Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini
Student academic performance prediction using machine learning algorithms
- Tez No: 892920
- Danışmanlar: PROF. DR. HASAN ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Yükseköğretim kurumlarının karşılaştığı en önemli zorluklardan biri, bilgi sistemlerinin yaygın olarak benimsenmesiyle eğitim verilerinde meydana gelen üstel büyümedir. Ülkelerin ekonomik başarısı, yükseköğretime erişimin genişlemesine bağlıdır. Ancak üniversiteler, yüksek öğrenci kaybı ve yetersiz tamamlama oranları gibi birçok zorlukla karşı karşıyadır. Bu zorluklar, bilgi sistemleri aracılığıyla öğrencilerden toplanan verilerden yararlanarak etkili bir şekilde ele alınabilir ve sorun çözme stratejilerine katkıda bulunulabilir. Bir öğrencinin yükseköğretim kurumundaki başarısının tahmin edilmesi, öğrenci gelişiminin desteklenmesi ve yükseköğretim sisteminin kalitesinin artırılması için potansiyel bir yol sunmaktadır. Bu çalışmanın amacı, makine öğrenimi algoritmalarını kullanarak yükseköğretim kurumlarındaki öğrenci akademik performansını tahmin eden bir sistem geliştirmektir. Başka bir deyişle, çalışmanın amacı, lisans ve lisansüstü düzeydeki öğrencilerin dönem başında derslerde başarısız olma ihtimalini tahmin eden bir sistem oluşturmaktır. Sistem, öğrenci başarılarını tahmin etmek için kullanıcı dostu bir arayüz sunarak eğitim süreçlerini iyileştirmeyi amaçlamaktadır. Öğrencilerin ilgili dönemde alacakları derslerdeki performanslarının yüksek doğrulukla tahmin edilmesi, öğretim görevlilerinin düşük performans gösteren öğrencileri öğrenme sürecinin erken aşamalarında tespit etmelerini sağlar. Bu, öğretim elemanlarının derslerinde ön bilgi ve akademik beceri eksikliği olan öğrencilere zamanında yardımcı olmak için ek fırsatlar yaratmalarına ve böylece öğrencilerin öğrenmelerini iyileştirmelerine olanak tanır. Bu durum, öğrencilerin ilerlemesini destekleyebilir, öğrenme süreçlerini geliştirebilir ve motivasyonlarını artırabilir. Öğrenci performansını doğru bir şekilde tahmin eden sistemi geliştirmek için makine öğrenimi yöntemlerinden biri kullanılmıştır. Bu çalışmada, dünya çapındaki teknik eğitim sisteminde gerçekleştirilmiş bir değerlendirme çalışmasından elde edilen, öğrencilerin demografik bilgileri, motivasyonları ve ders başarılarını içeren veriler kullanılmıştır. Çalışmada, en yüksek model doğruluğuna sahip yöntemi belirlemek amacıyla, Doğrusal Regresyon, Karar Ağacı ve Rastgele Orman algoritmaları karşılaştırılmıştır. Makine öğrenimi algoritmalarının seçimi, detaylı bir araştırma sürecinden sonra yapılmıştır. Seçilen algoritmalar, Ortalama Karesel Hata (MSE), Ortalama Mutlak Hata (MAE), Ortalama Karesel Hatanın Kökü (RMSE) ve R-kare (R²) gibi metriklerle değerlendirilmiştir. Karşılaştırma sonucunda Rastgele Orman modeli, R² = 0,999, MSE = 0,014, RMSE = 0,119 ve MAE = 0,014 değerleri ile diğer algoritmalara göre en yüksek performansı göstermiştir. Bu model aracılığıyla, öğrencilerin eğitim öncesi akademik performansını tahmin eden web tabanlı bir uygulama (gösterge panosu) geliştirilmiştir. Geliştirilen sistem arayüzü, öğrenci verilerini analiz edip başarılarını tahmin etmeye olanak tanımaktadır. Sistem, kullanım kolaylığı ve sezgisellik açısından tasarlanmıştır. Uygulamanın kullanılabilirlik testi yapılarak sistem değerlendirilmiştir. Kullanıcılar görevleri ortalama %94,11 başarı oranıyla tamamlamıştır. Bu uygulama, dönem başında öğretim elemanlarına öğrencilerin başarı tahminleri konusunda destek sağlamak, döneme daha hazırlıklı başlamalarına ve düşük başarıya sahip olabilecek öğrencilerle ilgilenerek eğitim kalitesini artırmak amacıyla geliştirilmiştir. Çalışma, eğitim sürecinde öğrencilerin başarısının önceden tahmin edilmesi ve buna göre müdahalelerin yapılması adına önemli bir katkı sunmaktadır. Çalışmanın bulguları doğrultusunda, demografik verilerin daha kapsamlı toplanması, özellikle ebeveyn ve öğrenci eğitim seviyelerinin analizlere dahil edilmesi önerilmektedir. Gelecek araştırmalar için“öğretmen-öğrenci”etkileşimini güçlendirecek iki taraflı sistemlerin geliştirilmesi ve öğrencinin motivasyonunu artırmaya yönelik ders seçimi sistemlerinin oluşturulması tavsiye edilmektedir. Ayrıca, mevcut sistemin genişletilmesi ve kullanıcı dostu bir arayüz sağlamak amacıyla basit terimlerin kullanılması ve kullanım kılavuzunun eklenmesi önerilmektedir.
