Öğrencilerin Lise Giriş Sınavı Puanlarını Tahmin Etmek için Bulut Tabanlı Bir Web Aracı

Abstract

Çok değişkenli uyarlanabilir regresyon splinleri (MARS) modeli, parametrik olmayan regresyon yöntemlerinden biri olarak, geliştirilen web aracıyla LGS (Liselere Geçiş Sistemi) sınavı öncesinde 8. sınıf öğrencilerinin başarı puanlarını tahmin etmek amacıyla kullanılmaktadır. Bu süreçte, öğrencilerin demografik bilgileri ve son bir yıl içinde girdikleri tüm sınav sonuçları LGS sınavı öncesinde dikkate alınmaktadır. Öğrencilerin LGS puanları üzerinde etkili olan önemli değişkenler arasında kardeş sayısı, annenin eğitim seviyesi, inkılap tarihi ve Atatürkçülük, İngilizce, matematik dersleri yer almaktadır. Bu veriler doğrultusunda, öğrencilerin LGS puanlarını tahmin etmek için web tabanlı, makine öğrenimine dayalı bir uygulama geliştirilmiştir. Web aracı, https://beststat.shinyapps.io/lgs2/ adresinden erişilebilir durumdadır. Web aracının geliştirilmesinde R Shiny programı kullanılmıştır. Program bulut tabanlıdır ve işletim sistemi ile web tarayıcılarından bağımsız olarak çalışmaktadır. Geliştirilen uygulama, öğrencilerin LGS sınavına hazırlık sürecinde onlara rehberlik etmek amacıyla ön sınav önerileri sunmaktadır.

Keywords

• : MARS
• Makine öğrenimi
• LGS
• Öğrenci başarısı
• Veri madenciliği
• R Shiny.

A Cloud Based Web-Tool to Predict the High School Entrance Exam Scores of the Students

Abstract

Multivariate adaptive regression splines (MARS) model, one of the non-parametric regression methods, is used to predict the achievement scores of the 8th-grade students before the LGS (High School Entrance System) exam with the developed web-tool. The demographic information of the students and all the test results they took in the last year are used before the LGS exam. The significant variables on the LGS scores of the students are the number of siblings, mother's education level, revolution history and Kemalism, English, mathematics courses. A web-based machine learning-based application has been developed to predict the LGS scores of the students in line with these data. The web-tool is accessible with the following website https://beststat.shinyapps.io/lgs2/. R Shiny program is used in the development of the web-tool. The program is cloud-based and works independently of the operating system and web browsers. The developed application helps students prepare for the LGS exam to offer pre-exam advice to guide their studies.

Keywords

• MARS
• Machine learning
• LGS
• Student achievement
• Data mining
• R Shiny.

References

1. [1] S. Albayrak, ve Ş. Koltan Yılmaz. "Veri madenciliği: Karar ağaci algoritmalari ve İMKB verileri üzerine bir uygulama", Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi , vol. 14, no. 1, pp. 31-52, 2009.
2. [2] Addini, P. F., Hadi, W., & Harahap, P. M. R. “Application of the multivariate adaptive regression spline (Mars) method in analyzing misclassification of elementary school accreditation data in the city of Tebing Tinggi”, Journal Scientia, vol. 12, no. 1, pp. 617-620, 2023.
3. [3] Ahmed, A. A. M., Deo, R. C., Ghimire, S., Downs, N. J., Devi, A., Barua, P. D., & Yaseen, Z. M. “Introductory engineering mathematics students’ weighted score predictions utilising a novel multivariate adaptive regression spline model”, Sustainability, vol. 14, no. 17, pp. 11070, 2022.
4. [4] A. Yılmaz., Veri madenciliği: Veriden bilgiye, masraftan değere, ARGE danışmanlık, 2008.
5. [5] Bağcı, B., ve Hoş, S. “Türkiye’de Ekonomik Büyümenin Makroekonomik Göstergeler İle İlişkisi: MARS Modeli”, Ekonomi İşletme ve Maliye Araştırmaları Dergisi, vol. 3, no. 2, pp. 193-202, 2021.
6. [6] Baş, G., ve Beyhan, Ö. “İngilizce Dersinde Yansıtıcı Düşünme Etkinliklerinin Öğrencilerin Akademik Başarılarına ve Derse Yönelik Tutumlarına Etkisi”, Amasya Üniversitesi Eğitim Fakültesi Dergisi, vol. 1, no. 2, pp. 128-142, 2012.
7. [7] Bayrak, F., ve Yurdugül, H., “E-Değerlendirme ve Dönüt”, The Turkish Online Journal of Educational Techno Bujang, 2025
8. [8] S. D. A., Selamat, A., Ibrahim, R., Krejcar, O., Herrera-Viedma, E., Fujita, H., & Ghani, N. A. M., “Multiclass prediction model for student grade prediction using machine learning”, Ieee Access, vol. 9, pp. 449-465, 2021.

