MAKİNE ÖĞRENMESİ KULLANARAK ÖĞRENCİ AKADEMİK PERFORMANSININ TAHMİN EDİLMESİ: SÜRDÜRÜLEBİLİR EĞİTİM (SDG 4) YOLUNDA BANGLADEŞ EĞİTİM VERİLERİ ÜZERİNE BİR VAKA ÇALIŞMASI

Abstract

Eğitimde sürdürülebilirlik küresel bir önceliktir. Tanık olduğumuz hızlı dijital dönüşüm nedeniyle, kapsayıcı, hakkaniyetli ve yüksek kaliteli bir eğitime ulaşmak için modern teknolojilerin entegre edilmesi gerekmektedir. Buna rağmen, modern teknolojilerden biri olan Makine Öğrenmesinin (ML) kurumlar içindeki eğitim verilerine uygulanmasında hala kısıtlamalar bulunmaktadır. Bu araştırma, ML aracılığıyla akademik performans tahmininin hem ulaşılabilir hem de oldukça etkili olduğuna dair pratik kanıtlar sunarak bu boşluğu gidermektedir. Temel hedef doğrultusunda iki ana amaç belirlenmiştir: Birincisi dört ML modelini karşılaştırmak, ikincisi ise akademik performansı etkileyen en önemli faktörleri belirlemektir. Bu amaçlara ulaşmak için çalışmada Bangladeş'teki 8.000'den fazla ortaöğretim öğrencisinden alınan veriler kullanılmıştır. Veri setine dayanarak, öğrencilerin akademik başarısı beş ortak dersin not ortalaması ile temsil edilmiş ve çalışma, önceki notların varlığına dayanmadan tahminde bulunmaya çalışmıştır. Araştırma; veri setinde mevcut olan bağlamsal, davranışsal ve diğer değişkenlere dayanmaktadır. Kullanılan modellerden üçü sığ (shallow) modellerdir: Çoklu Doğrusal Regresyon (MLR), Karar Ağacı (DT), Rastgele Orman (RF); biri ise derindir: İleri Beslemeli Derin Sinir Ağı (DNN). Tüm süreç R ortamında uygulanmış ve sonuçlar bazı ilgi çekici noktaları ortaya koymuştur. Sığ RF modeli, derin modelden küçük bir farkla daha doğru sonuç vermiştir (R² = 93.3'e karşı R² = 93.0). Öğrenci performansını etkileyen en önemli faktörün, modellerin tahmin gücünü domine eden "öğrenci grubu" (sanat, ticaret veya fen) olduğu görülmüştür. Çalışma süresi ve devam durumu da değiştirilebilir önemli davranışsal faktörler olarak göz ardı edilemez. Sunulan sonuçlara ek olarak bu çalışma, iki Erken Uyarı Sistemi (EWS) geliştirerek eğitimde sürdürülebilirliğe katkıda bulunmaktadır: hızlı grup taraması için basitleştirilmiş bir sistem ve bireysel tahminler için tam bir EWS. Bu çalışmanın sonuçları ve katkıları, özellikle sanat branşındaki en riskli alt grupların bulunmasına ve değiştirilebilir davranışlara veya diğer faktörlere dayalı proaktif destek sağlamak için kaynakların tahsis edilmesine yardımcı olacaktır. Sonuç olarak bu araştırma, eğitimde hakkaniyeti ve verimliliği artırmak için ölçeklenebilir bir çerçeve sunmaktadır. Çalışma, BM Sürdürülebilir Kalkınma Amacı 4 (SDG 4): Nitelikli Eğitim ile uyumludur.

Keywords

• Eğitimde Sürdürülebilirlik
• Makine Öğrenmesi
• Erken Uyarı Sistemleri
• SDG 4 (Sürdürülebilir Kalkınma Amaçları 4)
• Kaynak Optimizasyonu
• Akademik Performans Tahmini
• Rastgele Orman
• Regresyon Analizi
• Özellik Önemi

Predicting Student Academic Performance Using Machine Learning: A Case Study On Educational Data From Bangladesh Towards Sustainable Education (SDG 4)

Abstract

Educational sustainability is a global priority. Because of the rapid digital transformation that we are seeing, it is necessary to integrate modern technologies to achieve inclusive, equitable, and high-quality education. Despite this, there is still a limitation in applying Machine Learning (ML), as one of the modern technologies, to educational data within institutions. This research addresses this gap by providing practical evidence that predicting academic performance via ML is both achievable and highly effective. Two main objectives were generated from the main goal. The first one is to compare four ML models, while the second is to determine the most important factors affecting academic performance. To achieve the previous goals, the study used data from more than 8,000 secondary school students from Bangladesh. Based on the given dataset, students’ academic performance was represented by the average grades of five common courses, where the study tried to predict it without relying on the existence of previous grades. The study depends on the contextual, behavioral, and other variables that are available in that dataset. Three of the models used were shallow: Multiple Linear Regression (MLR), Decision Tree (DT), Random Forest (RF), while one was deep: Feedforward Deep Neural Network (DNN). The whole process was implemented in the R environment, and the results revealed some interesting points. The shallow RF model was more accurate than the deep one with a small margin (R² = 93.3 vs. R² = 93.0). The most important factor affecting student performance is the student group (arts, commerce, or science), which dominated the predictive power of the models. Study time and attendance can also not be ignored as important behavioral modifiable factors. In addition to the results presented, this study contributes to educational sustainability by developing two Early Warning Systems (EWS): a simplified system for quick group screening and a full EWS for individual predictions. The results and the contributions of this study will help to find the most at-risk subgroups, particularly in the arts track, and allocate resources to provide proactive support based on modifiable behaviors or other factors. Ultimately, this research provides a scalable framework to enhance equity and efficiency in education. It is aligned with UN Sustainable Development Goal 4 (SDG 4): Quality Education.

Keywords

• Educational Sustainability
• Machine Learning
• Early Warning Systems
• SDG 4
• Resource Optimization
• Academic Performance Prediction
• Random Forest
• Regression Analysis
• Feature Importance

References

1. Lewis N D. Machine learning made easy with R: An intuitive step-by-step blueprint for beginners. 1st ed. AusCov; 2017
2. Huang, J., Zhong, Y., Chen, X., 2025. Adaptive and personalized learning in STEM education using high-performance computing and artificial intelligence. Journal of Supercomputing, 81(1), 981–1004. https://doi.org/10.1007/s11227-025-07481-7
3. Romero, C., Ventura, S., 2020. Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355
4. Ersozlu, Z., Taheri, S., Koch, I., 2024. A review of machine learning methods used for educational data. Education and Information Technologies, 29, 22125–22145. https://doi.org/10.1007/s10639-024-12704-0
5. Albreiki, B., Zaki, N., Alashwal, H., 2021. A systematic literature review of students’ performance prediction using machine learning techniques. Education Sciences, 11(9), 552. https://doi.org/10.3390/educsci11090552
6. Ouhaddou, C., Retbi, A., Bennani, S., 2025. Predicting student academic path using machine learning: Systematic review. 2025 5th International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), IEEE, 1–8. https://doi.org/10.1109/IRASET64571.2025.11008352
7. Cortez, P., Silva, A., 2008. Using data mining to predict secondary school student performance. Proceedings of the 5th Future Business Technology Conference (FUBUTEC), Porto, Portugal, 5–12
8. Gull, H., Saqib, M., Iqbal, S. Z., Saeed, S., 2020. Improving learning experience of students by early prediction of student performance using machine learning. 2020 IEEE International Conference for Innovation in Technology (INOCON), IEEE, 1–4. https://doi.org/10.1109/INOCON50539.2020.9298266

9. Hashim, A. S., Awadh, W. A., Hamoud, A. K., 2020. Student performance prediction model based on supervised machine learning algorithms. IOP Conference Series: Materials Science and Engineering, 928(3), 032019. https://doi.org/10.1088/1757-899X/928/3/032019
10. Soyoye, T. O., Chen, T., Hill, R., McCabe, K., 2023. Predicting academic performance of university students using machine learning: A case study in the UK. 2023 IEEE/WIC International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), IEEE, 431–434. https://doi.org/10.1109/WI-IAT59888.2023.00071
11. Alsalem, G. M., Sarhan, N., Hammad, M., Zawaideh, B., 2024. Predicting students’ performance using machine learning classifiers. 2024 25th International Arab Conference on Information Technology (ACIT), IEEE, 1–5. https://doi.org/10.1109/ACIT62805.2024.10877102
12. Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., Alelyani, S., Nawaz, R., 2020. Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104, 106189. https://doi.org/10.1016/j.chb.2019.106189
13. Nabil, A., Seyam, M., Abou-Elfetouh, A., 2021. Prediction of students’ academic performance based on courses’ grades using deep neural networks. IEEE Access, 9, 140731–140746. https://doi.org/10.1109/ACCESS.2021.3119596
14. Verma, B. K., Srivastava, N., Bharti, A. K., 2024. Advanced models for predicting student performance in higher education using machine learning and data mining techniques. 2024 13th International Conference on System Modeling & Advancement in Research Trends (SMART), IEEE, 600–605. https://doi.org/10.1109/SMART63812.2024.10882496
15. National Curriculum and Textbook Board (NCTB), 2012. National curriculum framework. Ministry of Education, Government of Bangladesh, Dhaka
16. Bangladesh Bureau of Educational Information and Statistics (BANBEIS), 2022. Bangladesh education statistics 2022. Ministry of Education, Government of Bangladesh, Dhaka.
17. Biswas, S., Hassan, J., Tarek, L. R., 2024. Student Performance-BD [Data set]. Kaggle. https://www.kaggle.com/datasets/satayjit/student-performance-bd (Accessed 6 May 2025)
18. Nahar, L., Chowdhury, M., 2019. Stream selection in secondary education of Bangladesh: Determinants and consequences. International Journal of Education and Research, 7(6), 123–134