Research Article
BibTex RIS Cite
Year 2020, Volume: 3 Issue: 3, 372 - 392, 30.09.2020
https://doi.org/10.31681/jetol.773206

Abstract

References

  • Acat, M. B., Tüken, G., & Karadağ, E. (2010). Bilimsel epistemolojik inançlar ölçeği: Türk kültürüne uyarlama, dil geçerliği ve faktör yapısının incelenmesi. Türk Fen Eğitimi Dergisi, 7(4), 67-89.
  • Affendey, L. S., Paris, I. H. M., Mustapha, N., Sulaiman, M. N., & Muda, Z. (2010). Ranking of influencing factors in predicting students’ academic performance. Information Technology Journal, 9(4), 832-837.
  • Algarni, A. (2016). Data mining in education. International Journal of Advanced Computer Science and Applications, 7(6), 456-461.
  • Almahadeen, L., Akkaya, M., & Sari, A. (2017). Mining student data using CRISP-DM model. International Journal of Computer Science and Information Security, 15(2), 305.
  • Al-Saleem, M., Al-Kathiry, N., Al-Osimi, S., & Badr, G. (2015). Mining educational data to predict students’ academic performance. In International Workshop on Machine Learning and Data Mining in Pattern Recognition (pp. 403-414). Springer, Cham.
  • Aslanargun, E., Bozkurt, S., & Sarıoğlu, S. (2016). Sosyo ekonomik değişkenlerin öğrencilerin akademik başarısı üzerine etkileri. Uşak Üniversitesi Sosyal Bilimler Dergisi, 9(27/3), 201-234.
  • Baker, R. (2010). Data mining for education. International encyclopedia of education, 7(3), 112-118
  • Baradwaj, B. K., & Pal, S. (2012). Mining educational data to analyze students' performance. arXiv preprint arXiv:1201.3417.
  • Bıyıklı, C. (2017). Ortaokul öğrencilerinin Türkçe dersi akademik başarıları ile ders çalışma alışkanlıkları arasındaki ilişki. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 42(42), 59-73.
  • Botelho, A. F., Baker, R. S., & Heffernan, N. T. (2019). Machine-learned or expert-engineered features? Exploring feature engineering methods in detectors of student behavior and affect. In The twelfth international conference on educational data mining, Montréal, Canada.
  • Börekci, C., & Uyangör, N. (2018). Family attitude, academic procrastination and test anxiety as predictors of academic achievement. International Journal of Educational Methodology, 4(4), 219-226. doi: 10.12973/ijem.4.4.219
  • Bravo-Agapito, J., Frances, C., & Seaone, I. (2019). Data mining in foreign language learning. WIREs: Data Mining and Knowledge Discovery, 10(1), e1287.
  • Cano, A., & Leonard, J. (2019). Interpretable multi-view early warning system adapted to underrepresented student populations. IEEE Transactions on Learning Technologies, 12, 198–211.
  • Cha, H. J., Y. S. Kim, S. H. Park, T. B. Yoon, Y. M. Jung, and J.-H. Lee (2006). Learning styles diagnosis based on user interface behaviors for the customization of learning interfaces in an intelligent tutoring system. In Proceedings of the 8th International Conference on Intelligent Tutoring Systems, ITS 2006, volume 4053 of Lecture Notes in Computer Science , 513-524, Springer.
  • Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS inc, 9, 13.
  • Dalkılıç, F., & Aydın, Ö. (2017). Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi öğrencilerinin devamsızlık davranışlarını etkileyen faktörler. Journal of Higher Education & Science/Yüksekögretim ve Bilim Dergisi, 7(3), 546-553.
  • de Carvalho, W. F., & Zarate, L. E. (2019). Causality relationship among attributes applied in an educational data set. In Proceedings of the 34th ACM/SIGAPP symposium on applied computing (pp. 1271–1277). Limassol, Cyprus: ACM.
