The Data Mining: Measurement of Academic Achievement in Faculty of Divinity by Data Mining

Öz

This study; is designed as a theoretical review to determine the foundations of data mining concept and its application areas. The study also includes a sample application aimed at explaining what factors are influencing the subsequent academic success of the students who have settled in the faculty of divinity, according to settling scores and various demographic variables. The relationship between the settling scores of the students settled in the faculty of divinity and their successes was determined from the data mining technique by quantitative research methods. In this study, 3775 students, who settled in a faculty of divinity in 2017 and are currently studying in the second year of undergraduate programs, were sampled. As a result of the study, there was a negative correlation between the grade point average and the number of unsuccessful courses. In addition, there was a high negative correlation between grade point averages and age at the end of the year. In addition, there was a high negative correlation between grade point averages and age. The score of the student's placement in the university affects the yearly grade average in a positive, but negatively affects the number of failed courses. The university placement score affects the number of unsuccessful courses negatively. While the gender affects positively the year-end grade average, it was not in a meaningful relationship with the number of failed courses. In addition, there is a strong positive relationship between the placement score and preference order change in the university.

Anahtar Kelimeler

• Data Mining,Academic Achievement,Divinity,Student

Veri Madenciliği: İlahiyat Fakültesi Öğrencilerinde Akademik Başarının Veri Madenciliği İle Ölçülmesi

Öz

Bu araştırma; veri madenciliği kavramının temellerini ve uygulama alanlarını belirlemek amacıyla kuramsal bir inceleme olarak tasarlanmıştır. Bunun yanında, araştırma, ilahiyat fakültesine yerleşen öğrencilerin, fakülteye yerleştikten sonraki akademik başarısına etki eden faktörlerin neler olduğunu, yerleşme puanlarına ve çeşitli demografik değişkenlere göre açıklama amacını taşıyan örnek bir uygulamayı da kapsamaktadır. Araştırma kapsamındaki yerleşen öğrencilerin, üniversite yerleşme puanları ile yerleştikleri fakültelerdeki başarı durumları arasındaki ilişki nicel araştırma yöntemlerinden veri madenciliği tekniği belirlenmiştir. Bu uygulamada, 2017 yılında bir üniversiteye yerleşen ve halen ilahiyat lisans programlarının 2. Sınıflarında öğrenim gören 3775 öğrenciye ait veri örneklemi kullanılmıştır. Araştırma sonucunda, yılsonu not ortalaması ve başarısız olunan ders sayısı arasında negatif yönlü ve yüksek düzeyde bir ilişki belirlenmiştir. Bunun yanında, yılsonu not ortalaması ve yaş arasında yüksek düzeyde negatif ilişki belirlenmiştir. Öğrencinin üniversiteye yerleşme puanı, yılsonu not ortalamasını olumlu yönde etkilerken, başarısız olunan ders sayısını olumsuz etkilemektedir. Üniversite yerleşme puanı, başarısız olunan ders sayısını olumsuz yönde etkilemektedir. Cinsiyet değişkeni yılsonu not ortalamasını olumlu bir şekilde etkilerken, başarısız olunan ders sayısı ile anlamlı bir ilişki içinde değildir. Bunun yanında, üniversiteye yerleşme puanı ile tercih sırası değişkeni arasında da pozitif yönlü oldukça güçlü bir anlamlı ilişki söz konusudur.

Anahtar Kelimeler

• Veri Madenciliği,Akademik Başarı,İlahiyat,Öğrenci

Kaynakça

1. Agrawal, Rakesh - Srikant, Ramakrishnan. Privacy-preserving data mining. ACM, 2000.
2. Altınışık, Umut. “Öğrenci Bilgi Sisteminde Veri Madenciliğinin Uygulanması”. Yayınlanmamış Yüksek Lisans Tezi, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Kocaeli. 2006.
3. Antalyalı, Ö.L. “Varyans Analizi (Anova-Manova)”. SPSS uygulamalı çok değişkenli istatistik teknikleri 3 (2008): 131-167.
4. Argyrous, George. Statistics for social research. Macmillan International Higher Education, 1997.
5. Aydın, S. “Veri madenciliği ve Anadolu Üniversitesi uzaktan eğitim sisteminde bir uygulama”. Yayımlanmamış doktora tezi, Anadolu Üniversitesi, Eskişehir. 2007.
6. Berkhin, Pavel. “A survey of clustering data mining techniques”. Grouping multidimensional data. 25-71. Springer, 2006.
7. Berry, Michael J. - Linoff, Gordon. Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc., 1997.
8. Berson, Alex - Smith, Stephen J. Data warehousing, data mining, and OLAP. McGraw-Hill, Inc., 1997.

