Yükseköğretimde akademik riskli öğrencilerin farklı makine öğrenmesi yöntemleriyle incelenmesi
Examining students at academic risk in higher education using different machine learning methods
- Tez No: 1001485
- Danışmanlar: PROF. DR. CELAL DEHA DOĞAN
- Tez Türü: Doktora
- Konular: Eğitim ve Öğretim, Education and Training
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Eğitim Bilimleri Enstitüsü
- Ana Bilim Dalı: Eğitim Bilimleri Ana Bilim Dalı
- Bilim Dalı: Eğitimde Ölçme ve Değerlendirme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akademik başarısızlık, yükseköğretim kurumlarında kaynak verimsizliğine yol açmakta ve kurumsal performansı olumsuz etkilemektedir. Akademik risk, öğrencinin belirlenen akademik standartları karşılayamaması veya öngörülen sürede mezun olamaması durumunu ifade etmekte olup birçok karmaşık faktörden etkilenmektedir. Geleneksel istatistiksel yöntemler bu ilişkileri tespit etmekte yetersiz kalmaktadır. Bu doğrultuda araştırmanın amacı, klasik makine öğrenmesi ve derin öğrenme modellerinin akademik risk tahmin performanslarını karşılaştırmak, en iyi modelin eğitsel karar alma süreçlerine katkısını belirlemek ve akademik riski etkileyen faktörleri incelemektir. Bir devlet üniversitesinde 2024 akademik yılında öğrenim gören Eğitim, Mühendislik, Güzel Sanatlar, İktisadi ve İdari Bilimler ile Fen-Edebiyat fakültelerine ait 5284 öğrencinin verileri, 10 klasik makine öğrenmesi ve 2 derin öğrenme modeli ile analiz edilmiştir. Model eğitimlerinde iç içe geçmiş çapraz geçerlik yöntemi kullanılarak yöntemsel güvenirlik sağlanmıştır. Bulgulara göre AUC, Doğruluk, Dengeli Doğruluk ve F1 Skoru metriklerinde XGBoost en iyi performansı göstermiştir. Cohen's Kappa, MCC, Brier Skoru, Bootstrap Güven Aralıkları ve Kalibrasyon Eğrileri açısından da XGBoost en kararlı model olarak belirlenmiştir. Karar Eğrisi Analizi, XGBoost'un %20 eşik değerinde Lojistik Regresyon'a kıyasla yaklaşık %21 kaynak tasarrufu sağladığını göstermiştir. Birinci sınıfta başarısız olunan ders (FF) sayısı akademik riskin en güçlü belirleyicisi olarak tespit edilirken, en yüksek başarıyla (AA) tamamlanan ders sayısı tüm fakültelerde güçlü bir koruyucu etki sergilemiştir. Üniversite giriş puanının etkisi fakültelere göre farklılaşmış; Eğitim ve Güzel Sanatlar fakültelerinde sınırlı kalırken diğer fakültelerde belirgin bir koruyucu etki gözlemlenmiştir. Yurtta kalan öğrencilerin akademik riskleri tüm fakültelerde daha düşük bulunmuştur. Üniversitelerin birinci sınıf performans göstergelerine dayalı erken uyarı sistemleri geliştirmeleri ve müdahale programlarını fakülte bazlı farklılıkları dikkate alarak tasarlamaları önerilmiştir.
Özet (Çeviri)
Academic failure leads to resource inefficiency and negatively affects institutional performance in higher education. Academic risk refers to a student's inability to meet academic standards or graduate within the expected timeframe, and is influenced by complex factors that traditional statistical methods are insufficient to detect. Accordingly, this study aims to compare classical machine learning and deep learning models in predicting academic risk, determine the best model's contribution to educational decision-making, and examine factors affecting academic risk. Data from 5,284 students across the Faculties of Education, Engineering, Fine Arts, Economics and Administrative Sciences, and Arts and Sciences at a state university in 2024 were analyzed using 10 classical machine learning and 2 deep learning models. Nested cross-validation was employed to ensure methodological reliability. Results indicated that XGBoost achieved the best performance in AUC, Accuracy, Balanced Accuracy, and F1 Score, and was the most stable model regarding Cohen's Kappa, MCC, Brier Score, Bootstrap Confidence Intervals, and Calibration Curves. Decision Curve Analysis revealed approximately 21% resource savings compared to Logistic Regression at the 20% threshold. The number of failed courses (FF) in the first year was the strongest predictor of academic risk, while courses completed with the highest grade (AA) showed a strong protective effect across all faculties. University entrance score effects varied by faculty, remaining limited in Education and Fine Arts while notable in others. Dormitory residents had lower academic risk across all faculties. Universities are recommended to develop early warning systems based on first-year performance indicators and design faculty-specific intervention programs.
Benzer Tezler
- Identifying at-risk students in higher education: A data-driven approach using machine learning
Yükseköğretimde risk altındaki öğrencilerin belirlenmesi: Makine öğrenmesi kullanılarak veri odaklı bir yaklaşım
ASLIHAN BAL
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİzmir Ekonomi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERMET ANAGÜN
- Yükseköğretim planlama ve karar destek sistemi: Teknoloji fakültesi örneği
Higher education planning and decision support system: A case of technology faculty
ESRA YILMAZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
PROF. DR. HASAN ERDAL
- Öz düzenlemeli öğrenme süreçlerinde yapay zekâ teknolojileri konulu araştırmaların incelenmesi
Examination of studies on artificial intelligence technologies in self-regulated learning
ALPEREN FATİH SAY
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. GÜLGÜN ALPAN
- Açıköğretim öğrencilerinin okul terkine etki eden faktörlerin veri madenciliği ile keşfi
Predicting the factors affecting school dropout in open and distance education students by using data mining
SELMA TOSUN
Doktora
Türkçe
2024
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. DİLARA BAKAN KALAYCIOĞLU
- Yüksek riskli sınavlarda başarıyla ilişkili değişkenlerin veri madenciliği yöntemleriyle incelenmesi
Evaluating the variables related to success in high-stakes exams by using data mining methods
AYŞEGÜL BOZDAĞ KASAP
Doktora
Türkçe
2024
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. DİLARA BAKAN KALAYCIOĞLU