Büyük Veriden Öğrencilerin Öğretim İçerik Tercihlerinin Başarıya Etkisinin Belirlenmesine Yönelik Veritabanlarından Bilgi Keşfi Yöntemi: OULAD Veri Seti Örneği

Yıl 2023, , 121 - 138, 28.03.2023

Can Meşe

https://doi.org/10.18037/ausbd.1272568

Öz

Sanal öğrenme ortamlarında öğrencilerin öğrenme içerikleri ile etkileşimlerinden dolayı çok sayıda veri ortaya çıkmaktadır. Bu veriler eğitsel veri madenciliği algoritmaları ile sanal öğrenme ortamlarının tasarımında yol gösterici nitelikte olmaktadır. Ancak öğrencilerin sanal öğrenme ortamında etkileşimde bulundukları öğretim materyallerinin başarı durumlarına etkisinin incelenmesine ihtiyaç duyulmaktadır. Bu tür ihtiyaçlara yönelik yapılan eğitsel veri madenciliği uygulamalarına yönelik izlenmesi gereken bilimsel süreçlerin de ortaya konulması gerekmektedir. Bu araştırmada öğrencilerin sanal öğrenme ortamında farklı öğrenme materyalleri ile etkileşimlerinin başarı durumuna etkisinin ortaya konulmasında veritabanından bilgi keşfi yönteminin kullanılması amaçlanmıştır. Araştırmada büyük veri olarak The Open University Öğrenme Analitiği Veri Seti kullanılmıştır. Bu veri seti ile veritabanından bilgi keşfi yöntemine göre süreç izlenmiş ve karar ağacı algoritmalarından CART algoritması ile araştırma sorularına yanıt aranmıştır. Araştırmanın bulgularına göre öğrencilerin öğretim materyalleri ile etkileşimlerinin başarının bir belirleyicisi olduğu görülmüştür. Bu doğrultuda öğretim tasarımcılarının uzaktan eğitim ortamlarında standartların oluşturulmasına ve etkili bir öğretim tasarımı için tercih edilecek öğretim materyallerinin belirlenmesine yönelik alacakları kararda araştırma bulgularının yol gösterici nitelikte olması öngörülmektedir.

Anahtar Kelimeler

Veritabanlarından Bilgi Keşfi, Öğrenci-İçerik Etkileşimi, Öğretim Materyali, CART Analizi, OULAD Veri Seti

