Emrah Gökay ÖZGÜR, Beyza DOĞANAY ERDOĞAN

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

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.

Anahtar Kelimeler:

Bilgisayar Uyarlamalı Test, Regresyon Ağacı, Ölçek

PDF

___

Breiman L., Friedman J. H., Olshen R. A., Stone C. J. 1984. Classification and Regression Tree. 1; 3-7.
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.
Chester R., Khondoker M., Shepstone L., Lewis J.S., Jerosch-Herold C.2019. Br J Sports Med. 53(13):825-834
Dangeti P. 2017. Statistical for Machine Learning.1; p:126-127
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.
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.
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.
James G., Eitten D., Hastie T., Tibhirani R. 2014. An Introduction to Statistical Learning with Applications in R. 4. p:320-322
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.
Rezaie M., Golshan M.,2015. Computer Adaptive Test(CAT): Advantages and Limitations. IJEI. 2(5),128-137.
Rudner, L.M. (1998). An On-Line, Interactive, Computer Adaptive Testing Tutorial. [http://edres.org/scripts/cat](Accesed 2020 March 20).
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.