Makine öğrenmesi algoritmaları ile LGS başarısı tahmin modelleri kurulması
Establishing LGS success prediction models with machine learning algorithms
- Tez No: 841045
- Danışmanlar: PROF. DR. SELAY GİRAY YAKUT
- Tez Türü: Doktora
- Konular: Eğitim ve Öğretim, İstatistik, Education and Training, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 120
Özet
Eğitim programları yenilendikçe, buna paralel olarak ölçme ve değerlendirme sistemleri de değişmektedir. Ülkemizde bu durumun yansıması, en belirgin şekilde merkezî sınavlarda görülmektedir. Ortaöğretime geçiş için 2018'den bu yana uygulanan Liselere Geçiş Sistemi (LGS), bu sınav sistemlerinden beşincisidir. Söz konusu eğitim olduğunda, başarıyı etkileyen faktörler ve başarıyı tahmin etme, eğitimin tüm paydaşları açısından her zaman ilgi ve merak konusu olmuştur. Yapılan literatür taramalarında, görece yeni bir sınav sistemi olan LGS'deki başarıyı irdeleyen sınırlı sayıda çalışma olduğu görülmüştür. Bu sebeplerden ötürü bu çalışmada; makine öğrenmesi algoritmalarıyla sekizinci sınıf öğrencilerinin LGS başarısını tahmin eden modellerin kurulması amaçlanmıştır. Çalışma kapsamında farklı algoritmalar kullanılarak, algoritmaların performansları karşılaştırılmış ve öznitelik seçimi algoritmalarıyla LGS başarısında önemli rol oynayan öznitelikler belirlenmiştir. Verilerin toplanmasında; Kişisel Bilgi Formu, Algılanan Anne-Baba Katılım Ölçeği, Akademik Öz Yeterlilik Ölçeği ve Maslach Tükenmişlik Envanteri-Öğrenci Formu kullanılmıştır. Model tahmininde makine öğrenmesi sınıflandırma algoritmalarından; Naive Bayes, Destek Vektör Makineleri, Karar Ağacı ve Lojistik Regresyon kullanılmıştır. Yapılan analizler sonucunda; karma veri seti olan kişisel bilgiler kullanıldığında, LGS başarısına ait sınıfları en iyi tahmin eden algoritmanın Naive Bayes olduğu tespit edilmiştir. Nicel veri seti olan ölçek puanları kullanıldığında ise, en başarılı algoritmanın Lojistik Regresyon olduğu görülmüştür. LGS başarısı üzerinde önemli etkisi olan değişkenlerin tespitinde, beş adet öznitelik seçimi algoritması kullanılmıştır. Akademik Öz Yeterlilik ölçek puanı, ebeveyn tutumu, LGS'ye hazırlanırken herhangi bir destek alma durumu, LGS'ye hazırlanırken özel ders alma durumu ve günlük LGS çalışma süresi özniteliklerinin, kullanılan beş algoritma tarafından da önemli öznitelik olarak bulunduğu tespit edilmiştir.
Özet (Çeviri)
As education programs are renewed, measurement and evaluation systems change accordingly. In our country, the reflection of this situation is most prominently observed in centralized exams. The High School Transition System (LGS), which has been implemented since 2018 for the transition to secondary education, is the fifth of these examination systems. When it comes to education, factors affecting success and predicting success have always been a matter of interest and curiosity for all stakeholders of education. In the conducted literature reviews, it has been observed that there are a limited number of studies scrutinizing the success in this relatively new exam system, the LGS. Due to these reasons, the aim of this study is to establish models predicting the success of eighth-grade students in the LGS, using machine learning algorithms. Within the scope of study by using different algorithms, the performances of the algorithms were compared. The features that play an important role in LGS success were determined according to the results produced by feature selection algorithms. In collecting data, Personal Information Form, Perceived Parental Involvement Scale, Academic Self-Efficacy Scale and Maslach Burnout Inventory-Student Form were used. Naive Bayes, Support Vector Machines, Decision Tree and Logistic Regression, which are machine learning classification algorithms, were utilized in model estimation. The analyses revealed that when using a mixed dataset containing personal information, the algorithm that best predicts the classes related to LGS success is Naive Bayes. When the quantitative data set scale scores were used, the most successful algorithm was found to be Logistic Regression. Five feature selection algorithms were used to detect variables that have a significant impact on LGS success. The features of Academic Self-Efficacy scale score, parental attitude, receiving any support while preparing for LGS, receiving private tutoring while preparing for LGS, and the daily study duration for LGS preparation were identified as significant features by all five algorithms used.
Benzer Tezler
- Öğrenci başarısını kestirmede makine öğrenme algoritmalarına dayalı yeni bir sınıflandırma modeli
A new classification model based on machine learning algorithms to predict student success
ŞERAFETTİN KUZUCUK
Yüksek Lisans
Türkçe
2022
Eğitim ve ÖğretimAkdeniz ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DOÇ. DR. BİLAL BARIŞ ALKAN
- Lise giriş sınavında öğrenci başarılarının makine öğrenmesi teknikleri ile analizi
Analysis of student achievement in high school entrance exam with machine learning techniques
MEHMET ŞENLİGİL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELİM BUYRUKOĞLU
- Makine öğrenmesi algoritmaları ile dinamik portföy modellemesi
Dynamic portfolio modelling via machine learning algorithms
BURAK ALTINIŞIK
- Makine öğrenmesi algoritmaları ile borsa verilerinin tahminlenmesi
Prediction of stock market data with machine learning algorithms
DİLARA ELİZE PAMUKÇU
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriİZMİR BAKIRÇAY ÜNİVERSİTESİAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR UĞURLU
- Makine öğrenmesi algoritmaları ile hisse senedi kapanış tahmini
Stock closing prediction with machine learning algorithms
SALİM DEMİRAY
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET GÜRHANLI