Üç yıllık Veri Bilimi eğitim izleği (Data Science track), bir lisans yönetim programının içine yerleştirilmiş; matematik ve istatistik temellerinden başlayarak programlama, veri tabanı yönetimi, veri madenciliği, uygulamalı istatistik, görselleştirme, yapay zekâ, veri etiği ve proje tabanlı uygulamalara doğru kademeli biçimde ilerleyen çok araçlı bir müfredat yapısıdır. Bu çalışma, söz konusu eğitim izleğini iki bağımsız öğrenci kohortunun yıllık akademik performansı ile mezunların veri bilimine yönelik tutumları, kariyer uyumluluğu, ders algıları ve açık uçlu geribildirimlerini birlikte kullanarak değerlendirmektedir.

Çalışmada birinci kohort 18, ikinci kohort 30 öğrenciden oluşmaktadır. Akademik performans her iki kohort için üç akademik yıl boyunca incelenmiş; mezuniyet sonrası yarı yapılandırılmış anket ise programı tamamlayan birinci kohortun 18 öğrencisine uygulanmıştır. Birinci kohortta yıllık ortalama notlar sırasıyla 84,86, 87,14 ve 85,60; ikinci kohortta 76,39, 78,74 ve 79,25 olarak raporlanmıştır. Ancak iki kohortun dağılım davranışı aynı değildir: birinci kohortta standart sapma 6,64'ten 5,26'ya ve 4,29'a doğru düzenli azalırken ikinci kohortta 6,42'den 5,52'ye düştükten sonra üçüncü yılda 7,22'ye yükselmiştir.

Bu akademik notlar yalnız Veri Bilimi derslerinden elde edilmiş notlar değildir. Her öğrencinin ilgili akademik yılda lisans yönetim programında aldığı bütün derslerin yıllık genel ortalamasıdır. Bu nedenle gözlenen akademik desenler, Veri Bilimi müfredatının öğrencilerin notlarını artırdığı veya performans değişkenliğini azalttığı yönünde doğrudan nedensel kanıt olarak kullanılamaz.

Mezunların Veri Bilimine Yönelik Öğrenci Tutumları ölçeğinde (SOMADS) algılanan yarar değeri ortalaması 4,31, veri bilimine ilgi 4,07, öz-yeterlik 3,87 ve kaygı-maliyet boyutu 2,69'dur. Kariyer Uyumluluğu Ölçeği (CAAS) sonuçlarında gelecek yönelimi 4,32, kontrol 4,36, merak 4,14 ve güven 4,34 ortalamalarına sahiptir. Ana makale, kullanılan Likert tipi ölçeklerin kesin alt ve üst puan sınırlarını ana metinde vermediğinden bu puanlar kaynakta bulunmayan bir ölçek aralığı varsayılarak yeniden yorumlanmamıştır.

Açık uçlu geribildirimler dört ana tema göstermiştir: analitik ve uygulamalı yetkinliklerin gelişimi, destekleyici öğrenme ortamı, geniş konu yelpazesi ile teknik derinlik arasındaki gerilim ve iş yükü/öğretim/mesleğe hazırlık sorunları. Öğrenciler gerçek veya gerçekçi veriyle yapılan projeleri, uygulamalı dersleri, çok sayıda analitik araca maruz kalmayı ve kişisel desteği değerli bulurken; Python, SQL, Power BI, matematik, istatistik ve programlama gibi bazı teknik alanlarda daha fazla derinlik ve giriş seviyesi işlere yönelik daha güçlü uygulamalı hazırlık beklentileri de bildirmiştir.

Çalışmanın temel mesajı, yönetim öğrencilerine veri bilimi öğretiminde yalnız daha fazla yazılım veya teknoloji eklemenin yeterli olmayabileceğidir. Yazarın tartışmasına göre çok araçlı bir müfredatın eğitimsel değeri, araç sayısından çok araçların hangi sırayla tanıtıldığına, daha önce öğrenilen yetkinliklerin nasıl tekrar kullanıldığına, gerçek veri ve projelerle nasıl bütünleştirildiğine ve teknik olarak zorlanan öğrencilere nasıl sürekli öğretim desteği sağlandığına bağlı olabilir. Bununla birlikte çalışma gözlemsel ve betimsel olduğu için bu müfredat özelliklerinin sonuçları nedensel olarak ürettiğini kanıtlamamaktadır.

