Ders Geçme Notlarının Veri Madenciliği Yöntemleriyle Tahmin Edilmesi

Teknolojinin gelişimi ile veritabanlarının boyutları doğru orantılı olarak ilerlemektedir. Bu kadar çok verinin tutulması sonucu çeşitlianalizler ile bu veriler arasındaki gizli bağlantıların araştırılması kaçınılmaz olmuştur. Buradaki çalışmada öğrencilerin Yabancı Dil-IIdersindeki geçme notları veri madenciliği yöntemleriyle tahmin edilmiştir. Araştırmada Türkiye’deki bir üniversitede Yabancı Dil-IIdersini alan 3794 öğrenci verileri kullanılmıştır. Çalışmada 12’si girdi ve biri çıktı olmak üzere toplam 13 adet değişkenin yer aldığıYapay Sinir Ağları, M5P, DecisionStump, M5Rules, DecisionTable, Bagging yöntemleri ile geliştirilen tahmin modelleri oluşturulmuşve birbirleriyle karşılaştırılmıştır. Verilerin eğitim ve test olarak ayrıştırılmasında 10-katlı çapraz doğrulama yöntemi kullanılmıştır.Modellerde öğrencinin ders geçme notunu etkileyecek öğrenim tipi, fakülte, bölüm, program, program tipi, öğretim elemanı ve unvanı,öğrenci programa giriş türü, giriş puanı ve giriş sıralaması ile bir önceki dönemin not ortalaması dikkate alınmıştır. Modeller arasındaBagging yöntemi ile kurulan modelin en iyi sonuç olan 1.22 ortalama mutlak hata ve 0.80 korelasyon katsayısı ile tahminler ürettiğigörülmüştür. Çalışma sonucunda öğrencilerin ders geçme notunu önceden öğrenip önlemler alacağı düşünülmektedir.

Forecasting of The Course Learning Notes by Data Mining Methods

With the development of technology, the dimensions of the databases are progressively proportional. It is inevitable to investigate the secret links between these analyzes with various analyzes. In this study, the passing grades of the students in Foreign Language-II course were estimated by data mining methods. In the study at a university in Turkey Foreign Language-II 3794 students taking the course data are used. In this study, the estimation models developed by Artificial Neural Networks, M5P, DecisionStump, M5Rules, DecisionTable and Bagging methods were formed and compared with each other. 10-fold cross-validation method was used for training and testing. In the models, the type of the course, faculty, department, program, program type, teaching staff and title, the type of entry to the program, entry point and entry rank and the average grade of the previous semester were taken into consideration. Among the models, it was seen that the model established with Bagging method produced the best results with 1.21 mean absolute error and 0.81 correlation coefficient. As a result of the study, it is thought that the students will learn the course grade and take precautions in advance.

PDF

___

Akçapınar, G., Altun, A. & Aşkar, P. (2015). Modeling Students’ Academic Performance Based on Their Interactions in an Online Learning Environment, İlköğretim Online, 14(3), 815-824.
Akpınar, H. (2000). Veri tabanlarında bilgi keşfi ve veri madenciliği, İ.Ü. İşletme Fakültesi Dergisi, 29 (1), 1-22.
Alan, M. A. (2012). Veri Madenciliği ve Lisansüstü Öğrenci Verileri Üzerine Bir Uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 33(1), 165-174.
Altınışık, U. (2006). Öğrenci bilgi sisteminde veri madenciliğinin uygulanması, Kocaeli Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
Aydemir, B. (2017). Veri Madenciliği Yöntemleri Kullanarak Meslek Yüksekokulu Öğrencilerinin Akademik Başarı Tahmini, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü.
Aydemir, E. (2018). Weka ile Yapay Zekâ, Seçkin Yayınevi, Ankara.
Aydoğan, İ. & Zırhlıoğlu, G. (2018). Öğrenci Başarılarının Yapay Sinir Ağları ile Kestirilmesi, Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 15(1), 577-610.
Baykal, A. (2006). Veri Madenciliği Uygulama Alanları, DÜ Ziya Gökalp Eğitim Fakültesi Dergisi, 7 (1), 95-107.
Beitel, S. E. (2005). Applying Artificial Intelligence Data Mining Tools to the Challenges of Program Evaluation, Ph. D. The Sis, University of Connecticut, Connecticut.
Can, Ş., Özdil, T. & Yılmaz, C. (2018). Üniversite Öğrencilerinin Ders Başarısını Etkileyen Faktörlerin Lojistik Regresyon Analizi İle Tahminlenmesi. International Review of Economics and Management, 6 (1), 28-49.
Demir, M. (2015). Predicting Pre-Service Classroom Teachers' Civil Servant Recruitment Examination's Educational Sciences Test Scores Using Artificial Neural Networks. Educational Sciences: Theory and Practice, 15(5), 1169-1177.
Doğan, A. (2002). Yapay Zekâ. İstanbul: Kariyer Yayıncılık.
Erdoğan, Ş. Z. (2004). Veri Madenciliği ve Veri Madenciliğinde Kullanılan K-Means Algortimasının Öğrenci Veri Tabanında Uygulanması, İstanbul Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
Han, J. & Kamber, M. (2006). Data Mining: Concepts and techniques (Second edition), San Francisco: Morgan Kaufman
İnan, O. (2003). Öğrenci İşleri Veri Tabanı Üzerinde Veri Madenciliği Uygulamaları, Konya Selçuk Üniversitesi, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü.
Karip, E. (2012). Ölçme ve Değerlendirme. Ankara: Pegem Akademi Yayıncılık.
Kılınç, Ç. (2015). Üniversite Öğrenci Başarısı Üzerine Etki Eden Faktörlerin Veri Madenciliği Yöntemleri İle İncelenmesi, Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü.
Luan, J. (2002). Data Mining and Knowledge Management in Higher Education-Potential Applications. 42nd Associate of Institutional Research International Conference, Toronto, Canada.
Oğuzlar, A. (2004). Veri Madenciliğinde Birliktelik Kuralları, Öneri, 6 (22), 315-321.
Sembiring, S., Zarlis, M., Hartama, D., Ramliana, S. & Wani, E. (2011). Prediction of student academic performance by an application of data mining techniques. In International Conference on Management and Artificial Intelligence IPEDR, 6 (1), 110-114.
Shovon, M. H. I. & Haque, M. (2012). Prediction of student academic performance by an application of k-means clustering algorithm. International Journal of Advanced Research in Computer Science and Software Engineering, 2(7), 353-355.
Siemens, G. & D Baker, R.S.J. (2012). Learning Analytics and Educational Data Mining: Towards Communication and Collaboration. 2nd international conference on learning analytics and knowledge, Vancouver, Canada.
Şengür, D. & Tekin, A. (2013). Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini. Bilişim Teknolojileri Dergisi, 6(3), 7-16.
Turgut, M.F. & Baykul, Y. (2013). Eğitimde Ölçme ve Değerlendirme. Ankara: Pegem Akademi.
Yurtoğlu, H. (2005). Yapay Sinir Ağları Modellemesi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler için Türkiye Örneği, Uzmanlık Tezi, DPT, Ankara.