Professional Documents
Culture Documents
FL2018 Ozkan Kocoglu Erol
FL2018 Ozkan Kocoglu Erol
FL2018 Ozkan Kocoglu Erol
net/publication/329566946
CITATIONS READS
0 82
3 authors, including:
11 PUBLICATIONS 58 CITATIONS
Istanbul University
29 PUBLICATIONS 22 CITATIONS
SEE PROFILE
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
To remediate the hydrocarbon polluted areas by use of plants, algae and microorganisms, TUBITAK, MAM, GEBI, TARAL 1007, 2006-2010. View project
All content following this page was uploaded by Fatma Önay Koçoğlu on 04 February 2019.
PROCEEDINGS
BOOK
Editors
Dr. Sevinç GÜLSEÇEN
Dr. Çiğdem SELÇUKCAN EROL
Dr. Zerrin AYVAZ REİS
Dr. Murat GEZER
i
PAPERS
1
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
Abstract
In this study, it is aimed to model and predict of the academic performance of a student with the help of artificial
intelligence algorithms based on the data related to some demographic, social and environmental features in
order to evaluate the academic success of the students. Numerous machine learning algorithms are available
for classification through supervised learning from data sets. In this study, a model was developed for
predicting student performance by applying a deep learning algorithm on a dataset obtained from a secondary
school. When this model was compared with six important algorithms, it was seen that this model achieved a
stronger result. According to the obtained models, it was understood that quality of family relationships, going
out with friends and mother's education were the most influential variables.
Öz
Bu çalışmada, öğrencilerin akademik başarısının değerlendirilmesinde bir döneme ilişkin akademik
performansları; demografik, sosyal ve çevreyle ilgili diğer bazı özelliklerine ilişkin veriye dayanarak, yapay zeka
algoritmaları yardımıyla modellenmesi ve öngörülerin geliştirilmesi amaçlanmıştır. Veri kümelerinden
danışmanlı öğrenme yoluyla sınıflandırma işlemini gerçekleştirmek üzere çok sayıda makine öğrenmesi
algoritması mevcuttur. Bu çalışmada, bir ortaöğretim kurumundan elde edilen veri kümesi üzerinde derin
öğrenme algoritması uygulanarak öğrenci başarısının öngörülmesi üzerine bir model elde edilmiş ve önemli altı
algoritma ile performans karşılaştırılması yapılarak onlardan biraz daha güçlü bir sonuca ulaşıldığı görülmüştür.
Elde edilen modele göre ailesi ile ilişki seviyesi, arkadaşlarıyla dışarı çıkışları ve annesinin eğitim durumunun
en etkili değişkenler olduğu anlaşılmıştır.
1. GİRİŞ
Günümüzde sağlıktan ulaşıma, bankacılıktan sanayiye hemen hemen her alanda bilginin gücü farkedilmiş,
bilginin yapıtaşı veri bu alanların en önemli kaynaklarından biri haline gelmiştir. Verinin işlenerek bilgiye
dönüştürülmesi ile daha doğru stratejilerin geliştirilmesi ve daha az hata ile kararların alınması sağlanmaktadır.
Bu alanlardan birisi de eğitimdir. Gerek eğitim kurum ve kuruluşlarının akademik performanslarının
belirlenmesi, geleceğe yönelik planların yapılandırılması, gerek öğrencilerin başarı durumlarının öngörülmesi,
başarılarına etki eden faktörlerin veya mesleki eğilimlerinin belirlenmesi gibi konularda çeşitli kaynaklarda kayıt
altına alınan veriden yararlanılmaktadır. Öğrencilerin akademik performansı eğitim kurumları için kritik öneme
sahiptir çünkü stratejik programlar, öğrencilerin kurumdaki çalışma süreleri boyunca performanslarını
iyileştirmek veya sürdürmek için planlanabilir (Quadri ve Kalyankar, 2010).