9. [9] Briand, L., Freimut, B., ve Vollei, F., ” Using multiple adaptive regression splines to support decision making in code inspections”, Journal of Systems and Software, vol. 73, no. 2, pp. 205-217, 2004.
10. [10] Çanga, D., “Use of MARS Data Mining algorithm based on training and test sets in determining carcass weight of cattle in different breeds”, Journal of Agricultural Sciences, vol. 28, no. 2, pp. 259-268, 2022.
11. [11] Chou, Shieu-Ming, et al. "Mining the breast cancer pattern using artificial neural networks and multivariate adaptive regression splines." Expert systems with applications, vol. 27, no. 1, pp. 133-142 2004.
12. [12] Çelik, Ş., Şengül, T., Şengül, A. Y., ve Hakan, İ., “Tüketici fiyat indeksini etkileyen bitkisel ve hayvansal üretim değerlerinin çok değişkenli uyarlanabilir regresyon uzanımları ile incelenmesi: Türkiye örneği”, Journal of Awareness, vol. 3, no. 3, pp. 399–408, 2018.
13. [13] Depren, S. K. (2018). “Prediction of Students’science Achievement: An Application of Multivariate Adaptive Regression Splines and Regression Trees”, Journal Of Baltic Science Education, vol.17, no. 5, pp. 887-903, 2018.
14. [14] Ekrem, Ö., Salman, O. K., Aksoy, B., ve İnan, S. A., “Yapay zeka yöntemleri kullanılarak kalp hastalığının tespiti”, Mühendislik Bilimleri ve Tasarım Dergisi, vol. 8, no. 5, pp. 241–254, 2020.
15. [15] Everingham, Y., ve Sexton, J., “An introduction to Multivariate Adaptive Regression Splines for the cane industry” 33rd Annual Conference of the Australian Society of Sugar Cane Technologists. Mackay, 2011.
16. [16] Eyduran, E., M. Akin, and S. P. Eyduran., Application of multivariate adaptive regression splines through R software, Ankara Turkey: Nobel Academic Publishing (2019).
17. [17] Friedman, J. H. (1991). “Multivariate Adaptive Regression Splines”, The Annals of Statistics. Vol. 19, no. 1, pp. 1-67, 1991.
18. [18] Friedman, J. H., ” Fast MARS”, Technical Report., Department of Statistics. Stanford University, Stanford, 1993
19. [19] Gençtürk, Ö., “Meslek ve Anadolu Meslek Liselerinde Öğrenci Başarısını Etkileyen Faktörler”, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2001. [20] Hastie, T., Tibshirani, R., ve Friedman, J., The Elements of Statistical Learning: Data mining, inference, and prediction, Springer, New York, 2009.
20. [21] Hill, Thomas, Pawel Lewicki, and Paweł Lewicki. Statistics: methods and applications: a comprehensive reference for science, industry, and data mining. StatSoft, Inc., 2006.
21. [22] Kartal, M., Depren, S. K., ve Depren, Ö., “Türkiye’de Döviz Kurlarını Etkileyen Makroekonomik Göstergelerin Belirlenmesi: MARS Yöntemi İle Bir İnceleme”, MANAS Sosyal Araştırmalar Dergisi, vol. 7, no. 1, pp. 209-229, 2018.
22. [23] Kazazoğlu, S., “Türkçe ve İngilizce derslerine yönelik tutumun akademik başarıya etkisi”, Eğitim ve Bilim, vo. 38, no. 170, pp. 295-306, 2013.
23. [24] Keskin, S., “Türkiye'de Eğitim Düzeyine Göre Kadınların İş Hayatındaki Yeri” Kadın Araştırmaları Dergisi , vol. 17, pp. 1-30, 2018.
24. [25] Kılıç, S., “Doğrusal regresyon analizi” Journal of Mood Disorders, vol. 3, pp. 90–92, 2013.
25. [26] Kolyshkina, Inna, Sylvia Wong, and Steven Lim. "Enhancing generalized linear models with data mining." Casualty Actuarial Society. 2004.
26. [27] Leathwick, J., Elith, J., ve Hastie, T., “Comparative performance of generalized additive models and multi-variate adaptive regression splines for statistical modelling of species distributions”, Ecological modelling, vol. 199, no. 2, pp. 188-196, 2006.
27. [28] Leblanch, M., ve Tibshirani, R., “Adaptive Principle Surfaces”, Journal of the American Statistical Association, vol. 89, no. 425, pp. 53-64, 1994.
28. [29] Nacar, S., Betül, M. E., ve Bayram, A., ” Günlük Çözünmüş Oksijen Konsantrasyonunun Çok Değişkenli Uyarlanabilir Regresyon Eğrileri İle Tahmin Edilmesi”, Uludağ University Journal of The Faculty of Engineering, vol. 25, no. 3, pp. 1479-1498, 2020.