Araştırmanın problemi ve literatürdeki boşluk

Veri bilimi eğitimi artık yalnız bilgisayar bilimi, matematik veya mühendislik gibi geleneksel STEM alanlarının konusu değildir. Yönetim ve sosyal bilimler gibi alanlarda da öğrencilerin veriyi hazırlayabilmesi, analiz edebilmesi, görselleştirebilmesi, yorumlayabilmesi ve karar verme süreçlerinde kullanabilmesi giderek daha önemli hale gelmektedir.

Ancak yönetim öğrencilerinin matematik, istatistik ve programlama geçmişleri aynı değildir. Bazı öğrenciler daha önce teknik dersler almış olabilirken bazıları programlamaya ilk kez üniversitede başlayabilir. Buna karşılık güncel veri bilimi yalnız temel istatistik bilgisini değil; veri tabanı sistemleri, programlama ortamları, veri madenciliği, iş zekâsı, görselleştirme ve yapay zekâ araçları arasında geçiş yapabilmeyi gerektirir.

Bu nedenle müfredat tasarımında iki hedef arasında gerilim oluşur: program teknik açıdan yeterince ciddi olmalı, fakat teknik geçmişi daha sınırlı öğrenciler için erişilemez hale gelmemelidir. Kaynağın belirlediği literatür boşluğu da burada ortaya çıkar. Önceki araştırmalar tek tek veri bilimi derslerini, belirli teknolojileri veya program tanımlarını incelemiş olsa da çok sayıda dersten oluşan bütünleşik bir program boyunca öğrencilerin akademik gelişimini, tutumlarını ve deneyimlerini birlikte değerlendiren program düzeyindeki ampirik kanıt daha sınırlıdır.

Araştırma soruları

1. Veri Bilimi eğitim izleğinin birbirini izleyen yıllarında hangi akademik gelişim örüntüleri görülmektedir ve bu örüntüler iki bağımsız kohortta ne ölçüde tutarlıdır?
2. Programı tamamlayan öğrencilerin veri bilimine yönelik tutumları ve kariyer uyumluluğu düzeyleri nasıldır?
3. Mezunlar Veri Bilimi eğitim izleğindeki öğrenme deneyimlerini, programın güçlü ve zorlayıcı yönlerini ve gelecekteki mesleki gelişimleri açısından önemini nasıl değerlendirmektedir?

Teknolojiyle Zenginleştirilmiş Çok Araçlı Veri Bilimi Müfredatı Nedir?

Bu çalışmada teknolojiyle zenginleştirilmiş çok araçlı veri bilimi müfredatı, tek bir yazılımı öğretmek yerine matematik, istatistik, veri işleme, programlama, veri madenciliği, görselleştirme, yapay zekâ ve proje çalışmalarını üç yıl boyunca birbirine bağlı bir öğrenme sırası içinde kullanan program düzeyindeki bir eğitim ekosistemidir; teknoloji burada ayrı bir ek araç değil, farklı derslerdeki analitik görevlerin ve öğrenme etkinliklerinin doğrudan parçasıdır.

Teknolojiyle Zenginleştirilmiş Öğrenme kavramı

Kaynak, Technology-Enhanced Learning (TEL) yaklaşımını kişiselleştirilmiş veya adaptif bir yazılım sistemi olarak tanımlamaz. TEL burada müfredat düzeyinde ele alınmaktadır. Ders etkinlikleri, analitik araçlar, gerçekçi görevler, proje çalışmaları ve geribildirim mekanizmaları birbirine bağlanarak öğrencinin üç yıl içinde daha karmaşık görevler üstlenmesi amaçlanmaktadır.

Bu ayrım önemlidir. Çalışmanın TEL yaklaşımı “öğrenciye algoritmik olarak kişiselleştirilmiş ders veren sistem” anlamına gelmez. Teknolojinin ders tasarımı ve müfredat akışıyla bütünleştirilmesi anlamına gelir.

Çok araçlı öğrenme neden merkezde?

Programın temel tasarım ilkelerinden biri öğrencinin yalnız bir analitik platformda uzmanlaşması yerine farklı görevlerde farklı araçlar kullanmasıdır. Kaynak bu yaklaşımı gerçek mesleki veri analizi akışlarına benzetmektedir; çünkü profesyonel bir analist aynı projede veri tabanı, programlama, istatistiksel analiz, iş zekâsı, görselleştirme ve yapay zekâ araçlarını birlikte kullanabilir.