*
Corresponding Author
136
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
Literatürde araştırmacıların eğitim alanında gerçekleştirdiği birçok bilimsel çalışma yer almaktadır. Minaei-
Bidgoli ve diğerlerinin (2003) çalışmasında web tabanlı eğitim sistemine giriş kayıtlarından öğrencilerin yıl sonu
başarı notlarının tahmin edilerek, riskli öğrencilerin daha erken bir dönemde belirlenebilmesine yönelik bir
model geliştirilmiştir. Baradwaj ve Pal (2011) da benzer olarak öğrenci verisinden yola çıkarak performansların
değerlendirilmesini, performanslar ile ilgili açıklayıcı bilgiler sunabilmesini ve öğretmenlerin danışmanlık
sürecine katkı sağlamayı amaçlamıştır. Al-Radaideh ve diğerleri (2006) ise, yükseköğretimde kaliteyi arttırmak
amacıyla öğrenci verisi analiz edilerek öğrencilerin performansını etkileyecek ana faktörlerin belirlemeye
çalışmıştır. Romero ve diğerleri (2007), moodle verilerini kullanarak bu verilerinin istatistik, görselleştirme,
sınıflandırma, kümeleme gibi yöntemler ile işlenerek alandaki çalışmalara ışık tutmayı amaçlamıştır. El-Halees
(2009), öğrencilerin öğrenme davranışlarını belirleyebilmek veri tabanı dersi alan öğrencilerin kişisel, akademik
ve aldıkları bu derse ait kayıtlardan oluşan bir veri seti kullanmıştır. Özen ve diğerleri (2014), web tabanlı
öğrenme yönetim sistemi verilerini analiz ederek kullanıcı davranışları ile ilgili sonuçlar elde etmeye, buna bağlı
olarak öğrenme yönetim sisteminin gelişimine katkı sağlamayı amaçlamışlardır. Koçoğlu ve diğerleri (2017),
farklı sektörlerde çalışanların eğitim alabildiği bir e-öğrenme platformu üzerinden gerçekleştirilen eğitimlere
ilişkin kayıt altına alınan veriyi incelemişler, e-öğrenme ortamı kullanılarak gerçekleşen öğenmenin başarı
sonuçlarını tahmin etmeyi ve ilgili örüntüleri ortaya çıkarmayı amaçlamışlardır.
Veri yığınını analiz ederek bilgiye ulaşabilmek adına çeşitli matematiksel ve istatistiksel yöntemler
geliştirilmiştir. Günümüzde veri madenciliği, makine öğrenmesi, yapay zeka algoritmaları yukarıda bahsi geçen
çalışmaların gerçekleştirilmesinde sıklıkla kullanılmaktadır. Yapay zeka algoritmaları içerisinde derin öğrenme
algoritmaları, özellikle diğer algoritmalar ile sorun yaşanan yüksek boyutlu verilerde karmaşık yapıları
keşfedebilmesi ve birçok alanda uygulabilmesi nedeniyle önem kazanmıştır (LeCun ve diğ., 2015). Derin
öğrenme, veriden daha yüksek seviyede çıkarım yapma ve daha iyi tahmin performansı elde edebilmek için
yapay sinir ağlarının geliştirilmiş halidir (Greenspan, 2016). Günümüzde saklanan veri miktarı ve boyutu sürekli
artmakta büyük veri kavramından bahsedilmektedir. Veri büyüdükçe derin öğrenme bu büyük veriden çıkarım
yapma konusunda önemli bir rol oynamaktadır (Chen ve Lin, 2014).
2. YÖNTEM
2.1 Derin öğrenme modeli
Çok katmanlı bir sinir ağı, sinirsel mimari oluşturan birbirine bağlı sinir zincirlerini içerir. Giriş ve çıkış
katmanlarıyla birlikte, birden fazla gizli katmandan da oluşur (Öztemel, 2016). Çok katmanlı sinir ağları “Derin
Sinir Ağları”; modelin eğitilmesi işlemi ise “Derin Öğrenme” olarak anılmaktadır. Şekil-1 üzerinde bir derin
öğrenme modeli yer almaktadır. Bu model 2 giriş elemanı, 2 gizli katman ve 2 çıkış elemanından oluşmaktadır.
