ÖĞRENCİ BİLGİ SİSTEMİNDE DEĞERLENDİRMENİN VERİ MADENCİLİĞİ İLE YAPILMASI

Eğitim alanında veri madenciliği ile ilgili literatürde genellikle öğrenci başarısını artırmaya yönelik çalışmalar bulunmaktadır. Akademisyenler ise öğrenci başarısı üzerinde en etkili kişilerdir. Veri madenciliği uygulamaları sayesinde akademisyenlerin eğitim içerisindeki çalışmalarının verimliliği artması öğrenci başarısını da artıracaktır. Özellikle bağıl değerlendirmeyi kullanan üniversitelerde yüzlük sistemdeki başarı notunun harf notuna dönüştürme sürecinde istatistiki hesaplamaların yanı sıra veri madenciliği uygulamaları da kullanılabilir. Bu amaçla bu çalışmada akademisyenlerin geçmiş dönemlerde, sınıf ortalaması ve öğrencilerin notlarının yoğunlaştığı noktalar, vb. gibi kriterler göz önünde bulundurularak yapılan not aralıklandırma profillerinden en yakın olanı seçilerek hem daha önce yapılan çalışmadan yararlanma imkanı hem de aynı durumdaki sınıflar için benzer bir başarı notu hesaplaması yapılması amaçlanmaktadır.

___

  • Alan, M. A. (2014). Karar ağaçlarıyla öğrenci verilerinin vınıflandırılması. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 28(4): 101-112.
  • ALMazroui, Y. A. (2013). A survey of data mining in the context of e-learning. International Journal of Information Technology & Computer Science ( IJITCS ), 7(3): 8-10.
  • Atatürk Üniversitesi. (2009, 23 07). "Yönetmelikler", http://www.atauni.edu.tr/yuklemeler/fd57c2771bd915b9e3dc0266d53a016d.doc (21.08. 2016).
  • Aydın, S. ve Özkul, E. (2015). Veri madenciliği ve Anadolu Üniversitesi Açiköğretim Sistemi'nde biruygulama. Eğitim ve Öğretim Araştırmaları Dergisi, 4(3): 36-44.
  • Barahate, S. R. (2012). Educational data mining as a trend of data mining in educational system. International Conference & Workshop on Recent Trends in Technology (TCET), 24-25 Şubat 2012, Mumbai, Hindistan.
  • Bhullar, M. S. ve Kaur, A. (2012). Use of data mining in education sector. World Congress on Engineering and Computer Science, 24-26 Ekim 2012, San Francisco, ABD.
  • Coşkun, C. ve Baykal, A. (2011). Veri madenciliğinde sınıflandırma slgoritmalarının bir örnek üzerinde karşılaştırılması. Akademik Bilişim Konferansı, 2-4 Şubat 2011, Malatya, Türkiye.
  • Farabi, A. (2011). Ön lisans ve lisans ölçme ve değerlendirme kılavuzu. İstanbul: İstanbul Üniversitesi.
  • Gülen, Ö. Ç. (2014). Veri madenciliği teknikleri ile üstün yetenekli öğrencilerin ilgi alanlarının analizi. Yayımlanmış Doktora Tezi. Gazi Üniversitesi, Bilişim Enstitüsü, Ankara.
  • Güler, N., Yiğit, M. ve Halim, Ö. (2013). Üniversitelerde farklı not sistemleri ve bazı normallik uyum testleri. International Journal of Human Sciences, 10(2): 555-566.
  • Kumar, P., Sehgal, N. K., Sehgal, V. K. ve Chauhan, D. S. (2012). A benchmark to select data mining based classification algorithms for business intelligence and decision support systems. International Journal of Data Mining & Knowledge Management Process (IJDKP), 2(5): 26-42.
  • Kurt, Ç. ve Erdem, O. A. (2012). Öğrenci başarısını etkileyen faktörlerin veri madenciliği yöntemleriyle incelenmesi. Politeknik Dergisi, 15(2): 111-116.
  • Özbay, Ö. (2015). Veri madenciliği kavrami ve eğitimde veri Madenciliği uygulamalari. Uluslararası Eğitim Bilimlei Dergisi, 4(3): 262-272.
  • Özkan, Y. (2013). Veri madenciliği yöntemleri. İstanbul: Papatya Yayıncılık Eğitim.
  • Purohit, N., Purohit, S. ve Purohit, R. K. (2012). Data mining, applications and knowledge discovery. International Journal of Advanced Computer Research, 2(4): 458-462.
  • Savaş, H. (2007). Etkinlik ve verimlilik perspektifinden bilgi teknolojilerine dayalı not dönüştürme. Ankara: Detay Yayıncılık.
  • Savaş, S., Topaloğlu, N. ve Yılmaz, M. (2012). Veri madenciliği ve Türkiye'deki uygulama örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21: 1-23.
  • Şengür, D. ve Tekin, A. (2013). Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini. Bilişim Teknolojileri Dergisi, 6(3): 7-16.
  • Sharma, R. ve Singh, H. (2013). Data mining in education sector. International Journal of Electronics & Data Communication, 2(1): 4-8.
  • Silahtaroğlu, G. (2013). Veri madenciliği kavram ve algoritmalar. Ankara: Papatya Yayınları.
  • Taşdemir, M. (2012). Öğrenci başarısına etki eden faktörlerin regresyon analizi ile tespiti. Yüksek Lisans Tezi. Dicle Üniversitesi, Sosyal Bilimler Enstitüsü, Diyarbakır.
Yönetim Bilişim Sistemleri Dergisi-Cover
  • ISSN: 2630-550X
  • Başlangıç: 2015
  • Yayıncı: Vahap TECİM
Sayıdaki Diğer Makaleler