  • Dekker. G., Pechenizkiy, M., & Vleeshouwers, J. (2009). Predicting students drop out: A case study. In Proceedings of the 2nd International Conference on Educational Data Mining, EDM'09, pages 41-50.
  • Demirkol, D., Kartal, E., Şeneler, Ç., & Gülseçen, S. (2019). Bir öğrenci bilgi sisteminin kullanılabilirliğinin makine öğrenmesi teknikleriyle tahmin edilmesi. Veri Bilimi, 2(1), 10-18.
  • Demsar, J., Curk, T., Erjavec, A., Gorup, C., Hocevar, T., Milutinovic, M., Mozina, M., Polajnar, M., Toplak, M., Staric, A., Stajdohar, M., Umek, L., Zagar, L., Zbontar, J., Zitnik, M., & Zupan, B. (2013). Orange: Data mining toolbox in Python, Journal of Machine Learning Research, 14(Aug), 2349−2353.
  • Deryakulu, D. ve Büyüköztürk, Ş. (2005). Epistemolojik inanç ölçeğinin faktör yapısının yeniden incelenmesi: Cinsiyet ve öğrenim görülen program türüne göre epistemolojik inançların karşılaştırılması. Eğitim Araştırmaları, 18, 57-70.
  • D'Mello, S. (2017). Emotional learning analytics. In Handbook of learning analytics (p. 115). New York, NY: SOLAR.
  • Evcim, İ. (2010). İlköğretim 8. Sınıf öğrencilerinin epistemolojik inanışlarıyla, fen kazanımlarını günlük yaşamlarında kullanabilme düzeyleri ve akademik başarıları arasındaki ilişki.Yayımlanmamış Yüksek Lisans Tezi, Marmara Üniversitesi Eğitim Bilimleri Enstitüsü, İstanbul.
  • Gök, M. (2017). Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5 (3), 139-148.
  • Guo, B., Zhang, R., Xu, G., Shi, C., & Yang, L. (2015). Predicting students performance in educational data mining. In 2015 International Symposium on Educational Technology (ISET) (pp. 125-128). IEEE.
  • Ha, D. T., Loan, P. T. T., Giap, C. N., & Huong, N. T. L. (2020). An Empirical Study for Student Academic Performance Prediction Using Machine Learning Techniques. International Journal of Computer Science and Information Security (IJCSIS), 18(3).
  • Hernández-García, Á., Acquila-Natale, E., Chaparro-Peláez, J., ve Conde, M. Á. (2018). Predicting teamwork group assessment using log data-based learning analytics. Computers in Human Behavior. doi:10.1016/j.chb.2018.07.016
  • İnan, O. (2003). Öğrenci işleri veri tabanı üzerinde veri madenciliği uygulamaları. Yayınlanmamış Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
  • İncirci, A., İlğan, A., Sirem, Ö., & Bozkurt, S. (2017). Ortaöğretim destekleme ve yetiştirme kurslarına ilişkin öğrenci görüşleri. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, (42), 50-68.
  • Kanadlı, S., & Akay, C. (2019). Schommer’in epistemolojik inançlar modelinin cinsiyet ve akademik başarı açısından incelenmesi: Bir meta-analizi çalışması. Eğitim ve Bilim, 44(198), 389-411.
  • Koh, H. C., & Tan, G. (2011). Data mining applications in healthcare. Journal of healthcare information management, 19(2), 65.
  • Márquez-Vera, C., Cano, A., Romero, C., & Ventura, S. (2013). Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied intelligence, 38(3), 315-330.
  • Márquez‐Vera, C., Cano, A., Romero, C., Noaman, A. Y. M., Mousa Fardoun, H., & Ventura, S. (2016). Early dropout prediction using data mining: a case study with high school students. Expert Systems, 33(1), 107-124.
  • Millecamp, M., Broos, T., De Laet, T., & Verbert, K. (2019). DIY: learning analytics dashboards. In Companion Proceeding of the 9th International Conference on Learning Analytics & Knowledge (LAK’19) (pp. 947-954). Solar.