Örneğin veri hazırlama için SQL veya Excel, istatistiksel analiz için SPSS veya Python, veri madenciliği için WEKA, karar desteği ve görselleştirme için Power BI, ileri veri işleme ve makine öğrenmesi için Python, veri keşfi veya yardımcı görevler için çeşitli üretken yapay zekâ araçları kullanılmaktadır. Çalışma, bu araçların yalnız isimlerini vermekle kalmayıp farklı derslerde hangi öğrenme rolünü taşıdıklarını da tanımlar.

Proje Tabanlı Öğrenme nedir?

Project-Based Learning (PBL; Proje Tabanlı Öğrenme), öğrencilerin yalnız teorik anlatımı dinlemek yerine anlamlı ve çoğu zaman gerçek yaşamı temsil eden problemler üzerinde uzun süreli çalışma yaparak bilgi geliştirdiği öğrenme yaklaşımıdır. İncelenen Veri Bilimi eğitim izleğinde öğrenciler gerçek veya gerçekçi veri setleriyle çalışmakta; analitik problemi tanımlamakta, veriyi hazırlamakta, uygun yöntemi ve teknolojik aracı seçmekte, analizi gerçekleştirmekte, bulguları yorumlamakta ve sonuçları sunmaktadır.

Projeler program ilerledikçe daha bütünleşik hale gelmektedir. Üçüncü yılın practicum ve seminar dersleri, önceki derslerde öğrenilmiş istatistik, veri madenciliği, veri işleme, programlama ve görselleştirme becerilerini tek bir kapsamlı analitik görev içinde birleştirmek üzere tasarlanmıştır.

Üç yıllık öğrenme mantığı

Birinci yıl matematik, istatistik ve yönetim temellerini sağlar. Kaynak Şekil 1'de Basic Math, Statistics 1, Math ve Excel gibi dersler sonraki veri bilimi derslerinin temelini oluşturan başlangıç bileşenleri olarak gösterilmektedir.

İkinci yıl yöntemsel derinlik ve araç kullanımına ağırlık verir. Data Mining, Statistics 2, Database Management and Data Processing, Applied Statistics, Python ve Knowledge Management and Decision-Making gibi dersler bu aşamada yer alır.

Üçüncü yıl bütünleştirme ve uygulamaya geçer. Data Applications in the Public Sector, Artificial Intelligence Applications in Analytics, Selected Topics in Data Science, Legal and Ethical Aspects of Data Science, Visualization for Business Analytics, Practicum ve Seminar dersleri daha önce edinilen becerileri gerçek yaşam ve mesleki bağlamlara taşımayı amaçlar.

Dersler, araçlar ve öğrenme rolleri

Bu tablodaki araç listeleri, çalışmanın yapıldığı dönemdeki kaynak müfredatı temsil eder. Verianla bunları güncel araç tavsiyesi veya bugün zorunlu kullanılması gereken teknoloji listesi olarak yeniden yorumlamamaktadır.

Katılımcılar kimlerdi?

Çalışmada iki bağımsız kohort vardır. Kohort 1 programı tamamlayan ve mezuniyet sonrası ankete katılan 18 öğrenciden oluşmuştur. Kohort 2 programı tamamlama aşamasında bulunan 30 öğrenciden oluşmuş ve akademik performans ile öğrenme yörüngelerinin incelenmesinde kullanılmıştır.

Kohort 1'de 10 kadın öğrenci (%55,6) ve 8 erkek öğrenci (%44,4) vardır. Ortalama yaş 25,11 ve standart sapma 3,07'dir. Öğrencilerin %77,8'i daha önce akademik yükseköğretim çalışmasına sahip değildir; geri kalanların daha önce bazı akademik deneyimleri olmakla birlikte tamamlanmış bir derecesi bulunmamaktadır. Kaynak öğrencilerin matematik geçmişlerinin de heterojen olduğunu belirtmektedir.

Akademik performans nasıl ölçüldü?

Her öğrenci için tamamlanmış her akademik yılın yıllık genel not ortalaması kullanılmıştır. Bu ortalama o yıl alınan bütün dersleri kapsamaktadır. Kaynak, bu hesaplamanın kredi ağırlıklı mı yoksa başka bir kurumsal ağırlıklandırmayla mı yapıldığını ana metinde ayrıca açıklamamaktadır; bu nedenle Verianla yeni bir ağırlıklandırma formülü üretmemektedir.

Sonuçlar ortalama, standart sapma, minimum ve maksimumla özetlenmiş; dağılımları incelemek için violin grafikleri, öğrencilerin yıllar içindeki bireysel değişimlerini göstermek için bireysel çizgi grafikleri kullanılmıştır.

