Makine Öğrenmesi Yöntemleri İle Eğitim Başarısının Tahmini Modeli
Günümüzde makine öğrenmesi yöntemleri etkin bir biçimde kullanılarak pek çok alanda yüksek performanslar ve başarılı sonuçlar göstermiştir. Bu nedenle yöntemler, çeşitli sektörlerde son yıllarda daha da yaygınlaşmaya başlamıştır. Makine öğrenmesi modellerinden elde edilebilecek başarılarla birçok sorun öngörülüp çözüme ulaştırılabilir. Çalışmadaki amaç, ortaokul öğrencileri ile yapılan anketten toplanan veriler kullanılarak; eğitim başarı tahminini yapacak bir makine öğrenmesi modeli ortaya koymak ve öğrenciyi etkileyebilecek faktörlerinin önüne geçebilmektir. Anket soruları, öğrencinin başarısına tesir edebilecek etkenler araştırılarak oluşturulmuştur. Çalışma kapsamında, çeşitli ortaokullarda eğitim gören 519 farklı öğrenciden kişisel verilerin korunması kanunu kapsamında 13 sorudan oluşan anket aracılığıyla veri toplanmıştır. Bu veriler hiçbir kurumla paylaşılmamış olup, gizlilik korunmuştur. Veri seti incelenerek bazı manipülasyon, ön işleme, görselleştirme işlemlerinden geçirilmiş; K-En Yakın Komşu (K-NN) , Rastgele Ormanlar (RO) , Lineer Regresyon, Bagged Trees Regression (BTR - Torbalanmış Ağaçlar), Gradient Boosting Regressor (GBM - Gradyen Arttırıcı Regresyon) ve Karar Ağaçları (KA) algoritmaları kullanılmıştır. Çalışmada, veri manipülasyon işlemleri gerçekleştirildikten sonra model kurularak öğrencinin Türkçe notu üzerinden eğitim başarısının tahmini yapılmıştır. Çalışmada, ders seçiminin belirlenmesi, ana dilin Türkçe olması ve eğitim hayatından itibaren her dönem Türkçe dersi ile karşılaşılmasından dolayı Türkçe dersi bağımlı değişken olarak seçilmiştir. Çalışma neticesinde, rastgele orman yöntemi en başarılı yöntem olmuş; algoritmanın performansı 0.88 ve R-Kare değeri 0.98 olarak elde edilmiştir. Yeni girdilerle test edilen model Türkçe notu üretmiştir. Öğrencinin eğitim durumunu etkileyen en önemli faktörler Türkçe notuna bağlı olarak aralarındaki korelasyon ile aile geliri ve ders çalışma saati olarak belirlenmiştir. Etkenler seçilirken model çeşitli senaryolarla defalarca test edilmiştir ve korelasyon ilişkileri hesaplanmıştır.
___
- [1] Çelenk, Süleyman. 2003. «Okul Başarısının Ön Koşulu: Okul Aile Dayanışması », Çelenk, S. İlköğretim-Online 2 (2), 2003 sf. 28-34
- [2] Çelenk, Süleyman. 2003. «Okul Başarısının Ön Koşulu: Okul Aile Dayanışması », Çelenk, S. İlköğretim-Online 2 (2), 2003 sf. 28-34
- [3] Yavuz, Erol. «Konutlarda Enerji Tüketimi Kestirimi İçin Derin Öğrenme Ve Makine Öğrenme Yöntemlerinin Karşılaştırılması», 2020,İstanbul,Yüksek Lisans Tezi
- [4] Gök, Murat. 2017. «Makine Öğrenmesi Yöntemleri İle Akademik Başarının Tahmin Edilmesi. »,Yalova Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, 77100, YALOVA
- [5] Akşehir, Zinnet Duygu ve Kılıç, Erdal. 2019 «Makine Öğrenmesi Teknikleri ile Banka Hisse Senetlerinin Fiyat Tahmini », Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi (2019 Cilt:12- Sayı:2)
- [6] Onur Sevli ve Ali Tezcan Sarızeybek. 2019. « Makine Öğrenmesi Yöntemleri İle Banka Müşterilerinin Kredi Alma Eğiliminin Araştırma Analizi. » , Zeki Sistemler Teori ve Uygulamaları Dergisi 5(2) 2022 137-144
- [7] Yağcı, Mustafa. 2022. «Eğitsel Veri Madenciliği: Makine Öğrenimi Algoritmalarını Kullanarak Öğrencilerin Akademik Performansının Tahmini », Smart Learning Environments 9:11 2022, Kırşehir
- [8] Cruz-Jesus, F., Castelli M., Oliveira, T., Mendes, R., Nunes, C., Sa-Velho, M.,&Rosa-Louro, A. 2020 « Using artifcial intelligence methods to assess academic achievement in public high schools of a European Union country.» Heliyon.
- [9] Fernandes, E., Holanda, M., Victorino, M., Borges, V., Carvalho, R., & Van Erven, G. (2019).
« Educational data mining : Predictive analysis of academic performance of public school students in the capital of Brazil .»Journal of Business Research, 335–343
- [10] Xu, X., Wang, J., Peng, H., & Wu, R. (2019).« Prediction of academic performance associated with internet usage behaviors using machine learning algorithms.» 166–173.
- [11] Hofait, A., & Schyns, M. (2017).« Early detection of university students with potential difculties.» Decision Support System 1–11
- [12] Chui, K.; Fung, D.; Lytras, M.; Lam, T. 2020, «Predicting at-risk university students in a virtual learning environment via a machine learning algorithm»,107
- [13] Nieto, Y.; García-Díaz, V.; Montenegro, C.; Crespo, R.G. 2019,« Supporting academic decision making at higher educational institutions using machine learning-based algorithms»,4145–4153
- [14] Ahmad, Z., & Shahzadi, E. (2018) «Prediction of students’ academic performance using artifcial neural network», Bulletin of Education and Research,40(3)
- [15] Dam, Hasan . 2008. « Öğrencinin Okul Başarısında Aile Faktörü»,Hitit Üniversitesi İlahiyat Fakültesi Dergisi, 2008/2, c. 7, sayı: 14, ss. 75-99.
[16] Aslanargun, Engin, Bozkurt, Sinan, Sarıoğlu, Selma. 2016 «Sosyo Ekonomik Değişkenlerin Öğrencilerin Akademik Başarısı Üzerine Etkileri»,Uşak Üniversitesi Sosyal Bilimler Dergisi 9/3
- [17] Nilsson ,Nils J. 1998. « Introduction To Machine Learning », Stanford University
- [18] Chollet, François. 2019. « Deep Learning With Python. », Buzdağı Yayınevi, p.5
- [19] Ayık Ziya, Özdemir Abdulkadir, Yavuz Uğur. 2007. « Lise Türü Ve Lise Mezuniyet Başarısının, Kazanılan Fakülte İle İlişkisinin Veri Madenciliği Tekniği İle Analizi», Atatürk Üniversitesi Sosyal Bilimler Enstitsü Dergisi. 10(2): 441-454
- [20] Ulgen,Kaan .2017, « Makine Öğrenimi Bölüm-2(K-NN)», https://l24.im/1kg4
- [21] Breiman,Leo. 2001. « Random Forest», University Of California Berkeley,CA 94720, p.2 [22] Grubbs, 1969. « Procedures for Detecting Outlying Observations in Samples. Technometrics»