Teknoloji Kullanımı ile Öğrenci Başarısı Arasındaki İlişkinin Bazı Kümeleme Algoritmaları Kullanılarak İncelenmesi

Öz

Yapay zekanın bir alt basamağı olan makine öğrenmesi son yıllarda eğitim alanında büyük önem kazanmıştır. Öğrenci-öğretmen etkileşimi, akademik başarı ölçme ve öğrencilerin dersteki dikkat durumlarının değerlendirmesi gibi çalışmalar makine öğrenmesi uygulamaları kullanılarak yapılabilmektedir. Bu çalışmada, Samsun ili Atakum ilçesinde yer alan Hürriyet Yıldız Okulları ve Boğaziçi Okulları’nda öğrenim görmekte olan 5. ve 6. sınıf öğrencilerine “Bilişim Teknolojilerinden Yararlanma Ölçeği” uygulanmıştır. RapidMiner programında yer alan x-means, k-means ve k-medoid kümeleme algoritmaları kullanılarak, öğrencilerin ölçekte vermiş oldukları cevaplarla akademik başarıları arasındaki ilişki tahmini yapılmıştır. Sonuç olarak yüksek akademik başarı gösteren öğrenci grubu ile düşük akademik başarı gösteren grubunun bilgisayar teknolojilerini kullanım amaçlarında farklılıkların olduğu görülmektedir.

Anahtar Kelimeler

• Başarı tahmini
• Makine öğrenmesi
• Teknoloji
• RapidMiner
• Kümeleme algoritmaları

Investigation of The Relationship Between Technology Use and Student Success Using Some Clustering Algorithms

Abstract

Machine learning, which is a sub-step of artificial intelligence, has gained great importance in the field of education in recent years. Studies such as student-teacher interaction, measuring academic achievement and evaluating the attention of the student in the lesson can be done by using machine learning applications. In this study, the "Information Technologies Utilization Scale" was applied to the 5th and 6th grade students studying at Hürriyet Yıldız Schools and Boğaziçi Schools in the Atakum district of Samsun. By using x-means, k-means and k-medoid clustering algorithms in the RapidMiner program, the relationship between the answers given by the students in the scale and their academic success was estimated. As a result, it is seen that there are differences in the purposes of using computer technologies between the group of students with high academic achievement and the group with low academic achievement.

Keywords

• Success prediction
• Machine learning
• Technology
• RapidMiner
• Clustering algorithms

Kaynakça

1. Abad FM., Caso López AAC. Data-mining techniques in detecting factors linked to academic achievement. School Effectiveness and School Improvement 2017; 28(1): 39-55.
2. Akçapınar G., Coşgun E. Öğrencilerin STEM Eğitimi Tercihlerinin Veri Madenciliği Yaklaşımı ile Tahmin Edilmesi. Eğitim Teknolojisi Kuram ve Uygulama 2019; 9(1): 73-88.
3. Alturki S., Hulpuș I., Stuckenschmidt H. Predicting academic outcomes: A survey from 2007 till 2018. Tech Know Learn 2022; 27: 275–307.
4. Baker RS., Yacef K. The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining 2009; 1(1):3-17.
5. Baradwaj BK., Pal S. Mining educational data to analyze students performance. International Journal of Advanced Computer Science and Applications 2011; 2(6): 63-69.
6. Delen D. A comparative analysis of machine learning techniques for student retention management. Decision Support Systems 2010; 49(4): 498-506.
7. Demirkol D., Kartal E., Şeneler Ç., Gülseçen S. Bir öğrenci bilgi sisteminin kullanılabilirliğinin makine öğrenmesi teknikleriyle tahmin edilmesi. Veri Bilimi 2019; 2(1): 10-18.
8. Ghorbani R., Ghousi R. Comparing different resampling methods in predicting students’ performance using machine learning techniques. IEEE Access 2020; 8: 67899-67911.

9. Gök M. Makine öğrenmesi yöntemleri ile akademik başarının tahmin edilmesi. Gazi University Journal of Science Part C: Design and Technology 2017; 5(3): 139-148.
10. Horáková T., Houška M., Dömeová L. Classification of the educational texts styles with the methods of artificial intelligence. Journal of Baltic Science Education 2017; 16(3): 324-336.
11. Mierswa L., Klinkenberg R. (2018). RapidMiner Studio (9.1) [Data science, machine learning, predictive analytics]. Retrieved from https://rapidminer.com/
12. Orsoni M.., Giovagnoli S., Garofalo S., Magri S., Benvenuti M., Mazzoni E., Benassi M. Preliminary evidence on machine learning approaches for clusterizing students’ cognitive profil. Heliyon 2023; 9:3: e14506.
13. Özmusul M. Bilişim teknolojilerinden yararlanma ölçeğinin geliştirilmesi. Kuramsal Eğitimbilim 2011; 4(1): 1-17.
14. Prasada Rao K., Sekhara Rao MVPC., Ramesh B. Predicting learning behavior of students using classification techniques. International Journal of Computer Applications 2016; 139(7): 15-19.
15. Şimsek M. Predicting mathematics performance by ICT variables in PISA 2018 through decision tree algorithm. International Journal of Technology in Education 2022; 5(2): 269-279.
16. Yağcı M. Educational data mining: prediction of students’ academic performance using machine learning algorithms. Smart Learning Environments 2022; 9(11): 1-19.
17. Zheng Y., Zheng S., Bao L. Investigation and interpersonal relationship of college students with intelligent big data. Scientific Programming volume 2022; 1058-9244.