Gizli katmanların sayısı ve herbir gizli katmanın kaç sinir hücresinden oluşacağı algoritmanın ilk adımında
belirlenir. Veri kümesinin karmaşık bir görünüm arzetmesi durumunda gizli katmanların sayısı artabilir.
Eğitim kümesindeki birinci örneğin ağa gösterilmesi ile süreç başlar. Herbir nöron arasındaki başlangıç
ağırlıkları ve “önyargı” değeri belirlenir. Girdi değerleri ile ağırlıklar çarpıldıktan sonra toplanarak net girdi değeri
hesaplanır. Net girdi değeri bir “aktivasyon fonksiyonundan” geçirilerek ilgili sinirin çıktısı hesaplanır. Tüm çıktı
değerleri hesaplandıktan sonra ileri hesaplama işlemi tamamlanmış olur.
137
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
Bir sinir hücresinin net girdi değeri, m adet giriş için (1) bağıntısı ile hesaplanır. Burada 𝑏 değeri herbir sinir
hücresi için rastlantısal olarak belirlenen bir ön yargı değerini ifade eder.
𝑚
(1)
𝑓(𝑥) = ∑ 𝑤𝑖 𝑥𝑖 + 𝑏
𝑖=0
Herbir sinir hücresine girişler (1) ile hesaplandıktan sonra çıkışlar hesaplanır. Bunun için şekil 2 de yer alan
aktivasyon fonksiyonlarından biri kullanılır.
Sigmoid fonksiyonu:
1
1 + 𝑒 −𝑓(𝑥)
138
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
Relu fonksiyonu:
𝑚𝑎𝑥(0, 𝑓(𝑥))
Geri yayılım algoritmasının amacı, ağın çıktıyı daha doğru tahmin etmeyi öğrenebilmesi için nöronlarla ilişkili
ağırlıkları optimize etmektir. Tahmini değer hesaplandıktan sonra, hatayı geri yayar ve her bir nöronla
ilişkilendirilmiş ağırlıkları yeniden hesaplar. Böylece, öngörülen değeri gerçek değere yakın hale getirmeye
çalışır. Geri yayılım algoritması, hata fonksiyonunu kullanarak ağ performansını optimize eder. Şekil-1
üzerinde görüldüğü gibi 𝑦𝑖 çıkış değerlerini gösterir. Çıkış değerlerinin tahminleri 𝑦̂ ile gösterilirse toplam hata
fonksiyonu (2) de belirtildiği biçimde ifade edilebilir.
𝑛
1 (2)
𝐸𝑡𝑜𝑝𝑙𝑎𝑚 = ∑(𝑦̂𝑖 − 𝑦𝑖 )2
2𝑛
𝑖=1
Geri yayılım sürecinde toplam hatayı azaltmak amaçlanır. Bunun için herbir ağırlıkta yapılacak değişikliğin
𝜕𝐸𝑡𝑜𝑝𝑙𝑎𝑚
toplam hata üzerindeki etkisini ölçmek üzere, k ağırlığı için kısmı türevleri hesaplanır.
𝜕𝑤𝑘
𝑛
𝜕𝐸𝑡𝑜𝑝𝑙𝑎𝑚 1 (3)
= ∑(𝑦̂𝑖 − 𝑦𝑖 ) 𝑥𝑖𝑘
𝜕𝑤𝑘 𝑛
𝑖=1
Delta kuralına göre elde edilen değerler göz önüne alınır, ağırlıklar ve öğrenme oranı kullanılarak yeniden
düzenlenir. 𝑤𝑘 yeni ağırlığı, 𝑤𝑘′ ise bir önceki ağırlık değerini göstermek üzere, ağırlıkların güncellenmesi (4)
bağıntısı yardımıyla gerçekleşir. Güncelleme miktarını düzenlemek üzere 𝜂 ile gösterilen öğrenme oranı
bağıntıya eklenebilir.
