MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE AKADEMİK BAŞARININ TAHMİN EDİLMESİ

Öz

Ülkemizde son yıllarda eğitim alanında gerçekleştirilen proje ve fiziki yatırımlara karşın öğrencilerin hem ulusal hem de uluslararası sınavlarda başarıları istenen seviyede artmamıştır. Özellikle bu başarısızlık durumu Matematik ve Türkçe dersleri için çok daha ciddi boyutlardadır.  Ortaokul öğrencileri arasında öğrencilerin akademik başarılarını etkileyen ailevi, demografik, okul kaynaklı pek çok etmen bulunmaktadır. Ancak bugüne kadar hangi etmenlerin öncelikli, direkt olarak başarıyı etkilediği net olarak ortaya konulmamıştır. Bu çalışmada, belirlenen ölçütlere göre hazırlanan 24 soruluk bir anket ortaöğretim 6, 7 ve 8. sınıf öğrencilerine uygulanmıştır. Anket sonuçlarından elde edilen veri üzerinde Türkçe, Matematik dersleri ve dönem sonu genel başarı ortalamalarının regresyon / çok sınıflı makine öğrenmesi modelleri oluşturularak puan ve notları tahmin edilmiştir. Elde edilen deneysel sonuçlara göre, makine öğrenmesi yöntemleri ile öğrenci not tahmini başarılı bir şekilde gerçekleştirilmiştir.

Anahtar Kelimeler

• Ders başarı ortalaması tahmini,Öznitelik seçimi,Regresyon,Sınıflandırma

Kaynakça

1. [1] “Eğitim”, “Güncel Türkçe Sözlük”, Türk Dil Kurumu. Erişim: 18 Nisan 2007.
2. [2] OECD, “PISA 2015 in Focus”, 2016, https://www.oecd.org/pisa/pisa-2015-results-in-focus.pdf, Erişim: 18 Nisan 2007.
3. [3] Ertürk, S., “Eğitimde Program Geliştirme”, Meteksan, Ankara, 1979.
4. [4] Breiman, L., “Random Forests”, Machine Learning, Cilt 45, No 1, 5-32, 2001.
5. [5] Şengür, D., “Öğrencilerin Akademik Başarılarının Veri Madenciliği Metotları ile Tahmini”, Fırat Üniversitesi, Eğitim Bilimleri Enstitüsü, Doktora Tezi, 2013.
6. [6] Hakyemez, T.C., “İlk Yıl Öğrencilerinin Akademik Performansına Etki Eden Faktörlerin Araştırılması ve Bu Faktörlere Bağlı Olarak Başarılarının Tahminine Yönelik Bir Karar Destek Sistemi Tasarım”, Sakarya Üniversitesi, Sosyal Bilimler Enstitüsü, Doktor Tezi, 2015.
7. [7] Özdemir Ş., “Eğitimde Veri Madenciliği ve Öğrenci Akademik Başarı Öngörüsüne İlişkin Bir Uygulama”, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 2016.
8. [8] Pardos, Z. A., Heffernan, N.T., Anderson, B., Heffernan, C.L., Schools, W.P., “Using Fine-grained Skill Models To Fit Student Performance with Bayesian Networks”, Handbook of Educational Data Mining, 417, 2010.

9. [9] Cortez, P., Silva, A.M.G., “Using Data Mining To Predict Secondary School Student Performance”, Proceddings of 5th Annual Future Business Technology Conference, Porto, 5-12, 2008.
10. [10] Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., Witten, I.H., “The WEKA Data Mining Software: An Update”. ACM SIGKDD Explorations Newsletter, Cilt 11, No 1, 10-18, 2009.
11. [11] Kutner, M. H., Nachtsheim, C. J., Neter, J., Li, W., “Applied Linear Statistical Models”, Cilt 103. McGraw-Hill Irwin, New York, 2005.
12. [12] Gök, M, Atuntaş, V., “Regresyon Analizi”, (Ed. Akçetin E, Çelik, U, Gök, M.) “Rapidminer ile Veri Madenciliği”, 85-86, Pusula yayıncılık, Ankara, 2017.
13. [13] Feng, P. M., Ding, H., Chen, W., & Lin, H.,“Naive Bayes Classifier with Feature Selection To Identify Phage Virion Proteins”, Computational and Mathematical Methods in Medicine, 2013.
14. [14] Alpaydin, E., “Introduction to Machine Learning”, 210-212, The MIT Press, Londra, 2004.
15. [15] Dong, L., Frank, E., Kramer, S., “Ensembles of balanced nested dichotomies for multi-class problems”, Proceeding of European Conference on Principles of Data Mining and Knowledge Discovery, 84-95, Springer Berlin Heidelberg, 2005.
16. [16] Uysal, İ., Güvenir, H.A., “Instance-based regression by partitioning feature projections”, Applied Intelligence, Cilt 21, No 1, 57-79, 2004.
17. [17] Hall, M.A., “Correlation-based Feature Subset Selection for Machine Learning”, Hamilton, New Zealand, 1998.