Research article | Open Access
International Journal of the Pursuit of Excellence in Leadership 2025, Vol. 5(1) 30-44
Liselere Giriş Sınavı (LGS) Sorularının İncelenmesi ve Yapay Zekâ Uygulamasının Kodlama Güvenirliğinin Belirlenmesi - Analysis of High School Entrance Examination (HSEE) Questions and Determination of Coding Reliability of Artificial Intelligence Application
pp. 30 - 44
Publish Date: June 30, 2025 | Single/Total View: 0/0 | Single/Total Download: 0/0
Abstract
Öz
Bu araştırma, 2020-2024 yılları arasında uygulanan Liselere Giriş Sınavı (LGS) fen bilimleri sorularını, Yenilenmiş Bloom Taksonomisi ve çeşitli değişkenler açısından incelemek amacıyla gerçekleştirilmiştir. Araştırma nitel yaklaşım ile doküman inceleme yöntemi kullanılarak yürütülmüş, toplam 100 soru analiz edilmiştir. Sorular, öğrenme alanı, ünite, kazanım, bilgi boyutu ve bilişsel düzey kategorilerine göre kodlanmış ve betimsel analiz yapılmıştır. Ayrıca 2024 LGS soruları ChatGPT uygulamasına analiz ettirilmiş, araştırmacı ile yapay zekâ arasındaki uyum yüzdesi raporlanmıştır. Sonuçlar, “DNA ve Genetik Kod” ünitesinin en yüksek, “Basit Makineler” ve “Elektrik Yükleri ve Elektrik Enerjisi” ünitelerinin ise en düşük oranda temsil edildiğini göstermiştir. Soruların büyük bir kısmı kavramsal bilgi (%46) ve “Anlama” düzeyinde (%46) yoğunlaşırken, üst düzey bilişsel becerilere yönelik soruların sınırlı olduğu görülmüştür. En üst basamak olan “Yaratma” düzeyinde ise soru bulunmamaktadır. ChatGPT-3.5 ile yapılan analizlerde en yüksek uyum, ünite ve öğrenme alanı değişkenlerinde görülürken (%65), bilgi boyutu ve bilişsel düzey kategorilerindeki uyum düşüktür. Araştırma, LGS sorularının üst düzey düşünme becerilerini daha fazla desteklemesi gerektiğini önermekte ve eğitim programındaki tüm kazanımların sınavlara dengeli şekilde yansıtılmasının önemini vurgulamaktadır. Ayrıca yapay zekâ uygulamalarının güvenirliğinin artırılması için algoritmaların geliştirilmesine yönelik öneriler sunulmuştur.
Abstract
This study aimed to analyze the science questions in the High School Entrance Exam (HSEE) conducted between 2020 and 2024 in terms of various variables based on the revised Bloom’s taxonomy. The research was carried out using a qualitative approach through document analysis, involving the examination of 100 questions. Questions were coded according to categories such as learning area, unit, objective, knowledge dimension, and cognitive level, followed by a descriptive analysis. Additionally, the 2024 HSEE questions were analyzed using the ChatGPT application, and the agreement rate between the researcher and artificial intelligence was reported. The findings revealed that the unit “DNA and Genetic Code” was most frequently represented, while the units “Simple Machines” and “Electric Charges and Electric Energy” were the least represented. The majority of the questions focused on conceptual knowledge (46%) and the “Understanding” level (46%), with limited emphasis on higher-order cognitive skills. Notably, no questions were found at the highest cognitive level, “Creating.” In the analysis performed by ChatGPT, the highest agreement was observed in the unit and learning area variables (65%), while lower agreement rates were noted in the knowledge dimension and cognitive level categories. The study suggests that HSEE questions should further support higher-order thinking skills and emphasize a balanced representation of all objectives in the curriculum. It also underscores the need to improve the reliability of artificial intelligence applications in coding processes by enhancing algorithms through additional training data.
Keywords: Fen bilimleri, liselere giriş sınavı (LGS), ölçme ve değerlendirme, yapay zekâ, kodlama güvenirliği, Science, high school entrance exam (HSEE), assessment and evaluation, artificial ıntelligence, coding reliability
APA 7th edition
Bolat, A. (2025). Liselere Giriş Sınavı (LGS) Sorularının İncelenmesi ve Yapay Zekâ Uygulamasının Kodlama Güvenirliğinin Belirlenmesi - Analysis of High School Entrance Examination (HSEE) Questions and Determination of Coding Reliability of Artificial Intelligence Application. International Journal of the Pursuit of Excellence in Leadership, 5(1), 30-44.