Ortalama ve standart sapma ne anlatır?

Öğretici not: Aşağıdaki denklemler makalenin özgün bilimsel formülleri değildir; kaynakta kullanılan ortalama ve örneklem standart sapması kavramlarının standart matematiksel tanımlarıdır.

\[ \bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i \]

\(\bar{x}\) grup ortalamasını, \(x_i\) her öğrencinin ilgili ölçümünü, \(n\) ise öğrenci sayısını temsil eder. Ortalama, grubun merkezî düzeyini tek sayıyla özetler.

\[ s=\sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}} \]

\(s\) örneklem standart sapmasıdır. Öğrenci değerlerinin grup ortalamasının çevresinde ne kadar dağıldığını gösterir. Aynı ortalamaya sahip iki gruptan standart sapması daha küçük olan grupta ölçümler ortalama çevresinde daha dar toplanmıştır. Ancak standart sapmanın azalması tek başına eğitimin öğrencileri geliştirdiğini kanıtlamaz; yalnız dağılımın daraldığını gösterir.

Violin grafiği nedir?

Violin grafiği, bir dağılımın yalnız ortalamasını değil değerlerin hangi bölgelerde daha yoğun olduğunu da şekil genişliğiyle gösteren bir dağılım grafiğidir. Kaynak Şekil 2, iki kohortun üç yıl içindeki not dağılımlarını violin grafiklerle göstermektedir.

Kaynak bireysel ham not dağılımlarını tablo halinde yayımlamadığından Verianla violinlerin kesin geometrisini yeniden üretmemektedir. Kesin karşılaştırma için kaynak Tablo 3'teki sayısal özetler esas alınmıştır.

SOMADS neyi ölçüyor?

SOMADS çalışmada öğrencilerin veri bilimine yönelik dört tutumsal boyutunu değerlendirmek için kullanılmıştır:

• Interest in data science: veri bilimine ilgi,
• Utility value: öğrencinin veri bilimini ne ölçüde yararlı/değerli gördüğü,
• Self-efficacy: öğrencinin ilgili görevleri yapabilme yeterliğine ilişkin algısı,
• Anxiety-Cost: ölçekte kaygı ve algılanan maliyetle ilişkili boyut.

Her boyutun puanı, o boyuta ait maddelerin ortalaması alınarak hesaplanmıştır. Kaynak maddelerin Likert tipi olduğunu belirtmekte fakat ana makalede ölçeğin kesin minimum ve maksimum yanıt seçeneklerini vermemektedir.

Kaynakta açıklanan boyut puanı hesaplamasının matematiksel olarak açık yazımı şöyledir:

\[ S_d=\frac{1}{k}\sum_{j=1}^{k}x_j \]

\(S_d\), ilgili boyutun bileşik puanı; \(k\), o boyuta ait madde sayısı; \(x_j\), öğrencinin ilgili maddeye verdiği puandır. Bu denklem kaynakta numaralandırılmış özgün bir formül olarak yer almamakta; “maddelerin ortalaması alınır” yönteminin matematiksel ifadesidir.

CAAS neyi ölçüyor?

Career Adapt-Abilities Scale (CAAS), bu çalışmada kariyer uyumluluğunu dört boyutta ele alır:

• Concern: geleceğe yönelim,
• Control: öz-disiplin ve kariyer üzerinde kontrol hissi,
• Curiosity: olasılıkları araştırma,
• Confidence: kariyer görevlerini yerine getirebilme konusunda güven.

CAAS boyut puanları da ilgili maddelerin ortalaması alınarak hesaplanmıştır. Daha yüksek puanın ilgili kariyer uyumluluğu boyutunun daha güçlü biçimde desteklendiğini gösterdiği belirtilmektedir.

Cronbach Alfa Bu Çalışmada Neyi Gösteriyor?

Cronbach alfa, aynı ölçek boyutunu oluşturmak üzere bir araya getirilen maddelerin cevaplar bakımından ne ölçüde birlikte hareket ettiğini değerlendiren bir iç tutarlılık katsayısıdır; bu çalışmada SOMADS ve CAAS'ın her alt boyutu için ayrı ayrı hesaplanmış, ancak alfa değeri tek başına ölçeğin geçerli olduğunu veya ölçülen özelliğin program tarafından oluşturulduğunu kanıtlayan bir sonuç olarak kullanılmamıştır.

