Geri Dön

Eğitsel veri madenciliğinin öğrenci başarısının kestirimine yönelik kullanımı

The use of educational data mining to predict student success

PDF İndir

  1. Tez No: 726720
  2. Yazar: HARUN EKİNCİ
  3. Danışmanlar: PROF. DR. OLGUN ADEM KAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Eğitim ve Öğretim, Education and Training
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Eğitim Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar ve Öğretim Teknolojileri Eğitimi Bilim Dalı
  13. Sayfa Sayısı: 98

Özet

Bu çalışmanın amacı, eğitimde büyük veri, öğrenme analitikleri ve veri madenciliği kavramlarının önemini belirtmek ve öğrenci akademik performansını arttırmaya yönelik EVM çalışması yapmaktır. Araştırmada üniversiteye yerleşme puanı, yerleşme puan türü, lise puanı, cinsiyet, il, yaş ve medeni durum değişkenlerinin üniversiteden 4 yılda mezun olabilme durumuna etkisinin tahminine yönelik bir lojistik regresyon modeli oluşturulmuştur. Ayrıca yukarıda belirtilen değişkenlere ek olarak, Bilgisayar I dersi geçme durumu ve notu değişkenlerinin Bilgisayar II dersi ile ilişkisinin olup olmadığı incelenip lojistik ve doğrusal regresyon modeli de oluşturulmuştur. Bu amaca yönelik olarak İnönü Üniversitesinin otomasyon sisteminde kayıtlı öğrenci bilgileri içerisinden 223.279 öğrenciye ait bir veri seti oluşturulmuştur. Bu veri seti EVM süreç tasarımlarından CRISP-DM iş süreç adımlarına uygun olarak işlenmiştir. Veri setinin düzenlenmesi ve modellerin oluşturulması RapidMiner Studio programı ile gerçekleştirilmiştir. Yapılan analiz sonucunda öğrenci mezuniyet durumu lojistik regresyon modelinin %76,80 ile yüksek düzeyde performans gösterdiği gözlenmiştir. Öğrencilerin üniversiteye kayıt sonrası kişisel ve akademik bilgileri ile mezuniyet süresinin kestirilebileceği ve bu değişkenler kullanılarak öğrencilere yönelik gerekli önlemlerin alınabileceği sonucuna ulaşılmıştır. Bilgisayar II dersi lojistik regresyon modelinin %79,34 ile yüksek düzeyde performans gösterdiği görülmüş, öğrencilerin kişisel ve akademik bilgileri ile bu dersten geçme durumlarının ikinci dönemin başında tahmin edile bileceği sonucuna ulaşılmıştır. Geliştirilen Bilgisayar II dersi geçme notu doğrusal regresyon modelinin düşük hatalı tahminlerde bulunabilmesi sayesinde, öğrencilerin kişisel bilgileri (Cinsiyet, Yaş, İl) ve akademik bilgileri (Üniversiteye Yerleşme Puanı, Yerleşme Puan Türü, Lise Bitirme Puanı, Bilgisayar I Dersi Geçme Notu) ile bu dersten kaç puan ile geçeceği kestirilebilmiştir. Yapılan araştırma sonucunda eğitim kurumlarında depolanan bilgilerin çok önemli olması nedeniyle, titizlikle depolanması ve anonim olarak erişime açılmasının ne kadar önemli olduğu vurgulanmıştır. Düzgün ve çok sayıda veri ile yapılan EVM tahmin modelleri ile öğrencilere erken dönemlerde gerekli uyarı ve desteklerin verilerek akademik başarıların arttırılabileceği sonucuna ulaşılmıştır.

Özet (Çeviri)

The aim of this study is to emphasize the importance of big data, learning analytics and data mining concepts in education and to conduct educational data mining studies to increase the academic performance of students. In this study, a logistic regression model was created to estimate the effects of university placement score, placement score type, high school score, gender, province, age and marital status variables on being able to graduate from university in 4 years. In addition to the variables mentioned above, it was investigated whether the variables of passing the Introduction to Computers I course and grade were related to the success in the Introduction to Computers II course and a logistic and linear regression model were also created. For this purpose, a data set of 223,279 students was created from the information registered in the student automation system of İnönü University. This data set was processed in accordance with the CRISP-DM business process steps, which is one of the educational data mining process designs. The editing of the data set and the creation of the models were carried out with the RapidMiner Studio program. As a result of the analysis, it was observed that the student graduation status logistic regression model performed at a high level with 76.80. It has been concluded that the graduation period can be predicted by using the personal and academic information of the students after their registration to the university, and the necessary measures can be taken for the success of the students by using these variables. It was seen that the logistic regression model of the Introduction to Computers II course showed a high level of performance with 79.34%, and it was concluded that whether the students will pass this course or not can be predicted at the beginning of the second semester by using their personal and academic information. The fact that the developed Introduction to Computers II course passing grade linear regression model can make low erroneous estimations made it possible to predict the grade that students will get from this course by using their personal (Gender, Age, Province) and academic (University Placement Score, Placement Score Type, High School Graduation Score, Introduction to Computers I Course Passing Grade) information. As a result of the research, it was emphasized that since the information stored in educational institutions is valuable, it is very important that it is meticulously stored and made accessible anonymously. It has been concluded that academic achievement can be increased by giving the necessary warnings and supports to the students in the early stages with the educational data mining prediction models made with smooth and large numbers of data.

Benzer Tezler

  1. Tez No

    602297

    Öğrenci akademik performansının kestirilmesine ilişkin bir model önerisi: Veri madenciliğine dayalı bir çalışma

    Model proposal related to predicting student academic performance: A study based on data mining

    MURAT ALTUN

    Doktora

    Türkçe

    Türkçe

    2019

    Eğitim ve ÖğretimAkdeniz Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. KEMAL KAYIKÇI

  2. Tez No

    415460

    Üniversite öğrenci başarısı üzerine etki eden faktörlerin veri madenciliği yöntemleri ile incelenmesi

    Examining the effects on university student success by data mining techniques

    ÇAĞRI KILINÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. CELAL MURAT KANDEMİR

  3. Tez No

    382783

    Modelisation des processus d'analyse pour la comprehension des strategies de supervision et de retroaction des enseignants pendant leur activite en face des eleves

    Öğrencilerin önünde öğretmenlerin davranışlarını ve tepkilerini anlamaya yönelik analiz işleminin modellenmesi

    GÜLAY YILDIRIM

    Yüksek Lisans

    Fransızca

    Fransızca

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÖNEN EREN

  4. Tez No

    494810

    Eğitsel veri madenciliğinde kullanılmak üzere experience api (XAPI) temelli öğrenme deneyimi kayıtlarının işlenebilmesi için bir model geliştirilmesi

    Development of a model to use in educational data mining to process the records of experience api (XAPI) based on learning experience

    ERDEM KISMET

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ALPASLAN BURAK İNNER

  5. Tez No

    618509

    Eğitsel veri madenciliğindeki eğilimlerin çok yönlü incelenmesi

    Multi-way investigation of trends in educational data mining

    NUR GİZEM AK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Eğitim ve ÖğretimHatay Mustafa Kemal Üniversitesi

    Enformatik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAMİDE ŞAHİNKAYASI

Geri Dön