The Effect of the Weight Variable on Predicting Reading Comprehension Achievement in PISA 2018: A Data Mining Approach

Yusuf Kasap; Mustafa Köroğlu

Makale detayları

The Effect of the Weight Variable on Predicting Reading Comprehension Achievement in PISA 2018: A Data Mining Approach

Yazarlar:

Yusuf Kasap | Mustafa Köroğlu

Yayıncı:

İdeal Kent Yayınları

Ana Başlıklar:

Psikolojik Metodoloji | Tasarım ve Analiz

Dergi:

OPUS Toplum Araştırmaları Dergisi Vol.22 Issue 5, pp.1146-1159

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358630

pISSN:

2791-9862

Anahtar kelimeler:

Özet:

 This study investigates how student-level sample weights affect model performance in predicting achievement scores. The analyses employed Classification and Regression Tree CART and Random Forest RF methods with 34 independent variables from the 2018 PISA student survey. Since no prior data mining studies in Turkey have considered sample weights, this research provides an original contribution to the field. According to the findings, when sample weights were used, only one of the ten significant variables identified by the CART method differed, while the order of variable importance also shifted. In the models created with the RF method, only five variables remained common, and the others differed. When sample weights were included in both methods, a slight, statistically non-significant decrease was observed in the prediction performance of the models. These results indicate that sample weights are effective in variable selection but do not significantly affect overall model accuracy. Overall, the findings highlight the necessity of incorporating sample weights to ensure valid and reliable results in large-scale educational data mining.

 This study investigates how student-level sample weights affect model performance in predicting achievement scores. The analyses employed Classification and Regression Tree CART and Random Forest RF methods with 34 independent variables from the 2018 PISA student survey. Since no prior data mining studies in Turkey have considered sample weights, this research provides an original contribution to the field. According to the findings, when sample weights were used, only one of the ten significant variables identified by the CART method differed, while the order of variable importance also shifted. In the models created with the RF method, only five variables remained common, and the others differed. When sample weights were included in both methods, a slight, statistically non-significant decrease was observed in the prediction performance of the models. These results indicate that sample weights are effective in variable selection but do not significantly affect overall model accuracy. Overall, the findings highlight the necessity of incorporating sample weights to ensure valid and reliable results in large-scale educational data mining.

 This study investigates how student-level sample weights affect model performance in predicting achievement scores. The analyses employed Classification and Regression Tree CART and Random Forest RF methods with 34 independent variables from the 2018 PISA student survey. Since no prior data mining studies in Turkey have considered sample weights, this research provides an original contribution to the field. According to the findings, when sample weights were used, only one of the ten significant variables identified by the CART method differed, while the order of variable importance also shifted. In the models created with the RF method, only five variables remained common, and the others differed. When sample weights were included in both methods, a slight, statistically non-significant decrease was observed in the prediction performance of the models. These results indicate that sample weights are effective in variable selection but do not significantly affect overall model accuracy. Overall, the findings highlight the necessity of incorporating sample weights to ensure valid and reliable results in large-scale educational data mining.

 Bu çalışma, öğrenci düzeyi örneklem ağırlıklarının başarı puanlarını yordamadaki model performansını nasıl etkilediğini incelemektedir. Analizlerde, 2018 PISA öğrenci anketinden elde edilen 34 bağımsız değişken kullanılarak Sınıflama ve Regresyon Ağacı CART ve Rastgele Orman RF yöntemleri uygulanmıştır. Türkiyede daha önceki veri madenciliği çalışmalarında örneklem ağırlıkları dikkate alınmadığından, bu araştırma alana özgün bir katkı sunmaktadır. Bulgulara göre, örneklem ağırlıkları kullanıldığında CART yöntemiyle belirlenen on önemli değişkenden yalnızca biri farklılaşmış, ancak değişkenlerin önem sırası da değişmiştir. RF yöntemiyle oluşturulan modellerde ise yalnızca beş değişken ortak kalmış, diğerleri farklılık göstermiştir. Her iki yöntemde örneklem ağırlıkları dâhil edildiğinde, modellerin yordama performansında hafif fakat istatistiksel olarak anlamlı olmayan bir düşüş gözlenmiştir. Bu sonuçlar, örneklem ağırlıklarının değişken seçiminde etkili olduğunu ancak genel model doğruluğunu anlamlı biçimde etkilemediğini göstermektedir. Genel olarak, elde edilen bulgular, geniş ölçekli eğitimsel veri madenciliğinde geçerli ve güvenilir sonuçlar elde etmek için örneklem ağırlıklarının kullanılmasının gerekliliğini ortaya koymaktadır.

Makale detayları

The Effect of the Weight Variable on Predicting Reading Comprehension Achievement in PISA 2018: A Data Mining Approach

Yazarlar:

Yusuf Kasap | Mustafa Köroğlu

Yayıncı:

İdeal Kent Yayınları

Ana Başlıklar:

Psikolojik Metodoloji | Tasarım ve Analiz

Dergi:

OPUS Toplum Araştırmaları Dergisi Vol.22 Issue 5, pp.1146-1159

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358630

pISSN:

2791-9862

Classification

Sample weight

Data miningSınıflama

Örneklem ağırlığı

Veri madenciliği

Sayı

Makale detayları

The Effect of the Weight Variable on Predicting Reading Comprehension Achievement in PISA 2018: A Data Mining Approach

Yazarlar: Yusuf Kasap | Mustafa Köroğlu

Yayıncı: İdeal Kent Yayınları

Ana Başlıklar: Psikolojik Metodoloji | Tasarım ve Analiz

Dergi: OPUS Toplum Araştırmaları Dergisi Vol.22 Issue 5, pp.1146-1159

Belge Tipi: Makale

Yayın Tarihi: 9/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001358630

pISSN: 2791-9862

Classification

Sample weight

Data miningSınıflama

Örneklem ağırlığı

Veri madenciliği

Sayı

Yazarlar:

Yusuf Kasap | Mustafa Köroğlu

Yayıncı:

İdeal Kent Yayınları

Ana Başlıklar:

Psikolojik Metodoloji | Tasarım ve Analiz

Dergi:

OPUS Toplum Araştırmaları Dergisi Vol.22 Issue 5, pp.1146-1159

Belge Tipi:

Makale

Yayın Tarihi:

9/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001358630

pISSN:

2791-9862