Öğretici not: Kaynak Cronbach alfa formülünü basılı denklem olarak vermemektedir. Standart matematiksel gösterim:

\[ \alpha= \frac{k}{k-1} \left( 1-\frac{\sum_{i=1}^{k}\sigma_i^2}{\sigma_T^2} \right) \]

Burada \(k\) madde sayısı, \(\sigma_i^2\) her bir maddenin varyansı ve \(\sigma_T^2\) maddelerin toplam puanının varyansıdır. Katsayı, maddelerin birbirleriyle tutarlılığı hakkında bilgi verir; fakat yüksek alfa tek başına ölçeğin doğru kavramı ölçtüğünü, öğrenci başarısını veya nedensel program etkisini kanıtlamaz.

Açık uçlu geribildirim nasıl analiz edildi?

Öğrencilerden programın üç olumlu ve üç olumsuz yönünü belirtmeleri ve cevaplarını en az iki-üç cümleyle açıklamaları istenmiştir. Bu cevaplar refleksif tematik analiz yaklaşımıyla incelenmiştir.

Refleksif tematik analizde araştırmacının yorumlayıcı rolü analizin doğal bir parçası kabul edilir. Çalışmada kodlama ve tema geliştirme tek araştırmacı tarafından yapıldığı için kodlayıcılar arası güvenirlik hesaplanmamıştır. Kaynak bunu bir hesaplama eksikliği olarak gizlememekte, kullanılan refleksif tematik yaklaşımın epistemolojik mantığıyla açıklamaktadır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımının veri kaynakları

İstatistiksel yaklaşım neden betimseldi?

Çalışmanın kohortları küçüktür ve amaç belirli bir eğitim programını değerlendirmektir. Bu nedenle analiz, geniş bir nüfusa inferans yapmaya veya hipotez testiyle nedensel etki göstermeye odaklanmamıştır. Ortalama, standart sapma, medyan, min–maks değerleri, frekanslar ve grafikler kullanılmıştır.

Kaynak herhangi bir p-değeri, güven aralığı veya etki büyüklüğü üzerinden iki kohort arasında çıkarımsal üstünlük testi raporlamamaktadır. Bu nedenle Verianla bu sonuçlara sonradan anlamlılık testi eklememektedir.

Akademik performansın kesin sonuçları

Kohort 1'in ortalaması birinci yıldan ikinci yıla yükselmiş, üçüncü yılda 85,60'a gerilemiş ancak birinci yıl düzeyinin üzerinde kalmıştır. Standart sapma üç yıl boyunca 6,64 → 5,26 → 4,29 biçiminde azalmıştır.

Kohort 2'nin ortalaması üç yıl boyunca 76,39 → 78,74 → 79,25 biçiminde yükselmiştir. Buna karşılık standart sapma 6,42 → 5,52 → 7,22 biçiminde değişmiş; ikinci yıldaki daralmanın ardından üçüncü yılda dağılım genişlemiştir.

Bu nedenle “program ilerledikçe bütün öğrencilerin performansı birbirine yaklaştı” biçiminde ortak bir sonuç desteklenmemektedir. Yalnız Kohort 1'de üç yıllık düzenli varyasyon daralması görülmektedir.

Bireysel öğrencilerin yörüngeleri

Kaynak Şekil 3, her öğrencinin yıllık genel ortalamasını üç yıl boyunca ayrı çizgilerle göstermektedir. İlk yılda öğrenciler arasında belirgin farklılık vardır. İlk yılı görece düşük ortalamayla başlayan öğrencilerin önemli bir bölümünde sonraki yıllarda daha yüksek ortalamalar gözlenirken, başlangıçta yüksek ortalamaya sahip öğrenciler genel olarak yüksek düzeylerini korumaktadır.

Ancak kaynak bu bireysel çizgilerin ham sayısal değerlerini tablo halinde vermemektedir. Verianla, grafiğin piksellerinden kesin öğrenci notu üretmediği için Şekil 3'ü birebir yeniden çizmemektedir.

SOMADS sonuçları

Kaynak, mezunların algılanan yarar değerini ve veri bilimine ilgisini yüksek olarak tanımlamaktadır. Öz-yeterlik ortalaması da görece yüksek olmakla birlikte SD=1,16 ile cevaplar arasında daha fazla değişkenlik göstermektedir. Kaygı-Maliyet boyutu dört SOMADS boyutu içinde en düşük ortalamaya sahiptir.

Burada “düşük kaygı” gibi daha ileri bir yorum yapılırken ölçeğin yönü ve ana makalede verilmeyen yanıt sınırları dikkate alınmalıdır. Kaynak bu boyutu Anxiety-Cost adıyla raporlamakta ve daha yüksek puanın ilgili yapının daha güçlü benimsenmesini gösterdiğini söylemektedir; Verianla bundan daha ileri bir psikometrik anlam üretmemektedir.

CAAS sonuçları

Dört CAAS boyutunun ortalamaları birbirine yakındır ve kaynak bunları görece yüksek kariyer uyumluluğu olarak yorumlamaktadır. İç tutarlılık katsayıları ise aynı değildir: en yüksek alfa Concern boyutunda 0,93, en düşük değer Curiosity boyutunda 0,64'tür. Verianla 0,64 değerini kaynakta bulunmayan sabit bir “başarılı/başarısız” eşiğine göre sınıflandırmamaktadır; yalnız diğer boyutlardan daha düşük olduğunu belirtmektedir.

Öğrenciler hangi dersleri önemli ve ilginç buldu?

Applied Statistics hem önem hem ilgi açısından en fazla seçim alan derstir. Practicum özellikle önem kategorisinde yüksek frekansa sahiptir. Python dersi sekiz öğrenci tarafından önemli görülürken yalnız iki öğrenci tarafından en ilginç dersler arasında seçilmiştir. Kaynak, önem ile ilginin ilişkili fakat aynı kavramlar olmadığını özellikle vurgulamaktadır.

Açık uçlu geribildirimde Tema 1: analitik ve uygulamalı yeterlikler

Öğrenciler programın analitik düşünme, problem çözme ve veriyle çalışma becerilerine katkı sağladığını bildirmiştir. Programlama dilleri, analitik araçlar, yapay zekâ, makine öğrenmesi ve gerçek veriye maruz kalmak olumlu deneyimler arasında yer almaktadır. Projelerin gerçek çalışma görevlerine benzer olması da öğrencilerin değer verdiği unsurlardandır.

Tema 2: destekleyici öğrenme ortamı

Kişisel rehberlik, küçük grup ortamı, program yöneticisinin öğrencileri izlemesi ve öğretim elemanlarının öğrenci başarısıyla ilgilenmesi olumlu yönler olarak bildirilmiştir. Bununla birlikte bütün öğretim deneyimleri olumlu değildir. Bazı öğrenciler belirli öğretim biçimlerinin anlayış boşlukları yarattığını ve karmaşık konuların her zaman yeterince açık anlatılmadığını belirtmiştir.

Tema 3: genişlik ile teknik derinlik arasındaki gerilim

Öğrenciler çok sayıda veri bilimi alanını görmeyi değerli bulurken, aynı genişliği bir sınırlılık olarak da değerlendirmiştir. Geribildirimlerde SQL, Python, Power BI, matematik, istatistik ve programlama gibi alanlarda daha fazla derinlik beklentisi bulunmaktadır.

Bu bulgu, müfredat tasarımında “daha fazla teknoloji = daha iyi program” biçiminde doğrusal bir mantığın yeterli olmadığını göstermektedir. Yazarın tartışmasında da teknolojilerin sayısından çok hangi araçların çekirdek olarak seçildiği, kaç kez yeniden kullanıldığı ve karmaşıklıklarının nasıl kademelendirildiği üzerinde durulmaktadır.

Tema 4: iş yükü, öğretim zorlukları ve istihdama hazırlık

Matematik, istatistik, programlama, bilgi sistemleri ve yönetim derslerinin aynı programda bir araya gelmesi bazı öğrenciler tarafından yoğun ve zorlayıcı bulunmuştur. Özellikle programlamanın bazı öğrenciler için güçlük oluşturduğu bildirilmiştir.

Öğrenciler ayrıca daha güçlü mesleki uygulama bağlantısı istemiştir. Gerçek veriyle ve güncel araçlarla daha fazla çalışma, giriş seviyesi işlerin görevlerine daha yakın uygulamalar ve teori ile meslek pratiği arasındaki bağın güçlendirilmesi önerileri öne çıkmıştır.

Bu Çalışma Veri Bilimi Müfredatının Etkili Olduğunu Kanıtlıyor mu?

