Estimation of Students' Achievement Information and Success in Exams Using Machine Learning Methods

Öz

In this study, it was aimed to predict the performance of the students in the next exams according to the exam data they entered. As the data set, in the 1st semester of the 2021-2022 academic year, Dr. The score distributions of 87 students studying in the 10th and 11th grades of Nureddin Erk-Perihan Erk Vocational and Technical Anatolian High School in the field of Information Technologies in the 3 exams applied in the Object-Oriented and Programming course were used. The questions in the exams were matched with the achievement titles in the course information form, and the performance rates of each student were tabulated according to the achievement titles. Synthetic data were produced using real data collected due to limited data. The degree of closeness of the synthetic data to reality was confirmed by the detailed result report. Since more than one performance value will be estimated, linear regression, k-nearest neighbor and decision tree algorithms supporting multi-output regression are used. K-layer cross validation was applied to evaluate the success of the algorithms. MAE, MSE, R2 and standard deviation were calculated for performance measurements. For overfitting solution, the performance is improved by finding the best parameter values in KNN and decision tree algorithms. According to the results, the best performance values were obtained with KNN. As a continuation of this study, a system in which exam data of all courses will be entered can be designed and the performance connections between courses can be analyzed. Thus, future failures of students can be prevented and the quality of education can be increased according to performance predictions.

Anahtar Kelimeler

• Educational data mining
• student performance prediction
• multi-output regression
• synthetic data
• machine learning

Makine Öğrenmesi Yöntemleri Kullanılarak Öğrencilerin Kazanım Bilgileri ile Sınavlardaki Başarı Durumunun Tahmini

Öz

Yapılan bu çalışmada öğrencilerin girdiği sınav verilerine göre sonraki sınavlardaki performansları tahmin edilmek istenmiştir. Veri kümesi olarak, 2021-2022 eğitim öğretim yılı 1. döneminde, İstanbul ili Ataşehir ilçesinde bulunan Dr. Nureddin Erk-Perihan Erk Mesleki ve Teknik Anadolu Lisesi, Bilişim Teknolojileri alanındaki 10 ve 11’inci sınıfta okuyan 87 öğrencinin Nesne Tabanlı ve Programlama dersinde uygulanan 3 sınavdaki puan dağılımları kullanılmıştır. Sınavlardaki sorular ders bilgi formundaki kazanım başlıklarıyla eşleştirilmiş, her öğrencinin kazanım başlıklarına göre performans oranları tablo haline getirilmiştir. Verilerin kısıtlı olmasından dolayı toplanan gerçek veriler kullanılarak sentetik veriler üretilmiştir. Sentetik verinin gerçeğe yakınlık derecesi detaylı sonuç raporu ile teyit edilmiştir. Birden çok sayıda performans değeri tahmin edileceğinden, çok çıkışlı regresyonu destekleyen doğrusal regresyon, k-en yakın komşu ve karar ağacı algoritmaları kullanılmıştır. Algoritmaların başarı değerlendirmesi için k katmanlı çapraz doğrulama uygulanmıştır. Performans ölçümleri için MAE, MSE, R2 ve standart sapma hesaplanmıştır. Aşırı uyum çözümü için KNN ve karar ağacı algoritmalarında en iyi parametre değerleri bulunarak performans iyileştirilmiştir. Sonuçlara göre en iyi performans değerleri KNN ile elde edilmiştir. Bu çalışmanın devamı olarak tüm derslerin sınav verilerinin girileceği bir sistem tasarlanarak dersler arasındaki performans bağlantıları analiz edilebilir. Böylece performans tahminlerine göre öğrencilerin gelecekteki başarısızlıkları bugünden önlenebilir ve eğitim kalitesi arttırılabilir.

Anahtar Kelimeler

• Eğitsel veri madenciliği
• öğrenci performans tahmini
• çok çıktılı regresyon
• sentetik veri
• makine öğrenmesi

