Prediction of Higher Education Institutions Examination (YKS) Scores with Artificial Intelligence Techniques

Year 2024, , 845 - 853, 31.12.2024

Betül Ersöz , Halil İbrahim Bülbül

https://doi.org/10.29109/gujsc.1509217

Abstract

Students' academic success and preferences primarily determine placements in higher education programs. Students who take the Higher Education Institutions Exam (YKS) are placed in higher education departments suitable for their career goals, primarily according to their YKS score, Secondary Education Success Score (OBP), and preference rankings. The most crucial factor in placement with YKS is the exam score. Therefore, students need recommendation systems to determine their net scores before the exam. Similar to this study, various systems calculate students' YKS scores using formulas from net scores of practice exams. However, it has been observed that no application estimates score with artificial intelligence methods. In this study, the YKS scores of students who participated to the YKS are estimated according to their net scores of practice exams. In the study, four different models such as Linear Regression (LinReg), Multilayer Perceptron (MLP), K-Nearest Neighbor (KNN), Random Forest (RF) from Machine Learning (ML) algorithms, which are among the Artificial Intelligence (AI) techniques, were used in estimating the scores of TYT (Basic Proficiency Test) and AYT (Field Proficiency Test) in the two-stage YKS exam. Among the ML algorithms, the best-performing MLP for TYT was found to be R-Square (0.999), MAE (0.056), and RMSE (0.447). The best-performing Linear Regression for AYT was found to be R-Square (0.999), MAE (0.214), and RMSE (0.0413). The developed model is integrated into the generative artificial intelligence tool of a commercial digital learning platform by using ML techniques to predict students' YKS score results and provides assistance in score predictions.

Keywords

artificial intelligence, machine learning, YKS, TYT, AYT, Generative artificial intelligence

Thanks

Yapay Zeka ve Büyük Veri Analitiği Güvenliği Uygulama ve Araştırma Merkezi

Yapay Zekâ Teknikleriyle Yükseköğretim Kurumları Sınavı (YKS) Puanlarının Tahmini

Abstract

Yükseköğretim programlarına yerleştirmeler öncelikle öğrencilerin akademik başarılarına ve tercihlerine göre belirlenir. Yükseköğretim Kurumları Sınavı (YKS) giren öğrenciler başta YKS puanı, Ortaöğretim Başarı Puanı (OBP) ve tercih sıralamalarına göre kariyer hedeflerine uygun yükseköğretim bölümlerine yerleştirilir. YKS ile yerleşmede en önemli faktör sınav puanıdır. Bu sebeple öğrenciler, sınav öncesi netlerinden puanlarının belirlenmesi için öneri sistemlerine ihtiyaç duymaktadır. Deneme sınavları netlerinden öğrencilerin YKS puanlarını formüller yardımıyla hesaplayarak tahmin eden hâlihazırda çeşitli sistemler mevcuttur. Ancak yapay zekâ yöntemleriyle puanları tahmin eden uygulamalar bulunmamaktadır. Bu çalışmada YKS’ye giren öğrencilerin deneme sınavı netlerine göre YKS puanlarının tahmini yapılmıştır. Araştırmada, iki aşamalı olan YKS sınavında TYT (Temel Yeterlilik Testi) ve AYT (Alan Yeterlilik Testi) puanlarının tahmin edilmesinde Yapay zekâ (YZ) tekniklerinden olan Makine Öğrenme (ML) algoritmalarından Lineer Regresyon (LinReg), Çok Katmanlı Algılayıcı (MLP), K-En Yakın Komşu (KNN), Rastgele Orman (RF) gibi dört farklı model kullanılmıştır. ML algoritmaları içerisinde TYT’ de en iyi performans gösteren MLP, R-Kare (0.999), MAE (0.056) ve RMSE (0.447) değerleri bulunmuştur. AYT’ de en iyi performans gösteren Lineer regresyon R-Kare (0.999), MAE (0.214) ve RMSE (0.0413) değerleri bulunmuştur. Geliştirilen model, öğrencilerin YKS puan sonuçlarını ML teknikleriyle tespit ederek ticari bir dijital öğrenme platformun üretken yapay zeka aracına entegre edilmiş olup, puan tahminlerinde destek sağlamaktadır.