𝑛
1 (4)
𝑤𝑘 ← 𝑤𝑘′ − 𝜂 ∑(𝑦̂𝑖 − 𝑦𝑖 ) 𝑥𝑖𝑘
𝑛
𝑖=1
Öğrenme katsayısı ağırlıkların değişim miktarıyla ilgili bir katsayıdır. Eğer büyük değerler seçilirse yerel
çözümler arasında döngüye girilmesi söz konusu olabilir. Küçük değerlerin seçilmesi durumda öğrenme süresi
uzayabilir. Bir diğer parametre momentum katsayısı olarak isimlendirilmektedir. Momentum katsayısı, yerel
çözümlere takılması durumunda bir sıçramanın gerçekleştirilmesini ve böylece daha iyi sonuçlar bulunmasını
sağlar. Derin öğrenme modelleri oluştururken başlangıç değerlerinin oluşturulmasında farklı stratejiler
izlenebilir. Bunlardan en basiti, tüm ağırlıklara başlangıç olarak sıfır değerlerinin atanmasıdır. Ancak bu
uygulama derin ağlarda sorunlara neden olabilir. Bir diğer yöntem, Gauss tesadüf değişkelerini kullanmak
biçimindedir. Ancak bu alternatif de derin öğrenme ağlarında tercih edilmez. Xavier yöntemi ise ağırlıkların
belirli bir aralıkta tutulması esasına dayanır. Derin öğrenme ağlarında bu yöntem yaygın biçimde tercih edilir.
139
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
başarı puanlarını içermektedir. G1 birinci dönem, G2 ise ikinci dönem başarı notunu içermektedir. Söz konusu
veri kümesi Cortez ve Silva (2008) tarafından yapılan bir çalışmada kullanılmış, G1 ve G2 ve G3 özniteliklerinin
de yer aldığı çeşitli modeller denenerek performansı yüksek modeller elde edilmeye çalışılmıştır. G3 özniteliği
sayısal olduğundan, çalışmamızda kategorik biçime dönüştürülmüştür. Başarı puanı 0-9 olanlar “Başarısız”, 10-
20 olanlar “Başarılı” olarak etiketlendirilmiştir. Model performans geçerlemesi için veri kümesinin tesadüfi olarak
%90’i modellerin eğitimi, kalan %10 ise test amacıyla ayrılmıştır.
2.3 Uygulama
Eğitim verisiyle birlikte C5, Boosted C5, Regresyon Ağaçları, Destek Vektör makinesi, Lojistik Regresyon,
Rastgele Orman ve Derin Öğrenme algoritmaları kullanılmıştır. Modellerin kodlaması için R programlama
dilinden yararlanılmıştır (R Development Core Team, 2008). Performans değerlendirmek için doğruluk
ölçütünden yararlanılmıştır. C5 ve Boosted C5 modellerini elde etmek için R’nin C5 paketi (Kuhn ve Quinlan
2018); Regresyon Ağaçları algoritmasını uygulamak için rpart paketi (Therneau ve Atkinson 2018), Destek
Vektör Makinesi algoritması için e1071 paketi (Meyer ve ark. 2017); Lojistik Regresyon algoritması için R nin
yerleşik glm fonksiyonu; Rastgele Orman algoritması için randomForest paketi (Liaw ve Wiener 2002) ve Derin
Öğrenme algoritması için mxnet paketi (Chen ve arkd. 2017) kullanıldı.
Derin öğrenme modelinde girdi ve çıktı katmanları dışında üç adet gizli katmana yer verilmiştir. Birinci, ikinci ve
üçüncü katmanlarda 256 adet sinir hücresi yer almış, etkinleştirme fonksiyonu olarak “relu” kullanılmıştır. Son
katmanda ise 20 sinir hücresine yer verilmiştir. Derin öğrenme modelini elde etmek için eğitim veri kümesi ile
momentum 0.9, öğrenme oranı 0.005 parametreleri kullanılmıştır. Ağırlıkların başlangıç değerlerinin
belirlenmesinde Xavier parametresi seçilmiştir.