9. Büyüköztürk, Ş. “Veri Analizi El Kitabı: İstatistik”. Araştırma Deseni, SPSS Uygulamaları ve Yorum, Pegem Yayınları, Ankara. 2005.
10. Cabena, Peter - Hadjinian, Pablo - Stadler, Rolf - Verhees, Jaap - Zanasi, Alessandro - International Business Machines Corporation (San Jose, California) - International Technical Support Organization (San Jose, California). Discovering data mining: from concept to implementation. Prentice Hall PTR New Jersey, 1997.
11. Ekim, Ufuk. Veri madenciliği algoritmalarını kullanarak öğrenci verilerinden birliktelik kurallarının çıkarılması. Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2011.
12. Erdoğan, ŞZ. “Veri madenciliği ve veri madenciliğinde kullanılan K-Means algoritmasının öğrenci veri tabanında uygulanması”. Yüksek Lisans Tezi, İstanbul Üniversitesi. 2004.
13. Fayyad, Usama - Piatetsky-Shapiro, Gregory - Smyth, Padhraic. “From data mining to knowledge discovery in databases”. AI magazine 17/3 (1996): 37.
14. Fraley, Chris - Raftery, Adrian E. “Model-based clustering, discriminant analysis, and density estimation”. Journal of the American statistical Association 97/458 (2002): 611-631.
15. Gülçe, Gürler. Veri ambarı ve veri madenciliği teknikleri kullanılarak öğrenci karar destek sistemi oluşturma. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, 2010.
16. Güvenç, E. “Yüksek Öğrenimde Öğrenci Performansının Veri Madenciliği Teknikleri ile Belirlenmesi, Yüksek Lisans Tezi, Endüstri Mühendisliği ABD”. Fen Bilimleri Enstitüsü, Boğaziçi Üniversitesi, stanbul, 120s. 2001.
17. Hall, Mark - Frank, Eibe - Holmes, Geoffrey - Pfahringer, Bernhard - Reutemann, Peter - Witten, Ian H. “The WEKA data mining software: an update”. ACM SIGKDD explorations newsletter 11/1 (2009): 10-18.
18. Hand, David J. “Principles of data mining”. Drug safety 30/7 (2007): 621-622.
19. Inokuchi, Akihiro - Washio, Takashi - Motoda, Hiroshi. “An apriori-based algorithm for mining frequent substructures from graph data”. European Conference on Principles of Data Mining and Knowledge Discovery. 13-23. Springer, 2000.
20. Kayri, Murat. “Araştirmalarda Gruplar Arasi Farkin Belİrlenmesİne Yönelİk Çoklu Karşilaştirma (Post-Hoc) Teknİklerİ”. Journal of Social Science 55 (2009).
21. Keim, Daniel A. “Information visualization and visual data mining”. IEEE Transactions on Visualization & Computer Graphics. 1 (2002): 1-8.
22. Lane, Peter W. - Nelder, John A. “Analysis of covariance and standardization as instances of prediction”. Biometrics. 1982. 613-621.
23. Larose, Daniel T. - Larose, Chantal D. Discovering knowledge in data: an introduction to data mining. John Wiley & Sons, 2014.
24. Lee, Wenke - Stolfo, Salvatore J. - Mok, Kui W. “A data mining framework for building intrusion detection models”. Security and Privacy, 1999. Proceedings of the 1999 IEEE Symposium on. 120-132. IEEE, 1999.
25. Miller, Harvey J. - Han, Jiawei. Geographic data mining and knowledge discovery. CRC Press, 2009.
26. Newton, R. R. - Rudestam, E. K. Your statistical consultant: Answers to your statistical questions. Thousand Oaks, CA: Sage, 1999.
27. Özdamar, Kazım. Paket programlar ile istatiksel veri analizi: MINITAB 16-IBM SPSS 21. Nisan Kitabevi, 2013.
28. Raymondo, James C. Statistical analysis in the behavioral sciences. McGraw-Hill Humanities Social, 1998.
29. Reed, Florence D. DiGennaro - Reed, Derek D. - Baez, Cynthia N. - Maguire, Helena. “A parametric analysis of errors of commission during discrete‐trial training”. Journal of Applied Behavior Analysis 44/3 (2011): 611-615.
30. Romero, Cristobal - Ventura, Sebastian. “Educational data mining: A survey from 1995 to 2005”. Expert systems with applications 33/1 (2007): 135-146.
31. Runyon, Richard P. - Coleman, Kay A. - Pittenger, David J. Fundamentals of behavioral statistics. McGraw-Hill, 2000.
32. Saville, Dave J. “Multiple comparison procedures: the practical solution”. The American Statistician 44/2 (1990): 174-180.
33. Saygılı, Ahmet. Veri madenciliği ile mühendislik fakültesi öğrencilerinin okul başarılarının analizi. YTÜ Fen Bilimleri Enstitüsü, 2013.
34. Soman, K. P. - Diwakar, Shyam - Ajay, V. Data mining: theory and practice [with CD]. PHI Learning Pvt. Ltd., 2006.
35. Srivastava, Jaideep - Cooley, Robert - Deshpande, Mukund - Tan, Pang-Ning. “Web usage mining: Discovery and applications of usage patterns from web data”. Acm Sigkdd Explorations Newsletter 1/2 (2000): 12-23.
36. Taşdemir, Mehmet. Veri madenciliği (Öğrenci başarısına etki eden faktörlerin regresyon analizi ile tespiti). 2015.
37. Wang, Haixun - Fan, Wei - Yu, Philip S. - Han, Jiawei. “Mining concept-drifting data streams using ensemble classifiers”. Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining. 226-235. AcM, 2003.
38. Witten, Ian H. - Frank, Eibe - Hall, Mark A. - Pal, Christopher J. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2016.
39. Wu, Xindong - Kumar, Vipin - Quinlan, J. Ross - Ghosh, Joydeep - Yang, Qiang - Motoda, Hiroshi - McLachlan, Geoffrey J. - Ng, Angus - Liu, Bing - Philip, S. Yu. “Top 10 algorithms in data mining”. Knowledge and information systems 14/1 (2008): 1-37.