Keywords

yapay zekâ, makine öğrenme, YKS, TYT, AYT, Üretken yapay zeka

References

• [1] H. Atılgan, "Türkiye’de kademeler arası geçiş: Dünü-bugünü ve bir model önerisi," Ege Eğitim Dergisi, vol. 19, no. 1, pp. 1-18, 2018.
• [2] Ş. S. Gacanoğlu and C. Nakiboğlu, "Yükseköğretim Kurumları Sınavında Yer Alan Kimya Sorularının 2018 Yılı Kimya Dersi Öğretim Programı Kazanımlarına Göre Analizi," Turkiye Kimya Dernegi Dergisi Kısım C: Kimya Egitimi, vol. 7, no. 2, pp. 217-242, 2022.
• [3] Y. Uzunpolat and A. Çakmak, "Yükseköğretim Kurumları Sınavında Çıkan DKAB Sorularının Ortaöğretim DKAB Öğretim Programı Çerçevesinde Analizi," Sirnak University Journal of Divinity Faculty/Sirnak Üniversitesi Ilahiyat Fakültesi Dergisi, no. 32, 2023.
• [4] N. Çokişler, "Turist Rehberliği Programlarına Yerleşen Adayların Üniversite Sınavı Başarı İstatistikleri Üzerine Betimsel Bir Analiz (2021)," Yükseköğretim ve Bilim Dergisi, vol. 12, no. 3, pp. 621-632, 2022.
• [5] B. Ersöz, H. İ. Bülbül, and Ş. Sağıroğlu, "Using LXP for Green Deal: A New Approach," in 2023 12th International Conference on Renewable Energy Research and Applications (ICRERA), 2023: IEEE, pp. 524-529.
• [6] H. Bülbül and B. Ersöz, "Eğitimde yapay zekâ sanal gerçeklik ve sanal evren (Metaverse)," Yapay zekâ ve büyük veri kitap serisi (4. Baskı, s. 149-183) içinde. Nobel Akademik Yayıncılık, 2022.
• [7] F. Tahiru, "AI in education: A systematic literature review," Journal of Cases on Information Technology (JCIT), vol. 23, no. 1, pp. 1-20, 2021.
• [8] A. Öter, B. Ersöz, H. İ. Bülbül, and Ş. Sağıroğlu, "Using Generative Artificial Intelligence in Exams: A Research on KPSS with ChatGPT," International Journal of Educational Research Review, vol. 9, no. 4, pp. 269-274.
• [9] H. Kirthika, S. Mayasre, and M. Balamurugan, "Score Predicting Web Application Using Machine Learning Techniques," in 2022 1st International Conference on Computational Science and Technology (ICCST), 2022: IEEE, pp. 157-161.
• [10] Z. Wang and Y. Shi, "Prediction of the admission lines of college entrance examination based on machine learning," in 2016 2nd IEEE International Conference on Computer and Communications (ICCC), 2016: IEEE, pp. 332-335.
• [11] D. Wang, D. Lian, Y. Xing, S. Dong, X. Sun, and J. Yu, "Analysis and prediction of influencing factors of college student achievement based on machine learning," Frontiers in Psychology, vol. 13, p. 881859, 2022.
• [12] E. Çakıt and M. Dağdeviren, "Predicting the percentage of student placement: A comparative study of machine learning algorithms," Education and Information Technologies, vol. 27, no. 1, pp. 997-1022, 2022.
• [13] B. Ujkani, D. Minkovska, and L. Stoyanova, "A machine learning approach for predicting student enrollment in the university," in 2021 XXX International Scientific Conference Electronics (ET), 2021: IEEE, pp. 1-4.
• [14] S. Tankuş, "Üniversite sınavına giren öğrencilerin sınav sonuçlarının yapay zeka ile analizi ve değerlendirmesi: 2018 yılı Şanlıurfa ili örneği/Analysis and evaluation of the exam results of the students attending the university examination with artificial intelligence: 2018 Sanliurfa province," 2020.
• [15] E. Erdem and F. Bozkurt, "A comparison of various supervised machine learning techniques for prostate cancer prediction," Avrupa Bilim ve Teknoloji Dergisi, no. 21, pp. 610-620, 2021.
• [16] İ. Koyuncu and S. Gelbal, "Comparison of data mining classification algorithms on educational data under different conditions," Journal of Measurement and Evaluation in Education and Psychology, vol. 11, no. 4, pp. 325-345, 2020.
• [17] H. Jin, Y.-G. Kim, Z. Jin, A. A. Rushchitc, and A. S. Al-Shati, "Optimization and analysis of bioenergy production using machine learning modeling: Multi-layer perceptron, Gaussian processes regression, K-nearest neighbors, and Artificial neural network models," Energy Reports, vol. 8, pp. 13979-13996, 2022.
• [18] M. A. Jassim, "Analysis of the performance of the main algorithms for educational data mining: a review," in IOP conference series: materials science and engineering, 2021, vol. 1090, no. 1: IOP Publishing, p. 012084.
• [19] M. A. Baig, S. A. Shaikh, K. K. Khatri, M. A. Shaikh, M. Z. Khan, and M. A. Rauf, "Prediction of Students Performance Level Using Integrated Approach of ML Algorithms," Int. J. Emerg. Technol. Learn., vol. 18, no. 1, pp. 216-234, 2023.
• [20] S. A. Alwarthan, N. Aslam, and I. U. Khan, "Predicting student academic performance at higher education using data mining: a systematic review," Applied Computational Intelligence and Soft Computing, vol. 2022, 2022.
• [21] Ö. Ali, "Automatic Detection of Epileptic Seizures from EEG Signals Using Artificial Intelligence Methods," Gazi University Journal of Science Part C: Design and Technology, pp. 1-1,2024.
• [22] M. A. A. Walid, S. M. Ahmed, M. Zeyad, S. S. Galib, and M. Nesa, "Analysis of machine learning strategies for prediction of passing undergraduate admission test," International Journal of Information Management Data Insights, vol. 2, no. 2, p. 100111, 2022.
• [23] D. Chicco, M. J. Warrens, and G. Jurman, "The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation," Peerj computer science, vol. 7, p. e623, 2021.
• [24] U. Verma, C. Garg, M. Bhushan, P. Samant, A. Kumar, and A. Negi, "Prediction of students’ academic performance using Machine Learning Techniques," in 2022 International Mobile and Embedded Technology Conference (MECON), 2022: IEEE, pp. 151-156.
• [25] T. O. Hodson, "Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not," Geoscientific Model Development Discussions, vol. 2022, pp. 1-10, 2022.