Student Performance Analysis With Data Mining In Distance Education Synchronous, Asynchronous And Hybrid Courses In The Pandemic Process

Abstract

Today, the rate of university students' access to education and training materials from the internet has increased considerably. There has been an increase in the data set that can be analyzed due to the use of the internet in education and the increase in access to course materials. One of these data sets (planned or urgently) is the homework, exam, project, performance, attendance grades and the like accumulated in the distance education systems of the universities that started the distance education process. In the new Corona Virus pandemic, with the recommendation of the Higher Education Council, universities continued their education by using Asynchronous, Synchronous and Hybrid methods and even had to take the exams in the distance education system. In this research, data obtained from the Distance Education Application and Research Center system of Kayseri University was used. There are 8319 processed data within the scope of the research. Using the automatic modeling feature of RapidMiner program, which is used in Data Mining field, on these data, predictions for the future were made with default algorithms. Deep Learning, Naive Bayes, Gradient Boosted Trees, Logistic Regression, which gave the best results among the default algorithms, were used and the k-NN algorithm, which is not included in this automatic modeling, was also included in the study. It has been tried to obtain better results by making changes on the parameters of these 5 algorithms. The model established with Logistic Regression gave the best estimation result according to student success. The effect of all the participation methods (Synchronous, Asynchronous and Hybrid) on student achievement was compared with the Confusion Matrix method and it was seen that the most reliable method was Hybrid. With this research, inferences were made about which of the methods of attending lectures in universities would be more reliable for students. Therefore, with the inferences made, it has been possible to predict which of the methods of participation in the course is more reliable in order to increase the level of student achievement for the next academic term.

Keywords

• Data mining
• Distance education
• Pandemic
• Covid-19
• RapidMiner

Pandemi Sürecinde Uzaktan Eğitimde Senkron, Asenkron Ve Hibrit Yapılmış Derslerde Veri Madenciliği İle Öğrenci Performans Analizi

Abstract

Günümüzde üniversite öğrencilerinin eğitime ve eğitim materyallerine internetten erişim oranları oldukça artmıştır. Eğitimde internetin kullanılması ve ders materyallerine erişimin artmasına bağlı olarak analiz edilebilecek veri setinde artış meydana gelmiştir. Bu veri setlerinden bir tanesi de (planlı veya acilen) uzaktan eğitim sürecine geçen üniversitelerin, uzaktan eğitim sistemlerinde biriken ödev, sınav, proje, performans, devam notları ve benzeridir. Yeni Korona Virüs (Covid-19) pandemisinde Yüksek Öğretim Kurumu’nun (YÖK) tavsiyesi ile üniversiteler eğitimlerine uzaktan Asenkron, Senkron ve Hibrit yöntemlerini kullanarak devam etmiş, hatta sınavları uzaktan eğitim sisteminde yapmak zorunda kalmışlardır. Bu araştırmada, Kayseri Üniversitesinin Uzaktan Eğitim Uygulama ve Araştırma Merkezi (KAYUZEM) sisteminden alınmış veriler kullanılmıştır. Araştırma kapsamında 8319 işlenmiş veri bulunmaktadır. Bu veriler üzerinde Veri Madenciliği (VM) alanında kullanılan RapidMiner programının otomatik modelleme özelliği kullanılarak varsayılan algoritmalarla geleceğe yönelik tahminleme işlemi yapılmıştır. Varsayılan algoritmalar arasından en iyi sonucu veren Derin Öğrenme, Naive Bayes, Gradient Boosted Trees, Lojistik Regresyon kullanılmış ve bu otomatik modelleme de yer almayan k-En Yakın Komşu (k-NN) algoritması da çalışmaya dahil edilmiştir. Bu 5 algoritmanın parametreleri üzerinde değişiklikler yapılarak daha iyi sonuçlar elde edilmeye çalışılmıştır. Öğrenci başarısına göre en iyi tahminleme sonucunu, Lojistik Regresyon ile kurulan model vermiştir. Derse katılma yöntemlerinin tümünün (Senkron, Asenkron ve Hibrit) öğrenci başarısına etkisi Karışıklık Matrisi yöntemiyle karşılaştırılmıştır ve en güvenilir yöntemin Hibrit olduğu görülmüştür. Bu çalışma ile üniversitelerde derse katılma yöntemlerinden hangisinin, öğrenciler açısından daha güvenilir olacağına yönelik çıkarımlarda bulunulmuştur. Dolayısıyla yapılan çıkarımlar ile birlikte bir dahaki akademik dönem için öğrenci başarı düzeyinin artması yönünde, derse katılma yöntemlerinden hangisinin daha güvenilir olduğu konusunda tahminleme mümkün olmuştur.

Keywords

• Veri madenciliği
• Uzaktan eğitim
• Pandemi
• Covid-19
• RapidMiner

References

1. Referans 1:WHO. “Rolling updates on coronavirus disease (COVID-19).” who.int. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/events-as-they-happen (accessed Nov. 26, 2021).
2. Referans 2:T.C. Sağlık Bakanlığı. “Pandemi.” saglik.gov.tr. https://covid19.saglik.gov.tr/TR-66494/pandemi.html (erişim tarihi Kasım. 26, 2021).
3. Referans 3:T.C. Yükseköğretim Kurulu. “Koronavirüs (Covid-19) Bilgilendirme Notu: 1.” yok.gov.tr. https://covid19.yok.gov.tr/Documents/alinan-kararlar/02-coronavirus-bilgilendirme-notu-1.pdf (erişim tarihi: Kasım. 26, 2021).
4. Referans 4:T.C. Yükseköğretim Kurulu. “Basın Açıklaması Yükseköğretim Kurulu Başkanı Prof. Dr. M. A. Yekta Saraç.” yok.gov.tr. https://covid19.yok.gov.tr/Documents/alinan-kararlar/03-uzaktan-egitime-iliskin-alinan-karar.pdf (erişim tarihi: Kasım. 26, 2021).
5. Referans 5:T.C. Yükseköğretim Kurulu. “Basın Açıklaması Yükseköğretim Kurulu Başkanı Prof. Dr. M. A. Yekta Saraç.” yok.gov.tr. https://covid19.yok.gov.tr/Documents/alinan-kararlar/04-uzaktan-egitim-ve-yks-ertelenmesine-iliskin.pdf (erişim tarihi: Kasım. 26, 2021).
6. Referans 6:T.C. Yükseköğretim Kurulu. “YÖK’ten Küresel Salgın ile Mücadele Sürecinde Yeni Düzenlemeler-II.” yok.gov.tr. https://covid19.yok.gov.tr/Documents/alinan-kararlar/23-kuresel-salgin-ile-mucadele-gerceklesen-yapisal-duzenlemeler-2.pdf (erişim tarihi: Kasım. 26, 2021).
7. Referans 7:T.C. Yükseköğretim Kurulu. “Üniversitelerimizde Küresel Salgın Sürecinde Uzaktan Öğretim Uygulamaları Anket Sonuçları.” yok.gov.tr. https://covid19.yok.gov.tr/Documents/AnaSayfa/uzaktan-ogretim-anketi.pdf (erişim tarihi: Kasım. 27, 2021).
8. Referans 8:T.C. Yükseköğretim Kurulu. “Küresel Salgında Yeni Normalleşme Süreci.” yok.gov.tr. https://www.yok.gov.tr/Documents/Yayinlar/Yayinlarimiz/2020/kuresel-salginda-yeni-normallesme-sureci-2020.pdf (erişim tarihi: Kasım. 27, 2021).