Kaynakça

1. Abbasoğlu, B. (2020). Ortaokul Öğrencilerinin Akademik Başarılarının Eğitsel Veri Madenciliği Yöntemleri İle Tahmini . Veri Bilimi , 3 (1) , 1-10.
2. Adak, M. F., Yumusak, N., & Taskin, H. (2016). An elective course suggestion system developed in computer engineering department using fuzzy logic. In 2016 International Conference on Industrial Informatics and Computer Systems (CIICS) (pp. 1-5). IEEE.
3. Aghalarova, S. & Bozkurt Keser, S. (2022). Öğrencilerin Akademik Performanslarının Tahmin Edilmesi Için Automl Tekniğinin Uygulanması . El-Cezeri , 9 (2) , 394-412 . Doi: 10.31202/Ecjse.946505.
4. Akgün, K. & Bulut Özek, M. (2020). Eğitsel Veri Madenciliği Yöntemi İle İlgili Yapılmış Çalışmaların İncelenmesi: İçerik Analizi . Uluslararası Eğitim Bilim Ve Teknoloji Dergisi , 6 (3) , 197-213 . Doi: 10.47714/Uebt.753526.
5. Altunkaynak, A. , Başakın, E. E. & Kartal, E. (2020). Dalgacik K-En Yakin Komşuluk Yöntemi İle Hava Kirliliği Tahmini . Uludağ Üniversitesi Mühendislik Fakültesi Dergisi , 25 (3) , 1547-1556 . Doi: 10.17482/Uumfd.809938
6. Aydemir, E. , Kaysi, F. & Gülseçen, S. (2019). Üniversite Öğrencilerinin Türk Dili Dersi Sınav Sonuçlarının Sınava Hazırlık Düzeylerine Göre Tahminlenmesi . Alphanumeric Journal , 7 (2) , 351-356 . Doi: 10.17093/Alphanumeric.583502
7. Can, Ş. , Özdil, T. & Yılmaz, C. (2018). Üniversite Öğrencilerinin Ders Başarisini Etkileyen Faktörlerin Lojistik Regresyon Analizi İle Tahminlenmesi . International Review Of Economics And Management , 6 (1) , 28-49 . Doi: 10.18825/Iremjournal.349984.
8. Gök, M. (2017). Makine Öğrenmesi Yöntemleri İle Akademik Başarinin Tahmin Edilmesi . Gazi University Journal Of Science Part C: Design And Technology , 5 (3) , 139-148.

9. Güner, N. & Çomak, E. (2011). Mühendislik Öğrencilerinin Matematik I Derslerindeki Başarısının Destek Vektör Makineleri Kullanılarak Tahmin Edilmesi . Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi , 17 (2) , 87-96.
10. Güvenç, E. , Sakal, M. , Çetin, G. & Özkaraca, O. (2022). Öğrencilerin Dersteki Niteliklerinin Makine Öğrenmesi Teknikleri Kullanılarak Sınıflandırılması . Düzce Üniversitesi Bilim Ve Teknoloji Dergisi , 10 (3) , 1359-1371 . Doi: 10.29130/Dubited.1017202.
11. İçeli, N. (2012). Veri Madenciliği Yöntemi İle Divriği Nuri Demirağ Meslek Yüksekokulu Öğrencilerinin Temel Bilgisayar Dersine Ait Başari Analizi Uygulamasi . Mesleki Bilimler Dergisi (Mbd) , "2012 Yılı Cilt:1 Sayı:1 (Syf 18-37)" , 18-37.
12. Kumari, S., Siwach, V., Singh, Y., Barak, D., & Jain, R. (2022). A Machine Learning Centered Approach For Uncovering Excavators’ Last Known Location Using Bluetooth And Underground Wsn. Wireless Communications And Mobile Computing, 2022.
13. Mardikyan, S. (2005). İlişki Analizinde Varsayımlardan Sapmaların Belirlenmesi Ve Çözümlenmesine Yönelik Bir Bilgisayar Programı Geliştirilmesi, Doktora Tezi, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
14. Meb. (2022). Http://Meslek.Eba.Gov.Tr/?P=Ders-Bilgi-Formu&Tur=Mtal, 20.02.2022
15. Özlen T. (2022) Servikal Kanserlerin Teşhisinde Kullanilan Makine Öğrenmesi Algoritmalarinin Karşilaştirmali Analizi, Yüksek Lisans Tezi, İstanbul Aydın Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul
16. Özlüer Başer, B. , Yangın, M. & Sarıdaş, E. S. (2021). Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması . Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi , 25 (1) , 112-120 . Doi: 10.19113/Sdufenbed.842460
17. Şengür, D. & Tekin, A. (2014). Öğrencilerin Mezuniyet Notlarının Veri Madenciliği Metotları İle Tahmini . Bilişim Teknolojileri Dergisi , 6 (3) , 7-16.