Makine öğrenmesi teknikleri kullanılarak Türkiye'deki yabancı öğrencilerin okul terkinin tahmin edilmesi: yemenli öğrenciler üzerine bir örnek çalışma
Predicting school dropout of foreign students in turkey using machine learning techniques: A case study on yemeni students
- Tez No: 954773
- Danışmanlar: DR. ÖĞR. ÜYESİ SELAHATTİN ALAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 123
Özet
Bu tez, Türk yükseköğretiminde uluslararası öğrenciler arasında önemli bir sorun olarak görülen okul terki sorununu ele almakta ve örneklem olarak Yemenli öğrenciler üzerine odaklanmaktadır. Uluslararası öğrenciler, okul terkine neden olabilecek özgün akademik, sosyo-kültürel ve ekonomik baskılarla karşı karşıya kalmaktadır. Bu araştırma, Türkiye'deki uluslararası öğrenciler arasında okul terkine sebep olan temel faktörleri belirlemeyi ve bu öğrencilerin okul terki ihtimalini doğru bir şekilde tahmin etmek için makine öğrenimi (ML) modelleri geliştirip değerlendirmeyi, böylece proaktif müdahale stratejilerine bilgi sağlamayı amaçlamıştır. Araştırmada; nicel, uygulamalı ve tanımlayıcı bir araştırma tasarımı kullanılmıştır. Veriler, demografik, akademik, finansal ve sosyo-kültürel değişkenleri kapsayan yapılandırılmış bir anket aracılığıyla 545 Yemenli öğrenciden toplanmıştır. Ön işleme sonrasında, 277 öğrenciden oluşan bir veri seti (okul terki/mezuniyet sınıflandırması için) Lojistik Regresyon, Rastgele Orman, Destek Vektör Makineleri ve XGBoost dahil olmak üzere on beş ML algoritmasını eğitmek ve test etmek için kullanılmıştır. Modeller, %80 eğitim / %20 test oranıyla doğruluk, kesinlik, geri çağırma ve F1 puanı kullanılarak değerlendirilmiştir. Temel bulgular; akademik performans (Genel Akademik Not Ortalaması), Türkçe dil yeterliliği, bölüm memnuniyeti, finansal faktörler (burs, aile ekonomisi) ve psikolojik stres faktörlerinin okul terkini tahmin etme sürecinde önemli kriterler olduğunu göstermiştir. Topluluk ML modelleri, özellikle XGBoost ve Doğrusal Diskriminant Analizi (LDA), en yüksek tahmin doğruluğunu göstererek diğer modellere kıyasla daha başarılı sonuçlar vermiştir. Özelliklerin önemine yönelik yapılan analiz, bu belirleyici faktörlerin gerçekten etkili olduğunu ortaya koymuştur. Ayrıca, tahmin modelinin pratik uygulamasını ortaya koymak için bir prototip web sitesi de geliştirilmiştir. Bu çalışma, makine öğrenmesi tekniklerinin, Türkiye'de öğrenim gören yabancı öğrencilerin okul terkinin öngörülmesinde etkili bir araç olduğunu ortaya koymakta ve okul terkinin tahmin edilmesinde etkili olan kritik faktörleri ortaya koymaktadır. Sonuçlar, Türkiye'de öğrenim gören yabancı öğrencilerin okul terki riskini azaltmak için öğrencilere akademik, dilsel, finansal ve psikolojik alanlarda hedefli ve kurumsal desteğin gerekli olduğunu ortaya koymaktadır. Geliştirilen modeller ve web uygulaması, risk altındaki öğrencilerin erken tanısı ve onlara destek sağlanması için pratik araçlar sunmaktadır. Gelecek araştırmalar, farklı uluslararası öğrenci gruplarını da kapsayacak şekilde genişletilmeli ve öğrencilerin zaman içindeki gelişimlerini izleyen uzun dönemli verilere yer vermelidir.
Özet (Çeviri)
This thesis addresses the significant issue of school dropout among international students in Turkish higher education, with a specific focus on Yemeni students as a case study. International students face unique academic, socio-cultural, and economic pressures that can lead to a dropout. This research aims to identify the primary factors leading to school dropout among international students in Türkiye, develop and evaluate machine learning (ML) models for accurately predict likelihood of dropout among these students, thereby informing proactive intervention strategies. A quantitative, applied and descriptive research design have been used in this research. Data were collected from 545 Yemeni students through a structured survey covering demographic, academic, financial, and socio-cultural variables. After preprocessing, a dataset of 277 students (for dropout/graduation classification) was used to train and test fifteen ML algorithms, including Logistic Regression, Random Forest, Support Vector Machines, and XGBoost. The models were evaluated using accuracy, precision, recall, and F1-score, with an 80% training and 20% testing split. Main results indicated that academic performance (last GPA), Turkish language proficiency, department satisfaction, financial factors (scholarships, family economics), and psychological stress factors are important criteria in predicting school dropout. Ensemble ML models, particularly XGBoost and Linear Discriminant Analysis (LDA), outperformed other models by demonstrating the highest predictive accuracy. An analysis of feature importance reveals the significant impact of these determined factors. Additionally, a prototype website was developed to demonstrate the practical application of the prediction model. This study concludes that machine learning techniques are an effective tool for predicting school dropout among international students studying in Türkiye and identifies the critical factors influencing dropout predictions. The results suggest that institutional support for international students in Türkiye across academic, linguistic, financial and psychological is necessary to reduce the risk of dropout among them. The developed models and web application offer practical tools for early identification and support students who are at-risk. Future studies should be expanded to include diverse international student populations and include longitudinal data for tracking students' development over time.
Benzer Tezler
- Hizmet öncesi öğretmen eğitiminin mezun istihdam edilebilirlik göstergeleri ve yeterlikler açısından değerlendirilmesi
Evaluation of pre-service teacher training in terms of graduate employability indicators and qualifications
ÇİĞDEM ŞAHİN
Doktora
Türkçe
2021
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. FERUDUN SEZGİN
- Exploring opinions of corporate instructional designers on their professional development and training needs
Kurumsal öğretim tasarımcılarının mesleki gelişim ve eğitim ihtiyaçları konusundaki görüşlerinin araştırılması
NAZLI GÖKALP
Yüksek Lisans
İngilizce
2025
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiEğitim Programları ve Öğretimi Ana Bilim Dalı
DR. ELİF ÖZTÜRK
- Instruction giving practices in EFL classes
Yabancı dil olarak İngilizce öğretilen sınıflarda yönerge verme uygulamaları
YEŞİM UĞURLU ŞEN
Yüksek Lisans
İngilizce
2021
Eğitim ve ÖğretimGazi Üniversitesiİngiliz Dili Eğitimi Ana Bilim Dalı
PROF. DR. PAŞA TEVFİK CEPHE
- Türkiye'de yabancı turizm talebi tahmini için makina öğrenimi algoritmalarının kullanılması
Using machine learning algorithms for foreign tourism demand forecasting in Turkey
CEM GEÇER
Yüksek Lisans
Türkçe
2024
İşletmeGebze Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. FARİD HUSEYNOV
- Turistlerin çevre dostu otellerle ilgili memnuniyetini etkileyen faktörlerin makine öğrenmesi teknikleri kullanılarak araştırılması
Investigating the factors that impact tourists' satisfaction with environment-friendly hotels using machine learning techniques
MAHMUD ALRAHHAL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERHAT BOZKURT