Hayır. Çalışma müfredatın tasarımıyla uyumlu olumlu öğrenci algıları, belirli akademik gelişim desenleri ve güçlü görülen proje/uygulama bileşenleri raporlamaktadır; ancak gözlemsel tasarım, küçük kohortlar, karşılaştırma grubunun bulunmaması, program öncesi tutum ölçümlerinin olmaması ve yıllık notların bütün lisans derslerini kapsaması nedeniyle bu sonuçlar Veri Bilimi müfredatının etkisini nedensel olarak kanıtlamaz.

Çalışmanın desteklediği sonuçlar

• Üç yıllık program istatistik, programlama, veri yönetimi, veri madenciliği, görselleştirme, yapay zekâ, etik ve projeleri kademeli bir yapı içinde bütünleştirmektedir.
• İki kohortun akademik gelişim desenleri aynı değildir.
• Kohort 1'de yıllık not dağılımı üç yılda daralmış; Kohort 2'de üçüncü yılda yeniden genişlemiştir.
• Her iki kohortta da birinci yıldan sonraki ortalama genel başarı birinci yıl düzeyine göre görece istikrarlı veya daha yüksektir.
• Mezunlar veri biliminin yararlılığına ve veri bilimine ilgilerine ilişkin olumlu değerlendirmeler bildirmiştir.
• Kariyer uyumluluğu boyutları kaynak tarafından görece yüksek olarak raporlanmıştır.
• Applied Statistics ve Practicum öğrencilerin özellikle önem verdiği dersler arasındadır.
• Projeler, gerçek veri, çok araçlı çalışma ve öğretim desteği olumlu temalar arasındadır.
• Teknik derinlik, programlama, iş yükü, öğretim açıklığı ve mesleğe hazırlık geliştirme gerektiren alanlar olarak ortaya çıkmıştır.

Çalışmanın desteklemediği sonuçlar

• Programın akademik notları artırdığı nedensel olarak gösterilmemiştir.
• Programın yüksek kariyer uyumluluğu puanlarını oluşturduğu gösterilmemiştir.
• Programı almayan bir kontrol grubuna göre üstünlük gösterilmemiştir.
• Öğrencilerin program öncesi ve program sonrası tutum değişimi ölçülmemiştir.
• İki küçük kohortun sonuçları bütün yönetim öğrencilerine genellenemez.
• Çok sayıda araca maruz kalmak bütün öğrencilerin her araçta ustalık kazandığı anlamına gelmez.
• Yüksek ilgi veya algılanan yarar, teknik yeterliğin nesnel performans ölçümü değildir.

Müfredat tasarımı için çıkarımlar

Kaynak dört ana program tasarımı çıkarımı sunmaktadır. Birincisi, öğrencilerin ilerlemesi tek tip kabul edilmemeli ve farklı kohortlar boyunca izlenmelidir. İkincisi, geniş teknoloji maruziyeti ile teknik derinlik arasında denge kurulmalıdır. Yazar özellikle yalnız yeni araç eklemeye devam etmek yerine öğrencilerin tekrar tekrar karşılaşacağı çekirdek teknolojilerin belirlenmesini önermektedir.

Üçüncü olarak, “uygulamalı öğrenme” ile “işe hazır olma” aynı şey değildir. Öğrenciler proje ve gerçek veri çalışmalarını değerli bulmasına rağmen bazıları yine de giriş seviyesi işler için daha açık hazırlık ihtiyacı bildirmiştir.

Dördüncü olarak, akademik ilerleme bütün teknik alanlarda aynı öz-yeterliği garanti etmemektedir. Programlama ve karmaşık teknolojilerde sürekli öğretim desteği gereklidir.

Temel sınırlılıklar

Küçük ve tek kuruma ait örneklem: Yalnız iki küçük kohort ve tek bir kurum incelenmiştir; genellenebilirlik sınırlıdır.

Gözlemsel tasarım: Müfredat özellikleri ile öğrenci sonuçları arasında nedensel ilişki kurulamaz.

Kontrol grubu yoktur: Aynı yönetim programında Veri Bilimi izleğini almayan karşılaştırmalı öğrenci grubu bulunmamaktadır.

Program öncesi tutum ölçümü yoktur: Öğrencilerin SOMADS veya CAAS puanlarının programa başlamadan önceki düzeyi bilinmediği için değişim hesaplanamaz.

Anket yalnız ilk kohortta uygulanmıştır: Tutum ve nitel geribildirim sonuçları ikinci kohortu temsil etmez.

Öz-bildirime dayalı veriler: Mezun görüşleri hatırlama ve yanıt eğilimlerinden etkilenebilir.