Kaynakça

• Adak, M. F. ve Yurtay, N. (2013). Gini algoritmasını kullanarak karar ağacı oluşturmayı sağlayan bir yazılımın geliştirilmesi. Bilişim Teknolojileri Dergisi, 6(3), 1-6. Erişim adresi: https://dergipark.org.tr/tr/pub/gazibtd/issue/6629/87997
• Agudo-Peregrina, Á. F., Iglesias-Pradas, S., Conde-González, M. Á. ve Hernández-García, Á. (2014). Can we predict success from log data in VLEs? Classification of interactions for learning analytics and their relation with performance in VLE-supported F2F and online learning. Computers in Human Behavior, 31, 542-550. doi: 10.1016/j.chb.2013.05.031
• Akçapınar, G. ve Hasnine, M. N. (2022). Discovering the effects of learning analytics dashboard on students' behavioral patterns using differential sequence mining. Procedia Computer Science, 207, 3818-3825. doi: 10.1016/j.procs.2022.09.443
• Aljohani, N. R., Fayoumi, A. ve Hassan, S.-U. (2019). Predicting at-risk students using clickstream data in the virtual learning environment. Sustainability, 11(24), 7238. doi: 10.3390/su11247238
• Azevedo, A. ve Azevedo, J. M. (2021). Learning analytics: A bibliometric analysis of the literature over the last decade. International Journal of Educational Research Open, 2, 100084, 1-12. doi: 10.1016/j.ijedro.2021.100084
• Azevedo, A. ve Santos, M. F. (2008). KDD, SEMMA and CRISP-DM: A parallel overview. IADIS European Conference Data Mining, 182–185, MCCSIS 2008. Erişim adresi: http://recipp.ipp.pt/handle/10400.22/136.
• Baradwaj, B. K. ve Pal, S. (2011). Mining educational data to analyze students' performance. International Journal of Advanced Computer Science and Applications, 2(6). doi: 10.14569/IJACSA.2011.020609
• Calders, T. ve Pechenizkiy, M. (2012). Introduction to the special section on educational data mining. ACM SIGKDD Explorations Newsletter, 13(2), 3-6. doi: 10.1145/2207243.2207245
• Costa, E. B., Fonseca, B., Santana, M. A., de Araújo, F. F. ve Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior, 73, 247-256. doi: 10.1016/j.chb.2017.01.047
• Creswell, J. W. (2012). Educational research: Planning, conducting, and evaluating quantitative (4th Edition). NJ: Prentice Hall Upper Saddle River.
• Davies, R., Allen, G., Albrecht, C., Bakir, N. ve Ball, N. (2021). Using educational data mining to identify and analyze student learning strategies in an online flipped classroom. Education Sciences, 11(11), 668. doi: 10.3390/educsci11110668
• de Andrade, T. L., Rigo, S. J. ve Barbosa, J. L. V. (2021). Active methodology, educational data mining and learning analytics: A systematic mapping study. Informatics in Education, 20(2), 171–204. doi: 10.15388/infedu.2021.09
• dos Santos, R.A., Paulista, C.R. ve da Hora, H.R.M. (2021). Education data mining on PISA 2015 best ranked countries: What makes the students go well. Tech Know Learn. Çevrimiçi ön yayın. doi: 10.1007/s10758-021-09572-9
• Eygü, H. ve Bayhan, Y. C. (2020). Karar ağaçları ile sınıflandırma CHAID algoritması teori ve bir uygulama. Bursa: Ekin Yayınevi.
• Fayyad, U. (2001). Knowledge Discovery in Databases: An Overview. In: Džeroski, S., Lavrač, N. (eds) Relational Data Mining. Springer, Berlin, Heidelberg. doi: 10.1007/978-3-662-04599-2_2
• Fayyad, U., Piatetsky-Shapiro, G. ve Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazin, 17(3), 37-54. doi: 10.1609/aimag.v17i3.1230
• Feldman-Maggor, Y., Barhoom, S., Blonder, R. ve Tuvi-Arad, I. (2021). Behind the scenes of educational data mining. Education and Information Technologies, 26(2), 1455-1470. doi: 10.1007/s10639-020-10309-x
• Fraenkel, J. R., Wallen, N. E., & Hyun, H. (2012). How to design and evaluate research in education. Mcgraw-Hill.
• Greller, W. ve Drachsler, H. (2012). Translating learning into numbers: A generic framework for learning analytics. Educational Technology & Society, 15(3), 42-57. Erişim adresi: http://www.jstor.org/stable/jeductechsoci.15.3.42
• Han, J. ve Kamber, M., (2012), Data Mining Concepts and Techniques (3rd edition), Waltham: Morgan Kauffmann Publishers Inc.
• He, W. (2013). Examining students' online interaction in a live video streaming environment using data mining and text mining. Computers in Human Behavior, 29(1), 90-102. doi: 10.1016/j.chb.2012.07.020
• Keskin, S. ve Yurdugül, H. (2020). Kestirim yöntemleri. Güyer, T., Yurdugül, H., Yıldırım, S. (Ed.) Eğitsel veri madenciliği ve öğrenme analitikleri (s. 66-88) içinde. Ankara: Anı Yayıncılık.
• Kuzilek, J., Hlosta, M. ve Zdrahal, Z. (2017). Open University learning analytics dataset. Scientific Data, 4(1), 170171. doi: 10.1038/sdata.2017.171
• Lee, J.-E. ve Recker, M. (2021). The effects of instructors' use of online discussions strategies on student participation and performance in university online introductory mathematics courses. Computers & Education, 162, 104084. doi: 10.1016/j.compedu.2020.104084
• Moore, M. G. (1989). Editorial: Three types of interaction. American Journal of Distance Education, 3(2), 1-7. doi: 10.1080/08923648909526659
• Nkomo, L. M. ve Nat, M. (2021). Student engagement patterns in a blended learning environment: An educational data mining approach. TechTrends, 65(5), 808-817. doi: 10.1007/s11528-021-00638-0
• Özdemir, A., Yalçın Aslay, F. ve Çam, H. (2010). Veri tabanında bilgi keşfi süreci: Gümüşhane Devlet Hastanesi uygulaması. Sosyal Ekonomik Araştırmalar Dergisi 10(20), 347-366. Erişim adresi: https://dergipark.org.tr/tr/pub/susead/issue/28415/302475
• Özkan, Y. (2013). Veri madenciliği yöntemleri. İstanbul: Papatya Yayıncılık Eğitim.
• Papamitsiou, Z. ve Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49-64. Erişim adresi: http://www.jstor.org/stable/jeductechsoci.17.4.49
• Qiu, F., Zhang, G., Sheng, X., Jiang, L., Zhu, L., Xiang, Q., Jiang, B. ve Chen, P. (2022). Predicting students' performance in e-learning using learning process and behaviour data. Scientific Reports, 12(1), 453. doi: 10.1038/s41598-021-03867-8
• Razi, M. ve Athappilly, K. (2005). A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models. Expert Systems with Applications, 29(1), 65-74. doi: 10.1016/j.eswa.2005.01.006
• Riestra-González, M., Paule-Ruíz, M. del P. ve Ortin, F. (2021). Massive LMS log data analysis for the early prediction of course-agnostic student performance. Computers & Education, 163, 104108. doi: 10.1016/j.compedu.2020.104108
• Rokach, L. ve Maimon O. (2014). Data mining with decision trees: Theory and applications. Series in Machine Perception and Artificial Intelligence, 81, 1-303. doi: 10.1142/9097
• Sachin, R. B. ve Vijay, M. S. (2012). A survey and future vision of data mining in educational field. 2012 Second International Conference on Advanced Computing & Communication Technologies, 2012, 96-100. doi: 10.1109/ACCT.2012.14
• Sarıtaş, M. T., Börekci, C. ve Demirel, S. (2022). Quality assurance in distance education through data mining. International Journal of Technology in Education and Science, 6(3), 443-457. doi: 10.46328/ijtes.396
• Serradell-Lopez, E., Lara-Navarra, P. ve Martínez-Martínez, S. (2023). The pareto principle in virtual communities of learning. Computers in Human Behavior, 138, 107444. doi: 10.1016/j.chb.2022.107444
• Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400. doi: 10.1177/0002764213498851
• Uluyardımcı, M. M. ve Zontul, M. (2019). Veri madenciliği yöntemleri ile uçuş biletleme analizi. AURUM Mühendislik Sistemleri ve Mimarlik Dergisi, 3(2). 153-168. Erişim adresi: https://dergipark.org.tr/tr/pub/ajesa/issue/52409/529493.
• Xing, W. (2015). Participation-based student final performance prediction model through interpretable genetic programming: Integrating learning analytics, educational data mining and theory. Computers in Human Behavior, 47, 168-181. doi: 10.1016/j.chb.2014.09.034
• Zacharis, N. Z. (2018). Classification and regression trees (CART) for predictive modeling in blended learning. International Journal of Intelligent Systems and Applications, 10(3), 1-9. doi: 10.5815/ijisa.2018.03.01