Öğrencinin akademik performansını tahmin etmede açıklanabilir yapay zekâ ve makine öğrenimi kullanımı
Using explainable artificial intelligence and machine learning to predict student academic performance
- Tez No: 1009026
- Danışmanlar: PROF. DR. ÜMMÜHAN AVCI
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bartın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın amacı, öğrencilerin akademik performanslarının makine öğrenmesi yöntemleri kullanılarak tahmin edilmesi ve geliştirilen modellerin açıklanabilir yapay zekâ teknikleri ile yorumlanabilir hâle getirilmesidir. Günümüzde eğitim kurumlarında öğrenci bilgi sistemleri ve dijital öğrenme ortamları aracılığıyla büyük miktarda veri üretilmektedir. Bu verilerin makine öğrenmesi yöntemleriyle analiz edilmesi, öğrencilerin akademik performanslarının erken aşamada tahmin edilmesine ve risk altındaki öğrencilerin belirlenmesine olanak sağlamaktadır. Açıklanabilir yapay zekâ yaklaşımları ise bu tahminlerin hangi değişkenlere dayandığını ortaya koyarak model sonuçlarının daha şeffaf, yorumlanabilir ve güvenilir hâle gelmesini desteklemektedir. Araştırma kapsamında öğrencilerin akademik performansını etkileyebileceği düşünülen çok boyutlu değişkenler kullanılarak bir veri seti oluşturulmuştur. Çalışmada kullanılan veriler öğrenci bilgi sistemi (UBYS) kayıtları ve öğrencilerden elde edilen anket verilerinden oluşmaktadır. Veri setinde öğrencilerin sınav notları, devam durumu, çevrimiçi öğrenme kaynaklarının kullanımı, sosyal medya kullanımı, teknoloji kullanımı ve sosyo-demografik özellikleri gibi çeşitli değişkenler yer almaktadır. Veri ön işleme sürecinde eksik verilerin kontrol edilmesi, kategorik değişkenlerin sayısallaştırılması ve veri setinin modelleme için uygun hâle getirilmesi işlemleri gerçekleştirilmiştir. Araştırmada öğrencilerin akademik performansını tahmin etmek amacıyla hem sınıflandırma hem de regresyon tabanlı makine öğrenmesi modelleri kullanılmıştır. Sınıflandırma analizlerinde Support Vector Machine (SVM) algoritması en yüksek performansı göstermiştir. Modelin test veri seti üzerinde elde ettiği doğruluk oranı 0.9071, F1 skoru 0.9129, dengeli doğruluk değeri 0.9062, ROC-AUC değeri 0.9389 ve PR-AUC değeri 0.9294 olarak hesaplanmıştır. Bu sonuçlar modelin öğrencilerin akademik performanslarını yüksek doğrulukla sınıflandırabildiğini ve sınıflar arasındaki ayrımı başarılı bir şekilde gerçekleştirebildiğini göstermektedir. Regresyon analizlerinde ise öğrencilerin akademik performansları sürekli bir değişken olarak ele alınmış ve farklı regresyon modelleri karşılaştırılmıştır. Yapılan analizler sonucunda XGBoost regresyon modeli en başarılı performansı göstermiştir. Modelin test veri seti üzerinde elde ettiği R² değeri 0.6963, RMSE değeri 12.4614 ve MAE değeri 8.9904 olarak hesaplanmıştır. Bu sonuçlar modelin öğrencilerin akademik performansındaki varyansın önemli bir kısmını açıklayabildiğini ve gerçek değerlere yakın tahminler üretebildiğini göstermektedir., Çalışmanın önemli katkılarından biri geliştirilen makine öğrenmesi modellerinin açıklanabilir yapay zekâ yöntemleri kullanılarak yorumlanmasıdır. Bu amaçla SHAP ve LIME yöntemleri kullanılmıştır. SHAP analizi sonuçlarına göre öğrencilerin akademik performansını etkileyen en önemli değişkenlerin başında baba eğitim durumu, ders (çalışma) notları, çevrimiçi kurs kullanımı, sosyal medya kullanımının ders çalışmaya etkisi ve e-ders kaynaklarının kullanımı gelmektedir. LIME analizi sonuçları ise bireysel tahminler üzerinde derslere düzenli katılım, baba eğitim durumu, ders çalışma sırasında verilen mola sıklığı, çevrimiçi kurslara katılım ve öğrencinin yaşadığı yer gibi değişkenlerin önemli rol oynadığını göstermektedir. Elde edilen bulgular öğrencilerin akademik performanslarının yalnızca akademik göstergelerle değil, aynı zamanda sosyo-demografik faktörler, öğrenme davranışları ve dijital öğrenme kaynaklarının kullanımı gibi çok boyutlu değişkenlerle ilişkili olduğunu ortaya koymaktadır. Ayrıca açıklanabilir yapay zekâ yöntemleri sayesinde makine öğrenmesi modellerinin karar süreçleri daha anlaşılır hâle getirilmiş ve eğitim alanında veri temelli karar verme süreçlerinin desteklenebileceği gösterilmiştir. Sonuç olarak bu çalışma, makine öğrenmesi ve açıklanabilir yapay zekâ yaklaşımlarının öğrencilerin akademik performansının tahmin edilmesinde etkili araçlar sunduğunu ve bu tür modellerin eğitim kurumlarında erken uyarı sistemlerinin geliştirilmesine katkı sağlayabileceğini ortaya koymaktadır.