9. Referans 9:T.C. Yükseköğretim Kurulu. “Küresel Salgında Eğitim ve Öğretim Süreçlerine Yönelik Uygulamalar Rehberi.” yok.gov.tr. https://www.yok.gov.tr/Documents/Yayinlar/Yayinlarimiz/2021/K%C3%BCresel%20Salg%C4%B1nda%20E%C4%9Fitim%20ve%20%C3%96%C4%9Fretim%20S%C3%BCre%C3%A7lerine%20Y%C3%B6nelik%20Uygulamalar%20K%C4%B1lavuzu%202021.pdf (erişim tarihi: Kasım. 27, 2021).
10. Referans 10:A. Koyuncugil ve N. Özgülbaş, "Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları", Bilişim Teknolojileri Dergisi, c. 2, sayı. 2, Tem. 2010.
11. Referans 11:K. Abe, "Data Mining and Machine Learning Applications for Educational Big Data in the University," 2019 IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf on Cloud and Big Data Computing, Intl Conf on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech), 2019, pp. 350-355, doi: 10.1109/DASC/PiCom/CBDCom/CyberSciTech.2019.00071.
12. Referans 12:W. Villegas-Ch, S. Luján-Mora, D. Buenaño-Fernandez and M. Román-Cañizares, "Analysis of web-based learning systems by data mining," 2017 IEEE Second Ecuador Technical Chapters Meeting (ETCM), Salinas, 2017, pp. 1-5, doi: 10.1109/ETCM.2017.8247553.
13. Referans 13:Ö. Özbay ve H. Ersoy, "Öğrenme Yönetim Sistemi Üzerindeki Öğrenci Hareketliliğinin Veri Madenciliği Yöntemleriyle Analizi," Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, c. 37, sayı. 2, ss. 523-558, Ağu. 2017.
14. Referans 14:H. C. Hung, I. F. Liu, C. T. Liang and Y. S. Su, “Applying educational data mining to explore students’ learning patterns in the flipped learning approach for coding education,” Symmetry, vol. 12, no. 2, 2020.
15. Referans 15:M. Blagojević and Ž. Micić, “A web-based intelligent report e-learning system using data mining techniques,” Computers and Electrical Engineering, vol. 39, no. 2, pp. 465–474, 2013.
16. Referans 16:Ş. Can, T. Özdil ve C. Yılmaz, “Üniversite Eğitiminde Öğretim Üyesi Tutumunun Ders Başarısına Etkisinin Veri Madenciliği Teknikleriyle Araştırılması,” Manisa Celal Bayar Üniversitesi Yönetim ve Ekonomi Dergisi, c. 26, s. 2, ss. 609-623, 2019.
17. Referans 17:O. Gushchina, and A. Ochepovsky, “Data Mining for the e-Learning Risk Management,” Anadolu University Turkish Online Journal of Distance Education, vol. 20, no. 3, pp. 181-196, 2019.
18. Referans 18:Ö. Şen ve G. Kızılcalıoğlu, "COVİD-19 PANDEMİ SÜRECİNDE ÜNİVERSİTE ÖĞRENCİLERİNİN VE AKADEMİSYENLERİN UZAKTAN EĞİTİME YÖNELİK GÖRÜŞLERİNİN BELİRLENMESİ", International Journal of 3D Printing Technologies and Digital Industry, c. 4, sayı. 3, ss. 239-252, Ara. 2020, doi:10.46519/ij3dptdi.830913.
19. Referans 19:M. Keskin ve D. Özer Kaya, "COVID-19 Sürecinde Öğrencilerin Web Tabanlı Uzaktan Eğitime Yönelik Geri Bildirimlerinin Değerlendirilmesi", İzmir Kâtip Çelebi Üniversitesi Sağlık Bilimleri Fakültesi Dergisi, c. 5, sayı. 2, ss. 59-67, Haz. 2020.
20. Referans 20:A. Yılmaz ve U. Kaya, Editörler, Derin öğrenme, 1.baskı, İstanbul, Türkiye: KODLAB Yayın Dağıtım Yazılım Ltd. Şti., 2019, böl. 1, ss. 1-5.
21. Referans 21:Ç. Elmas, Yapay Zeka Uygulamaları, 4. Baskı, Ankara, Türkiye: Seçkin Yayıncılık, 2018, böl. 5, ss. 149-165.
22. Referans 22:M. E. Balaban ve E. Kartal, Veri Madenciliği ve Makine Öğrenmesi: Temel Algoritmaları ve R Dili ile Uygulamaları, 2. baskı, İstanbul, Türkiye: Çağlayan Kitabevi, 2018.
23. Referans 23:S. Kırışoğlu ve A. Yakupoğlu, "Veri Madenciliği ile Üniversite Bilişim Teknik Servis Hizmetleri Analizi", Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 8, sayı. 1, ss. 326-333, Oca. 2020, doi:10.29130/dubited.593830.
24. Referans 24:M. Saritas and A. Yasar, “Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification”, IJISAE, vol. 7, no. 2, pp. 88-91, Jun. 2019.
25. Referans 25:RapidMiner. “Gradient Boosted Trees Model.” rapidminer.com. https://docs.rapidminer.com/9.9/studio/operators/modeling/predictive/trees/gradient_boosted_trees.html (erişim tarihi: Aralık. 26, 2021).
26. Referans 26:U. Çelik, E. Akçetin ve M. Gök, Editörler, RapiMiner ile Uygulamalı Veri Madenciliği, 1. baskı, İstanbul, Türkiye: Pusula 20 Teknoloji ve Yayıncılık A.Ş., 2017, böl. 6, ss. 81-94.
27. Referans 27:B. Aksoy ve D. Boztosun, “Diskriminant ve Lojistik Regresyon Yöntemleri Kullanılarak Finansal Başarısızlık Tahmini: BIST İmalat Sektörü Örneği,” İstanbul Okan Üniversitesi Finans Politik ve Ekonomik Yorumlar, s. 646, ss. 9-32, 2018.
28. Referans 28:C. Erden, Python ile Veri Madenciliği, 1. baskı, İstanbul, Türkiye: KODLAB Yayın Dağıtım Yazılım Ltd. Şti., 2021, böl. 8-9, ss. 185-225.
29. Referans 29:M. Hasnain, M. F. Pasha, I. Ghani, M. Imran, M. Y. Alzahrani and R. Budiarto, "Evaluating Trust Prediction and Confusion Matrix Measures for Web Services Ranking," in IEEE Access, vol. 8, pp. 90847-90861, 2020, doi: 10.1109/ACCESS.2020.2994222.
30. Referans 30:A. Amidi and S. Amidi. “Machine Learning tips and tricks cheatsheet.” stanford.edu. https://stanford.edu/~shervine/teaching/cs-229/cheatsheet-machine-learning-tips-and-tricks (accessed Dec. 27, 2021).