KaydedilenlerDerginizi ekleyin

Dergiler / Ankara Sağlık Bilimleri Dergisi / 2026 / Cilt: 9 Sayı: 1

BİLGİSAYAR UYARLAMALI TEST (BUT) UYGULAMALARINDA REGRESYON AĞACI YAKLAŞIMI: REGRESYON KARAR AĞAÇLARI ile PSİKOMETRİK MODEL KULLANAN STANDART BUT ALGORİTMASININ YAPAY BİR VERİ ÜZERİNDE DEĞERLENDİRİLMESİ

Emrah Gökay Özgür(ANKARA TIP FAKÜLTESİ)0000-0002-3966-4184
Beyza Doğanay Erdoğan(ANKARA TIP FAKÜLTESİ)0000-0001-8845-2287
Sayfa
161–167
Yayın Tarihi
2020-06-30
🏛️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)

Bulgular: Bilgisayar Uyarlamalı Test yönteminde hata değeri 2,45 çıkarken regresyon ağacı yönteminde 4,04 çıkmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Amaç: Bu çalışma ile sağlık alanında kullanılan ölçeklerden yararlanarak, bireylerin özürlülük değerlendirimi gibi, incelen özellik düzeylerini belirlemede kullanılan psikometrik model temelli bilgisayar uyarlamalı test uygulamalarına regresyon ağacı yönteminin alternatif bir yaklaşım alternatif olarak tanıtılması, yapay bir veri üzerinde uygulanarak performansının incelenmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Yöntem: 100 kişinin 100 maddeye verdiği iki sonuçlu (örn. evet/hayır) yanıtlar olarak türetilen yapay veri seti üzerinde Bilgisayar Uyarlamalı Test ve Regresyon Ağacı yöntemlerinin tahmin performansları incelenmiştir.
💡
Sonuç & Katkı:Bulgular: Bilgisayar Uyarlamalı Test yönteminde hata değeri 2,45 çıkarken regresyon ağacı yönteminde 4,04 çıkmıştır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bilgisayar Uyarlamalı Test · Regresyon Ağacı · Ölçek

Özet

Amaç: Bu çalışma ile sağlık alanında kullanılan ölçeklerden yararlanarak, bireylerin özürlülük değerlendirimi gibi, incelen özellik düzeylerini belirlemede kullanılan psikometrik model temelli bilgisayar uyarlamalı test uygulamalarına regresyon ağacı yönteminin alternatif bir yaklaşım alternatif olarak tanıtılması, yapay bir veri üzerinde uygulanarak performansının incelenmesi amaçlanmıştır. Yöntem: 100 kişinin 100 maddeye verdiği iki sonuçlu (örn. evet/hayır) yanıtlar olarak türetilen yapay veri seti üzerinde Bilgisayar Uyarlamalı Test ve Regresyon Ağacı yöntemlerinin tahmin performansları incelenmiştir. Tahmin değerleri, madde sayıları ve hata değerleri bakımından değerlendirmeler yapılmıştır. Uygulamalarda R v.3.6.3 programı kullanılmıştır. Bulgular: Bilgisayar Uyarlamalı Test yönteminde hata değeri 2,45 çıkarken regresyon ağacı yönteminde 4,04 çıkmıştır. Bilgisayar Uyarlamalı test yaklaşımı ortalama 42 (minimum:41 maksimum:43) madde ile tahmin yaparken regresyon ağacı 23 madde ile tahmin yapmıştır. Sonuçlar: Karşılaştırılan değerler bakımından bilgisayar uyarlamalı test yaklaşımı ve regresyon ağacı yöntemleri benzer sonuçlar vermiştir. Kullanmış olduğumuz veri seti için regresyon ağaçları yönteminin bilgisayar uyarlamalı test yaklaşımına bir alternatif olarak kullanılabileceği yanında, daha geliştirilmiş ağaç algoritmalarının incelenmesi gerekliliği görülmüştür.

🔖

Bu Makaleye Atıf Yap

Özgür, E. G., Erdoğan, B. D. (2020). BİLGİSAYAR UYARLAMALI TEST (BUT) UYGULAMALARINDA REGRESYON AĞACI YAKLAŞIMI: REGRESYON KARAR AĞAÇLARI ile PSİKOMETRİK MODEL KULLANAN STANDART BUT ALGORİTMASININ YAPAY BİR VERİ ÜZERİNDE DEĞERLENDİRİLMESİ. Ankara Sağlık Bilimleri Dergisi, Cilt: 9 Sayı: 1, 161–167. https://doi.org/10.46971/ausbid.741777

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Breiman L., Friedman J. H., Olshen R. A., Stone C. J. 1984. Classification and Regression Tree. 1; 3-7.
  2. Boudreaux E.D., De Beurs D.P., Nguyen T.H., Haskins B.L., Larkin C., Barton B.2019. Applying Computer Adaptive Testing Methods to Suicide Risk Screening in the Emergency Department. Suicide Life Threat Behav. 49(4):917-927.
  3. Chester R., Khondoker M., Shepstone L., Lewis J.S., Jerosch-Herold C.2019. Br J Sports Med. 53(13):825-834
  4. Dangeti P. 2017. Statistical for Machine Learning.1; p:126-127
  5. Deshpande G.C.,Rao S.C., Keil A.D., Patole S.K. 2011. Evidence-based Guidelines for Use of Probiotics in Preterm Neonates. BMC Med. 2;9:92.
  6. Edmond S.L., Werneke M.W., Young M., Grigsby D., McGill T, McClenahan B. 2019. Directional Preference, Cognitive Behavioural Interventions, and Outcomes Among Patients With Chronic Low Back Pain. Physiother Res Int. 24(3): e1773.
  7. Healy B.C., Zurawski J., Gonzalez C.T., Chitnis T., Weiner H.L., Glanz B.I. 2019. Assessment of Computer Adaptive Testing Version of the Neuro-QQL for People With Multiple Sclerosis. Mult. Scler. 25(13):1791-1799.
  8. James G., Eitten D., Hastie T., Tibhirani R. 2014. An Introduction to Statistical Learning with Applications in R. 4. p:320-322
  9. Michel P., Baumstarck K., Loundou A., Ghattas B., Auquier P., Boyer L.2018. Computerized adaptive testing with decision regression trees: an alternative to item response thetory for quality of life measurements in multiple sclerosis. Patient Prefer Adher.12;1043:1053.
  10. Rezaie M., Golshan M.,2015. Computer Adaptive Test(CAT): Advantages and Limitations. IJEI. 2(5),128-137.
  11. Rudner, L.M. (1998). An On-Line, Interactive, Computer Adaptive Testing Tutorial. [http://edres.org/scripts/cat](Accesed 2020 March 20).
  12. Squires M.D., Brodke D.S., Neese A., Zhang Y., Spiker W.R., Lawrence B., Spina N. 2019. Physical Function Computer Adaptive Test Outcomes in Diabetic Lumbar Spine Surgical Patientes. Spine J. 19(6):1048-1056.