AN INVESTIGATION FOR DEVELOPING LOCATION SENSITIVE MOBILE CITY APPLICATION INTERFACE: A CASE FROM ERZURUM

Ersin KARAMAN, Gizem Dilan BOZTAŞ, Rabia BAY

EXPLORING THE FACTORS AFFECTING PURCHASE INTENTION IN MUSIC INDUSTRY

Mustafa AĞAOĞLU, Emine Serra YURTKORU, Yusuf ŞAHİN

ÜNİVERSİTE ÇALIŞANLARININ ELEKTRONİK BELGE YÖNETİM SİSTEMİNİ KULLANMA NİYETLERİNİN TEKNOLOJİ KABUL MODELİ İLE İNCELENMESİ

Abdullah EREN, Muhammed Dursun KAYA, Muhammed Dursun KAYA

HOW DOES STUDENTS’ LEARNING (ACHIEVEMENT) RELATE TO THEIR LEVEL OF WE-INTENTION AND THEIR LEARNING METHODS ON FACEBOOK?

Ali AKKAYA, Tuğrul Cabir HAKYEMEZ, Ekrem KUTBAY, Birgül KUTLU BAYRAKTAR

PCAP PAKETLER İLE RESTFULL API’Yİ GERÇEK ZAMANLI DİNLEM

Eda Sena KARAAĞAÇLI, Ahmet Anıl MÜNGEN, Hakan ERDÖL

BULUT DEPOLAMA KULLANIMININ LOJİSTİK REGRESYON YARDIMIYLA ANALİZİ: YÜZÜNCÜ YIL ÜNİVERSİTESİ LİSANS ÖĞRENCİLERİ ÖRNEĞİ

Ahmet Kamil KABAKUŞ, Abdulkadir ÖZDEMİR, Serhat Ömer RENÇBER

UZAKTAN EĞİTİM HİZMET KALİTE ÖLÇEĞİ (UE-SERVQUAL) GELİŞTİRME: GEÇERLİK VE GÜVENİRLİK ÇALIŞMASI

Başak GÖK, Hadi GÖKÇEN

COMPARISON OF SAMPLING TECHNIQUES FOR IMBALANCED LEARNING

Ahmet Onur DURAHİM

ADLİ BİLİŞİMDE SİLİNMİŞ DOSYALARIN KURTARILMASI ÜZERİNE KARŞILAŞTIRMALI YÖNTEMLER

YUSUF GÜLLÜCE, Recep BENZER, Hüseyin ÇAKIR

INTEGRATING INTERNET OF THINGS (IoT) INTO ENTERPRISES: SOCIO-TECHNICAL ISSUES AND GUIDELINES

Halil CİCİBAŞ, Kadir Alpaslan DEMİR