Harvard
Bolat, A. (2025). Liselere Giriş Sınavı (LGS) Sorularının İncelenmesi ve Yapay Zekâ Uygulamasının Kodlama Güvenirliğinin Belirlenmesi - Analysis of High School Entrance Examination (HSEE) Questions and Determination of Coding Reliability of Artificial Intelligence Application. International Journal of the Pursuit of Excellence in Leadership, 5(1), pp. 30-44.
Chicago 16th edition
Bolat, Ahmet (2025). "Liselere Giriş Sınavı (LGS) Sorularının İncelenmesi ve Yapay Zekâ Uygulamasının Kodlama Güvenirliğinin Belirlenmesi - Analysis of High School Entrance Examination (HSEE) Questions and Determination of Coding Reliability of Artificial Intelligence Application". International Journal of the Pursuit of Excellence in Leadership 5 (1):30-44.
Akyürek, G. (2019). LGS ve TEOG sınavlarının fen bilimleri dersi öğretim programı ve yenilenmiş Bloom taksonomisine göre incelenmesi. [Yayımlanmamış yüksek lisans tezi]. Konya Necmettin Erbakan Üniversitesi. Altun, H. ve Doğan, M. (2018). TEOG sınavı matematik sorularının yenilenmiş Bloom taksonomisine göre incelenmesi. The Journal of Social Sciences, 19(19), 439-447. https://doi.org/10.16990/SOBIDER.4000 Ar, M. E., Sarıoğlu, S., Demir, B., & Yıldız, G. (2023). Examination of 2021 Turkish central exam science questions in terms of science process skills. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 20(1), 332–351. https://doi.org/10.33711/yyuefd.1178620 Avcı, E., Keser, G., ve Gürsoy, G. (2024). LGS fen bilimleri soruları ile fen bilimleri öğretim programında yer alan kazanımların YBT basamaklarına göre uyum durumu. The Journal of International Lingual Social and Educational Sciences, 10(1), 74–91. https://doi.org/10.34137/jilses.1470569 Calp, M. ve Alpkaya, C. (2021). LGS Türkçe sorularının Türkçe dersi öğretim programı kazanımlarına uygunluğu üzerine bir çalışma. Ana Dili Eğitimi Dergisi, 9(2), 632–654. https://doi.org/10.16916/aded.852085 Cansız Aktaş, M. (2019). Nitel veri toplama teknikleri. H. Özmen & O. Karamustafaoğlu (Ed.), Eğitimde araştırma yöntemleri (s. 113–136). Pegem Akademi. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264–75278. https://doi.org/10.1109/access.2020.2988510 Crompton, H., & Burke, D. (2022). Artificial intelligence in K–12 education. SN Social Sciences, 2(7), 113. https://doi.org/10.1007/s43545-022-00425-5 Dalak, O. (2015). TEOG sınav soruları ile 8. sınıf öğretim programlarındaki ilgili kazanımların yenilenmiş Bloom taksonomisine göre incelenmesi [Yayımlanmamış yüksek lisans tezi]. Gaziantep Üniversitesi. Doğan, N. (2020). Temel kavramlar. N. Doğan (Ed.), Eğitimde ölçme ve değerlendirme (2. Baskı, ss. 2–30). Pegem Akademi. Eagan, B., Brohinsky, J., Wang, J., & Shaffer, D. W. (2020, March). Testing the reliability of inter-rater reliability. In Proceedings of the Tenth International Conference on Learning Analytics & Knowledge (pp. 454–461). https://doi.org/10.1145/3375462.3375508
Ekinci, O. ve Bal, A. P. (2019). 2018 yılı liseye geçiş sınavı (LGS) matematik sorularının öğrenme alanları ve yenilenmiş Bloom taksonomisi bağlamında değerlendirilmesi. Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 7(3), 9–18. http://dx.doi.org/10.18506/anemon.462717 Fan, O., Zheng, L., & Jiao, P. (2022). Artificial intelligence in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27, 7893–7925. https://doi.org/10.1007/s10639-022-10925-9 Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to design and evaluate research in education (8th ed.). Mac Graw Hill. İstanbullu, Y. (2021). LGS fen bilimleri sorularının yenilenmiş Bloom taksonomisine göre incelenmesi. [Yayımlanmamış yüksek lisans tezi]. Mersin Üniversitesi. Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in education: Towards a sustainable multifaceted revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451 Khademi, A. (2023). Can ChatGPT and Bard generate aligned assessment items? A reliability analysis against human performance. arXiv preprint, arXiv:2304.05372. https://doi.org/10.37074/jalt.2023.6.1.28 Koştur, H. İ. (2023). Predispositions define a pro-environmental attitude. Journal of STEAM Education, 6(1), 61–83. https://doi.org/10.55290/steam.1167600 Millî Eğitim Bakanlığı (MEB). (2020). 2020 sınavla öğrenci alacak ortaöğretim kurumlarına ilişkin merkezî sınav sayısal bölüm test kitapçığı. https://www.meb.gov.tr/meb_iys_dosyalar/2020_06/21195513_2020_sayisal_bolum_a.pdf Millî Eğitim Bakanlığı (MEB). (2021). 2021 sınavla öğrenci alacak ortaöğretim kurumlarına ilişkin merkezî sınav sayısal bölüm test kitapçığı. https://cdn.eba.gov.tr/icerik/lgs/2021_SAYISAL_BOLUM_A_.pdf Millî Eğitim Bakanlığı (MEB). (2022). 2022 sınavla öğrenci alacak ortaöğretim kurumlarına ilişkin merkezî sınav sayısal bölüm test kitapçığı. https://cdn.eba.gov.tr/icerik/lgs/2022_sayisal_bolum_a_kitapcigi_ve_cevap_anahtari.pdf Millî Eğitim Bakanlığı (MEB). (2023). 2023 sınavla öğrenci alacak ortaöğretim kurumlarına ilişkin merkezî sınav sayısal bölüm test kitapçığı. http://meb.ai/NADpaE Millî Eğitim Bakanlığı (MEB). (2024). 2024 sınavla öğrenci alacak ortaöğretim kurumlarına ilişkin merkezî sınav sayısal bölüm test kitapçığı. https://cdn.eba.gov.tr/yardimcikaynaklar/2024/06/2024sayisal.pdf Nuangchalerm, P., & Prachagool, V. (2023). AI-driven learning analytics in STEM education. International Journal of Research in STEM Education, 5(2), 77–84. https://doi.org/10.33830/ijrse.ijrse.v5i2.1596 Oğuztekin, E. ve Bektaş, O. (2023). 2018–2021 yılları arasında yayımlanan LGS fen bilimleri dersine yönelik soruların Bloom Taksonomisine göre incelenmesi. Anadolu University Journal of Education Faculty (AUJEF), 7(1), 227–245. https://doi.org/10.34056/aujef.1108229 Fan, O., Dinh, T. A., & Xu, W. (2023). A systematic review of AI-driven educational assessment in STEM education. Journal for STEM Education Research, 6(3), 408–426. https://doi.org/10.1007/s41979-023-00112-x. Polat, M. ve Bilen, E. (2022). TEOG ve LGS merkezi sınav fen sorularının bilişsel süreç boyutunun yenilenmiş Bloom taksonomisi ile değerlendirmesi. Türkiye Kimya Derneği Dergisi Kısım C: Kimya Eğitimi, 7(1), 45–72. https://doi.org/10.37995/jotcsc.1041329 Sezer, A. (2018). Fen bilimleri dersi sınav soruları ve merkezi sınav sorularının yenilenmiş Bloom taksonomisi, TIMMS ve PISA açısından analizi (Kırıkkale ili örneği). [Yayımlanmamış yüksek lisans tezi]. Kırıkkale Üniversitesi.
Sözeri, Ö., Eroğlu, E., ve Ekinci, R. (2024). Ünite sonu değerlendirme, MEB örnek ve 2022 LGS sorularının fen bilimleri dersi 8. sınıf kazanımlarına ve bilimsel süreç becerilerine göre değerlendirilmesi. Abant İzzet Baysal Üniversitesi Eğitim Fakültesi Dergisi, 24(3), 1300–1331. https://doi.org/10.17240/aibuefd.2024..-1353962 Şencan, H. (2005). Sosyal ve davranışsal ölçümlerde güvenilirlik ve geçerlilik (1. Baskı). Seçkin Yayıncılık. Taşkın, G., Aksoy, G., ve Daşdemir, İ. (2019). LGS fen bilimleri sorularının yenilenmiş Bloom taksonomisine göre değerlendirilmesi. Proceedings Book, 112. Tedre, M., Toivonen, T., Kahila, J., Vartiainen, H., Valtonen, T., Jormanainen, I., & Pears, A. (2021). Teaching machine learning in K–12 classroom: Pedagogical and technological trajectories for artificial intelligence education. IEEE Access, 9, 110558–110572. https://doi.org/10.1109/access.2021.3097962 Turgut, M. F. ve Baykul, Y. (2019). Eğitimde ölçme ve değerlendirme (8. Baskı). Pegem Akademi. Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, X. (2021). Artificial intelligence in education: A review. IEEE Access, 9, 106360-106375. https://doi.org/10.1109/ACCESS.2021.3098404
Zafari, M., Bazargani, J. S., Sadeghi-Niaraki, A., & Choi, S. M. (2022). Artificial intelligence applications in K-12 education: A systematic literature review. IEEE Access, 10, 61905–61921. https://doi.org/10.1109/ACCESS.2022.3179356