  • Norton, M. J. (1999). Knowledge discovery in databases. Library Trends, 48(1), 9.
  • Özekes, S. (2003).Veri madenciliği modelleri ve uygulama alanları. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 2(3), 65-82.
  • Özer, B., & Korkmaz, C. (2016). Yabancı dil öğretiminde öğrenci başarısını etkileyen unsurlar. Ekev Akademi Dergisi, 20, 59-84.
  • Rashid, A., Asif, S., Butt, N. A., & Ashraf, I. (2013). Feature level opinion mining of educational student feedback data using sequential pattern mining and association rule mining. International Journal of Computer Applications, 81(10).
  • Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert systems with applications, 33(1), 135-146
  • Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27.
  • Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355
  • Roy, S., & Garg, A. (2017). Predicting academic performance of student using classification techniques. In 2017 4th IEEE Uttar Pradesh Section International Conference on Electrical, Computer and Electronics (UPCON) (pp. 568-572). IEEE.
  • Saa, A. A., Al-Emran, M., & Shaalan, K. (2019). Mining student information system records to predict students’ academic performance. In International conference on advanced machine learning technologies and applications (pp. 229-239). Springer, Cham.
  • Sarı, M. H., Arıkan, S., & Yıldızlı, H. (2017). Factors predicting mathematics achievement of 8th graders in TIMSS 2015. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 8(3), 246-265.
  • Savaş, E. , Taş, S., & Duru, A. (2010). Matematikte Öğrenci Başarısını Etkileyen Faktörler. İnönü Üniversitesi Eğitim Fakültesi Dergisi, 11 (1) , 113-132 .
  • Savaş, S., Topaloğlu, N. & Yılmaz, M. (2012). Veri madenciliği ve Türkiye’deki uygulama örnekleri, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11 21.
  • Scheuer, O., & McLaren, B. M. (2012). Educational data mining. Encyclopedia of the Sciences of Learning, 1075-1079.
  • Strecht, P., Cruz, L., Soares, C., & Mendes-Moreira, J. (2015). A comparative study of classification and regression algorithms for modelling students' academic performance. In International Conference on Educational Data Mining (EDM);392-395.
  • Şahin, M., Keskin, S., Özgür, A., & Yurdugül, H. (2017).E-öğrenme ortamlarında öğrenen özelliklerine dayalı etkileşim profillerinin belirlenmesi. Eğitim Teknolojisi Kuram ve Uygulama, 7(2), 172 – 192. DOI: 10.17943/etku.297075
  • Tomak, L., & Yüksel, B., E., K. (2009). İşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması. Journal of Experimental and Clinical Medicine, 27(2), 58-65.
  • Uzun, G., & Bökeoğlu, Ö. Ç. (2017). Akademik başarının okul, aile ve öğrenci özellikleri ile ilişkisinin çok düzeyli yapısal eşitlik modellemesi ile incelenmesi. Ankara University Journal of Faculty of Educational Sciences (JFES), 52 (3), 655-684. DOI: 10.30964/auebfd.525770
  • Vale, A., Madeira, S. C., & Antunes, C. (2014). Mining coherent evolution patterns in education through biclustering. In 7th International Conference on Educational Data Mining 2014.
  • Wong J. et al. (2019) Educational Theories and Learning Analytics: From Data to Knowledge. In: Ifenthaler D., Mah DK., Yau JK. (eds) Utilizing Learning Analytics to Support Study Success. Springer, Cham
  • Yenice, N., Hiğde, E., & Özden, B. (2017). Ortaokul öğrencilerinin üstbiliş farkındalıklarının ve bilimin doğasına yönelik görüşlerinin cinsiyet ve akademik başarılarına göre incelenmesi. Ondokuz Mayis University Journal of Education, 36(2), 1-18.

