Today, increasing
amount of data in all sector of life, make data mining more popular, and high
amount of data in increasing complexity demanded to acquit. Different methods
developed day by day, for solving problems at many sectors like finance, health,
defense, and education, applied to data mining for many social, economic, and
scientific issues. In the education area, where both number of instructors and
students always increase, for enhancing system performance, it is needed to
observe and evaluate the performance of students and instructors and such
situation causes to reveal a new concept Educational Data Mining. Research in
this area generally focuses on student performance. Thus, there is a need for
research in instructor performance. Research using machine learning combined
with attribute selection in the field of educational data mining have focused
on student performance in general, but few studies have focused on instructor
performance. In this paper, it was discussed how the performance of the
instructor can be determined by educational data mining methods. A Likert type
questionnaire dataset on opinions of the Gazi University’s student regarding
their instructor’s teaching performance is used in this research and different
feature reduction, and machine learning algorithms are used for evaluating the
data set and performances of instructors. According to the obtained results, it
has been revealed that the feature selection with genetic algorithm gives the
best result for the used data set compared to the other methods and 19
attributes can be used instead of 33 attributes. Utilizing genetic algorithm
and deep learning as a machine learning method has achieved a predictive
accuracy performance of 97.70 %, which is higher than the value that can be
achieved by using all the attributes. This study differs from the others in
that it combines the reduced number of attributes and machine learning, as well
as the ordering of instructor performances in concrete terms.
Educational data mining instructor performance machine learning feature selection performance evaluation
Günümüzde hayatın her sektöründe işlenen veri miktarının
artması, veri madenciliğin giderek daha popüler hale gelmesine yol açmış ve
yüksek miktarda verinin artan bir karmaşıklıkta işlenmesi ihtiyacı doğmuştur.
Finanstan, sağlığa, savunmadan eğitime onlarca sektörün sorunlarını çözmek
adına gün geçtikçe farklı yöntemler geliştirilmekte, sosyal, ekonomik, bilimsel
birçok problemin çözümü adına veri madenciliği yöntemlerine başvurulmaktadır.
Eğitilen ve eğiten sayısının gün geçtikçe arttığı eğitim sektöründe ise,
sistemin başarısının geliştirilebilmesi için, gerek eğitilen gerekse
eğitimcilerinin performanslarının takip edilmesi ve kıymetlendirilmesi
ihtiyacı, eğitimsel veri madenciliği kavramını doğurmuştur. Bu alanda yapılan
çalışmalar genel olarak, öğrenci performansı konularına yoğunlaştığından,
eğitmen performansı konusunda daha çok çalışmaya ihtiyaç duyulmaktadır.
Eğitimsel veri madenciliği alanında öznitelik seçme ile birleştirilmiş makine
öğrenmesi kullanan çalışmaların genel olarak öğrenci performansı üzerine
yoğunlaştığı, ancak az sayıdaki çalışmanın eğitmen performansı üzerinde durduğu
görülmüştür. Bu çalışmamızda, eğitmen performansının eğitimsel veri madenciliği
yöntemleriyle nasıl tespit edilebileceği üzerinde durulmuştur. Çalışma kapsamında Gazi Üniversitesi
öğrencilerinin eğitmenleri hakkında doldurdukları bir Likert Ölçekli Anket veri
seti üzerinde çalışılmış, çeşitli öznitelik indirgeme algoritmaları ve farklı
makine öğrenme yöntemleriyle veri seti kıymetlendirilmiş ve eğitmenlerin
performansları tahmin edilmiştir. Elde edilen sonuçlara göre genetik algoritma
ile öznitelik seçmenin, kullanılan veri seti için diğer yöntemlere kıyasla en
iyi sonucu verdiğini göstermiş ve 33 tane öznitelik yerine 19 öznitelik
kullanılabileceği ortaya çıkarılmıştır. Genetik algoritma ile birlikte makine
öğrenmesi yöntemi olarak derin öğrenme kullanımı ile birlikte %97,70 bir tahmin
doğruluk performansına ulaşılmış ve bu değerin tüm özniteliklerin kullanılması
ile elde edilebilecek değerden yüksek olduğu görülmüştür. Bu çalışmayı
diğerlerinden farklı kılan özelliği ise, indirgenmiş öznitelik sayısı ve makine
öğrenmesini birleştirmesinin yanında, eğitmen performanslarının sıralanması
işlemini de somut olarak yapmasıdır.
Eğitimsel veri madenciliği eğitmen performansı makine öğrenmesi öznitelik seçme performans kıymetlendirme
Primary Language | Turkish |
---|---|
Journal Section | Research Article |
Authors | |
Publication Date | August 20, 2018 |
Submission Date | June 7, 2018 |
Published in Issue | Year 2018 |
AJESI’de yayınlanan makalelerde bu lisans kullanılmaktadır.
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.