AKADEMİK BAŞARININ VERİ MADENCİLİĞİ YÖNTEMLERİYLE TAHMİN EDİLMESİ-Reference-Cited by-同舟云学术

AKADEMİK BAŞARININ VERİ MADENCİLİĞİ YÖNTEMLERİYLE TAHMİN EDİLMESİ

Published:2024-06-30 Issue:2 Volume:12 Page:443-454
ISSN:1308-6693
Container-title:Mühendislik Bilimleri ve Tasarım Dergisi
language:
Short-container-title:

Author:

Yağcı Mustafa¹^ORCID

Affiliation:

1. KIRŞEHİR AHİ EVRAN ÜNİVERSİTESİ, MÜHENDİSLİK-MİMARLIK FAKÜLTESİ

Abstract

Bu çalışmada, öğrencilerin bir önceki döneme ait dönem sonu not ortalamalarını veri madenciliği yöntemleri ile analiz ederek sonraki dönemlerde alabileceği dönem sonu not ortalamalarını giderek genişleyen 3 kategoride (Bölüm, Fakülte, Üniversite bazında) tahmin edecek yeni bir model önerilmiştir. Veri seti, Türkiye’de bir Devlet Üniversitesindeki tüm öğrenci kayıtlarının tutulduğu Öğrenci Bilgi Sisteminden (ÖBS) alınmıştır. Veriler, Sınıf öğretmenliği bölümünden 426, Eğitim fakültesinden 2.379 ve Üniversite genelinde eğitim gören 5.149 öğrencinin 2017-2018 Güz ve Bahar Yarıyılı dönem sonu not ortalamalarını içermektedir. Öğrencilerin dönem sonundaki genel not ortalamalarını tahmin etmek için veri madenciliği algoritmalarından rastgele orman, lineer regresyon, destek vektör makineleri ve k-en yakın komşular algoritmalarının başarımı hesaplanmış ve karşılaştırılmıştır. Uygulanan tüm algoritmalar örnekleri %92 ile %94 arasında değişen oranlarda doğru bir şekilde sınıflandırmıştır. Önerilen model, öğrencilerin dönem sonu not ortalamalarını tek bir değişken ile 4 üzerinden 0,28 puanlık ortalama sapma ile doğru tahmin etmiştir. Dönem sonu not ortalamalarının tahmin edilmesi sayesinde başarısız olma riski yüksek olan öğrenciler önceden belirlenebilir.

Publisher

Muhendislik Bilimleri ve Tasarim Dergisi

Reference47 articles.

1. Ahmad, Z., & Shahzadi, E. (2018). Prediction of students’ academic performance using artificial neural network. Bulletin of Education and Research, 40(3), 157–164.

2. Akçapınar, G., Altun, A., & Aşkar, P. (2019). Using learning analytics to develop early-warning system for at-risk students. International Journal of Educational Technology in Higher Education, 16. https://doi.org/10.1186/s41239-019-0172-z

3. Aydemir, B. (2017). Veri madenciliği yöntemleri kullanarak meslek yüksekokulu öğrencilerinin akademik başarı tahmini [Predicting academic success of vocational high school students using data mining methods] [Master’s Thesis]. Pamukkale University, Denizli, Turkey. http://hdl.handle.net/11499/2464

4. Baker, R. S. J. d., & Yacef, K. (2009). The state of educational data mining in 2009 : A review and future visions. Journal of Educational Data Mining, 1(1), 3-16. https://doi.org/10.5281/zenodo.3554657

5. Bernacki, M. L., Chavez, M. M., & Uesbeck, P. M. (2020). Predicting achievement and providing support before STEM majors begin to fail. Computers & Education, 158. https://doi.org/10.1016/j.compedu.2020.103999