Nitel analiz tek araştırmacı tarafından yapılmıştır: Çalışma refleksif tematik analiz yaklaşımı nedeniyle kodlayıcılar arası güvenirlik hesaplamamıştır.

Akademik performansın kapsamı: Kullanılan yıllık notlar yalnız Veri Bilimi derslerine değil bütün lisans derslerine aittir; bu nedenle Veri Bilimi eğitim izleğinin doğrudan akademik etkisini izole etmez.

Kaynak ve Yöntem Notu

Özgün başlık: Curriculum Design and Evaluation of Data Science Track for Management Students

Yazar: Anna Khalemsky.

Yazar sırası: Tek yazarlı çalışmadır.

Eş katkı: Uygulanabilir değildir; tek yazar vardır.

Sorumlu yazar: Kaynak ayrı bir corresponding-author işareti göstermemektedir; başlık sayfasında tek yazar Anna Khalemsky için e-posta ve telefon iletişim bilgileri verilmiştir.

Başlık sayfasındaki kurum: Management Department, Jerusalem Multidisciplinary College, Jerusalem 91010, Israel.

Etik bölümündeki kurum yazımı: Jerusalem Multidisciplinary Academic College. PDF iki bölümde bu iki İngilizce kurum biçimini kullanmaktadır; Verianla bunlardan birini sessizce diğerinin yerine koymamaktadır.

Dergi: Education Sciences.

Yayıncı: MDPI.

Yayın bilgisi: 2026, Volume 16, Article 1676.

DOI: 10.3390/educsci16101676.

Resmî DOI bağlantısı: https://doi.org/10.3390/educsci16101676

Gönderim: 28 Ağustos 2026.

Revizyon: 4 Ekim 2026.

Kabul: 5 Ekim 2026.

Yayın: 9 Ekim 2026.

Kaynak türü: Article / araştırma makalesi. Çalışma iki bağımsız kohortun akademik verilerini, standartlaştırılmış tutum/kariyer ölçeklerini ve açık uçlu nitel geribildirimi birleştiren çok yöntemli program değerlendirmesidir.

Hakemlik durumu: Education Sciences içinde yayımlanmış hakemli dergi makalesidir.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Dış finansman alınmamıştır.

Etik kurul: Jerusalem Multidisciplinary Academic College Ethics Committee for Research on Human Subjects tarafından onaylanmıştır; Referans No. 749, 6 Ağustos 2026.

Bilgilendirilmiş onam: Mezuniyet sonrası ankete katılan tüm katılımcılardan elektronik bilgilendirilmiş onam alınmıştır. Katılım gönüllüdür.

Veri gizliliği: Anket yanıtları kişiyi tanımlayıcı bilgi olmadan, akademik performans verileri kimliksizleştirilmiş biçimde analiz edilmiştir.

Veri erişilebilirliği: İki kohortun kimliksizleştirilmiş akademik performans verileri ve veri seti açıklaması Open Science Framework üzerinde yayımlanmıştır: https://osf.io/5m7en/overview?view_only=ad3a85b182f346e0ac1fc32d12cf48eb

Ek materyaller: Table S1 SOMADS ve CAAS sonuçlarını, Table S2 öğrenci olumlu/olumsuz geribildirimlerini, Table S3 ise Data Mining dersindeki uygulamalı projenin aşamalarını ve değerlendirme bileşenlerini içermektedir.

Yapay zekâ kullanım beyanı: Yazar, üretken yapay zekâ araçlarının makale hazırlanırken dil düzenleme, ifade açıklığı ve metin organizasyonuna destek amacıyla kullanıldığını; özgün bilimsel içerik üretimi, veri analizi, sonuçların yorumlanması veya sonuç cümlelerinin oluşturulmasında kullanılmadığını beyan etmektedir. Çalışmanın tasarımı, veri toplama, analiz, yorum ve nihai sorumluluk yazara aittir.

Çıkar çatışması: Yazar çıkar çatışması bildirmemiştir.

Yazar katkıları: PDF'de ayrı bir CRediT/Author Contributions bölümü yer almamaktadır. Tek yazarlı çalışma olduğu bilgisi dışında kaynakta bulunmayan katkı rolleri Verianla tarafından eklenmemiştir.

Temel yöntemsel sınır: Analiz ağırlıklı olarak betimseldir. İki küçük kohort, tek kurum, kontrol grubu bulunmaması, program öncesi tutum verisinin olmaması ve yıllık notların bütün lisans derslerini kapsaması nedensel yorumları sınırlar.