3. BULGULAR
Farklı algoritmalar ile oluşturulan sınıflandırma modellerinin test verisine uygulanması sonucunda
Tablo 2 üzerinde yer alan doğruluk değerleri elde edilmiştir. Derin öğrenme algoritması için uygulama
bölümünde belirtilen parametre değerleri ile 109 adımda 0.98 doğruluk oranına ulaşılmıştır. Elde edilen model
test verisine uygulandığında 0.87 doğruluk değerine ulaşılmıştır. Bu doğrultuda en uygun performans da derin
öğrenme algoritması ile elde edildiğini söyleyebiliriz.
Derin öğrenme modelini oluşturan özniteliklerin hangilerinin bu model üzerinde daha fazla etkiye sahip olduğu
belirlenerek
140
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
Tablo 3’de yer alan değerler elde edilmiştir. Buna göre önem derecesi en yüksek öznitelik “Ailesi ile olan ilişki
seviyesi” olmuştur. Bu sonuç aile içi ilişkilerdeki seviyenin öğrenci performansı üzerindeki etkisini
vurgulamaktadır.
141
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
4. TARTIŞMA VE SONUÇ
Bu çalışma, özellikle görüntü işleme, ses işleme ve metin işleme konusunda başarılı sonuçlar veren derin
öğrenme algoritmasının öğrenci performans çözümlemelerinde de başarılı biçimde kullanılabileceğini
göstermektedir. Derin öğrenme algoritması özellikle büyük veri kümeleri üzerinde daha başarılı olmaktadır.
Elde ettiğimiz derin öğrenme modelinin öznitelikler önem sırasına bakıldığında, bu modele göre öğrencinin
sırasıyla ailesi ile olan ilişki seviyesi, arkadaşlarıyla dışarı çıkışları ve annesinin eğitim durumunun öğrenci
başarısı üzerinde önemli derecede belirleyici olduğu anlaşılmaktadır.
5. REFERENCES
Al-Radaideh, Q. A., Al-Shawakfa, E. M., Al-Najjar, M. I. (2006). Mining student data using decision trees. Içinde
Proceedings International Arab Conference on Information Technology (ACIT'2006). Jordan:Yarmouk
University.
Baradwaj, B. K., Pal, S. (2011). Mining educational data to analyze students' performance. International Journal
of Advanced Computer Science and Applications, 2(6), 63-69.
Beck M., (2016). NeuralNetTools: Visualization and Analysis Tools for Neural Networks. R package version
1.5.0, URL: https://CRAN.R-project.org/package=NeuralNetTools [Ziyaret Tarihi: 31.05.2018].
142
7th International Conference on “Innovations in Learning for the Future”: Digital Transformation in
Education
Future-Learning 2018, September 11-14, İstanbul
Romero, C., Ventura, S., García, E. (2008). Data mining in course management systems: Moodle case study
and tutorial. Computers & Education, 51(1), 368-384.
Therneau, T., Atkinson, B., (2018). rpart: Recursive Partitioning and Regression Trees. R package version 4.1-
13. https://CRAN.R-project.org/package=rpart
UCI Machine Learning Repository, Student Performance data set.
https://archive.ics.uci.edu/ml/datasets/student+performance, [Ziyaret Tarihi: 31.05.2018]
Witten, I.H., Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques (2nd edition).
San Francisco:Morgan Kaufmann.
144
Editors
Future-Learning 2018 (FL2018), 7th International Conference on “Innovations in Learning for the Future”: Digital
Transformation in Education (Istanbul , TURKEY, Sep 11-14, 2018) proceedings / ed. by Sevinç Gülseçen, Çiğdem
Selçukcan Erol, Zerrin Ayvaz Reis,.Murat Gezer Istanbul University, 2018, İstanbul.