Özet (Çeviri)
One of the most significant challenges faced by higher education institutions is the exponential growth of educational data resulting from the widespread adoption of information systems. The economic success of countries is dependent on the expansion of access to higher education. However, universities are confronted with numerous challenges, such as high student attrition and inadequate completion rates. These challenges can be effectively addressed and contribute to problem-solving strategies by leveraging data collected from students through information systems. Predicting a student's success in higher education institutions presents a potential way to support student development and enhance the quality of the higher education system. The aim of this study is to develop a system that predicts academic performance of students in higher education institutions using machine learning algorithms. In other words, the goal of the study is to create a system that predicts the likelihood of undergraduate and graduate students failing their courses at the beginning of the term. The system aims to improve educational processes by providing a user-friendly interface for predicting student success. Accurately predicting students' performance in their courses during the relevant term allows instructors to identify low-performing students in the early stages of the learning process. This enables educators to create additional opportunities to assist students who lack prior knowledge and academic skills in their courses, thereby improving their learning outcomes. This situation can support students' progress, enhance learning processes, and increase their motivation. To develop a system that accurately predicts student performance, one of the machine learning methods has been used. This study utilized data obtained from an evaluation study conducted in a technical education system worldwide, including students' demographic information, motivations, and course achievements. The study compared Linear Regression, Decision Tree, and Random Forest algorithms to determine the method with the highest model accuracy. The selection of machine learning algorithms was made after a detailed research process. The chosen algorithms were evaluated using metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and R-squared (R²). As a result of the comparison, the Random Forest model demonstrated the highest performance with R² = 0.999, MSE = 0.014, RMSE = 0.119, and MAE = 0.014 compared to other algorithms. Through this model, a web-based application (dashboard) that predicts students' academic performance before their education has been developed. The developed system interface allows for the analysis of student data and prediction of their success. The system is designed with user-friendliness and intuitiveness in mind. Usability testing of the application was conducted to evaluate the system. Users completed tasks with an average success rate of 94.11%. This application was developed to support instructors with student success predictions at the beginning of the term, help them start the term more prepared, and enhance educational quality by addressing students who might have low performance. The study provides a significant contribution by predicting student success in advance during the educational process and making interventions accordingly. Based on the study's findings, it is recommended to collect more comprehensive demographic data, including the education levels of parents and students, for analysis. Future research should focus on developing bidirectional systems to strengthen“teacher-student”interaction and creating course selection systems to increase student motivation. Additionally, it is suggested to expand the current system and use simple terms and include a user manual to ensure a user-friendly interface.
Benzer Tezler
- Predicting students' performance using classification algorithms and generative adversarial network
Sınıflandırma algoritmaları ve üretken çatışma ağları kullanarak öğrenci performansını tahmin etmek
AWS MOHAMMED KHUDHUR KHUDHUR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA
- SBS sınav sonucu tahmin modeli
SBS exam result prediction model
BOTAN ONAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BİLGE
- Estimation of students' performance in distance education using ensemble-based machine learning
Topluluk tabanlı makine öğrenimi kullanılarak öğrencilerin uzaktan eğitimdeki performansının tahmini
ABDULLAH RAED FADHIL AL-SHAIKHLI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT DEMİR
- Predicting student academic performance using machine learning techniques
Makine öğrenme tekniklerini kullanarak öğrencinin akademik performansinin tahmin edilmesi
MIRWAIS DOOST
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. CANSU ÇİĞDEM EKİN
- Eğitim verileri analizinde regresyon ve sınıflandırma algoritmaları: Öğrenci performansının modellenmesi
Eğitim verileri analizinde regresyon ve sınıflandırma algoritmalari: öğrenci performansinin modellenmesi
ERDAL ÖZKUL
Yüksek Lisans
Türkçe
2024
Bilim ve Teknolojiİstanbul Kültür ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR