TY  - JOUR
T1  - Öznitelik Seçme ve Makine Öğrenmesi Yöntemleriyle Eğitmen Performansının Tahmin Edilmesi
TT  - Predicting Instructor Performance by Feature Selection and Machine Learning Methods
AU  - Çifçi, Fatih
AU  - Kaleli, Cihan
AU  - Ünal, Serkan
PY  - 2018
DA  - August
DO  - 10.18039/ajesi.454587
JF  - Anadolu Journal of Educational Sciences International
JO  - AJESI
PB  - Anadolu Üniversitesi
WT  - DergiPark
SN  - 2146-4014
SP  - 419
EP  - 440
VL  - 8
IS  - 2
LA  - tr
AB  - Günümüzde hayatın her sektöründe işlenen veri miktarınınartması, veri madenciliğin giderek daha popüler hale gelmesine yol açmış veyüksek miktarda verinin artan bir karmaşıklıkta işlenmesi ihtiyacı doğmuştur.Finanstan, sağlığa, savunmadan eğitime onlarca sektörün sorunlarını çözmekadına gün geçtikçe farklı yöntemler geliştirilmekte, sosyal, ekonomik, bilimselbirçok problemin çözümü adına veri madenciliği yöntemlerine başvurulmaktadır.Eğitilen ve eğiten sayısının gün geçtikçe arttığı eğitim sektöründe ise,sistemin başarısının geliştirilebilmesi için, gerek eğitilen gerekseeğitimcilerinin performanslarının takip edilmesi ve kıymetlendirilmesiihtiyacı, eğitimsel veri madenciliği kavramını doğurmuştur. Bu alanda yapılançalışmalar genel olarak, öğrenci performansı konularına yoğunlaştığından,eğitmen performansı konusunda daha çok çalışmaya ihtiyaç duyulmaktadır.Eğitimsel veri madenciliği alanında öznitelik seçme ile birleştirilmiş makineöğrenmesi kullanan çalışmaların genel olarak öğrenci performansı üzerineyoğunlaştığı, ancak az sayıdaki çalışmanın eğitmen performansı üzerinde durduğugörülmüştür. Bu çalışmamızda, eğitmen performansının eğitimsel veri madenciliğiyöntemleriyle nasıl tespit edilebileceği üzerinde durulmuştur.  Çalışma kapsamında Gazi Üniversitesiöğrencilerinin eğitmenleri hakkında doldurdukları bir Likert Ölçekli Anket veriseti üzerinde çalışılmış, çeşitli öznitelik indirgeme algoritmaları ve farklımakine öğrenme yöntemleriyle veri seti kıymetlendirilmiş ve eğitmenlerinperformansları tahmin edilmiştir. Elde edilen sonuçlara göre genetik algoritmaile öznitelik seçmenin, kullanılan veri seti için diğer yöntemlere kıyasla eniyi sonucu verdiğini göstermiş ve 33 tane öznitelik yerine 19 öznitelikkullanılabileceği ortaya çıkarılmıştır. Genetik algoritma ile birlikte makineöğrenmesi yöntemi olarak derin öğrenme kullanımı ile birlikte %97,70 bir tahmindoğruluk performansına ulaşılmış ve bu değerin tüm özniteliklerin kullanılmasıile elde edilebilecek değerden yüksek olduğu görülmüştür. Bu çalışmayıdiğerlerinden farklı kılan özelliği ise, indirgenmiş öznitelik sayısı ve makineöğrenmesini birleştirmesinin yanında, eğitmen performanslarının sıralanmasıişlemini de somut olarak yapmasıdır.
KW  - Eğitimsel veri madenciliği
KW  - eğitmen performansı
KW  - makine öğrenmesi
KW  - öznitelik seçme
KW  - performans kıymetlendirme
N2  - Today, increasingamount of data in all sector of life, make data mining more popular, and highamount of data in increasing complexity demanded to acquit. Different methodsdeveloped day by day, for solving problems at many sectors like finance, health,defense, and education, applied to data mining for many social, economic, andscientific issues. In the education area, where both number of instructors andstudents always increase, for enhancing system performance, it is needed toobserve and evaluate the performance of students and instructors and suchsituation causes to reveal a new concept Educational Data Mining. Research inthis area generally focuses on student performance. Thus, there is a need forresearch in instructor performance. Research using machine learning combinedwith attribute selection in the field of educational data mining have focusedon student performance in general, but few studies have focused on instructorperformance. In this paper, it was discussed how the performance of theinstructor can be determined by educational data mining methods. A Likert typequestionnaire dataset on opinions of the Gazi University’s student regardingtheir instructor’s teaching performance is used in this research and differentfeature reduction, and machine learning algorithms are used for evaluating thedata set and performances of instructors. According to the obtained results, ithas been revealed that the feature selection with genetic algorithm gives thebest result for the used data set compared to the other methods and 19attributes can be used instead of 33 attributes. Utilizing genetic algorithmand deep learning as a machine learning method has achieved a predictiveaccuracy performance of 97.70 %, which is higher than the value that can beachieved by using all the attributes. This study differs from the others inthat it combines the reduced number of attributes and machine learning, as wellas the ordering of instructor performances in concrete terms.
