Karar Ağaçları Tabanlı Bilgisayarda Bireyselleştirilmiş Hızlı Bir Test Yöntemi: Birleştirilmiş Ağaç Yaklaşımı

Creative Commons License

Alkan D., Yiğiter M. S., DOĞAN N.

Batı Anadolu Eğitim Bilimleri Dergisi(BAEBD), cilt.17, sa.2, ss.1481-1500, 2026 (TRDizin)

Özet

Bu araştırmada, Birleştirilmiş Ağaç Temelli Bilgisayarda Bireyselleştirilmiş Test (Birleştirilmiş Ağaç- BBT) yöntemi kullanılarak bireylerin yetenek düzeylerinin kestirimine etki eden değişkenler R programlama dili aracılığıyla incelenmiştir. Çalışmada seviye başına maksimum dal sayısı, minimum benzerlik oranı, bireye uygulanacak maksimum madde sayısı ve madde havuzu büyüklüğünün, madde maruz kalma oranına bağlı olarak Birleştirilmiş Ağaç-BBT performansını nasıl etkilediği değerlendirilmiştir. Araştırma kapsamında 919 birey tarafından yanıtlanan ve 256 maddeden oluşan gerçek bir veri seti kullanılmıştır. Her bir koşul için 25 tekrar alınarak ortalama değerler üzerinden analizler gerçekleştirilmiştir. Bulgular, madde havuzundaki madde sayısının artmasıyla birlikte Birleştirilmiş Ağaç BBT yönteminin daha düşük RMSE (ortalama karesel hata) değerleriyle daha doğru kestirimler sağladığını göstermiştir. Ayrıca, madde maruz kalma oranı ile birlikte seviye başına maksimum dal sayısının ve minimum benzerlik oranının artmasının da kestirim doğruluğunu artırdığı görülmüştür. Bu sonuçlar, Birleştirilmiş Ağaç-BBT yöntemi için özellikle seviye başına dal sayısı ve benzerlik oranı parametrelerinin performans üzerinde belirleyici olduğunu ortaya koymaktadır. Sonuçlar yöntemin düşük hesaplama yükü gerektirmesi ve kişisel bilgisayarlarda uygulanabilirliği sayesinde kullanım açısından önemli avantajlar sunduğunu ortaya koymaktadır.
In this study, the variables affecting the prediction of individuals' ability levels using the Merged Tree Based Computerized Adaptive Testing (Merged Tree CAT) method were examined using the R programming language. The study evaluated how the maximum number of branches per level, the minimum similarity ratio, the maximum number of items to be administered to the individual, and the item pool size affect the performance of the Merged Tree CAT depending on the item exposure rate. A real data set consisting of 256 items answered by 919 individuals was used in the study. For each condition, 25 repetitions were taken and analyzed on average values. The findings showed that with the increase in the number of items in the item pool, the Merged Tree CAT method provided more accurate predictions with lower RMSE (Root Mean Square Error) values. In addition, it was observed that increasing the maximum number of branches per level and minimum similarity ratio with the item exposure rate also increased the prediction accuracy. These results reveal that especially the number of branches per level and similarity ratio parameters are decisive on the performance of the Merged Tree CAT method. The results indicate that the method offers significant advantages in terms of usability due to its low computational requirements and applicability on personal computers.