Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması

Bu araştırmada, araştırmacı tarafından geliştirilen "Üniversite Öğrencilerinin Akademik Başarılarını Etkileyen Değişkenler Anketi" kullanılarak elde edilen bilgilerle farklı fakültelere ve programlara yeni kayıt yaptıran öğrencilerin gelecekteki başarılarının tahmin edilmesine olanak sağlayacak sınıflandırma modellerinin elde edilmesinde lojistik regresyon analizi ve yapay sinir ağları yöntemlerinin performanslarının karşılaştırılması amaçlanmıştır. Araştırmada öğrencilerin genel akademik başarı not ortalaması bağımlı değişken olarak alınmıştır. Sürekli bir değişken olan genel akademik başarı not ortalamaları iki kategorili bir süreksiz değişken haline getirilmiştir. İlişkisel tarama modelinde olan araştırmanın çalışma grubunu 2011-2012 Eğitim-Öğretim Yılı Bahar Dönemi'nde Ankara Üniversitesi Eğitim Bilimleri Fakültesi ile Dil ve Tarih-Coğrafya Fakültesi'nin bazı programlarında lisans öğrenimi gören toplam 419 üçüncü sınıf öğrencisi oluşturmaktadır. Araştırma sonucunda yapay sinir ağlarının lojistik regresyon analizine göre daha yüksek doğru sınıflandırma olasılığı sunduğu belirlenmiştir

The Usage of Artifical Neural Network and Logistic Regresssion Methods in the Classification of Student Achievement in Higher Education

In this study, according to the results of the survey conducted by the researcher entitled "Variables Which Affect the Success of University Students” artificial neural networks and logistic regression methods’ performances were compared to indicate the estimated future success of the students who are registered to different faculties and programs. The overall academic grades of the students are taken as the dependent variable. The general academic achievement grade average is a permanent variable, it turns out to be a discontinuous variable. The group which was studied with the research which is a relationally browsing model consists of 419 students who were at their 3rd year in the 2011-2012 education and teaching year. This group were students of Ankara University in the departments of educational sciences and Language and History-Geography. According to this study, neural network analysis has a higher right classification probability when compared to logistic regression analysis

PDF

___

Ahmann, J. S., & Glock M. D., (1967). Evaluating Pupil Growth: Principles of Tests and Measurement. (3. Baskı). Boston: Allyn and Bacon Inc.
Aktaş, C., & Erkuş, O. (2009). “Lojistik Regresyon Analizi ile Eskişehir’in Sis Kestiriminin İncelenmesi”. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 8 (16), 23-46.
Aydın, B., (2002). Basit ve Geri Yayılımlı Yapay Sinir Ağları, Uygulama Alanları. Yayınlanmamış Yüksek Lisans Tezi, Çanakkale Onsekiz Mart Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Çanakkale.
Carter, V., & Good, E. (1973). Dictionary of Education. (4. Baskı). New York: McGraw Hill Book Company.
Çokluk, Ö., Şekercioğlu, G., & Büyüköztürk Ş., (2010). Sosyal Bilimler İçin Çok Değişkenli İstatistik. Ankara: Pegem Akademi.
Demirtaş H., & Güneş, H. (2002). Eğitim Yönetimi ve Denetimi Sözlüğü. Ankara: Anı Yayıncılık.
Gorr, W. L., Nagin, D., & Szczypula, J. (1994). “Comparative study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages”. Interntional Journal of Forecasting, (10), 17-34.
Gülleroğlu,D.(2005).Üniversite Öğrencilerinin Akademik BaşarılarınınYordanmasına İlişkin Karşılaştırmalı Bir Araştırma. Yayınlanmamış Doktora Tezi. Ankara Üniversitesi Eğitim Bilimleri Enstitüsü, Ankara.
Güneri, N., & Apaydın, A. (2004). “Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı”. Ticaret ve Turizm Eğitim Fakültesi Dergisi, (1), 170-188.
Gürsoy, T. Ş. (2009). Veri Madenciliği ve Bilgi Keşfi. (1. Basım). Ankara: Pegem A Yayıncılık.
Ibrahim, Z., & Rusli, D. (2007). “Predicting Students’ Academic Performance: Comparıng Artificial Neural Network, Decision Tree and Linear Regression”. 21st Annual SAS Malaysia Forum, ShangriLa Hotel, Kuala Lumpur, September, 5.
Kamber, J. H., & Morgan, M. (2000). Data Mining Concept and Techniques. San Francisco, USA: Kaufmann Publishers.
Marzano, R. J., Pickering D. J., & Pollock J. E. (2008). Öğrenci Başarısını Artıran Öğretim Stratejileri. Çev. Sakacı, S. İstanbul: Sev Yayınevi.
Oladokun, V. O., Adebanjo, A. T., & Charles-Owaba, O. E. (2008). “Predicting Students’ Academic Performance using Artificial Neural Network: A Case Study of an Engineering Course”. The Pacific Journal of Science and Technology, 9 (1), 72-79.
Özgüven, İ. E. (1974). "Üniversite Öğrencilerinin Akademik Başarılarını Etkileyen Zihinsel Olmayan faktörler".Hacettepe Üniversitesi Eğitim Fakültesi Dergisi. Ankara: Hacettepe Üniversitesi Basımevi.
Özoğlu, S. Ç., & Koç, N. (1995). “Çağdaş Üniversitede Öğrencinin Başarısının Ölçülmesi ve Değerlendirilmesi”. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Yayınları, Ankara.
Öztemel, E. (2003). Yapay Sinir Ağları. (1. Basım). İstanbul: Papatya Yayıncılık.
Saracaloğlu, A. S., Yenice, N. (2009). Sınıf Öğretmeni Adaylarının Öğrenme Stilleri ile Fen Başarıları Arasındaki İlişki. Yüzüncü Yıl Üniversitesi, Eğitim Bilimleri Fakültesi Dergisi, 6 (1), 162-173.
Subbanarasimha, P. N., Arinzeb, B., & Anandarajanb, M. (2000). “The Predictive Accuracy of Artificial Neural Networks and Multiple Regression in the Case of Skewed Data”. Exploration of Some Issues. Expert Systems with Applications, 19, 117-123.
Tosun, S. (2007). Sınıflandırmada Yapay Sinir Ağları ve Karar Ağaçları Karşılaştırması: Öğrenci Başarıları Üzerine Bir Uygulama. Yayınlanmamış Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.