Rasch Modeline uygun yanıt desenlerinde bilgisayar uyarlamalı test yöntemi ile makine öğrenmesi yöntemlerinin tahmin performanslarının benzetim çalışması ile karşılaştırılması

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Sağlık Bilimleri Enstitüsü, BİYOİSTATİSTİK ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: Türkçe

Öğrenci: EMRAH GÖKAY ÖZGÜR

Danışman: BEYZA DOĞANAY ERDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Sağlık alanında doğrudan ölçüm yapılamayan örtük (latent) değişkenlerin değerlendirilmesinde kullanılan ölçekler bireylerin  düzeyleri hakkında bilgi sahibi olmak için kullanılır. Ölçekler klasik kalem-kağıt uygulaması yanı sıra BUT yöntemi ile de uygulanabilir. Bu tez çalışmasında, farklı senaryolarda Rasch modelinden türetilen yapay verilerde BUT uygulamasında yaygın olarak kullanılan algoritma (algoritma içerisinde olasılıksal model olarak Rasch modeli ve soru seçim kriteri olarak da bilgi kriterine dayalı soru seçimi) ile BUT uygulamasına alternatif yeni bir yaklaşım olarak makine öğrenmesi algoritmalarının (CART, RF, GBM ve XGBoost) performansları incelenmiştir. Farklı parametreler için değerlendirilen yöntemlerin birbirilerinden üstün olduğu farklı parametreler bulunmuştur. Madde sayıları dikkate alındığında CART yönteminin en az madde ile tahminleri yaptığı sonucu ortaya çıkmıştır. RMSE değerlerine bakıldığında ise GBM ve XGBoost yöntemlerinin düşük RMSE değerlerine sahip olduğu görülmektedir. Karşılaştırılan yöntemler toplam skorları tahmininde iyi bir SKK değerine sahiptir. Genel olarak yapılan karşılaştırmalar sonucunda, yeni bir çalışma planlayan bir kişinin amacına uygun olarak BUT yöntemine alternatif olarak makine öğrenmesi yöntemlerini kullanması önerilmektedir.