ISBN 978-605-07-0677-2
ii
PREFACE OF THE EDITORS
The 7th International Conference on Innovations in Learning for the Future: e-Learning (FL2018) organized by
Istanbul University (Department of Informatics and Computer Research and Application Center) was held at
Istanbul University Congress and Culture Center (Beyazıt-Istanbul, TURKEY) on September 11-14, 2018 with
partnership of Ministry of National Education of Turkey, Turkish Informatics Foundation (TBV), Informatics
Association of Turkey (TBD) and Turkey Community Service Foundation (TOVAK).
First of all, let we express our gratitude to the Rector of Istanbul University Prof. Mahmut AK for his patronage
and support in organizing such an important international event. In the same spirit, we also express our thanks
to Press and Public Relations Department of Istanbul University, Open and Distance Education Faculty
Administration, Hasan Ali Yücel Education Faculty Administration, Faculty of Economics Administration for
providing tools, instruments and necessary means for the completion of this conference in a most successful
way. Special thanks to the Head of Mechanical Engineering Department Prof. Rıza Güven, advisor Dr. Şule
Kapkın and students-members of Mechanical Engineering Club of Faculty of Engineering for their continuing
support and passion.
FL2018 with the main topic on Digital Transformation in Education provides a unique forum for the interchange
of ideas, advances, and applications among academicians, teachers, administrators, practitioners and
companies in the Information Technology, Teaching and Learning, and Digital Information Resources fields.
FL2018 addressed the following questions:
• What are the emerging learning technologies and the next realm of using VR and AR?
• How will these new technologies change the pedagogy and the design of curriculum?
• Will they change the skill sets of teachers and learners?
• How will we assess the intended outcomes of learners?
The FL2018 Program Committee has developed an exciting program that included the following events: 5
training programs and workshops, 4 invited talks, a total of 29 paper presentations in 7 paper sessions, 4 panel
discussions, 1 teacher workshop, 1 Session for Best National Practices in Education and a Competition on the
topic “Digital Education Assistant”. Online live broadcasting of the presentations presented in the main hall of
IU Congress and Culture Center for 3 days was made possible by Faculty of Open and Distance Education.
The most important part of the conference that took place on September 11-12, 2018 with free participation of
the teachers who are affiliated with the Ministry of Education consisted of the following training programs and
workshops:
• Teaching in Digital Era: Effective Use of Online Technologies in Learning Environments
• STEM
• Social Media Security in the Process of Being a Society 5.0
• Virtual Reality
• Educational Robotics Application
A special thanks goes to trainers and moderators Assoc.Prof. Müge Adnan (Muğla Sıtkı Koçman University,
Muğla), Assoc. Prof. Nilgün Tosun (Trakia University, Edirne), Dr. Irfan Şimşek and Dr. Burak Şişman (Istanbul
University – Cerrahpaşa, Istanbul).
We also received invaluable assistance from translators Tuğçe Aksoy and Hatice Irmaklı, during the invited
talks sessions our sincere thanks belong to them.
The panels on “Digital Transformation of Education from the Government and Business Point of View”, “Digital
Transformation of Education: World Examples”, “Schools of the Future” and “Education from the Business,
Teacher, Student and Administrator Point of View” topics was held with the full participation of panelists and
audience.
iii
The Competition on the topic “Digital Education Assistant” was held for the second time in the scope of Future
Learning conferences and applicants were granted an award in three different categories:
• Integration plan
• Computer game/ educational computer game
• Mobile learning
This book consists only of papers that have not previously been published. They have undergone a peer review
process and were selected based on rigorous standards. At the conference, they were presented by the
authors or co-authors and discussed in highly interactive sessions.
We would like to thank all members of the Program Committee for their effort in putting together such a
comprehensive program. Sincere thanks go to all authors, attendees, chairpersons, advisory and honorary
committees and conference secretariat for making this conference a good success. Last but not least, the
organizing committee members deserve a special applause and mention for their effort and time for organizing
the conference.