Predicting Academic Achievement with Machine Learning Algorithms

Year 2020, Volume: 3 Issue: 3, 372 - 392, 30.09.2020
https://doi.org/10.31681/jetol.773206

Abstract

Education systems produce a large number of valuable data for all stakeholders. The processing of these educational data and making studies on the future of education based on the data reveal highly meaningful results. In this study, an insight was tried to be developed on the educational data collected from ninth-grade students by using data mining methods. The data contains demographic information about students and their families, studying routines, behaviours of attending learning activities, and their epistemological beliefs about science. Thus, this research aimed to solve a classification problem, two-class (successful or unsuccessful according to the exam result) was tried to be estimated from the collected data. In the study, the prediction accuracy of the supervised classification algorithms were compared and it was defined which variables were effective in the formation of classes. When the prediction accuracy of machine learning algorithms was compared, the findings indicated that the Neural Network algorithm (98.6%) had the highest score. The information gain coefficient of the variables was examined to determine the factors affecting the prediction accuracy. It was revealed that demographic variables of the family, scientific epistemological beliefs of the student, study routines and attitudes towards some courses affected the classification. It can be concluded that there was a relationship between these variables and academic success. Studies on these variables will support students' academic success.

References

  • Acat, M. B., Tüken, G., & Karadağ, E. (2010). Bilimsel epistemolojik inançlar ölçeği: Türk kültürüne uyarlama, dil geçerliği ve faktör yapısının incelenmesi. Türk Fen Eğitimi Dergisi, 7(4), 67-89.
  • Affendey, L. S., Paris, I. H. M., Mustapha, N., Sulaiman, M. N., & Muda, Z. (2010). Ranking of influencing factors in predicting students’ academic performance. Information Technology Journal, 9(4), 832-837.
  • Algarni, A. (2016). Data mining in education. International Journal of Advanced Computer Science and Applications, 7(6), 456-461.
  • Almahadeen, L., Akkaya, M., & Sari, A. (2017). Mining student data using CRISP-DM model. International Journal of Computer Science and Information Security, 15(2), 305.
  • Al-Saleem, M., Al-Kathiry, N., Al-Osimi, S., & Badr, G. (2015). Mining educational data to predict students’ academic performance. In International Workshop on Machine Learning and Data Mining in Pattern Recognition (pp. 403-414). Springer, Cham.
  • Aslanargun, E., Bozkurt, S., & Sarıoğlu, S. (2016). Sosyo ekonomik değişkenlerin öğrencilerin akademik başarısı üzerine etkileri. Uşak Üniversitesi Sosyal Bilimler Dergisi, 9(27/3), 201-234.
  • Baker, R. (2010). Data mining for education. International encyclopedia of education, 7(3), 112-118
  • Baradwaj, B. K., & Pal, S. (2012). Mining educational data to analyze students' performance. arXiv preprint arXiv:1201.3417.
  • Bıyıklı, C. (2017). Ortaokul öğrencilerinin Türkçe dersi akademik başarıları ile ders çalışma alışkanlıkları arasındaki ilişki. Pamukkale Üniversitesi Eğitim Fakültesi Dergisi, 42(42), 59-73.
  • Botelho, A. F., Baker, R. S., & Heffernan, N. T. (2019). Machine-learned or expert-engineered features? Exploring feature engineering methods in detectors of student behavior and affect. In The twelfth international conference on educational data mining, Montréal, Canada.
  • Börekci, C., & Uyangör, N. (2018). Family attitude, academic procrastination and test anxiety as predictors of academic achievement. International Journal of Educational Methodology, 4(4), 219-226. doi: 10.12973/ijem.4.4.219
  • Bravo-Agapito, J., Frances, C., & Seaone, I. (2019). Data mining in foreign language learning. WIREs: Data Mining and Knowledge Discovery, 10(1), e1287.
  • Cano, A., & Leonard, J. (2019). Interpretable multi-view early warning system adapted to underrepresented student populations. IEEE Transactions on Learning Technologies, 12, 198–211.
