Predicting students' performance using classification algorithms and generative adversarial network
Sınıflandırma algoritmaları ve üretken çatışma ağları kullanarak öğrenci performansını tahmin etmek
- Tez No: 818192
- Danışmanlar: DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Öğrencilerin akademik performansını tahmin etmek, eğitim başarısını ölçmede hayati bir rol oynamıştır. Eğitilmiş performans tahmini, mezuniyetin gecikmesi, üniversiteden ayrılma gibi akademik zorlukların hafifletilmesine yardımcı olur. Öğrencilerin performansını tahmin etmenin dışında, öğrencinin öğrenme davranışını incelemeye, öğrenme ortamını iyileştirmeye, öğrenci sorunlarını ele almaya ve veriye dayalı karar vermeyi etkinleştirmeye yardımcı olur. Mevcut performans tahmin tekniklerinin güçlü yanlarını ve sınırlamalarını belirlemek için bu araştırma, en son öğrenci performans tahmin modellerini eleştirel bir şekilde analiz etti. Öğrenci performansını tahmin etmek, eğitim araştırmasının önemli bir alanıdır. Öğrenci performansı tahmininin doğruluğunu ve güvenilirliğini artırmak için makine öğrenimi (ML) teknikleri yaygın olarak kullanılmaktadır. Bu çalışma, veri analizi, ön işleme teknikleri ve GAN veri artırma dahil olmak üzere beş makine öğrenimi tekniği kullanarak öğrenci performansı tahminine yönelik yeni bir yaklaşım önermektedir. Önerilen yaklaşımı, öğrencilerin akademik kayıtlarından oluşan gerçekçi bir veri seti kullanarak değerlendirdik ve sonuçları veri artırmadan elde edilen sonuçlarla karşılaştırdık. Bulgularımız, veri artırmanın öğrenci performansı tahmininin doğruluğunu ve güvenilirliğini önemli ölçüde geliştirdiğini göstermektedir. Algoritmaların sonuçlarıydı (RF %99,63, DT %99,63, KNN %99,52, Liner SVM %99,65, RBF SVM %99,68). Bu araştırma, bilinçli karar vermeyi destekleyebilen ve eğitim sonuçlarını iyileştirebilen, öğrenci performansını tahmin etmek için daha kapsamlı ve doğru bir model sağlayarak eğitim alanına katkıda bulunur.
Özet (Çeviri)
Predicting students' academic performance has played a vital role in measuring educational success. Academic performance prediction is useful for mitigating academic challenges like delayed graduation, dropping out of university, etc. Other than predicting students' performance helps in examining student learning behavior, improving the learning environment, addressing student problems, and enabling data-driven decision-making. To identify the strengths and limitations of current performance prediction techniques, this research critically analyzed the latest student performance prediction models. Predicting student performance is an important area of education research. Machine learning (ML) techniques are often used to improve the accuracy and reliability of predicting student performance. In this study, we propose a new approach to predict student performance using five machine learning techniques, including data analysis, preprocessing techniques, and data augmentation using GANs. We realistically evaluate the proposed method. A dataset of students' academic performance and compare the results with those obtained without data enrichment. Our results show that data augmentation significantly improves the accuracy and reliability of predicting student performance. Algorithm results (RF 99.63%, DT 99.63%, ANN 99.52%, Liner SVM 99.65%, RBF SVM 99.68%). This research contributes to the field of education by providing more comprehensive and accurate predictive models of student performance that can support informed decision-making and improve educational outcomes.
Benzer Tezler
- 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
- Çevrimiçi öğrenme ortamındaki etkileşim verilerine göre öğrencilerin akademik performanslarının veri madenciliği yaklaşımı ile modellenmesi
A data mining approach to students' academic performance modeling in online learning environment based on their interaction data
GÖKHAN AKÇAPINAR
Doktora
Türkçe
2014
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. ARİF ALTUN
- A knowledge discovery approach to urban analysis the Beyoğlu preservation area as a data mine
Kent analizinde bir bilgi keşfi yaklaşımı bir veri madeni olarak Beyoğlu kentsel koruma alanı
AHU SÖKMENOĞLU SOHTORİK
Doktora
İngilizce
2016
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
PROF. DR. İKBAL SEVİL SARIYILDIZ
- Uzman sistemler ve ulaştırma alanında kullanımları
Expert systems and using them in transportation
A.BURAK GÖKTEPE
- Öğrencilerin akademik performanslarının veri madenciliği teknikleri ile analizi
Analysis of students' academic performance using data mining techniques
SEVDA AGHALAROVA
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞAHİN IŞIK