Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi

Hakan Güldal; Yılmaz Çakıcı

Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi

Abstract

Bu araştırmanın amacı, Ders Yönetim Sistemi Yazılımı (DYS) kullanan öğrencilerin sistemle olan etkileşimlerine dayalı olarak veri madenciliği sınıflandırma algoritmaları ile öğrencilerin akademik başarılarının ne ölçüde tahmin edilebileceğini ve onların akademik başarılarının tahmin edilmesinde algoritmalara hangi etkileşimlerin bilgi kazancı sağladığını belirlemektir. Araştırma verileri, Trakya Üniversitesi Eğitim Fakültesinde 2015-2016 eğitim öğretim yılında öğrenim görmekte olan 70 öğrencinin Bulutders DYS yazılımını kullanma sürecindeki etkileşimlerinden elde edilmiştir. Veri madenciliği sınıflandırma algoritmaları olarak Naive Bayes, Karar Ağacı (C4.5) ve En Yakın k-Komşu algoritmaları kullanılmıştır. Araştırma sonucunda elde edilen bulgulara göre, sınıflandırma algoritmalarının doğruluk değerlerinin %55.7 ile %64.3 arasında olduğu ve DYS yazılımındaki ödevlerden elde edilen öğrenci etkileşimlerinin en yüksek bilgi kazancını sağladığı ortaya çıkmıştır.

Keywords

Eğitsel Veri Madenciliği,Öğrenme Analitikleri

References

Ahmad, F., Ismail, N. H. ve Aziz, A. A. (2015). The prediction of students’ academic performance using classification data mining techniques. Applied Mathematical Sciences, 9(129). https://doi.org/10.12988/ams.2015.53289
Akçapınar, G., Altun, A. ve Aşkar, P. (2015). Modeling Students’ Academic Performance Based on Their Interactions with the Online Learning Environment. İlköğretim Online, 14(2), 815–824. https://doi.org/10.17051/io.2015.03160
Akçapınar, G., Coşgun, E. ve Altun, A. (2013). Mining Wiki Usage Data for Predicting Final Grades of Students. Prague 2013 (IAC-ETeL 2013), 1–6.
Baldi, P., ve Brunak, S. (2001). Bioinformatics - The machine learning approach. Machine Learning.
Baradwaj, B. ve Pal, S. (2012). Mining educational data to analyze student’s performance. Internation Journal Od Advamced Computer Science and Applications, 2(6), 63–69. https://doi.org/vol.2,No.6
Bhardwaj, B. K. (2011). Data Mining : A prediction for performance improvement using classification. (IJCSIS) International Journal of Computer Science and Information Security, 9(4).
Breiman, L., Friedman, J. H., Olshen, R. A., ve Stone, C. J. (1984). Classification and Regression Trees. Wadsworth International Group. Retrieved from http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Classification+and+regression+trees#0
Buniyamin, N., Mat, U. Bin ve Arshad, P. M. (2016). Educational data mining for prediction and classification of engineering students achievement. In IEEE 7th International Conference on Engineering Education, ICEED 2015. https://doi.org/10.1109/ICEED.2015.7451491

Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. ve Zanasi, A. (1998). Discovering data mining : from concept to implementation. Prentice Hall.
Christian, T. M. ve Ayub, M. (2014). Exploration of classification using NBTree for predicting students’ performance. In Proceedings of 2014 International Conference on Data and Software Engineering, ICODSE 2014. https://doi.org/10.1109/ICODSE.2014.7062654
Del, A. (2016). Predicting academic performance in traditional environments at higher-education institutions using data mining : A review, (February 2017).
Fayyad, U. M., Weir, N. ve Djorgovski, S. G. (1993). Automated Cataloging And Analysis Of Sky Survey Image Databases: The Skicat System. Cikm, 527–536. https://doi.org/10.1145/170088.170414
Frank, E., Hall, M. A. ve Witten, I. H. (2016). The WEKA Workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques" Morgan Kaufmann, Fourth Edition.
Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S. ve Brilliant, L. (2009). Detecting influenza epidemics using search engine query data. Nature, 457(7232), 1012–4. https://doi.org/10.1038/nature07634
Güldal, H. (2015). Servis Olarak Bir Ders Yönetim Sistemi Yazılımı: Bulutders.com. In 5th International Conference on Research in Education – ICRE. Edirne.
Márquez-Vera, C., Cano, A., Romero, C. ve Ventura, S. (2013). Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data. Applied Intelligence, 38(3), 315–330. https://doi.org/10.1007/s10489-012-0374-8
Martins, L. L. ve Kellermanns, F. W. (2004). A Model of Business School Students’ Acceptance of a Web-Based Course Management System. Academy of Management Learning & Education, 3(1), 7–26. https://doi.org/10.5465/AMLE.2004.12436815
Mishra, T., Kumar, D. ve Gupta, S. (2014). Mining students’ data for prediction performance. International Conference on Advanced Computing and Communication Technologies, ACCT, 255–262. https://doi.org/10.1109/ACCT.2014.105 Osmanbegović, E. ve Suljić, M. (2012). Data mining approach for predicting student performance. Journal of Economics and Business, X(1), 3–12.
Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning, 1(1), 81–106. https://doi.org/10.1023/A:1022643204877
Quinlan, J. R. (1992). C4.5: Programs for Machine Learning. Morgan Kaufmann San Mateo California (Vol. 1). https://doi.org/10.1016/S0019-9958(62)90649-6
Shahiri, A. M., Husain, W. ve Rashid, N. A. (2015). A Review on Predicting Student’s Performance Using Data Mining Techniques. Procedia Computer Science, 72, 414–422. https://doi.org/10.1016/j.procs.2015.12.157
Tüzüntürk, S. (2010). Veri̇ Madenci̇li̇ği̇ ve İstati̇sti̇k, (2001), 65–90.

Details

Primary Language

Turkish

Subjects

-

Journal Section

Research Article

Authors

Hakan Güldal ^*
0000-0003-4520-4421

Yılmaz Çakıcı
0000-0003-4520-4421

Publication Date

December 20, 2017

Submission Date

October 8, 2017

Acceptance Date

November 29, 2017

Published in Issue

Year 2017 Volume: 21 Number: 4

IZ

https://izlik.org/JA52UJ42GD

Cite

RIS / Bibtex

APA

Güldal, H., & Çakıcı, Y. (2017). Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(4), 1355-1367. https://izlik.org/JA52UJ42GD

AMA

1.Güldal H, Çakıcı Y. Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. ATASOBED. 2017;21(4):1355-1367. https://izlik.org/JA52UJ42GD

Chicago

Güldal, Hakan, and Yılmaz Çakıcı. 2017. “Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları Ile Analizi”. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 21 (4): 1355-67. https://izlik.org/JA52UJ42GD.

EndNote

Güldal H, Çakıcı Y (December 1, 2017) Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 21 4 1355–1367.

IEEE

[1]H. Güldal and Y. Çakıcı, “Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi”, ATASOBED, vol. 21, no. 4, pp. 1355–1367, Dec. 2017, [Online]. Available: https://izlik.org/JA52UJ42GD

ISNAD

Güldal, Hakan - Çakıcı, Yılmaz. “Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları Ile Analizi”. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 21/4 (December 1, 2017): 1355-1367. https://izlik.org/JA52UJ42GD.

JAMA

1.Güldal H, Çakıcı Y. Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. ATASOBED. 2017;21:1355–1367.

MLA

Güldal, Hakan, and Yılmaz Çakıcı. “Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları Ile Analizi”. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, vol. 21, no. 4, Dec. 2017, pp. 1355-67, https://izlik.org/JA52UJ42GD.

Vancouver

1.Hakan Güldal, Yılmaz Çakıcı. Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları ile Analizi. ATASOBED [Internet]. 2017 Dec. 1;21(4):1355-67. Available from: https://izlik.org/JA52UJ42GD