  • Cha, H. J., Y. S. Kim, S. H. Park, T. B. Yoon, Y. M. Jung, and J.-H. Lee (2006). Learning styles diagnosis based on user interface behaviors for the customization of learning interfaces in an intelligent tutoring system. In Proceedings of the 8th International Conference on Intelligent Tutoring Systems, ITS 2006, volume 4053 of Lecture Notes in Computer Science , 513-524, Springer.
  • Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS inc, 9, 13.
  • Dalkılıç, F., & Aydın, Ö. (2017). Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi öğrencilerinin devamsızlık davranışlarını etkileyen faktörler. Journal of Higher Education & Science/Yüksekögretim ve Bilim Dergisi, 7(3), 546-553.
  • de Carvalho, W. F., & Zarate, L. E. (2019). Causality relationship among attributes applied in an educational data set. In Proceedings of the 34th ACM/SIGAPP symposium on applied computing (pp. 1271–1277). Limassol, Cyprus: ACM.
  • Dekker. G., Pechenizkiy, M., & Vleeshouwers, J. (2009). Predicting students drop out: A case study. In Proceedings of the 2nd International Conference on Educational Data Mining, EDM'09, pages 41-50.
  • Demirkol, D., Kartal, E., Şeneler, Ç., & Gülseçen, S. (2019). Bir öğrenci bilgi sisteminin kullanılabilirliğinin makine öğrenmesi teknikleriyle tahmin edilmesi. Veri Bilimi, 2(1), 10-18.
  • Demsar, J., Curk, T., Erjavec, A., Gorup, C., Hocevar, T., Milutinovic, M., Mozina, M., Polajnar, M., Toplak, M., Staric, A., Stajdohar, M., Umek, L., Zagar, L., Zbontar, J., Zitnik, M., & Zupan, B. (2013). Orange: Data mining toolbox in Python, Journal of Machine Learning Research, 14(Aug), 2349−2353.
  • Deryakulu, D. ve Büyüköztürk, Ş. (2005). Epistemolojik inanç ölçeğinin faktör yapısının yeniden incelenmesi: Cinsiyet ve öğrenim görülen program türüne göre epistemolojik inançların karşılaştırılması. Eğitim Araştırmaları, 18, 57-70.
  • D'Mello, S. (2017). Emotional learning analytics. In Handbook of learning analytics (p. 115). New York, NY: SOLAR.
  • Evcim, İ. (2010). İlköğretim 8. Sınıf öğrencilerinin epistemolojik inanışlarıyla, fen kazanımlarını günlük yaşamlarında kullanabilme düzeyleri ve akademik başarıları arasındaki ilişki.Yayımlanmamış Yüksek Lisans Tezi, Marmara Üniversitesi Eğitim Bilimleri Enstitüsü, İstanbul.
  • Gök, M. (2017). Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 5 (3), 139-148.
  • Guo, B., Zhang, R., Xu, G., Shi, C., & Yang, L. (2015). Predicting students performance in educational data mining. In 2015 International Symposium on Educational Technology (ISET) (pp. 125-128). IEEE.
  • Ha, D. T., Loan, P. T. T., Giap, C. N., & Huong, N. T. L. (2020). An Empirical Study for Student Academic Performance Prediction Using Machine Learning Techniques. International Journal of Computer Science and Information Security (IJCSIS), 18(3).
  • Hernández-García, Á., Acquila-Natale, E., Chaparro-Peláez, J., ve Conde, M. Á. (2018). Predicting teamwork group assessment using log data-based learning analytics. Computers in Human Behavior. doi:10.1016/j.chb.2018.07.016
  • İnan, O. (2003). Öğrenci işleri veri tabanı üzerinde veri madenciliği uygulamaları. Yayınlanmamış Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
  • İncirci, A., İlğan, A., Sirem, Ö., & Bozkurt, S. (2017). Ortaöğretim destekleme ve yetiştirme kurslarına ilişkin öğrenci görüşleri. Mehmet Akif Ersoy Üniversitesi Eğitim Fakültesi Dergisi, (42), 50-68.
  • Kanadlı, S., & Akay, C. (2019). Schommer’in epistemolojik inançlar modelinin cinsiyet ve akademik başarı açısından incelenmesi: Bir meta-analizi çalışması. Eğitim ve Bilim, 44(198), 389-411.
  • Koh, H. C., & Tan, G. (2011). Data mining applications in healthcare. Journal of healthcare information management, 19(2), 65.
  • Márquez-Vera, C., Cano, A., Romero, C., & Ventura, S. (2013). Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied intelligence, 38(3), 315-330.
  • Márquez‐Vera, C., Cano, A., Romero, C., Noaman, A. Y. M., Mousa Fardoun, H., & Ventura, S. (2016). Early dropout prediction using data mining: a case study with high school students. Expert Systems, 33(1), 107-124.
  • Millecamp, M., Broos, T., De Laet, T., & Verbert, K. (2019). DIY: learning analytics dashboards. In Companion Proceeding of the 9th International Conference on Learning Analytics & Knowledge (LAK’19) (pp. 947-954). Solar.
