Makine öğrenmesi algoritmalarını kullanılarak öğrenci performanslarının sınıflandırılması
Classifying student performance using machine learning algorithms
- Tez No: 995941
- Danışmanlar: PROF. DR. NURAN BAYRAM ARLI
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasının temel amacı, üniversite öğrencilerinin akademik başarılarını etkileyen faktörleri belirlemek ve bu faktörlerin göreli önem düzeylerini makine öğrenmesi algoritmaları aracılığıyla ortaya koymaktır. Araştırmada, öğrencilerin genel akademik not ortalamasını (GANO) etkileyen bilişsel, davranışsal ve yaşam tarzı değişkenleri karar ağaçları algoritmaları (CART, C5.0 ve CHAID) kullanılarak modellenmiştir. Her bir algoritmanın sınıflandırma performansı doğruluk, duyarlılık, F1skoru ve AUC ölçütleriyle değerlendirilmiş; hem eğitim hem de test örneklemlerinde yüksek doğruluk oranlarına ulaşılmıştır. Karşılaştırmalar sonucunda, CART algoritmasının genel performans açısından en yüksek sınıflandırma başarısını gösterdiği belirlenmiştir. Özellikle 0,96 düzeyindeki duyarlılık değeri, modelin“başarılı öğrencileri”doğru biçimde sınıflandırma gücünü vurgulamaktadır. Çalışmanın özgün yönlerinden biri, araştırma kapsamında özel olarak oluşturulan veri setine dayanmasıdır. Literatürdeki birçok çalışma, genellikle standart açık erişim veri setlerini kullanmakta ve belirli kültürel bağlamları sınırlı biçimde yansıtmaktadır. Bu tezde ise, öğrencilerin bilişsel özelliklerini, öğrenme alışkanlıklarını, motivasyon düzeylerini ve yaşam tarzlarını kapsayan özgün anket verileri toplanarak daha geniş bir perspektif oluşturulmuştur. Böylece öğrenci başarısına etki eden faktörler, bilişsel, davranışsal ve psikolojik boyutlarıyla bütüncül biçimde incelenmiştir.
Özet (Çeviri)
The primary objective of this thesis is to identify the factors influencing university students' academic performance and to determine the relative importance levels of these factors using machine learning algorithms. In the study, cognitive, behavioral, and lifestyle variables affecting students' overall academic grade point average (GPA) were modeled using decision tree algorithms (CART, C5.0, and CHAID). The classification performance of each algorithm was evaluated using accuracy, sensitivity, F1-score, and AUC criteria; high accuracy rates were achieved in both the training and test samples. Comparisons revealed that the CART algorithm demonstrated the highest classification success in terms of overall performance. In particular, the sensitivity value of 0.96 highlights the model's ability to correctly classify“successful students.”One of the original aspects of this study is that it is based on a dataset created specifically for the research. Many studies in the literature typically use standard openaccess datasets and reflect specific cultural contexts in a limited way. In this thesis, however, original survey data covering students' cognitive characteristics, learning habits, motivation levels, and lifestyles were collected to create a broader perspective. Thus, the factors affecting student success were examined holistically in terms of their cognitive, behavioral, and psychological dimensions.
Benzer Tezler
- Bilgisayar programlamayı öğrenme sürecindeki öğrencilerin duyguları, yetkilendirilmeleri ve bilgi işlemsel kimliklerinin metin madenciliği algoritmalarını kullanarak tahmin edilmesi
Predicting emotions, empowerment and computational identity of students in the process of learning computer programming using text mining algorithms
NİLÜFER ATMAN USLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTUĞ ONAN
- Makine öğrenme yöntemleriyle öğrencilerin akademik performanslarının farklı öznitelik seçim teknikleri uygulanarak sınıflandırılması
Classification of students' academic performance by different feature selection techniques by machine learning methods
SEMA KAYALI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERKAN SAVAŞ
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Derin öğrenme metotları ile demiryolu arızalarının teşhisi ve sınıflandırılması
Diagnosis and classification of railway faults using deep learning methods
RIDVAN ÖZDEMİR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KOÇ
- Using machine learning techniques to enhance teaching and performance prediction of students with autism spectrum disorders
Yapay öğrenme yöntemleri ile otizm spektrum bozukluğu olan öğrencilerin öğretiminin ve öğretim performansı tahmininin iyileştirilmesi
AKRAM M.M. RADWAN
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE