ESTIMATION OF THE FACTORS AFFECTING THE SUCCESS OF THE UNIVERSITY STUDENTS BY LOGISTIC REGRESSION ANALYSIS

Yıl 2018, Cilt: 6 Sayı: 1, 28 - 49, 11.04.2018

Şengül Can Tuncer Özdil Cengiz Yılmaz

https://doi.org/10.18825/iremjournal.349984

Cited By: 2

Öz

Data mining applications, which provide confidential and
useful information from large data stacks, are used to expose important
information useful in many fields such as business, finance, medicine,
education. In the field of education, hidden useful information that can be
obtained from large data piles is also; Increase the quality of education and
training, and provide important contributions to the solution of various
education and training problems. In this study, data mining techniques using
logistic regression analysis and end-of-term course evaluation questionnaires
were used to investigate the factors affecting student's course success. Two separate course success variables were
defined through questionnaires applied to 5820 university students. The
relationship between the answers to the likert scale questions affecting course
success variables and the course success was estimated by logistic regression
analysis. According to the results of the analysis, it is seen that the student
lecture success is more influenced by the number of lesson repetition, as well
as the applications which increase the professional development of the students
and give new perspective to the students. It was also found that the views of the
students who took the course for the first time were generally more positive
than those of two or more repeat students. In addition to this, we have reached the opinion that by
changing the way the questionnaire is applied, the student will be able to make
a more objective assessment of the final derste before the final exam, which
will increase both the success of the course and the success of the faculty
member.

Anahtar Kelimeler

Logistic Regression Analysis, Data Mining in Education, Factors Affecting Student Achievement

ÜNİVERSİTE ÖĞRENCİLERİNİN DERS BAŞARISINI ETKİLEYEN FAKTÖRLERİN LOJİSTİK REGRESYON ANALİZİ İLE TAHMİNLENMESİ

Öz

Büyük
veri yığınları içerisinden gizli ve faydalı bilgiye ulaşmayı sağlayan veri
madenciliği uygulamaları işletme, finans, tıp, eğitim gibi birçok alanda
faydalı, önemli bilgilerin açığa çıkarılmasında kullanılmaktadır. Büyük veri
yığınlarından elde edilecek gizli kalmış faydalı bilgiler eğitim alanında da;
eğitim öğretim kalitesinin arttırılması ve çeşitli eğitim-öğretim sorunlarının
çözümünde önemli katkılar sağlayabilmektedir. Eğitmenlerin ve derslerin
öğrenciler tarafından değerlendirilmesi pek çok yükseköğrenim kurumunda
gerçekleştirilen bir uygulamadır. Bu çalışma kapsamında veri madenciliği
tekniklerinden lojistik regresyon analiziyle dönem sonu ders değerlendirme
anket verileri kullanılarak öğrencilerin ders başarılarını etkileyen faktörler
araştırılmıştır. 5820 adet üniversite öğrencisine uygulanan anket bilgisi
üzerinden iki ayrı ders başarı değişkeni tanımlanmıştır. Ders başarı
değişkenlerini etkileyen likert ölçekli sorulara verilen cevaplarla ders
başarısı arasındaki ilişki lojistik regresyon analizi ile tahmin edilmiştir.
Elde edilen analiz sonuçlarına göre, öğrenci ders başarısını ders tekrar
sayısının yanı sıra öğrencilerin mesleki gelişimlerini arttıran, öğrencilere
yeni bakış açıları kazandıran uygulamaların daha çok etkilediği görülmüştür. Ayrıca
dersi ilk kez alan öğrencilerin görüşlerinin dersi iki ve daha fazla sayıda
tekrarlayan öğrencilere göre genel olarak daha olumlu olduğu fark edilmiştir.
Bunun yanı sıra anketin uygulanma şekli değiştirilerek final sınavından önceki
son derste uygulanmasının öğrencinin daha objektif değerlendirme yapmasını
sağlayacağı bunun da hem ders başarısını hem de öğretim üyesinin başarısını
arttırabileceği kanaatine ulaşılmıştır. 