  • Norton, M. J. (1999). Knowledge discovery in databases. Library Trends, 48(1), 9.
  • Özekes, S. (2003).Veri madenciliği modelleri ve uygulama alanları. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 2(3), 65-82.
  • Özer, B., & Korkmaz, C. (2016). Yabancı dil öğretiminde öğrenci başarısını etkileyen unsurlar. Ekev Akademi Dergisi, 20, 59-84.
  • Rashid, A., Asif, S., Butt, N. A., & Ashraf, I. (2013). Feature level opinion mining of educational student feedback data using sequential pattern mining and association rule mining. International Journal of Computer Applications, 81(10).
  • Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert systems with applications, 33(1), 135-146
  • Romero, C., & Ventura, S. (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12-27.
  • Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355
  • Roy, S., & Garg, A. (2017). Predicting academic performance of student using classification techniques. In 2017 4th IEEE Uttar Pradesh Section International Conference on Electrical, Computer and Electronics (UPCON) (pp. 568-572). IEEE.
  • Saa, A. A., Al-Emran, M., & Shaalan, K. (2019). Mining student information system records to predict students’ academic performance. In International conference on advanced machine learning technologies and applications (pp. 229-239). Springer, Cham.
  • Sarı, M. H., Arıkan, S., & Yıldızlı, H. (2017). Factors predicting mathematics achievement of 8th graders in TIMSS 2015. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 8(3), 246-265.
  • Savaş, E. , Taş, S., & Duru, A. (2010). Matematikte Öğrenci Başarısını Etkileyen Faktörler. İnönü Üniversitesi Eğitim Fakültesi Dergisi, 11 (1) , 113-132 .
  • Savaş, S., Topaloğlu, N. & Yılmaz, M. (2012). Veri madenciliği ve Türkiye’deki uygulama örnekleri, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11 21.
  • Scheuer, O., & McLaren, B. M. (2012). Educational data mining. Encyclopedia of the Sciences of Learning, 1075-1079.
  • Strecht, P., Cruz, L., Soares, C., & Mendes-Moreira, J. (2015). A comparative study of classification and regression algorithms for modelling students' academic performance. In International Conference on Educational Data Mining (EDM);392-395.
  • Şahin, M., Keskin, S., Özgür, A., & Yurdugül, H. (2017).E-öğrenme ortamlarında öğrenen özelliklerine dayalı etkileşim profillerinin belirlenmesi. Eğitim Teknolojisi Kuram ve Uygulama, 7(2), 172 – 192. DOI: 10.17943/etku.297075
  • Tomak, L., & Yüksel, B., E., K. (2009). İşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması. Journal of Experimental and Clinical Medicine, 27(2), 58-65.
  • Uzun, G., & Bökeoğlu, Ö. Ç. (2017). Akademik başarının okul, aile ve öğrenci özellikleri ile ilişkisinin çok düzeyli yapısal eşitlik modellemesi ile incelenmesi. Ankara University Journal of Faculty of Educational Sciences (JFES), 52 (3), 655-684. DOI: 10.30964/auebfd.525770
  • Vale, A., Madeira, S. C., & Antunes, C. (2014). Mining coherent evolution patterns in education through biclustering. In 7th International Conference on Educational Data Mining 2014.
  • Wong J. et al. (2019) Educational Theories and Learning Analytics: From Data to Knowledge. In: Ifenthaler D., Mah DK., Yau JK. (eds) Utilizing Learning Analytics to Support Study Success. Springer, Cham
  • Yenice, N., Hiğde, E., & Özden, B. (2017). Ortaokul öğrencilerinin üstbiliş farkındalıklarının ve bilimin doğasına yönelik görüşlerinin cinsiyet ve akademik başarılarına göre incelenmesi. Ondokuz Mayis University Journal of Education, 36(2), 1-18.
There are 54 citations in total.

Details

Primary Language English
Subjects Studies on Education
Journal Section Articles
Authors

Muhammed Yıldız 0000-0002-3586-6723

Caner Börekci 0000-0001-5749-2294

Publication Date September 30, 2020
Published in Issue Year 2020 Volume: 3 Issue: 3

Cite

APA Yıldız, M., & Börekci, C. (2020). Predicting Academic Achievement with Machine Learning Algorithms. Journal of Educational Technology and Online Learning, 3(3), 372-392. https://doi.org/10.31681/jetol.773206


22029

JETOL is abstracted and indexed by ERIC - Education Resources Information Center.