Özet (Çeviri)
The aim of this study is to predict students' academic performance using machine learning methods and to make the developed models interpretable through explainable artificial intelligence (XAI) techniques. Today, large amounts of data are generated in educational institutions through student information systems and digital learning environments. The analysis of these data using machine learning methods enables early prediction of students' academic performance and the identification of at-risk students. Explainable artificial intelligence approaches support making model outcomes more transparent, interpretable, and reliable by revealing which variables these predictions are based on. Within the scope of the study, a dataset was created using multidimensional variables that are considered to affect students' academic performance. The data used in the study consists of student information system (UBYS) records and survey data obtained from students. The dataset includes various variables such as students' exam scores, attendance, use of online learning resources, social media usage habits, technology use, and socio-demographic characteristics. During the data preprocessing phase, missing data were handled, categorical variables were transformed into numerical form, and the dataset was prepared for modeling. In the study, both classification and regression-based machine learning models were used to predict students' academic performance. In classification analyses, the Support Vector Machine (SVM) algorithm demonstrated the highest performance. The model achieved an accuracy of 0.9071, an F1-score of 0.9129, a balanced accuracy of 0.9062, an ROC-AUC of 0.9389, and a PR-AUC of 0.9294 on the test dataset. These results indicate that the model can classify students' academic performance with high accuracy and effectively distinguish between classes. In regression analyses, students' academic performance was treated as a continuous variable, and different regression models were compared. The results showed that the XGBoost regression model achieved the best performance. The model obtained an R² value of 0.6963, an RMSE of 12.4614, and an MAE of 8.9904 on the test dataset. These findings indicate that the model can explain a substantial portion of the variance in students' academic performance and produce predictions close to the actual values. One of the key contributions of this study is the interpretation of the developed machine learning models using explainable artificial intelligence methods. For this purpose, SHAP and LIME techniques were employed. According to the SHAP analysis results, the most important variables affecting students' academic performance include father's education level, course (study) notes, use of online courses, the impact of social media usage on studying, and the use of e-learning resources. The results of the LIME analysis indicate that variables such as regular attendance, father's education level, frequency of breaks during studying, participation in online courses, and the place of residence play a significant role in individual predictions. The findings reveal that students' academic performance is associated not only with academic indicators but also with multidimensional variables such as socio-demographic factors, learning behaviors, and the use of digital learning resources. Moreover, explainable artificial intelligence methods have made the decision-making processes of machine learning models more understandable and demonstrated their potential to support data-driven decision-making processes in education. In conclusion, this study shows that machine learning and explainable artificial intelligence approaches provide effective tools for predicting students' academic performance and can contribute to the development of early warning systems in educational institutions.
Benzer Tezler
- Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini
Early prediction of student academic performance using deep learning algorithms
AHMET KALA
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN TORKUL
DR. ÖĞR. ÜYESİ TUĞBA YILDIZ
- Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini
Student academic performance prediction using machine learning algorithms
AIGERIM SULTANALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN ÇAKIR
- E-öğrenme ortamlarında bir öğrenme analitiği aracı olarak öğrenme panelleri ile etkileşimin öğrenme çıktılarıyla ilişkisi
The relation of interaction with learning dashboards as a learning analytics tool in e-learning environment between learning outcomes
MEHMET KOKOÇ
Doktora
Türkçe
2016
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. ARİF ALTUN
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Predicting student performance in online english language learning during challenging times through learning analytics
Zorlu zamanlarda öğrenme analitiği ile çevrimiçi ingilizce dil öğreniminde öğrenci performansını tahmin etme
MEHMET ALİ ÇELİKBAĞ
Doktora
İngilizce
2025
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. ÖMER DELİALİOĞLU
DOÇ. DR. ERKAN ER