CR  - Agaoglu, M. (2016). Predicting instructor performance using data mining techniques in higher education. IEEE Access, 4, 2379-2387.
CR  - Ahmed, A. M., Rizaner, A., & Ulusoy, A. H. (2016). Using data mining to predict instructor performance. Procedia Computer Science, 102, 137-142.
CR  - Andonie, R. (2010). Extreme data mining: Inference from small datasets. International Journal of Computers Communications & Control, 5(3), 280-291.
CR  - Anwar, M., Naseer, A., & Ali, I. (2014). Identifying hidden patterns in students' feedback through cluster analysis. International Journal of Computer Theory and Engineering, 7, 16-20.
CR  - Coburn, L. (1984). Student evaluation of teacher performance. Education Resources Information Center Publications.
CR  - Cortez, P., & Silva, A. M. G. (2008). Using data mining to predict secondary school student performance. The European Multidisciplinary Society for Modelling and Simulation Technology.
CR  - Delavari, N., Phon-Amnuaisuk, S., & Beikzadeh, M. R. (2008). Data mining application in higher learning institutions. Informatics in Education, 7(1), 31-54.
CR  - Gunduz, G., & Fokoue, E. (2013). UCI machine learning repository [http://mlearn.ics.uci.edu/MLRepository.html]. Irvine, CA: University of California, School of Information and Computer Science.
CR  - Han, J., Pei, J., & Kamber, M. (2011). Data mining: Concepts and techniques. Morgan Kaufmann.
CR  - Hobson, S. M., & Talbot, D. M. (2001). Understanding student evaluations: What all faculty should know. College teaching, 49(1), 26-31.
CR  - Karahan, Ş., & Akgül, Y. S. (2016). Eye detection by using deep learning. 24th International Conference on Signal Processing and Communication Application (SIU), 2145-2148, Izmir, Turkey.
CR  - Koutina, M., & Kermanidis, K. L. (2011). Predicting postgraduate students’ performance using machine learning techniques. Advances in Information and Communication Technology, 364, 159-168.
CR  - Marsh, H. W., & Roche, L. A. (1997). Making students' evaluations of teaching effectiveness effective: The critical issues of validity, bias, and utility. American Psychologist, 52(11), 1187.
CR  - Mendes, R. R. F., de Voznika, F. B., Freitas, A. A., & Nievola, J. C. (2001) Discovering fuzzy classification rules with genetic programming and co-evolution. Lecture Notes in Computer Science - Principles of Data Mining and Knowledge Discovery, 2168, 314-325.
CR  - Minaei-Bidgoli, B., & Punch, W. F. (2003). Using genetic algorithms for data mining optimization in an educational web-based system. Lecture Notes in Computer Science, 2724, 2252-2263.
CR  - Natek, S., & Zwilling, M. (2014). Student data mining solution–knowledge management system related to higher education institutions. Expert Systems with Applications, 41(14), 6400-6407.
CR  - Oyedotun, O. K., Tackie, S. N., Olaniyi, E. O., & Khashman, A. (2015). Data mining of students' performance: Turkish students as a case study. International Journal of Intelligent Systems and Applications, 7(9), 20-27.
CR  - Peña-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4), 1432-1462.
CR  - Radmacher, S. A., & Martin, D. J. (2001). Identifying significant predictors of student evaluations of faculty through hierarchical regression analysis. The Journal of Psychology, 135(3), 259-268.
CR  - Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33(1), 135-146.
CR  - Sanjay, S. S., & Keshav, B. B. (2017). Teacher’s performance analyzer. The International Journal on Emerging Trends in Technology, 4(1), 178- 180.
CR  - Sorour, S. E., Goda, K., & Mine, T. (2015). Estimation of student performance by considering consecutive lessons. 4th International Congress on Advanced Applied Informatics (IIAI-AAI), 121-126, Okayama, Japan.
CR  - Superby, J. F., Vandamme, J. P., & Meskens, N. (2006). Determination of factors influencing the achievement of the first-year university students using data mining methods. 8th International Conference on Intelligent Tutoring Systems, Educational Data Mining Workshop, 234-240, Jhongli, Taiwan.
CR  - Theodoridis, S., & Koutroumbas, K. (2008). Pattern recognition. Academic Press.
UR  - https://doi.org/10.18039/ajesi.454587
L1  - https://dergipark.org.tr/tr/download/article-file/525791
ER  -