Ortaöğretimde Öğrenim Gören Öğrenci Performanslarının Veri Madenciliği Yöntemleri İle Tahmin Edilmesi

Öz

İnsanların günlük yaşantılarında sergiledikleri davranışlarının analizi sürecinin gerçekleştirmesi sonrasında belli metodolojiler ve sınıflandırma yöntemleri kullanılarak, kendi başına öğrenme ve ölçümlemeler yapabilen veri madenciliği yöntemleri ile insan beyninin öğrenmeye olan eğilimi ve sistematiğine benzer paradigmalar üretilmeye çalışılmaktadır. Bu yöntemler kullanılarak eğitim, öğrenme, karar verme süreçlerinin bir makineye uygulanabilmesi amaçlanmaktadır. Bu doğrultuda analizi gerçekleştirilen veri kümesi UC Irvine Machine Learning Repository veri tabanından elde edilmiştir. Söz konusu içeriği oluşturan okul raporları ve anketlerden elde edilen veri üzerinde 31 öznitelikten oluşan veri kümesi kullanılmıştır. Veri içeriğindeki öznitelikler öğrencinin; notları, demografik öğeleri, sosyal ve okul faaliyetlerini kapsamaktadır. Bu kapsamda gerçekleştirilen çalışmada Iterative Classifier, OneR ve LogitBoost veri madenciliği yöntemleri ile analizler gerçekleştirilmiştir. En başarılı yöntem OneR veri madenciliği yöntemi olmuştur ve bu yöntem ile 5, 7 ve 10 fold çapraz geçerlilik deneyleri yapılarak bu sonuçların ortalamalarına bakıldığında doğruluk değerinin %92.15; duyarlılık değerinin %96; özgüllük değerinin %86.6 olduğu görülmektedir.

Anahtar Kelimeler

• Veri madenciliği,Öğrenci performansı,Sınıflandırma,OneR

Kaynakça

1. Arslan B., & Babadoğan, C. (2005). İlköğretim 7. ve 8. sınıf öğrencilerinin öğrenme stillerinin akademik başarı düzeyi, cinsiyet ve yaş ile ilişkisi. Eurasian Journal of Educational Research, 31,35-48.
2. Aydın, F., & Aslan, Z. (2017). Yapay Öğrenme Yöntemleri ve Dalgacık Dönüşümü Kullanılarak Nöro Dejeneratif Hastalıkların Teşhisi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 32(3).
3. Alves, E. T. A., Frucht, L. C., Souza, M. N., & Nóbrega, A. F. A. (2012, March). Iterative optimization algorithm-An alternative clustering tool for biological analysis using flow cytometry data. In 2012 Pan American Health Care Exchanges (pp. 66-70). IEEE.
4. Cortez, P., & Silva, A. M. G. (2008). Using data mining to predict secondary school student performance. In the Proceedings of 5th Annual Future Business Technology Conference, Porto, Portugal, 5-12.
5. Daş, B., & Türkoğlu, İ. (2014). DNA dizilimlerinin sınıflandırılmasında karar ağacı algoritmalarının karşılaştırılması. Elektrik–elektronik–bilgisayar ve Biyomedikal Mühendisliği Sempozyumu (ELECO 2014), 381-383.
6. Gorr, W. Lç, Nagin, D., & Szczypula, J. (1994). Comprarative study of artificial neural network and statistical models for predicting student grade point averages. International Journal of Forecasting, 10(1), 17-34.
7. Holte, R. C. (1993). Very simple classification rules perform well on most commonly used datasets. Machine learning, 11(1), 63-90.
8. İstenmeyen Elektronik Posta (Spam) tespitinde karar ağaç algoritmalarının performans kıyaslaması. Journal of Internet Applications & Management/İnternet Uygulamaları ve Yönetim Dergisi, 5(2).

9. Manikandan, G., Aravind, V., & Anitha, B. (2018). A Survey to Identify an Efficient Classification Algorithm for Heart Disease Prediction. International Journal of Pure and Applied Mathematics, 119(2), 13337-13345.
10. Subba Narasimha, P. N., Arinze, B., & Anandarajan, M. (2000). The predictive accuracy of artificial neural network and multiple regression in the case of skewed data. Exploration of some issues. Expert systems with Applications, 19(2), 117-123.
11. Tosun, S. (2007). Sınıflandırmada yapay sinir ağları ve karar ağaçları karşılaştırması: öğrenci başarıları üzerine bir uygulama. (Yayımlanmamış yüksek lisans tezi). İstanbul Teknik Üniversitesi/Fen Bilimleri Enstitüsü, İstanbul.
12. Uzun, Y. (2005). Tıbbi veriler üzerinde makine öğrenme algoritmaları ve bulanık mantık ile kurallar öğrenme. (Yayımlanmamış yüksek lisans tezi). Selçuk Üniversitesi/Fen Bilimleri Enstitüsü, Konya.