Anahtar Kelimeler

Eğitimde veri madenciliği, Lojistik Regresyon Analizi

Kaynakça

• Baykasoğlu, A. 2005. Veri madenciliği ve çimento sektöründe bir uygulama. 7. Akademik Bilişim, Gaziantep.
• Bircan, H. 2004. Lojistik regresyon analizi: tıp verileri üzerine bir uygulama. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 2: 185-208.
• Büyükakın, A. 2005. Bulanık Mantık İle Veri Madenciliği. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi.
• Coşkun, C., & Baykal, A. 2011. Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek Üzerinde Karşılaştırılması. Akademik Bilişim Konferansı Bildirileri, Malatya.
• Dener, M., Dörterler, M., & Orman, A. 2009. Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama. Akademik Bilişim’09 - XI. Akademik Bilişim Konferansı Bildirileri, Harran Üniversitesi. 787-796.
• Girginer, N., & Cankuş, B. 2008. Tramvay Yolcu Memnuniyetinin Lojistik Regresyon Analiziyle Ölçülmesi: Estram Örneği. Celal Bayar Üniversitesi, Yönetim ve Ekonomi Dergisi. 15(1): 181-193.
• Güriş, S., & Çağlayan, E. 2000 Ekonometri Temel Kavramlar, Der Yayınları,İstanbul.
• Gündüz, N., & Fokoue, E. 2015. Pattern Discovery in Students’ Evaluations of Professors A Statistical Data Mining Approach. To appear in the Journal of Applied Statistics. 1501: 1-20.
• Işığıçok, E. 2003. Bebeklerin Doğum Ağırlıklarını ve Boylarını Etkileyen Faktörlerin Lojistik Regresyon Analizi ile Araştırılması. VI. Ulusal Ekonometri ve İstatistik Sempozyumu, Gazi Üniversitesi, Ankara.
• Koç, M. Avşaroğlu, S. ve Sezer, A. 2004. Üniversite Öğrencilerinin Akademik Başarıları İle Problem Alanları Arasındaki İlişki. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi.11: 483-498.
• Kumar, S.A. & Vijayalakshmi, M.M. 2012. Mining Of Student Academic Evaluation Records in Higher Education. International Conference on Recent Advances in Computing and Software Systems (pp. 67-70), SSN College of Engineering, Old Mahabalipuram Rd, Kalavakkam Chennai, April, India.
• Küçüksille, E. 2009. Veri Madenciliği Süreci Kullanılarak Portföy Performansının Değerlendirilmesi Ve İmkb Hisse Senetleri Piyasasında Bir Uygulama. Doktora Tezi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü, Isparta.
• Leech, N. L., Barrett, K. C., & Morgan, G. A. 2004. Spss For Intermediate Statistics: Use and Interpretation, Lawrance Erlbaum Associates Publishers, Manwah New Jersey.
• Morgan, P. S., and Teachman, J. D. 1988 Logistic regression: Descriptions, examples, and comparisons. Journal of Marriage and the Family 50: 929-936.
• Osmanbegović, E. & Suljić, M. 2012. Data mining approach for predicting student performance. Economic Review. 10 (1): 3-12.
• Özdil, T., Urdaletova, A., & Yılmaz, C. 2010. İktisadi ve İdari Bilimler Fakültesi Öğrencilerinin Ders Başarılarını Etkileyen Faktörlerin Lojistik Regresyon Analiziyle Araştırılması. 2. Uluslararası Balkanlarda Sosyal Bilimler Kongresi. Düzenleyen: Sakarya Üniversitesi, Priştine Üniversitesi, Bozok Üniversitesi. Kosova.
• Savaş, S., Topaloğlu, N., & Yılmaz, M. 2012. Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri. İstanbul Üniversitesi Fen Bilimleri Dergisi. 11(21): 1-23.
• Stock, J. H., Watson, M.W., & Tatlıdil, H. 1996. Uygulamalı Çok Değişkenli İstatitiksel Analiz, Akademi Matbaası, Ankara.
• Şekeroğlu, S. 2010. Hizmet Sektöründe Bir Veri Madenciliği Uygulaması. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.