Science. 9(1), 2-54.
  3. Cohen, R.J., Montague, P., Nathanson L.S. & Swerdlik, M.E. (1988). Psychological testing. Mountain View: Mayfield Publishing Company. DeVellis, R.F. (2003). Scale Developmert Theory and Applications. Thousand Oaks: SAGE Publicatians. Elmes, D. G., Kantowitz, B. H. & Roediger III, H. L. (1992). Research methods in psychology. St. Paul: West Publishing Company. Feldman, R.S. (1997). Essentials of understanding psychology. New York: The McGraw-Hill Companies, Inc. Fritzke, B. (1994). Growing cell structure: A self organizing network for supervised and un-supervised learning. Neural Networks. 7.1441-1460.
  4. Fritzke, B. (1995). Growing grid - a self-organizing network with constant neighborhood range and adaptation strength. Neural Processing Letters. 2(5), 9-13.
  5. Holtzman, S. & Vezzu, S. (2011). Confirmatory factor analysis and structural equation modeling of noncognitive assessments using PROC CALIS. Retrieved from www.lexjansen.com/nesug11/sa/sa07.pdf Jain, A.K, Mao, J. & Mohiuddin, K.M. (1996). Artificial neural network. Retrieved from http://www.cogsci.ucsd.edu/~ajyu/Teaching/Cogs202_sp12/Readings/jain_ann96.pdf
  6. Johnson, R.A. & Wichern, D.W. (1982). Applied multivariate statistical analysis. London: Prentice-Hall International, Inc. Karasar, N. (1998). Bilimsel araştırma yöntemi. Ankara:
  7. Nobel Yayın Dağıtım. Kline, R.B. (2005). Principles and practice of structural equation modeling. New York: The Guilford Press.
  8. Kohonen, T. (1982). Self–Organized Formation of Topologically Correct Future Maps. Biological Cybernetics, 43, 59-69.
  9. Kohonen, T. (1990). The Self-Organizing Map. Proceedings of The IEEE. 78(9), 1464-1480.
  10. Kohonen, T. (2013). Essentials of self-organizing map. Neural Networks. 37, 52-65.
  11. Matignon, R. (2007). Data mining using SAS enterprise miner. New Jersey: John Wiley & Sons. McClelland, J.L. (2015). Explorations in parallel distributed process