29. [30] Olecka, Anna. "Beyond classification: Challenges of data mining for credit scoring." Knowledge Discovery and Data Mining: Challenges and Realities. IGI Global, pp. 139-161, 2007.
30. [31] Orhan, H., Teke, E. Ç., ve Karcı, Z., “Laktasyon Eğrileri Modellemesinde Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Mars) Yönteminin Uygulanması”, Kahramanmaraş Sütçü İmam Üniversitesi Tarım ve Doğa Dergisi, vol. 21, no. 3, pp. 363-373, 2018.
31. [32] Özsoy, G., “Problem Çözme Becerisi İle Matematik Başarısı Arasındaki İlişki”, Gazi Eğitim Fakültesi Dergisi, vol. 25, no. 3, pp.179-190, 2005.
32. [33] Put, R., Xu, Q. S., Massart, D. L., ve Vander Heyden, Y., “Multivariate adaptive regression splines (MARS) in chromatographic quantitative structure–retention relationship studies” Journal of Chromatography A, vol. 1055 pp. 11–19, 2004.
33. [34] Sabancı, D., “Rastgele Orman Yaklaşımı Kullanılarak Çok Değişkenli Uyumlu Regresyon Şeritlerinde Model Seçimi,” Doktora Tezi, İstatistik Anabilim Dalı, Ondokuz Mayıs Üniversitesi, , Samsun 2019.
34. [35] Sevimli, Y., ” Çok Değişkenli Uyarlanabilir Regresyon Uzanımlarının Bir Split-Mouth Çalışmasında Uygulaması,” Yüksek Lisans Tezi, Biyoistatistik Anabilim Dalı, Marmara Üniversitesi, İstanbul, 2009. [36] Simpson, L. P., “Perception of examsoft feedback reports as autonomy-support for learners,” Doktora Tezi, Morehead State University, Eğitim Bilimleri, Kentucky, 2016.
35. [37] Strickland, J., Predictive Analytics Using R., Morrisville, North Carolina, ABD: Lulu Press, 2015.
36. [38] Şahinler, S., “En küçük kareler yöntemi ile doğrusal regresyon modeli oluşturmanın temel prensipleri”, Mustafa Kemal Üniversitesi Ziraat Fakültesi Dergisi, vol. 5, pp. 57–73, 2000.
37. [39] Şentürk, B., “İlköğretim Beşinci Sınıf Öğrencilerinin Genel Başarıları, Matematik Başarıları, Matematik Dersine Yönelik Tutumları ve Matematik Kaygıları Arasındaki İlişki.” Yüksek Lisans Tezi, Sosyal Bilimler Enstitüsü, Afyon Kocatepe Üniversitesi, Afyon, 2010.
38. [40] Şevgin, H., “ABİDE 2016 fen başarısının yordanmasında MARS ve BRT veri madenciliği yöntemlerinin karşılaştırılması”, Doktora Tezi, Fen Bilimleri Enstitüsü, Gazi Üniversitesi, Ankara, 2020.
39. [41] Temel, G. O., Ankarali, H., & YAZICI, A. C, “Regresyon Modellerine Alternatif Bir Yaklaşım MARS”, Turkiye Klinikleri Journal of Biostatistics, vol. 2, no. 2, pp. 58-66, 2010.
40. [42] Tosun, F., “Veri Madenciliği İle Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (MARS Modellemesi) Yönteminin Uygulanması”, Yüksek Lisans Tezi, Zootekni Anabilim Dalı, Harran Üniversitesi, , Şanlıurfa, 2021.
41. [43] Tunay, K. Batu. "Türkiye'de paranin gelir dolasim hizlarinin MARS yöntemiyle tahmini." METU Studies in Development vol. 28 , no.2, pp.175, 2001.
42. [44] Tunay, K. B., “Bankacılık Krizleri ve Erken Uyarı Sistemleri: Türk Bankacılık Sektörü İçin Bir Model Önerisi”, BDDK Bankacılık ve Finansal Piyasalar Dergisi, vol. 4, pp. 9–46, 2010.
43. [45] Tunay, K. B., “Türkiye'de Durgunluklarin MARS Yöntemi ile Tahmini ve Kestirimi”, Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, vol. 30, no. 1, pp. 71–91, 2011.
44. [46] Xu, Q. S., Daeyaert, F., Lewi, P. J., ve Massart, D. L., “Studies of relationship between biological activities and HIV Reverse Transcriptase Inhibitors by Multivariate Adaptive Regression Splines with Curds and Whey”, Chemometrics and Intelligent Laboratory Systems, vol. 82, pp. 24-30, 2006.
45. [47] Zakeri, F. A., “Multivariate adaptive regression splines models for the prediction of energy expenditure in children and adolescents”, Journal of Applied Physiology, vol. 108, no. 1, pp. 128-136, 2010.
46. [48] Zhang, W., ve Goh, A. T., “Multivariate adaptive regression splines and neural network models for prediction of pile drivability”, Geoscience Frontiers, vol. 7, no.1, pp. 45-52, 2016.
47. [49] Zurimi, S. , Analysis of Multivariate Adaptive Regression Spline (MARS) Model in Classifying factors affecting on Student the Study Period at FKIP Darussalam University of Ambon” In Journal of Physics: Conference Series, Vol. 1463, no. 1, pp. 012005, 2020.