We acknowledge the sponsorship of Turkcell and Enocta as well as TÜBİTAK for their support in the realization
of the FL2018 conference.
Editors
iv
COMMITTIES
v
İnci Zaim Gökbay (İstanbul University, İstanbul, Pedro Isaias (Portuguese Open University, Lisbon,
Turkey) Portekiz)
İrfan Şimşek (İstanbul University, İstanbul, Petros Kostagiolas (Ionian University, Corfu,
Turkey) Greece)
İsmail Özmen (İstanbul University, İstanbul, Piet Kommers (University of Twente, Enschede,
Turkey) Netherlands)
Jan Guncaga (Catholic University, Ružomberok, Róbert Jager (Matej Bel University, Banská
Slovakia) Bystrica, Slovakia)
Janka Majherova (Catholic University, Robertas Damasevicius (Kaunas University of
Ružomberok, Slovakia) Technology, Kaunas, Lithuania)
Kamil Topal (Balıkesir University, Balıkesir, Seda Tolun (İstanbul University, İstanbul, Turkey)
Turkey) Selim Yazıcı (İstanbul University, İstanbul,
Kürşat Çağıltay (Middle East Technical University, Turkey)
Ankara, Turkey) Sevinç Gülseçen (İstanbul University, İstanbul,
Lina Yordanova (Trakia University, Stara Zagora, Turkey)
Bulgaria) Silvia Matusova (Catholic University, Ružomberok,
M. Emin Mutlu (Anadolu University, Eskişehir, Slovakia)
Turkey) Sushil K. Sharma (Ball State University, Muncie,
M. Erdal Balaban (Turkey Community Services IN, A.B.D.)
Foundation, İstanbul, Turkey) Ş. Alp Baray (İstanbul University, İstanbul,
Malgorzata Pankowska (Katowice University of Turkey)
Economics, Katowice, Poland) Şeref Sağıroğlu (Gazi University, Ankara, Turkey)
Mehmet Albayrak (Süleyman Demirel University, Tarkan Gürbüz (Middle East Technical University,
Isparta, Turkey) Ankara, Turkey)
Melih Engin (Uludağ University, Bursa, Turkey) Vaidotas Trinkünas (Vilnius Gediminas
Murat Gezer (İstanbul University, İstanbul, Technical University, Vilnius, Lithuania)
Turkey) Valentina Dagiene (Vilnius University, Vilnius,
Mustafa Aksu (İstanbul University, İstanbul, Lithuania)
Turkey) Viera Bednarova (Catholic University,
Mustafa Özhan Kalaç (Celal Bayar University, Ružomberok, Slovakia)
Manisa, Turkey) Yalçın Özkan (Internet Technologies Association,
Müge Adnan (Muğla University, Muğla, Turkey) İstanbul, Turkey)
Natalija Lepkova (Vilnius Gediminas Technical Zehra Altınay (Near East University, Lefkoşa,
University, Vilnius, Lithuania) KKTC)
Nebahat Akgün Çomak (Galatasaray University, Zerrin Ayvaz Reis (İstanbul University, İstanbul,
İstanbul, Turkey) Turkey)
Nergiz Çağıltay (Atılım University, Ankara, Zeynel Cebeci (Çukurova University, Adana,
Turkey) Turkey)
Nilgün Tosun (Trakya University, Edirne, Turkey) Zuhal Tanrıkulu (Boğaziçi University) , İstanbul,
Nurettin Şimşek (Ankara University, Ankara, Turkey
Turkey) Zümrüt Ecevit Satı (İstanbul University, İstanbul,
Orhan Torkul (Sakarya University, Sakarya, Turkey)
Turkey) *Members of scientific Committee are arranged in
alphabetical order.
vi
SUPPORTERS
Sponsors
Support from the following institutions is gratefully acknowledged:
FL2018 supported by TUBITAK (The Scientific & Technological Research Council of Turkey) 2223-B Support
Program for Scientific Activities with applied number of 1929B021800564.
vii
viii
TABLE OF CONTENTS